障碍物检测方法、装置、设备和自动驾驶车辆

技术领域

本公开涉及人工智能技术领域，具体涉及自动驾驶、目标检测等技术领域，尤其涉及一种障碍物检测方法、装置、设备和自动驾驶车辆。

背景技术

在自动驾驶系统中，障碍物漏检会引发严重的安全问题，为此，对于道路上任何与主车有交互可能的障碍物的精准识别和跟踪，显得尤为重要。

目前的感知系统对于常规障碍物，如车辆、行人、非机动车的检测能力已经较好，但是，对于异形障碍物的检测能力有待提升。

发明内容

本公开提供了一种障碍物检测方法、装置、设备和自动驾驶车辆。

根据本公开的一方面，提供了一种障碍物检测方法，包括：对当前帧点云数据进行前景障碍物检测，以获得前景检测结果；若所述前景检测结果中不包含目标前景障碍物，对所述当前帧点云数据进行背景障碍物检测，以获得目标背景障碍物；所述目标前景障碍物是对上一帧点云数据进行前景障碍物检测后获得的；对所述目标前景障碍物和所述目标背景障碍物进行融合处理，以获得目标障碍物。

根据本公开的另一方面，提供了一种障碍物检测装置，包括：前景检测模块，用于对当前帧点云数据进行前景障碍物检测，以获得前景检测结果；背景检测模块，用于若所述前景检测结果中不包含目标前景障碍物，对所述当前帧点云数据进行背景障碍物检测，以获得目标背景障碍物；所述目标前景障碍物是对上一帧点云数据进行前景障碍物检测后获得的；融合模块，用于对所述目标前景障碍物和所述目标背景障碍物进行融合处理，以获得目标障碍物。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。

根据本公开的另一方面，提供了一种自动驾驶车辆，包括上述任一方面的任一项所述的电子设备。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是用来实现本公开实施例的应用场景的示意图；

图3是根据本公开实施例提供的异形障碍物的示意图；

图4是根据本公开实施例提供的前背景结合的检测流程的示意图；

图5是根据本公开第二实施例的示意图；

图6是根据本公开第三实施例的示意图；

图7是根据本公开第四实施例的示意图；

图8是用来实现本公开实施例的障碍物检测方法的电子设备的示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

异形障碍物，是指一些非常规障碍物，这类障碍物通常没有固定的尺寸和体积，也没有明确的类别，在道路上出现的频率也较低。主要包括：拉树大车、拉钢管货车、拉气球非机动车、拖车行人等。由于这类障碍物的尺寸、体积和类别都是不确定的，目前的感知系统对于这类障碍物的检测能力较差，经常出现漏检问题。

为了提高异形障碍物的检测能力，降低漏检问题，本公开提供如下实施例。

图1是根据本公开第一实施例的示意图，本实施例提供一种障碍物检测方法，该方法包括：

101、对当前帧点云数据进行前景障碍物检测，以获得前景检测结果。

102、若所述前景检测结果中不包含目标前景障碍物，对所述当前帧点云数据进行背景障碍物检测，以获得目标背景障碍物；所述目标前景障碍物是对上一帧点云数据进行前景障碍物检测后获得的。

103、对所述目标前景障碍物和所述目标背景障碍物进行融合处理，以获得目标障碍物。

其中，前景障碍物，通常是指可以通过包围框来建模和表示的障碍物，如车辆、行人、非机动车等。

背景障碍物，通常是指不具有明确的轮廓信息，无法用包围框来建模和表示的障碍物，如路栏、灌木丛、并排水马等。

具体地，前景障碍物，可以通过预先训练的目标检测模型进行检测，将某一帧点云数据输入到目标检测模型中，目标检测模型的输出是该帧点云数据包括的前景障碍物的检测结果，该检测结果可以用包围框表征。目标检测模型例如是PointPillars模型，PointPillars模型是一种目标检测模型，可以输出目标的三维(3D)包围框。采用目标检测模型，对于具有明确轮廓，即可以用包围框表征的障碍物的识别效果较好。

