三维图像实体分割方法、装置、设备、存储介质及车辆

技术领域

本公开涉及人工智能和自动驾驶技术领域，尤其涉及图像处理、深度学习、地图和导航等人工智能技术领域。

背景技术

二维图像由于缺乏深度信息无法满足应用需求，随之而来的，三维图像已成为日益追捧的对象。

当图像内容复杂时，需要分割出一些目标来满足下游业务的需求。例如，监控领域分割出目标人物。再例如，随着现在智慧交通和自动驾驶的发展，地图数据也从传统的二维路网逐步扩展到目前的三维高精度地图，在三维高精度地图中不仅包含道路信息，也包括多种其他信息。例如，标牌作为指示道路交通的重要基础设施，也可以用于自动驾驶车辆。

但是在使用点云生成的三维图像中，如何准确的分割出三维目标，是业内关注的问题。

发明内容

本公开提供了一种三维图像实体分割的方法、装置、设备、存储介质及车辆。

根据本公开的一方面，提供了一种三维图像实体分割方法，包括：

获取二维图像；

将二维图像中的多个目标对象，分割为相互独立的实体对象；

将每个实体对象从二维图像映射到三维图像，得到各实体对象的点云数据；

基于各实体对象的点云数据，确定出各实体对象的三维几何实体。

根据本公开的另一方面，提供了一种三维图像实体分割装置，包括：

获取模块，用于获取二维图像；

分割模块，用于将二维图像中的多个目标对象，分割为相互独立的实体对象；

映射模块，用于将每个实体对象从二维图像映射到三维图像，得到各实体对象的点云数据；

实体确定模块，用于基于各实体对象的点云数据，确定出各实体对象的三维几何实体。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开中任一实施例的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开中任一实施例的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法。

根据本本公开的另一方面，提供了一种车辆，载有前文所述的电子设备。

使用本公开所提供的方法将在三维图像中对实体对象的分割转化为先在二维图像中对实体对象的分割然后映射到三维空间中，从而实现对三维实体的分割，降低了实体分割的难度，且能够保证分割的准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例提供的三维图像实体分割方法的流程示意图；

图2(a)是根据本公开一实施例提供的二维图像分割的流程示意图；

图2(b)是根据本公开一实施例的二维图像分割的场景图；

图3是根基本公开一实施例提供的确定分割面的场景图；

图4(a)是根基本公开一实施例提供的交通标志牌的二维图像目标检测的场景图；

图4(b)是根基本公开一实施例提供的交通标志牌的二维图像语义分割的场景图；

图4(c)是根基本公开一实施例提供的交通标志牌的二维图像实例分割的场景图

图5(a)是根据本公开一实施例提供的二维图像的深度图；

图5(b)是根据本公开一实施例提供的交通标志牌的点云图；

图6(a)是根据本公开一实施例提供的三维几何模型的示意图；

图6(b)是根据本公开一实施例提供的微调后的几何模型的示意图；

图7是根据本公开一实施例提供的三维图像实体分割的装置示意图；

图8是用来实现本公开实施例的三维图像实体分割方法方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

随着相关技术的发展，三维图像技术被应用于许多场景之中。相比于二维图像，三维图像更为直观，且包含着许多二维图像中无法体现的信息。例如通过构建实体对象的三维模型可全面了解该实体对象的一些特征。

由于三维图像包含更多的信息，其制作工艺更为复杂，将会面临许多难以处理的场景。例如，三维图像中有多个对象，这些对象距离很近，甚至出现了一定交叉重叠，此时在分割三维对象时容易出现错误。

有鉴于此，为了能够准确的分割出三维对象，本公开实施例提供了一种三维图像实体分割方法。该方法中首先在二维图像上实现对目标对象的切割，使不同的目标对象分割开来，然后再将其映射到三维图像上实现在三维图像上对目标对象的分割。因此，将对目标对象的分割问题，从三维空间转换到二维空间，然后将二维空间准确地分割出的目标对象，由此能够准确且快速的分割出三维空间的目标对象。

如图1所示，为该方法的流程示意图，包括：

S101、获取二维图像。

S102、将二维图像中的多个目标对象，分割为相互独立的实体对象。

S103、将每个实体对象从二维图像映射到三维图像，得到各实体对象的点云数据。

其中，由于二维图像与三维图像之间具有映射关系，因此可将二维图像上的像素点映射到三维图像上。本公开实施例中，二维图像和三维图像之间至少具有部分重叠的成像区域。由此，可以实现对公共区域内的目标对象进行实体分割。

