一种面向航空视角下的行人重识别方法及系统

1.本发明属于行人重识别技术领域，具体涉及一种面向航空视角下的行人重识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.随着行人重识别方法的快速发展，越来越多的方法已经被用于行人重识别领域，但这些办法大多只注重于模型的精度而忽略了模型的参数量，在实际情况中，由于硬件的限制，无法将摄像头拍摄的行人信息传递到中央服务器中在服务器中运行行人重识别方法。因此在大规模的监控应用中，最合适的办法应该是在摄像头端就进行行人重识别方法，只需要将处理得到的结果发送到中央服务器中，减轻服务器的负担。受到摄像头端嵌入式设备的限制，行人重识别方法参数无法与运行在服务端的行人重识别方法的参数量相比，运行的嵌入式设备上的行人重识别方法应该是轻量化的模型，参数量应尽可能小、精度尽可能高。
4.在以无人机为代表的飞行器技术快速发展的今天，灵活度与拍摄图片的清晰度有着明显的提高，特别是图片的清晰度已经可以媲美传统监控摄像头所拍摄的图片清晰度。因此将行人重识别方法应用于飞行设备上，从传统的地面监控转移到空中监控中，可以使行人重识别得到更广泛的应用。
5.行人重识别(re-id)的目的在于从多个互不相关的相机拍摄的图片、视频中去寻找身份相同的人员，该方法可以应用于抓捕罪犯、丢失人员寻找等领域，传统行人重识别方法中一般都利用街头摄像头所拍摄的图片/视频，来进行人员的追踪，但是由于街头摄像头可能存在视野盲区，并且在一些偏僻的地区可能不存在可利用的摄像头。目前飞行技术得到广泛的发展，飞行设备所搭载的摄像头所拍摄的图片/视频的清晰度已经可以与传统监控摄像头所媲美，而目前行人重识别领域的大多研究工作都集中在地面监控中，对空中监控的研究较少。
6.目前航空视角下的行人重识别方法的难点主要集中于以下几个方面：1.尽管无人机搭载的摄像头可以与传统监控摄像头所媲美甚至略胜一筹，但是由于无人机飞行高度一般都在20米以上，要大于在地面摄像头所拍摄的距离，因此得到的图片/视频的清晰度必然会受到影响。因此分辨率低是影响航空视角下行人重识别性能的重要因素。2.在户外条件下，由相机所拍摄的行人图片中，图片中的行人难免会受到遮挡，遮挡的类型有很多，比如：树木、建筑、其他行人、光线产生的阴影、雨伞等。如何解决遮挡问题也是航空视角下行人重识别亟需解决的问题之一3.由于航空视角下所拍摄的图片不同于地面上所拍摄的图片，如图1(a)、(b)所示，比较两幅由不同相机所拍摄的图片可知，无人机所拍摄的图片(图1(a))为一俯视角图片，人的头顶占有更大的面积，而其它有效信息无法有效捕捉(如裤子、鞋的纹理信息)，而地面摄像机所拍摄的图片(图1(b))人的特征被更好的拍摄出来，因此航空视
角下的行人重识别识别难度要大于传统地面行人重识别。


技术实现要素：

7.本发明为了解决上述问题，提出了一种面向航空视角下的行人重识别方法及系统，本发明可以提高从航空拍摄得到的行人图片判断的能力。
8.根据一些实施例，本发明采用如下技术方案：
9.一种面向航空视角下的行人重识别方法，包括以下步骤：
10.对预处理后的航空视角下的行人图片进行特征提取以获得判别性特征；
11.采用部分级注意力矩阵来学习行人的判别级特征，强化有效区域、弱化无效区域，并在使用可变权值将多个部分级特征转化为整体特征，对特征进行自适应学习，实现行人重识别。
12.作为可选择的实施方式，所述预处理过程包括将图片大小放缩到设定大小，对缩放后的图片进行数据增强。
13.作为可选择的实施方式，在特征提取的过程中，构建并训练卷积网络，利用训练后的卷积网络进行特征提取，所述卷积网络采用并行结构进行搭建并辅以残差机制来稳定和强化特征提取过程。
14.作为进一步的限定，所述卷积网络包含有多层，每层包括两个非共享参数的卷积块来构成并行结构，且在每一层之间添加残差结构来丰富每一层学习得到的特征信息。
15.作为进一步的限定，所述卷积网络以深度可分离卷积层为最小单位，利用并行的具有不同感受野大小的iblock，并利用自适应融合的方法调整两个iblock不同的占比构成cblock块，同时cblock块中也包含有残差的机制，将输入的特征利用1
×
1卷积核直接作为输出的一部分。
16.作为进一步的限定，采用可变参数的自适应融合机制来动态调整各个cblock块所占的比值。
17.一种面向航空视角下的行人重识别系统，包括：
18.预处理模块，被配置为对获取的航空视角下的行人图片进行预处理；
19.特征提取模块，被配置为对预处理后的航空视角下的行人图片进行特征提取以获得判别性特征；
