一种图像中相似外包装卷烟类别识别方法及装置

技术领域

本发明涉及图像识别技术领域，尤其涉及一种图像中相似外包装卷烟类别识别方法及装置。

背景技术

如今，卷烟直营店采集智能方式管理自家卷烟陈列。例如，跟进每天各店铺回传的卷烟陈列场景图像数据，掌握卷烟商品到货信息，发布到各店铺并及时跟进配货。由于越来越多的卷烟规格采用包烟、条烟外包装相似的设计方案，则需要分别准确检测出包烟和条烟商品。

现有的识别检测方法有YOLO、SSD等系列算法。通过现有的识别检测方法在区别包烟条烟相似的设计方案的过程中会存在失效的现象，导致在图像中识别出包烟条烟的准确性低。

发明内容

本申请实施例通过提供一种图像中相似外包装卷烟类别识别方法及装置，解决了现有技术中由于包烟、条烟外包装采用相似的设计方案，导致在图像中识别出包烟条烟的准确性低的技术问题，实现了快速且精准识别出图像中的包烟和条烟，提升包烟条烟的识别准确性和识别精度，还能提高方法运算速度等技术效果。

第一方面，本发明实施例提供一种图像中相似外包装卷烟类别识别方法，包括：

获取卷烟陈列图像，并将所述卷烟陈列图像输入至目标识别模型中；

通过所述目标识别模型，对所述卷烟陈列图像进行目标检测处理，得到所述卷烟陈列图像中的目标对象，其中，所述目标对象包括至少一个规格的目标卷烟；

通过所述目标识别模型，对所述卷烟陈列图像进行语义分割处理，得到所述目标卷烟的语义值；

在所述目标对象中，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，并输出所述目标对象的卷烟类别。

优选的，所述对所述卷烟陈列图像进行目标检测处理，得到所述卷烟陈列图像中的目标对象，包括：

通过所述目标识别模型的第一BiFPN模块，对所述卷烟陈列图像进行目标检测处理，得到所述目标卷烟的中心点和所述中心点对应的偏移量；

根据所述中心点和所述对应的偏移量，得到所述目标对象。

优选的，在得到所述目标对象之后，包括：

通过所述第一BiFPN模块的第一预设单层，输出所述目标对象。

优选的，所述对所述卷烟陈列图像进行语义分割处理，得到所述目标卷烟的语义值，包括：

通过所述目标识别模型的第二BiFPN模块，对所述卷烟陈列图像进行语义分割处理，得到所述卷烟陈列图像的图像特征，并通过所述第二BiFPN模块的第二预设单层，输出所述图像特征；

通过预设物体检测矩阵，对所述图像特征进行卷积，得到所述目标卷烟的语义值。

优选的，所述在所述目标对象中，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，包括：

通过积分图算法，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，其中，所述积分图算法在显卡的图形处理器中运行。

优选的，所述通过积分图算法，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，包括：

通过所述积分图算法中的检测框，得到所述目标对象中的每个目标卷烟的语义值总和；

若在所述目标对象中，某个目标卷烟的语义值总和最大，则将所述目标对象的卷烟类别确定为该目标卷烟。

优选的，所述在所述目标对象中，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，包括：

在所述目标对象中仅存在一个目标卷烟的情形下，根据所述目标卷烟的上下文信息，确定所述目标卷烟的语义值，再根据所述目标卷烟的语义值，直接得到所述目标对象的卷烟类别。

基于同一发明构思，第二方面，本发明还提供一种图像中相似外包装卷烟类别识别装置，包括：

获取模块，用于获取卷烟陈列图像，并将所述卷烟陈列图像输入至目标识别模型中；

目标检测模块，用于通过所述目标识别模型，对所述卷烟陈列图像进行目标检测处理，得到所述卷烟陈列图像中的目标对象，其中，所述目标对象包括至少一个规格的目标卷烟；

语义识别模块，用于通过所述目标识别模型，对所述卷烟陈列图像进行语义分割处理，得到所述目标卷烟的语义值；

输出模块，用于在所述目标对象中，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，并输出所述目标对象的卷烟类别。

基于同一发明构思，第三方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现图像中相似外包装卷烟类别识别方法的步骤。

基于同一发明构思，第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现图像中相似外包装卷烟类别识别方法的步骤。