S104、基于各实体对象的点云数据，确定出各实体对象的三维几何实体。

将在三维图像中对实体对象的分割转化为能够准确分割出不同目标对象的二维空间，然后将在二维图像中准确分割出的实体对象映射回三维空间，得到三维空间内相互独立的实体对象。在二维空间分割出相互独立的实体对象，不仅能够保证分割结果的准确性，还降低了在三维空间分割实体对象的难度。因此，本公开实施例提供了一种通用、准确且易实现的三维实体对象分割方法。

针对步骤S102中对二维图像的实体分割，可基于如图2(a)所示的流程示意图完成对二维图像的分割，包括以下内容：

S201、对二维图像进行语义分割，得到包含至少一个目标对象的连通区域。

如图2(b)所示，图像中有两个人，包括人1、人2，此外图2(b)中还包括一个太阳，其中人1和人2有部分交叠。对图2(b)进行语义分割后，可以得到两个连通区域，即：包含人1和人2的区域A和包含太阳的区域B。对二维图像进行语义分割具体可实施为：

通过语义分割模型对二维图像的每一个像素点进行分类，例如将图2(b)中人的像素点作为类别a，将太阳的像素点作为类别b；

将相同类别的像素点组合得到连通区域，如图2(b)中将类别a的像素点组合得到区域A，将类别b的像素点组合得到区域B。

为了使得连通区域能够准确的表述目标对象的位置，本公开实施例中，得到各目标对象的连通区域之后，还可以对各目标对象的连通区域进行腐蚀或膨胀处理。

S202、对二维图像中连通区域内的图像内容进行实例分割，得到相互独立的实体对象。

先利用语义分割获得包含至少一个目标对象的连通区域，过滤掉大部分与目标对象无关的图像内容，在连通区域内再使用实例分割将二维图像中的实体对象分割开来，可提高在二维图像上对实体对象进行分割的准确性。

仍以图2(b)为例，在得到区域A和区域B之后，假设目标对象为人，则在图像中对区域A进行实例分割，可以得到人1、人2分别对应的实体对象1、实体对象2。其中，实体对象1和实体对象2具有相同的类别。对连通区域内的图像内容进行实例分割具体可实施为：

获得连通区域内所有的像素点；之后，将这些像素点输入实例分割模型得到相互独立的实体对象。

针对步骤S103中将二维图像映射至三维图像，对于不同的二维图像与三维图像的采集方式，映射方法可以是相同的。一种可能的实施方式中，可同时采集同一成像区域的二维图像和三维图像。如在一套采集设备中同时配备采集二维图像的相机和采集三维图像的激光设备，此时可直接得到二维图像和点云数据，而且能够经过后期处理，得到二维图像和三维图像之间的映射关系，本公开实施例中亦称之为深度图。

另一种可能的实施方式中，在获取二维图像时，还可以获得二维图像对应的深度图，例如基于深度相机(RGB-D)或双目相机采集二维图像及其对应的深度图，将该深度图作为二维图像和三维图像之间的映射关系。

可以理解为深度图是三维图像的三维空间的稀疏表示，因此深度图中每个点也能够在三维图像的点云中找到对应的点云数据。

基于深度图，将每个实体对象从二维图像映射到三维图像，可实施为：

步骤A1、获取各实体对象在二维图像中的像素坐标。

步骤A2、根据各实体对象的像素坐标，从深度图中提取出各实体对象的三维点。

步骤A3、基于各实体对象的三维点，从三维图像中提取出各实体对象的点云数据。

在二维图像上完成对实体对象的分割后，通过深度图将实体对象转换到三维空间中，可获得在三维图像中相对独立的实体对象。由于深度图能够准确表达二维图像和三维图像之间的映射关系，由此能够提高从三维空间中分割出三维几何实体的准确性。

