一种基于重参数化的关键点检测方法和装置

技术领域

本申请实施例涉及计算机视觉技术领域，尤其涉及一种基于重参数化的关键点检测方法和装置。

背景技术

关键点检测领域包括人脸关键点、人体关键点、特定类别物体(如手骨)关键点检测等。其中，人体骨骼关键点检测是比较热门，难度系数较高，且应用非常广泛的一个研究领域，人体骨骼关键点检测是诸多计算机视觉任务的基础，例如姿态估计，行为识别，人机交互，虚拟现实，智能家居，以及无人驾驶等等。

对于关键点检测任务，图像各个像素点之间完整的空间关系以及高层抽象语意信息是深度神经网络能取得更好预测性能的关键，当前主流的关键点检测模型(如HRNet)引入了多分辨率特征的设计思路构建多分支结构，具体地，主分支分辨率始终保持输入图像的分辨率，这样即可始终准确保持各个像素点之间的空间位置关系，各个子分支依次进行降采样从而得到高层语意信息，再通过特征融合结构融合不同分支的特征以同时兼顾精准位置信息和强语义信息。

使用多分支的关键点检测结构确实能够使得深度神经网络取得显著的性能提升。但是，多分支结构不可避免的引入了大量的计算复杂度，大量的计算复杂度并不适用于实时性要求比较高的嵌入式设备，如虚拟现实(Virtual Reality，VR)眼镜，智能手机等。

发明内容

本申请实施例提供一种基于重参数化的关键点检测方法和装置，通过采用轻量化的深度可分离卷积，降低了关键点检测模型的复杂度，使得模型适用于实时性要求比较高的嵌入式设备，同时为了使得模型在轻量化的前提下保持高性能，引入重参数化技术来增强模型的表达能力，但是在推理阶段又不会引入额外的计算复杂度。

第一方面，本申请实施例提供一种基于重参数化的关键点检测方法，所述方法包括：

使用训练集对关键点检测模型进行训练，所述关键点检测模型的卷积操作采用深度可分离卷积，所述深度可分离卷积包括深度卷积和逐点卷积；

使用重参数化方法对训练得到的关键点检测模型的参数进行合并；

将输入图像输入重参数化后的所述关键点检测模型，得到所述输入图像中的关键点信息。

在一些实施例中，所述使用训练集对关键点检测模型进行训练，包括：

为所述深度卷积增加并行的至少一个分支，为所述逐点卷积增加并行的至少一个分支，所述深度卷积的至少一个分支与所述深度卷积为线性关系，所述逐点卷积的至少一个分支与所述逐点卷积为线性关系；

使用所述训练集对所述关键点检测模型进行训练。

在一些实施例中，所述使用重参数化方法对训练得到的所述关键点检测模型的参数进行合并，包括：

将训练得到的所述关键点检测模型中的所述深度卷积的至少一个分支合并至所述深度卷积；

将训练得到的所述关键点检测模型中的所述逐点卷积的至少一个分支合并至所述逐点卷积。

在一些实施例中，所述深度卷积增加了两个分支，所述逐点卷积增加了一个分支。

在一些实施例中，所述深度卷积增加的两个分支为：第一分支和第二分支，所述第一分支为一个卷积核为1的深度卷积和一个批归一化层，所述第二分支为一个批归一化层。

在一些实施例中，所述逐点卷积增加的分支为一个批归一化层。

在一些实施例中，所述深度卷积和所述逐点卷积之间还包括一个批归一化层和一个激活函数。

在一些实施例中，所述逐点卷积之后还包括一个批归一化层和一个激活函数。

在一些实施例中，所述关键点检测模型为NRNet，所述NRNet包括4个阶段，每个阶段包括基本结构和过渡结构，其中，所述基本结构和所述过渡结构的卷积操作采用所述深度可分离卷积。

