无人驾驶车辆路况不规则障碍物的识别方法、计算机程序及存储介质

技术领域

本发明属于无人驾驶技术领域，具体涉及无人驾驶车辆路况不规则障碍物的识别方法、计算机程序及存储介质。

背景技术

无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。

它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。

集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用前景。

障碍物的正确识别对无人驾驶车辆以及车辆的自动驾驶模式具有重要意义。在实现对障碍物的自动识别时，通常在车辆上安装激光雷达传感器、毫米波雷达传感器或图像采集装置来采集车辆周围的障碍物信息，得到三维点云数据或二维图像数据。然后利用训练后的机器学习算法识别上述三维点云数据或二维图像数据中的障碍物。在训练上述机器学习算法时，通常利用已标注出障碍物的三维点云数据或二维图像数据来训练机器学习算法。

发明内容

本发明的主要目的在于提供无人驾驶车辆路况不规则障碍物的识别方法及计算机程序、存储介质，其利用红外传感器和图像采集装置获取无人驾驶车辆行驶过程中的目标区域的图像信息，再对图像信息分别进行识别，基于两者的识别结果进行结果判断，提升了识别结果的准确率；同时，在进行图像识别的过程中，针对图像信息数据转换后，进行数据特征提取，提升了识别的效率。

为达到上述目的，本发明的技术方案是这样实现的：

无人驾驶车辆路况不规则障碍物的识别方法，所述方法执行以下步骤：

步骤1：利用所述红外传感器获取目标区域的红外数据以及利用所述图像采集装置获取所述目标区域的图像数据；

步骤2：利用预设的红外识别模型识别所述红外数据中的障碍物信息，并对识别结果进行记录，得到第一记录结果；

步骤3：利用预设的障碍物特征识别模型识别所述图像数据，得到图像数据的障碍物特征图像，将得到的障碍物特征图像转换为二进制数据，并对二进制数据进行数据特征识别，得到数据特征识别结果，分析数据特征识别结果，得到数据特征识别结果对应的图像数据中的障碍物信息识别结果，对障碍物信息识别结果进行记录，得到第二记录结果；

步骤4：对比所述第一记录结果与所述第二记录结果，检测二者的差别是否超过设定的阈值，若超过设定的阈值，则判断二者不相同，若没有超过设定的阈值，则判断二者相同；响应于二者相同，按照设定的加权值，分别取第一记录结果和第二记录结果的加权平均，得到最终的结果；响应于二者不相同，则确定所述第一记录结果与所述第二记录结果中正确的记录结果，并输出所述正确的记录结果作为最终的结果。

进一步的，所述步骤4中：确定所述第一记录结果与所述第二记录结果中正确的记录结果包括：确定所述第一记录结果与所述第二记录结果的不同之处；确定同一所述不同之处在所述第一记录结果中指示的第一障碍物和在所述第二记录结果中指示的第二障碍物；确定所述第一记录结果中，所述第一障碍物的三维坐标集合确定的记录体积以及所述第一障碍物与所述红外传感器之间的第一距离；根据所述第一记录结果、所述第一距离，确定所述第一障碍物在所述点云数据中的期望体积范围；响应于所述记录体积位于所述期望体积范围之外，确定所述第一记录结果错误。

进一步的，所述步骤4中：确定所述第一记录结果与所述第二记录结果中正确的记录结果包括：确定所述第二障碍物在所述第二记录结果中所覆盖的记录像素面积；根据所述第一距离、所述红外传感器与所述图像采集装置之间的校准参数，确定所述第二障碍物与所述图像采集装置之间的第二距离；根据所述第二记录结果、所述第二距离，确定所述第二障碍物在所述图像数据中的期望像素面积范围；响应于所述记录像素面积位于所述期望像素面积范围之外，确定所述第二记录结果错误。