本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：

在本实施例中，在获取卷烟陈列图像，并将卷烟陈列图像输入至目标识别模型中之后，通过目标识别模型，对卷烟陈列图像进行目标检测处理，得到卷烟陈列图像中的目标对象，其中，目标对象包括至少一个规格的目标卷烟。这里，目标对象存在重叠摆放的条烟和包烟，或仅存在包烟，或仅存在条烟，先将目标对象识别出来，以便于后续对目标对象的卷烟类型进行进一步确定。

并且还通过目标识别模型，对卷烟陈列图像进行语义分割处理，得到目标卷烟的语义值。然后，在目标对象中，根据目标卷烟的语义值，确定目标对象的卷烟类别，并输出目标对象的卷烟类别。这里，在目标对象中，结合该目标对象中的目标卷烟的语义值确定出卷烟类别，即确定出包烟或条烟，以快速且精准识别出图像中的包烟和条烟，实现外包装采用相似的设计方案包、条烟的区分，提升包烟条烟的识别准确性和识别精度，还能提高方法运算速度。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：

图1示出了本发明实施例中的图像中相似外包装卷烟类别识别方法的步骤流程示意图；

图2示出了本发明实施例中的目标识别模块的结构示意图；

图3示出了本发明实施例中的BiFPN模块的结构示意图；

图4示出了本发明实施例中的得到卷烟陈列图像中的目标对象的流程示意图；

图5示出了本发明实施例中的得到卷烟陈列图像中的目标卷烟的语义值的流程示意图；

图6示出了本发明实施例中的卷烟陈列图像中的目标卷烟的语义值的结构示意图；

图7示出了本发明实施例中的确定目标对象的卷烟类别的流程示意图；

图8示出了本发明实施例中的图像中相似外包装卷烟类别识别装置的模块示意图。

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。

实施例一

本发明第一实施例提供了一种图像中相似外包装卷烟类别识别方法，如图1所示，包括：

S101，获取卷烟陈列图像，并将卷烟陈列图像输入至目标识别模型中；

S102，通过目标识别模型，对卷烟陈列图像进行目标检测处理，得到卷烟陈列图像中的目标对象，其中，目标对象包括至少一个规格的目标卷烟；

S103，通过目标识别模型，对卷烟陈列图像进行语义分割处理，得到目标卷烟的语义值；

S104，在目标对象中，根据目标卷烟的语义值，确定目标对象的卷烟类别，并输出目标对象的卷烟类别。

在本实施例中，在获取卷烟陈列图像，并将卷烟陈列图像输入至目标识别模型中之后，通过目标识别模型，对卷烟陈列图像进行目标检测处理，得到卷烟陈列图像中的目标对象，其中，目标对象包括至少一个规格的目标卷烟。这里，目标对象存在重叠摆放的条烟和包烟，或仅存在条烟，或仅存在包烟，先将目标对象识别出来，以便于后续对目标对象的卷烟类型进行进一步确定。

并且还通过目标识别模型，对卷烟陈列图像进行语义分割处理，得到目标卷烟的语义值。然后，在目标对象中，根据目标卷烟的语义值，确定目标对象的卷烟类别，并输出目标对象的卷烟类别。这里，在目标对象中，结合该目标对象中的目标卷烟的语义值确定出卷烟类别，即确定出包烟或条烟，以快速且精准识别出图像中的包烟和条烟，实现外包装采用相似的设计方案包、条烟的区分，提升包烟条烟的识别准确性和识别精度，还能提高方法运算速度。

下面，结合图1-图7来详细介绍本实施例提供的图像中相似外包装卷烟类别识别方法的具体实施步骤：

在执行步骤S101之前，获取目标识别模型。

具体地，先获取卷烟陈列训练图像集，其中，卷烟陈列训练图像集中的每个卷烟陈列训练图像携带有人工标注的标签。再通过卷烟陈列训练图像集对初始识别模型进行模型训练，直至训练的识别模型满足训练约束条件时，将满足训练约束条件时的识别模型确定为目标识别模型。

对初始识别模型进行模型训练的过程是，对卷烟陈列训练图像集进行目标检测处理和语义分割处理。在此不展开叙述该两个处理过程，后续会对该两个处理过程进行详细阐述。

训练约束条件包括识别模型中的中心点误差不大于中心点误差阈值，偏移量误差不大于偏移量误差阈值和语义分割误差的均方差损失函数不大于损失函数阈值。中心点误差阈值、偏移量误差阈值和损失函数阈值均可根据实际需求而设置。

