信号灯配时方法、装置、电子设备及存储介质

技术领域

本发明涉及智能交通技术领域，尤其是涉及一种信号灯配时方法、装置、电子设备及存储介质。

背景技术

随着城市人口的急剧增加以及机动车保有量的逐年增加，城市道路的拥堵现象日趋严重，同时，交通道路设施不完善，也导致了城市道路交通压力的上升。交通拥堵指数可以反应信号灯配时方案的合理性，其计算方法可以通过市民出行拥堵时期所花费的时间与畅通时期所花费的时间的比值进行计算，可以利用车辆通过路口的平均速度进行推算。然而城市道路交通网络错综复杂，根据道路状况的不同划有不同的车速限制值，并且人们对道路拥堵的忍受程度有所不同，对由时间或车速进行推算得到的交通拥堵评价标准难以统一。因此采用排队长度这一可视化、数字化、标准化指标对交通运行状态进行描述，以实现对信号灯配时方案合理性的实时评估，进而根据评估结果对配时方案进行优化处理，对于提高交叉口通行能力以及缓解交通拥堵有重要意义。

传统的排队长度检测方案主要是利用地感线圈等交通传感器对车辆进行检测，获取路面上的车辆数目，进而对道路的排队长度进行估计，然而此方案的检测范围受限，设备可靠性较低，后期维护成本高，且在安装地感线圈等交通传感器时需要对路面重新铺设。

发明内容

本发明的目的在于提供一种信号灯配时方法、装置、电子设备及存储介质，以避免基于交通传感器的信号灯配时方案存在的上述问题，提高所检测的排队长度准确性，从而提升信号灯配时的合理性。

第一方面，本发明实施例提供了一种信号灯配时方法，包括：

获取实时拍摄的平面交叉口的进口车道视频图像；

通过对所述进口车道视频图像进行信号灯状态检测，确定待检测图像；其中，所述待检测图像的拍摄时刻为信号灯由红灯状态切换至绿灯状态的时刻；

对所述待检测图像进行车辆识别，得到车辆识别结果；其中，所述车辆识别结果包括每个车道上各车型的车辆数量；

采用加权集成计算方式对所述车辆识别结果进行排队长度的计算，得到目标排队长度；

根据所述目标排队长度对当前的信号灯配时方案进行评估与调整。

进一步地，所述通过对所述进口车道视频图像进行信号灯状态检测，确定待检测图像，包括：

将所述进口车道视频图像中的每张图像从RGB格式转换为HSV格式，得到转换后图像；

根据预先设定的HSV颜色空间对应的参考阈值区间，从各个所述转换后图像中筛选出图像序列；其中，所述图像序列为信号灯由红灯状态转换为绿灯状态过程中的多张转换后图像；

采用二分查找法，从所述图像序列中确定候选图像；

从所述进口车道视频图像中，截取得到与所述候选图像对应的待检测图像。

进一步地，所述对所述待检测图像进行车辆识别，得到车辆识别结果，包括：

对所述待检测图像进行图像切割，得到包含进口车道所在区域的目标图像；

采用单阶段目标检测算法对所述目标图像进行各车道的车辆识别，得到所述车辆识别结果。

进一步地，所述单阶段目标检测算法对应的网络模型包括顺次连接的输入端、基准网络、Neck网络和Head输出端，所述基准网络包括顺次连接的Focus结构和CSP结构，所述Neck网络包括顺次连接的FPN结构和PAN结构，所述Head输出端采用GIoU作为损失函数。

进一步地，所述输入端采用Mosaic数据增强方法对输入的待检测图像进行预设方式的预处理，并利用自适应锚框计算方法和自适应图片缩放方法，将预处理后的图片调整至适应所述基准网络的计算；其中，所述预设方式包括随机缩放、随机裁剪和随机排布中的一种或多种。

