基于指纹数据库的室内定位方法、装置及介质与流程

1.本发明涉及室内定位技术领域，尤其涉及一种基于指纹数据库的室内定位方法、装置及介质。


背景技术：

2.在室内环境，由于存在大量的非视距传播路径，难以准确测距，传统的定位方式均难以获得好的效果，定位误差很大。rf指纹定位是室内定位技术中很有竞争力的技术之一，但其构建rf指纹工作量较大，并且随环境变化，rf指纹还要更新。
3.在专利《基于压缩感知的dtmb与fm信号室内指纹定位系统方法(中国专利申请号cn201911137849.2)》中，该方案采用广播电视频段以及fm频段的信号进行定位，这些信号并非常用的通移动通信信号，用于定位的话，需要布设专用的收发设备，并且要求待定位的终端也能够收发对应的频段信息，这显然需要增加硬件成本。
4.在专利《基于贝叶斯压缩感知的室内无线终端定位方法(中国专利申请号cn201210077542.x)》中，该方案成立是基于待定终端只会出现在唯一的事先划好的网格点上这一假设，因此可以构建稀疏采样模型，进行位置的恢复。但如果待定位终端不是恰好出现在事先划好的网格点上，而是有一定偏差，那么稀疏模型不一定成立，会引入误差；另外该方案是在在线阶段引入压缩感知模型，用稀疏信号恢复的手段来还原待定位终端的位置，存在计算量较大，耗时较长的问题，对定位时间要求敏感的场景不一定适合。


技术实现要素：

5.本发明提供了一种基于指纹数据库的室内定位方法、装置及介质，所述方法基于利用少量参考点上信号强度的测量转换得到高密度参考点处各接入点的信号强度来构建指纹数据库，比对指纹数据库中的最接近的坐标来计算目标定位。
6.为实现上述目的，本发明实施例提供了一种基于指纹数据库的室内定位方法，包括：
7.在定位环境中选取第一参考点，作为高密度参考点集合，记为hfp，其中第一参考点的数量满足n＝2n，n为正偶数；
8.将所述第一参考点按照位置进行矢量化排列并使用n位二进制码编号，将第一参考点的编号集合关于n维二进制矢量加法构成代数群的结构，记为群g＝(gf(2)n,+)；
9.在所述高密度参考点集合中选取第二参考点，作为低密度参考点集合，记为lfp，其中所述第二参考点的数量为m，且所述第二参考点满足构成所述群g上bent函数的支撑集；
10.利用所述低密度参考点集合构造观测矩阵a
lfp
，利用所述高密度参考点集合构造变换矩阵ag；
11.在所述第二参考点处测量所述定位环境中的接入点的信号强度，并记为m维矢量；
12.针对所述接入点进行求解优化问题，将所述接入点的m维矢量拓展成n维矢量；
13.将每个所述n维矢量进行逆变换，得到所述接入点的信号强度在第一参考点上的估计值；
14.结合所述接入点的信号强度在第一参考点上的估计值以及其对应的第一参考点的坐标，得到基于高密度参考点集合的指纹数据库；
15.获取所述定位环境中的待定位终端的接入点的信号强度，并记为第一信号强度矢量；
16.计算第一信号强度矢量与所述基于高密度参考点集合的指纹数据库中每一行的第二信号强度矢量的距离；
17.取所述距离中最小的k个距离，并根据其在所述基于高密度参考点集合的指纹数据库中对应的坐标计算待定位终端的坐标，得到待定位终端的位置。
18.进一步的，利用所述低密度参考点集合构造观测矩阵a
lfp
；利用所述高密度参考点集合构造变换矩阵ag，具体包括：构造群g中的每一个元素对应的群特征为t
α
(x)＝(-1)
(α,x)
，且在群g内取一个m元子集d，对任意一个群的特征，可以构造一个m*n的矩阵ad：
19.ad＝[t1(d),t2(d),...,tn(d)]，其中ad的元素只为1或者-1乘以一个常数；
[0020]
则根据上述定义利用所述低密度参考点集合构造观测矩阵a
lfp
：
[0021]alfp
＝[t1(lfp),...,tn(lfp)]；
[0022]
利用所述高密度参考点集合构造变换矩阵ag，其中ag为只含有-1和1乘以一个常数元素的对称矩阵，即并且矩阵ag构成n阶酉矩阵，满足e表示单位矩阵。
[0023]
进一步的，所述针对所述接入点进行求解优化问题，将所述接入点的m维矢量拓展成n维矢量，具体包括：
