图像篡改检测方法及装置与流程

文档序号:11387643阅读:449来源:国知局
图像篡改检测方法及装置与流程

本发明涉及计算机视觉与图像识别技术领域,具体涉及一种图像篡改检测方法及装置。



背景技术:

数字图像处理软件可以用于对图像进行编辑处理,相应地,也有利于图像的篡改和伪造,使得篡改图像大量增加,甚至篡改图像还会出现在新闻报道和法律证据中,降低新闻媒体和司法的公信力。

目前,可以采用数字图像内容认证技术检测图像是否为篡改图像,数字图像内容认证技术主要包括主动认证方式和被动认证方式。

其中:主动认证方式指的是在图像生成过程中或发布之前,嵌入水印或数字签名。但是,主动认证方式需要数字成像设备配备水印或数字签名的嵌入模型,使用较为不便。

被动认证方式指的是直接依据图像内容判断图像是否为篡改图像。但是,被动认证方式极易受到图像的像素级、格式级和场景级等反篡改工具的制约,不能准确检测图像的真实性。



技术实现要素:

为了解决现有技术中的上述问题,即为了解决图像篡改检测技术不易实施及检测准确性低的技术问题,本发明提供了一种图像篡改检测方法及装置。

第一方面,本发明中一种图像篡改检测方法的技术方案是:

所述方法包括:

依据预设的细粒度图像描述模型,获取待检测图像的语义描述信息;

对所获取的语义描述信息与预设的反常规则库进行匹配:若所述预设的反常规则库包含所述语义描述信息,则判断所述待检测图像为篡改图像;

其中:

所述预设的细粒度图像描述模型的输出包括预设的真实图像对应的语义描述信息、预设的篡改图像对应的语义描述信息;

所述反常规则库包括预设的多个语义描述信息,且所述的多个语义描述信息所包含的信息内容为异常信息。

进一步地,本发明提供的一个优选技术方案为:

所述对所获取的语义描述信息与预设的反常规则库进行匹配之前,包括:

判断所获取的语义描述信息中是否存在包含同一信息内容的多个语义描述信息:若存在,则去除包含该同一信息内容的一个或多个语义描述信息,且保留一个包含该同一信息内容的语义描述信息;

依据所获取的语义描述信息的置信度由高到低的顺序,选择预设数量的语义描述信息;

对所获取的语义描述信息进行标准化处理,包括:去除所述语义描述信息中包含的冠词和形容词,并将去除冠词和形容词后语义描述信息中的各单词转换为对应的预设单词。

进一步地,本发明提供的一个优选技术方案为:

所述语义描述信息还包括与其包含的信息内容对应的图像区域坐标。

进一步地,本发明提供的一个优选技术方案为:

所述获取待检测图像的语义描述信息之前,包括采用深度卷积神经网络算法、细粒度图像分类方法构建细粒度图像描述模型。

进一步地,本发明提供的一个优选技术方案为:

所述获取待检测图像的语义描述信息之前,包括采用递归神经网络算法,并依据预设的真实图像、预设的篡改图像依次对细粒度图像描述模型进行第一数据训练和第二数据训练;

其中:

所述第一数据训练包括:

依据预设的细粒度图像描述模型、预设的真实图像,获取所述预设的真实图像的第一语义描述信息;获取对所述预设的真实图像进行人工标注后,得到的第二语义描述信息;计算所述第一语义描述信息和第二语义描述信息之间的第一损失函数值,依据所述第一损失函数值、反向传播算法优化所述细粒度图像描述模型;

所述第二数据训练包括:

依据预设的细粒度图像描述模型、预设的篡改图像,获取所述预设的篡改图像的第三语义描述信息;获取对所述预设的篡改图像进行人工标注后,得到的第四语义描述信息;计算所述第三语义描述信息和第四语义描述信息之间的第二损失函数值,依据所述第二损失函数值、反向传播算法优化所述细粒度图像描述模型。

第二方面,本发明中一种图像篡改检测装置的技术方案是:

所述装置包括:

信息获取模块,配置为依据预设的细粒度图像描述模型,获取待检测图像的语义描述信息;

信息匹配模块,配置为对所获取的语义描述信息与预设的反常规则库进行匹配:若所述预设的反常规则库包含所述语义描述信息,则判断所述待检测图像为篡改图像;

其中:

所述预设的细粒度图像描述模型包括预设的真实图像对应的语义描述信息、预设的篡改图像对应的语义描述信息;

所述反常规则库包括预设的多个语义描述信息,且所述的多个语义描述信息所包含的信息内容为异常信息。

进一步地,本发明提供的一个优选技术方案为:

所述装置还包括:

信息去重模块,配置为判断所述信息获取模块所获取的语义描述信息中是否存在包含同一信息内容的多个语义描述信息:若存在,则去除包含该同一信息内容的一个或多个语义描述信息,且保留一个包含该同一信息内容的语义描述信息;

信息选择模块,配置为依据所述信息获取模块所获取的语义描述信息的置信度由高到低的顺序,选择预设数量的语义描述信息;

信息处理模块,配置为对所述信息获取模块所获取的语义描述信息进行标准化处理,包括:去除所述语义描述信息中包含的冠词和形容词,并将去除冠词和形容词后语义描述信息中的各单词转换为对应的预设单词。

进一步地,本发明提供的一个优选技术方案为:

所述信息获取模块所获取的语义描述信息还包括与其包含的信息内容对应的图像区域坐标。

进一步地,本发明提供的一个优选技术方案为:

所述装置还包括模型构建模块;所述模型构建模块,配置为采用深度卷积神经网络算法、细粒度图像分类方法构建细粒度图像描述模型。

进一步地,本发明提供的一个优选技术方案为:

所述装置还包括模型训练模块;所述模型训练模块包括第一模型训练单元和第二模型训练单元;

所述模型训练模块,配置为采用递归神经网络算法,并依据预设的真实图像、预设的篡改图像依次对细粒度图像描述模型进行第一数据训练和第二数据训练;

所述第一模型训练单元包括第一信息获取子单元、第二信息获取子单元和第一模型优化子单元;所述第一信息获取子单元,配置为依据预设的细粒度图像描述模型、预设的真实图像,获取所述预设的真实图像的第一语义描述信息;所述第二信息获取子单元,配置为获取对所述预设的真实图像进行人工标注后,得到的第二语义描述信息;所述第一模型优化子单元,配置为计算所述第一语义描述信息和第二语义描述信息之间的第一损失函数值,依据所述第一损失函数值、反向传播算法优化所述细粒度图像描述模型;

所述第二模型训练单元包括第三信息获取子单元、第四信息获取子单元和第二模型优化子单元;所述第三信息获取子单元,配置为依据预设的细粒度图像描述模型、预设的篡改图像,获取所述预设的篡改图像的第三语义描述信息;所述第四信息获取子单元,配置为获取对所述预设的篡改图像进行人工标注后,得到的第四语义描述信息;所述第二模型优化子单元,配置为计算所述第三语义描述信息和第四语义描述信息之间的第二损失函数值,依据所述第二损失函数值、反向传播算法优化所述细粒度图像描述模型。

第三方面,本发明中另一种图像篡改检测装置的技术方案是:

所述装置包括:

处理器,用于执行各指令;

存储设备,用于存储多条指令;所述指令适用于由处理器加载并执行权利要求1-5所述图像篡改检测方法中的各步骤。

与现有技术相比,上述技术方案至少具有以下有益效果:

1、本发明提供的一种图像篡改检测方法,可以依据预设的细粒度图像描述模型获取待检测图像的语义描述信息,并将所获取的语义描述信息与预设的反常规则库进行匹配,依据匹配结果判断待检测图像是否为篡改图像,该方法不受底层像素级、格式级、场景级等反篡改工具的制约,可以更加准确的检测图像的真实性。

