一种基于神经网络的进球片段分类方法与流程

1.本发明属于片段分类技术领域，更具体地说，本发明涉及一种基于神经网络的进球片段分类方法。


背景技术：

2.目前国内有大量的篮球爱好者，大量的篮球爱好者在线下篮球场地打球时有一个强烈的需求，就是在打球结束后可以生成一个自己当天所有投篮或进球的集锦视频，以留作纪念或者发朋友圈。
3.但是目前市场上的技术只能做到截取出所有进球片段，无法做到将所有进球片段按照球员进行分类，以此生成某个球员的进球集锦。


技术实现要素：

4.本发明的目的在于提供一种基于神经网络的进球片段分类方法，以解决上述现有技术中存在的所有进球片段无法按照球员来进行分类的技术问题。
5.为实现上述技术目的，本发明采用的技术方案如下：
6.一种基于神经网络的进球片段分类方法，包括以下步骤：
7.获取第一拍摄视频，将所述第一拍摄视频的每个待识别视频帧输入到检测模型，以识别得到所有待识别视频帧中的球员的第一检测框以及代表投篮出手时的视频帧，根据所述第一检测框计算所述投篮出手时的视频帧中的球员的第一脚底坐标；
8.根据所述第一脚底坐标计算至少一个第二拍摄视频中的第二脚底坐标，获取所述第二拍摄视频中的代表投篮出手时的视频帧中的所有球员的第二检测框，计算所述第二脚底坐标和所有第二检测框的距离值，选取距离值最小的第二检测框中的球员；
9.对所述第一拍摄视频和所述至少一个第二拍摄视频中的所述球员进行人脸识别和/或颜色识别，并根据识别结果计算相似度，根据所述相似度对球员进行投票，根据投票结果对所述第一拍摄视频和所述至少一个第二拍摄视频的进球片段按照球员进行分类。
10.优选地，还包括步骤：
11.获取篮球训练数据，对所述篮球训练数据进行预处理后输入至神经网络模型，以对所述神经网络模型进行训练，得到检测模型。
12.优选地，所述获取第一拍摄视频，将所述第一拍摄视频的每个待识别视频帧输入到检测模型，具体包括以下步骤：
13.包括多个图像采集器，所述图像采集器用于拍摄整个篮球半场、篮球禁区以及三分线区域；
14.所述图像采集器用于采集所述第一拍摄视频和至少一个所述第二拍摄视频；
15.获取所述第一拍摄视频的所有进球片段，所述进球片段包括篮球进入篮筐的视频帧，以及从所述篮球进入篮筐的视频帧起往前推若干秒和往后推若干秒，将所述进球片段的每个待识别视频帧输入到检测模型。
16.优选地，根据所述第一脚底坐标计算至少一个第二拍摄视频中的第二脚底坐标，具体包括以下步骤：
17.从所述第一拍摄视频中任意获取一个第一视频帧，从所述第二拍摄视频中任意获取一个第二视频帧；
18.在所述第一视频帧和所述第二视频帧中分别标定篮球禁区的四个角点，根据分别标定的四个角点计算所述第一视频帧和所述第二视频帧之间的仿射变换矩阵；
19.所述第一脚底坐标通过所述仿射变换矩阵计算所述第二拍摄视频中的所述第二脚底坐标。
20.优选地，获取所述第二拍摄视频中的代表投篮出手时的视频帧中的所有球员的第二检测框，计算所述第二脚底坐标和所有第二检测框的距离值，选取距离值最小的第二检测框中的球员，具体包括以下步骤：
21.获取所述第二拍摄视频的所有进球片段，所述进球片段包括篮球进入篮筐的视频帧，以及从所述篮球进入篮筐的视频帧起往前推若干秒和往后推若干秒；
22.将所述进球片段中代表投篮出手时的视频帧输入到检测模型，以识别得到所述代表投篮出手时的视频帧中的所有球员的第二检测框；
23.计算所述第二脚底坐标和所有第二检测框的距离值，选取距离值最小的第二检测框，所述第二检测框包括该进球片段的球员。
24.优选地，还包括步骤：
25.获取每位参赛球员的单人照片，计算所述球员的hsv颜色直方图特征。
26.优选地，获取每位参赛球员的单人照片，计算所述球员的hsv颜色直方图特征，具体包括以下步骤：
27.将单人照片的bgr颜色空间转换为hsv颜色空间，根据量化表对所述hsv颜色空间的各个分量进行量化；
