一种目标场景的检测方法、装置及设备

技术领域

本公开涉及自动驾驶仿真技术领域，特别是一种目标场景的检测方法、装置及设备。

背景技术

测试场景对于衡量自动驾驶算法安全性具有重要意义。目前的测试场景大多来自于真实路采的场景，为提高采集场景的覆盖面，场景数据往往多达数百万公里。如此大规模数量级的场景数据对于测试自动驾驶算法在效率上造成了不小的困难。因而需要一种快速检测算法检测测试场景的复杂度，以提高自动驾驶算法的测试效率。

现有的复杂场景提取技术基本依靠一系列规则提取，但是设计提取规则需要足够的前期调研，耗费大量的时间且不能够覆盖到大量难以检测的复杂场景类型。

发明内容

本公开要解决的技术问题是提供一种目标场景的检测方法、装置及设备，可以基于车辆运动轨迹，快速检测更具有测试意义的复杂场景。

为解决上述技术问题，本公开的技术方案如下：

一种目标场景的检测方法，包括：

获取目标场景中至少一车辆的运动轨迹数据；

根据运动轨迹数据，确定目标数据帧；

根据目标数据帧，预测车辆的预测运动轨迹；

根据预测运动轨迹和车辆的真实轨迹，确定目标场景是否为复杂目标场景。

可选的，获取目标场景中至少一车辆的运动轨迹数据，包括：

获取目标场景中的第一车辆在每一帧的第一运动轨迹数据，和至少一个第二车辆在每一帧的第二运动轨迹数据，至少一个第二车辆是目标场景中除第一车辆之外的其它车辆。

可选的，根据运动轨迹数据，确定目标数据帧，包括：

根据第一车辆在当前帧的第一运动轨迹数据，确定第一车辆在下一帧可到达的第一区域范围；

根据至少一个第二车辆在当前帧的第二运动轨迹数据，确定第二车辆在下一帧可到达的第二区域范围；

计算第一区域范围和第二区域范围的重叠占比；

将重叠占比达到预设阈值的帧，确定为目标数据帧。

可选的，根据目标数据帧，预测车辆的预测运动轨迹，包括：

获取目标数据帧之前M1帧中的第一车辆的第一运动轨迹数据和第二车辆的第二运动轨迹数据；

将M1帧第一运动轨迹数据和经过预处理的第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的预测运动轨迹；其中，M1和M2均为正整数。

可选的，将M1帧第一运动轨迹数据和经过预处理的第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的预测运动轨迹，包括：

将M1帧第一运动轨迹数据和M1帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第一预测运动轨迹；其中，M1帧第二运动轨迹数据为目标数据帧之前的M1帧第二运动轨迹数据；

将M1帧第一运动轨迹数据和M3帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第二预测运动轨迹，M3＝M1-P；其中，M3帧第二运动轨迹数据为掩盖M1帧的第二运动轨迹数据中的最后P帧数据；

将M1帧第一运动轨迹数据和M4帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第三预测运动轨迹，M4帧第二运动轨迹数据为掩盖M1帧的第二运动轨迹数据后得到的；其中，M1、M2、M3、M4和P均为正整数。

可选的，根据预测运动轨迹和车辆的真实轨迹，确定目标场景是否为复杂目标场景，包括：

分别获取第一预测运动轨迹、第二预测运动轨迹以及第三预测运动轨迹和第一车辆的真实轨迹的误差；

根据误差和预设阈值，确定目标场景是否为复杂目标场景。

可选的，根据误差和预设阈值，确定目标场景是否为复杂目标场景：

第一预测运动轨迹和第一车辆的真实轨迹的第一误差、第二预测运动轨迹和第一车辆的真实轨迹的第二误差，以及第三预测运动轨迹和第一车辆的真实轨迹的第三误差中的至少一项大于预设阈值，确定目标场景为复杂目标场景。

