目标检测和区域分割方法、装置和计算机可读存储介质与流程

本公开涉及图像处理领域，更具体地，本公开涉及一种基于卷积神经网络的多任务目标检测和区域分割方法和装置、以及计算机可读存储介质。

背景技术：

在基于人工智能的高级驾驶员辅助系统(adas)中，车道检测和路面检测是重要的组成部分。通过道路的车道检测和路面检测，可以实现adas的多种应用功能，诸如车道偏离警告、自适应巡航控制和自动紧急制动等。神经网络是一种大规模、多参数优化的工具。依靠大量的训练数据，神经网络能够学习出数据中难以总结的隐藏特征，从而完成多项复杂的任务，如人脸检测、图片分类、物体检测、动作追踪、自然语言翻译等。神经网络已被人工智能界广泛应用。基于神经网络的视觉识别方案已经被用于实现上述adas中的车道检测和路面检测。

然而，在基于神经网络实现车道检测和路面检测的方案中，通常需要训练分别用于实现车道检测和路面检测的不同的神经网络，并且在实际检测过程中也需要不同的神经网络分别执行车道检测和路面检测过程。如此，将导致复杂的训练和检测过程，增加了系统的复杂性和开销。

技术实现要素：

鉴于上述问题，本公开提供一种基于卷积神经网络的多任务目标检测和区域分割方法和装置、以及计算机可读存储介质。

根据本公开的一个实施例，提供了一种基于卷积神经网络的多任务目标检测和区域分割方法，包括：基于输入的图像，由基本卷积网络获取基本卷积特征；基于所述基本卷积特征，由目标检测网络输出目标检测结果；以及基于所述基本卷积特征，由区域分割网络输出区域分割结果。

此外，根据本公开的一个实施例的多任务目标检测和区域分割方法，其中，所述目标检测网络包括区域建议子网络和目标检测子网络，所述基于所述基本卷积特征，由目标检测网络输出目标检测结果包括：基于所述基本卷积特征，由所述区域建议子网络获取候选目标区域；以及基于所述基本卷积特征，由所述目标检测子网络在所述候选目标区域中检测目标，并且输出所述目标检测结果。

此外，根据本公开的一个实施例的多任务目标检测和区域分割方法，其中，所述区域分割网络是全卷积网络，所述基于所述基本卷积特征，由区域分割网络输出区域分割结果包括：基于所述基本卷积特征，生成代表每个像素点所属类别的热力图；以及对所述热力图执行上采样，生成指示所述输入的图像中不同区域的所述区域分割结果。

此外，根据本公开的一个实施例的多任务目标检测和区域分割方法，还包括：预先训练所述目标检测网络和所述区域分割网络，其中，所述预先训练所述目标检测网络和所述区域分割网络包括：获取标注有训练目标和训练区域的图像；同时训练所述目标检测网络和所述区域分割网络，调整网络参数，直到整体损失函数满足收敛条件，其中，所述整体损失函数是所述目标检测网络和所述区域分割网络各自的损失函数的加权和。

此外，根据本公开的一个实施例的多任务目标检测和区域分割方法，还包括：通过共享基本卷积特征，同时获取并且融合所述目标检测结果和所述区域分割结果。

根据本公开的另一个实施例，提供了一种基于卷积神经网络的多任务目标检测和区域分割装置，包括：基本卷积网络单元，用于基于输入的图像，获取基本卷积特征；目标检测网络单元，用于基于所述基本卷积特征，输出目标检测结果；以及区域分割网络单元，用于基于所述基本卷积特征，输出区域分割结果。

此外，根据本公开的另一个实施例的多任务目标检测和区域分割装置，其中，所述目标检测网络单元包括区域建议子网络单元和目标检测子网络单元，所述区域建议子网络单元基于所述基本卷积特征，获取候选目标区域；以及所述目标检测子网络单元基于所述基本卷积特征，在所述候选目标区域中检测目标，并且输出所述目标检测结果。

