一种估计车辆距离和速度的方法、装置和系统与流程

1.本技术涉及道路测量技术领域，尤指一种估计车辆距离和速度的方法、装置和系统。


背景技术：

2.前向碰撞预警系统已经成为先进驾驶辅助系统(adas)中的必要功能，在中大型车辆已经有广泛运用，可有效减少了道路交通事故。对道路前方的目标车辆进行速度和距离检测是前向碰撞预警系统的核心模块。一些技术中，前向碰撞预警系统的主要测距传感器是单目相机、激光雷达，其中采用激光雷达的测距测速方法准确性最高，不易受到噪声影响，但是其设备成本和维护费用太高。与激光雷达方法相比，单目相机成本低廉，主要通过提取图像特征来估计前车速度和距离，但不能直接得出距离信息，且容易受到光照环境的影响，引起巨大的测量误差，其准确性完全依赖于算法模型和技术方案。因此，为了兼顾设备成本和准确性，提出一种能够稳定测量车辆距离以及速度的单目视觉算法是必要且急迫的。


技术实现要素：

3.本技术提供了估计车辆距离和速度的方法、装置和系统，该方法能够利用深度卷积神经网络对视频图像中的车辆进行识别和跟踪，进而更加准确的测量前向碰撞预警中的车辆距离和速度。
4.本技术提供了一种估计车辆距离和速度的方法，包括：通过单目相机采集道路中前方多个车辆图像，确定每个车辆相对应的目标框；
5.根据所确定的目标框分别采集每个车辆的视频数据，并利用预设的车辆跟踪方法分别确定每个车辆相对应的id号和历史距离信息；
6.根据所确定的id号、历史距离信息以及车辆动力学模型计算出每个车辆的速度，以及和所述单目相机之间的距离。
7.一种示例性的实施例中，所述通过单目相机采集道路中前方多个车辆图像，确定每个车辆相对应的目标框，包括：
8.通过所述单目相机采集道路中前方多个车辆图像，将所采集的多个图像输入目标检测网络；
9.利用所述目标检测网络对所采集的多个图像进行特征提取、抽象及拟合，得到每个车辆相对应的的多个检测框；
10.利用非极大值抑制方法，分别从每个车辆的多个检测框中筛选出与车辆相对应的目标框。
11.一种示例性的实施例中，所述的车辆跟踪方法包括：基于匈牙利算法和感知哈希的多目标跟踪算法。
12.一种示例性的实施例中，所述根据所确定的目标框分别采集每个车辆的视频数
据，并利用预设的车辆跟踪方法分别确定每个车辆相对应的id号和历史距离信息，包括：
13.计算所采集的视频数据中当前帧目标框ai与上一帧目标框bj之间的交并比iou
i,j
，其中，i表示当前帧中目标框所对应的车辆编号，j表示上一帧中目标框所对应的车辆编号；
14.根据交并比的大小确定二分图的权值e
i,j
；
15.根据当前帧目标框ai、上一帧目标框bj以及所确定的二分图的权值e
i,j
确定每个车辆相对应的id号和与该id号所对应的历史距离信息；
16.其中，该交并比是两目标框交集面积与并集面积之间的比值。
17.一种示例性的实施例中，所述根据交并比的大小确定二分图的权值e
i,j
，包括：
18.若所计算的交并比iou
i,j
大于0.6，则e
i,j
＝iou
i,j
；
19.若所计算的交并比iou
i,j
小于或等于0.6，则计算当前帧目标框ai与上一帧目标框bj之间的差异s
i,j
，并根据s
i,j
的大小确定二分图的权值e
i,j
。
20.一种示例性的实施例中，所述根据s
i,j
的大小确定二分图的权值e
i,j
，包括：
21.当s
i,j
小于或等于16时，则e
i,j
＝iou
i,j
+e
add
；
22.当s
i,j
大于16且小于24时，则e
i,j
＝iou
i,j
；
23.当s
i,j
大于或等于24时，则e
i,j
＝0。
24.一种示例性的实施例中，所述根据当前帧目标框ai、上一帧目标框bj以及所确定的多个二分图的权值e
i,j
确定每个车辆相对应的id号和与该id号所对应的历史距离信息，包括：