另一方面，本申请实施例提供一种基于重参数化的关键点检测装置，包括：

训练模块，用于使用训练集对关键点检测模型进行训练，所述关键点检测模型的卷积操作采用深度可分离卷积，所述深度可分离卷积包括深度卷积和逐点卷积；

重参数化模块，用于使用重参数化方法对训练得到的关键点检测模型的参数进行合并；

检测模块，用于将输入图像输入重参数化后的所述关键点检测模型，得到所述输入图像中的关键点信息。

另一方面，本申请实施例提供一种电子设备，所述电子设备包括：处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行如上述任一项所述的方法。

另一方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序使得计算机执行如上述任一项所述的方法。

另一方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的方法。

本申请实施例提供的基于重参数化的关键点检测方法和装置，使用训练集对关键点检测模型进行训练，该关键点检测模型的卷积操作采用深度可分离卷积，使用重参数化方法对训练得到的关键点检测模型的参数进行合并，使用重参数化后的关键点检测模型进行关键点检测，通过采用轻量化的深度可分离卷积，降低了关键点检测模型的复杂度，使得该模型适用于实时性要求比较高的嵌入式设备，同时为了使得模型在轻量化的前提下保持高性能，引入重参数化技术来增强模型的表达能力，但是在推理阶段又不会引入额外的计算复杂度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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他的附图。

图1为NRNet的一种拓扑结构示意图；

图2为本申请实施例一提供的基于重参数化的关键点检测方法的流程图；

图3为关键点检测模型的卷积层的对比示意图；

图4为关键点检测模型在训练过程和推理过程的结构对比示意图；

图5为本申请实施例二提供的一种基于重参数化的关键点检测装置的结构示意图；

图6为本申请实施例三提供的电子设备的一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请实施例提供一种基于重参数化的关键点检测方法，采用轻量化的关键点检测模型，模型的计算复杂度低，可以应用在实时性要求比较高的嵌入式设备，如扩展现实(Extended Reality，XR)设备、智能手机等。该关键点检测模型可以用于人脸、人体或者关键部位等的关键点检测。

XR是指通过计算机将真实与虚拟相结合，打造一个可人机交互的虚拟环境，XR也是虚拟现实(Virtual Reality，VR)、增强现实(Augmented Reality，AR)和混合现实(MixedReality，MR)等多种技术的统称。通过将三者的视觉交互技术相融合，为体验者带来虚拟世界与现实世界之间无缝转换的“沉浸感”。

XR设备通常可以提供为眼镜、头盔式显示器(Head Mount Display，HMD)、隐形眼镜的形态，以用于实现视觉感知和其他形式的感知，当然XR设备实现的形态不限于此，根据需要可以进一步小型化或大型化。

以人体关键点检测为例，不同模型中人体关键点的数量不同，示例性的，人体关键点包括24个关键点：头部节点、颈部节点、左领口节点、右领口节点、左肩节点、右肩节点、3个颈椎节点、盆骨节点、左肘节点、右肘节点、左腕节点、右腕节点、左手、右手、左臀节点、右臀节点、左膝节点、右膝节点、左踝节点、右踝节点、左脚和右脚。

示例性的，常用的人体关键点检测模型为NRNet，图1为NRNet的一种拓扑结构示意图，如图1所示，NRNet包括4个阶段(stage)，每个阶段包括基本结构(也称为基本模块)和过渡结构(也称为过渡模块)，过渡阶段用于连接两个阶段，每次从上一阶段过渡到下一阶段都会增加一个降低一半分辨率的子网，增加的子网与已有子网并行。其中，基本结构用于提取特征信息，过渡阶段用于接收来自其他平行子网的信息，进行信息交换和融合。

NRNet可以在整个过程中保持高分辨率表达，从一个高分辨率子网络开始作为stage1，逐渐一个个地增加high-to-low resolution子网络构成更多的阶段，然后将多分辨率子网并行连接，其中，high-to-low resolution网络用于从高分辨输入中获得低分辨特征图(feature map)。在整个过程中，一遍又一遍地在并行的多分辨率子网中交换信息，以此来完成重复的多尺度融合过程。最后在网络输出的高分辨率特征图上估计关键点，使得估计得到的关键点的热图(heatmap)更加准确。

