基于分布特性的FOD目标自适应快速分类识别方法、系统及介质与流程
本发明涉及fod雷达图像目标识别算法领域，具体地，涉及基于分布特性的fod目标自适应快速分类识别方法、系统及介质。
背景技术：
机场跑道fod需要检测在跑道上的会影响飞机起降的异物，然而飞机、汽车、维修线缆等正常运行的物体不属于跑道异物，也会以大目标的形式出现在雷达图像中，呈现出检测到大片fod目标的形态，影响fod系统对跑道安全的正常判断。因此，在每一次fod系统成像并检测出目标后，需要对目标类型进一步分类处理。
跑道上的大目标如停留等待的飞机在雷达图像中出现的次数不可预测，而运行中的飞机根据当时的运行速度也会多次以不同姿态出现在雷达图像中，此种特性使得常规的利用帧间连续性检测在实际场景中不再适用。通过分析大量的fod图像可知，大目标在图像上显示为一片不规则的目标点，静止物体会目标点的分布与其形态相关，而运动目标由于姿态不同和相对速度的变化会导致雷达检测出的目标点分布形态变化很大，传统的基于形态学的图像检测处理算法不再适用。但是从空间分布的总体上看，目标点分布较为集中，呈现在图像上是一片比较亮的区域。而普通的fod目标则是单独的孤立点或为数不多的几个亮点，此特征使得该场景的fod目标检测更适宜采用具有分类功能的聚类处理算法。因此，本发明根据大目标点的分布特性设计了一种快速的大目标自适应分类提取算法，计算简单，结果准确。
传统的模式识别分类方法都避免不了迭代处理的过程，迭代过程在目标数目增多的情况下，计算量会呈指数上涨，而且由于飞机等大目标出现的情况并不是高频率，因此对每次的探测结果均采用迭代分析对于系统的实时处理效果有很大的影响。
结合实际本发明设计了一个分步分类处理过程，利用大目标点集的关联性进行大目标和普通点目标快速分类处理，对目标场景进行快速分类，然后针对出现的大目标集合进行进一步聚类分析。此设计能够有效避免在不存在大目标时的迭代聚类处理，同时降低聚类处理中孤立点的样本数，降低运算量，提高系统效率。
对于提取的大目标集合，利用基于广度优先的自适应聚类处理算法实现各个目标区域的准确聚类，根据先验信息设定限制参数使得聚类过程中聚类数目和结束条件能够自适应确定，过程中人为干预项少，具有很好的场景自适应性。
最后对聚类后的目标区域集合进行特征分析，发现飞机等大目标和实验放置的普通目标集合均被视作大目标。因此，最后需要根据目标区域的特性进行分类识别，减少系统漏警。
通过在机场跑道fod系统的实际应用表明，本发明设计的一种基于目标分布特性的fod目标快速分类识别算法，能够快速有效的区分飞机等非fod大目标、密集分布fod目标和基础fod目标，算法处理效果迅速、准确。
技术实现要素：
针对现有技术中的缺陷，本发明的目的是提供一种基于分布特性的fod目标自适应快速分类识别方法、系统及介质。
根据本发明提供的一种基于分布特性的fod目标自适应快速分类识别方法，包括：
目标划分步骤：根据第一目标区域在空间分布上的集中性，采用目标点间距离作为目标相关特征量，实现目标点间相似度的量化，对相似度高于相似先验邻域半径门限的目标点进行标记，然后将标记位总合高于邻域大小门限的目标点视为第一目标区域集合，其余目标则划为普通分布fod目标集合；
目标聚类步骤：根据获得的第一目标区域集合，采用基于广度优先的自适应聚类处理，从第一目标区域集合中任意对象出发，基于广度优先原则，利用距离参数和形状参数作为约束条件依次搜索该对象的直接邻居和间接邻居，遍历整个数据集，直至所有对象均完成类型划分，在处理过程中实现聚类数的自动识别，获得第一目标聚类结果；
集合分类步骤：对第一目标和普通分布fod目标样本分析，根据获得的大目标聚类结果，通过先验信息设置目标分布面积门限、区域目标总能量门限及区域目标能量方差门限，实现第一目标和密集分布的普通目标集合的快速分类识别。
优选地，所述目标划分步骤：
相似度计算步骤：计算n个目标点集合g间的相似矩阵d，相似矩阵d的大小为n×n，目标点i与j之间的相似度记为d(i,j)，计算公式如下：
其中，
d(i,j)表示目标点i与j之间的相似度；
gi(x)表示目标点集合g中第i个目标点的x坐标
gj(x)表示目标点集合g中第j个目标点的y坐标
gi(y)表示目标点集合g中第i个目标点的x坐标
gj(y)表示目标点集合g中第j个目标点的y坐标
距离标记位计算步骤：获得距离标记位矩阵md，大小与相似矩阵d相同为n×n，当两点间的距离d(i,j)小于邻域半径门限r时，即d(i,j)≤r，距离标记位md(i,j)＝1，表示目标点i与目标点j之间分布位置属于同一邻域，当两点间的距离d(i,j)大于邻域半径门限r时，即d(i,j)＞r的标记位为md(i,j)＝0，目标点i与j之间分布位置属于不同邻域；
邻域大小矩阵计算步骤：获得每个目标点对应的邻域的大小矩阵sm，矩阵sm的大小为n×1，根据距离标记位矩阵md可以提取目标对应邻域大小矩阵sm；
距离标记位矩阵md中每行的距离标记位，表示两点之间在距离上是否满足属于同一邻域，第i行的距离标记位表示其余点j∈[0,1,2,...,n-1]之间在距离上是否属于同一邻域，统计距离标记矩阵md第i行的标记个数，即可得第i点对应邻域目标点的个数，计算公式如下：
其中，
sm(i)表示邻域的大小矩阵sm第i个点的值表示第i个目标对应邻居点的个数
md(i,j)表示第i个目标与第j个目标是否为邻居的标记值，若为邻居，则md(i,j)＝1，若不为邻居，则md(i,j)＝0
第一区域提取步骤：根据获得的邻域的大小表示矩阵sm提取大目标区域，根据先验知识设定第一目标覆盖目标点的邻域大小门限为t，对sm中n个参数进行比对，若大于门限，即sm(i)≥t，则该点属于第一目标集合b，若小于门限则目标点属于普通目标集合f，遍历n个参数即可快速提取第一目标点集合b，同时能得到普通目标集合f,f＝g-b，f主要由孤立点目标和少数集中分布目标组成，提取公式如下：
