一种抛洒物的确定方法和系统与流程

本申请涉及图像处理领域，特别涉及一种抛洒物的确定方法和系统。

背景技术：

随着社会经济与公共交通道路的不断发展，交通流量也在快速增长，然而由此引发的交通安全事故也随之频繁发生。其中，道路上偶然出现的抛洒物对行驶的车辆带来了的潜在的巨大安全隐患，可能引发交通事故甚至造成更加严重的后果，成为急需解决的交通安全问题。因此，需要提供一种抛洒物确定方法，及时发现并上报道路上的抛洒物，降低道路安全隐患。

技术实现要素：

本申请的一个方面提供一种抛洒物确定方法。该抛洒物确定方法包括：获取至少一张监控区域图像；基于至少一张所述监控区域图像，确定当前背景图像；基于历史背景图像确定所述当前背景图像中的变化区域；检测所述变化区域中的抛洒物。

在一些实施例中，所述当前背景图像为从监控区域图像中去掉运动物体后的图像，所述历史背景图像为从历史监控区域图像中去掉运动物体后的图像。

在一些实施例中，所述变化区域包括所述当前背景图像中不同于所述历史背景图像的区域。

在一些实施例中，所述检测所述变化区域中的抛洒物还包括：获取已检出抛洒物集合，所述已检出抛洒物集合中包括一个或多个已检出抛洒物及其相关信息，已检出抛洒物的相关信息至少反映该已检出抛洒物的位置；比较所述变化区域以及一个或多个已检出抛洒物的相关信息；响应于比较结果为匹配，确定所述变化区域包含已检出抛洒物；响应于所述比较结果为不匹配，则利用抛洒物确定模型检测所述变化区域中的抛洒物，并将检出的抛洒物作为新抛洒物，所述抛洒物确定模型为机器学习模型；基于所述新抛洒物更新所述已检出抛洒物集合。

在一些实施例中，所述抛洒物确定模型通过以下方式获得：获取样本图像，所述样本图像至少包括一个抛洒物；标注所述样本图像中的抛洒物；将所述样本图像作为输入数据，将标注的所述抛洒物作为输出数据或者参考标准训练机器学习模型，获得训练好的抛洒物确定模型。

在一些实施例中，所述样本图像中的抛洒物至少包括以下中的一种：车辆、行人、道路、车道线、防护栏/隔离带、植物、锥形桶、道路告示牌、泥土/土坡、洒落物/抛落物。

在一些实施例中，本申请提供的抛洒物确定方法还包括：输出检测结果，所述检测结果包括以下信息中的一种或者多种的组合：是否存在抛洒物、抛洒物的类型、抛洒物所在位置、抛洒物数量和抛洒物图片。

在一些实施例中，所述检测结果的输出方式包括以下中的一种或者多种的组合：突出显示所述抛洒物、利用提示标识提示所述抛洒物、文本提示所述抛洒物或者声音提示所述抛洒物。

在一些实施例中，本申请提供的抛洒物确定方法还包括基于所述当前背景图像更新所述历史背景图像。

本申请的另一方面提供一种抛洒物确定系统，该系统包括获取模块、背景提取模块、变化区域确定模块和抛洒物检测模块；所述获取模块用于获取至少一张监控区域图像；所述背景提取模块用于基于至少一张所述监控区域图像，确定当前背景图像；所述变化区域确定模块用于基于历史背景图像确定所述当前背景图像中的变化区域；所述抛洒物检测模块用于检测所述变化区域中的抛洒物。

在一些实施例中，本申请提供的抛洒物确定系统还包括更新模块，所述更新模块用于基于所述新抛洒物更新所述已检出抛洒物集合。在一些实施例中，所述更新模块还用于基于所述当前背景图像更新所述历史背景图像。

在一些实施例中，本申请提供的抛洒物确定系统还包括输出模块，所述输出模块用于输出检测结果，所述输出的方式包括以下中的一种或者多种的组合：突出显示所述抛洒物、利用提示标识提示所述抛洒物、文本提示所述抛洒物或者声音提示所述抛洒物。

本申请的另一方面提供一种抛洒物确定装置，所述装置包括处理器以及存储器；所述存储器用于存储计算机指令，其特征在于，所述计算机指令被所述处理器执行时，导致所述装置实现如前所述的抛洒物确定方法。

本申请的另一方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令中的至少一部分被至少一个处理器执行后，实现如前所述的抛洒物确定方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本申请一些实施例所示的抛洒物确定系统的应用场景示意图；

图2是根据本申请一些实施例所示的抛洒物确定系统的模块图；

图3是根据本申请一些实施例所示的抛洒物确定方法的示例性流程图；

图4是根据本申请一些实施例所示的抛洒物确定方法的示例性流程图：

图5是根据本申请一些实施例所示的变化区域抛洒物检测方法的示例性流程图；

图6是根据本申请一些实施例所示的抛洒物确定方法的示例性流程图；

图7是根据本申请一些实施例所示的获取抛洒物确定模型方法的示例性流程图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本申请一些实施例所示的抛洒物确定系统的应用场景示意图。抛洒物确定系统100可以确定道路监控区域图像中的抛洒物，便于监控管理人员及时清除道路抛洒物，减少交通事故的发生。

