车辆的多目标关联方法、装置、车辆及存储介质

技术领域

本申请涉及自动驾驶感知目标技术领域，特别涉及一种车辆的多目标关联方法、装置、车辆及存储介质。

背景技术

随着智能化时代的到来，各行各业技术蓬勃发展。大众消费者对智能化茶品的希望和需求也越来越大。然而智能化于汽车行业，不仅是满足客户需求，也是行业拉升品牌的有效途径。因此，自动驾驶在新时代、新技术背景下，逐渐成为新一轮社会热潮。在底层技术受限的条件下，结构化道路是自动驾驶领域的主要方向，但是仍然存在两大技术难题：1、多源传感器目标关联；2、多源传感器目标属性融合。复杂的现实环境决定了单一传感器对显示表达不足，多源异构传感器的目标成为自动驾驶必不可少信息，对车辆驾驶控制有着关键性的作用。但不同传感器由于受环境和硬件条件的限制，都会存在目标虚假、丢失以及位置、速度等关键信息的跳变和误差。

发明内容

本申请提供一种车辆的多目标关联方法、装置、车辆及存储介质，以解决相关技术中由于不同传感器受环境和硬件限制，导致获取目标信息的丢失或者偏差，难以实现多源异构传感器目标关联等问题。

本申请第一方面实施例提供一种车辆的多目标关联方法，包括以下步骤：获取多个传感器采集车辆周围的道路信息和跟踪目标的跟踪信息；提取每个传感器采集的道路信息中所述跟踪目标的目标信息，基于所述跟踪信息和/或所述目标信息构建代价矩阵；利用所述代价矩阵和预设关联配对信息确定最优匹配对，利用所述最优匹配对对所述多个传感器进行同步目标关联或异步目标关联，以实现所述跟踪目标的同步跟踪或异步跟踪。

根据上述技术手段，本申请实施例可以通过车辆跟踪目标的跟踪信息和/或目标信息构建代价矩阵，利用代价矩阵寻找最优途的办法解决目标关联问题，不仅能实现同步目标匹配跟踪，也能实现异步目标匹配跟踪，能够更真实的复原现实场景。

可选地，所述利用所述代价矩阵和预设关联配对信息确定最优匹配对，包括：利用匈牙利算法对所述代价矩阵进行计算，确定最小匹配代价对应的匹配对，所述最优匹配对为所述最小匹配代价对应的匹配对。

根据上述技术手段，本申请实施例可以采用匈牙利算法对代价矩阵进行计算，寻找最优匹配对，从而实现目标关联。

可选地，所述利用所述最优匹配对对所述多个传感器进行同步目标关联或异步目标关联，包括：基于跟踪目标与每个传感器的观测目标匹配形成跟踪链表，利用所述跟踪链表串联所述跟踪目标的所有目标信息，实现所述多个传感器的同步目标关联；关联所述跟踪目标与每个传感器的观测目标，实现所述多个传感器的异步目标关联。

根据上述技术手段，本申请实施例针对同步目标关联，能基于跟踪目标信息与观测目标匹配形成跟踪链表，串联目标上下文信息，增加了单传感器目标的动态属性，也提升了目标的可靠性；针对异步目标关联，能使跟踪目标与各传感器观测目标关联，提升了实时场景感知目标的稳定性，降低环境认知的资源消耗。

可选地，所述基于所述跟踪信息和/或所述目标信息构建代价矩阵，包括：若对所述多个传感器进行同步目标关联，则基于所述跟踪信息和所述目标信息构建代价矩阵；若对所述多个传感器进行异步目标关联，则基于所述跟踪信息或所述目标信息构建代价矩阵。

根据上述技术手段，本申请实施例针对同步目标关联和异步目标关联，利用不同的信息进行构建代价矩阵，为计算最优关联匹配做预处理。

可选地，所述若对所述多个传感器进行同步目标关联，则基于所述跟踪信息和所述目标信息构建代价矩阵，包括：基于所述跟踪信息和所述目标信息构建每个传感器的代价矩阵，利用所述每个传感器的代价矩阵实现单传感器目标关联；在单传感器目标关联之后，融合所述每个传感器的目标信息，得到融合信息，基于所述融合信息和所述每个传感器的目标信息构建代价矩阵。

根据上述技术手段，本申请实施例在进行同步目标关联时，可以基于单传感器的目标信息和融合目标信息构建代价矩阵。

可选地，若对所述多个传感器进行异步目标关联，则基于所述跟踪信息或所述目标信息构建代价矩阵，包括：根据所述每个传感器的跟踪信息，或者所述每个传感器的目标信息的融合信息构建代价矩阵。