现有的NRNet的基本结构和过渡结构的卷积操作通常采用标准卷积(或称为普通卷积)，即conv3*3，例如，基本结构通常需要两个3*3卷积，一个3*3的标准卷积当步长为1时会生成一个与输入特征图同样大小的特征图，当输入一个高分辨的图片时，标准卷积会产生巨大的参数量和计算量。

为了解决现有技术的问题，本申请实施例提供一种基于重参数化的关键点检测方法，该方法采用轻量化的关键点检测模型，轻量化的关键点检测模型的卷积操作采用深度可分离卷积(depthwise separable convolution)代替标准卷积，从而降低了关键点检测模型的参数量和计算量，另外，在降低关键点检测模型的参数量和计算量的同时，为了保持关键点检测模型的性能不下降，采用重参数化方法进行模型训练。

深度可分离卷积通过拆分空间维度和通道(深度)维度的相关性，减少了卷积计算所需要的参数个数，并在一些研究中被证实提升了卷积核参数的使用效率。

深度可分离卷积包括一个深度卷积(depthwise，DW))和一个逐点卷积(pointwise，PW)，DW先对输入特征(即特征图)进行卷积运算，输入特征各个通道特征使用不同的卷积核，再使用PW聚合不同通道的特征。相比常规的卷积操作，其参数数量和运算成本比较低。

DW使用多个不同卷积核对输入特征进行计算，一个卷积核负责一个通道，DW输出的特征图的通道数和输入特征的通道数完全一样。

由于DW对输入特征的每个通道独立进行卷积运算，没有有效的利用不同通道在相同空间位置上的特征信息，因此需要PW来将这些特征图进行组合生成新的特征图。PW的运算与常规卷积运算非常相似，它的卷积核的尺寸为1×1×M，M为上一层的通道数，这里的卷积运算会将上一步的特征图在深度方向上进行加权组合，生成新的特征图。

重参数化是模型压缩的一种常用方法，在训练阶段采用多分支的网络使模型获取更好的特征表达，在推理阶段测试将并行融合成串行，从而降低计算量和参数量，提升速度，可以理解，模型融合后理论上和融合前识别效果一样，实际基本都是稍微降低一点点。

图2为本申请实施例一提供的基于重参数化的关键点检测方法的流程图，本实施例的方法可以由执行关键点检测的电子设备执行，如图2所示，该基于重参数化的关键点检测方法包括以下步骤：

S101、使用训练集对关键点检测模型进行训练，该关键点检测模型的卷积操作采用深度可分离卷积，该深度可分离卷积包括深度卷积和逐点卷积。

该关键点检测模型可以是现有的任意一种用于进行关键点检测的卷积网络模型，包括但不限于：NRNet、残差结构网络(residualNet，RseNet)或者视觉几何组(VisualGeometry Group VGG)。

关键点检测模型中有很多卷积操作，本实施例中，将关键点检测模型的标准卷积替换为轻量化的深度可分离卷积，该深度可分离卷积包括DW和PW，DW先对输入特征进行卷积运算，输入特征各个通道特征使用不同的卷积核，再使用PW聚合不同通道的特征。

通过使用深度可分离卷积降低了卷积的参数量和计算量，其中，卷积的计算量＝C

假设标准卷积和深度可分离卷积的卷积核的大小相同，那么标准卷积的计算量＝C

可选的，为了增加模型表达能力，在DW和PW之间还包括一个批归一化层(BatchNormalization，BN)和一个激活函数。BN将每一层的输出数据转化为正态分布，使后续网络层不用再学习前一层的数据分布，降低了后续网络对前面网络的依赖性，提高了网络的反馈能力。该激活函数包括但不限于ReLU激活函数、Sigmoid函数或者Tanh函数。

BN可以放在激活层之前，可以有效避免归一化破坏非线性特征的分布，另外，BN还可以使数据点尽量不落入激活函数的饱和区域，缓解梯度消失的问题。对于ReLU激活函数，由于没有Sigmoid函数、Tanh函数的那些问题，因此也可以把BN放在激活层之后，避免数据在激活层之前被转化成相似的模式从而使得非线性特征分布趋于同化。