抛洒物确定系统100可以是用于道路管理的线上监控平台。例如，抛洒物确定系统100可以是用于安全预警的智能视频监控平台。在一些实施例中，抛洒物确定系统100可以应用于机场、体育馆、候车厅和展览馆等人流拥挤场景复杂的公众场合。在一些实施例中，抛洒物确定系统100还可以应用于街道、高速路等道路中抛洒物检测。抛洒物确定系统100可以包含服务器110、网络120、用户终端130、存储设备140以及图像采集设备150。服务器110可包含处理设备112。

在一些实施例中，服务器110可以用于处理与确定抛洒物相关的信息和/或数据。服务器110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如：服务器110可以是分布系统)。在一些实施例中该服务器110可以是区域的或者远程的。例如，服务器110可通过网络120访问存储于用户终端130、存储设备140中的信息和/或数据。在一些实施例中，服务器110可直接与用户终端130、存储设备140、图像采集设备150连接以访问存储于其中的信息和/或数据。在一些实施例中，服务器110可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。

在一些实施例中，服务器110可包含处理设备112。该处理设备112可处理与确定抛洒物(如检测道路中抛洒物的请求)有关的数据和/或信息以执行一个或多个本申请中描述的功能。例如处理设备112可以接收图像采集设备150采集的图像，并对图像进行处理确定其中是否含有抛洒物及抛洒物的相关信息，并向用户终端130输出监控区域中抛洒物的存在情况。在一些实施例中，处理设备112可包含一个或多个子处理设备(例如，单芯处理设备或多核多芯处理设备)。仅仅作为范例，处理设备112可包含中央处理器(cpu)、专用集成电路(asic)、专用指令处理器(asip)、图形处理器(gpu)、物理处理器(ppu)、数字信号处理器(dsp)、现场可编程门阵列(fpga)、可编辑逻辑电路(pld)、控制器、微控制器单元、精简指令集电脑(risc)、微处理器等或以上任意组合。

网络120可促进数据和/或信息的交换。在一些实施例中，抛洒物确定系统100中的一个或多个组件(例如，服务器110、用户终端130、存储设备140、图像采集设备150)可通过网络120发送数据和/或信息给抛洒物确定系统100中的其他组件。在一些实施例中，网络120可是任意类型的有线或无线网络。例如，网络120可包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络(lan)、广域网络(wan)、无线区域网络(wlan)、都会区域网络(man)、公共电话交换网络(pstn)、蓝牙网络、zigbee网络、近场通讯(nfc)网络等或以上任意组合。在一些实施例中，网络120可包括一个或多个网络进出点。例如，网络120可包含有线或无线网络进出点，如基站和/或网际网络交换点120-1、120-2、…，通过这些进出点，抛洒物确定系统100的一个或多个组件可连接到网络120上以交换数据和/或信息。

在一些实施例中，用户可以通过用户终端130获取监控区域的抛洒物信息。在一些实施例中，用户终端130可包括移动装置130-1、平板电脑130-2、笔记本电脑130-3、机动车内建装置130-4等中的一种或其任意组合。在一些实施例中，移动装置130-1可包括智能家居装置、可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中，智能家具装置可包括智能照明装置、智能电器的控制装置、智能监测装置、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴装置可包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或其任意组合。在一些实施例中，智能行动装置可包括智能电话、个人数字助理(pda)、游戏装置、导航装置、pos装置等或其任意组合。在一些实施例中，虚拟实境装置和/或增强实境装置可包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或以上任意组合。

存储设备140可存储资料和/或指令。在一些实施例中，存储设备140可存储从用户终端130获取的资料。在一些实施例中，存储设备140可存储供服务器110执行或使用的信息和/或指令，以执行本申请中描述的示例性方法。在一些实施例中，存储设备140可包括大容量存储器、可移动存储器、挥发性读写存储器(例如，随机存取存储器ram)、只读存储器(rom)等或以上任意组合。在一些实施例中，存储设备140可在云平台上实现。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等或以上任意组合。

在一些实施例中，存储设备140可与网络120连接以与抛洒物确定系统100的一个或多个组件(例如，服务器110、用户终端130、图像采集设备150等)通讯。抛洒物确定系统100的一个或多个组件可通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中，存储设备140可直接与抛洒物确定系统100中的一个或多个组件(如，服务器110、用户终端130、图像采集设备150)连接或通讯。在一些实施例中，存储设备140可以是服务器110的一部分。

图像采集设备150可采集监控区域的图像。在一些实施例中，图像采集设备150可以将采集到的监控区域图像数据发送到存储设备140中进行存储。在一些实施例中，图像采集设备150可以将采集到的图像数据发送到服务器110。在一些实施例中，图像采集设备150可以包括球形摄像机、半球摄像机、监控摄像机、智能摄像机、针孔摄像头等一种或多种的任意组合。在一些实施例中，图像采集设备150也可以包括行车记录仪、智能眼镜、智能头盔、手机、平板等一种或多种的任意组合。在一些实施例中，图像采集设备150可以包括数码相机、单反相机、微单相机等一种或多种的任意组合。在一些实施例中，图像采集设备可以包括任何带有摄像头的装置。在一些实施例中，摄像头可以包括任何具有图像捕捉功能的装置。

