本發(fā)明涉及圖像檢測技術(shù)領(lǐng)域，尤其涉及一種圖像檢測方法及裝置。

背景技術(shù)：

隨著深度學(xué)習(xí)算法的不斷發(fā)展，深度學(xué)習(xí)算法在圖像處理領(lǐng)域的應(yīng)用越來越多。

比如，在智能交通領(lǐng)域，對監(jiān)控視頻中的車輛進(jìn)行檢測是非常重要的一個環(huán)節(jié)，檢測結(jié)果的準(zhǔn)確性將直接影響后續(xù)算法的效果，而CNN(Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò))是一種應(yīng)用在圖像處理領(lǐng)域的深度學(xué)習(xí)算法，當(dāng)采用CNN算法檢測視頻圖像中的車輛時，雖然檢測結(jié)果的準(zhǔn)確性比較高，但是檢測速度卻比較慢。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明實施例的主要目的在于提供一種圖像檢測方法及裝置，在對被檢測圖像中的目標(biāo)圖像進(jìn)行檢測時，能夠提高目標(biāo)圖像的檢測速度。

本發(fā)明實施例提供了一種圖像檢測方法，包括：

利用訓(xùn)練得到的adaboost分類器定位被檢測圖像中的目標(biāo)圖像，得到每個第一窗口圖像，其中，所述第一窗口圖像包含或不包含所述目標(biāo)圖像的圖像內(nèi)容；

利用訓(xùn)練得到的深度學(xué)習(xí)模型，分別識別每個所述第一窗口圖像中是否包含所述目標(biāo)圖像的圖像內(nèi)容，得到所有第二窗口圖像，其中，所述第二窗口圖像為包含所述目標(biāo)圖像的圖像內(nèi)容的第一窗口圖像；

根據(jù)所述所有第二窗口圖像，確定所述被檢測圖像中的目標(biāo)圖像。

可選的，所述根據(jù)所述所有第二窗口圖像，確定所述被檢測圖像中的目標(biāo)圖像，包括：

利用訓(xùn)練得到的BBOX回歸器，對所述第二窗口圖像對應(yīng)的窗口數(shù)據(jù)進(jìn)行BBOX回歸得到第三窗口圖像，其中，所述窗口數(shù)據(jù)包括所述第二窗口圖像的圖像特征和所述第二窗口圖像在所述被檢測圖像中的位置信息，所述第三窗口圖像包含所述目標(biāo)圖像的全部或大部分圖像內(nèi)容；

根據(jù)所有所述第三窗口圖像得到一個第四窗口圖像，其中，所述第四窗口圖像包含所述目標(biāo)圖像的全部或大部分圖像內(nèi)容。

可選的，所述根據(jù)所有所述第三窗口圖像得到一個第四窗口圖像，包括：

對所有所述第三窗口圖像對應(yīng)的窗口進(jìn)行非極大值抑制NMS過濾，得到一個第四窗口圖像。

可選的，所述被檢測圖像是視頻圖像的前景圖像。

可選的，當(dāng)所述被檢測圖像中包含兩個以上的目標(biāo)圖像時，所述方法采用圖像處理器并行檢測所述被檢測圖像中的每個目標(biāo)圖像。

本發(fā)明實施例還提供了一種圖像檢測裝置，包括：

圖像定位單元，用于利用訓(xùn)練得到的adaboost分類器定位被檢測圖像中的目標(biāo)圖像，得到每個第一窗口圖像，其中，所述第一窗口圖像包含或不包含所述目標(biāo)圖像的圖像內(nèi)容；

圖像識別單元，用于利用訓(xùn)練得到的深度學(xué)習(xí)模型，分別識別每個所述第一窗口圖像中是否包含所述目標(biāo)圖像的圖像內(nèi)容，得到所有第二窗口圖像，其中，所述第二窗口圖像為包含所述目標(biāo)圖像的圖像內(nèi)容的第一窗口圖像；