20.自适应信息增强模块，被配置为采用部分级注意力矩阵来学习行人的判别级特征，强化有效区域、弱化无效区域，并在使用可变权值将多个部分级特征转化为整体特征，对特征进行自适应学习，实现行人重识别。
21.作为可选择的实施方式，所述自适应信息增强模块接收提取的特征向量，利用分块最大池化层将特征向量转为多个不重叠的部分特征，将分块后的特征向量复制三份分别传入三个参数不共享的全连接层中，将其中一个全连接层得到的输出进行转置操作后与另一全连接层的输出结果相乘以得到两个特征之间的相似度，将计算得到的注意力矩阵与剩下的全连接层得到的结果进行内积得到强化部分特征。
22.作为进一步的限定，所述强化部分特征包含行人身体的结构信息，利用可变权重的注意力增强机制，针对不同身体结构的重要程度，动态分配特征中指定部位的占比。
23.作为可选择的实施方式，还包括参数更新模块，被配置为采用损失函数对网络进
行反向传播计算特征提取模块和自适应信息增强模块的参数梯度值，对参数进行更新。
24.一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
25.一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
26.与现有技术相比，本发明的有益效果为：
27.本发明提出了一种面向航空视角下的行人重识别方法，该方法利用深度可分离卷积替代传统卷积方法，利用深度可分离卷积作为最小单元，采用并行分支结构，通过加深网络的深度来更好的学习有效的人体结构特征。
28.本发明同时添加自适应信息增强模块来提高网络精度，增强对低像素、遮挡的问题的鲁棒性，在保证轻量化的同时还提高了精度，相较于之前的方法，进一步提高了航空视角下的行人重识别的识别精度。利用自适应信息增强模块，更加关注人体的结构信息，采用注意力机制来给不同的部位分配不同的关注度，同时为了解决传统的网络存在的信息丢失问题，在模块中还添加了残差结构，二者相互配合，是的模型可以学习到更加鲁棒的特征。
29.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
30.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
31.图1(a)、(b)为背景技术中两种视角拍摄区别示意图；
32.图2为面向航空视角下的行人重识别的简要流程框图；
33.图3为特征提取网络内部结构示意图；
34.图4为自适应信息增强模块示意图。
具体实施方式
35.下面结合附图与实施例对本发明作进一步说明。
36.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
37.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
38.一种面向航空视角下的行人重识别方法，主要包括特征提取和信息增强两个步骤，在本实施例中，由特征提取网络和自适应信息增强模块来实现。
39.本发明主要采用了以深度可分离卷积为最小单元的特征提取网络，并在网络最后利用自适应信息增强模块来加强人体结构信息的表示，在特征提取网络中，我们发现当加深网络的深度的性能要优于加宽网络的宽度的性能，因此在设计网络的过程中有意的加深
网络的深度，从而获得更加鲁棒的特征信息，为了加强有效分支、抑制无效分支，在并行单元中添加了可变权重来改变并行单元中不同单元的比重。同时卷积层也为并行结构而非传统的串行结构，这种结构可以使得网络更加灵活，从而可以学习到串行结构所无法得到的特征信息。
40.为了减少由于网络太深而导致的信息丢失的问题，本发明在每个并行卷积层之间直接都添加了残差结构来将中间层所得到的用特征信息不经过下一层卷积层直接传递值学习部分得到的特征来进行相似性度量并将特征与相似性传入损失函数中来更新网络参数，通过一定次数的迭代训练使得网络达到最佳效果。在通过三层并行卷积层提取特征之后，本发明为了更好的挖掘上下文信息，增强所提取的局部特征信息表示，特构建了自适应信息增强模块，模块利用带有残差结构与注意力机制的独特结构来深入挖掘特征信息。
41.具体的，参见图2所示，网络包括：以深度可分离卷积为最小单元所构成的卷积块，负责将特征信息不经过相邻的卷积块而直接传入后续卷积块中的残差结构，负责学习人体结构信息的自适应信息增强模块，整体网络利用两个损失函数进行优化更新，该网络在保证模型轻量化的同时还提高了性能。
