置信度调整方法、装置及应用其的城市事件推送方法与流程

1.本技术涉及深度学习领域，特别是涉及一种置信度调整方法、装置及应用其的城市事件推送方法。


背景技术：

2.随着计算机技术的发展和计算机视觉原理的广泛应用，目标检测技术也快速优化。
3.但是由于目标检测技术本身依赖于采集到的图像，目标的特征会受地点、时间、天气、光线等原因的影响，以至于目标检测技术根据图像识别到的目标会和现实场景中的目标有些偏差。例如，目标检测模型对某一目标给出较高置信度的时候可能是识别错误，或者对某一目标给出较低置信度的时候可能是识别正确的。因此，直接依赖目标检测模型输出的置信度来判断识别结果的正确与否的误差较大。


技术实现要素：

4.本技术提供了一种置信度调整方法、装置及应用其的城市事件推送方法，置信度调整方法通过分析目标对象的相同对象和相似对象来调整目标对象的置信度，实现了通过置信度能够更加合理地表示目标对象的正确性。
5.第一方面，本技术实施例提供了一种置信度调整方法，包括以下步骤：
6.获取目标对象以及所述目标对象的初始置信度和数据信息，其中所述数据信息包括至少一维度信息；
7.获取与所述目标对象的所有所述维度信息相同的同类型对象得到至少一相同对象，并获取每一所述相同对象的数据信息和置信度；
8.根据所述目标对象的数据信息和所有所述相同对象的数据信息进行聚类分析，根据对应所述目标对象所属的聚类中心的相同对象的置信度计算置信度平均值；
9.使用所有所述相同对象的数据信息训练神经网络模型获取获得所述目标对象的正确识别率；
10.获取与所述目标对象的任一所述维度信息相同的同类型对象得到至少一相似对象，统计对应每一所述维度信息的维度正确偏差率，根据所有所述维度正确偏差率之和获得正确偏差率；
11.根据所述初始置信度、所述正确识别率以及所述正确偏差率获得所述目标对象的优化置信度。
12.在一些申请实施例中，“根据所述目标对象的数据信息和所有所述相同对象的数据信息进行聚类分析，根据对应所述目标对象所属的聚类中心的相同对象的置信度计算置信度平均值”包括：根据所述目标对象的数据信息和所有所述相同对象的数据信息进行聚类分析，获得至少一聚类中心，选取所述目标对象所属的聚类中心作为目标聚类中心，根据对应所述目标聚类中心的相同对象的置信度的平均值计算置信度平均值。
13.在一些申请实施例中，“使用所有所述相同对象的数据信息训练神经网络模型获取获得所述目标对象的正确识别率”包括：获取每一所述相同对象的第一识别结果，其中所述第一识别结果用于标识所述相同对象是否被正确识别；根据所述第一识别结果将每一所述相同对象的数据信息标记为正样本或负样本；使用所述正样本和所述负样本组成训练数据集训练神经网络模型；将所述目标对象的数据信息输入训练后的所述神经网络模型得到所述目标对象的正样本概率和负样本概率；根据所述正样本概率与所述负样本概率的差值获得所述目标对象的正确识别率。
14.在一些申请实施例中，所述维度信息为时间信息、地点信息、天气信息中任意一种。
15.在一些申请实施例中，“统计对应每一所述维度信息的维度正确偏差率”包括：获取每一所述相似对象的第二识别结果，其中所述第二识别结果用于标识所述相似对象是否被正确识别；对应相同维度信息的所有所述相似对象中，统计所述第二识别结果表示相似对象被正确识别的第一数量和被错误识别的第二数量，根据所述第一数量与所述第二数量的差值除以对应该维度信息的所有所述相似对象的数量的商获得维度正确偏差率。
16.在一些申请实施例中，“获取目标对象以及所述目标对象的初始置信度和数据信息”包括：获取待检测图像；根据所述待检测图像获取目标对象以及所述目标对象的初始置信度；获取所述目标对象的数据信息。
17.在一些申请实施例中，所述优化置信度的计算方式为c*(1-e-δb)*eα，其中，c为所述初始置信度，α为所述正确识别率，b为所述正确偏差率设。
18.在一些申请实施例中，所述神经网络模型为长短期记忆神经网络模型。
19.在一些申请实施例中，每一所述相同对象的置信度为使用所述置信度调整方法优化后得到的置信度。
20.第二方面，本技术实施例提供了一种城市事件推送方法，包括以下步骤：
21.获取待测视频图像；
22.根据所述待测视频图像获取至少一目标事件以及每一所述目标事件的初始置信度，并获取每一所述目标事件的数据信息；
23.根据第一方面所述的任一置信度调整方法基于每一所述目标事件的初始置信度和数据信息获取优化置信度；
24.将所述优化置信度达到设定阈值的目标事件推送至相应的业务系统。
25.第三方面，本技术实施例提供了一种置信度调整装置，用于实现第一方面中所述的置信度调整方法，该装置包括以下模块：
26.第一获取模块，用于获取目标对象以及所述目标对象的初始置信度和数据信息，其中所述数据信息包括至少一维度信息；
27.第一分析模块，用于获取与所述目标对象的所有所述维度信息相同的同类型对象得到至少一相同对象，并获取每一所述相同对象的数据信息和置信度；