圖像檢測單元，用于根據(jù)所述所有第二窗口圖像，確定所述被檢測圖像中的目標(biāo)圖像。

可選的，所述圖像檢測單元，包括：

位置調(diào)優(yōu)子單元，用于利用訓(xùn)練得到的BBOX回歸器，對所述第二窗口圖像對應(yīng)的窗口數(shù)據(jù)進(jìn)行BBOX回歸得到第三窗口圖像，其中，所述窗口數(shù)據(jù)包括所述第二窗口圖像的圖像特征和所述第二窗口圖像在所述被檢測圖像中的位置信息，所述第三窗口圖像包含所述目標(biāo)圖像的全部或大部分圖像內(nèi)容；

圖像檢測子單元，用于根據(jù)所有所述第三窗口圖像得到一個第四窗口圖像，其中，所述第四窗口圖像包含所述目標(biāo)圖像的全部或大部分圖像內(nèi)容。

可選的，所述圖像檢測子單元，具體用于對所有所述第三窗口圖像對應(yīng)的窗口進(jìn)行非極大值抑制NMS過濾，得到一個第四窗口圖像。

可選的，所述被檢測圖像是視頻圖像的前景圖像。

可選的，當(dāng)所述被檢測圖像中包含兩個以上的目標(biāo)圖像時，所述裝置采用圖像處理器并行檢測所述被檢測圖像中的每個目標(biāo)圖像。

本發(fā)明實施例提供的圖像檢測方法及裝置，利用訓(xùn)練得到的adaboost分類器定位被檢測圖像中的目標(biāo)圖像，得到每個第一窗口圖像；利用訓(xùn)練得到的深度學(xué)習(xí)模型，分別識別每個所述第一窗口圖像中是否包含所述目標(biāo)圖像的圖像內(nèi)容，得到所有第二窗口圖像，所述第二窗口圖像為包含所述目標(biāo)圖像的圖像內(nèi)容的第一窗口圖像；根據(jù)所述所有第二窗口圖像，確定所述被檢測圖像中的目標(biāo)圖像。本實施例利用adaboost分類器在被檢測圖像中進(jìn)行目標(biāo)圖像的粗定位，然后在此基礎(chǔ)上，利用深度學(xué)習(xí)模型對粗定位到的圖像進(jìn)行目標(biāo)圖像的準(zhǔn)確識別，由于adaboost分類器的定位速度較快且深度學(xué)習(xí)模型對圖像的識別準(zhǔn)確性較高，所以采用上述方式可以快速且準(zhǔn)確的檢測出被檢測圖像中的目標(biāo)圖像。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的圖像檢測方法的流程示意圖；

圖2為本發(fā)明實施例提供的被檢測圖像示意圖之一；

圖3為本發(fā)明實施例提供的被檢測圖像示意圖之二；

圖4為本發(fā)明實施例提供的被檢測圖像示意圖之三；

圖5為本發(fā)明實施例提供的被檢測圖像示意圖之四；

圖6為本發(fā)明實施例提供的被檢測圖像示意圖之五；

圖7為本發(fā)明實施例提供的圖像并行處理示意圖；

圖8為本發(fā)明實施例提供的圖像檢測裝置的組成示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

現(xiàn)有技術(shù)中，當(dāng)采用深度學(xué)習(xí)模型(比如CNN)檢測被檢測圖像中的目標(biāo)圖像時，雖然檢測目標(biāo)圖像的準(zhǔn)確性比較高，即能夠比較準(zhǔn)確的定位被檢測圖像中的目標(biāo)圖像，但是檢測速度比較慢。與上述深度學(xué)習(xí)模型相比，當(dāng)采用adaboost分類器檢測被檢測圖像中的目標(biāo)圖像時，其檢測速度較快，但檢測目標(biāo)圖像的準(zhǔn)確性較低。因此，本發(fā)明實施例提供了一種圖像檢測方法，利用adaboost分類器的檢測速度以及深度學(xué)習(xí)模型的檢測準(zhǔn)確性，可以較快且較準(zhǔn)確的檢測到被檢測圖像中的目標(biāo)圖像，即，本實施例利用adaboost分類器在被檢測圖像中進(jìn)行目標(biāo)圖像的粗定位，然后在此基礎(chǔ)上，利用深度學(xué)習(xí)模型對粗定位到的圖像進(jìn)行目標(biāo)圖像的準(zhǔn)確識別，從而快速且準(zhǔn)確的檢測出被檢測圖像中的目標(biāo)圖像。

