空中飞行目标分类识别方法、装置及计算机可读存储介质

1.本技术涉及目标识别技术领域，尤其涉及一种空中飞行目标分类识别方法、装置及计算机可读存储介质。


背景技术：

2.鸟类的目标特性、飞行特性等与小型无人机类似，同属于“低小慢”类目标，会干扰对小型无人机目标的识别。低慢小目标，全称“低空、慢速、小型飞行目标”，具有低可观测性，对两者的有效监视和识别成为保障空中航路安全、城市安保等需求迫切需要解决的难题。现有技术中，采用信号处理方式，通过数据分析，人为设计公式来提取诸如速度、加速度、曲率、rcs方差、rcs极差等若干特征，再借由支持向量机、k近邻、马尔科夫链、决策树等分类策略实现目标识别。然而该过程涉及特征工程，较为复杂，对研究者对数据领域的要求掌握程度较高，往往导致分类识别的准确性和泛化能力受限。


技术实现要素：

3.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本技术提出一种空中飞行目标分类识别方法、装置及计算机可读存储介质，能够自动提取目标特征，并进行目标识别，提高分类识别的准确性和泛化性能。
4.第一方面，本技术实施例提供了一种空中飞行目标分类识别方法，所述方法包括：
5.获取不同目标飞行的原始多普勒数据；
6.对所述原始多普勒数据进行预处理得到第一数据；
7.将所述第一数据输入至预设的第一神经网络模型，通过所述第一神经网络模型对所述第一数据进行特征提取处理，得到频率分布特征；
8.将所述第一数据输入至预设的编码器，通过所述编码器对所述第一数据进行特征提取处理，得到时序特征；
9.将所述频率分布特征和所述时序特征进行特征融合处理，得到融合特征；
10.将所述融合特征输入至预设的全连接层，通过所述全连接层对所述目标进行分类识别，得到分类结果。
11.在本技术的一些实施例中，所述获取不同目标飞行的原始多普勒数据，包括：
12.接收阵元回波信号；
13.对所述阵元回波信号进行阵列校正，得到多通道窄波束；
14.对所述多通道窄波束进行合成，得到合成波束；
15.对所述合成波束进行脉冲压缩，得到初步数据；
16.利用恒虚警检测技术对所述目标进行检测，得到所述目标的存在状态；
17.根据所述初步数据和所述存在状态进行点迹凝聚和航迹关联，得到第二数据；
18.根据预设筛选标准对所述第二数据进行筛选，得到所述原始多普勒数据。
19.在本技术的一些实施例中，所述对所述原始多普勒数据进行预处理得到第一数
据，包括：
20.对所述原始多普勒数据进行归一化取模处理，得到所述第一数据。
21.在本技术的一些实施例中，在所述将所述第一数据输入至预设的第一神经网络模型，通过所述第一神经网络模型对所述第一数据进行特征提取处理，得到频率分布特征之前，还包括：
22.构建卷积神经网络模型；
23.获取所述目标飞行的样本数据，并对所述样本数据进行预处理，得到第一样本数据；
24.根据所述第一样本数据训练所述卷积神经网络模型，得到所述第一神经网络模型。
25.在本技术的一些实施例中，所述根据所述第一样本数据训练所述卷积神经网络模型，得到所述第一神经网络模型，包括：
26.将所述第一样本数据输入至所述卷积神经网络模型进行预测，得到预测结果；
27.根据所述预测结果和所述第一样本数据对应的标签对所述卷积神经网络模型的损失函数进行计算，得到损失值；
28.根据所述损失值对所述卷积神经网络模型的模型参数进行优化，得到所述第一神经网络模型。
29.在本技术的一些实施例中，所述将所述第一数据输入至预设的编码器，通过所述编码器对所述第一数据进行特征提取处理，得到时序特征，包括：
30.对所述第一数据进行词嵌入处理，得到第一嵌入向量；
31.将所述第一嵌入向量和与对应的预设位置编码相加，得到第二嵌入向量；
32.根据所述第二嵌入向量和多头注意力机制计算所述第一嵌入向量对应的注意力分数；
33.对所述注意力分数进行归一化处理得到注意力权重系数；
