佩戴口罩的检测方法、装置、终端设备及可读存储介质

技术领域

本申请涉及图像处理技术领域，具体涉及一种佩戴口罩的检测方法、装置、终端设备及可读存储介质。

背景技术

在呼吸道传染疾病传播的过程中，佩戴口罩是一项非常显著的预防呼吸道传染疾病的措施。因此，检测人们是否佩戴口罩及是否规范佩戴口罩成为了一项重要的工作。

在实际生活中，相关的检测人们是否规范佩戴口罩的方法需要消耗大量的人力资源或计算资源，检测效率低且检测结果的精度不高。

本申请实施例的目的之一在于：提供一种佩戴口罩的检测方法、装置、终端设备及可读存储介质，旨在解决相关检测人们是否规范佩戴口罩的方法，需要消耗大量的人力资源或计算资源，检测效率低且检测结果的精度不高的问题。

为解决上述技术问题，本申请实施例采用的技术方案是：

第一方面，提供了一种佩戴口罩的检测方法，包括：

获取待识别图像；

对待识别图像进行处理，获得包含人脸轮廓的掩码图像；

对所述掩码图像进行处理，获得与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果。

在一个实施例中，所述对待识别图像进行处理，获得包含人脸轮廓的掩码图像，包括：

将所述待识别图像输入人脸分割网络模型进行处理，获得包含人脸轮廓的掩码图像。

在一个实施例中，所述对所述掩码图像进行处理，获得与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果，包括：

通过佩戴口罩识别网络模型对所述掩码图像进行处理，获得所述佩戴口罩识别网络模型的输出结果；

根据所述输出结果确定与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果。

在一个实施例中，所述输出结果包括与所述人脸轮廓对应的用户规范佩戴口罩的第一概率值、与所述人脸轮廓对应的用户未规范佩戴口罩的第二概率值以及与所述人脸轮廓对应的用户未佩戴口罩的第三概率值；

所述根据所述输出结果确定与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果，包括：

在检测到所述输出结果中，所述第一概率值大于所述第二概率值及所述第三概率值时，判定所述检测结果为所述用户规范佩戴口罩；

在检测到所述输出结果中，所述第二概率值大于所述第一概率值及所述第三概率值时，判定所述检测结果为所述用户未规范佩戴口罩；

在检测到所述输出结果中，所述第三概率值大于所述第一概率值及所述第二概率值时，判定所述检测结果为所述用户未佩戴口罩。

在一个实施例中，所述方法，还包括：

获取多个人脸图像数据；其中，所述人脸图像数据包括规范佩戴口罩的人脸图像数据、未规范佩戴口罩的人脸图像数据及未佩戴口罩的人脸图像数据；

根据所述人脸分割网络模型对所述人脸图像数据进行处理，获得对应的掩码图像训练数据；

根据所述掩码图像训练数据对卷积神经网络模型进行预训练，获得所述佩戴口罩识别网络模型。

在一个实施例中，所述方法，还包括：

获取训练图像数据；其中，所述训练图像数据为包含人脸的图像数据；

通过所述训练图像数据对语义分割模型进行预训练，获得所述人脸分割网络模型。

在一个实施例中，所述对所述掩码图像进行处理，获得与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果之后，还包括：

在检测到检测结果为所述用户未规范佩戴口罩或所述用户未佩戴口罩时，对所述待识别图像进行人脸识别，确定所述用户的人脸识别结果。

第二方面，提供了一种佩戴口罩的检测装置，包括：

第一获取模块，用于获取待识别图像；

图像处理模块，用于对待识别图像进行处理，获得包含人脸轮廓的掩码图像；

检测模块，用于对所述掩码图像进行处理，获得与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果。

第三方面，提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的佩戴口罩的检测方法。

第四方面，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有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的佩戴口罩的检测方法。

第五方面，提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的佩戴口罩的检测方法。

本申请实施例提供的佩戴口罩的检测方法的有益效果在于：通过对待识别图像进行处理，获得包含人脸轮廓的掩码图像，并通过佩戴口罩检测网络模型对掩码图像进行检测，获得用户是否规范佩戴口罩的概率，从而判定用户是否规范佩戴口罩的检测结果，减小了计算量，提高了检测效率及检测结果的精度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或示范性技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本申请实施例提供的佩戴口罩的检测方法的流程示意图；

图2是本申请实施例提供的佩戴口罩的检测方法步骤S103的流程示意图；

图3是本申请实施例提供的佩戴口罩的检测方法步骤S1032的流程示意图；

图4是本申请实施例提供的佩戴口罩的检测方法的另一流程示意图；

图5是本申请实施例提供的佩戴口罩的检测装置的结构示意图；

图6是本申请实施例提供的终端设备的结构示意图。

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本申请。

术语“第一”、“第二”仅用于便于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明技术特征的数量。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

