基于特征调整的域泛化图像分类方法、系统、终端及介质

技术领域

本发明涉及机器学习和计算机视觉技术领域，尤其涉及的是一种基于特征调整的域泛化图像分类方法、系统、终端及介质。

背景技术

为解决在不同数据分布下模型泛化能力差的问题，域泛化旨在通过仅使用源数据进行模型学习来实现面向对象的泛化。域泛化广泛用于图像分类、目标检测、人脸识别、语音识别等实际应用中。

目前，大量域泛化方法致力于解决域偏移问题，包括学习域不变特征表示方法、数据增强方法以及模型学习策略等。其中，基于模型学习策略对模型的训练主要局限于在源域数据上如何训练模型，而忽略了在测试阶段利用目标域样本相关的个体信息进行针对性地自适应推理，使得在目标域上模型对部分样本性能不佳，导致域泛化能力及模型精度较低。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种基于特征调整的域泛化图像分类方法、系统、终端及介质，旨在解决现有技术中存在的学习模型的域泛化能力较低的问题。

为了实现上述目的，本发明第一方面提供一种基于特征调整的域泛化图像分类方法，包括以下步骤：

获取目标域的图像及图像类别标签，并获取训练好的域泛化图像分类模型，所述训练好的域泛化图像分类模型包括训练好的基础特征提取网络、训练好的域偏移感知网络、训练好的执行器网络和训练好的基础分类网络；

利用所述目标域的图像构建目标集，并将所述目标集输入至所述训练好的域泛化图像分类模型，对所述目标域的图像进行分类，获得最终的分类结果。

可选的，对所述训练好的域泛化图像分类模型进行训练的步骤，包括：

获取源域的图像，构建域泛化图像分类模型，所述域泛化图像分类模型包括基础特征提取网络、域偏移感知网络、执行器网络和基础分类网络；

基于所述源域的图像构建训练集，将所述训练集输入至所述基础特征提取网络，得到原始特征；

基于预设的约束条件，将所述原始特征输入至所述域偏移感知网络，获得约束偏差；

基于所述约束偏差，将所述原始特征输入至所述执行器网络，获得调整后的特征；

将所述调整后的特征输入到所述基础分类网络，获得分类结果；

基于所述分类结果和所述图像类别标签计算联合损失，重复执行对所述域泛化图像分类模型进行训练的步骤，直至所述联合损失达到预设的联合损失阈值，获得训练好的域泛化图像分类模型。

