人脸跨年龄识别方法、装置及存储介质

1.本发明涉及计算机视觉技术领域，具体涉及一种人脸跨年龄识别方法、装置及存储介质。


背景技术：

2.多年以来，人脸识别一直是计算机视觉领域的研究热点。近几年，随着人工智能的快速发展，基于深度学习的人脸识别算法已取得了优异的效果并在应用于生活的各个领域中。尽管一般的人脸识别取得了显著的成功，但随着人的年龄增长，人脸外观也随着发生剧烈变化，人与人之间的变化也有所不同；再者，不同身份的人脸外观有相似的年龄相关信息，如同一身份的人不同时期的差异一般大于不同身份儿童之间的差异。如何将年龄变化的影响最小化是当前人脸识别系统在许多实际应用中正确识别人脸的一个长期难点，比如寻找走失儿童，随着年龄的增长，人脸外观发生变化，给寻找走失儿童带了很大困难。因此，解决年龄不变人脸识别问题具有重要意义。
3.人脸跨年龄识别是人脸识别中一种，不同于一般基于身份的人脸识别算法，人脸跨年龄识别在身份信息的基础上，考虑了人脸年龄信息，并通过解耦身份信息和年龄信息，获得更具有泛化能力的人脸识别模型。
4.基于深度学习的人脸跨年龄识别算法中，主要有生成法和判别法。生成法，通过合成不同年龄的人脸图像来辅助人脸识别，如使用gan模型来提高生成的老化人脸的质量。然而，精确地模拟老化过程是困难和复杂的，合成人脸中的不稳定伪影会显著影响人脸识别的性能。判别法，即通过分解年龄信息，使用模型来判断人脸的身份信息，在假设人脸信息可以通过分解后的分量很好地建模的前提下，特征分解在特征的不变性学习中发挥着关键作用。在判别法中，对于人脸的特征提取，目前主流的神经网络是卷积神经网络。
5.相关技术中，申请号为202010675730.7的发明专利申请公布了一种基于深度卷积神经网络的人脸识别方法，该方法首先使用mtcnn模型检测人脸照片；再在检测的人脸图片上进行对齐处理，将处理后的图片裁剪到112*112大小；再使用100层的深度卷积神经网络resnet作为主干网络，对于身份识别，匹配人脸特征向量，根据相似度获取人脸特征向量相应的身份识别信息；对于年龄识别，根据人脸特征向量，基于多个年龄分类的年龄识别模型，得出年龄识别模型的每个年龄分类对应的概率，并根据年龄分类及概率，得出识别的年龄。
6.但其存在的问题在于：一方面，没有解除人脸中的年龄信息，对跨年龄的人脸鲁棒性差，人脸识别效果差；另一方面，使用100层的resnet作为主干网络，其参数量和macs较大，降低了人脸识别的性能。
7.文献wang h,gong d,li z,et al.decorrelated adversarial learning for age-invariant face recognition[j].2019提出了一种基于线性特征分解的去相关对抗式学习算法(decorrelated adversarial learning，dal)，该算法对抗式地最小化了人的身份信息和年龄信息之间的相关性。通过对抗性的训练，使得人的身份信息和年龄信息能
够充分的不相关，并且可以显著的减少身份信息中的年龄信息。
[0008]
但其使用的是传统的卷积神经网络，模型的参数量和macs较大，模型较复杂，且并行优化能力较差，人脸识别过程耗时较大。


技术实现要素：

[0009]
本发明所要解决的技术问题在于如何增加对人脸年龄信息的鲁棒性，降低模型的复杂度和人脸识别过程中的耗时。
[0010]
本发明通过以下技术手段实现解决上述技术问题的：
[0011]
一方面，本发明提出了一种人脸跨年龄识别方法，所述方法包括以下步骤：
[0012]
获取待检测人脸图像；
[0013]
利用基于transformer模型的混合特征提取网络对所述人脸图像进行特征提取，获得混合特征，所述混合特征为人脸年龄特征与人脸身份特征的混合特征；
[0014]
利用残差因子分解模块对所述混合特征进行处理，得到所述人脸身份特征；
[0015]
将所述人脸身份特征与人脸特征库中的特征进行比对，获取所述人脸图像的身份信息。
[0016]
本发明利用基于transformer模型的混合特征提取网络提取人脸图像中人脸年龄特征和人脸身份特征的混合特征，通过使用transformer中的t2t-vit模型代替传统的卷积神经网络，可减少模型的参数量(params)和macs，降低了模型的复杂度和人脸识别过程中的耗时。
