视频行为检测方法与系统、精彩视频回播系统及存储介质与流程
本发明涉及视频分析领域，特别是涉及一种视频行为检测方法与系统、精彩视频回播系统及存储介质。
背景技术：
在交通管理、安防监控、视频搜索等领域中，存在并大量使用了视频数据。视频中包含有大量的信息，但同时也包含了相当大量的无用噪声。在进一步处理之前，先对视频进行分割，比如定位感兴趣的行为的视频片段，以方便后续分析和处理，就显得非常重要。
现有视频行为检测方法中，一般采用时间轴候选框来定位视频内的行为。但是，现有方案存在定位精度较低，与行为片段的重叠率较低，可能包含有大量无用的背景视频片段等。
技术实现要素：
基于此，有必要针对现有视频行为检测方法存在的行为定位精度较低的问题，提供一种视频行为检测方法与系统、精彩视频回播系统及存储介质。
本申请一实施例提供了一种视频行为检测方法，包括：
对输入视频进行预处理，得到视频帧流；
利用3d卷积神经网络，对视频帧流进行特征提取，得到3d特征图；
对3d特征图进行空间和时间多尺度的特征提取操作，得到多个层级的时空特征图；
针对每个层级的时空特征图，获取预设锚点候选框，利用候选框预测层级网络，生成预测候选框；
利用行为分类网络，对预测候选框进行分类，得到行为检测结果。
在一些实施例中，所述候选框预测层级网络包括候选框分类预测网络和候选框回归网络，所述候选框分类预测网络，用于确定每个预设锚点候选框的候选框置信度；所述候选框回归网络，用于预测预设锚点候选框的偏移量；根据所述候选框置信度和偏移量，确定预测候选框。
在一些实施例中，所述预测候选框具有置信度；所述利用行为分类网络，对预测候选框进行分类，得到行为检测结果的步骤，具体包括：
基于置信度和重叠度，对所有层级的预测候选框进行筛选，得到筛选后的预测候选框；
对筛选后的预测候选框进行池化操作，得到预测候选框的固定维度特征；
利用行为分类网络，基于预测候选框的固定维度特征，对预测候选框进行分类，得到行为检测结果。
在一些实施例中，所述基于置信度和重叠度，对所有层级的预测候选框进行筛选的步骤，采用非极大值抑制方法。
本申请一实施例还提供了一种精彩视频回播方法，包括：
获取输入视频；
对输入视频进行预处理，得到视频帧流；
利用3d卷积神经网络，对视频帧流进行特征提取，得到3d特征图；
对3d特征图进行空间和时间多尺度的特征提取操作，得到多个层级的时空特征图；
针对每个层级的时空特征图，获取预设锚点候选框，利用候选框预测层级网络，生成预测候选框；
利用行为分类网络，对预测候选框进行分类，得到行为检测结果；
利用行为检测结果，对输入视频进行裁剪，得到回播视频片段；
播放回播视频片段。
本申请一实施例还提供了一种视频行为检测系统，包括：
预处理模块，用于对输入视频进行预处理，得到视频帧流；
3d特征提取模块，用于利用3d卷积神经网络，对视频帧流进行特征提取，得到3d特征图；
时空特征图生成单元，用于对3d特征图进行空间和时间多尺度的特征提取操作，得到多个层级的时空特征图；
预测候选框生成单元，用于针对每个层级的时空特征图，获取预设锚点候选框，利用候选框预测层级网络，得到预测候选框；
行为分类单元，用于利用行为分类网络，对预测候选框进行分类，得到行为检测结果。
在一些实施例中，所述预处理包括截帧、尺寸规范化以及滑动窗口处理。
在一些实施例中，所述行为分类单元，包括：
候选框筛选模块，用于基于置信度和重叠度，对所有层级的预测候选框进行筛选，得到筛选后的预测候选框；
维度调整模块，用于对筛选后的预测候选框进行池化操作，得到预测候选框的固定维度特征；
行为分类模块，用于利用行为分类网络，基于预测候选框的固定维度特征，对预测候选框进行分类，得到行为检测结果。
本申请另一实施例提供了一种精彩视频回播系统，视频获取单元、视频行为检测系统、视频裁剪单元及视频播放单元，
所述视频获取单元，用于获取输入视频，以输出给视频行为检测系统；
