基于传感器融合设备的监控方法、装置和传感器融合设备

技术领域

本申请涉及新一代信息技术领域，尤其涉及一种基于传感器融合设备的监控方法、装置和传感器融合设备。

背景技术

在智能传感器行业中，毫米波雷达与摄像头都有各自的擅长的应用领域和各自的不足。因此，毫米波雷达与摄像头融合的雷视一体机成为了智能传感器领域中新的研究方向，在利用传感器融合设备进行目标监控时，例如利用雷视一体机监控交通事故时，需要对摄像头的内外参进行标定，进而得到可以将摄像头坐标映射雷达坐标的系数，为摄像头和毫米波雷达融合打下基础。但相关技术中，摄像头的标定都需要人工参与标定过程，且整个标定时间周期较长。

发明内容

本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案，通过传感器的无监督标定，获得高精度、高鲁棒性的标定结果，提高目标监控的准确度。

本申请实施例采用下述技术方案：

本申请的一方面，提供一种基于传感器融合设备的监控方法，传感器融合设备至少包括不同类型的第一传感器和第二传感器，监控方法包括：通过对目标对象的传感器数据进行识别，得到第一轨迹数据和第二轨迹数据，传感器数据包括由第一传感器和第二传感器在同时刻采集到的数据；将第一轨迹数据和第二轨迹数据的坐标值作为标定模型的输入，得到第一轨迹数据的坐标值相对于第二传感器的坐标映射值，所述标定模型为采用无监督机器学习算法进行训练后的模型；根据第一轨迹数据的坐标映射值和第二轨迹数据的坐标值，对目标对象进行监控处理。

本申请的另一方面，提供一种基于传感器融合设备的监控装置，传感器融合设备至少包括不同类型的第一传感器和第二传感器，监控装置包括：识别检测单元，用于通过对目标对象的传感器数据进行识别，得到第一轨迹数据和第二轨迹数据，传感器数据包括由第一传感器和第二传感器在同时刻采集到的数据；标定计算单元，用于将第一轨迹数据和第二轨迹数据的坐标值作为标定模型的输入，得到第一轨迹数据的坐标值相对于第二传感器的坐标映射值，所述标定模型为采用无监督机器学习算法进行训练后的模型；监控处理单元，用于根据第一轨迹数据的坐标映射值和第二轨迹数据的坐标值，对目标对象进行监控处理

本申请的再一方面，提供一种传感器融合设备，包括：第一传感器；第二传感器；存储器，存储计算机可执行指令；处理器，所述计算机可执行指令在被执行时，使所述处理器执行上述监控方法。

本申请的又一方面，还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的监控设备执行时，使得所述监控设备执行上述监控方法。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

本申请实施例预先利用无监督的机器学习算法训练标定模型，在启动目标监控时，只需识别出第一传感器和第二传感器在同时刻对目标对象的轨迹数据，将轨迹数据的坐标值输入到训练后的标定模型即可得到第一传感器的轨迹坐标值在第二传感器中的坐标映射值，完成传感器的无监督标定，这样可以基于高精度、稿鲁棒性的坐标映射值对将两类传感器数据进行数据融合，以便于监控目标对象，提高监控结果的准确性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例示出的基于传感器融合设备的监控方法流程图；

图2为本申请实施例示出的强化学习模型示意图；

图3为本申请实施例示出的基于传感器融合设备的监控装置的结构框图；

图4为本申请实施例示出的传感器融合设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。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。

针对相关技术中，利用传感器融合设备进行目标监控时，传感器融合过程中需要人工参与传感器标定，无法实现完全自动的目标监控问题，本申请实施例提出一种基于传感器融合设备的监控方法，实现目标监控过程中无需人工参与传感器标定。以下结合附图，详细说明本申请实施例提供的技术方案。

实施例一

图1为本申请实施例示出的基于传感器融合设备的监控方法流程图，传感器融合设备至少包括不同类型的第一传感器和第二传感器，传感器融合设备通过执行图1所示的步骤实现目标监控。如图1所示，本实施例的方法包括下述步骤：