图2是根据本申请一些实施例所示的抛洒物确定系统的模块图。如图2所示，抛洒物确定系统200可以包括获取模块210、背景提取模块220、变化区域确定模块230、抛洒物检测模块240、输出模块250、更新模块260和训练模块270。

获取模块210可以用于获取监控区域图像。

在一些实施例中，获取模块210可以获取图像采集设备150采集的监控区域图像。在一些实施例中，图像采集设备150采集的图像可以包括静态图像和/或动态图像。在一些实施例中，图像采集设备150采集的图像可以包括多帧监控区域内的视频图像。在一些实施例中，图像采集设备150的采集方式可以包括定时采集、实时采集、全景采集、分片采集等一种或多种的任意组合。

背景提取模块220可以用于确定背景图像。

在一些实施例中，背景提取模块220可以利用前景检测算法(如帧差法)确定监控区域图像的当前背景图像。在一些实施例中，背景提取模块220可以利用背景建模法(如高斯混合建模法)确定监控区域图像的当前背景图像。在一些实施例中，背景提取模块220可以利用前景检测和背景建模法确定当前背景图像。在一些实施例中，背景提取模块220可以基于多张(如，500张、1000张等)监控区域的视频图像获得监控区域的背景图像。

变化区域确定模块230可以用于确定当前背景图像中的变化区域。

在一些实施例中，变化区域确定模块230可以利用对比检测法确定当前背景图像中的变化区域。例如，变化区域确定模块230可以通过比较当前背景图像与历史背景图像中不一致的部分，确定当前背景图像中的变化区域。在一些实施例中，对比检测法可以包括颜色对比法、形状对比法等中的一种或其任意组合。在一些实施例中，对比检测法还可以包括直方图方法、图像模板匹配、psnr峰值信噪比、ssim(structuralsimilarity)结构相似性、感知哈希算法等中的一种或其任意组合。在一些实施例中，变化区域确定模块230可以利用其他可行的方式确定当前背景图像中的变化区域，本说明对此不做限制。

抛洒物检测模块240可以用于检测变化区域中的抛洒物。

在一些实施例中，抛洒物检测模块240可以利用对比检测法检测变化区域中的抛洒物。例如，抛洒物检测模块240可以通过比较变化区域和已检出抛洒物，确定变化区域中的抛洒物。在一些实施例中，抛洒物检测模块240可以利用抛洒物确定模型检测变化区域中的抛洒物。

输出模块250可以用于输出检测结果。

在一些实施例中，输出模块250可以向用户终端130输出抛洒物的检测结果。在一些实施例中，输出模块250可以通过突出显示、利用提示标识提示、文本提示、声音提示等方式中的一种或多种的组合输出抛洒物的检测结果。

更新模块260可以用于更新已检出抛洒物集合以及历史背景图像。

在一些实施例中，更新模块260可以通过添加、删除、合并、替换等方式中的一种或多种的组合更新已检出抛洒物集合。在一些实施例中，更新模块260可以基于当前背景图像更新历史背景图像。例如，更新模块260可以通过添加、删除、合并、替换等方式中的一种或多种的组合将当前背景图像更新为新的历史背景图像。

训练模块270可以用于训练获得抛洒物确定模型。

在一些实施例中，训练模块270可以用于获取样本图像。在一些实施例中，样本图像可以包括车辆、行人、道路、车道线、防护栏/隔离带、植物、锥形桶、道路告示牌、泥土/土坡、洒落物/抛落物等抛洒物中的一种或其任意组合。在一些实施例中，训练模块270可以用于标注样本图像中的抛洒物。在一些实施例中，训练模块270可以将样本图像作为输入数据，标注的抛洒物作为输出数据或参考标准训练机器学习模型，获得训练好的抛洒物确定模型。

在一些实施例中，抛洒物确定系统200还可以包括其他执行模块。例如，抛洒物确定系统200还可以包括图像预处理模块、图像后处理模块、抛洒物集合确定模块等中的一种或其任意组合。

应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上对于抛洒物确定系统200及其模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，图2中披露的获取模块210、背景提取模块220、变化区域确定模块230、抛洒物检测模块240、输出模块250、更新模块260和训练模块270可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。抛洒物确定系统200中各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。

图3是根据本申请一些实施例所示的抛洒物确定方法的示例性流程图。

步骤310，获取监控区域图像。在一些实施例中，步骤310可以由获取模块210实现。

在一些实施例中，监控区域图像可以用于反映某时间段内某一个位置的场景变化情况。在一些实施例中，监控区域图像可以包括场景中的静态物体与动态物体。在一些实施例中，静态物体可以为长时间停留在某一固定位置的物体。例如，静态物体可以包括树木、建筑物、路灯、交通标志、护栏、展示牌、停放的车辆等中的一种或其任意组合。在一些实施例中，动态物体可以为一定时间频率内位置不断变化的物体。例如，行驶的车辆、行走的人、运动状态的动物、被风带动的物体(如落叶、空纸箱)等中的一种或其任意组合。

