基于移动终端的多源信息融合寻车方法及系统

技术领域

本申请涉及定位技术领域，具体而言，涉及一种基于移动终端的多源信息融合寻车方法及系统。

背景技术

行人导航系统(Pedestrian Navigation System，PNS)是在室内外为行人提供连续准确、稳定的导航定位软硬件综合系统。行人导航系统面向的是室内外环境的无缝定位，旨在为人们提供室内外无缝的导航定位，它不是单纯的室内定位技术或者常规的室外定位手段，从目前研究的相关技术和应该领域来说，属于室内定位与室外定位技术的交叉领域。然而，卫星导航定位技术也不能覆盖所有区域，像树林、涵洞、城市峡谷、高楼大厦等遮挡严重的地方，卫星信号失锁会导致定位产生较大偏差，因此遮挡严重环境的定位面临着许多技术问题。相对于室外，人们的大多数活动是在室内，随着移动互联网、智能终端、第五代移动通信等的快速发展与应用，市场上对室内的行人导航定位也有着更加迫切的需求，诸如机场航站楼、高铁枢纽站房、多层商场等大型公共设施内的导航定位。

有的大范围室外导航定位技术中，只有GNSS卫星定位技术最为成熟且信号覆盖范围广定位精度高。小范围的导航定位技术种类很多，如视觉定位技术、RFID定位技术、UWB定位技术等。但是视觉定位技术会受到光线的严重影响，过于昏暗或光线亮度变化明显的环境会导致视觉图像识别难度增大，而地下车库或隧道内的光线环境由于光源位置分布不均会导致图像识别无法进行。WIFI、RFID与UWB定位技术本质上同属于无线电定位技术，只是三者信号频率与信号有效范围不同，但他们都是基于外部信号基站的定位技术，无法满足随机环境下的定位需求，且室内覆盖区域有限，前期部署成本太高，UWB设备成本高，难以满足消费级需求。惯性导航技术存在累积漂移误差。蜂窝移动网络对基站依赖程度较高。

在无额外设备辅助的智能手机定位场景中，国内目前成型的技术方案皆以惯性导航系统为核心，利用场景内可实时测得的车载蓝牙信号、WIFI信号、基站信号信息进行辅助定位，结合滤波算法完成定位。由于使用场景为大型地下停车场，手机内置气压计随温度变化误差较大，精确度难以保证。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于移动终端的多源信息融合寻车方法及系统，以至少解决现有技术只能在特定范围内有效的定位的技术问题。

根据本发明实施例的一个方面，提供了一种基于移动终端的多源信息融合寻车方法，包括：实时获取车载蓝牙信号、车库内覆盖的WIFI信号、和移动终端的惯导数据；利用因子图算法对所述车载蓝牙信号、所述WIFI信号、和的所述惯导数据进行融合，并基于融合后的数据，来利用所述移动终端进行定位导航，以寻找所述车库中的目标车辆。

根据本发明实施例的另一方面，还提供了一种基于移动终端的多源信息融合寻车系统，包括：车载蓝牙模块，被配置为实时获取车载蓝牙信号；惯性导航模块，被配置为实时获取移动终端的惯导数据；WIFI定位模块，被配置为实时获取车库内覆盖的WIFI信号；推算模块，被配置为利用因子图算法对所述车载蓝牙信号、所述WIFI信号、和的所述惯导数据进行融合，并基于融合后的数据，来利用所述移动终端进行定位导航，以寻找所述车库中的目标车辆。

在本发明实施例中，实时获取车载蓝牙信号、车库内覆盖的WIFI信号、和移动终端的惯导数据；利用因子图算法对所述车载蓝牙信号、所述WIFI信号、和的所述惯导数据进行融合，并基于融合后的数据，来利用所述移动终端进行定位导航，以寻找所述车库中的目标车辆，进而解决了现有技术只能在特定范围内有效的定位的技术问题。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，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是根据本申请实施例的一种基于移动终端的多源信息融合寻车方法的流程图；

