基于yolov5模型的目标检测方法及相关装置与流程

1.本技术属于目标检测领域，尤其涉及一种基于yolov5模型的目标检测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.目前，yolov5算法被用于检测出图像中的感兴趣目标。但是，传统的yolov5算法的数据规模较大，导致计算复杂度较高，计算耗时较长。


技术实现要素：

3.本技术实施例提供一种基于yolov5模型的目标检测方法、装置、电子设备及计算机可读存储介质，可以解决传统yolov5算法由于数据规模较大导致计算复杂度较高，计算耗时较长的问题。
4.第一方面，本技术实施例提供一种基于yolov5模型的目标检测方法，该yolov5模型包括输入端、变换模块、基准网络、neck网络和输出端，该方法包括：
5.获取待处理图像；
6.将待处理图像输入至输入端，获得输入端输出的第一矩阵，第一矩阵为m行n列的矩阵；
7.通过变换模块将第一矩阵变换成第二矩阵，第二矩阵为j行n列的矩阵；
8.基于第二矩阵，通过基准网络、neck网络和输出端，获得待处理图像的目标检测结果；
9.其中，j小于m，m、j和n均为正整数。
10.由上可见，本技术实施例在现有yolov5模型的基础上增加了变换模块，以通过变换模块将输入端最终输出的第一矩阵变换成第二矩阵，再将第二矩阵带入模型后续的基准网络，并通过基准网络、neck网络和输出端进行后续运算，获得目标检测结果，这样，通过变换模块将维度为m*n的第一矩阵降为维度为j*n的第二矩阵，降低了矩阵数据规模，进而降低了计算复杂度，减少了计算耗时。
11.在第一方面的一些可能的实现方式中，通过变换模块将第一矩阵变换成第二矩阵，包括：
12.将第一矩阵输入至变换模块，以使变换模块通过计算第一矩阵的协方差矩阵获得第三矩阵，并在对第三矩阵进行特征分解，得到特征值和每个特征值对应的特征向量后，根据特征值的分布，选取前j个特征值对应的特征向量构成第四矩阵，再将第四矩阵和第一矩阵相乘，得到第二矩阵。
13.在第一方面的一些可能的实现方式中，获取待处理图像，包括：
14.根据预先配置的视频流地址，获取通过无人机搭载的图像采集装置采集的视频流；
15.根据预先配置的帧率从视频流中截取图像，以获得待处理图像。
16.在该实现方式中，使用变换模块将第一矩阵变换成第二矩阵，使得无人机拍摄的图像数据中的主要信息得以保留，并且将次要信息进行了一定程度的削弱，进而减少了目标检测的干扰，提高了yolov5模型的目标检测准确性。
17.在第一方面的一些可能的实现方式中，获取待处理图像，在获得待处理图像的目标检测结果之后，方法还包括：
18.将目标检测结果推送至无人机告警前端。
19.第二方面，本技术实施例提供一种基于yolov5模型的目标检测装置，该yolov5模型包括输入端、变换模块、基准网络、neck网络和输出端，该装置包括：
20.图像获取模块，用于获取待处理图像；
21.输入模块，用于将待处理图像输入至输入端，获得输入端输出的第一矩阵，第一矩阵为m行n列的矩阵；
22.矩阵变换模块，用于通过变换模块将第一矩阵变换成第二矩阵，第二矩阵为j行n列的矩阵；
23.结果获得模块，用于基于第二矩阵，通过基准网络、neck网络和输出端，获得待处理图像的目标检测结果；
24.其中，j小于m，m、j和n均为正整数。
25.在第二方面的一些可能的实现方式中，矩阵变换模块具体用于：
26.将第一矩阵输入至变换模块，以使变换模块通过计算第一矩阵的协方差矩阵获得第三矩阵，并在对第三矩阵进行特征分解，得到特征值和每个特征值对应的特征向量后，根据特征值的分布，选取前j个特征值对应的特征向量构成第四矩阵，再将第四矩阵和第一矩阵相乘，得到第二矩阵。
27.在第二方面的一些可能的实现方式中，图像获取模块具体用于：
28.根据预先配置的视频流地址，获取通过无人机搭载的图像采集装置采集的视频流；
29.根据预先配置的帧率从视频流中截取图像，以获得待处理图像。
30.在第二方面的一些可能的实现方式中，该装置还包括：
31.告警模块，用于将目标检测结果推送至无人机告警前端。
32.第三方面，本技术实施例提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面任一项的方法。
33.第四方面，本技术实施例一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面任一项的方法。
34.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的方法。
35.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
36.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述
中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1为本技术实施例提供的传统yolov5模型的结构示意框图；
38.图2为本技术实施例提供的改进yolov5模型的结构示意框图；
39.图3为本技术实施例提供的基于yolov5模型的目标检测方法的一种流程示意图；
40.图4为本技术实施例提供的无人机巡检系统架构示意图；
