本發(fā)明實施例屬于圖像處理領域，尤其涉及一種成對車道線檢測方法及裝置。

背景技術：

車道線檢測技術是車道偏離、碰撞預警和自動駕駛的基礎技術。

現(xiàn)有的車道線檢測方法中，通過獲取實時視頻流，再在實時視頻流中檢測疑似車道線，最后再計算、判斷檢測的疑似車道線是否為成對車道線，而在計算、判斷檢測的疑似車道線是否為成對車道線的過程中需要消耗相當可觀的資源，因此難以實時得到檢測結果。

技術實現(xiàn)要素：

本發(fā)明實施例提供了一種成對車道線檢測方法及裝置，旨在解決現(xiàn)有方法難以及時得到車道線的檢測結果的問題。

本發(fā)明實施例是這樣實現(xiàn)的，一種成對車道線檢測方法，所述方法包括：

獲取車輛前方路面的圖片；

檢測所述車輛前方路面的圖片中是否存在兩條直線，所述兩條直線的顏色與圖片中車輛前方路面的顏色不同；

在所述車輛前方路面的圖片中存在兩條直線時，在所述兩條直線上各取N個點，并分別計算在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離，N為整數(shù)，N大于或等于2；

根據(jù)計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離以及預設的分類器判斷所述兩條直線是否為成對車道線。

本發(fā)明實施例的另一目的在于提供一種成對車道線檢測裝置，所述裝置包括：

圖片獲取單元，用于獲取車輛前方路面的圖片；

直線檢測單元，用于檢測所述車輛前方路面的圖片中是否存在兩條直線，所述兩條直線的顏色與圖片中車輛前方路面的顏色不同；

距離計算單元，用于在所述車輛前方路面的圖片中存在兩條直線時，在所述兩條直線上各取N個點，并分別計算在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離，N為整數(shù)，N大于或等于2；

成對車道線判斷單元，用于根據(jù)計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離以及預設的分類器判斷所述兩條直線是否為成對車道線。

在本發(fā)明實施例中，由于根據(jù)計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離判斷所述兩條直線是否為成對車道線，而兩點之間的距離計算較簡單，因此能夠快速得到計算結果，并且，利用預設的分類器能夠根據(jù)得到的計算結果準確、快速地得到兩條車道線是否為成對車道線的判定結果。

附圖說明

圖1是本發(fā)明第一實施例提供的一種成對車道線檢測方法的流程圖；

圖2是本發(fā)明第一實施例提供的一種在兩條直線上分別取2個點，并與圖片的中心連接的示意圖；

圖3是本發(fā)明第一實施例提供的另一種在兩條直線上分別取2個點，并與圖片的中心連接的示意圖；

圖4是本發(fā)明第二實施例提供的一種成對車道線檢測裝置的結構圖。

具體實施方式

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實施例中，獲取車輛前方路面的圖片，檢測所述車輛前方路面的圖片中是否存在兩條直線，在所述車輛前方路面的圖片中存在兩條直線時，在所述兩條直線上各取N個點，并分別計算在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離，根據(jù)計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離以及預設的分類器判斷所述兩條直線是否為成對車道線。

為了說明本發(fā)明所述的技術方案，下面通過具體實施例來進行說明。

實施例一：

圖1示出了本發(fā)明第一實施例提供的一種成對車道線檢測方法的流程圖，詳述如下：

步驟S11，獲取車輛前方路面的圖片。

具體地，通過車輛監(jiān)測儀等拍攝車輛前方路面，以獲取車輛前方路面對應的圖片。當然，為了提高后續(xù)的車道線檢測速度，可在獲取車輛前方道路的圖片后，對獲取的圖片進行預處理，比如，將彩色圖片轉換為灰度圖片等，以降低圖片本身占用的內存空間。

步驟S12，檢測所述車輛前方路面的圖片中是否存在兩條直線，所述兩條直線的顏色與圖片中車輛前方路面的顏色不同。

其中，這里的兩條直線在路面上具有一定的寬度，例如路面常見的車道線在路面占據(jù)的寬度。兩條直線的顏色與路面的顏色不同，以達到提醒用戶的目的，由于路面的顏色通常為灰色或黑色，因此，為了提高區(qū)分度，兩條直線的顏色通常為白色。

