毫米波雷达的残影消除方法、装置及计算机可读介质

技术领域

本发明涉及雷达技术领域，特别涉及毫米波雷达的残影消除方法、装置及计算机可读介质。

背景技术

室内活动目标检测对于智慧城市概念来说是重要的基础感知探测技术之一，通过检测建筑内人员活动情况以实现相关智能设备的智能化控制。

应用毫米波雷达进行活动人员检测具有不泄露隐私、精度高和受环境干扰小等优点，但实际的应用场景中存在多种导致产生目标残影的情况，比如室内家具布局的遮挡、多目标的穿插活动等，其产生的残影会影响毫米波雷达检测结果的准确性。

发明内容

本发明实施例提供了毫米波雷达的残影消除方法、装置及计算机可读介质，能够提高毫米波雷达检测结果的准确性。

第一方面，本发明实施例提供了毫米波雷达的残影消除方法，包括：

在每个检测时间点，均执行：

获取毫米波雷达输出的点云集；

判断该点云集中是否包括目标点云云团；该目标点云云团满足：在之前检测时间点获取的点云集中出现过；

如果包括目标点云云团，提取该目标点云云团的特征数据；

将该目标点云云团的特征数据输入预先训练的分类器中；该分类器通过作为输入的样本点云云团的特征数据与作为输出的样本分类结果，训练得到；

得到该分类器输出的分类结果；

当所述分类结果为残影时，消除所述点云集中的该目标点云云团。

优选地，

该目标点云云团满足：在之前N个连续或不连续的检测时间点获取的点云集中出现过；N为正整数。

优选地，

在确定包括目标点云云团之后，并在提取目标点云云团的特征数据之前，还包括：

判断点云集中是否存在能够与目标点云云团融合的点云；

如果存在，则将该点云融合到该目标点云云团中；

所述提取目标点云云团的特征数据包括：对融合后得到的目标点云云团进行特征提取。

优选地，

判断点云集中是否存在能够与目标点云云团融合的点云，包括：

对于点云集中每个所述目标点云云团之外的点云，均执行：

在以毫米波雷达为原点的二维坐标系下，通过下述第一式子，确定确定该点云在所述二维坐标系中的坐标：

所述第一式子包括：

其中，Xa、Ya分别为该点云在二维坐标系中的横坐标和纵坐标，La为该点云与所述毫米波雷达的距离，θa为在所述二维坐标系中点云与

所述毫米波雷达形成的方位角；

通过以下第二式子，计算该点云与所述目标点云云团的距离；

所述第二式子包括：

其中，Xt和Yt分别为所述目标点云云团在二维坐标系中的横坐标

与纵坐标，Dat为该点云与目标点云云团的距离值；

确定该点云与所述目标点云云团的距离值是否不超过预设的距离阈值，若是，则确定该点云与所述点云云团能够融合，若否，则确

定该点云为噪点并清除该点云。

优选地，

所述分类器通过如下方式训练：

获取样本点云云团特征数据样本集和残影特征数据样本集；其中，所述样本点云云团特征数据样本集中包括点云云团对应的至少一个特征数据，所述残影特征数据样本集中包括残影对应的至少一个特征数据；

利用点云云团数据样本集和残影特征数据样本集对所述分类器进行训练；其中，在将所述点云云团特征数据样本集作为所述分类器的输入时，将点云云团作为分类结果作为所述分类器的输出；在将所述残影特征数据样本集作为所述分类器的输入时，将残影作为分类结果作为所述分类器的输出。

优选地，

还包括：获取场景参数样本集，所述场景参数样本集中包括至少一个场景对应的场景参数；所述样本点云云团特征数据样本集和残影特征数据样本集是从该场景参数对应的场景下获取的；

利用所述场景参数样本集执行所述利用样本点云云团特征数据样本集和残影特征数据样本集对所述分类器进行训练；其中，将当前场景参数和从该当前场景参数对应的场景下获取的样本点云云团特征数据样本集同时作为所述分类器的输入；以及将当前场景参数和从该当前场景参数对应的场景下获取的残影特征数据样本集同时作为所述分类器的输入；