在一些实施例中，监控区域图像可以通过道路中预先设置的固定图像采集设备连续拍摄获取。在一些实施例中，固定图像采集设备可以包括路况监控装置、治安监控装置、路口违章监控装置、测速监控装置、车流量监测装置等中的一种或其任意组合。在一些实施例中，监控/监测装置可以为任意带有摄像功能的装置。在一些实施例中，监控区域图像可以通过移动的图像采集设备连续拍摄获取。在一些实施例中，移动的图像采集设备可以包括行车记录仪、相机、手机、平板、电脑、智能眼镜等中的一种或其任意组合。

在一些实施例中，获取的监控区域图像可以为固定/移动图像采集设备在拍摄视野内采集的全景图像。所述拍摄视野是固定/移动图像采集设备所能达到的最大拍摄角度和/或最大拍摄距离。在一些实施例中，获取的监控区域图像可以为包含多个视频帧的道路影像(例如，500帧、800帧、1000帧等)。在一些实施例中，获取模块210可以根据设定的时间间隔，定时获取录制视频中的视频帧从而得到一张或多张(例如，15张、20张、30张等)监控区域图像。例如，时间间隔可以是0.5秒、1秒、5秒、10秒、20秒、30秒、40秒等。在一些实施例中，时间间隔可以基于系统的处理能力设定。在一些实施例中，时间间隔可以基于道路车流量确定。例如，车流量较多，则时间间隔的值较小。

步骤320，基于监控区域图像确定当前背景图像。在一些实施例中，步骤320可以由背景提取模块220实现。

当前背景图像为从监控区域图像中去掉运动物体后的图像。所述运动物体可以是指在多张监控区域图像中位置不断变化的物体。例如，行驶的车辆、行走的人、运动状态的动物(如奔跑、飞行、行走等)、被风带动的物体(如落叶、空纸箱)等中的一种或其任意组合。在一些实施例中，当前背景图像可以利用帧差法确定。例如，背景提取模块220可以利用帧差法确定监控区域图像中的运动物体作为前景图像，然后将前景部分从监控区域图像中分离，将剩下的图像作为当前背景图像。在一些实施例中，当前背景图像可以利用混合高斯背景模型算法确定。在一些实施例中，背景提取模块220可以利用其它可行的方式(如vibe算法)确定当前背景图像。

步骤330，基于历史背景图像确定当前背景图像的变化区域。在一些实施例中，步骤330可以由变化区域确定模块230实现。

在一些实施例中，历史背景图像可以是获取的去掉运动物体后的监控区域图像，例如在历史抛洒物检测过程中获取的当前背景图像。在一些实施例中，历史背景图像可以是在没有运动物体以及抛洒物时获取的监控区域图像。例如，初次使用抛洒物确定系统200进行道路抛洒物检测时。在一些实施例中，变化区域可以用于反映当前背景图像不同于历史背景图像的区域。例如，变化区域可以用于反映当前背景图像中包含物体多于和/或少于历史背景图像包含物体的区域。在一些实施例中，变化区域确定模块230可以通过对比历史背景图像和当前背景图像，确定当前背景图像的变化区域。在一些实施例中，对比方法可以包括颜色对比法、形状对比法等中的一种或其任意组合。在一些实施例中，可以将当前背景图像与历史背景图像按像素点求差值，得到当前背景图像中不同于历史背景图像的变化区域。在一些实施例中，系统可以提取当前背景图像中的变化区域得到变化区域图像。例如，将当前背景图像与历史背景图像进行对比，发现在路口位置当前背景图像中有不明物体，而历史背景图像中没有，则路口位置确定为当前背景图像的变化区域，并将该变化区域分割出来生成该路口位置的变化区域图像。

步骤340，检测变化区域中的抛洒物。在一些实施例中，步骤340可以由抛洒物检测模块240实现。

在一些实施例中，抛洒物可以包括道路中的车窗生活垃圾、漂浮物、车辆零部件、货车洒落物、各类动物尸体等中的一种或其任意组合，这些物体落在道路中会对车辆行驶带来极大的安全隐患。在一些实施例中，车窗生活垃圾可以包括塑料空瓶、瓜果皮、食品包装等车窗抛落物中的一种或其任意组合。在一些实施例中，漂浮物可以包括从其他地方飘来的物体(如塑料袋、空纸箱等)、明显不应该出现在道路上的物体(如，暴风、雷雨、施工问题等原因导致倒落在道路上的植物、告示牌等)等一种或多种的组合。在一些实施例中，车辆零部件可以包括车胎、螺栓、车辆遮盖物等各种车辆组件。车辆零部件可能会因车辆爆胎、组件松动、大风等多种因素致使其洒落在道路中。在一些实施例中，货车洒落物可以包括货车运输途中洒落的各种货物，例如，水果、蔬菜、煤炭等。在一些实施例中，抛洒物检测模块240可以利用抛洒物确定模型检测变化区域中的抛洒物。抛洒物确定模型可以包括机器学习模型。在一些实施例中，机器学习模型可以包括深度学习模型。例如，深度学习模型可以包括但不限于卷积神经网络(cnn，convolutionalneuralnetworks)、循环神经网络(rnn，recurrentneuralnetwork)、rcnn(regionswithcnn)、fast-rcnn、bp神经网络、k近邻算法(knn)、支持向量机(svm)等中的一种或其任意组合。