进一步的，所述步骤3中：利用预设的障碍物特征识别模型识别所述图像数据，得到图像数据的障碍物特征图像包括：将图像数据进行图像增强后，再进行图像二值化处理；设定三个预设的特征分布集合，分别为：第一特征集合、第二特征集合和第三特征集合；每一个集合内对应的特征概率值分别为：第一特征集合：P；第二特征集合：X；第三特征集合：M；设置一个样本点，使用该样本点对图像二值化处理后的图像进行样本点检测，检测完成后，采用如下公式计算图像二值化处理后的图像的样本点和设置的样本点的分类重合概率：

进一步的，所述步骤3中：将得到的障碍物特征图像转换为二进制数据，并对二进制数据进行数据特征识别，得到数据特征识别结果包括：获取该图像数据的障碍物特征对应的集合；若获取的集合为第一特征集合和第二特征集合，则将该集合内的数据进行转换，得到多个维度的原始数据，对所述原始数据进行预处理得到每个所述维度对应的像素矩阵；分析每个所述像素矩阵，得到每个所述维度之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；根据所述像素矩阵利用所述神经网络模型提取每个所述维度的高维特征，并将所有所述高维特征融合为维度信息；将所述维度信息进行降维处理，得到数据特征提取结果；若获取的集合为第三特征集合，则将该集合内的数据进行转换，得到多个维度的原始数据，对所述原始数据进行预处理得到每个所述维度对应的像素矩阵；分析每个所述像素矩阵，得到每个所述维度之间的关联关系，并利用所述关联关系建立高度学习的神经网络模型；根据所述像素矩阵利用所述神经网络模型提取每个所述维度的高维特征，并将所有所述高维特征融合为维度信息；将所述维度信息进行降维处理，得到数据特征提取结果。

本发明的无人驾驶车辆路况不规则障碍物的识别方法及计算机程序、存储介质，具有如下有益效果：其利用红外传感器和图像采集装置获取无人驾驶车辆行驶过程中的目标区域的图像信息，再对图像信息分别进行识别，基于两者的识别结果进行结果判断，提升了识别结果的准确率；同时，在进行图像识别的过程中，针对图像信息数据转换后，进行数据特征提取，提升了识别的效率；主要通过以下过程实现：1.图像数据的识别方法：本发明利用预设的障碍物特征识别模型识别所述图像数据，得到图像数据的障碍物特征图像，将得到的障碍物特征图像转换为二进制数据，并对二进制数据进行数据特征识别，得到数据特征识别结果，分析数据特征识别结果，得到数据特征识别结果对应的图像数据中的障碍物信息识别结果，因为在识别过程中，将图像数据转换为二进制数据进行数据特征识别，相较于图像识别，其识别效率更高；2.识别结果的判断：本发明对比所述第一记录结果与所述第二记录结果，检测二者的差别是否超过设定的阈值，若超过设定的阈值，则判断二者不相同，若没有超过设定的阈值，则判断二者相同；响应于二者相同，按照设定的加权值，分别取第一记录结果和第二记录结果的加权平均，得到最终的结果；响应于二者不相同，则确定所述第一记录结果与所述第二记录结果中正确的记录结果，并输出所述正确的记录结果作为最终的结果；在识别的结果基础上，本发明并未直接将识别结果进行使用，而是对识别结果进行判断分析，找到准确的识别结果，进而提升识别的准确率；3.基于数据特征进行图像识别的方法，本发明在通过数据特征分析得到图像的多个特征集合后，判断该图像数据的障碍物特征更接近第三特征集哪个集合，使得得到的结果更加准确。

