一种鲁棒性评估方法、装置和车辆

技术领域

本发明涉及感知技术领域，尤其涉及一种鲁棒性评估方法、装置和车辆。

背景技术

随着智能化的发展，车辆的自动驾驶技术越来越受到广泛专注。在自动驾驶的视觉感知系统中，通过获取摄像头采集的图像，利用深度学习技术对获取的图像进行处理，实现对车辆周围环境和物体进行检测。然而，当车辆处在下雨、下雪、夜晚等特殊环境下，摄像头获取的图像质量就比较差，如果摄像头将处在这些特殊环境下的获取的图像仍输入至视觉感知系统中，则视觉感知系统可能出现检测错误。因此，需要对视觉感知系统的鲁棒性进行评估，确定当摄像头在特殊环境下获取的图像，需不需要输入至视觉感知系统中进行处理。

发明内容

为了解决上述的问题，本申请的实施例提供了一种鲁棒性评估方法、装置和车辆。

第一方面，本申请提供一种鲁棒性评估方法，包括：获取视频流或图像流，所述图像流是以时间为序的连续多帧图像；在所述视频流或图像流中至少一帧的图像上添加或减少噪声；将添加或减少噪声后的所述视频流或图像流输入至计算模型，所述计算模型为对图像进行处理的模型；计算第一时刻对应帧的第一图像的感知损失值，所述第一时刻为播放所述视频流或图像流时的一个时刻；根据所述感知损失值，确定所述计算模型的决策边界，所述决策边界为判读所述计算模型的鲁棒性的最大噪声。

在该实施方式中，基于视频流或图像流对感知模型进行鲁棒性评估方法，通过对某一时刻对应帧的图像进行增加或减少噪声，考虑到感知模型的精度和运行时间，来计算感知loss值，并以感知loss值对应的噪声的coeff值作为衡量标准计算模型的安全半径，用于鲁棒性评估。相比较现有技术中，本申请同时考虑的模型的精度和运行时间，更符合现实中自动驾驶的要求。

在一种实施方式中，当获取视频流时，在所述获取视频流或图像流之后，还包括：对所述视频流进行解帧，得到所述视频流对应的图像流。

在该实施方式中，如果获取的是视频流，则需要将视频流解帧为图像流，图像流为帧与帧之间以时间为连续的图像。本申请通过将视频流转换成图像流，是为了方便后续实现对每一段视频流或图像流中的一帧图像进行加噪声的操作。

在一种实施方式中，所述将添加或减少噪声后的所述视频流或图像流输入至计算模型，包括：根据运行所述计算模型的软硬件平台，计算出输入至所述计算模型的图像流的帧率；按照所述帧率，将所述添加或减少噪声后的所述视频流或图像流输入至所述计算模型。

在该实施方式中，由于感知模型的运行时间与软硬件平台息息相关，所以本申请在模拟真实的运行环境，需要将测试的图像流以符合软硬件平台运行的帧率输入感知模型进行测试，以便更好地模拟真实场景。

在一种实施方式中，当所述第一时刻位于帧与帧之间的间隙时间段时，其特征在于，所述计算第一时刻对应帧的第一图像的感知损失值，包括：根据第二图像的真值和第三图像的真值，确定第一时刻的真值，所述第二图像和所述第三图像为靠近所述第一时刻的两个图像，所述真值为目标物体在图像中的信息；根据所述第一时刻的真值，计算出所述第一时刻的感知损失值。

在一种实施方式中，所述根据所述感知损失值，确定所述计算模型的决策边界，包括：当所述感知损失值等于设定的阈值时，确定所述添加或减少噪声后的所述视频流或图像流中的噪声为决策边界。

在一种实施方式中，所述根据所述感知损失值，确定所述计算模型的决策边界，包括：

当所述感知损失值大于设定的阈值时，减小所述添加或减少噪声后的所述视频流或图像流中的噪声；当减小噪声后的图像的感知损失值小于设定的阈值时，确定所述决策边界在所述添加或减少噪声后的所述视频流或图像流中的噪声和所述减小所述添加或减少噪声后的所述视频流或图像流中的噪声之间。