所述视频行为检测系统为前述实施例任一项所述的视频行为检测系统，用于对输入视频进行行为检测，得到行为检测结果；
视频裁剪单元，用于接收视频行为检测系统输出的行为检测结果，对输入视频进行裁剪，得到回播视频片段；
视频播放单元，用于播放回播视频片段。
本申请还提供了一种机器可读存储介质，其上存储有计算机程序，其中所述计算机程序在由处理器执行时实现前述任一项实施例所述的视频行为检测方法。
本申请实施例提供的视频行为检测方案，利用时空特征金字塔网络提取包含空间多尺度和时间多尺度的多个层级的时空特征图，并利用基于时序点分布的预设锚点候选框和候选框分类预测网络，自动生成每个层级的预测候选框，最后利用行为分类网络，确定预测候选框的行为类别，输出行为检测结果。相对于现有方案，本申请实施例提供的方法，可以适应多尺度的目标以及多种时序的行为，确定的视频中行为的时间片段更加准确。
附图说明
图1为本申请一实施例的视频行为检测方法的流程示意图；
图2为本申请一实施例的视频行为检测方法中s500的细化流程示意图；
图3为本申请一实施例的精彩视频回播方法的流程示意图；
图4为本申请的视频行为检测方法与现有方案之间的检测结果对比图；
图5为本申请一实施例的视频行为检测系统的结构示意图；
图6为本申请一实施例的视频行为检测系统的网络结构示意图；
图7为本申请一实施例中的候选框预测层级网络的结构示意图；
图8为本申请一实施例的精彩视频回播系统的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施方式及实施方式中的特征可以相互组合。
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方式的目的，不是旨在于限制本发明。
如图1所示，本申请一实施例公开了一种视频行为检测方法，包括：
s100，对输入视频进行预处理，得到视频帧流；
由于输入视频的来源可能有很多种，输入视频在图像尺寸、帧率等方面可能会存在相当的差异，为了方便后续处理，需要对输入视频进行预处理。
预处理可以包括截帧、尺寸规范化以及滑动窗口处理中的一个或多个。截帧，就是截取输入视频的特定帧。截帧是按照一定的频率来进行的，示例的，可以按照25帧/s的截帧频率，对输入视频进行视频帧的截取。截帧频率，可以根据系统需要进行设置。
尺寸规范化，就是对截取的视频帧进行缩放操作，以得到相同尺寸的图像。滑动窗口处理，就是利用滑动窗口算法，将输入视频划分为若干批次的视频帧流，以进入后续的处理过程。滑动窗口的大小、步长，可以根据需要进行设置。示例的，在一个实施例中，滑动窗口的大小设置为512帧，步长为128帧。根据步长的设置值，相邻批次的视频帧流之间，可能会存在一定的重叠帧。是否存在重叠帧，以及重叠帧的数量，由步长的实际取值来确定。通过将步长的帧数设置为小于滑动窗口的帧数，相邻批次的视频帧流之间存在重叠帧，可以避免在后续处理中漏掉精彩动作。
s200，利用3d卷积神经网络，对视频帧流进行特征提取，得到3d特征图；
3d卷积神经网络，可以是任意结构的3d卷积神经网络，只要能够进行3d特征提取即可。将视频帧流输入到3d卷积神经网络，提取3d特征图。提取的3d特征图，可以同时保留有时序信息和空间信息。
在一些实施例中，3d卷积神经网络具体使用c3d网络。示例的，c3d网络可以包括有8个卷积层和5个池化层，使用3*3*3结构的3d卷积核。提取的3d特征图记为
可以理解的是，c3d网络，还可以有其他的变形结构。根据实际需要，3d卷积神经网络，可以采用其他类似c3d网络，或者其他结构的3d卷积神经网络结构。
s300，对3d特征图进行空间和时间多尺度的特征提取操作，得到多个层级的时空特征图；
可以预先设置一个时空特征金字塔网络，用于进行多尺度的特征提取操作。为了适应目标尺寸上的多尺度分布以及行为的不同时序分布情况，如图5及图6所示，时空特征金字塔网络包括n个时空特征分支网络301，n为大于1的正整数，每个时空特征分支网络301用于获取不同空间和时间尺度的时空特征图，分别得到各个层级的时空特征图。所有时空特征分支网络301的结果，即为多个层级的时空特征图。