42.具体的，参见图3所示，卷积块的构成利用深度可分离卷积为最小单元(dwconv1)，为了学习到行人不同尺度的信息，本发明预先设定了不同感受野的卷积块(cblock1～cblock6)，区别为内部iblock中block重复的次数不同，为了动态的改变不同卷积块的重要程度，本发明利用注意力机制来动态的改变每个卷积块的权值。由于模型的目的是轻量化，因此在cblock中添加了1
×
1卷积核用于压缩和恢复通道数，从而减少参数量，实现轻量化网络的设想。
43.具体的，图4为本发明的自适应信息增强模块图，输入为最后一层卷积操作得到的特征向量，利用自注意力机制使得网络自主的判别、挖掘特征的有效信息，来获得增强的判别特征，并利用带有批量归一化层的残差结构来强化训练过程。
44.上述提出的网络结构在使用之前需要进行训练操作，具体来说训练包含两个部分，第一是训练操作，第二是测试操作。由于训练采用有监督训练，因此在训练过程中，图片与图片的标签一并传入网络，训练过程利用了数据集中的训练集图片，该部分图片占训练集图片的大多数，主要作用是送入网络进行学习，预先告知网络图片中行人的身份，诱使网络去学习不同图片中行人与行人的区别是什么，通过大量的训练集图片可以使得网络发现不同行人所特有的判别性特征。在训练完毕后，为了检测这一训练阶段的有效性，会在训练与训练之间添加一个测试阶段，目的是验证这一端训练是否有效，同时如果网络陷入局部最大值时也可以及时发现。此时的测试过程所采用的的图片是在训练集图片中随机选取的，由于测试图片在网络训练时已经使用过，因此此时的测试结果往往会呈现出虚高的情况，因此测试结果并不作为最终的结果。
45.在网络训练完一个轮次后，本发明会利用数据集中的测试集进行一次网络测试，利用测试集图片与数据集中的图库集图片直接进行匹配，在测试过程中，为了保证测试有效性，测试集与图库集图片仅仅是图中行人身份相同，而测试集的图片在训练过程中网络并未见过，这样就可以确保网络是通过获取图中行人的判别信息而做出的判断，而非通过“记忆”来得到的结果。由于测试采用非共享的方式进行，因此此时的评估结果代表了网络性能的好坏。网络往往会经过多个轮次的训练，每次训练都进行一次上述测试，往复训练直
到测试网络达到一个满意的性能。
46.网络的每个参数都在网络反向传播阶段进行更新，网络通过前向传播利用损失函数得到损失值，网络采用三元组损失与softmax损失作为网络的损失函数。根据损失值对网络求偏导从而对网络的参数进行更新。每训练一次都进行一次反向传播，不断进行直至网络性能达到最高。
47.具体实施例子中，网络的构建过程为：
48.当获取到数据集中的图片后，首先对图片进行预处理，将图片大小放缩到256
×
128的大小，同时对图片进行随即反、剪切、遮挡用于增强数据。在训练过程中，卷积网络参数都预先存入adam优化器中，在每次训练结束后都利用损失函数对优化器中的参数求偏导进行更新，所提网络使用python作为编程语言，利用pytorch作为深度学习框架，网络的测试与训练在nvidia titan rtx 24gb中进行。
49.具体来说，图2中的卷积块所代表的的内部结构如图3(左下)所示，对该部分展开详细分析：如图3所示，本发明利用深度可分离卷积代替传统卷积操作，这种方法可以大大减少卷积运算所需要的参数量。在block中为了加深特征的维度，使得特征可以携带更多的信息，在深度可分离操作之前使用1
×
1卷积核来加深特征维度，并在深度可分离卷积层之后利用归一化层来去除数据之间的绝对差异突出相对差异，之后利用激活函数进一步增加网络模型的非线性性，从而获得具有更加丰富信息的特征。为了得到具有不同感受野的卷积块，从而可以针对不同的区域利用具有不同感受野大小的块来接受。表现在模型中即重复多次block，特别地，我们人为地定义了具有固定重复次数的iblock块，分别为：3、5、7、9，之所以定义了这些次数，是因为经过实际测试，小于3或者大于10的卷积块所起到的作用并不明显，无法学习到有效的信息。由于并行结构带来的收益要大于串行结构，因此利用定义好的ibolck搭建并行结构来获得多尺度特征，两个不同感受野的iblock并行排列并将获得的多尺度特征利用自适应融合机制融合在一起，从而得到更具有判别性的特征。由于不同感受野的卷积块可以学习不同尺度的特征，因此对于我们预定义四种不同的卷积块我们两两进行组合，设计了六种不同的cblock结构即《3，5》《3,7》《3,9》《5,7》《5,9》《7,8》，即图3中的右下所示的结构，由于不同尺度的特征信息重要程度并不相同，不能仅仅简单的将每个cblock得到的特征相加，因为每个cblock所学习的特征并不一定都是有效信息，受到图片的影响如遮挡、光线等因素可能会导致某些cblock块提取的特征无效，如果只是简单相加，就会导致抑制甚至损害得到的特征信息的有效性。为此同样利用注意力机制来更改每个cblock的权重，以改变每个cblock的重要性。通过这种方法可以使网络体积较小的同时还能保证较好的效率与性能。