在一种实施方式中，所述根据所述感知损失值，确定所述计算模型的决策边界，包括：当所述感知损失值小于设定的阈值时，增加所述添加或减少噪声后的所述视频流或图像流中的噪声；当增加噪声后的图像的感知损失值大于设定的阈值时，确定所述决策边界在所述添加或减少噪声后的所述视频流或图像流中的噪声和所述增加所述添加或减少噪声后的所述视频流或图像流中的噪声之间。

第二方面，本申请实施例提供了一种鲁棒性评估装置，包括：收发单元，用于获取视频流或图像流，所述图像流是以时间为序的连续多帧图像；第一处理单元，用于在所述视频流或图像流中至少一帧的图像上添加或减少噪声；将添加或减少噪声后的所述视频流或图像流输入至计算模型，所述计算模型为对图像进行处理的模型；第二处理单元，用于计算第一时刻对应帧的第一图像的感知损失值，所述第一时刻为播放所述视频流或图像流时的一个时刻；根据所述感知损失值，确定所述计算模型的决策边界，所述决策边界为判读所述计算模型的鲁棒性的最大噪声。

在一种实施方式中，所述第一处理单元，还用于对所述视频流进行解帧，得到所述视频流对应的图像流。

在一种实施方式中，所述第一处理单元，具体用于根据运行所述计算模型的软硬件平台，计算出输入至所述计算模型的图像流的帧率；按照所述帧率，将所述添加或减少噪声后的所述视频流或图像流输入至所述计算模型。

在一种实施方式中，当所述第一时刻位于帧与帧之间的间隙时间段时，所述第二处理单元，具体用于根据第二图像的真值和第三图像的真值，确定第一时刻的真值，所述第二图像和所述第三图像为靠近所述第一时刻的两个图像，所述真值为目标物体在图像中的信息；根据所述第一时刻的真值，计算出所述第一时刻的感知损失值。

在一种实施方式中，所述第二处理单元，具体用于当所述感知损失值等于设定的阈值时，确定所述添加或减少噪声后的所述视频流或图像流中的噪声为决策边界。

在一种实施方式中，所述第二处理单元，具体用于当所述感知损失值大于设定的阈值时，减小所述添加或减少噪声后的所述视频流或图像流中的噪声；当减小噪声后的图像的感知损失值小于设定的阈值时，确定所述决策边界在所述添加或减少噪声后的所述视频流或图像流中的噪声和所述减小所述添加或减少噪声后的所述视频流或图像流中的噪声之间。

在一种实施方式中，所述第二处理单元，具体用于当所述感知损失值小于设定的阈值时，增加所述添加或减少噪声后的所述视频流或图像流中的噪声；当增加噪声后的图像的感知损失值大于设定的阈值时，确定所述决策边界在所述添加或减少噪声后的所述视频流或图像流中的噪声和所述增加所述添加或减少噪声后的所述视频流或图像流中的噪声之间。