28.聚类模块，用于根据所述目标对象的数据信息和所有所述相同对象的数据信息进行聚类分析，根据对应所述目标对象所属的聚类中心的相同对象的置信度计算置信度平均值；
29.检测模块，用于使用所有所述相同对象的数据信息训练神经网络模型获取获得所
述目标对象的正确识别率；
30.第二分析模块，用于获取与所述目标对象的任一所述维度信息相同的同类型对象得到至少一相似对象，统计对应每一所述维度信息的维度正确偏差率，根据所有所述维度正确偏差率之和获得正确偏差率；
31.第一优化模块，用于根据所述初始置信度、所述正确识别率以及所述正确偏差率获得所述目标对象的优化置信度。
32.第四方面，本技术实施例提供了一种城市事件推送装置，用于实现第二方面中所述的城市事件推送方法，该装置包括以下模块：
33.第二获取模块，用于获取待测视频图像；
34.目标检测模块，用于根据所述待测视频图像获取至少一目标事件以及每一所述目标事件的初始置信度，并获取每一所述目标事件的数据信息；
35.第二优化模块，根据实施例一所述的置信度调整方法基于每一所述目标事件的初始置信度和数据信息获取优化置信度；
36.事件推送模块，用于将所述优化置信度达到设定阈值的目标事件推送至相应的业务系统。
37.第五方面，本技术实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以如上任意申请实施例所述的置信度调整方法或城市事件推送方法。
38.第六方面，本技术实施例提供了一种计算机程序产品，所述计算机程序产品包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行如上任一申请实施例所述的置信度调整方法或城市事件推送方法。
39.第七方面，本技术实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据如上任意申请实施例所述的置信度调整方法或城市事件推送方法。
40.本技术实施例的主要贡献和创新点如下：
41.本技术实施例提供的置信度调整方法，通过分析目标对象的相同对象，根据所有的数据信息进行聚类和回归，得到正确识别率，以及分析目标对象的相似对象得到目标检测模型的正确偏差率，使用正确识别率和正确偏差率将目标对象的初始置信度进行相应的调整得到优化置信度，使得可以根据优化置信度获得更加准确的目标检测识别结果。
42.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
43.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
44.图1是根据本技术实施例的置信度调整方法的流程图；
45.图2是根据本技术实施例的置信度调整装置的结构框图；
46.图3是根据本技术实施例的城市事件推送装置的结构框图；
47.图4是根据本技术实施例的电子装置的硬件结构示意图。
具体实施方式
48.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
49.需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
50.实施例一
51.本实施例提供了一种置信度调整方法，通过分析目标对象的相同对象和相似对象来调整目标对象的置信度，使调整后的置信度能够更加合理地表示目标对象的正确性。
52.在本实施例中，该方法主要包括四个步骤：
53.步骤1，获取目标对象以及所述目标对象的初始置信度和数据信息；步骤2，获取目标对象的相同对象，并对目标对象和相同对象进行聚类分析得到置信度平均值，使用相同对象的数据信息不断训练的神经网络模型，并使用训练好的神经网络模型根据目标对象的数据信息获取目标对象的正确识别率；步骤3，获取目标对象的相似对象，并根据相似对象的识别结果统计出正确偏差率；步骤4，计算得到的正确识别率和正确偏差率调整目标对象的初始置信度得到优化置信度。
54.在步骤1中，先获取待检测图像，根据待检测图像获取目标对象以及目标对象的初始置信度，再获取目标对象的数据信息。
55.首先，针对目标对象训练相应的目标检测模型，将待检测图像输入目标检测模型进行目标检测，输出目标对象和该目标对象的初始置信度。
56.目标检测模型会用边框来包括每一个检测到的目标对象，每个边框有三类参数：边框信息、边框的位置为目标对象的概率以及置信度。
57.其中，边框信息包括目标对象的边框的宽、高以及中心点坐标或者左上角坐标；边框的位置为目标对象的概率，通常取值范围为[0,1]；置信度表示边框的位置为目标对象的实际位置的概率，通常取值范围也为[0,1]。
[0058]
在训练目标检测模型的过程中由于数据集都有标注框和标签，标注框的位置即目标对象的实际位置，目标检测模型预测得到的置信度即为边框与标注框的交并比。而在使用目标检测模型进行目标检测过程中，并不知道目标对象的实际位置，因此实际位置也只是目标检测模型估算的，置信度在一定程度上表示了目标检测模型检测的自信程度。
