可形变群体识别方法、装置、电子设备及存储介质

1.本技术属于人工智能技术领域，特别涉及一种可形变群体识别方法、装置、电子设备及存储介质。


背景技术：

2.随着人工智能、信息传输等技术的飞速发展，自动驾驶、辅助驾驶、智能交通等智能技术已经成为当前研究和应用的热点。自动驾驶是未来解决交通拥堵的重要枝术，能够大大提升生产效率和交通效率。自动驾驶研究主要包括环境感知、规划决策、车辆自动控制等技术。其中环境感知技术主要是针对交通场景中的目标进行检测和识别，并对交通场景进行语义分析与理解，实现智能驾驶车辆与外界交通环境的信息交互，是自动驾驶车辆决策规划、自动控制的判定基础，对于保证交通环境中交通参与者的安全出行、提升智能驾驶车辆的安全性具有重要意义。
[0003]“人-车”混流交通情况下的行人作为道路使用者中最脆弱的目标，行人安全是自动驾驶车辆环境感知研究的重点与难点。群体是拥堵行人中普遍存在的现象，在影响人群行为方面起着重要作用。
[0004]
目前在行人检测识别及语义理解方面已经开展了大量的研究，但群体建模相关研究较少。可形变群体建模是可形变群体拥堵检测、可形变群体遮挡跟踪与轨迹预测的基础，由于交通场景中的行人具有可形变、数量不确定和拥堵遮挡等特点，导致可形变群体建模具有挑战。
[0005]
近期的群体识别方法大多基于深度学习实现，主要采用加入注意力机制的深度卷积神经网络模型提取特征，送入全连接层进行群体检测，但是由于行人可形变、群体内部拥堵遮挡等，检测精度较低。


技术实现要素：

[0006]
本说明书实施例的目的是提供一种可形变群体识别方法、装置、电子设备及存储介质。
[0007]
为解决上述技术问题，本技术实施例通过以下方式实现的：
[0008]
第一方面，本技术提供一种可形变群体识别方法，该方法包括：
[0009]
获取待识别视频，并对待识别视频进行帧提取，得到单帧图像数据；待识别视频中包括行人；
[0010]
将单帧图像数据输入预设人体关键点提取模型中，得到所有行人的人体关键点信息；人体关键点信息包括头部关键点信息；
[0011]
根据头部关键点信息，对行人进行人群聚类，将行人划分为至少一个群体；
[0012]
判断每个群体中是否存在可形变特征，存在可形变特征所对应的群体为可形变群体。
[0013]
在其中一个实施例中，头部关键点信息包括头部坐标；
[0014]
根据头部关键点信息，对行人进行人群聚类，将行人划分为至少一个群体，包括：
[0015]
根据头部坐标，计算行人之间的吸引势和排斥势；
[0016]
通过比较吸引势与排斥势的大小，进行行人的聚类，通过反复迭代，直到没有剩余的行人未分类，终止迭代，将行人划分为至少一个群体。
[0017]
在其中一个实施例中，根据头部坐标，计算行人之间的吸引势和排斥势，包括：
[0018]
从所有头部关键点信息选取任意一个头部坐标作为第一头部坐标；
[0019]
分别计算第一头部坐标与第二头部坐标的吸引势及排斥势；第二头部坐标为所有头部坐标中除第一头部坐标外任一头部坐标。
[0020]
在其中一个实施例中，通过比较吸引势与排斥势的大小，进行行人的聚类，包括：
[0021]
若第一头部坐标与第二头部坐标的吸引势大于或等于排斥势，则第一头部坐标与第二头部坐标为同一类，将第一头部坐标对应的行人与第二头部坐标对应的行人划分为一个群体；
[0022]
若第一头部坐标与第二头部坐标的吸引势小于排斥势，则第一头部坐标与第二头部坐标不为同一类，第一头部坐标与第二头部坐标不属于同一群体。
[0023]
在其中一个实施例中，方法还包括：若行人的人体关键点信息中有漏检时，补充漏检的人体关键点信息，将漏检的关键点坐标设为空值。
[0024]
在其中一个实施例中，判断每个群体中是否存在可形变特征，包括：
[0025]
根据所有行人的人体关键点信息，确定所有行人的同一部位关键点个数；
[0026]
根据所有行人的同一部位关键点个数，确定均值和标准差；
[0027]
根据均值和标准差，判断群体内部是否存在遮挡，若存在遮挡，则判定群体中存在可形变特征。
[0028]
在其中一个实施例中，人体关键点包括右踝关节、右膝关节、右髋关节、左髋关节、左膝关节、左踝关节、骨盆、胸部、上颈、头部、右腕关节、右肘关节、右肩关节、左肩关节、左肘关节、左腕关节。
[0029]
第二方面，本技术提供一种可形变群体识别装置，该装置包括：
[0030]
