人脸图片特征比对方法、装置、计算机设备及存储介质与流程

本发明涉及信息技术领域，特别是涉及一种人脸图片特征比对方法、装置、计算机设备及存储介质。

背景技术：

目前，随着人工智能应用的普及，人脸识别等人工智能技术的应用越来越广泛。人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。对于人脸识别过程中给予用户的体验也逐步受到各大厂商的重视，如何提高人脸识别的速度是各大厂商目前亟待解决的难题。

在传统技术中，摄像头通常都是仅仅单纯依靠cpu进行视频数据处理，然而在密集人群场景中，例如大量人脸底库(10万及以上)这种需要大量实时人脸识别时，仅依靠cpu进行处理显然会导致cpu负荷过高，出现性能不足的问题，最终导致了人脸识别速度的降低。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种可以提高人脸识别速度的人脸图片特征比对方法、装置、计算机设备及存储介质。

一种人脸图片特征比对方法，所述方法包括：

获取视频数据，并将获取到的视频数据进行格式转换；

将转换后的数据通过深度学习算法进行人脸检测识别提取特征值，得到人脸图片特征值；

将所述人脸图片特征值进行归一化处理，并将归一化后的人脸图片特征值送给特征值比对线程进行特征值比对；

将一部分人脸图片特征值通过cpu与人脸库图片特征值进行余弦相似度计算，并将另外一部分人脸图片特征值通过dsp与人脸库图片特征值进行余弦相似度计算；

获取计算结果中余弦相似度最大的多个结果，并输出所述余弦相似度最大的多个结果。

在其中一个实施例中，所述将一部分人脸图片特征值通过cpu与人脸库图片特征值进行余弦相似度计算的步骤还包括：

将归一化后的人脸图片特征值与人脸库里已经归一化好的人脸特征值进行余弦相似度计算；

依次将计算好的余弦相似度放入结果缓冲区，并按照计算结果的大小进行排序；

输出余弦相似度最高的多个计算结果。

在其中一个实施例中，所述将另外一部分人脸图片特征值通过dsp与人脸库图片特征值进行余弦相似度计算的步骤还包括：

将人脸库图片特征值拷贝到人脸库输入数据内存；

将归一化后的人脸图片特征值拷贝到人脸图片输入数据内存；

将dsp参数放入dsp参数传递数据内存；

给dsp发送计算余弦相似度指令，以使dsp计算所述人脸图片特征值与所述人脸库图片特征值的余弦相似度。

在其中一个实施例中，所述dsp计算所述人脸图片特征值与所述人脸库图片特征值的余弦相似度的步骤还包括：

dsp获取所述计算余弦相似度指令，并通过idma控制器将dsp计算余弦相似度函数参数从cpu的内存拷贝到dsp的栈内存；

从dsp内存池中申请2个内存用于pingpong模式，并采用pingpong模式传输人脸库数据；

从dsp参数中解析出待计算的人脸图片数目和人脸库图片数目，并计算人脸图片特征值与人脸库图片特征值的余弦相似度；

将dsp计算的余弦相似度结果输出到cpu计算的结果内存中并进行排序，输出所有计算结果中余弦相似度最高的n个计算结果，其中n为正整数。

一种人脸图片特征比对装置，所述装置包括：

格式转换模块，所述格式转换模块用于获取视频数据，并将获取到的视频数据进行格式转换；

特征提取模块，所述特征提取模块用于将转换后的数据通过深度学习算法进行人脸检测识别提取特征值，得到人脸图片特征值；

归一化处理模块，所述归一化处理模块用于将所述人脸图片特征值进行归一化处理，并将归一化后的人脸图片特征值送给特征值比对线程进行特征值比对；

第一计算模块，所述第一计算模块用于将一部分人脸图片特征值通过cpu与人脸库图片特征值进行余弦相似度计算；

第二计算模块，所述第二计算模块用于将另外一部分人脸图片特征值通过dsp与人脸库图片特征值进行余弦相似度计算；

结果输出模块，所述结果输出模块用于获取计算结果中余弦相似度最大的多个结果，并输出所述余弦相似度最大的多个结果。

在其中一个实施例中，所述第一计算模块还用于：

将归一化后的人脸图片特征值与人脸库里已经归一化好的人脸特征值进行余弦相似度计算；

依次将计算好的余弦相似度放入结果缓冲区，并按照计算结果的大小进行排序；

输出余弦相似度最高的多个计算结果。

在其中一个实施例中，所述第二计算模块还用于：

将人脸库图片特征值拷贝到人脸库输入数据内存；

将归一化后的人脸图片特征值拷贝到人脸图片输入数据内存；

将dsp参数放入dsp参数传递数据内存；

给dsp发送计算余弦相似度指令，以使dsp计算所述人脸图片特征值与所述人脸库图片特征值的余弦相似度。

在其中一个实施例中，所述第二计算模块还用于：

dsp获取所述计算余弦相似度指令，并通过idma控制器将dsp计算余弦相似度函数参数从cpu的内存拷贝到dsp的栈内存；