28.将量化后的所述hsv颜色空间根据比例合并为单通道图像，根据所述单通道图像计算颜色直方图特征，得到所述球员所在区域的标准颜色直方图特征并进行保存。
29.优选地，还包括步骤：
30.获取每位参赛球员的单人照片，通过人脸检测算法和人脸识别算法，检测所述单人照片的人脸并计算人脸特征向量。
31.优选地，获取每位参赛球员的单人照片，通过人脸检测算法和人脸识别算法，检测所述单人照片的人脸并计算人脸特征向量，具体包括以下步骤：
32.将单人照片的bgr颜色空间转换为rgb颜色空间，将rgb颜色空间的像素值进行归一化；
33.通过人脸检测算法对所述单人照片进行检测，若检测到所述单人照片中的人脸，将检测到的人脸截取出来；
34.通过人脸矫正算法对所述人脸进行矫正，通过人脸识别算法对矫正后的人脸进行识别，提取标准人脸特征向量并进行保存。
35.优选地，根据识别结果计算相似度，根据所述相似度对球员进行投票，具体包括以下步骤：
36.若检测到人脸，分别计算出人脸特征向量和标准人脸特征向量的相似度，相似度
公式如下：
[0037][0038]
其中，x指代人脸特征向量，y指代标准人脸特征向量，x*y为这两个向量的向量乘积，||x||*||y||为这两个向量的模的乘积，计算出的sim(x,y)越大，则证明相似度越高；
[0039]
投票给相似度最高的所述标准人脸特征向量，计算每个所述标准人脸特征向量所代表的球员的得票数，判定该进球片段属于得票数最高的所述标准人脸特征向量所代表的球员。
[0040]
优选地，根据识别结果计算相似度，根据所述相似度对球员进行投票，具体包括以下步骤：
[0041]
若未检测到人脸，分别计算出颜色直方图特征和标准颜色直方图特征的相似度，相似度公式如下：
[0042][0043]
其中，x表示颜色直方图特征，y表示标准颜色直方图特征，xi表示x的第i个分量，yi表示y的第i个分量，计算出的sim(x,y)越小，则证明相似度越高；
[0044]
投票给相似度最高的所述标准颜色直方图特征，计算每个所述标准颜色直方图特征所代表的球员的得票数，判定该进球片段属于得票数最高的所述标准颜色直方图特征所代表的球员。
[0045]
一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令被处理器执行时实现上述所述方法的步骤。
[0046]
本发明提供的有益效果在于：
[0047]
1、本发明通过第一脚底坐标计算至少一个第二拍摄视频中的第二脚底坐标，获取第二拍摄视频中的代表投篮出手时的视频帧中的所有球员的第二检测框，计算第二脚底坐标和所有第二检测框的距离值，选取距离值最小的第二检测框中的球员，使得任意一个视频帧中篮球场地上的任意一个点可以转换到其他视频帧上，以更轻便的算法实现更快速的查找到不同视频帧中的同一个进球片段和所对应的球员。
[0048]
2、本发明通过对第一拍摄视频和至少一个第二拍摄视频中的球员进行人脸识别和/或颜色识别，并根据识别结果计算相似度，根据相似度对球员进行投票，根据投票结果对第一拍摄视频和至少一个第二拍摄视频的进球片段按照球员进行分类，从而生成该球员的进球集锦，同时基于颜色特征和人脸识别的分类手段，可以达到更高的准确率。
附图说明
[0049]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1是基于神经网络的进球分类的方法流程图；
[0051]
图2是图像采集器的位置示意图；
[0052]
主要元件符号说明如下：
[0053]
1、第一图像采集器1；2、第二图像采集器2；3、第三图像采集器3；4、第四图像采集器4。
具体实施方式
[0054]