在一些实施例中，抛洒物确定系统200可以基于抛洒物确定模型的输出结果确定变化区域中是否包含抛洒物。例如，抛洒物确定系统200可以通过阈值设定的方式，当输出结果中变化区域包含抛洒物的概率大于预设阈值时，认为变化区域中包含抛洒物。其中，所述一定阈值可以在程序中进行动态配置(例如，在系统前端直接设置阈值并保存)，也可以通过人工进行手动设置。在一些实施例中，抛洒物确定模型可以确定变化区域中的两种或多种抛洒物。在此情况下，抛洒物确定模型不仅可以检测出变化区域中存在抛洒物，而且能够确定各种抛洒物的类型和抛洒物在变化区域中的位置。关于抛洒物确定模型的更多细节可以参见图7及其相关描述。

在一些实施例中，抛洒物检测模块240可以基于已检出抛洒物集合检测变化区域中的抛洒物。关于基于已检出抛洒物集合检测变化区域中抛洒物的更多细节可以参见图5及其相关描述，在此不再赘述。

在一些实施例中，还可以包括步骤350，输出检测结果。在一些实施例中，步骤350可以由输出模块250实现。

在一些实施例中，当变化区域中存在抛洒物时，输出模块250可以输出抛洒物的检测结果。在一些实施例中，输出的检测结果可以包括是否存在抛洒物、抛洒物的类型、抛洒物所在位置、抛洒物数量、抛洒物图片等信息中的一种或其任意组合。在一些实施例中，检测结果的输出方式可以包括突出显示抛洒物、利用提示标识提示抛洒物、文本提示抛洒物、声音提示抛洒物等中的一种或其任意组合。例如，突出显示抛洒物可以包括放大显示、圈选显示等。在一些实施例中，输出模块250还可以自动生成抛洒物出现前与出现后的变化图像，用于直观形象地展示抛洒物的信息。

在一些实施例中，抛洒物确定系统200(或抛洒物确定系统100)可以将输出的检测结果上报给后台服务器，后台服务器管理人员可根据抛洒物检测结果进一步处理。例如，可派遣服务人员或车辆至相应位置清除检测出的道路抛洒物。在一些实施例中，可通过设置特定区域控制抛洒物确定系统200(或抛洒物确定系统100)上报抛洒物检测结果。例如，抛洒物确定系统200(或抛洒物确定系统100)可以对抛洒物检测结果进行过滤，当抛洒物位于所述特定区域内时上报给后台服务器。

应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，步骤350中可以将检测结果输出至管理人员的移动终端(如笔记本电脑、手机、平板电脑等)，并向管理人员发出警报。又例如，步骤320中，抛洒物确定系统200可以基于监控区域图像以及历史背景图像，通过多次迭代计算获得当前背景图像。

图4是根据本申请一些实施例所示的抛洒物确定方法的示例性流程图。在一些实施例中，抛洒物确定方法400可以由抛洒物确定系统200执行。

与抛洒物确定方法300相比，抛洒物确定方法400确定抛洒物的步骤(如步骤410、420、430、440)均与图3中对应步骤(如步骤310、320、330、340)相同，检测抛洒物之后(即步骤440之后)，抛洒物确定方法400基于检测出的抛洒物与当前背景图像分别对已检出抛洒物集合与历史背景图像进行更新。如图4所示，在步骤440(检测变化区域中的抛洒物)之后，抛洒物确定系统200可以执行步骤450：基于检测出的新抛洒物更新抛洒物队列，并基于当前背景图像更新历史背景图像。在抛洒物确定方法400中，抛洒物确定系统200可以基于检测出的新抛洒物更新已检出抛洒物集合，以及基于当前背景图像更新历史背景图像，在一定程度上能够提升抛洒物检测的准确率。

在步骤450中，当利用抛洒物确定模型确定变化区域图像中包含抛洒物时，抛洒物确定系统200(如更新模块260)可以使用检测出的新抛洒物更新已检出抛洒物集合。例如，可以将新的抛洒物加入已检出抛洒物集合。在一些实施例中，更新之后的抛洒物集合可以用于下次抛洒物的检测。在一些实施例中，已检出抛洒物集合可以定期进行更新(如删除、替换、添加等)。例如，可以添加新检出的抛洒物。又例如，可以每隔一定时间(如6小时、一天、一周或10天等)对已检出抛洒物集合进行清理，删除已经从监控区域中清理的抛洒物。抛洒物集合可以在线实时更新，也可以离线的定期或不定期更新。

在步骤450中，抛洒物确定系统200(如更新模块260)可以利用当前背景图像更新历史背景图像。在一些实施例中，背景图像的更新方式可以包括合并、删除、替换、添加等中的一种或其任意组合。例如，更新模块260可以将当前背景图像作为新的历史背景图像。在一些实施例中，更新的历史背景图像可以用于在下次抛洒物检测时，确定当前背景图像中的变化区域。在一些实施例中，利用当前背景图像更新历史背景图像可以排除道路情况发生变化和/或其他变化产生的干扰，提升抛洒物检测的准确性和实时性。在一些实施例中，利用当前背景图像更新历史背景图像还可以使得已经识别出的抛洒物在没有变动的情况下被判定为背景部分，从而避免同一抛洒物的重复识别，简化抛洒物检测过程，提高识别效率。

