一种驾驶路怒状态的监测方法和装置与流程

本发明涉及智能驾驶领域，尤其涉及一种驾驶路怒状态的监测方法和装置。

背景技术：

驾驶员路怒症目前已是影响安全驾驶的一个很重要因素,它是由于交通阻塞情况下开车压力与挫折引起的驾驶员愤怒的情绪。"路怒症"驾驶员会袭击他人的汽车,恶意违反交通规则,引发交通事故。路怒症自动检测与预警技术的研究已成为主动安全驾驶技术的重要组成部分。近年来驾驶员路怒症研究得到广泛关注,但大部分的研究主要集中在从心理学、政策、法规方面如何避免怒路症的发生,而针对路怒症自动检测和识别技术的研究还比较少。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

在捕捉用户情感信息过程中会出现丢失和失真的情况，影响识别结果的准确度。

技术实现要素：

本申请实施例通过提供一种驾驶路怒状态的监测方法和装置，解决了现有技术中路怒状态识别结果不准确的问题，达到能够降低驾驶员路怒状态识别所需的响应时间，做到早预警早干预，从而减少由路怒驾驶引起的安全事故的技术效果。

本申请实施例提供了一种驾驶路怒状态的监测方法和装置，其中，所述方法包括：获得驾驶员的生理信号数据集，所述生理信号数据集的特征维度为第一维度；对所述生理信号数据集进行特征处理，获得所述生理信号数据集的特征向量；对所述生理信号的特征向量进行降维和特征提取，获得降维特征向量；根据所述降维特征向量构建驾驶路怒数据集；根据递归特征消除法对所述驾驶路怒数据集进行最优特征加速选择，构建并训练所述路怒识别模型；根据所述路怒识别模型对所述驾驶员进行实时监测。

另一方面，本申请还提供了一种驾驶路怒状态的监测装置，其中，所述系统包括：第一获得单元，所述第一获得单元用于获得驾驶员的生理信号数据集，所述生理信号数据集的特征维度为第一维度；第二获得单元，所述第二获得单元用于对所述生理信号数据集进行特征处理，获得所述生理信号数据集的特征向量；第三获得单元，所述第三获得单元用于对所述生理信号的特征向量进行降维和特征提取，获得降维特征向量；第一构建单元，所述第一构建单元用于根据所述降维特征向量构建驾驶路怒数据集；第二构建单元，所述第二构建单元用于根据递归特征消除法对所述驾驶路怒数据集进行最优特征加速选择，构建并训练所述路怒识别模型；第一监测单元，所述第一监测单元用于根据所述路怒识别模型对所述驾驶员进行实时监测。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的技术方案能够准确客观的实时识别驾驶过程中驾驶员是否处于路怒状态；通过对特征进行降维消除，使得特征的表征能力更强，克服了原始森林模型中存在的特征向量冗余问题，降低了算法空间复杂度的同时提高了运行速率，能够降低驾驶员路怒状态识别所需的响应时间，做到早预警早干预，从而减少由路怒驾驶引起的安全事故的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例一种驾驶路怒状态的监测方法的流程示意图；

图2为本申请实施例一种驾驶路怒状态的监测方法中构建并训练所述路怒识别模型的流程示意图；

图3为本申请实施例一种驾驶路怒状态的监测方法中获得所述最优特征向量的流程示意图；

图4为本申请实施例一种驾驶路怒状态的监测方法中构建所述路怒识别模型的流程示意图；

图5为本申请实施例一种驾驶路怒状态的监测方法中根据所述路怒识别模型对所述驾驶员进行实时监测的流程示意图；

图6为本申请实施例一种驾驶路怒状态的监测装置的结构示意图；

图7为本申请实施例示例性电子设备的结构示意图；

附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第一构建单元14，第二构建单元15，第一监测单元16，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。

具体实施方式

本申请实施例通过提供一种驾驶路怒状态的监测方法和装置，解决了现有技术中路怒状态识别结果不准确的问题，达到能够降低驾驶员路怒状态识别所需的响应时间，做到早预警早干预，从而减少由路怒驾驶引起的安全事故的技术效果。

下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

驾驶员路怒症目前已是影响安全驾驶的一个很重要因素,它是由于交通阻塞情况下开车压力与挫折引起的驾驶员愤怒的情绪。"路怒症"驾驶员会袭击他人的汽车,恶意违反交通规则,引发交通事故。路怒症自动检测与预警技术的研究已成为主动安全驾驶技术的重要组成部分。近年来驾驶员路怒症研究得到广泛关注,但大部分的研究主要集中在从心理学、政策、法规方面如何避免怒路症的发生,而针对路怒症自动检测和识别技术的研究还比较少。现有技术中在捕捉用户情感信息过程中会出现丢失和失真的情况，影响识别结果的准确度。