具體地，檢測獲取的車輛前方路面的圖片是否存在2種及2種以上的顏色，若存在，則檢測占據(jù)獲取的車輛前方路面的圖片面積較少的顏色對應的區(qū)域是否分別形成兩條直線。需要指出的是，這里的直線不一定是連續(xù)的實線，也可以為連續(xù)的虛線，即一條直線中有存在多個線段。

步驟S13，在所述車輛前方路面的圖片中存在兩條直線時，在所述兩條直線上各取N個點，并分別計算在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離，N為整數(shù)，N大于或等于2。

其中，在每條直線上所取的點之間具有一定的距離，可選地，在兩條直線上各取N個點之間的間隔對應相等。具體地，車輛前方路面的圖片的中心點不一定為兩條直線之間的中心點，如圖2所示。當車輛前方路面的圖片為矩形時，車輛前方路面的圖片的中心點即為矩形區(qū)域的中心點，即矩形區(qū)域的兩條對角線的交點。

以圖3為例，圖中的O點為圖片的中心點，分別在兩條直線上取2個點：在左邊的直線上取A點和B點，在右邊的直線上取C點和D點，分別計算直線AO(左上側線)、BO(左下側線)、CO(右上側線)以及DO(右下側線)的距離。

步驟S14，根據(jù)計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離以及預設的分類器判斷所述兩條直線是否為成對車道線。

具體地，當獲取的車輛前方路面的圖片的中心點也為兩條直線之間的中心點時，可直接通過比較計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離是否相等，以及將N個點中的任一個點與獲取的車輛前方路面的圖片的中心點的距離與預設的車道線寬度比較，再根據(jù)比較結果判斷兩條直線是否為成對車道線，但是當獲取的車輛前方路面的圖片的中心點不為兩條直線之間的中心點時，上述判斷結果極可能是錯誤的。

可選地，為了提高車道線檢測結果的準確性，所述步驟S14具體包括：

A1、將在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離分成兩組，并分別計算每一組的距離和。例如，為了便于分組，可設置N為偶數(shù)。

A2、計算兩組的距離和的比值，將所述兩組的距離和的比值替換預設的分類器中的未知變量，得到一計算結果。

A3、根據(jù)所述計算結果判斷所述兩條直線是否為成對車道線。

具體地，當該計算結果與預設的標識成對車道線的結果相同時，則判定兩條直線為成對車道線，否則，判定兩條直線不為成對車道線。

可選地，當N＝2時，在兩條直線上各取的2個點與獲取的車輛前方路面的圖片的中心點的連線形成4條線：左上線、左下線、右上線及右下線，此時，所述A1具體包括：

A11、將左上線與右上線分為上側點組，計算所述上側點組的距離和。

A12、將左下線與右下線分為下側點組，計算所述下側點組的距離和。

對應地，所述A2具體包括：計算所述下側點組的距離和與所述上側點組的距離和的比值，將所述兩組的距離和的比值替換預設的分類器中的未知變量，得到一計算結果。

可選地，本發(fā)明實施例中的預設的分類器通過以下方式確定：

B1、獲取包含成對車道線和非成對車道線的樣本圖像。其中，獲取的樣本圖像應包括大量的成對車道線和非成對車道線的圖像。

B2、在每條車道線上各取N個點，并分別計算在每條車道線上各取的N個點與樣本圖像的中心點的距離，N為整數(shù)，N大于或等于2。需要指出的是，在取點時，每天車道線上的取點間隔保持對應相等。

