本發(fā)明涉及圖像處理和識別技術(shù)領(lǐng)域，尤其涉及一種圖像檢測方法和裝置。

背景技術(shù)：

隨著數(shù)碼相機、攝像頭、超高速掃描儀等圖像獲取設(shè)備的廣泛應用，工業(yè)化生產(chǎn)技術(shù)水平和生產(chǎn)效率的不斷提高，對與之配套的生產(chǎn)檢測能力也有著越來越高的要求。圖像處理技術(shù)的日益發(fā)展，圖像檢測技術(shù)廣泛運用在工業(yè)生產(chǎn)過程檢測、日常生活安全檢測等領(lǐng)域，極大的提升了企業(yè)的生產(chǎn)效率和人們的生活水平。

在圖像處理和識別的技術(shù)領(lǐng)域中，一般地，工業(yè)安全的檢測通常采用圖像分割方法對圖像中的特定區(qū)域進行檢測和識別?，F(xiàn)有的圖像分割方法主要利用感興趣區(qū)域和背景區(qū)域的整體灰度差異，選取適當?shù)拈撝捣指顖D像得到感興趣區(qū)域。在光照不均勻或者待檢測區(qū)域和背景區(qū)域灰度差別較小時往往不能準確地分割出感興趣區(qū)域。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供一種圖像檢測方法和裝置，可以準確地檢測出圖像中的感興趣區(qū)域。

根據(jù)本發(fā)明實施例的一方面，提供一種圖像檢測方法，該圖像檢測方法包括：通過雙閾值算法檢測待檢測圖像中的高亮區(qū)域像素點；統(tǒng)計待檢測圖像中的高亮區(qū)域像素點以外的像素點在指定鄰域中的灰度直方圖，根據(jù)灰度直方圖構(gòu)建高亮區(qū)域像素點以外的像素點的灰度分布的混合高斯模型；利用期望最大化算法對高亮區(qū)域像素點以外的像素點的混合高斯模型進行參數(shù)估計；基于參數(shù)估計得到的混合高斯模型的參數(shù)值確定高亮區(qū)域像素點以外的像素點是否屬于待檢測圖像中的目標檢測區(qū)域。

根據(jù)本發(fā)明實施例的另一方面，提供一種圖像檢測裝置，該檢測裝置包括：高亮區(qū)域檢測模塊，用于通過雙閾值算法檢測待檢測圖像中的高亮區(qū)域像素點；混合高斯模型構(gòu)建模塊，用于統(tǒng)計待檢測圖像中的高亮區(qū)域像素點以外的像素點在指定鄰域中的灰度直方圖，根據(jù)灰度直方圖構(gòu)建高亮區(qū)域像素點以外的像素點的灰度分布的混合高斯模型；參數(shù)值估計模塊，用于利用期望最大化算法對高亮區(qū)域像素點以外的像素點的混合高斯模型進行參數(shù)估計；目標檢測區(qū)域確定模塊，用于基于參數(shù)估計得到的混合高斯模型的參數(shù)值確定高亮區(qū)域像素點以外的像素點是否屬于待檢測圖像中的目標檢測區(qū)域。

本發(fā)明實施例中的圖像檢測方法和裝置，對待檢測圖像中高亮區(qū)域以外的圖像的每一個像素點，使用混合高斯模型分析其鄰域窗口內(nèi)的灰度值分布，并使用混合高斯模型中高斯項系數(shù)、均值和方差對該圖像進行分割，檢測出目標檢測區(qū)域。通過本發(fā)明實施例中的圖像檢測方法，在光照不均勻或者待檢測區(qū)域和背景區(qū)域灰度差別較小時，可以準確地分割出感興趣的目標區(qū)域。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對本發(fā)明實施例中所需要使用的附圖作簡單地介紹，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是示出根據(jù)本發(fā)明一實施例的圖像檢測方法的流程圖；

圖2是示出根據(jù)本發(fā)明另一實施例的圖像檢測方法的更詳細的流程圖；

圖3是示出根據(jù)本發(fā)明一實施例的圖像檢測裝置的結(jié)構(gòu)示意圖；

圖4是示出根據(jù)本發(fā)明另一實施例的圖像檢測裝置的更詳細的結(jié)構(gòu)示意圖；

圖5是示出了發(fā)明一實施例的能夠?qū)崿F(xiàn)根據(jù)本發(fā)明實施例的圖像檢測方法和裝置的計算設(shè)備的示例性硬件架構(gòu)的結(jié)構(gòu)圖。