步骤S110，通过对目标对象的传感器数据进行识别，得到第一轨迹数据和第二轨迹数据，传感器数据包括由第一传感器和第二传感器在同时刻采集到的数据。

这里传感器数据包括由第一传感器采集的第一传感器数据，和由第二传感器采集的第二传感器数据，第一传感器数据和第二传感器数据为同时刻开始采集的一系列数据。例如当第一传感器为摄像头，第二传感器为雷达，那么此时第一传感器数据为多帧图像数据，第二传感器数据为一段时间内的雷达数据。

在得到传感器数据之后，可以采用相应的识别算法识别出轨迹数据，例如采用图像识别算法从多帧图像数据中识别出轨迹数据，采用点云构建算法对雷达数据进行三维场景构建，得到雷达中目标对象的轨迹数据。

需要说的是，第一传感器和第二传感器在传感器融合设备中具有相对固定的安装位置，并具有重叠的检测区域，以使得两传感器可以同时对同一目标进行数据采集，得到两传感器在同时刻同目标的轨迹数据，将所得到的轨迹数据作为强化学习模型的输入。

步骤S120，将第一轨迹数据和第二轨迹数据的坐标值作为标定模型的输入，得到第一轨迹数据的坐标值相对于第二传感器的坐标映射值，所述标定模型为采用无监督机器学习算法进行训练后的模型。

其中，所述标定模型为使用多组坐标值数据通过机器学习训练得出的，多组坐标值数据中的每组数据均包括：所述第一传感器获取的轨迹数据的坐标值、所述第二传感器获取的轨迹数据的坐标值。

考虑机器学习算法中，基于学习方式，机器学习可分为：监督学习、无监督学习和强化学习，而无监督学习和强化学习为全自动的、不需要人工参与的计算方法，本实施例在使用机器学习训练标定模型时，采用无监督的机器学习算法或强化学习算法训练标定模型。

本步骤中，标定模型输出的坐标映射值是，第一轨迹数据的坐标值所对应的第二传感器坐标。以第一传感器为摄像头，第二传感器为毫米波雷达为例，将摄像头和毫米波雷达在同时刻轨迹数据的坐标值输入到标定模型，通过标定模型对输入的坐标值进行处理，得到第一轨迹的坐标值所对应的毫米波雷达坐标。

步骤S130，根据第一轨迹数据的坐标映射值和第二轨迹数据的坐标值，对目标对象进行监控处理。

本步骤需要结合应用场景对目标对象进行相应类型的监控，本实施例适用于任何固定视角的监控场景，例如在交通事故监控场景中，可将基于第一轨迹数据的坐标映射值和第二轨迹数据的坐标值将两种传感器数据进行融合，基于第一传感器数据的特征和第二传感器数据的特征监控是否发生交通事故。

由于图像数据可以很好的表现目标亮度/灰度等与像素相关的特征，毫米波雷达数据可以很好的表现目标距离/深度/速度等与距离相关的特征，在监控交通事故时，可以基于数据融合后的图像数据进行车辆、行人等目标识别，基于毫米波雷达数据进行车辆速度等检测，基于两种数据的特征准确地监控是否发生交通事故。

由图1所示可知，本实施例预先利用无监督的机器学习算法训练标定模型，在启动目标监控时，只需识别出第一传感器和第二传感器在同时刻对目标对象的轨迹数据，将轨迹数据的坐标值输入到训练后的标定模型即可得到第一传感器的轨迹坐标值在第二传感器中的坐标映射值，完成传感器的无监督标定，这样可以基于高精度、稿鲁棒性的坐标映射值对将两类传感器数据进行数据融合，以便于监控目标对象，提高监控结果的准确性。

实施例二

如前所述，本实施例中的标定模型可以采用无监督的机器学习算法或强化学习算法构建，考虑到基于无监督的机器学习算法构建标定模型的过程，必须先收集好训练数据，才可以开始模型训练，模型训练与数据收集不可同时进行， 无法实现自适应的标定，而基于强化学习算法构建标定模型的过程，数据收集和模型训练可以同时进行，更加具有自适应的特点，因此，本实施例优选基于强化学习算法构建标定模型。当然，在实际应用中，也可以采用无监督的机器学习算法构建标定模型，为实施例简洁，关于无监督的机器学习算法构建标定模型的过程在这里不再赘述。