第三方面，本申请实施例提供了一种鲁棒性评估装置，包括至少一个处理器，所述处理器用于执行存储器中存储的指令，以使得终端执行如第一方面各个可能实现的例子。

第四方面，本申请实施例提供了一种车辆，用于执行如第一方面各个可能实现的例子。

第五方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行如第一方面各个可能实现的例子。

第六方面，本申请实施例提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面各个可能实现的例子。

附图说明

下面对实施例或现有技术描述中所需使用的附图作简单地介绍。

图1为本申请实施例提供的一种车辆的架构图；

图2为本申请实施例提供的一种鲁棒性评估方法的流程图；

图3(a)为本申请实施例提供的对原始图像不加噪声的显示效果图；

图3(b)为本申请实施例提供的对原始图像加噪声为“雨”的显示效果图；

图3(c)为本申请实施例提供的对原始图像加噪声为“雪”的显示效果图；

图3(d)为本申请实施例提供的对原始图像加噪声为“雾”的显示效果图；

图4为本申请实施例提供的对原始图像加不同程度的噪声的显示效果图；

图5为本申请实施例提供的插值的方式示意图；

图6为本申请实施例提供的确实决策边界和安全半径的显示示意图；

图7为本申请实施例提供的一种鲁棒性评估装置结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

自动驾驶系统的运行流程通常包括定位、感知、决策和规划、控制等几部分。其中，感知指的是高级辅助驾驶系统(advanced driving assistance system，ADAS)根据摄像头、激光雷达等传感器采集的信息，来感知环境信息，以获取车辆周围的动态和静态目标位置和属性的过程。本申请主要关注的是摄像头相关的视觉感知领域。

通常情况下，视觉感知信息的获取方法有两种，分别为传统方法和深度学习方法。其中，传统方法是通过设计的特征提取算法，提取图像特征并进行目标识别；深度学习方法则首先设计神经网络，通过大量的标注数据对神经网络进行训练，进而得出可用于目标识别的模型。将实现这两种方法的算法称之为感知模型。

鲁棒性(robustness)是指模型或系统适应异常数据的能力。由于感知模型在设计和训练时，不可能遍历所有的数据，因此对于某一部分数据的检测结果可能会出现波动，波动越小，则鲁棒性越强。例如，当出现下雨天气时，雨量对感知结果的影响越小，则表明感知模型的鲁棒性越强，越适合用于自动驾驶系统。

安全性是自动驾驶系统最主要关注的因素之一。由于车辆在行驶过程中可能会面临各种各样的天气和环境条件，因此有必要对自动驾驶系统的感知模型进行鲁棒性评估。只有达到一定的鲁棒性要求，该模型才能被用于自动驾驶系统中。

图1为本申请实施例提供的一种车辆的结构示意图。如图1所示的一种车辆100，该车辆100包括传感器101、处理器102、存储器103和总线104。其中，传感器101、处理器102、存储器103可以通过总线104建立通信连接。

传感器101可以为光学摄像头、激光雷达等传感器，用于对车辆100周围环境进行拍摄。

处理器102可以为车载中控单元、中央处理器102(central processing unit，CPU)、云服务器等等，用于对传感器101采集的图像进行处理，将得到的图像输入至感知模型，从而实现对感知模型的鲁棒性进行评估。

存储器103可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器也可以包括非易失性存储器(non-volatilememory)，例如只读存储器(read-only memory，ROM)、快闪存储器、硬盘(hard disk drive，HDD)或固态硬盘(solid state drive，SSD)；存储器103还可以包括上述种类的存储器的组合。

存储器103存储的数据不仅传感器101采集的图像数据、处理器102进行鲁棒性估计的感知模型，存储器103还存储执行评估方法对应的各种指令、应用程序等等。

处理器102执行评估方法具体过程，本申请将结合图2所示的执行流程步骤框架图来讲述具体实现过程如下：

步骤S201，获取传感器101采集的视频流或图像流。其中，本申请以传感器101为摄像头为例，摄像头对车辆100周围进行拍摄，以获取视频流或图像流。

具体地，处理器102获取的测试数据，不同于传统的鲁棒性检测方法，采用的是零散的互不相干的图像，而是获取的是视频流或图像流，由于在真实场景中，感知模型获取的数据大多数为摄像头发送的是视频流，所以获取进行鲁棒性评估的数据为视频流或图像流，使得评估的结果更加接近真实值。

另外，如果获取的是视频流，则需要将视频流解帧为图像流，图像流为帧与帧之间以时间为连续的图像。本申请通过将视频流转换成图像流，是为了方便后续实现对每一段视频流或图像流中的一帧图像进行加噪声的操作。

