障碍物位置识别方法、装置、计算机设备和存储介质与流程
本申请涉及计算机技术领域，特别是涉及一种障碍物意图识别方法、装置、计算机设备和存储介质。
背景技术：
随着人工智能技术的发展，出现了自动驾驶技术，自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。目前可以通过传感器融合来实现自动驾驶，通过利用包含整个车尾的图像车尾检测和深度检测，估计前方障碍物在三维空间中的位置信息。
然而，目前的传感器融合方式需要包含整个车尾的图像二维车尾检测。所有只有当整个障碍物在进入相机识别中，才会进行传感器融合。即在障碍物部分进入相机视野内时，不会利用车身(例如进入相机视野的车头)或部分车尾进行图像检测，可能会导致只使用深度传感器的信息来估计该部分进入相机视野内障碍物的位置，从而无法获取最优的障碍物估计位置，导致造成自动驾驶性能缺陷。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提高自动驾驶过程中的障碍物意图识别的准确性，从而提高自动驾驶性能的障碍物位置识别方法、装置、计算机设备和存储介质。
一种障碍物位置识别方法，所述方法包括：
获取传感器观测信息，传感器观测信息包括障碍物对应的深度信息、平面区域信息和主体区域信息；将深度信息、平面区域信息和主体区域信息进行相似匹配，当深度信息、平面区域信息和主体区域信息相似匹配一致时，确定目标障碍物；获取目标障碍物对应的预设位置信息，分别计算深度信息、平面区域信息和主体区域信息与预设位置信息之间的距离误差信息；根据距离误差信息计算传感器观测信息在预设位置信息下的条件概率分布；对条件概率分布进行估计，得到目标障碍物对应的目标位置信息。
一种障碍物位置识别装置，所述装置包括：
信息获取模块，用于获取传感器观测信息，传感器观测信息包括障碍物对应的深度信息、平面区域信息和主体区域信息；
信息匹配模块，用于将深度信息、平面区域信息和主体区域信息进行相似匹配，当深度信息、平面区域信息和主体区域信息相似匹配一致时，确定目标障碍物；
误差计算模块，用于获取目标障碍物对应的预设位置信息，分别计算深度信息、平面区域信息和主体区域信息与预设位置信息之间的距离误差信息；
条件分布计算模块，用于根据距离误差信息计算传感器观测信息在预设位置信息下的条件概率分布；
位置得到模块，用于对条件概率分布进行估计，得到目标障碍物对应的目标位置信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取传感器观测信息，传感器观测信息包括障碍物对应的深度信息、平面区域信息和主体区域信息；将深度信息、平面区域信息和主体区域信息进行相似匹配，当深度信息、平面区域信息和主体区域信息相似匹配一致时，确定目标障碍物；获取目标障碍物对应的预设位置信息，分别计算深度信息、平面区域信息和主体区域信息与预设位置信息之间的距离误差信息；根据距离误差信息计算传感器观测信息在预设位置信息下的条件概率分布；对条件概率分布进行估计，得到目标障碍物对应的目标位置信息。
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以下步骤：
获取传感器观测信息，传感器观测信息包括障碍物对应的深度信息、平面区域信息和主体区域信息；将深度信息、平面区域信息和主体区域信息进行相似匹配，当深度信息、平面区域信息和主体区域信息相似匹配一致时，确定目标障碍物；获取目标障碍物对应的预设位置信息，分别计算深度信息、平面区域信息和主体区域信息与预设位置信息之间的距离误差信息；根据距离误差信息计算传感器观测信息在预设位置信息下的条件概率分布；对条件概率分布进行估计，得到目标障碍物对应的目标位置信息。
上述障碍物位置识别方法、装置、计算机设备和存储介质。通过将传感器观测信息进行匹配，确定目标障碍物，然后计算目标障碍物的距离误差信息，使用距离误差信息计算传感器观测信息在预设位置下的条件概率分布，对条件概率分布进行估计，得到目标障碍物对应的目标位置信息，能够提高对部分进入相机视野内障碍物位置估计的精准性，从而提升了自动驾驶的性能。
附图说明
图1为一个实施例中障碍物位置识别方法的应用环境图；
图2为一个实施例中障碍物位置识别方法的流程示意图；
图2a为另一个实施例中障碍物位置识别方法的流程示意图；
图3为一个实施例中获取传感器观测信息的流程示意图；
图3a为一个具体实施例中基于像素的图像分割结果示意图；
图4为一个具体实施例中车载终端显示的传感器观测信息的示意图；
图5为一个实施例中确定目标障碍物的流程示意图；
图6为另一个实施例中确定目标障碍物的流程示意图；
图7为又一个实施例中障碍物位置识别方法的流程示意图；
图8为一个实施例中障碍物位置的平面示意图；
图9为再一个实施例中障碍物位置识别方法的流程示意图；
图10为一个实施例中确定条件概率分布的流程示意图；
图11为一个具体实施例中障碍物在平面位置的示意图；
图12为一个具体实施例中车载终端显示的像素平面观测结果的示意图；
图13为一个具体实施例中进行障碍物追踪的流程示意图；
图13a为图13实施例中车载终端显示右侧部分车身的车辆航姿的示意图；
图14为一个具体实施例中障碍物位置识别方法的流程示意图；
图15为一个实施例中障碍物位置识别装置的结构框图；
图16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。
