一种图像处理方法和装置与流程

本说明书实施例涉及图像处理技术领域，更具体地，涉及用于引导用户拍摄车辆定损照片的图片处理方法和装置。

背景技术：

在常规的车险理赔场景中,保险公司需要派出专业的查勘定损人员到事故现场进行现场查勘定损，给出车辆的维修方案和赔偿金额，拍摄现场照片，并将定损照片留档以供核查人员核损核价。由于需要人工查勘定损，保险公司需要投入大量的人力成本，和专业知识的培训成本。从普通用户的体验来说，理赔流程由于等待人工查勘员现场拍照、定损员在维修地点定损、核损人员在后台核损，理赔周期较长。

随着互联网的发展，出现一种理赔方案，其中，通过用户在现场拍摄车损照片，并将所述照片上传至服务器，从而通过算法或人工基于所述车损照片进行定损和理赔。然而，在该方案中，通常对拍摄的车损照片有一定的要求。例如，通常需要用户由远及近地对车辆损伤进行拍摄，另外，对照片的清晰度、亮度、拍摄角度等都有一定要求。针对这样的需求，在现有技术中，由保险公司客服通过电话、网络等方式，远程指导用户拍摄用于定损的照片。

因此，需要一种更有效的引导用户拍摄车辆定损照片的方案。

技术实现要素：

本说明书实施例旨在提供一种更有效的图像处理方法和装置，以解决现有技术中的不足。

为实现上述目的，本说明书一个方面提供一种图像处理方法，所述方法在移动设备端执行，所述移动设备包括摄像头，所述方法包括：

根据用户指令，通过所述摄像头采集事故车辆的视频流；

获取所述视频流中的当前帧的图像；

通过将所述图像输入预定分类模型，确定所述图像是否满足预定标准，其中，所述预定分类模型包括用于移动设备端的卷积神经网络；

在所述图像满足所述预定标准的情况下，通过将所述图像输入目标检测及分割模型，在所述图像中添加目标框和/或目标分割信息，其中所述目标框和目标分割信息都与所述车辆的车辆部件和车辆损伤中的至少之一相对应，其中，所述目标检测及分割模型包括用于移动设备端的卷积神经网络；以及

向所述用户示出所述目标框和/或目标分割信息。

在一个实施例中，所述图像处理方法还包括，在所述图像不满足所述预定标准的情况下，基于所述模型的分类结果，对所述用户进行相应的提示。

在一个实施例中，在所述图像处理方法中，所述预定分类模型进行以下至少一种关于所述图像的分类：是否模糊、是否包括车辆损伤、是否光照充足、拍摄角度是否偏斜、以及拍摄距离是否合适。

在一个实施例中，所述图像处理方法还包括，在通过所述摄像头采集事故车辆的视频流之前，向用户展示拍摄流程。

在一个实施例中，所述图像处理方法还包括，在添加目标框和/或目标分割信息之后，基于所述目标框和/或目标分割信息，对所述用户进行相应的提示。

在一个实施例中，在所述图像处理方法中，基于所述目标框和/或目标分割信息，对所述用户进行相应的提示包括，基于所述目标框和/或目标分割信息，提示用户前进或后退。

在一个实施例中，在所述图像处理方法中，基于所述目标框和/或目标分割信息，对所述用户进行相应的提示包括，基于所述目标框和/或目标分割信息，提示用户进行拍摄，以获取与所述当前帧的图像对应的定损照片。

在一个实施例中，所述图像处理方法还包括，在获取与所述当前帧的图像对应的定损照片之后，将所述定损照片上传给服务器。

在一个实施例中，所述图像处理方法还包括，在获取与所述当前帧的图像对应的定损照片之后，基于所述视频流，获取所述当前帧的图像与第一图像的关联关系，所述第一图像为所述视频流中的在所述当前帧之前帧的经用户拍摄的图像。