具體實施方式

下面將詳細描述本發(fā)明的各個方面的特征和示例性實施例，為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細描述。應理解，此處所描述的具體實施例僅被配置為解釋本發(fā)明，并不被配置為限定本發(fā)明。對于本領(lǐng)域技術(shù)人員來說，本發(fā)明可以在不需要這些具體細節(jié)中的一些細節(jié)的情況下實施。下面對實施例的描述僅僅是為了通過示出本發(fā)明的示例來提供對本發(fā)明更好的理解。

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……”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。

本發(fā)明實施例提供的圖像檢測方法和裝置可以應用于工業(yè)生產(chǎn)過程檢測、日常生活安全檢測等領(lǐng)域。作為一個具體的應用，使用本發(fā)明實施中的圖像檢測方法和裝置進行隧道的滲漏水檢測是一種較為可靠的、高效率的處理方法。

隧道滲漏水作為一種常見的隧道病害對隧道的安全具有重要的影響，下面結(jié)合附圖，以對隧道滲漏水進行圖像檢測為例，詳細描述根據(jù)本發(fā)明實施例的圖像檢測方法和裝置。應注意，這些實施例并不是用來限制本發(fā)明公開的范圍。

圖1是示出根據(jù)本發(fā)明一實施例的圖像檢測方法的流程圖。如圖1所示，本實施例中的圖像檢測方法100包括以下步驟：

步驟s110，通過雙閾值算法檢測待檢測圖像中的高亮區(qū)域像素點。

步驟s120，統(tǒng)計待檢測圖像中的高亮區(qū)域像素點以外的像素點在指定鄰域中的灰度直方圖，根據(jù)灰度直方圖構(gòu)建高亮區(qū)域像素點以外的像素點的灰度分布的混合高斯模型。

步驟s130，利用期望最大化算法對高亮區(qū)域像素點以外的像素點的混合高斯模型進行參數(shù)估計。

步驟s140，基于參數(shù)估計得到的混合高斯模型的參數(shù)值確定高亮區(qū)域像素點以外的像素點是否屬于待檢測圖像中的目標檢測區(qū)域。

根據(jù)本發(fā)明實施例的圖像檢測方法，對待檢測圖像中的高亮區(qū)域像素點以外的像素點構(gòu)建混合高斯模型，并使用混合高斯模型，利用期望最大化算法學習待檢測圖像的灰度分布，從而根據(jù)學習得到的高斯模型參數(shù)對待檢測圖像進行分割，從而檢測出目標區(qū)域。

作為可選實施例，在進行圖像檢測之前，可以先對待檢測圖像進行預處理。

圖2是示出根據(jù)本發(fā)明另一實施例的圖像檢測方法的更詳細的流程圖，圖2與圖1相同或等同的步驟使用相同的標號。如圖2所示，圖2所示的圖像檢測方法200基本相同于圖像檢測方法100，不同之處在于，步驟s110還可以包括以下步驟：

步驟s110-1，對待檢測圖像進行去噪處理。

步驟s110-2，通過雙閾值算法檢測經(jīng)去噪處理的待檢測圖像中的高亮區(qū)域像素點。

具體地，可以使用中值濾波器對待檢測圖像進行去噪處理，去除噪聲的同時也能夠很好地保持圖像的邊緣信息。

在另一些實施例中，根據(jù)目標檢測區(qū)域在待檢測圖像中較暗的特點，可以首先對目標檢測區(qū)域的高亮區(qū)域進行檢測。作為可選實施例，步驟s110中的通過雙閾值算法檢測待檢測圖像中的高亮區(qū)域像素點的步驟具體可以包括：

步驟s111，分別使用預設(shè)的高灰度閾值和預設(shè)的低灰度閾值對待檢測圖像進行圖像分割，得到高閾值分割二值圖像和低閾值分割二值圖像，其中，該高灰度閾值大于該低灰度閾值。