图2是根据本申请实施例的一种基于移动终端的多源信息融合寻车系统的架构图；

图3是根据本申请实施例的一种WiFi指纹库定位技术示意图；

图4是根据本申请实施例的一种空间交会定位图；

图5是根据本申请实施例的一种寻车系统概况图；

图6是根据本申请实施例的一种车载蓝牙位置及个数示意图；

图7是根据本申请实施例的一种多源因子图融合算法图；

图8是根据本申请实施例的一种三边定位法的示意图；

图9是根据本申请实施例的一种多边测量法的示意图；

图10示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

概述

本发明提供了一种基于手机的多源信息融合随机车库寻车方法及系统，相较于其他车库寻车方法及设备，本发明采用基于手机的多源信息融合随机车库寻车方法能够实现无需额外配置其他专门用于室内定位的手持终端实现室内寻车，极大程度上提高了便携性。

本发明采用手机内置传感器、车载蓝牙及场内WiFi信号，无需提前在特定车库内提前布置蓝牙信标等辅助导航设备，极大程度上提升了导航方法的场地适应性及灵活性。

本发明利用因子图融合多源导航信息，能够在不确定导航信息源情况下自适应融合多源导航信息，实现随机车库的寻车导航，解决了现有导航方法导航信息种类要求单一，实用性差的缺点。

实施例1

本申请实施例使用基于手机的惯导+蓝牙+WiFi的技术约束，并使用卡尔曼滤波对惯导数据进行修正，再利用因子图算法对多源信息进行融合，以此实现大型卫星拒止环境下的智能手机定位导航。

本申请实施例提供了一种基于移动终端的多源信息融合寻车方法，如图1所示，该方法包括以下步骤：

步骤S101，连接车载蓝牙信号和车库WIFI信号。

当驾驶员将汽车驶入地下停车场后，将车辆停驻在某车位，汽车熄火驾驶员离开车辆时启动手机上寻车软件并连接上车载蓝牙，各模块开始工作，此时手动标记初始位置。本车库寻车方法采用绝对坐标和相对位置相结合。

步骤S102，标记初始位置并定位。

当驾驶员离开车辆且在车载蓝牙连接范围内时，此时手机软件采用的导航信息源为惯导数据+蓝牙定位数据，此时数据误差较小；当驾驶员离开车载蓝牙连接范围后，手机变为惯导模式+车库WiFi指纹定位数据，惯导数据通过两次积分生成行人轨迹，前两个环节的轨迹数据，均实时保存在本地；同时记录驾驶员在车库内移动的WiFi指纹库坐标。

步骤S103，标记上行电梯位置。

当驾驶到达上行电梯时，手动标记上行电梯位置，随后人员到达地上场所后，手机联网，此时软件将轨迹上传至在线地图，通过联网时刻驾驶员位置可反推出车辆所在位置范围。

步骤S104，标记下行电梯位置。

当驾驶员需要返回时，在下行电梯处标记下行电梯位置(此处的下行电梯无需和上行电梯为同一电梯)软件结合WiFi指纹库信息对比可以推算出上下行电梯的相对位置，通过计算，并结合记录的上一段行走轨迹位置，推算出此时位置的最佳寻车路径。此时再结合PDR与车库WiFi信号，对驾驶员进行步行引导；当驾驶员进入车载蓝牙覆盖范围(20米)后，步行引导信息源转变成蓝牙+PDR，直到驾驶员靠近汽车10米，通过手机蓝牙与车辆发送信号，车辆闪灯并鸣笛提醒车辆位置。此时寻车结束，软件关闭，软件清除轨迹数据。

如图2所示，实现上述方法的系统，主要包括WIFI指纹库模块、数据处理模块等。

(1)WiFi指纹定位模块。WIFI室内定位系统凭借其不需要额外的硬件设备、实现简单、定位精度好的优势，受到了广泛关注，并不断对其进行完善发展。相较于复杂的室内环境多路径效应带来的非视距传播会使得信号在某些区域大幅衰减，指纹定位方法成为了WIFI定位的主流，其基本原理是根据同一AP点在不同物理位置上观测到的RSS存在差异这一规律，将室内环境中多个AP发射的一组RSSI观测值作为某个特定物理位置上独有的指纹标签，以区别于其他位置。基于WIFI指纹定位的方法包括离线训练和在线定位两个阶段。离线训练是在事先选定的已知位置的参考点上收集观测到的WIFI信息得到目标区域的指纹数据库，包括位置信息、信号强度和接入点地址等，随后对指纹数据进行训练，构建RSSI与空间物理位置的映射。定位阶段通过将实时观测的RSSI输入到训练好的数据库中，利用匹配搜索算法寻找出与其最为相似的WIFI指纹，实现对未知位置的估计。WiFi指纹库定位技术示意图如图3所示。