[0024]
其中的求解优化问题可以是：
[0025]
或者是噪声误差优化问题：其中η为允许的噪声阈值；
[0026]
或者是任意等价的或基于上述优化问题拓展出的其他凸优化求解问题；
[0027]
根据优化问题的求解，可以得到n维矢量ai。
[0028]
进一步的，所述逆变换的计算公式为：其中即每个接入点的信号强度在第一参考点上的估计值。
[0029]
进一步的，所述取所述距离中最小的k个距离，并根据其在所述基于高密度参考点集合的指纹数据库中对应的坐标计算待定位终端的坐标，得到待定位终端的位置，具体为：
[0030]
取所述距离中最小的k个距离，记为：d
m1
,d
m2
,...,d
mk
；
[0031]
在所述基于高密度参考点集合的指纹数据库中查找对应的第二信号强度矢量的坐标，记为：(x
m1
,y
m1
),...,(x
mk
,y
mk
)；
[0032]
计算待定位终端坐标，得到坐标
[0033]
相应地，本发明实施例还提供了一种基于指纹数据库的室内定位装置，包括：
[0034]
选取第一参考点模块，用于在定位环境中选取第一参考点，作为高密度参考点集合，记为hfp，其中第一参考点的数量满足n＝2n，n为正偶数；将所述第一参考点按照位置进行矢量化排列并使用n位二进制码编号，将第一参考点的编号集合关于n维二进制矢量加法构成代数群的结构，记为群g＝(gf(2)n,+)；
[0035]
选取第二参考点模块，用于在所述高密度参考点集合中选取第二参考点，作为低密度参考点集合，记为lfp，其中第二参考点的数量为m，且满足构成所述群g上bent函数的支撑集；
[0036]
构造观测矩阵模块，用于利用所述低密度参考点集合构造观测矩阵a
lfp
；
[0037]
构造变换矩阵模块，用于利用所述高密度参考点集合构造变换矩阵ag；
[0038]
测量信号强度模块，用于在所述第二参考点处测量所述定位环境中的接入点的信号强度，并记为m维矢量；
[0039]
求解优化模块，用于针对所述接入点进行求解优化问题，将所述接入点的m维矢量拓展成n维矢量；
[0040]
计算高密度信号强度模块，用于将每个所述n维矢量进行逆变换，得到所述接入点的信号强度在第一参考点上的估计值；
[0041]
获取指纹数据库模块，用于结合所述每个接入点的信号强度在第一参考点上的估计值以及其对应的第一参考点的坐标，得到基于高密度参考点集合的指纹数据库。
[0042]
获取待定位终端信号强度模块，用于获取所述定位环境中的待定位终端的接入点的信号强度，并记为第一信号强度矢量；
[0043]
计算距离模块，用于计算第一信号强度矢量与所述基于高密度参考点集合的指纹数据库中每一行的第二信号强度矢量的距离；
[0044]
计算待定位终端坐标模块，用于取所述距离中最小的k个距离，并根据其对应的所述第二信号强度矢量在所述基于高密度参考点集合的指纹数据库中的坐标计算待定位终端的坐标，得到待定位终端的位置。
[0045]
进一步的，所述构造观测矩阵模块，具体包括：
[0046]
构造群g中的每一个元素对应的群特征为t
α
(x)＝(-1)
(α,x)
，且在群g内取一个m元子集d，对任意一个群的特征，可以构造一个m*n的矩阵ad：
[0047]ad
＝[t1(d),t2(d),...,tn(d)]，其中ad的元素只为1或者-1乘以一个常数；
[0048]
则根据上述定义利用所述低密度参考点集合构造观测矩阵a
lfp
：
[0049]alfp
＝[t1(lfp),...,tn(lfp)]；
[0050]
进一步的，所述求解优化模块，具体为：
[0051]
其中的求解优化问题可以是：
[0052]
或者是噪声误差优化问题：其中η为允许的噪声阈值；
[0053]
或者是任意等价的或基于上述优化问题拓展出的其他凸优化求解问题；
[0054]
根据优化问题的求解，可以得到n维矢量ai。
[0055]
进一步的，所述计算待定位终端坐标模块，具体为：
[0056]
取所述距离中最小的k个距离，记为：d
m1
,d
m2
,...,d
mk
；
[0057]