获取模块，用于获取待识别视频，并对待识别视频进行帧提取，得到单帧图像数据；待识别视频中包括行人；
[0031]
确定模块，用于将单帧图像数据输入预设人体关键点提取模型中，得到所有行人的人体关键点信息；人体关键点信息包括头部关键点信息；
[0032]
聚类模块，用于根据头部关键点信息，对行人进行人群聚类，将行人划分为至少一个群体；
[0033]
处理模块，用于判断每个群体中是否存在可形变特征，存在可形变特征所对应的群体为可形变群体。
[0034]
第三方面，本技术提供一种电子设备，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，处理器执行程序时实现如第一方面的可形变群体识别方法。
[0035]
第四方面，本技术提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的可形变群体识别方法。
[0036]
由以上本说明书实施例提供的技术方案可见，该方案：
[0037]
通过将待识别视频帧提取的单帧图像数据输入预设人体关键点提取模型中，得到人体关键点信息，然后根据人体关键点信息中头部关键点信息，将行人划分为至少一个群体，最后通过判定每个群体中是否存在可形变特征，来识别可形变群体，识别精度高。
附图说明
[0038]
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1为本技术提供的可形变群体识别方法的流程示意图；
[0040]
图2为本技术提供的可形变群体检测数据集生成流程图；
[0041]
图3为本技术提供的人体关键点示意图；
[0042]
图4为本技术提供的可形变群体识别装置的结构示意图；
[0043]
图5为本技术提供的电子设备的结构示意图。
具体实施方式
[0044]
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
[0045]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0046]
在不背离本技术的范围或精神的情况下，可对本技术说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本技术的说明书得到的其他实施方式对技术人员而言是显而易见得的。本技术说明书和实施例仅是示例性的。
[0047]
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
[0048]
本技术中的“份”如无特别说明，均按质量份计。
[0049]
下面结合附图和实施例对本发明进一步详细说明。
[0050]
参照图1，其示出了适用于本技术实施例提供的可形变群体识别方法的流程示意图。可以理解的，本技术实施例提供的可形变群体识别方法，可以应用于人车混行的复杂交通场景的可形变群体检测，还可以应用于室内外复杂场景下人群的视频监控等场景。
[0051]
如图1所示，可形变群体识别方法，可以包括：
[0052]
s110、获取待识别视频，并对待识别视频进行帧提取，得到单帧图像数据；待识别视频中包括行人。
[0053]
其中，待识别视频可以是人车混行的复杂交通场景时的视频，也可以是室内外复
杂场景下人群的监控视频等，随着不同的使用场景而不同，这里不予限制。该待识别视频中包括多个行人个体，多个行人个体的特征(比如身高、体型、性别等)可以相同或不同，这里不与限制。该待识别视频可以是实时通过采集设备获取的，也可以是从网络上收集的，还可以是存储于本地的，还可以是从公开数据集获取的等，这里不予限制。
[0054]
其中，可以按照25帧每秒的帧率，以5秒切割待识别视频，得到单帧图像数据。
[0055]
s120、将单帧图像数据输入预设人体关键点提取模型中，得到所有行人的人体关键点信息；人体关键点信息包括头部关键点信息。
[0056]
其中，预设人体关键点提取模型是预先训练好的网络模型。训练该预设人体关键点提取模型可以通过以下步骤：
[0057]
1)建立可形变群体检测数据集
[0058]
具体的，可以利用公开数据集(例如开源人体姿势数据集mpii)、网络收集和本地采集共同建立可形变群体检测数据集，可以按照4:1将数据集划分成训练集和测试集。筛选公开数据集，可以选择出行人较密集的公开数据集；网络搜集视频，可以在网站输入人群检测关键字并下载相关视频，为了数据的多样性，替换关键字多次重复搜索；本地采集视频，可以采集行人较密集的交通场景视频。