若b＝θ，即b为空集，则判断目标集合中无第一目标区域，则流程终止；若b≠θ，即b不为空集，则判断目标集合中具有第一目标区域，则进入目标聚类步骤继续执行。
优选地，所述目标聚类步骤：
基于广度优先的聚类步骤：设第一目标点集合b相似度矩阵为l，大小为m×m,其中m为集合b中目标点的个数，l(i,j)为大目标区域集合b中i点和j点对应的相似度量化值，l采用的相似度量化方式采用欧式距离，l为对称矩阵，且l(i,j)的值可以通过查询d中的对应项直接获得；
基于广度优先的聚类过程通过直接邻居和间接邻居进行聚类，根据先验信息确定的距离参数rb，针对任一对象b(i)设置其直接邻居集合dn的定义：对于集合内其他任意对象b(j)(j＝1,2,...,m,j≠i)，若l(i,j)≤rb，则称b(j)为b(i)的直接邻居，对象b(i)所有邻居的集合称为b(i)的全部邻居，记为dni；设置间接邻居集合in的定义：设n个对象b(1),b(2),...,b(n-1),b(n)，b(n)仅是b(n-1)的邻居，则根据邻居间接关联性可将b(1),b(2),...,b(n-1),b(n)视为互为间接邻居，记任意对象b(i)的间接邻居集合为ini；
初始聚类步骤：初始聚类过程，新建一个空类ak，k为类计数，k初始值为0，在第一目标集合b中选取任意b(i)对象放入ak中，其中i＝1,2,...,m，同时在b中删除该元素；
目标匹配步骤：对第一目标集合b内的所有目标点b(j)(j＝1,2,...,m,j≠i)与ak中元素进行逐个匹配搜索，遍历原则是基于广度优先，即先搜索对象ak(t),t＝1,2,...,nak的全部邻居，ak(t)表示ak中第t个元素，nak表示ak中元素个数，接着搜索ak(t)的全部间接邻居，将是否符合邻居特征采用距离参数rb和形状参数λb作为限制条件；
距离参数rb为通过先验信息设定的邻居之间的空间分布距离，在实际场景应用中可以根据多次试验测量可获得；
形状参数λb表示邻居之间的关联度，采用一个类中目标点中直接邻居和间接邻居的比例，λb越大表示类中直接邻居所占比例高，目标点间聚合程度高，反之越小间接邻居所占比例越高，目标点间聚合程度较低，ak的形状参数λak定义公式如下：
其中，
λak表示类集ak的形状参数；
numel(dnak)表示ak的直接邻居个数；
numel(inak)表示ak的间接邻居个数；
λak∈[0,1]，当λb＝0时表示类中元素构成对直接邻居个数无要求，类中可全由间接邻居构成，可以用于线目标聚类；当λb＝1时，表示类中元素全为直接邻居，类中元素分布非常集中，具有类圆特性；
若b(j)与ak中有p个元素满足与b(j)之间的分布距离小于距离参数门限rb，且λak>λb，λak＝p/nak，即将b(j)放入ak后，若类集的形状参数λak大于λb，则b(j)为ak中元素，反之不属于ak，遍历所有第一目标集合b内元素，并将符合要求的元素放入ak中；
空类建立步骤：将b内所有放入ak中的元素移除，更新b中目标点的个数为m＝numel(bnew)；将类个数计数k更新为k+1，输出自适应分类总个数k，中心建立空类ak；
归类终止判断步骤：判断m是否为0：若m≠0，则表示第一目标集合中还有目标点未归入任何类中，返回初始聚类步骤继续执行；若m＝0，则表示所有目标点均归入相应类中，流程结束。
优选地，所述集合分类步骤：
结合大目标聚类结果分别计算第一目标类群ak的区域目标分布面积s(k)、区域目标总能量e(k)、区域目标方差v(k)，其中k＝1,2,...,k，k为目标聚类步骤获得的自适应分类总个数；
根据如下公式计算区域目标分布面积s(k)：
其中，
s(k)表示区域目标分布面积；
nk表示第k个类群的目标个数。
根据如下公式计算区域目标总能量e(k)：
其中，
e(k)表示区域目标总能量；
e(tk)表示第k个类群中第tk个目标对应的能量强度；
根据如下公式计算区域目标方差v(k)：
其中，
v(k)表示区域目标方差；
e(k)表示第k个类群的能量总强度；
由先验信息设置fod目标检测场景的目标分布面积门限ts，区域目标总能量门限te和区域目标能量方差门限tv，通过门限判决对大目标类群进行分类，分类公式如下：
其中，
b为第一目标集合；
f为常规目标集合。
根据本发明提供的一种基于分布特性的fod目标自适应快速分类识别系统，包括：
目标划分模块：根据第一目标区域在空间分布上的集中性，采用目标点间距离作为目标相关特征量，实现目标点间相似度的量化，对相似度高于相似先验邻域半径门限的目标点进行标记，然后将标记位总合高于邻域大小门限的目标点视为第一目标区域集合，其余目标则划为普通分布fod目标集合；
目标聚类模块：根据获得的第一目标区域集合，采用基于广度优先的自适应聚类处理，从第一目标区域集合中任意对象出发，基于广度优先原则，利用距离参数和形状参数作为约束条件依次搜索该对象的直接邻居和间接邻居，遍历整个数据集，直至所有对象均完成类型划分，在处理过程中实现聚类数的自动识别，获得第一目标聚类结果；
集合分类模块：对第一目标和普通分布fod目标样本分析，根据获得的大目标聚类结果，通过先验信息设置目标分布面积门限、区域目标总能量门限及区域目标能量方差门限，实现第一目标和密集分布的普通目标集合的快速分类识别。
优选地，所述目标划分模块包括：
相似度计算模块：计算n个目标点集合g间的相似矩阵d，相似矩阵d的大小为n×n，目标点i与j之间的相似度记为d(i,j)，计算公式如下：
其中，
d(i,j)表示目标点i与j之间的相似度；
gi(x)表示目标点集合g中第i个目标点的x坐标
gj(x)表示目标点集合g中第j个目标点的y坐标