根据上述技术手段，本申请实施例在进行异步目标关联时，可以根据单传感器跟踪信息或者多传感器融合信息构建代价矩阵。

可选地，在基于所述跟踪信息和/或所述目标信息构建代价矩阵之前，包括：获取每个传感器的传感器测量特征和传感器跟踪特征；根据所述传感器测量特征对所述目标信息进行时间补偿和空间同步；根据所述传感器跟踪特征对所述跟踪信息进行时间补偿和空间同步。

根据上述技术手段，本申请实施例在构建代价矩阵之前，需要根据传感器的测量特征和跟踪特征，分别对目标信息和跟踪信息进行时间补偿和空间同步，以便准确获取到目标信息和跟踪信息，保证后续构建代价矩阵的可靠性。

本申请第二方面实施例提供一种车辆的多目标关联装置，包括：获取模块，用于获取多个传感器采集车辆周围的道路信息和跟踪目标的跟踪信息；构建模块，用于提取每个传感器采集的道路信息中所述跟踪目标的目标信息，基于所述跟踪信息和/或所述目标信息构建代价矩阵；匹配模块，用于利用所述代价矩阵和预设关联配对信息确定最优匹配对，利用所述最优匹配对对所述多个传感器进行同步目标关联或异步目标关联，以实现所述跟踪目标的同步跟踪或异步跟踪。

本申请第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并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程序，以实现如上述实施例所述的车辆的多目标关联方法。

本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的车辆的多目标关联方法。

由此，本申请至少具有如下有益效果：

(1)本申请实施例可以通过车辆跟踪目标的跟踪信息和/或目标信息构建代价矩阵，利用代价矩阵寻找最优途的办法解决目标关联问题，不仅能实现同步目标匹配跟踪，也能实现异步目标匹配跟踪，能够更真实的复原现实场景。

(2)本申请实施例可以采用匈牙利算法对代价矩阵进行计算，寻找最优匹配对，从而实现目标关联。

(3)本申请实施例针对同步目标关联，能基于跟踪目标信息与观测目标匹配形成跟踪链表，串联目标上下文信息，增加了单传感器目标的动态属性，也提升了目标的可靠性；针对异步目标关联，能使跟踪目标与各传感器观测目标关联，提升了实时场景感知目标的稳定性，降低环境认知的资源消耗。

(4)本申请实施例针对同步目标关联和异步目标关联，利用不同的信息进行构建代价矩阵，为计算最优关联匹配做预处理。

(5)本申请实施例在进行同步目标关联时，可以基于单传感器的目标信息和融合目标信息构建代价矩阵。

(6)本申请实施例在进行异步目标关联时，可以根据单传感器跟踪信息或者多传感器融合信息构建代价矩阵。

(7)本申请实施例可以在构建代价矩阵之前根据传感器的测量特征和跟踪特征，分别对目标信息和跟踪信息进行时间补偿和空间同步，以便准确获取到目标信息和跟踪信息，保证后续构建代价矩阵的可靠性。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种车辆的多目标关联方法的流程图；

图2为根据本申请实施例提供的同源传感器异步目标关联匹配流程图；

图3为根据本申请实施例提供的异构传感器同步目标关联匹配流程图；

图4为根据本申请实施例提供的车辆的多目标关联装置的示例图；

图5为根据本申请实施例提供的车辆的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的车辆的多目标关联方法、装置、车辆及存储介质。针对上述背景技术中提到的在底层技术受限的情况下，结构化道路是自动驾驶领域的主要方向，但是仍存在着多源传感器目标关联和多源传感器目标属相融合的问题，本申请提供了一种车辆的多目标关联方法，在该方法中，采用代价矩阵寻找最优途径的思想解决目标关联问题。由此，解决了相关技术中由于不同传感器受环境和硬件限制，导致获取目标信息的丢失或者偏差，难以实现多源异构传感器目标关联等问题。

具体而言，图1为本申请实施例所提供的一种车辆的多目标关联方法的流程示意图。

如图1所示，该车辆的多目标关联方法包括以下步骤：

在步骤S101中，获取多个传感器采集车辆周围的道路信息和跟踪目标的跟踪信息。

其中，多个传感器可以包括但不限于前视摄像头、周视摄像头、毫米波雷达以及激光雷达等；道路信息包括车道、车道线、车辆目标、行人目标、道路交通标识、交通流、交通灯和路口指示等基础信息，比如摄像头采用深度学习检测在车道图像中提取目标，毫米波和激光雷达采用点云数据聚类获得车道目标数；跟踪信息可以包括跟踪目标的ID、类型、运动趋势、速度等基础信息。