可选的，还包括利用扰动特征更新所述原始特征，具体包括：

基于所述原始特征的统计分布，获取所述原始特征的均值和方差；

基于所述均值和所述方差，对所述原始特征的高斯分布进行缩放，获得缩放后的均值和缩放后的方差；

利用所述缩放后的均值和所述缩放后的方差产生扰动样本，获得扰动特征；

利用所述扰动特征更新所述原始特征。

可选的，所述将所述原始特征输入至所述域偏移感知网络，获得约束偏差，包括：

获取所述图像的分类类别，及每个所述分类类别对应的类中心；

基于所述原始特征和预设的结构约束条件，获得结构约束偏差；

基于所述原始特征、所述类中心和预设的分布约束条件，获得分布约束偏差；

基于所述结构约束偏差和所述分布约束偏差，获得所述原始特征的约束偏差。

可选的，所述基于所述原始特征和预设的结构约束条件，获得结构约束偏差，包括：

将所述原始特征投影到与所述原始特征具有相同维度的空间，获得投影后的特征；

基于所述图像的分类类别，对所述投影后的特征进行归一化处理，获得结构约束特征；

计算所述投影后的特征与所述结构约束特征的距离，获得结构约束偏差。

可选的，所述基于所述原始特征、所述类中心和预设的分布约束条件，获得分布约束偏差，包括：

基于所述预设的分布约束条件，获得所述原始特征与各个所述类中心之间的相关性；

基于所述相关性，获得所述原始特征与各个所述类中心的权重；

基于所述原始特征与各个所述类中心之间的距离和所述权重，获得分布约束偏差。

可选的，所述基于所述分类结果和所述图像类别标签计算联合损失，包括：

基于所述分类结果、所述图像类别标签及所述图像类别标签的数量，计算交叉熵损失；

基于所述图像的分类类别，对投影后的特征进行归一化处理，获得结构约束条件；并基于所述结构约束条件和所述投影后的特征构建结构约束损失函数；

基于所述交叉熵损失和所述结构约束损失函数，计算联合损失。

本发明第二方面提供一种基于特征调整的域泛化分类系统，所述系统包括：

数据获取模块，用于获取目标域的图像及图像类别标签，并获取训练好的域泛化图像分类模型，所述训练好的域泛化图像分类模型包括训练好的基础特征提取网络、训练好的域偏移感知网络、训练好的执行器网络和训练好的基础分类网络；

域泛化分类模块，用于利用所述目标域的图像构建目标集，并将所述目标集输入至所述域泛化图像分类模型，对所述目标域的图像进行分类，获得最终的分类结果。

本发明第三方面提供一种智能终端，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于特征调整的域泛化分类程序，所述基于特征调整的域泛化分类程序被所述处理器执行时实任意一项上述基于特征调整的域泛化图像分类方法的步骤。

本发明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上存储有基于特征调整的域泛化分类程序，所述基于特征调整的域泛化分类程序被处理器执行时实现任意一项上述基于特征调整的域泛化图像分类方法的步骤。

与现有技术相比，本发明的有益效果如下：

本发明通过获取目标域的图像及图像类别标签，并获取训练好的域泛化图像分类模型，且训练好的域泛化图像分类模型包括训练好的基础特征提取网络、训练好的域偏移感知网络、训练好的执行器网络和训练好的基础分类网络；利用目标域的图像构建目标集，并将目标集输入至训练好的域泛化图像分类模型，对目标域的图像进行分类，获得最终的分类结果。

可见，本发明设计的训练好的域泛化图像分类模型是一种新型的传感器-执行器网络模型，该模型中的各个子模块能够通过引入域偏移传感器来感知由域偏移引起的约束偏差，并根据源域图像特征的统计分布特点对源域图像特征的统计参数进行缩放得到扰动后的源域图像特征，并根据约束偏差对缩放扰动后的源域图像特征进行调整优化，获得调整后的特征，各个子模块的功能相辅相成，能够提高分类效率，并提高图片分类模型的精度与泛化能力，而且由于子模块具备良好的自适应调节能力，无需依赖复杂的数据生成和增强，使得模型在不同的环境下都能够保持良好的性能，具有良好的鲁棒性和稳健性。

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性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明的域泛化图像分类策略流程图；

图2为本发明的域泛化图像分类系统结构示意图；

图3为本发明的基于特征调整的域泛化图像分类方法流程图；

图4为本发明的域泛化图像分类模型训练流程图；

图5为本发明的投影后的特征仿真图及相应的结构约束偏差仿真图；

图6为本发明的执行器网络调整前、后特征分布对比示意图；

图7为本发明的利用所构建的域泛化图像分类模型进行分类的流程示意图；

图8为本发明的基于特征调整的域泛化图像分类系统示意图；

图9为本发明的智能终端原理框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。

下面结合本发明实施例的附图，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的一部分实施例，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前提下所获得的所有其它实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

现有方法忽略了在测试阶段利用目标域样本相关的个体信息进行针对性地自适应推理优化，针对这个问题，本方法受自动控制理论启发，设计了一个传感器-执行器网络模型，提供域偏移的检测机制和显示的特征调整机制。我们的传感器-执行器网络模型由一个用于检测域偏移的传感器网络和一个能够根据传感器信号自适应地调整特征的执行器网络组成。其中域偏移传感器包含两个部分：约束网络和数据转换网络。我们对基础特征提取网络提取到的原始特征引入了两个约束条件，并在源域中学习了一个约束网络以验证输出特征是否满足这些约束条件，从而在推理阶段，约束网络会分析目标域样本的特征是否满足这些约束条件，若不满足，则和约束条件之间的偏差被称为约束偏差，这种约束偏差正是由域偏移引起的。我们随后学习一个数据转换网络将这些约束偏差映射到有效的指导信号中。在接收到指导信号后，执行器网络用于将原始特征调整为更具有区分度的新特征，新特征将被输入基础分类网络进行分类决策。该方法能够在推理阶段，利用目标域样本自身信息，捕获目标域样本的域偏移并产生相应指导信号，引导具有偏移的原始特征进行调整优化，提高了图片分类模型的精度与泛化能力。我们引入的传感器-执行器网络模型参数量小，计算资源和时间消耗少；在测试时利用目标域样本自身信息和特定约束进行域偏移检测，无需依赖复杂的数据生成和增强。

