目标对象的运动轨迹预测方法和监控平台与流程

本发明涉及监控技术领域，尤其涉及一种目标对象的运动轨迹预测方法和监控平台。

背景技术：

随着科学技术的不断进步，监控平台(固定监控平台或者移动监控平台)可以实现对目标对象的监控，某些监控平台还可以进一步地对目标对象进行跟随。

在复杂环境(例如树林、室内环境等)中，目标对象可能被障碍物遮挡，监控平台由于无法获取目标对象的运动数据或者图像而导致监控平台无法观测到目标对象，目标对象处于丢失状态。然而，当目标对象处于丢失状态时，按照现有技术中目标对象的运动轨迹预测方法不能准确地预测出处于丢失状态的目标对象的运动轨迹。

技术实现要素：

本发明提供了一种目标对象的运动轨迹预测方法和监控平台，以提高目标对象的运动轨迹预测的准确性。

本发明的第一方面是为了提供一种目标对象的运动轨迹预测方法，应用于监控平台，包括：

根据轨迹模型获取目标对象处于丢失状态时的预期运动状态，其中，所述目标对象为所述监控平台的监控对象，所述轨迹模型包括模型系数；

获取所述目标对象处于监控状态时的观测位置；

根据所述观测位置和预期运动状态确定所述模型系数，并基于所确定的模型系数更新所述轨迹模型；

根据更新后的轨迹模型预测所述目标对象处于丢失状态时的运动轨迹。

本发明的第二方面是为了提供一种监控平台，包括：

存储器，用于存储计算机程序；

处理器，用于运行所述存储器中存储的计算机程序以实现：

根据轨迹模型获取目标对象处于丢失状态时的预期运动状态，其中，所述目标对象为所述监控平台的监控对象，所述轨迹模型包括模型系数；

获取所述目标对象处于监控状态时的观测位置；

根据所述观测位置和预期运动状态确定所述模型系数，并基于所确定的模型系数更新所述轨迹模型；

根据更新后的轨迹模型预测所述目标对象处于丢失状态时的运动轨迹。

本发明的第三方面是为了提供一种监控平台，包括：

处理模块，用于根据轨迹模型获取目标对象处于丢失状态时的预期运动状态，其中，所述目标对象为所述监控平台的监控对象，所述轨迹模型包括模型系数；

获取模块，用于获取所述目标对象处于监控状态时的观测位置；

确定模块，用于根据所述观测位置和预期运动状态确定所述模型系数，并基于所确定的模型系数更新所述轨迹模型；

预测模块，用于根据更新后的轨迹模型预测所述目标对象处于丢失状态时的运动轨迹。

本发明的第四方面是为了提供一种计算机可读存储介质，该计算机可读存储介质中存储有程序指令，所述程序指令用于实现第一方面所述的目标对象的运动轨迹预测方法。

本发明提供的目标对象的运动轨迹预测方法和监控平台，通过目标对象的预期运动状态和观测位置确定模型系数，基于所确定的模型系数更新轨迹模型，并可以根据更新后的轨迹模型预测目标对象处于丢失状态时的运动轨迹。其中，通过预期运动状态和观测位置来确定目标对象的轨迹模型的模型系数，可以有效地提高所述模型系数确定的准确性，进而得到更加准确的目标对象的轨迹模型，这样可以有效地提高目标对象的运动轨迹预测的准确性。