每个时空特征分支网络301获得的对应层级的时空特征图，至少具有不同空间分辨率和不同时间下采样步长。空间分辨率的差异，可以适应检测不同尺度的目标；而时间下采样步长的差异，可以帮助检测不同时间尺度的行为。在一些实施例中，每个时空特征分支网络301获得的对应层级的时空特征图还可以具有不同的通道数，以减少计算量，提升处理效率。
以利用c3d网络提取的3d特征图取为例，如图6所示，设定n为4，时空特征金字塔网络300包括4个时空特征分支网络301，从上往下分别为时空特征分支网络一、二、三、四。定义c3d网络输出的3d特征图为
为了保障高层级的时空特征分支网络301可以获取更加高阶的语义信息，时空特征分支网络301可以相互级联，也就是说，下一层级的时空特征分支网络301，以上一层级的时空特征分支网络301的输出结果为输入。以图6示出的时空特征金字塔网络300为例，从上往下分别为时空特征分支网络一、二、三、四，3d卷积神经网络200的输出结果，作为时空特征分支网络一的输入；时空特征分支网络一的输出结果，作为时空特征分支网络二的输入；时空特征分支网络二的输出结果，作为时空特征分支网络三的输入；时空特征分支网络三的输出结果，作为时空特征分支网络四的输入。示例的，还可以对上一层级的时空特征分支网络301的输出结果，做时间和空间的下采样，下采样的结果作为下一层级的时空特征分支网络301的输入。
s400，针对每个层级的时空特征图，获取预设锚点候选框，利用候选框预测层级网络，生成预测候选框；
针对每个层级的时空特征图，可以预先设置预设锚点候选框。预设锚点候选框的锚点，可以均匀分布在对应层级的时空特征图的时序点上。示例的，设定时空特征图的维度大小为256×l/ll×hs×ws，其中l为时序长度，ll为时间下采样步长，l/ll表示时序点数量，空间分辨率为hs×ws，每个空间点有256维的特征，每个时序点上对应一个三维特征图
可以预设一个多层级候选框生成网络，可以包括n个候选框预测层级网络(proposaldetector)410。每个候选框预测层级网络410对应时空特征金字塔网络中的一个时空特征分支网络301设置，也就是说，一个候选框预测层级网络410，接收对应时空特征分支网络301输出的对应层级的时空特征图，并进行处理。
每个候选框预测层级网络410，至少包括一个候选框分类预测网络401。候选框分类预测网络401，可以为事先训练好的神经网络。在一些实施例中，候选框分类预测网络401为全连接层网络。候选框分类预测网络401使用的卷积核的大小可以1×hs×ws。
为了训练候选框分类预测网络401，可以先构建真实行为活动(ground-truthactivityactivity，gt)的训练数据。同时，为预设锚点候选框指定标签，分表代表属于兴趣行为或者不属于兴趣行为。如果预设锚点候选框与某一个真实行为活动gt之间的时序交并比(temporalintersectionoverunion，tiu)最高，或者预设锚点候选框与任意一个真实行为活动gt之间的时序交并比tiu均超过第一阈值，比如0.7，则可以将该预设锚点候选框设置为正样本。反之，如果预设锚点候选框与所有真实行为活动gt之间的时序交并比tiu均低于第二阈值，比如0.3，则该预设锚点候选框设置为负样本。真实行为活动gt、正样本的预设锚点候选框和负样本的预设锚点候选框，共同用于训练候选框分类预测网络401。示例的，正样本与负样本的比例可以为1:1。可以理解的是，正样本与负样本的比例也可以是其他值。
如图7所示，对于一个层级的时空特征图，对应的候选框分类预测网络401可以得到每个预设锚点候选框的候选框置信度。候选框置信度，就是该预设锚点候选框包含兴趣行为的概率。基于候选框置信度，可以去掉低于置信度阈值的预设锚点候选框，从而得到预测候选框。