2、本发明提供的一种图像篡改检测装置,其信息获取模块可以依据预设的细粒度图像描述模型获取待检测图像的语义描述信息,信息匹配模块可以将所获取的语义描述信息与预设的反常规则库进行匹配,依据匹配结果判断待检测图像是否为篡改图像,该装置可以不受底层像素级、格式级、场景级等反篡改工具的制约,可以更加准确的检测图像的真实性。

3、本发明提供的另一种图像篡改检测装置,其可以通过处理器执行上述图像篡改检测方法的各步骤,有利于图像篡改检测的实施和推广。

附图说明

图1是本发明实施例中一种图像篡改检测方法的实施流程图;

图2是本发明实施例中第一数据训练实施过程中真实图像的示意图;

图3是本发明实施例中待检测图像的示意图;

图4是本发明实施例中细粒度图像描述模型的输出结果示意图;

图5是本发明实施例中一种图像篡改检测装置的结构示意图;

图6是本发明实施例中另一种图像篡改检测装置的结构示意图;

图7是本发明实施例中再一种图像篡改检测装置的结构示意图;

图8是本发明实施例中第一模型训练单元的结构示意图;

图9是本发明实施例中第二模型训练单元的结构示意图;

其中,11:第一图像区域;12:第二图像区域;13:第三图像区域;14:第四图像区域;15:第五图像区域;21:信息获取模块;22:信息匹配模块;23:信息去重模块;24:信息选择模块;25:信息处理模块;26:模型构建模块;27:模型训练模块;271:第一模型训练单元;2711:第一信息获取子单元;2712:第二信息获取子单元;2713:第一模型优化子单元;272:第二模型训练单元;2721:第三信息获取子单元;2722:第四信息获取子单元;2723:第二模型优化子单元。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。

当前图像篡改检测方法,很容易受到图像的像素级、格式级和场景级等反篡改工具的制约,不能准确检测图像的真实性。基于此,本发明提供了一种对图像的像素级、格式级和场景级要求较低的图像篡改检测方法,首先通过细粒度图像描述模型获取待检测图像的语义描述信息,然后将待检测图像的语义描述信息与反常规则库进行匹配,依据匹配结果判断待检测图像是否为篡改图像。

下面结合附图,对本发明实施例中一种图像篡改检测方法进行说明,具体为:

图1示例性示出了本实施例中图像篡改检测方法的实施路程,如图所示,本实施例中可以按照下述步骤对待检测图像进行篡改检测:

步骤s101:依据预设的细粒度图像描述模型,获取待检测图像的语义描述信息。

本实施例中细粒度图像描述模型的输入数据为待检测图像,输出数据为语义描述信息,其可以采用深度卷积神经网络算法、细粒度图像分类方法构建,具体过程为:

采用深度卷积神经网络算法、细粒度图像分类方法提取图像特征,并将所提取的图像特征经过自定义的定位层得到感兴趣区域特征,将每个感兴趣区域特征转换成向量输入至全连接层得到多个向量特征,最后将所得到的多个向量特征输入至长短期记忆单元(longshort-termmemory,lstm),得到语义描述信息及其对应的图像区域。其中:采用深度卷积神经网络算法、细粒度图像分类方法提取图像特征的方法为常规方法,例如,文献“imagenetclassificationwithdeepconvolutionalneuralnetworks,”inadvancesinneuralinformationprocessingsystems,2012,pp.1097–1105.alexkrizhevsky,ilyasutskever,andgeoffreyehinton,公开了一种采用深度卷积神经网络算法提取有效特征用于分类任务的方法。

本实施例中语义描述信息指的是包含图像所示出的画面内容的信息,同时语义描述信息还包括与其所包含的信息内容对应的图像区域坐标,从而可以更加准确的描述图像的所示出的画面内容。例如,语义描述信息可以为喝水的大象、坐在沙漠中的猫等。