B3、將同一樣本圖像中的每條車道線上各取的N個點與樣本圖像的中心點的距離分為兩組，并分別計算每一組的距離和。

B4、計算兩組的距離和的比值作為樣本比值。例如，在N＝2時，可將下側點組的距離和與上側點組的距離和的比值作為樣本比值。

B5、根據(jù)所述樣本比值確定分類器。

進一步地，通過Adaboost迭代算法確定分類器。Adaboost的核心思想是在初始的權重數(shù)據(jù)分布下訓練得到一個弱分類器(2類分類器)，之后通過這個弱分類器判斷準確率，對那些錯判(即原本標簽是1的因計算得到的0，或者相反情況)的樣本的加大權重，而對于分類正確的樣本，降低其權重，這樣被分錯的樣本就被突出出來，下次訓練就會更多考慮這些被錯分的樣本，因此得到一個新的樣本分布(樣本權重都被更新了)。在新的分布下，再進行訓練得到一個弱分類器，周而復始得到N個檢測能力一般的弱檢測器。再通過一定算法把這些檢測能力一般的分類器融合起來，從而得到一個分類能力很強的強分類器。

可選地，所述B5具體包括：

B501、根據(jù)所述樣本比值設置用于判斷兩條車道線是否為成對車道線的第一分類閾值。

B502、根據(jù)所述第一分類閾值確定第一基本分類器。

B503、根據(jù)所述第一分類閾值、預設的與樣本比值對應的第一權值、所述樣本比值對應的兩條車道線是否為成對車道線的結論確定第一基本分類器的誤差率。

B504、根據(jù)所述第一基本分類器的誤差率確定第一基本分類器的系數(shù)，根據(jù)所述第一基本分類器的系數(shù)以及所述第一基本分類器確定第一弱分類器。

B505、判斷所述第一弱分類器的誤分類點個數(shù)是否為0。

B506、在所述第一基本分類器的誤分類點不為0時，根據(jù)預設的與樣本比值對應的第一權值、第一弱分類器的系數(shù)、所述樣本比值對應的兩條車道線是否為成對車道線的結論以及第一基本分類器確定第一規(guī)范化因子。

B507、根據(jù)所述第一規(guī)范化因子調整所述預設的與樣本比值對應的第一權值，得到與樣本比值對應的第二權值。

B508、根據(jù)所述樣本比值設置用于判斷兩條車道線是否為成對車道線的第二分類閾值。

B509、根據(jù)所述第二分類閾值確定第二基本分類器。

B510、根據(jù)所述第二分類閾值、與樣本比值對應的第二權值、所述樣本比值對應的兩條車道線是否為成對車道線的結論確定所述第二基本分類器的誤差率。

B511、根據(jù)所述第二基本分類器的誤差率確定第二基本分類器的系數(shù)，所述第二弱分類器根據(jù)所述第一基本分類器的系數(shù)、所述第一基本分類器、所述第二基本分類器的系數(shù)以及所述第二基本分類器確定。

B512、判斷所述第二弱分類器的誤分類點個數(shù)是否為0，若為0，則將第二弱分類器作為最終分類器，否則，繼續(xù)確定新的弱分類器，直到確定的新的弱分類器的誤分類點個數(shù)為0。

為了更清楚地描述如何確定分類器的過程，下面以一具體應用例進行說明：

在該例子中，在每條車道線上各取2個點，假設得到的下側點組的距離和與所述上側點組的距離和的比值如表1所示：

表1：

(1)首先求解第一弱分類器sign[f1(x)]：

預設的與樣本比值對應的第一權值分布如下：

D1＝(W11，W12，W13，W14，W15)

W1i＝0.2；i＝1，2，3，4，5

根據(jù)表1可知，當用于判斷兩條車道線是否為成對車道線的第一分類閾值取1.43時，分類誤差率最低，此時，第一基本分類器G1為：

G1(x)＝1，x>1.43；G1(x)＝-1，x<1.43

結合表1可知，第一基本分類器G1(x)有一個錯誤分類結果(即對序號為4的結果為錯誤的分類)，該錯誤分類的數(shù)據(jù)權值分布就是G1(x)在訓練數(shù)據(jù)集上的誤差率(即第一基本分類器的誤差率)：e1＝P(G1(xi)?。統(tǒng)i)＝0.2。