在該步驟中，作為一個示例，高灰度閾值的取值例如可以是200，低灰度閾值的取值例如可以是150。

步驟s112，獲取低閾值分割二值圖像中的像素值為1的第一像素點的n×n鄰域作為第一鄰域，并獲取高閾值分割二值圖像中與第一像素點的位置相同的像素點的n×n鄰域作為第二鄰域。

在該步驟中，n的取值可以是21～25之間的奇數(shù)。

步驟s113，如果第二鄰域中不存在像素值為1的像素點，則將第一像素點的像素值置為0。

步驟s114，將第一鄰域中像素值為1的像素點標記為高亮區(qū)域像素點。

可選地，對檢測到的于高亮區(qū)域像素點，可以使用特定的值進行標記，區(qū)別于待檢測圖像中的其他像素點。

根據(jù)本發(fā)明實施例中的圖像檢測方法，在對隧道滲漏水區(qū)域進行檢測時，通常情況下，隧道的干燥區(qū)在待檢測圖像中亮度較高，而隧道的滲漏水區(qū)在待檢測圖像中亮度較低。通過從待檢測圖像中對高亮區(qū)域進行檢測，在后續(xù)的圖像檢測的處理過程中，對除高亮區(qū)域以外的圖像進行隧道滲漏水的檢測，可以提高圖像檢測的效率和準確性。

本發(fā)明實施例中的期望最大化算法(expectationmaximizationalgorithm)，簡稱em算法。在本發(fā)明實施例中，em算法是在待檢測圖像的每個像素點的混合高斯模型中尋找該混合高斯模型中的參數(shù)最大似然估計的算法。

具體地，步驟s130中利用期望最大化算法對所述高亮區(qū)域像素點以外的像素點的混合高斯模型進行參數(shù)估計的步驟，具體可以包括：

步驟s131，根據(jù)預設(shè)的混合高斯模型的參數(shù)值的初始值，利用期望最大化算法，對參數(shù)值進行迭代優(yōu)化。

步驟s132，當?shù)蟮膮?shù)值使混合高斯模型的似然函數(shù)收斂時，將迭代優(yōu)化后的參數(shù)值作為對混合高斯模型進行參數(shù)估計得到的參數(shù)值。

在一些實施例中，步驟s131中的混合高斯模型的參數(shù)值包括該混合高斯模型中的高斯項的權(quán)值、均值和方差。

作為一個示例，混合高斯模型可以包括兩個高斯項，分別對混合高斯模型中兩個高斯項的參數(shù)值進行初始化，設(shè)置兩個高斯項的權(quán)值均為1/2，設(shè)置兩個高斯項的均值分別為255/3和255×2/3，設(shè)置兩個高斯項的方

具體地，步驟s131可以包括如下步驟：

步驟s131-1，根據(jù)權(quán)值的初始值、均值的初始值和方差的初始值，初始化混合高斯模型。

步驟s131-2，利用期望最大化算法中的公式估計混合高斯模型中的像素點由每個高斯項生成的概率，其中，表示對第j個像素點由第i個高斯項生成的概率值，xj表示第j個像素點，πi、μi和σi分別表示第i個高斯項的權(quán)值、均值和方差；p(xj|μi，σi)表示在當前迭代步驟中，像素點xj在第i個高斯項中的概率。

步驟s131-3，通過期望最大化算法中的公式計算得到更新的混合高斯模型的權(quán)值πi、均值μi和方差σi，其中，m表示混合高斯模型中的像素點的個數(shù)。

在本實施例的上述步驟中，可以將步驟s131-2作為em算法中的e步驟，即計算期望的步驟；將步驟s131-3作為em算法中的m步驟，即最大化步驟。

具體地，em算法可以作為一個逐次逼近算法，在e步驟中通過給定混合高斯模型的參數(shù)值的初始值，確定該混合高斯模型對應于這組參數(shù)的狀態(tài)，在當前的狀態(tài)下再對混合修正；在m步驟中重新估計混合高斯模型中的參數(shù)值，并根據(jù)新的參數(shù)值重新確定模型的狀態(tài)。