本公开还提供一种目标场景的检测装置，包括：

获取模块，用于获取目标场景中至少一车辆的运动轨迹数据；

预测模块，用于根据运动轨迹数据，确定目标数据帧；根据目标数据帧，预测车辆的预测运动轨迹；根据预测运动轨迹和车辆的真实轨迹，确定目标场景是否为复杂目标场景。

可选的，获取目标场景中至少一车辆的运动轨迹数据，包括：

获取目标场景中的第一车辆在每一帧的第一运动轨迹数据，和至少一个第二车辆在每一帧的第二运动轨迹数据，至少一个第二车辆是目标场景中除第一车辆之外的其它车辆。

可选的，根据运动轨迹数据，确定目标数据帧，包括：

根据第一车辆在当前帧的第一运动轨迹数据，确定第一车辆在下一帧可到达的第一区域范围；

根据至少一个第二车辆在当前帧的第二运动轨迹数据，确定第二车辆在下一帧可到达的第二区域范围；

计算第一区域范围和第二区域范围的重叠占比；

将重叠占比达到预设阈值的帧，确定为目标数据帧。

可选的，根据目标数据帧，预测车辆的预测运动轨迹，包括：

获取目标数据帧之前M1帧中的第一车辆的第一运动轨迹数据和第二车辆的第二运动轨迹数据；

将M1帧第一运动轨迹数据和经过预处理的第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的预测运动轨迹，其中，M1和M2均为正整数。

可选的，将M1帧第一运动轨迹数据和经过预处理的第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的预测运动轨迹，包括：

将M1帧第一运动轨迹数据和M1帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第一预测运动轨迹；其中，M1帧第二运动轨迹数据为目标数据帧之前的M1帧第二运动轨迹数据；

将M1帧第一运动轨迹数据和M3帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第二预测运动轨迹，M3＝M1-P；其中，M3帧第二运动轨迹数据为掩盖M1帧的第二运动轨迹数据中的最后P帧数据；

将M1帧第一运动轨迹数据和M4帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第三预测运动轨迹，M4帧第二运动轨迹数据为掩盖M1帧的第二运动轨迹数据后得到的；其中，M3、M4和P均为正整数。

可选的，根据预测运动轨迹和车辆的真实轨迹，确定目标场景是否为复杂目标场景，包括：

分别获取第一预测运动轨迹、第二预测运动轨迹以及第三预测运动轨迹和第一车辆的真实轨迹的误差；

根据误差和预设阈值，确定目标场景是否为复杂目标场景。

可选的，根据误差和预设阈值，确定目标场景是否为复杂目标场景：

第一预测运动轨迹和第一车辆的真实轨迹的第一误差、第二预测运动轨迹和第一车辆的真实轨迹的第二误差，以及第三预测运动轨迹和第一车辆的真实轨迹的第三误差中的至少一项大于预设阈值，确定目标场景为复杂目标场景。

本公开还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，计算机程序被处理器运行时，执行如上述的方法。

本公开还提供一种计算机可读存储介质，存储指令，当指令在计算机上运行时，使得计算机执行如上述的方法。

本公开的上述方案至少包括以下有益效果：

本公开的上述方案，通过获取目标场景中至少一车辆的运动轨迹数据；根据运动轨迹数据，确定目标数据帧；根据目标数据帧，预测车辆的预测运动轨迹；根据预测运动轨迹和车辆的真实轨迹，确定目标场景是否为复杂目标场景。可以基于车辆运动轨迹，快速检测更具有测试意义的复杂场景。

附图说明

图1是本公开实施例的目标场景的检测方法的流程示意图；

图2是本公开实施例的目标场景的检测方法的轨迹预测神经网络模型的结构图；

图3是本公开实施例的目标场景的检测方法的测试结果图；

图4是本公开实施例的目标场景的检测装置的结构图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

在自动驾驶的仿真测试中，场景测试是非常重要的，一般由真实数据、模拟数据和由真实场景数据合成的仿真数据形成场景，场景测试的要素包括：测试车辆自身的要素，外部环境要素等，其中，外部环境要素包括静态环境要素、动态环境要素、交通参与者要素、气象要素等；对复杂场景的测试提高自动驾驶算法的测试效率。

如图1所示，本公开的实施例提出一种目标场景的检测方法，包括：

步骤11，获取目标场景中至少一车辆的运动轨迹数据；

步骤12，根据运动轨迹数据，确定目标数据帧；

步骤13，根据目标数据帧，预测车辆的预测运动轨迹；

步骤14，根据预测运动轨迹和车辆的真实轨迹，确定目标场景是否为复杂目标场景。

本实施例中，通过训练预测轨迹的神经网络模型，在训练好的模型中输入目标场景内至少一车辆的运动轨迹数据，对至少一车辆的未来运动轨迹进行预测。在输入运动轨迹数据时，首先采用预设算法对获取到的所有运动轨迹数据进行筛选，确定目标数据帧。根据目标数据帧，确定具体输入到神经网络模型内的运动轨迹数据。本公开通过上述方法，将检测场景复杂度的问题转化为检测神经网络模型是否能准确预测车辆运动轨迹的问题。当预测运动轨迹和真实轨迹的误差达到预设阈值时，则确定目标场景为复杂场景。