针对上述技术问题，本申请提供的技术方案总体思路如下：

本申请实施例提供了一种驾驶路怒状态的监测方法和装置，其中，所述方法包括：获得驾驶员的生理信号数据集，所述生理信号数据集的特征维度为第一维度；对所述生理信号数据集进行特征处理，获得所述生理信号数据集的特征向量；对所述生理信号的特征向量进行降维和特征提取，获得降维特征向量；根据所述降维特征向量构建驾驶路怒数据集；根据递归特征消除法对所述驾驶路怒数据集进行最优特征加速选择，构建并训练所述路怒识别模型；根据所述路怒识别模型对所述驾驶员进行实时监测。

对于申请实施例提供的一种驾驶路怒状态的监测方法和装置，该方法应用于一智能可穿戴驾驶路怒状态监测装置，所述装置包括生理信号采集系统，生理信号融合系统，对数据进行融合以及分发，多种生理数据的特征提取、模式识别算法、数据运算模型、信息分发等功能；以及生理参数监控系统，用于对驾驶员的路怒状态进行监测。其中，本发明实施例中所获得的各类数据均是通过计算机通信技术自动从上述系统或装置中进行自动计算，匹配，关联，处理后予以获得的。进一步的，通过计算机技术可以高效、自动匹配、关联，处理各类数据，进而解决本发明所要解决的技术问题，实现本发明的技术效果。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种驾驶路怒状态的监测方法，其中，所述方法应用于一可穿戴路怒监测装置，所述装置包括生理信号采集系统，生理信号融合系统，对数据进行融合以及分发，多种生理数据的特征提取、模式识别算法、数据运算模型、信息分发等功能；以及生理参数监控系统，用于对驾驶员的路怒状态进行监测。其中，本发明实施例中所获得的各类数据均是通过计算机通信技术自动从上述系统或装置中进行自动计算，匹配，关联，处理后予以获得的。其中，所述方法包括：

步骤100：获得驾驶员的生理信号数据集，所述生理信号数据集的特征维度为第一维度；

具体而言，所述驾驶员的生理信号数据集包括若干个驾驶员的生理信号数据的集合，其中，生理信号可以是心率和心电信号，例如心率变异性，包括r-r期间、高频功率值、低频功率值、以及低频-高频功率比等等；脑电波信号，例如不同频带上的功率变化；肌肉电信号；以及面部表情。特征维度可以指的是样本的数量或特征的数量，在本申请实施例中指特征的数量，所述第一维度为所述生理信号数据集的特征数量。

步骤200：对所述生理信号数据集进行特征处理，获得所述生理信号数据集的特征向量；

步骤300：对所述生理信号的特征向量进行降维和特征提取，获得降维特征向量；

本申请实施例通过主成分分析法从所述特征向量中选择出最优特征向量，其中，所述降维后的生理信号数据集中的特征维度为第二维度，所述第二维度低于所述第一维度。

举例而言，通过主成分分析法从所述生理信号数据集的特征向量中选择出最优特征向量中选择出具有原始数据中90％方差的特征向量，这时所述生理信号数据集中的特征维度从96下降到63，其中，96即为第一维度，63即为第二维度，通过主成分分析法实现对所述生理信号数据集的特征向量进行降维与特征提取，主成分分析法即取协方差矩阵前s个最大特征值对应的特征向量构成映射矩阵，对数据进行降维，从而获得降维后的特征向量。

步骤400：根据所述降维特征向量构建驾驶路怒数据集；

步骤500：根据递归特征消除法对所述驾驶路怒数据集进行最优特征加速选择，构建并训练所述路怒识别模型；

具体而言，所述路怒识别模型即机器学习中的神经网络模型，神经网络(neuralnetworks，nn)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(artificialneuralnetworks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。在本申请实施例中，通过大量的所述驾驶员的生理信号作为训练数据输入神经网络模型对所述神经网络模型进行训练。递归特征消除法用来进行特征选择，属于包装法特征选择算法的其中一种。通过递归特征消除法对所述驾驶路怒数据集进行特征提取，选择出最优特征向量，并根据其构建并训练路怒识别模型，从而提高训练获得的模型的准确度。