迭代使用上述e步驟和m步驟，將m步驟中得到的參數(shù)估計值用于下一個e步驟的計算中，將這個過程不斷交替進行，直到混合高斯模型的似然函數(shù)收斂，得到對混合高斯模型進行參數(shù)估計得到的參數(shù)值。

在上述實施例中，通過em算法逐步改進混合高斯模型的參數(shù)值，使混合高斯模型的參數(shù)值逐漸逼近真實的參數(shù)值。本發(fā)明實施例通過em算法提供的迭代算法計算混合高斯模型的參數(shù)值，計算方法簡單且穩(wěn)定。

在一些實施例中，步驟s140具體可以包括：

步驟s141，如果兩個高斯項的其中一個高斯項的權(quán)值小于預設(shè)的權(quán)值閾值，確定高亮區(qū)域像素點以外的像素點不屬于目標檢測區(qū)域。

步驟s142，如果兩個高斯項的均值的差值絕對值大于預設(shè)的均值閾值，并且兩個高斯項的方差的差值絕對值小于預設(shè)的方差閾值，確定高亮區(qū)域像素點以外的像素點屬于目標檢測區(qū)域。

作為一個示例，預設(shè)的權(quán)值閾值可以是15，預設(shè)的均值閾值可以是20，預設(shè)的方差閾值可以是10。

在該實施例中，根據(jù)混合高斯模型中的高斯項的權(quán)值、均值和方差對待檢測圖像進行分割，檢測出滲漏水區(qū)域。

根據(jù)本發(fā)明實施例提供的圖像檢測方法，可以更準確的對圖像中的滲漏水區(qū)域進行檢測，并可以將該圖像檢測方法應用于其他安全成產(chǎn)過程或安全檢測等領(lǐng)域，能夠準確并高效率地檢測出圖像中的目標區(qū)域。

下面結(jié)合附圖詳細介紹根據(jù)本發(fā)明實施例的圖像檢測裝置。

圖3示出了根據(jù)本發(fā)明一實施例提供的圖像檢測裝置的結(jié)構(gòu)示意圖。如圖3所示，本發(fā)明實施例中的圖像檢測裝置300包括：

高亮區(qū)域檢測模塊320，用于通過雙閾值算法檢測待檢測圖像中的高亮區(qū)域像素點。

混合高斯模型構(gòu)建模塊330，用于統(tǒng)計待檢測圖像中的高亮區(qū)域像素點以外的像素點在指定鄰域中的灰度直方圖，根據(jù)灰度直方圖構(gòu)建高亮區(qū)域像素點以外的像素點的灰度分布的混合高斯模型。

參數(shù)值估計模塊340，用于利用期望最大化算法對高亮區(qū)域像素點以外的像素點的混合高斯模型進行參數(shù)估計。

目標檢測區(qū)域確定模塊350，用于基于參數(shù)估計得到的混合高斯模型的參數(shù)值確定高亮區(qū)域像素點以外的像素點是否屬于待檢測圖像中的目標檢測區(qū)域。

根據(jù)本發(fā)明實施例的圖像檢測裝置，對于待檢測圖像中的像素點，使用混合高斯模型分析每個像素點指定鄰域窗口內(nèi)的灰度值分布，并根據(jù)混合高斯模型中的參數(shù)值對待檢測圖像進行分割，可以更加準確地檢測出目標區(qū)域。

圖4是示出根據(jù)本發(fā)明另一實施例的圖像檢測裝置的更詳細的結(jié)構(gòu)示意圖，圖4與圖3相同或等同的步驟使用相同的標號。如圖4所示，圖4所示的圖像檢測裝置400基本相同于圖像檢測裝置300，不同之處在于，圖像檢測裝置400還可以包括：

圖像預處理模塊310，用于對待檢測圖像進行去噪處理對待檢測圖像進行去噪處理。

高亮區(qū)域檢測模塊320還用于通過雙閾值算法檢測經(jīng)去噪處理的待檢測圖像中的高亮區(qū)域像素點通過雙閾值算法檢測經(jīng)去噪處理的待檢測圖像中的高亮區(qū)域像素點。

作為可選實施例，高亮區(qū)域檢測模塊320還可以包括：

圖像分割單元321，用于分別使用預設(shè)的高灰度閾值和預設(shè)的低灰度閾值對檢測圖像進行圖像分割，得到高閾值分割二值圖像和低閾值分割二值圖像，高灰度閾值大于低灰度閾值。