人工智能(artificialintelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(computervision,cv)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(machinelearning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，自定驾驶技术有着广泛的应用前景。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的计算机视觉技术、机器学习和自动驾驶等技术，具体通过如下实施例进行说明:
本申请提供的障碍物位置识别方法，可以应用于如图1所示的应用环境中。其中，传感器102通过网络与车载终端104进行通信。车载终端104获取传感器观测信息，传感器观测信息包括障碍物对应的深度信息、平面区域信息和主体区域信息；车载终端104将深度信息、平面区域信息和主体区域信息进行相似匹配，当深度信息、平面区域信息和主体区域信息相似匹配一致时，确定目标障碍物；车载终端104获取目标障碍物对应的预设位置信息，分别计算深度信息、平面区域信息和主体区域信息与预设位置信息之间的距离误差信息；车载终端104根据距离误差信息计算传感器观测信息在预设位置信息下的条件概率分布；车载终端104对条件概率分布进行估计，得到目标障碍物对应的目标位置信息。其中，车载终端104可以但不限于是各种计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。传感器可以但不限于视频图像传感器和深度传感器。
在一个实施例中，如图2所示，提供了一种障碍物位置识别方法，以该方法应用于图1中的车载终端为例进行说明，包括以下步骤：
s202，获取传感器观测信息，传感器观测信息包括障碍物对应的深度信息、平面区域信息和主体区域信息。
其中，传感器是指安装在车辆上，能够观测车辆周围一定范围的设备，比如，视频图像传感器和，深度传感器等等，其中，视频图像传感器用于进行视频图像的观测，包括但不限于摄像头和摄像机。深度传感器用于观测深度信息，包括但不限于激光雷达和毫米波雷达。可以通过各种传感器获取到传感器观测信息。障碍物是指能够对运动中的车辆造成阻碍的物体，包括，其他车辆，物体，行人和动物等等。
其中，该深度信息是指使用深度传感器观测得到障碍物的信息，该深度信息用于表征障碍物的三维位置。比如，以车辆中心为坐标原点，则得到的深度信息为障碍物的三维坐标。平面区域信息是根据摄像头或者摄像机拍摄的视频图像进行障碍物二维检测，得到障碍物的二维信息。主体是指视频图像中主要表现的对象，比如，图像中的车辆、人和物体等等。主体区域信息是指对摄像头或者摄像机拍摄的视频图像进行像素级目标分割后，得到的视频图像中的各个像素区域，同一类物体是同一种像素，每个物体都有自己对应的像素区域。比如，每个车辆对应的像素区域、每个人对应的像素区域、每个物体对应的像素区域等等。
具体地，车载终端可以直接从传感器获取到传感器观测信息，该传感器观测信息包括障碍物对应的深度信息、平面区域信息和主体区域信息。即传感器在得到的原始观测信息时，对原始观测信息进行处理，然后处理后得到的传感器观测信息发送车载终端。其中，摄像头在获取到视频图像时，对视频图像进行二维检测和像素级目标分割得到平面区域信息和主体区域信息，将平面区域信息和主体区域信息发送至车载终端。深度传感器获取到原始的激光反射点信息进行转换得到障碍物对应的深度信息，将深度信息发送至车载终端。。
在一个实施例中，车载终端可以从传感器获取到原始观测信息，然后对原始观测信息进行处理得到传感器观测信息。其中，车载终端可以从摄像头获取到视频图像，车载终端对视频图像进行二维检测和像素级目标分割，得到平面区域信息和主体区域信息。同时车载终端可以从激光雷达获取到原始的激光反射点信息，然后对激光反射点信息进行转换得到障碍物对应的深度信息。
s204，将深度信息、平面区域信息和主体区域信息进行相似匹配，当深度信息、平面区域信息和主体区域信息相似匹配一致时，确定目标障碍物。
其中，相似匹配是指使用相似度匹配算法将深度信息、平面区域信息和主体区域信息两两进行匹配，用于判断深度信息、平面区域信息和主体区域信息是否为同一障碍物的信息。其中，相似度匹配算法可以是欧式距离相似度算法，余弦距离相似度算法等等，比如，使用欧式距离相似度算法计算深度信息在平面图像中的投影信息分别与平面区域信息和主体区域信息之间的相似度，根据相似度得到匹配结果，当深度信息分别与平面区域信息和主体区域信息匹配成功时，确定匹配成功的深度信息、平面区域信息和主体区域信息属于同一障碍物。目标障碍物是指同时具有深度信息、平面区域信息和主体区域信息的障碍物。
具体地，由于不同的观测器观测的范围不一致，当车辆周围有多个障碍物时，有些障碍物无法被同时观测到。比如，一个障碍物被摄像头观测到且未被激光雷达观测到。此时，就只能得到该障碍物的平面区域信息和主体区域信息，无法获取到深度信息。因此，车载终端将得到的所有深度信息、平面区域信息和主体区域信息进行相似匹配，当深度信息、平面区域信息和主体区域信息相似匹配一致时，说明属于同一个障碍物。此时，将深度信息、平面区域信息和主体区域信息相似匹配一致的障碍物作为目标障碍物。
s206，获取目标障碍物对应的预设位置信息，分别计算深度信息、所述平面区域信息和主体区域信息与预设位置信息之间的距离误差信息。