步骤600：根据所述路怒识别模型对所述驾驶员进行实时监测。

具体而言，将驾驶员的各项生理信号数据接入到路怒识别模型中，实时对输入数据进行监测诊断，当某个驾驶状态被路怒识别模型识别为异常模式，且该状态持续了两秒，则最终识别结果为该驾驶状态具有路怒风险，能够准确客观的实时识别驾驶过程中驾驶员是否处于路怒状态；通过对特征进行降维消除，使得特征的表征能力更强，克服了原始森林模型中存在的特征向量冗余问题，降低了算法空间复杂度的同时提高了运行速率，能够降低驾驶员路怒状态识别所需的响应时间，做到早预警早干预，从而减少由路怒驾驶引起的安全事故。

如图2所示，为了获得最优特征向量，使得路怒识别模型训练的更加准确，本申请实施例步骤s500还包括：

s510：根据所述递归特征消除法，获得最优特征选择器；

s520：根据所述最优特征选择器对所述驾驶路怒数据集进行最优特征加速选择，获得所述最优特征向量；

s530：根据所述最优特征向量，获得训练数据集；

s540：将决策树作为分类工具，构建所述路怒识别模型；

s550：将所述训练数据集输入所述路怒识别模型中，对所述路怒识别模型进行训练。

具体而言，递归消除特征法使用一个机器学习模型来进行多轮训练，每轮训练结束后，消除若干权值系数对应的特征，再基于新的特征集进行下一轮训练，在特征集合上不断重复上述过程，直到最终达到所需要的特征数量为止，将降维后的特征向量作为驾驶路怒数据集，通过递归特征消除法对所述驾驶路怒数据集进行特征提取，选择出最优特征向量，并根据其构建并训练路怒识别模型，从而提高训练获得的模型的准确度。构建路怒识别模型时采用基于随机森林的路怒事件识别模型，在基于随机森林的路怒事件识别模型中，以决策树作为基本分类工具，将多个决策树的分类结果结合起来便得到了最终的分类结果，从而构建所述路怒识别模型，利用上述基于改进随机森林的路怒识别模型对训练数据集中的数据进行分类识别，对所述路怒识别模型进行训练，所述路怒识别模型自身进行调整，直到所述路怒识别模型达到预期的准确率后，进行下一组数据的学习。通过训练数据使所述路怒识别模型自身不断地修正、优化，来提高所述路怒识别模型处理所述数据的准确性。

如图3所示，本申请实施例步骤s520还包括：

s521：计算所述驾驶路怒数据集中特征向量的重要性排序；

s522：删除所述重要性排序中排名最小的特征向量；

s523：对删除排名最小的特征向量之后的特征向量进行十折交叉验证，判断所述路怒识别模型的准确率是否提高；

s524：如果所述述路怒识别模型的准确率提高，继续删除所述重要性排序中排名最小的特征向量直到所述准确率不再提高为止；

s525：如果所述路怒识别模型的准确率不再提高，输出所述最优特征向量。

具体而言，训练最优特征选择器中的特征分类器，计算特征重要性排名；删除排名分数最小的特征，最后使用10折交叉验证方法来确定出最优特征；十折交叉验证，英文名叫做10-foldcross-validation，用来测试算法准确性，将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。每次试验都会得出相应的正确率(或差错率)。10次的结果的正确率(或差错率)的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证(例如10次10折交叉验证)，再求其均值，作为对算法准确性的估计。经过上述处理后，数据集中的特征维度从63降低到36，得到最终特征向量，使得特征的表征能力更强，克服了原始森林模型中存在的特征向量冗余问题，降低了算法空间复杂度的同时提高了运行速率。