41.图5为本技术实施例提供的基于yolov5模型的目标检测装置的结构框图；
42.图6为本技术实施例提供的电子设备的结构示意框图。
具体实施方式
43.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
44.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
45.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
46.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0047]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0048]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0049]
本技术实施例提出一种改进yolov5模型，该改进yolov5模型在传统yolov5模型的基础上增加了变换模块，变换模块用于降低yolov5模型的输出端输出的矩阵规模，进而降低基于yolov5模型的目标检测过程的计算复杂度和计算耗时。
[0050]
为了更好地介绍本技术实施例提供的改进yolov5模型和传统yolov5模型之间的差异，下面结合图1和图2进行示例性介绍。
[0051]
参见图1，为本技术实施例提供的传统yolov5模型的结构示意框图，传统yolov5模型包括输入端11、基准网络12、neck网络13和head输出端14。
[0052]
其中，输入端11通常表示yolov5模型输入的图片。通常情况下，输入端可以包含一个图像预处理步骤，该图像预处理步骤用于将输入图像缩放到模型需要的输入大小，并进行归一化操作。
[0053]
基准网络12通常包括多个分类器，用于提取输入图片的特征表示。
[0054]
neck网络13位于基准网络12和head输出端14的中间位置，用于提升图片特征的多样性和鲁棒性。
[0055]
head输出端14用于完成目标检测结果的输出，不同的检测算法，输出端的分支个数一般不同，但通常包含一个分类分支和一个回归分支。
[0056]
一般情况下，将待处理图像输入至yolov5模型，依次经过输入端11、基准网络12、neck网络13和head输出端14，即可得到待处理图像输出的目标检测结果。目标检测结果通常表现包括检测框的图像。
[0057]
传统yolov5模型的输出端的最终输出环节为leak relu模块，leak relu模块输出的结果为矩阵，将该矩阵带入至后续的基准网络12，并通过neck网络13和head输出端14进行后续运算，即可得到目标检测结果。
[0058]
但是，传统yolov5模型的leak relu模块输出的矩阵，矩阵维度较高，数据规模较大，进而导致基于传统yolov5模型的目标检测过程的计算复杂较高，计算耗时较长，实时性较差。
[0059]
需要说明的是，传统yolov5模型的模型结构以及各个部分的相关作用已被本领域技术人员所熟知，在此不再赘述。
[0060]
参见图2，为本技术实施例提供的改进yolov5模型的结构示意框图，改进yolov5模型包括输入端21、变换模块22、基准网络23、neck网络24和head输出端25。
[0061]
其中，输入端21、基准网络23、neck网络24和head输出端25与传统yolov5模型的相同，在此不再赘述。本技术实施例并没有改变传统yolov5模型的主体架构，而是在此基础上增加了变换模块22。
[0062]
变换模块22用于降低输入端21的leak relu模块输出的矩阵维度，并将降维后的矩阵输入至模型后续的结构中，以让后续模型结构基于该降维后的矩阵进行相应运算，获得目标检测结果。
[0063]
示例性地，假设输入端21的leak relu模块的矩阵为矩阵y，并且矩阵y是m*n维的，即矩阵y为m行n列的矩阵，记为y＝{y1,y2,
…
,yn}，其中yi表示矩阵y的第i个列向量，yi是m维的。
[0064]
变换模块22用于计算矩阵的协方差矩阵，进而得到矩阵x；然后，对矩阵x进行特征分解，得到多个特征值λ1,λ2,
…
,λk，以及每个特征值对应的特征向量z1,z2,
…
,zk；再根据特征值的分布进行排序，并在排序后选取前j个特征值对应的特征向量z1,z2,
…
,zj；接着，根据所选取的j各特征向量，构建出矩阵z，其中，矩阵z为据所选取的j各特征向量，构建出矩阵z，其中，矩阵z为表示zj的转置；最后，通
过公式p＝zy，得到矩阵p。矩阵p即为变换模块22降维后输出的矩阵。其中，j小于m，且j为超参数，可以根据需要设置j。
[0065]
将降维后的矩阵即矩阵p输入至基准网络23，继续进行后续运算，获得目标检测结果。
[0066]
通过对比图1和图2可知，改进yolov5模型在输入端后面增加了变换模块，以将m*n维的矩阵降为j*n维的矩阵后，再基于降维后矩阵进行后续运算，降低了矩阵规模，进而降低了计算复杂度，减少了计算耗时。
[0067]
矩阵x可以称为矩阵y的j阶逼近，逼近的品质可以通过调节j的大小进行调节。
[0068]
在介绍完本技术实施例提供的改进yolov5模型后，下面示例性介绍基于改进yolov5模型的目标检测方法。