以基于强化学习算法构建标定模型为例，通过下述步骤构建标定模型：

构建第一传感器和第二传感器之间的映射空间，利用设定的映射参数构建动作网络和评价网络，这里映射参数包括：平移参数、拉伸参数、翻转参数、变形参数中的一种或多种；评价网络用于计算动作网络输出的动作值是否可信，在动作网络输出的动作值可信时，即完成对标定模型的训练；动作网络输出动作值对映射空间进行变形，得到用于标定第一传感器的映射结果。

如图2所示，构建的标定模型包括动作网络Actor和评价网络Critic，为便于说明对标定模型的训练过程，下面先对相关名词进行解释：

状态：一条或多条同时刻轨迹的坐标值；

环境空间：即上述构建的第一传感器和第二传感器之间的映射空间，

动作网络：输出动作值，在本实施例中，动作值即为映射参数，包括对映射空间的平移、拉伸、翻转、变形等参数中的一种或多种；动作网络中包括评价函数，评价函数对经过动作值换算后的坐标映射值与真值之间的差异进行评价，在本实施例中，坐标映射值为第一传感器的轨迹坐标值的应设置，真值为第二传感器的轨迹坐标值；

损失值：一次训练过程中，前后两次评价值的差值；

奖励：在选择动作时，使做出某一类动作所得到Q值增大，使动作网络趋向这个方向的变化；

惩罚：在选择动作时，使做出某一类动作所得到Q值减小，使动作网络规避这个方向的变化；

回合：当N次训练结束，即为一个回合的结束，这里N为认为设置。

由此，在对上述名词解释之后，即可对图2所示的标定模型进行训练，这里对标定模型的训练主要是对动作网络Actor的训练。根据第一传感器和第二传感器的姿态信息，初始化映射空间；此处可以根据监控设备的出厂信息，获得两个传感器的姿态信息，基于姿态信息初始化映射空间，这样以初始化映射空间作为动作网络的初始值，并依次将多组坐标值数据输入至动作网络，获得动作网络输出的动作值及该动作值对应的最佳Q值；将该动作值和动作网络的输入作为评价网络的输入，通过评价网络的输出得到评价值；根据评价值和最佳Q值进行损失值计算，基于计算结果对所述动作网络进行奖励或惩罚处理，具体是计算评价值与最佳Q值之间的差值，得到损失值；若所述损失值大于零，奖励所述动作网络，若所述损失值不大于零，惩罚所述动作网络。

在一些实施例中，在训练标定模型过程中，还对动作网络每回合训练过程中所得到的损失值进行累加，若累加后的损失值小于预设阈值，结束对所述动作网络的训练。

举例来说，图2所示的标定模型的一次训练过程如下：

Step1，设定上一时刻的一条或多条轨迹的坐标值为当前状态值S1，将其作为输入值，输入动作网络Actor。

Step2，动作网络Actor计算出多种可能动作值，例如图2所示的action1、action2，action3…，并选择在当前环境空间下，利用评价函数评价每个可能动作值，得出使评价函数值最优的动作值action作为动作网络Actor最终的输出，并记录下最终输出的动作值action对应的最佳Q值，即为图2中示出的Q1。

Step3，设当前时刻的一条或多条轨迹的坐标值为下一时刻状态值S2，将其作为输入至，输入到评价网络Critic。

Step4，评价网络Critic根据Step2中输出的动作值action和Step3中的状态值S2，计算出基于状态值S2的评价值Q2；这里评价网络Critic与动作网络Actor的结构可以相同，也可以不同。