进一步地，所述Head输出端通过如下过程计算损失：

计算同时包含预测框与真实框的最小框面积，得到最小闭包区域面积；

根据所述预测框的面积与所述真实框的面积，计算得到IoU值；

计算所述最小闭包区域面积中不属于所述预测框与所述真实框的合集区域面积，占所述最小闭包区域面积的比重，得到目标比重；

将所述IoU值减去所述目标比重，得到GIoU值。

进一步地，所述采用加权集成计算方式对所述车辆识别结果进行排队长度的计算，得到目标排队长度，包括：

根据所述车辆识别结果和各车型的权重，采用加权集成计算方式计算得到每个车道的排队长度；

将计算得到的最大排队长度，确定为目标排队长度。

第二方面，本发明实施例还提供了一种信号灯配时装置，包括：

图像获取模块，用于获取实时拍摄的平面交叉口的进口车道视频图像；

图像确定模块，用于通过对所述进口车道视频图像进行信号灯状态检测，确定待检测图像；其中，所述待检测图像的拍摄时刻为信号灯由红灯状态切换至绿灯状态的时刻；

车辆识别模块，用于对所述待检测图像进行车辆识别，得到车辆识别结果；其中，所述车辆识别结果包括每个车道上各车型的车辆数量；

排队计算模块，用于采用加权集成计算方式对所述车辆识别结果进行排队长度的计算，得到目标排队长度；

评估调整模块，用于根据所述目标排队长度对当前的信号灯配时方案进行评估与调整。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器，所述存储器中存储有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第一方面的信号灯配时方法。

第四方面，本发明实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面的信号灯配时方法。

本发明实施例提供的信号灯配时方法、装置、电子设备及存储介质，在进行信号灯配时时，先获取实时拍摄的平面交叉口的进口车道视频图像；通过对进口车道视频图像进行信号灯状态检测，确定待检测图像；其中，待检测图像的拍摄时刻为信号灯由红灯状态切换至绿灯状态的时刻；然后对待检测图像进行车辆识别，得到车辆识别结果；其中，车辆识别结果包括每个车道上各车型的车辆数量；进而采用加权集成计算方式对车辆识别结果进行排队长度的计算，得到目标排队长度；最后根据目标排队长度对当前的信号灯配时方案进行评估与调整。这样只需要在平面交叉口架设摄像机，即可基于视频分析对排队长度进行检测，进而实现信号灯配时方案的评估与调整，避免了基于交通传感器的信号灯配时方案存在的相应问题；并且，只对信号灯由红灯状态切换至绿灯状态时拍摄的待检测图像进行图像识别，避免了资源浪费，实用性较强；另外，采用加权集成计算方式计算排队长度，更加适用于信号灯配时方案的调整，提高了所检测的排队长度准确性，从而提升了信号灯配时的合理性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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为本发明实施例提供的一种信号灯配时方法的流程示意图；

图2为本发明实施例提供的另一种信号灯配时方法的流程示意图；

图3为本发明实施例提供的一种信号灯配时方法的应用场景示意图；

图4为本发明实施例提供的一种待检测图像；

图5为对图4所示待检测图像进行切割得到的目标图像；

图6为图5所示目标图像的车辆识别结果；

图7为本发明实施例提供的一种信号灯配时装置的结构示意图；

图8为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合实施例对本发明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。

近年来，深度学习技术不断发展，可以利用视频分析进行计算机图像识别，对信号灯配时中排队长度指标进行检测。利用交叉路口的监控摄像机对道路的排队长度进行检测，能够为交通监管部门提供便利。基于视频分析对排队长度进行检测的方法较为方便，并且交叉路口的监控摄像机的安装与维护成本较低，具有更广阔的检测范围。针对信号灯配时中排队长度，需要检测的是从路口信号灯转为绿灯时刻，该路口进口车道(按照车辆行驶方向，进入交叉口的车道叫进口车道)的各转向车流中排队的最后一辆车距离停车线的距离，未对信号灯状态进行检测，而直接对每一时刻检测到的排队长度均进行输出会导致资源浪费，实用性不强，并且对于信号灯配时方案的制订，需要对排队长度进行实时检测。基于此，本发明实施例提供的一种信号灯配时方法、装置、电子设备及存储介质，基于视频分析对排队长度进行实时检测，可以避免资源浪费，实用性较强，且可以提高所检测的排队长度准确性，从而提升信号灯配时的合理性。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种信号灯配时方法进行详细介绍。

