人脸隐私化方法、设备、装置及计算机存储介质

技术领域

本发明涉及图像处理领域，尤其涉及一种人脸隐私化方法、设备、装置及计算机存储介质。

背景技术

在自动化乳腺超声扫查过程中，因相机镜头、物距限制，难以避免会拍摄到不完整或完整的人脸信息。人脸面部信息作为人体差异化主要特征，是患者的隐私信息，但现在医院自动化乳腺超声扫查过程中并未对人脸面部信息进行处理，可能会导致检查者的身份、体征等隐私信息泄露。

人脸检测实现方式主要方向：(1)传统机器学习，利用人为选定Haar-like特征、HOG(Histogram of Oriented Gradient，方向梯度直方图)特征等(不局限于上述特征)，结合分类器Adaboost、SVM(Support Vector Machine，支持向量机)等(不局限于上述分类器)实现；(2)深度学习，整理收集含有人脸图像的数据集并进行相关标注、整理，利用深度学习模型MTCNN(Multi-task convolutional neural network，多任务卷积神经网络)、RetinaFace等(不局限于上述模型)常见人脸检测模型，完成人脸检测模型训练，用于实现图像或视频中的人脸检测。传统机器学习方式缺点明显，如：需人为挑选特征和分类器、鲁棒性低等，常见人脸检测模型在现实场景中均有不错的效果，但是均针对密集人脸检测，因此需要大量的数据收集、整理，且部分网络模型复杂，训练、推理速度受限制。

发明内容

有鉴于此，提供一种人脸隐私化方法、设备、装置及计算机存储介质，解决自动化乳腺超声扫查过程中患者的隐私保护问题。

本申请实施例提供了一种人脸隐私化方法，所述方法包括：

基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域；

对所述待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。

在一实施例中，所述基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域的步骤之前，还包括：

创建人脸检测模型，具体包括：

将训练集中的图像输入所述人脸检测模型，生成人脸检测结果；

将所述人脸检测结果与图像标签进行比对并计算误差；

将所述误差反向传播，更新所述人脸检测模型的参数；

直至所述误差满足预设阈值，生成人脸检测模型。

在一实施例中，所述利用人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域，包括：

将所述输入图像依次经过第一数量的预设结构操作，生成第一中间特征图；

将所述第一中间特征图经过卷积操作，生成第二中间特征图；

将所述第二中间特征图输入第一全连接层，生成第一特征向量；

将所述第一特征向量输入第二全连接层进行人脸分类，生成人脸分类预测结果；

将所述第一特征向量输入第三全连接层进行边界框回归，生成边界框预测结果；

将所述第一特征向量输入第四全连接层进行关键点回归，生成关键点预测结果；

若所述人脸分类预测结果以及所述关键点预测结果满足预设条件，则将所述边界框预测结果作为所述待隐私化区域；

其中所述预设结构操作为卷积操作与预设池化操作；所述人脸分类使用第一损失函数；所述边界框回归以及所述关键点回归使用第二损失函数。

在一实施例中，所述对所述待隐私化区域执行图像隐私化处理，包括：

将所述待隐私区域分为预设数量个像素块区域；

计算当前所述像素块区域内所有像素点的平均红色像素值、平均绿色像素值以及平均蓝色像素值；

将当前所述像素块内所有像素点的原红色像素值、原绿色像素值以及原蓝色像素值替换为所述平均红色像素值、所述平均绿色像素值，以及所述平均蓝色像素值；

直至所有的所述像素块区域完成计算和替换，生成模糊后的隐私化区域。

在一实施例中，所述生成人脸隐私化图像，包括：

将所述模糊后的隐私化区域覆盖所述待隐私化区域。

在一实施例中，所述训练集的构建过程，包括：

采集符合预设标准的图像；

基于预设方法对所述图像进行标注，生成具有所述图像标签的训练图像。

在一实施例中，所述输入图像的格式化过程，包括：

基于所述人脸检测模型的输入格式，对所述输入图像进行预处理操作。

为实现上述目的，还提供一种人脸隐私化装置，所述人脸隐私化装置包括：

人脸检测模块，用于基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域；

人脸隐私化模块，用于对所述待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。

为实现上述目的，还提供一种计算机存储介质，所述计算机存储介质上存储有人脸隐私化方法程序，所述人脸隐私化方法程序被处理器执行时实现上述任一所述的方法的步骤。

为实现上述目的，还提供一种人脸隐私化设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人脸隐私化方法程序，所述处理器执行所述人脸隐私化方法程序时实现上述任一所述的方法的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域；通过人脸检测模型在输入图像中提取待隐私化区域，人脸检测中对边界框的正确提取，保证待隐私化区域生成的正确性，也为后续对待隐私化区域进行隐私化处理提供正确的隐私化区域，其中在保证人脸检测模型效果的基础上，人脸检测模型使用简易的结构框架与参数，减少人脸检测模型的训练时间及提高人脸检测模型的检测速度。