步骤S202，将图像流以指定的帧率输入至感知模型。其中，帧率是图像以帧为单位连续出现在显示器上的频率(速率)。

由于感知模型的运行时间与软硬件平台息息相关，所以本申请在模拟真实的运行环境，需要将测试的图像流以符合软硬件平台运行的帧率输入感知模型进行测试，以便更好地模拟真实场景。

示例性地，在确定输入到感知模型的图像流帧率过程中，先通过实验验证软硬件平台的算力、运行环境等因素对感知模型的图像流帧率的影响，从而得到这些因素对帧率影响的关系。处理器102在得到帧率影响关系后，再结合车辆100的进行鲁棒性评测所用的软硬件平台，确定出进行鲁棒性评估平台所用的图像流帧率。

步骤S203，在图像流中添加或减少噪声。由于减少噪声过程与增加噪声过程相似，本申请在此以增加噪声为例，来讲述本申请的技术方案实现过程。

具体地，处理器102在对图像流添加噪声的过程中，并非对图像流中每一帧图像添加噪声，而是从图像流中选取一帧或少数几帧的图像添加噪声，从而大大降低了鲁棒性评估的工作量和缩短评估时间。

可选地，本申请为了使得进行鲁棒性评估结果更加准确，一般会采集多个视频流或图像流，所以在添加噪声的过程中，选取每个视频流或图像流中相同时刻对应帧的图像添加噪声，从而保证得到的评估结果更加接近真实值。

另外，处理器102对图像添加噪声的程度并非一步到位的，而是采用逐步添加的方式。在鲁棒性评估过程，先增加一点噪声后，计算该噪声对图像的影响是否超出感知模型处理能力范围，如果没有，在原先的基础上再增加噪声，然后再判断是否超出感知模型处理能力范围，以此类推；如果添加的噪声对图像的影响超出感知模型处理能力范围，则将原先增加的噪声减小，然后再判断是否超出感知模型处理能力范围，以此类推。

其中，本申请的图像添加噪声是指对摄像头获取的图像增加破坏(corruption)效果，如加雨、加雪、加雾等等，使得原始的图像变得模糊，如图3所示。其中，图3(a)为摄像头拍摄的原始图像，图3(b)为对原始图像“加雨”的显示效果图，图3(c)为对原始图像“加雪”的显示效果，图3(d)为对原始图像“加雾”的显示效果图。

处理器102实现图像添加噪声的方式有多种，如修改图像的清晰度、降低像素、图像再合成等方式。一种可能实现的例子中，以将“加雾”为例，处理器102得到图3(a)的原始图像后，获取该图像的像素、亮度等图像参数后，生成具有同等图像参数的一个包括雾气的背景为透明的图像，然后将该图像与图3(a)的原始图像叠加合成，生成的新图像即为添加噪声的图像。

对于噪声程度的规定，本申请使用coeff系数(取值0～1)表示增加的噪声的大小。示例性地，如图4所示，以“加雾”为例，从左往右，在原始图像上添加的雾气效果越来越浓重，coeff值从左往右越来越大，也即表明coeff值越小，表示增加噪声越小(加雾的效果越弱)，图像的corruption效果越小；coeff值越大，表示增加噪声越大(加雾的效果越强)，图像的corruption效果越大。

步骤S204，计算添加或减少噪声后的图像的感知loss值。

示例性地，如图5所示，由于输入的时图像流，所以在整个图像播放过程中，只有在每帧图像对应的时刻上才有图像，而在帧与帧之间的时刻上是没有图像的。在计算当前时刻t＝yi的图像的感知loss值时，如果当前时刻t＝yi正好处在一帧图像对应时刻，则直接利用损失函数(1)，计算添加噪声后的图像的感知loss值，损失函数(1)为：