34.对所述注意力权重系数进行加权求和得到注意力分配概率分布数值；
35.将所述注意力分配概率分布数值和所述第二嵌入向量结合后，输入至预设前馈神经网络模型进行特征提取处理，得到所述时序特征。
36.在本技术的一些实施例中，所述将所述频率分布特征和所述时序特征进行特征融合处理，得到融合特征，包括：
37.采用特征拼接的方式将所述频率分布特征和所述时序特征进行融合，得到融合特征。
38.在本技术的一些实施例中，在所述将所述频率分布特征和所述时序特征进行特征融合处理，得到融合特征之后，还包括：
39.对所述融合特征采取随机失活处理，得到新的所述融合特征；
40.将新的所述融合特征输入至所述全连接层，通过所述全连接层对所述目标进行分类识别，得到新的所述分类结果。
41.第二方面，本技术实施例还提供了一种空中飞行目标分类识别装置，包括：
42.数据获取模块，用于获取不同目标飞行的原始多普勒数据；
43.预处理模块，用于对所述原始多普勒数据进行预处理得到第一数据；
44.第一特征提取模块，用于将所述第一数据输入至预设的第一神经网络模型，通过所述第一神经网络模型对所述第一数据进行特征提取处理，得到频率分布特征；
45.第二特征提取模块，用于将所述第一数据输入至预设的编码器，通过所述编码器对所述第一数据进行特征提取处理，得到时序特征；
46.特征融合模块，用于将所述频率分布特征和所述时序特征进行特征融合处理，得到融合特征；
47.分类识别模块，用于将所述融合特征输入至预设的全连接层，通过所述全连接层对所述目标进行分类识别，得到分类结果。
48.第三方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项实施例所述的方法。
49.本技术实施例提出的空中飞行目标分类识别方法、装置及计算机可读存储介质，首先获取不同目标飞行的原始多普勒数据，并对获取到的原始多普勒数据进行预处理后得到第一数据，再将第一数据输入至预设的第一神经网络模型，通过第一神经网络模型对第一数据进行特征提取处理，得到频率分布特征，同时，将第一数据输入至预设的编码器，通过编码器对第一数据进行特征提取处理，得到时序特征，之后，将提取得到频率分布特征和时序特征进行融合处理，得到融合特征，最后，将融合特征输入至预设的全连接层，通过全连接层对目标进行分类识别，得到分类结果。本技术通过采用第一神经网络模型和编码器能够自动提取目标的频率分布特征和时序特征，并以此实现对目标的分类识别，从而提高了分类识别的准确性和该方法的泛化性能。
50.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。
附图说明
51.附图用来提供对本技术技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
52.图1是本技术一些实施例提供的空中飞行目标分类识别方法的第一流程图；
53.图2是图1中步骤s110的流程图；
54.图3是本技术一些实施例提供的空中飞行目标分类识别方法的第二流程图；
55.图4是图3中步骤s230的流程图；
56.图5是图1中步骤s140的流程图；
57.图6是本技术一些实施例提供的空中飞行目标分类识别方法的第三流程图；
58.图7是本技术一些实施例提供的空中飞行目标分类识别方法的第四流程图；
59.图8是本技术一些实施例提供的空中飞行目标分类识别装置的模块结构框图。
具体实施方式
60.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。
61.在本技术的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。
62.本技术的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“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技术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。