[0059]
目标检测模型最终会将置信度最优的边框进行输出，主要包括待检测图像中目标对象的边框信息、置信度以及边框的位置为目标对象的概率。将目标检测模型直接输出的置信度作为目标对象的初始置信度。
[0060]
然后，获取目标对象的数据信息。
[0061]
其中，数据信息主要用于描述目标对象。具体的，数据信息包括采集图像和至少一
维度信息，维度信息可以是时间信息、地点信息、天气信息等任意一种。例如，目标对象为路面垃圾，那么数据信息就包括该路面垃圾的待检测图像以及待检测图像被采集的时间、地点、天气等维度信息。
[0062]
在步骤2中，先根据目标对象的数据信息获取目标对象的相同对象以及每一相同对象的数据信息和置信度，再根据目标对象和相同对象的数据信息进行聚类分析，筛选出数据信息与目标对象相似度最高的一些相同对象计算出置信度平均值，最后使用相同对象的数据信息训练神经网络模型，在训练时根据置信度平均值构建的损失函数调整神经网络的参数，用训练好的神经网络模型检测目标对象的数据信息，获取目标对象是识别正确或识别错误的可能性，并计算目标对象的正确识别率。
[0063]
首先，根据目标对象的数据信息获取目标对象的相同对象。其中，相同对象为与目标对象包含的所有维度信息都相同的同类型对象。例如，目标对象为路面垃圾，目标对象的数据信息包括时间信息、地点信息、天气信息三个维度信息，那么目标对象的相同对象就为在相同时间、相同地点、相同天气采集图片中识别出的路面垃圾。具体的，相同地点可以是以地点信息为中心的区域范围，相同时间也可以是按照时间信息所属时间段来区分。
[0064]
获取到目标对象的相同对象后，可以直接获取每一相同对象的数据信息和置信度。因为相同对象的数据信息和置信度指的是曾经检测后保存下来的数据，相同对象的置信度可以通过上述训练的目标检测模型进行获取。
[0065]
然后，根据所述目标对象的数据信息和所有所述相同对象的数据信息，对目标对象和所有相同对象进行聚类，得到至少一个聚类中心，从所有聚类中心中选取目标对象所属的聚类中心，计算对应目标对象所属的聚类中的所有相同对象的置信度和目标对象的初始置信度的平均值得到置信度平均值。
[0066]
最后，获取每一相同对象的识别结果，根据每一相同对象的第一识别结果将该相同对象的数据信息标记为正样本或负样本构成训练数据集，其中第一识别结果用于标识相同对象是否被正确识别，若相同对象的第一识别结果表示该相同对象被正确识别，就将该相同对象的数据信息标记为正样本，若相同对象的第一识别结果表示该相同对象被错误识别，就将该相同对象的数据信息标记为负样本。
[0067]
使用训练数据集训练神经网络模型，在本实施例中采用的是长短期记忆神经网络模型，因为长短期记忆神经网络模型是用于处理时序数据样本的神经网络，相对于传统的神经网络来说，它允许将信息从当前步传递到下一步，这样可以通过已经发生的事件去推测即将要发生的事件。
[0068]
将目标对象的数据信息输入训练好的神经网络模型中进行检测，获取目标对象是识别正确的可能性得到正样本概率，目标对象是识别错误的可能性得到负样本概率，根据正样本概率与负样本概率的差值获得目标对象的正确识别率。
[0069]
本实施例采用长短期记忆神经网络模型来做置信度的预测分析，具体的，使用长短期记忆神经网络模型回归过程中的预测置信度和置信度平均值构建损失函数，损失函数为预测置信度与置信度平均值之间的差值。将预测置信度设为w，置信度平均值设为t，损失函数设为s，因此s＝w-t。损失函数越小说明预测置信度的准确度越高，长短期记忆神经网络模型会依据损失函数自行调整该模型中的参数，以得到最优的长短期记忆神经网络模型。
[0070]
采用最优的长短期记忆神经网络模型对每一正样本进行回归分析得到正样本概率，以及对每一负样本进行回归分析得到负样本概率，根据正样本概率与所述负样本概率的差值计算得到正确识别率。
[0071]
在步骤3中，先根据目标对象的数据信息获取目标对象的相似对象，再获取每一相似对象的第二识别结果统计综合正确偏差率。
[0072]
其中，相似对象为与目标对象的任一维度信息相同的同类型对象。例如，目标对象为路面垃圾，目标对象的数据信息包括时间信息、地点信息、天气信息三个维度信息，那么相似对象为分别统计的相同时间、相同地点、相同天气采集图片中识别出的路面垃圾。
[0073]
获取每一相似对象的第二识别结果，其中第二识别结果用于标识相似对象是否被正确识别，对应相同维度信息所有相似对象中，统计第二识别结果表示相似对象被正确识别的第一数量和被错误识别的第二数量，计算第一数量与第二数量的差值，再用该差值除以对应该维度信息的所有相似对象的数量的商统计出维度正确偏差率，根据所有维度信息对应的维度正确偏差率求和得到最终的正确偏差率。
[0074]
在最后的步骤4中，根据步骤1中获得的初始置信度、步骤2中获得的正确识别率以及步骤3中获得的正确偏差率获得所述目标对象的优化置信度。