Step5，根据Q2-Q1的方向确定本次训练的好坏，如果是正向的，即Q2-Q1的值大于零，就对动作网络Actor进行奖励，反之，则惩罚动作网络Actor。

Step6，重复上述Step1至Step5的过程N次，每次过程中的状态值不同，则视为完成可一个回合的训练，保存标定模型，并将N次的损失值累加。

Step7，在每个回合的训练结束时，如果累加后的损失值小于预设阈值，则视为标定模型已经收敛，训练已经达到了预期的效果，可以结束训练。

基于上述Step1至Step7完成了标定模型的训练。

实施例三

在启动对目标对象的监控时，采用目标识别算法对第一传感器和第二传感器在同时刻对目标对象的传感器数据进行识别处理，得到两类初始数据，对两类初始数据进行目标对象的轨迹检测，得到两类轨迹数据，这里目标对象的识别与轨迹数据的检测均为现有技术，例如采用图像识别技术，图像检测技术，点云处理技术、视觉模型技术等进行目标识别与轨迹检测，本实施例在此不再详述；对两类轨迹数据进行轨迹匹配，得到相互匹配的轨迹数据；通过所述相互匹配的轨迹数据，得到第一轨迹数据和第二轨迹数据。

其中，轨迹数据的匹配方法包括以下三种：

第一种，时间戳匹配。

根据轨迹数据的时间戳，从两类轨迹数据中得到时间戳相近的第一种轨迹数据 对。这里可将设置时间阈值

第二种，相位位置匹配。

根据轨迹数据在其检测范围内的相对位置，从两类轨迹数据中得到相对位置相似的第二种轨迹数据对。第一传感器的轨迹数据的检测范围是指第一传感器的数据采集范围，第二传感器的轨迹数据的检测范围是指第二传感器的数据采集范围。

假设第一传感器的轨迹数据处于第一传感器的检测范围的中心位置，那么第二种轨迹数据对中的第二传感器的轨迹数据也处于第二传感器的检测范围的中心位置。

第三种，线形匹配。

根据轨迹数据的轨迹形状，从两类轨迹数据中得到轨迹形状相似的第三种轨迹数据对。本实施例可以对轨迹数据中的各个轨迹点进行曲线拟合，分别得到第一传感器的轨迹数据的拟合曲线和第二传感器的轨迹数据的拟合曲线，通过比对两个拟合曲线，即可筛选出轨迹形状相似的第三种轨迹数据对。

在确定上述三种轨迹匹配方法的情况下，可以从第一种轨迹数据对，和/或第二种轨迹数据对，和/或第三种轨迹数据对中，得到相互匹配的轨迹数据。例如，可以从第一种轨迹数据对、第二第二种轨迹数据对和第三种轨迹数据对中得到相互匹配的轨迹数据，即通过采用上述三种轨迹方法得到相互匹配的轨迹数据。

在得到相互匹配的轨迹数据之后，即可将相互匹配的轨迹数据的坐标值输入到标定模型中，通过标定模型对轨迹数据进行处理，得到第一传感器的轨迹坐标值的映射结果。

下面以标定雷视一体机中的摄像头为例，说明本实施例的监控方法。

在智慧交通道路场景中，在利用雷视一体机对交通信息进行监控之前，需要对雷视一体机中的摄像头进行相对于毫米波雷达的标定。在此情景下，可以利用雷视一体机中的摄像头和毫米波雷达同时对同一目标对象进行轨迹检测，这里可以通过视觉网络模型，检测摄像头中目标对象的运动轨迹，并同时记录毫米波雷达中目标对象的运动轨迹，在得到摄像头和毫米波雷达对目标对象的运动轨迹之后，通过时间戳匹配、相位位置匹配和线型匹配将两种传感器中的运动轨迹关联匹配，形成一定量的训练数据，输入到标定模型的动作网络中进行回归训练，最终得到该摄像头的坐标映射参数矩阵。

在启动对目标对象的监控时，获取摄像头和毫米波雷达同时检测到的运动轨迹，并将两条运动轨迹进行匹配后，输入到训练后的标定模型中，由标定模型输出摄像头的运动轨迹的坐标值对应的雷达坐标值，根据摄像头的运动轨迹对应的雷达坐标值将摄像头的运动轨迹和雷达的运动轨迹在雷达坐标系下进行数据融合，基于融合数据，获得目标对象的图形特征和运动特征，基于图形特征和运动特征监控交通信息。

