基于层次匹配的无监督车辆重识别方法及装置

1.本发明涉及车辆识别技术领域，尤其是基于层次匹配的无监督车辆重识别方法及装置。


背景技术：

2.车辆重识别问题是指在特定的交通监控场景下，判断安装在不同区域的摄像头拍摄的图像中车辆是否属于同一辆车的检索问题。车辆重识别算法能够应用在车辆识别、追踪和定位等众多难点问题上，进一步提升监控系统的安全性和可靠性。
3.由于交通场景复杂、摄像机视点有限、光照变化等约束的影响，车辆重识别仍是个极具挑战性的问题。目前，车牌识别技术是判断车辆身份最简单最直接的方法，但仅仅依靠此方法仍然存在明显的弊端。例如，交通监控由于摄像头位置的限制导致其拍摄视角相对固定，在拥堵排队、大型车遮挡或者驾驶员故意遮挡伪造号牌等复杂场景中，车牌检测的难度增加或不再适用。为了弥补车牌识别的缺点，越来越多的研究学者开始使用车辆除号牌以外的视觉信息来进行车辆检索任务。在过去视觉领域的研究中，车辆检索主要涉及车辆颜色或者型号等内容信息的检索识别，但这常常做不到精确地检索出特定车辆，而是得到与目标车辆具有相同内容(如颜色、型号)的车辆。近几年，车辆检索的子领域——车辆重识别的研究逐渐成为了研究重点。现有的车辆重识别技术的缺点主要体现在两个方面：一是在不同的摄像头视角下，相同的车辆呈现出来的特征差异较大，从而致使车辆重识别任务的数据的类内差异较大；二是具有相似全局特征(如颜色、车型等)的不同车辆在多视角下的差异被进一步缩小，从而致使车辆重识别任务的类间差异较小。


技术实现要素：

4.有鉴于此，本发明实施例提供一种准确度高的基于层次匹配的无监督车辆重识别方法及装置。
5.本发明的第一方面提供了基于层次匹配的无监督车辆重识别方法，包括：
6.从视频源中获取待检测车辆图片；
7.从所述待检测车辆图片中提取车辆整体特征、车辆局部构件信息、车身颜色信息和车型信息；
8.对所述车辆整体特征进行第一处理，得到车辆整体相似度；
9.对所述车辆局部构件信息进行第二处理，得到车辆局部特征距离值；
10.对所述车身颜色信息和所述车型信息进行第三处理，得到颜色特征向量和车型特征向量；
11.对所述车辆整体相似度、所述车辆局部特征距离值、所述颜色特征向量和所述车型特征向量进行特征融合，得到车辆相似度；
12.根据所述车辆相似度，从候选车辆集的所有车辆中确定与待检测车辆对应的目标车辆。
13.可选地，所述从视频源中获取待检测车辆图片，包括：
14.按照预设的时间间隔，从所述视频源中获取图像帧；
15.对提取到的图像帧进行目标检测，找到所述图像帧中的车辆目标；
16.将存在车辆目标的图像帧截取得到车辆集合，并将所述车辆集划分为查找图片集和候选图片集。
17.可选地，所述从视频源中获取待检测车辆图片这一步骤，还包括：
18.计算任一当前图像帧的检测框和对应的上一图像帧的检测框之间的交并比；
19.当所述交并比大于预设阈值时，将所述当前图像帧对应的检测结果剔除；
20.其中，所述交并比的计算公式为：
[0021][0022]
其中，iou代表交并比；r1为上一图像帧的检测框；r2为当前图像帧的检测框；area(r1)∩area(r2)求两个检测框之间的区域交集；area(r1)∪area(r2)求两个检测框的区域并集。
[0023]
可选地，所述从所述待检测车辆图片中提取车辆整体特征、车辆局部构件信息、车身颜色信息和车型信息，包括：
[0024]
通过resnet50特征提取器将车辆分为车辆整体特征和车辆局部构件信息；
[0025]
通过全局平均池化对待检测车辆图片进行处理，得到车辆整体特征；
[0026]
通过cnn网络输出所述车辆整体特征；
[0027]
对车辆各个视角的特征进行比较，获取车辆各个视角下的视角可视性分数；
[0028]
计算所述视角可视性分数的权重后，结合欧氏距离计算方法计算得到局部特征距离值，并确定车辆局部构件信息；
[0029]
通过resnet50网络进行特征提取得到所有车辆的颜色特征向量和车型特征向量，确定所述车身颜色信息和所述车型信息。
[0030]
可选地，所述从所述待检测车辆图片中提取车辆整体特征、车辆局部构件信息、车身颜色信息和车型信息，还包括：
[0031]
将所述待检测车辆图片中的车辆分为正面、顶面、背面和侧面四个方向；
[0032]
计算车辆的四个方向的面积值作为视角可视度分数，并将所述视角可视度分数作为车辆对应的局部特征的置信值，所述置信值为车辆四个局部特征的置信值，用于表征后续计算车辆间每个部件的特征距离占局部特征距离的权重。
