基于毫米波雷达目标融合边界的自学习方法、系统及车辆

技术领域

本发明涉及自动驾驶技术领域，尤其是涉及一种基于毫米波雷达目标融合边界的自学习方法、系统及车辆。

背景技术

如今越来越多汽车作便捷的出行方式进入到人们的家庭生活中，随着社会上汽车保有量的增多，汽车的舒适性、安全性越来越受到人们的关注，自动驾驶技术属于智能驾驶中必不可少的一环而受到人们的广泛关注，然而自动驾驶的主要一点则是多种传感器对周围环境的感知。在众多传感器中，毫米波雷达因它的穿透性、不惧恶劣天气的影响、不受光线影响的优点，在众多传感器中占据了相当重要的位置；车载毫米波雷达通过发射毫米波到目标物，接收目标物反射的毫米波信号，根据多普勒效应 、光传播速度得出目标的距离、速度信息及运动方向、角度等信息。

相关技术中已有基于毫米波雷达目标物识别方法中，主要是毫米波雷达通过FFT（Fast Fourier Transform）傅里叶变换解析出目标原始数据后对原始点云数据进行目标融合，通过采集目标无特征点进行数据处理分类，但是毫米波雷达原始点云目标数据目标边界固定化，并不能实现对点云目标数据融合边界进行自学习优化，同时点云融合算法对于同样的相对接近的两个目标、或是一强一弱的两个目标容易识别为一个目标从而造成目标丢失情况发生。

发明内容

本申请技术方案旨在解决了毫米波雷达原始点云目标数据融合边界的固定化问题，使目标融合边界拥有自学习能力实现更强大的目标融合能力，减少目标丢失情况的发生，因此，本申请提出了一种基于毫米波雷达目标融合边界的自学习方法、系统及车辆。

第一方面，本申请实施例提供一种基于毫米波雷达目标融合边界的自学习方法，包括：

搭建目标障碍物融合边界数据库，所述目标障碍物融合边界数据库包括预设的不同目标障碍物的原始点云数据信息；

持续采集目标障碍物的的波形信号数据，根据波形信号数据提取出目标障碍物的特征值信息，根据所述特征值信息确定目标障碍物的各散点信息，采用物理去噪与聚类算法相结合的方式对散点信息进行去噪处理，其中，所述散点信息包括每一散点的空间信息、距离信息、速度信息及反射峰值；

根据去噪处理的散点信息确定目标障碍物的点云数据信息，对点云数据信息进行加权平均、贝叶斯统计后进行拉格朗日插值法拟合出目标点云融合边界，将目标融合边界带入实测目标数据中进行计算；

根据目标融合边界计算输出结果，判断目标融合边界是否满足原始点云数据；

若满足要求，将符合要求的边界点云数据带入算法中计算出雷达输出目标值，确定目标障碍物的种类，并对目标障碍物融合边界数据库进行迭代优化处理。

根据本申请的一些实施例，所述搭建目标障碍物融合边界数据库，所述目标障碍物融合边界数据库包括预设的不同目标障碍物的原始点云数据信息，包括：

根据目标障碍物的结构特征进行分类，对每一类目标障碍物的原始点云数据信息进行预设存储，其中，所述原始点云数据信息包括每一目标障碍物点云数量、点云覆盖面积、点云轮廓分布情况信息及信号反射强度。

根据本申请的一些实施例，所述根据去噪处理的散点信息确定目标障碍物的点云数据信息，对点云数据信息进行加权平均、贝叶斯统计后进行拉格朗日插值法拟合出目标点云融合边界，将目标融合边界带入实测目标数据中进行计算，包括：

通过加权平均方式给每个点云数据样本一个权重N，其中，若雷达信号强度RCS值越大则权重N值越大；

使用贝叶斯统计边界判断是否包含该点云的概率R，当概率R＞R

将得到的所有边界新值通过拉格朗日插值法得出边界公式

根据本申请的一些实施例，所述将得到的所有边界新值通过拉格朗日插值法得出边界公式

根据本申请的一些实施例，所述根据目标融合边界计算输出结果，判断目标融合边界是否满足原始点云数据，包括：根据目标融合边界计算输出结果，将目标融合边界逐一与预设目标障碍物点云数量、点云覆盖面积、点云轮廓分布情况信息及信号反射强度进行匹配，根据匹配结果判断目标融合边界是否满足原始点云数据。