为了使得预测候选框更加贴合一个层级的时空特征图中的行为，如图7所示，候选框预测层级网络410还可以包括有候选框回归网络402，用于预测预设锚点候选框的偏移量。在确定预测候选框时，可以利用候选框回归网络402得到的偏移量，对预测候选框进行位置调整和大小缩放。
与候选框分类预测网络401相似的，候选框回归网络402可以为事先训练好的神经网络，比如全连接层网络，使用1×hs×ws大小的卷积核。候选框回归网络402的训练方式，与候选框分类预测网络401相似。
s500，利用行为分类网络，对预测候选框进行分类，得到行为检测结果。
可以预先训练行为分类网络。行为分类网络可以是常见的神经网络。汇总所有层级的预测候选框，然后输入到行为分类网络中进行分类，即可确定各个预测候选框所属的行为类别。因为预测候选框本身包含有时序点的信息，再结合预测候选框的行为类别，即可确定某一行为的时间片段，即可得到包含有预测候选框以及行为类别的行为检测结果。
行为分类网络的训练，与候选框分类预测网络的训练相似。但是，二者仍有一定的区别。训练行为分类网络时，给定候选框的标签不是二类别标签，而是根据多个行为类型的标签。同样的，行为分类网络的训练，也需要构建候选框的正样本和负样本。其中，如果候选框与给定的一个真实行为活动gt之间，具有最高的时序交并比tiu，或者与任意一个真实行为活动gt之间的时序交并比大于第三阈值，比如0.5，则该候选框设置为正样本。反之，如果候选框与所有真实行为活动gt之间的时序交并比均小于第三阈值，则该候选框为负样本。候选框的正样本、负样本以及真实行为活动gt共同构成行为分类网络的训练数据。在一些实施例中，正样本与负样本的比例为1:3。可以理解的是，根据实际需要，正样本与负样本的比例，也可以是其他比值。
在一些实施例中，为了方便行为分类网络接收预测候选框，并降低多个层级的预测候选框之间重叠导致的计算量浪费，预测候选框具有置信度，如图2所示，步骤s500，可以具体包括：
s510，基于置信度和重叠度，对所有层级的预测候选框进行筛选，得到筛选后的预测候选框；
预测候选框本身可以带有置信度数据。基于同一个目标行为，即使在同一个层级的预测候选框中，也可能会有多个不同的预测候选框。那么，当汇总所有层级的预测候选框之后，就可能会存在非常多的重叠的预测候选框。预测候选框之间，可以计算重叠度。示例的，可以交并比(intersectionoverunion，iou)，来度量预测候选框之间的重叠度。
在一些实施例中，根据预测候选框的置信度以及重叠度，可以采用非极大值抑制方法(non-maximumsuppression，nms)，来过滤高重叠度和低置信度的预测候选框，得到高质量的预测候选框。具体的，可以先在同一层级的预测候选框中，采用非极大值抑制方法nms进行筛选，得到第一次筛选的预测候选框。然后，汇总所有层级中的第一次筛选的预测候选框，再次使用非极大值抑制方法nms进行筛选，得到最终的、筛选后的预测候选框。
可以理解的是，对预测候选框的筛选，还可以采用其他寻找局部最大值的方案，比如softnms方法等，只要能够过滤多余的候选框，而保留优选的候选框即可。通过对预测候选框的筛选，可以减少候选框的数量，避免误判，提升后续行为分类的准确度和效率。
s520，对筛选后的预测候选框进行池化操作，得到预测候选框的固定维度特征；
一般的，行为分类网络会对输入数据的维度有一定要求。因此，可以对筛选后的预测候选框进行池化操作，以得到预测候选框的固定维度特征。示例的，可以利用3droi池化方式，将筛选后的预测候选框规范为固定维度的特征。固定维度特征的维度，可以预先设置，也可以根据实际情况进行调整。
s530，利用行为分类网络，基于预测候选框的固定维度特征，对预测候选框进行分类，得到行为检测结果。
通过对预测候选框进行筛选、池化操作，可以过滤掉多余的、重复的候选框，并规范输入到行为分类网络中的数据维度，方便行为分类网络的接收与处理，提升分类处理的效率和准确性。