[0033]
可选地，所述计算所述视角可视性分数的权重的计算公式为：
[0034][0035]
其中，代表所述视角可视性分数的权重；代表待检测车辆的可视性分数；代表图像库中对应的车辆的可视性分数；m,n代表待检测车辆与图像库中对应的车辆；i代表可视性分数和权重对应的区域；n代表待搜索的图像库中车辆数；
[0036]
所述局部特征距离值的计算公式为：
[0037][0038]
其中，d
m,n
代表所述局部特征距离值；d代表车辆各个方向特征的欧氏距离；f
im
代表待检测车辆的特征信息；f
in
代表图像库中对应的车辆的特征信息。
[0039]
可选地，所述对所述车辆整体相似度、所述车辆局部特征距离值、所述颜色特征向量和所述车型特征向量进行特征融合，得到车辆相似度，包括：
[0040]
对所述车辆整体相似度、所述车辆局部特征距离值、所述颜色特征向量和所述车型特征向量进行l2范数规范化处理，得到规范化后的特征；
[0041]
根据所述规范化后的特征，计算待检测车辆与图像库中对应的车辆之间的初始重识别距离值；
[0042]
对所述车辆整体相似度的初始重识别距离值、所述车辆局部特征距离值的初始重识别距离值、所述颜色特征向量的初始重识别距离值和所述车型特征向量的初始重识别距离值进行加权求和计算，得到总重识别距离值；
[0043]
根据所述总重识别距离值确定车辆相似度。
[0044]
本发明实施例的另一方面还提供了一种基于层次匹配的无监督车辆重识别装置，包括：
[0045]
第一模块，用于从视频源中获取待检测车辆图片；
[0046]
第二模块，用于从所述待检测车辆图片中提取车辆整体特征、车辆局部构件信息、车身颜色信息和车型信息；
[0047]
第三模块，用于对所述车辆整体特征进行第一处理，得到车辆整体相似度；
[0048]
第四模块，用于对所述车辆局部构件信息进行第二处理，得到车辆局部特征距离值；
[0049]
第五模块，用于对所述车身颜色信息和所述车型信息进行第三处理，得到颜色特征向量和车型特征向量；
[0050]
第六模块，用于对所述车辆整体相似度、所述车辆局部特征距离值、所述颜色特征向量和所述车型特征向量进行特征融合，得到车辆相似度；
[0051]
第七模块，用于根据所述车辆相似度，从候选车辆集的所有车辆中确定与待检测车辆对应的目标车辆。
[0052]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0053]
所述存储器用于存储程序；
[0054]
所述处理器执行所述程序实现如前面所述的方法。
[0055]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0056]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0057]
本发明的实施例从视频源中获取待检测车辆图片；从所述待检测车辆图片中提取
车辆整体特征、车辆局部构件信息、车身颜色信息和车型信息；对所述车辆整体特征进行第一处理，得到车辆整体相似度；对所述车辆局部构件信息进行第二处理，得到车辆局部特征距离值；对所述车身颜色信息和所述车型信息进行第三处理，得到颜色特征向量和车型特征向量；对所述车辆整体相似度、所述车辆局部特征距离值、所述颜色特征向量和所述车型特征向量进行特征融合，得到车辆相似度；根据所述车辆相似度，从候选车辆集的所有车辆中确定与待检测车辆对应的目标车辆。本发明提高了车辆重识别的准确度。
附图说明
[0058]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0059]
图1为本发明实施例提供的整体步骤流程图。
具体实施方式
[0060]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
[0061]
针对现有技术存在的问题，本发明实施例提供了基于层次匹配的无监督车辆重识别方法，如图1所示，本发明的方法包括：
[0062]
从视频源中获取待检测车辆图片；
[0063]
从所述待检测车辆图片中提取车辆整体特征、车辆局部构件信息、车身颜色信息和车型信息；
[0064]
对所述车辆整体特征进行第一处理，得到车辆整体相似度；
[0065]
对所述车辆局部构件信息进行第二处理，得到车辆局部特征距离值；
[0066]
对所述车身颜色信息和所述车型信息进行第三处理，得到颜色特征向量和车型特征向量；
