本发明涉及车辆辅助驾驶技术领域，特别涉及一种车道线检测方法及装置。
背景技术
随着汽车工业在中国的高速发展，车道保持系统在汽车主动安全方面的作用尤为重要。通常，车道保持系统的控制器可以先获取车道线和车辆的相对位置信息，再判断车辆是否存在驶离车道的可能性，进而决定是否向驾驶员提供警告；若预警一定时间后未采取措施纠正偏离车道的车辆时，该控制器可以向执行机构发出指令，以控制执行机构控制车辆回归原车道进而保证行车安全。由此可见，车道线检测技术能够提供车辆与车道的相对位置信息，是车道保持系统的基础，也是车道保持系统的关键技术之一。
目前，传统的车道线检测方案为：获得当前视频帧图像并对当前视频帧图像进行预处理，然后再利用hough变换或基于hough变换进行变化而得到的hough变换变体提取当前视频帧图像中的车道线。
需要说明的是，传统的车道线检测方案虽然能够有效识别车道线，但是传统的车道线检测方案中，每一视频帧图像都需要调用hough变换或hough变换变体，由于hough变换算法的计算量较大，导致实时性不高，难以满足如高速公路等对实时性要求较高的应用场景。
技术实现要素：
本发明实施例的目的在于提供一种车道线检测方法及装置，以实现对高实时性场景下的车道线检测。
为达到上述目的，本发明实施例公开了一种车道线检测方法，应用于车道线检测控制器，所述车道线检测控制器中存储有与车载摄像头即将采集的当前视频帧图像相对应的各个初始定位点信息，其中，初始定位点是指通过对上一视频帧图像进行计算得到的、用于拟合车道线的特征取样点，所述车道线检测方法包括：
获取当前视频帧图像并进行预处理，利用s条分区线将预处理后的当前视频帧图像进行纵向划分，得到包含s+1个图像区域的目标图像；
以所存储的初始定位点为参考点进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域；
基于预设边缘检测算法对所述左右两个横向搜索区域进行边缘检测并计算各个搜索区域的梯度矢量，以及根据所述梯度矢量的梯度幅值获得目标定位点；
判断所获得的目标定位点是否满足预设定位点更新条件；
若满足，则将所述目标定位点确定为当前定位点且利用所述目标定位点信息对初始定位点信息进行更新；
若不满足，则基于预设边缘提取算法对所述目标图像进行边缘提取，确定所提取边缘与s条分区线的s对交点为初始定位点，存储所确定的初始定位点，并返回所述以所存储的初始定位点为参考点进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域的步骤；
根据所述当前定位点拟合出所述当前视频帧图像对应的车道中心线。
优选地，所述以所存储的初始定位点为参考点进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域的步骤包括：
以所存储的初始定位点为参考点，且按照各个初始定位点对应的扩展宽度进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域；其中，各个初始定位点对应的扩展宽度与各个初始定位点的行坐标呈正比例关系。
优选地，按照如下方式判断所获得的目标定位点是否满足预设定位点更新条件：
判断各个目标定位点是否位于所述左右两个车道标识线所构成的内侧区域；
如果是，则判定所获得的目标定位点满足预设定位点更新条件；
如果否，则判定所获得的目标定位点不满足预设定位点更新条件。
优选地，所述判断各个目标定位点是否位于所述左右两个车道标识线所构成的内侧区域的步骤包括：
获取初始定位点信息未被目标定位点更新的第一累计次数n和形成横向搜索区域时连续扩展的第二累计次数m；
判断所述第一累计次数n和所述第二累计次数m是否均未超过各自的设定阈值nt和mt；
若均未超过，则判定各个目标定位点位于所述左右两个车道标识线所构成的内侧区域；
否则，判定各个目标定位点没有位于所述左右两个车道标识线所构成的内侧区域。
优选地，所述基于预设边缘检测算法对所述左右两个横向搜索区域进行边缘检测并计算各个搜索区域的梯度矢量的步骤包括：
按照如下方式计算各个搜索区域的梯度矢量：
其中，
优选地，所述根据所述当前定位点拟合出所述当前视频帧图像对应的车道中心线的步骤包括：
基于所述当前定位点中对应于s条分区线的左右两个当前定位点，计算得到每对左右两个当前定位点信息对应的中点坐标；
利用最小二乘法对计算得到的各个中点坐标进行拟合，得到当前视频帧图像对应的车道中心线。