50.通过上述描述可以搭建出附图2所示的卷积块，由于并行结构的性能要高于串行结构，因此在每一层都利用两个非共享参数的卷积块来构成并行结构来代替传统的串行卷积操作，同时在每一层之间添加残差结构来丰富每一层学习得到的特征信息。
51.为了在从卷积块所提取的特征中挖掘上下文信息，来形成更加鲁棒的特征表示，本发明还提出了自适应信息增强模块，该模块可以挖掘行人每个身体部位之间的关系，学习具有判别性的部分聚合特征，并利用注意力机制给不同的身体部位赋以不同的权重，由于我们的方法是以身体部位为单元进行的，因此是部分级特征，而非像素级特征，部分级特征可以使得网络更加关注不同身体部分之间的联系，而非仅仅考虑像素点之间的关联，这
种方式可以抑制减少由于遮挡、阴影等噪声对判别造成的影响。
52.具体来说，自适应信息增强模块的输入为最后一层卷积块和残差结构的输出之和，由于利用部分级特征，因此在输入之和需要通过分块最大池化层将特征向量转为n个不重叠的部分特征，公式表示为eq.(1)。
53.f＝cpool(input)
ꢀꢀ
(1)
54.其中input为后一层卷积块和残差结构的输出之和，cpool为分块最大池化层，所得到的f为内部分块的特征向量表示为f＝{x
p
}，p表示划分的块数。
55.之后将分块后的特征向量f复制三份分别传入三个参数不共享的全连接层中fc1、fc2、fc3中，并将fc2得到的输出进行转置操作后与fc1的输出结果相乘以得到两个特征之间的相似度，为了更好的区分不同部位的差异，使得相似度高的部分拥有更大的值，相似度小的部分更加趋近于0，特增加了一个指数函数来放大差异，公式表示为eq.(2)。
56.a
p
＝exp(fc1(x
1p
)
·
[fc2(x
2p
)]
t
)
ꢀꢀ
(2)
[0057]
其中exp()表示指数函数，fc1、fc2为不同的全连接层，t为转置操作。其中a
p
中的每个元素取值范围为0～1。
[0058]
将计算得到的注意力矩阵a
p
与全连接层3得到的结果进行内积之后就得到了强化部分特征i
p
。
[0059][0060]
此时的强化部分特征i
p
包含了行人身体的结构信息，并利用注意力矩阵a
p
针对不同结构的重要程度来改变特征中指定部位的占比。由于输入的特征f经过分块最大池化层将特征转换为内部划分为p个部分形式的特征向量，因此注意力矩阵a
p
所表示部分的重要程度以p
×
p范围来表示的，因此这就将像素级注意力转变为部分级注意力，这就加强了对噪声干扰的鲁棒性。
[0061]
由于输出特征i
p
内部包含p个不同的部分，而作为输出特征，应该将含有p个部分的特征转换为只有单个部分的特征，由于每个部分的重要程度不同，因此不能简单的将p各部分相加。所以此特添加了一个可变权重的注意力增强机制，来动态的分配每个部分所占比重，同时为了减少由于网络过深导致的信息丢失问题，特添加了残差结构，利用批量归一化层来代替传统的1
×
1卷积层，来减小可能存在的噪声所带来的影响。对应公式见eq.(4)所示。
[0062][0063]
得到输出特征之后，为了在训练期间能够更新网络，使得网络可以学习到有效的判别特征，本发明采用三元组损失与带softmax的交叉熵损失作为网络的损失函数，对应公式为eq.(5)。
[0064]
loss＝l
tri
(f
out
) l
soft
(f
out
)
ꢀꢀ
(5)
[0065]
其中l
tri
为三元组损失，l
soft
为带softmax的交叉熵分类损失。
[0066]
在具体实施例中，首先会对输入图片进行预处理操作，将不同尺寸的图片放缩到统一尺寸，同时为了增强训练有效性，还会对图片进行随机反转、随机裁剪、随机遮挡等操
作，将预处理后的图片按照批次依次传入至网络中对网络进行训练。
[0067]
实验例：
[0068]
分别在market-1501、dukemtmc-reid、prai-1581三个数据集上进行实验。
[0069]
market-1501该数据集发布于2015年，数据集总计包含32668幅图片，分别对应了32668个边界框，这些图片从6个相互之间没有关系的相机中捕捉得到，身份类别为1501个，32668幅图片被分为两类，一类有19732作为个图库图片，另一类有12936作为训练图像，少数图片中包含遮挡的行人。
[0070]
dukemtmc-reid包含的图片数量较market-1501更多，由八个不相交相机拍摄了1404个人总计36,441张图片，其中16522张作为训练图片，2228张作为查询图片，17661张作为图库图片。
