一种基于阈值约束的鲁棒闭环检测方法、系统、存储介质及设备

1.本发明涉及地图构建的技术领域，具体地，涉及一种基于阈值约束的鲁棒闭环检测方法、系统、存储介质及设备。


背景技术：

2.slam技术(即时定位与地图构建技术)的核心问题是，要求机器人在一个陌生的环境中，首先要探索环境从而了解环境(构建地图)，同步运用地图追踪机器人在该环境中的位置(定位)。对slam问题的传统解决方法主要是基于数学概率方法，其中，卡尔曼滤波器、粒子滤波器和极大期望算法等是机器人slam问题的基本解决方法。虽然这些传统的slam算法中仍使用激光测距和声呐测距采集信息，但是这些传感器采集信息，往往得到的数据不精确且使用有一定的局限性，更多情况下激光测距传感器已被视觉传感器所替代。
3.现有技术中，通常采用视觉slam算法来构建上述二维拓扑图，在构建二维拓扑图的过程中，通过图像处理方法来进行局部场景模板的更新和闭环检测，该方法仅能判断两幅环境图像信息是否一致，需要对所有图像序列进行相似性度量，当机器人采集图像过程中发生停止或运行缓慢时，连续的相邻图像帧之间的相似度过高，产生大量的冗余信息导致计算量过大。由于环境图像信息在获取和传输过程中会产生各类噪音，即使相同位置获得的图像信息也具有一定的差异，因此现有技术会导致闭环准确率和定位精度低，进而导致所构建的二维拓扑图失真。


技术实现要素：

4.本发明的目的是提供一种基于阈值约束的鲁棒闭环检测方法、系统、存储介质及设备，该基于阈值约束的鲁棒闭环检测方法、系统、存储介质及设备可以解决现有技术中视觉slam易受复杂环境因素干扰，导致闭环准确率和定位精度低，进而导致所构建的二维拓扑图失真的问题。
5.为了实现上述目的，本发明提供了一种基于阈值约束的鲁棒闭环检测方法，所述基于阈值约束的鲁棒闭环检测方法包括：
6.利用视觉感知系统采集图像信息，基于阈值约束筛选表征环境信息的关键帧，并生成关键帧模板库，其中每一个关键帧均仅且只对应一个特征向量；
7.根据所述关键帧所包含的图像旋转和平移信息，进行方向和位移编码，更新位姿感知信息；
8.根据场景的复杂程度不同，采用一种具有动态增减机制的图像特征训练方法对关键帧图像特征信息进行学习，并生成特征向量集，每个关键帧仅且只被一个特征向量表征；
9.引入颜色深度图并结合图像匹配算法实现运动过程中的闭环检测，修正闭环错误。
10.优选地，所述基于阈值约束筛选表征环境信息的关键帧包括：
11.将第一帧设置为关键帧，且在当前帧的位移量达到一定位移阈值或者旋转角度达到一定角度阈值时将该当前帧设置为关键帧。
12.优选地，所述根据所述关键帧图像所包含的图像旋转和平移信息，进行方向和位移编码，更新位姿感知信息包括：
13.通过构建最小二乘法和svd分解方法计算两帧间的运动向量，求解旋转矩阵r和平移向量t：
[0014][0015]
式中，pi和p
′i分别为第一帧和第二帧图像中的第i点，ei为第i对点的误差项，r和t分别为两帧间的旋转矩阵和平移向量；
[0016]
求解得欧式变换r，t，使得pi和p
′i一一对应，然后定义第i对点的误差项ei，运用svd方法求解式中的icp问题。最后，构建最小二乘问题，求出使误差平方和达到最小的r和t；
[0017]
如果当前帧与上一帧之间的平移向量t大于平移阈值e，则说明两帧间相距较远，选取当前帧为关键帧，反之，则比较当前帧与上一帧之间的旋转矩阵r；若旋转矩阵r大于旋转阈值a，则说明两帧间旋转角度过大，选取当前帧为关键帧，反之则将当前帧设为初始帧，继续进行判断r和t直到图数量不再增加。
[0018]
优选地，所述根据场景的复杂程度不同，采用一种具有动态增减机制的图像特征训练方法对关键帧图像特征信息进行学习，并生成特征向量集，每个关键帧仅且只被一个特征向量表征包括：
[0019]
步骤31，样本到相近的聚类集合分配规则如式(1)所示，更新聚类中心规则如式(2)所示：
[0020][0021][0022][0023]
其中，为第i个聚类簇中样本的个数，xj为第i个聚类簇中的第j个样本，为上一次迭代之前的聚类中心，为迭代之后的聚类中心，ε为前一次聚类中心与当前聚类中心的误差阈值；重复步骤31，直到满足公式(3)；
[0024]
[0025][0026]
其中，rd为增长阈值，da为缩减阈值；
[0027]
遍历样本判定若满足式(4)、(5)，则聚类完成，若不满足式(4)，则此样本与此聚类簇的区分度较大，是区别于场景的显著性区域，则将当前聚类簇样本点与聚类中心最远的点设为一个新的聚类中心；若不满足式(5)，则说明二聚类中心过近，则合并二聚类中心，采用二聚类中心之间连线的中点为新的聚类中心点，直到满足公式(4)、(5)，则聚类完成；
[0028]