示例性方法

本发明实施例提供一种基于特征调整的域泛化图像分类方法，部署于电脑、服务器等电子设备上，应用领域为医疗诊断、图像分类、目标检测、人脸识别、语音识别等等，应用场景为从源域数据训练的模型泛化到领域不同但相关的具有任意数据分布的目标域，主要目的是基于域泛化图像分类策略来构建域泛化图像分类系统，域泛化图像分类策略如图1所示，即通过生成基础特征提取网络获取源域数据的原始特征，并基于传感器网络感知原始特征在目标域上的域偏移，然后利用执行器网络对感知到的域偏移进行特征调整，得到调整后的特征，最后利用基础分类网络对调整后的特征进行分类决策。

具体地，域泛化图像分类系统如图2所示，包括基础特征提取网络

基于该系统，设计的基于特征调整的域泛化图像分类方法流程，如图3所示，主要包括以下步骤：

步骤S100：获取目标域的图像及图像类别标签，并获取训练好的域泛化图像分类模型，其中，训练好的域泛化图像分类模型包括训练好的基础特征提取网络、训练好的域偏移感知网络、训练好的执行器网络和训练好的基础分类网络；

步骤S200：利用目标域的图像构建目标集，并将目标集输入至训练好的域泛化图像分类模型，对目标域的图像进行分类，获得最终的分类结果。

其中，对于步骤S100中获取的训练好的域泛化图像分类模型进行训练的步骤，如图4所示，包括：

步骤S110：获取源域的图像，构建域泛化图像分类模型，域泛化图像分类模型包括基础特征提取网络、域偏移感知网络、执行器网络和基础分类网络；

具体地，基于源域数据样本，获取源域的图像数据，及各个图像的类别标签。需要注意的是，不同的图像可能有相同的类别标签，但是每个图像最多只有一个类别标签。其中，图像的类别标签是图片所属的应用领域专家根据经验进行标定得到的。

构建域泛化图像分类模型，域泛化图像分类模型包括基础特征提取网络、域偏移感知网络、执行器网络和基础分类网络。

具体地，构建域泛化图像分类模型，初始化该模型中的各个子网络，即基础特征提取网络、域偏移感知网络、执行器网络和基础分类网络，并通过设定的条件对各个子网络进行迭代训练，直至满足所设定的条件。下面详细介绍域泛化图像分类模型的训练过程。其中，域偏移感知网络包括结构约束网络和分布约束网络。

步骤S120：利用源域的图像构建训练集，并将训练集输入至基础特征提取网络，得到原始特征。

具体地，利用现有的经验风险最小化方法，将所有的源域图像数据合并为一个训练集。利用所构建的训练集，以交叉熵损失为目标函数，训练以Resnet-50卷积神经网络为骨干的基础特征提取网络

步骤S130：基于预设的约束条件，将原始特征输入至域偏移感知网络，获得约束偏差；

具体地，由于是在源域上训练基础特征提取网络

本实施例通过对域偏移进行感知，也就是通过在源域中学习约束条件，并基于交叉熵损失检验学习到的约束条件是否得到满足来检测域偏移。因此，本实施例在源域中定义一组约束

本实施例直接基于原始特征，利用结构约束网络和分布约束网络生成对应的约束条件来感知域偏移量，作为其他优选实施例，还可以对原始特征施加扰动之后得到扰动特征，并利用扰动特征更新原始特征之后，利用结构约束网络和分布约束网络生成对应的约束条件来感知域偏移量。