在所述基于高密度参考点集合的指纹数据库中查找对应的第二信号强度矢量的坐标，记为：(x
m1
,y
m1
),...,(x
mk
,y
mk
)；
[0058]
计算待定位终端坐标，得到坐标
[0059]
相应地，本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的任意一种基于指纹数据库的室内定位方法。
[0060]
相比于现有技术，本发明具有如下有益效果：
[0061]
本发明使用wi fi信号的信号强度rss，减少硬件成本，通过结合压缩感知，利用wifi信号的信号强度rss在特定变换下的稀疏特性，提出了利用少量参考点上信号强度的测量通过转换得到高密度参考点处各接入点的信号强度的方法，降低了构建rf指纹的工作量；另外，其中引入的变换矩阵以及观测矩阵，元素均为1或者-1乘以一个常数，计算简单，容易实现。
附图说明
[0062]
图1是本发明实施例一提供的一种基于指纹数据库的室内定位方法的步骤s1至s6的流程示意图；
[0063]
图2是本发明实施例一提供的一种基于指纹数据库的室内定位方法的步骤s7至s11的流程示意图；
[0064]
图3是本发明实施例二的定位环境及第一参考点示意图；
[0065]
图4是本发明实施例四提供的一种基于指纹数据库的室内定位装置的结构示意图。
具体实施方式
[0066]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
[0067]
参见图1和图2，是本发明实施例一提供的一种基于指纹数据库的室内定位方法的流程示意图。
[0068]
本发明实施例一提供了一种基于指纹数据库的室内定位方法包括步骤s1至s11：
[0069]
s1，在定位环境中选取第一参考点，作为高密度参考点集合，记为hfp，其中第一参考点的数量满足n＝2n，n为正偶数；
[0070]
s2，将所述第一参考点按照位置进行矢量化排列并使用n位二进制码编号，将第一参考点的编号集合关于n维二进制矢量加法构成代数群的结构，记为群g＝(gf(2)n,+)；
[0071]
s3，在所述高密度参考点集合中选取第二参考点，作为低密度参考点集合，记为lfp，其中所述第二参考点的数量为m，且所述第二参考点满足构成所述群g上bent函数的支
撑集；
[0072]
s4，利用所述低密度参考点集合构造观测矩阵a
lfp
，利用所述高密度参考点集合构造变换矩阵ag；
[0073]
s5，在所述第二参考点处测量所述定位环境中的接入点的信号强度，并记为m维矢量；
[0074]
s6，针对所述接入点进行求解优化问题，将所述接入点的m维矢量拓展成n维矢量；
[0075]
s7，将每个所述n维矢量进行逆变换，得到所述接入点的信号强度在第一参考点上的估计值；
[0076]
s8，结合所述接入点的信号强度在第一参考点上的估计值以及其对应的第一参考点的坐标，得到基于高密度参考点集合的指纹数据库；
[0077]
s9，获取定位环境中的待定位终端的接入点的信号强度，并记为第一信号强度矢量；
[0078]
s10，计算第一信号强度矢量与所述基于高密度参考点集合的指纹数据库中每一行的第二信号强度矢量的距离；
[0079]
s11，取所述距离中最小的k个距离，并根据其在所述基于高密度参考点集合的指纹数据库中对应的坐标计算待定位终端的坐标，得到待定位终端的定位。
[0080]
在步骤s1-s2中，具体的，在定位环境中均匀取n＝2n个已知位置的高密度的参考点，n为偶数，n≥2，记为第0个参考点到第2
n-1个参考点，这些高密度参考点就是我们要构建或者更新的指纹数据库，记为hfp。把这些高密度参考点按照位置进行矢量化排列，如顺序从上到下、从左到右等，通过n位2进制码给这些高密度参考点编号，把高密度参考点的编号集合，可以看成2元域上n维线性空间的加法群，其中的加法运算为n维矢量的2进制加法，我们把该群记为g＝(gf(2)n,+)。为方便描述，后续会视情况可能把这些编号用其对应的10进制数来表示，如0，1，到2
n-1。
[0081]
在步骤s3中，需要说明的是，其中bent函数的定义如下：一个布尔函数f∈bn被称为bent函数，当且仅当对任意其walsh变换都满足或这里表示二元有限域上的n维线性空间。