步骤32，将动态增减机制的图像特征训练方法提取出来的特征向量v＝(v1,v2,
…
,vk)中的元素映射到[0，1]区间，经过降维后生成新的特征向量：
[0029][0030]
其中，v
′j是降维后特征向量的元素，vi是第i个特征向量，v
min
为从表征关键帧信息的特征向量中的最小元素值，v
max
为特征向量中的最大值元素值；
[0031]
步骤33，将降维后生成新的特征向量归一化至特征向量集，每个关键帧仅且只被一个特征向量表征。
[0032]
优选地，所述引入颜色深度图并结合图像匹配算法实现运动过程中的闭环检测，修正闭环错误包括：
[0033]
利用颜色图和深度图结合的颜色深度图中的扫描线强度分布进行图像匹配，对灰度图片所有像素列强度求和并归一化；将图像扫描线强度分布间的平均绝对强度差值称为强度偏移量，用g(c)表示；
[0034][0035]
其中，ij和ik是被比较的图像扫描线强度分布，c是分布偏移量，b是图像的宽度；
[0036]
通过下述公式获取图像的匹配度度量g：
[0037]
g＝μr|g
ir
(c)-g(c)|+μd|g
id
(c)-g(c)|；
[0038]
其中，μr和μd分别为颜色图和深度图的权值，且μr+μd＝1；gir(c)为颜色图的扫描强度分布，g
id
(c)为深度图的扫描强度分布；在连续的图像中ij和ik像素的最小偏移量cm是对二幅图像的匹配度度量的最小值；
[0039]cm
＝minc∈[ρ-b,b-ρ](g)
[0040]
其中，偏置ρ确保了二幅图像有一个重叠量；设定图像的相似性阈值为c
t
，当cm《c
t
时，当前视图为新的视图，保存到视觉模板集{vi}中，当cm≥c
t
时，则认为回到了一个相似的场景，闭环修正成功。
[0041]
另外，本发明还提供一种基于阈值约束的鲁棒闭环检测系统，所述基于阈值约束的鲁棒闭环检测系统包括：
[0042]
模板库生成单元，用于利用视觉感知系统采集图像信息，基于阈值约束筛选表征环境信息的关键帧，并生成关键帧模板库，其中每一个关键帧均仅且只对应一个特征向量；
[0043]
信息更新单元，用于根据所述关键帧所包含的图像旋转和平移信息，进行方向和位移编码，更新位姿感知信息；
[0044]
向量集生成单元，用于根据场景的复杂程度不同，采用一种具有动态增减机制的图像特征训练方法对关键帧图像特征信息进行学习，并生成特征向量集，每个关键帧仅且只被一个特征向量表征；
[0045]
错误修正单元，用于引入颜色深度图并结合图像匹配算法实现运动过程中的闭环检测，修正闭环错误。
[0046]
优选地，所述模板库生成单元用于基于阈值约束筛选表征环境信息的关键帧包括：
[0047]
将第一帧设置为关键帧，且在当前帧的位移量达到一定位移阈值或者旋转角度达到一定角度阈值时将该当前帧设置为关键帧。
[0048]
优选地，所述信息更新单元用于根据所述关键帧图像所包含的图像旋转和平移信息，进行方向和位移编码，更新位姿感知信息包括：
[0049]
通过构建最小二乘法和svd分解方法计算两帧间的运动向量，求解旋转矩阵r和平移向量t：
[0050][0051]
式中，pi和p
′i分别为第一帧和第二帧图像中的第i点，ei为第i对点的误差项，r和t分别为两帧间的旋转矩阵和平移向量。
[0052]
求解得欧式变换r，t，使得pi和p
′i一一对应，然后定义第i对点的误差项ei，运用svd方法求解式中的icp问题。最后，构建最小二乘问题，求出使误差平方和达到最小的r和t；
[0053]
如果当前帧与上一帧之间的平移向量t大于平移阈值e，则说明两帧间相距较远，选取当前帧为关键帧，反之，则比较当前帧与上一帧之间的旋转矩阵r；若旋转矩阵r大于旋转阈值a，则说明两帧间旋转角度过大，选取当前帧为关键帧，反之则将当前帧设为初始帧，继续进行判断r和t直到图数量不再增加。
[0054]
优选地，所述向量集生成单元用于根据场景的复杂程度不同，采用一种具有动态增减机制的图像特征训练方法对关键帧图像特征信息进行学习，并生成特征向量集，每个关键帧仅且只被一个特征向量表征包括：
[0055]
步骤31，样本到相近的聚类集合分配规则如式(1)所示，更新聚类中心规则如式(2)所示：
[0056][0057][0058]
[0059]
其中，为第i个聚类簇中样本的个数，xj为第i个聚类簇中的第j个样本，为上一次迭代之前的聚类中心，为迭代之后的聚类中心，ε为前一次聚类中心与当前聚类中心的误差阈值；重复步骤31，直到满足公式(3)；
[0060][0061][0062]
其中，rd为增长阈值，da为缩减阈值；
[0063]