图4中与图3对应步骤的具体细节可参见图3及其相关描述，在此不再赘述。

图5是根据本申请一些实施例所示的变化区域抛洒物检测方法的示例性流程图。

步骤510，获取已检出抛洒物集合。在一些实施例中，步骤510可以由抛洒物检测模块240实现。

在一些实施例中，已检出抛洒物集合可以包括一个或多个已检出抛洒物及其相关信息。在一些实施例中，已检出抛洒物可以包括人工检测出的抛洒物和/或机器(如，抛洒物确定系统100、200)检测出的抛洒物。在一些实施例中，已检出抛洒物的相关信息可以包括该已检出抛洒物的位置、抛洒物类型等中的一种或其任意组合。在一些实施例中，已检出抛洒物的位置可以包括已检出抛洒物在历史背景图像中的位置。在一些实施例中，已检出抛洒物的位置可以包括根据已检出抛洒物在历史背景图像中的位置，映射到当前背景图像中的位置。在一些实施例中，已检出抛洒物的位置可以包括根据已检出抛洒物在历史背景图像中的位置，映射到实际空间中的位置。

在一些实施例中，抛洒物检测模块240可以从存储设备140中获取已检出抛洒物集合。在一些实施例中，抛洒物检测模块240可以从开源数据库中获取已检出抛洒物集合。在一些实施例中，抛洒物检测模块240可以通过网络120获取已检出抛洒物集合。

步骤520，对比变化区域与已检出抛洒物是否匹配。在一些实施例中，步骤520可以由抛洒物检测模块240实现。

在一些实施例中，抛洒物检测模块240可以比较变化区域与已检出抛洒物的位置，确定变化区域与已检出抛洒物是否匹配。例如，变化区域在当前背景图像的区域与已检出抛洒物在历史背景图像中的区域高度重合，则认为该变化区域包含已检出抛洒物。在一些实施例中，当两者的同位置区域面积达到设定比例时，认为两者的区域高度重合。所述设定比例可以为60％-100％之间的值，比如70％、80％等。所述比例可以是两者同位置区域面积占变化区域面积的比值。例如，变化区域和抛洒物的位置可分别由一个图像上(如当前背景图像和历史背景图像)的矩形框描述，所述矩形框由其左上的顶点以及宽、高三种元素构成，变化区域和已检出抛洒物位置的匹配，实际是对两个矩形框区域的匹配，通过求取两个矩形框重叠区域面积大小与两个矩形框面积和的占比，并与设定的阈值比例(如80％)进行比较，即可判断两者区域是否重合。

在一些实施例中，变化区域与已检出抛洒物的相应区域(例如，历史背景图像中的所在区域)高度重合可以包括两者区域完全重合和/或数学重合。区域完全重合是指两者的区域形状、区域大小、区域内容等完全一致。例如，变化区域中的疑似抛洒物与已检出抛洒物完全一致。所述疑似抛洒物是指变化区域中可能存在的抛洒物。区域数学重合是指两者区域形状、区域大小和/或区域面积重合。例如，变化区域中为新的抛洒物，该区域对应历史背景图像中的已检出抛洒物已消失(如被风吹走、被工作人员清除等)。此种情况下，抛洒物检测模块240可以进一步对变化区域中的抛洒物进行检测，例如，利用抛洒物确定模型检测变化区域中抛洒物。

在一些实施例中，可以根据已检出抛洒物在历史背景图像中的位置信息映射到当前背景区域中，再对两者的位置进行匹配。在一些实施例中，监控区域图像由固定的图像采集设备获取，则可以认为已检出抛洒物在当前背景图像中的位置信息与其在历史背景图像中相同。在一些实施例中，也可以根据已检出抛洒物在历史背景图像中的位置信息将已检出抛洒物映射到实际的监控区域中，根据变化区域在当前背景图像中的位置信息将其映射到实际的监控区域中，之后再将两者在实际的监控区域中的位置进行比较。在一些实施例中，抛洒物检测模块240可以通过将变化区域与已检出抛洒物集合中的抛洒物逐一对比，确定变化区域与已检出抛洒物是否匹配。

步骤530，若匹配，则确定变化区域包含已检出抛洒物。在一些实施例中，步骤530可以由抛洒物检测模块240实现。

在一些实施例中，当变化区域与已检出抛洒物集合中的一个或多个抛洒物匹配，抛洒物检测模块240可以确定当前背景图像的变化区域中包含已检出抛洒物。在一些实施例中，当变化区域中包含已检出抛洒物时，抛洒物确定系统200将直接进入下次检测。在一些实施例中，当变化区域中包含已检出抛洒物时，抛洒物检测模块240可以进一步对变化区域中的抛洒物进行检测(如，利用抛洒物确定模型检测变化区域中抛洒物)。例如，变化区域与抛洒物所在区域属于区域数学重合。在一些实施例中，当变化区域中包含已检出抛洒物时，表示该抛洒物在该次检测之前已经被检测出，则该次抛洒物检测的检测结果将不被输出。例如，当变化区域与抛洒物所在区域属于区域完全重合时，表示当前背景图像变化区域中的疑似抛洒物与历史背景图像中该区域的已检出抛洒物一致，即疑似抛洒物在该次检测之前已被检测出，此时为避免重复上报或输出，本次抛洒物检测结果将不被输出。