[0082]
布尔函数的定义为：从二元有限域f2上的n维向量空间到f2上1维向量空间的映射叫做n元布尔函数，所有n元布尔函数的集合记为bn。
[0083]
其中，walsh变换的定义为：设f∈bn称映射：wf：：为f的walsh变换，称wf(u)为f在u处的walsh变换值，其中(u,x)表示两个矢量的内积。
[0084]
在步骤s4中具体包括：
[0085]
构造群g中的每一个元素对应的群特征为t
α
(x)＝(-1)
(α,x)
，其中，所谓特征是指从群g＝(gf(2)n,+)到绝对值为1的复数乘法群的同态映射，对于群g＝(gf(2)n,+)中的每一个元素，都可以按照定义构造一个特征；
[0086]
在群g内取一个m元子集d，对任意一个群的特征，可以构造一个m*n的矩阵ad：
[0087]ad
＝[t1(d),t2(d),...,tn(d)]，其中ad的元素只为1或者-1乘以一个常数；
[0088]
则根据上述定义利用所述低密度参考点集合构造观测矩阵a
lfp
：
[0089]alfp
＝[t1(lfp),...,tn(lfp)]；
[0090]
利用所述高密度参考点集合构造变换矩阵ag，其中ag为只含有-1和1乘以一个常数元素的对称矩阵，即并且矩阵ag构成n阶酉矩阵，满足e表示单位矩阵。
[0091]
在步骤s6中，其中的求解优化问题可以是：
[0092]
或者是噪声误差优化问题：其中η为允许的噪声阈值；
[0093]
或者是任意等价的或基于上述优化问题拓展出的其他凸优化求解问题；
[0094]
根据优化问题的求解，可以得到n维矢量ai。
[0095]
值得注意的是，这些优化问题的求解，还可以转化为其他的凸优化求解问题，如：或者等。
[0096]
进一步的，在步骤s7中，所述逆变换的计算公式为：其中即每个接入点的信号强度在第一参考点上的估计值。
[0097]
进一步的，在步骤s11中，具体包括：
[0098]
取所述距离中最小的k个距离，记为：d
m1
,d
m2
,...,d
mk
；
[0099]
在所述基于高密度参考点集合的指纹数据库中查找对应的第二信号强度矢量的坐标，记为：(x
m1
,y
m1
),...,(x
mk
,y
mk
)；
[0100]
计算待定位终端坐标，得到坐标
[0101]
其中，需要指出的是，上述的计算距离的算法以及利用指纹进行定位方法还可以用其他定位算法进行计算，这里不再赘述。
[0102]
需要说明的是，从定位的过程可以看到，利用在线测得的rss矢量与指纹库中的指纹进行比对，并距离接近的指纹即类似的指纹的对应坐标来计算待定位终端的坐标。
[0103]
可以知道的是，指纹点的疏密会对定位结果造成较大的影响，密集的指纹更有利于提升定位的精度，比如指纹与指纹之间的间隔是10米和指纹与指纹之间的间隔为3米，定位精度会有明显不同。但构建指纹数据库需要的测试工作量巨大，因此有必要研究根据较少的测量点来生成密度较高的rss指纹的方法。
[0104]
参见图3，是本发明实施例二的定位环境及第一参考点示意图。
[0105]
在发明实施例二中，在约30米
×
20米的办公区域进行构建指纹数据库，在该定位环境中设有6个接入点，在办公区域内取16即24个第一参考点作为高密度参考点；
[0106]
把高密度参考点按照顺序使用4位二进制码编号，如下表所示，且分别记为rp0,rp1,...,rp
15
作为群g＝(gf(2)n,+)里的元素；
[0107]
参考点编号对应的二进制数0000010001
2001030011401005010160110701118100091001101010111011121100131101141110151111
[0108]
在所述高密度参考点中选取低密度参考点，且所述低密度参考点满足构成所述群g上bent函数的支撑集，即f(x1,x2,x3,x4)＝x1x3+x2x4；
[0109]
所述支撑集就是令函数值f不为0的自变量集合，可得到低密度参考点为：{(1,0,1,1),(1,1,1,0),(1,0,1,0),(0,1,0,1),(1,1,0,1),(0,1,1,1)}；