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0055]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
[0056]
实施例1：
[0057]
如图1所示，本实施例包括一种基于神经网络的进球片段分类方法，包括以下步骤：
[0058]
获取第一拍摄视频，将第一拍摄视频的每个待识别视频帧输入到检测模型，以识别得到所有待识别视频帧中的球员的第一检测框以及代表投篮出手时的视频帧，根据第一检测框计算投篮出手时的视频帧中的球员的第一脚底坐标；
[0059]
根据第一脚底坐标计算至少一个第二拍摄视频中的第二脚底坐标，获取第二拍摄视频中的代表投篮出手时的视频帧中的所有球员的第二检测框，计算第二脚底坐标和所有第二检测框的距离值，选取距离值最小的第二检测框中的球员；
[0060]
对第一拍摄视频和至少一个第二拍摄视频中的球员进行人脸识别和/或颜色识别，并根据识别结果计算相似度，根据相似度对球员进行投票，根据投票结果对第一拍摄视频和至少一个第二拍摄视频的进球片段按照球员进行分类。
[0061]
具体的，第一检测框包括多种类型的球员，比如代表防守球员的第一检测框或代表投篮球员的第一检测框，在本实施例中，以识别得到所有待识别视频帧中的球员的第一检测框为代表投篮球员的第一检测框。
[0062]
还包括步骤：获取篮球训练数据，对篮球训练数据进行预处理后输入至神经网络模型，以对神经网络模型进行训练，得到检测模型。
[0063]
具体的，收集篮球比赛的图片，篮球比赛的图片为篮球训练数据，对篮球训练数据进行预处理的方法为通过人工的方式对图片中的球员、球以及篮筐进行检测框标注，将检测框标注后的图片输入神经网络模型，以对神经网络模型进行训练，直到达到预设范围内的准召率，神经网络模型训练结束，得到检测模型，检测模型用于检测球员、球以及篮筐。
[0064]
获取第一拍摄视频，将第一拍摄视频的每个待识别视频帧输入到检测模型，具体包括以下步骤：包括多个图像采集器，图像采集器用于拍摄整个篮球半场、篮球禁区以及三分线区域；
[0065]
图像采集器用于采集第一拍摄视频和至-少一个第二拍摄视频，获取第一拍摄视频的所有进球片段，进球片段包括篮球进入篮筐的视频帧，以及从篮球进入篮筐的视频帧
起往前推若干秒和往后推若干秒，将进球片段的每个待识别视频帧输入到检测模型。
[0066]
具体的，在本实施中，如图2所示，图像采集器的数量为四个，分别为第一图像采集器1、第二图像采集器2、第三图像采集器3以及第四图像采集器4，第一图像采集器1和第二图像采集器2分别位于篮球场地的中线两侧，第一图像采集器1和第二图像采集器2用于拍摄整个篮球场地的半场。第三图像采集器3和第四图像采集器4设置于篮球架的下方，第三图像采集器3和第四图像采集器4用于拍摄篮球禁区以及三分线区域。
[0067]
第一图像采集器1用于采集第一拍摄视频，第二图像采集器2用于采集第二拍摄视频，第三图像采集器3用于采集第三拍摄视频，第四图像采集器4用于采集第四拍摄视频。比赛过程中，第一图像采集器1、第二图像采集器2、第三图像采集器3以及第四图像采集器4同时运行，用于拍摄四个不同角度的篮球场地。在本实施例中，所描述的至少一个第二拍摄视频包括第二拍摄视频、第三拍摄视频和第四拍摄视频。
[0068]
根据第一脚底坐标计算至少一个第二拍摄视频中的第二脚底坐标，具体包括以下步骤：从第一拍摄视频中任意获取一个第一视频帧，从第二拍摄视频中任意获取一个第二视频帧；在第一视频帧和第二视频帧中分别标定篮球禁区的四个角点，根据分别标定的四个角点计算第一视频帧和第二视频帧之间的仿射变换矩阵；第一脚底坐标通过仿射变换矩阵计算第二拍摄视频中的第二脚底坐标。
[0069]
具体的，四个角点的位置分别为篮球禁区的左上角、左下角、右上角和右下角。
[0070]