25.根据当前帧目标框ai、上一帧目标框bj以及所确定的二分图的权值e
i,j
形成以顶点集a＝{a1,a2,
…
,an}、b＝{b1,b2,
…
,bm}，边集e＝{e
1,1
,e
1,2
,
…
,e
i,j
,
…em,n
}的带权二分图，其中，n指的是当前帧中车辆目标框总数，m指的是上一帧车辆目标框总数；
26.对带权二分图利用匈牙利匹配算法进行匹配计算；
27.若当前帧目标框ai与上一帧目标框匹配成功，则ai继承匹配成功的目标框的id号和历史距离信息。
28.一种示例性的实施例中，所述根据所确定的id号、历史距离信息以及车辆动力学模型计算出每个车辆的速度，以及和所述单目相机之间的距离，包括：
29.针对每个车辆，分别根据车辆的行驶轨迹和预置的车辆动力学模型，利用相机模型求解当前时刻的每个车辆距离，并将该距离记录到每个车辆对应的id号队列下；
30.根据id号队列下的历史距离信息、所计算的距离，利用最小二乘法和车辆动力学模型拟合当前时刻每个车辆的速度。
31.一种示例性的实施例中，所述车辆动力学模型包括：
[0032][0033]
上式中，k为车辆动力学矩阵，vy、vz、ay、az分别表示车辆的纵向速度、横向速度、纵向加速度、横向加速度，t为时间；
[0034]
结合所述id号队列下的历史距离信息，利用最小二乘法和车辆动力学模型拟合当前时刻每个车辆的速度，包括：
[0035]
e＝argmin[(n-km)
t
(n-km)+λkk
t
]；
[0036]
对e求偏导数得到当前时刻车辆的真实速度k＝nm
t
(mm
t
+λi)-1
。
[0037]
本技术还提供了一种估计车辆距离和速度的装置，所述装置包括：存储器和处理器；其特征在于，所述存储器用于保存进行估计车辆距离和速度的程序，所述处理器用于读取执行所述用于进行估计车辆距离和速度的程序，执行上述实施例中任一项所述的方法。
[0038]
本技术还提供了一种估计车辆距离和速度的系统，包括：单目相机、车辆监测和跟踪模块；
[0039]
所述单目相机用于采集道路中前方多个车辆的图片；
[0040]
所述车辆监测和跟踪模块用于确定每个车辆相对应的目标框；
[0041]
根据所确定的目标框分别采集每个车辆的视频数据，并利用预设的车辆跟踪方法分别确定每个车辆相对应的id号和历史距离信息；
[0042]
根据所确定的id号、历史距离信息以及车辆动力学模型计算出每个车辆的速度，以及和所述单目相机之间的距离。
[0043]
与相关技术相比，本技术提供一种估计车辆距离和速度的方法、装置和系统，所述方法包括：通过单目相机采集图像，确定道路中前方第一车辆的目标框；根据所确定的目标框，利用预设的车辆跟踪方法采集所述第一车辆的视频数据；根据所采集的视频数据确定所述第一车辆的id号和历史距离信息；根据所确定的id号、历史距离信息以及车辆动力学模型计算出所述第一车辆的速度，以及和所述单目相机之间的距离。本技术可以利用深度卷积神经网络对视频图像中的车辆进行识别和跟踪，更加准确的测量前向碰撞预警中的车辆距离和速度。
[0044]
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。本技术的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
[0045]
附图用来提供对本技术技术方案的理解，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。
[0046]
图1为本技术实施例的估计车辆距离和速度的方法流程图；
[0047]
图2为一示例实施例中基于单目视觉和卷积网络的车辆测距和测速算法流程图；
[0048]
图3为一示例实施例中车辆跟踪算法流程图；
[0049]
图4为一示例实施例中车辆距离和速度估计流程图；
[0050]
图5为本技术实施例的估计车辆距离和速度的装置示意图；