根据本申请的一些实施例，所述若满足要求，将符合要求的边界点云数据带入算法中计算出雷达输出目标值，确定目标障碍物的种类，并对目标障碍物融合边界数据库进行迭代优化处理，包括：根据雷达输出目标值，使用卷积神经网络模型进行边界数据迭代提取不同目标障碍物的边界特征值，使用多个卷积核检测不同的边界特征值。

根据本申请的一些实施例，所述根据雷达输出目标值，使用卷积神经网络模型进行边界数据迭代提取不同目标障碍物的边界特征值，使用多个卷积核检测不同的边界特征值，包括：

根据滑动窗口计算完成卷积操作，每个窗口计算一个局部区域的边界特征值，池化层用于下采样，通过对边界数据的部分区域进行汇聚操作，减少数据的维度和计算量，使用最大池化和平均池化，用于保留输入数据中的主要特征，全连接层将池化层的边界输出连接到最终的输出层，用于进行分类、回归和其他任务，全连接层的每个节点与前一层的所有节点相连，实现边界数据的自学习迭代处理。

第二方面，本申请实施例提供一种基于毫米波雷达目标融合边界的自学习系统，所述系统包括：

数据采集模块，被配置为通过毫米波雷达持续性采集目标车辆周围的目标障碍物信息，其中，目标障碍物信息包括各散点信息以及每一散点的空间信息、距离信息、速度信息及反射峰值；

数据处理模块，被配置为根据去噪处理的散点信息确定目标障碍物的点云数据信息，对点云数据信息进行加权平均、贝叶斯统计后进行拉格朗日插值法拟合出目标点云融合边界，并将目标融合边界带入实测目标数据中进行计算；

边界融合模块，被配置为根据目标融合边界计算输出结果，判断目标融合边界是否满足原始点云数据，并根据原始点云数据对目标障碍物的边界进行融合处理；

特征提取模块，被配置为根据雷达输出目标值，使用卷积神经网络模型进行边界数据迭代提取不同目标障碍物的边界特征值，使用多个卷积核检测不同的边界特征值；

迭代处理模块，被配置为根据所述特征提取模块得到的边界特征值以及采集的目标障碍物的点云数据信息，对目标障碍物融合边界数据库中原始点云数据的目标融合边界进行自学习迭代处理。

第三方面，本申请实施例还提供一种车辆，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：

实现上述第一方面实施例所述的一种基于毫米波雷达目标融合边界的自学习方法的步骤；

第四方面，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述第一方面实施例所述的一种基于毫米波雷达目标融合边界的自学习方法的步骤。

与现有技术相比，本申请实施例提供的技术方案至少包括以下有益效果：

通过毫米波雷达持续性采集目标障碍物的的波形信号数据，根据波形信号数据提取出目标障碍物的各散点信息，采用物理去噪与聚类算法相结合的方式对散点信息进行去噪处理，得到目标障碍物的点云数据信息，根据得到点云数据信息进行加权平均、贝叶斯统计后进行拉格朗日插值法拟合出目标点云融合边界，将目标融合边界带入实测目标数据中进行计算，将符合要求的边界点云数据带入算法中计算出雷达输出目标值，确定目标障碍物的种类，基于预设目标障碍物融合边界数据库进行边界融合，同时对目标障碍物融合边界数据库进行迭代优化处理，如此，通过目标融合边界可以实现对目标障碍物边界识别增强，避免目标障碍物检测识别丢失，同时，通过对预设目标障碍物融合边界数据库中的原始点云目标数据的融合边界进行自学习优化迭代，不断调整优化目标融合边界使之接近目标物实际大小实现更加精细化的目标融合，从而提高目标障碍物识别的准确率。