gi(y)表示目标点集合g中第i个目标点的x坐标
gj(y)表示目标点集合g中第j个目标点的y坐标
距离标记位计算模块：获得距离标记位矩阵md，大小与相似矩阵d相同为n×n，当两点间的距离d(i,j)小于邻域半径门限r时，即d(i,j)≤r，距离标记位md(i,j)＝1，表示目标点i与目标点j之间分布位置属于同一邻域，当两点间的距离d(i,j)大于邻域半径门限r时，即d(i,j)＞r的标记位为md(i,j)＝0，目标点i与j之间分布位置属于不同邻域；
邻域大小矩阵计算模块：获得每个目标点对应的邻域的大小矩阵sm，矩阵sm的大小为n×1，根据距离标记位矩阵md可以提取目标对应邻域大小矩阵sm；
距离标记位矩阵md中每行的距离标记位，表示两点之间在距离上是否满足属于同一邻域，第i行的距离标记位表示其余点j∈[0,1,2,...,n-1]之间在距离上是否属于同一邻域，统计距离标记矩阵md第i行的标记个数，即可得第i点对应邻域目标点的个数，计算公式如下：
其中，
sm(i)表示邻域的大小矩阵sm第i个点的值表示第i个目标对应邻居点的个数
md(i,j)表示第i个目标与第j个目标是否为邻居的标记值，若为邻居，则md(i,j)＝1，若不为邻居，则md(i,j)＝0
第一区域提取模块：根据获得的邻域的大小表示矩阵sm提取大目标区域，根据先验知识设定第一目标覆盖目标点的邻域大小门限为t，对sm中n个参数进行比对，若大于门限，即sm(i)≥t，则该点属于第一目标集合b，若小于门限则目标点属于普通目标集合f，遍历n个参数即可快速提取第一目标点集合b，同时能得到普通目标集合f,f＝g-b，f主要由孤立点目标和少数集中分布目标组成，提取公式如下：
若b＝θ，即b为空集，则判断目标集合中无第一目标区域，则流程终止；若b≠θ，即b不为空集，则判断目标集合中具有第一目标区域，则调用目标聚类模块。
优选地，所述目标聚类模块包括：
基于广度优先的聚类模块：设第一目标点集合b相似度矩阵为l，大小为m×m,其中m为集合b中目标点的个数，l(i,j)为大目标区域集合b中i点和j点对应的相似度量化值，l采用的相似度量化方式采用欧式距离，l为对称矩阵，且l(i,j)的值可以通过查询d中的对应项直接获得；
基于广度优先的聚类过程通过直接邻居和间接邻居进行聚类，根据先验信息确定的距离参数rb，针对任一对象b(i)设置其直接邻居集合dn的定义：对于集合内其他任意对象b(j)(j＝1,2,...,m,j≠i)，若l(i,j)≤rb，则称b(j)为b(i)的直接邻居，对象b(i)所有邻居的集合称为b(i)的全部邻居，记为dni；设置间接邻居集合in的定义：设n个对象b(1),b(2),...,b(n-1),b(n)，b(n)仅是b(n-1)的邻居，则根据邻居间接关联性可将b(1),b(2),...,b(n-1),b(n)视为互为间接邻居，记任意对象b(i)的间接邻居集合为ini；
初始聚类模块：初始聚类过程，新建一个空类ak，k为类计数，k初始值为0，在第一目标集合b中选取任意b(i)对象放入ak中，其中i＝1,2,...,m，同时在b中删除该元素；
目标匹配模块：对第一目标集合b内的所有目标点b(j)(j＝1,2,...,m,j≠i)与ak中元素进行逐个匹配搜索，遍历原则是基于广度优先，即先搜索对象ak(t),t＝1,2,...,nak的全部邻居，ak(t)表示ak中第t个元素，nak表示ak中元素个数，接着搜索ak(t)的全部间接邻居，将是否符合邻居特征采用距离参数rb和形状参数λb作为限制条件；
距离参数rb为通过先验信息设定的邻居之间的空间分布距离，在实际场景应用中可以根据多次试验测量可获得；
形状参数λb表示邻居之间的关联度，采用一个类中目标点中直接邻居和间接邻居的比例，λb越大表示类中直接邻居所占比例高，目标点间聚合程度高，反之越小间接邻居所占比例越高，目标点间聚合程度较低，ak的形状参数λak定义公式如下：
其中，
λak表示类集ak的形状参数；
numel(dnak)表示ak的直接邻居个数；
numel(inak)表示ak的间接邻居个数；
λak∈[0,1]，当λb＝0时表示类中元素构成对直接邻居个数无要求，类中可全由间接邻居构成，可以用于线目标聚类；当λb＝1时，表示类中元素全为直接邻居，类中元素分布非常集中，具有类圆特性；
若b(j)与ak中有p个元素满足与b(j)之间的分布距离小于距离参数门限rb，且λak>λb，λak＝p/nak，即将b(j)放入ak后，若类集的形状参数λak大于λb，则b(j)为ak中元素，反之不属于ak，遍历所有第一目标集合b内元素，并将符合要求的元素放入ak中；
空类建立模块：将b内所有放入ak中的元素移除，更新b中目标点的个数为m＝numel(bnew)；将类个数计数k更新为k+1，输出自适应分类总个数k，中心建立空类ak；
归类终止判断模块：判断m是否为0：若m≠0，则表示第一目标集合中还有目标点未归入任何类中，调用初始聚类模块；若m＝0，则表示所有目标点均归入相应类中，流程结束。
优选地，所述集合分类模块：
结合大目标聚类结果分别计算第一目标类群ak的区域目标分布面积s(k)、区域目标总能量e(k)、区域目标方差v(k)，其中k＝1，2，...，k，k为目标聚类模块获得的自适应分类总个数；
根据如下公式计算区域目标分布面积s(k)：
其中，
s(k)表示区域目标分布面积；
nk表示第k个类群的目标个数。
根据如下公式计算区域目标总能量e(k)：
其中，
e(k)表示区域目标总能量；
e(tk)表示第k个类群中第tk个目标对应的能量强度；
根据如下公式计算区域目标方差v(k)：
其中，
v(k)表示区域目标方差；
e(k)表示第k个类群的能量总强度；