在一些实施例中，在获得目标对象在深度图中的三维点之后，可使用kdtree(多维树)获得各实体对象的完整点云数据，具体可实施为：

步骤B1、在点云数据的三维空间的三个维度中，确定具有最大方差的维度，然后在该维度上选择中值为中心对该数据集合进行划分，得到两个子集合。

例如，点云数据在x轴上有最大的方差，且x坐标从小到大依次为x1、x2、x3、x4、x4，则从平面x＝x3将点云数据划分为两个子集合。

步骤B2、对每个子集合重复步骤B1的过程，直至所有子集合都不能再划分为止，以此得到kdtree。

步骤B3、使用kdtree的搜索功能，基于实体对象在深度图中的三维点，搜索出实体对象的点云数据。

其中，kdtree的搜索功能查找到与深度图中的三维点距离较近的点，来构建实体对象的点云数据。例如，针对待检索的三维点A，采用kdtree的搜索功能找到与该三维点A的距离在距离阈值范围内的点云数据，作为实体对象的点云数据。

在另一些实施例中，也可以使用octree(八叉树)构建搜索路径，具体可实施为：

步骤C1、将三维空间等分为8个正方体；

步骤C2、对每个正方体重复步骤C1的过程，直至所有正方体仅包含一个三维点。

kdtree在小数据量的情况下搜索效率较高，而octree的算法实现简单。也可以将kdtree和octree结合起来应用，先在较大的空间内使用octree划分，再使用kdtree进行细分，可提升一定的效率。

使用何种方法获得各实体对象的三维点云数据可依据具体的情况而定，本公开实施例对使用上述何种方式获得各实体对象的三维点云数据不做限定。

在获得各实体对象的三维几何实体后，由于每个目标对象独立处理，因此获得的三维几何实体之间也可能会出现重叠区域。在一些实施例中，可进行微调，以便于各目标对象在三维空间中能够充分分割开来。可实施为：在相邻两个三维几何实体具有重叠区域的情况下，确定重叠区域的分割面；将相邻两个三维几何实体中重叠区域内的边界沿垂直分割面的方向收缩指定距离，得到相互独立的相邻两个几何实体。

其中，相邻的两个三维几何实体具有相邻的两个面(即在重叠区域内的边界)，可以确定该相邻两个面之间的多个中心点，由该多个中心点进行数据拟合，得到分割面。

例如图3所示，两个交叠的立方体具有重叠的边界1和边界2，其中每个边界本质上是一个面，则可以在边界1或边界2上进行采样，得到多个采样点。以图3为例，在边界1上进行采样，得到多个采样点，然后计算各采样点到边界2的距离，并取该距离上的中心点(如图3中的三角形点)。之后，利用多个中心点在三维空间中的三维坐标进行平面拟合，拟合出一个分割面。

当然，如果两个三维几何实体在重叠区域内的边界是曲面，那么拟合出的分割面也可以是曲面的。为了提高效率，本公开实施例中，即使边界是曲面，也可以按照多个中心点进行平面拟合，拟合出一个分割平面。分割平面用于将重合区域内的点进行划分，即将重合区域内的点分配给相应的三维几何实体。由此重新定义了三维几何实体在原重叠区域内的边界。为了进一步分割开两个三维几何实体，将重新定义的边界进行收缩即可。

本公开实施例中，能够自动查找具有部分重叠区域的三维几何实体，然后采用分割面对其进一步分割，实现了在三维空间内完成对三维几何实体的进一步微调，以提高三维图像实体分割的准确性，使得最后得到的三维实体对象完全独立。

在一些实施例中，在三维图像中，除了能确定出各实体对象的三维几何实体外，为了应用需求，还可以确定出各实体对象属性，使分割出的三维几何实体具有更多的属性信息以便于使用目标对象。

在属性信息包括目标对象的类别的情况下，本公开实施例中可加入对二维图像的目标检测，以得到各目标对象的类别。仍以图2(b)为例，对二维图像进行目标检测，得到两个类别，分别为人和太阳，并得到两个人分别对应的矩形框和一个太阳对应的矩形框。

结合前文所阐述的内容，可对目标对象的矩形框的内容进行语义分割，得到矩形框内每个像素点的类别。之所以先进行目标检测再进行语义分割的原因在于，样本检测仅能够确定目标对象在二维图像中的矩形框，但对矩形框内各像素点是否属于目标对象无法做到精确识别。因此，可通过目标检测过滤掉大部分与目标对象无关的内容，然后对目标对象的矩形框进行语义分割，可减少用于语义分割的数据量，提高语义分割的效率。

此外，为了克服某些情况下，目标检测得到的矩形框可能无法将目标对象全部包含在的问题，可以通过目标检测得到目标对象的矩形框后，对该矩形框进行放大，例如放大1.2倍或1.5倍，具体放大倍数可根据实际需求确定。然后对放大后的矩形框中的像素点进行语义分割。

