一种3D物体快速检测方法、装置、设备及介质
本发明涉及三维物体检测技术领域，尤其是一种3d物体快速检测方法、装置、设备及介质。
背景技术：
近年来，随着自动驾驶技术的发展，激光雷达的地位也变得越来越重要。激光雷达的优点在于可以直接测量包含物体的距离，能够开发自动驾驶的目标检测算法，并在三维目标检测中准确地估计不同目标的位置和前进方向。
现如今，通过对激光雷达产生的点云信号数据进行处理，从而获得周围物体的几何坐标和位置坐标的技术已经十分成熟。比如frustumpointnets等。它在kitti数据集的测试上表现出非常高的正确率。然而，在对点云数据进行处理之前，它还需要对经过校准的摄像机图像进行预处理。
可以看出来这样的设计有以下缺点：模型的准确率很大程度上取决于相机图像和相关的卷积神经网络；整个流程经过的神经网络较多，模型比较复杂，这会导致延迟过高、效率较低。
现有的三维检测技术大多是依赖激光雷达的，但激光雷达硬件成本高昂。举个例子，美国velodyne公司的hdl-64e激光雷达在国内的售价高达五十万元以上。另外，激光雷达获得的点云数据比较稀疏，这会导致外观比较复杂的目标，或者是一些小物体无法在点云中得以体现。况且，激光雷达仅仅可以提供稀疏的测量点，无法提供图像、颜色信息，难以在其基础上进行进一步的任务拓展。此外，现有的三维检测网络都比较慢，且对硬件存储，计算，以及能源消耗都有较高的要求。三维检测网络的计算量要求也同样很高，难以部署到实际应用中，因此无法满足实时性的要求。
技术实现要素：
有鉴于此，本发明实施例提供一种3d物体快速检测方法、装置、设备及介质，以实现降低三维检测技术的使用成本，提高三维检测网络的实时性。
一方面，本发明提供了一种3d物体快速检测方法，包括：
获取左右视图以及相机标定参数；其中，所述左右视图通过双目相机获取得到，所述相机标记参数用于表征所述双目相机设定的参数；
通过神经网络框架对数据库图片以及真实距离深度图进行处理，训练得到二值神经网络模型；其中，所述真实距离深度图通过激光雷达获取得到；
根据所述二值神经网络模型，结合二值数据通道打包技术以及网络计算层流技术，确定二值神经网络；
将所述左右视图输入到所述二值神经网络中，对所述左右视图进行特征提取，确定视差图；
根据所述视差图以及所述相机标定参数构建点云数据坐标点，确定视觉雷达信号；其中，所述视觉雷达信号用于表征构建得到的点云数据；
对所述视觉雷达信号进行投影获得三通道特征图，并将所述三通道特征图输入到神经网络中，确定预测结果；
对所述预测结果进行遮挡物检测，确定目标预测结果。
优选地，对所述二值神经网络模型添加空间约束项，包括：
在所述二值神经网络模型的训练集中，任意选取多组包含有三个点的点集；
所述点集满足以下条件：
式中，
根据所述点集，通过每一组所述点集中的三个点建立空间平面；
根据所述空间平面，确定所述空间约束项并添加到所述二值神经网络模型；
所述空间约束项为：
式中，loss为空间约束项，n为点集个数，
优选地，所述根据所述二值神经网络模型，结合二值数据通道打包技术以及网络计算层流技术，确定二值神经网络，包括：
根据所述二值数据通道打包技术，使用通道维度将所述二值神经网络模型中的二值数据进行压缩，确定初始二值神经网络；
根据所述网络计算层流技术，将所述初始二值神经网络中的神经网络操作进行合并，确定所述二值神经网络；其中，所述神经网络操作包括卷积操作、批归一化操作以及数据二值化操作。
优选地，所述将所述左右视图输入到所述二值神经网络中，对所述左右视图进行特征提取，确定视差图，包括：
将所述左右视图输入到所述二值神经网络中，对所述左右视图进行特征提取，确定图像特征；
根据所述图像特征，结合视差预测算法，确定初始图像；
对所述初始图像进行高斯滤波处理，确定所述视差图。
优选地，所述根据所述视差图以及所述相机标定参数构建点云数据坐标点，确定视觉雷达信号，包括：
根据所述视差图以及所述相机标定参数，计算所述视差图的坐标点深度值；
初始化点云数据，将所述坐标点深度值存储到所述点云数据中，确定第一点云数据；
根据所述坐标点深度值以及所述相机标定参数对所述第一点云数据的坐标点进行计算，确定第二点云数据；