步骤540，若不匹配，则利用抛洒物确定模型检测变化区域中的抛洒物。在一些实施例中，步骤540可以由抛洒物检测模块240实现。

在一些实施例中，变化区域与已检出抛洒物不匹配可以包括已检出抛洒物消失、已检出抛洒物发生位移(如被风吹离原先位置)、出现新的疑似抛洒物等中的一种或其任意组合。在一些实施例中，当变化区域与已检出抛洒物集合中的任意一个已检出抛洒物均不匹配，抛洒物检测模块240可以利用抛洒物确定模型检测变化区域中的抛洒物。在一些实施例中，抛洒物确定模型可以包括机器学习模型。在一些实施例中，抛洒物确定模型可以包括深度学习模型。例如，深度学习模型可以包括cnn、rnn、rcnn、fast-rcnn、bp神经网络、knn、svm等中的一种或其任意组合。关于抛洒物确定模型的更多细节可以参见图7及其相关描述。

在一些实施例中，利用抛洒物确定模型检测出的变化区域中的抛洒物，为不同于任意已检出抛洒物的新抛洒物。在一些实施例中，可以将后续使用抛洒物确定模型检测出的新抛洒物作为检测结果并输出。在一些实施例中，抛洒物确定系统200可以将输出的检测结果上报给后台服务器，后台服务器管理人员可根据抛洒物检测结果进一步处理。

步骤550，基于检测出的新抛洒物更新抛洒物集合。在一些实施例中，步骤550可以由更新模块260实现。

在一些实施例中，更新模块260可以将检测出的新抛洒物加入已检出抛洒物集合。在一些实施例中，更新模块260可以根据新抛洒物的检出时间更新已检出抛洒物集合。例如，更新模块260可以将当前检测出的抛洒物加入已检出抛洒物集合的前面。在一些实施例中，更新模块260可以根据新抛洒物的类型更新已检出抛洒物集合。例如，更新模块260可以将当前检测出的新抛洒物增加至已检出抛洒物集合的对应类型中。

应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程500进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。

在一些实施例中，流程300、流程400和流程500可以为一个整体的抛洒物确定流程，可以集成在抛洒物确定系统(例如，抛洒物确定系统100)中，用以实现抛洒物的确定。

具体地，如图6所示，步骤610，获取监控区域图像，对应于流程300中的步骤310或流程400中的步骤410。步骤620，基于监控区域图像确定当前背景图像，对应于流程300中的步骤320或流程400中的步骤420。更多细节可参见流程300或流程400中的相关描述。

步骤630，判断当前背景图像与历史背景图像是否存在差异。在一些实施例中，可以通过对比当前背景图与历史背景图像，判断当前背景图像与历史背景图像是否存在差异。在一些实施例中，对比方法可以包括颜色对比法、形状对比法等中的一种或其任意组合。响应于当前背景图像与历史背景图像不存在差异，表示当前监控区域中没有抛洒物(例如，先前的抛洒物已被清除、道路没有遗落抛洒物等)，则重新执行步骤610，开始新一轮的抛洒物检测。

步骤640，响应于当前背景图像与历史背景图像存在差异，则确定当前背景图像中的变化区域。在一些实施例中，可以由变化区域确定模块230基于历史背景图像确定当前背景图像的变化区域。关于变化区域确定的更多内容可以参见步骤330或步骤430及其相关描述，在此不再赘述。

步骤650，判断变化区域与已检出抛洒物是否匹配。在一些实施例中，可以由抛洒物检测模块240基于已检出抛洒物集合，判断变化区域与已检出抛洒物是否匹配。响应于变化区域与已检出抛洒物匹配，表示该抛洒物已在该次检测之前被检测出，则执行步骤610，开始新一轮的抛洒物检测。步骤650对应于流程500中的步骤520，更多细节描述可以参见步骤520。

步骤660，响应于变化区域与已检出抛洒物不匹配，检测变化区域中的抛洒物。在一些实施例中，可以由抛洒物检测模块240利用抛洒物确定模型检测变化区域中的抛洒物。步骤660的更多细节内容可以参见步骤540及其相关描述。

步骤670，基于步骤660的检测结果，判断当前背景图像的变化区域中是否为真实抛洒物。在一些实施例中，道路中新添置的植物、告示牌、行人、车辆、路障、道路光线变化等，可能因不同于历史背景图像而被识别为当前背景图像的变化区域。通过利用抛洒物确定模型对变化区域进行检测，可以判断变化区域中是否为真实的抛洒物。若变化区域中的物体并非真实的抛洒物，则无需输出，并执行步骤610，开始新一轮的抛洒物检测。

步骤680，响应于变化区域中为真实抛洒物，则输出检测结果；步骤685，基于检测出的抛洒物更新抛洒物集合；步骤690，基于当前背景图像更新历史背景图像。关于步骤680、步骤685、步骤690的更多细节可以参见本说明书其他地方(例如，步骤350、步骤450、步骤550及其相关描述)，在此不再赘述。