63.现有技术中，通过采集空中飞行目标的信号并对其进行分析处理，人为设计公式来提取诸如速度、加速度、曲率、rcs方差、rcs极差等若干特征，再借由支持向量机、k近邻、马尔科夫链、决策树等分类策略实现空中飞行目标的识别，然而该过程涉及特征工程，较为复杂，对研究者对数据领域的要求掌握程度较高，往往导致分类识别的准确性和泛化能力受限。
64.基于此，本技术提供了一种空中飞行目标分类识别方法、装置及计算机可读存储介质，该方法如下，首先获取不同目标飞行的原始多普勒数据，并对获取到的原始多普勒数据进行预处理后得到第一数据，再将第一数据输入至预设的第一神经网络模型，通过第一神经网络模型对第一数据进行特征提取处理，得到频率分布特征，同时，将第一数据输入至预设的编码器，通过编码器对第一数据进行特征提取处理，得到时序特征，之后，将提取得到频率分布特征和时序特征进行融合处理，得到融合特征，最后，将融合特征输入至预设的全连接层，通过全连接层对目标进行分类识别，得到分类结果。本技术通过采用第一神经网络模型和编码器能够自动提取目标的频率分布特征和时序特征，并以此实现对目标的分类识别，从而提高了分类识别的准确性和该方法的泛化性能。
65.本技术实施例提供的空中飞行目标分类识别方法，可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现上述方法的应用等，但并不局限于以上形式。
66.本技术实施例可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
67.下面结合附图，对本技术实施例作进一步的阐述。
68.参考图1，本技术的一些实施例提供了一种空中飞行目标分类识别方法，该方法包括但不限于步骤110、步骤120、步骤130、步骤140、步骤150、步骤160、步骤170。
69.步骤110，获取不同目标飞行的原始多普勒数据。
70.在一些实施例中，不同目标飞行的原始多普勒数据由雷达采集真实数据得到，其中，该雷达可以为全息凝视雷达，原始多普勒数据为连续多普勒测量数据，多普勒数据指的是通过对目标运动与信号源的相对速度进行测量，得到的频率偏移数据。
71.步骤120，对原始多普勒数据进行预处理得到第一数据。
72.在一些实施例中，获取到原始多普勒数据后，对该原始多普勒数据进行预处理得到第一数据。可以理解的是，由于采集环境和时间的不同，因此得到的原始多普勒数据存在量纲不一致的情况，本实施例对原始多普勒数据进行预处理，能够消除原始多普勒数据中可能存在的量纲不一致的影响。
73.在一些实施例中，预处理的具体过程包括对原始多普勒数据进行归一化取模处理，得到第一数据，以此实现原始多普勒数据的规范化。在实际应用中，例如，获取的原始多普勒数据为二维矩阵，矩阵的行表示多普勒频率，列表示测量次数，对每一行的数据取最大值，并采用该最大值实现归一化，使得所有数据实现[0,1]区间的映射，对于数据中存在负数部分，对其进行取模全部变为正值，由此完成归一化取模的预处理。
[0074]
步骤130，将第一数据输入至预设的第一神经网络模型，通过第一神经网络模型对第一数据进行特征提取处理，得到频率分布特征。
[0075]
在一些实施例中，将预处理后得到的第一数据输入至预设的第一神经网络模型，通过第一神经网络模型进行特征提取处理，得到目标的频率分布特征。
[0076]
步骤140，将第一数据输入至预设的编码器，通过编码器对第一数据进行特征提取处理，得到时序特征。
[0077]
在一些实施例中，将预处理后得到的第一数据输入至预设的编码器，通过编码器对第一数据进行特征提取处理，得到时序特征。需要说明的是，由于第一神经网络模型和编码器采用并行方式连接，因此，提取频率分布特征和提取时序特征是同时进行的，提高了数据的传输速度。
[0078]