[0067]
对所述车辆整体相似度、所述车辆局部特征距离值、所述颜色特征向量和所述车型特征向量进行特征融合，得到车辆相似度；
[0068]
根据所述车辆相似度，从候选车辆集的所有车辆中确定与待检测车辆对应的目标车辆。
[0069]
可选地，所述从视频源中获取待检测车辆图片，包括：
[0070]
按照预设的时间间隔，从所述视频源中获取图像帧；
[0071]
对提取到的图像帧进行目标检测，找到所述图像帧中的车辆目标；
[0072]
将存在车辆目标的图像帧截取得到车辆集合，并将所述车辆集划分为查找图片集和候选图片集。
[0073]
可选地，所述从视频源中获取待检测车辆图片这一步骤，还包括：
[0074]
计算任一当前图像帧的检测框和对应的上一图像帧的检测框之间的交并比；
[0075]
当所述交并比大于预设阈值时，将所述当前图像帧对应的检测结果剔除；
[0076]
其中，所述交并比的计算公式为：
[0077][0078]
其中，iou代表交并比；r1为上一图像帧的检测框；r2为当前图像帧的检测框；area(r1)∩area(r2)求两个检测框之间的区域交集；area(r1)∪area(r2)求两个检测框的区域并集。
[0079]
可选地，所述从所述待检测车辆图片中提取车辆整体特征、车辆局部构件信息、车身颜色信息和车型信息，包括：
[0080]
通过resnet50特征提取器将车辆分为车辆整体特征和车辆局部构件信息；
[0081]
通过全局平均池化对待检测车辆图片进行处理，得到车辆整体特征；
[0082]
通过cnn网络输出所述车辆整体特征；
[0083]
对车辆各个视角的特征进行比较，获取车辆各个视角下的视角可视性分数；
[0084]
计算所述视角可视性分数的权重后，结合欧氏距离计算方法计算得到局部特征距离值，并确定车辆局部构件信息；
[0085]
通过resnet50网络进行特征提取得到所有车辆的颜色特征向量和车型特征向量，确定所述车身颜色信息和所述车型信息。
[0086]
可选地，所述从所述待检测车辆图片中提取车辆整体特征、车辆局部构件信息、车身颜色信息和车型信息，还包括：
[0087]
将所述待检测车辆图片中的车辆分为正面、顶面、背面和侧面四个方向；
[0088]
计算车辆的四个方向的面积值作为视角可视度分数，并将所述视角可视度分数作为车辆对应的局部特征的置信值，所述置信值为车辆四个局部特征的置信值，用于表征后续计算车辆间每个部件的特征距离占局部特征距离的权重。
[0089]
可选地，所述计算所述视角可视性分数的权重的计算公式为：
[0090][0091]
其中，代表所述视角可视性分数的权重；代表待检测车辆的可视性分数；代表图像库中对应的车辆的可视性分数；m,n代表待检测车辆与图像库中对应的车辆；i代表可视性分数和权重对应的区域；n代表待搜索的图像库中车辆数；
[0092]
所述局部特征距离值的计算公式为：
[0093][0094]
其中，d
m,n
代表所述局部特征距离值；d代表车辆各个方向特征的欧氏距离；f
im
代表待检测车辆的特征信息；f
in
代表图像库中对应的车辆的特征信息。
[0095]
可选地，所述对所述车辆整体相似度、所述车辆局部特征距离值、所述颜色特征向量和所述车型特征向量进行特征融合，得到车辆相似度，包括：
[0096]
对所述车辆整体相似度、所述车辆局部特征距离值、所述颜色特征向量和所述车型特征向量进行l2范数规范化处理，得到规范化后的特征；
[0097]
根据所述规范化后的特征，计算待检测车辆与图像库中对应的车辆之间的初始重
识别距离值；
[0098]
对所述车辆整体相似度的初始重识别距离值、所述车辆局部特征距离值的初始重识别距离值、所述颜色特征向量的初始重识别距离值和所述车型特征向量的初始重识别距离值进行加权求和计算，得到总重识别距离值；
[0099]
根据所述总重识别距离值确定车辆相似度。
[0100]
本发明实施例的另一方面还提供了一种基于层次匹配的无监督车辆重识别装置，包括：
[0101]
第一模块，用于从视频源中获取待检测车辆图片；
[0102]
第二模块，用于从所述待检测车辆图片中提取车辆整体特征、车辆局部构件信息、车身颜色信息和车型信息；
[0103]
第三模块，用于对所述车辆整体特征进行第一处理，得到车辆整体相似度；
[0104]
第四模块，用于对所述车辆局部构件信息进行第二处理，得到车辆局部特征距离值；
[0105]
第五模块，用于对所述车身颜色信息和所述车型信息进行第三处理，得到颜色特征向量和车型特征向量；