背景障碍物，可以基于语义分割的思想，针对某一帧点云数据中的各个点，逐点检测该点是否为障碍物，这样对于非常规障碍物(不具有明确轮廓的障碍物)的识别效果较好。

假设当前帧用第t帧表示，上一帧用第(t-1)帧表示，对上一帧点云数据，即第(t-1)帧点云数据进行前景障碍物检测后，得到的前景障碍物称为目标前景障碍物。例如，将上一帧点云数据输入到目标检测模型进行处理后，输出是车辆A的3D包围框，则目标前景障碍物是车辆A。

将当前帧点云数据输入到目标检测模型后，得到当前帧点云数据对应的前景检测结果。

若该前景检测结果不包含目标前景障碍物，例如，前景检测结果包括的前景障碍物是车辆B，由于目标前景障碍物是车辆A，则此时的前景检测结果不包含目标前景障碍物，此时的目标前景障碍物(车辆A)可能存在漏检问题。

为了提升障碍物的检出率，避免或降低漏检问题，在该前景检测结果中不包含目标前景障碍物时，还对当前帧点云数据进行背景障碍物检测。

基于当前帧点云数据获得的背景障碍物，可以称为目标背景障碍物。

与前景障碍物是基于目标检测模型进行检测不同的是，背景障碍物检测时，可以逐点判断点云中每个点属于障碍物的概率，将概率大于阈值的点作为背景障碍物中的点，这样不仅可以识别出常规障碍物，还可以识别出非常规障碍物。例如，在异形障碍物是拉树大车的场景下，通过逐点分析，可以识别出该场景下大车所对应的点，还可以识别出大车上所拉的树木对应的点，即此时的目标背景障碍物包括大车和树木，又由于逐点识别自身特点，对于非常规障碍物，如该场景下大车所拉的树木的识别效果较为精准。

获取目标前景障碍物和目标背景障碍物后，可以对两者进行融合处理，得到目标障碍物。例如，目标前景障碍物是车辆A，目标背景障碍物包括上述的树木，通过融合处理后，可以将车辆A和树木进行组合，得到拉树大车这一异形障碍物。

本实施例中，通过融合目标前景障碍物和目标背景障碍物，得到目标障碍物，可以结合前景障碍物检测和背景障碍物检测的优点，提高障碍物检测能力，避免或降低漏检问题。

为了更好地理解本公开实施例，对本公开实施例的应用场景进行说明。本实施例以自动驾驶场景为例。

图2是用来实现本公开实施例的应用场景的示意图。如图2所示，自动驾驶车辆201在行驶过程中可以与服务器202进行通信。服务器可以是车企本地服务器或云端服务器，可以是单一服务器或服务器集群。自动驾驶车辆可以通过移动通信网络和/或卫星通信网络与服务器进行通信。

自动驾驶车辆201在行驶过程中，可以利用激光雷达或深度摄像头等传感器采集多帧点云数据，并将采集的点云数据发送至服务器，服务器基于这些点云数据进行障碍物检测，得到目标障碍物。上述以服务器进行障碍物检测为例，可以理解的是，如果自动驾驶车辆具有相关能力，也可以由自动驾驶车辆离线进行障碍物检测。

在具体实现上，可以结合前景障碍物检测和背景障碍物检测，得到目标障碍物，以提升障碍物，特别是异形障碍物的检出能力。

异形障碍物，是指一些非常规障碍物，这类障碍物通常没有固定的尺寸和体积，也没有明确的类别，在道路上出现的频率也较低。主要包括：拉树大车、拉钢管货车、拉气球非机动车、拖车行人等。

如图3所示，给出了三种异形障碍物的示意图，这些异形障碍物分别是：拉气球车、拉树车、拖车行人。

由于异形障碍物的尺寸、体积和类别都是不确定的，目前的感知系统对于这类障碍物的检测能力较差，经常出现漏检问题。

为了降低障碍物漏检问题，本实施例中，如图4所示，主要基于相邻的两帧点云数据进行障碍物检测，相邻的两帧点云数据可以分别称为当前帧点云数据和上一帧点云数据，分别用第t帧点云数据和第(t-1)帧点云数据表示。