为达到上述目的，本发明实施例公开了一种车道线检测装置，应用于车道线检测控制器，所述车道线检测控制器中存储有与车载摄像头即将采集的当前视频帧图像相对应的各个初始定位点信息，其中，初始定位点是指通过对上一视频帧图像进行计算得到的、用于拟合车道线的特征取样点，所述车道线检测装置包括：
图像处理模块，用于获取当前视频帧图像并进行预处理，利用s条分区线将预处理后的当前视频帧图像进行纵向划分，得到包含s+1个图像区域的目标图像；
区域形成模块，用于以所存储的初始定位点为参考点进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域；
定位点获得模块，用于基于预设边缘检测算法对所述左右两个横向搜索区域进行边缘检测并计算各个搜索区域的梯度矢量，以及根据所述梯度矢量的梯度幅值获得目标定位点；
更新条件判断模块，用于判断所获得的目标定位点是否满足预设定位点更新条件；
所述定位点更新模块，用于在满足预设定位点更新条件时，将所述目标定位点确定为当前定位点且利用所述目标定位点信息对初始定位点信息进行更新；
所述定位点生成模块，用于在不满足预设定位点更新条件时，基于预设边缘提取算法对所述目标图像进行边缘提取，确定所提取边缘与s条分区线的s对交点为初始定位点，存储所确定的初始定位点，并触发所述定位点获得模块；
车道线拟合模块，用于根据所述当前定位点拟合出所述当前视频帧图像对应的车道中心线。
优选地，所述区域形成模块，具体用于：
以所存储的初始定位点为参考点，且按照各个初始定位点对应的扩展宽度进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域；其中，各个初始定位点对应的扩展宽度与各个初始定位点的行坐标呈正比例关系。
优选地，所述更新条件判断模块包括：
区域判断单元，用于判断各个目标定位点是否位于所述左右两个车道标识线所构成的内侧区域；
第一判定单元，用于在所述区域判断模块的判断结果为是时，判定所获得的目标定位点满足预设定位点更新条件；
第二判定单元，用于在所述区域判断模块的判断结果为否时，判定所获得的目标定位点不满足预设定位点更新条件。
优选地，所述区域判断单元，具体用于：
获取初始定位点信息未被目标定位点更新的第一累计次数n和形成横向搜索区域时连续扩展的第二累计次数m；
判断所述第一累计次数n和所述第二累计次数m是否均未超过各自的设定阈值nt和mt；
若均未超过，则判定各个目标定位点位于所述左右两个车道标识线所构成的内侧区域；
否则，判定各个目标定位点没有位于所述左右两个车道标识线所构成的内侧区域。
本发明实施例提供一种车道线检测方法及装置，在进行车道线检测时，在对当前视频帧图像进行预处理之后，利用分区线将预处理后的当前图像进行纵向划分；然后根据所存储的初始定位点为参考点横向扩展出两个横向搜索区域，从而根据横向搜索区域的梯度矢量的梯度幅值来获得目标定位点，通过判断各个目标定位点的有效性即是否处于左右两个车道标识线构成的内侧区域进行控制是否需要调用预设边缘提取算法如hough变化或hough变化变体等，并且在不需要调用预设预设边缘提取算法的情况下，仅需要利用预设边缘检测算法如sobel算子对左右两个横向搜索区域进行边缘检测即可，在获得目标定位点时，仅需要对左右两个横向搜索区域所截取的2s条边缘线进行梯度矢量计算，并且依据梯度幅值的双峰特性来确定目标定位点，这相对于传统的车道线检测方法从整幅图像中提取车道线而言，计算量将大大减少，有效提高了车道线检测的实时性，满足高实时性要求的应用场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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为本发明实施例提供的一种车道线检测方法的流程示意图；
图2a为本发明实施例提供的一幅当前视频帧图像；
图2b为对图2a所示的当前视频帧图像进行目标区域提取后得到的图像；
图3为本发明实施例提供的分区线划分方式和对应的初始定位点示意图；
图4为本发明实施例提供的左右横向扩展区域示意图；
图5为本发明实施例提供的横向搜索区域的梯度幅值特性示意图；
图6为本发明实施例提供的一种拟合得到的车道中心线示意图；
图7为本发明实施例提供的一种车道线检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了能够满足高实时性场景下的车道线检测，本发明实施例提供了一种车道线检测方法及装置。下面首先对本发明实施例提供的一种车道线检测方法进行说明。
