基于SwinTrack的无人机巡检方法、装置、无人机、存储介质

基于swintrack的无人机巡检方法、装置、无人机、存储介质
技术领域
1.本发明属于无人机技术领域，尤其涉及一种基于swintrack的无人机巡检方法、装置、无人机、存储介质。


背景技术：

2.船只监控是水域管理中的重要环节，由于水域管理的特殊性，传统的方式只能依靠人工和监控在水域岸线进行船只监控，监控能力受到较大的限制。随着无人机的软硬件不断提升，出现了水域管理领域的无人机巡检技术，利用无人机的飞行特性进入水域对船只进行跟踪和定位，极大地提高了水域管理的可靠性，扩宽了水域管理的监控范围。但是水域在夜间并没有照明设施，虽然能够利用红外摄像头进行夜间监控，由于图像质量得不到保障，只能适用于静止的船只监控，对于移动过程中的船只很难实现目标跟踪，影响水域管理的效率和可靠性。


技术实现要素：

3.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
4.本发明实施例提供了一种基于swintrack的无人机巡检方法、装置、无人机、存储介质，能够提高无人机在夜间的跟踪能力，提高水域管理的效率和可靠性。
5.第一方面，本发明实施例提供了一种基于swintrack的无人机巡检方法，应用于无人机，包括：
6.获取预先设定好的水域巡检路线，在根据所述水域巡检路线进行巡检的过程中获取水面热力图像；
7.对所述水面热力图像进行图像识别，当识别出待检测船只图像，根据所述待检测船只图像从预设的热力图像模板数据库中匹配出船只模板图像；
8.将所述船只模板图像和所述待检测船只图像输入至预先训练好的swintrack模型，通过所述swintrack模型生成跟踪预测框，根据所述跟踪预测框的移动轨迹进行目标跟踪；
9.当获取到跟踪结束信号，且当前的电量大于预设的电量阈值，继续根据所述水域巡检路线进行巡检。
10.在一些实施例中，所述将所述船只模板图像和所述待检测船只图像输入至预先训练好的swintrack模型，通过所述swintrack模型生成跟踪预测框，包括：
11.将所述船只模板图像分割为多个图像块，得到第一图像块组；
12.将所述待检测船只图像分割为多个图像块，得到第二图像块组；
13.对所述第一图像块组和所述第二图像分别进行特征提取和序列转换，得到第一特征序列和第二特征序列，其中，所述第一特征序列根据所述第一图像块组得到，所述第二特征序列根据所述第二图像块组得到；
14.将所述第一特征序列和所述第二特征序列拼接成目标特征序列，对所述目标特征序列进行注意力融合后生成所述跟踪预测框。
15.在一些实施例中，对所述第一图像块组和所述第二图像分别进行特征提取和序列转换，得到第一特征序列和第二特征序列，包括：
16.对所述第一图像块组进行特征提取，得到第一中间序列，并确定所述第一中间序列的第一序列高和第一序列宽；
17.对所述第二图像块组进行特征提取，得到第二中间序列，并确定所述第二中间序列的第二序列高和第二序列宽；
18.获取预设的隐藏维数和网络步幅；
19.根据所述隐藏维数、所述网络步幅、所述第一序列高和所述第一序列宽将所述第一中间序列转换为所述第一特征序列；
20.根据所述隐藏维数、所述网络步幅、所述第二序列高和所述第二序列宽将所述第二中间序列转换为所述第二特征序列。
21.在一些实施例中，所述swintrack模型包括编码器和解码器，所述对所述目标特征序列进行注意力融合后生成所述跟踪预测框，包括：
22.将所述目标特征序列输入至所述编码器，通过所述编码器进行注意力融合，得到所述船只模板图像和所述待检测船只图像的相似度信息；
23.将所述相似度信息输入至所述解码器，通过所述解码器得到与所述待检测船只图像所对应的目标特征图；
24.根据所述目标特征图生成所述跟踪预测框。
25.在一些实施例中，所述根据所述目标特征图生成所述跟踪预测框，包括：
26.根据无约束位置编码算法对所述目标特征图进行位置编码；
27.根据预设的损失函数对位置编码后的所述目标特征图进行损失计算，得到所述跟踪预测框。
28.在一些实施例中，所述损失函数包括varifocal loss和ciou loss。
29.在一些实施例中，所述无人机与管理终端通信连接，所述方法还包括：
30.获取所述管理终端发送的所述水域巡检路线；