遍历样本判定若满足式(4)、(5)，则聚类完成，若不满足式(4)，则此样本与此聚类簇的区分度较大，是区别于场景的显著性区域，则将当前聚类簇样本点与聚类中心最远的点设为一个新的聚类中心；若不满足式(5)，则说明二聚类中心过近，则合并二聚类中心，采用二聚类中心之间连线的中点为新的聚类中心点，直到满足公式(4)、(5)，则聚类完成；
[0064]
步骤32，将动态增减机制的图像特征训练方法提取出来的特征向量v＝(v1,v2,
…
,vk)中的元素映射到[0，1]区间，经过降维后生成新的特征向量：
[0065][0066]
其中，v
′j是降维后特征向量的元素，vi是第i个特征向量，v
min
为从表征关键帧信息的特征向量中的最小元素值，v
max
为特征向量中的最大值元素值；
[0067]
步骤33，将降维后生成新的特征向量归一化至特征向量集，每个关键帧仅且只被一个特征向量表征。
[0068]
优选地，所述错误修正单元用于引入颜色深度图并结合图像匹配算法实现运动过程中的闭环检测，修正闭环错误包括：
[0069]
利用颜色图和深度图结合的颜色深度图中的扫描线强度分布进行图像匹配，对灰度图片所有像素列强度求和并归一化；将图像扫描线强度分布间的平均绝对强度差值称为强度偏移量，用g(c)表示；
[0070][0071]
其中，ij和ik是被比较的图像扫描线强度分布，c是分布偏移量，b是图像的宽度；
[0072]
通过下述公式获取图像的匹配度度量g：
[0073]
g＝μr|g
ir
(c)-g(c)|+μd|g
id
(c)-g(c)|；
[0074]
其中，μr和μd分别为颜色图和深度图的权值，且μr+μd＝1；gir(c)为颜色图的扫描强度分布，g
id
(c)为深度图的扫描强度分布；在连续的图像中ij和ik像素的最小偏移量cm是对二幅图像的匹配度度量的最小值；
[0075]cm
＝minc∈[ρ-b,b-ρ](g)
[0076]
其中，偏置ρ确保了二幅图像有一个重叠量；设定图像的相似性阈值为c
t
，当cm《c
t
时，当前视图为新的视图，保存到视觉模板集{vi}中，当cm≥c
t
时，则认为回到了一个相似的
场景，闭环修正成功。
[0077]
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述基于阈值约束的鲁棒闭环检测方法。
[0078]
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述基于阈值约束的鲁棒闭环检测方法。
[0079]
根据上述技术方案，本发明通过双阈值关键帧选取策略优化选取的关键帧，并生成关键帧模板库降低关键帧的冗余度，从而提高系统实时性，其中每一个关键帧均仅且只对应一个特征向量；每一个关键帧又包含图像旋转和平移信息，可进行方向和位移编码，更新位姿感知信息；根据场景的复杂程度不同，使用一种具有动态增减机制的图像特征训练方法对关键帧图像特征信息进行学习，并生成特征向量集，每个关键帧仅且只被一个特征向量表征；引入颜色深度图并结合图像匹配算法实现运动过程中的闭环检测，修正闭环错误。利用该原理对现有的slam技术进行改进得到本发明方案。
[0080]
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0081]
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
[0082]
图1是说明本发明的一种基于阈值约束的鲁棒闭环检测方法的流程图；
[0083]
图2是双阈值关键帧选取流程图；
[0084]
图3具有动态增减机制的图像特征训练方法流程图；
[0085]
图4a颜色效果图；图4b是与图4a处于同一场景的深度图；
[0086]
图5a是一个实施例的基于阈值约束机制的特征提取效果图；
[0087]
图5c是图5a的基于阈值约束机制的基于双阈值的关键帧选取效果的示意图；
[0088]
图5b是另一个实施例的基于阈值约束机制的特征提取效果图；
[0089]
图5d是图5b的基于阈值约束机制的基于双阈值的关键帧选取效果的示意图；
[0090]
图6a00序列本发明方法检测到的闭环轨迹图；
[0091]
图6b是本发明方法与其他方法对比图；
[0092]
图6c06序列本发明方法检测到的闭环轨迹图；
[0093]
图6d本发明方法与其他方法对比图；
[0094]
图7a k＝2时构建的环境认知地图；
[0095]
图7b k＝5时构建的环境认知地图；
[0096]
图7c k＝8时构建的环境认知地图。
具体实施方式
[0097]
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0098]
本发明提供一种基于阈值约束机制的闭环检测方法，该方法通过双阈值关键帧选取策略优化选取的关键帧，并生成关键帧模板库降低关键帧的冗余度，从而提高系统实时性，其中每一个关键帧均仅且只对应一个特征向量；每一个关键帧又包含图像旋转和平移