在一个实施例中，在所述图像处理方法中，所述关联关系包括所述当前帧的图像与所述第一图像之间的以下至少一项关系：光流、映射矩阵、以及位置角度变换关系。

在一个实施例中，所述图像处理方法还包括，在获取所述当前帧的图像与第一图像的关联关系之后，将所述关联关系上传给服务器。

在一个实施例中，所述图像处理方法中，所述预定分类模型和所述目标检测及分割模型包括共用的用于移动设备端的卷积神经网络。

本说明书另一方面提供一种图像处理装置，所述装置在移动设备端实施，所述移动设备包括摄像头，所述装置包括：

采集单元，配置为，根据用户指令，通过所述摄像头采集事故车辆的视频流；

第一获取单元，配置为，获取所述视频流中的当前帧的图像；

确定单元，配置为，通过将所述图像输入预定分类模型，确定所述图像是否满足预定标准，其中，所述预定分类模型包括用于移动设备端的卷积神经网络；

添加单元，配置为，在所述图像满足所述预定标准的情况下，通过将所述图像输入目标检测及分割模型，在所述图像中添加目标框和/或目标分割信息，其中所述目标框和目标分割信息都与所述车辆的车辆部件和车辆损伤中的至少之一相对应，其中，所述目标检测及分割模型包括用于移动设备端的卷积神经网络；以及

示出单元，配置为，向所述用户示出所述目标框和/或目标分割信息。

在一个实施例中，所述图像处理装置还包括第一提示单元，配置为，在所述图像不满足所述预定标准的情况下，基于所述模型的分类结果，对所述用户进行相应的提示。

在一个实施例中，所述图像处理装置还包括展示单元，配置为，在通过所述摄像头采集事故车辆的视频流之前，向用户展示拍摄流程。

在一个实施例中，所述图像处理装置还包括第二提示单元，配置为，在添加目标框和/或目标分割信息之后，基于所述目标框和/或目标分割信息，对所述用户进行相应的提示。

在一个实施例中，在所述图像处理装置中，所述第二提示单元还配置为，基于所述目标框和/或目标分割信息，提示用户前进或后退。

在一个实施例中，在所述图像处理装置中，所述第二提示单元还配置为，基于所述目标框和/或目标分割信息，提示用户进行拍摄，以获取与所述当前帧的图像对应的定损照片。

在一个实施例中，所述图像处理装置还包括第一上传单元，配置为，在获取与所述当前帧的图像对应的定损照片之后，将所述定损照片上传给服务器。

在一个实施例中，所述图像处理装置还包括第二获取单元，配置为，在获取与所述当前帧的图像对应的定损照片之后，基于所述视频流，获取所述当前帧的图像与第一图像的关联关系，所述第一图像为所述视频流中的在所述当前帧之前帧的经用户拍摄的图像。

在一个实施例中，所述图像处理装置还包括第二上传单元，配置为，在获取所述当前帧的图像与第一图像的关联关系之后，将所述关联关系上传给服务器。

本说明书另一方面提供一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述任一项图像处理方法。

在根据本说明书实施例的图像处理方案中，通过低计算量的图像分类算法，可以有效过滤实际视频流中模糊、光线较差、非车损图等图片，帮助用户确认哪些图是可以拍摄的；通过图像检测和分割算法可以帮助用户认知哪些图片是算法可以识别的，并且给出前进或者后退提示，以最终达到实际可用的程度；同时利用视频流的特点，通过多种算法计算用户拍摄的图之间的关联关系，提供更为丰富可靠的信息给后台算法引擎，得到更为精准鲁棒的效果。

附图说明

通过结合附图描述本说明书实施例，可以使得本说明书实施例更加清楚：

图1示出了根据本说明书实施例的图像处理系统100的示意图；

图2示出根据本说明书实施例的一种图像处理方法的流程图；

图3示出了根据模型分类结果在手机显示屏上进行文字提示的示意图；

图4示意示出了在显示屏上示出所述目标框和/或目标分割信息的效果图；

图5示出映射矩阵的映射效果；以及

图6示出根据本说明书实施例的一种图像处理装置600。

具体实施方式

下面将结合附图描述本说明书实施例。

图1示出了根据本说明书实施例的图像处理系统100的示意图。如图1所示，系统100包括移动设备11和服务器12。移动设备11例如为手机、可通信的智能设备等。服务器12例如为保险公司用于处理定损照片的服务器。移动设备11包括摄像头111和显示器113，另外，移动设备11中部署有移动端的算法模型112。其中，算法模型112中包括分类模型1121、目标检测及分割模型1122。该系统用于引导用户拍摄车辆定损照片以上传给服务器进行处理。例如在车辆事故现场中，将不需要保险公司的定损人员到达现场，只需要出险的车主使用移动设备11按照用于理赔的app的提示进行拍摄，即可获取合格的定损照片上传给服务器12。