对所述待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。通过隐私化处理，将待隐私化区域进行模糊化，使得生成的人脸隐私化图像保护患者在超声扫查过程中的隐私。

本发明解决了自动化乳腺超声扫查过程中患者的隐私保护问题，达到了对人脸待隐私区域进行模糊化处理，避免患者的隐私泄露的技术效果。

附图说明

图1为本申请人脸隐私化方法的第一实施例的流程示意图；

图2为本申请人脸隐私化方法的边界框检测及隐私化结果；

图3为本申请人脸隐私化方法的第二实施例的流程示意图；

图4为本申请人脸隐私化方法的第二实施例中步骤S210的具体实施步骤的流程示意图；

图5为本申请人脸隐私化方法的第一实施例中步骤S110的具体实施步骤的流程示意图；

图6为本申请人脸隐私化方法的网络结构示意图；

图7为本申请人脸隐私化方法的第一实施例中步骤S120的具体实施步骤的流程示意图；

图8为本申请人脸隐私化方法中训练集的构建过程；

图9为本申请人脸隐私化方法的第三实施例的流程示意图；

图10为本申请人脸隐私化方法的流程图；

图11为本申请人脸隐私化装置的结构示意图；

图12为本申请实施例中涉及的人脸隐私化设备的硬件架构示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域；对所述待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。本发明解决了自动化乳腺超声扫查过程中患者的隐私保护问题，达到了对人脸待隐私区域进行模糊化处理，避免患者的隐私泄露的技术效果。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

参照图1，图1为本申请人脸隐私化方法的第一实施例，所述方法包括：

步骤S110：基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域。

具体地，在本实施例中，输入图像可以是自动化乳腺超声扫查过程中拍摄的存在完整或者不完整人脸信息的图像，可以是其他医疗检查过程中拍摄的存在完整或者不完整人脸信息的图像，也可以是从其他途径获取的包含有需要隐私化的人脸信息的图像，在此并不作限定，可以根据对应业务动态调整。

具体地，在本实施例中，待隐私化区域可以是包含了需要隐私化的人脸信息的区域。

步骤S120：对所述待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。

具体地，在本实施例中，图像隐私化处理可以是对关键部位隐私化即对图像或视频中隐私、敏感部位进行模糊化处理，以保护图像中用户的身份、体征等隐私信息。常见方式为图像局部区域高斯模糊、像素模糊等。因此，在本实施例中，采用局部像素模糊处理，即马赛克技术，但并不限定于马赛克技术，也可以是其他的图像模糊处理技术，根据对应的业务需求动态调整。

如图2所示，图2左图中的矩形框为输入图像执行人脸检测操作生成的待隐私化区域，图2右图中是对待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。

在上述实施例中，存在的有益效果为：基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域；通过人脸检测模型在输入图像中提取待隐私化区域，人脸检测中对边界框的正确提取，保证待隐私化区域生成的正确性，也为后续对待隐私化区域进行隐私化处理提供正确的隐私化区域，其中在保证人脸检测模型效果的基础上，人脸检测模型使用简易的结构框架与参数，减少人脸检测模型的训练时间及提高人脸检测模型的检测速度。

对所述待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。通过隐私化处理，将待隐私化区域进行模糊化，使得生成的人脸隐私化图像保护患者在超声扫查过程中的隐私。

本实施例解决了自动化乳腺超声扫查过程中患者的隐私保护问题，达到了对人脸待隐私区域进行模糊化处理，避免患者的隐私泄露的技术效果。

参照图3，图3为本申请人脸隐私化方法的第二实施例，所述基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域的步骤之前，还包括：