可选的，逐点卷积之后还包括一个BW和一个激活函数。图3为关键点检测模型的卷积层的对比示意图，左侧图为采用标准卷积的卷积层，右侧图为采用深度可分离卷积的卷积层，图3中以标准卷积和DW均采用3*3卷积核，PW为一个1*1卷积(即conv1*1)。

可以理解，本申请实施例不对DW的卷积核的大小进行限制，图3只是举例说明，还可以采用其他大小的卷积核，例如DW采用5*5或者7*7大小的卷积核。

将标准卷积替换成深度可分离卷积后，模型计算复杂度显著下降，但是也不可避免的因为模型参数和计算量的下降使得模型表达能力下降。为了使得关键点检测模型在轻量化的前提下保持高性能，本实施例进一步引入重参数化技术来增强模型的表达能力，但是在推理阶段又不会引入额外的计算复杂度。

在使用重参数化方法进行训练时，在训练阶段为DW增加并行的至少一个分支，为PW增加并行的至少一个分支，DW的至少一个分支与DW为线性关系，PW的至少一个分支与PW为线性关系，使用训练集对该关键点检测模型进行训练。通过为DW和PW增加分支，提高了模型的表达能力。

训练集中包括大量的训练样本，训练样本中包括标注信息，标注信息标注了待检测目标的关键点，以人体关键点检测为例，可以通过人工或者机器标注人体的各个关键点。

为了增强数据的复杂程度，可以对训练集的数据进行增强处理，例如，对训练集中的图片进行随机旋转、随机缩放、随机翻转等处理。

S102、使用重参数化方法对训练得到的关键点检测模型的参数进行合并。

在训练阶段为DW和PW增加的分支与DW和PW是线性关系，从而才能够在模型的推理阶段通过线性变化将旁路分合并到主干，完成对模型参数的合并。

本实施例中，在推理阶段，将训练得到的关键点检测模型中的DW的至少一个分支合并至DW，将训练得到的关键点检测模型中的PW的至少一个分支合并至PW。

示例性的，为DW增加了两个分支：第一分支和第二分支，第一分支为一个卷积核为1的DW和一个BN，第二分支为一个BN。为PW增加一个分支，该分支为BN。

一种实现方式中，在进行合并时，将主干的DW的参数与分支的DW的参数进行合并，将主干的BN与分支的BN进行合并。具体的，将主干的DW的参数与第一分支的DW的参数进行合并，将主干的DW的BN的参数与第一分支、第二分支的BN的参数进行合并；将主干的PW的BN的参数与分支的BN的参数进行合并。

另一种实现方式中，也可以将BN与DW、PN合并，例如，将主干DW的两个分支的DW和BN均合并到主干DW。

主干和分支的具体合并方式本申请实施例不对此进行限制，可以采用已有的合并方式进行合并。

图4为关键点检测模型在训练过程和推理过程的结构对比示意图，如图4所示，在训练过程为DW增加了两个分支，为PW增加了一个分支，在推理过程通过重参数化方法，将增加的分支都合并到了对应的主干，使得最终得到的关键点检测模型的性能与原始模型的性能相当。

S103、将输入图像输入重参数化后的关键点检测模型，得到输入图像中的关键点信息。

重参数化后的关键点检测模型即最终部署的关键点检测模型，输入一副图像后，最终能够得到图像中的关键点信息。

以关键点检测模型采用NRNet模型为例，NRNet模型的基本结构和过渡结构的卷积操作均可以采用深度可分离卷积，通过使用深度可分离卷积代替标准卷积，使得NRNet模型的参数量和计算量均降低，并且采用重参数化进行模型训练，从而使得NRNet模型在轻量化的前提下，性能也能够保持。