在用户进行拍摄的过程中，首先，用户例如通过显示器113(例如触屏显示屏)上的按钮打开用于车险理赔的app中的拍摄界面(即向摄像头发出指令)。在拍摄界面下，app调用摄像头111采集视频流，将该视频流输入算法模型112进行处理，同时在显示器113上显示该视频流。算法模型112中包括分类模型1121、目标检测及分割模型1122。分类模型1121用于对输入的图像帧进行基本分类，例如是否模糊，光线是否充足等。目标检测及分割模型1122用于在输入的图像帧上添加目标框和/或分割信息，所述分割信息示出目标像素级分割结果。在将视频流中的当前帧输入算法模型112之后，首先通过分类模型1121对当前帧图像进行分类，并基于分类结果在显示器113上提示用户进行相应操作，如稳定相机等。在分类模型1121对当前帧图像的分类结果符合预定标准时，通过目标检测及分割模型1122对该图像添加目标框和/或分割信息，在显示器113上同时显示的该帧图像上显示该目标框和/或分割信息，并相应地提示用户，例如提示用户前进或后退等。当目标检测及分割模型1122的结果符合预定标准时，在显示器113上提示用户进行拍摄。用户通过点击显示器113上的拍摄按钮进行拍摄，从而获取合格的定损照片。当用户结束拍摄之后，将拍摄的全部定损照片上传给服务器12。在服务器12中，通过训练好的定损算法模型对用户上传的定损照片进行处理，从而获取定损结果。

图1所示系统100的结构仅是示意性的，根据本说明书实施例的系统不限于图1所示的结构。例如，显示器可以不是触屏的、在服务器12中不一定通过算法获取定损结果，也可以基于定损照片，人工确定定损结果。另外，所述算法模型112中还可以包括用于获取视频流中各帧之间的关联关系的各种算法，以获取拍摄的多张定损照片之间的关联关系。

图2示出根据本说明书实施例的一种图像处理方法的流程图。所述方法在移动设备端执行，所述移动设备包括摄像头，所述方法包括：

在步骤s202，根据用户指令，通过所述摄像头采集事故车辆的视频流；

在步骤s204，获取所述视频流中的当前帧的图像；

在步骤s206，通过将所述图像输入预定分类模型，确定所述图像是否满足预定标准，其中，所述预定分类模型包括用于移动设备端的卷积神经网络；

在步骤s208，在所述图像满足所述预定标准的情况下，通过将所述图像输入目标检测及分割模型，在所述图像中添加目标框和/或目标分割信息，其中所述目标框和目标分割信息都与所述车辆的车辆部件和车辆损伤中的至少之一相对应，其中，所述目标检测及分割模型包括用于移动设备端的卷积神经网络；以及

在步骤s210，向所述用户示出所述目标框和/或目标分割信息。

首先，在步骤s202，根据用户指令，通过所述摄像头采集事故车辆的视频流。如上文所述，上述移动设备例如为手机。用户例如通过手机中安装的车险理赔app进行事故车辆的定损照片的拍摄。用户例如通过所述app中的相机图标打开拍摄界面，并同时将摄像头对准事故车辆。在打开拍摄界面之后，与手机的相机拍摄界面类似，手机屏幕上显示的是摄像头采集到的图像，并且还显示拍摄照片的按钮，而通过摄像头连续采集的图像形成视频流。app当如上所述在手机屏幕上显示视频流的同时，还实时将该视频流输入手机端app中部署的各个算法模型。该摄像头可设定为每隔预定时段(例如125ms)采集一帧图像，以预留出算法模型的运算时间。

在一个实施例中，在用户进入拍摄界面之后，app首先在显示屏上向用户展示拍摄的大致流程，帮助用户建立起对整个流程步骤的了解，然后再在屏幕上显示通过摄像头采集的视频流。例如，可通过画面、文字、声音等形式展示几个过程：根据app提示进行操作，根据app提示拍摄照片，上传照片等。