本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。

图1是根据本申请实施例的一种基于毫米波雷达目标融合边界的自学习方法的流程图；

图2是根据本申请实施例的一种基于毫米波雷达目标融合边界的自学习方法的另一流程图；

图3是根据本申请实施例的一种基于毫米波雷达目标融合边界的自学习系统框图。

具体实施方式

下面详细描述本申请的实施例，参考附图描述的实施例是示例性的，应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本申请。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。

附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作（或步骤）描述成顺序的处理，但是其中的许多操作可以并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

在本说明书中使用的术语“部件”、“模块”、“系统”、“单元”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件或执行中的软件。例如，单元可以是但不限于在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或分布在两个或多个计算机之间。此外，这些单元可从在上面存储有各种数据结构的各种计算机可读介质执行。单元可例如根据具有一个或多个数据分组（例如来自与本地系统、分布式系统和/或网络间的另一单元交互的第二单元数据。例如，通过信号与其它系统交互的互联网）的信号通过本地和/或远程进程来通信。

实施例1

请参阅图1，本实施例提供一种基于毫米波雷达目标融合边界的自学习方法，包括：

步骤S100：搭建目标障碍物融合边界数据库，所述目标障碍物融合边界数据库包括预设的不同目标障碍物的原始点云数据信息；

在本步骤中，需要说明的是，本实施例方法步骤可以用于车辆自动驾驶，通过车载毫米波雷达通过发射毫米波到目标物，接收目标物反射的毫米波信号，根据多普勒效应、光传播速度得出目标的距离、速度信息及运动方向、角度等信息来确定目标障碍物的信息。

可以理解的是，目标障碍物可以是不同种类属性，其状态也可以是运动或者静止的，当然，其目标障碍物对应实物可以是大型客车、小汽车、两轮车、行人、路牌、井盖、路灯以及护栏等其他目标物，在目标障碍物融合边界数据库包括预设的不同目标障碍物的原始点云数据信息，其中，不同目标障碍物的原始点云数据信息可以根据目标障碍物的结构特征进行分类，对每一类目标障碍物的原始点云数据信息进行预设存储，其中，原始点云数据信息包括每一目标障碍物点云数量、点云覆盖面积、点云轮廓分布情况信息及信号反射强度。

还可以理解的是，当毫米波雷达采集到障碍物信息时，预设在目标障碍物融合边界数据库中的每一类目标障碍物的原始点云数据信息可以被处理器进行信息调取，并且，也可以预设在目标障碍物融合边界数据库进行迭代优化，同时，对于目标障碍物融合边界数据库中存储的初始数据可以通过经验获取预设；

需要解释的是，点云数据其实际就是在毫米波雷达采集到外界障碍物信息之后用于虚化表示的方法，通过点云数据将障碍物信息在虚拟空间进行表示，通过点云融合算法对于不同目标障碍物进行识别，具体地，通过对每一目标障碍物点云数量、点云覆盖面积、点云轮廓分布情况信息及信号反射强度进行分析计算，

从而现实随时对目标障碍物的状态进行监测；

步骤S200：持续采集目标障碍物的的波形信号数据，根据波形信号数据提取出目标障碍物的特征值信息，根据所述特征值信息确定目标障碍物的各散点信息，采用物理去噪与聚类算法相结合的方式对散点信息进行去噪处理，其中，所述散点信息包括每一散点的空间信息、距离信息、速度信息及反射峰值；

在本步骤中，需要说明的是，通过车载毫米波雷达发射毫米波来检测目标障碍物，当在毫米波雷达检测范围内存在目标障碍物时，毫米波雷达发射毫米波发生反射，接收毫米波雷达返回的回波信息，对所述回波信息进行周期划分得到每周期内所检测到的所有目标原始报文，对所述目标原始报文进行数据解析得到目标障碍物的特征值信息，可以理解的是，目标障碍物的特征值信息包括当前探测周期的近距离波束扫描中检测到的目标障碍物数目、目标的位置信息、目标的速度信息以、目标的反射强度RCS（Radar Cross Section）雷达反射界面积值以及目标ID编号等系列信息的真实值；