由于目标域是不可访问的，执行器网络需要在源域上进行训练，从而获得自适应调整特征的能力。为此，在训练阶段对于源域数据样本，获取原始特征的高斯分布的均值和方差；基于原始特征的高斯分布的均值和方差，对原始特征的高斯分布进行缩放，获得缩放后的均值和缩放后的方差；利用缩放后的均值和缩放后的方差产生扰动样本，获得扰动特征，即：

，

其中，

然后，基于扰动特征感知域偏移量，也就是感知结构约束偏差和分布约束偏差。

下面详细介绍结构约束网络和分布约束网络的生成和相应约束偏差的获取过程：

步骤S131：基于原始特征和预设的结构约束条件，获得结构约束偏差；

具体地，基于原始特征初始化结构约束网络，基于预设的结构约束条件，构建结构约束损失函数

在一个实施例中，利用扰动特征更新原始特征，利用结构约束损失函数训练结构约束网络，获得训练好的结构约束网络。

具体地，将更新后的原始特征投影到与原始特征具有相同维度的空间，获得投影后的特征；基于预设的结构约束条件，构建结构约束损失函数；基于投影后的特征和结构约束损失函数，获得结构约束偏差。其中，结构约束损失函数是基于图像的分类类别，对投影后的特征进行归一化处理，获得结构约束条件；并基于结构约束条件和投影后的特征构建而成。

本实施例通过结构约束网络

本实施例对于源域图像数据的每一个分类类别c，随机选取一个长度为d的下标子集

，

也就是通过将源域图像随机分为两大类，并进行归一化处理，以消除奇异样本数据的影响。

然后，基于预设的结构约束条件，构建结构约束损失函数

，

基于结构约束损失函数，将原始特征投影到与训练好的结构约束网络具有相同维度的空间，获得投影后的特征。那么，结构约束偏差表示投影特征

基于维度D=256的源域图像数据进行仿真实验，得到图5所示的投影后的特征仿真图及相应的结构约束偏差仿真图，其中，投影后的特征仿真图如图5中的（a）所示，基于投影后的特征得到的结构约束偏差仿真图如图5中的（b）所示，其中，横坐标表示维度D的数值，纵坐标表示投影后的特征的归一化值。

在一个实施例中，通过结构约束网络

步骤S132：基于原始特征、类中心和预设的分布约束条件，获得分布约束偏差；

具体地，基于预设的分布约束条件，获得原始特征与各个类中心之间的相关性；基于相关性，获得原始特征与各个类中心的权重；基于原始特征与各个类中心之间的距离及权重，获得分布约束偏差。

由于基础特征提取网络在源域上训练，源域样本特征可以在特征中间很好地根据类别聚类。但在目标域上，由于域偏移的存在，这些聚类的特征分布遭受一定程度的破坏而变得离散，部分特征变得远离正确的类中心。在目标域上，根据上述定义的源域特征的类中心

，

其中，

在一个实施例中，将分布约束偏差定义为原始特征

步骤S140：基于约束偏差，将原始特征输入至执行器网络，获得调整后的特征。

具体地，利用数据转换网络将结构约束偏差和分布约束偏差转换为指导信号。具体地，基于本实施例的学习模型生成一个数据转换网络

，

将指导信号

为了能够实现更好的域泛化，本实施例旨在学习到一种自适应调整特征的能力，从而最大化特征被准确分类的能力，以达到更好的分类性能。在传感器网络的指导信号的引导下，本实施例基于原始特征

。

在一个实施例中，由于目标域是不可访问的，执行器网络需要在源域上进行训练，从而获得自适应调整特征的能力。为此，在训练阶段对于源域样本，获取原始特征的高斯分布的均值和方差；基于原始特征的高斯分布的均值和方差，对原始特征的高斯分布进行缩放，获得缩放后的均值和缩放后的方差；利用缩放后的均值和缩放后的方差产生扰动样本，获得扰动特征，即：

，

并对扰动特征

；

具体地，获取原始特征在训练批次层面的统计参数（例如原始特征的统计分布的均值和方差等参数），也就是获取某个批次的原始特征数据的统计参数，或者是获取多个批次的原始特征数据的统计参数平均值，或者是将多个批次的原始特征数据进行融合获取融合后数据的统计参数，然后通过改变原始特征的统计参数进行特征扰动。本实施例通过调整原始特征的高斯分布的方差参数对分布进行缩放，并利用缩放后的原始特征的统计分布的统计参数中的均值向量