将所述左右视图转换成灰度图，并合并到所述第二点云数据中，确定所述视觉雷达信号。
优选地，所述对所述视觉雷达信号进行投影获得三通道特征图，并将所述三通道特征图输入到神经网络中，确定预测结果，包括：
以所述双目相机为基准，确定感兴趣区域；
对所述感兴趣区域内的所述视觉雷达信号进行离散化处理，确定离散化视觉雷达信号；
根据高度坐标对所述离散化视觉雷达信号进行排序，确定点云高度；
对所述离散化视觉雷达信号进行密度计算，确定点云密度；
将所述离散化视觉雷达信号的灰度值确定为点云强度；
将所述点云高度、点云密度以及点云强度存储到三通道特征图中；
将所述三通道特征图输入到所述神经网络中，确定输出结果；
对所述输出结果进行归一化处理后求和，确定归一化处理结果；
对所述归一化结果进行阈值处理，确定所述预测结果。
优选地，所述对所述预测结果进行遮挡物检测，确定目标预测结果，包括：
根据所述相机标定参数，将所述预测结果投影到二维图像上，确定第一二维边框值；
通过对象检测算法检测所述左右视图，确定第二二维边框值；
将所述第一二维边框值与所述第二二维边框值进行对比，计算得到交并比；
当所述交并比大于阈值时，确定所述目标预测结果。
另一方面，本发明实施例还公开了一种3d物体快速检测装置，包括：
第一模块，用于获取左右视图以及相机标定参数，其中，所述左右视图通过双目相机获取得到，所述相机标记参数用于表征所述双目相机设定的参数；；
第二模块，用于通过神经网络框架对数据库图片以及真实距离深度图进行处理，训练得到二值神经网络模型，其中，所述真实距离深度图通过激光雷达获取得到；
第三模块，用于根据所述二值神经网络模型，结合二值数据通道打包技术以及网络计算层流技术，确定二值神经网络；
第四模块，用于将所述左右视图输入到所述二值神经网络中，对所述左右视图进行特征提取，确定视差图；
第五模块，用于根据所述视差图以及所述相机标定参数构建点云数据坐标点，确定视觉雷达信号；
第六模块，用于对所述视觉雷达信号进行投影获得三通道特征图，并将所述三通道特征图输入到神经网络中，确定预测结果；
第七模块，用于对所述预测结果进行遮挡物检测，确定目标预测结果。
另一方面，本发明实施例还公开了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
另一方面，本发明实施例还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
另一方面，本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明通过获取左右视图以及相机标定参数；通过神经网络框架对数据库图片以及真实距离深度图进行处理，训练得到二值神经网络模型；能够提高二值神经网络模型的精度；根据所述二值神经网络模型，结合二值数据通道打包技术以及网络计算层流技术，确定二值神经网络；能够节约存储空间和减少时间损耗；将所述左右视图输入到所述二值神经网络中，对所述左右视图进行特征提取，确定视差图；根据所述视差图以及所述相机标定参数构建点云数据坐标点，确定视觉雷达信号；能够高速，可靠地获取环境点云信息，还可以获得环境颜色信息；对所述视觉雷达信号进行投影获得三通道特征图，并将所述三通道特征图输入到神经网络中，确定预测结果；能够降低设备成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的具体流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本发明实施例提供了一种3d物体快速检测方法，包括：
获取左右视图以及相机标定参数；其中，左右视图通过双目相机获取得到，相机标记参数用于表征双目相机设定的参数；
通过神经网络框架对数据库图片以及真实距离深度图进行处理，训练得到二值神经网络模型；其中，真实距离深度图通过激光雷达获取得到；
根据二值神经网络模型，结合二值数据通道打包技术以及网络计算层流技术，确定二值神经网络；
将左右视图输入到二值神经网络中，对左右视图进行特征提取，确定视差图；