第一脚底坐标通过仿射变换矩阵计算第二拍摄视频中的第二脚底坐标的公式如下：(x’,y’,w’)＝[u,v,1]*a，其中，(u，v)为第一图像采集器1拍摄的篮球场地上的一个点，矩阵a是根据第一视频帧和第二视频帧中标定的篮球禁区的四个角点计算出的第一仿射变换矩阵，x’和y’是转换系数，1表示不进行整体的缩放。
[0071]
第二脚底坐标表示为(x,y)，其中，x的计算公式为：y的计算公式为：w’为系统自动计算得到。第一脚底坐标基于第一仿射变换矩阵通过上述公式计算第二拍摄视频中的第二脚底坐标。
[0072]
具体的，在上述实施例中，从第三拍摄视频中任意获取一个第三视频帧，从第四拍摄视频中任意获取一个第四视频帧。在第一视频帧和第三视频帧中分别标定篮球禁区的四个角点，在第一视频帧和第四视频帧中分别标定篮球禁区的四个角点。根据第一视频帧和第三视频帧中标定的篮球禁区的四个角点计算出的第二仿射变换矩阵，根据第一视频帧和第四视频帧中标定的篮球禁区的四个角点计算出的第三仿射变换矩阵。第一脚底坐标基于第二仿射变换矩阵通过上述公式计算第三拍摄视频中的第三脚底坐标。第一脚底坐标基于第三仿射变换矩阵通过上述公式计算第四拍摄视频中的第四脚底坐标。
[0073]
获取第二拍摄视频中的代表投篮出手时的视频帧中的所有球员的第二检测框，计算第二脚底坐标和所有第二检测框的距离值，选取距离值最小的第二检测框中的球员，具体包括以下步骤：获取第二拍摄视频的所有进球片段，进球片段包括篮球进入篮筐的视频帧，以及从篮球进入篮筐的视频帧起往前推若干秒和往后推若干秒；
[0074]
将进球片段中代表投篮出手时的视频帧输入到检测模型，以识别得到代表投篮出手时的视频帧中的所有球员的第二检测框；计算第二脚底坐标和所有第二检测框的距离值，选取距离值最小的第二检测框，第二检测框包括该进球片段的球员。其中，根据第一脚
底坐标计算至少一个第二拍摄视频中的第二脚底坐标，计算第二脚底坐标和所有第二检测框的距离值，选取距离值最小的第二检测框，第二检测框包括该进球片段的球员，由于第一检测框为代表投篮球员的第一检测框，并选取距离值最小的第二检测框，因此本实施例中，第二检测框包括该进球片段的球员为投篮球员。
[0075]
具体的，获取第二拍摄视频的所有进球片段，进球片段包括篮球进入篮筐的视频帧，以及从篮球进入篮筐的视频帧起往前推若干秒和往后推若干秒。获取第三拍摄视频的所有进球片段，进球片段包括篮球进入篮筐的视频帧，以及从篮球进入篮筐的视频帧起往前推若干秒和往后推若干秒。获取第四拍摄视频的所有进球片段，进球片段包括篮球进入篮筐的视频帧，以及从篮球进入篮筐的视频帧起往前推若干秒和往后推若干秒。
[0076]
将第二拍摄视频的进球片段中代表投篮出手时的视频帧输入到检测模型，以识别得到代表投篮出手时的视频帧中的所有球员的第二检测框。将第三拍摄视频的进球片段中代表投篮出手时的视频帧输入到检测模型，以识别得到代表投篮出手时的视频帧中的所有球员的第三检测框。将第四拍摄视频的进球片段中代表投篮出手时的视频帧输入到检测模型，以识别得到代表投篮出手时的视频帧中的所有球员的第四检测框。
[0077]
计算第二脚底坐标和所有第二检测框的距离值，选取距离值最小的第二检测框，第二检测框包括该进球片段的球员。计算第三脚底坐标和所有第三检测框的距离值，选取距离值最小的第三检测框，第三检测框包括第三拍摄视频中该进球片段的球员。计算第四脚底坐标和所有第四检测框的距离值，选取距离值最小的第四检测框，第四检测框包括第四拍摄视频中该进球片段的球员。
[0078]
还包括步骤：获取每位参赛球员的单人照片，计算球员的hsv颜色直方图特征。
[0079]
获取每位参赛球员的单人照片，计算球员的hsv颜色直方图特征，具体包括以下步骤：将单人照片的bgr颜色空间转换为hsv颜色空间，根据量化表对hsv颜色空间的各个分量进行量化；
[0080]
