坐标系关系获取方法及装置

技术领域

本发明涉及无人驾驶技术领域，尤其涉及一种坐标系关系获取方法及装置。

背景技术

对于无人驾驶车辆来说，对周围环境的感知是非常重要的。激光雷达和双目摄像头都是无人驾驶车辆上重要的环境感知设备。其中，双目摄像头在无人驾驶中的功能主要是障碍物距离检测。激光雷达在无人驾驶中的功能主要有路沿检测、障碍物识别(对静态物体和动态物体的识别)以及定位和地图创建。

在实际应用中，需要获取无人驾驶车辆上激光雷达坐标系与双目摄像头坐标系之间的对应关系，以便对激光雷达坐标系和双目摄像头坐标系进行标定。

相关技术基于8点法(即8对点，其中，每对点包括单目摄像头拍摄图像中的像素点与该点对应的激光雷达点云数据)来获取激光雷达坐标系与双目摄像头坐标系之间的对应关系。这种技术中，点对的获取难度非常大，而且准确性低，这导致获取的激光雷达坐标系与双目摄像头坐标系之间的对应关系准确性低，影响了标定的准确性。

发明内容

为克服相关技术中存在的问题，本发明提供了一种坐标系关系获取方法及装置，提高激光雷达坐标系与双目摄像头坐标系标定的准确性。

根据本发明实施例的第一方面，提供一种坐标系关系获取方法，包括：

根据目标车辆上的激光雷达采集的多帧激光雷达点云数据，生成激光点云图；

根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图；

基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

示例性地，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用迭代最近点算法ICP，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

示例性地，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用正态分布变换NDT，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

示例性地，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用高斯混合模型，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

示例性地，根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图，包括：

根据所述目标车辆上的双目摄像头中第一摄像头实时采集的第一二维图像和所述双目摄像头中第二摄像头实时采集的第二二维图像，确定视差图；所述第一二维图像的采集时刻与所述第二二维图像的采集时刻相同；

基于所述视差图，生成稠密点云图。

根据本发明实施例的第二方面，提供一种坐标系关系获取装置，包括：

第一生成模块，用于根据目标车辆上的激光雷达采集的多帧激光雷达点云数据，生成激光点云图；

第二生成模块，用于根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图；

确定模块，用于基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

示例性地，所述确定模块具体用于：

利用迭代最近点算法ICP，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

示例性地，所述确定模块具体用于：

利用正态分布变换NDT，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

示例性地，所述确定模块具体用于：

利用高斯混合模型，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

示例性地，所述第二生成模块具体用于：

根据所述目标车辆上的双目摄像头中第一摄像头实时采集的第一二维图像和所述双目摄像头中第二摄像头实时采集的第二二维图像，确定视差图；所述第一二维图像的采集时刻与所述第二二维图像的采集时刻相同；

基于所述视差图，生成稠密点云图。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明实施例，通过根据目标车辆上的激光雷达采集的多帧激光雷达点云数据，生成激光点云图，根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，利用匹配的图像块获得两个坐标系之间更加准确的对应关系，提高了激光雷达坐标系与双目摄像头坐标系标定的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1是本发明实施例提供的坐标系关系获取方法的流程示例图。

图2是本发明实施例提供的坐标系关系获取装置的功能方块图。

图3是本发明实施例提供的电子设备的一个硬件结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。

在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的，而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

激光雷达和摄像头这两种环境感知设备，分别有各自的优缺点。摄像头的优点是成本低廉，用摄像头做算法开发的人员也比较多，技术相对比较成熟。但单目摄像头有如下劣势：第一，获取准确的三维信息非常难，对于单目摄像头来说几乎不可能；第二，单目摄像头受环境限制比较大，例如物体运动以及遮挡等问题对单目摄像头的影响很大。相比之下，根据双目摄像头采集的图像可获得环境的三维信息，并且物体运动以及遮挡等问题对双目摄像头的影响较小。