实施例四

图3为本申请实施例示出的基于传感器融合设备的监控装置的结构框图，其中传感器融合设备至少包括第一传感器和第二传感器，如图3所示，本实施例的监控装置300包括：

识别检测单元310，用于通过对目标对象的传感器数据进行识别，得到第一轨迹数据和第二轨迹数据，传感器数据包括由第一传感器和第二传感器在同时刻采集到的数据；

标定计算单元320，用于将第一轨迹数据和第二轨迹数据的坐标值作为标定模型的输入，得到第一轨迹数据的坐标值相对于第二传感器的坐标映射值，所述标定模型为采用无监督机器学习算法进行训练后的模型；

监控处理单元330，用于根据第一轨迹数据的坐标映射值和第二轨迹数据的坐标值，对目标对象进行监控处理。

在一些实施例中，识别检测单元310包括：识别模块、检测模块、匹配模块；

识别模块，用于采用目标识别算法对第一传感器和第二传感器在同时刻对目标对象的传感器数据进行识别处理，得到两类初始数据；

检测模块，用于对两类初始数据进行目标对象的轨迹检测，得到两类轨迹数据；

匹配模块，用于对两类轨迹数据进行轨迹匹配，得到相互匹配的轨迹数据，通过所述相互匹配的轨迹数据，得到第一轨迹数据和第二轨迹数据；

在一些实施例中，匹配模块，根据轨迹数据的时间戳，从两类轨迹数据中得到时间戳相近的第一种轨迹数据对；根据轨迹数据在其检测范围内的相对位置，从两类轨迹数据中得到相对位置相似的第二种轨迹数据对；根据轨迹数据的轨迹形状，从两类轨迹数据中得到轨迹形状相似的第三种轨迹数据对；从所述第一种轨迹数据对，和/或第二种轨迹数据对，和/或第三种轨迹数据对中，得到相互匹配的轨迹数据。

在一些实施例中，监控装置300还包括模型构建单元和模型训练单元；

模型构建单元，用于构建第一传感器和第二传感器之间的映射空间；利用设定的映射参数构建动作网络和评价网络，所述评价网络计算动作网络输出的动作值是否可信，所述动作网络输出动作值对映射空间进行变形，得到用于标定第一传感器的映射结果。

模型训练单元，用于根据第一传感器和第二传感器的姿态信息，初始化映射空间；以初始化映射空间作为动作网络的初始值，并依次将多组坐标值数据输入至动作网络，获得动作网络输出的动作值及所述动作值对应的最佳Q值；将所述动作值和所述动作网络的输入作为所述评价网络的输入，通过评价网络的输出得到评价值；根据所述评价值和所述最佳Q值进行损失值计算，基于计算结果对所述动作网络进行奖励或惩罚处理。

在一些实施例中，模型训练单元，还用于计算评价值与最佳Q值之间的差值，得到损失值；若所述损失值大于零，奖励所述动作网络，若所述损失值不大于零，惩罚所述动作网络。

在一些实施例中，模型训练单元，还用于对所述动作网络每回合训练过程中所得到的损失值进行累加；若累加后的损失值小于预设阈值，结束对所述动作网络的训练。

能够理解，上述监控装置，能够实现前述实施例中提供的监控方法的各个步骤，关于监控方法的相关阐释均适用于监控装置，此处不再赘述。

实施例五

图4为本申请实施例示出的传感器融合设备的结构示意图。请参考图4，在硬件层面，该传感器融合设备包括处理器、存储器，可选地还包括网络接口。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该传感器融合设备还包括其他业务所需要的硬件，如第一传感器和第二传感器。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成监控装置。处理器，执行存储器所存放的程序实现如上文描述的监控方法。

上述如本申请图1所示实施例揭示的监控方法可以应用于处理器中，或者由处理器实现。处理器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。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，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申请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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。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，处理器读取存储器中的信息，结合其硬件完成上述监控方法的步骤。

本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的传感器融合设备执行时，能够实现图1所示的监控方法。

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。

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。

内存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)。内存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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，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。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。