细粒度辅助的可见光遥感图像飞机目标检测方法及设备

1.本发明实施例涉及图像检测技术领域，尤其涉及一种细粒度辅助的可见光遥感图像飞机目标检测方法及设备。


背景技术：

2.随着经济的快速发展，飞机已然成为人们日常出行的重要交通工具。作为一种重要的战略军事目标，在遥感图像中准确监视飞机的动态，可以为战争提供重要的情报。遥感图像中的飞机目标检测任务可以分为定位和型号级分类两部分。前者由于飞机尺寸大，在遥感图像中占据的像素数量多，且其主要停靠于机场，每架飞机之间都有足够的间距，不存在如同车辆目标检测任务中的密集、弱小的问题，因而较为容易。飞机的型号级分类是该检测任务的难点问题，其关键任务在于解决样本类间差异小的问题。目前尚无考虑了细粒度属性的可直接用于分类的飞机目标检测数据集，使得该检测任务缺乏样本支持，相关方法往往从网络结构上寻求解决方案，鲜少考虑数据集本身所能提供给模型的先验知识。然而在实际的遥感图像中，飞机目标往往在外形结构上十分相似而仅在一些基础结构上略有不同。因此，开发一种细粒度辅助的可见光遥感图像飞机目标检测方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。


技术实现要素：

3.针对现有技术存在的上述问题，本发明实施例提供了一种细粒度辅助的可见光遥感图像飞机目标检测方法及设备。
4.第一方面，本发明的实施例提供了一种细粒度辅助的可见光遥感图像飞机目标检测方法，包括：步骤1，构建一个gf-rareplanes联合数据集，对gf数据集和rareplanes数据集统一标注格式，即令rareplanes数据集中的每一个飞机样本都具有和gf数据集中一致的旋转矩形框标注；步骤2，对gf数据集和rareplanes数据集进行重新分类，即从rareplanes数据集中的十一种飞机目标的细粒度属性中选择5种属性，并对5种属性下的子属性进行合并，将属性进行组合后令gf数据集和rareplanes数据集中的飞机样本划分至对应的属性组合中；步骤3，生成联合数据集标注文件，将合并后的gf数据集和rareplanes数据集的标注文件统一为.json格式，将两个数据集的标注内容提取出来，一张图片对应一个.txt文件；接着将.txt文件转换为.xml文件，该过程将旋转矩形框标注的四个顶点转换为倾斜文本矩形框的格式；最后将.xml文件转换为.json文件，由此完成gf-rareplanes联合数据集的构建工作；步骤4，在gf-rareplanes联合数据集上进行预训练，其中特征提取器为g(
·
)，得到预训练模型mp；步骤5，利用步骤4得到的预训练模型mp，在gf数据集上进行微调，其中特征提取器为g(
·
)，得到微调后的模型mf；步骤6，对步骤5得到的模型mf在gf数据集上进行测试，得到测试结果，即每一类别的平均精度和所有类别的平均精度均值；步骤7，为了验证步骤4得到的预训练模型的泛化能力和该细粒度属性辅助的飞机目标检测方法的有效性，在fair1m数据集上进行验证，得到每一类别的平均精度和所有类别的平均精度均值。
5.在上述方法实施例内容的基础上，本发明实施例中提供的细粒度辅助的可见光遥感图像飞机目标检测方法，所述gf数据集即gaofenplanes数据集，来源于2020年高分辨率对地观测自动化解译挑战赛，型号包括：boeing737、boeing747、boeing777、boeing787、空客a220、空客a321、空客a330、空客a350和arj21，其中每一架飞机都采用了旋转矩形框进行标注。
6.在上述方法实施例内容的基础上，本发明实施例中提供的细粒度辅助的可见光遥感图像飞机目标检测方法，所述rareplanes数据集是一个开源的飞机目标检测数据集，其中的每一个飞机样本都采用了特殊的菱形标注，且每一个飞机样本都按照预定分类方式贴上单独的标签。
7.在上述方法实施例内容的基础上，本发明实施例中提供的细粒度辅助的可见光遥感图像飞机目标检测方法，步骤4和步骤5中的特征提取器g(
·
)选择的是resnet-50，参数的初始值采用pytorch里提供的resnet-50预训练模型。