由先验信息设置fod目标检测场景的目标分布面积门限ts，区域目标总能量门限te和区域目标能量方差门限tv，通过门限判决对大目标类群进行分类，分类公式如下：
其中，
b为第一目标集合；
f为常规目标集合。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述任一项所述的基于分布特性的fod目标自适应快速分类识别方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
1、本发明解决了fod目标检测过程中大目标和一般目标的分类识别问题，将大型目标、集中分布一般目标、一般单独分布目标进行有效分类，提高了fod系统的识别准确度；
2、本发明分类识别处理过程采用分步法则，避免了无效处理过程，逐步降低数据量，提高了算法处理速度，满足系统处理过程对实时性的需求；
3、本发明聚类过程通过引入先验信息数据，根据分析数据集的统计特征设定距离参数和形状参数，避免对聚类过程中的人工干预，实现系统自适应聚类处理；
4、本发明中处理过程的所有参数均可以根据实际场景引入分区、分段处理方法，算法的场景适应性高。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的基于分布特性的fod目标自适应快速分类识别方法的流程示意图。
图2为本发明提供的机场跑道fod目标分布示意图。
图3为本发明提供的大目标集合分布示意图。
图4为本发明提供的聚类结果示意图。
图5为本发明提供的目标特征识别结果示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于分布特性的fod目标自适应快速分类识别方法，包括：
目标划分步骤：根据第一目标区域在空间分布上的集中性，采用目标点间距离作为目标相关特征量，实现目标点间相似度的量化，对相似度高于相似先验邻域半径门限的目标点进行标记，然后将标记位总合高于邻域大小门限的目标点视为第一目标区域集合，其余目标则划为普通分布fod目标集合；
目标聚类步骤：根据获得的第一目标区域集合，采用基于广度优先的自适应聚类处理，从第一目标区域集合中任意对象出发，基于广度优先原则，利用距离参数和形状参数作为约束条件依次搜索该对象的直接邻居和间接邻居，遍历整个数据集，直至所有对象均完成类型划分，在处理过程中实现聚类数的自动识别，获得第一目标聚类结果；
集合分类步骤：对第一目标和普通分布fod目标样本分析，根据获得的大目标聚类结果，通过先验信息设置目标分布面积门限、区域目标总能量门限及区域目标能量方差门限，实现第一目标和密集分布的普通目标集合的快速分类识别。
具体地，所述目标划分步骤：
相似度计算步骤：计算n个目标点集合g间的相似矩阵d，相似矩阵d的大小为n×n，目标点i与j之间的相似度记为d(i,j)，计算公式如下：
其中，
d(i,j)表示目标点i与j之间的相似度；
gi(x)表示目标点集合g中第i个目标点的x坐标
gj(x)表示目标点集合g中第j个目标点的y坐标
gi(y)表示目标点集合g中第i个目标点的x坐标
gj(y)表示目标点集合g中第j个目标点的y坐标
距离标记位计算步骤：获得距离标记位矩阵md，大小与相似矩阵d相同为n×n，当两点间的距离d(i,j)小于邻域半径门限r时，即d(i,j)≤r，距离标记位md(i,j)＝1，表示目标点i与目标点j之间分布位置属于同一邻域，当两点间的距离d(i,j)大于邻域半径门限r时，即d(i,j)＞r的标记位为md(i,j)＝0，目标点i与j之间分布位置属于不同邻域；
邻域大小矩阵计算步骤：获得每个目标点对应的邻域的大小矩阵sm，矩阵sm的大小为n×1，根据距离标记位矩阵md可以提取目标对应邻域大小矩阵sm；
距离标记位矩阵md中每行的距离标记位，表示两点之间在距离上是否满足属于同一邻域，第i行的距离标记位表示其余点j∈[0,1,2,...,n-1]之间在距离上是否属于同一邻域，统计距离标记矩阵md第i行的标记个数，即可得第i点对应邻域目标点的个数，计算公式如下：
其中，
sm(i)表示邻域的大小矩阵sm第i个点的值表示第i个目标对应邻居点的个数
md(i，j)表示第i个目标与第j个目标是否为邻居的标记值，若为邻居，则md(i，j)＝1，若不为邻居，则md(i，j)＝0
第一区域提取步骤：根据获得的邻域的大小表示矩阵sm提取大目标区域，根据先验知识设定第一目标覆盖目标点的邻域大小门限为t，对sm中n个参数进行比对，若大于门限，即sm(i)≥t，则该点属于第一目标集合b，若小于门限则目标点属于普通目标集合f，遍历n个参数即可快速提取第一目标点集合b，同时能得到普通目标集合f,f＝g-b，f主要由孤立点目标和少数集中分布目标组成，提取公式如下：
若b＝θ，即b为空集，则判断目标集合中无第一目标区域，则流程终止；若b≠θ，即b不为空集，则判断目标集合中具有第一目标区域，则进入目标聚类步骤继续执行。
具体地，所述目标聚类步骤：
基于广度优先的聚类步骤：设第一目标点集合b相似度矩阵为l，大小为m×m,其中m为集合b中目标点的个数，l(i,j)为大目标区域集合b中i点和j点对应的相似度量化值，l采用的相似度量化方式采用欧式距离，l为对称矩阵，且l(i,j)的值可以通过查询d中的对应项直接获得；
基于广度优先的聚类过程通过直接邻居和间接邻居进行聚类，根据先验信息确定的距离参数rb，针对任一对象b(i)设置其直接邻居集合dn的定义：对于集合内其他任意对象b(j)(j＝1,2,...,m,j≠i)，若l(i,j)≤rb，则称b(j)为b(i)的直接邻居，对象b(i)所有邻居的集合称为b(i)的全部邻居，记为dni；设置间接邻居集合in的定义：设n个对象b(1),b(2),...,b(n-1),b(n)，b(n)仅是b(n-1)的邻居，则根据邻居间接关联性可将b(1),b(2),...,b(n-1),b(n)视为互为间接邻居，记任意对象b(i)的间接邻居集合为ini；