其中，adaboost分類器，是一種迭代算法，其是針對同一個訓(xùn)練集訓(xùn)練不同的分類器(即弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強(qiáng)的最終分類器(即強(qiáng)分類器)。

其中，CNN(Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò))，是一種前饋神經(jīng)網(wǎng)絡(luò)，它的神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，對于大型圖像處理有出色表現(xiàn)。具體訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)CNN時，卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)使用的是AlexNet，并使用ImageNet2012數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，并在此基礎(chǔ)上使用目標(biāo)圖像(比如車輛)樣本對網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)。

下面具體介紹本發(fā)明實施例。

參見圖1，為本發(fā)明實施例提供的圖像檢測方法的流程示意圖，該方法包括步驟101至103，下面結(jié)合圖2至圖8所示的被檢測圖像示意圖來介紹本發(fā)明實施例：

步驟101：利用訓(xùn)練得到的adaboost分類器定位被檢測圖像中的目標(biāo)圖像，得到每個第一窗口圖像，其中，所述第一窗口圖像包含或不包含所述目標(biāo)圖像的圖像內(nèi)容。

在本實施例中，需要預(yù)先訓(xùn)練得到一個adaboost分類器，利用該adaboost分類器可以對被檢測圖像中的目標(biāo)圖像進(jìn)行識別。需要說明的是，本實施例不對目標(biāo)圖像進(jìn)行限制，所述目標(biāo)圖像可以是車輛或人臉等。

假設(shè)該adaboost分類器是利用大量正樣本(即包含車輛的圖像)和大量負(fù)樣本(即不包含車輛的圖像)訓(xùn)練而成的，其可以用于識別圖像中的車輛。參見圖2所示的被檢測圖像，圖2作為被檢測圖像輸入到該adaboost分類器中，該adaboost分類器利用一檢測窗口遍歷被檢測圖像，并應(yīng)用haar+adaboost方法對檢測窗口中的圖像進(jìn)行特征識別，以確定檢測窗口中是否包含有車輛的全部或局部圖像，對于檢測窗口所框選的區(qū)域，如果通過adaboost分類器的識別，確定其包含了汽車中的全部或局部圖像，則定位該檢測窗口所框選的圖像區(qū)域并定義該圖像區(qū)域為所述第一窗口圖像，經(jīng)過adaboost分類器對車輛的定位，最終得到圖3中的多個第一窗口圖像，即圖3中每個框中的圖像即為所述第一窗口圖像。

在一些實施方式中，所述被檢測圖像可以是任何來源的圖像，具體地，所述被檢測圖像可以是視頻圖像的前景圖像。在這種實施方式中，比如，道路攝像頭拍攝到的車輛運(yùn)行視頻，由于攝像頭拍攝到的道路始終是靜止的，因此，道路即為視頻圖像的背景圖像，與道路的靜止?fàn)顟B(tài)相比，道路上的車輛通常是運(yùn)動的，所以車輛即為視頻圖像的前景圖像。由于視頻圖像中的背景圖像是靜止不變的、而視頻圖像中的前景圖像是動態(tài)變化的，因此，可以對視頻圖像進(jìn)行背景建模，這樣，每次在對同一拍攝位置的視頻圖像進(jìn)行車輛檢測時，可以將該視頻的幀圖像輸入到背景模型中，識別幀圖像中的背景圖像，以便從幀圖像中提取出前景圖像，并可以直接將幀圖像中的前景圖像作為被檢測圖像?；谏鲜鰧⑶熬皥D像作為被檢測圖像的方式，在識別被檢測圖像中的目標(biāo)圖像比如車輛時，可以不必重復(fù)性的識別視頻圖像中的背景圖像是否包含目標(biāo)圖像。