本公开通过上述轨迹预测的方法，避免了现有技术中依靠提取规则检测复杂场景带来的一系列问题。在检测场景复杂度时，检测效率更高且检测结果更准确。

本公开一可选的实施例中，步骤11可以包括：

步骤111，获取目标场景中的第一车辆在每一帧的第一运动轨迹数据，和至少一个第二车辆在每一帧的第二运动轨迹数据，至少一个第二车辆是目标场景中除第一车辆之外的其它车辆。

该实施例中，第一车辆为需要通过神经网络模型进行轨迹预测的主车，第二车辆为目标场景内除主车之外的其他车辆，即主车视角内的对手车辆。本公开中，为了模拟真实的路况场景同时更准确的预测车辆轨迹，考虑主车和对手车的交互行为，同时采取出车和对手车的轨迹数据进行预测。且由于只是进行短期预测并且需要进行多帧评估，因此没有获取地图信息，在一定程度上避免了多种数据集地图格式不一样导致的数据偏移问题。

本公开一可选的实施例中，步骤12可以包括：

步骤121，根据第一车辆在当前帧的第一运动轨迹数据，确定第一车辆在下一帧可到达的第一区域范围；

步骤122，根据至少一个第二车辆在当前帧的第二运动轨迹数据，确定第二车辆在下一帧可到达的第二区域范围；

步骤123，计算第一区域范围和第二区域范围的重叠占比；

步骤124，将重叠占比达到预设阈值α的帧，确定为目标数据帧。

本实施例中，为加快对目标场景的推理速度，本公开中采取输入目标场景的部分关键数据帧的方法。为确定关键数据帧，需要首先确定目标场景的目标数据帧。具体的，本实施例中，将第一车辆与第二车辆理论上各自的可达范围重叠占比达到预设阈值α的帧，确定为目标数据帧。可达范围是根据车辆在当前帧之前的帧的数据表现计算得到的。

具体的，一个优选的实施例中，在根据历史数据计算车辆在当前帧的可达区域范围时，或者说根据当前帧的数据计算在下一帧的可达区域范围时。设车辆在当前帧的位置坐标为(x,y)，车辆在下一帧的位置坐标为(x',y')，则x'＝x+v'*cos(θ')*△t，y'＝y+v'*sin(θ')*△t；其中v'为车辆在下一帧的速度、θ'为车辆在下一帧的转向角度、△t为车辆在当前帧和下一帧的时间差；进一步的，v'＝v+f(μ)*a*△t，其中，v为车辆在当前帧的速度、μ为路面摩擦系数、f()为车辆加速度与路面摩擦系数的作用函数、a为车辆加速度；θ'＝θ+ω*△t，其中，θ为车辆在当前帧的转向角度、ω为车辆的转向速率，即车辆转向角度每秒的变化率。

本实施例中，考虑车辆加速度和转向角度的变化，同时将路面条件的影响考虑在内，模拟计算车辆在当前帧的速度、加速度条件下，在下一帧的可达区域范围。

本实施例中，对于目标场景内每一个第二车辆，根据其当前帧数据计算其在下一帧的可达区域范围，根据每一个第二车辆在下一帧的可达区域范围建立边界盒。根据边界盒，计算第一车辆可达的第一区域范围与边界盒的重叠占比，具体方法为将边界盒的数据随机多次放置于第一车辆的第一区域范围中，计算范围重合的次数占所有放置次数的比值，比值即为在当前帧的下一帧时，目标场景内第一车辆与第二车辆可到达区域范围的重叠占比。当重叠占比达到预设阈值α，则确定该帧为目标数据帧。优选的，阈值α取值90％。

本公开一可选的实施例中，步骤13可以包括：

步骤131，获取目标数据帧之前M1帧中的第一车辆的第一运动轨迹数据和第二车辆的第二运动轨迹数据；

步骤132，将M1帧第一运动轨迹数据和经过预处理的第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的预测运动轨迹；其中，M1和M2均为正整数。