从dsp内存池中申请2个内存用于pingpong模式，并采用pingpong模式传输人脸库数据；

从dsp参数中解析出待计算的人脸图片数目和人脸库图片数目，并计算人脸图片特征值与人脸库图片特征值的余弦相似度；

将dsp计算的余弦相似度结果输出到cpu计算的结果内存中并进行排序，输出所有计算结果中余弦相似度最高的n个计算结果，其中n为正整数。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项方法的步骤。

上述人脸图片特征比对方法、装置、计算机设备及存储介质，通过加入dsp计算，有效地提高每秒能同时比对的人脸张数，实现了提高人脸识别的速度。对于没有使用dsp的对手厂商，在每秒能同时比对识别的人数的规格上超过了对手，提高了产品的竞争力。此外，相对于单纯使用cpu来进行人脸图片跟人脸库比对，使用dsp来分担计算可以有效减少cpu负荷，可以腾出cpu用于处理其他业务，减少cpu的消耗。

附图说明

图1为一个实施例中人脸图片特征比对方法的应用环境图；

图2为一个实施例中人脸图片特征比对方法的流程示意图；

图3为另一个实施例中人脸图片特征比对方法的流程示意图；

图4为再一个实施例中人脸图片特征比对方法的流程示意图；

图5为又一个实施例中人脸图片特征比对方法的流程示意图；

图6为一个实施例中人脸图片特征比对装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本发明提供的人脸图片特征比对方法可以应用于如图1所示的应用环境中，该应用环境中包括：摄像头110以及终端设备120。具体地，首先将摄像头110采集进来的视频数据采用bt709色域通过海思hi3519a芯片转换成nv21数据。接着，送给深度学习算法进行人脸检测识别提取特征值，送给特征值比对线程进行特征值比对。特征值比对线程把一部分人脸图片特征值用cpu跟人脸库进行余弦相似度计算，获取余弦相似度最大的n个结果。把另外一部分人脸图片特征值用dsp跟人脸库进行余弦相似度计算，获取余弦相似度最大的n个结果。最后，将余弦相似度最大的n个结果输出送给终端设备120，并在终端设备120上通过网页进行显示。

在一个实施例中，如图2所示，提供了一种人脸图片特征比对方法，该方法应用于如图1所示应用环境中的摄像头110中包括：

步骤202，获取视频数据，并将获取到的视频数据进行格式转换。

在本实施例中，摄像头通过传感器采集获取视频数据，并将采集到的视频数据发给海思hi3519a芯片的视频输入通道，然后视频输入通道采用bt709色域把视频数据转换成nv21数据。其中，海思hi3519a芯片上集成了dsp芯片：tensilicavisionp6dsp@630mhz。dsp芯片也称数字信号处理器，是一种特别适合于进行数字信号处理运算的微处理器，其主要应用是实时快速地实现各种数字信号处理算法。

步骤204，将转换后的数据通过深度学习算法进行人脸检测识别提取特征值，得到人脸图片特征值。

在本实施例中，当数据格式转换完成之后，把nv21数据送给深度学习算法进行人脸检测识别提取特征值，得到人脸图片特征值。

步骤206，将人脸图片特征值进行归一化处理，并将归一化后的人脸图片特征值送给特征值比对线程进行特征值比对。

在本实施例中，送给特征值比对线程进行特征值比对前，先将人脸图片特征值变成一个向量，向量的每个分量都是一个特征值，然后将其归一化。

n维向量e＝{e1,e2,...,en}

其模为|e|＝√(e1²+e2²+...+en²)

那么其归一化向量为e0＝e/|e|＝[1/√(e1²+e22+...+en²)]*{e1,e2,...,en}

其中，e1,e2,….,en为人脸特征值。

步骤208，将一部分人脸图片特征值通过cpu与人脸库图片特征值进行余弦相似度计算，并将另外一部分人脸图片特征值通过dsp与人脸库图片特征值进行余弦相似度计算。

余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。

余弦相似性通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1，而其他任何角度的余弦值都不大于1；并且其最小值是-1。从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。两个向量有相同的指向时，余弦相似度的值为1；两个向量夹角为90°时，余弦相似度的值为0；两个向量指向完全相反的方向时，余弦相似度的值为-1。

两个向量间的余弦值可以通过使用欧几里得点积公式求出：

a·b＝||a||||b||cosθ.