此外，根据本公开的另一个实施例的多任务目标检测和区域分割装置，其中，所述区域分割网络单元利用全卷积网络，基于所述基本卷积特征，生成代表每个像素点所属类别的热力图；以及对所述热力图执行上采样，生成指示所述输入的图像中不同区域的所述区域分割结果。

此外，根据本公开的另一个实施例的多任务目标检测和区域分割装置，还包括训练单元，用于预先训练所述目标检测网络单元和所述区域分割网络单元，其中，所述训练单元获取标注有训练目标和训练区域的图像；同时训练所述目标检测网络单元和所述区域分割网络单元，调整网络参数，直到整体损失函数满足收敛条件，其中，所述整体损失函数是所述目标检测网络和所述区域分割网络各自的损失函数的加权和。

此外，根据本公开的另一个实施例的多任务目标检测和区域分割装置，还包括融合处理单元，用于通过共享基本卷积特征，同时获取并且融合所述目标检测结果和所述区域分割结果。

根据本公开的又一个实施例，提供了一种基于卷积神经网络的多任务目标检测和区域分割装置，包括：处理器；以及存储器，配置为存储计算机程序指令；其中，在所述计算机程序指令被所述处理器运行时，执行如权利要求1到5的任一项所述的多任务目标检测和区域分割方法。

根据本公开的再一个实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，其中，所述计算机程序指令被处理器运行时，使得所述处理器执行如权利要求1到5的任一项所述的多任务目标检测和区域分割方法。

根据本公开实施例的基于卷积神经网络的多任务目标检测和区域分割方法和装置、以及计算机可读存储介质，利用目标检测和区域分割(例如，车道检测和路面检测)之间的相关关系，在用于目标检测和区域分割的神经网络的训练过程中共享两个任务的模型权重，从而同时对于用于两个任务的神经网络进行训练，简化了系统的参数和模型复杂性。此外，目标检测和区域分割的结果在最终输出时得到相互融合修正，提高了检测精度和效率。

附图说明

通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法的流程图；

图2是图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割装置的框图；

图3是进一步图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法中的目标检测过程的流程图；

图4a和4b是图示根据本公开的实施例的目标检测结果的示意图；

图5是进一步图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法中的区域分割过程的流程图；

图6a和6b是图示根据本公开的实施例的区域分割结果的示意图；

图7是进一步图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割装置的框图；

图8是进一步图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法中的整体网络训练过程的流程图；

图9是图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割过程的示意图；

图10a和10b是图示根据本公开的实施例的目标检测和区域分割结果的示意图；

图11是图示根据本公开的实施例的目标检测和区域分割装置的硬件框图；以及

图12是图示根据本公开的实施例的计算机可读存储介质的示意图。

具体实施方式

为了使得本公开的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。基于本公开中描述的实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本公开的保护范围之内。

以下，将参考附图详细描述本公开的实施例。

图1是图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法的流程图。在本公开的一个具体实施例中，目标检测的具体目标是车道，而区域分割的具体对象是路面。如图1所示，根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法包括以下步骤。

在步骤s101中，基于输入的图像，由基本卷积网络获取基本卷积特征。在本公开的一个具体实施例中，可以由包括预定层数(例如，5层)的卷积层的卷积神经网络(cnn)对于输入的图像执行基本卷积特征的提取。输入的图像可以是预定大小的rgb图像，经过卷积神经网络(cnn)的每一层的卷积和池化提取作为基本卷积特征的特征图。此后，处理进到步骤s102。

在步骤s102中，基于基本卷积特征，由目标检测网络输出目标检测结果。在本公开的一个具体实施例中，由更快速区域卷积神经网络(faster-rcnn)执行作为检测目标的车道的检测。以下，将参照附图更详细描述faster-rcnn执行的车道目标检测过程。此后，处理进到步骤s103。