[0069]
请参见图3，为本技术实施例提供的基于yolov5模型的目标检测方法的一种流程示意图，该yolov5模型包括输入端、变换模块、基准网络、neck网络和输出端，具体请参见上图2，在此不再赘述。其中，该方法可以包括以下步骤：
[0070]
步骤s301、获取待处理图像。
[0071]
可以理解的是，根据具体应用场景不同，上述待处理图像的类型也可能不同。例如，在无人机巡检巡查场景下，上述待处理图像则为无人机巡检过程拍摄的视频流中的某一帧图像。
[0072]
步骤s302、将待处理图像输入至输入端，获得输入端输出的第一矩阵，第一矩阵为m行n列的矩阵。
[0073]
其中，上述第一矩阵为输入端的leak relu模块输出的矩阵，如果直接将第一矩阵输入至后续的基准网络，由于第一矩阵的数据规模较大，使得计算复杂度较高，计算耗时较长。基于此，本技术实施例在获得第一矩阵后，通过变换模块将第一矩阵降维为第二矩阵，以减少数据规模。
[0074]
步骤s303、通过变换模块将第一矩阵变换成第二矩阵，第二矩阵为j行n列的矩阵。其中，j小于m，m、j和n均为正整数。
[0075]
在本技术实施例中，输入端的leak relu模块输出第一矩阵后，将第一矩阵输入至变换模块，变换模块可以通过执行以下步骤进行降维：通过计算第一矩阵的协方差矩阵获得第三矩阵；对第三矩阵进行特征分解，得到特征值和每个特征值对应的特征向量；根据特征值的分布进行特征值排序，并在排序后选取前j个特征值对应的特征向量构成第四矩阵；将第四矩阵和第一矩阵相乘，得到上述第二矩阵。
[0076]
示例性地，第一矩阵为上文的矩阵y，第二矩阵为矩阵p，第三矩阵为矩阵x，第四矩阵为矩阵z。
[0077]
可以理解的是，j小于m，因此j*n维的第二矩阵比m*n维的第一矩阵的数据规模小。
[0078]
另外，j为超参数，用户可以根据实际需要调节j的大小，故第二矩阵最低可以为1*n的矩阵。基于目标检测的效果，可以灵活调节j的大小。
[0079]
步骤s304、基于第二矩阵，通过基准网络、neck网络和输出端，获得待处理图像的目标检测结果。
[0080]
具体应用中，将第二矩阵输入至变换模块后续的基准网络，并基于第二矩阵进行相关运算，得到运算结果，继续基于运算结果和neck网络、输出端，获得目标检测结果。
[0081]
本技术实施例中，在现有yolov5模型的基础上增加了变换模块，通过变换模块将维度为m*n的第一矩阵降为维度为j*n的第二矩阵，降低了矩阵数据规模，进而降低了计算复杂度，减少了计算耗时。
[0082]
本技术实施例提供的基于改进yolov5模型的目标检测方法可以应用各个目标检测场景。下面将以无人机巡检巡查场景进行示例性介绍。
[0083]
请参见图4，为本技术实施例提供的无人机巡检系统的架构示意图，该系统可以包括无人机41、无人机飞控42、视频转播平台43、无人机告警后端44、无人机告警前端45以及无人机识别算法46。
[0084]
无人机告警后端44可以包括opencv抽帧线程、图片处理主线程和推流线程。无人机告警前端45可以包括nginx-rtmp框架和前端页面。
[0085]
视频转播平台43、无人机告警后端44、无人机告警前端45、以及无人机识别算法46均属于cfdn边缘集群，
[0086]
无人机飞手可以通过无人机飞控42控制无人机41。无人机41上搭载有图像采集装置，在巡检过程中，无人机41通过图像采集装置采集视频画面，并将采集的视频画面回传至飞控42，飞控42再将无人机会41回传的视频流推送至视频转播平台43。
[0087]
无人机告警后端44根据预先配置好的视频流地址，从视频转播平台43实时拉取视频流数据，并且抽帧线程根据预先配置的帧率，从拉取的视频流中抽帧，即从拉取的视频流中截取图片，以获得待处理图像。在获得待处理图像之后，将待处理图像推送至图片处理主线程中，由图片处理主线程调度无人机识别算法46对待处理图像进行目标检测，获得识别结果。
[0088]
图片处理主线程获取到无人机识别算法46返回的识别结果之后，根据识别结果将识别框(即检测框)画到原图片(即待处理图像)上，以获得目标检测结果，即包括检测框的待处理图像；再将包括检测框的待处理图像推送至推流线程。
[0089]
推流线程将包括检测框的待处理图像推按照接收到的顺序推送至无人机告警前端45的nginx-rtmp框架。nginx-rtmp框架是一个视频直播框架。这样，当前端页面打开时，前端页面会从nginx-rtmp框架获取到包括检测框的待处理图像，即处理后的视频结果。
[0090]
在该场景下，本技术实施例提供的基于改进yolov5模型的目标检测方法可以由无人机告警后端的图片处理主线程执行，其通过改进yolov5模型对待处理图像进行处理，获得目标检测结果。
[0091]
值得指出的是，通过基于改进yolov5模型的目标检测方法，对无人机拍摄的图像进行目标检测，以检测出图像中感兴趣的目标物体，例如，安全帽和反光衣等。
[0092]
需要说明的是，在无人机巡检过程中，无人机是俯视拍摄，通常具有一定高度，这样会使得拍摄得到的被检测物体本身像素尺度比较小，属于小目标检测；另外，拍摄的图像中，被检测物体与周边背景环境的相似性较高，例如，形状和颜色相似，使得目标检测难度进一步增加。这两点原因导致无人机巡检过程中，容易产生漏判或误判，目标检测准确性较低。