31.当获取到所述船只模板图像，向所述管理终端反馈与所述船只模板图像所对应的船只参考信息，所述船只参考信息包括船只类型和船只工作参数；
32.在根据所述跟踪预测框的移动轨迹进行目标跟踪的过程中，实时向所述管理终端发送所述跟踪预测框所对应的位置信息；
33.当获取到所述管理终端发送的所述跟踪结束信号，且当前的电量大于所述电量阈值，继续根据所述水域巡检路线进行巡检。
34.第二方面，本发明实施例提供了一种基于swintrack的无人机巡检装置，包括：
35.图像获取单元，用于获取预先设定好的水域巡检路线，在根据所述水域巡检路线进行巡检的过程中获取水面热力图像；
36.图像识别单元，用于对所述水面热力图像进行图像识别，当识别出待检测船只图像，根据所述待检测船只图像从预设的热力图像模板数据库中匹配出船只模板图像；
37.目标跟踪单元，用于将所述船只模板图像和所述待检测船只图像输入至预先训练
好的swintrack模型，通过所述swintrack模型生成跟踪预测框，根据所述跟踪预测框的移动轨迹进行目标跟踪；
38.巡检恢复单元，用于当获取到跟踪结束信号，且当前的电量大于预设的电量阈值，继续根据所述水域巡检路线进行巡检。
39.第三方面，本发明实施例提供了一种无人机，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于swintrack的无人机巡检方法。
40.第四方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行如第一方面所述的基于swintrack的无人机巡检方法。
41.本发明实施例包括：获取预先设定好的水域巡检路线，在根据所述水域巡检路线进行巡检的过程中获取水面热力图像；对所述水面热力图像进行图像识别，当识别出待检测船只图像，根据所述待检测船只图像从预设的热力图像模板数据库中匹配出船只模板图像；将所述船只模板图像和所述待检测船只图像输入至预先训练好的swintrack模型，通过所述swintrack模型生成跟踪预测框，根据所述跟踪预测框的移动轨迹进行目标跟踪；当获取到跟踪结束信号，且当前的电量大于预设的电量阈值，继续根据所述水域巡检路线进行巡检。根据本实施例的技术方案，能够利用swintrack模型基于深度学习的注意力机制提高目标跟踪的准确性，使得无人机能够从拍摄到的热力图中快速生成船只的跟踪预测框，有效提高了夜间对船只进行目标跟踪的准确性，提高水域管理的可靠性。
42.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
43.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
44.图1是本发明一个实施例提供的基于swintrack的无人机巡检方法的流程图；
45.图2是本发明另一个实施例提供的分割图像的流程图；
46.图3是本发明另一个实施例提供的特征提取和特征转换的流程图；
47.图4是本发明另一个实施例提供的编解码的流程图；
48.图5是本发明另一个实施例提供的swintrack模型的网络示意图；
49.图6是本发明另一个实施例提供的生成跟踪预测框的流程图；
50.图7是本发明另一个实施例提供的管理终端控制无人机的流程图；
51.图8是本发明另一个实施例提供的基于swintrack的无人机巡检装置的结构图；
52.图9是本发明另一个实施例提供的无人机的装置图。
具体实施方式
53.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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用以解释本发明，并不用于限定本发明。
54.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