步骤S210：创建人脸检测模型。

具体地，在本实施例中，人脸检测模型的创建是基于简易的网络结构与参数，在保证人脸检测精确度与准确度的同时，减少人脸检测模型的训练时间及提高人脸检测模型的检测速度。

在人脸检测模型的创建过程中，利用训练集对人脸检测模型进行训练以获得充分学习训练集特征的人脸检测模型，从而保证人脸检测模型的检测效果。

步骤S220：基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域。

步骤S230：对所述待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。

与第一实施例相比较，包括了步骤S210，其他步骤和第一实施例中相同，在此不再赘述。

在上述实施例中，存在的有益效果为：基于简易的网络结构与参数创建的人脸检测模型对人脸进行检测，在保证人脸检测效果的基础上，提高训练模型、以及推理计算速度。

参照图4，图4为本申请人脸隐私化方法的第二实施例中步骤S210的具体实施步骤，具体包括：

步骤S211：将训练集中的图像输入所述人脸检测模型，生成人脸检测结果。

具体地，在本实施例中，训练集为基于筛查设备采集到的数量达上万张的图像(训练集中具体包括11765张图像)，当然随着时间的推移，数据也在持续增长，在此并不限定于上述数量的数据集，根据采集到的图像以及业务需求对应调整。

对采集到的数据集中的图像根据需求进行标注，在本实施例中，对图像中人脸框位置、关键点坐标以及人脸分类进行标注。

步骤S212：将所述人脸检测结果与图像标签进行比对并计算误差。

具体地，在反向传播过程中，根据人脸检测结果与图像标签的误差，更新所述人脸检测模型的参数。

步骤S213：将所述误差反向传播，更新所述人脸检测模型的参数。

步骤S214：直至所述误差满足预设阈值，生成人脸检测模型。

具体地，预设阈值在此并不作限定，根据具体的需求动态调整。

在上述实施例中，存在的有益效果：基于简易的网络结构与参数的人脸检测模型在训练过程中收敛速度会更快，在保证人脸检测效果的基础上，提高人脸检测速度。

参照图5，图5为本申请人脸隐私化方法的第一实施例中步骤S110的具体实施步骤，所述利用人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域，包括：

步骤S111：将所述输入图像依次经过第一数量的预设结构操作，生成第一中间特征图。

具体地，在本实施例中，如图6所示为人脸检测模型网络结构示意图，其中第一数量的预设结构操作可以是4个预设结构操作，也可以是其他数量的预设结构操作，在此并不作限定，可以根据具体设置具体选择。

具体地，预设结构操作为卷积操作与预设池化操作。在本实施例中，预设池化操作为最大池化操作，也可以是平均池化操作或者其他池化操作，在此并不作限定，可以根据具体设置具体选择。

具体地，在本实施例中，如图6所示，输入图像依次经过第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层，生成第一中间特征图。

对于卷积层而言，利用不同的卷积核进行不同特征的特征提取，生成较传统机器学习更复杂的特征信息，输出高纬度的特征图，同时，配合PReLU激活函数提高模型的非线性化特征，加快模型训练收敛过程。

对于最大池化层而言，基于指定步长进行特征图的快速下采样，提高模型特征的泛化能力。

步骤S112：将所述第一中间特征图经过卷积操作，生成第二中间特征图。

具体地，如图6所示，第一中间特征图再经过第五卷积层的计算，生成第二中间特征图。

步骤S113：将所述第二中间特征图输入第一全连接层，生成第一特征向量。

具体地，如图6所示，将第二中间特征图输入第一全连接层，在本实施中，第一全连接层为256维的特征向量，但并不限定于上述向量维数，根据具体模型适应性调整。

步骤S114：将所述第一特征向量输入第二全连接层进行人脸分类，生成人脸分类预测结果。

具体地，如图6所示，将第一特征向量输入第二全连接层进行人脸分类，其中，在本实施例中，人脸分类对应的第二全连接层的输出为2个得分值，一个为边界框预测结果是人脸的得分值，另一个为边界框预测结果不是人脸的得分值。

步骤S115：将所述第一特征向量输入第三全连接层进行边界框回归，生成边界框预测结果。

具体地，如图6所示，将第一特征向量输入第三全连接层进行边界框回归，其中，在本实施中，边界框回归对应的第三全连接层的输出为4个值，分别代表边界框左上角的横坐标和纵坐标，以及边界框的宽度和高度。

步骤S116：将所述第一特征向量输入第四全连接层进行关键点回归，生成关键点预测结果。

具体地，如图6所示，将第一特征向量输入第四全连接层进行关键点回归，其中，在本实施例中，关键点回归对应的第四全连接层的输出为10个值，分别对应5个关键点的横坐标和纵坐标，5个关键点代表2个眼睛，2个嘴角以及1个鼻尖。