附图说明

图1为本发明实施例提供的一种目标对象的运动轨迹预测方法的流程示意图；

图2为本发明实施例提供的根据所述观测位置和预期运动状态确定所述模型系数的流程示意图；

图3为本发明实施例提供的获取所述目标对象处于监控状态时的观测位置的流程示意图一；

图4为本发明实施例提供的获取所述目标对象处于监控状态时的观测位置的流程示意图二；

图5为本发明实施例提供的另一种目标对象的运动轨迹预测方法的流程示意图；

图6为本发明实施例提供的一种监控平台的结构示意图；

图7为本发明实施例提供的另一种监控平台的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

下面结合附图，对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

目标对象是监控平台的监控对象，监控平台可以包括固定的监控平台，例如：设置在固定物体(例如建筑物、杆体)上的监控设备，举例来说，该监控设备可以为设置在建筑物上的视频监控设备。监控平台可以包括可移动平台，其中，所述可移动平台可以为通过外力移动的监控设备，例如手持云台；所述可移动平台可以为通过自身配置的动力系统移动的监控设备，具体地，可移动平台可以包括移动机器人，进一步的，移动机器人可以包括：陆地移动机器人、水下或者水面机器人、无人机或空间机器人等等。目标对象可以是具有特定特征的物体，例如，所述目标对象可以包括用户、汽车、动物等等。

按照监控平台是否可以监控到目标对象来区分，目标对象的状态可以包括监控状态和丢失状态。

当目标对象处于监控状态时，监控平台可以观测到目标对象，例如观测到目标对象的位置，即获取到目标对象的观测位置pi。

当目标对象处于丢失状态时，监控平台观测不到目标对象，例如观测不到目标对象的位置。在复杂环境(例如树林、室内环境等)中，目标对象可能被障碍物遮挡，监控平台由于无法观测到目标对象，目标对象处于丢失状态，举例来说，监控平台无法观测到目标对象，可以为监控平台无法获取目标对象的观测位置。

目标对象的轨迹模型可以用来表示目标对象的运动轨迹，该轨迹模型具体可以是以时间为自变量的函数，用来表示目标对象的位置和时间之间的关系。所述轨迹模型中可以包括模型系数，所述模型系数可以为轨迹模型中除自变量之外的参数。进一步地，所述轨迹模型可以包括多项式轨迹模型，此时，模型系数为多项式轨迹模型中的多项式系数和常数项。例如，以目标对象在x轴上的运动轨迹为例，所述轨迹模型可以为多项式轨迹模型t(t)＝p0+p1t+p2t²+p3t³+…+pntⁿ，其中，所述模型系数可以为p0、p1、p2、p3...pn。在某些实施例中，所述轨迹模型可以为其他类型的模型，例如所述轨迹模型可以为指数轨迹模型。

当目标对象处于丢失状态时，为了对目标对象进行持续监控，需要对目标对象的运动轨迹进行预测。此时，可以利用目标对象的轨迹模型来对目标对象的运动轨迹进行预测，具体地，当目标对象的轨迹模型中的模型系数已知时，目标对象处于丢失状态时，即目标对象丢失以后的时刻，都可以根据目标对象的轨迹模型来预测目标对象的运动轨迹。例如，将目标对象丢失以后的时刻代入到目标对象的轨迹模型中，即可以预测目标对象处于丢失状态时的位置。

现有技术中，在对目标对象的运动轨迹进行预测时，通过对目标对象的位置约束运行最小化拟合算法来确定目标对象的轨迹模型中的模型系数，即对目标对象的运动轨迹进行拟合。所述位置约束可以根据所述观测位置和与所述观测位置对应的预期位置之间的位置误差来确定，其中，所述预期位置是根据目标对象的轨迹模型确定的。例如，所述观测位置和与所述观测位置对应的预期位置之间的位置误差为t(ti)-pi，所述位置约束可以为：对目标对象的位置约束运行最小化拟合算法来确定目标对象的轨迹模型中的模型系数。然而，现有技术中只是在位置维度来做约束，并没有考虑目标对象处于丢失状态时的运动状态，这样导致拟合出的运动轨迹不准确，拟合确定的轨迹模型不能反映目标对象处于丢失状态的运动状态。例如，当处于丢失状态的目标对象近似匀速运动时，由于没有考虑目标对象处于丢失状态的运动状态，根据拟合出的运动轨迹计算出处于丢失状态的目标对象可能有较大的运动加速度。