本发明实施例提供了一种信号灯配时方法，该方法可以由具有图像处理能力的电子设备执行。参见图1所示的一种信号灯配时方法的流程示意图，该方法主要包括如下步骤S102～步骤S110：

步骤S102，获取实时拍摄的平面交叉口的进口车道视频图像。

可以在平面交叉口架设摄像机，并对其进行配准，用摄像机不间断拍摄平面交叉口的进口车道视频图像，该进口车道视频图像可以反应车辆排队情况以及信号灯状态。

步骤S104，通过对进口车道视频图像进行信号灯状态检测，确定待检测图像；其中，待检测图像的拍摄时刻为信号灯由红灯状态切换至绿灯状态的时刻。

在一些可能的实施例中，可以采用HSV色彩识别方法对进口车道视频图像中的信号灯状态进行分析，若由红灯状态切换至绿灯状态，则对该视频帧进行截取，得到当前时刻拍摄的摄像机图片(即待检测图像)。基于此，步骤S104可以通过如下过程实现：将进口车道视频图像中的每张图像从RGB格式转换为HSV格式，得到转换后图像；根据预先设定的HSV颜色空间对应的参考阈值区间，从各个转换后图像中筛选出图像序列；其中，图像序列为信号灯由红灯状态转换为绿灯状态过程中的多张转换后图像；采用二分查找法，从图像序列中确定候选图像；从进口车道视频图像中，截取得到与候选图像对应的待检测图像。如此利用HSV色彩识别方法并结合二分查找法，所确定的候选图像的准确度较高，效率较高。

步骤S106，对待检测图像进行车辆识别，得到车辆识别结果；其中，车辆识别结果包括每个车道上各车型的车辆数量。

为了提升识别准确度，步骤S106可以通过如下过程实现：对待检测图像进行图像切割，得到包含进口车道所在区域的目标图像；采用单阶段目标检测算法对目标图像进行各车道的车辆识别，得到车辆识别结果。

在一些可能的实施例中，上述单阶段目标检测算法对应的网络模型可以包括顺次连接的输入端、基准网络、Neck网络和Head输出端，基准网络包括顺次连接的Focus结构和CSP结构，Neck网络包括顺次连接的FPN结构和PAN结构，Head输出端采用GIoU作为损失函数。

进一步地，上述输入端可以采用Mosaic数据增强方法对输入的待检测图像进行预设方式的预处理，并利用自适应锚框计算方法和自适应图片缩放方法，将预处理后的图片调整至适应基准网络的计算；其中，预设方式包括随机缩放、随机裁剪和随机排布中的一种或多种。如此可以在丰富数据集的同时提升训练速度。

Head输出端采用可以更好反应重合度的GIoU作为损失函数，损失的计算方法如下：计算同时包含预测框与真实框的最小框面积，得到最小闭包区域面积；根据预测框的面积与真实框的面积，计算得到IoU值；计算最小闭包区域面积中不属于预测框与真实框的合集区域面积，占最小闭包区域面积的比重，得到目标比重；将IoU值减去目标比重，得到GIoU值。

步骤S108，采用加权集成计算方式对车辆识别结果进行排队长度的计算，得到目标排队长度。

在一些可能的实施例中，步骤S108可以通过如下过程实现：根据车辆识别结果和各车型的权重，采用加权集成计算方式计算得到每个车道的排队长度；将计算得到的最大排队长度，确定为目标排队长度。