8.第二方面，本发明的实施例提供了一种细粒度辅助的可见光遥感图像飞机目标检测装置，包括：第一主模块，用于实现步骤1，构建一个gf-rareplanes联合数据集，对gf数据集和rareplanes数据集统一标注格式，即令rareplanes数据集中的每一个飞机样本都具有和gf数据集中一致的旋转矩形框标注；步骤2，对gf数据集和rareplanes数据集进行重新分类，即从rareplanes数据集中的十一种飞机目标的细粒度属性中选择5种属性，并对5种属性下的子属性进行合并，将属性进行组合后令gf数据集和rareplanes数据集中的飞机样本划分至对应的属性组合中；第二主模块，用于实现步骤3，生成联合数据集标注文件，将合并后的gf数据集和rareplanes数据集的标注文件统一为.json格式，将两个数据集的标注内容提取出来，一张图片对应一个.txt文件；接着将.txt文件转换为.xml文件，该过程将旋转矩形框标注的四个顶点转换为倾斜文本矩形框的格式；最后将.xml文件转换为.json文件，由此完成gf-rareplanes联合数据集的构建工作；第三主模块，用于实现步骤4，在gf-rareplanes联合数据集上进行预训练，其中特征提取器为g(
·
)，得到预训练模型mp；步骤5，利用步骤4得到的预训练模型mp，在gf数据集上进行微调，其中特征提取器为g(
·
)，得到微调后的模型mf；第四主模块，用于实现步骤6，对步骤5得到的模型mf在gf数据集上进行测试，得到测试结果，即每一类别的平均精度和所有类别的平均精度均值；步骤7，为了验证步骤4得到的预训练模型的泛化能力和该细粒度属性辅助的飞机目标检测方法的有效性，在fair1m数据集上进行验证，得到每一类别的平均精度和所有类别的平均精度均值。
9.第三方面，本发明的实施例提供了一种电子设备，包括：
10.至少一个处理器；以及
11.与处理器通信连接的至少一个存储器，其中：
12.存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的细粒度辅助的可见光遥感图像飞机目标检测方法。
13.第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的细粒度辅助的可见光遥感图像飞机目标检测方法。
14.本发明实施例提供的细粒度辅助的可见光遥感图像飞机目标检测方法及设备，能
够有效利用飞机目标的细粒度属性来辅助分类，并且在gf-rareplanes数据集上得到的预训练模型具有良好的泛化能力，能够有效提高飞机目标检测精度。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1为本发明实施例提供的细粒度辅助的可见光遥感图像飞机目标检测方法流程图；
17.图2为本发明实施例提供的细粒度辅助的可见光遥感图像飞机目标检测装置结构示意图；
18.图3为本发明实施例提供的电子设备的实体结构示意图；
19.图4为本发明实施例提供的飞机目标检测示意图；
20.图5为本发明实施例提供的采用的rareplanes数据集中飞机样本的不完整菱形标注示意图；
21.图6为本发明实施例提供的对rareplanes数据集中飞机样本的不完整菱形标注转换为正矩形标注示意图；
22.图7为本发明实施例提供的对rareplanes数据集中飞机样本的菱形标注转换为旋转矩形标注示意图；
23.图8为本发明实施例提供的生成联合数据集标注文件的流程示意图；
24.图9为本发明实施例提供的微调后模型的部分可视化检测结果。
具体实施方式
25.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
26.本发明实施例提供了一种细粒度辅助的可见光遥感图像飞机目标检测方法，参见图1，该方法包括：步骤1，构建一个gf-rareplanes联合数据集，对gf数据集和rareplanes数据集统一标注格式，即令rareplanes数据集中的每一个飞机样本都具有和gf数据集中一致的旋转矩形框标注；步骤2，对gf数据集和rareplanes数据集进行重新分类，即从rareplanes数据集中的十一种飞机目标的细粒度属性中选择5种属性，并对5种属性下的子属性进行合并，将属性进行组合后令gf数据集和rareplanes数据集中的飞机样本划分至对应的属性组合中；步骤3，生成联合数据集标注文件，将合并后的gf数据集和rareplanes数
据集的标注文件统一为.json格式，将两个数据集的标注内容提取出来，一张图片对应一个.txt文件；接着将.txt文件转换为.xml文件，该过程将旋转矩形框标注的四个顶点转换为倾斜文本矩形框的格式；最后将.xml文件转换为.json文件，由此完成gf-rareplanes联合数据集的构建工作；步骤4，在gf-rareplanes联合数据集上进行预训练，其中特征提取器为g(
·