如图4所示，本申请实施例步骤s540还包括：

步骤541：以所述最优特征向量从根节点出开始分裂，判断所述最优特征向量是否可以成为叶子节点；

步骤542：如果所述最优特征向量可以成为叶子节点，且决策树停止生长，对所述决策树进行存储；

步骤543：判断所述决策树的数量是否达到预定要求，获得判断结果；

步骤544：根据所述判断结果，构建所述路怒识别模型；

具体而言，随机森林(randomforest)是机器学习中的一种分类器，该分类器最早由leobreiman和adelecutler提出。在机器学习中，随机森林是一个包含多个决策树的分类器，并且输出的类别是由个别树输出的类别的众数而定。leobreiman和adelecutler推论出随机森林的算法。而“randomforests”是他们的上标。这个属于是1995年由贝尔实验室的tinkamho所提出的随机决策森林而来的。这个方法则结合breimans的“bootstrapaggregating”想法和ho的“randomsubspacemethod”以建造决策树的集合。随机森林是bagging的一个扩展变体。rf在以决策树为基学习器构建bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。在本申请实施例中，根据所述训练数据集，获得数量与所述训练集相同的训练样本集；获取所述训练样本集内每个训练样本的特征向量，获得特征向量集；在所述特征向量集内随机且有回放的抽取，获得数量与所述特征向量相同的待选特征向量集；在所述待选特征向量集中随机选取部分待选特征向量，在所述部分待选特征向量中选择最优特征向量；以所述最优特征向量从根节点出开始分裂，判断所述最优特征向量是否可以成为叶子节点；如果所述最优特征向量可以成为叶子节点，且决策树停止生长，对所述决策树进行存储；判断所述决策树的数量是否达到预定要求，如果所述决策树的数量达到预定要求，构建所述路怒识别模型；如果所述最优特征向量不能成为叶子节点，在所述待选特征向量集中随机选取部分待选特征向量，在所述部分待选特征向量中选择最优特征向量；如果所述最优特征向量可以成为叶子节点，且所述决策树未停止生长，在所述待选特征向量集中随机选取部分待选特征向量，在所述部分待选特征向量中选择最优特征向量。

如图5所示，所述根据所述路怒识别模型对所述驾驶员进行实时监测，包括：

步骤610：获得所述驾驶员的实时生理信号；

步骤620：对所述实时生理信号进行主成分分析和特征提取，获得待分类样本；

步骤630：将所述待分类样本输入所述路怒识别模型，获得驾驶状态识别结果，其中，所述识别结果包括第一识别结果和第二识别结果，所述第一识别结果为连续两秒为路怒状态的结果，所述第二识别结果为未连续两秒为路怒状态的结果；

步骤640：如果所述驾驶状态识别结果为第一结果，获得第一提醒信息，所述第一提醒信息用于提醒所述驾驶员处于路怒状态；

步骤650：如果所述驾驶状态识别结果为第二结果，确定所述驾驶员为正常驾驶状态。

具体而言，将驾驶员的数据接入到路怒识别模型中，实时对驾驶数据进行监测诊断，当某个驾驶状态被基于随机森林的路怒识别模型识别为异常模式，且该状态持续了两秒，则最终识别结果为该驾驶状态具有路怒风险；收集驾驶员更多的路怒数据和正常行驶数据，定期对模型进行训练，及时更新模型。使得模型尽可能覆盖所有情况的特征，并且定期对模型训练一次，及时更新模型，不断提高模型的准确性。

本发明提供的基于改进随机森林的驾驶路怒行为识别方法具有如下优点：能够准确客观的实时识别驾驶过程中驾驶员是否处于路怒状态；通过对特征进行降维消除，使得特征的表征能力更强，克服了原始森林模型中存在的特征向量冗余问题，降低了算法空间复杂度的同时提高了运行速率，能够降低驾驶员路怒状态识别所需的响应时间，做到早预警早干预，从而减少由路怒驾驶引起的安全事故。

实施例二

基于与前述实施例中一种驾驶路怒状态的监测方法同样发明构思，本发明还提供了一种驾驶路怒状态的监测装置，如图6所示，所述装置包括：

第一获得单元11，所述第一获得单元11用于获得驾驶员的生理信号数据集，所述生理信号数据集的特征维度为第一维度；

第二获得单元12，所述第二获得单元12用于对所述生理信号数据集进行特征处理，获得所述生理信号数据集的特征向量；

第三获得单元13，所述第三获得单元13用于对所述生理信号的特征向量进行降维和特征提取，获得降维特征向量；

第一构建单元14，所述第一构建单元14用于根据所述降维特征向量构建驾驶路怒数据集；

第二构建单元15，所述第二构建单元15用于根据递归特征消除法对所述驾驶路怒数据集进行最优特征加速选择，构建并训练所述路怒识别模型；

第一监测单元16，所述第一监测单元16用于根据所述路怒识别模型对所述驾驶员进行实时监测。

进一步的，所述装置还包括：

第一选择单元，所述第一选择单元用于根据主成分分析法从所述特征向量中选择出最优特征向量，其中，所述降维后的生理信号数据集中的特征维度为第二维度，所述第二维度低于所述第一维度。