本实施例提供的方法，使用训练集对关键点检测模型进行训练，该关键点检测模型的卷积操作采用深度可分离卷积，使用重参数化方法对训练得到的关键点检测模型的参数进行合并，使用重参数化后的关键点检测模型进行关键点检测，通过采用轻量化的深度可分离卷积，降低了关键点检测模型的复杂度，使得该模型适用于实时性要求比较高的嵌入式设备，同时为了使得模型在轻量化的前提下保持高性能，引入重参数化技术来增强模型的表达能力，但是在推理阶段又不会引入额外的计算复杂度。

为便于更好的实施本申请实施例的基于重参数化的关键点检测方法，本申请实施例还提供一种基于重参数化的关键点检测装置。图5为本申请实施例二提供的一种基于重参数化的关键点检测装置的结构示意图，如图5所示，该基于重参数化的关键点检测装置100可以包括：

训练模块11，用于使用训练集对关键点检测模型进行训练，所述关键点检测模型的卷积操作采用深度可分离卷积，所述深度可分离卷积包括深度卷积和逐点卷积；

重参数化模块12，用于使用重参数化方法对训练得到的关键点检测模型的参数进行合并；

检测模块13，用于将输入图像输入重参数化后的所述关键点检测模型，得到所述输入图像中的关键点信息。

在一些实施例中，所述训练模块11具体用于：

为所述深度卷积增加并行的至少一个分支，为所述逐点卷积增加并行的至少一个分支，所述深度卷积的至少一个分支与所述深度卷积为线性关系，所述逐点卷积的至少一个分支与所述逐点卷积为线性关系；

使用所述训练集对所述关键点检测模型进行训练。

在一些实施例中，所述重参数化模块12具体用于：

将训练得到的所述关键点检测模型中的所述深度卷积的至少一个分支合并至所述深度卷积；

将训练得到的所述关键点检测模型中的所述逐点卷积的至少一个分支合并至所述逐点卷积。

在一些实施例中，所述深度卷积增加了两个分支，所述逐点卷积增加了一个分支。

在一些实施例中，所述深度卷积增加的两个分支为：第一分支和第二分支，所述第一分支为一个卷积核为1的深度卷积和一个批归一化层，所述第二分支为一个批归一化层。

在一些实施例中，所述逐点卷积增加的分支为一个批归一化层。

在一些实施例中，所述深度卷积和所述逐点卷积之间还包括一个批归一化层和一个激活函数。

在一些实施例中，所述逐点卷积之后还包括一个批归一化层和一个激活函数。

在一些实施例中，所述关键点检测模型为NRNet，所述NRNet包括4个阶段，每个阶段包括基本结构和过渡结构，其中，所述基本结构和所述过渡结构的卷积操作采用所述深度可分离卷积。

应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。

上文中结合附图从功能模块的角度描述了本申请实施例的装置100。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例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。可选地，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、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。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方法实施例中的步骤。

本申请实施例还提供一种电子设备。图6为本申请实施例三提供的电子设备的一种结构示意图，如图6所示，该电子设备200可以包括：

存储器21和处理器22，该存储器21用于存储计算机程序，并将该程序代码传输给该处理器22。换言之，该处理器22可以从存储器21中调用并运行计算机程序，以实现本申请实施例中的方法。

例如，该处理器22可用于根据该计算机程序中的指令执行上述方法实施例。

在本申请的一些实施例中，该处理器22可以包括但不限于：

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)、现场可编程门阵列(FieldProgrammable 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、分立硬件组件等等。

在本申请的一些实施例中，该存储器21包括但不限于：

易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。

在本申请的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器21中，并由该处理器22执行，以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备中的执行过程。

如图6所示，该电子设备200还可包括：收发器23，该收发器23可连接至该处理器22或存储器21。

其中，处理器22可以控制该收发器23与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器23可以包括发射机和接收机。收发器23还可以进一步包括天线，天线的数量可以为一个或多个。

可以理解，虽然图6中未示出，该电子设备200还可以包括摄像头模组、无线保真WIFI模块、定位模块、蓝牙模块、显示器、控制器等，在此不再赘述。

应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。

本申请还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。

本申请还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得电子设备执行本申请实施例中的结合语义信息的地图重定位方法中的相应流程，为了简洁，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，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模块来实现本实施例方案的目的。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。

以上该，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。