其中，预设位置信息是指预先假设的目标障碍物对应的三维位置信息。比如，预设位置信息可以是假设好的三维坐标信息。距离误差信息是指深度信息与预设位置信息之间的三维位置距离误差信息，或者是指平面区域信息与预设位置信息之间的平面位置距离误差信息，或者是指主体区域信息与预设位置信息之间的平面距离误差信息。三维位置距离误差信息是指在空间三维上的距离误差信息。平面距离误差信息是指将预设位置信息投影到平面时，计算得到的平面二维上的距离误差信息。
具体地，车载终端获取目标障碍物对应的预设位置信息，然后分别计算深度信息与预设位置信息之间的三维位置距离误差信息，平面区域信息与预设位置信息之间的平面位置距离误差信息和主体区域信息与预设位置信息之间的平面距离误差信息。
s212，根据距离误差信息计算传感器观测信息在预设位置信息下的条件概率分布。
s214，对条件概率分布进行估计，得到目标障碍物对应的目标位置信息。
其中，条件概率分布是指对于二维随机变量(x，y)，可以考虑在其中一个随机变量取得(可能的)固定值的条件下，另一随机变量的概率分布，这样得到的x或y的概率分布叫做条件概率分布，简称条件分布。目标位置信息用于表征目标障碍物的实际位置，可以包括三维世界中的坐标点和航向角。
具体地，车载终端可以根据各个距离误差信息计算传感器观测信息在预设位置信息下的条件概率分布，在最大化条件概率分布时，对条件概率分布进行估计，得到目标障碍物对应的目标位置信息。比如，可以根据该条件概率分布使用最大似然估计算法获取目标障碍物对应的目标位置信息。也可以利用概率分布估计算法获取目标障碍物对应的目标位置信息。
上述障碍物位置识别方法、装置、计算机设备和存储介质，通过获取到传感器观测信息，然后使用传感器观测信息进行传感器观测的融合，即使用深度信息、平面区域信息和主体区域信息分别计算距离误差信息，然后通过距离误差信息计算传感器观测信息在预设位置信息下的条件概率分布，并对对条件概率分布进行估计，得到目标障碍物对应的目标位置信息，能够对传感器边界的部分障碍物进行传感器观测的融合，使位于传感器视野边界的障碍物的位置估计质量得到提高，从而提升了自动驾驶的性能。
在一个实施例中，如图3所示，步骤s202，即获取传感器观测信息，传感器观测信息包括障碍物对应的深度信息、平面区域信息和主体区域信息，包括步骤：
s302，获取到障碍物对应的各个初始三维点信息，将初始三维点信息进行转换，得到目标三维点信息，将目标三维点信息作为障碍物对应的深度信息。
其中，初始三维点信息是指深度传感器获取最原始的障碍物三维点信息，比如，使用激光雷达进行观测得到的障碍物上多个激光反射点的三维位置。使用毫米波雷达时，还可以获取到障碍物的速度信息。
具体地，服务器通过深度传感器获取到观测到的各个障碍物对应的初始三维点信息，将每个障碍物对应的初始三维点信息进行转换，得到障碍物上的预先设置好的固定位置三维点的信息。其中，该固定位置可以是障碍物的角点或者边沿中心等等。固定位置的转换精度由传感器测量的精度和障碍物反射点的数量决定。
s304，获取视频图像，对视频图像中的障碍物进行检测，得到障碍物对应的平面区域信息。
其中，视频图像是指通过图像传感器拍摄得到的图像，比如，通过安装在车辆上的摄像头拍摄得到的图像。
具体地，车载终端获取到图像传感器拍摄得到的视频图像，可以使用预设建立的机器学习算法模型对视频图像中的障碍物进行二维目标检测，其中，机器学习算法可以使用卷积神经网络算法。根据检测结果得到障碍物对应的平面区域信息，该平面区域信息可以是视频图像中的各个二维框。其中，该平面区域信息可以是部分障碍物的平面区域信息。比如，如图4所示，左侧前方车辆只检测到车身的二维框区域(图中白色的二维框)，该二维框就是该车辆的平面区域信息。
s306，基于像素对视频图像进行主体分割，得到障碍物对应的主体区域信息。
具体地，主体分割是指对视频图像中的主体进行图像分割。图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。可以使用机器学习算法对视频图像基于像素进行分割，产生像素分割结果，机器学习算法可以是深度学习算法，比如，卷积神经网络(convolutionalneuralnetwork)、dbn和堆栈自编码网络(stackedauto-encodernetwork)。即得到视频图像中各个障碍物对应的主体区域信息。在一个具体的实施例中，得到的像素分割结果如图3a所示，其中，人体以黄色的像素区域进行显示，车辆以蓝色的像素区域进行显示，人体上的背包以红色的区域显示等等。
在上述实施例中，通过在车载终端中对初始三维点信息和视频图像进行处理，得到深度信息、平面区域信息和主体区域信息，提高了得到深度信息、平面区域信息和主体区域信息的精准性。
在一个实施例中，将初始三维点信息进行转换，得到目标三维点信息，包括：
将各个初始三维点信息进行几何拟合，得到几何信息；从几何信息中选取目标三维点信息。
具体地，几何拟合是指对各个初始三维点信息进行几何形状的拟合，几何信息是指对各个初始三维点信息拟合得到的几何形状的信息。比如，该几何信息可以是一条直线的信息，也可以是“l”形状的信息。可以从几何信息中选取几何形状的端点信息作为目标三维点信息，也可以从几何信息中选取角点信息作为目标三维点信息，也可以选取几何信息中的中心点信息作为目标三维点信息。
在上述实施例中，通过将各个初始三维点信息进行几何拟合，从几何信息中选取目标三维点信息，使得到的目标三维点信息能够更加的准确。
在一个实施例中，如图5所示，步骤s204，将深度信息、平面区域信息和主体区域信息进行相似匹配，当深度信息、平面区域信息和主体区域信息相似匹配一致时，确定目标障碍物，包括步骤：