为了解决上述技术问题，图1为本发明实施例提供的一种目标对象的运动轨迹预测方法的流程示意图，参考附图1所示，本实施例提供了一种目标对象的运动轨迹预测方法，应用于监控平台。具体的，该方法包括：

s101：根据目标对象的轨迹模型获取目标对象处于丢失状态时的预期运动状态，其中，目标对象为监控平台的监控对象，轨迹模型包括模型系数；

具体地，在目标对象处于丢失状态时，监控平台可以根据目标对象的轨迹模型获取目标对象的预期运动状态。其中，目标对象的预期运动状态可以包括速度、加速度和加速度的变化量中的至少一种，具体的，本领域技术人员可以根据具体的设计需求和使用需求来进行设置，在此不再赘述。例如，当所述预期运动状态为加速度时，可以根据目标对象的轨迹模型得到目标对象的加速度模型，并将目标对象处于丢失状态的时刻代入到目标对象的加速度模型中，即可以获取目标对象处于丢失状态的加速度。

s102：获取目标对象处于监控状态时的观测位置；

具体地，在目标对象处于监控状态时，监控平台可以观测到目标对象。如前所述，监控平台可以获取到目标对象的观测位置。

s103：根据观测位置和预期运动状态确定模型系数，并基于所确定的模型系数更新轨迹模型；

具体地，在获取到观测位置和预期运动状态之后，可以对观测位置和预期运动状态进行分析处理，以确定所述轨迹模型的模型系数，进一步可以基于所确定的模型系数更新所述轨迹模型。在获取到更新的轨迹模型之后，目标对象的轨迹模型就已经确定。

s104：根据更新后的轨迹模型预测目标对象处于丢失状态时的运动轨迹。

具体地，在目标对象处于丢失状态时，可以利用更新后的轨迹模型对目标对象的运动轨迹进行预测，得到目标对象处于丢失状态时的运动轨迹。例如，可以将目标对象处于丢失状态的时刻代入到更新后的轨迹模型中，即可以预测目标对象的位置，进而通过预测的目标对象的位置来预测目标对象处于丢失状态时的运动轨迹。

本实施例提供的目标对象的运动轨迹预测方法，通过目标对象的预期运动状态和观测位置确定模型系数，基于所确定的模型系数更新轨迹模型，并可以根据更新后的轨迹模型预测目标对象处于丢失状态时的运动轨迹。其中，通过预期运动状态和观测位置来确定目标对象的轨迹模型的模型系数，可以有效地提高所述模型系数确定的准确性，进而得到更加准确的目标对象的轨迹模型，这样可以有效地提高目标对象的运动轨迹预测的准确性。

图2为本发明实施例提供的根据观测位置和预期运动状态确定模型系数的流程示意图；在上述实施例的基础上，继续参考附图2可知，本实施例对于模型系数的具体确定方式不做限定，本领域技术人员可以根据具体的设计需求进行设置，可选地，本实施例中的根据观测位置和预期运动状态确定模型系数可以包括：

s201：获取目标对象处于监控状态时的观测位置与预期位置之间的位置误差，根据位置误差确定目标对象的位置约束，其中，预期位置为根据轨迹模型确定出的与观测位置对应的目标对象的位置；

具体地，监控平台可以获取目标对象处于监控状态时的观测位置为pi，监控平台可以根据目标对象的轨迹模型获取与所述观测位置对应的目标对象的预期位置为t(ti)。例如，监控平台在目标对象处于监控状态的ti时刻，获取目标对象处于监控状态时的观测位置为pi，可以将ti代入到目标对象的轨迹模型中，即可以获取与所述观测位置对应的目标对象的预期位置，此时，所述目标对象的预期位置为目标对象处于监控状态的预期位置。

进一步地，监控平台可以获取观测位置与预期位置之间的位置误差，所述位置误差可以为t(ti)-pi或者pi-t(ti)，进而根据位置误差确定目标对象的位置约束。可选地，所述位置约束可以为：可选地，所述位置约束为可以理解的是，本领域技术人员还可以根据具体的使用场景和设计需求采用其他的方式来根据所述位置误差确定目标对象的位置约束，在此不再赘述。

s202：根据预期运动状态确定目标对象的运动状态约束；

具体地，为了保证拟合后的运动轨迹更加准确反映目标对象的真实运动状态，可以根据所述预期运动状态确定目标对象的运动状态约束。对于目标对象的运动状态约束的具体确定方式，可以通过如下几种可行方式实现：