给定两个属性向量，a和b，其余弦相似性θ由点积和向量长度给出，如下所示：

这里的ai，bi分别代表向量a和b的各分量。

在本实施例中，区别于传统技术中单纯使用cpu来进行人脸图片跟人脸库比对，使用dsp来分担计算可以有效减少cpu负荷，可以腾出cpu用于处理其他业务。具体地，在密集人群场景，大量人脸底库(10万及以上)这种需要大量实时人脸识别时，通过加入dsp计算，有效提高了每秒能同时比对的人脸张数，减少cpu消耗。此外，相对于普通的dsp算法，通过引进pingpong内存处理模式，可以有效的提高了dsp的性能，减少了dsp处理的耗时。ping-pong是一种数据缓冲的方法，能够同时利用两个数据缓冲区达到数据连续传输，提高性能的目的，让一个缓冲区在进行传输，但不阻塞程序运行，让程序用另外一个已经传输好的缓冲区进行处理，从而提高效率。

步骤210，获取计算结果中余弦相似度最大的多个结果，并输出余弦相似度最大的多个结果。

在本实施例中，首先，将用dsp计算好的人脸图片特征值向量和人脸库里所有图片的特征值向量的余弦相似度输出到cpu结果内存并排序。然后，输出余弦相似度最高的n个。最后，将余弦相似度最大的n个结果输出送给网页进行显示。

在本实施例中，通过加入dsp计算，通过加入dsp计算，有效地提高每秒能同时比对的人脸张数，实现了提高人脸识别的速度。对于没有使用dsp的对手厂商，在每秒能同时比对识别的人数的规格上超过了对手，提高了产品的竞争力。此外，相对于单纯使用cpu来进行人脸图片跟人脸库比对，使用dsp来分担计算可以有效减少cpu负荷，可以腾出cpu用于处理其他业务，减少cpu的消耗。同时使用dsp的pingpong工作模式和批量传输模式，并在计算余弦相似度时使用批量计算方法，提升了dsp计算余弦相似度的性能。

在一个实施例中，如图3所示，提供了一种人脸图片特征比对方法，该方法中将一部分人脸图片特征值通过cpu与人脸库图片特征值进行余弦相似度计算的步骤还包括：

步骤302，将归一化后的人脸图片特征值与人脸库里已经归一化好的人脸特征值进行余弦相似度计算；

步骤304，依次将计算好的余弦相似度放入结果缓冲区，并按照计算结果的大小进行排序；

步骤306，输出余弦相似度最高的多个计算结果。

在本实施例中，具体的计算过程分为以下几步：

首先，将归一化后的人脸特征值跟人脸库里已经归一化好的人脸特征值进行余弦相似度计算，并将结果输出。

例如人脸特征值为：n维向量e＝{e1,e2,...,en}

其模为|e|＝√(e1²+e2²+...+en²)

人脸库里一个人脸的特征值为：n维向量a＝{a1,a2,...,an}

其模为|a|＝√(a1²+a2²+...+an²)

余弦相似度为：cos_similar＝(e1*a1+e2*a2+…+en*an)/(|e|*|a|)

由于向量已经归一化，所以|e|＝1，|a|＝1

公式变成：cos_similar＝(e1*a1+e2*a2+…+en*an)