s502a，将深度信息与平面区域信息进行相似匹配。
s502b，将深度信息与主体区域信息进行相似匹配。
s504，判断深度信息分别与平面区域信息和主体区域信息是否一致。
s506，当深度信息分别与平面区域信息和主体区域信息一致时确定目标障碍物。
具体地，使用深度信息分别与图像中所有的平面区域信息和主体区域信息进行相似匹配，当深度信息与平面区域信息一致且深度信息与主体区域信息一致，则说明平面区域信息与主体区域信息一致，此时说明该深度信息、平面区域信息和主体区域信息是同一障碍物对应的信息，将该同一障碍物作为目标障碍物。当深度信息与所有的平面区域信息不一致且深度信息与所有的主体区域信息不一致时，说明未观测到深度信息对应的障碍物对应的平面区域信息和主体区域信息，此时该深度信息对应的障碍物不是目标障碍物。
在一个实施例中，可以使用平面区域信息分别与所有的深度信息和所有的主体区域信息进行相似匹配，当主体区域信息分别与其中一个障碍物的深度信息和其中一个障碍物的主体区域信息一致时，确定目标障碍物。
在一个实施例中，可以使用主体区域信息分别与深度信息和平面区域信息进行相似匹配，当主体区域信息分别与其中一个障碍物的深度信息和其中一个障碍物的平面区域信息一致时，确定目标障碍物。
在一个实施例中，深度信息对应的障碍物不是目标障碍物时，还可以直接使用深度信息对障碍物进行位置跟踪。具体来说：当有9个障碍物同时处于摄像头和雷达传感器的视野内，有1个障碍物单独处于摄像头视野内，有3个障碍物单独处于雷达传感器视野内。此时，在进行匹配时，确定得到9个目标障碍物和4个得不到匹配的障碍物，此时可以根据这4个障碍物对应的观测信息进行位置追踪，不进行传感器信息融合，从而能够使每个障碍物都得到位置追踪。
在上述实施例中，通过将深度信息分别与平面区域信息和主体区域信息进行相似匹配，确定目标障碍物，使不同传感器观测得到的信息得到统一，即确定同一障碍物对应的深度信息、平面区域信息和主体区域信息，便于后续进行传感器信息融合。
在一个实施例中，如图6所示，步骤s502a，即将深度信息与平面区域信息进行相似匹配，包括步骤：
s602a，计算深度信息对应的平面投影信息，根据平面投影信息计算对应的平面投影区域信息。
s604a，计算平面投影区域信息与平面区域信息的平面相似性，根据平面相似度确定平面匹配结果。
其中，平面投影信息是指深度信息在二维平面的投影信息，比如，深度信息是三维坐标，平面投影信息可以是将三维坐标投影到二维平面的二维坐标。平面投影区域信息是指根据平面投影信息生成的区域得到的信息，比如，根据投影得到的二维点坐标，在二维平面内生成以二维点坐标为中心的平面区域。平面相似性是指平面区域信息与平面投影区域信息之间的重合度，当重合度越高时，平面相似性越高，比如，可以计算平面区域信息每个坐标点与平面投影区域信息中每个坐标点之间的距离，根据距离确定重合度，距离为0的坐标点数量越多，重合度越高，平面相似度越高。比如，还可以获取到平面区域信息中的坐标极值点与平面投影区域信息中的坐标极值点，计算坐标极值点的距离，根据距离确定重合度，最终得到平面相似度。平面匹配结果是指根据平面相似性确定的深度信息与平面区域信息是否一致的结果。
具体地，车载终端使用相似度算法计算平面投影区域信息与平面区域信息的平面相似性，当平面相似性超过预设阈值时，得到深度信息与平面区域信息一致的平面匹配结果。当平面相似性未超过预设阈值时，得到深度信息与平面区域信息未一致的平面匹配结果。其中，相似度算法可以使用欧式距离相似度算法，余弦相似度算法等等。
在一个实施例中，如图6所示，步骤s502b，将深度信息与主体区域信息进行相似匹配，包括步骤：
s602b，计算深度信息对应的平面投影信息。
s604b，计算平面投影信息与主体区域信息的主体相似性，根据主体相似度确定主体匹配结果。
其中，主体相似性是指深度信息与主体区域信息的相似度。主体匹配结果是指深度信息与主体区域信息是否一致的匹配结果。
具体地，车载终端计算深度信息对应的平面投影信息，然后根据平面投影信息与主体区域信息直接使用相似度算法计算主体相似性，当主体相似性超过预设主体相似阈值时，得到深度信息与主体区域信息一致的匹配结果，当主体相似性未超过预设主体相似阈值时，得到深度信息与主体区域信息未一致的匹配结果。
在上述实施例中，通过使用相似度算法计算深度信息与主体区域信息的相似度，根据相似度确定深度信息与主体区域信息是否一致的匹配结果，提高了得到的匹配结果的准确性。
在一个实施例中，如图2a所示，步骤s206，分别计算深度信息、平面区域信息和主体区域信息与预设位置信息之间的距离误差信息，包括步骤：
s206a，计算深度信息与预设位置信息之间的三维位置误差信息。
其中，三维位置误差信息是指预设位置信息与深度信息之间的在三维世界的位置误差。该位置误差可以是从深度信息转换至预设位置信息的位移，也可以包括深度信息本身的观测误差。
具体地，车载终端获取到预先假设好的目标障碍物对应的位置信息，计算出深度信息与预设位置信息之间的三维位置误差信息。
s206b，获取空间与平面的映射关系，根据映射关系计算预设位置信息对应的平面线信息，计算主体区域信息与平面线信息的平面线距离误差信息。
其中，空间与平面的映射关系是指车辆空间坐标系到像素平面的映射关系，包括横坐标映射关系和纵坐标映射关系，车辆空间坐标系是指以搭载车载终端的车辆中心为原点的空间坐标系。平面线信息是指预设位置信息投影到平面图形中时得到的平面线信息，该平面线信息是一条障碍物边沿与地面相交的直线，该边沿是靠近搭载车载终端车辆的边沿。平面线距离误差信息是指主体区域信息与平面线信息之间的距离误差，该距离误差可以是主体区域信息中所有像素点与平面线信息之间的距离误差之和。