[0059]
如图2所示，对于公开数据集，可以进行公开数据集解析，然后数据标签提取。对于网络收集视频，下载并保存混行交通视频(以及通过修改搜索关键字，重复该步骤)，然后删除行人不密集的视频、及含噪声或画面模糊的视频片段，对剩余视频进行视频帧提取，可以按照25帧每秒的帧率，以5秒切割视频，然后按照公开数据集mpii的数据标注格式标注视频每帧图像中人体关键点坐标和类别。对于本地采集视频，进行视频帧提取，也可以按照25帧每秒的帧率，以5秒切割视频，然后按照公开数据集mpii的数据标注格式标注视频每帧图像行人个体，构建16个关键点的可形变群体关键点检测数据集。如图3所示，16个人体关键点的编号及名称分别0-右踝关节，1-右膝关节，2-右髋关节，3-左髋关节，4-左膝关节，5-左踝关节，6-骨盆，7-胸部，8-上颈，9-头，10-右腕关节，11-右肘关节，12-右肩关节，13-左肩关节，14-左肘关节，15-左腕关节。
[0060]
2)训练预设人体关键点提取模型
[0061]
具体的，将训练集图像输入人体关键点提取网络进行训练，得到预设人体关键点提取模型。
[0062]
可以理解的，在将训练集图像输入人体关键点提取模型之前，可以对图像进行预处理，其中，预处理可以包括：图像尺寸进行归一化处理，调整尺寸为256
×
256、图片进行旋转操作，旋转90
°
、180
°
、270
°
，图片做模糊操作处理和图片做增加噪声处理(高斯噪声、椒盐噪声)等操作。
[0063]
然后将训练集预处理后图像输入至人体关键点提取模型，首先经过骨干网络进行特征提取，得到特征图。然后，特征图送入置信度和关联度网络分支，得到关键点的置信度和关联度，得到这两个信息后，使用图论中的匹配算法，得到局部关联，最后将同一个人的关节点连接起来，得到行人个体的关键点信息。
[0064]
将不在s110中得到的单帧图像数据输入至训练好的预设人体关键点提取模型中，即可以得到每帧图片中所有行人的人体关键点信息，可以将提取好的所有人体关键点信息记为待识别集合。
[0065]
s130、根据头部关键点信息，对行人进行人群聚类，将行人划分为至少一个群体。
[0066]
具体的，对行人个体进行群体聚类，由于头部关键点可以代表行人个体，且被遮挡概率较小，所以选择头部关键点代表行人个体。首先利用步骤s120人体关键点提取的结果，从结果中找出每个行人个体的头部关键点坐标，然后利用人工势场法对头部关键点进行聚类，实现行人的聚类，聚类结果即为人群检测结果。
[0067]
可选的，步骤s130可以包括：
[0068]
根据头部坐标，计算行人之间的吸引势和排斥势，可以包括：
[0069]
从所有头部关键点信息选取任意一个头部坐标作为第一头部坐标；
[0070]
分别计算第一头部坐标与第二头部坐标的吸引势及排斥势；第二头部坐标为所有头部坐标中除第一头部坐标外任一头部坐标。
[0071]
通过比较吸引势与排斥势的大小，进行行人的聚类，通过反复迭代，直到没有剩余的行人未分类，终止迭代，将行人划分为至少一个群体。其中，若第一头部坐标与第二头部坐标的吸引势大于或等于排斥势，则第一头部坐标与第二头部坐标为同一类，将第一头部坐标对应的行人与第二头部坐标对应的行人划分为一个群体；若第一头部坐标与第二头部坐标的吸引势小于排斥势，则第一头部坐标与第二头部坐标不为同一类，第一头部坐标与第二头部坐标不属于同一群体。
[0072]
示例性的，步骤s130可以包括：
[0073]
a)头部关键点可以代表行人个体，首先从关键点中提取头部关键点信息，从头部关键点信息中选取任意一个头部坐标并记该点坐标为(x1,y1)；
[0074]
b)设选取的头部关键点信息的头部坐标为初始点(x1,y1)且该头部坐标属于cluster1(第一簇类)；
[0075]
c)利用人工势场对行人个体聚类。
[0076]
利用人工势场计算初始点(x1,y1)与其他所有头部坐标(xi,yi)的吸引势和排斥势，比较吸引势和排斥势的大小，如果吸引势大于或等于排斥势，则点(xi,yi)与初始点(x1,y1)属于同一类，都归为cluster1，如果吸引势小于排斥势，则点(xi,yi)与初始点(x1,y1)不属于同类，点(xi,yi)判别为剩余点，进入待识别集合；
[0077]
吸引势计算公式为：
[0078][0079]