本实施例中，将目标数据帧之前的M1帧中的第一车辆的第一运动轨迹数据和第二车辆的第二运动轨迹数据经过处理后输入轨迹预测神经网络模型进行轨迹预测。优选的，M1取值为20。处理方法主要为在数据输入模型前，将第二运动轨迹数据转换到第一车辆坐标系，即以第一车辆为参照物，处理第二车辆的运动轨迹数据。另一处理方法为，对齐第一运动轨迹数据和第二运动轨迹数据的时间戳，优选的，时间戳的间隔为0.1秒。

如图2所示，本实施例中，输入轨迹预测神经网络模型三条第一车辆(主车)的轨迹数据，以及三条第二车辆(对手车)的轨迹数据。一条第一车辆的轨迹数据即为上述实施例中目标数据帧之前M1帧中的第一运动轨迹数据，一条第二车辆的轨迹数据即为经过预处理的目标数据帧之前的M1帧第二运动轨迹数据。轨迹预测神经网络模型对输入的数据进行特征提取与数据转换，得到预测的第一车辆在目标数据帧之后的M2帧的三条预测运动轨迹，和预测的第二车辆在目标数据帧之后的M2帧的三条预测运动轨迹，优选的，M2取值为5。

本实施例中，通过输入第二车辆的轨迹，以及第二车辆和第一车辆的距离，可以充分考虑主车与对手车的交互行为，使得神经网络模型预测更为有效。本实施例中，经过多个数据集的预测验证，轨迹预测神经网络模型在目标数据帧5帧后的预测误差均在可控范围内，能够满足对于第一车辆(主车)的运动模拟需求。

本公开一可选的实施例中，步骤132包括：

步骤1321，将M1帧第一运动轨迹数据和M1帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第一预测运动轨迹；其中，M1帧第二运动轨迹数据为目标数据帧之前的M1帧第二运动轨迹数据；

步骤1322，将M1帧第一运动轨迹数据和M3帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第二预测运动轨迹，M3＝M1-P；其中，M3帧第二运动轨迹数据为掩盖M1帧的第二运动轨迹数据中的最后P帧数据；

步骤1323，将M1帧第一运动轨迹数据和M4帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第三预测运动轨迹，M4帧第二运动轨迹数据为掩盖M1帧的第二运动轨迹数据后得到的；其中，M1、M2、M3、M4和P均为正整数。

本实施例中，为更好评估模型预测结果和场景复杂度的关系，对输入轨迹预测神经网络模型的第二运动轨迹数据进行三种不同的预处理。分别为对M1帧的第二运动轨迹数据不进行掩盖、掩盖P帧和掩盖所有帧。神经网络模型对输入的M1帧第一运动轨迹数据和M1帧第二运动轨迹数据进行预测，得到第一车辆的第一预测运动轨迹；对输入的M1帧第一运动轨迹数据和M3帧第二运动轨迹数据进行预测，得到第一车辆的第二预测运动轨迹；对输入的M1帧第一运动轨迹数据和M4帧第二运动轨迹数据进行预测，得到第一车辆的第三预测运动轨迹。优选的，M1取值20、M2取值5、P取值2、M3取值18、M4取值0。

本公开一可选的实施例中，步骤14可以包括：

步骤141，分别获取第一预测运动轨迹、第二预测运动轨迹以及第三预测运动轨迹和第一车辆的真实轨迹的误差；

步骤142，根据误差和预设阈值，确定目标场景是否为复杂目标场景。

本实施例中，根据三种不同输入情况下的预测运动轨迹与真实轨迹的误差，确定目标场景是否为复杂目标场景。当误差达到预设阈值时，说明轨迹预测神经网络模型难以对第一车辆轨迹进行预测，则认为目标场景复杂。

本公开一可选的实施例中，步骤142可以包括：

步骤1421，第一预测运动轨迹和第一车辆的真实轨迹的第一误差、第二预测运动轨迹和第一车辆的真实轨迹的第二误差，以及第三预测运动轨迹和第一车辆的真实轨迹的第三误差中的至少一项大于预设阈值，确定目标场景为复杂目标场景。

本实施例中，分别定义上述第一误差为L

表1，三种误差过大的含义

当第一误差L

当第二误差L

当第三误差L

如图3所示，本公开的上述实施例，在人工构建的复杂场景和来自公开数据集的普通场景均进行了测试，测试结果如图3所示。人工构建的复杂场景是指人工生成的例如前车急停、前车汇入等场景；普通场景则是来自于公开数据集，不失一般性，来自公开数据集的普通场景中也存在少量较为复杂的场景。检测结果可以看出，模型对于复杂场景输出结果显著高于普通场景的输出结果。因此可以认为，该模型对于复杂场景具有一定的检出能力。