可以理解的是，当毫米波雷达检测范围内存在目标障碍物后往往通过输出点云进行后续的数据处理以及显示，通过特征值信息确定目标障碍物的各散点信息，可以理解的是，各散点信息包括每一散点的运动状态以及位置信息，示例性地，散点信息包括每一散点的空间信息、距离信息、速度信息及反射峰值；

由于获取的各散点信息中存在很多噪声，为了优化后续数据处理以及提高检测的准确率，往往需要采用物理去噪与聚类算法相结合的方式对散点信息进行去噪处理，示例性地，聚类算法处理包括：从一个没有划分给目标集群且未访问过的运动点开始，计算与该运动点坐标、速度之差均在一定阈值内的邻域，本实施例中坐标之差的阈值设为0 .15m，速度之差的阈值设为1.5m/s，即与该点平面距离不超过0 .2m且速度之差的绝对值不超过1.5m/s的其他运动点都在该点的邻域范围内，如果落入该邻域范围内的总点数超过点数阈值(例如50个)，则当前运动点标记为新集群中的第一个点，否则，将该运动点标记为噪声点；标记后的运动点状态记录为已访问。应当理解，点数阈值可以根据不同的场景进行设置；

对于该新集群中的第一个点进行处理，将在其邻域内的所有点都标记为该新集群，并且对该新集群中全部运动点都进行邻域全部运动点的邻域都处理完成且没有新运动点加入到该新集群中，在当前集群完成上述处理，一个新的未被访问的点会被提取并处理，从而会接着发现下一个集群或噪声，此过程反复进行直到所有的点标记为已访问，处理完成后每个运动点都被标记为属于一个集群或者是噪声点，计算各个集群的点的信噪比之和，将信噪比之和大于阈值(例如150dB) 的集群则标记为目标集群，否则标记为噪声集群。应当理解，信噪比之和的阈值可以根据不同的场景进行设置。

步骤S300：根据去噪处理的散点信息确定目标障碍物的点云数据信息，对点云数据信息进行加权平均、贝叶斯统计后进行拉格朗日插值法拟合出目标点云融合边界，将目标融合边界带入实测目标数据中进行计算；

在本步骤中，根据去噪处理的散点信息确定目标障碍物的点云数据信息，点云数据信息根据各散点信息去噪处理所得，在后续处理过程中，需要对点云数据信息进行加权平均、贝叶斯统计后进行拉格朗日插值法拟合出目标点云融合边界，将目标融合边界带入实测目标数据中进行计算；

具体地，通过加权平均方式给每个点云数据样本一个权重N，其中，若雷达信号强度RCS值越大则权重N值越大；

使用贝叶斯统计边界判断是否包含该点云的概率R，当概率R＞R

将得到的所有边界新值通过拉格朗日插值法得出边界公式

需要说明的是，该步骤的目的用于对检测到的实际的目标障碍物进行寻找目标边界，以表示目标障碍物的虚拟状态，提高对目标障碍物的识别。

步骤S400：根据目标融合边界计算输出结果，判断目标融合边界是否满足原始点云数据；

在本步骤中，根据目标融合边界计算输出结果，判断目标融合边界是否满足原始点云数据，包括：根据目标融合边界计算输出结果，将目标融合边界逐一与预设目标障碍物点云数量、点云覆盖面积、点云轮廓分布情况信息及信号反射强度进行匹配，根据匹配结果判断目标融合边界是否满足原始点云数据；

在一些实施例中，需要说明的是，若目标融合边界与原始点云数据不匹配，则说明目标障碍物融合边界数据库并未存储到该目标障碍物的，则处理器会将该检测到的目标障碍物点云数据进行存储以及对其进行编号，用于后续的目标融合边界逐一与该目标障碍物点云数量、点云覆盖面积、点云轮廓分布情况信息及信号反射强度进行匹配，如此，提高目标障碍物检测匹配的准确率。