另外需要说明的是，关键点的个数并不限定于本实施例中的5个，也可以是7个，2个眼睛，2个嘴角，2个眉毛以及1个鼻尖，则对应的，关键点回归对应的第四全连接层的输出为14个值，可以根据需求动态调整，并不限定于上述提及的关键点的个数。

步骤S117：若所述人脸分类预测结果以及所述关键点预测结果满足预设条件，则将所述边界框预测结果作为所述待隐私化区域。

具体地，在本实施例中，人脸分类预测结果以及关键点预测结果满足预设条件，可以是边界框预测结果是人脸且边界框预测结果中包含5个关键点，则认为满足预设条件，则将对应的边界框预测结果作为待隐私化区域。

需要另外说明的是，此处预设条件并不限定于上述条件，根据需求和模型动态调整。

其中所述预设结构操作为卷积操作与预设池化操作；所述人脸分类使用第一损失函数；所述边界框回归以及所述关键点回归使用第二损失函数。

具体地，在本实施例中，人脸分类使用第一损失函数，第一损失函数可以是焦点损失函数(FocalLoss)，边界框回归以及关键点回归使用第二损失函数，第二损失函数可以是均方误差损失函数，但第一损失函数和第二损失函数并不限定于此，根据模型需要适应性调整。

通用场景下的人脸检测具有尺度变化大的情况，从几个像素到几千个像素的跨度，因此所需要的模型较复杂，但在本发明背景下，场景固定、相机、物距相对固定，所采集数据中人脸不完整、占比小，但相对一致。因此，从模型复杂度、数据复杂度以及本发明背景所需鲁棒性条件下考虑，设计模型包含5个卷积层，4个最大池化层，4个全连接层，其中4个全连接层中的3个分别执行人脸分类任务、人脸边界框回归任务、人脸关键点回归任务。

参照表1，表1为本申请中人脸检测模型的具体参数。

表1

上述实施例中，存在的有益效果为：根据本发明背景的特点，基于简易的人脸检测模型网络结构和参数对输入图像进行检测，在保证待隐私化区域提取的正确性的基础上，提高人脸检测速度。

参照图7，图7为本申请人脸隐私化方法的第一实施例中步骤S120的具体实施步骤，所述对所述待隐私化区域执行图像隐私化处理，包括：

步骤S121：将所述待隐私区域分为预设数量个像素块区域。

具体地，依据人脸边界框位置获取待隐私化区域R，将人脸边界框的宽度和高度等分成B份，则生成B×B个像素块；本实施例中B设定为10；则所述预设数量为100，此处B的取值以及预设数量并不限定于此，根据需求动态调整。

步骤S122：计算当前所述像素块区域内所有像素点的平均红色像素值、平均绿色像素值以及平均蓝色像素值。

具体地，RGB模式的图像中每个像素的颜色值都有R(红色像素值)、G(绿色像素值)、B(蓝色像素值)三个数值来决定，每个数值的范围是0至255。

另外需要说明的是，在本实施例中计算平均红色像素值时，首先获取像素块区域内所有像素点的红色像素值并求和，其次将求和结果除以像素块区域内像素的总个数；所述平均绿色像素值与所述平均蓝色像素值的计算方法类同，在此不再赘述。