，

其中，

调整的目的是，使得调整后的特征能够和未扰动的原始特征在基础分类网络

。

步骤S150：将调整后的特征输入到基础分类网络，获得分类结果。

基于本实施例的执行器网络进行仿真实验，得到对扰动特征调整前、后的特征分布对比图，如图6所示，其中，图6中的（a）是对扰动特征调整前的特征分布图，图6中的（b）是对扰动特征调整后的特征分布图，图6中的（a）和（b）的横坐标和纵坐标均表示调整后的特征值，每一个灰色区域均表示一个分类结果。很显然，调整后的特征的可区分性更高，也就是更容易被准确地分类。

步骤S160：基于分类结果和图像类别标签计算联合损失，重复步骤S130-步骤S150，直至联合损失达到预设的联合损失阈值，获得训练好的域泛化图像分类模型。

具体地，基于结构约束损失函数和调整后的特征，生成调整后的特征的结构约束损失函数；基于调整后特征的结构约束损失函数和调整后特征的分类性能，构建联合损失函数。

联合训练所用损失函数由交叉熵损失和结构约束损失组成，即：

，

其中，

，

其中，

需要声明的是，在训练阶段，基础特征提取网络

利用训练好的域泛化图像分类模型进行分类的过程，如图7所示，具体如下：

首先，利用基础特征提取网络

综上所述，本实施例的方法通过引入域偏移传感器来感知由域偏移引起的约束偏差，根据源域图像特征的统计分布特点对源域图像特征的统计参数进行缩放得到扰动后的源域图像特征，并根据约束偏差对缩放扰动后的源域特征进行调整优化，获得调整后的特征，然后基于对调整后的特征的分类性能的评估，训练出满足分类结果精度的各个子网络，从而提高图片分类模型的精度与泛化能力，并且整个泛化过程涉及到的参数较少，消耗的计算资源和时间较少，分类效率较高，而且无需依赖复杂的数据生成和增强，使得模型在不同的环境下都能够保持良好的性能，具有良好的鲁棒性和稳健性。

示例性系统

如图8所示，对应于上述基于特征调整的域泛化图像分类方法，本发明实施例还提供一种基于特征调整的域泛化分类系统，上述基于特征调整的域泛化分类系统包括：

数据获取模块810，用于获取目标域的图像及图像类别标签，并获取训练好的域泛化图像分类模型，所述训练好的域泛化图像分类模型包括训练好的基础特征提取网络、训练好的域偏移感知网络、训练好的执行器网络和训练好的基础分类网络；

域泛化分类模块820，用于利用所述目标域的图像构建目标集，并将所述目标集输入至所述域泛化图像分类模型，对所述目标域的图像进行分类，获得最终的分类结果。

具体的，本实施例中，上述基于特征调整的域泛化分类系统的具体功能还可以参照上述基于特征调整的域泛化图像分类方法中的对应描述，在此不再赘述。

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图9所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内部存储器。该非易失性存储介质存储有操作系统和基于特征调整的域泛化分类程序。该内部存储器为非易失性存储介质中的操作系统和基于基于特征调整的域泛化分类程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该基于特征调整的域泛化分类程序被处理器执行时实现上述任意一种基于特征调整的域泛化图像分类方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。

本领域技术人员可以理解，图9中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于特征调整的域泛化分类程序，上述基于特征调整的域泛化分类程序被上述处理器执行时实现本发明实施例提供的任意一种基于特征调整的域泛化图像分类方法的步骤。

本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于特征调整的域泛化分类程序，上述基于特征调整的域泛化分类程序被处理器执行时实现本发明实施例提供的任意一种基于特征调整的域泛化图像分类方法的步骤。

应理解，上述实施例中各步骤的序号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，而不应对本发明实施例的实施过程构成任何限定。

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，即将上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，并不用于限制本发明的保护范围。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。

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实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。这些功能究竟是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法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，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。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。