步骤S110，根据目标排队长度对当前的信号灯配时方案进行评估与调整。

根据检测到的目标排队长度对当前的信号灯配时方案进行评估，若信号灯配时方案不合理，则对信号灯配时方案进行调整并重新评估；若方案合理，则检测下一次的目标排队长度。

重复执行上述步骤S102～步骤S110，可持续对排队长度指标进行检测，并持续对信号灯配时方案进行评估与调整。

本发明实施例提供的信号灯配时方法，对平面交叉口的信号灯状态进行实时监测，输出排队长度指标，并对信号灯配时方案进行评估与调整，即通过视频分析对排队长度指标检测后进行信号灯配时方案评估与调整，因此只需要在平面交叉口架设摄像机，即可基于视频分析对排队长度进行检测，进而实现信号灯配时方案的评估与调整，避免了基于交通传感器的信号灯配时方案存在的相应问题；并且，只对信号灯由红灯状态切换至绿灯状态时拍摄的待检测图像进行图像识别，避免了资源浪费，实用性较强；另外，采用加权集成计算方式计算排队长度，更加适用于信号灯配时方案的调整，提高了所检测的排队长度准确性，从而提升了信号灯配时的合理性。

为了便于理解，本发明实施例对图1所示信号灯配时方法进行了细化，参见图2所示的另一种信号灯配时方法的流程示意图，该方法包括如下步骤：

步骤S202，架设摄像机。

可以在平面交叉口架设高清摄像机，并对其进行配准。

步骤S204，摄像机不间断拍摄进口车道视频图像。

高清摄像机能够拍摄平面交叉口对面的进口车道的视频图像，包含车辆排队情况以及信号灯状态。

步骤S206，判断信号灯状态是否为由红灯变绿灯。如果是，则执行步骤S208；如果否，则重新执行步骤S204，即拍摄下一次的进口车道视频图像。

步骤S208，采用二分查找法确定时间区间，获取待检测图像。

检测信号灯状态时，可以采用HSV色彩识别方法对进口车道视频图像中信号灯状态进行分析，若由红灯状态切换至绿灯状态后连续，则基于二分查找法对该视频帧进行截取，获取当前时刻拍摄的摄像机图片；若由红灯状态切换至绿灯状态后不连续，则误识别，重新检测信号灯状态。

利用HSV色彩识别，是指先将图片从RGB格式转换为HSV格式，因为RGB通道并不能很好地反映出物体具体的颜色信息，而相对于RGB空间，HSV空间能够非常直观的表达色彩的明暗、色调，以及鲜艳程度，方便进行颜色之间的对比，因此需要对RGB格式进行转换，然后分别截取信号灯在红灯状态和绿灯状态的图片进行参考，可以根据设定的HSV颜色空间对应的参考阈值区间，对信号灯状态进行识别。在识别过程中，获取到的信号灯图片可能存在一些孤立点或者像素值突然变化的点，为了消除图像中的这类噪声，可以采用中值滤波的方式进行消除，即可以对从各个转换后图像中筛选出的图像序列进行图像的滤波处理。为避免识别有误的情况，采用二分查找法更加精确的确定信号灯由红变绿的时间区间，每次更精确提取到信号灯变换区间，最终定位于某一帧图片用于分析本道路的排队长度。其中，与其他查找方式相比，二分查找方式对于有顺序的序列，查找效率较高。

步骤S210，切割待检测图像，得到各车道图像。

各车道图像指包含进口车道所在区域的目标图像。获取各车道图像，是指根据摄像机位置，对车道进行标定，确定各车道像素点位置区域，根据划定的各车道像素点位置区域对待检测图像进行切割。

步骤S212，采用单阶段目标检测算法识别车辆，并采用加权集成计算方式计算排队长度。

采用单阶段目标检测算法对各车道图像进行检测，分别识别出各车道车辆数量以及车辆种类(即车型)；之后采用加权集成计算方式对排队长度进行计算，并对各车道的排队长度进行比较，将最大排队长度确定为当前时刻本条道路的目标排队长度。