綜上，通過背景建模節(jié)省了對被檢測圖像的背景圖像進(jìn)行識別的時間，且adaboost分類器能夠快速的定位被檢測圖像中的目標(biāo)圖像，因此，本實施將adaboost分類器與背景建模進(jìn)行結(jié)合，能夠快速定位到被檢測圖片中的目標(biāo)圖像。

步驟102：利用訓(xùn)練得到的深度學(xué)習(xí)模型，分別識別每個所述第一窗口圖像中是否包含所述目標(biāo)圖像的圖像內(nèi)容，得到所有第二窗口圖像，其中，所述第二窗口圖像為包含所述目標(biāo)圖像的圖像內(nèi)容的第一窗口圖像。

由于采用adaboost分類器對被檢測圖像中的目標(biāo)圖像進(jìn)行檢測時，會存在誤識別的情況，即上述多個第一窗口圖像中，可能有的窗口圖像中并不包含目標(biāo)圖像比如車輛中的圖像內(nèi)容，例如，這種誤識別體現(xiàn)在圖4所示的最左側(cè)檢測窗口，其框選的圖像區(qū)域只是車輛的影子，并非真正的車輛圖像。

基于上述誤識別的可能性，本實施例首先采用adaboost分類器在被檢測圖像中對目標(biāo)圖像進(jìn)行快速的粗定位，在此基礎(chǔ)上，將所述第一窗口圖像分別輸入到深度學(xué)習(xí)模型比如CNN中，采用深度學(xué)習(xí)模型分別對所述第一窗口圖像進(jìn)行識別判斷，判斷所述第一窗口圖像中是否包含目標(biāo)圖像的圖像內(nèi)容，如果是，則保留，如果否，則去除，為便于描述，本實施例將保留下的每個第一窗口圖像定義為第二窗口圖像。比如，圖4中標(biāo)記“叉”的窗口圖像即為被去除的第一窗口圖像。

基于上述內(nèi)容，本實施例可以使用深度學(xué)習(xí)模型去除誤識別的第一窗口圖像，具體地，可以預(yù)先訓(xùn)練得到一個可以用于識別目標(biāo)圖像的深度學(xué)習(xí)模型，實現(xiàn)步驟102時，將adaboost檢測結(jié)果輸入到深度學(xué)習(xí)模型中，即對每個第一窗口圖像分別執(zhí)行下面操作：將第一窗口圖像輸入到訓(xùn)練得到的深度學(xué)習(xí)模型中，再利用深度學(xué)習(xí)模型提取第一窗口圖像的圖像特性(比如CNN特征)，并根據(jù)圖像特性識別第一窗口圖像中是否包含所述目標(biāo)圖像的圖像內(nèi)容，如果是，則保留該第一窗口圖像，如果否，則去除該第一窗口圖像。

步驟103：根據(jù)所述所有第二窗口圖像，確定所述被檢測圖像中的目標(biāo)圖像。

在一些實施方式中，步驟103可以包括步驟A1和A2：

步驟A1：利用訓(xùn)練得到的BBOX回歸器，對所述第二窗口圖像對應(yīng)的窗口數(shù)據(jù)進(jìn)行BBOX回歸得到第三窗口圖像，其中，所述窗口數(shù)據(jù)包括所述第二窗口圖像的圖像特征和所述第二窗口圖像在所述被檢測圖像中的位置信息，所述第三窗口圖像包含所述目標(biāo)圖像的全部或大部分圖像內(nèi)容。