进一步地,本实施例中在采用深度卷积神经网络算法、细粒度图像分类方法构建细粒度图像描述模型时,还需要对其进行数据训练,才可以准确的输出待检测图像的语义描述信息。

本实施例中可以采用递归神经网络算法、并依据预设的真实图像、预设的篡改图像依次对细粒度图像描述模型进行第一数据训练和第二数据训练。其中,递归神经网络算法为常规算法,例如,文献“acriticalreviewofrecurrentneuralnetworksforsequencelearning,”arxivpreprintarxiv:1506.00019,2015,zacharyclipton,johnberkowitz,andcharleselkan,公开了递归神经网络算法的实施方法。文献“densecap:fullyconvolutionallocalizationnetworksfordensecaptioning,”arxivpreprintarxiv:1511.07571,2015,justinjohnson,andrejkarpathy,andlifei-fei,公开了结合深度卷积神经网络算法与递归神经网络算法的实施方法。

具体地,本实施例中采用递归神经网络算法、并依据预设的真实图像对细粒度图像描述模型进行第一数据训练的实施过程为:

1、依据预设的细粒度图像描述模型、预设的真实图像,获取预设的真实图像的第一语义描述信息。

图2示例性示出了本实施例中第一数据训练实施过程中采用的真实图像,如图所示,黑色方框所示的图像区域对应的第一语义描述信息为“大象的耳朵”。

2、获取对预设的真实图像进行人工标注后,得到的第二语义描述信息。本实施例中对图2所示的真实图像进行人工标注,得到黑色方框所示的图像区域对应的第二语义描述信息为“大耳朵”。

3、计算第一语义描述信息和第二语义描述信息之间的第一损失函数值,依据第一损失函数值、反向传播算法优化细粒度图像描述模型。本实施例中损失函数值指的是深度学习技术所公开的损失函数的值。

具体地,本实施例中采用递归神经网络算法、并依据预设的篡改图像对细粒度图像描述模型进行第二数据训练的实施过程为:

1、依据预设的细粒度图像描述模型、预设的篡改图像,获取预设的篡改图像的第三语义描述信息。

2、获取对预设的篡改图像进行人工标注后,得到的第四语义描述信息。

3、计算第三语义描述信息和第四语义描述信息之间的第二损失函数值,依据第二损失函数值、反向传播算法优化细粒度图像描述模型。本实施例中第二数据训练过程与第一数据训练过程的实施过程相同,为了描述简洁,在此不再赘述。

综上所述,本实施例中细粒度图像描述模型包括预设的真实图像对应的语义描述信息、预设的篡改图像对应的语义描述信息。

步骤s102:对所获取的语义描述信息与预设的反常规则库进行匹配:若预设的反常规则库包含语义描述信息,则判断待检测图像为篡改图像。

本实施例中反常规则库包括预设的多个语义描述信息,且所述的多个语义描述信息所包含的信息内容为异常信息。其中:异常信息可以为不符合社会常识的信息,例如,桌子在天空飞行。

本实施例中通过细粒度图像描述模型获取待检测图像的语义描述信息,并依据反常规则库对所获取的语义描述信息进行匹配,依据匹配结果判断待检测图像是否为篡改图像,可以不受底层像素级、格式级、场景级等反篡改工具的制约。

进一步地,本实施例提供的一个优选实施方案中,图像篡改检测方法可以按照下述步骤实施,具体为:

步骤s201:依据预设的细粒度图像描述模型,获取待检测图像的语义描述信息。本实施例中获取待检测图像的语义描述信息与前述步骤s101中所公开的方法相同,在此不再赘述。

步骤s202:对所获取的待检测图像的语义描述信息进行去重、选择和标准化处理。本实施例中去重、选择和标准化处理可以按照任一种排列顺序依次进行,例如,可以对语义描述信息依次进行去重、选择和标准化处理,也可以对语义描述信息依次进行去重、标准化处理和选择,还可以对语义描述信息依次进行选择、去重和标准化处理。

具体地,本实施例中去重的实施步骤为:

判断所获取的语义描述信息中是否存在包含同一信息内容的多个语义描述信息:若存在,则去除包含该同一信息内容的一个或多个语义描述信息,且保留一个包含该同一信息内容的语义描述信息。即保留一个语义描述信息,删除其他重复的语义描述信息。