单阶段目标检测算法对应的网络模型，包含输入端、基准网络、Neck网络与Head输出端四个模块。其中，输入端采用Mosaic数据增强方法对输入的图像进行随机缩放、随机裁剪和随机排布等方式拼接，可以在丰富数据集的同时提升训练速度，并且利用自适应锚框计算与自适应图片缩放的方法将图像调整至适应基准网络的计算。基准网络主要包含Focus结构和CSP结构，Focus结构是通过切片操作来对输入图像进行裁剪。例如，原始输入图像大小为608*608*3，经过切片与连接操作之后输出一个304*304*12的特征映射；接着经过一个通道个数为32的卷积层，输出一个304*304*32大小的特征映射。CSP结构是将原输入分成两个分支，再进行卷积操作，使得模型学习到更多的特征。在Neck网络中采用FPN+PAN结构，FPN在将高层的特征信息通过连续上采样和跨层融合机制，使得输出特征兼具底层视觉信息和高层语义信息，并结合PAN下采样操作中对定位特征的强调，最终得到多尺度的特征融合图像。在Head输出端采用可以更好反应重合度的GIoU作为损失函数，其先计算同时包含预测框与真实框的最小框面积作为最小闭包区域面积，再计算出IoU值，然后计算最小闭包区域面积中不属于两个框的区域面积占最小闭包区域面积的比重，然后用IoU值减去该比重，最终得到GIoU值，具体计算公式如下：

其中：C为包围A、B的最小面积，A为预测框面积，B为真实框面积。

经过单阶段目标检测算法检测出各车道的车辆种类与车辆数量后，通过加权集成计算方式计算排队长度，其中加权集成是指将各类车折合为诸如小客车进行计算，然后对各车道的计算结果进行对比，最终取最大排队长度为当前时刻本道路的目标排队长度，其中加权集成计算公式如下：

其中：L表示排队长度，V表示各车型的车辆数量，Q表示各车型的权重，i表示不同车型。

一种可能的各车型的权重如下表1所示：

表1

步骤S214，判断信号灯配时方案是否合理。如果是，则重新执行步骤S204，即拍摄下一次的进口车道视频图像；如果否，则执行步骤S216。

步骤S216，进行信号灯配时方案调整。之后重新执行步骤S212，即计算下一次的排队长度。

本发明实施例提供的信号灯配时方法具有如下有益效果：

1、本发明实施例提出采用二分查找法确定信号灯由红变绿的时间区间，避免了信号灯误识别情况，可以更加精确地确定所要分析的待检测图像，进而提高了所检测的排队长度的准确性。

2、本发明实施例提出采用加权集成计算方式计算排队长度，更加适用于信号灯配时方案的调整。在对信号灯配时方案中的交通量进行调查时，需要对各种类型的车辆统一换算成标准小汽车数量以便统计，对排队长度采用同种方式进行检测不仅方便统计，还可以实现信号灯配时方案评估的可视化、数字化、标准化，并将其应用于信号灯配时方案的调整。

为了便于理解，还提供了一种示例性的具体实施例，如下：在平面交叉口处设置一个承载微基站、高清摄像机等设备的多功能杆；架设高清摄像机，对摄像机进行校准，设置其照射范围可以观察到道路情况和信号灯状态，如图3所示；获取实时流视频数据，将视频切分为每秒五帧，分析图像中信号灯状态，为避免信号灯状态误识别情况，需将前15帧图像的信号灯状态进行记录，采用二分查找法确定状态变化时间区间并提取图像，图4为提取的待检测图像；将提取的待检测图像通过labelme标定的各车道像素点位置区域进行切割，得到各车道图像(即目标图像)，图5为切割后的目标图像；对各车道图像采用单阶段目标检测算法进行识别，得到车辆信息，图6为车辆识别结果(即识别到的车辆信息)，通过加权集成计算方式最终得到本车道的目标排队长度；利用测得的目标排队长度对信号灯配时方案进行评估与调整。