初始聚类步骤：初始聚类过程，新建一个空类ak，k为类计数，k初始值为0，在第一目标集合b中选取任意b(i)对象放入ak中，其中i＝1,2,...,m，同时在b中删除该元素；
目标匹配步骤：对第一目标集合b内的所有目标点b(j)(j＝1,2,...,m,j≠i)与ak中元素进行逐个匹配搜索，遍历原则是基于广度优先，即先搜索对象ak(t),t＝1,2,...,nak的全部邻居，ak(t)表示ak中第t个元素，nak表示ak中元素个数，接着搜索ak(t)的全部间接邻居，将是否符合邻居特征采用距离参数rb和形状参数λb作为限制条件；
距离参数rb为通过先验信息设定的邻居之间的空间分布距离，在实际场景应用中可以根据多次试验测量可获得；
形状参数λb表示邻居之间的关联度，采用一个类中目标点中直接邻居和间接邻居的比例，λb越大表示类中直接邻居所占比例高，目标点间聚合程度高，反之越小间接邻居所占比例越高，目标点间聚合程度较低，ak的形状参数λak定义公式如下：
其中，
λak表示类集ak的形状参数；
numel(dnak)表示ak的直接邻居个数；
numel(inak)表示ak的间接邻居个数；
λak∈[0,1]，当λb＝0时表示类中元素构成对直接邻居个数无要求，类中可全由间接邻居构成，可以用于线目标聚类；当λb＝1时，表示类中元素全为直接邻居，类中元素分布非常集中，具有类圆特性；
若b(j)与ak中有p个元素满足与b(j)之间的分布距离小于距离参数门限rb，且λak>λb，λak＝p/nak，即将b(j)放入ak后，若类集的形状参数λak大于λb，则b(j)为ak中元素，反之不属于ak，遍历所有第一目标集合b内元素，并将符合要求的元素放入ak中；
空类建立步骤：将b内所有放入ak中的元素移除，更新b中目标点的个数为m＝numel(bnew)；将类个数计数k更新为k+1，输出自适应分类总个数k，中心建立空类ak；
归类终止判断步骤：判断m是否为0：若m≠0，则表示第一目标集合中还有目标点未归入任何类中，返回初始聚类步骤继续执行；若m＝0，则表示所有目标点均归入相应类中，流程结束。
具体地，所述集合分类步骤：
结合大目标聚类结果分别计算第一目标类群ak的区域目标分布面积s(k)、区域目标总能量e(k)、区域目标方差v(k)，其中k＝1，2，...，k，k为目标聚类步骤获得的自适应分类总个数；
根据如下公式计算区域目标分布面积s(k)：
其中，
s(k)表示区域目标分布面积；
nk表示第k个类群的目标个数。
根据如下公式计算区域目标总能量e(k)：
其中，
e(k)表示区域目标总能量；
e(tk)表示第k个类群中第tk个目标对应的能量强度；
根据如下公式计算区域目标方差v(k)：
其中，
v(k)表示区域目标方差；
e(k)表示第k个类群的能量总强度；
由先验信息设置fod目标检测场景的目标分布面积门限ts，区域目标总能量门限te和区域目标能量方差门限tv，通过门限判决对大目标类群进行分类，分类公式如下：
其中，
b为第一目标集合；
f为常规目标集合。
本发明提供的基于分布特性的fod目标自适应快速分类识别系统，可以通过本发明给的基于分布特性的fod目标自适应快速分类识别方法的步骤流程实现。本领域技术人员可以将所述基于分布特性的fod目标自适应快速分类识别方法，理解为所述基于分布特性的fod目标自适应快速分类识别系统的一个优选例。
根据本发明提供的一种基于分布特性的fod目标自适应快速分类识别系统，包括：
目标划分模块：根据第一目标区域在空间分布上的集中性，采用目标点间距离作为目标相关特征量，实现目标点间相似度的量化，对相似度高于相似先验邻域半径门限的目标点进行标记，然后将标记位总合高于邻域大小门限的目标点视为第一目标区域集合，其余目标则划为普通分布fod目标集合；
目标聚类模块：根据获得的第一目标区域集合，采用基于广度优先的自适应聚类处理，从第一目标区域集合中任意对象出发，基于广度优先原则，利用距离参数和形状参数作为约束条件依次搜索该对象的直接邻居和间接邻居，遍历整个数据集，直至所有对象均完成类型划分，在处理过程中实现聚类数的自动识别，获得第一目标聚类结果；
集合分类模块：对第一目标和普通分布fod目标样本分析，根据获得的大目标聚类结果，通过先验信息设置目标分布面积门限、区域目标总能量门限及区域目标能量方差门限，实现第一目标和密集分布的普通目标集合的快速分类识别。
具体地，所述目标划分模块包括：
相似度计算模块：计算n个目标点集合g间的相似矩阵d，相似矩阵d的大小为n×n，目标点i与j之间的相似度记为d(i,j)，计算公式如下：
其中，
d(i,j)表示目标点i与j之间的相似度；
gi(x)表示目标点集合g中第i个目标点的x坐标
gj(x)表示目标点集合g中第j个目标点的y坐标
gi(y)表示目标点集合g中第i个目标点的x坐标
gj(y)表示目标点集合g中第j个目标点的y坐标
距离标记位计算模块：获得距离标记位矩阵md，大小与相似矩阵d相同为n×n，当两点间的距离d(i,j)小于邻域半径门限r时，即d(i,j)≤r，距离标记位md(i,j)＝1，表示目标点i与目标点j之间分布位置属于同一邻域，当两点间的距离d(i,j)大于邻域半径门限r时，即d(i,j)＞r的标记位为md(i,j)＝0，目标点i与j之间分布位置属于不同邻域；
邻域大小矩阵计算模块：获得每个目标点对应的邻域的大小矩阵sm，矩阵sm的大小为n×1，根据距离标记位矩阵md可以提取目标对应邻域大小矩阵sm；