需要说明的是，该车道线检测方法应用于车道线检测控制器，所述车道线检测控制器中存储有与车载摄像头即将采集的当前视频帧图像相对应的各个初始定位点信息，其中，初始定位点是指通过对上一视频帧图像进行计算得到的、用于拟合车道线的特征取样点。需要特别说明的是，对于车载摄像头采集的第一视频帧图像而言，由于第一视频帧图像没有上一视频帧图像与之对应，因此，这里的初始定位点可以通过计算的方式进行设置，也可以根据经验进行设置，而本发明实施例无需限制通过何种方式来设置第一视频帧图像的各个初始定位点。
如图1所示，为本发明实施例提供的一种车道线检测方法的流程示意图，所述车道线检测方法可以包括以下步骤：
s101：获取当前视频帧图像并进行预处理，利用s条分区线将预处理后的当前视频帧图像进行纵向划分，得到包含s+1个图像区域的目标图像。
具体而言，在进行车道线检测过程中，可以利用车载摄像头采集当前视频帧图像，该车载摄像头可以嵌入车内后视镜内，也可以单独位于车内前挡风玻璃处，本发明无需对车载摄像头的安装位置进行限定。
另外，所采集的当前视频帧图像多数为彩色图像，并且数据量较大，因此为了降低图像数据量，提高检测速度，可以对当前视频帧进行灰度化、目标区域提取、二值化的预处理。
参考图2a和图2b，图2b为对2a进行目标区域提取后得到的图像，需要说明的是，目标区域提取的目的是为了去除当前视频帧图像中的无效图像区域，例如画面中的非车道图像内容(建筑物或者无车道的图像区域等)，这样能够大大降低图像数据量。
需要强调的是，这里利用s条分区线将预处理后的当前视频帧图像进行纵向划分，仅仅是在图像中添加了s条分区线，如图3所示，而非将整幅图像划分为s+1个独立的子图像。另外,，s条分区线可以是等间隔的分区线，也可以是非等间隔的分区线，优选地，s可以在区间[2，5]之间取值，需要说明的是，本发明实施例并不需要限定分区线的划分方式，也无需限定s的取值，本领域内的技术人员需要根据实际应用中的具体情况进行合理地设置。
s102：以所存储的初始定位点为参考点进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域。
一种实现方式中，如图4所示，可以按照以下方式进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域：
以所存储的初始定位点为参考点，且按照各个初始定位点对应的扩展宽度进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域。
具体而言，在进行横向区域扩展时，可以取车道宽度的某个倍数来作为扩展宽度，例如，可以按照车道宽度的3倍或4倍进行横向区域扩展。需要说明的是，这里所列举的3倍或4倍为本发明实施例提供的两种优选方式，这不应构成对本发明的限定，还可以按照其他数值或倍数进行扩展。
其中，各个初始定位点对应的扩展宽度与各个初始定位点的行坐标呈正比例关系。
可以理解的是，对于实际尺寸相等的物体而言，反映到图像中的像素尺寸并不是相等的，存在“近大远小”的特点，因此，在对各个初始定位点进行横向区域扩展时，也需要考虑到这一实际特点，也就是说，需要根据初始定位点所在的图像位置来确定其对应的横向扩展宽度。举例而言，以s为3的目标图像为例，若位于3条分区线上的初始定位点与扩展宽度具有1：2：3的正比例关系，那么，在进行横向区域扩展时，所扩展的像素尺寸相应地为100pixel、200pixel和300pixel。需要说明的是，这里仅仅是举例说明，仅用于说明初始定位点的行坐标与扩展宽度之间的正比例关系，并非对本发明的限定，本领域内的技术人员需要根据实际应用中的具体情况进行合理的设置。
s103：基于预设边缘检测算法对所述左右两个横向搜索区域进行边缘检测并计算各个搜索区域的梯度矢量，以及根据所述梯度矢量的梯度幅值获得目标定位点。
具体的，这里所提及的“预设边缘检测算法”所实现的功能是，对左右两个横向搜索区域内的所有边缘进行扫描，需要指出的是，这里所扫描得到的边缘可能会包含部分非规则的边缘，例如人的轮廓线等，这会对目标定位点的检测带来干扰，因此，这里对各个搜索区域进行梯度运算，可以将非规则边缘过滤掉，从而仅留下规则的边缘，如左右车道标识线。
另外，这里所提及的预设边缘检测算法可以为用于进行边缘检测的sobel算子，当然，还可以利用其他可行的边缘检测算法，如roberts算子、prewitt算子、laplacian-gauss算子等等，本发明无需对具体的边缘检测算法进行限定，本领域内的技术人员可以根据实际应用中的实际情况采取合理的算法设置。
在本发明的一种具体实现方式中，可以按照以下方式对所述左右两个横向搜索区域进行边缘检测并计算各个搜索区域的梯度矢量：