为了说明本申请所提供的技术方案，以下结合具体附图及实施例进行详细说明。

本申请的一些实施例提供佩戴口罩的检测方法可以应用于手机、平板电脑、可穿戴设备、车载设备、笔记本电脑等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。

图1示出了本申请提供的佩戴口罩的检测方法的示意性流程图，作为示例而非限定，该方法可以应用于上述笔记本电脑中。

S101、获取待识别图像。

在具体应用中，通过预先设置的摄像头对用户进行拍摄，获得包含用户人脸的待识别图像数据。

S102、对待识别图像进行处理，获得包含人脸轮廓的掩码图像。

在具体应用中，通过人脸分割网络模型对包含人脸的待识别图像进行处理，获得人脸分割网络模型输出的包含用户的人脸轮廓的掩码图像。

S103、对所述掩码图像进行处理，获得与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果。

在具体应用中，通过佩戴口罩识别网络模型对包含用户的人脸轮廓的掩码图像进行处理，获得佩戴口罩识别网络模型输出的与人脸轮廓对应的用户是否规范佩戴口罩的检测结果。为提高检测精度，设定检测结果包含用户规范佩戴口罩、用户为佩戴口罩及用户未规范佩戴口罩三种情况的概率值。其中，用户规范佩戴口罩是指用户根据医学规定规范佩戴口罩的情况，用户未规范佩戴口罩是指用户已佩戴口罩，但未按照医学规定遮住口、鼻等重要部位的情况。

在一个实施例中，所述步骤S102，包括：

将所述待识别图像输入人脸分割网络模型进行处理，获得包含人脸轮廓的掩码图像。

在具体应用中，将拍摄获得的待识别图像输入人脸分割网络模型，通过人脸分割网络模型对待识别图像进行处理，获得包含用户的人脸轮廓的掩码图像。其中，人脸分割网络模型包括但不限于语义分割(semantic segmentation)网络模型。

在具体应用中，掩码图像中包含的人脸轮廓的区域可以根据实际需求进行设定。例如，上述人脸轮廓可以指整个人脸区域的轮廓，或者仅包含用于识别用户是否规范佩戴口罩的部分人脸区域的轮廓(一般情况下，识别用户是否规范佩戴口罩的区域为双眼以下的人脸区域)。

如图2所示，在一个实施例中，所述步骤S103，包括：

S1031、通过佩戴口罩识别网络模型对所述掩码图像进行处理，获得所述佩戴口罩识别网络模型的输出结果；

S1032、根据所述输出结果确定与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果。

在具体应用中，通过佩戴口罩识别网络模型对包含人脸轮廓的掩码图进行处理，获得佩戴口罩识别网络输出的用户是否佩戴口罩及是否规范佩戴口罩的概率值，根据上述输出结果确定与人脸轮廓对应的是否规范佩戴口罩的检测结果。其中，佩戴口罩识别网络模型包括但不限于卷积神经网络模型(Convolutional Neural Networks，CNN)。

在本实施例中，根据输出结果确定与人脸轮廓对应的用户是否规范佩戴口罩的检测结果，包括：

确定佩戴口罩识别网络模型的输出结果中的最大概率值，根据最大概率值确定与人脸轮廓对应的用户是否规范佩戴口罩的检测结果。

在一个实施例中，所述输出结果包括与所述人脸轮廓对应的用户规范佩戴口罩的第一概率值、与所述人脸轮廓对应的用户未规范佩戴口罩的第二概率值以及与所述人脸轮廓对应的用户未佩戴口罩的第三概率值。

在具体应用中，佩戴口罩识别网络模型的输出结果包括与人脸轮廓对应的用户规范佩戴口罩的第一概率值、与人脸轮廓对应的用户未规范佩戴口罩的第二概率值以及与人脸轮廓对应的用户未佩戴口罩的第三概率值。其中，第一概率值、第二概率值及第三概率值的总和为1。