定位阶段的匹配就是将实时接收到的WIFI信号强度和指纹库中的样本进行比对，找出差异最小的指纹点。差异的大小可以根据特定的准则进行计算，通常使用欧式距离：

d

其中，S代表了实时的WIFI信号样本，M

在计算出未知点与指纹点间的差异程度后，即可对未知点位置进行估计。本WiFi指纹定位模块采用K邻近法(KNN)，其将指纹库中与测试样本欧式距离最小的K个指纹点坐标的均值作为定位结果：

(2)惯性导航定位技术是一种独立于所有外部工具、设备的定位导航技术，基于MEMS惯性元件的室内定位算法主要有行人步行航迹推算(Pedestrian Dead Reckoning，PDR)与捷联惯性导航(Strap-down Inertial Navigation System，SINS)两种，PDR是一种流行的室内定位方法，它将惯导解算分解为行人运动航向解算与行人单步步长解算两个主要部分，通过对MEMS加速度计输出数据解算获得室内人员一段时间内所走的步数，通过对MEMS陀螺仪输出的角速度数据进行姿态解算获得行人运动的航向信息，将步长解算中得到的行人运动距离和航向解算中获得的行人运动航向融合，获得行人二维平面上的位移信息。

PDR的位置更新方式如下：

其中x

针对行人PDR定位，需要一个高效、准确的运动识别算法，可以在不同的行人运动状态下准确地识别行为和位置。经调查发现不同行人持手机的姿态以及不同行人在不同的运动模式下智能手机惯性传感器数据存在规律性变化。PDR通过检测步态、估计步长和方向的方式来追踪运动轨迹，并在每走一步之后更新位置。

(3)蓝牙定位技术。基于蓝牙的室内定位系统中，主要分为两类：第一类是基于测距的定位方法，第二类是是非测距方法，即基于位置指纹的定位技术。其中基于测距的方法一般是通过RSSI信号衰减模型将接收到的RSSI转换为距离，接收信号强度(RSSI)的英文全称是Received Signal Strength Indication，表示接收的信号强度指示，用来判定链接质量，以及是否增大广播发送强度。蓝牙等无线技术均有RSSI的相关概念，本实施例利用RSSI实现定位，包括三边测量法与最小二乘定位算法。

三边测量法原理图如图4所示：

参考节点A、B、C的位置坐标提前已知，三个圆相较于手机点O，设图中手机的坐标为(x

一般情况下d

通过上式可以求得d

联合方程可以得到：

通过求解上式即可得到未知节点的位置(x,y)。

由公式(6)可知，交点即为定位节点。但是如果信号传播过程中伴随噪声干扰，那三边测量法就不会精准相交于一点，而是一个区域，这导致按照正常解法代入d

假设N的坐标为(x,y)，那么得到公式：

采用最小二乘定位算法求解式(7)，将前n-1个公式分别减去最后一个公式，得到：

将公式转化线性方程组AX＝b的形式，因此

由于测试可能存在的误差，因此，合理的模型是：

AX+N＝b(12)

式中，N为n-1维随机误差向量，为了得到最优解，求矩阵X的值需要使N＝B-AX的值最小，其误差均方差为：

M(X)＝||N||

对式(13)进行求导，并令其值为0，得到式(14)，进而可得到待测节点的坐标矩阵X，即式(15)：

X＝(A

最小二乘法(LSM)的优点是可以充分利用采集的节点信息来定位，在测距存在一定误差的情况下，仍然可以获得较高的定位精度，因此在本定位方案中采用这种方法。

如图5所示，系统包括蓝牙模块、惯性导航模块、WiFi定位模块，三部分模块通过因子图多源信息融合，预测轨迹。

如图6所示，本申请所提蓝牙定位技术是一种短距离低功耗的无线传输技术，目前大多数手机都支持蓝牙协议，基于蓝牙的定位系统容易布置。本申请通过在车辆上中安装3个蓝牙参考节点作为标定的基准位置，参考节点之间形成紧密联系的蓝牙定位网络，当未知节点进入该网络中，通过检测到各参考节点的信号或距离信息，将这些信息代入已知的系统方程，就可以实现目标节点的定位。无线电在空间传播过程中会造成能量损耗，随距离的增加衰减程度越明显，两者近似呈对数关系。因此，通过构建衰减程度与传输距离间的模型公式，在已知蓝牙基站坐标情况下，利用公式反演出传输距离，通过空间距离交会方法即可解算出接收机坐标。具体关系式已在上述段落中提及。