在步骤S102中，提取每个传感器采集的道路信息中跟踪目标的目标信息，基于跟踪信息和/或目标信息构建代价矩阵。

其中，目标信息包括目标跟踪ID、位置、速度、加速度、航向角、运动状态等基础信息；代价矩阵包括特征目标与待关联目标属性之间的欧式距离。其中，特征目标包括单传感器跟踪目标和多传感器融合目标。

在本申请实施例中，在基于跟踪信息和/或目标信息构建代价矩阵之前，包括：获取每个传感器的传感器测量特征和传感器跟踪特征；根据传感器测量特征对目标信息进行时间补偿和空间同步；根据传感器跟踪特征对跟踪信息进行时间补偿和空间同步。

需要说明的是，本申请实施例可以根据传感器的测量特征和跟踪特征进行时间补偿和空间同步。由于传感器在感知环境到目标输出，存在算法延迟，需要根据延迟特性补偿时差，同时也需要对延迟时间进行空间变换同步。

在本申请实施例中，基于跟踪信息和/或目标信息构建代价矩阵，包括：若对多个传感器进行同步目标关联，则基于跟踪信息和目标信息构建代价矩阵；若对多个传感器进行异步目标关联，则基于跟踪信息或目标信息构建代价矩阵。

可以理解的是，当对多个传感器进行同步目标关联时，基于跟踪信息和目标信息构建代价矩阵；当对多个传感器进行异步目标关联时，基于跟踪信息或目标信息构建代价矩阵。

在本申请实施例中，若对多个传感器进行同步目标关联，则基于跟踪信息和目标信息构建代价矩阵，包括：基于跟踪信息和目标信息构建每个传感器的代价矩阵，利用每个传感器的代价矩阵实现单传感器目标关联；在单传感器目标关联之后，融合每个传感器的目标信息，得到融合信息，基于融合信息和每个传感器的目标信息构建代价矩阵。

可以理解的是，若对多个传感器进行同步目标关联，首先基于跟踪信息和目标信息构建每个传感器的代价矩阵，实现单传感器目标关联，然后融合每个传感器的目标信息，得到融合信息，最后基于融合信息和目标信息以及其他属性构建代价矩阵。

在本申请实施例中，若对多个传感器进行异步目标关联，则基于跟踪信息或目标信息构建代价矩阵，包括：根据每个传感器的跟踪信息，或者每个传感器的目标信息的融合信息构建代价矩阵。

可以理解的是，若对多个传感器进行异步目标关联，只需根据单传感器跟踪信息或者多传感器融合信息构建代价矩阵。

在步骤S103中，利用代价矩阵和预设关联配对信息确定最优匹配对，利用最优匹配对多个传感器进行同步目标关联或异步目标关联，以实现跟踪目标的同步跟踪或异步跟踪。

其中，预设关联配对信息是指已经完成的目标关联的信息。

可以理解的是，本申请实施例可以结合代价矩阵和预设关联配对信息获取到最优匹配对，实现目标关联。

在本申请实施例中，利用代价矩阵和预设关联配对信息确定最优匹配对，包括：利用匈牙利算法对代价矩阵进行计算，确定最小匹配代价对应的匹配对，最优匹配对为最小匹配代价对应的匹配对。

可以理解的是，本申请实施例可以采用匈牙利算法寻找最优完全匹配，即对代价矩阵进行匈牙利算法计算最小匹配代价，寻找最优匹配对。

在本申请实施例中，利用最优匹配对对多个传感器进行同步目标关联或异步目标关联，包括：基于跟踪目标与每个传感器的观测目标匹配形成跟踪链表，利用跟踪链表串联跟踪目标的所有目标信息，实现多个传感器的同步目标关联；关联跟踪目标与每个传感器的观测目标，实现多个传感器的异步目标关联。

可以理解的是，本申请实施例针对多传感器的同步目标关联，能基于跟踪目标信息和观测目标匹配形成跟踪链表，串联目标上下文信息，不仅增加单传感器目标的动态属性，同事也提升了目标的可靠性；针对多传感器异步目标关联，能使跟踪目标与各个传感器观测目标关联，提升了实时场景感知目标的稳定性，降低环境认知的资源消耗。