接着，将人脸图片特征值向量和人脸库里所有图片的特征值向量一个个计算好的余弦相似度放入结果缓冲区并排序，最后，输出余弦相似度最高的n个。

在一个实施例中，如图4所示，提供了一种人脸图片特征比对方法，该方法中将另外一部分人脸图片特征值通过dsp与人脸库图片特征值进行余弦相似度计算的步骤还包括：

步骤402，将人脸库图片特征值拷贝到人脸库输入数据内存；

步骤404，将归一化后的人脸图片特征值拷贝到人脸图片输入数据内存；

步骤406，将dsp参数放入dsp参数传递数据内存；

步骤408，给dsp发送计算余弦相似度指令，以使dsp计算人脸图片特征值与人脸库图片特征值的余弦相似度。

在本实施例中，以海思hi3519a芯片举例说明通过dsp实现与人脸库图片特征值进行余弦相似度计算的具体步骤，包括：

首先，申请海思硬件用内存，包括人脸图片输入数据内存、人脸库输入数据内存、余弦相似度计算结果输出数据内存，以及用于dsp参数传递的内存。

接着，将人脸库特征值向量数据拷贝到人脸库输入数据的海思硬件用内存。将多个人脸图片特征值向量数据拷贝到人脸图片数据的海思硬件用内存。将dsp函数的参数放入dsp参数传递的海思硬件用数据内存，

其中，dsp参数包括批量处理的人脸图片数目，人脸库的特征值数目，每个特征值的大小，输入的人脸图片数据的硬件用内存的物理地址，人脸库数据的硬件内存的物理地址，输出的余弦相似度结果的硬件用物理地址等。

最后，给dsp发指令，让dsp一个个计算人脸图片特征值向量和人脸库所有图片向量的余弦相似度。

在一个实施例中，如图5所示，提供了一种人脸图片特征比对方法，该方法中dsp计算人脸图片特征值与人脸库图片特征值的余弦相似度的步骤还包括：

步骤502，dsp获取计算余弦相似度指令，并通过idma控制器将dsp计算余弦相似度函数参数从cpu的内存拷贝到dsp的栈内存；

步骤504，从dsp内存池中申请2个内存用于pingpong模式，并采用pingpong模式传输人脸库数据；

步骤506，从dsp参数中解析出待计算的人脸图片数目和人脸库图片数目，并计算人脸图片特征值与人脸库图片特征值的余弦相似度；

步骤508，将dsp计算的余弦相似度结果输出到cpu计算的结果内存中并进行排序，输出所有计算结果中余弦相似度最高的n个计算结果，其中n为正整数。

具体地，在本实施例中为了进一步提升dsp用于人脸比对的计算性能，提供了一种具体的通过dsp计算人脸图片特征值与人脸库图片特征值的余弦相似度的步骤，包括：

首先，dsp收到计算余弦相似度的指令，把dsp计算余弦相似度函数参数用idma控制器把参数从cpu的内存拷贝到dsp的栈内存。

然后，从dsp内存池中申请2个内存用于pingpong模式，传输人脸库数据。为方便起见，这2个内存分别叫ping内存和pong内存。

最后，从dsp参数中解析出待计算的人脸图片的数目和人脸库图片的数目。并计算人脸图片特征值跟人脸库图片特征值的余弦相似度。

此外值得说明还包括以下几点：

第一、由于dsp内存限制(只能申请几百k字节的内存)，所以一次只能传输m(目前为80)个人脸库特征值。第二，数据传输时采用ping，pong内存模式，发出传输指令后不等待其传输完毕，直接去处理已经传输完毕的内存，提高性能。第三，人脸图片特征值向量和人脸库里的图片特征值向量计算余弦相似度时，对于每次余弦相似度计算，都要用以下计算代码：

一次计算32个分量。实际测试表明，一次计算32个分量性能最好，在10万人脸库图片的条件下测试，10个人脸图片跟人脸底库比对，一次性计算32个分量的总耗时只有1次性计算1分量耗时的一半左右。一次性计算4/8/16/64/128/256/512分量经过测试，耗时都没有一次性计算32分量低。

计算人脸图片特征值跟人脸库图片特征值的余弦相似度的算法为：

为方便说明起见，以下用c语言伪编码进行说明：

//循环处理每个人脸图片

for(intm＝0；m<人脸图片数目；m++)

{

1、将此图片的特征值向量用idma控制器，把数据从cpu的内存拷贝到dsp栈内存。idma控制器的目的是实现任何两个内部内存之间数据块的快速搬移，包括一级程序内存(l1p)、一级数据内存(l1d)以及二级内存(l2)，或外部外设配置内存(即向外设配置寄存器写值)。idma的优势还是在于能够在较慢的l2和较快的l1(包括l1p&l1d)之间快速搬移数据。相对于cache，它的延时更少，因为idma在后台运行。