具体地，车载终端获取空间与平面的映射关系，根据该映射关系将预设位置信息投影得到障碍物像素平面，得到对应的平面线信息，计算主体区域信息中每个像素点与平面线信息的距离误差信息，然后将每个像素点对应的距离误差信息进行求和计算，得到平面线距离误差信息。
s206c，根据映射关系计算预设位置信息对应的平面横纵信息，计算平面区域信息与平面横纵信息的平面横纵误差信息。
具体地，平面横纵信息是指将预设位置信息中的横坐标信息投影到图像平面时对应的平面横坐标信息，或者将预设位置信息中的纵坐标信息投影到图像平面时对应的平面纵坐标信息。平面横纵误差信息是指平面区域信息中横坐标信息与预设位置信息对应的平面横坐标信息之间的误差信息，或者是指平面区域信息中纵坐标信息与预设位置信息对应的平面纵坐标信息之间的误差信息。车载终端根据映射关系计算出预设位置信息对应的平面横纵信息，然后计算平面区域信息与平面横纵信息的平面横纵误差信息。
在上述实施例中，通过分别计算得到三维位置误差信息、平面线距离误差信息和平面横纵误差信息，然后使用三维位置误差信息、平面线距离误差信息和平面横纵误差信息计算传感器观测信息在预设位置信息下的条件概率分布，能够得到更加准确的条件概率分布。
在一个实施例中，步骤s206a，即计算深度信息与预设位置信息之间的三维位置误差信息，包括步骤：
获取预设位置信息与深度信息之间的关联关系，根据关联关系计算深度信息与预设位置信息之间的三维位置误差信息。
其中，关联关系是预设设置好的预设位置信息与深度信息之间的关系，该关系是指深度信息的位置与三维位置误差信息的误差位移之和为预设位置信息的位置。
具体地，车载终端获取预设位置信息与深度信息之间的关联关系，根据关联关系计算深度信息与预设位置信息之间的三维位置误差信息。
在一个实施例中，步骤s206b，即计算主体区域信息与平面线信息的平面线距离误差信息，包括步骤：
计算主体区域信息与平面线信息之间的距离，并获取调节常数；根据距离和调节常数计算主体区域信息与平面线信息的平面线距离误差信息。
具体地，车载终端计算主体区域信息中每个分割像素到平面线信息中平面线之间的距离。调节常数用于调节主体区域信息中每个分割像素在平面线的同一侧，是需要预先设置好的。计算每个距离平方，然后与调节常数相乘，得到每个分割像素的距离误差，然后将每个分割像素的距离误差求和，得到主体区域信息与平面线信息的平面线距离误差信息。
在一个实施例中，如图7所示，步骤s206c，即根据映射关系计算预设位置信息对应的平面横纵信息，计算平面区域信息与平面横纵信息的平面横纵误差信息，包括步骤：
s702，当预设位置信息为处于目标障碍物第一位置时，获取映射关系中的横坐标映射关系。
s704，根据横坐标映射关系和预设位置信息确定平面横坐标极值，根据平面横坐标极值和横坐标映射关系计算平面横坐标误差信息。
其中，目标障碍物第一位置是指在目标障碍物的前方位置。比如，如图8所示，障碍物车辆在x-z平面的示意图中，z表示与车载终端的车辆平行的方向，x表示与车载终端的车辆车体垂直的方向，虚线表示前视摄像头的视野边界。在左侧的示意图中，障碍物车辆的车尾还未出现在视野中。则障碍物车辆的第一位置为障碍物车辆的前方角点处，也即靠近原点的角点处，即左侧图中的黑色点处。
平面横坐标极值是指预设位置信息和平面区域信息中平面横坐标误差信息之和，用于表征障碍物与车辆之间的横坐标位置。
具体地，当预设位置信息为处于目标障碍物第一位置时，此时，障碍物的纵坐标位置无法确定。则可以获取映射关系中的横坐标映射关系，根据横坐标映射关系和预设位置信息确定平面横坐标极值。根据平面横坐标极值和横坐标映射关系计算平面横坐标误差信息。
在一个实施例中，如图9所示，步骤s206c，根据映射关系计算预设位置信息对应的平面横纵信息，计算平面区域信息与平面横纵信息的平面横纵误差信息，包括：
s902，当预设位置信息为处于目标障碍物第二位置时，获取映射关系中的纵坐标映射关系。
s904，根据纵坐标映射关系和预设位置信息确定平面纵坐标极值，根据平面纵坐标极值和纵坐标映射关系计算平面纵坐标误差信息。
其中，目标障碍物第一位置是指在目标障碍物的后方位置。比如，如图8所示，障碍物车辆在x-z平面的示意图中，z表示与车载终端的车辆平行的方向，x表示与车载终端的车辆车体垂直的方向，虚线表示前视摄像头的视野边界。在右侧的示意图中，障碍物车辆的车尾部分出现在视野中。则障碍物车辆的第二位置为障碍物车辆的后方角点处，也即靠近原点的角点处，即右侧图中的黑色点处。
平面纵坐标极值是指预设位置信息和平面区域信息中平面纵坐标误差信息之和，用于表征障碍物与车辆之间的纵坐标位置。
具体地，当预设位置信息为处于目标障碍物第二位置时，此时，障碍物的横坐标位置无法确定。则可以获取映射关系中的纵坐标映射关系，根据纵坐标映射关系和预设位置信息确定平面纵坐标的极小值。根据平面总坐标极小值和总坐标映射关系计算平面纵坐标误差信息。
在上述实施例中，通过确定预设位置信息与深度信息、平面区域信息和主体区域信息之间的误差信息，能够使部分障碍物进入视野时的位置误差信息更加的准确。
在一个实施例中，距离误差信息包括三维位置误差信息、平面线距离误差信息和平面横纵误差信息，则如图10所示，步骤s212，即根据三维位置误差信息、平面线距离误差信息和平面横纵误差信息计算传感器观测信息在预设位置信息下的条件概率分布，包括步骤：