具体而言，基于本申请提出的一种车辆的多目标关联系统包括：道路信息获取单元、道路信息缓存单元、代价矩阵构建单元、最优匹配对计算单元和关联合理性评估单元。

其中，道路信息获取单元用于接收各传感器上报道路环境信息；道路信息缓存单元用于缓存各传感器感知道路数据；代价矩阵构建单元用于以特征目标属性为参数集和待关联目标属性为参数集，采用欧式距离构建目标代价矩阵；最优匹配对计算单元用于采用匈牙利算法寻找代价矩阵最优匹配，实现观测目标与跟踪目标的配对；关联合理性评估单元用于结合历史上下文信息计算当前匹配对的合理性。

其中，道路信息包括车道、车道线、车辆目标、行人目标、道路交通标识、交通流、交通灯和路口指示等基础信息；目标信息包括目标跟踪ID、位置、速度、加速度、航向角、运动状态等基础信息；代价矩阵包括特征目标与待关联目标属性之间欧式距离；特征目标包括单传感器跟踪目标和多传感器融合目标。

基于上述实施例所阐述的车辆的多目标关联方法，可以理解的是，车辆的多目标关联方法的实现主要包括如下步骤：

步骤1、通过前视摄像头、周视摄像头、毫米波雷达以及激光雷达等传感器获取道路信息；

步骤2、接收不同传感器上报的道路环境信息：目标数据、车道线数据、路标数据等，并缓存形成感知历史数据；

步骤3、结合单传感器跟踪信息或者多传感器融合数据与待关联感知数据，构建代价矩阵，为计算最优关联匹配做预处理；

步骤4、结合代价矩阵和历史已完成关联配对信息，删除代价矩阵冗余信息。其余未完成关联的目标采用匈牙利算法，寻找代价最小匹配对；

步骤5、结合历史匹配信息以及关联特征相似度评估代价最小匹配对可信度，并根据置信度输出最接近现实环境的最优匹配对。

综上，本申请实施例针对同源传感器目标关联，能基于跟踪目标信息与观测目标匹配形成跟踪链表，串联目标上下文信息，不仅增加单传感器目标的动态属性，同时也提升了目标的可靠性；针对多源传感器目标关联，能使异构跟踪目标与各传感器观测目标关联，提升了实时场景感知目标的稳定性，降低环境认知的资源消耗。

下面将分别从同源传感器异步目标关联匹配和异构传感器同步目标关联匹配来具体阐述车辆的多目标关联方法。

如图2所示，一种同源传感器异步目标关联匹配方法，步骤如下：

步骤1、通过传感设备获取道路目标信息。道路目标信息包括目标跟踪ID、车辆坐标系下的位置、速度、加速度以及目标类型、运动趋势、航向角等，信息获取可来源于摄像头、毫米波雷达和激光雷达等传感器；

步骤2、根据不同传感器特性以及先验知识指定预处理数据清洗规则，并过滤无效以及明显异常目标；

步骤3、根据传感器测量特性，进行时间补偿和空间同步。由于传感器在感知环境到目标输出，存在算法延时，需要根据延时特性补偿时差，同时也需要对延时时间进行空间变换同步；