步骤S500：若满足要求，将符合要求的边界点云数据带入算法中计算出雷达输出目标值，确定目标障碍物的种类，并对目标障碍物融合边界数据库进行迭代优化处理。

在本步骤中，需要说明的是， 满足要求是指检测到的目标障碍物与原始点云数据匹配成功，则通过调取预设的目标障碍物的点云数据信息，通过预设的原始点云数据，对检测到实际的目标障碍物的点云数据进行更新，以及对目标边界进行融合处理，如此，解决了云目标数据目标边界固定化，实现对点云目标数据融合边界进行自学习优化处理，对于同样的相对接近的两个目标、或是一强一弱的两个目标容易识别为一个目标可以避免丢失；

在一些实施方式中，对目标障碍物融合边界数据库进行迭代优化处理过程，包括根据雷达输出目标值，使用卷积神经网络模型进行边界数据迭代提取不同目标障碍物的边界特征值，使用多个卷积核检测不同的边界特征值，根据滑动窗口计算完成卷积操作，每个窗口计算一个局部区域的边界特征值，池化层用于下采样，通过对边界数据的部分区域进行汇聚操作，减少数据的维度和计算量，使用最大池化和平均池化，用于保留输入数据中的主要特征，全连接层将池化层的边界输出连接到最终的输出层，用于进行分类、回归和其他任务，全连接层的每个节点与前一层的所有节点相连，实现边界数据的自学习迭代处理。

实施例2

请参阅图2，本实施例为根据上述基于毫米波雷达目标融合边界的自学习方法的其中之一的实际应用过程，包括：

步骤S1，基于毫米波雷达探测多组目标，对同同一目标、多个目标、不同位置进行探测；

步骤S2，根据S1得到多组目标障碍物点云数据对点云数据进行筛选处理；

步骤S3，根据S2的目标障碍物点云数据将目标根据RCS值、目标点速度等信息对目标点进行分类；

在本步骤中，示例性地，预设目标障碍物包括大型车、小汽车、两轮车、行人及其它类目标障碍物；目标点分类包括根据雷达接收到的波形信号，提取出内部的目标距离信息A，目标速度信息B，目标角度信息C，目标强度信号D，由初始边界画出的目标原始点云数量E，目标原始点云覆盖范围F，当雷达收到目标点云数据后，根据目标信号强度D值判断当D值＞X时可能为车辆目标Q1，当D值在X与Y值之间时可能为两轮小车目标Q2，当D值＜Y值时为行人或其它目标Q3。S1目标中提取其速度B、原始目标点云数量E、原始点云覆盖范围F，若E＞数量限值E1，F＞范围限值F1，目标为大型车；若E＞E1，FB3，E＜E3，F＜F3，目标为其他运动目标；若B>B3，E>E3，F＜F3，目标为其它目标，若BE3，F＜F3，目标为行人；若BF3，目标为其他目标。

步骤S4，查看当前目标是否为大型车，若是大型车进行步骤S5，若不是进行步骤S6；

步骤S5，将目标数据存入大型车数据库进行后续处理；

步骤S6，对S3中的目标数据比对查看是否为小汽车，若是小汽车进行步骤S7，若不是进行步骤S8；

步骤S7，将目标数据存入小汽车数据库进行后续处理；

步骤S8，对S3中的目标数据比对查看是否为两轮车，若是两轮车进行步骤S9，若不是进行步骤S10；

步骤S9，将目标数据存入两轮车数据库进行后续处理；

步骤S10，对S3中的目标数据比对查看是否为行人，若是行人进行步骤S11，若不是进行步骤S12；

步骤S11，将目标数据存入行人数据库进行后续处理；

步骤S12，S3中的余下目标为其它类目标包含：路牌、井盖、路灯、护栏等其他目标物；

步骤S13，将目标数据存入其它数据库进行后续处理；

步骤S14，S5、S7、S9、S11、S13中的数据进行加权平均、贝叶斯统计后进行拉格朗日插值法拟合出目标点云融合边界；

步骤S15，将目标融合边界带入实测目标数据中进行计算；

步骤S16，根据S15的目标输出点云数据查看目标融合边界是否满足点云数据，若满足要求进行步骤S17，若不满足进行步骤S2～S16；

步骤S17，将符合要求的边界数据带入算法中计算出雷达输出目标值，判断目标值是否正确，若正确完成毫米波雷达目标融合边界自学习迭代处理，若不满足要求进行步骤S14～S17重新设计目标融合边界；