[0110]
利用所述低密度参考点集合构造观测矩阵，得到：
[0111][0112]
采用无线信号强度rss作为信号特征，在6个低密度参考点处测量接入点的信号强度，可得到低密度信号强度矢量：
[0113]
r1＝rss
1,
,rss
1,
,rss
1,0
,rss
1,1
,rss
1,3
,rss
1,4
]
t
，...，
[0114]
r6＝rss
6,
,rss
6,
,...,rss
6,4
]
t
[0115]
针对低密度参考点的接入点进行求解优化问题，将所述接入点的6维信号强度矢量拓展成16维矢量得到ai：
[0116][0117]
可选的，在实施例三中，通过噪声误差优化问题将低密度参考点上的rss扩展成全部高密度参考点上的rss：
[0118]
其中η为允许的噪声阈值。
[0119]
将每个所述ai进行逆变换，得到所述接入点的信号强度在第一参考点上的估计值；
[0120][0121]
把所有的进行组合，得到：
[0122][0123][0124]
根据其对应的高密度的参考点的坐标，得到该定位环境中的高密度的指纹数据库：
[0125][0126]
rf指纹系统通过在线阶段，获取待定位终端测试环境中的ap接入点信号强度，形成rss矢量：
[0127]rol
＝[rss1,...,rssy]
[0128]
把rf
hfp
中的第i个指纹对应rss信号强度矢量记为：
[0129]ri
＝[rss
1,i
,...,rss
y,i
]
[0130]
计算r
ol
与ri之间的矢量距离：d＝‖r
ol-ri‖2,i＝0,1,...,n-1；
[0131]
取所述距离中最小的k个距离，记为：d
m1
,d
m2
,...,d
mk
；
[0132]
在rf
hfp
指纹数据库中查找其对应的坐标，记为：(x
m1
,y
m1
),...,(x
mk
,y
mk
)；
[0133]
计算待定位终端坐标，得到坐标
[0134]
在发明实施例四中，若选取更多的参考点，在实施例二中的办公区域进行构建指纹数据库内，取256即28个高密度参考点，
[0135]
把高密度参考点按照顺序使用8位二进制码编号，且分别记为rp0,rp1,...,rp
255
作为群g＝(gf(2)n,+)里的元素；
[0136]
其中，采用无线信号强度rss作为信号特征，在低密度参考点处的接入点的信号强度rss矢量可记为rsss＝{rss
s1
,rss
s2
,...,rss
s6
}，而一条rf指纹可记为fps＝{(xs,ys),rss
s1
,rss
s2
,...,rss
s6
}，s＝0,1,...,255,则需要构建的rf指纹数据库记为{fp0,fp1,...,fp
255
}；
[0137]
与本发明实施例二类似，在所述高密度参考点中选取低密度参考点，且所述低密度参考点满足构成所述群g上bent函数的支撑集，所述支撑集就是令函数值g不为0的自变量集合，则构建8元的bent函数，即：
[0138]
g(x1,x2,x3,x4,x5,x6,x7,x8)＝f(x1,x2,x3,x4)+f(x5,x6,x7,x8)＝x1x3+x2x4+x5x7+x6x8[0139]
根据上述函数来取得低密度参考点。后续步骤与发明实施例二的步骤一致，这里不再赘述。
[0140]
综上，本发明实施例提供的基于指纹数据库的定位方法，通过使用wifi信号的信号强度rss，减少硬件成本，通过结合压缩感知，利用wifi信号的信号强度rss在特定变换下的稀疏特性，提出了利用少量参考点上信号强度的测量通过转换得到高密度参考点处各接入点的信号强度的方法，降低了构建rf指纹的工作量；另外，其中引入的变换矩阵以及观测矩阵，元素均为1或者-1乘以一个常数，计算简单，容易实现。
[0141]
相应的，本发明实施例提供了一种基于指纹数据库的室内定位装置，能够实现上述任一实施例所提供的基于指纹数据库的室内定位方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所提供的基于指纹数据库的室内定位方法的作用以及实现的技术效果对应相同，这里不再赘述。