[0075]
具体的，设初始置信度为c，正确识别率为α，正确偏差率设为b，优化置信度设为y，那么y＝c*(1-e-δb
)*e
α
。其中，δ函数的取值范围为[0,1]，使得1-e-δb
的取值范围也为[0,1]。b越小说明目标检测模型的第一识别结果可靠性越低，相应的，1-e-δb
就越趋近于0，应将y调小；b越大，说明目标检测模型的第一识别结果可靠性越高，相应的，应将y调大。
[0076]
实施例二
[0077]
基于实施例一提供的置信度调整方法，本实施例提供了应用其的城市事件推送方法，将符合条件的目标事件推送给业务系统进行审核、归档等业务操作。
[0078]
该方法包括以下步骤：获取待测视频图像；根据所述待测视频图像获取至少一目标事件以及每一所述目标事件的初始置信度，并获取每一所述目标事件的数据信息；根据实施例一所述的置信度调整方法基于每一所述目标事件的初始置信度和数据信息获取优化置信度；将所述优化置信度达到设定阈值的目标事件推送至相应的业务系统。
[0079]
该城市事件推送方法不仅引入了置信度调整方法，可以优化目标事件的初始置信度，还引入了置信度过滤策略，规定将达到设定阈值的目标事件才能被推送到业务系统，小于设定阈值的目标直接将直接被过滤，在一定程度上见减少了城市事件的误报和不必要的推送。
[0080]
实施例三
[0081]
基于相同的构思，本实施例还提供了一种置信度调整装置，用于实现实施例一中所描述的置信度调整方法，具体参考图2，该装置包括以下模块：
[0082]
第一获取模块，用于获取目标对象以及所述目标对象的初始置信度和数据信息，其中所述数据信息包括至少一维度信息；
[0083]
第一分析模块，用于获取与所述目标对象的所有所述维度信息相同的同类型对象得到至少一相同对象，并获取每一所述相同对象的数据信息和置信度；
[0084]
聚类模块，用于根据所述目标对象的数据信息和所有所述相同对象的数据信息进行聚类分析，根据对应所述目标对象所属的聚类中心的相同对象的置信度计算置信度平均
值；
[0085]
检测模块，用于使用所有所述相同对象的数据信息训练神经网络模型获取获得所述目标对象的正确识别率；
[0086]
第二分析模块，用于获取与所述目标对象的任一所述维度信息相同的同类型对象得到至少一相似对象，统计对应每一所述维度信息的维度正确偏差率，根据所有所述维度正确偏差率之和获得正确偏差率；
[0087]
第一优化模块，用于根据所述初始置信度、所述正确识别率以及所述正确偏差率获得所述目标对象的优化置信度。
[0088]
本实施例还提供了一种城市事件推送装置，用于实现实施例二中所描述的城市事件推送方法，具体参考图3，该装置包括以下模块：
[0089]
第二获取模块，用于获取待测视频图像；
[0090]
目标检测模块，用于根据所述待测视频图像获取至少一目标事件以及每一所述目标事件的初始置信度，并获取每一所述目标事件的数据信息；
[0091]
第二优化模块，根据实施例一所述的置信度调整方法基于每一所述目标事件的初始置信度和数据信息获取优化置信度；
[0092]
事件推送模块，用于将所述优化置信度达到设定阈值的目标事件推送至相应的业务系统。
[0093]
实施例四
[0094]
本实施例还提供了一种电子装置，参考图4，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述实施例中的任意一种置信度调整方法或城市事件推送方法的步骤。
[0095]
具体地，上述处理器402可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，简称为asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0096]
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(hard disk drive，简称为hdd)、软盘驱动器、固态驱动器(solid state drive，简称为ssd)、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，简称为usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(non-volatile)存储器。在特定实施例中，存储器404包括只读存储器(read-only memory，简称为rom)和随机存取存储器(random access memory，简称为ram)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(programmable read-only memory，简称为prom)、可擦除prom(erasable programmable read-only memory，简称为eprom)、电可擦除prom(electrically erasable programmable read-only memory，简称为eeprom)、电可改写rom(electrically alterable read-only memory，简称为earom)或闪存(flash)或者两个或更多个以上这些的组合。