s1002，根据三维位置误差信息计算深度信息在预设位置信息下的第一条件概率分布。
s1004，根据平面线距离误差信息计算主体区域信息在预设位置信息下的第二条件概率分布。
s1006，根据平面横纵误差信息计算平面区域信息在预设位置信息下的第三条件概率分布。
s1008，根据第一条件概率分布、第二条件概率分布和第三条件概率分布确定传感器观测信息在预设位置信息下的条件概率分布。
具体地，当得到三维位置误差信息、平面线距离误差信息和平面横纵误差信息时，分别计算对应的条件概率分布，即得到了第一条件概率分布、第二条件概率分布和第三条件概率分别，计算第一条件概率分布、第二条件概率分布和第三条件概率的乘积得到传感器观测信息在预设位置信息下的条件概率分布。
在一个具体的实施例中，可以通过传感器观测信息在预设位置信息下的条件概率分布，通过条件概率分布估计得到障碍物位置，具体来说：
车辆空间坐标系定义如下：以车载终端对应的车辆中心为原点，z轴与车辆车体平行，x轴与车辆车体垂直，y轴竖直指向地面。如图11所示，矩形为障碍物在车辆空间坐标系的x-z平面的示意图。若假设障碍物的关键点位置对应的坐标为(xp，yp，zp)，则xp可表征为xp＝x0+czp，其中，c为障碍物左边缘对应的在x-z平面的直线斜率，x0为直线与x轴的交点位置，即使用c和x0来表征障碍物左边缘在x-z平面的位置约束。yp＝关键点位置距离地面高度。zp为关键点位置距离车辆的深度距离。假设yp已知时，当车辆不断移动，即zp变化时，坐标(xp，yp，zp)沿障碍物左边缘移动。因此，关键点位置可以由变量x0，c和zp唯一确定。
此时，使用毫米波雷达获取到深度信息中固定点坐标xr和zr。得到关键点位置与深度信息之间的关系为如公式(1)所示：
其中，nx和nz为关键点位置和深度信息之间的位置误差。当该位置误差概率分布已知时，深度信息在x0，c和zp假设下的条件概率分布为如公式(2)所示：
f(深度观察|x0,c,zp)＝fnxnz(x0+czp-xr,zp-zr)公式(2)
其中，fnxnz是指位置误差的联合概率分布函数。
如图12所示，为像素平面中观测结果的示意图。其中，像素横坐标为u，像素纵坐标为v。图中虚线为障碍物靠近车辆坐标系原点边缘接地直接在像素平面中的投影。其中，左侧障碍物车辆对应的平面区域信息(图中白色二维框)中靠近图像中心的横坐标的极值为uinner，靠近图像中心的纵坐标的极小值为vbottom，白色二维框与虚线的交点(图中白色圆点)为关键点位置在像素平面中的投影位置。此时获取到车辆空间坐标系中任意一点与投影点的关系如公式(3)所示：
其中，g(x,y,z)函数和h(x,y,z)函数表示车辆空间坐标系到像素横纵坐标的映射。则根据公式(1)和公式(3)可得障碍物车辆左边缘接地直线与投影到像素平面的关系式为公式(4)所示：
其中，ulvl表示投影到像素平面的障碍物车辆左边缘接地直线，该直线是一条约束线，约束像素在线的同一侧。根据上式可知像素分割结果与像素平面中直线ulvl相切。则计算得到基于像素的图像分割在x0，c和zp假设下的条件概率分布为如公式(5)所示:
其中，f为单调减函数。n表示该障碍物对应的主体区域信息中像素的数目。
当关键点位置在障碍物车辆前方时，如图8左侧图所示。计算得到障碍物车辆的平面区域信息朝图像中心的像素横坐标极值满足如公式(6)所示：
uinner＝g(x0+czp,yp,zp)+nu公式(6)
其中，nu表示平面区域信息中横坐标的误差。当已知该误差的概率分布时，计算得到平面区域信息中横坐标极值在x0，c和zp假设下的条件概率分布为如公式(7)所示：
其中，uinner-g(x0+czp,yp,zp)表示平面区域信息中横坐标的误差信息。
当关键点位置在障碍物车辆后方时，如图8右侧图所示。计算得到障碍物车辆的平面区域信息朝图像中心的像素纵坐标极小值满足如公式(8)所示：
vbottom＝h(x0+cztize,yp,ztize)+nv公式(8)
其中，nv表示平面区域信息中纵坐标的误差，ztize是指障碍物车辆图像中与车载终端的车辆最近的车轮接地点的深度。则计算得到平面区域信息中纵坐标极小值在x0，c和zp假设下的条件概率分布为如公式(9)所示：
其中，vbottom-h(x0+cztize,yp,ztize表示平面区域信息中纵坐标的误差。
因此，根据公式(7)和公式(9)得到平面区域信息在x0，c和zp假设下的条件概率分布为如公式(10)所示：
综上所示，得到传感器观测信息在关键点位置参数x0，c和zp假设下的条件概率分布为如公式(11)所示：
此时，参数x0，c和zp的最大似然估计可以为公式(12)所示：
然后根据参数x0，c和zp的均值和协方差计算得到关键点位置信息。
在一个实施例中，当参数x0，c和zp的先验概率分布已知时，计算参数x0，c和zp相对所有传感器观测信息的条件期望得到参数x0，c和zp的均值和协方差。如公式(13)所示：
使用贝叶斯公式，得到参数x0，c和zp对所有传感器观测信息的条件概率为公式(14)所示：
其中，f(x0,c,zp)是参数x0，c和zp的先验概率分布。k为归一化因子，可以使用参数x0，c和zp的条件概率f(x0,c,zp|观测信息)求和为1近似求解。则得到参数x0，c和zp相对所有传感器观测信息的条件期望为