[0106]
第六模块，用于对所述车辆整体相似度、所述车辆局部特征距离值、所述颜色特征向量和所述车型特征向量进行特征融合，得到车辆相似度；
[0107]
第七模块，用于根据所述车辆相似度，从候选车辆集的所有车辆中确定与待检测车辆对应的目标车辆。
[0108]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0109]
所述存储器用于存储程序；
[0110]
所述处理器执行所述程序实现如前面所述的方法。
[0111]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0112]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0113]
下面结合说明书附图，对本发明的具体实现原理进行详细说明：
[0114]
针对现有技术存在的问题，本发明提供了一种基于多模型融合的车辆重识别方法，包括从视频车辆检测、提取、比对完整流程。首先通过yolo检测算法从视频中检测提取车辆并保存，当车辆牌照清晰且能被识别时将优先使用车牌比对，剩余车牌清晰度低的车辆图片将经过后续重识别流程。重识别部分将车辆分为车辆整体特征、车辆局部构件、车身颜色、车型四个部分比对。车辆整体特征输入网络后利用cnn输出整体相似度；车辆局部构件特征通过引入视角可视度分数实现不同视角下的车辆特征比较，视角可视性分数将车辆分为正面、背面、侧面、顶部四个方向，统计车辆在这四个方向的面积并将其作为权重加权到之后的各部件欧氏距离值得到车辆局部特征距离值。车身颜色、车型则通过resnet50网络进行分类得到车辆的颜色特征向量和车型特征向量s。最后通过对上述四个车辆特征融合得到最终的车辆相似度。旨在通过全局特征和车辆解析后的特征相融合，扩大数据的类
间差异并缩小类内差异，从而达到提高车辆重识别准确度的效果。最后对目标车辆与候选车辆集中所有车辆的相似度进行排序，同时利用摄像头空间、车辆出现时间信息，筛选出相似度最高的前5(或10)辆车作为输出。
[0115]
本发明实现了一个基于多特征融合的车辆重识别方法，通过对视频车辆进行检测提取，通过车辆颜色、车型分类，不同视角车辆构件特征比对，车辆出现位置比对，之后利用加权特征值，对整个车辆相似度值进行排序，选取相似度最高的车辆作为输出车辆。
[0116]
车辆检测和车牌识别部分：
[0117]
车辆检测部分首先对给定的视频按一定的间隔取帧，通过对帧图像进行目标检测以判断场景中是否出现了车辆(包括汽车car、公共巴士bus和卡车truck三类)，检测结果与设定的取帧间隔、视频帧率以及运动物体的速度均有关。目标检测采用的是yolo v4算法，它将目标检测转换为一个回归问题，在模型中分类和边框回归同时进行，输入图像经过主干网络(backbone)cspdarknet-53、颈部(neck)金字塔池化(spp)和路径聚合网络(pan)以及头部(head)yolo v3来提取有效特征，再映射到一个张量，从而得到目标检测结果。方法对视频帧图像进行输入，然后检测图像中是否存在车辆目标。
[0118]
对于输入视频中可能存在的静止车辆或低速车辆重复检测问题，对当前检测框和上一次检测框计算其交并比(intersection over union，iou)，剔除iou大于0.5的检测结果，从而改善重复检测问题。
[0119][0120]
其中，r1为上一视频帧的检测框，r2为当前视频帧的检测框；area(r1)∩area(r2)求两个检测框的区域交集，area(r1)∪area(r2)求两个检测框的区域并集。
[0121]
在完成车辆检测后，将帧图像中的车辆检测部分截取并保存成车辆集，后续可根据用户需求划分为查找图片集(query set)和候选图片集(gallery set)，用于车辆重识别部分。
[0122]
车辆检测获得的车辆集除了直接用于车辆重识别部分，还用于车牌识别以作为车辆重识别的辅助参考信息。对于车牌的识别部分，使用车牌识别网络(license plate recognition net，lprnet)，输入车辆图片，通过由squeezenet fire模块和inception模块搭建的cnn模型对车牌部分进行识别。然后将车牌识别结果保存成csv结果文件，用于重识别过程中车牌信息比对。
[0123]