一种可行的方式为：根据预期运动状态确定积分项，对积分项在预设时间段内进行积分运算以获取目标对象的运动状态约束，其中，预设时间段为目标对象处于丢失状态时的时间段。

具体的，在获取到预期运动状态之后，可以确定与预期运动状态相对应的积分项。例如：当预期运动状态为加速度时，所确定的与预期运动状态相对应的积分项可以为|t⁽²⁾(t)|或者|t⁽²⁾(t)|²，然后可以对所述积分项进行积分运算以获取目标对象的运动状态约束或者其中，(tl，tm)即为预设时间段，所述预设时间段为目标对象处于丢失状态的时间段。可选地，tl为目标对象处于丢失状态时的初始时刻，即监控平台确定目标对象进入丢失状态的时刻，tm为目标对象处于丢失状态时的中间时刻。

另一种可行的方式为：根据预期运动状态确定多个累加项，对多个累加项进行累加运算以获取目标对象的运动状态约束。

具体的，可以获取目标对象多个时刻的预期运动状态，从而可以确定多个累加项，对多个累加项进行累加运算以获取目标对象的运动状态约束。例如，当所述预期运动状态为加速度时，可以获取与预期运动状态t⁽²⁾(tj)对应的累加项|t⁽²⁾(tj)|或者|t⁽²⁾(tj)|²，并对多个累加项进行累加运算，以获取目标对象的运动状态约束或者

s203：基于位置约束和运动状态约束运行最小化拟合算法以确定模型系数。

具体地，在获取到位置约束和运动状态约束之后，可以基于位置约束和运动状态约束运行最小化拟合算法来确定轨迹模型的模型系数。为了说明方便，所述位置约束简称为a，所述运动状态约束简称为b，可以基于位置约束a和运动状态约束b确定拟合项，并对拟合项运行最小化拟合算法。例如，所述拟合项可以为(a+λtb)，并对所述拟合项运行最小化拟合算法min(a+λtb)来确定模型系数，其中，λt可以为预设的系数。

当所述预期运动状态为加速度时，假设目标对象处于丢失状态时，目标对象的加速度很小，近似于匀速运动。运行最小化拟合算法min(a+λtb)时，要使a+λtb达到最小，运动状态约束应该尽可能小，即处于丢失状态的目标对象的加速度应该尽可能小。

当所述预期运动状态为加速度的变化量时，假设目标对象处于丢失状态时，目标对象的加速度的变化量很小，近似于匀变速运动。运行最小化拟合算法min(a+λtb)时，要使a+λtb达到最小，运动状态约束应该尽可能小，即处于丢失状态的目标对象的加速度的变化量应该尽可能小。

与现有技术相比，本发明实施例提供的轨迹预测方法通过同时考虑位置约束和运动状态约束，可以更加准确地确定轨迹模型的模型系数，进而得到更加准确的目标对象的轨迹模型，这样可以有效地提高目标对象的运动轨迹预测的准确性。

在上述实施例的基础上，继续参考附图1可知，本实施例中，在根据更新后的轨迹模型预测目标对象处于丢失状态时的运动轨迹之后，该方法还包括：将运动轨迹发送给控制终端以使控制终端在交互界面上显示运动轨迹。

具体的，监控平台在预测得到目标对象的运动轨迹之后，可以将所述运动轨迹发送给控制终端。控制终端可以为带有显示装置的终端设备，例如智能手机、平板电脑、膝上型电脑、台式电脑和穿戴式设备中的一种或多种，控制终端在接收到所述运动轨迹之后，控制终端上的显示装置可以显示所述运动轨迹，这样使得用户可以直观地获取到处于丢失状态的目标对象的运动轨迹。