所述将该目标点云云团的特征数据输入预先训练的分类器中包括：

将从当前场景中获取的场景参数以及该目标点云云团的特征数据输入预先训练的分类器中。

优选地，

所述从当前场景中获取的场景参数包括如下中的至少一项：

当前场景中的进出口数量；

当前场景中每一个进出口在所述二维坐标系中的坐标位置；

当前场景所对应检测区域的开放边缘线的起始点和终点在所述二维坐标系中的坐标位置；

当前场景所对应检测区域中固定障碍物在所述二维坐标系中的坐标位置和该障碍物的尺寸；

优选地，

所述目标点云云团的特征数据包括如下中的至少一项：

目标点云云团对应的第一融合点云数量；其中，第一融合点云数量的计算方法包括：在之前的M个检测时间点中的每一个检测时间点均计算能够融入该检测时间点对应的目标点云云团的融合点云数量；将计算出的M个融合点云数量求平均值，得到第一融合点云数量；

目标点云云团对应的第二融合点云数量；其中，第二融合点云数量的计算方法包括：在之前的L个检测时间点中的每一个检测时间点均计算能够融入该检测时间点对应的目标点云云团的融合点云数量；将计算出的L个融合点云数量求标准差，得到第二融合点云数量；

目标点云云团对应的第一速度值；其中，第一速度值的计算方法包括：确定当前检测时间点和之前的K个检测时间点时目标点云云团在所述二维坐标系中的位置之间的距离，将当前检测时间点和K个检测时间点中每个检测时间点时目标点云云团在所述二维坐标系中的位置之间的距离和K个检测时间点中每个检测时间点与当前检测时间点之间的时间差相除计算出K个速度值，将计算出的K个速度值求平均值，得到第一速度值；

目标点云云团对应的第二速度值；其中，第二速度值的计算方法包括：确定当前检测时间点和之前的J个检测时间点时目标点云云团在所述二维坐标系中的位置之间的距离，将当前检测时间点和J个检测时间点中每个检测时间点时目标点云云团在所述二维坐标系中的位置之间的距离和J个检测时间点中每个检测时间点与当前检测时间点之间的时间差相除计算出J个速度值，将计算出的J个速度值求标准差，得到第二速度值；

第一坐标位置，其中，第一坐标位置为目标点云云团在之前检测时间点接收到的点云集中首次出现时，在以毫米波雷达为原点的二维坐标系中的坐标位置；

第二坐标位置，其中，第二坐标位置为目标点云云团在I个检测时间点至当前检测时间点在所述二维坐标系中的位置均相同时在所述二维坐标系中的位置；

第三坐标位置，其中，第三坐标位置为目标点云云团在当前检测时间点时在所述二维坐标系中的位置。

第二方面，本发明实施例提供了基于上述第一方面任一所述的毫米波雷达的残影消除方法的毫米波雷达的残影消除装置，包括：

获取单元，用于获取毫米波雷达输出的点云集；

判断单元，用于判断该点云集中是否包括目标点云云团；该目标点云云团满足：在之前检测时间点获取的点云集中出现过；

提取单元，用于在包括目标点云云团时，提取该目标点云云团的特征数据；

输入单元，用于将该目标点云云团的特征数据输入预先训练的分类器中；该分类器通过作为输入的样本点云云团的特征数据与作为输出的样本分类结果，训练得到；

消除单元，用于得到该分类器输出的分类结果；当所述分类结果为残影时，消除所述点云集中的该目标点云云团。

第三方面，本发明实施例提供了毫米波雷达的残影消除装置，包括：至少一个存储器和至少一个处理器；

所述至少一个存储器，用于存储机器可读程序；

所述至少一个处理器，用于调用所述机器可读程序，执行上述第一方面中任一所述的方法。

第四方面，本发明实施例提供了计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述第一方面中任一所述的方法。