附图说明

图1为本发明的实施例提供的无人驾驶车辆路况不规则障碍物的识别方法的方法流程示意图；

图2为本发明的实施例提供的无人驾驶车辆路况不规则障碍物的识别装置连接示意图；

图3为本发明的实施例提供的无人驾驶车辆路况不规则障碍物的识别方法的识别准确率随着实验次数变化的曲线示意图与现有技术的对比实验效果示意图。

具体实施方式

以下结合具体实施方式和附图对本发明的技术方案作进一步详细描述：

实施例1

如图1所示，无人驾驶车辆路况不规则障碍物的识别方法，所述方法执行以下步骤：

步骤1：利用所述红外传感器获取目标区域的红外数据以及利用所述图像采集装置获取所述目标区域的图像数据；

步骤2：利用预设的红外识别模型识别所述红外数据中的障碍物信息，并对识别结果进行记录，得到第一记录结果；

步骤3：利用预设的障碍物特征识别模型识别所述图像数据，得到图像数据的障碍物特征图像，将得到的障碍物特征图像转换为二进制数据，并对二进制数据进行数据特征识别，得到数据特征识别结果，分析数据特征识别结果，得到数据特征识别结果对应的图像数据中的障碍物信息识别结果，对障碍物信息识别结果进行记录，得到第二记录结果；

步骤4：对比所述第一记录结果与所述第二记录结果，检测二者的差别是否超过设定的阈值，若超过设定的阈值，则判断二者不相同，若没有超过设定的阈值，则判断二者相同；响应于二者相同，按照设定的加权值，分别取第一记录结果和第二记录结果的加权平均，得到最终的结果；响应于二者不相同，则确定所述第一记录结果与所述第二记录结果中正确的记录结果，并输出所述正确的记录结果作为最终的结果。

采用上述技术方案，其利用红外传感器和图像采集装置获取无人驾驶车辆行驶过程中的目标区域的图像信息，再对图像信息分别进行识别，基于两者的识别结果进行结果判断，提升了识别结果的准确率；同时，在进行图像识别的过程中，针对图像信息数据转换后，进行数据特征提取，提升了识别的效率；主要通过以下过程实现：1.图像数据的识别方法：本发明利用预设的障碍物特征识别模型识别所述图像数据，得到图像数据的障碍物特征图像，将得到的障碍物特征图像转换为二进制数据，并对二进制数据进行数据特征识别，得到数据特征识别结果，分析数据特征识别结果，得到数据特征识别结果对应的图像数据中的障碍物信息识别结果，因为在识别过程中，将图像数据转换为二进制数据进行数据特征识别，相较于图像识别，其识别效率更高；2.识别结果的判断：本发明对比所述第一记录结果与所述第二记录结果，检测二者的差别是否超过设定的阈值，若超过设定的阈值，则判断二者不相同，若没有超过设定的阈值，则判断二者相同；响应于二者相同，按照设定的加权值，分别取第一记录结果和第二记录结果的加权平均，得到最终的结果；响应于二者不相同，则确定所述第一记录结果与所述第二记录结果中正确的记录结果，并输出所述正确的记录结果作为最终的结果；在识别的结果基础上，本发明并未直接将识别结果进行使用，而是对识别结果进行判断分析，找到准确的识别结果，进而提升识别的准确率；3.基于数据特征进行图像识别的方法，本发明在通过数据特征分析得到图像的多个特征集合后，判断该图像数据的障碍物特征更接近第三特征集哪个集合，使得得到的结果更加准确。

实施例2

在实施例1的基础上，所述步骤4中：确定所述第一记录结果与所述第二记录结果中正确的记录结果包括：确定所述第一记录结果与所述第二记录结果的不同之处；确定同一所述不同之处在所述第一记录结果中指示的第一障碍物和在所述第二记录结果中指示的第二障碍物；确定所述第一记录结果中，所述第一障碍物的三维坐标集合确定的记录体积以及所述第一障碍物与所述红外传感器之间的第一距离；根据所述第一记录结果、所述第一距离，确定所述第一障碍物在所述点云数据中的期望体积范围；响应于所述记录体积位于所述期望体积范围之外，确定所述第一记录结果错误。