而激光雷达的优点在于，其探测距离较远，而且能够准确获取物体的三维信息；另外它的稳定性相当高，鲁棒性好。但目前激光雷达成本较高。

双目摄像头与人类的双眼类似，主要通过两幅图像的视差计算来确定距离。双目摄像头不需要知道障碍物是什么，只要通过计算就可以测距。

单目摄像头很大程度上是依靠图像识别，也就是把采集到的信息与标定信息进行比对、识别，所以需要依靠大量的数据训练，并且需要不断更新和维护，而且针对一些特殊地区特殊情况，还需要不断优化。而双目摄像头测距主要是依靠两个平行布置的摄像头产生的视差，把同一个物体所有的点都找到，依赖精确的三角测距，就能够算出摄像头与前方障碍物之间的距离。双目摄像头通过双目实时深度计算，可以计算出视野内障碍物每个点到摄像头的距离，然后可以快速划分出障碍物平面。双目摄像头不需要依靠大量的数据训练。

在实际应用中，通常将激光雷达和单目摄像头的数据进行融合来使用，以提高无人驾驶车辆的环境感知和场景理解能力。

为了将激光雷达和双目摄像头这二者的数据进行融合，需要对激光雷达坐标系与双目摄像头坐标系进行标定，即获得激光雷达坐标系与双目摄像头坐标系之间的对应关系。标定的准确性对于数据融合的质量具有重要的影响，对于无人驾驶技术的可用性具有重要意义。因此，如何提高激光雷达坐标系与双目摄像头坐标系标定的准确性，是无人驾驶领域一个亟待解决的重要问题。

为了解决上述的问题，本发明实施例提供了一种坐标系关系获取方法。

下面通过实施例对本发明的坐标系关系获取方法进行详细说明。

图1是本发明实施例提供的坐标系关系获取方法的流程示例图。如图1所示，本实施例中，坐标系关系获取方法可以包括：

S101，根据目标车辆上的激光雷达采集的多帧激光雷达点云数据，生成激光点云图。

S102，根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图。

S103，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

本实施例中，目标车辆上设置有双目摄像头和激光雷达。

其中，目标车辆上的激光雷达采集激光雷达点云数据时，可以处于非行驶状态。例如，当目标车辆停在某处时，打开激光雷达，采集激光雷达点云数据。

其中，稠密点云图中的每个点为基于双目摄像头采集的多帧二维图像中的像素点的自身位置变化而生成的三维点。

激光点云图和稠密点云图均为三维点云图。

其中，可以采用相关技术中的激光点云图生成方式根据多帧激光雷达点云数据生成激光点云图，此处不再赘述。

在一个示例性的实现过程中，根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图，可以包括：

根据所述目标车辆上的双目摄像头中第一摄像头实时采集的第一二维图像和所述双目摄像头中第二摄像头实时采集的第二二维图像，确定视差图；所述第一二维图像的采集时刻与所述第二二维图像的采集时刻相同；

基于所述视差图，生成稠密点云图。

使用双目摄像头测距，需要双目摄像头的两个摄像头有较高的同步率和采样率。双目摄像头的两个摄像头的同步率和采样率越高，测距越准确。

其中，可以采用相关技术中的视差计算方式，根据所述目标车辆上的双目摄像头中第一摄像头实时采集的第一二维图像和所述双目摄像头中第二摄像头实时采集的第二二维图像来确定视差图，此处不再赘述。

在一个示例中，步骤S103可以包括：

利用迭代最近点算法ICP(Iterative Closest Point)，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

假设有两组点集P和Q，P和Q分别为稠密点云图中的图像块和激光点云图中的图像块。则获取激光雷达坐标系与单目摄像头坐标系之间的对应关系的问题转换为找一组转换矩阵R和T，使得P中的每一个点经过变化后同Q中的最近点的误差之和最小。用数学的话描述就是最小化如下面公式(1)所示的目标函数：

其中，q

通过求解公式(1)所示的目标函数，即可得到转换矩阵R和T，转换矩阵R和T即为激光雷达坐标系与双目摄像头坐标系之间的对应关系。

其中，求解公式(1)所示的目标函数可以采用相关技术中的求解方法，例如奇异值分解SVD(Singular Value Decomposition)方法，此处不再赘述。

在一个示例中，步骤S103可以包括：

利用正态分布变换NDT(Normal Distribution Transform)，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

很多的配准算法，例如前述的ICP算法，前提都是环境大部分是不变的，但是完全不变的环境其实也是很少的，比如一辆车飞驰而过，一个人走过等等。因此，在实际应用中更多应该考虑的是允许小部分差异的配准，这时候ICP算法就会出现一些问题，而NDT则可以很好地解决细微差。