本发明实施例提供了毫米波雷达的残影消除方法、装置及计算机可读介质。由上述技术方案可知，在每个毫米波雷达的检测时间点时，获取毫米波雷达输出的点云集，并判断该点云集中是否包括目标点云云团，目标点云云团是在之前的检测时间点时毫米波雷达输出的点云集中就已经出现过的点云的一个集合。如果当前时间点的点云集中包括目标点云云团，则提取目标点云云团的特征数据，并将特征数据输入预先训练的分类器中，分类器通过作为输入的样本点云云团的特征数据与作为输出的样本分类结果而训练得到，因此，分类器输出的分类结果为残影时，消除该点云云团。综上所述，由于毫米波雷达探测所使用的波长在毫米范围，所以可以敏感地探测到与其波长相当的运动目标，在实际的应用场景中存在多种导致产生残影的情况，如室内家居布局的遮挡、活动目标之间重叠、多目标的穿插活动，实际上这些目标形成的点云云团为残影，残影会对毫米波雷达的检测结果产生影响，因此，通过判断点云集中的点云云团并通过预先训练好的分类器进行分类，将分类结果为残影的点云云团消除，能够有效的消除残影，提高毫米波雷达检测结果的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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是本发明一实施例提供的毫米波雷达的残影消除方法的流程图；

图2是本发明一实施例提供的分类器训练方法的流程图；

图3是本发明一实施例提供的毫米波雷达的残影消除装置的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

如前所述，室内活动目标检测对于智慧城市概念来说是重要的基础感知探测技术之一，通过检测建筑内人员活动情况以实现相关智能设备的智能化控制。

应用毫米波雷达进行活动人员检测具有不泄露隐私、精度高和受环境干扰小等优点，但实际的应用场景中存在多种导致产生目标残影的情况，比如室内家具布局的遮挡、多目标的穿插活动等，其产生的残影会影响毫米波雷达检测结果的准确性。

下面结合附图来对本发明各个实施例提供的毫米波雷达的残影消除方法、装置及计算机可读介质作详细说明。

如图1所示，本发明一实施例提供了毫米波雷达的残影消除方法，在每个检测时间点，均执行以下步骤：

步骤101：获取毫米波雷达输出的点云集；

步骤102：判断该点云集中是否包括目标点云云团；该目标点云云团满足：在之前检测时间点获取的点云集中出现过；

步骤103：如果包括目标点云云团，提取该目标点云云团的特征数据；

步骤104：将该目标点云云团的特征数据输入预先训练的分类器中；该分类器通过作为输入的样本点云云团的特征数据与作为输出的样本分类结果，训练得到；

步骤105：得到该分类器输出的分类结果；当所述分类结果为残影时，消除所述点云集中的该目标点云云团。

由上述技术方案可知，在每个毫米波雷达的检测时间点时，获取毫米波雷达输出的点云集，并判断该点云集中是否包括目标点云云团，目标点云云团是在之前的检测时间点时毫米波雷达输出的点云集中就已经出现过的点云的一个集合。如果当前时间点的点云集中包括目标点云云团，则提取目标点云云团的特征数据，并将特征数据输入预先训练的分类器中，分类器通过作为输入的样本点云云团的特征数据与作为输出的样本分类结果而训练得到，因此，分类器输出的分类结果为残影时，消除该点云云团。综上所述，由于毫米波雷达探测所使用的波长在毫米范围，所以可以敏感地探测到与其波长相当的运动目标，在实际的应用场景中存在多种导致产生残影的情况，如室内家居布局的遮挡、活动目标之间重叠、多目标的穿插活动，实际上这些目标形成的点云云团为残影，残影会对毫米波雷达的检测结果产生影响，因此，通过判断点云集中的点云云团并通过预先训练好的分类器进行分类，将分类结果为残影的点云云团消除，能够有效的消除残影，提高毫米波雷达检测结果的准确性。