则根据公式(15)和公式(13)就得到了参数x0，c和zp的最小均方差估计，即相对观察信息的条件期望。当条件期望确定后，根据协方差的定义，可以根据多个采样的参数点估计条件协方差，根据参数x0，c和zp的均值和协方差计算得到关键点位置信息。在一个实施例中，可以使用重要性采样方法减少上述积分的计算复杂度，提高计算效率。
在上述实施例中，通过计算得到参数的值，然后得到关键点位置信息，提高了得到障碍物位置的准确性。
在一个实施例中，在步骤s241之后，即在对条件概率分布进行估计，得到目标障碍物对应的目标位置信息之后，还包括步骤：
获取车道线信息，根据目标位置信息和车道线信息确定目标障碍物对应的意图。
其中，车道线信息是指车辆在道路中行驶的车道的范围标线信息。如图12中路面中所示的白色标线。车载终端通过摄像头获取到视频图像，识别视频图像中的车道线信息，比如，可以通过预先建立的机器学习算法模型来识别视频图像中的车道线信息，其中，机器学习算法可以是卷积神经网络算法等等。然后可以获取到一段时间内的目标障碍对应的各个有时序的目标位置信息，或者也可以按照预设设置好的时间间隔来获取到传感器观测信息，从而得到目标障碍对应的各个目标位置信息。通过计算各个目标位置信息与车道线信息的距离来确定目标障碍物是否有压线插入的意图。当各个目标位置信息与车道线信息的距离是越来越小时，说明目标障碍物有压线插入的意图，当各个目标位置信息与车道线信息的距离保持稳定不变时，说明目标障碍物未有压线插入的意图。
在一个实施例中，也可以通过识别视频图像中的车载终端对应的车辆的可通行区域，根据可通行区域和目标位置信息来判断目标障碍物对应的意图，即使用先建立的机器学习算法模型来识别视频图像中的可通行区域，该可通行区域可以是根据车载终端对应的车俩左右两边车道线得到的区域。然后可以获取到一段时间内的目标障碍物的各个有时序的目标位置信息，或者也可以按照预设设置好的时间间隔来获取到传感器观测信息，从而得到目标障碍对应的各个目标位置信息，然后通过计算各个目标位置信息与左车道线位置或者右车道线位置的距离，当该距离越来越小时，得到目标障碍物的插入车道的意图，当该距离保存稳定时，得到目标障碍物的未有插入车道的意图。
在一个实施例中，在对条件概率分布进行估计，得到目标障碍物对应的目标位置信息之后，还可以不断获取传感器观测信息，并得到对应的目标位置信息，从而能够对目标障碍物的位置信息进行跟踪。
在一个实施例中，在对条件概率分布进行估计，得到目标障碍物对应的目标位置信息之后，获取到目标位置信息，在视频图像中标注出目标位置信息，并根据目标位置信息生成障碍物的俯视图进行显示。
在一个具体实施例中，如图13所示，使用障碍物位置识别方法进行障碍物追踪，具体包括：通过深度传感器检测到深度信息，通过识别图像深度学习检测得到视觉二维检测结果和实例化图像分割结果。将视觉二维检测结果和深度信息进行匹配，将实例化图像分割结果和深度信息进行匹配，确定具有视觉二维检测结果、实例化图像分割结果和深度信息的障碍物，通过视觉二维检测结果、实例化图像分割结果和深度信息使用融合算法进行传感器观测信息的融合，从而估计得到障碍物位置信息，然后使用障碍物位置信息进行障碍物追踪。如图13a所示，为车载终端显示的右侧车辆插入意图的示意图，其中，右侧车辆部分车身被检测到，通过识别得到右侧车辆的障碍物位置信息，然后通过得到连续的多个时刻的障碍物位置信息，计算得到多个时刻的障碍物位置信息与车道线的距离越来越小，从而得到该右侧车辆有从相邻车道插入到本车道的意图，则车载终端自动驾驶判断本车辆可能需要减速慢行。
在一个具体的实施例中，如图14所示，障碍物位置识别方法，具体包括以下步骤：
s1302，获取到障碍物对应的各个初始三维点信息，将初始三维点信息进行转换，得到目标三维点信息，将目标三维点信息作为障碍物对应的深度信息。
s1304，获取视频图像，对视频图像中的障碍物进行检测，得到障碍物对应的平面区域信息。
s1306，基于像素对视频图像进行主体分割，得到障碍物对应的主体区域信息。
s1308，将深度信息与平面区域信息进行相似匹配，并将深度信息与主体区域信息进行相似匹配。
s1310，当深度信息分别与平面区域信息和主体区域信息一致时，确定目标障碍物。
s1312，获取目标障碍物对应的预设位置信息，获取预设位置信息与深度信息之间的关联关系，根据关联关系计算深度信息与预设位置信息之间的三维位置误差信息，根据三维位置误差信息计算深度信息在预设位置信息下的第一条件概率分布。
s1314，获取空间与平面的映射关系，根据映射关系计算预设位置信息对应的平面线信息，计算主体区域信息与平面线信息之间的距离，并获取调节常数，根据距离和调节常数计算主体区域信息与平面线信息的平面线距离误差信息，根据平面线距离误差信息计算主体区域信息在预设位置信息下的第二条件概率分布。
s1316，根据映射关系计算预设位置信息对应的平面横纵信息，计算平面区域信息与平面横纵信息的平面横纵误差信息，根据平面横纵误差信息计算平面区域信息在预设位置信息下的第三条件概率分布。
s1318，根据第一条件概率分布、第二条件概率分布和第三条件概率分布确定传感器观测信息在预设位置信息下的条件概率分布。
s1320，对条件概率分布进行估计，得到目标障碍物对应的目标位置信息。
应该理解的是，虽然图2-14中流程图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2-14中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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15所示，提供了一种障碍物位置识别装置1500，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：信息获取模块1502、信息匹配模块1504、误差计算模块1506、条件分布计算模块1508和位置得到模块1510，其中：