[0051]
图6为本技术实施例的估计车辆距离和速度的系统示意图。
具体实施方式
[0052]
本技术描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本技术所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
[0053]
本技术包括并设想了与本领域普通技术人员已知的特征和元件的组合。本技术已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本技术中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
[0054]
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本技术实施例的精神和范围内。
[0055]
本公开实施例提供了一种估计车辆距离和速度的方法，如图1所示，方法包括步骤s100-s120；
[0056]
s100.通过单目相机采集道路中前方多个车辆图像，确定每个车辆相对应的目标框；
[0057]
s110.根据所确定的目标框分别采集每个车辆的视频数据，并利用预设的车辆跟踪方法分别确定每个车辆相对应的id号和历史距离信息；
[0058]
s120.根据所确定的id号、历史距离信息以及车辆动力学模型计算出每个车辆的速度，以及和所述单目相机之间的距离。
[0059]
在本实施例中，所采用的单目相机可以是采集频率高于30hz，焦距范围为10～16mm，视场角范围应大于等于35
°
。其中，所计算的车辆的距离和速度，是指以相机为参照物，车辆与相机的相对距离和相对速度。
[0060]
一种示例性的实施例中，通过单目相机采集道路中前方多个车辆图像，确定每个车辆相对应的目标框的实现过程可以包括：
[0061]
步骤1.通过所述单目相机采集多个车辆的图像，分别将所采集的每个车辆的多个图像输入目标检测网络；在本步骤中，该单目相机可以同时采集多个车辆的多个图像信息。
[0062]
步骤2.利用该目标检测网络对所采集的多个图像进行特征提取、抽象及拟合，得到每个车辆的多个检测框；在本步骤中，该目标检测网络应可以为卷积神经网络，利用该卷积神经网络能够准确地预测出车辆在输入图片中的具体位置。为了满足前向碰撞预警实时性要求，利用该卷积神经网络输出的目标框与真实框的平均交并比不可低于0.65，该卷积神经网络的运算器的运算能力不可低于4.0tflops。
[0063]
步骤3.利用非极大值抑制方法，从每个车辆的多个检测框中筛选出每个车辆所对应的一个目标框。
[0064]
一种示例性的实施例中，车辆跟踪方法包括：基于匈牙利算法和感知哈希的多目标跟踪算法。
[0065]
一种示例性的实施例中，根据所确定的目标框采集所述第一车辆的视频数据，并利用预设的车辆跟踪方法确定每个车辆的id号和历史距离信息，可以包括：
[0066]
根据所确定的多个目标框进行采集多个车辆的视频数据；
[0067]
计算所采集的视频数据中当前帧目标框ai与上一帧目标框bj之间的交并比iou
i,j
，其中，i表示当前帧中目标框所对应的车辆编号，j表示上一帧中目标框所对应的车辆编号；
[0068]
根据交并比的大小确定二分图的权值e
i,j
；
[0069]
根据当前帧目标框ai、上一帧目标框bj以及所确定的二分图的权值e
i,j
确定每个车辆相应的id号和与该id号所对应的历史距离信息；
[0070]
其中，该交并比是两目标框交集面积与并集面积之间的比值。
[0071]
所述根据交并比的大小确定二分图的权值e
i,j
，包括：
[0072]
若所计算的交并比iou
i,j
大于0.6，则e
i,j
＝iou
i,j
；
[0073]
若所计算的交并比iou
i,j