其中，T为图像流按照设定的帧率播放的时间，ψ(t)表示在每个时刻t获取最新的预测结果的输出时间，为

如果当前时刻t＝yi正好处在帧与帧之间的时刻，也即此时并没有对应的图像，则计算当前时刻图像的感知loss值。本申请为了解决上述问题，采用插值法，也即根据当前时刻左右相邻的yt和yt-1时刻对应的图像的真值，计算出需要插入在当前时刻yi的真值，然后插入到当前时刻yi，从而实现无论当前时刻yi是否有图像，都可以计算出图像的感知loss值。

步骤S205，判断是否找到决策边界；如果是，执行步骤S206，如果不是，则执行步骤S203。其中，决策边界为感知模型能准确处理图像所添加的最大噪声边界。

对于感知模型来说，其能准确处理添加噪声后的图像的最大感知loss值(后续称为“阈值”)是可以确定的。但是由于图像的感知loss值是由各种噪声综合计算出来的，并不能根据图像的感知loss值去反推出某一种噪声的决策边界。所以如果验证一种噪声的决策边界时，需要通过不断增加或减少这种噪声到图像中，使添加或减少噪声后的图像计算出的感知loss值等于或接近阈值时，才能确定这种噪声的决策边界。

示例性地，处理器102在得到添加噪声后的图像的感知loss值后，如果该图像的感知loss值小于设定的阈值时，则需要对图像第二次增加噪声(也即回头执行步骤S203)；如果第二次增加噪声后的图像的感知loss值还小于设定阈值，则继续再对图像增加噪声，直至增加到对应的图像的感知loss值大于设定的阈值；如果第二次增加噪声后的图像的感知loss值大于设定的阈值，则确定预设的阈值在第一次和第二次增加噪声后的图像的感知loss值之间。

此时，为了准确找到预设的阈值对应的噪声，在第一次增加的噪声基础上小幅度增加噪声或在第二次增加的噪声基础上小幅度减小噪声，使增加或减小噪声的图像的感知loss值慢慢接近预设的阈值，最后将等于预设的阈值的通过小幅度调整后的噪声，确定为该噪声的决策边界。

如果该图像的感知loss值大于设定的阈值时，则需要对图像第一次减少噪声(也即回头执行步骤S203)；如果第一次减少噪声后的图像的感知loss值还大于设定阈值，则继续再对图像减小噪声，直至减小到对应的图像的感知loss值小于设定的阈值；如果第一次减小噪声后的图像的感知loss值小于设定的阈值，则确定预设的阈值在第一次增加和第一次减小噪声后的图像的感知loss值之间。

此时，为了准确找到预设的阈值对应的噪声，在第一次增加的噪声基础上小幅度减小噪声或在第一次较小的噪声基础上小幅度增加噪声，使增加或减小噪声的图像的感知loss值慢慢接近预设的阈值，最后将等于预设的阈值的通过小幅度调整后的噪声，确定为该噪声的决策边界。

需要特别说明的是，上述描述中提及“增加噪声”和“较少噪声”，为较大幅度的增加或减少噪声，如coeff值变化程度可以为0.1；而提及“小幅度调整增加噪声”和“小幅度调整较少噪声”，coeff值变化程度可以为0.01或0.001。

步骤S206，根据决策边界，确定感知模型的鲁棒性。

具体地，在确定决策边界后，将决策边界对应的噪声coeff值作为安全半径，并以安全半径作为衡量感知模型的鲁棒性好坏。其中，安全半径越大，则表明感知模型可以准确处理噪声程度越深的图像，鲁棒性则越好；安全半径越小，则表明感知模型可以准确处理噪声程度越浅的图像，鲁棒性则越差。示例性地，如图6所示，通过对原始图像逐渐增加不同程度的噪声，得到coeff值为0.1～0.9的9个不同程度的图像，在确定加噪声为“雾气”的决策边界在coeff＝0.3后，将噪声coeff＝0.3作为安全半径，并以该值作为感知模型针对加噪声为“雾气”的鲁棒性评估结果。