信息获取模块1502，用于获取传感器观测信息，传感器观测信息包括障碍物对应的深度信息、平面区域信息和主体区域信息；
信息匹配模块1504，用于将深度信息、平面区域信息和主体区域信息进行相似匹配，当深度信息、平面区域信息和主体区域信息相似匹配一致时，确定目标障碍物；
误差计算模块1506，用于获取目标障碍物对应的预设位置信息，分别计算深度信息、平面区域信息和主体区域信息与预设位置信息之间的距离误差信息；
条件分布计算模块1508，用于根据距离误差信息计算传感器观测信息在预设位置信息下的条件概率分布；
位置得到模块1510，用于对条件概率分布进行估计，得到目标障碍物对应的目标位置信息
在一个实施例中，信息获取模块1502，包括：
深度信息得到单元，用于获取到障碍物对应的各个初始三维点信息，将所述初始三维点信息进行转换，得到目标三维点信息，将所述目标三维点信息作为所述障碍物对应的深度信息；
平面区域信息得到单元，用于获取视频图像，对所述视频图像中的障碍物进行检测，得到所述障碍物对应的平面区域信息；
主体区域信息得到单元，用于基于像素对所述视频图像进行主体分割，得到所述障碍物对应的主体区域信息。
在一个实施例中，深度信息得到单元还用于将所述各个初始三维点信息进行几何拟合，得到几何信息；从所述几何信息中选取目标三维点信息。
在一个实施例中，信息匹配模块1504，还包括：
相似匹配单元，用于将所述深度信息与所述平面区域信息进行相似匹配，并将所述深度信息与所述主体区域信息进行相似匹配；
目标确定单元，用于当所述深度信息分别与所述平面区域信息和主体区域信息一致时，确定目标障碍物。
在一个实施例中，相似匹配单元还用于计算所述深度信息对应的平面投影信息，根据所述平面投影信息计算对应的平面投影区域信息；计算所述平面投影区域信息与所述平面区域信息的平面相似性，根据所述平面相似度确定平面匹配结果。
在一个实施例中，相似匹配单元还用于计算所述深度信息对应的平面投影信息；计算所述平面投影信息与所述主体区域信息的主体相似性，根据所述主体相似度确定主体匹配结果。
在一个实施例中，误差计算模块1506，包括：
深度误差计算单元，用于获取所述预设位置信息与所述深度信息之间的关联关系，根据所述关联关系计算所述深度信息与所述预设位置信息之间的三维位置误差信息。
在一个实施例中，误差计算模块1506，包括：
距离误差计算单元，用于计算所述主体区域信息与所述平面线信息之间的距离，并获取调节常数；根据所述距离和所述调节常数计算所述主体区域信息与所述平面线信息的平面线距离误差信息。
在一个实施例中，误差计算模块1506，包括：
横坐标误差计算单元，用于当所述预设位置信息为处于所述目标障碍物第一位置时，获取所述映射关系中的横坐标映射关系；根据所述横坐标映射关系和所述预设位置信息确定平面横坐标极值，根据所述平面横坐标极值和所述横坐标映射关系计算平面横坐标误差信息。
在一个实施例中，误差计算模块1506，包括：
纵坐标误差计算单元，当所述预设位置信息为处于所述目标障碍物第二位置时，获取所述映射关系中的纵坐标映射关系；根据所述纵坐标映射关系和所述预设位置信息确定平面纵坐标极值，根据所述平面纵坐标极值和所述纵坐标映射关系计算平面纵坐标误差信息。
在一个实施例中，条件分布计算模块1508还用于根据所述三维位置误差信息计算所述深度信息在所述预设位置信息下的第一条件概率分布；根据所述平面线距离误差信息计算所述主体区域信息在所述预设位置信息下的第二条件概率分布；根据所述平面横纵误差信息计算所述平面区域信息在所述预设位置信息下的第三条件概率分布；根据所述第一条件概率分布、第二条件概率分布和第三条件概率分布确定所述传感器观测信息在所述预设位置信息下的条件概率分布。
在一个实施例中，障碍物位置识别装置1500，还包括：
意图确定模块，用于获取车道线信息，根据所述目标位置信息和所述车道线信息确定所述目标障碍物对应的意图。
关于障碍物位置识别装置的具体限定可以参见上文中对于障碍物位置识别方法的限定，在此不再赘述。上述障碍物位置识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种障碍物位置识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图16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，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各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，存储有计算机程序，该计算机程序被处理器执行时实现上述各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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)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。
- 还没有人留言评论。精彩留言会获得点赞！