进一步的，所述装置还包括：

第四获得单元，所述第四获得单元用于根据所述递归特征消除法，获得最优特征选择器；

第五获得单元，所述第五获得单元用于根据所述最优特征选择器对所述驾驶路怒数据集进行最优特征加速选择，获得所述最优特征向量；

第六获得单元，所述第六获得单元用于根据所述最优特征向量，获得训练数据集；

第三构建单元，所述第三构建单元用于将决策树作为分类工具，构建所述路怒识别模型；

第一训练单元，所述第一训练单元用于将所述训练数据集输入所述路怒识别模型中，对所述路怒识别模型进行训练。

进一步的，所述装置还包括：

第一计算单元，所述第一计算单元用于计算所述驾驶路怒数据集中特征向量的重要性排序；

第一删除单元，所述第一删除单元用于删除所述重要性排序中排名最小的特征向量；

第一判断单元，所述第一判断单元用于对删除排名最小的特征向量之后的特征向量进行十折交叉验证，判断所述路怒识别模型的准确率是否提高；

第二删除单元，所述第二删除单元用于如果所述述路怒识别模型的准确率提高，继续删除所述重要性排序中排名最小的特征向量直到所述准确率不再提高为止；

第一输出单元，所述第一输出单元用于如果所述路怒识别模型的准确率不再提高，输出所述最优特征向量。

进一步的，所述装置还包括：

第七获得单元，所述第七获得单元用于根据所述训练数据集，获得数量与所述训练集相同的训练样本集；

第八获得单元，所述第八获得单元用于获取所述训练样本集内每个训练样本的特征向量，获得特征向量集；

第九获得单元，所述第九获得单元用于在所述特征向量集内随机且有回放的抽取，获得数量与所述特征向量相同的待选特征向量集；

第二选择单元，所述第二选择单元用于在所述待选特征向量集中随机选取部分待选特征向量，在所述部分待选特征向量中选择最优特征向量；

第二判断单元，所述第二判断单元用于以所述最优特征向量从根节点出开始分裂，判断所述最优特征向量是否可以成为叶子节点；

第一存储单元，所述第一存储单元用于如果所述最优特征向量可以成为叶子节点，且决策树停止生长，对所述决策树进行存储；

第三判断单元，所述第三判断单元用于判断所述决策树的数量是否达到预定要求，获得判断结果；

第四构建单元，所述第四构建单元用于根据所述判断结果，构建所述路怒识别模型。

进一步的，所述装置还包括：

第三选择单元，所述第三选择单元用于如果所述最优特征向量不能成为叶子节点，在所述待选特征向量集中随机选取部分待选特征向量，在所述部分待选特征向量中选择最优特征向量；

第四选择单元，所述第四选择单元用于如果所述最优特征向量可以成为叶子节点，且所述决策树未停止生长，在所述待选特征向量集中随机选取部分待选特征向量，在所述部分待选特征向量中选择最优特征向量。

进一步的，所述装置还包括：

第十获得单元，所述第十获得单元用于获得所述驾驶员的实时生理信号；

第十一获得单元，所述第十一获得单元用于对所述实时生理信号进行主成分分析和特征提取，获得待分类样本；

第十二获得单元，所述第十二获得单元用于将所述待分类样本输入所述路怒识别模型，获得驾驶状态识别结果，其中，所述识别结果包括第一识别结果和第二识别结果，所述第一识别结果为连续两秒为路怒状态的结果，所述第二识别结果为未连续两秒为路怒状态的结果；

第十三获得单元，所述第十三获得单元用于如果所述驾驶状态识别结果为第一结果，获得第一提醒信息，所述第一提醒信息用于提醒所述驾驶员处于路怒状态；

第一确定单元，所述第一确定单元用于如果所述驾驶状态识别结果为第二结果，确定所述驾驶员为正常驾驶状态。

前述图1实施例一中的一种驾驶路怒状态的监测方法的各种变化方式和具体实例同样适用于本实施例的一种驾驶路怒状态的监测装置，通过前述对一种驾驶路怒状态的监测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种驾驶路怒状态的监测装置的实施方法，所以为了说明书的简洁，在此不再详述。

示例性电子设备

下面参考图7来描述本申请实施例的电子设备。

图7图示了根据本申请实施例的电子设备的结构示意图。

基于与前述实施例中一种驾驶路怒状态的监测方法的发明构思，本发明还提供一种驾驶路怒状态的监测装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种驾驶路怒状态的监测方法的任一方法的步骤。

其中，在图7中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本发明实施例提供的一种驾驶路怒状态的监测方法，其中，所述方法包括：获得驾驶员的生理信号数据集，所述生理信号数据集的特征维度为第一维度；对所述生理信号数据集进行特征处理，获得所述生理信号数据集的特征向量；对所述生理信号的特征向量进行降维和特征提取，获得降维特征向量；根据所述降维特征向量构建驾驶路怒数据集；根据递归特征消除法对所述驾驶路怒数据集进行最优特征加速选择，构建并训练所述路怒识别模型；根据所述路怒识别模型对所述驾驶员进行实时监测。，解决了现有技术中路怒状态识别结果不准确的问题，达到能够降低驾驶员路怒状态识别所需的响应时间，做到早预警早干预，从而减少由路怒驾驶引起的安全事故的技术效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。