本申请的测距方法是通过RSSI信号衰减模型将接收到的RSSI转换为距离，然后使用最小二乘法求解待测点的坐标，利用信号传输模型，将采集的信号强度转换成距离，通过后方交会原理可解算出接收机的位置。但蓝牙信号波动较大，测量信号值与真实值之间存在偏差，导致接收机到蓝牙基站的距离无法交会至一点处，而是交会在某一区域P，如图4所示手机位置区域。

如图7所示，针对车库停车场的特殊性及需求性，提出了一种基于因子图的多源信息融合导航：在因子图算法中，每个信号源可以表示为一个因子节点，并与其他节点通过变量节点(概率分布)进行连接。每个节点对应于一个量测变量，表示该信号源提供的观测值或测量结果。因子图算法可以用于融合多个不同类型的信号源，包括蓝牙、惯性导航和卫星导航(如GPS)。融合多个信号源的目的是提高位置估计的准确性和稳定性。每个信号源都有其自身的优点和限制，通过将它们结合起来，可以克服各个信号源的局限性，并获得更可靠和精确的位置估计结果。其中x

在组合导航系统中，若在t

其中,

上述最优后验估计问题转化为因子图解，则表现为一个二分图模型G＝(F,X,E)。该二分图模型由变量节点(x

G

通过对解因子和－积的等效转换，因子图因此被定义为变量总体的函数f

按照因子图的算法理论，将全局函数f(x)进行因式分解，并通过算法对解的最优估计值，使函数取最大值：

式中，

误差模型成本函数定义为：

其中，h

假设上述噪声为高斯噪声模型，

综上所述，将(21)转化为标准的非线性最小二乘函数问题，如式(24)，从而通过优化最小化误差函数获得因子图的最优状态值

在图7中，每一时刻都对应一个位置信息。图中信息可以看出，假设用户在完全无卫星信号的地下车库寻车时，当驾驶员下车后，基于因子图算法，驾驶员每时刻行走的惯导数据会持续计算，同时结合车载蓝牙信号强度的变化，推算驾驶员行走的前段轨迹；后段距离根据惯导传感器和WiFi信息，推算出车辆与用户的相对位置；根据WiFi的AP标签记录上/下电梯相对位置；返回时当位置距离减小到可以连接车载蓝牙信号时，再根据监测到的蓝牙信号强弱RSSI大小，推算出车辆位置的距离。在信号连接强度良好的情况下，手机可以记录储存位置信息。通过因子图推断算法，可以根据各个观测变量的观测值和不同观测变量之间的关系，推断出最优的位置估计结果。这样可以综合利用多个信号源的信息，提高位置估计的精度和鲁棒性。

本发明解决了以下技术问题：

(1)避免了现有技术只能在特定范围内有效的定位技术，能够实现随机车库内的导航定位，显著增加了导航定位的灵活性；

(2)用户不需要额外配置其他专门用于室内定位的手持终端，以手机及其内置传感器为平台，通过所在车库内设备及车载蓝牙装置，结合因子图多源信息融合，能够实现随机车库的室内导航，解决了现有导航方法需要辅助手持导航设备的弊端；

(3)创新性地通过融合手机内置传感器，实现多源信息的采集与融合，实现室内定位，显著提升了专利的实用性和普及便利性。

本申请实施例以智能手机为终端实现室内定位有两个优势：一是用户不需要提前在车库内布置信标等辅助定位设备，解决传统寻车需要在指定车库提前安装定位设备的弊端；二是利用智能手机内置多种可用于室内定位的信号接收器和传感器，包括蜂窝移动信号接收器、WIFI信号接收器、蓝牙信号接收器、加速度计、陀螺仪、磁力计等来实现多源定位信息的采集，避免了需要额外辅助设备的问题，显著提高了便携性。