[0017]
进一步地，所述获取任一人脸图像，包括：
[0018]
获取任意图像，并使用人脸检测模型对所述图像进行人脸检测；
[0019]
若检测到人脸部分，则对检测到的所有人脸部分的图像进行人脸对齐，对齐结果作为所述待检测人脸图像；
[0020]
若未检测到人脸部分，则重新获取所述图像。
[0021]
进一步地，所述混合特征提取网络，包括：t2t模型和face age模型，所述t2t模型的输入为所述人脸图像、输出与所述face age模型的输入连接，所述face age模型输出的所述混合特征作为所述残差因子分解模块的输入；
[0022]
其中，所述t2t模型采用t2t-vit网络模型，用于提取所述人脸图像的人脸特征，所述face age模型采用特征重组模块，包括依次连接的第一linear类、view()函数、卷积层、第一激活函数、归一化层、drop out层、flatten层、第二linear类、第二激活函数及l2 norm层，所述第一linear类的输入与所述t2t模型的输出连接，所述l2 norm层的输出与所述残差因子分解模块的输入连接。
[0023]
进一步地，利用所述混合特征提取网络对所述人脸图像进行特征提取，获得的所述混合特征的公式表示如下：
[0024]
x＝e(f)＝x
id
+x
age
[0025]
其中，x为所述混合特征，e(f)为使用所述混合特征提取网络对所述人脸图像提取后的特征，x
id
为所述人脸的身份特征，x
age
为所述人脸的年龄特征。
[0026]
进一步地，所述利用残差因子分解模块对所述混合特征进行处理，得到人脸身份特征x
id
的公式表示如下：
[0027][0028]
其中，表示对efm(x)进行卷积处理后的结果，rfm(x)表示利用残差因子分解模块对所述混合特征x进行处理后的结果，x
age
为所述人脸的年龄特征。
[0029]
进一步地，在所述获取待检测人脸图像之前，还包括：
[0030]
对所述人脸年龄特征和所述人脸身份特征进行去相关对抗学习，得到所述人脸年龄特征和所述人脸身份特征的相关性；
[0031]
根据所述人脸年龄特征与真实年龄标签值之间的损失、所述人脸身份特征与真实身份标签值之间的损失以及所述相关性，计算优化总损失函数作为模型训练损失函数。
[0032]
进一步地，所述对所述人脸年龄特征和所述人脸身份特征进行去相关对抗学习，得到所述人脸年龄特征和所述人脸身份特征的相关性，包括：
[0033]
使用线性规范化映射模块，将所述人脸身份特征x
id
和所述人脸年龄特征x
age
进行规范化映射到v
id
和v
age
：
[0034][0035][0036]
其中，和为神经网络模型参数；
[0037]
计算v
id
和v
age
之间的相关性ρ：
[0038][0039]
其中，μ
id
和分别为v
id
的均值和方差，μ
age
和分别为v
age
的均值和方差，∈是一个把持数值稳定性的常量，cov()表示相关性运算，var()表示方差运算。
[0040]
进一步地，所述优化总损失函数为：
[0041]
l＝l
id
+αl
age
+βρ
[0042]
其中，l
id
为x
id
与真实身份标签值之间的损失，l
age
为x
age
与训练集真实年龄标签值的损失，α、β为平衡比例系数。
[0043]
此外，本发明还提出了一种人脸跨年龄识别装置，所述装置包括：
[0044]
获取模块，用于获取待检测人脸图像；
[0045]
混合特征提取模块，用于利用基于transformer模型的混合特征提取网络对所述人脸图像进行特征提取，获得混合特征，所述混合特征为人脸年龄特征与人脸身份特征的混合特征；
[0046]
人脸身份特征提取模块，用于利用残差因子分解模块对所述混合特征进行处理，得到所述人脸身份特征；
[0047]
比对模块，用于将所述人脸身份特征与人脸特征库中的特征进行比对，获取所述人脸图像的身份信息。
[0048]