在步骤s103中，基于基本卷积特征，由区域分割网络输出区域分割结果。在本公开的一个具体实施例中，由全卷积网络(fcn)执行对于分割对象的路面的不同区域的检测分割。以下，将参照附图更详细描述fcn执行的路面的不同区域的检测分割过程。

以上是根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法的基本步骤。需要理解的是，在图1中示出的步骤s102和s103的顺序无限制，可以先执行步骤s103再执行步骤s102，或者同时执行步骤s102和步骤s103。此外，如下将详细描述的，根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法不限于图1中示出的主要步骤，而是还可以包括对于更快速区域卷积神经网络(faster-rcnn)和全卷积网络(fcn)的联合训练，以及对于更快速区域卷积神经网络(faster-rcnn)和全卷积网络(fcn)的目标检测和区域分割结果的融合修正。随后将参照流程图和示意图进一步详细描述。

图2是图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割装置的框图。

如图2所示，根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割装置20包括基本卷积网络单元201、目标检测网络单元202和区域分割网络单元203。

在本公开的一个具体实施例中，所述基本卷积网络单元201是包括预定层数(例如，5层)的卷积层的卷积神经网络(cnn)。所述基本卷积网络单元201对于输入的图像执行基本卷积特征的提取。输入的图像可以是预定大小的rgb图像，经过卷积神经网络(cnn)的每一层的卷积和池化提取作为基本卷积特征的特征图。

在本公开的一个具体实施例中，所述目标检测网络单元202是更快速区域卷积神经网络(faster-rcnn)。具体地，所述目标检测网络单元202包括区域建议子网络2021和目标检测子网络2022。所述区域建议子网络2021例如是更快速区域卷积神经网络(faster-rcnn)中的区域建议网络(rpn)，用于基于卷积神经网络(cnn)提供的基本卷积特征，获取候选目标区域。例如，所述区域建议子网络2021在输入的检测图像中生成多个建议窗口，并且将建议窗口映射到卷积神经网络(cnn)的最后一层输出的特征图。所述目标检测子网络2022例如是更快速区域卷积神经网络(faster-rcnn)中的快速区域卷积神经网络(fast-rcnn)。例如，所述目标检测子网络2022针对由所述区域建议子网络2021提供的候选目标区域(多个建议窗口)检测目标。例如，检测到作为检测目标的车道特征点。

在本公开的一个具体实施例中，所述区域分割网络单元203是全卷积网络(fcn)。具体地，所述区域分割网络单元203基于作为所述基本卷积特征的特征图，生成代表每个像素点所属类别的热力图。进一步地，所述区域分割网络单元203对所述热力图执行上采样，生成指示所述输入的图像中不同区域的所述区域分割结果。也就是说，上采样之后的区域分割结果与原始图像可视化为具有相同的大小和分辨率。

以上是根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割装置的基本组成单元。需要理解的是，如下将详细描述的，根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割装置不限于图2中示出的基本组成单元，而是还可以包括用于对于更快速区域卷积神经网络(faster-rcnn)和全卷积网络(fcn)的联合训练的训练单元，以及对于更快速区域卷积神经网络(faster-rcnn)和全卷积网络(fcn)的目标检测和区域分割结果的融合修正的融合处理单元。随后将参照流程图和示意图进一步详细描述。

图3是进一步图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法中的目标检测过程的流程图。图3所示的目标检测过程例如由作为基本卷积网络单元的卷积神经网络(cnn)和作为目标检测网络单元的更快速区域卷积神经网络(faster-rcnn)执行。如图3所示，目标检测过程包括以下步骤。

在步骤s301中，基于输入的图像，由基本卷积网络获取基本卷积特征。在本公开的一个具体实施例中，可以由包括预定层数(例如，5层)的卷积层的基本卷积网络单元的卷积神经网络(cnn)对于输入的图像执行基本卷积特征的提取。输入的图像可以是预定大小的rgb图像，经过卷积神经网络(cnn)的每一层的卷积和池化提取作为基本卷积特征的特征图。此后，处理进到步骤s302。