距离标记位矩阵md中每行的距离标记位，表示两点之间在距离上是否满足属于同一邻域，第i行的距离标记位表示其余点j∈[0,1,2,...,n-1]之间在距离上是否属于同一邻域，统计距离标记矩阵md第i行的标记个数，即可得第i点对应邻域目标点的个数，计算公式如下：
其中，
sm(i)表示邻域的大小矩阵sm第i个点的值表示第i个目标对应邻居点的个数
md(i，j)表示第i个目标与第j个目标是否为邻居的标记值，若为邻居，则md(i，j)＝1，若不为邻居，则md(i，j)＝0
第一区域提取模块：根据获得的邻域的大小表示矩阵sm提取大目标区域，根据先验知识设定第一目标覆盖目标点的邻域大小门限为t，对sm中n个参数进行比对，若大于门限，即sm(i)≥t，则该点属于第一目标集合b，若小于门限则目标点属于普通目标集合f，遍历n个参数即可快速提取第一目标点集合b，同时能得到普通目标集合f,f＝g-b，f主要由孤立点目标和少数集中分布目标组成，提取公式如下：
若b＝θ，即b为空集，则判断目标集合中无第一目标区域，则流程终止；若b≠θ，即b不为空集，则判断目标集合中具有第一目标区域，则调用目标聚类模块。
具体地，所述目标聚类模块包括：
基于广度优先的聚类模块：设第一目标点集合b相似度矩阵为l，大小为m×m,其中m为集合b中目标点的个数，l(i,j)为大目标区域集合b中i点和j点对应的相似度量化值，l采用的相似度量化方式采用欧式距离，l为对称矩阵，且l(i,j)的值可以通过查询d中的对应项直接获得；
基于广度优先的聚类过程通过直接邻居和间接邻居进行聚类，根据先验信息确定的距离参数rb，针对任一对象b(i)设置其直接邻居集合dn的定义：对于集合内其他任意对象b(j)(j＝1,2,...,m,j≠i)，若l(i,j)≤rb，则称b(j)为b(i)的直接邻居，对象b(i)所有邻居的集合称为b(i)的全部邻居，记为dni；设置间接邻居集合in的定义：设n个对象b(1),b(2),...,b(n-1),b(n)，b(n)仅是b(n-1)的邻居，则根据邻居间接关联性可将b(1),b(2),...,b(n-1),b(n)视为互为间接邻居，记任意对象b(i)的间接邻居集合为ini；
初始聚类模块：初始聚类过程，新建一个空类ak，k为类计数，k初始值为0，在第一目标集合b中选取任意b(i)对象放入ak中，其中i＝1,2,...,m，同时在b中删除该元素；
目标匹配模块：对第一目标集合b内的所有目标点b(j)(j＝1,2,...,m,j≠i)与ak中元素进行逐个匹配搜索，遍历原则是基于广度优先，即先搜索对象ak(t),t＝1,2,...,nak的全部邻居，ak(t)表示ak中第t个元素，nak表示ak中元素个数，接着搜索ak(t)的全部间接邻居，将是否符合邻居特征采用距离参数rb和形状参数λb作为限制条件；
距离参数rb为通过先验信息设定的邻居之间的空间分布距离，在实际场景应用中可以根据多次试验测量可获得；
形状参数λb表示邻居之间的关联度，采用一个类中目标点中直接邻居和间接邻居的比例，λb越大表示类中直接邻居所占比例高，目标点间聚合程度高，反之越小间接邻居所占比例越高，目标点间聚合程度较低，ak的形状参数λak定义公式如下：
其中，
λak表示类集ak的形状参数；
numel(dnak)表示ak的直接邻居个数；
numel(inak)表示ak的间接邻居个数；
λak∈[0,1]，当λb＝0时表示类中元素构成对直接邻居个数无要求，类中可全由间接邻居构成，可以用于线目标聚类；当λb＝1时，表示类中元素全为直接邻居，类中元素分布非常集中，具有类圆特性；
若b(j)与ak中有p个元素满足与b(j)之间的分布距离小于距离参数门限rb，且λak>λb，λak＝p/nak，即将b(j)放入ak后，若类集的形状参数λak大于λb，则b(j)为ak中元素，反之不属于ak，遍历所有第一目标集合b内元素，并将符合要求的元素放入ak中；
空类建立模块：将b内所有放入ak中的元素移除，更新b中目标点的个数为m＝numel(bnew)；将类个数计数k更新为k+1，输出自适应分类总个数k，中心建立空类ak；
归类终止判断模块：判断m是否为0：若m≠0，则表示第一目标集合中还有目标点未归入任何类中，调用初始聚类模块；若m＝0，则表示所有目标点均归入相应类中，流程结束。
具体地，所述集合分类模块：
结合大目标聚类结果分别计算第一目标类群ak的区域目标分布面积s(k)、区域目标总能量e(k)、区域目标方差v(k)，其中k＝1，2，...，k，k为目标聚类模块获得的自适应分类总个数；
根据如下公式计算区域目标分布面积s(k)：
其中，
s(k)表示区域目标分布面积；
nk表示第k个类群的目标个数。
根据如下公式计算区域目标总能量e(k)：
其中，
e(k)表示区域目标总能量；
e(tk)表示第k个类群中第tk个目标对应的能量强度；
根据如下公式计算区域目标方差v(k)：
其中，
v(k)表示区域目标方差；
e(k)表示第k个类群的能量总强度；
由先验信息设置fod目标检测场景的目标分布面积门限ts，区域目标总能量门限te和区域目标能量方差门限tv，通过门限判决对大目标类群进行分类，分类公式如下：
其中，
b为第一目标集合；
f为常规目标集合。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述任一项所述的基于分布特性的fod目标自适应快速分类识别方法的步骤。
下面通过优选例，对本发明进行更为具体地说明：
优选例1：
本方法包括如下步骤：
步骤1：利用大目标区域在空间分布上的集中性，采用目标点间距离作为目标相关特征量实现目标点间相似度的量化，对相似度高于相似先验邻域半径门限的目标点进行快速标记，然后将标记位总合高于邻域大小门限的目标点视为大目标区域集合，其余目标则划为普通分布fod目标集合；