如图4所示，针对第(t-1)帧点云数据，将该帧点云数据输入到预先训练的目标检测模型中，以目标检测模型是3D目标检测模型为例，通过该目标检测模型，可以较为精准地识别出该帧点云数据包含的前景障碍物的3D包围框。例如，针对拉树车这一异形障碍物，可以识别出其中车的3D包围框。将目标检测模型识别出的第(t-1)帧点云数据中的前景障碍物称为目标前景障碍物。

针对第t帧点云数据，也将该第t帧点云数据输入到上述的目标检测模型中，得到前景检测结果。该前景检测结果中可能包含或不包含上述的目标前景障碍物，若包含上述的目标前景障碍物，则可以将基于该第t帧点云数据获得的前景障碍物作为新的目标前景障碍物，基于下一帧点云数据的前景检测结果执行相应操作，持续进行前景障碍物跟踪。

若该前景检测结果不包含上述的目标前景障碍物，如图4所示，则对第t帧点云数据进行背景障碍物检测，通过背景障碍物检测最终得到的背景障碍物可以称为目标背景障碍物。例如，针对拉树车这一异形障碍物，通过背景障碍物可以识别出较为精准的树的边界。

之后，对目标前景障碍物和目标背景障碍物进行融合处理，得到目标障碍物。具体地，可以预先配置融合规则，基于该规则进行融合处理。例如，可以将目标前景障碍物对应的3D包围框区域和目标背景障碍物边界对应的区域的并集区域作为目标障碍物的区域。

结合上述的应用场景，本公开还提供一种障碍物检测方法。

图5是根据本公开第二实施例的示意图，本实施例提供一种障碍物检测方法，该方法包括：

501、对上一帧点云数据进行前景障碍物检测，以获得目标前景障碍物。

其中，结合图4，可以将上一帧点云数据(第(t-1)帧点云数据)输入到目标检测模型(如PointPillars模型)中，目标检测模型检出的该第(t-1)帧点云数据中包含的前景障碍物称为目标前景障碍物。

502、对当前帧点云数据进行前景障碍物检测，以获得前景检测结果。

其中，结合图4，可以将当前帧点云数据(第t帧点云数据)输入到目标检测模型(如PointPillars模型)中，对应该第t帧点云数据，目标检测模型的输出是前景检测结果。

503、若所述前景检测结果中不包含目标前景障碍物，对所述当前帧点云数据进行背景障碍物检测，以获得目标背景障碍物。

其中，可以采用多种背景障碍物检测算法，对所述当前帧点云数据进行背景障碍物检测，以获得多种背景障碍物检测结果；若至少一种背景障碍物检测结果中包含背景障碍物，将所述至少一种背景障碍物检测结果中包含的背景障碍物，作为所述目标背景障碍物。

例如，多种背景障碍物检测算法包括第一背景障碍物检测算法和第二背景障碍物检测算法，基于第一背景障碍物检测算法获得第一背景障碍物，基于第二背景障碍物检测算法未检测到背景障碍物，则将第一背景障碍物作为目标背景障碍物；或者，基于第一背景障碍物检测算法未检测到背景障碍物，基于第二背景障碍物检测算法检测到第二背景障碍物，则将第二背景障碍物作为目标背景障碍物；或者，基于第一背景障碍物检测算法获得第一背景障碍物，基于第二背景障碍物检测算法检测到第二背景障碍物，则将第一背景障碍物和第二背景障碍物作为目标背景障碍物。

另外，若基于任一种背景障碍物均未检测到背景障碍物，则可以认为背景障碍物为空，可以将基于上一帧点云数据获得的目标前景障碍物作为当前帧点云数据对应的目标障碍物。

本实施例中，采用多种背景障碍物检测算法进行背景障碍物检测，可以以多种方式进行背景障碍物检测，提升背景障碍物的检出率。

进一步地，所述多种背景障碍物检测算法包括：第一背景障碍物检测算法和第二背景障碍物检测算法；所述第一背景障碍物检测算法用于检测处于运行状态的背景障碍物；所述第二背景障碍物检测算法用于检测处于静止状态的背景障碍物。