)，得到预训练模型mp；步骤5，利用步骤4得到的预训练模型mp，在gf数据集上进行微调，其中特征提取器为g(
·
)，得到微调后的模型mf；步骤6，对步骤5得到的模型mf在gf数据集上进行测试，得到测试结果，即每一类别的平均精度和所有类别的平均精度均值；步骤7，为了验证步骤4得到的预训练模型的泛化能力和该细粒度属性辅助的飞机目标检测方法的有效性，在fair1m数据集上进行验证，得到每一类别的平均精度和所有类别的平均精度均值。
27.基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的细粒度辅助的可见光遥感图像飞机目标检测方法，所述gf数据集即gaofenplanes数据集，来源于2020年高分辨率对地观测自动化解译挑战赛，型号包括：boeing737、boeing747、boeing777、boeing787、空客a220、空客a321、空客a330、空客a350和arj21，其中每一架飞机都采用了旋转矩形框进行标注。
28.基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的细粒度辅助的可见光遥感图像飞机目标检测方法，所述rareplanes数据集是一个开源的飞机目标检测数据集，其中的每一个飞机样本都采用了特殊的菱形标注，且每一个飞机样本都按照预定分类方式贴上单独的标签。
29.基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的细粒度辅助的可见光遥感图像飞机目标检测方法，步骤4和步骤5中的特征提取器g(
·
)选择的是resnet-50，参数的初始值采用pytorch里提供的resnet-50预训练模型。
30.本发明实施例提供的细粒度辅助的可见光遥感图像飞机目标检测方法，能够有效利用飞机目标的细粒度属性来辅助分类，并且在gf-rareplanes数据集上得到的预训练模型具有良好的泛化能力，能够有效提高飞机目标检测精度。
31.在另一实施例中，本发明提供了一种细粒度辅助的可见光遥感图像飞机目标检测方法，如图4所示，具体包括如下步骤：
32.步骤1.1：首先对gf数据集和rareplanes数据集统一标注格式，需要将rareplanes数据集中的菱形标注转换为旋转矩形框标注。利用rareplanes数据集的标注文件在图像上可视化标注，发现由于图像裁剪的原因导致位于裁剪边缘的飞机样本的标注并非完整的菱形标注，而是三角形、五边形或是六边形，如图5所示。
33.步骤1.2：对于步骤1.1中所述的三角形、五边形或是六边形标注，将其转换为正矩形框(horizontal bounding box,hbb)标注，具体为：利用原始菱形标注中的xmin、xmax、ymin、ymax，直接取一个最小外接正矩形，转换结果如图6所示。
34.步骤1.3：对于步骤1.1中所述的完整的菱形标注，将其转换为旋转矩形框(oriented bounding box,obb)标注，具体为：首先做出菱形的对角线a和b，并求出其交点坐标p0；接着固定其中一条对角线a，计算对角线b被p0所分成的两个部分的长度l1和l2；然后以对角线a的两个端点为起始分别沿两个方向做长度为l1和l2的垂线段，最后将垂线段的两对端点分别连接即可构成闭合的旋转矩形框，如图7所示。
35.步骤2.1：对gf数据集和rareplanes数据集依照精心挑选的5种细粒度属性进行重新分类。首先从rareplanes数据集的11种细粒度属性中选取5种属性(发动机数量、机翼位置、机翼类型、faa翼展类别、军/民用)，为了使最后组合得到的类别总数不太大，对5种属性下的子属性也进行了组合，合并后的属性编号如表1所示。
36.表1 合并后的5种细粒度属性及子属性编号
[0037][0038]
步骤2.2：依照表1的分类规则，首先对rareplanes数据集进行重新分类，最终得到27种细粒度属性辅助的类别。每一个类别序号对应了一个字符串，字符串从左至右的每一个元素代表了表1中的细粒度属性的子属性。例如
’1’
对应的字符串为“00200”，其表示符合具有小于等于两个发动机、机翼位置为中单翼或下单翼、机翼类型为后掠翼或变后掠翼、faa翼展类别号小于等于3、民用飞机这五个特点的飞机样本将被分类至类别
’1’
。
[0039]
步骤2.3：依照表1的分类规则中已得到的细粒度属性辅助的类别号，对gf数据集进行分类。分类结果如表2所示。除类别other外，其余九种型号的飞机均能划分至已有的27种细粒度属性辅助的类别，因此为该联合数据集加入第28类，将other类划分于此，由此获得了28种细粒度属性辅助的类别。