步骤4、根据传感器跟踪特性，进行时间补偿和空间同步。由于跟踪目标与当前目标存在时间差，需要根据特性进行时间补偿以及空间同步；

步骤5、结合单传感器跟踪信息或者多传感器融合数据与待关联感知数据，构建代价矩阵，为计算最优关联匹配做预处理；

步骤7、采用匈牙利算法(不仅限此方法)寻找最优完全匹配。对代价矩阵进行匈牙利算法计算最小匹配代价，寻找最优匹配对；

步骤8、结合跟踪信息评估最优完全匹配。运用跟踪过程中提取的特征信息，评估当前匹配对的置信度，增强输出目标的可靠性。

如图3所示，一种异构传感器同步目标关联匹配方法，步骤如下：

步骤1、单传感器目标信息获取：

(1)不同传感器设备采用不同的方式获取车道目标信息。例如、摄像头采用深度学习检测在车道图像中提取目标；毫米波和激光雷达采用点云数据聚类获得车道目标数据；

(2)根据不同传感器特性以及先验知识指定预处理数据清洗规则，去除明显异常数据。例如、目标位置、速度的连续性和运动状态的持续性等；

(3)根据传感器特性对目标进行时间补偿以及空间同步。

步骤2、单传感器目标关联匹配：

(1)运用测量目标信息和跟踪目标信息构建代价矩阵。以测量目标和跟踪目标位置信息以及其他属性，构建代价矩阵；

(2)采用匈牙利算法寻找代价矩阵最优完全匹配。

步骤3、单传感器匹配评估：结合单传感器特征以及跟踪信息评估最优完全匹配对，增强目标的可靠性。

步骤4、多传感器目标关联匹配：

(1)运用单传感器目标信息和融合目标信息构建代价矩阵。以单传感器目标和融合目标位置信息以及其他属性，构建代价矩阵；

(2)采用匈牙利算法寻找代价矩阵最优完全匹配。

步骤5、融合目标匹配评估：结合融合特性评估最优完全匹配对，增强融合目标输出的可靠性。

根据本申请实施例提出的车辆的多目标关联方法，可以通过车辆跟踪目标的跟踪信息和/或目标信息构建代价矩阵，利用代价矩阵寻找最优途的办法解决目标关联问题，不仅能实现同步目标匹配跟踪，也能实现异步目标匹配跟踪，能够更真实的复原现实场景；可以采用匈牙利算法对代价矩阵进行计算，寻找最优匹配对，从而实现目标关联；针对同步目标关联，能基于跟踪目标信息与观测目标匹配形成跟踪链表，串联目标上下文信息，增加了单传感器目标的动态属性，也提升了目标的可靠性；针对异步目标关联，能使跟踪目标与各传感器观测目标关联，提升了实时场景感知目标的稳定性，降低环境认知的资源消耗；针对同步目标关联和异步目标关联，利用不同的信息进行构建代价矩阵，为计算最优关联匹配做预处理；在进行同步目标关联时，可以基于单传感器的目标信息和融合目标信息构建代价矩阵；在进行异步目标关联时，可以根据单传感器跟踪信息或者多传感器融合信息构建代价矩阵；可以在构建代价矩阵之前根据传感器的测量特征和跟踪特征，分别对目标信息和跟踪信息进行时间补偿和空间同步，以便准确获取到目标信息和跟踪信息，保证后续构建代价矩阵的可靠性。

其次参照附图描述根据本申请实施例提出的车辆的多目标关联装置。

图4是本申请实施例的车辆的多目标关联装置的方框示意图。

如图4所示，该车辆的多目标关联装置10包括：获取模块100、构建模块200和匹配模块300。

其中，获取模块100用于获取多个传感器采集车辆周围的道路信息和跟踪目标的跟踪信息；构建模块200用于提取每个传感器采集的道路信息中跟踪目标的目标信息，基于跟踪信息和/或目标信息构建代价矩阵；匹配模块300用于利用代价矩阵和预设关联配对信息确定最优匹配对，利用最优匹配对对多个传感器进行同步目标关联或异步目标关联，以实现跟踪目标的同步跟踪或异步跟踪。

需要说明的是，前述对车辆的多目标关联方法实施例的解释说明也适用于该实施例的车辆的多目标关联装置，此处不再赘述。

根据本申请实施例提出的车辆的多目标关联装置，可以通过车辆跟踪目标的跟踪信息和/或目标信息构建代价矩阵，利用代价矩阵寻找最优途的办法解决目标关联问题，不仅能实现同步目标匹配跟踪，也能实现异步目标匹配跟踪，能够更真实的复原现实场景；可以采用匈牙利算法对代价矩阵进行计算，寻找最优匹配对，从而实现目标关联；针对同步目标关联，能基于跟踪目标信息与观测目标匹配形成跟踪链表，串联目标上下文信息，增加了单传感器目标的动态属性，也提升了目标的可靠性；针对异步目标关联，能使跟踪目标与各传感器观测目标关联，提升了实时场景感知目标的稳定性，降低环境认知的资源消耗；针对同步目标关联和异步目标关联，利用不同的信息进行构建代价矩阵，为计算最优关联匹配做预处理；在进行同步目标关联时，可以基于单传感器的目标信息和融合目标信息构建代价矩阵；在进行异步目标关联时，可以根据单传感器跟踪信息或者多传感器融合信息构建代价矩阵；可以在构建代价矩阵之前根据传感器的测量特征和跟踪特征，分别对目标信息和跟踪信息进行时间补偿和空间同步，以便准确获取到目标信息和跟踪信息，保证后续构建代价矩阵的可靠性。

图5为本申请实施例提供的车辆的结构示意图。该车辆可以包括：

存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。

处理器502执行程序时实现上述实施例中提供的车辆的多目标关联方法。

进一步地，车辆还包括：

通信接口503，用于存储器501和处理器502之间的通信。

存储器501，用于存放可在处理器502上运行的计算机程序。

存储器501可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。

如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。

处理器502可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本申请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，该程序被处理器执行时实现如上的车辆的多目标关联方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。