具体地,本实施例中选择的实施步骤为:

依据所获取的语义描述信息的置信度由高到低的顺序,选择预设数量的语义描述信息。本实施例中假设预设数量为k,则选择k个语义描述信息的过程可以为:将所获取的语义描述信息按照对应的置信度由高到低排列,然后选择第1~k个语义描述信息。

具体地,本实施例中标准化处理的实施步骤为:

对所获取的语义描述信息进行标准化处理,包括:去除语义描述信息中包含的冠词和形容词,并将去除冠词和形容词后语义描述信息中的各单词转换为对应的预设单词。其中:预设单词指的是单词的基本形式,也可以描述为一个单词所描述信息所属的类别名称。例如,折叠椅是一个固定的单词,而折叠椅这个单词的基本形式为“椅”,或者折叠椅所描述的可以折叠的椅子所属的类别名称为“椅”,因此本实施例中折叠椅对应的预设单词即为“椅”。

本实施例中假设语义描述信息所包含的信息内容为一只黄色的小猫坐在撒哈拉沙漠上。去除语义描述信息中包含的冠词和形容词后剩余各单词分别为猫、坐在、撒哈拉沙漠,将撒哈拉沙漠转换为其预设单词“沙漠”,可以得到标准化处理后的语义描述信息为“猫坐在沙漠”。

下面以图3所示的待检测图像为例,对本实施例中图像检测方法的实施过程进行说明,如图所示,该待检测图像所示画面信息包括猫和沙漠,采用篡改图像检测方法对其进行检测的具体步骤为:

1、依据预设的细粒度图像描述模型,获取图3的语义描述信息。

2、对步骤1得到的语义描述信息进行去重、选择和标准化处理。

图4示例性示出了细粒度图像描述模型的输出结果示意图,如图所示,本实施例中选择步骤中预设数量为5,即选择5个置信度最高的语义描述信息,且各语义描述信息分别为第一图像区域11、第二图像区域12、第三图像区域13、第四图像区域14和第五图像区域15对应的语义描述信息。

为了描述简洁,本实施例中仅以第一图像区域11对应的语义描述信息为例进行说明。本实施例中经细粒度图像描述模型所得到的第一图像区域11对应的语义描述信息为“一只花猫坐在黄色的沙漠中”,对其进行标准化处理可以得到第一图像区域11对应的语义描述信息为“猫坐在沙漠”。

3、将步骤2得到语义描述信息“猫坐在沙漠”与反常规则库匹配,且匹配结果为反常规则库包含语义描述信息“猫坐在沙漠”,因此可以判断图3为篡改图像。

上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。

基于与方法实施例相同的技术构思,本发明实施例还提供了一种图像篡改检测装置。下面结合附图对该图像篡改检测装置进行具体说明。

图5示例性示出了本实施例中一种图像篡改检测装置的结构,如图所示,本实施例中图像篡改检测装置可以包括信息获取模块21和信息匹配模块22。其中,信息获取模块21可以配置为依据预设的细粒度图像描述模型,获取待检测图像的语义描述信息。信息匹配模块22可以配置为对所获取的语义描述信息与预设的反常规则库进行匹配:若预设的反常规则库包含所述语义描述信息,则判断待检测图像为篡改图像。

进一步地,本实施例中图像篡改检测装置还可以包括下述结构,具体为:

图6示例性示出了本实施例中另一种图像篡改检测装置的结构,如图所示,本实施例中图像篡改检测装置还可以包括信息去重模块23、信息选择模块24和信息处理模块25。其中,信息去重模块23可以配置为判断信息获取模块所获取的语义描述信息中是否存在包含同一信息内容的多个语义描述信息:若存在,则去除包含该同一信息内容的一个或多个语义描述信息,且保留一个包含该同一信息内容的语义描述信息。信息选择模块24可以配置为依据信息获取模块所获取的语义描述信息的置信度由高到低的顺序,选择预设数量的语义描述信息。信息处理模块25可以配置为对信息获取模块所获取的语义描述信息进行标准化处理,包括:去除语义描述信息中包含的冠词和形容词,并将去除冠词和形容词后语义描述信息中的各单词转换为对应的预设单词。