与ICP不同，NDT假设点云服从正态分布，找一个姿态，使得当前扫描点位于参考扫描平面上的可能性最大。假设当前扫描得到的点云为

可以采用相关技术中的求解方法求解公式(2)，例如采用牛顿法求解公式(2)，此处不再赘述。

在一个示例中，步骤S103可以包括：

利用高斯混合模型，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

关于高斯混合模型请参考相关技术的说明，此处不再赘述。

本发明实施例提供的坐标系关系获取方法，通过根据目标车辆上的激光雷达采集的多帧激光雷达点云数据，生成激光点云图，根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，利用匹配的图像块获得两个坐标系之间更加准确的对应关系，提高了激光雷达坐标系与双目摄像头坐标系标定的准确性。

基于上述的方法实施例，本发明实施例还提供了相应的装置、设备及存储介质实施例。

图2是本发明实施例提供的坐标系关系获取装置的功能方块图。如图2所示，本实施例中，坐标系关系获取装置可以包括：

第一生成模块210，用于根据目标车辆上的激光雷达采集的多帧激光雷达点云数据，生成激光点云图；

第二生成模块220，用于根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图；

确定模块230，用于基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，所述确定模块230可以具体用于：

利用迭代最近点算法ICP，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，所述确定模块230可以具体用于：

利用正态分布变换NDT，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，所述确定模块230可以具体用于：

利用高斯混合模型，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，所述第二生成模块220可以具体用于：

根据所述目标车辆上的双目摄像头中第一摄像头实时采集的第一二维图像和所述双目摄像头中第二摄像头实时采集的第二二维图像，确定视差图；所述第一二维图像的采集时刻与所述第二二维图像的采集时刻相同；

基于所述视差图，生成稠密点云图。

本发明实施例还提供了一种电子设备。图3是本发明实施例提供的电子设备的一个硬件结构图。本实施例的电子设备可以安装于无人驾驶车辆上。如图3所示，电子设备包括：内部总线301，以及通过内部总线连接的存储器302，处理器303和外部接口304，其中，

所述存储器302，用于存储坐标系关系获取逻辑对应的机器可读指令；

所述处理器303，用于读取存储器302上的机器可读指令，并执行所述指令以实现如下操作：

根据目标车辆上的激光雷达采集的多帧激光雷达点云数据，生成激光点云图；

根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图；

基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用迭代最近点算法ICP，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用正态分布变换NDT，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用高斯混合模型，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图，包括：

根据所述目标车辆上的双目摄像头中第一摄像头实时采集的第一二维图像和所述双目摄像头中第二摄像头实时采集的第二二维图像，确定视差图；所述第一二维图像的采集时刻与所述第二二维图像的采集时刻相同；

基于所述视差图，生成稠密点云图。

本发明实施例还提供一种无人驾驶系统，所述无人驾驶系统包括前述的任一种电子设备。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如下操作：

根据目标车辆上的激光雷达采集的多帧激光雷达点云数据，生成激光点云图；

根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图；

基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用迭代最近点算法ICP，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用正态分布变换NDT，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用高斯混合模型，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图，包括：

根据所述目标车辆上的双目摄像头中第一摄像头实时采集的第一二维图像和所述双目摄像头中第二摄像头实时采集的第二二维图像，确定视差图；所述第一二维图像的采集时刻与所述第二二维图像的采集时刻相同；

基于所述视差图，生成稠密点云图。

本发明实施例还提供一种无人驾驶系统，该系统部署于目标车辆上，该系统包括激光雷达和电子设备，其中：

所述激光雷达，用于为目标车辆在预设时间段内采集多帧激光雷达点云数据；

所述电子设备，用于：

根据目标车辆上的激光雷达采集的多帧激光雷达点云数据，生成激光点云图；

根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图；

基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用迭代最近点算法ICP，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用正态分布变换NDT，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系，包括：

利用高斯混合模型，基于所述激光点云图中的第一图像块和所述稠密点云图中与所述第一图像块匹配的第二图像块，确定所述目标车辆上的激光雷达坐标系与双目摄像头坐标系之间的对应关系。

在一个示例性的实现过程中，根据所述目标车辆上的双目摄像头采集的多帧二维图像，生成稠密点云图，包括：

根据所述目标车辆上的双目摄像头中第一摄像头实时采集的第一二维图像和所述双目摄像头中第二摄像头实时采集的第二二维图像，确定视差图；所述第一二维图像的采集时刻与所述第二二维图像的采集时刻相同；

基于所述视差图，生成稠密点云图。

对于装置和设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述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模块上。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说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。