本申请实施例中，基于视频流或图像流对感知模型进行鲁棒性评估方法，通过对某一时刻对应帧的图像进行增加或减少噪声，考虑到感知模型的精度和运行时间，来计算感知loss值，并以感知loss值对应的噪声的coeff值作为衡量标准计算模型的安全半径，用于鲁棒性评估。相比较现有技术中，本申请同时考虑的模型的精度和运行时间，更符合现实中自动驾驶的要求。

图7为本发明实施例提供的一种鲁棒性评估装置的结构示意图。如图7所示的一种鲁棒性评估装置700包括收发单元701、第一处理单元702和第二处理单元703。

收发单元701用于获取视频流或图像流，所述图像流是以时间为序的连续多帧图像；第一处理单元702用于在所述视频流或图像流中至少一帧的图像上添加或减少噪声；将添加或减少噪声后的所述视频流或图像流输入至计算模型，所述计算模型为对图像进行处理的模型；第二处理单元703用于计算第一时刻对应帧的第一图像的感知损失值，所述第一时刻为播放所述视频流或图像流时的一个时刻；根据所述感知损失值，确定所述计算模型的决策边界，所述决策边界为判读所述计算模型的鲁棒性的最大噪声。

在一种实施方式中，所述第一处理单元702还用于对所述视频流进行解帧，得到所述视频流对应的图像流。

在一种实施方式中，所述第一处理单元702具体用于根据运行所述计算模型的软硬件平台，计算出输入至所述计算模型的图像流的帧率；按照所述帧率，将所述添加或减少噪声后的所述视频流或图像流输入至所述计算模型。

在一种实施方式中，当所述第一时刻位于帧与帧之间的间隙时间段时，所述第二处理单元703具体用于根据第二图像的真值和第三图像的真值，确定第一时刻的真值，所述第二图像和所述第三图像为靠近所述第一时刻的两个图像，所述真值为目标物体在图像中的信息；根据所述第一时刻的真值，计算出所述第一时刻的感知损失值。

在一种实施方式中，所述第二处理单元703具体用于当所述感知损失值等于设定的阈值时，确定所述添加或减少噪声后的所述视频流或图像流中的噪声为决策边界。

在一种实施方式中，所述第二处理单元703具体用于当所述感知损失值大于设定的阈值时，减小所述添加或减少噪声后的所述视频流或图像流中的噪声；当减小噪声后的图像的感知损失值小于设定的阈值时，确定所述决策边界在所述添加或减少噪声后的所述视频流或图像流中的噪声和所述减小所述添加或减少噪声后的所述视频流或图像流中的噪声之间。

在一种实施方式中，所述第二处理单元703具体用于当所述感知损失值小于设定的阈值时，增加所述添加或减少噪声后的所述视频流或图像流中的噪声；当增加噪声后的图像的感知损失值大于设定的阈值时，确定所述决策边界在所述添加或减少噪声后的所述视频流或图像流中的噪声和所述增加所述添加或减少噪声后的所述视频流或图像流中的噪声之间。

本发明提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述任一项方法。

本发明提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述任一项方法。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。

此外，本申请实施例的各个方面或特征可以实现成方法、装置或使用标准编程和/或工程技术的制品。本申请中使用的术语“制品”涵盖可从任何计算机可读器件、载体或介质访问的计算机程序。例如，计算机可读介质可以包括，但不限于:磁存储器件(例如，硬盘、软盘或磁带等)，光盘(例如，压缩盘(compact disc，CD)、数字通用盘(digital versatiledisc，DVD)等)，智能卡和闪存器件(例如，可擦写可编程只读存储器(erasableprogrammable read-only memory，EPROM)、卡、棒或钥匙驱动器等)。另外，本文描述的各种存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可包括但不限于，无线信道和能够存储、包含和/或承载指令和/或数据的各种其它介质。

在上述实施例中，图7中鲁棒性评估装置700可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

应当理解的是，在本申请实施例的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

所述功能如果以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，本申请实施例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，或者接入网设备等)执行本申请实施例各个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-OnlyMemory)、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。

以上所述，仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。