图3为本发明实施例提供的获取目标对象处于监控状态时的观测位置的流程示意图。在上述实施例的基础上，继续参考附图3可知，监控平台包括拍摄装置，而拍摄装置可以包括：照相机、摄像机等等。其中，所述获取目标对象处于监控状态时的观测位置，包括：

s301：获取拍摄装置输出的图像；

s302：根据图像获取目标对象的观测位置，其中，图像中包括目标对象。

具体的，监控平台的处理器可以获取拍摄装置输出的图像，其中，所述图像中包括目标对象，处理器可以对图像中的目标对象进行识别以获取目标对象在所述图像中的位置，进一步地，根据目标对象在所述图像中的位置获取目标对象的观测位置。

可以理解的是，当目标对象在拍摄装置输出的图像中时，所述目标对象处于监控状态，监控平台可以通过所述图像获取目标对象的观测位置。当目标对象不在拍摄装置输出的图像中，监控平台不能通过所述图像获取目标对象的观测位置，所述目标对象处于丢失状态。

图4为本发明实施例提供的获取目标对象处于监控状态时的观测位置的流程示意图二。在上述实施例的基础上，继续参考附图4可知，所述获取目标对象处于监控状态时的观测位置可以包括：

s401：获取目标对象携带的控制终端发送的运动数据；

s402：根据运动数据获取目标对象的观测位置。

具体地，目标对象携带有控制终端，其中，控制终端上配置有运动传感器，所述运动传感器可以检测目标对象的运动数据并输出运动数据。其中，所述运动数据可以包括运动位置信息、速度信息和加速度信息中的至少一种，所述运动传感器可以包括卫星定位接收机、惯性测量单元或光电码盘等等。控制终端可以向监控平台发送所述运动数据，监控平台在获取到运动数据之后，可以对运动数据进行分析处理以获取目标对象的观测位置。

可以理解的是，当监控平台可以接收到控制终端发送的运动数据时，所述目标对象处于监控状态，监控平台可以通过所述图像获取目标对象的观测位置。当监控平台接收不到控制终端发送的运动数据，监控平台不能通过所述图像获取目标对象的观测位置，所述目标对象处于丢失状态。

图5为本发明实施例提供的另一种目标对象的运动轨迹预测方法的流程示意图。在上述实施例的基础上，继续参考附图5，为了提高本方法的实用性，该方法还可以包括：

s501：当目标对象处于丢失状态时，根据运动轨迹确定移动机器人的运动轨迹；

如前所述，监控平台可以包括移动机器人，目标对象可以为移动机器人的跟随对象。在目标对象处于监控状态时，移动机器人的处理器可以根据目标对象的观测位置来确定移动机器人的运动轨迹，并控制所述移动机器人按照所述运动轨迹移动以对目标对象进行跟随。然而，在目标对象处于丢失状态时，移动机器人观测不到目标对象，在需要对目标对象进行跟随时，移动机器人的处理器可以根据所预测的运动轨迹确定移动机器人的运动轨迹。

可选地，根据运动轨迹确定移动机器人的运动轨迹可以包括：将运动轨迹确定为移动机器人的运动轨迹。具体地，移动机器人的处理器可以将所述预测的目标对象的运动轨迹确定为移动机器人的运动轨迹。

s502：控制移动机器人按照运动轨迹进行移动。

移动机器人的处理器可以控制移动机器人按照所述确定的运动轨迹移动以对目标对象进行跟随，由于所述运动轨迹是根据所述预测的目标对象的运动轨迹确定的，因此，可移动机器人在按照所述确定的运动轨迹移动时，可以有效地减小移动机器人遇到障碍物的概率，同时也可以提高目标对象被遮挡后重新找回、恢复监控的概率，保证了跟随的成功率。

图6为本发明实施例提供的一种监控平台的结构示意图，参考附图6可知，本实施例提供了一种监控平台，其中，监控平台可以为可移动平台，而可移动平台可以包括移动机器人；具体的，该监控平台可以包括：