具体的，现有技术中，通常采用摄像头和激光雷达对待识别的障碍物进行识别。其中摄像头方案可以应用在光照非常充足，环境比较稳定的场景下。但是在天气不好和道路环境混乱的情况下，摄像头方案的视觉一直都不够稳定，导致采集的待识别的障碍物的信息不准确。而激光雷达虽然非常昂贵，但是激光雷达方案识别的待识别的障碍物时非常稳定和安全。现有技术中，采用激光雷达识别待识别的障碍物时，根据激光雷达扫描待识别的障碍物所获取的待识别的障碍物的点云大小以及局部特征，来判断待识别的障碍物的类别。例如，可以根据待识别的障碍物的点云的局部特征是否为人的头像，来判断待识别的障碍物是否为人；根据待识别的障碍物的点云的局部特征是否为自行车的车头特征，来判断待识别的障碍物是否为自行车等等。

实施例3

在实施例2的基础上，所述步骤4中：确定所述第一记录结果与所述第二记录结果中正确的记录结果包括：确定所述第二障碍物在所述第二记录结果中所覆盖的记录像素面积；根据所述第一距离、所述红外传感器与所述图像采集装置之间的校准参数，确定所述第二障碍物与所述图像采集装置之间的第二距离；根据所述第二记录结果、所述第二距离，确定所述第二障碍物在所述图像数据中的期望像素面积范围；响应于所述记录像素面积位于所述期望像素面积范围之外，确定所述第二记录结果错误。

实施例4

在上一实施例的基础上，所述步骤3中：利用预设的障碍物特征识别模型识别所述图像数据，得到图像数据的障碍物特征图像包括：将图像数据进行图像增强后，再进行图像二值化处理；设定三个预设的特征分布集合，分别为：第一特征集合、第二特征集合和第三特征集合；每一个集合内对应的特征概率值分别为：第一特征集合：P；第二特征集合：X；第三特征集合：M；设置一个样本点，使用该样本点对图像二值化处理后的图像进行样本点检测，检测完成后，采用如下公式计算图像二值化处理后的图像的样本点和设置的样本点的分类重合概率：

具体的，损失函数(lossfunction)或代价函数(costfunction)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计(parametericestimation)，在宏观经济学中被用于风险管理(riskmangement)和决策，在控制理论中被应用于最优控制理论(optimalcontroltheory)。

实施例5

在实施例4的基础上，所述步骤3中：将得到的障碍物特征图像转换为二进制数据，并对二进制数据进行数据特征识别，得到数据特征识别结果包括：获取该图像数据的障碍物特征对应的集合；若获取的集合为第一特征集合和第二特征集合，则将该集合内的数据进行转换，得到多个维度的原始数据，对所述原始数据进行预处理得到每个所述维度对应的像素矩阵；分析每个所述像素矩阵，得到每个所述维度之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；根据所述像素矩阵利用所述神经网络模型提取每个所述维度的高维特征，并将所有所述高维特征融合为维度信息；将所述维度信息进行降维处理，得到数据特征提取结果；若获取的集合为第三特征集合，则将该集合内的数据进行转换，得到多个维度的原始数据，对所述原始数据进行预处理得到每个所述维度对应的像素矩阵；分析每个所述像素矩阵，得到每个所述维度之间的关联关系，并利用所述关联关系建立高度学习的神经网络模型；根据所述像素矩阵利用所述神经网络模型提取每个所述维度的高维特征，并将所有所述高维特征融合为维度信息；将所述维度信息进行降维处理，得到数据特征提取结果。

具体的，随着显示装置的轻量化与超薄化发展，显示装置也逐渐被应用于更多样的电子产品中，以显示电子产品欲呈现予使用者的相关信息。然而，为适应日渐分歧的多样化应用，像是应用于穿戴型装置、触控装置或家用电器等电子产品的显示装置，让显示装置的发光类型、灰阶显示与耗电量等都有着不小的改变。相较于此，多数的显示装置内所包含的像素矩阵的变化就小的多，于不同电子产品间所具有的多种不同形状的外框限制下，多数的显示装置中，仍以方形或矩形的像素作为像素矩阵的基本单元，用方形或矩形的像素去组合、覆盖以填满外框所框限的显示面的显示形状，以能覆盖更多的像素面积，并得以采用较简单的控制电路来控制像素的显示状态。