在步骤s302中，基于基本卷积特征，由区域建议子网络获取候选目标区域。在本公开的一个具体实施例中，由作为目标检测网络单元的更快速区域卷积神经网络(faster-rcnn)中的区域建议网络(rpn)，基于卷积神经网络(cnn)提供的基本卷积特征，获取候选目标区域。例如，在输入的检测图像中生成多个建议窗口，并且将建议窗口映射到卷积神经网络(cnn)的最后一层输出的特征图。此后，处理进到步骤s303。

在步骤s303中，基于基本卷积特征，由目标检测子网络在候选目标区域中检测目标，并且输出目标检测结果。在本公开的一个具体实施例中，由作为目标检测网络单元的更快速区域卷积神经网络(faster-rcnn)中的快速区域卷积神经网络(fast-rcnn)针对由区域建议网络(rpn)提供的候选目标区域(多个建议窗口)检测目标。

图4a和4b是图示根据本公开的实施例的目标检测结果的示意图。具体地，图4a示出了作为检测目标的车道区域块401的检测示例。图4b示出了作为检测目标的车道特征点402的检测示例。

图5是进一步图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法中的区域分割过程的流程图。图5所示的区域分割过程例如由作为基本卷积网络单元的卷积神经网络(cnn)和作为区域分割网络单元的全卷积网络(fcn)执行。如图5所示，目标检测过程包括以下步骤。

在步骤s501中，基于输入的图像，由基本卷积网络获取基本卷积特征。在本公开的一个具体实施例中，可以由包括预定层数(例如，5层)的卷积层的基本卷积网络单元的卷积神经网络(cnn)对于输入的图像执行基本卷积特征的提取。输入的图像可以是预定大小的rgb图像，经过卷积神经网络(cnn)的每一层的卷积和池化提取作为基本卷积特征的特征图。由此可见，根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法中，参照图5描述的区域分割过程与参照图3描述的目标检测过程共享由作为基本卷积网络单元的卷积神经网络(cnn)提供的基本卷积特征。此后，处理进到步骤s502。

在步骤s502中，基于基本卷积特征，生成代表每个像素点所属类别的热力图。作为区域分割网络单元的全卷积网络(fcn)基于作为所述基本卷积特征的特征图，生成代表每个像素点所属类别的热力图。此后，处理进到步骤s503。

在步骤s503中，对热力图执行上采样，生成指示输入的图像中不同区域的区域分割结果。作为区域分割网络单元的全卷积网络(fcn)对所述热力图执行上采样，生成指示所述输入的图像中不同区域的所述区域分割结果。也就是说，上采样之后的区域分割结果与原始图像可视化为具有相同的大小和分辨率。

图6a和6b是图示根据本公开的实施例的区域分割结果的示意图。具体地，图6a示出了作为区域分割目标的路面分割掩膜的示例，其中路面的不同区域经过区域分割后标注为区域601到603。图6b示出了进一步可视化的路面分割示例，其中可能具有车道的道路部分标注为区域604。

图7是进一步图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割装置的框图。与参照图2描述的目标检测和区域分割装置20相比，图7所示的目标检测和区域分割装置70进一步包括了训练单元204和融合处理单元205。此外，图7中示出的基本卷积网络单元201、目标检测网络单元202和区域分割网络单元203与参照图2描述的那些相同，在此将省略其重复描述。

如上所述，在本公开的一个实施例中，目标检测网络单元202和区域分割网络单元203可以共享由作为基本卷积网络单元的卷积神经网络(cnn)提供的基本卷积特征。进一步地，在根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割装置中，可以利用目标检测和区域分割之间的相关关系，在用于目标检测和区域分割的神经网络(更快速区域卷积神经网络(faster-rcnn)和全卷积网络(fcn))的训练过程中共享两个任务的模型权重，从而同时对于用于两个任务的神经网络进行训练。此外，在根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割装置中，还可以利用目标检测和区域分割之间的相关关系，将目标检测网络单元202和区域分割网络单元203输出的目标检测和区域分割的结果执行相互融合修正。