在本步骤中，自学习迭代处理以及重新设计目标融合边界包括使用卷积神经网络模型，进行边界数据迭代提取不同目标物的边界特征，卷积层通过卷积操作对边界数据进行特征提取，可以使用多个卷积核来检测不同的特征。卷积操作是通过滑动窗口计算完成的，每个窗口计算一个局部区域的特征。池化层用于下采样，通过对边界数据的部分区域进行汇聚操作，减少数据的维度和计算量，使用最大池化和平均池化，用于保留输入数据中的主要特征,全连接层将池化层的边界输出连接到最终的输出层，用于进行分类、回归和其他任务,全连接层的每个节点都与前一层的所有节点相连，实现边界数据的迭代自学习。

实施例3

请参阅图3，本实施例提供一种基于毫米波雷达目标融合边界的自学习系统，所述基于毫米波雷达目标融合边界的自学习系统200包括：

数据采集模块210，被配置为通过毫米波雷达持续性采集目标车辆周围的目标障碍物信息，其中，目标障碍物信息包括各散点信息以及每一散点的空间信息、距离信息、速度信息及反射峰值；

数据处理模块220，被配置为根据去噪处理的散点信息确定目标障碍物的点云数据信息，对点云数据信息进行加权平均、贝叶斯统计后进行拉格朗日插值法拟合出目标点云融合边界，并将目标融合边界带入实测目标数据中进行计算；

边界融合模块230，被配置为根据目标融合边界计算输出结果，判断目标融合边界是否满足原始点云数据，并根据原始点云数据对目标障碍物的边界进行融合处理；

特征提取模块240，被配置为根据雷达输出目标值，使用卷积神经网络模型进行边界数据迭代提取不同目标障碍物的边界特征值，使用多个卷积核检测不同的边界特征值；

迭代处理模块250，被配置为根据所述特征提取模块240得到的边界特征值以及采集的目标障碍物的点云数据信息，对目标障碍物融合边界数据库中原始点云数据的目标融合边界进行自学习迭代处理。

实施例4

本申请实施例还提供一种车辆，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：

实现上述实施例所述的一种基于毫米波雷达目标融合边界的自学习方法的步骤。

实施例5

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述实施例所述的一种基于毫米波雷达目标融合边界的自学习方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的 包含，从而使得包括一系列要素的过程、方法、商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他要素，或者是还包括为这种过程、方法、商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“包括一个……”限定的要素，并不排除在包括要素的 过程、方法、商品或者设备中还存在另外的相同要素。

本申请的说明书和权利要求书及所述附图中术语“第一”、“第二”、“第三”等是区别于不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元，或者可选地，还包括没有列出的步骤或单元，或者可选地还包括这些过程、方法、产品或设备固有的其它步骤或单元。

附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作（或步骤）描述成顺序的处理，但是其中的许多操作可以并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

在本说明书中使用的术语“部件”、“模块”、“系统”、“单元”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件或执行中的软件。例如，单元可以是但不限于在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或分布在两个或多个计算机之间。此外，这些单元可从在上面存储有各种数据结构的各种计算机可读介质执行。单元可例如根据具有一个或多个数据分组（例如来自与本地系统、分布式系统和/或网络间的另一单元交互的第二单元数据。例如，通过信号与其它系统交互的互联网）的信号通过本地和/或远程进程来通信。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。

显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或者特性可以包含在本实施例申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是相同的实施例，也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。基于本申请中的实施例，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，都属于本申请保护的范围。

尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。