如图2所示，本实施例的目标识别模型包括主干网络DLA34 backbone、第一BiFPN模块、第二BiFPN模块、中心点模块Center head、偏移量模块Offset head和语义分割模块Mask head。其中，第一BiFPN模块和第二BiFPN模块可以均为同一个BiFNP模块，也可分别指代一个BiFNP模块。在将卷烟陈列训练图像集输入至DLA34 backbone中后，DLA34 backbone的输入分别连接第一BiFPN模块和第二BiFPN模块的输入。第一BiFPN模块的输出分别连接中心点模块Center head的输入和偏移量模块Offset head的输入。第二BiFPN模块的输出连接语义分割模块Mask head的输入。

目标识别模型中采用了BiFPN模块，BiFPN实现了图像信息从高分辨率到低分辨率，再从低分辨率到高分辨率的信息双重融合，特征提取效果优质。并且，在本实施例的识别方法中，BiFPN模块采用单层或单节点输出，不使用额外信息，降低网络复杂度和计算量，提高识别效率。以图3所示的BiFPN模块的结构为例，BiFPN模块有5个节点，仅选取P4节点的输出作为BiFPN模块的输出，不采用P1-P3、P5节点的输出。

在得到目标识别模型后，执行步骤S101，获取卷烟陈列图像，并将卷烟陈列图像输入至目标识别模型中。

具体来讲，获取的卷烟陈列图像为待识别的卷烟陈列图像。在获取到卷烟陈列图像之后，将卷烟陈列图像输入至目标识别模型中，以使目标识别模型对卷烟陈列图像中的卷烟规格类别进行精准识别。

接着，执行步骤S102和步骤S103。执行步骤S102和步骤S103的顺序不作具体限制，可以为同时执行的顺序，也可以分先后顺序。

执行步骤S102，通过目标识别模型，对卷烟陈列图像进行目标检测处理，得到卷烟陈列图像中的目标对象，其中，目标对象包括至少一个规格的目标卷烟。

具体来讲，先通过目标识别模型的第一BiFPN模块，对卷烟陈列图像进行目标检测（object detection）处理，得到目标卷烟的中心点和中心点对应的偏移量。再根据中心点和对应的偏移量，得到目标对象。在得到目标对象之后，通过第一BiFPN模块的第一预设单层，输出目标对象。其中，第一预设单层可根据实际需求而设置，如以图3所示的BiFPN模块的结构为例，第一预设单层为P4节点的输出。其中，目标检测处理为检测出卷烟陈列图像中的目标卷烟的处理方式，这里并还未区别目标卷烟的类别，仅作检测出卷烟的处理。

如图4所示，先通过第一BiFPN模块对卷烟陈列图像进行特征提取，再通过第一BiFPN模块的第一预设单层，输出卷烟陈列图像的图像特征。对卷烟陈列图像的图像特征进行卷积函数运算conv（Convolution，卷积函数）和激活函数ReLU（Rectified Linear Unit，线性整流函数），得到预测的目标卷烟的中心点和4个边角点的偏移量。根据中心点和4个边角点的偏移量，确定目标对象的四边，形成目标对象。目标对象的形状不受限制，可为平行四边形、长方形、正方形或梯形。

目标对象为目标卷烟，那么目标对象可以仅为包烟，或仅为条烟，还可以是包烟条烟重叠摆放的区域。所以，目标对象包括至少一个规格的目标卷烟。

在本实施例中，通过第一BiFPN模块对卷烟陈列图像进行特征提取，并单层输出卷烟陈列图像的图像特征，能快速、高效且准确的提取卷烟陈列图像的图像特征，再根据卷烟陈列图像的图像特征，高效且精准的识别出目标对象，以便于后续对目标对象进行精准分析，得到准确性高的分析结果。

执行步骤S103，通过目标识别模型，对卷烟陈列图像进行语义分割（Semanticsegmentation）处理，得到目标卷烟的语义值。

具体来讲，通过目标识别模型的第二BiFPN模块，对卷烟陈列图像进行检测，得到卷烟陈列图像的图像特征，并通过第二BiFPN模块的第二预设单层，输出图像特征。通过预设物体检测矩阵，对图像特征进行卷积，得到目标卷烟的语义值。其中，第二预设单层可根据实际需求而设置，如以图3所示的BiFPN模块的结构为例，第二预设单层为P4节点的输出。预设物体检测矩阵也可根据实际需求而设置，通常预设物体检测矩阵为160*160*3的矩阵。