具体地，第一背景障碍物检测算法和第二背景障碍物检测算法可以是相关技术中的分别用于检测运动目标和静止目标的算法。

例如，第一背景障碍物检测算法，通过比对当前帧点云数据和上一帧点云数据，可以识别出这两个相邻帧点云数据中存在运动的点，将这些存在运动的点聚类为背景障碍物对应的点，将这些点对应的边界作为第一背景障碍物的边界，第一背景障碍物是采用第一背景障碍物检测算法检测出的背景障碍物。

又例如，第二背景障碍物检测算法，可以对当前帧点云数据进行语义分割处理，将同一语义对应的点聚类为背景障碍物对应的点，将这些点对应的边界作为第二背景障碍物的边界，第二背景障碍物是采用第二背景障碍物检测算法检测出的背景障碍物。

本实施例中，由于第一背景障碍物检测算法用于检测处于运动状态的背景障碍物，第二背景障碍物检测算法用于检测处于静止状态的背景障碍物，可以覆盖运动障碍物和静止障碍物的检测，提高检测范围的全面性，以尽量检出各种可能存在的背景障碍物。

504、对所述目标前景障碍物和所述目标背景障碍物进行融合处理，以获得目标障碍物。

其中，可以对所述目标前景障碍物和所述目标背景障碍物进行时空对齐处理，以获得时空对齐处理后的目标前景障碍物和目标背景障碍物；对所述时空对齐处理后的目标前景障碍物和目标背景障碍物进行关联处理，以获得相互关联的目标前景障碍物和目标背景障碍物；以及，对所述相互关联的目标前景障碍物和目标背景障碍物进行至少一种状态信息的融合处理，以获得所述目标障碍物。

其中，由于目标前景障碍物是基于上一帧点云数据获得的，目标背景障碍物是基于当前帧点云数据获得的，为了提高准确度，需要对目标前景障碍物和目标背景障碍物进行时空对齐处理，时空对齐处理是指将目标前景障碍物和目标背景障碍物映射到同一时空坐标系下，具体可以通过运动补偿的方式进行时空对齐处理。

获得时空对齐处理后的目标前景障碍物和目标背景障碍物后，为了获得针对同一个障碍物的检测结果，需要对上述的目标前景障碍物和目标背景障碍物进行关联处理，具体可以基于目标前景障碍物对应的第一包围框和目标背景障碍物对应的第二包围框的交并比进行关联，例如，上述的第一包围框与第二包围框的交并比大于预设阈值，则表明对应的目标前景障碍物和目标背景障碍物是同一个障碍物，两者是相互关联的。之后，对相互关联的目标前景障碍物和目标背景障碍物进行融合处理。

本实施例中，通过时空对齐处理、关联处理后，再进行融合处理，可以提高目标障碍物的检测精准度。

进一步地，所述至少一种状态信息的融合处理，包括如下项中的至少一项：位置信息的融合处理、尺寸信息的融合处理、速度信息的融合处理。

其中，获取目标障碍物可以具体是指获取目标障碍物的至少一种状态信息。至少一种状态信息例如包括：位置信息、尺寸信息和速度信息中的一项或多项，相应地，融合处理也可以是上述至少一种状态信息的融合处理。

具体的融合规则可以是预设的，不同的状态信息的融合规则可以相同或不同。例如，采用目标检测模型，还可以获得目标前景障碍物的第一速度信息和第一速度信息的第一置信度，采用第一背景障碍物检测算法(用于检测运动障碍物的算法)可以获得目标背景障碍物的第二速度信息和第二速度信息的第二置信度，若第一置信度大于第二置信度，则确定最终的目标障碍物的速度信息是第一速度信息。又例如，对应位置信息，可以对目标前景障碍物的第一位置信息和目标背景障碍物的第二位置信息进行加权求和后得到最终目标障碍物的位置信息。又例如，针对尺寸信息，可以将目标前景障碍物的第一尺寸信息对应的区域和目标背景障碍物的第二尺寸信息对应的区域求并集区域，将该并集区域对应的尺寸信息作为目标障碍物的尺寸信息。