步骤S123：将当前所述像素块内所有像素点的原红色像素值、原绿色像素值以及原蓝色像素值替换为所述平均红色像素值、所述平均绿色像素值，以及所述平均蓝色像素值。

具体地，步骤S123执行后，像素块内所有像素点的红色像素值、绿色像素值以及蓝色像素值相同，则所有像素值对应的颜色值相同。

步骤S124：直至所有的所述像素块区域完成计算和替换，生成模糊后的隐私化区域。

具体地，循环执行步骤122和步骤123，直至所有的像素块区域完成计算和替换，则待隐私化区域就由预设数量个模糊后的像素块组成，从而生成模糊后的隐私化区域。

具体地，在本实施例中，图像局部区域隐私化处理可以基于OpenCV设计实现。

在上述实施例中，存在的有益效果为：具体给出了待隐私化区域执行图像隐私化处理的实施步骤，保证了待隐私化区域进行模糊化处理的正确性，从而对患者的隐私区域进行保护。

在其中一个实施例中，所述生成人脸隐私化图像，包括：

将所述模糊后的隐私化区域覆盖所述待隐私化区域。

具体地，将执行了隐私化处理生成的模糊后的隐私化区域覆盖待隐私化区域，实现人脸隐私化图像的生成。

在上述实施例中，存在的有益效果为：人脸隐私化图像的生成，保证对患者的隐私区域进行保护，避免患者的隐私信息泄露。

参照图8，图8为本申请人脸隐私化方法中训练集的构建过程，所述训练集的构建过程，包括：

步骤S310：采集符合预设标准的图像。

具体地，符合预设标准的图像可以是基于筛查设备采集到的涉及用户人脸隐私的图像，其中所述筛查设备可以是乳腺超声扫查等可能涉及患者其他隐私信息的检查设备。

步骤S320：基于预设方法对所述图像进行标注，生成具有所述图像标签的训练图像。

具体地，对于采集到的符合预设标准的图像全部经过开源的基于RetinaFace的人脸检测模型进行检测，获得检测结果；基于检测结果进行人工审核，筛选出合格的图像数据(在本实施例中，采集到的符合预设标准的图像为11765张图像，筛选出合格的图像数据为11698张)；对筛选出的合格图像数据的检测结果进行转换，转换成本实施例中人脸检测模型所需要的格式(人脸分类、关键点以及边界框)，则生成具有图像标签的训练图像(训练集)。

在上述实施例中，存在的有益效果为：训练集的构建质量直接影响人脸检测模型的检测结果，则训练集构建的正确性保证了人脸检测结果的正确性，从而保证待隐私化区域的正确获取。

在其中一个实施例中，所述输入图像的格式化过程，包括：

基于所述人脸检测模型的输入格式，对所述输入图像进行预处理操作。

具体地，在本实施例中，人脸检测模型的输入格式可以是256×256×3，则对筛查设备获取的图像进行改变大小、归一化等图像预处理，完成输入图像的格式化。

在上述实施例中，存在的有益效果为：对输入图像进行格式化，保证输入图像可以在人脸检测模型中顺利进行检测。

参照图9，图9为本申请人脸隐私化方法的第三实施例，所述方法，包括：

步骤S410：创建人脸检测模型。

步骤S420：基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域。

步骤S430：对所述待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。

步骤S440：对人脸隐私化图像进行显示。

具体地，对边界框进行坐标转换，转换至原始输入图像大小比例下的坐标信息，对待隐私化区域进行图像隐私化处理，在筛查设备的输出端呈现已对人脸信息、敏感信息进行隐私化的图像或视频数据。

与第二实施例相比较，包括了步骤S240，其他步骤和第二实施例中相同，在此不再赘述。

参照图10，图10为本申请人脸隐私化方法的流程图。

在上述实施例中，存在的有益效果为：对人脸隐私化图像进行显示，在保证患者的检查顺利进行的基础上，同时对患者的隐私进行保护。

为实现上述目的，还提供一种人脸隐私化装置20，所述人脸隐私化装置包括：

人脸检测模块，用于基于人脸检测模型，对输入图像执行人脸检测操作，生成待隐私化区域；

人脸隐私化模块，用于对所述待隐私化区域执行图像隐私化处理，生成人脸隐私化图像。

图11所示装置包括人脸检测模块21、人脸隐私化模块22，该装置可以执行图1、图3、图4、图5、图7、图8以及图9所示实施例的方法，本实施例未详细描述的部分，可参考对图1、图3、图4、图5、图7、图8以及图9所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1、图3、图4、图5、图7、图8以及图9所示实施例中的描述，在此不再赘述。

为实现上述目的，还提供一种计算机存储介质，所述计算机存储介质上存储有人脸隐私化方法程序，所述人脸隐私化方法程序被处理器执行时实现上述任一所述的方法的步骤。

为实现上述目的，还提供一种人脸隐私化设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人脸隐私化方法程序，所述处理器执行所述人脸隐私化方法程序时实现上述任一所述的方法的步骤。

本申请涉及一种人脸隐私化设备010包括如图12所示：至少一个处理器012、存储器011。

处理器012可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器012中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器012可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器011，处理器012读取存储器011中的信息，结合其硬件完成上述方法的步骤。

可以理解，本发明实施例中的存储器011可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ReadOnly Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本发明实施例描述的系统和方法的存储器011旨在包括但不限于这些和任意其它适合类型的存储器。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。