步骤2：对大目标区域采用基于广度优先的自适应聚类处理，从待聚类集合中任意对象出发，基于广度优先原则，利用距离参数和形状参数作为约束条件依次搜索该对象的直接邻居和间接邻居，遍历整个数据集，直至所有对象均完成类型划分。起始种子点的选择对聚类结果没有影响，处理过程实现聚类数的自动识别，聚类过程自动结束。
步骤3：通过对于飞机等大目标和密集分布的fod普通目标样本分析，大型目标的分布特性具有分布分散，总能量高，能量分布不均的特征。针对大目标聚类结果，通过先验信息设置目标分布面积门限，区域目标总能量门限和区域目标能量方差门限此三重门限，实现大目标和密集分布的普通目标集合的快速分类识别。
其中，步骤1包括如下步骤：
步骤1.1：计算n个目标点集合g间的相似矩阵d大小为n×n目标点i与j之间的相似度记为d(i,j)，在本发明中由于目标点的分布为实际跑道上空间分布，因此相似度量的采用欧式距离进行量化，计算方法如式(1)所示。
该算法处理过程中距离矩阵d的元素均与顺序无关，获得的矩阵为对角线为0的对称矩阵。因此在距离矩阵的计算过程可以仅计算上三角矩阵或下三角矩阵即可。计算量由n×n降低为n(n-1)/2，能够很大程度减少计算量，提高处理速度。
步骤1.2：计算距离标记位矩阵md大小与相似矩阵d相同为n×n，当两点间的距离d(i,j)小于邻域半径门限r时即d(i,j)≤r，距离标记位md(i,j)＝1，表示目标点i与j之间分布位置靠近，属于同一邻域，反之大于门限d(i,j)＞r的标记位为md(i,j)＝0，目标点i与j之间分布位置较远属于不同邻域，表达式如式(2)所示；
同理，根据距离标记位矩阵md与相似矩阵d的对应性，使得md同样具有对称矩阵的特性，计算量降为n(n-1)/2；
步骤1.3：计算每个目标点对应邻域的大小表示矩阵sm，大小为n×1。根据距离标记位矩阵md可以快速提取目标对应邻域大小矩阵sm。
md中每行的标记位表示，两点之间在距离上是否满足属于同一邻域。如第i行的标记位表示其余点j∈[0,1,2,...,n-1]之间的是否属于同一邻域，因此统计距离标记矩阵md第i行的标记个数，即可得第i点对应邻域目标点的个数，计算方法如式(3)所示。
步骤1.4：基于邻域的大小表示矩阵sm快速提取大目标区域。根据先验知识设定大目标覆盖目标点的邻域大小门限为t，对sm中n个参数进行比对，若大于门限即sm(i)≥t则该点属于大目标集合b，反之目标点属于普通目标集合f，遍历n个参数即可快速提取大目标点集合b，同时能得到普通目标集合f＝g-b，f主要由孤立点目标和少数集中分布目标组成；
若b＝θ则该目标集合中无大目标区域，无需后续操作；若b≠θ则表明具有大目标区域，继续进行后续处理。此种设定是为了避免程序的无效处理。
步骤2包括如下步骤：
步骤2.1：设大目标点集合b相似度矩阵为l，大小为m×m,其中m为集合b中目标点的个数。l(i,j)为大目标区域集合b中i点和j点对应的相似度量化值。为了避免重复计算，l采用的相似度量化方式采用欧式距离。因此，l为对称矩阵，且l(i,j)的值可以通过查询d中的对应项直接获得。
基于广度优先的聚类过程通过直接邻居和间接邻居进行聚类，根据先验信息确定的距离参数rb，针对任一对象b(i)设置其直接邻居集合dn的定义：对于集合内其他任意对象b(j)(j＝1,2,...,m,j≠i)，若l(i,j)≤r，则称b(j)为b(i)的直接邻居，简称邻居。对象b(i)所有邻居的集合称为b(i)的全部邻居，记为dni。
间接邻居集合in：设n个对象b(1),b(2),...,b(n-1),b(n)满足b(n)仅是b(n-1)的邻居，以此类推,b(2)仅是b(1)的邻居，则根据邻居间接关联性可将b(1),b(2),...,b(n-1),b(n)视为互为间接邻居，记任意对象b(i)的间接邻居集合为ini。
步骤2.2：初始聚类过程，新建一个空类ak，初始类计数k＝0，在大目标集合b中选取任意b(i)对象放入ak中，其中i＝1,2,...,m，同时在b中删除该元素；
步骤2.3：对大目标集合b内的所有目标点b(j)(j＝1,2,...,m,j≠i)与ak中元素进行逐个匹配搜索，遍历原则是基于广度优先，即先搜索对象ak(t),t＝1,2,...,nak的全部邻居，接着搜索ak(t)的全部间接邻居。是否符合邻居特征采用距离参数rb和形状参数λb作为限制条件。
距离参数rb为通过先验信息设定的邻居之间的空间分布距离，在实际场景应用中可以根据多次试验测量可获得。形状参数λb表示邻居之间的关联度，采用一个类中目标点中直接邻居和间接邻居的比例，λb越大表示类中直接邻居所占比例高，目标点间聚合程度高，反之越小间接邻居所占比例越高，目标点间聚合程度较低，ak的形状参数λak定义如式(5)所示：
其中，numel(dnak)表示ak的直接邻居个数，numel(inak)表示ak的间接邻居个数，根据定义可知λak∈[0,1]，当λb＝0时表示类中元素构成对直接邻居个数无要求，类中可全由间接邻居构成，可以用于线目标聚类；当λb＝1时，表示类中元素全为直接邻居，类中元素分布非常集中，具有类圆特性；
若b(j)与ak中有p个元素满足与b(j)之间的分布距离小于距离参数门限rb，且λak＝p/nak＞λb，即将b(j)放入ak后，类集的形状参数λak大于λb，则b(j)为ak中元素，反之不属于ak。遍历所有大目标集合b内元素，并将符合要求的元素放入ak中；
步骤2.4：将b内所有放入ak中的元素移除，更新b中目标点的个数为m＝numel(bnew)；更新类个数计数k＝k+1，中心建立空类ak；
步骤2.5：若m≠0表示大目标集合中还有目标点未归入任何类中，处理过程跳转至步骤2.2；若m＝0表示所有目标点均归入相应类中，处理过程结束。