本实施例中，通过进行位置信息的融合处理、尺寸信息的融合处理、速度信息的融合处理中的一项或多项，可以提高灵活性，分别获得目标障碍物的较为精准的各种状态信息。

图6是根据本公开第三实施例的示意图，本实施例提供一种障碍物检测装置，该装置600包括：前景检测模块601、背景检测模块602和融合模块603。

前景检测模块601用于对当前帧点云数据进行前景障碍物检测，以获得前景检测结果；背景检测模块602用于若所述前景检测结果中不包含目标前景障碍物，对所述当前帧点云数据进行背景障碍物检测，以获得目标背景障碍物；所述目标前景障碍物是对上一帧点云数据进行前景障碍物检测后获得的；融合模块603用于对所述目标前景障碍物和所述目标背景障碍物进行融合处理，以获得目标障碍物。

本实施例中，通过融合目标前景障碍物和目标背景障碍物，得到目标障碍物，可以结合前景障碍物检测和背景障碍物检测的优点，提高障碍物检测能力，避免或降低漏检问题。

一些实施例中，所述背景检测模块602进一步用于：

采用多种背景障碍物检测算法，对所述当前帧点云数据进行背景障碍物检测，以获得多种背景障碍物检测结果；

若至少一种背景障碍物检测结果中包含背景障碍物，将所述至少一种背景障碍物检测结果中包含的背景障碍物，作为所述目标背景障碍物。

本实施例中，采用多种背景障碍物检测算法进行背景障碍物检测，可以以多种方式进行背景障碍物检测，提升背景障碍物的检出率。

一些实施例中，所述多种背景障碍物检测算法包括：

第一背景障碍物检测算法和第二背景障碍物检测算法；

所述第一背景障碍物检测算法用于检测处于运行状态的背景障碍物；

所述第二背景障碍物检测算法用于检测处于静止状态的背景障碍物。

本实施例中，由于第一背景障碍物检测算法用于检测处于运动状态的背景障碍物，第二背景障碍物检测算法用于检测处于静止状态的背景障碍物，可以覆盖运动障碍物和静止障碍物的检测，提高检测范围的全面性，以尽量检出各种可能存在的背景障碍物。

一些实施例中，所述融合模块603进一步用于：

对所述目标前景障碍物和所述目标背景障碍物进行时空对齐处理，以获得时空对齐处理后的目标前景障碍物和目标背景障碍物；

对所述时空对齐处理后的目标前景障碍物和目标背景障碍物进行关联处理，以获得相互关联的目标前景障碍物和目标背景障碍物；

对所述相互关联的目标前景障碍物和目标背景障碍物进行至少一种状态信息的融合处理，以获得所述目标障碍物。

本实施例中，通过时空对齐处理、关联处理后，再进行融合处理，可以提高目标障碍物的检测精准度。

一些实施例中，所述至少一种状态信息的融合处理，包括如下项中的至少一项：

位置信息的融合处理、尺寸信息的融合处理、速度信息的融合处理。

本实施例中，通过进行位置信息的融合处理、尺寸信息的融合处理、速度信息的融合处理中的一项或多项，可以提高灵活性，分别获得目标障碍物的较为精准的各种状态信息。

可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。

可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，如图7所示，本公开还提供了一种自动驾驶车辆，该自动驾驶车辆700包括电子设备701。关于电子设备701的说明可以参见后续实施例。具体地，该电子设备701可以具体执行障碍物检测操作。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备800旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备800还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如障碍物检测方法。例如，在一些实施例中，障碍物检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的障碍物检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行障碍物检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程负载均衡装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。