实施例6

用于实现本发明方法的计算机程序及该计算机程序记录在相应的存储介质上，并且上述存储介质连接有含有中央处理器的无人驾驶车辆路况不规则障碍物的识别装置，

上述识别装置还包括：

获取装置，配置用于利用所述红外传感器获取目标区域的红外数据以及利用所述图像采集装置获取所述目标区域的图像数据；

红外识别装置，配置用于利用预设的红外识别模型识别所述红外数据中的障碍物信息，并对识别结果进行记录，得到第一记录结果；

图像识别装置，配置用于利用预设的障碍物特征识别模型识别所述图像数据，得到图像数据的障碍物特征图像，将得到的障碍物特征图像转换为二进制数据，并对二进制数据进行数据特征识别，得到数据特征识别结果，分析数据特征识别结果，得到数据特征识别结果对应的图像数据中的障碍物信息识别结果，对障碍物信息识别结果进行记录，得到第二记录结果；

结果生成装置，配置用于对比所述第一记录结果与所述第二记录结果，检测二者的差别是否超过设定的阈值，若超过设定的阈值，则判断二者不相同，若没有超过设定的阈值，则判断二者相同；响应于二者相同，按照设定的加权值，分别取第一记录结果和第二记录结果的加权平均，得到最终的结果；响应于二者不相同，则确定所述第一记录结果与所述第二记录结果中正确的记录结果，并输出所述正确的记录结果作为最终的结果。

具体的，本发明利用红外传感器和图像采集装置获取无人驾驶车辆行驶过程中的目标区域的图像信息，再对图像信息分别进行识别，基于两者的识别结果进行结果判断，提升了识别结果的准确率；同时，在进行图像识别的过程中，针对图像信息数据转换后，进行数据特征提取，提升了识别的效率。

实施例7

在实施例6的基础上，所述结果生成装置确定所述第一记录结果与所述第二记录结果中正确的记录结果包括：确定所述第一记录结果与所述第二记录结果的不同之处；确定同一所述不同之处在所述第一记录结果中指示的第一障碍物和在所述第二记录结果中指示的第二障碍物；确定所述第一记录结果中，所述第一障碍物的三维坐标集合确定的记录体积以及所述第一障碍物与所述红外传感器之间的第一距离；根据所述第一记录结果、所述第一距离，确定所述第一障碍物在所述点云数据中的期望体积范围；响应于所述记录体积位于所述期望体积范围之外，确定所述第一记录结果错误。

具体的，图像数据的识别方法：本发明利用预设的障碍物特征识别模型识别所述图像数据，得到图像数据的障碍物特征图像，将得到的障碍物特征图像转换为二进制数据，并对二进制数据进行数据特征识别，得到数据特征识别结果，分析数据特征识别结果，得到数据特征识别结果对应的图像数据中的障碍物信息识别结果，因为在识别过程中，将图像数据转换为二进制数据进行数据特征识别，相较于图像识别，其识别效率更高。

实施例8

在实施例7的基础上，所述结果生成装置确定所述第一记录结果与所述第二记录结果中正确的记录结果包括：确定所述第二障碍物在所述第二记录结果中所覆盖的记录像素面积；根据所述第一距离、所述红外传感器与所述图像采集装置之间的校准参数，确定所述第二障碍物与所述图像采集装置之间的第二距离；根据所述第二记录结果、所述第二距离，确定所述第二障碍物在所述图像数据中的期望像素面积范围；响应于所述记录像素面积位于所述期望像素面积范围之外，确定所述第二记录结果错误。