结合前文所阐述的内容，语义分割后，需要进行实例分割。在获得实例分割结果后，使用实例分割的结果替代矩形框，即可得到各目标对象的准确位置，即相互独立的目标对象。

需要说明的是，本公开实施例使用的目标检测模型不做具体限定，例如可以使用faster-RCNN(faster Region-Convolutional-Neural-Networks，区域卷积神经网络)模型，使用区域建议网络二分类再使用感兴趣头实现目标检测，再例如可以使用YOLO(YouOnly Look Once，只需瞄一眼)利用多个卷积层和全连接层实现目标检测。

此外，在另一些实施例中，还可以使用实例分割模型得到目标对象的类别信息。例如在faster-RCNN模型加入一个输出二进制掩码的分支，得到mask-RCNN(mask-Region-Convolutional-Neural-Networks，掩盖区域卷积神经网络)模型，用于识别目标对象的准确位置和类别。

对二维图像进行目标检测获得实体对象的类别，可以使得映射后得到的三维图像中包含实体对象的类别信息，可以满足更多的使用场景的需求。

在属性信息包括目标对象的形状信息的情况下，在对目标对象进行实例分割后，可以加入一个形状识别的模块，对各实体对象的轮廓进行分类处理，得到各实体对象的形状。

继续以图2(b)为例，通过实例分割得到目标对象1、目标对象2之后，对各实体对象的轮廓形状进行识别，得到了两个人的姿态形状，例如侧身还是正背面。

在三维高精度地图中分割交通标志牌的时候，由于交通标志牌具有不同的形状，可以采用形状识别，得到分割出的各个交通标志牌的形状信息，以便于后期渲染，做交通指示牌的内容分析，自动驾驶导航等用途。

需要说明的是，本公开实施例对二维图像进行形状的分类是为了得到形状识别结果。本公开实施例使用的形状识别模型不做具体限定。

综上，在二维图像中对实体对象进行形状识别获得目标对象的形状，可以使得映射后得到的三维图像中包含目标对象的形状信息，可以满足更多的使用场景的需求。

在另一种实施方式中，可以通过目标检测确定目标对象的类别，并基于实例分割模型确定目标对象的准确位置和形状。此时，实例分割模型除了前文所阐述的用于分割出相互独立的实体对象之外，还可以对实体对象进行形状类别的识别。在实例分割用于形状识别的情况下，可对二维图像中连通区域内的图像内容进行实例分割，得到各实体对象的形状。具体实施时，采用实例分割模型得到目标对象的位置，并进行分类处理得到目标对象的形状类别。

在实例分割模型中加入对实体对象形状的识别，不仅能够获得目标对象的准确形状，也可提高对实例分割模型的利用效率，节约资源。

为便于理解本公开实施例提供的方案，下面将以目标对象为交通标志牌为例，介绍本公开实施例如何从三维图像中割出各自独立的交通标志牌。

在地图制作时制作三维地图，与传统的二维路网地图相比，三维地图中包含了更多的信息，例如道路的坡度，再例如道路上的交通标志牌。在三维地图中，三维交通标志牌具有多种丰富的语义信息，对指示道路交通，实现自动驾驶有重要作用。但是三地图中的交通标志牌容易出现粘连情况，需要对交通标志牌进行三维分割。

在车辆上同时搭载相机和激光雷达可同时采集到二维图像及其对应的激光点云。通过后期的数据处理，可得到二维图像空间到三维激光点云之间的映射关系，即深度图。其中，采集到的二维图像如图4(a)所示，在二维图像中有4个交通标志牌和一个广告牌。先对图4(a)所示的二维图像进行目标检测，得到各个对象的类别以及用矩形框表示的位置，共得到了4个矩形框，即认为这4个矩形框中可能包含交通标志牌。

再对二维图像进行语义分割，对二维图像中的像素点进行分类。如图4(b)所示，将标志牌中的像素点作为类别c，将广告牌中的像素点作为类别d。因为是以分割交通标志牌为目标，因此将类别c之外的像素点过滤，即将二维图像中的广告牌所包含的像素点过滤。过滤完成后，再将类别c的点通过连通域分析得到交通标志牌的连通区域。如图4(b)所示，在对二维图像语义分割后可获得两个连通区域，即图4(b)中组合了三个交通标志牌的联通区域，和图4(b)中左下方摄像头监控标志牌的连通区域。