在步骤s204，获取所述视频流中的当前帧的图像。所述视频流中的当前帧即摄像头当前采集到的图像，也即手机显示屏上当前显示的图像。app在通过摄像头采集车辆的视频流之后，可根据模型处理时间确定获取所述视频流中的哪些帧用于输入模型，例如，可获取视频流中的每帧图像进行模型分析，也可在视频流中每隔几帧获取一帧图像用于输入模型进行分析。

在步骤s206，通过将所述图像输入预定分类模型，确定所述图像是否满足预定标准，其中，所述预定分类模型包括用于移动设备端的卷积神经网络。

如上文参考图1所述，可在手机端部署轻量级的图像分类模型，以对视频流中的车辆的图像快速进行本地处理。例如，所述预定分类模型例如是使用mobilenetv2、shufflenet、squeezenet等包括卷积神经网络的移动端模型训练的多任务分类模型。例如，可通过使用大量的带标签的车损照片训练该分类模型，其中，车损照片可包含与是否模糊、是否包括车辆损伤、是否光照充足、拍摄角度是否偏斜、拍摄距离是否合适等分别相关的多个标签，以进行多任务学习。在上述例如mobilenetv2的移动端模型中，通过对传统的二维卷积网络进行优化，可以有效地减少模型参数、加快运算效率，从而可以在移动端部署这类算法。所述优化例如包括，通过使用多个小卷积核的叠加来达到和大卷积核相同的效果，而使得所使用的参数以指数倍率下降；通过使用深度可分离卷积(depth-wiseseparableconvolution)来替代一般的二维卷积操作，以减少参数数量，等等。

通过如上所述训练的分类模型例如可进行以下至少一种关于所述图像的分类：是否模糊、是否包括车辆损伤、是否光照充足、以及拍摄角度是否偏斜(如拍摄角度是否是俯拍、斜拍等偏斜角度)、以及拍摄距离是否合适，等等。从而，基于该分类模型的分类结果，分析图像是否满足预定的车辆定损照片的基本要求。可以理解，所述分类模型执行的对图像的分类不限于上述列出的几种，可根据需要增加相应的分类。

在所述图像不满足所述预定标准的情况下，app可基于所述模型的分类结果，对所述用户进行相应的提示。

例如，当通过分类模型判断所述图像模糊时，可对用户提示：图像模糊，请稳定相机。当通过所述分类模型判断所述图像不包括车辆损伤时，可提醒用户将摄像头对准损伤位置。当通过所述分类模型判断所述图像光照不足时，可提醒用户光照不足。当通过所述分类模型判断所述图像的拍摄角度太偏时，可提醒用户正对损伤位置进行拍摄。当拍摄距离太远时，可提醒用户靠近车辆，等等。

上述提示可通过在显示屏上用文字显示出来进行提示，也可通过语音的形式进行提示，或者可同时显示文字并播放相应的语音进行提示。图3示出了根据模型分类结果在手机显示屏上进行文字提示的示意图。如图3所示，在打开拍摄界面之后，通过分类模型检测获得当前帧图像中拍摄距离较远，并基于该检测结果，在显示屏下方进行提示“距离太远，请靠近车辆”。

在步骤s208，在所述图像满足所述预定标准的情况下，通过将所述图像输入目标检测及分割模型，在所述图像中添加目标框和/或目标分割信息，其中所述目标框和目标分割信息都与所述车辆的车辆部件和车辆损伤中的至少之一相对应，其中，所述目标检测及分割模型包括用于移动设备端的卷积神经网络。

如上文参考图1所述，可在手机端部署目标检测及分割模型，以用于在手机端对视频流中的车辆的部件和损伤进行检测，并在手机显示屏上示出目标框和目标分割信息。所述目标检测及分割模型是用于移动端的轻量化的卷积神经网络模型，其例如通过mobilenetv2+ssdlite而实现，或者还可以通过mobilenetv2+deeplabv3、maskrcnn等实现。在一个实施例中，所述目标检测及分割模型与上述分类模型包括共用的底层的卷积神经网络。在一个实施例中，所述目标检测及分割模型可通过大量加标注(目标框或分割信息)的车辆损伤图像进行训练获得。其中，在所述训练样本中针对车辆的部件、或损伤区域进行标注，从而可训练出用于针对车辆部件和车辆损伤的目标检测及分割模型。