信息，可进行方向和位移编码，更新位姿感知信息；根据场景的复杂程度不同，使用一种具有动态增减机制的图像特征训练方法对关键帧图像特征信息进行学习，并生成特征向量集，每个关键帧仅且只被一个特征向量表征；引入颜色深度图并结合图像匹配算法实现运动过程中的闭环检测，修正闭环错误。利用该原理对现有的slam技术进行改进得到本发明方案。
[0099]
实施例一
[0100]
如图1所示，本发明提供了一种基于阈值约束的鲁棒闭环检测方法，包括：
[0101]
步骤s1，利用视觉感知系统采集图像信息，基于阈值约束筛选表征环境信息的关键帧图像，并生成关键帧模板库，其中每一个关键帧均仅且只对应一个特征向量。
[0102]
如图2所示，步骤s1和s2具体包括：初始化后第一帧设为关键帧，当位移量达到一定阈值或者旋转角度达到一定阈值则将当前帧设置为关键帧。
[0103]
根据关键帧所包含的图像旋转和平移信息，进行方向和位移编码，更新位姿感知信息。
[0104]
通过构建最小二乘法和svd分解方法计算两帧间的运动向量，求解旋转矩阵r和平移向量t：
[0105][0106]
式中，pi和p
′i分别为第一帧和第二帧图像中的第i点，ei为第i对点的误差项，r小二乘问题，求出使误差平方和达到最小的r和t。
[0107]
如果当前帧与上一帧之间的平移向量t大于平移阈值e，则说明两帧间相距较远，选取当前帧为关键帧，反之，则比较当前帧与上一帧之间的旋转矩阵r；若旋转矩阵r大于旋转阈值a，则说明两帧间旋转角度过大，选取当前帧为关键帧，反之则讲当前帧设为初始帧，继续进行判断r和t直到图数量不再增加。
[0108]
如图3所示，步骤s3具体包括：首先，样本到相近的聚类集合分配规则如式(1)所示，更新聚类中心规则如式(2)所示。
[0109][0110][0111][0112]
其中，为第i个聚类簇中样本的个数，xj为第i个聚类簇中的第j个样本，为上一次迭代之前的聚类中心，为迭代之后的聚类中心，ε为前一次聚类中心与当前聚类中心的误差阈值。重复上一步骤，直到满足公式(3)，则说明聚类中心不再发生变化，则
执行下一步。
[0113][0114][0115]
其中，rd为增长阈值，da为缩减阈值。
[0116]
遍历样本判定若满足式(4)、(5)，则聚类完成，若不满足式(4)，则此样本与此聚类簇的区分度较大，是可以区别于场景的显著性区域，则将当前聚类簇样本点与聚类中心最远的点设为一个新的聚类中心，当不满足式(5)时，则说明二聚类中心过近，则合并二聚类中心，采用二聚类簇中心之间连线的中点为新的聚类中心点，直到满足公式(4)、(5)，则聚类完成。
[0117]
其次，将动态增减机制的图像特征训练方法提取出来的特征向量v＝(v1,v2,
…
,vk)中的元素映射到[0，1]区间，经过降维后生成新的特征向量：
[0118][0119]
其中，v
′j是降维后特征向量的元素，vi是第i个特征向量，vmin为表征关键帧信息中特征向量的最小元素值，v
max
为特征向量中的最大值元素值。
[0120]
最后，将降维后生成新的特征向量归一化至特征向量集，每个关键帧仅且只被一个特征向量表征。
[0121]
如图4所示，步骤s4，引入颜色深度图并结合图像匹配算法实现运动过程中的闭环检测，利用颜色和深度图像结合中的扫描线强度分布进行图像匹配，修正闭环错误。
[0122]
如图5(a)、(b)所示，为本发明所提方法在公开数据集kitti 00序列中某帧图像进行的特征点提取，图5(c)、(d)是基于双阈值约束的关键帧选取结果。基于双阈值的约束条件下，本发明所提方法在拐弯处可以很好地解决由于相机旋转带来的关键帧丢失问题；在直线行进中，关键帧分布更加均匀，避免了帧间运动不敏感，提高了算法的定位精度和闭环的准确率。
[0123]
如图6所示，图6(a)为本发明所提方法和其他方法在非闭环场景的轨迹对比，可以看到本发明所提方法在机器人直线行驶时具有较低相对平移误差和相对旋转误差。图5(b)、(c)和(d)为本发明所提方法与其他方法在具有闭环场景的轨迹对比，可以看到即使预测误差较大时，根据动态增减机制训练的关键帧图像，其特征信息保留更完整，能够有效地检测到回环，并进行误差纠正。
[0124]
如图7所示，图7(a)、(b)和(c)分别为k取值为2、5和8情况下构建的二维环境拓扑图，图中红色节点为环境中显著性目标位置点，蓝色线条为检测到的闭环场景，绿色线条为检测到的错误匹配场景。从3幅图的对比可知，当k值较小时，由于检测到的显著性目标位置点多，容易造成节点匹配混乱，导致在闭环检测时出现较多的错误匹配。k值过大时，获取的显著性目标位置点较少不足以表达当前场景，而k值为5时，获取的显著性目标位置点分布较均匀，能够较好的表达表征当前环境场景。