实施例2

本申请实施例提供了另一种基于移动终端的多源信息融合寻车方法。在本申请实施例中，使用纯惯导的行人航迹推算技术推算驾驶员行走方向与位置。该方法包括以下步骤：

行人航迹推算(Pedestrian dead reckoning，PDR)技术是利用行人行走时的步态特征，根据已知行人在初始时刻下的初始位置和航向信息，通过在行人身上配备的陀螺仪、加速度计、磁力计等惯性传感器输出数据解算1)航向角；2)检测步数；3)估计步长，进而推算出行人在每一次计算节点时的位置信息。

公式(23)为推导而出的PDR算法公式递推，其中(x

(1)步态检测

步态检测方法是行人导航中的关键技术，步态检测是否准确直接影响到导航定位的精度。在基于惯性传感器的PDR算法中，一般利用合加速度波形的周期性变化来检测行人是否前进一步，可采用改进的峰值检测法，添加约束条件，对用户的步态进行分析。

峰值检测:运动时的加速度信号一般呈正弦规律，在整个周期中存在一个波峰和一个波谷，当连续检测到两个峰值的时候记为一步。主要流程是首先通过滤波器滤除信号噪声，然后设定加速度的阈值，当检测到的峰值大于设定的阈值时，可判定步数增加一次，但是在实际使用特别是存在多种运动的时候中会出现很多伪波峰，并且每类动作的阈值是不同的，所以单一的峰值检测准确率不高。

(2)步长估计

传统的机器学习人体运动识别方法主要有支持向量机、随机森林等，而且传统的机器学习算法处理的一般是线性相关的函数，但是当处理大量繁杂、非线性数据的时候，往往达不到预期的效果。而神经网络模型进行人体运动识别时则可以快速学习数据特征，处理大量的非线性数据。目前主流的神经网络模型有卷积神经网络和循环神经网络，这两种网络在提取特征和时间序列方面分别具有独特的优势和性能。

综上所述，组合神经网络已经成为当前的主流研究方向，可构建模型是把卷积神经网络CNN和循环神经网络GRU融合在一起，充分利用各自的优势来完成人体的运动行为识别。其中CNN的优势在于可以高效的进行特征提取，将提取出来的特征映射到特征图，而GRU的优势在于构建出一个长期记忆网络的模型，通过前一时刻和后一时刻的状态来更加精准的判断出当前时刻的状态，然后将结果输送给Softmax层，对用户的活动进行最后的分类。

(3)航向角

人员姿态解算的主要目的是求解人员的方向角度信息。日常的生活环境中，手机平板等设备都内置有常用的加速度计、陀螺仪、磁力计等传感器，可以获取当下实时的数据来解算方位信息。

卡尔曼滤波是根据系统输入的观测数据得到系统最优估计的算法，系统主要分为时间更新和量测更新两个部分。时间更新也称为预测更新，其主要作用是根据k-1时刻的后验估计来估计k时刻的状态，以此得到k时刻的先验估计值，具体方程可表示为：

量测更新的主要作用是使用当下时刻的输入测量值来更新校正预测估计值，以得到当下的后验估计值，所以量测更新方程也称为校正方程，具体公式如下：

上述方程中，

使用卡尔曼滤波算法融合三轴加速度、磁力计和三轴角速度来解算人员运动的航向角。

本发明的有益效果如下：

(1)通过在所驾驶车辆内置的蓝牙，结合驾驶员手机内置传感器以及车库内覆盖的WiFi信号，能够实现随机车库内的导航定位，显著增加了导航定位的灵活性，解决了需提前在特定车库内提前布置蓝牙信标等辅助导航设备的问题；

(2)本发明提供了一种基于手机的多源信息融合随机车库寻车方法，无需额外配置其他专门用于室内定位的手持终端，通过多源信息融合及因子图算法，能够实现随机车库的导航，解决了现有导航方法需额外携带导航设备的弊端；

(3)能够显著提高寻车系统在地下车库及大型露天车库等场景的场地适应性和灵活性，基于智能手机平台的导航定位方法，能够提高导航定位的效率，便携性及普及便利性。

实施例3

图10示出了适于用来实现本公开实施例的电子设备的结构示意图。需要说明的是，图10示出的电子设备仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图10所示，该电子设备包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统操作所需的各种程序和数据。CPU1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的方法和装置中限定的各种功能。在一些实施例中，电子设备还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现上述方法实施例的各个步骤等。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端设备，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。