[0071]
prai-1581作为第一个正式的航空视角下的行人重识别数据集，由两架无人机所拍摄了1581个不同行人的总计39461张图片，同样的这些图片被分为训练集与测试集，每次实验都保持固定的分区。训练集与测试集的比例大致设置为1:1。训练集包含782个身份的19523张图像。数据集的其余部分作为测试集，包含799个身份的19,938张图像。查询图片为4680张，图库图片为15258张。
[0072]
评价指标采用行人重识别领域中常用的累积匹配特征(cmc)和平均平均精度(map)得分来衡量模型的性能，cmc和map的精度越高则效果越好。同时为了验证模型的轻量程度，在实验过程中还会检测模型的参数量以衡量模型的规模。
[0073]
通过在三个数据集上进行实验，对比了目前比较流行的其他几种轻量级网络和目前比较流行的大行人重识别网络，从表1-3可以看出：本实施例提供的方法在不同数据集上都表现在模型轻量化的同时也保证了检索性能。
[0074]
表1.在market1501数据集上比较结果
[0075]
[0076][0077]
表2.在dukemtmc-reid数据集上比较结果
[0078]
[0079][0080]
表3.在prai-1581数据集上比较结果
[0081]
methodparam(m)r1mapid sp-48.337.9mobilenet2.1444.633.2resnet5025.5649.839.6ha-cnn2.748.639.2pcb≈2648.138.5osnet2.254.442.1cdnet1.856.647.4本发明1.958.048.5
[0082]
基于同样的发明构思，一个或多个实施例提供了一种电子设备，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，所述处理器执行所述程序时实现上述实施例子中面向航空视角下的行人重识别方法。
[0083]
基于同样的发明构思，一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例子中面向航空视角下的行人重识别方法。
[0084]
基于同样的发明构思，一个或多个实施例提供了一种面向航空视角下的行人重识别系统，包括：
[0085]
负责提取图片中行人特征的卷积结构：利用深度可分离卷积为最小单元搭建卷积层，同时辅以残差结构、自适应融合机制、注意力机制来构成特征提取卷积块，利用构建的多个卷积块搭建并行结构并采用残差机制来提取鲁棒性特征。
[0086]
自适应信息增强模块：将提取的特征传入自适应信息增强模块中，利用部分级注意力矩阵来对行人不同身体部位赋以不同的关注度，由于采用部分级注意力机制因此对干扰因素有着更好的抗性，最后采用自适应权重来将多个部分级特征转变为一个整体作为最后的输出。
[0087]
所采用的数据及中主要包含三类图片，分别为训练集图片、测试集图片、图库集图片。对于训练集图片，其中训练集图片主要作用是在搭建好网络后，在作为训练图片传入至网络中供网络学习图片中行人具有的独特特征，网络利用损失函数进行反向更新计算梯度值，并且更新网络参数。利用训练集图片不断更新网络参数从而使得网络可以更好地去寻
找图片的判别性特征。对于测试集图片，是在网络经过一定轮次的训练之后为了验证训练的有效性，就将测试集图片传入至网络中，在一些有监督的方法中，随测试集图片一块传入的还有图片的身份类别，通过观察网络对图片中行人身份的判别与真实身份是否一致来作为评估网络好坏的标准。而在无监督的方法中，测试集图片不对身份类别进行评估，二是将测试集图片与图库集图片之间进行比较，根据给定测试集图片中的行人去寻找图库集图片中具有相同身份的人，匹配正确的数量越多，即代表网络的性能越好。一般来说测试集图片与训练集图片并不重叠，相互独立。图库集图片即作为在测试过程中的一个“图库”，来观察网络能否从中寻找出具有相同行人身份的图片。
[0088]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0089]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0090]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0091]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0092]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。