[0040]
表2 细粒度属性辅助的gf数据集分类结果及序列号
[0041][0042][0043]
步骤3.1：在步骤2的基础上生成联合数据集的标注文件，具体流程如图8所示。首先将两个数据集的标注提取出来，每张图片对应一个.txt文件，每架飞机对应一行数据，包含类别号和以及旋转矩形框的四个顶点的坐标(x1,y1,x2,y2,x3,y3,x4,y4)。
[0044]
步骤3.2：接着将.txt文件转换为.xml文件。该过程使旋转矩形框的四个顶点的坐
标(x1,y1,x2,y2,x3,y3,x4,y4)转换为倾斜文本矩形框(cx,cy,w,h,ang)的格式。
[0045]
步骤3.3：最后将.xml文件转换为.json文件(coco格式)，至此，完成了gf-rareplanes联合数据集的构建，该联合数据集包含6481张训练验证集样本和2824张测试集样本，共计28种细粒度属性辅助的类别。
[0046]
步骤4：分别采用faster r-cnn、mask r-cnn、cascade r-cnn、detectors四种框架在步骤3中得到的联合数据集上进行预训练。其中采用sgd优化器，学习率设置为0.005，设置训练代数为24个epoch，得到的预训练模型map如表3所示。
[0047]
表3 预训练模型测试精度(％)
[0048][0049]
步骤5：在gf数据集上分别采用faster r-cnn、mask r-cnn、cascade r-cnn、detectors四种框架对步骤4得到的预训练模型进行微调，该过程采用了gf数据集中的训练验证集，共包含803张图片。其中采用sgd优化器，学习率设置为0.005，设置训练代数为24个epoch，得到的微调后的模型mf。
[0050]
步骤6：在gf数据集上对微调后的模型mf进行测试，该过程采用了gf数据集中的测试集，共包含197张图片.得到的检测结果如表4所示，即每一类别的平均精度(average precision,ap)和所有类别的平均精度均值(mean average precision,map)，可视化检测结果如图9。
[0051]
表4 细粒度属性辅助的飞机目标检测结果(％)
[0052][0053]
步骤7：为了进一步验证步骤4得到的预训练模型的泛化能力和该细粒度属性辅助的飞机目标检测方法的有效性，本实施例在fair1m数据集上进行验证实验。该数据集共包含901张训练验证集样本和831张测试集样本，共计11种飞机目标类别，其相较于gf数据集仅多了一种c919型号的飞机。通过在四种目标检测网络框架下进行实验，得到测试结果如表5所示。
[0054]
表5 fair1m数据集测试结果(％)
[0055][0056]
实验过程中，利用细粒度属性辅助的飞机目标检测方法对遥感图像中的飞机目标进行检测，在gf数据集上的检测结果如表4所示，包括了不采用细粒度属性辅助的检测结果及采用细粒度属性辅助的检测结果。表5为采用在gf-rareplanes数据集上与训练得到的预训练模型在fair1m数据集上进行微调的测试结果，可见检测精度均有大幅度提升。上述两组实验说明了该实施例采用的细粒度属性辅助的飞机目标检测方法的有效性以及在gf-rareplanes数据机上与训练得到的预训练模型的泛化能力，即本方法能有效提升高分可见光遥感图像飞机目标检测任务的精度。
[0057]
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种细粒度辅助的可见光遥感图像飞机目标检测装置，该装置用于执行上述方法实施例中的细粒度辅助的可见光遥感图像飞机目标检测方法。参见图2，该装置包括：第一主模块，用于实现步骤1，构建一个gf-rareplanes联合数据集，对gf数据集和rareplanes数据集统一标注格式，即令rareplanes数据集中的每一个飞机样本都具有和gf数据集中一致的旋转矩形框标注；步骤2，对gf数据集和rareplanes数据集进行重新分类，即从rareplanes数据集中的十一种飞机目标的细粒度属性中选择5种属性，并对5种属性下的子属性进行合并，将属性进行组合后令gf数据集和rareplanes数据集中的飞机样本划分至对应的属性组合中；第二主模块，用于实现步骤3，生成联合数据集标注文件，将合并后的gf数据集和rareplanes数据集的标注文件统一为.json格式，将两个数据集的标注内容提取出来，一张图片对应一个.txt文件；接着将.txt文件转换为.xml文件，该过程将旋转矩形框标注的四个顶点转换为倾斜文本矩形框的格式；最后将.xml文件转换为.json文件，由此完成gf-rareplanes联合数据集的构建工作；第三主模块，用于实现步骤4，在gf-rareplanes联合数据集上进行预训练，其中特征提取器为g(