将量化后的hsv颜色空间根据比例合并为单通道图像，根据单通道图像计算颜色直方图特征，得到球员所在区域的标准颜色直方图特征并进行保存。
[0081]
具体的，量化表如下面所示：
[0082][0083]
其中，h、s、v分别代表hsv颜色空间的三个颜色分量，每一行分别为量化之后的值和对应的颜色分量的取值范围，以h∈[21,40]举例说明，当颜色分量中任一位置的值在21至40之间时，将其量化为1。
[0084]
将量化后的hsv颜色空间根据比例合并为单通道图像，比例公式为g＝9h+3s+v，根据单通道图像计算标准颜色直方图特征，得到球员所在区域的标准颜色直方图特征并进行保存。
[0085]
还包括步骤：获取每位参赛球员的单人照片，通过人脸检测算法和人脸识别算法，检测单人照片的人脸并计算人脸特征向量。
[0086]
获取每位参赛球员的单人照片，通过人脸检测算法和人脸识别算法，检测单人照片的人脸并计算人脸特征向量，具体包括以下步骤：将单人照片的bgr颜色空间转换为rgb颜色空间，将rgb颜色空间的像素值进行归一化；
[0087]
通过人脸检测算法对单人照片进行检测，若检测到单人照片中的人脸，将检测到的人脸截取出来；通过人脸矫正算法对人脸进行矫正，通过人脸识别算法对矫正后的人脸进行识别，提取标准人脸特征向量。
[0088]
具体的，将rgb颜色空间的像素值进行归一化的计算公式如下：
[0089]
p’i
＝((pi/255)-meani)/stdi[0090]
其中，pi为第i通道的任一位置的rgb颜色值，meani为第i通道的rgb颜色值的均值，stdi为第i通道的rgb颜色值的标准差。
[0091]
根据识别结果计算相似度，根据相似度对球员进行投票，具体包括以下步骤：若检测到人脸，分别计算出人脸特征向量和标准人脸特征向量的相似度，相似度公式如下：
[0092][0093]
其中，x表示人脸特征向量，y表示标准人脸特征向量，x*y表示为这两个向量的向量乘积，||x||*||y||表示为这两个向量的模的乘积，计算出的sim(x,y)越大，则证明相似度越高，投票给相似度最高的标准人脸特征向量，计算每个标准人脸特征向量所代表的球员的得票数，判定该进球片段属于得票数最高的标准人脸特征向量所代表的球员。
[0094]
具体的，通过人脸检测算法分别对第一检测框、距离值最小的第二检测框、距离值最小的第三检测框和距离值最小的第四检测框进行人脸识别检测。在本实施例中，球员的人数为四人，则四个标准人脸特征向量分别记为：f1、f2、f3和f4。
[0095]
若上述四个检测框均检测到了人脸，对应的人脸特征向量分别为f1、f2、f3和f4，分别计算出四个人脸特征向量和标准人脸特征向量的相似度，相似度公式如下：
[0096][0097]
其中，x表示f1、f2、f3和f4中的任意一个向量，y表示f1、f2、f3和f4中的任意一个向量，x*y表示为这两个向量的向量乘积，||x||*||y||表示为这两个向量的模的乘积，计算出的sim(x,y)越大，则证明相似度越高。
[0098]
具体的，计算f1与f1、f2、f3、f4这四个标准人脸特征向量的相似度，假设f1和f1相似度最高，则f1投票给f1标准人脸特征向量的球员。计算f2与f1、f2、f3、f4这四个标准人脸特征向量的相似度，假设f2和f4相似度最高，则f2投票给f4标准人脸特征向量的球员。计算f3与f1、f2、f3、f4这四个标准人脸特征向量的相似度，假设f3和f1相似度最高，则f3投票给f1标准人脸特征向量的球员。计算f4与f1、f2、f3、f4这四个标准人脸特征向量的相似度，假设f4和f1相似度最高，则f4投票给f1标准人脸特征向量的球员。
[0099]
计算每个标准人脸特征向量所代表的球员的得票数，在本实施例中，f1标准人脸特征向量所代表的球员得票数是3票，f4标准人脸特征向量所代表的球员得票数是1票，f1标准人脸特征向量所代表的球员得票数量最多，则判定该进球片段属于f1标准人脸特征向