小于或等于0.6，则计算当前帧目标框ai与上一帧目标框bj之间的差异s
i,j
，并根据s
i,j
的大小确定二分图的权值e
i,j
；该差异s
i,j
可以是按照ahash算法得到的差异值。
[0074]
一种示例性的实施例中，所述根据s
i,j
的大小确定二分图的权值e
i,j
，包括：
[0075]
当s
i,j
小于或等于16时，则e
i,j
＝iou
i,j
+e
add
；
[0076]
当s
i,j
大于16且小于24时，则e
i,j
＝iou
i,j
；
[0077]
当s
i,j
大于或等于24时，则e
i,j
＝0。
[0078]
一种示例性的实施例中，所述根据当前帧目标框ai、上一帧目标框bj以及所确定的多个二分图的权值e
i,j
确定第一车辆的id号和与该id号所对应的历史距离信息，包括：
[0079]
根据当前帧目标框ai、上一帧目标框bj以及所确定的多个二分图的权值e
i,j
形成以顶点集a＝{a1,a2,
…
,an}、b＝{b1,b2,
…
,bm}，边集e＝{e
1,1
,e
1,2
,
…
,e
i,j
,
…em,n
}的带权二分图，其中，n指的是当前帧多个车辆目标框总数也就是当前帧中所能采集、检测的车辆的数量，m指的是上一帧多个车辆目标框总数也就是上一帧中所能采集、检测的车辆的数量；
[0080]
对带权二分图利用匈牙利匹配算法进行匹配计算；
[0081]
若当前帧目标框ai与上一帧目标框匹配成功，则ai继承匹配成功的目标框的id号和历史距离信息；
[0082]
若不存在与ai匹配的目标框，则对ai赋予新的id号，并创建一个队列以记录该id号的历史距离信息。
[0083]
一种示例性的实施例中，根据所确定每个车辆的id号、历史距离信息以及车辆动力学模型计算出每个车辆的速度，以及和所述单目相机之间的距离，包括：
[0084]
根据每个车辆的行驶轨迹，预先建立的车辆动力学模型，利用相机模型求解当前时刻的每个车辆距离，并将该距离记录到每个车辆相应id号的队列下；
[0085]
根据id号队列下所对应的历史距离信息、所计算的距离，利用最小二乘法和车辆动力学模型拟合当前时刻每个车辆的速度。
[0086]
在本实施例中，利用相机模型求解当前时刻的每个车辆距离的实现过程可以包括：求解前车纵向距离z和横向距离y如下式所示：
[0087][0088]
[0089]
上述两式由相机模型的投影关系得到。
[0090]
下式所示，为像素坐标系和相机坐标系下车辆的投影关系：
[0091][0092]
上述公式中，u、v分别表示为图像中车辆目标框的下边沿中心点的纵坐标、横坐标，f
x
、fy、c
x
、cy为相机内参，x、y、z为相机坐标系下车辆的三维坐标，h为目标车辆的真实高度，h为车辆目标框的像素高度。
[0093]
一种示例性的实施例中，结合id号队列下的历史距离信息，利用最小二乘法和车辆动力学模型拟合当前时刻车辆的真实速度，并给出最小二乘法的拟合误差。若拟合误差大于阈值t，说明历史距离信息与车辆动力学模型不符合，拟合失败且得出的结果不可信；反之，结果可信。其中，所述车辆动力学模型包括：
[0094]
n＝km
[0095]
上式中，k为车辆动力学矩阵，vy、vz、ay、az分别表示第一车辆的纵向速度、横向速度、纵向加速度、横向加速度，t为时间；
[0096]
结合id号队列下的历史距离信息，利用最小二乘法和车辆动力学模型拟合当前时刻每个车辆的速度，包括：
[0097]
e＝argmin[(n-km)
t
(n-km)+λkk
t
]；
[0098]
对e求偏导数得到当前时刻该车辆的真实速度k＝nm
t
(mm
t
+λi)-1
。
[0099]
可以由最小二乘法推理求解出k,具体步骤如下所示：
[0100]
e＝argmin[(n-km)
t
(n-km)+λkk
t
]
[0101][0102]