在所述图像满足上述车辆定损照片的基本标准之后，通过将该图像输入例如如上所述训练的目标检测及分割模型，该目标检测及分割模型可自动检测出所述图像中的车辆部件和/或车辆损伤，并在目标位置添加目标框和/或目标分割信息。

在步骤s210，向所述用户示出所述目标框和/或目标分割信息。

当在模型中对所述图像添加了目标框和/或目标分割信息之后，可通过手机显示屏在当前显示的图像上示出所述目标框和/或目标分割信息。例如，可通过不同颜色示出不同部件(或不同损伤)的目标框，可通过不同颜色显示不同部件(或不同损伤)，以示出不同部件(或不同损伤)的分割信息。图4示意示出了在显示屏上示出所述目标框和/或目标分割信息的效果图。如图4中所示，不同灰度表示不同的颜色，例如，在左前轮和左前灯分别添加不同颜色的目标框。还例如，以不同颜色分别填充左前翼子板和左前门(所述不同颜色即目标分割信息)。在本说明书实施例中，可以对各个车辆部件(或损伤)同时进行目标检测和目标分割，也可以例如对各个车辆部件进行目标检测，对各个损伤进行目标分割等，以对部件和损伤区分显示。

通过使用手机端的目标检测及分割模型，直接在手机端对上述当前帧的图像的车辆损伤以及部件进行检测，并在手机显示屏上进行可视化，有助于用户建立直观的感受，知道目前拍摄的照片在服务器端会被大致检测出什么结果，知道哪些图可以通过算法准确获取部件信息，哪些图可以通过算法准确获取损伤信息。用户可根据显示屏上显示的目标框和目标分割信息对拍摄进行适当调整，例如通过移动手机位置，使得在显示屏上显示损伤对应的目标框，从而进行定损照片的拍摄。

在一个实施例中，在对所述图像添加目标框和/或目标分割信息之后，基于所述目标框和/或目标分割信息，对所述用户进行相应的提示。例如，根据图像上是否包括损伤的目标框和/或目标分割信息、以及检测的部件、损伤数目等信息，提示用户前进或后退。当app基于目标检测及分割模型对图像的处理结果，确定该图像符合定损照片的预定要求时，可提示用户进行拍摄。从而，用户通过点击拍摄界面的拍摄按钮，可获取与当前帧图像对应的车辆定损照片。在用户点击了拍摄按钮之后，app可将用户拍摄的定损照片保存到手机相册中、或app中。app在获取所述定损照片之后，可将该定损照片自动上传给服务器，以可以基于用户的操作上传给服务器。用户在拍摄界面下可移动手机对准车辆上多个车损位置，并可如上所述基于app的提示进行多次拍摄，从而获取多张定损照片。app可以在用户拍摄完全部定损照片之后，将这些多张定损照片一起上传，也可以在每次拍摄一张定损照片之后，上传该单张定损照片。

在一个实施例中，图2所示的方法还包括，在获取与所述当前帧的图像对应的定损照片之后，基于所述视频流，获取所述当前帧的图像与第一图像的关联关系，所述第一图像为所述视频流中的在所述当前帧之前帧的经用户拍摄的图像。也就是说，app可基于视频流获取基于该视频流拍摄的多张定损照片之间的关联关系。如上文参考图1所述，可在手机端部署用于获取所述关联关系的各种算法。

如上文所述，用户在拍摄界面可进行多次拍摄，以获取多张定损照片。由于视频流的信息非常丰富，可用于建立各张定损照片之间的关联关系。例如，对于上述与当前帧图像对应的定损照片，可获取其与之前拍摄的各张定损照片之间的关联关系。

在一个实施例中，所述关联关系包括通过多个flownet构建的帧与帧之间的动态信息。例如，通过flownet1处理与当前帧对应的第一定损图像(照片)，通过flownet2处理第二定损图像(例如，在当前帧之前的图像帧)，通过融合flownet1与flownet2的输出，从而获得第一定损图像与第二定损图像之间的光流。