G1(x)的系數(shù)通過下式確定：a1＝1/2ln((1-e1)/e1)＝ln2＝0.6931。

則第一弱分類器為：sign[f1(x)]＝ln2G1(x)。

(2)求解第二弱分類器sign[f2(x)]：

由于第一基本分類器G1(x)有一個錯誤分類結果，則根據(jù)第一弱分類器的公式可知，該第一弱分類器在訓練數(shù)據(jù)集(即表1對應的數(shù)據(jù)集)上也有一個誤分類點，此時，需要通過以下方式確定第一規(guī)范化因子：

第一規(guī)范化因子Z1＝W11*exp(-a1*y1*G1(x1))+W12*exp(-a1*y2*G1(x2))+W13*exp(-a1*y3*G1(x3))+W14*exp(-a1*y4*G1(x4))+W15*exp(-a1*y5*G1(x5))＝0.8。

根據(jù)第一規(guī)范化因子調整第一權值，得到的第二權值分布如下：

D2＝(W21，W22，W23，W24，W25)

W2i＝w1i/Z1*exp(-a1*yi*G1(Xi))，i＝1，2，3，4，5

D2＝(0.125，0.125，0.125，0.5，0.125)

結合表1的數(shù)據(jù)，設置用于判斷兩條車道線是否為成對車道線的第二分類閾值，當該第二分類閾值取1.55時，分類誤差率最低，第二基本分類器G2為：

G2(x)＝1，x>1.55；G2(x)＝-1，x<1.55

第二基本分類器G2(x)有兩個錯誤分類結果(即表1的序號2、3對應的結果)，兩個錯誤分類的數(shù)據(jù)權值分布和就是G2(x)在訓練數(shù)據(jù)集上的誤差率：e2＝P(G1(xi)?。統(tǒng)i)＝0.125+0.125＝0.25。

G2(x)的系數(shù)：

則第二弱分類器sign[f2(x)]＝a1*G1(x)+a2*G2(x)＝ln2*G1(x)+ln*G2(x)＝0.6931*G1(x)+0.5493*G2(x)。

根據(jù)第二弱分類器sign[f2(x)]的公式可知，sign[f2(x)]在訓練數(shù)據(jù)集上有誤分類點個數(shù)為0(當“sign[f2(x)]”的計算結果大于-1且小于0時，對該“sign[f2(x)]”取整后為-1，同理，當“sign[f2(x)]”的計算結果大于0且小于1時，對該“sign[f2(x)]”取整后為1)。

當然，若假設判斷出第二弱分類器的誤分類點個數(shù)不為0，則需要確定新的弱分類器(第三分類器、第四分類器等等)，直到確定的新的弱分類器的誤分類點個數(shù)為0。

在確定新的弱分類器(第三分類器)之前，需要確定第二規(guī)范化因子

根據(jù)第二規(guī)范化因子更新訓練數(shù)據(jù)的權值分布如下：

D3＝(W31，W32，W33，W34，W35)

W3i＝w2i/Z2*exp(-a2*yi*G2(Xi))，i＝1，2，3，4，5

D3＝(1/12，1/4，1/4，1/3，01/12)

在步驟S14中，根據(jù)預設的分類器能夠快速判斷所述兩條直線是否為成對車道線，例如，假設預設的分類器為第二弱分類器sign[f2(x)]＝a1*G1(x)+a2*G2(x)＝ln2*G1(x)+ln*G2(x)＝0.6931*G1(x)+0.5493*G2(x)，當判斷出下側點組的距離和與所述上側點組的距離和的比值為1.4403時，代入sign[f2(x)]，

sign[0.6931*G1(1.4403)+0.5493*G2(1.4403)]＝sign[0.6931*1+0.5493*(-1)]＝1，得到“兩條直線為成對車道線”的判定。

當判斷出下側點組的距離和與所述上側點組的距離和的比值為1.1666時，代入sign[f2(x)]，

G(x)＝sign[0.6931*G1(1.1666)+0.5493*G2(1.1666)]＝sign[0.6931*(-1)+0.5493*(-1)]＝-1，得到“兩條直線為非成對車道線”的判定。