k＝nm
t
(mm
t
+λi)-1
[0103]
err＝(n-km)
t
(n-km)
[0104]
其中，λ为正则项系数一般取0～1，err为最小二乘法的拟合误差。
[0105]
本实施例中，基于单目视觉和卷积网络的车辆测距和测速算法具有以下技术效果：
[0106]
1.依靠卷积网络的鲁棒性，能够在恶劣的环境下实时地识别前方多辆车辆，在极短的时刻内得出大量车辆的距离和速度，极大地提高了前向碰撞预警系统的准确性，能够有效减少道路交通事故，保证车辆行驶中人员生命安全和财产安全。
[0107]
2.仅需要单目相机和有一定运算能力的运算器，相比于多线激光雷达方案，大大降低了设备成本，提高了设备的可维护性。
[0108]
示例一
[0109]
基于单目视觉和卷积网络的车辆测距和测速算法，如图2所示，过程为：
[0110]
步骤200单目相机采集前方2个车辆的多张图像。
[0111]
步骤210将所采集的图像输入到目标检测网络中，得到第1车辆和第2车辆多个候
选的检测框。
[0112]
在本步骤中，将图像输入到目标检测网络中，经过卷积层、连接层的特征提取、抽象以及拟合后，得到第1车辆和第2车辆的多个检测框。
[0113]
步骤220对多个检测框进行非极大值抑制计算后，筛选出第1车辆和第2车辆相对应的目标框。
[0114]
步骤230根据所确定的目标框，利用预设的车辆跟踪方法采集车辆视频数据；并根据所采集的视频数据分别确定第1车辆和第2车辆的id号和历史距离信息；
[0115]
在本步骤中，根据所确定的目标框，利用预设的车辆跟踪方法采集车辆的视频数据；所采集的视频数据输入到车辆跟踪模块中，分配和更新车辆的id号，继承该id号历史的距离信息。
[0116]
步骤240通过距离和速度解算模块，计算每个车辆的距离和速度。
[0117]
通过距离和速度解算模块，结合单目相机的投影模型，利用最小二乘法和车辆动力学模型解算多辆车辆的真实距离和速度。
[0118]
示例二
[0119]
基于单目视觉和卷积网络的车辆测距和测速算法中，根据所确定的目标框采集车辆的视频数据，并利用预设的车辆跟踪方法确定每个车辆的id号和历史距离信息；其中，该车辆跟踪算法的实现流程，如图3所示：
[0120]
第一步、计算所采集的视频数据中当前帧目标框ai与上一帧目标框bj之间的交并比iou
i,j
；其中，该交并比是两目标框交集面积与并集面积之间的比值。
[0121]
第二步、根据交并比的大小确定二分图的权值e
i,j
；
[0122]
在本步骤中，根据交并比的大小确定二分图的权值e
i,j
，包括：
[0123]
1)若所计算的交并比iou
i,j
大于0.6，则e
i,j
＝iou
i,j
；
[0124]
2)若所计算的交并比iou
i,j
小于或等于0.6，则计算当前帧目标框ai与上一帧目标框bj之间的ahash差异s
i,j
，并根据s
i,j
的大小确定二分图的权值e
i,j
。
[0125]
在步骤2)中根据s
i,j
的大小确定二分图的权值e
i,j
，可以包括：
[0126]
当s
i,j
小于或等于16时，则e
i,j
＝iou
i,j
+e
add
；
[0127]
当s
i,j
大于16且小于24时，则e
i,j
＝iou
i,j
；
[0128]
当s
i,j
大于或等于24时，则e
i,j
＝0。
[0129]
第三步、根据当前帧目标框ai、上一帧目标框bj以及所确定的二分图的权值e
i,j
确定每个车辆的id号和与该id号所对应的历史距离信息；
[0130]
本步骤中，根据当前帧目标框ai、上一帧目标框bj以及所确定的二分图的权值e
i,j
确定车辆的id号和与该id号所对应的历史距离信息，包括：
[0131]
根据当前帧目标框ai、上一帧目标框bj以及所确定的二分图的权值e
i,j
形成以顶点集a＝{a1,a2,
…