鄰域獲取單元322，用于獲取低閾值分割二值圖像中的像素值為1的第一像素點的n×n鄰域作為第一鄰域，并獲取高閾值分割二值圖像中與第一像素點的位置相同的像素點的n×n鄰域作為第二鄰域。

像素值處理單元323，用于如果第二鄰域中不存在像素值為1的像素點，則將第一像素點的像素值置為0。

高亮區(qū)域像素點標記單元324，用于將第一鄰域中像素值為1的像素點標記為高亮區(qū)域像素點。

在該實施例中，通過從待檢測圖像中對高亮區(qū)域進行檢測，在后續(xù)的圖像檢測的處理過程中，對排除高亮區(qū)域后的待檢測圖像進行隧道滲漏水的檢測，可以提高圖像檢測的效率和準確性。

作為可選實施例，參數(shù)值估計模塊340還可以包括：

迭代優(yōu)化單元341，用于根據(jù)預設(shè)的混合高斯模型的參數(shù)值的初始值，利用期望最大化算法，對參數(shù)值進行迭代優(yōu)化。

參數(shù)值選取單元342，用于當?shù)鷥?yōu)化后的參數(shù)值使混合高斯模型的似然函數(shù)收斂時，將迭代優(yōu)化后的參數(shù)值作為對混合高斯模型進行參數(shù)估計得到的參數(shù)值根據(jù)參數(shù)值的初始值，利用期望最大化算法，迭代優(yōu)化混合高斯模型中的參數(shù)，以使混合高斯模型收斂。

具體地，迭代優(yōu)化單元341具體可以用于根據(jù)權(quán)值的初始值、均值的初始值和方差的初始值，初始化混合高斯模型；利用期望最大化算法中的公式估計混合高斯模型中的像素點由每個高斯項生成的概率，其中，表示對第j個像素點由第i個高斯項生成的概率值，xj表示第j個像素點，πi、μi和σi分別表示第i個高斯項的權(quán)值、均值和方差；p(xj|μi，σi)表示在當前迭代步驟中，像素點xj在第i個高斯項中的概率；并通過期望最大化算法中的公式計算得到更新的混合高斯模型的權(quán)值πi、均值μi和方差σi，其中，m表示混合高斯模型中的像素點的個數(shù)。

在該實施例中，通過em算法逐步改進混合高斯模型的參數(shù)值，使混合高斯模型的參數(shù)值逐漸逼近真實的參數(shù)值，從而是圖像的檢測和識別更加準確。

作為可選實施例，混合高斯模型可以包括兩個高斯項，目標檢測區(qū)域確定模塊350具體用于：

如果兩個高斯項的其中一個高斯項的權(quán)值小于預設(shè)的權(quán)值閾值，確定高亮區(qū)域像素點以外的像素點不屬于目標檢測區(qū)域如果兩個高斯項的權(quán)值中包括小于預設(shè)的權(quán)值閾值，確定每個像素點不屬于目標檢測區(qū)域；

如果兩個高斯項的均值的差值的絕對值大于預設(shè)的均值閾值，并且兩個高斯項的方差的差值的絕對值小于預設(shè)的方法方差閾值，確定高亮區(qū)域像素點以外的像素點屬于目標檢測區(qū)域。

根據(jù)本發(fā)明實施例提供的圖像檢測裝置，可以適應于更多的光照條件下獲得的待處理圖像以及待檢測區(qū)域和背景區(qū)域灰度差別較小情況下的待檢測區(qū)域，準確的檢測出圖像中的感興趣區(qū)域。

根據(jù)本發(fā)明實施例的圖像檢測裝置的其他細節(jié)與以上結(jié)合圖1和圖2描述的根據(jù)本發(fā)明實施例的圖像檢測方法類似，在此不再贅述。