在车辆重识别比对部分：先将车辆分为三个主要部分预测。在车辆构件特征比较部分利用视角分类网络将车辆分为正面、顶面、背面、侧面四个方向，统计车辆这四个方向的面积值作为视角可视度分数(vis_scores)，将该分数视为车辆对应局部特征的置信值。
[0124]
首先通过resnet50特征提取器将车辆分为全局特征和车辆构件(局部)特征两部分。通过全局平均池化用于特征图得到车辆全局特征，通过cnn网络输出全局特征，在匹配相同视角车辆时，此全局特征可带来更高的检测精度。
[0125]
对于车辆各个视角的特征比较，在获得车辆各个视角的视角可视性分数后，可在此基础上将不同视角的车辆特征信息解耦为对应的局部特征实现各个视角下的特征比较。由于此时可视性分数为区域面积，因此需要再将其进行求权重：
[0126][0127]
为权重，和为对应两辆车的可视性分数，i为可视性分数和权重对应的区域，m,n为对应待搜索车辆及图像库对应比对车辆。之后计算车辆各个方向特征的欧氏距离d并将可视性分数权重与其相乘得到最终的局部特征距离值：
[0128][0129]fim
和f
in
为对比的两辆车对应特征，为上述计算得到的权重。
[0130]
上述两个部分对车辆整体特征以及局部特征求相似度，以下则通过车辆的车型、颜色特征分类进一步提高重识别准确度。车型和颜色均通过resnet50网络进行特征提取得到所有车辆的颜色特征向量和车型特征向量s。
[0131]
此时，本实施例已经得到四个车辆特征值即车辆全局特征向量、车辆局部特征向量、车型特征向量、车身颜色特征向量，各特征向量通过l2范数规范化后进行query车辆与gallery车辆间的距离计算，其中局部距离和全局距离的计算方法如前面公式(1)和(2)所示，颜色特征距离和车型特征距离通过计算特征间欧氏距离得到，最后通过线性组合将其加权得到总体车辆重识别距离值d。
[0132][0133]
其中，f
′i表示规范化后的特征，fi为网络输出的特征向量。
[0134][0135]
其中，fm,fn代表不同车辆的特征向量，n代表特征向量的维度。
[0136]
d＝md
global
+βd
local
+γd
color
+λd
type
#(5)
[0137]
综上所述，本发明首先利用车辆识别技术对照片或者视频流中的车辆进行选取，再对所选的车辆照片分三部分进行预测。在车辆构件特征中利用视角分类网络对车辆的四个视角进行打分，作为车辆对应局部特征的置信值；再通过特征提取器将车辆分为全局特征和局部特征两部分，通过全局平均池化用于特征图得到车辆全局特征；最后通过车辆车型及颜色特征进行识别。最后将这四种特征计算特征距离，线性组合加权得到最后的总距离值，然后将得分最高的作为车辆重识别的结果输出，实现从视频到车辆比对的完整重识别流程，具有较高的实用性与可行性，最终检测准确度较高。
[0138]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被
改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0139]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0140]
所述功能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一台计算机设备(可以是个人计算机，服务器，或者网络设备等)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-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0141]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0142]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0143]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0144]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0145]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0146]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。