按照如下方式计算各个搜索区域的梯度矢量：
其中，
如图5所示，初始定位点的幅值具有双峰特性，需要说明的是，两个梯度峰值为实际车道标识线的内外边缘线，因此，可以取两个峰值对应的像素坐标的中点作为目标定位点。
为了便于描述，将步骤s104至s106结合起来进行说明。
s104：判断所获得的目标定位点是否满足预设定位点更新条件，若满足则执行步骤s105，若不满足则执行步骤s106。
s105：将所述目标定位点确定为当前定位点且利用所述目标定位点信息对初始定位点信息进行更新。
s106：基于预设边缘提取算法对所述目标图像进行边缘提取，确定所提取边缘与s条分区线的s对交点为初始定位点，存储所确定的初始定位点，并返回所述以所存储的初始定位点为参考点进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域的步骤。
一种实现方式中，可以按照如下方式判断所获得的目标定位点是否满足预设定位点更新条件：
(1)判断各个目标定位点是否位于所述左右两个车道标识线所构成的内侧区域；
(2)如果是，则判定所获得的目标定位点满足预设定位点更新条件；
(3)如果否，则判定所获得的目标定位点不满足预设定位点更新条件。
需要说明的是，由步骤s101至步骤s103可以得到目标定位点，对于比较简单道路而言，根据目标定位点实际上就可以拟合得到当前视频帧图像对应的车道线。然而，实际道路环境通常是很复杂的，例如出现弯路或者上下破等等，因此为了提升车道线检测的鲁棒性，需要对目标定位点的有效性进行判断，参见步骤s104至步骤s106。
具体地，可以按照以下方式判断各个目标定位点是否位于所述左右两个车道标识线所构成的内侧区域：
(11)获取初始定位点信息未被目标定位点更新的第一累计次数n和形成横向搜索区域时连续扩展的第二累计次数m；
(12)判断所述第一累计次数n和所述第二累计次数m是否均未超过各自的设定阈值nt和mt，若均未超过则执行步骤13)，否则执行步骤14)；
(13)判定各个目标定位点位于所述左右两个车道标识线所构成的内侧区域；
(14)判定各个目标定位点没有位于所述左右两个车道标识线所构成的内侧区域。
可以理解的是，对于规则道路而言，所采集的当前视频图像与上一视频帧图像是具有相似性的，对于分区线划分方式相同的情况下，所得到的当前定位点与上一视频图像的当前定位点的位置不会偏差太多，但是当初始定位点信息未被目标定位点更新的次数累计达到一定次数n时，就有可能出现目标定位点跑出左右两个车道标识线所构成的内侧区域的可能；另外，进行横向区域扩展的过程中，为了减小图像数据量，利用多次扩展方式进行扩展的，具体的，可以先扩展到一个较小的区域，当检测不到第二边缘时继续扩大扩展区域，直至扩展到最大扩展区域，也就是说，并不是一次就将搜索区域扩展到最大值的，因此，当形成横向搜索区域的过程中，如果扩展次数达到一定次数m时就有出现目标定位点跑出左右两个车道标识线所凑成的内侧区域的可能。总而言之，步骤s104至步骤s106对目标定位点的有效性进行判断，充分考虑到了实际道路环境的复杂性，能够大大提高车道线检测的鲁棒性。
从s106中可以得知，在判断不满足预设定位点更新条件的情况下，基于预设边缘提取算法对目标图像进行边缘提取，这里所提及的“预设边缘提取算法”的功能是将图像中的边缘提取出来，并非仅仅是如预设边缘检测算法一样将边缘检测出来仅仅显示线条，另外，这里提及的预设边缘提取算法可以是hough变化或hough变体变化，当然还可以是其他的边缘提取算法，本发明并不需要对此进行限定。但是需要指出的是，这里所进行边缘提取的图像区域仅仅是在判断不满足预设定位点更新条件的情况下才进行，而非像传统车道线检测中需要每一次都调用hough算法，可以明显地看出，本发明大大降低了车道线检测的计算量，能够提高运算速度。
s107：根据所述当前定位点拟合出所述当前视频帧图像对应的车道中心线。
一种具体实现方式中，所述根据所述当前定位点拟合出所述当前视频帧图像对应的车道中心线的步骤包括：
基于所述当前定位点中对应于s条分区线的左右两个当前定位点，计算得到每对左右两个当前定位点信息对应的中点坐标；
利用最小二乘法对计算得到的各个中点坐标进行拟合，得到当前视频帧图像对应的车道中心线。