55.本发明提供了一种基于swintrack的无人机巡检方法、装置、无人机、存储介质，方法包括：获取预先设定好的水域巡检路线，在根据所述水域巡检路线进行巡检的过程中获取水面热力图像；对所述水面热力图像进行图像识别，当识别出待检测船只图像，根据所述待检测船只图像从预设的热力图像模板数据库中匹配出船只模板图像；将所述船只模板图像和所述待检测船只图像输入至预先训练好的swintrack模型，通过所述swintrack模型生成跟踪预测框，根据所述跟踪预测框的移动轨迹进行目标跟踪；当获取到跟踪结束信号，且当前的电量大于预设的电量阈值，继续根据所述水域巡检路线进行巡检。根据本实施例的技术方案，能够利用swintrack模型基于深度学习的注意力机制提高目标跟踪的准确性，使得无人机能够从拍摄到的热力图中快速生成船只的跟踪预测框，有效提高了夜间对船只进行目标跟踪的准确性，提高水域管理的可靠性。
56.如图1所示，图1是本发明一个实施例提供的一种基于swintrack的无人机巡检方法的流程图，该基于swintrack的无人机巡检方法，应用于无人机，包括但不限于有以下步骤：
57.步骤s110，获取预先设定好的水域巡检路线，在根据水域巡检路线进行巡检的过程中获取水面热力图像；
58.步骤s120，对水面热力图像进行图像识别，当识别出待检测船只图像，根据待检测船只图像从预设的热力图像模板数据库中匹配出船只模板图像；
59.步骤s130，将船只模板图像和待检测船只图像输入至预先训练好的swintrack模型，通过swintrack模型生成跟踪预测框，根据跟踪预测框的移动轨迹进行目标跟踪；
60.步骤s140，当获取到跟踪结束信号，且当前的电量大于预设的电量阈值，继续根据水域巡检路线进行巡检。
61.需要说明的是，水域巡检路线可以通过任意方式获取，例如通过管理终端发送至无人机，从而实现水域巡检路线的灵活调整，若对于具有固定路线的水域，也可以将水域巡检路线预先设置在无人机中，从而提高无人机的巡检效率。值得注意的是，在具备巡检路线的情况下，控制无人机进行巡检的过程为本领域技术人员熟知的技术，在此不多作赘述。
62.值得注意的是，普通的光学摄像头在夜间能见度和清晰度较低，为了实现夜间巡检，可以采用热成像摄像头为无人机的摄像头，通过热成像摄像头在巡检过程中对水面进行拍摄得到水面热力图像，有效提高无人机在夜间巡检获取的图像的清晰度和准确性，为后续图像识别提供图像基础。
63.需要说明的是，由于船只在运行过程中引擎会产生热量，而不同的船只的引擎通常不同，因此可以预先采集不同船只的引擎热力图像作为参考图像，保存在数据库中作为热力图像模板数据库，从水面热力图像识别到近似待检测船只图像后，截取相应部分从热力图像模板数据库中匹配出船只模板图像，例如图5最左侧下图所示，船只在夜间行驶过程中，热力来源主要是船只引擎，因此在获取到水面热力图之后，可以将热力值大于预设阈值的部分作为待检测船只图像，以该待检测船只图像在热力图像模板数据库中进行图像匹
配，将匹配出相似度最高的模板图像作为船只模板图像。
64.需要说明的是，swintrack模型是基于深度学习注意力机制的目标追踪框架，需要同时输入模板图像和待检测图像，本实施例以船只模板图像为模板图像，以待检测船只图像为待检测图像，通过swintrack模型确定待检测图像与模板图像的相似度，从而生成跟踪预测框实现目标跟踪。swintrack模型的具体模型结构可以根据实际需求确定，为了叙述简便，本实施例以图5所示的网络结构为例进行举例说明，swintrack模型包括5个部分，依次为网络骨架(backbone)、编码器(encoder)、解码器(decoder)、位置编码(positional encoding)、头部网络(head)，本领域技术人员也可以根据实际需求调整网络，这并非对本实施例造成的限定。
65.需要说明的是，在水域对船只进行目标跟踪后，当满足跟踪需求之后，可以控制无人机停止目标跟踪，例如跟踪一段时间，或者通过管理终端发送跟踪停止信号，在停止跟踪后，为了确保无人机的安全，可以根据电量确定是否继续进行巡检，当电量大于预设阈值，则可以确定无人机至少具备足够的电量返回充电装置，从而继续巡检，当电量下降到预设阈值，则无人机需要返回充电装置进行充电，具体的电量和返航路径的计算方式为本领域技术人员熟知的技术，在此不多作赘述。
66.需要说明的是，为了提高无人机的补能效率，可以采用换电装置对无人机进行换电，换电装置可以由负责装卸无人机电池的机械臂、多个无人机电池充电仓和供无人机起降、待机的小型机场三个模块构成，具体结构可以根据实际需求调整，在此不多作限定。