2、首先通过idma控制器，把cpu内存中人脸库的前m(目前为80)个人脸特征值放入ping内存，但不等待它传输完毕，直接进入下一步(这里不等待是为了提高传输效率)。

3、总共需要的人脸库循环处理次数＝人脸库人脸图片总数/每次批量处理数，这里要求人脸库人脸图片总数为每次批量处理数的倍数。

for(intk＝0；k<总共需要的人脸库处理循环次数；k++)

{

1、将人脸库中下一批量，总共m个人脸向量，通过idma控制器，把cpu内存中这一批量的内存放入dsp的pong内存，但不等待它传输完毕，直接进入下一步(这里不等待是为了提高传输效率)。进入下一步就是不等待pong内存处理完毕，而直接处理已经传输完的ping内存。

2、等待ping内存传输完毕。

for(intn＝0；n<此批量处理的人脸图片数m(这里为80)；n++)

{

对于这一批量的人脸库图片特征值向量，计算当前人脸图片特征值向量跟人脸库里的当前处理批量的人脸图片特征值向量的余弦相似度，并放入结果的dsp内存中。

}

将此批量处理的余弦相似度结果从dsp内存输出到cpu内存，供cpu使用。

}

}

在本实施例中，相对于普通的dsp算法，通过引进了pingpong内存处理模式，有效的提高了dsp的性能，减少了dsp处理的耗时。此外，通过一次性计算人脸图片特征值的32个分量(总共有512个分量)，减少了对dsp栈内存存储的dsp性能消耗，极大减少了dsp算法处理耗时，提升了dsp处理性能。最后，通过采用了批量传输处理，一次性传输人脸库m个向量(这里为80个)进行处理，有效的减少了io消耗，减少了数据传输部分的消耗，提高了dsp处理性能。

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种人脸图片特征比对装置600，该装置包括：

格式转换模块601，用于获取视频数据，并将获取到的视频数据进行格式转换；

特征提取模块602，用于将转换后的数据通过深度学习算法进行人脸检测识别提取特征值，得到人脸图片特征值；

归一化处理模块603，用于将所述人脸图片特征值进行归一化处理，并将归一化后的人脸图片特征值送给特征值比对线程进行特征值比对；

第一计算模块604，用于将一部分人脸图片特征值通过cpu与人脸库图片特征值进行余弦相似度计算；

第二计算模块605，用于将另外一部分人脸图片特征值通过dsp与人脸库图片特征值进行余弦相似度计算；

结果输出模块606，用于获取计算结果中余弦相似度最大的多个结果，并输出所述余弦相似度最大的多个结果。

在一个实施例中，第一计算模块604还用于：

将归一化后的人脸图片特征值与人脸库里已经归一化好的人脸特征值进行余弦相似度计算；

依次将计算好的余弦相似度放入结果缓冲区，并按照计算结果的大小进行排序；

输出余弦相似度最高的多个计算结果。

在一个实施例中，第二计算模块605还用于：

将人脸库图片特征值拷贝到人脸库输入数据内存；

将归一化后的人脸图片特征值拷贝到人脸图片输入数据内存；

将dsp参数放入dsp参数传递数据内存；

给dsp发送计算余弦相似度指令，以使dsp计算所述人脸图片特征值与所述人脸库图片特征值的余弦相似度。

在一个实施例中，第二计算模块605还用于：

dsp获取所述计算余弦相似度指令，并通过idma控制器将dsp计算余弦相似度函数参数从cpu的内存拷贝到dsp的栈内存；

从dsp内存池中申请2个内存用于pingpong模式，并采用pingpong模式传输人脸库数据；

从dsp参数中解析出待计算的人脸图片数目和人脸库图片数目，并计算人脸图片特征值与人脸库图片特征值的余弦相似度；

将dsp计算的余弦相似度结果输出到cpu计算的结果内存中并进行排序，输出所有计算结果中余弦相似度最高的n个计算结果，其中n为正整数。

关于人脸图片特征比对装置的具体限定可以参见上文中对于人脸图片特征比对方法的限定，在此不再赘述。

在一个实施例中，提供了一种计算机设备，其内部结构图可以如图7所示。该计算机设备包括通过装置总线连接的处理器、存储器以及网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作装置、计算机程序和数据库。该内存储器为非易失性存储介质中的操作装置和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸图片特征比对方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以上各个方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以上各个方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。