步骤150，将频率分布特征和时序特征进行特征融合处理，得到融合特征。
[0079]
在一些实施例中，在得到频率分布特征和时序特征之后，将两种目标特征进行特征融合处理，得到融合特征。可以理解的是，特征融合处理的方式包括特征相加、特征拼接以及多模态特征融合等。
[0080]
具体的，在一些实施例中，为最大限度保留提取特征的相对独立性，通过采用特征拼接的方式将频率分布特征和时序特征进行融合，得到融合特征，从而减少对提取特征的破坏度。在实际应用中，例如，提取的频率分布特征和时序特征均为二维张量，频率分布特征的维度大小为64
×
8192，时序特征的维度大小为64
×
100，采用特征拼接的方式，可以将这两个维度的特征拼接成一个维度大小为64
×
8292的特征张量。
[0081]
步骤160，将融合特征输入至预设的全连接层，通过全连接层对目标进行分类识别，得到分类结果。
[0082]
在一些实施例中，将得到的融合特征输入至预设的全连接层，通过全连接层对目标进行分类识别，输出分类结果。可以理解的是，在本实施例中，全连接层起到分类器作用，
主要将提取的特征表示映射到真实标记领域，具体操作方式实质上由卷积层完成。在实际应用中，例如，对飞鸟和无人机进行分类识别，属于二分类问题，因此全连接层的输出节点为2。
[0083]
在一些实施例中，如图2所示，图2是步骤110的细化步骤流程图，步骤120包括但不限于步骤111、步骤112、步骤113、步骤114、步骤115、步骤116、步骤117。
[0084]
步骤111，接收阵元回波信号；
[0085]
步骤112，对阵元回波信号进行阵列校正，得到多通道窄波束；
[0086]
步骤113，对多通道窄波束进行合成，得到合成波束；
[0087]
步骤114，对合成波束进行脉冲压缩，得到初步数据；
[0088]
步骤115，利用恒虚警检测技术对目标进行检测，得到目标的存在状态；
[0089]
步骤116，根据初步数据和存在状态进行点迹凝聚和航迹关联，得到第二数据；
[0090]
步骤117，根据预设筛选标准对第二数据进行筛选，得到原始多普勒数据。
[0091]
具体的，获取不同目标飞行的原始多普勒数据的具体过程如下，首先接受目标返回的阵元回波信号，对该阵元回波信号进行阵列校正形成多通道窄波束，之后，对多通道窄波束进行合成后得到合成波束，再通过对合成波束进行脉冲压缩完成能量积累得到初步数据，之后，利用恒虚警检测技术对目标进行检测，获取目标的存在状态，若目标存在，再根据初步数据进行点迹凝聚和航迹关联，得到第二数据，最后，根据预设筛选标准对第二数据进行筛选，得到原始多普勒数据。可以理解的是，恒虚警检测技术是指雷达系统在保持虚警概率恒定条件下对接收机输出的信号与噪声作判别以确定目标信号是否存在的技术。
[0092]
需要说明的是，在一些实施例中，预设筛选标准主要基于多普勒的宽度、多普勒主频的抖动程度，具体的，飞鸟的多普勒谱宽度较宽，无人机相对较窄；飞鸟的主频抖动较大，而无人机相对较小，最后同时结合目标的飞行轨迹以及飞行速度等进行综合判断摈弃无效数据，进而筛选出真实飞鸟和无人机目标。
[0093]
在一些实施例中，如图3所示，在执行步骤130之前，本技术实施例的方法还包括但不限于步骤210、步骤220、步骤230。
[0094]
步骤210，构建卷积神经网络模型；
[0095]
步骤220，获取目标飞行的样本数据，并对样本数据进行预处理，得到第一样本数据；
[0096]
步骤230，根据第一样本数据训练卷积神经网络模型，得到第一神经网络模型。
[0097]
具体的，在将第一数据输入至预设的第一神经网络模型之前，先训练得到第一神经网络模型，第一神经网络模型的训练过程如下，首先构建卷积神经网络模型，之后获取目标飞行的样本数据，并对样本数据进行预处理，根据预处理得到的第一样本数据训练卷积神经网络模型，得到第一神经网络模型。需要说明的是，目标飞行的样本数据也为连续的多普勒数据，对样本数据进行预处理的过程与步骤120中对原始多普勒数据进行预处理的过程相同，此处不再赘述。