,an}、b＝{b1,b2,
…
,bm}，边集e＝{e
1,1
,e
1,2
,
…
,e
i,j
,
…em,n
}的带权二分图，其中，n指的是当前帧中车辆目标框总数，m指的是上一帧中车辆目标框总数；
[0132]
对带权二分图利用匈牙利匹配算法进行匹配计算；
[0133]
若当前帧目标框ai与上一帧目标框匹配成功，则ai继承匹配成功的目标框的id号和历史距离信息；
[0134]
若不存在与ai匹配的目标框，则对ai赋予新的id号，并创建一个队列以记录该id号
的历史距离信息。
[0135]
示例三
[0136]
根据所确定的id号以及车辆动力学模型计算出每个车辆的与单目相机之间的距离和速度，该车辆距离和速度的估计如图4所示，流程包括：
[0137]
步骤401.根据车辆的行驶轨迹，建立车辆动力学模型，并利用相机模型求解当前时刻的每个车辆的距离，并将该距离记录到当前车辆id号的队列下；
[0138]
其中，根据相机模型的投影关系得到求解每个车辆的纵向距离z和横向距离y。相机模型的投影关系如下式所示，像素坐标系和相机坐标系下车辆的投影关系：
[0139][0140]
该相机模型求解每个车辆的纵向距离z和横向距离y，可以采用如下式所示：
[0141][0142][0143]
上述公式中，u、v表示为图像中车辆目标框的下边沿中心点的纵坐标、横坐标，f
x
、fy、c
x
、cy为相机内参，x、y、z为相机坐标系下该车辆的三维坐标，h为目标车辆的真实高度，h为车辆目标框的像素高度。
[0144]
步骤402.结合id号队列下的历史距离信息，利用最小二乘法和车辆动力学模型拟合当前时刻该车辆的真实速度，并给出最小二乘法的拟合误差。
[0145]
本步骤中，该车辆动力学模型包括但不局限于下式所示：
[0146]
n＝km
[0147]
可以由最小二乘法推理求解出k,具体步骤如下所示：
[0148]
e＝argmin[(n-km)
t
(n-km)+λkk
t
]
[0149][0150]
k＝nm
t
(mm
t
+λi)-1
[0151]
err＝(n-km)
t
(n-km)
[0152]
其中k为车辆动力学矩阵，vy、vz、ay、az为车辆的纵向速度、横向速度、纵向加速度、横向加速度，t为时间，λ正则项系数一般取0～1，err为最小二乘法的拟合误差。
[0153]
步骤403.根据拟合误差判断检测结果的可信性。
[0154]
若拟合误差大于阈值t，说明历史距离信息与车辆动力学模型不符合，拟合失败且得出的结果不可信；反之，结果可信。
[0155]
本技术还提供了一种估计车辆距离和速度的装置，如图5所示，所述装置包括：存储器510和处理器520；所述存储器用于保存进行估计车辆距离和速度的程序，所述处理器用于读取执行所述用于进行估计车辆距离和速度的程序，执行上述实施例中任一项所述的
方法。
[0156]
本技术还提供了一种估计车辆距离和速度的系统，如图6所示，所述系统包括：单目相机610、车辆监测和跟踪模块620；
[0157]
所述单目相机，用于采集道路中前方多个车辆的图片；
[0158]
所述车辆监测和跟踪模块，用于确定每个车辆相对应的目标框；
[0159]
根据所确定的目标框分别采集每个车辆的视频数据，并利用预设的车辆跟踪方法分别确定每个车辆相对应的id号和历史距离信息；
[0160]
根据所确定的id号、历史距离信息以及车辆动力学模型计算出每个车辆的速度，以及和所述单目相机之间的距离。
[0161]
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、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如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。