在本发明一实施例中，该目标点云云团满足：在之前N个连续或不连续的检测时间点获取的点云集中出现过；N为正整数。

具体来说，目标点云云团为在之前N个连续或不连续的检测时间点获取的点云集中出现过的点云云团，即已经存在过一定时间。若是当前检测时间点时才出现的点云云团，由于其还没有发生运动，因此不能作为目标点云云团。当前检测时间点确定新增的点云云团主要根据某组点云云团持续一段时间并其包含的点云达到一定的数量阈值或者点云云团与附近的目标点云云团的距离在过去的数个时间点达到一定的阈值。如果点云数量不够，则无法视为一个目标，即不能作为点云云团；若距离与其他目标点云云团太近，则有可能是其他目标点云云团运动而产生的，因此也不能够作为点云云团。综上所述，新增的点云云团由于还没有进行运动所以不能视为目标点云云团，因此只确定已经存在一段时间的点云云团为目标点云云团。

在本发明一实施例中，在确定包括目标点云云团之后，并在提取目标点云云团的特征数据之前，还包括：

判断点云集中是否存在能够与目标点云云团融合的点云；

如果存在，则将该点云融合到该目标点云云团中；

所述提取目标点云云团的特征数据包括：对融合后得到的目标点云云团进行特征提取。

具体地，对于每一检测时间点获取到的点云集，除了已存在的目标点云云团和/或新增点云云团外，还会有一些不能形成点云云团的点云。这些点云为目标点云云团产生的点云或者噪声，因此，这些点云有一些可以与目标点云云团进行融合，通过对融合之后得到的目标点云云团进行特征提取，能够提高检测结果的可靠性。

下面对点云与目标点云云团的融合过程作详细说明：

在本发明一实施例中，判断点云集中是否存在能够与目标点云云团融合的点云，包括：

对于点云集中每个所述目标点云云团之外的点云，均执行：

在以毫米波雷达为原点的二维坐标系下，通过下述第一式子，确定确定该点云在所述二维坐标系中的坐标：

所述第一式子包括：

其中，Xa、Ya分别为该点云在二维坐标系中的横坐标和纵坐标，La为该点云与所述毫米波雷达的距离，θa为在所述二维坐标系中点云与所述毫米波雷达形成的方位角；

通过以下第二式子，计算该点云与所述目标点云云团的距离；

所述第二式子包括：

其中，Xt和Yt分别为所述目标点云云团在二维坐标系中的横坐标与纵坐标，Dat为该点云与目标点云云团的距离值；

确定该点云与所述目标点云云团的距离值是否不超过预设的距离阈值，若是，则确定该点云与所述点云云团能够融合，若否，则确定该点云为噪点并清除该点云。

具体地，对于每一检测时间点获取到的点云集，首先排除掉新增的点云云团和目标点云云团，剩余的点云即为目标点云云团产生的点云或噪点；

将产生的点云和噪点中的每一个点与目标点云云团在以毫米波为远点的二维坐标系下作距离计算，通过就近原则将能够融合的点云融合到目标点云云团里，不能进行融合的点云即为噪点，具体的步骤如下:

根据每个点云与毫米波雷达的距离和方位角，确定该点云在二维坐标系中的坐标，目标点云云团的坐标可以选择目标点云云团中任一点云的坐标，比如可以选择中心点的坐标。根据目标点云云团的坐标和该点云的坐标计算出点云与目标点云云团的距离。确定该点云与每个目标点云云团的距离是否均不大于预设的距离阈值，若是，则确定与其距离最近的目标点云云团，该点云为该目标点云云团运动而产生的，因此可以进行融合。如果均大于预设的距离阈值，则说明该点云不是因为任何目标点云云团运动而产生的，所以该点云为噪点，可以进行清除，以提高检测结果的可靠性。

如图2所示，在本发明一实施例中，所述分类器通过如下方法训练：

步骤201：获取样本点云云团特征数据样本集和残影特征数据样本集；其中，所述样本点云云团特征数据样本集中包括点云云团对应的至少一个特征数据，所述残影特征数据样本集中包括残影对应的至少一个特征数据；

步骤202：利用点云云团数据样本集和残影特征数据样本集对所述分类器进行训练；其中，在将所述点云云团特征数据样本集作为所述分类器的输入时，将点云云团作为分类结果作为所述分类器的输出；在将所述残影特征数据样本集作为所述分类器的输入时，将残影作为分类结果作为所述分类器的输出。