本發(fā)明第一實施例中，獲取車輛前方路面的圖片，檢測所述車輛前方路面的圖片中是否存在兩條直線，在所述車輛前方路面的圖片中存在兩條直線時，在所述兩條直線上各取N個點，并分別計算在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離，根據(jù)計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離以及預設的分類器判斷所述兩條直線是否為成對車道線。由于根據(jù)計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離判斷所述兩條直線是否為成對車道線，而兩點之間的距離計算較簡單，因此能夠快速得到計算結果，并且，利用預設的分類器能夠根據(jù)得到的計算結果準確、快速地得到兩條車道線是否為成對車道線的判定結果。

應理解，在本發(fā)明實施例中，上述各過程的序號的大小并不意味著執(zhí)行順序的先后，各過程的執(zhí)行順序應以其功能和內在邏輯確定，而不應對本發(fā)明實施例的實施過程構成任何限定。

實施例二：

圖4示出了本發(fā)明第二實施例提供的一種成對車道線檢測裝置的結構圖，該成對車道線檢測裝置可用于各種智能終端中，該智能終端包括手機、車載設備等。為了便于說明，僅示出了與本發(fā)明實施例相關的部分。

該成對車道線檢測裝置包括：圖片獲取單元41、直線檢測單元42、距離計算單元43、成對車道線判斷單元44。其中：

圖片獲取單元41，用于獲取車輛前方路面的圖片。

具體地，通過車輛監(jiān)測儀等拍攝車輛前方路面，以獲取車輛前方路面對應的圖片。當然，為了提高后續(xù)的車道線檢測速度，可在獲取車輛前方道路的圖片后，對獲取的圖片進行預處理，比如，將彩色圖片轉換為灰度圖片等，以降低圖片本身占用的內存空間。

直線檢測單元42，用于檢測所述車輛前方路面的圖片中是否存在兩條直線，所述兩條直線的顏色與圖片中車輛前方路面的顏色不同。

其中，這里的兩條直線在路面上具有一定的寬度，例如路面常見的車道線在路面占據(jù)的寬度。兩條直線的顏色與路面的顏色不同，以達到提醒用戶的目的，由于路面的顏色通常為灰色或黑色，因此，為了提高區(qū)分度，兩條直線的顏色通常為白色。

具體地，檢測獲取的車輛前方路面的圖片是否存在2種及2種以上的顏色，若存在，則檢測占據(jù)獲取的車輛前方路面的圖片面積較少的顏色對應的區(qū)域是否分別形成兩條直線。需要指出的是，這里的直線不一定是連續(xù)的實線，也可以為連續(xù)的虛線，即一條直線中有存在多個線段。

距離計算單元43，用于在所述車輛前方路面的圖片中存在兩條直線時，在所述兩條直線上各取N個點，并分別計算在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離，N為整數(shù)，N大于或等于2。

可選地，車輛前方路面的圖片的中心點不一定為兩條直線之間的中心點。

成對車道線判斷單元44，用于根據(jù)計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離以及預設的分類器判斷所述兩條直線是否為成對車道線。

可選地，所述成對車道線判斷單元44包括：

距離和計算模塊，用于將在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離分成兩組，并分別計算每一組的距離和。

分類器計算結果確定模塊，用于計算兩組的距離和的比值，將所述兩組的距離和的比值替換預設的分類器中的未知變量，得到一計算結果。

分類器計算結果比較模塊，用于根據(jù)所述計算結果判斷所述兩條直線是否為成對車道線。

可選地，當N＝2時，在兩條直線上各取的2個點與獲取的車輛前方路面的圖片的中心點的連線形成4條線：左上線、左下線、右上線及右下線，此時，所述距離和計算模塊包括：

上側點組的距離和計算模塊，用于將左上線與右上線分為上側點組，計算所述上側點組的距離和。

下側點組的距離和計算模塊，用于將左下線與右下線分為下側點組，計算所述下側點組的距離和。

對應地，所述分類器計算結果確定模塊具體用于計算所述下側點組的距離和與所述上側點組的距離和的比值，將所述兩組的距離和的比值替換預設的分類器中的未知變量，得到一計算結果。