图7是根据本申请一些实施例所示的获取抛洒物确定模型方法的示例性流程图。具体地，图7的相关步骤可以由训练模块270实现。

步骤710，获取样本图像。在此步骤中，抛洒物确定系统200(如训练模块270)可以获取用于模型训练的样本图像。

在一些实施例中，样本图像可以为反映道路中情况的任意图像。在一些实施例中，样本图像可以包括但不限于车辆图像、行人图像、车辆道路(没有车辆分道线)图像、车辆分道线图像、防护栏/隔离带图像、植物图像、锥形桶图像、道路告示牌图像、泥土或土坡图像、车窗抛落物/车厢洒落物图像等中的一种或其任意组合。

在一些实施例中，样本图像可以从道路监控设备中获取。例如，道路监控设备可以包括道路监控、治安监控、路口违章监控、测速监控、车流量监测等监控设备。在一些实施例中，样本图像可以从其它可以采集路况的装置中获取。例如，行车记录仪、相机、手机、平板等。在一些实施例中，不同样本图像中包含不同的抛洒物。在一些实施例中，同一样本图像可以包含两个以上的不同抛洒物。在一些实施例中，样本图像可以从道路抛洒物的历史检测记录中获取。在一些实施例中，样本图像可以从道路监控的各种开源数据库中获取。在一些实施例中，样本图像还可以从网络中公开的各种来源的图像中获取。在一些替代性实施例中，样本图像还可以通过其他方式获取，本申请对此不做限制。

步骤720，标注样本图像中的抛洒物，生成训练集。该训练过程，可以在客户端执行，也可以在云端执行，还可以在其他训练服务器中执行，可以是在线实时训练，可以是离线训练。在一些实施例中，可以是人工对样本图像进行标注，训练服务器或抛洒物确定系统200可以用于获取人工标注之后的样本图像并生成训练集。在一些实施例中，样本图像的标注可以通过计算机程序实现。在一些实施例中，样本图像的标注可以通过其他可行的方式(如，样本标注软件)实现，本申请在此不做任何限制。

在一些实施例中，用户和/或计算机程序可以根据样本图像中包含的内容对样本图像进行标注。在一些实施例中，计算机程序可以根据用户设定的规则对样本图像进行标注。在一些实施例中，用户可根据监控设备对应道路的具体情况设定不同的样本标注规则。例如，若监控设备对应道路不可避免的存在植物、告示牌等，用户可在设置样本标注规则时，将植物、告示牌等目标设置为不属于抛洒物的类型；反之，若监控设备对应道路段内本身不存在任何植物、告示牌等，则用户可将植物、告示牌等设置为属于抛洒物的类型(如，暴风、雷雨、施工问题等原因导致植物、告示牌倒落在道路上)。在一些实施例中，用户和/或计算机程序可以在样本图像中将抛洒物标注出来。例如，训练服务器可以简单将样本图像中的抛洒物在样本图像中圈出。又例如，训练服务器可以同时标注出抛洒物的类型。在一些实施例中，用户和/或计算机程序可以根据样本图像中抛洒物的位置对样本图像进行标注。用户和/或计算机程序对样本图像进行标注的方式可以包括但不限于上述方式中的一种或多种的任意组合。

在一些实施例中，抛洒物确定系统200可以将用户和/或计算机程序标注之后的样本图像按照一定比例随机划分为训练集以及测试集。在一些实施例中，划分比例可以是训练集80％、测试集20％，或是其他任意比例。训练集可以用于训练抛洒物确定模型；测试集可以用于对训练获得的抛洒物确定模型进行测试。

步骤730，将训练集图像输入到机器学习模型中进行训练，获得抛洒物确定模型。在此步骤中，抛洒物确定系统200(如训练模块270)可以获取训练生成抛洒物确定模型。

在一些实施例中，机器学习模型可以包括深度学习模型。例如，深度学习模型可以包括cnn、rnn、rcnn、fast-rcnn、bp神经网络、knn、svm等中的一种或其任意组合。在一些实施例中，机器学习模型可以包括但不限于用于分类的监督学习模型、用于回归的监督学习模型等中的一种或其任意组合。例如，线性分类器(如lr)、朴素贝叶斯(nb)、决策树(dt)、集成模型(rf/gdbt等)等。

在一些实施例中，将步骤720中生成的训练集作为模型的训练输入，将标注结果作为参考标准对模型进行训练。在一些实施例中，训练好的抛洒物确定模型的输出可以是图像中有无抛洒物的二分类结果，或者为图像中包含抛洒物的概率值，或者为图像中包含的抛洒物所属的类型以及属于该类型的概率值，又或者训练好的抛洒物确定模型的输出可以是标注出抛洒物位置的图像。训练好的抛洒物确定模型的输出形式由模型自身的算法以及训练样本确定，本申请在此不做任何限制。

应当注意的是，上述有关流程700的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程700进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，抛洒物确定系统200可以将标注好的样本图像分为训练集、验证集和测试集，当抛洒物确定模型初步训练完成之后，抛洒物确定系统200可以使用验证集对模型进行验证。

本申请实施例可能带来的有益效果包括但不限于：(1)及时发现并上报道路中出现的抛洒物，降低道路安全隐患；(2)使用抛洒物确定模型检测抛洒物，可以提升抛洒物检测效率；(3)不断更新已检出抛洒物结合和历史背景图像，可以提高抛洒物识别效率与准确性。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。