根据视差图，结合相机标定参数构建点云数据坐标点，确定视觉雷达信号；其中，视觉雷达信号用于表征构建得到的点云数据；
对视觉雷达信号进行离散化处理，并输入到神经网络中，确定预测结果。
进一步作为优选的实施方式，对所述二值神经网络模型添加空间约束项，包括：
在所述二值神经网络模型的训练集中，任意选取多组包含有三个点的点集；
所述点集满足以下条件：
式中，
根据所述点集，通过每一组所述点集中的三个点建立空间平面；
根据所述空间平面，确定所述空间约束项并添加到所述二值神经网络模型；
所述空间约束项为：
式中，loss为空间约束项，n为点集个数，
其中，本发明实施例的一种实施方式为，使用torch7神经网络框架对kitti2012数据库中提供的图片以及使用雷达得到的真实距离深度图进行处理，构建得到正负样本对，用于训练得到一个二值神经网络模型；二值神经网络模型的训练基于浮点神经网络的训练过程，在前向传播中，将浮点权值进行二值化，并使用二值化处理后的权值计算结果；在反向传播中，只更新浮点权值，更新之后的浮点权值用于下一次的前向传播过程；由于二值神经网络模型的训练参数设置具有独特的规律，在训练二值神经网络模型时，二值网络模型的训练使用的学习率应该尽可能的小，用以减少训练过程中由于学习率过大导致权值数据频繁变换符号，导致经过二值化处理之后的权值不稳定的情况，在二值神经网络模型的训练过程中，使用的学习率为2×10-4；为了提高二值神经网络的表达能力，让二值化处理后的卷积核输出尽可能地逼近全精度卷积核输出，使用优化参数对二值卷积核计算进行优化计算；优化计算公式为：
ci≈αbi
其中，设网络层卷积层的尺寸为k×k，输入通道数为m，输出通道数为n，ci为浮点卷积第i个通道输出，bi为二值化卷积第i个通道输出，并且两者都具有h×w×c的结构，α为优化参数，通过卷积核自适应的计算获得α优化参数参与计算，使得二值卷积核结果尽量的接近浮点卷积核结果；优化参数通过优化函数计算得到；其中，优化函数h(b，α)为：
h(b，α)＝||ci–αbi||2；
优化参数计算公式为：
其中，wi为第i个输出通道的权重参数，||||l1为1-范数运算。
对所述二值神经网络模型添加空间约束项进行训练，对于2d图像中的任意一点p(ui，vi)，其中ui，vi分别表示p点的横坐标和纵坐标，i表示点的个数，通过相机参数计算获得其三维空间映射表达为p(xi，yi，zi)；其中，xi，yi，zi分别表示为p点的三维坐标；在拥有准确深度信息的训练集深度图数据中，任意取n组包含有3个点的点集:m＝{(pa，pb,pc)i|i＝0,1…n}，且任意一组点集都需要满足：
式中，
根据上述条件，通过每一组点集中的三个点建立一个空间平面：
根据上述空间平面，在二值神经网络模型的训练过程中，加入空间约束项：
其中，loss为空间约束项，n为点集个数，
进一步作为优选的实施方式，根据二值神经网络模型，结合二值数据通道打包技术以及网络计算层流技术，确定二值神经网络，包括：
根据二值数据通道打包技术，使用通道维度将二值神经网络模型中的二值数据进行压缩，确定初始二值神经网络；
根据网络计算层流技术，将初始二值神经网络模型中的神经网络操作进行合并，确定二值神经网络；其中，神经网络操作包括卷积操作、批归一化操作以及数据二值化操作。
其中，为了增加二值数据的存储密度与计算密度，通过二值数据通道打包技术，使用通道维度进行二值数据的压缩；在通道压缩过程中，将通道数压缩为64的整倍数，对于通道数不能被64整除的情况，将数据补齐到64的倍数，将通道维度作为最后一个维度，确定初始二值神经网络；在初始二值神经网络中，将权值与数据都量化为{+1，-1}，但是在硬件层面上，将+1用1表示，-1用0表示，本实施例对不足64的整数倍的通道部分使用0进行补齐，补齐的0会额外带来-1，对于额外的数据，使用二值化点积运算进行计算，计算公式为：
a·b＝-(2×popcnt(a^b)–vec_len)
其中，popcnt为统计序列中1的个数的运算；vec_len代表参与运算有效位长度；a，b分别表示两个二值序列；通过以上公式，使用逻辑运算代替乘法运算，显著提高了运算速度；根据网络计算层流技术，将初始二值神经网络模型中的神经网络操作进行合并，将卷积操作与批归一化操作，数据二值化操作都融合在一起；其中，层流bnmap计算公式为：