此外，本发明还提出了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，实现如上所述的方法。
[0049]
本发明的优点在于：
[0050]
(1)本发明利用基于transformer模型的混合特征提取网络提取人脸图像中人脸年龄特征和人脸身份特征的混合特征，通过使用transformer中的t2t-vit模型代替传统的卷积神经网络，可减少模型的参数量(params)和macs，降低了模型的复杂度和人脸识别过程耗时。
[0051]
(2)本发明采用去相关对抗式学习算法(dal)对人脸年龄特征和人脸身份特征进行对抗式学习，去除人脸中的年龄信息，对抗式地最小化了人的身份信息和年龄信息之间的相关性。通过对抗性的训练，使得人的身份信息和年龄信息能够充分的不相关，并且可以显著的减少身份信息中的年龄信息。
[0052]
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0053]
图1是本发明中人脸跨年龄识别方法的流程图；
[0054]
图2是本发明中人脸图像检测流程图；
[0055]
图3是本发明中人脸识别模型的网络结构图；
[0056]
图4是本发明中混合特征提取网络t2t-face age的网络结构图；
[0057]
图5是本发明中残差因子分解模块rfm的网络结构图；
[0058]
图6是本发明中人脸跨年龄识别装置的结构图。
具体实施方式
[0059]
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，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。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。
[0060]
参照图1，本发明实施例提出了一种人脸跨年龄识别方法，所述方法包括以下步骤：
[0061]
s10、获取待检测人脸图像；
[0062]
需要说明的是，本实施例可以采用传统的人脸检测模型对输入的任意图像进行人脸图像检测。
[0063]
s20、利用基于transformer模型的混合特征提取网络对所述人脸图像进行特征提取，获得混合特征，所述混合特征为人脸年龄特征与人脸身份特征的混合特征；
[0064]
需要说明的是，本实施例中基于transformer模型的混合特征提取网络用于提取人脸图像中人脸年龄特征和人脸身份特征的混合特征，通过使用transformer中的t2t-vit模型代替传统的卷积神经网络，可减少模型的参数量(params)和macs，降低了模型的复杂度，同时降低了人脸识别过程中的耗时。
[0065]
s30、利用残差因子分解模块对所述混合特征进行处理，得到所述人脸身份特征；
[0066]
s40、将所述人脸身份特征与人脸特征库中的特征进行比对，获取所述人脸图像对
应的身份信息。
[0067]
需要说明的是，人脸特征库中存储的特征为与各用户身份对应的人脸特征。
[0068]
本实施例利用人脸识别模型对人脸图像进行识别，人脸识别模型包括混合特征提取网络和残差因子分解模块，通过基于transformer模型的混合特征提取网络用于提取人脸图像中人脸年龄特征和人脸身份特征的混合特征，利用残差因子分解模块对所述混合特征进行处理，得到人脸身份特征并与人脸特征库中的特征进行比对，得到目标人脸的身份信息；通过使用transformer中的t2t-vit模型代替传统的卷积神经网络，可减少模型的参数量(params)和macs，降低了模型的复杂度和人脸识别过程的耗时。
[0069]
在一实施例中，参照图2，所述步骤s10，包括：
[0070]
s11、获取任意图像i
[0071]
s12、使用人脸检测模型对所述图像i进行人脸检测，判断是否检测到人脸图像，若是则执行步骤s13，若否则执行步骤s11；
[0072]
s13、对检测到的所有人脸部分的图像进行人脸对齐，对齐结果作为所述待检测人脸图像f。
[0073]
需要说明的是，本实施例可使用retinaface人脸检测模型对任意图像i进行检测。
[0074]