具体地，训练单元204用于预先训练所述目标检测网络单元202(更快速区域卷积神经网络(faster-rcnn))和所述区域分割网络单元203(全卷积网络(fcn))。其中，所述训练单元204首先获取标注有训练目标(例如，车道区域块)和训练区域(路面分割区域)的图像。此后，所述训练单元204同时训练所述目标检测网络单元202和所述区域分割网络单元203。在训练过程中，通过共享相同的结构层权重来联合训练，并与后向传播残差相结合，调整网络参数，直到整体损失函数满足收敛条件。此外，所述融合处理单元205用于通过共享基本卷积特征，同时获取并且融合所述目标检测网络单元202输出的目标检测结果和所述区域分割网络单元203输出的区域分割结果。也就是说，通过融合路面分割和车道特征，使得路面分割提供提取车道特征的掩膜，只有与包括车道的路面区域对应的感兴趣区域中执行车道目标检测。

图8是进一步图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割方法中的整体网络训练过程的流程图。如图8所示，整体网络训练过程包括以下步骤。

在步骤s801中，获取标注有训练目标和训练区域的图像。在本公开的一个实施例中，所述训练目标例如是车道区域块，所述训练区域例如是路面分割区域。此后，处理进到步骤s802。

在步骤s802中，调整网络参数，同时训练目标检测网络和区域分割网络。在本公开的一个实施例中，通过共享相同的结构层权重来联合训练，并与后向传播残差相结合，整体的反向传播残差可以用表达式(1)表示：

loss＝α1lrpn(cls+λ1reg)+α2lfast(cls+λ2reg)+α3lfcn(cls)(1)

其中，lrpn、lfast和lfcn分别是区域建议网络(rpn)、快速区域卷积神经网络(fast-rcnn)和全卷积网络(fcn)各自的损失函数。α1、α2和α3分别是各自网络的权重，使得整体损失函数loss是所述目标检测网络和所述区域分割网络各自的损失函数的加权和。更具体地，cls是区域建议网络(rpn)、快速区域卷积神经网络(fast-rcnn)和全卷积网络(fcn)中目标分类的预测置信度与真实置信度的差异，而reg是区域建议网络(rpn)和快速区域卷积神经网络(fast-rcnn)中目标框的预测置信度与真实置信度的差异，λ1和λ2属于分类损失与目标框损失之间的相对权重。在本公开的实施例中，利用大量训练图像对于整体网络执行训练。此后，处理进到步骤s803。

在步骤s803中，判断整体损失函数是否满足收敛条件。如果在步骤s803中获得肯定结果，即整体损失函数收敛不再下降，则结束训练过程。相反地，如果在步骤s803中获得否定结果，则处理返回步骤s801，继续利用训练图像执行整体训练。

图9是图示根据本公开的实施例的基于卷积神经网络的多任务目标检测和区域分割过程的示意图。图9中图示的基本卷积网络单元201、目标检测网络单元202、区域分割网络单元203、训练单元204以及融合处理单元205分别与参照图2和图7描述的那些相同，在此将省略其重复描述。

如图9所示，输入200可以是用于训练的训练图像，也可以是用于多任务目标检测和区域分割的检测图像。值得注意的是，不管是训练过程还是在检测过程，目标检测网络单元202和区域分割网络单元203都共享由基本卷积网络单元201提供的基本卷积特征。进一步地，在执行训练过程时，训练单元204对于区域建议网络(rpn)、快速区域卷积神经网络(fast-rcnn)和全卷积网络(fcn)各自的损失函数lrpn、lfast和lfcn计算加权和获得整体损失函数。更进一步地，所述融合处理单元205用于通过共享基本卷积特征，同时获取并且融合所述目标检测网络单元202输出的目标检测结果和所述区域分割网络单元203输出的区域分割结果。