其中，c表示未计算偏置参数的卷积运算结果；thresh是一个由卷积层偏置b、缩放层系数η、batchnormalization层缩放系数γ、平移参数β、样本均值μ和样本标准差σ共同决定的一个参数；thresh的计算公式为：
进一步作为优选的实施方式，所述将所述左右视图输入到所述二值神经网络中，对所述左右视图进行特征提取，确定视差图，包括：
将所述左右视图输入到所述二值神经网络中，对所述左右视图进行特征提取，确定图像特征；
根据所述图像特征，结合视差预测算法，确定初始图像；
对所述初始图像进行高斯滤波处理，确定所述视差图。
其中，视差预测costdes算法为：
式中，cost为经过网络计算中视差的代价，cost+是后一项视差的代价，cost-是前一项视差的代价；
使用滤波核大小为3×3的高斯滤波对初始图像进行高斯滤波处理，得到更加平滑的视差图，可以用于更加精准的3维检测任务。
进一步作为优选的实施方式，根据视差图，结合相机标定参数构建点云数据坐标点，确定视觉雷达信号，包括：
根据视差图以及相机标定参数，计算视差图的坐标点深度值；
初始化点云数据，将坐标点深度值存储到点云数据中，确定第一点云数据；
根据坐标点深度值以及相机标定参数对第一点云数据的坐标点进行计算，确定第二点云数据；
将左右视图转换成灰度图，并合并到第二点云数据中，确定视觉雷达信号。
其中，根据视差图以及相机标定参数，计算视差图的坐标点深度值；设视差图中一点p的坐标为y(u,v)，其中，u，v分别为p点的横坐标和纵坐标，通过公式计算点的深度值d(u，v)：
式中，fu为获取得到的双目相机中左侧相机的水平焦距参数，b为获取得到的双目相机的水平偏移量参数；初始化点云数据，将坐标点深度值存储到点云数据中，确定第一点云数据；设视差图的维度为h*w，即高和宽，那么点云的存储维度即为4*n，n＝h*w；前两个维度分别用来存储坐标点的位置，第三个维度用来存储坐标点的深度，第四个维度存储其反射强度；将计算完成获得的坐标点深度信息填入点云中，得到第一点云数据；根据坐标点深度值以及相机标定参数对第一点云数据的坐标点进行计算，计算公式为：
式中，xyz为点云的空间坐标，x为宽度，y为高度，z为深度；(cu,cv)是对应相机的中心像素位置，fv为垂直焦距；此时完成点云三个维度3*n矩阵信息的转化，得到第二点云数据；通过opencv将左右视图转换成灰度图，灰度图同样是h*w的格式，将其拉伸成1*n，并合并到第二点云数据中，得到视觉雷达信号。
进一步作为优选的实施方式，对视觉雷达信号进行离散化处理，并输入到神经网络中，确定预测结果，包括：
以所述双目相机为基准，确定感兴趣区域；
对所述感兴趣区域内的所述视觉雷达信号进行离散化处理，确定离散化视觉雷达信号；
根据高度坐标对所述离散化视觉雷达信号进行排序，确定点云高度；
对所述离散化视觉雷达信号进行密度计算，确定点云密度；
将所述离散化视觉雷达信号的灰度值确定为点云强度；
将所述点云高度、点云密度以及点云强度存储到三通道特征图中；
将所述三通道特征图输入到所述神经网络中，确定输出结果；
对所述输出结果进行归一化处理后求和，确定归一化处理结果；
对所述归一化结果进行阈值处理，确定所述预测结果。
其中，以双目相机为基准，设置左右25m，前方50m的正方形区域作为感兴趣区域；保留这部分区域的点，舍弃其它位置的点；对感兴趣区域内的视觉雷达信号进行离散化处理，根据高度坐标对视觉雷达信号进行排序，将同一水平坐标的点进行舍弃并计数，将排序结果投影到三通道特征图中；三通道特征图分别存储了点云数据的密度、高度以及强度；高度图取排序结果的最大值，密度图通过统计每个栅格中的点数n，然后取密度值为
进一步作为优选的实施方式，所述对所述预测结果进行遮挡物检测，确定目标预测结果，包括：
根据所述相机标定参数，将所述预测结果投影到二维图像上，确定第一二维边框值；
通过对象检测算法检测所述左右视图，确定第二二维边框值；
将所述第一二维边框值与所述第二二维边框值进行对比，计算得到交并比；