如图5所示，先通过第二BiFPN模块对卷烟陈列图像进行特征提取，再通过第二BiFPN模块的第二预设单层，输出卷烟陈列图像的图像特征。通过Mask head模块中的conv函数、ReLU函数和预设物体检测矩阵，对卷烟陈列图像的图像特征进行运算，从预设物体检测矩阵的每个通道输出卷烟的语义值。以预设物体检测矩阵为160*160*3的矩阵为例，对矩阵中160*160区域内每个点赋值[1,0,0]，[0,1,0]或者[0,0,1]，分别代表包烟、条烟或图像背景。其中，每个点所赋的值为语义值。按照预设物体检测矩阵从前往后的顺序，从预设物体检测矩阵的第一通道输出的卷烟的语义值均为[1,0,0]，即表示包烟。从第二通道输出的卷烟的语义值均为[0,1,0]，即表示条烟。从第三通道输出的卷烟的语义值均为[0,0,1]，即表示图像背景。

假设识别出卷烟陈列图像的目标卷烟的语义值如图6所示。在图6中，格子图案的长条物体的每个160*160区域的语义值为[0,1,0]，即表示条烟。斜线条图案的正方形物体的每个160*160区域的语义值为[1,0,0]，即表示包烟。在图6中还存在斜线条图案的正方形物体和格子图案的长条物体重叠摆放区域，针对该区域，依然对格子图案的长条物体的每个160*160区域的语义值为[0,1,0]，斜线条图案的正方形物体的每个160*160区域的语义值为[1,0,0]。

语义分割模块Mask head的原理是，对于纹理相似的物体，利用上下文信息来判断该物体的类别是合理有效的选择。虽然包烟和条烟的纹理十分相似，但通过其周围摆放的其它包、条卷烟的尺寸，可以轻易的判断卷烟陈列图像中的目标卷烟的类别。

在本实施例中，通过目标识别模型引入语义分割模块Mask head，对卷烟陈列图像进行高效、精准地语义分割处理，得到目标卷烟的语义值，提高目标卷烟的语义值的准确度，以便于后续对目标对象进行精准分析，得到准确性高的分析结果。

然后，执行步骤S104，在目标对象中，根据目标卷烟的语义值，确定目标对象的卷烟类别，并输出目标对象的卷烟类别。

具体来讲，步骤S104分为两种情形，在目标对象中存在至少两个目标卷烟的情形下，通过积分图算法，根据目标卷烟的语义值，确定目标对象的卷烟类别。其中，积分图算法在显卡的图形处理器（Graphics Processing Unit，GPU）中运行，以提高处理图像数据的速度，提升卷烟陈列图像中卷烟规格类型的识别速度和效率，保障本实施例的识别方法的实时性。

在目标对象中存在至少两个目标卷烟的情形下，通过积分图算法，确定目标对象的卷烟类别的具体过程是，如图7所示，在得到目标对象之后，在目标对象中存在至少两个目标卷烟的情形下，在目标对象中，先通过积分图算法中的检测框，得到目标对象中的每个目标卷烟的语义值总和。其中，检测框为BoundingBox。再通过在目标对象中投票的方式，确定出目标对象的卷烟类别。那么，若在目标对象中，某个目标卷烟的语义值总和最大，则将目标对象的卷烟类别确定为该目标卷烟。

以图6中的包烟和条烟重叠摆放的区域为目标对象为例，在该目标对象中，先通过检测框检测出包烟，得到包烟的语义值总和，记为Y1。再通过检测框检测出条烟，得到条烟的语义值总和，记为Y2。如果Y1＞Y2，则将该目标对象的卷烟类别确定为包烟。如果Y1≤Y2，则将该目标对象的卷烟类别确定为条烟。

在目标对象中仅存在一个目标卷烟的情形下，根据目标卷烟的上下文信息，确定目标卷烟的语义值，再根据目标卷烟的语义值，直接得到目标对象的卷烟类别。具体是，在该情形下，通过语义分割模块，识别出仅存在一个规格的目标卷烟的语义值，则根据其语义值直接确定目标对象的类别。

以图6中按照从左到右、从上到下的顺序的第一个斜线条格子方块作为目标对象为例，在该目标对象中，通过语义分割模块，根据目标卷烟的上下文信息，确定该斜线条格子方块的目标卷烟的语义值为包烟。这里需要说明的是，该斜线条格子方块的上方是长度比该斜线条格子方块长的卷烟，该斜线条格子方块的左侧未存在卷烟，该斜线条格子方块的右侧和下方是长度与该斜线条格子方块一致的卷烟。那么，通过语义分割模块，确定目标卷烟的语义值为包烟。由于该目标对象存在一个规格的目标卷烟，则直接将目标卷烟的语义值，确定为该目标对象的类别，即该目标对象为包烟。