如图3所示，在一个实施例中，所述步骤S1032，包括：

S10321、在检测到所述输出结果中，所述第一概率值大于所述第二概率值及所述第三概率值时，判定所述检测结果为所述用户规范佩戴口罩；

S10322、在检测到所述输出结果中，所述第二概率值大于所述第一概率值及所述第三概率值时，判定所述检测结果为所述用户未规范佩戴口罩；

S10323、在检测到所述输出结果中，所述第三概率值大于所述第一概率值及所述第二概率值时，判定所述检测结果为所述用户未佩戴口罩。

在具体应用中，在检测到佩戴口罩识别网络模型的输出结果中，第一概率值大于第二概率值及第三概率值(也即检测到第一概率值最大)时，判定检测结果为用户规范佩戴口罩；在检测到输出结果中，第二概率值大于第一概率值及第三概率值(也即将检测到第二概率值最大)时，判定检测结果为用户未规范佩戴口罩；在检测到输出结果中，第三概率值大于第一概率值及第二概率值(也即检测到第三概率值最大)时，判定检测结果为用户未佩戴口罩。

例如，检测到佩戴口罩识别网络模型的输出结果为[0.1，0.8，0.1]时，判定检测结果为用户未规范佩戴口罩。

在一个实施例中，所述方法，还包括：

获取多个人脸图像数据；其中，所述人脸图像数据包括规范佩戴口罩的人脸图像数据、未规范佩戴口罩的人脸图像数据及未佩戴口罩的人脸图像数据；

根据所述人脸分割网络模型对所述人脸图像数据进行处理，获得对应的掩码图像训练数据；

根据所述掩码图像训练数据对卷积神经网络模型进行预训练，获得所述佩戴口罩识别网络模型。

在具体应用中，获取大量的人脸图像数据，根据人脸分割网络模型对人脸图像数据进行处理，获得对应的包含人脸轮廓的掩码图像训练数据，通过掩码图像训练数据对卷积神经网络模型进行预训练，获得佩戴口罩识别网络模型，使佩戴口罩识别网络模型能够对输入的图像进行处理，获得对应的规范佩戴口罩的第一概率值、未规范佩戴口罩的第二概率值以及未佩戴口罩的第三概率值。其中，人脸图像数据包括规范佩戴口罩的人脸图像数据、未规范佩戴口罩的人脸图像数据及未佩戴口罩的人脸图像数据。

在本实施例中，根据人脸分割网络模型对人脸图像数据进行处理，获得对应的掩码图像训练数据之后，包括：根据每个人脸图像数据的类型对对应的掩码图像训练数据添加对应的标签，以便于根据人脸分割图像数据对卷积神经网络模型进行预训练。例如，在根据人脸分割网络模型对规范佩戴口罩的人脸图像数据进行处理，获得对应的掩码图像训练数据时，应对该掩码图像训练数据添加“规范佩戴口罩”的标签；在根据人脸分割网络模型对未规范佩戴口罩的人脸图像数据进行处理，获得对应的掩码图像训练数据时，应对该掩码图像训练数据添加“未规范佩戴口罩”的标签；在根据人脸分割网络模型对未佩戴口罩的人脸图像数据进行处理，获得对应的掩码图像训练数据时，应对该掩码图像训练数据添加“未佩戴口罩”的标签。

在一个实施例中，对语义分割网络模型进行预训练，包括：通过分割损失函数(如基于交叉熵的分割损失函数)计算损失，通过梯度下降算法将损失进行梯度反向传播，以更新计算语义分割网络模型中每一层的权重参数，直至整个语义分割网络模型收敛，获得预训练后的人脸分割网络模型。

在一个实施例中，所述方法，还包括：

获取训练图像数据；其中，所述训练图像数据为包含人脸的图像数据；

通过所述训练图像数据对语义分割模型进行预训练，获得所述人脸分割网络模型。

在具体应用中，获取大量的包含人脸的图像数据，作为训练图像数据，通过上述训练图像数据对语义分割网络模型进行预训练，获得人脸分割网络模型，使人脸分割网络模型在对输入的图像数据进行处理后，输出包含人脸轮廓的掩码图像。

在一个实施例中，设定在分别对语义分割网络模型进行预训练，获得的人脸分割网络模型，及对卷积神经网络进行预训练，获得佩戴口罩识别网络模型和人脸分割网络模型后，将佩戴口罩识别网络模型嫁接至人脸分割网络模型上，合并成一个网络模型，需要说明的是，人脸分割网络模型的输出结果的大小应与佩戴口罩识别网络模型的输入数据的大小相同。其中，在预训练过程中，设定人脸分割网络模型的损失函数包括但不限于分割损失函数和分类损失函数，佩戴口罩的识别网络模型的损失函数包括但不限于分类损失函数。

在一个实施例中，设定预先将语义分割网络模型与卷积神经网络模型融合成为一个网络模型，然后首先对该模型中的语义分割网络模型进行预训练，获得人脸分割网络模型后，再对该模型中的卷积神经网络模型进行预训练，获得卷积神经网络模型。