其中，ξ表示引力增益，(xi,yi)为目标点的坐标(即第二头部坐标)，i取值为0，1，2，
…
，n，ρ[(x1,y1),(xi,yi)]当前点(x1,y1)与目标点(xi,yi)之间的距离；
[0080]
排斥势计算公式为：
[0081][0082]
其中，η表示斥力增益，(xi,yi)为目标点的坐标，i取值为0，1，2，
…
，n。ρ0表示关键点的作用距离阈值，大于此距离的点不会产生斥力影响；
[0083]
d)对待识别集合未归类的剩余点，重新选择初始点，重复吸引势和排斥势的计算
步骤，对待识别几何进行聚类，直到不存在未聚类的头部关键点，实现头部关键点的聚类，生成m个簇，记为cluster1…
clusterm。
[0084]
由于人群会存在遮挡、形变等问题，提取人体关键点的深度学习模型会存在人体关键点漏检的情况。
[0085]
因此，在一个实施例中，可形变群体识别还包括：若行人的人体关键点信息中有漏检时，补充漏检的人体关键点信息，将漏检的关键点坐标设为空值。
[0086]
具体的，对s120得到的行人的人体关键点信息进行检检查，找到少于16个关键点的行人个体，并对漏检的关键点信息进行补全，补充为空值(null，null)，补全后人群表示为其中，cm为属于clusterm的行人集合，(xi,yi)为关键点坐标，wi为行人id，wi＝1,2,3
…
,n。
[0087]
s140、判断每个群体中是否存在可形变特征，存在可形变特征所对应的群体为可形变群体。
[0088]
其中，判断每个群体中是否存在可形变特征，可以包括：
[0089]
根据所有行人的人体关键点信息，确定所有行人的同一部位关键点个数；
[0090]
根据所有行人的同一部位关键点个数，确定均值和标准差；
[0091]
根据均值和标准差，判断群体内部是否存在遮挡，若存在遮挡，则判定群体中存在可形变特征。
[0092]
示例性的，统计cm内所有个体同一部位关键点个数，按部位绘制出的统计曲线cq；
[0093]
根据cq找出局部极大值，利用局部极大值计算均值eq，标准差δq；
[0094]
判断群体内部是否存在遮挡：对cm内部所有部位统计值执行判断，公式为：
[0095]njq-(eq αδq)≥t
[0096]
其中，其中，n
jq
表示第j个群体第q部位的关键点的个数，t表示形变特征的阈值，α为常数，α、t的数值由实验确定，j取值为0，1，2，
…
，m；q取值为0，1，2，
…
，15；
[0097]
统计满足可形变条件特征的个数，记为numq；
[0098]
通过公式判断该群体是否为可形变群体：
[0099][0100]
判断该群体是否为可形变群体，满足条件，则该群体存在可形变特征，判断该群体为混行交通流中的可形变群体；
[0101]
输出可形变群体集合。
[0102]
本技术实施例，将人群检测与人体位姿估计结合，通过深度学习实现人体关键点检测，避免的手工特征提取，减少了算法的复杂度。
[0103]
本技术实施例，利用人工势能场理论，根据人体位姿关键点，实现了行人的聚类，能够准确将多行人场景划分成若干个行人群体，实现混行交通场景下人群的精准检测。设计的可形变特征检测方法能够通过特征点数目的判断，确定该群体是否存在可形变特征，确定群体内部是否存在遮挡问题。
[0104]
本技术实施例，能有效识别视频中的人群并判断可形变人群，预防危险事件的发生，有广泛的应用价值。
[0105]
参照图4，其示出了根据本技术一个实施例描述的可形变群体识别装置的结构示意图。
[0106]
如图4所示，可形变群体识别装置400，可以包括：
[0107]
获取模块410，用于获取待识别视频，并对待识别视频进行帧提取，得到单帧图像数据；待识别视频中包括行人；
[0108]
确定模块420，用于将单帧图像数据输入预设人体关键点提取模型中，得到所有行人的人体关键点信息；人体关键点信息包括头部关键点信息；
[0109]
聚类模块430，用于根据头部关键点信息，对行人进行人群聚类，将行人划分为至少一个群体；
[0110]
处理模块440，用于判断每个群体中是否存在可形变特征，存在可形变特征所对应的群体为可形变群体。
[0111]
可选的，头部关键点信息包括头部坐标；
[0112]
聚类模块430，还用于：
[0113]
根据头部坐标，计算行人之间的吸引势和排斥势；
[0114]