采用二分查找法确定信号灯变化时间区间，可以有效避免HSV色彩识别有误情况，更加精确地提取出用于分析排队长度的图像。采用加权集成计算方式计算得到的排队长度，可以实现信号灯配时方案评估的可视化、数字化、标准化，并对信号灯配时方案的调整提供指导。

对应于上述的信号灯配时方法，本发明实施例还提供了一种信号灯配时装置，参见图7所示的一种信号灯配时装置的结构示意图，该装置包括：

图像获取模块701，用于获取实时拍摄的平面交叉口的进口车道视频图像；

图像确定模块702，用于通过对进口车道视频图像进行信号灯状态检测，确定待检测图像；其中，待检测图像的拍摄时刻为信号灯由红灯状态切换至绿灯状态的时刻；

车辆识别模块703，用于对待检测图像进行车辆识别，得到车辆识别结果；其中，车辆识别结果包括每个车道上各车型的车辆数量；

排队计算模块704，用于采用加权集成计算方式对车辆识别结果进行排队长度的计算，得到目标排队长度；

评估调整模块705，用于根据目标排队长度对当前的信号灯配时方案进行评估与调整。

进一步地，上述图像确定模块702具体用于：将进口车道视频图像中的每张图像从RGB格式转换为HSV格式，得到转换后图像；根据预先设定的HSV颜色空间对应的参考阈值区间，从各个转换后图像中筛选出图像序列；其中，图像序列为信号灯由红灯状态转换为绿灯状态过程中的多张转换后图像；采用二分查找法，从图像序列中确定候选图像；从进口车道视频图像中，截取得到与候选图像对应的待检测图像。

进一步地，上述车辆识别模块703具体用于：对待检测图像进行图像切割，得到包含进口车道所在区域的目标图像；采用单阶段目标检测算法对目标图像进行各车道的车辆识别，得到车辆识别结果。

进一步地，上述单阶段目标检测算法对应的网络模型包括顺次连接的输入端、基准网络、Neck网络和Head输出端，基准网络包括顺次连接的Focus结构和CSP结构，Neck网络包括顺次连接的FPN结构和PAN结构，Head输出端采用GIoU作为损失函数。

进一步地，上述输入端采用Mosaic数据增强方法对输入的待检测图像进行预设方式的预处理，并利用自适应锚框计算方法和自适应图片缩放方法，将预处理后的图片调整至适应基准网络的计算；其中，预设方式包括随机缩放、随机裁剪和随机排布中的一种或多种。

进一步地，上述Head输出端通过如下过程计算损失：计算同时包含预测框与真实框的最小框面积，得到最小闭包区域面积；根据预测框的面积与真实框的面积，计算得到IoU值；计算最小闭包区域面积中不属于预测框与真实框的合集区域面积，占最小闭包区域面积的比重，得到目标比重；将IoU值减去目标比重，得到GIoU值。

进一步地，上述排队计算模块704具体用于：根据车辆识别结果和各车型的权重，采用加权集成计算方式计算得到每个车道的排队长度；将计算得到的最大排队长度，确定为目标排队长度。

本实施例所提供的信号灯配时装置，其实现原理及产生的技术效果和前述信号灯配时方法实施例相同，为简要描述，信号灯配时装置实施例部分未提及之处，可参考前述信号灯配时方法实施例中相应内容。

如图8所示，本发明实施例提供的一种电子设备800，包括：处理器801、存储器802和总线，存储器802存储有可在处理器801上运行的计算机程序，当电子设备800运行时，处理器801与存储器802之间通过总线通信，处理器801执行计算机程序，以实现上述信号灯配时方法。

具体地，上述存储器802和处理器801能够为通用的存储器和处理器，这里不做具体限定。

本发明实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前面方法实施例中所述的信号灯配时方法。该存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

在这里示出和描述的所有示例中，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，示例性实施例的其他示例可以具有不同的值。

附图中的流程图和框图显示了根据本发明的多个实施例的装置、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，所述模块、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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，装置或单元的间接耦合或通信连接，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。

另外，在本发明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。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。