量所代表的球员。
[0100]
根据识别结果计算相似度，根据相似度对球员进行投票，具体包括以下步骤：若未检测到人脸，分别计算出颜色直方图特征和标准颜色直方图特征的相似度，相似度公式如下：
[0101][0102]
其中，x表示颜色直方图特征，y表示标准颜色直方图特征，xi表示x的第i个分量，yi表示y的第i个分量，计算出的sim(x,y)越小，则证明相似度越高；
[0103]
投票给相似度最高的标准颜色直方图特征，计算每个标准颜色直方图特征所代表的球员的得票数，判定该进球片段属于得票数最高的标准颜色直方图特征所代表的球员。
[0104]
具体的，通过人脸检测算法分别对第一检测框、距离值最小的第二检测框、距离值最小的第三检测框和距离值最小的第四检测框进行人脸识别检测。在上述实施例中，球员的人数为四人，若人脸检测算法均没有检测到人脸，则四个检测框对应的颜色直方图特征分别记为：g1、g2、g3和g4，四个标准颜色直方图特征分别记为：g1、g2、g3和g4。分别计算出四个颜色直方图特征和标准颜色直方图特征的相似度，相似度公式如下：
[0105][0106]
其中，x表示g1、g2、g3、g4中的任意一个向量，y表示g1、g2、g3、g4中的任意一个向量，xi表示x的第i个分量，yi表示y的第i个分量，计算出的sim(x,y)越小，则证明相似度越高。
[0107]
计算g1与g1、g2、g3、g4这四个标准颜色直方图特征的相似度，假设g1和g1相似度最高，则g1投票给g1标准颜色直方图特征的球员。计算g2与g1、g2、g3、g4这四个标准颜色直方图特征的相似度，假设g2和g4相似度最高，则g2投票给g4标准颜色直方图特征的球员。计算g3与g1、g2、g3、g4这四个标准颜色直方图特征的相似度，假设g3和g1相似度最高，则g3投票给g1标准颜色直方图特征的球员。计算g4与g1、g2、g3、g4这四个标准颜色直方图特征的相似度，假设g4和g1相似度最高，则g4投票给g1标准颜色直方图特征的球员。
[0108]
计算每个标准颜色直方图特征所代表的球员的得票数，在本实施例中，g1标准颜色直方图特征所代表的球员得票数是3票，g4标准颜色直方图特征所代表的球员得票数是1票，g1标准颜色直方图特征所代表的球员得票数量最多，则判定该进球片段属于g1标准颜色直方图特征所代表的球员。
[0109]
将每一个进球片段重复以上步骤按照球员进行分类，当比赛结束之后，自动将某一球员的所有进球片段生成一个集锦视频，提供给球员下载。
[0110]
实施例2：
[0111]
一种计算机可读存储介质，计算机可读存储介质上存储有计算机指令，计算机指令被处理器执行时实现实施例1中方法的步骤。
[0112]
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0113]
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0114]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0115]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0116]
需要说明的是：
[0117]
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
[0118]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0119]
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。