本发明实施例提供一种车道线检测方法及装置，在进行车道线检测时，在对当前视频帧图像进行预处理之后，利用分区线将预处理后的当前图像进行纵向划分；然后根据所存储的初始定位点为参考点横向扩展出两个横向搜索区域，从而根据横向搜索区域的梯度矢量的梯度幅值来获得目标定位点，通过判断各个目标定位点的有效性即是否处于左右两个车道标识线构成的内侧区域进行控制是否需要调用预设边缘提取算法如hough变化或hough变化变体等，并且在不需要调用预设预设边缘提取算法的情况下，仅需要利用预设边缘检测算法如sobel算子对左右两个横向搜索区域进行边缘检测即可，在获得目标定位点时，仅需要对左右两个横向搜索区域所截取的2s条边缘线进行梯度矢量计算，并且依据梯度幅值的双峰特性来确定目标定位点，这相对于传统的车道线检测方法从整幅图像中提取车道线而言，计算量将大大减少，有效提高了车道线检测的实时性，满足高实时性要求的应用场景。
相对于图1所示的方法实施例而言，本发明提供了一种车道线检测装置，应用于车道线检测控制器，所述车道线检测控制器中存储有与车载摄像头即将采集的当前视频帧图像相对应的各个初始定位点信息，其中，初始定位点是指通过对上一视频帧图像进行计算得到的、用于拟合车道线的特征取样点。
如图2所示，为本发明实施例提供的一种车道线检测装置的结构示意图，所述车道线检测装置包括：
图像处理模块210，用于获取当前视频帧图像并进行预处理，利用s条分区线将预处理后的当前视频帧图像进行纵向划分，得到包含s+1个图像区域的目标图像；
区域形成模块220，用于以所存储的初始定位点为参考点进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域；
定位点获得模块230，用于基于预设边缘检测算法对所述左右两个横向搜索区域进行边缘检测并计算各个搜索区域的梯度矢量，以及根据所述梯度矢量的梯度幅值获得目标定位点；
更新条件判断模块240，用于判断所获得的目标定位点是否满足预设定位点更新条件；
所述定位点更新模块250，用于在满足预设定位点更新条件时，将所述目标定位点确定为当前定位点且利用所述目标定位点信息对初始定位点信息进行更新；
所述定位点生成模块260，用于在不满足预设定位点更新条件时，基于预设边缘提取算法对所述目标图像进行边缘提取，确定所提取边缘与s条分区线的s对交点为初始定位点，存储所确定的初始定位点，并触发所述定位点获得模块；
车道线拟合模块270，用于根据所述当前定位点拟合出所述当前视频帧图像对应的车道中心线。
一种实现方式中，所述区域形成模块220，具体用于：
以所存储的初始定位点为参考点，且按照各个初始定位点对应的扩展宽度进行横向区域扩展，并形成针对左右两个车道标识线的左右两个横向搜索区域；其中，各个初始定位点对应的扩展宽度与各个初始定位点的行坐标呈正比例关系。
一种实现方式中，所述更新条件判断模块240包括：
区域判断单元，用于判断各个目标定位点是否位于所述左右两个车道标识线所构成的内侧区域；
第一判定单元，用于在所述区域判断模块的判断结果为是时，判定所获得的目标定位点满足预设定位点更新条件；
第二判定单元，用于在所述区域判断模块的判断结果为否时，判定所获得的目标定位点不满足预设定位点更新条件。
优选地，所述区域判断单元，具体用于：
获取初始定位点信息未被目标定位点更新的第一累计次数n和形成横向搜索区域时连续扩展的第二累计次数m；
判断所述第一累计次数n和所述第二累计次数m是否均未超过各自的设定阈值nt和mt；
若均未超过，则判定各个目标定位点位于所述左右两个车道标识线所构成的内侧区域；
否则，判定各个目标定位点没有位于所述左右两个车道标识线所构成的内侧区域。
本发明实施例提供一种车道线检测方法及装置，在进行车道线检测时，在对当前视频帧图像进行预处理之后，利用分区线将预处理后的当前图像进行纵向划分；然后根据所存储的初始定位点为参考点横向扩展出两个横向搜索区域，从而根据横向搜索区域的梯度矢量的梯度幅值来获得目标定位点，通过判断各个目标定位点的有效性即是否处于左右两个车道标识线构成的内侧区域进行控制是否需要调用预设边缘提取算法如hough变化或hough变化变体等，并且在不需要调用预设预设边缘提取算法的情况下，仅需要利用预设边缘检测算法如sobel算子对左右两个横向搜索区域进行边缘检测即可，在获得目标定位点时，仅需要对左右两个横向搜索区域所截取的2s条边缘线进行梯度矢量计算，并且依据梯度幅值的双峰特性来确定目标定位点，这相对于传统的车道线检测方法从整幅图像中提取车道线而言，计算量将大大减少，有效提高了车道线检测的实时性，满足高实时性要求的应用场景。
对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：rom/ram、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。