在一实施例中，参照图3，人脸识别模型包括混合特征提取网络和残差分解因子模块，混合特征提取网络t2t-face age的结构参照图4：所述混合特征提取网络，包括：t2t模型和face age模型，所述t2t模型的输入为所述人脸图像、输出与所述face age模型的输入连接，所述face age模型输出的所述混合特征作为所述残差因子分解模块的输入；
[0075]
其中，所述t2t模型采用t2t-vit网络模型，用于提取所述人脸图像的人脸特征，所述face age模型采用特征重组模块，特征重组模块包括依次连接的第一linear类、view()函数、卷积层、第一归一化层、激活函数、第二归一化层、drop out层、flatten层、第二linear类、第三归一化层及l2 norm层，所述第一linear类的输入与所述t2t模型的输出连接，所述l2 norm层的输出与所述残差因子分解模块的输入连接。第一linear类主要是变换特征，将序列特征转为view()函数主要是在空间维度上将序列形式处理为图像形式，即将特征转为其中：c＝s,l2＝h
×
w；卷积层、第一归一化层、激活函数共同作用是将特征个数转为512维，即特征转为第二归一化层、drop out层、flatten层、第二linear类、第三归一化层及l2 norm层的共同作用是输出最终512维特征，即将特征转为
[0076]
需要说明的是，t2t-vit网络模型为transformer模型中的t2t-vit网络模型，为一基础网络模型，可以用于分类、检测等任务，本实施例利用t2t-vit网络模型从人脸图像中提取人脸特征。
[0077]
特征重组模型用于将空间维度上序列化的人脸特征重组处理为图像化形式，以保留图像块的特征信息，可以更好地进行人脸特征分解。
[0078]
需要说明的是，本实施例中人脸识别模型用于人的身份识别，结果包含n类，与传统的人脸识别分辨真假(结果只有两类)相比难度较大，本实施例t2t模型采用的是t2t-vit网络模型，t2t-vit网络模型为对vit模型的改进，识别效果更好，并且本实施例中添加了face age模块即特征重组模块用于将空间维度上序列化的人脸特征重组处理为图像化形
式，以保留图像块的特征信息，可以更好地进行人脸特征分解，进一步提高了人脸识别效果及准确性。
[0079]
在一实施例中，所述步骤s20中，利用所述混合特征提取网络对所述人脸图像进行特征提取，获得的所述混合特征的公式表示如下：
[0080]
x＝e(f)＝x
id
+x
age
[0081]
其中，x为所述混合特征，e(f)为使用所述混合特征提取网络对所述人脸图像提取后的特征，x
id
为所述人脸的身份特征，x
age
为所述人脸的年龄特征。
[0082]
参照图5，残差因子分解模块rfm为t2t-vit网络模型中的模块，包括依次连接的第三linear类、第三激活函数、第四linear类和第四激活函数；
[0083]
所述利用残差因子分解模块对所述混合特征进行处理，得到人脸身份特征x
id
的公式表示如下：
[0084][0085]
其中，表示对rfm(x)进行卷积处理后的结果，rfm(x)表示利用残差因子分解模块对所述混合特征x进行处理后的结果，x
age
为所述人脸的年龄特征。
[0086]
在一实施例中，在所述步骤s10之前，所述方法还包括：对人脸识别模型进行训练，具体为：
[0087]
s100、对所述人脸年龄特征和所述人脸身份特征进行去相关对抗学习，得到所述人脸年龄特征和所述人脸身份特征的相关性；
[0088]
s200、根据所述人脸年龄特征与真实年龄标签值之间的损失、所述人脸身份特征与真实身份标签值之间的损失以及所述相关性，计算优化总损失函数作为模型训练损失函数。
[0089]
需要说明的是，本实施例采用去相关对抗式学习算法(dal)对人脸年龄特征和人脸身份特征进行去对抗式学习，去除人脸中的年龄信息，对抗式地最小化了人的身份信息和年龄信息之间的相关性。通过对抗性的训练，使得人的身份信息和年龄信息能够充分的不相关，并且可以显著的减少身份信息中的年龄信息。
[0090]
在一实施例中，所述步骤s100，包括以下步骤：
[0091]
使用线性规范化映射模块，将所述人脸身份特征x
id