本公开的上述实施例，提出一种使用神经网络辅助复杂场景检测的方法，可以以第一车辆为视角检测复杂场景，不用手动构建大量的规则也能覆盖大量复杂场景范围。本公开在设计思路上具有一定的创新性，且在手工构建的复杂场景测试中，对于复杂场景的检出能力较高，能够在很大程度上排除简单场景。

如图4所示，本公开的实施例还提供一种目标场景的检测装置40，包括：

获取模块41，用于获取目标场景中至少一车辆的运动轨迹数据；

预测模块42，用于根据运动轨迹数据，确定目标数据帧；根据目标数据帧，预测车辆的预测运动轨迹；根据预测运动轨迹和车辆的真实轨迹，确定目标场景是否为复杂目标场景。

可选的，获取目标场景中至少一车辆的运动轨迹数据，包括：

获取目标场景中的第一车辆在每一帧的第一运动轨迹数据，和至少一个第二车辆在每一帧的第二运动轨迹数据，至少一个第二车辆是目标场景中除第一车辆之外的其它车辆。

可选的，根据运动轨迹数据，确定目标数据帧，包括：

根据第一车辆在当前帧的第一运动轨迹数据，确定第一车辆在下一帧可到达的第一区域范围；

根据至少一个第二车辆在当前帧的第二运动轨迹数据，确定第二车辆在下一帧可到达的第二区域范围；

计算第一区域范围和第二区域范围的重叠占比；

将重叠占比达到预设阈值的帧，确定为目标数据帧。

可选的，根据目标数据帧，预测车辆的预测运动轨迹，包括：

获取目标数据帧之前M1帧中的第一车辆的第一运动轨迹数据和第二车辆的第二运动轨迹数据；

将M1帧第一运动轨迹数据和经过预处理的第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的预测运动轨迹；其中，M1和M2均为正整数。

可选的，将M1帧第一运动轨迹数据和经过预处理的第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的预测运动轨迹，包括：

将M1帧第一运动轨迹数据和M1帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第一预测运动轨迹；其中，M1帧第二运动轨迹数据为目标数据帧之前的M1帧第二运动轨迹数据；

将M1帧第一运动轨迹数据和M3帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第二预测运动轨迹，M3＝M1-P；其中，M3帧第二运动轨迹数据为掩盖M1帧的第二运动轨迹数据中的最后P帧数据；

将M1帧第一运动轨迹数据和M4帧第二运动轨迹数据，输入轨迹预测神经网络模型进行轨迹预测处理，得到第一车辆在目标数据帧之后的M2帧的第三预测运动轨迹，M4帧第二运动轨迹数据为掩盖M1帧的第二运动轨迹数据后得到的；其中，M3、M4和P均为正整数。

可选的，根据预测运动轨迹和车辆的真实轨迹，确定目标场景是否为复杂目标场景，包括：

分别获取第一预测运动轨迹、第二预测运动轨迹以及第三预测运动轨迹和第一车辆的真实轨迹的误差；

根据误差和预设阈值，确定目标场景是否为复杂目标场景。

可选的，根据误差和预设阈值，确定目标场景是否为复杂目标场景：

第一预测运动轨迹和第一车辆的真实轨迹的第一误差、第二预测运动轨迹和第一车辆的真实轨迹的第二误差，以及第三预测运动轨迹和第一车辆的真实轨迹的第三误差中的至少一项大于预设阈值，确定目标场景为复杂目标场景。

需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

本公开的实施例一种计算设备，包括：处理器、存储有计算机程序的存储器，计算机程序被处理器运行时，执行如上述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。

本公开的实施例还提供一种计算机可读存储介质，存储有指令，指令在计算机上运行时，使得计算机执行如上述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。

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公开的范围。

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。

在本公开所提供的实施例中，应该理解到，所揭露的装置和方法，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，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。

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。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

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，本公开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)执行本公开各个实施例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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

此外，需要指出的是，在本公开的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本公开的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本公开的说明的情况下运用他们的基本编程技能就能实现的。

因此，本公开的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。计算装置可以是公知的通用装置。因此，本公开的目的也可以仅仅通过提供包含实现方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本公开，并且存储有这样的程序产品的存储介质也构成本公开。显然，存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本公开的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

以上是本公开的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。