在本實施例中，需要預(yù)先訓(xùn)練得到一bounding box(BBOX)回歸器，BBOX是一種調(diào)優(yōu)檢測結(jié)果位置的回歸計算方法，其訓(xùn)練樣本來自于adaboost分類器的檢測結(jié)果，以及從檢測結(jié)果中提取的CNN圖像特征。通過大量樣本訓(xùn)練得到的BBOX回歸器，可以針對所述目標(biāo)圖像的局部圖像(比如車輪)相比于所述目標(biāo)圖像(比如整車)之間的位置關(guān)系、特征關(guān)系等，對adaboost分類器檢測結(jié)果進(jìn)行位置調(diào)優(yōu)，即基于局部圖像的特征及位置確定被檢測圖像中的目標(biāo)圖像。

在步驟A1中，具體對每個第二窗口圖像進(jìn)行以下操作，得到每個對應(yīng)的第三窗口圖像，即得到一系列接近準(zhǔn)確的車輛位置：

利用所述第二窗口圖像的CNN特征(即通過CNN從所述第二窗口圖像中提取的圖像特征)、以及所述第二窗口圖像在所述被檢測圖像中的位置信息，進(jìn)行BBOX回歸，得到第三窗口圖像。例如，參見圖4所示的被檢測圖片，通過對每個框(除標(biāo)記“叉”的框)中的第二窗口圖像進(jìn)行BBOX回歸操作，使每個第二窗口圖像對應(yīng)的檢測窗口進(jìn)行調(diào)整，使其基本框選了整個車輛，得到圖5中的一系列窗口圖像即所述第三窗口圖像?？梢姡捎谑侵貜?fù)利用上述CNN特征，所以省去了BBOX特征提取的耗時，所以BBOX操作耗時非常少，并且BBOX回歸操作能有效調(diào)優(yōu)adaboost的檢測結(jié)果。

此外，當(dāng)深度學(xué)習(xí)模型為CNN模型時，由于CNN的檢測結(jié)果只能是正方形的窗口圖像，而本實施例通過BBox回歸操作能夠修正CNN檢測結(jié)果并跳出正方形窗口的限制，BBox回歸結(jié)果不但可以是正方形還可以是長方形的窗口圖像，對于一些長方形的目標(biāo)圖像，采用BBox回歸操作所定位出的結(jié)果將更加精準(zhǔn)。

步驟A2：根據(jù)所有所述第三窗口圖像得到一個第四窗口圖像，其中，所述第四窗口圖像包含所述目標(biāo)圖像的全部或大部分圖像內(nèi)容。

在一些實施方式中，步驟A2可以包括：對所有所述第三窗口圖像對應(yīng)的窗口進(jìn)行非極大值抑制NMS過濾，得到一個第四窗口圖像。在這種實施方式中，參見圖5所示的第三窗口圖像，由于得到的第三窗口圖像可能是多個，而為了消除多余的窗口框，找到最佳的物體檢測的位置，即找到一個最能表達(dá)目標(biāo)圖像的窗口框，可以通過NMS((Non-maximum suppression，非極大值抑制)方法，對滿足一定重疊條件的目標(biāo)圖像候選框進(jìn)行過濾及融合處理，使得最終融合結(jié)果即所述第四窗口圖像，能夠準(zhǔn)確定位被檢測圖像中的目標(biāo)圖像，比如基于圖5得到圖6所示的第四窗口圖像。

可見，BBox回歸結(jié)果配合NMS過濾操作，解決了上述一車多框的問題，從而得出了目標(biāo)圖像的準(zhǔn)確位置；

進(jìn)一步地，當(dāng)所述被檢測圖像中包含兩個以上的目標(biāo)圖像時，上述圖像檢測方法可以采用GPU(Graphics Processing Unit，圖形處理器)并行檢測所述被檢測圖像中的每個目標(biāo)圖像。具體地，當(dāng)被檢測圖像中存在多個目標(biāo)圖像時，可以以batch(也稱為批處理腳本)的方式，通過GPU(Graphics Processing Unit，圖形處理器)對被檢測圖像并行處理，例如，參見圖7所示的圖像并行處理示意圖，該被檢測圖像中包括三個目標(biāo)圖像即三個車輛，可以采用上述圖像檢測方法對這三個車輛進(jìn)行并行檢測?？梢?，采用這種并行運(yùn)算方式，可以大大提高目標(biāo)圖像的檢測速度和檢測效率。