如图4所示，在一个实施例中，所述步骤S103之后，还包括：

S104、在检测到检测结果为所述用户未规范佩戴口罩或所述用户未佩戴口罩时，对所述待识别图像进行人脸识别，确定所述用户的人脸识别结果。

在具体应用中，在检测到检测结果为用户未规范佩戴口罩或用户未佩戴口罩时，通过人脸识别算法对待识别图像进行人脸识别，确定待识别图像中用户的人脸识别结果，便于通知该用户规范佩戴口罩，并进行相应的后续处理。

本实施例通过对待识别图像进行处理，获得包含人脸轮廓的掩码图像，并通过佩戴口罩检测网络模型对掩码图像进行检测，获得用户是否规范佩戴口罩的概率，从而判定用户是否规范佩戴口罩的检测结果，减小了计算量，提高了检测效率及检测结果的精度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的佩戴口罩的检测方法，图5示出了本申请实施例提供的佩戴口罩的检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

在本实施例中，佩戴口罩的检测装置包括：处理器，其中，所述处理器用于执行存在存储器的以下程序模块：第一获取模块，用于获取待识别图像；图像处理模块，用于对待识别图像进行处理，获得包含人脸轮廓的掩码图像；检测模块，用于对所述掩码图像进行处理，获得与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果。

参照图5，该佩戴口罩的检测装置100包括：

第一获取模块101，用于获取待识别图像；

图像处理模块102，用于对待识别图像进行处理，获得包含人脸轮廓的掩码图像；

检测模块103，用于对所述掩码图像进行处理，获得与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果。

在一个实施例中，所述图像处理模块102，包括：

第一处理单元，用于将所述待识别图像输入人脸分割网络模型进行处理，获得包含人脸轮廓的掩码图像。

在一个实施例中，所述检测模块103，包括：

第二处理单元，用于通过佩戴口罩识别网络模型对所述掩码图像进行处理，获得所述佩戴口罩识别网络模型的输出结果；

确定单元，用于根据所述输出结果确定与所述人脸轮廓对应的用户是否规范佩戴口罩的检测结果。

在一个实施例中，所述输出结果包括与所述人脸轮廓对应的用户规范佩戴口罩的第一概率值、与所述人脸轮廓对应的用户未规范佩戴口罩的第二概率值以及与所述人脸轮廓对应的用户未佩戴口罩的第三概率值。

在一个实施例中，所述确定单元，包括：

第一检测子单元，用于在检测到所述输出结果中，所述第一概率值大于所述第二概率值及所述第三概率值时，判定所述检测结果为所述用户规范佩戴口罩；

第二检测子单元，用于在检测到所述输出结果中，所述第二概率值大于所述第一概率值及所述第三概率值时，判定所述检测结果为所述用户未规范佩戴口罩；

第三检测子单元，用于在检测到所述输出结果中，所述第三概率值大于所述第一概率值及所述第二概率值时，判定所述检测结果为所述用户未佩戴口罩。

在一个实施例中，所述佩戴口罩的检测装置100，还包括：

第二获取模块，用于获取多个人脸图像数据；其中，所述人脸图像数据包括规范佩戴口罩的人脸图像数据、未规范佩戴口罩的人脸图像数据及未佩戴口罩的人脸图像数据；

预处理模块，用于根据所述人脸分割网络模型对所述人脸图像数据进行处理，获得对应的掩码图像训练数据；

第一训练模块，用于根据所述掩码图像训练数据对卷积神经网络模型进行预训练，获得所述佩戴口罩识别网络模型。

在一个实施例中，所述佩戴口罩的检测装置100，还包括：

第三获取模块，用于获取训练图像数据；其中，所述训练图像数据为包含人脸的图像数据；

第二训练模块，用于通过所述训练图像数据对语义分割模型进行预训练，获得所述人脸分割网络模型。

在一个实施例中，所述佩戴口罩的检测装置100，还包括：

人脸识别模块，用于在检测到检测结果为所述用户未规范佩戴口罩或所述用户未佩戴口罩时，对所述待识别图像进行人脸识别，确定所述用户的人脸识别结果。

本实施例通过对待识别图像进行处理，获得包含人脸轮廓的掩码图像，并通过佩戴口罩检测网络模型对掩码图像进行检测，获得用户是否规范佩戴口罩的概率，从而判定用户是否规范佩戴口罩的检测结果，减小了计算量，提高了检测效率及检测结果的精度。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图6为本申请一实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个佩戴口罩的检测方法实施例中的步骤。

所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。

所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字卡(Secure Digital,SD)，闪存卡(Flash Card)等。所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以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。专业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申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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。

以上仅为本申请的可选实施例而已，并不用于限制本申请。对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，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。