具体地，分类器是通过将目标点云云团数据集和残影特征数据集通过机器学习的方法进行训练，其目的是生成一个具有识别目标能力的分类器；本发明实施例中采用的是CART分类树算法对数据集进行训练；以CART(Classification And Regression Tree)决策树作为机器学习方法，即误差函数为基尼系数的决策树算法为例，应当理解本发明实施例还可以应用深度神经网络(Deep Neural Networks,DNN)、支持向量机(Support VectorMachine,SVM)等其他机器学习算法。

CART分类树算法的流程包括：

采集大量特征数据样本集，对每个特征向量标记其类别，例如，样本点云云团标记为1，残影标记为-1；将标记好类别的特征数据随机划分为验证集和训练集。

本实施例中，令训练集占90％，验证集占10％；

对应的训练方法对训练集进行训练。

本实施例中，采用CART决策树生成算法对训练集进行训练，生成CART决策树。

根据验证集采用决策树后剪枝算法决策树进行后剪枝，得到分类器。

具体的，对生成的CART决策树进行后剪枝(Postpruning)处理，提高其泛化(Generalization)能力，所得到的剪枝后的决策树即为分类器。

应当理解的是，本实施例中采用了CART决策树及后剪枝处理作为分类器的训练方法，前述步骤中需要预留一定比例的验证集。在其他实施例中，如采用深度神经网络(DeepNeural Networks,DNN)、支持向量机(Support Vector Machine,SVM)等其他机器学习算法，可能将验证集在训练过程中用作其他处理来降低泛化误差或不需要留验证集。

在本发明一实施例中，该方法还包括：获取场景参数样本集，所述场景参数样本集中包括至少一个场景对应的场景参数；所述样本点云云团特征数据样本集和残影特征数据样本集是从该场景参数对应的场景下获取的；

利用所述场景参数样本集执行所述利用样本点云云团特征数据样本集和残影特征数据样本集对所述分类器进行训练；其中，将当前场景参数和从该当前场景参数对应的场景下获取的样本点云云团特征数据样本集同时作为所述分类器的输入；以及将当前场景参数和从该当前场景参数对应的场景下获取的残影特征数据样本集同时作为所述分类器的输入；

所述将该目标点云云团的特征数据输入预先训练的分类器中包括：

将从当前场景中获取的场景参数以及该目标点云云团的特征数据输入预先训练的分类器中。

数据集的获取是事先通过模拟多种应用场景，通过采集大量的目标特征，包括目标点云云团和残影；其中应用场景至少包括：

(1)办公室；

(2)家居房间；

(3)公共交通进出口；

(4)商场进出口；

(5)商店；

(6)酒店房间；

在本发明一实施例中，所述从当前场景中获取的场景参数包括如下中的至少一项：

当前场景中的进出口数量；

当前场景中每一个进出口在所述二维坐标系中的坐标位置；

当前场景所对应检测区域的开放边缘线的起始点和终点在所述二维坐标系中的坐标位置；

当前场景所对应检测区域中固定障碍物在所述二维坐标系中的坐标位置和该障碍物的尺寸；

在本发明一实施例中，所述目标点云云团的特征数据包括如下中的至少一项：

目标点云云团对应的第一融合点云数量；其中，第一融合点云数量的计算方法包括：在之前的M个检测时间点中的每一个检测时间点均计算能够融入该检测时间点对应的目标点云云团的融合点云数量；将计算出的M个融合点云数量求平均值，得到第一融合点云数量；

目标点云云团对应的第二融合点云数量；其中，第二融合点云数量的计算方法包括：在之前的L个检测时间点中的每一个检测时间点均计算能够融入该检测时间点对应的目标点云云团的融合点云数量；将计算出的L个融合点云数量求标准差，得到第二融合点云数量；