在一些实施例中，在步骤s520之前，还可以利用预先训练的第二回归网络，用于对筛选后的预测候选框进行时序偏移量修正。第二回归网络的结构以及训练，与前面的候选框回归网络402相似。通过再次回归操作，可以对候选框的时序边界进行修正，提升时序边界定位的精度。
可以理解的是，在一些实施例中，步骤s510、s520也可以仅执行其中一个步骤。
如图4所示，比较了本申请与现有视频行为检测方案r-c3d的检测结果比对。其中，最上层的视频帧表示输入的视频，gt表示视频中的真实行为活动，对应的时间轴上，深色区域表示gt所在时间片段。在r-c3d、本申请对应的时间轴上，仅显示了检测结果认为的兴趣行为所在时间片段。从中可以看到，现有方案r-c3d的检测结果中，包含了大量的背景时间片段，同时还存在未能检测出一个行为片段的问题。相比之下，本申请的检测结果，完全检测出了所有行为片段，并且，检测出的行为片段与真实行为活动具有非常高的重叠度。
本申请实施例提供的视频行为检测方法，利用时空特征金字塔网络提取包含空间多尺度和时间多尺度的多个层级的时空特征图，并利用基于时序点分布的预设锚点候选框和候选框分类预测网络，自动生成每个层级的预测候选框，最后利用行为分类网络，确定预测候选框的行为类别，输出行为检测结果。相对于现有方案，本申请实施例提供的方法，可以适应多尺度的目标以及多种时序的行为，确定的视频中行为的时间片段更加准确。
本申请另一实施例还提供了一种精彩视频回播方法，如图3所示，包括：
s010，获取输入视频；
根据需要，可以从视频源，获取输入视频，比如转播视频、直播视频，以方便后续进行精彩片段的回播处理。
s2100，对输入视频进行预处理，得到视频帧流；
s2200，利用3d卷积神经网络，对视频帧流进行特征提取，得到3d特征图；
s2300，对3d特征图进行空间和时间多尺度的特征提取操作，得到多个层级的时空特征图；
s2400，针对每个层级的时空特征图，获取预设锚点候选框，利用候选框预测层级网络，得到预测候选框；
s2500，利用行为分类网络，对预测候选框进行分类，得到行为检测结果；
步骤2100-s2500，与前面的视频行为检测方法中的s200-s500相同，其具体工作方式，可以参见前面的描述，在此不再赘述。
s2600，利用行为检测结果，对输入视频进行裁剪，得到回播视频片段；
s2700，播放回播视频片段。
本申请实施例提供的精彩视频回播方法，可以自动进行视频中的行为检测，并根据行为检测结果确定回播片段，实现了自动回播精彩片段；并且，基于空间多尺度和时间多尺度的多个层级的时空特征图而进行的行为检测，可以适应多尺度的目标以及多种时序的行为，回播视频片段更加准确。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
如图5及图6所示，本申请一实施例公开了一种视频行为检测系统10，包括：
预处理模块100，用于对输入视频进行预处理，得到视频帧流；
3d特征提取模块200，用于利用3d卷积神经网络，对视频帧流进行特征提取，得到3d特征图；
时空特征图生成单元300，用于对3d特征图进行空间和时间多尺度的特征提取操作，得到多个层级的时空特征图；
预测候选框生成单元400，用于针对每个层级的时空特征图，获取预设锚点候选框，利用候选框预测层级网络，得到预测候选框；
行为分类单元500，用于利用行为分类网络，对预测候选框进行分类，得到行为检测结果。
时空特征图生成单元300，可以设置有时空特征金字塔网络，时空特征金字塔网络可以具体包括n个时空特征分支网络301。预测候选框生成单元400，可以设置有多层级候选框生成网络，可以对应包括n个候选框预测层级网络410。
预处理模块100、3d特征提取模块200、时空特征图生成单元300、预测候选框生成单元400以及行为分类单元500的具体工作方式，可以参见前面视频行为检测方法实施例中的描述，在此不再赘述。