在步骤2的计算过程中，计算量的最低情况，如果集合b内对象属于一个类，算法需循环m-1次即可完成；最差情况，b内对象分别属于m个类，则第1次循环m-1次分出一类，第2次循环m-2次分出一类,…,第m-1次循环1次分出一类，共执行
步骤3包括如下步骤：
步骤3.1：分别计算大目标类群ak的区域目标分布面积s(k)、区域目标总能量e(k)、区域目标方差v(k)，其中k＝1,2,...,k，k为步骤2获得的自适应分类个数；
区域目标分布面积s(k)的根据目标分布一般具有类菱形的特性，因此将s(k)的估算方法参考菱形面积的计算方法，将x坐标的极值之差和y坐标的极值之差视为菱形的相互垂直的对角线，因此s(k)的估算方法如式(6)所示，
其中，tk∈[0,1,...,nk]，nk表示第k个类群的目标个数。
区域目标总能量e(k)采用枚举法则将所有目标点的能量求和，计算法则如式(7)所示
其中，e(tk)表示第k个类群中第tk个目标对应的能量强度，区域目标能量方差v(k)根据方差的定义可知计算法则如式(8)所示，
步骤3.2：根据先验信息设置fod场景适用的三重门限：目标分布面积门限ts，区域目标总能量门限te，区域目标能量方差门限tv。通过三重门限判决对大目标类群进行分类判决，若类群满足提取目标点数大于ts，能量总和高于te，方差大于tv，则为具有复杂多变目标点聚集的大目标b，反之为密集分布的常规目标群f。分类规则如式(9)所示
优选例2：
如图1所示，本发明主要用以对机场跑道fod目标进行快速分类识别处理，实现fod目标集合中的大目标准确提取，同时处理过程耗时短，保证系统的实时性。本发明的核心内容主要为基于分布特性的fod目标自适应快速分类识别算法。该算法包括大目标区域快速提取，自适应目标聚类和基于特征的目标快速识别处理三个模块。通过大目标区域快速提取算法可以在无迭代过程的情况下快速定位大目标区域，将大目标和一般孤立区分开，实现对目标集合是否有大目标进行迅速判决；基于广度优先的自适应目标聚类在引入了先验约束条件：距离参数γ和形状参数λ，实现目标个数的自动识别，准确提取各个目标对应的覆盖范围；最后，利用大目标所特有的特征信息实现聚类结果的快速分类识别。
实际跑道上目标的分布如图2所示，该目标集合中具有普通fod目标、长缆线目标、飞机目标和实验放置的普通目标集合，用以测试该算法的适用性。
步骤1：计算跑道上n个目标点的集合g间的相似矩阵d大小为n×n，目标点i与j之间的相似度记为d(i,j)计算过程如式(10)所示
设领域半径门限r，计算距离标记位矩阵md，大小为n×n，根据式(11)法则进行赋值。距离标记位md(i,j)＝1，表示目标点i与j之间分布位置靠近，属于同一邻域；md(i,j)＝0，目标点i与j之间分布位置较远属于不同邻域；
统计每个目标点对应所属区域集群的大小，表示为矩阵sm，大小为n×1。计算方法如式(12)所示。
根据先验知识设定大目标覆盖目标点的邻域大小门限为t，对sm中n个参数进行比对，若大于门限即sm(i)≥t则该点属于大目标集合b，反之目标点属于普通目标集合f。
仿真结果如图3所示，长缆线目标、飞机目标和实验放置的普通目标集合被视为大目标完成准确提取，实现了本文用于机场跑道fod大目标的快速提取的目的。
步骤2：经过步骤1的处理提取大目标点集合b，大小为m×m。大目标点间的相似度矩阵为l通过查询d中对应项获得，大小为m×m。
新建一个空类ak，初始类个数计数k＝0，在大目标集合b中选取任意b(i)对象放入ak中，其中i＝1,2,...,m，同时在b中删除该元素；
对大目标集合b内的所有目标点b(j)(j＝1,2,...,m,j≠i)与ak中元素进行基于广度优先的匹配搜索，先搜索对象ak(t),t＝1,2,...,nak的全部邻居，接着搜索ak(t)的全部间接邻居。是否符合直接邻居特征采用距离参数rb作为限制条件。
若b(j)与ak中有p个元素满足与b(j)之间的分布距离小于距离参数门限rb，且λak＝p/nak＞λb，即将b(j)放入ak后类集的距形状参数λak大于形状参数门限λb，则b(j)为ak中元素。遍历所有大目标集合b内元素，并将符合要求的元素放入ak中；
将b内所有放入ak中的元素移除，更新b中目标点的个数为m＝numel(bnew)；更新类个数计数k＝k+1，中心建立空类ak；
重复以上处理步骤，直至m＝0所有目标点均被分入不同的类，仿真结果如图4所示。长缆线目标、飞机目标和实验放置的普通目标集合被自适应的分成了三类，分别标记为k＝1红色、k＝2绿色和k＝3蓝色。
步骤3：结合大目标聚类结果分别计算大目标类群ak的区域目标分布面积s(k)、区域目标总能量e(k)、区域目标方差v(k)，其中k＝1,2,...,k，k为步骤2获得的自适应分类总个数，本次实验中k＝3；
根据式(13)计算区域目标分布面积s(k)，
其中，tk∈[0,1,...,nk]，nk表示第k个类群的目标个数。
根据式(14)计算区域目标总能量e(k)，
其中，e(tk)表示第k个类群中第tk个目标对应的能量强度，根据式(15)计算区域目标方差v(k)方差，
其中，e(k)表示第k个类群的能量总强度；
由先验信息设置fod目标检测场景的目标分布面积门限ts，区域目标总能量门限te和区域目标能量方差门限tv。通过门限判决对大目标类群进行分类，规则如式(16)所示，
其中b为大目标集合，f为常规目标集合。仿真结果如图5所示。黑色圆圈框出了红色和绿色两个大目标集合，分别为长缆线目标和飞机目标，未圈出的蓝色类为实验放置的均匀分布普通目标集合，分类识别结果准确。且总的算法处理过程耗时6ms，对系统的实时性不产生影响。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
- 还没有人留言评论。精彩留言会获得点赞！