[0142]
参见图4，是本发明实施例四提供的一种基于指纹数据库的室内定位装置的结构示意图。
[0143]
所述装置包括：
[0144]
选取第一参考点模块1，用于在定位环境中选取第一参考点，作为高密度参考点集合，记为hfp，其中第一参考点的数量满足n＝2n，n为正偶数；将所述第一参考点按照位置进行矢量化排列并使用n位二进制码编号，将第一参考点的编号集合，记为群g＝(gf(2)n,+)；
[0145]
选取第二参考点模块2，用于在所述高密度参考点集合中选取第二参考点，作为低密度参考点集合，记为lfp，其中第二参考点的数量为m，且满足构成所述群g上bent函数的支撑集；
[0146]
构造观测矩阵模块3，用于利用所述低密度参考点集合构造观测矩阵a
lfp
；
[0147]
构造变换矩阵模块4，用于利用所述高密度参考点集合构造变换矩阵ag；
[0148]
测量信号强度模块5，用于在所述第二参考点处测量所述定位环境中的接入点的信号强度，并记为m维矢量；
[0149]
求解优化模块6，用于针对所述接入点进行求解优化问题，将所述接入点的m维矢量拓展成n维矢量；
[0150]
计算高密度信号强度模块7，用于将每个所述n维矢量进行逆变换，得到所述接入点的信号强度在第一参考点上的估计值；
[0151]
获取指纹数据库模块8，用于结合所述每个接入点的信号强度在第一参考点上的估计值以及其对应的第一参考点的坐标，得到基于高密度参考点集合的指纹数据库。
[0152]
获取待定位终端信号强度模块9，用于获取定位环境中的待定位终端的接入点的信号强度，并记为第一信号强度矢量；
[0153]
计算距离模块10，用于计算第一信号强度矢量与所述基于高密度参考点集合的指纹数据库中每一行的第二信号强度矢量的距离；
[0154]
计算待定位终端坐标模块11，用于取所述距离中最小的k个距离，并根据其对应的所述第二信号强度矢量在所述基于高密度参考点集合的指纹数据库中的坐标计算待定位终端的坐标，得到待定位终端的定位。
[0155]
进一步的，在所述构造观测矩阵模块3中，具体为：
[0156]
构造群g中的每一个元素对应的群特征为t
α
(x)＝(-1)
(α,x)
，且在群g内取一个m元子集d，对任意一个群的特征，可以构造一个m*n的矩阵ad：
[0157]ad
＝[t1(d),t2(d),...,tn(d)]，其中ad的元素只为1或者-1乘以一个常数；
[0158]
则根据上述定义利用所述低密度参考点集合构造观测矩阵a
lfp
：
[0159]alfp
＝[t1(lfp),...,tn(lfp)]；
[0160]
进一步的，所述求解优化模块5，具体为：
[0161]
其中的求解优化问题可以是：
[0162]
或者是噪声误差优化问题：其中η为允许的噪声阈值；
[0163]
或者是任意等价的或基于上述优化问题拓展出的其他凸优化求解问题；
[0164]
根据优化问题的求解，可以得到n维矢量ai。
[0165]
进一步的，在所述计算待定位终端坐标模块10中，具体为：
[0166]
取所述距离中最小的k个距离，记为：d
m1
,d
m2
,...,d
mk
；
[0167]
在所述基于高密度参考点集合的指纹数据库中查找对应的第二信号强度矢量的坐标，记为：(x
m1
,y
m1
),...,(x
mk
,y
mk
)；
[0168]
计算待定位终端坐标，得到坐标
[0169]
本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的任一实施例所述的基于指纹数据库的室内定位方法。
[0170]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，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或者实施例的某些部分所述的方法。
[0171]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。