具体的，本发明对比所述第一记录结果与所述第二记录结果，检测二者的差别是否超过设定的阈值，若超过设定的阈值，则判断二者不相同，若没有超过设定的阈值，则判断二者相同；响应于二者相同，按照设定的加权值，分别取第一记录结果和第二记录结果的加权平均，得到最终的结果；响应于二者不相同，则确定所述第一记录结果与所述第二记录结果中正确的记录结果，并输出所述正确的记录结果作为最终的结果；在识别的结果基础上，本发明并未直接将识别结果进行使用，而是对识别结果进行判断分析，找到准确的识别结果，进而提升识别的准确率。

实施例9

在实施例8的基础上，所述图像识别装置利用预设的障碍物特征识别模型识别所述图像数据，得到图像数据的障碍物特征图像包括：将图像数据进行图像增强后，再进行图像二值化处理；设定三个预设的特征分布集合，分别为：第一特征集合、第二特征集合和第三特征集合；每一个集合内对应的特征概率值分别为：第一特征集合：P；第二特征集合：X；第三特征集合：M；设置一个样本点，使用该样本点对图像二值化处理后的图像进行样本点检测，检测完成后，采用如下公式计算图像二值化处理后的图像的样本点和设置的样本点的分类重合概率：

具体的，本发明在通过数据特征分析得到图像的多个特征集合后，判断该图像数据的障碍物特征更接近第三特征集哪个集合，使得得到的结果更加准确。

实施例10

在实施例9的基础上，所述图像识别装置将得到的障碍物特征图像转换为二进制数据，并对二进制数据进行数据特征识别，得到数据特征识别结果包括：获取该图像数据的障碍物特征对应的集合；若获取的集合为第一特征集合和第二特征集合，则将该集合内的数据进行转换，得到多个维度的原始数据，对所述原始数据进行预处理得到每个所述维度对应的像素矩阵；分析每个所述像素矩阵，得到每个所述维度之间的关联关系，并利用所述关联关系建立宽度学习的神经网络模型；根据所述像素矩阵利用所述神经网络模型提取每个所述维度的高维特征，并将所有所述高维特征融合为维度信息；将所述维度信息进行降维处理，得到数据特征提取结果；若获取的集合为第三特征集合，则将该集合内的数据进行转换，得到多个维度的原始数据，对所述原始数据进行预处理得到每个所述维度对应的像素矩阵；分析每个所述像素矩阵，得到每个所述维度之间的关联关系，并利用所述关联关系建立高度学习的神经网络模型；根据所述像素矩阵利用所述神经网络模型提取每个所述维度的高维特征，并将所有所述高维特征融合为维度信息；将所述维度信息进行降维处理，得到数据特征提取结果。

现有技术中，智能车辆是集环境感知、路径规划决策、控制等功能于一体的综合智能系统，能够极大提高交通安全、提高现有道路的车辆通行效率、减少污染。其中环境感知系统是智能车辆体系结构中的基础和核心，为规划决策和控制执行提供必要的基础信息。环境感知系统的主要功能是通过传感器获取车辆以及环境信息，具体为车辆的位姿及状态信息获取、结构化道路中车道线及车道边沿的识别与跟踪、交通标志及交通信号的识别与跟踪、车辆周围障碍物的识别与跟踪等。

通常用于环境感知的传感器包括摄像机、激光、毫米波雷达、GPS、惯导等。其中摄像机视觉数据无法提供障碍物准确的距离信息或即便提供了距离信息，但其计算量巨大，难以满足智能车辆的实时性要求，而激光雷达测距精度高、扫描频率高、数据量丰富，并且具有不受天气、光照等因素影响，不依靠纹路和颜色来辨别，对于阴影噪声不敏感等优良特性，近年来在智能车辆的环境感知中受到极大关注。

本发明所使用的识别方法相较于现有，具有更高的识别准确率和识别效率。

以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制约。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子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。本领域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发明的范围。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。