·
)，得到预训练模型mp；步骤5，利用步骤4得到的预训练模型mp，在gf数据集上进行微调，其中特征提取器为g(
·
)，得到微调后的模型mf；第四主模块，用于实现步骤6，对步骤5得到的模型mf在gf数据集上进行测试，得到测试结果，即每一类别的平均精度和所有类别的平均精度均值；步骤7，为了验证步骤4得到的预训练模型的泛化能力和该细粒度属性辅助的飞机目标检测方法的有效性，在fair1m数据集上进行验证，得到每一类别的平均精度和所有类别的平均精度均值。
[0058]
本发明实施例提供的细粒度辅助的可见光遥感图像飞机目标检测装置，采用图2中的若干模块，能够有效利用飞机目标的细粒度属性来辅助分类，并且在gf-rareplanes数据集上得到的预训练模型具有良好的泛化能力，能够有效提高飞机目标检测精度。
[0059]
需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在
于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：
[0060]
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的细粒度辅助的可见光遥感图像飞机目标检测装置，还包括：第一子模块，用于实现所述gf数据集即gaofenplanes数据集，来源于2020年高分辨率对地观测自动化解译挑战赛，型号包括：boeing737、boeing747、boeing777、boeing787、空客a220、空客a321、空客a330、空客a350和arj21，其中每一架飞机都采用了旋转矩形框进行标注。
[0061]
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的细粒度辅助的可见光遥感图像飞机目标检测装置，还包括：第二子模块，用于实现所述rareplanes数据集是一个开源的飞机目标检测数据集，其中的每一个飞机样本都采用了特殊的菱形标注，且每一个飞机样本都按照预定分类方式贴上单独的标签。
[0062]
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的细粒度辅助的可见光遥感图像飞机目标检测装置，还包括：第三子模块，用于实现步骤4和步骤5中的特征提取器g(
·
)选择的是resnet-50，参数的初始值采用pytorch里提供的resnet-50预训练模型。
[0063]
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个处理器(processor)、通信接口(communications interface)、至少一个存储器(memory)和通信总线，其中，至少一个处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
[0064]
此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0065]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0066]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理
解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的一些部分所述的方法。
[0067]
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0068]
需要说明的是，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括
……
"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0069]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。