[0093]
而本技术实施例中，将基于改进yolov5模型的目标检测方法应用于无人机巡检巡查场景，通过所增加的变换模块将第一矩阵变换成第二矩阵，使得无人机拍摄的图像数据中的主要信息得以保留，并且将次要信息(例如，周边背景环境)进行了一定程度的削弱，进
而减少了目标检测的干扰，提高了yolov5模型的目标检测准确性。
[0094]
应当理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0095]
对应于上文实施例所述的基于yolov5模型的目标检测方法，图5示出了本技术实施例提供的基于yolov5模型的目标检测装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0096]
参照图5，该装置包括：
[0097]
图像获取模块51，用于获取待处理图像；
[0098]
输入模块52，用于将待处理图像输入至输入端，获得输入端输出的第一矩阵，第一矩阵为m行n列的矩阵；
[0099]
矩阵变换模块53，用于通过变换模块将第一矩阵变换成第二矩阵，第二矩阵为j行n列的矩阵；
[0100]
结果获得模块54，用于基于第二矩阵，通过基准网络、neck网络和输出端，获得待处理图像的目标检测结果；
[0101]
其中，j小于m，m、j和n均为正整数。
[0102]
在一些可能的实现方式中，矩阵变换模块具体用于：
[0103]
将第一矩阵输入至变换模块，以使变换模块通过计算第一矩阵的协方差矩阵获得第三矩阵，并在对第三矩阵进行特征分解，得到特征值和每个特征值对应的特征向量后，根据特征值的分布，选取前j个特征值对应的特征向量构成第四矩阵，再将第四矩阵和第一矩阵相乘，得到第二矩阵。
[0104]
在一些可能的实现方式中，图像获取模块具体用于：
[0105]
根据预先配置的视频流地址，获取通过无人机搭载的图像采集装置采集的视频流；
[0106]
根据预先配置的帧率从视频流中截取图像，以获得待处理图像。
[0107]
在一些可能的实现方式中，该装置还包括：
[0108]
告警模块，用于将目标检测结果推送至无人机告警前端。
[0109]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术实施例方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0110]
图6为本技术一实施例提供的电子设备的结构示意图。如图6所示，该实施例的电子设备6包括：至少一个处理器60(图6中仅示出一个)、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个目标跟踪方法实施例中的步骤。
[0111]
所述电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是电子设备6的举例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0112]
所称处理器60可以是中央处理单元(central processing unit，cpu)，该处理器
60还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0113]
所述存储器61在一些实施例中可以是所述电子设备6的内部存储单元，例如电子设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述电子设备6的外部存储设备，例如所述电子设备6上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0114]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0115]
本技术实施例还提供了一种电子设备，该电子设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
[0116]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0117]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
[0118]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0119]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0120]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0121]
在本技术所提供的实施例中，应该理解到，所揭露的装置、电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0122]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0123]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。