存储器601，用于存储计算机程序；

处理器602，用于运行存储器601中存储的计算机程序以实现：根据轨迹模型获取目标对象处于丢失状态时的预期运动状态，其中，目标对象为监控平台的监控对象，轨迹模型包括模型系数；获取目标对象处于监控状态时的观测位置；根据观测位置和预期运动状态确定模型系数，并基于所确定的模型系数更新轨迹模型；根据更新后的轨迹模型预测目标对象处于丢失状态时的运动轨迹。

其中，轨迹模型可以为多项式轨迹模型；预期运动状态可以包括：加速度和/或加速度的变化量。

进一步的，在处理器602根据观测位置和预期运动状态确定模型系数时，处理器602被配置为：

获取目标对象处于监控状态时的观测位置与预期位置之间的位置误差，根据位置误差确定目标对象的位置约束，其中，预期位置为根据轨迹模型确定出的与观测位置对应的目标对象的位置；

根据预期运动状态确定目标对象的运动状态约束；

基于位置约束和运动状态约束运行最小化拟合算法以确定模型系数。

另外，在处理器602根据预期运动状态确定目标对象的运动状态约束时，一种可实现的方式为，处理器602被配置为：

根据预期运动状态确定积分项，对积分项在预设时间段内进行积分运算以获取目标对象的运动状态约束，其中，预设时间段为目标对象处于丢失状态时的时间段。

另一种可实现的方式为，处理器602被配置为：

根据预期运动状态确定多个累加项，对多个累加项进行累加运算以获取目标对象的运动状态约束。

进一步的，处理器602被配置为：

在根据更新后的轨迹模型预测目标对象处于丢失状态时的运动轨迹之后，将运动轨迹发送给控制终端以使控制终端在交互界面上显示运动轨迹。

此外，在处理器602获取目标对象处于监控状态时的观测位置时，一种可实现的方式为，监控平台包括拍摄装置，处理器602被配置为：

获取拍摄装置输出的图像；

根据图像获取目标对象的观测位置，其中，图像中包括目标对象。

在处理器602获取目标对象处于监控状态时的观测位置时，另一种可实现的方式为，处理器602被配置为：

获取目标对象携带的控制终端发送的运动数据；

根据运动数据获取目标对象的观测位置。

进一步的，处理器602被配置为：

当目标对象处于丢失状态时，根据运动轨迹确定移动机器人的运动轨迹；

控制移动机器人按照运动轨迹进行移动。

其中，在处理器602根据运动轨迹确定移动机器人的运动轨迹时，处理器602被配置为：

将运动轨迹确定为移动机器人的运动轨迹。

本实施例中的监控平台可用于执行上述方法中图1-5所示实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图7为本发明实施例提供的另一种监控平台的结构示意图，参考附图7所示，本实施例提供了另一种监控平台，该监控平台可以包括：

处理模块701，用于根据轨迹模型获取目标对象处于丢失状态时的预期运动状态，其中，目标对象为监控平台的监控对象，轨迹模型包括模型系数；

获取模块702，用于获取目标对象处于监控状态时的观测位置；

确定模块703，用于根据观测位置和预期运动状态确定模型系数，并基于所确定的模型系数更新轨迹模型；

预测模块704，用于根据更新后的轨迹模型预测目标对象处于丢失状态时的运动轨迹。

本实施例中的监控平台可用于执行上述方法中图1-5所示实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本实施例的另一方面提供了一种计算机可读存储介质，该计算机可读存储介质中存储有程序指令，程序指令用于实现上述任意一个实施例的目标对象的运动轨迹预测方法。

以上各个实施例中的技术方案、技术特征在与本相冲突的情况下均可以单独，或者进行组合，只要未超出本领域技术人员的认知范围，均属于本申请保护范围内的等同实施例。

在本发明所提供的几个实施例中，应该理解到，所揭露的相关装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述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，作为单元显示的部件可以是或者也可以不是物理单元，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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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全部或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计算机处理器101(processor)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)、磁盘或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。