当所述交并比大于阈值时，确定所述目标预测结果。
其中，由于图像中可能会存在一些遮挡物，例如花坛、围墙、垃圾箱等，这些遮挡物在点云中的变现与车辆的特征相似，会导致检测检测网络产生错误的检测，因此使用多信息融合的三维检测方法，通过利用相机的标定参数，将预测结果投影到二维图像上，得到预测结果的二维边框值，即第一二维边框值；使用物体检测算法yolov5对左右视图进行边框检测，计算得到检测算法的二维边框值，即第二二维边框值；将第一二维边框值以及第二二维边框值进行对比，计算得到交并比；当交并比大于阈值时则认为预测正确，反之舍弃该预测结果，阈值设置为0.5，最终确定目标预测结果。
结合图1，本发明实施例通过结合优化参数对二值神经网络模型的训练过程进行优化；通过结合二值数据通道打包技术对通道进行压缩以及通过网络计算层流技术将神经网络操作整合，实现对二值神经网络的优化，得到二值神经网络；通过双目相机获取左右视图，将左右视图输入到二值神经网络中进行特征提取，得到视差图；通过对双目相机进行设定获取相机标定参数，结合相机标定参数对视差图中的点的坐标进行计算，将计算得到的坐标信息存储到点云数据中，得到视觉雷达信号；对视觉雷达信号进行离散化处理，将处理结果投影到三通道特征图中，将三通道特征图输入到基于深度残差和特征金字塔的网络中，输出预测结果，预测结果包括物体的位置坐标(x，y，z)，几何坐标(h，w，l)，以及绕y轴旋转角度ry。
与图1的方法相对应，本发明实施例还提供了一种3d物体快速检测装置，包括：
第一模块，用于获取左右视图以及相机标定参数，其中，所述左右视图通过双目相机获取得到，所述相机标记参数用于表征所述双目相机设定的参数；；
第二模块，用于通过神经网络框架对数据库图片以及真实距离深度图进行处理，训练得到二值神经网络模型，其中，所述真实距离深度图通过激光雷达获取得到；
第三模块，用于根据所述二值神经网络模型，结合二值数据通道打包技术以及网络计算层流技术，确定二值神经网络；
第四模块，用于将所述左右视图输入到所述二值神经网络中，对所述左右视图进行特征提取，确定视差图；
第五模块，用于根据所述视差图以及所述相机标定参数构建点云数据坐标点，确定视觉雷达信号；
第六模块，用于对所述视觉雷达信号进行投影获得三通道特征图，并将所述三通道特征图输入到神经网络中，确定预测结果；
第七模块，用于对所述预测结果进行遮挡物检测，确定目标预测结果。
与图1的方法相对应，本发明实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如前面所述的方法。
与图1的方法相对应，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
综上所述，本发明实施例与相关技术相比，具有以下优点：
1)相关技术中使用了激光雷达数据，但是用于获取激光雷达数据的激光雷达设备的成本过高，而本发明实施例仅需要一台双目相机获取的图像就可以实现，降低了使用成本；
2)在相关技术中，使用了大量的网络，这导致了运算速度慢，而本发明实施例对二值神经网络进行一定的优化，提高了处理速度；
3)在相关技术中，使用激光雷达难以获得环境颜色信号，而本发明实施例能够高速、可靠地获取环境颜色信号，提高了物体检测的准确度。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明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，多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。例如，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(pga)，现场可编程门阵列(fpga)等。
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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
- 还没有人留言评论。精彩留言会获得点赞！