可選地，所述成對車道線檢測裝置通過以下單元確定預設的分類器：

樣本圖像獲取單元，用于獲取包含成對車道線和非成對車道線的樣本圖像。

距離數(shù)據(jù)獲取單元，用于在每條車道線上各取N個點，并分別計算在每條車道線上各取的N個點與樣本圖像的中心點的距離，N為整數(shù)，N大于或等于2。

不同組的距離和計算單元，用于將同一樣本圖像中的每條車道線上各取的N個點與樣本圖像的中心點的距離分為兩組，并分別計算每一組的距離和。

樣本比值計算單元，用于計算兩組的距離和的比值作為樣本比值。

分類器確定單元，用于根據(jù)所述樣本比值確定分類器。

當通過Adaboost迭代算法確定分類器時，所述分類器確定單元包括：

第一弱分類器確定模塊，用于根據(jù)所述樣本比值設置用于判斷兩條車道線是否為成對車道線的第一分類閾值。根據(jù)所述第一分類閾值確定第一基本分類器。根據(jù)所述第一分類閾值、預設的與樣本比值對應的第一權值、所述樣本比值對應的兩條車道線是否為成對車道線的結論確定第一基本分類器的誤差率。根據(jù)所述第一基本分類器的誤差率確定第一基本分類器的系數(shù)，根據(jù)所述第一基本分類器的系數(shù)以及所述第一基本分類器確定第一弱分類器。

第一弱分類器的誤分類點個數(shù)判斷模塊，用于判斷所述第一弱分類器的誤分類點個數(shù)是否為0。

第一規(guī)范化因子確定模塊，用于在所述第一基本分類器的誤分類點不為0時，根據(jù)預設的與樣本比值對應的第一權值、第一弱分類器的系數(shù)、所述樣本比值對應的兩條車道線是否為成對車道線的結論以及第一基本分類器確定第一規(guī)范化因子。

第二弱分類器確定模塊，用于根據(jù)所述第一規(guī)范化因子調整所述預設的與樣本比值對應的第一權值，得到與樣本比值對應的第二權值。根據(jù)所述樣本比值設置用于判斷兩條車道線是否為成對車道線的第二分類閾值。根據(jù)所述第二分類閾值確定第二基本分類器。根據(jù)所述第二分類閾值、與樣本比值對應的第二權值、所述樣本比值對應的兩條車道線是否為成對車道線的結論確定所述第二基本分類器的誤差率。根據(jù)所述第二基本分類器的誤差率確定第二基本分類器的系數(shù)，根據(jù)所述第一基本分類器的系數(shù)、所述第一基本分類器、所述第二基本分類器的系數(shù)以及所述第二基本分類器確定第二弱分類器。

第二弱分類器的誤分類點個數(shù)判斷模塊，用于判斷所述第二弱分類器的誤分類點個數(shù)是否為0，若為0，則將第二弱分類器作為最終分類器，否則，繼續(xù)確定新的弱分類器，直到確定的新的弱分類器的誤分類點個數(shù)為0。

本發(fā)明第二實施例中，由于根據(jù)計算的在所述兩條直線上各取的N個點與獲取的車輛前方路面的圖片的中心點的距離判斷所述兩條直線是否為成對車道線，而兩點之間的距離計算較簡單，因此能夠快速得到計算結果，并且，利用預設的分類器能夠根據(jù)得到的計算結果準確、快速地得到兩條車道線是否為成對車道線的判定結果。

本領域普通技術人員可以意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計算機軟件和電子硬件的結合來實現(xiàn)。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術方案的特定應用和設計約束條件。專業(yè)技術人員可以對每個特定的應用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應認為超出本發(fā)明的范圍。

所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)、裝置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。

在本申請所提供的幾個實施例中，應該理解到，所揭露的系統(tǒng)、裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發(fā)明的技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分或者該技術方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應所述以權利要求的保護范圍為準。