在一个实施例中，所述关联关系包括帧与帧之间的映射矩阵。在一种用于获取帧与帧之间的映射矩阵的算法中，首先计算图像1与图像2之间的图像梯度和图像差值，然后，通过最小二乘优化和cholesky分解，获取图像1与图像2之间的映射矩阵。图像1和图像2例如为上述第一定损图像和第二定损图像。图5示出映射矩阵的映射效果。如图5所示，(a)为图像1，(c)为图像2，(b)为使用映射矩阵变换图像1所获得的图像1’，该映射矩阵为图像1到图像2的映射矩阵。可见经过映射矩阵的变换的图像1’与图像2基本一致。

在一个实施例中，所述关联关系包括通过slam技术计算获得的帧与帧之间的拍摄位置角度变换关系。

在如上所述获取拍摄的多个定损图像(照片)之间的关联关系之后，可将所述关联关系作为相关信息上传给服务器。服务器基于定损照片和定损照片之间的关联关系进行定损，从而可获得更加精准可靠的定损结果。

图6示出根据本说明书实施例的一种图像处理装置600。所述装置在移动设备端执行，所述移动设备包括摄像头，所述装置包括：

采集单元601，配置为，根据用户指令，通过所述摄像头采集事故车辆的视频流；

第一获取单元602，配置为，获取所述视频流中的当前帧的图像；

确定单元603，配置为，通过将所述图像输入预定分类模型，确定所述图像是否满足预定标准，其中，所述预定分类模型包括用于移动设备端的卷积神经网络；

添加单元604，配置为，在所述图像满足所述预定标准的情况下，通过将所述图像输入目标检测及分割模型，在所述图像中添加目标框和/或目标分割信息，其中所述目标框和目标分割信息都与所述车辆的车辆部件和车辆损伤中的至少之一相对应，其中，所述目标检测及分割模型包括用于移动设备端的卷积神经网络；以及

示出单元605，配置为，向所述用户示出所述目标框和/或目标分割信息。

在一个实施例中，所述图像处理装置600还包括第一提示单元606，配置为，在所述图像不满足所述预定标准的情况下，基于所述模型的分类结果，对所述用户进行相应的提示。

在一个实施例中，所述图像处理装置600还包括展示单元607，配置为，在通过所述摄像头采集事故车辆的视频流之前，向用户展示拍摄流程。

在一个实施例中，所述图像处理装置600还包括第二提示单元608，配置为，在添加目标框和/或目标分割信息之后，基于所述目标框和/或目标分割信息，对所述用户进行相应的提示。

在一个实施例中，在所述图像处理装置600中，所述第二提示单元608还配置为，基于所述目标框和/或目标分割信息，提示用户前进或后退。

在一个实施例中，在所述图像处理装置中，所述第二提示单元608还配置为，基于所述目标框和/或目标分割信息，提示用户进行拍摄，以获取与所述当前帧的图像对应的定损照片。

在一个实施例中，所述图像处理装置600还包括第一上传单元609，配置为，在获取与所述当前帧的图像对应的定损照片之后，将所述定损照片上传给服务器。

在一个实施例中，所述图像处理装置600还包括第二获取单元610，配置为，在获取与所述当前帧的图像对应的定损照片之后，基于所述视频流，获取所述当前帧的图像与第一图像的关联关系，所述第一图像为所述视频流中的在所述当前帧之前帧的经用户拍摄的图像。

在一个实施例中，所述图像处理装置还包括第二上传单元611，配置为，在获取所述当前帧的图像与第一图像的关联关系之后，将所述关联关系上传给服务器。

本说明书另一方面提供一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述任一项图像处理方法。

在根据本说明书实施例的图像处理方案中，通过低计算量的图像分类算法，可以有效过滤实际视频流中模糊、光线较差、非车损图等图片，帮助用户确认哪些图是可以拍摄的；通过图像检测和分割算法可以帮助用户认知哪些图片是算法可以识别的，并且给出前进或者后退提示，以最终达到实际可用的程度；同时利用视频流的特点，通过多种算法计算用户拍摄的图之间的关联关系，提供更为丰富可靠的信息给后台算法引擎，得到更为精准鲁棒的效果。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。