目标点云云团对应的第一速度值；其中，第一速度值的计算方法包括：确定当前检测时间点和之前的K个检测时间点时目标点云云团在所述二维坐标系中的位置之间的距离，将当前检测时间点和K个检测时间点中每个检测时间点时目标点云云团在所述二维坐标系中的位置之间的距离和K个检测时间点中每个检测时间点与当前检测时间点之间的时间差相除计算出K个速度值，将计算出的K个速度值求平均值，得到第一速度值；

目标点云云团对应的第二速度值；其中，第二速度值的计算方法包括：确定当前检测时间点和之前的J个检测时间点时目标点云云团在所述二维坐标系中的位置之间的距离，将当前检测时间点和J个检测时间点中每个检测时间点时目标点云云团在所述二维坐标系中的位置之间的距离和J个检测时间点中每个检测时间点与当前检测时间点之间的时间差相除计算出J个速度值，将计算出的J个速度值求标准差，得到第二速度值；

第一坐标位置，其中，第一坐标位置为目标点云云团在之前检测时间点接收到的点云集中首次出现时，在以毫米波雷达为原点的二维坐标系中的坐标位置；

第二坐标位置，其中，第二坐标位置为目标点云云团在I个检测时间点至当前检测时间点在所述二维坐标系中的位置均相同时在所述二维坐标系中的位置；

第三坐标位置，其中，第三坐标位置为目标点云云团在当前检测时间点时在所述二维坐标系中的位置。

配置应用场景的参数主要是用于分类器的参数输入，提高分类器的可靠性和稳定性。比如，在办公室中，由于人员基本为坐在办公位置进行工作，因此的运动幅度较小，所以在办公室场景中点云云团的目标点云云团对应的第一融合点云数量就可以比其他人员运动较为频繁的场景要少一些。当前场景中的进出口数量和当前场景中每一个进出口在所述二维坐标系中的坐标位置用于是用于更快的进行检测，由于人员的进出都是通过场景内的进出口来完成，因此进出口附近更容易出现或失去点云云团，因此优先对进出口位置进行识别能够提高检测的速度。当前场景所对应检测区域中固定障碍物在所述二维坐标系中的坐标位置和该障碍物的尺寸是用于在检测时直接排除掉一些固定的障碍物，比如说窗帘，由于窗帘会随风飘动，因此会产生残影，干扰检测结果，因此，将窗帘作为固定的障碍物，在检测时直接跳过，就能过进一步的提高检测的速度。

第一融合点云数量和第二融合点云数量主要是用于判断目标点云云团的大小和运动的幅度，如果目标点云云团过大，那么很可能不是人体目标，如果运动幅度过大，也可能不是人体目标。通常来说对应于人体目标的点云云团数量是固定在一个范围的，在实际应用时，这个范围可以根据场景来进行来进行调整。第一速度值和第二速度值同上所述，由于人体目标在场景内通常不会进行快速的移动，因此速度较快的目标点云云团很可能不是人体目标。第一坐标位置、第二坐标位置和第三坐标位置用于标识目标点云云团的位置，比如可以结合前文所述的进出口的位置，从而提高检测的速度。

如图3所示，本发明实施例提供了毫米波雷达的残影消除装置，包括：

获取单元301，用于获取毫米波雷达输出的点云集；

判断单元302，用于判断该点云集中是否包括目标点云云团；该目标点云云团满足：在之前检测时间点获取的点云集中出现过；

提取单元303，用于在包括目标点云云团时，提取该目标点云云团的特征数据；

输入单元304，用于将该目标点云云团的特征数据输入预先训练的分类器中；该分类器通过作为输入的样本点云云团的特征数据与作为输出的样本分类结果，训练得到；

消除单元305，用于得到该分类器输出的分类结果；当所述分类结果为残影时，消除所述点云集中的该目标点云云团。

可以理解的是，本发明实施例示意的结构并不构成对毫米波雷达的残影消除装置的具体限定。在本发明的另一些实施例中，毫米波雷达的残影消除装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本发明还提供了一种计算机可读介质，存储用于使一计算机执行如本文所述的毫米波雷达的残影消除方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。

在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。

用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。

此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。

此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。

需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。

上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基于上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。