在语义分割得到连通区域后，在二维图像中对连通区域内的标志牌进行实例分割。实例分割的结果如图4(c)所示，包括4个各自独立的交通标志牌。

再使用实例分割得到的结果覆盖目标检测得到的矩形框，得到4个具有准确边框以及类型、形状信息的交通标志牌。这四个交通标志牌各自独立。由此，实现了在二维图像上对交通标志牌的分割并获得了其类别为交通标志牌，以及交通标志牌的形状。

之后，如图5(a)所示，将在二维图像中拆分后的每个交通标志牌分别通过深度图映射到三维空间，得到各个交通标牌的点云数据，具体的操作方法可参考步骤A1-步骤A3的方法，在此不做赘述。得到的点云数据如图5(b)所示，可得到四个交通标志牌各自的点云数据。

对得到的交通标志牌的点云数据经过ransac(Random Sample Consensus，随机抽样一致)拟合去噪，得到交通标志牌的平面点云。具体实施为先拟合出交通标志牌的中心平面，在三维空间中垂直于二维图像的维度上将与拟合平面的距离超过预设距离的点过滤掉。其中，预设距离可根据交通标志牌的类型而定。拟合去噪完成后，可确定交通标志牌在点云中的平面几何，再根据其三维坐标的高度范围确定其三维几何模型，即基于交通标志牌在二维图像确定的平面范围，以及在三维空间垂直于二维平面的维度上确定的点，得到交通标志牌的三维几何模型。

如图6(a)所示，为生成的三维几何模型的示意图。由于各个交通标志牌单独处理，因此映射到三维空间可能存在重叠部分。如图6(a)中出现了交通标志牌间的重叠交叉，因此确定重叠区域的中心平面为分割面，位于上方的标志牌的上边界沿垂直分割面的方向向上收缩指定距离，位于下方的标志牌的上边界沿垂直分割面的方向向下收缩指定距离。该指定距离，例如n个像素点，n为正整数。由此，在三维图像中完成对交通标志牌的分割，最后得到标志牌的三维几何模型如图6(b)所示，将黏连的两个交通标志牌完全分割开来。

综上所述，在三维图像上可实现对交通标志牌的实体分割。生成的各自独立的交通标志牌，可在三维地图中完成对交通的指示，同时作为三维图像实体，其也可以实现对自动驾驶车辆的控制。

基于相同的技术构思，本公开还提供了一种三维图像实体分割装置，如图7所示，该装置包括：

获取模块701，用于获取二维图像；

分割模块702，用于将二维图像中的多个目标对象，分割为相互独立的实体对象；

映射模块703，用于将每个实体对象从二维图像映射到三维图像，得到各实体对象的点云数据；

实体确定模块704，用于基于各实体对象的点云数据，确定出各实体对象的三维几何实体。

在一些实施例中，分割模块702，用于：

对二维图像进行语义分割，得到包含至少一个目标对象的连通区域；

对二维图像中连通区域内的图像内容进行实例分割，得到相互独立的实体对象。

在一些实施例中，该装置还包括：

目标检测模块，用于对二维图像进行目标检测，得到各实体对象的类别。

在一些实施例中，该装置还包括：

形状识别模块，用于对各实体对象的轮廓进行分类处理，得到各实体对象的形状。

在一些实施例中，在实例分割还用于形状识别的情况下，分割模块还用于对二维图像中连通区域内的图像内容进行实例分割，还得到各实体对象的形状。

在一些实施例中，映射模块703，用于：

获取各实体对象在二维图像中的像素坐标；

根据各实体对象的像素坐标，从深度图中提取出各实体对象的三维点；

基于各实体对象的三维点，从三维图像中提取出各实体对象的点云数据。

在一些实施例中，该装置还包括：

确定重叠模块，用于在相邻两个三维几何实体具有重叠区域的情况下，确定重叠区域的分割面；

微调模块，用于将相邻两个三维几何实体中重叠区域内的边界沿垂直分割面的方向收缩指定距离，得到相互独立的相邻两个几何实体。

在一些实施例中，目标对象包括交通标志牌。

本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如三维图像实体分割方法。例如，在一些实施例中，三维图像实体分割方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的三维图像实体分割方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行三维图像实体分割方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。