[0098]
在一些实施例中，卷积神经网络模型通过卷积层、激活函数、池化层交替连接组成，由于卷积神经网络具有平移不变性，因此可以最大限度的保留频率特征的原始分布。样本数据输入至卷积层，卷积层提取样本数据中的频率分布特征，使用卷积层提取特征的操作是线性的，但样本数据不一定是线性可分的，因此，通过激活函数加入非线性因素，以提
高线性模型的表达力，激活函数包括sigmoid函数、tanh函数、relu函数、leaky relu函数、maxout函数等。池化层对卷积层中提取的频率分布特征进行特征压缩，提取主要特征，池化层在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果，避免出现过拟合现象。
[0099]
在一些实施例中，如图4所示，图4是步骤230的细化步骤流程图，步骤230包括但不限于步骤231、步骤232、步骤233。
[0100]
步骤231，将第一样本数据输入至卷积神经网络模型进行预测，得到预测结果；
[0101]
步骤232，根据预测结果和第一样本数据对应的标签对卷积神经网络模型的损失函数进行计算，得到损失值；
[0102]
步骤232，根据损失值对卷积神经网络模型的模型参数进行优化，得到第一神经网络模型。
[0103]
具体的，根据第一样本数据训练卷积神经网络模型的具体过程如下，首先将第一样本数据输入至卷积神经网络模型进行预测，得到预测结果，根据第一样本数据对应的标签获取实际结果，再根据预测结果和实际结果对卷积神经网络模型的损失函数进行计算，得到损失值，将得到的损失值作为反向传播量，对卷积神经网络模型的模型参数进行优化调整，得到第一神经网络模型。需要说明的是，可以采用梯度下降算法更新模型参数，通过一步步的迭代求解，能够得到较小化的损失函数，从而更新模型参数，以此提高训练好的第一神经网络模型的预测准确度。
[0104]
在一些实施例中，如图5所示，图5是步骤140的细化步骤流程图，步骤140包括但不限于步骤141、步骤142、步骤143、步骤144、步骤145、步骤146。
[0105]
步骤141，对第一数据进行词嵌入处理，得到第一嵌入向量；
[0106]
步骤142，将第一嵌入向量和与对应的预设位置编码相加，得到第二嵌入向量；
[0107]
步骤143，根据第二嵌入向量和多头注意力机制计算第一嵌入向量对应的注意力分数；
[0108]
步骤144，对注意力分数进行归一化处理得到注意力权重系数；
[0109]
步骤145，对注意力权重系数进行加权求和得到注意力分配概率分布数值；
[0110]
步骤146，将注意力分配概率分布数值和第二嵌入向量结合后，输入至预设前馈神经网络模型进行特征提取处理，得到时序特征。
[0111]
具体的，将第一数据输入至预设的编码器，通过编码器对第一数据进行特征提取处理，得到时序特征，其具体过程如下，首先对第一数据进行词嵌入处理，得到第一嵌入向量，再将第一嵌入向量和对应的预设位置编码相加，得到第二嵌入向量。引入多头注意力机制，根据第二嵌入向量计算与第一嵌入向量对应的注意力分数，对得到的注意力分数进行归一化处理得到注意力权重系数，再对注意力权重系数进行加权求和得到注意力分配概率分布数值，最后，将注意力分配概率分布数值和第二嵌入向量结合后，输入至预设前馈神经网络模型进行特征提取处理，得到时序特征。
[0112]
在一些具体实施例中，利用词嵌入模型，例如bert模型对第一数据进行编码处理，将其转换成对应的编码向量，即得到带有时序信息的第一嵌入向量。引入预设位置编码，该位置编码与第一嵌入向量维度相同，将二者相加得到第二嵌入向量，根据第二嵌入向量的特征，计算得到注意力分数，利用softmax函数进行归一化处理得到注意力权重系数，对注
意力权重系数进行加权求和得到注意力分配概率分布数值。
[0113]