通过比较吸引势与排斥势的大小，进行行人的聚类，通过反复迭代，直到没有剩余的行人未分类，终止迭代，将行人划分为至少一个群体。
[0115]
可选的，聚类模块430，还用于：
[0116]
从所有头部关键点信息选取任意一个头部坐标作为第一头部坐标；
[0117]
分别计算第一头部坐标与第二头部坐标的吸引势及排斥势；第二头部坐标为所有头部坐标中除第一头部坐标外任一头部坐标。
[0118]
可选的，聚类模块430，还用于：
[0119]
若第一头部坐标与第二头部坐标的吸引势大于或等于排斥势，则第一头部坐标与第二头部坐标为同一类，将第一头部坐标对应的行人与第二头部坐标对应的行人划分为一个群体；
[0120]
若第一头部坐标与第二头部坐标的吸引势小于排斥势，则第一头部坐标与第二头部坐标不为同一类，第一头部坐标与第二头部坐标不属于同一群体。
[0121]
可形变群体识别装置400，还可以包括：补充模块，用于若行人的人体关键点信息中有漏检时，补充漏检的人体关键点信息，将漏检的关键点坐标设为空值。
[0122]
可选的，处理模块440还用于：
[0123]
根据所有行人的人体关键点信息，确定所有行人的同一部位关键点个数；
[0124]
根据所有行人的同一部位关键点个数，确定均值和标准差；
[0125]
根据均值和标准差，判断群体内部是否存在遮挡，若存在遮挡，则判定群体中存在可形变特征。
[0126]
可选的，人体关键点包括右踝关节、右膝关节、右髋关节、左髋关节、左膝关节、左踝关节、骨盆、胸部、上颈、头部、右腕关节、右肘关节、右肩关节、左肩关节、左肘关节、左腕关节。
[0127]
本实施例提供的一种可形变群体识别装置，可以执行上述方法的实施例，其实现原理和技术效果类似，在此不再赘述。
[0128]
图5为本发明实施例提供的一种电子设备的结构示意图。如图5所示，示出了适于
用来实现本技术实施例的电子设备300的结构示意图。
[0129]
如图5所示，电子设备300包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储部分308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有设备300操作所需的各种程序和数据。cpu 301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
[0130]
以下部件连接至i/o接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至i/o接口306。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
[0131]
特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行上述可形变群体识别方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。
[0132]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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操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计算机指令的组合来实现。
[0133]
描述于本技术实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
[0134]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0135]
作为另一方面，本技术还提供了一种存储介质，该存储介质可以是上述实施例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本技术的可形变群体识别方法。
[0136]
存储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。
[0137]
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。
[0138]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。