在一些实施例中，如图7所示，候选框预测层级网络410还可以包括有候选框回归网络402，用于预测预设锚点候选框的偏移量。在确定预测候选框时，可以利用候选框回归网络402得到的偏移量，对预测候选框进行位置调整和大小缩放，使得预测候选框更加贴合一个层级的时空特征图中的行为。
在一些实施例中，如图5所示，行为分类单元500，可以具体包括候选框筛选模块501、维度调整模块502以及行为分类模块510，其中，
候选框筛选模块501，用于基于置信度和重叠度，对所有层级的预测候选框进行筛选，得到筛选后的预测候选框；
维度调整模块502，用于对筛选后的预测候选框进行池化操作，得到预测候选框的固定维度特征；
行为分类模块510，用于利用行为分类网络，基于预测候选框的固定维度特征，对预测候选框进行分类，得到行为检测结果。
候选框筛选模块501、维度调整模块502以及行为分类模块510的具体工作方式，可以参见前面视频行为检测方法中s510、s520、s530的描述。
本申请实施例提供的视频行为检测系统，利用时空特征金字塔网络提取包含空间多尺度和时间多尺度的多个层级的时空特征图，并利用基于时序点分布的预设锚点候选框和候选框分类预测网络，自动生成每个层级的预测候选框，最后利用行为分类网络，确定预测候选框的行为类别，输出行为检测结果。相对于现有方案，本申请实施例提供的方法，可以适应多尺度的目标以及多种时序的行为，确定的视频中行为的时间片段更加准确。
本申请另一实施例还提供了一种精彩视频回播系统，如图8所示，包括有前述的视频行为检测系统10，用于对输入视频进行行为检测，得到行为检测结果；还包括：
视频获取单元010，用于获取输入视频，以输出给视频行为检测系统10；
视频裁剪单元600，用于接收视频行为检测系统10输出的行为检测结果，对输入视频进行裁剪，得到回播视频片段；
视频播放单元700，用于播放回播视频片段。
本申请实施例提供的精彩视频回播系统，可以自动进行视频中的行为检测，并根据行为检测结果确定回播片段，实现了自动回播精彩片段；并且，基于空间多尺度和时间多尺度的多个层级的时空特征图而进行的行为检测，可以适应多尺度的目标以及多种时序的行为，回播视频片段更加准确。
本申请一实施例提供一种机器可读存储介质，其上存储有计算机程序，其中所述计算机程序在由处理器执行时实现上述任一实施例所述的视频行为检测方法。
本申请一实施例提供一种机器可读存储介质，其上存储有计算机程序，其中所述计算机程序在由处理器执行时实现上述任一实施例所述的精彩视频回播方法。
所述系统/计算机装置集成的部件/模块/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，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个具体实施方式中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施方式仅仅是示意性的，例如，所述部件的划分，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。
另外，在本发明各个实施例中的各功能模块/部件可以集成在相同处理模块/部件中，也可以是各个模块/部件单独物理存在，也可以两个或两个以上模块/部件集成在相同模块/部件中。上述集成的模块/部件既可以采用硬件的形式实现，也可以采用硬件加软件功能模块/部件的形式实现。
对于本领域技术人员而言，显然本发明实施例不限于上述示范性实施例的细节，而且在不背离本发明实施例的精神或基本特征的情况下，能够以其他的具体形式实现本发明实施例。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明实施例的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！