进一步地,本实施例中图像篡改检测装置还可以包括下述结构,具体为:

图7示例性示出了本实施例中又一种图像篡改检测装置的结构,如图所示,本实施例中图像篡改检测装置还可以包括模型构建模块26和模型训练模块27。

其中:

模型构建模块26可以配置为采用深度卷积神经网络算法、细粒度图像分类方法构建细粒度图像描述模型。

模型训练模块27可以配置为采用递归神经网络算法,并依据预设的真实图像、预设的篡改图像依次对细粒度图像描述模型进行第一数据训练和第二数据训练。本实施例中模型训练模块27可以包括第一模型训练单元271和第二模型训练单元272。

图8示例性示出了本实施例中第一模型训练单元271的结构,如图所示,本实施例中第一模型训练单元271可以包括第一信息获取子单元2711、第二信息获取子单元2712和第一模型优化子单元2713。其中,第一信息获取子单元2711可以配置为依据预设的细粒度图像描述模型、预设的真实图像,获取预设的真实图像的第一语义描述信息。第二信息获取子单元2712可以配置为获取对预设的真实图像进行人工标注后,得到的第二语义描述信息。第一模型优化子单元2713可以配置为计算所述第一语义描述信息和第二语义描述信息之间的第一损失函数值,依据第一损失函数值、反向传播算法优化细粒度图像描述模型。

图9示例性示出了本实施例中第二模型训练单元272的结构,如图所示,本实施例中第二模型训练单元272可以包括第三信息获取子单元2721、第四信息获取子单元2722和第二模型优化子单元2723。其中,第三信息获取子单元2721可以配置为依据预设的细粒度图像描述模型、预设的篡改图像,获取预设的篡改图像的第三语义描述信息。第四信息获取子单元2722可以配置为获取对预设的篡改图像进行人工标注后,得到的第四语义描述信息。第二模型优化子单元可以配置为计算第三语义描述信息和第四语义描述信息之间的第二损失函数值,依据第二损失函数值、反向传播算法优化细粒度图像描述模型。

上述图像篡改检测装置实施例可以用于执行上述图像篡改检测方法实施例,其技术原理、所解决的技术问题及产生的技术效果相似,所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的图像篡改检测的具体工作过程及有关说明,可以参考前述图像篡改检测方法实施例中的对应过程,在此不再赘述。

本领域技术人员可以理解,上述图像篡改检测装置还包括一些其他公知结构,例如处理器、控制器、存储器等,其中,存储器包括但不限于随机存储器、闪存、只读存储器、可编程只读存储器、易失性存储器、非易失性存储器、串行存储器、并行存储器或寄存器等,处理器包括但不限于cpld/fpga、dsp、arm处理器、mips处理器等,为了不必要地模糊本公开的实施例,这些公知的结构未在图5~9中示出。

应该理解,图5~9中的各个模块的数量仅仅是示意性的。根据实际需要,各模块可以具有任意的数量。

本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

基于与方法实施例相同的技术构思,本发明实施例还提供了另一种图像篡改检测装置,该图像篡改检测装置可以包括处理器和存储设备。其中,处理器可以用于执行各指令。存储设备可以用于存储多条指令,这些指令适用于由处理器加载并执行上述图像篡改检测方法中的各步骤。

上述图像篡改检测装置实施例可以用于执行上述图像篡改检测方法实施例,其技术原理、所解决的技术问题及产生的技术效果相似,所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的图像篡改检测的具体工作过程及有关说明,可以参考前述图像篡改检测方法实施例中的对应过程,在此不再赘述。

此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在本发明的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的服务器、客户端中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,pc程序和pc程序产品)。这样的实现本发明的程序可以存储在pc可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的pc来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1