結(jié)合圖1至圖4描述的根據(jù)本發(fā)明實施例的圖像檢測方法和裝置可以由可拆卸地或者固定地安裝在應用服務(wù)端設(shè)備上的計算設(shè)備實現(xiàn)。圖5是示出能夠?qū)崿F(xiàn)根據(jù)本發(fā)明實施例的圖像檢測方法和裝置的計算設(shè)備的示例性硬件架構(gòu)的結(jié)構(gòu)圖。如圖5所示，計算設(shè)備500包括輸入設(shè)備501、輸入接口502、中央處理器503、存儲器504、輸出接口505、以及輸出設(shè)備506。其中，輸入接口502、中央處理器503、存儲器504、以及輸出接口505通過總線510相互連接，輸入設(shè)備501和輸出設(shè)備506分別通過輸入接口502和輸出接口505與總線510連接，進而與計算設(shè)備500的其他組件連接。具體地，輸入設(shè)備501接收來自外部(例如，攝像設(shè)備或數(shù)碼相機)的輸入信息，并通過輸入接口502將輸入信息傳送到中央處理器503；中央處理器503基于存儲器504中存儲的計算機可執(zhí)行指令對輸入信息進行處理以生成輸出信息，將輸出信息臨時或者永久地存儲在存儲器504中，然后通過輸出接口505將輸出信息傳送到輸出設(shè)備506；輸出設(shè)備506將輸出信息輸出到計算設(shè)備500的外部供用戶使用。

也就是說，圖5所示的計算設(shè)備也可以被實現(xiàn)為包括：存儲有計算機可執(zhí)行指令的存儲器；以及處理器，該處理器在執(zhí)行計算機可執(zhí)行指令時可以實現(xiàn)結(jié)合圖1至圖4描述的圖像檢測方法和裝置。這里，處理器可以與圖像管理系統(tǒng)或安裝在待檢測裝置上的圖像傳感器等圖像獲取模塊進行通信，從而基于來自圖像管理系統(tǒng)和/或圖像傳感器的相關(guān)信息執(zhí)行計算機可執(zhí)行指令，從而實現(xiàn)結(jié)合圖1至圖4描述的圖像檢測方法和裝置。

需要明確的是，本發(fā)明并不局限于上文所描述并在圖中示出的特定配置和處理。為了簡明起見，這里省略了對已知方法的詳細描述。在上述實施例中，描述和示出了若干具體的步驟作為示例。但是，本發(fā)明的方法過程并不限于所描述和示出的具體步驟，本領(lǐng)域的技術(shù)人員可以在領(lǐng)會本發(fā)明的精神后，作出各種改變、修改和添加，或者改變步驟之間的順序。

以上所述的結(jié)構(gòu)框圖中所示的功能塊可以實現(xiàn)為硬件、軟件、固件或者它們的組合。當以硬件方式實現(xiàn)時，其可以例如是電子電路、專用集成電路(asic)、適當?shù)墓碳⒉寮?、功能卡等等。當以軟件方式實現(xiàn)時，本發(fā)明的元素是被用于執(zhí)行所需任務(wù)的程序或者代碼段。程序或者代碼段可以存儲在機器可讀介質(zhì)中，或者通過載波中攜帶的數(shù)據(jù)信號在傳輸介質(zhì)或者通信鏈路上傳送。“機器可讀介質(zhì)”可以包括能夠存儲或傳輸信息的任何介質(zhì)。機器可讀介質(zhì)的例子包括電子電路、半導體存儲器設(shè)備、rom、閃存、可擦除rom(erom)、軟盤、cd-rom、光盤、硬盤、光纖介質(zhì)、射頻(rf)鏈路，等等。代碼段可以經(jīng)由諸如因特網(wǎng)、內(nèi)聯(lián)網(wǎng)等的計算機網(wǎng)絡(luò)被下載。

還需要說明的是，本發(fā)明中提及的示例性實施例，基于一系列的步驟或者裝置描述一些方法或系統(tǒng)。但是，本發(fā)明不局限于上述步驟的順序，也就是說，可以按照實施例中提及的順序執(zhí)行步驟，也可以不同于實施例中的順序，或者若干步驟同時執(zhí)行。

以上所述，僅為本發(fā)明的具體實施方式，所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為了描述的方便和簡潔，上述描述的系統(tǒng)、模塊和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。應理解，本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到各種等效的修改或替換，這些修改或替換都應涵蓋在本發(fā)明的保護范圍之內(nèi)。