67.另外，在一实施例中，参照图2，图1所示实施例的步骤s130还包括但不限于有以下步骤：
68.步骤s210，将船只模板图像分割为多个图像块，得到第一图像块组；
69.步骤s220，将待检测船只图像分割为多个图像块，得到第二图像块组；
70.步骤s230，对第一图像块组和第二图像分别进行特征提取和序列转换，得到第一特征序列和第二特征序列，其中，第一特征序列根据第一图像块组得到，第二特征序列根据第二图像块组得到；
71.步骤s240，将第一特征序列和第二特征序列拼接成目标特征序列，对目标特征序列进行注意力融合后生成跟踪预测框。
72.需要说明的是，图像分割可以通过常见的数据预处理方式得到，能够将图像分割成多个小块即可，通过将第二特征序列和第一特征序列输入至swintrack模型，能够使得swintrack模型根据第一特征序列进行学习，使得提取出的特征能够更专注于船只本身。
73.需要说明的是，可以在swintrack模型的网络骨架中进行在对船只模板图像和待检测船只图像进行分块并且特征提取和序列转换，并在编码器中通过权重共享的方式在空间维度实现拼接，得到目标特征序列，并依次输入解码器、位置编码模块和头部网络，从而得到跟踪预测框，本实施例对具体的注意力融合过程不做限定。
74.另外，在一实施例中，参照图3，图2所示实施例的步骤s230还包括但不限于有以下步骤：
75.步骤s310，对第一图像块组进行特征提取，得到第一中间序列，并确定第一中间序列的第一序列高和第一序列宽；
76.步骤s320，对第二图像块组进行特征提取，得到第二中间序列，并确定第二中间序
列的第二序列高和第二序列宽；
77.步骤s330，获取预设的隐藏维数和网络步幅；
78.步骤s340，根据隐藏维数、网络步幅、第一序列高和第一序列宽将第一中间序列转换为第一特征序列；
79.步骤s350，根据隐藏维数、网络步幅、第二序列高和第二序列宽将第二中间序列转换为第二特征序列。
80.需要说明的是，以船只模板图像为待检测船只图像为为例，用多头注意力机制处理分块后的图像，得到的第一中间序列和第二中间序列分别为和其中hz、h
x
分别是船只模板图像和待检测船只图像的特征序列的高，wz、w
x
分别是船只模板图像和待检测船只图像的特征序列的宽，cc为整个模型的隐藏维数，s是网络骨架的步幅。通过网络骨架，可以对两组图像进行特征提取，使模型更加专注于飞艇本身的特征
81.另外，在一实施例中，swintrack模型包括编码器和解码器，参照图4，图2所示实施例的步骤s240还包括但不限于有以下步骤：
82.步骤s410，将目标特征序列输入至编码器，通过编码器进行注意力融合，得到船只模板图像和待检测船只图像的相似度信息；
83.步骤s420，将相似度信息输入至解码器，通过解码器得到与待检测船只图像所对应的目标特征图；
84.步骤s430，根据目标特征图生成跟踪预测框。
85.需要说明的是，在图5所示的结构中，编码器由n个块(block)组成，每一个块(block)都包含多头自注意力(multi-headed self-attention，msa)模块和一个前馈网络(feedforward networks，ffn)。其中，ffn又包含两层感知机(multilayer perceptron，mlp)，在第一层感知机的输出之后加入gelu激活层。此外，每个msa和ffn之前都加入层归一化(ln)。
86.值得注意的是，在第一特征序列和第二特征序列输入编码器之前，可以先将两个特征序列按照空间维度拼接成一个统一的序列u，以序列u作为编码器的输入，通过msa的自注意力机制之后由ffn修正。当编码器输出的时候，序列u会被重新拆分回模板图像和热力图像的特征序列，具体流程如下式：
[0087][0088]zl
,x
l
＝deconcat(u
l
)，其中l为第l层，l为图像块的数量，z1,x1是网络骨架生成的对应船只模板图像和待检测船只图像的特征序列，z
l
,x
l
是编码器的输出。通过encoder的多头注意力机制可以学习飞艇模板图像与待检测飞艇图像的相似度。
[0089]
解码器由多头交叉注意力(mca)模块和前馈网络(ffn)组成。编码器的输出作为解码器的输入，通过计算x
l
和concat(z
l
,x
l
)之间的交叉注意力得出待检测飞艇图像的目标特征图具体流程如下式：