[0125]
实施例二
[0126]
与本发明实施例一对应，本发明实施例二提供一种计算机可读存储介质，其上存
储有计算机程序，该程序被处理器执行时实现以下步骤：
[0127]
步骤s1，利用视觉感知系统采集图像信息，基于阈值约束筛选表征环境信息的关键帧图像，并生成关键帧模板库，其中每一个关键帧均仅且只对应一个特征向量；
[0128]
步骤s2，根据关键帧所包含的图像旋转和平移信息，进行方向和位移编码，更新位姿感知信息；
[0129]
步骤s3，根据场景的复杂程度不同，采用一种具有动态增减机制的图像特征训练方法对关键帧图像特征信息进行学习，并生成特征向量集，每个关键帧仅且只被一个特征向量表征；
[0130]
步骤s4，引入颜色深度图并结合图像匹配算法实现运动过程中的闭环检测，修正闭环错误。
[0131]
上述存储介质包括：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)、光盘等各种可以存储程序代码的介质。
[0132]
上述关于计算机可读存储介质中程序执行后实现步骤的具体限定可以参见实施例一，在此不再做详细说明。
[0133]
实施例三
[0134]
与本发明实施例一对应，本发明实施例三提供一种计算机设备，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程序时实现以下步骤：
[0135]
步骤s1，利用视觉感知系统采集图像信息，基于阈值约束筛选表征环境信息的关键帧图像，并生成关键帧模板库，其中每一个关键帧均仅且只对应一个特征向量；
[0136]
步骤s2，根据关键帧所包含的图像旋转和平移信息，进行方向和位移编码，更新位姿感知信息；
[0137]
步骤s3，根据场景的复杂程度不同，采用一种具有动态增减机制的图像特征训练方法对关键帧图像特征信息进行学习，并生成特征向量集，每个关键帧仅且只被一个特征向量表征；
[0138]
步骤s4，引入颜色深度图并结合图像匹配算法实现运动过程中的闭环检测，修正闭环错误。
[0139]
上述关于计算机设备实现步骤的具体限定可以参见实施例一，在此不再做详细说明。
[0140]
需要说明的是，本发明的说明书附图中的框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与获得机指令的组合来实现。
[0141]
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述基于阈值约束的鲁棒闭环检测方法。
[0142]
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述基于阈值约束的鲁棒闭环检测方法。
[0143]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0144]
本技术是参照根据本技术实施例的方法、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。
[0145]
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。
[0146]
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设备上，使得在计算机或其他可编程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。
[0147]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0148]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0149]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0150]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0151]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术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，本技术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。
[0152]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。