在合适的情况下，该ram可以是静态随机存取存储器(static random-access memory，简称为sram)或动态随机存取存储器(dynamic random access memory，简称为dram)，其中，dram可以是快速页模式动态随机存取存储器404(fast page mode dynamic random access memory，简称为fpmdram)、扩展数据输出动态随机存取存储
器(extended date out dynamic random access memory，简称为edodram)、同步动态随机存取内存(synchronous dynamic random-access memory，简称sdram)等。
[0097]
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
[0098]
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种置信度调整方法或城市事件推送方法。
[0099]
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
[0100]
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
[0101]
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是当前数据表例如疫情流调文档、特征数据、模板表等，输出的信息可以是特征指纹、指纹模板、文本分类推荐信息、文件模板配置映射表、文件模板配置信息表等。
[0102]
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：
[0103]
获取目标对象以及所述目标对象的初始置信度和数据信息，其中所述数据信息包括至少一维度信息；
[0104]
获取与所述目标对象的所有所述维度信息相同的同类型对象得到至少一相同对象，并获取每一所述相同对象的数据信息和置信度；
[0105]
根据所述目标对象的数据信息和所有所述相同对象的数据信息进行聚类分析，根据对应所述目标对象所属的聚类中心的相同对象的置信度计算置信度平均值；
[0106]
使用所有所述相同对象的数据信息训练神经网络模型获取获得所述目标对象的正确识别率；
[0107]
获取与所述目标对象的任一所述维度信息相同的同类型对象得到至少一相似对象，统计对应每一所述维度信息的维度正确偏差率，根据所有所述维度正确偏差率之和获得正确偏差率；
[0108]
根据所述初始置信度、所述正确识别率以及所述正确偏差率获得所述目标对象的优化置信度。
[0109]
或者：获取待测视频图像；根据所述待测视频图像获取至少一目标事件以及每一所述目标事件的初始置信度，并获取每一所述目标事件的数据信息；根据实施例一所述的置信度调整方法基于每一所述目标事件的初始置信度和数据信息获取优化置信度；将所述优化置信度达到设定阈值的目标事件推送至相应的业务系统。
[0110]
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0111]
另外，结合上述实施例中的任意一种置信度调整方法或城市事件推送方法，本技术实施例可一种计算机程序产品来实现。该计算机程序产品该计算机程序产品包括软件代
码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行实现上述实施例中的任意一种置信度调整方法或城市事件推送方法。
[0112]
并且，结合上述实施例中的任意一种置信度调整方法或城市事件推送方法，本技术实施例可提供一种可读存储介质来实现。该可读存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种置信度调整方法或城市事件推送方法。
[0113]
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
[0114]
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如dvd及其数据变体、cd等光学介质上。物理介质是非瞬态介质。
[0115]
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0116]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。