[0090]
ud＝concat(z
l
,x
l
)，
[0091]
x
l
'＝x
l
+mca(ln(x
l
),ln(ud))，
[0092]
x＝x
l
'+ffn(ln(x
l
'))。
[0093]
另外，在一实施例中，参照图6，图4所示实施例的步骤s430还包括但不限于有以下步骤：
[0094]
步骤s610，根据无约束位置编码算法对目标特征图进行位置编码；
[0095]
步骤s620，根据预设的损失函数对位置编码后的目标特征图进行损失计算，得到跟踪预测框。
[0096]
需要说明的是，由于swintrack模型需要位置编码来标识当前处理token的位置。本实施例选择无约束位置编码算法的联合位置编码作为swintrack的位置编码方式，将一个可学习的位置编码p加到自注意力模块中，同时加入相对位置偏差b
i-j
作为绝对位置编码的补充。最后为了实现基于拼接的融合，将无约束绝对位置编码进行拼接以匹配实际位置，相对位置偏差索引元组附加一对索引g,h来反映当前的查询(query，q)和键(key，k)，得到如下方程:
[0097][0098]
取二维特征序列，在编码器第l层为例，则有：
[0099]
其中x为特征序列的每一个token；i,j,m,n表示token x在特征序列的坐标；g,h分别代表token在拼接前对应来自模板图像和待检测图像；u为可学习的对p线性变换的投影矩阵；d是键(key，k)的维度。
[0100]
另外，在图5所示的结构中，头部网络分成两个分支：分类分支和边界框(bbox)回归分支。每个分支都有三层感知机，两个分支都以解码器的输出为输入。当解码器对目标特征序列的输出序列经过头部网络之后，swintrack模型会在待检测船只图像中以预测框的形式标记出当前船只所在位置，从而实现针对船只的目标跟踪。
[0101]
另外，在一实施例中，损失函数包括varifocal loss和ciou loss。
[0102]
需要说明的是，为了消除不同预测分支之间的差距，可以在分类时将真实值(ground-truth)值替换为预测bbox与ground-truth之间的iou，即iacs。iacs可以帮助模型从候选中选择更准确的边界框，基于此，本实施例的varifocal loss有以下形式：
[0103]
其中p为iacs分数,q为预设的
目标分数。对于正样本，即前景点，q为预测的边界框与ground-truth边界框之间的iou。对于负样本，q＝0，则分类损失可表示为:其中b为预测边界框，为ground-truth边界框。
[0104]
需要说明的是，对于图5所示的bbox回归，可以选择通用iou loss。具体函数公式如下：用p对ciou损失进行加权，强调样本的高分类分数，负样本的训练信号被忽略。
[0105]
另外，在一实施例中，无人机与管理终端通信连接，参照图7，本实施例的方法还包括但不限于有以下步骤：
[0106]
步骤s710，获取管理终端发送的水域巡检路线；
[0107]
步骤s720，当获取到船只模板图像，向管理终端反馈与船只模板图像所对应的船只参考信息，船只参考信息包括船只类型和船只工作参数；
[0108]
步骤s730，在根据跟踪预测框的移动轨迹进行目标跟踪的过程中，实时向管理终端发送跟踪预测框所对应的位置信息；
[0109]
步骤s740，当获取到管理终端发送的跟踪结束信号，且当前的电量大于电量阈值，继续根据水域巡检路线进行巡检。
[0110]
需要说明的是，管理终端可以是常见的手机app和/或web端管理平台，根据实际需求选取具体的管理终端的类型即可，当然，也可以为了便于管理同时采用web端管理平台和手机app，例如通过web端管理平台制定无人机的巡检路线和下达任务指令，从而实现同时管理多架无人机进行多组巡检任务、实时监控无人机巡检画面、查看无人机巡检过程回放等功能，能够高效配合地面指挥及调度工作；通过手机app查看无人机执行任务时的状态及信息、打开手动/自动飞行模式应对不同场景需求，同时还具有实时巡检直播、拍照、录像等功能，本领域技术人员有动机根据实际需求调整管理终端所能实现的功能，在此不多赘述。
[0111]
需要说明的是，当获取到船只模板图像，可以确定需要跟踪的船只的具体类型，此时可以向管理终端反馈船只参考信息，以使管理人员能够根据不同的船只类型和工作参数做出不同的监控调整。