如图9所示的根据本公开的实施例的神经网络结构共享两个任务的模型权重，对于用于两个任务的神经网络进行整体训练和检测结果的融合校正，充分地简化了系统的参数和模型复杂性，提高了检测精度和效率。

图10a和10b是图示根据本公开的实施例的目标检测和区域分割结果的示意图。如图10a和10b所示的是融合校正了目标检测和区域分割结果后的最终输出结果，可见通过融合路面分割和车道特征，使得路面分割提供提取车道特征的掩膜，只有与包括车道的路面区域对应的感兴趣区域1001和1003中执行车道目标1002和1004的检测，提高了检测精度和效率。

图11是图示根据本公开的实施例的目标检测和区域分割装置的硬件框图。如图11所示，根据本公开的实施例的目标检测和区域分割装置110包括处理器1101和存储器1102。所述存储器1102配置为存储计算机程序指令，所述计算机程序指令在被处理器1101运行时执行如上参照以上附图描述的目标检测和区域分割方法。

图12是图示根据本公开的实施例的计算机可读存储介质的示意图。如图12所示，根据本公开实施例的计算机可读存储介质1200其上存储有计算机程序指令1201。当所述计算机程序指令1201由处理器运行时，执行参照以上附图描述的根据本公开实施例的目标检测和区域分割方法。

以上，参照附图描述了根据本公开实施例的基于卷积神经网络的多任务目标检测和区域分割方法和装置、以及计算机可读存储介质，其中利用目标检测和区域分割(例如，车道检测和路面检测)之间的相关关系，在用于目标检测和区域分割的神经网络的训练过程中共享两个任务的模型权重，从而同时对于用于两个任务的神经网络进行训练，简化了系统的参数和模型复杂性。此外，目标检测和区域分割的结果在最终输出时得到相互融合修正，提高了检测精度和效率。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

本公开中的步骤流程图以及以上方法描述仅作为例示性的例子并且不意图要求或暗示必须按照给出的顺序进行各个实施例的步骤，某些步骤可以并行、彼此独立或按照其他适当的顺序执行。另外，诸如“其后”、“然后”、“接下来”等等的词语不意图限制步骤的顺序；这些词语仅用于引导读者通读这些方法的描述。

另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“a、b或c的至少一个”的列举意味着a或b或c，或ab或ac或bc，或abc(即a和b和c)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。

还需要指出的是，在本发明的装置和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。

对本领域的普通技术人员而言，能够理解本公开的方法和装置的全部或者任何部分，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现。所述硬件可以是利用被设计用于进行在此所述的功能的通用处理器、数字信号处理器(dsp)、asic、场可编程门阵列信号(fpga)或其他可编程逻辑器件(pld)、离散门或晶体管逻辑、离散的硬件组件或者其任意组合。通用处理器可以是微处理器，但是作为替换，该处理器可以是任何商业上可获得的处理器、控制器、微控制器或状态机。处理器还可以实现为计算设备的组合，例如dsp和微处理器的组合，多个微处理器、与dsp核协作的一个或多个微处理器或任何其他这样的配置。所述软件可以存在于任何形式的计算机可读的有形存储介质中。通过例子而不是限制，这样的计算机可读的有形存储介质可以包括ram、rom、eeprom、cd-rom或其他光盘存储、磁盘存储或其他磁存储器件或者可以用于携带或存储指令或数据结构形式的期望的程序代码并且可以由计算机访问的任何其他有形介质。如在此使用的，盘包括紧凑盘(cd)、激光盘、光盘、数字通用盘(dvd)、软盘和蓝光盘。

本发明公开的智能控制技术还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。本发明所公开的智能技术也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现，或者通过存储有这样的程序产品的任意存储介质来实现。

可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。