本發(fā)明實施例提供的圖像檢測方法，利用訓(xùn)練得到的adaboost分類器定位被檢測圖像中的目標(biāo)圖像，得到每個第一窗口圖像；利用訓(xùn)練得到的深度學(xué)習(xí)模型，分別識別每個所述第一窗口圖像中是否包含所述目標(biāo)圖像的圖像內(nèi)容，得到所有第二窗口圖像，所述第二窗口圖像為包含所述目標(biāo)圖像的圖像內(nèi)容的第一窗口圖像；根據(jù)所述所有第二窗口圖像，確定所述被檢測圖像中的目標(biāo)圖像。本實施例利用adaboost分類器在被檢測圖像中進(jìn)行目標(biāo)圖像的粗定位，然后在此基礎(chǔ)上，利用深度學(xué)習(xí)模型對粗定位到的圖像進(jìn)行目標(biāo)圖像的準(zhǔn)確識別，由于adaboost分類器的定位速度較快且深度學(xué)習(xí)模型對圖像的識別準(zhǔn)確性較高，所以采用上述方式可以快速且準(zhǔn)確的檢測出被檢測圖像中的目標(biāo)圖像。

參見圖8，為本發(fā)明實施例提供的圖像檢測裝置的組成示意圖，該裝置包括：

圖像定位單元801，用于利用訓(xùn)練得到的adaboost分類器定位被檢測圖像中的目標(biāo)圖像，得到每個第一窗口圖像，其中，所述第一窗口圖像包含或不包含所述目標(biāo)圖像的圖像內(nèi)容；

圖像識別單元802，用于利用訓(xùn)練得到的深度學(xué)習(xí)模型，分別識別每個所述第一窗口圖像中是否包含所述目標(biāo)圖像的圖像內(nèi)容，得到所有第二窗口圖像，其中，所述第二窗口圖像為包含所述目標(biāo)圖像的圖像內(nèi)容的第一窗口圖像；

圖像檢測單元803，用于根據(jù)所述所有第二窗口圖像，確定所述被檢測圖像中的目標(biāo)圖像。

在一些實施方式中，所述圖像檢測單元803，包括：

位置調(diào)優(yōu)子單元，用于利用訓(xùn)練得到的BBOX回歸器，對所述第二窗口圖像對應(yīng)的窗口數(shù)據(jù)進(jìn)行BBOX回歸得到第三窗口圖像，其中，所述窗口數(shù)據(jù)包括所述第二窗口圖像的圖像特征和所述第二窗口圖像在所述被檢測圖像中的位置信息，所述第三窗口圖像包含所述目標(biāo)圖像的全部或大部分圖像內(nèi)容；

圖像檢測子單元，用于根據(jù)所有所述第三窗口圖像得到一個第四窗口圖像，其中，所述第四窗口圖像包含所述目標(biāo)圖像的全部或大部分圖像內(nèi)容。

在一些實施方式中，所述圖像檢測子單元，具體用于對所有所述第三窗口圖像對應(yīng)的窗口進(jìn)行非極大值抑制NMS過濾，得到一個第四窗口圖像。

在一些實施方式中，所述被檢測圖像是視頻圖像的前景圖像。

在一些實施方式中，當(dāng)所述被檢測圖像中包含兩個以上的目標(biāo)圖像時，所述裝置采用圖像處理器并行檢測所述被檢測圖像中的每個目標(biāo)圖像。

通過以上的實施方式的描述可知，本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實施例方法中的全部或部分步驟可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品可以存儲在存儲介質(zhì)中，如ROM/RAM、磁碟、光盤等，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者諸如媒體網(wǎng)關(guān)等網(wǎng)絡(luò)通信設(shè)備，等等)執(zhí)行本發(fā)明各個實施例或者實施例的某些部分所述的方法。

需要說明的是，對于實施例公開的裝置而言，由于其與實施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。