[0112]
需要说明的是，在无人机进行目标跟踪的过程中，可以实时向管理终端反馈目标船只的监控视频和位置信息，从而提高监控效果。
[0113]
另外，参照图8，本发明实施例提供了一种基于swintrack的无人机巡检装置，该基于swintrack的无人机巡检装置800包括
[0114]
图像获取单元810，用于获取预先设定好的水域巡检路线，在根据水域巡检路线进行巡检的过程中获取水面热力图像；
[0115]
图像识别单元820，用于对水面热力图像进行图像识别，当识别出待检测船只图像，根据待检测船只图像从预设的热力图像模板数据库中匹配出船只模板图像；
[0116]
目标跟踪单元830，用于将船只模板图像和待检测船只图像输入至预先训练好的swintrack模型，通过swintrack模型生成跟踪预测框，根据跟踪预测框的移动轨迹进行目标跟踪；
[0117]
巡检恢复单元840，用于当获取到跟踪结束信号，且当前的电量大于预设的电量阈
值，继续根据水域巡检路线进行巡检。
[0118]
另外，参照图9，本发明的一个实施例还提供了一种无人机，该无人机900包括：存储器910、处理器920及存储在存储器910上并可在处理器920上运行的计算机程序。
[0119]
处理器920和存储器910可以通过总线或者其他方式连接。
[0120]
实现上述实施例的基于swintrack的无人机巡检方法所需的非暂态软件程序以及指令存储在存储器910中，当被处理器920执行时，执行上述实施例中的基于swintrack的无人机巡检方法，例如，执行以上描述的图1中的方法步骤s110至步骤s140、图2中的方法步骤s210至步骤s240、图3中的方法步骤s310至步骤s350、图4中的方法步骤s410至步骤s430、图6中的方法步骤s610至步骤s620、图7中的方法步骤s710至步骤s740。
[0121]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0122]
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被一个处理器或控制器执行，例如，被上述无人机实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于swintrack的无人机巡检方法，例如，执行以上描述的图1中的方法步骤s110至步骤s140、图2中的方法步骤s210至步骤s240、图3中的方法步骤s310至步骤s350、图4中的方法步骤s410至步骤s430、图6中的方法步骤s610至步骤s620、图7中的方法步骤s710至步骤s740。本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、装置可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读存储介质上，计算机可读存储介质可以包括计算机存储介质(或非暂时性存储介质)和通信存储介质(或暂时性存储介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除存储介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的存储介质。此外，本领域普通技术人员公知的是，通信存储介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送存储介质。
[0123]
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
[0124]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。
[0125]
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，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作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发明权利要求所限定的范围内。