和所述人脸年龄特征x
age
进行规范化映射到v
id
和v
age
：
[0092][0093][0094]
其中，和为神经网络模型参数；
[0095]
计算v
id
和v
age
之间的相关性ρ：
[0096]
[0097]
其中，μ
id
和分别为v
id
的均值和方差，μ
age
和分别为v
age
的均值和方差，∈是一个把持数值稳定性的常量，cov()表示相关性运算，var()表示方差运算。
[0098]
在一实施例中，所述步骤s200中的优化总损失函数为：
[0099]
l＝l
id
+αl
age
+βρ
[0100]
其中，l
id
为x
id
与真实身份标签值之间的损失，l
age
为x
age
与训练集真实年龄标签值的损失，α、β为平衡比例系数。
[0101]
需要说明的是，真实身份标签值和真实年龄标签值为对人脸识别模型进行训练的训练集标签的损失。
[0102]
本实施例中，本实施例基于transformer中的t2t-vit模型，设计具有提取人脸特征的模型，代替传统的卷积神经网络，减少模型的参数量(params)和macs，提升了人脸识别的性能；并使用去相关对抗式学习算法(dal)去除人脸中的年龄信息，增加了对人脸年龄信息的鲁棒性，提升了对跨年龄人脸的识别精度。
[0103]
并且在公开的一些数据集上验证本实施例人脸跨年龄识别方法达到了人脸跨年龄识别的最优效果，测试环境唯：window10(intel(r)core(tm)i7-9750h cpu@2.60ghz 2.59ghz，16.0g内存)，python3，pytorch1.8.1；显卡：nvidia geforce rtx 2060，cuda：11.4。测试结果见表1和表2：
[0104]
表1公开数据集上测试效果
[0105][0106]
表2测试macs和params
[0107][0108]
此外，参照图6，本发明实施例还提出了一种人脸跨年龄识别装置，所述装置包括：
[0109]
获取模块10，用于获取待检测人脸图像；
[0110]
混合特征提取模块20，用于利用基于transformer模型的混合特征提取网络对所述人脸图像进行特征提取，获得混合特征，所述混合特征为人脸年龄特征与人脸身份特征的混合特征；
[0111]
人脸身份特征提取模块30，用于利用残差因子分解模块对所述混合特征进行处理，得到所述人脸身份特征；
[0112]
比对模块40，用于将所述人脸身份特征与人脸特征库中的特征进行比对，获取所述人脸图像的身份信息。
[0113]
本实施例利用基于transformer模型的混合特征提取网络用于提取人脸图像中人脸年龄特征和人脸身份特征的混合特征，通过使用transformer中的t2t-vit模型代替传统
的卷积神经网络，可减少模型的参数量(params)和macs，降低了模型的复杂度和人脸识别过程的耗时。
[0114]
在一实施例中，所述装置还包括：人脸检测模块，具体用于：
[0115]
获取任意图像i，并使用人脸检测模型对所述图像i进行人脸检测，判断是否检测到人脸图像；
[0116]
若检测到人脸部分，则对检测到的所有人脸部分的图像进行人脸对齐，对齐结果作为所述待检测人脸图像f；
[0117]
若未检测到人脸部分，则重新获取图像i。
[0118]
在一实施例中，所述混合特征提取网络t2t-face age的结构参照图4：所述混合特征提取网络，包括：t2t模型和face age模型，所述t2t模型的输入为所述人脸图像、输出与所述face age模型的输入连接，所述face age模型输出的所述混合特征作为所述残差因子分解模块的输入；
[0119]
其中，所述t2t模型采用t2t-vit网络模型，所述face age模型采用特征重组模块，所述特征重组模块包括依次连接的第一linear类、view()函数、卷积层、第一归一化层、激活函数、第二归一化层、drop out层、flatten层、第二linear类、第三归一化层及l2 norm层，所述第一linear类的输入与所述t2t模型的输出连接，所述l2 norm层的输出与所述残差因子分解模块的输入连接。第一linear类主要是变换特征，将序列特征转为view()函数主要是在空间维度上将序列形式处理为图像形式，即将特征转为其中：c＝s,l2＝h