在本实施例中，将目标对象和目标卷烟的语义相结合，对目标卷烟的各规格类别进行高效、精准地识别，实现外包装采用相似的设计方案包、条烟的区分，精准确定出目标卷烟的规格类型，提升包烟条烟的识别准确性和识别精度。

另外，本实施例的识别方法不仅用于卷烟规格识别场景，还可以用于人脸识别场景或其他场景。由于人脸常常会作为素材出现在屏幕、衣服、墙上涂鸦等各种场景中，对准确统计人数的方法带来干扰，通过本实施例的识别方法可以有效杜绝干扰，导致统计人数的结构准确度和精度较低的问题。

实施例二

基于相同的发明构思，本发明第二实施例还提供了一种图像中相似外包装卷烟类别识别装置，如图2所示，包括：

获取模块201，用于获取卷烟陈列图像，并将所述卷烟陈列图像输入至目标识别模型中；

目标检测模块202，用于通过所述目标识别模型，对所述卷烟陈列图像进行目标检测处理，得到所述卷烟陈列图像中的目标对象，其中，所述目标对象包括至少一个规格的目标卷烟；

语义识别模块203，用于通过所述目标识别模型，对所述卷烟陈列图像进行语义分割处理，得到所述目标卷烟的语义值；

输出模块204，用于在所述目标对象中，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，并输出所述目标对象的卷烟类别。

作为一种可选的实施例，目标检测模块202，用于所述对所述卷烟陈列图像进行目标检测处理，得到所述卷烟陈列图像中的目标对象，包括：

通过所述目标识别模型的第一BiFPN模块，对所述卷烟陈列图像进行目标检测处理，得到所述目标卷烟的中心点和所述中心点对应的偏移量；

根据所述中心点和所述对应的偏移量，得到所述目标对象。

作为一种可选的实施例，目标检测模块202，用于在得到所述目标对象之后，通过所述第一BiFPN模块的第一预设单层，输出所述目标对象。

作为一种可选的实施例，语义识别模块203，用于所述对所述卷烟陈列图像进行语义分割处理，得到所述目标卷烟的语义值，包括：

通过所述目标识别模型的第二BiFPN模块，对所述卷烟陈列图像进行语义分割处理，得到所述卷烟陈列图像的图像特征，并通过所述第二BiFPN模块的第二预设单层，输出所述图像特征；

通过预设物体检测矩阵，对所述图像特征进行卷积，得到所述目标卷烟的语义值。

作为一种可选的实施例，输出模块204，用于所述在所述目标对象中，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，包括：

通过积分图算法，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，其中，所述积分图算法在显卡的图形处理器中运行。

作为一种可选的实施例，所述通过积分图算法，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，包括：

通过所述积分图算法中的检测框，得到所述目标对象中的每个目标卷烟的语义值总和；

若在所述目标对象中，某个目标卷烟的语义值总和最大，则将所述目标对象的卷烟类别确定为该目标卷烟。

作为一种可选的实施例，所述在所述目标对象中，根据所述目标卷烟的语义值，确定所述目标对象的卷烟类别，包括：

在所述目标对象中仅存在一个目标卷烟的情形下，根据所述目标卷烟的上下文信息，确定所述目标卷烟的语义值，再根据所述目标卷烟的语义值，直接得到所述目标对象的卷烟类别。

由于本实施例所介绍的图像中相似外包装卷烟类别识别装置为实施本申请实施例一中图像中相似外包装卷烟类别识别方法所采用的装置，故而基于本申请实施例一中所介绍的图像中相似外包装卷烟类别识别方法，本领域所属技术人员能够了解本实施例的图像中相似外包装卷烟类别识别装置的具体实施方式以及其各种变化形式，所以在此对于该图像中相似外包装卷烟类别识别装置如何实现本申请实施例一中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例一中图像中相似外包装卷烟类别识别方法所采用的装置，都属于本申请所欲保护的范围。

实施例三

基于相同的发明构思，本发明第三实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述图像中相似外包装卷烟类别识别方法中的任一方法的步骤。

实施例四

基于相同的发明构思，本发明第四实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文实施例一所述图像中相似外包装卷烟类别识别方法的任一方法的步骤。

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。

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。