在一些实施例中，如图6所示，在执行步骤150之后，本技术实施例的方法还包括但不限于步骤310、步骤320。
[0114]
步骤310，对融合特征采取随机失活处理，得到新的融合特征；
[0115]
步骤320，将新的融合特征输入至全连接层，通过全连接层对目标进行分类识别，得到新的分类结果。
[0116]
具体的，在将频率分布特征和所述时序特征进行特征融合处理，得到融合特征之后，对融合特征采取随机失活处理，得到新的融合特征，之后，将新的融合特征输入至全连接层，通过全连接层对目标进行分类识别，得到新的分类结果。可以理解的是，在训练的卷积神经网络模型中存在重复提取的信息，因此需要在训练中针对部分神经元以一定的概率进行丢弃。本技术采取的丢弃方式为根据概率值随机选取，因此在训练中，每次迭代中的网络都是不同的，极大提高了数据信息的利用率，多方面综合提取目标的时序特征和频率分布特征，有利于最终目标的识别。
[0117]
本技术实施例提供的一种空中飞行目标分类识别方法具体流程如图7所示，首先获取到目标的原始多普勒数据，在对多普勒数据进行数据预处理得到第一数据，再将第一数据输入至预设的第一神经网络模型，通过第一神经网络模型对第一数据进行特征提取处理，得到频率分布特征，同时，将第一数据输入至预设的编码器，通过编码器对第一数据进行特征提取处理，得到时序特征，之后，将提取得到频率分布特征和时序特征进行融合处理，得到融合特征，最后，将融合特征输入至预设的全连接层，通过全连接层对目标进行分类识别，得到分类结果。本技术实施例通过采用第一神经网络模型和编码器能够自动提取目标的频率分布特征和时序特征，并以此实现对目标的分类识别，从而提高了分类识别的准确性和该方法的泛化性能。
[0118]
参考图8，本技术的一些实施例提供了一种空中飞行目标分类识别装置，该装置包括数据获取模块410、预处理模块420、第一特征提取模块430、第二特征提取模块440、特征融合模块450、分类识别模块460。第一获取模块410获取不同目标飞行的原始多普勒数据，再由预处理模块420对获取到的原始多普勒数据进行预处理后得到第一数据，之后，第一特征提取模块430将第一数据输入至预设的第一神经网络模型，通过第一神经网络模型对第一数据进行特征提取处理，得到频率分布特征，同时，第二特征提取模块440将第一数据输入至预设的编码器，通过编码器对第一数据进行特征提取处理，得到时序特征，之后，特征融合模块450将提取得到频率分布特征和时序特征进行融合处理，得到融合特征，最后，由分类识别模块460将融合特征输入至预设的全连接层，通过全连接层对目标进行分类识别，得到分类结果。本技术实施例的空中飞行目标分类识别装置用于执行上述实施例中的空中飞行目标分类识别方法，其具体处理过程与上述实施例中的空中飞行目标分类识别方法相同，此处不再一一赘述。此外，本技术实施例提供的空中飞行目标分类识别装置，能够自动提取目标的频率分布特征和时序特征，并以此实现对目标的分类识别，从而提高了分类识别的准确性和该方法的泛化性能。
[0119]
此外，本技术的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，在计算机可执行指令用于使计算机执行如上任意实施例中的方法，例如，执行以上描述的图1中的方法步骤110至160、图2中的方法步骤111至117、
图3中的方法步骤210至230、图4中的方法步骤231至233、图5中的方法步骤141至146、图6中的方法步骤310至320。
[0120]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0121]
上面结合附图对本技术实施例作了详细说明，但是本技术不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本技术宗旨的前提下作出各种变化。此外，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。