×
w；卷积层、第一归一化层、激活函数共同作用是将特征个数转为512维，即特征转为第二归一化层、drop out层、flatten层、第二linear类、第三归一化层及l2 norm层的共同作用是输出最终512维特征，即将特征转为
[0120]
在一实施例中，利用所述混合特征提取网络对所述人脸图像进行特征提取，获得的所述混合特征的公式表示如下：
[0121]
x＝e(f)＝x
id
+x
age
[0122]
其中，x为所述混合特征，e(f)为使用所述混合特征提取网络对所述人脸图像提取后的特征，x
id
为所述人脸的身份特征，x
age
为所述人脸的年龄特征。
[0123]
在一实施例中，所述利用残差因子分解模块对所述混合特征进行处理，得到人脸身份特征x
id
的公式表示如下：
[0124][0125]
其中，表示对rfm(x)进行卷积处理后的结果，rfm(x)表示利用残差因子分解模块对所述混合特征x进行处理后的结果，x
age
为所述人脸的年龄特征。
[0126]
在一实施例中，所述装置还包括训练模块，具体包括：
[0127]
去相关对抗式训练单元，用于对所述人脸年龄特征和所述人脸身份特征进行去相关对抗学习，得到所述人脸年龄特征和所述人脸身份特征的相关性；
[0128]
损失函数计算单元，用于根据所述人脸年龄特征与真实年龄标签值之间的损失、所述人脸身份特征与真实身份标签值之间的损失以及所述相关性，计算优化总损失函数作
为模型训练损失函数。
[0129]
需要说明的是，本实施例采用去相关对抗式学习算法(dal)对人脸年龄特征和人脸身份特征进行对抗式学习，去除人脸中的年龄信息，对抗式地最小化了人的身份信息和年龄信息之间的相关性。通过对抗性的训练，使得人的身份信息和年龄信息能够充分的不相关，并且可以显著的减少身份信息中的年龄信息。
[0130]
在一实施例中，所述去相关对抗式训练单元，具体用于：
[0131]
使用线性规范化映射模块，将所述人脸身份特征x
id
和所述人脸年龄特征x
age
进行规范化映射到v
id
和v
age
：
[0132][0133][0134]
其中，和为神经网络模型参数；
[0135]
计算v
id
和v
age
之间的相关性ρ：
[0136][0137]
其中，μ
id
和分别为v
id
的均值和方差，μ
age
和分别为v
age
的均值和方差，∈是一个把持数值稳定性的常量，cov()表示相关性运算，var()表示方差运算。
[0138]
在一实施例中，所述优化总损失函数为：
[0139]
l＝l
id
+αl
age
+βρ
[0140]
其中，l
id
为x
id
与真实身份标签值之间的损失，l
age
为x
age
与训练集真实年龄标签值的损失，α、β为平衡比例系数。
[0141]
需要说明的是，本发明所述人脸跨年龄识别装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不在赘余。
[0142]
此外，本发明实施例还公开了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如上所述的人脸跨年龄识别方法。
[0143]
需要说明的是，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。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。
[0144]
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。
[0145]
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。
[0146]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0147]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。