一种基于深度学习的高精度交通标志检测方法及系统

摘要

本发明公开了一种基于深度学习的高精度交通标志检测方法及系统。其中，该方法将深度学习技术与高精度交通标志检测技术相结合，通过对SSD网络和卷积神经网络进行训练，利用训练好的SSD网络提取来自视频流中按比例进行重叠切割后的交通标志特征，根据SSD网络提取到的交通标志特征，利用训练好的卷积神经网络提取交通标志特征的特征，将提取到的交通标志特征的特征与交通标志图像检测数据库的正负两类交通标志的特征进行匹配，保留正类交通标志特征，得到高精度交通标志匹配筛选结果，有效地提高了高精度交通标志检测的准确率。

说明书

技术领域

本发明属于人工智能领域，尤其涉及一种基于深度学习的高精度交通标志检测方法及系统。

背景技术

深度学习是目前机器学习发展的最高度，卷积神经网络作为深度学习的一种方法，在物体识别、图像处理等领域有着较好的效果。对于特征提取，卷积神经网络有着可以自动学习图像特征的优势，减少了人工干预，提取出高质量的特征，从而为提高图像匹配的准确率打下了坚实的基础。

由于深度学习的方法在图像预处理模块没有做足够的针对性细节处理，图像过大目标物体所占比例过小时可能达不到预期的高精度的检测结果的效果，为了提高检测识别的精确度，通常需要对具体的应用场景和图像内容进行分析并进行图像预处理等。

交通标志作为视频监控中的重要目标之一，精确的检测对后续识别，辅助定位导航起着决定性的作用。交通标志的种类众多，大小、角度不依，本身就很难做到精确检测，并且在真实的行车环境中，受到天气、光照等因素的影响，使得交通标志的检测更加困难，尤其在自动驾驶场景中，交通标志的检测和识别对行车周围环境的理解起着至关重要的作用。例如通过检测识别限速标志来控制当前车辆的速度等；另一方面，将交通标志嵌入到高精度地图中，对定位导航也起到关键的辅助作用。

有鉴于此，急需解决对交通标志检测的准确率较低的问题。

发明内容

为了解决对交通标志检测的准确率较低的问题，本发明的第一目的是提供一种基于深度学习的高精度交通标志检测方法。该方法大大地提高了特征提取的准确率和检测精度。

本发明的一种基于深度学习的高精度交通标志检测方法，包括：

步骤1：采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；

步骤2：采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；

步骤3：利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；

步骤4：利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；

步骤5：将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；

步骤6：将最终的检测结果按比例还原至重叠切割前的交通标志图像中。

进一步的，在所述步骤1中，将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。

本发明通过采用有重叠的切割方法对图像进行切割，增大了目标物体占原图像的比例，可以有效提高特征提取的准确率，而且保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标为准确还原交通标志图像提高了坐标基础。

进一步的，在所述步骤1训练SSD网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。

这样能够最优的SSD网络参数，进而准确地提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，为交通标志特征提取的准确率和检测精度奠定的基础。

进一步的，在所述步骤3训练卷积神经网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。

这样能够最优的卷积神经网络参数，进而准确地提取交通标志图像的交通标志特征的特征，为交通标志特征提取的准确率和检测精度奠定的基础。

本发明的第二目的是提供一种基于深度学习的高精度交通标志检测系统。

本发明的一种基于深度学习的高精度交通标志检测系统，包括：

SSD网络训练模块，其用于采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；

特征分类模块，其用于采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；

卷积神经网络训练模块，其用于利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；

特征提取模块，其用于利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；

特征匹配模块，其用于将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；

图像还原模块，其用于将最终的检测结果按比例还原至重叠切割前的交通标志图像中。

进一步的，该系统还包括切割交通标志图像位置记录模块，其用于将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。

本发明通过采用有重叠的切割方法对图像进行切割，增大了目标物体占原图像的比例，可以有效提高特征提取的准确率，而且保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标为准确还原交通标志图像提高了坐标基础。

进一步的，在所述SSD网络训练模块中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。

这样能够最优的SSD网络参数，进而准确地提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，为交通标志特征提取的准确率和检测精度奠定的基础。

进一步的，在所述卷积神经网络训练模块中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。

这样能够最优的卷积神经网络参数，进而准确地提取交通标志图像的交通标志特征的特征，为交通标志特征提取的准确率和检测精度奠定的基础。

本发明的第二目的是提供一种基于深度学习的高精度交通标志检测系统。

本发明还提供了另一种基于深度学习的高精度交通标志检测系统。

本发明的另一种基于深度学习的高精度交通标志检测系统，包括：

图像采集装置，其被配置为采集历史的交通标志图像，并传送至服务器；

所述服务器，其被配置为：

将采集的历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；

采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；

利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；

利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；

将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；

将最终的检测结果按比例还原至重叠切割前的交通标志图像中。

进一步的，所述服务器，还被配置为：将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。

本发明通过采用有重叠的切割方法对图像进行切割，增大了目标物体占原图像的比例，可以有效提高特征提取的准确率，而且保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标为准确还原交通标志图像提高了坐标基础。

进一步的，所述服务器，还被配置为：在训练SSD网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。

这样能够最优的SSD网络参数，进而准确地提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，为交通标志特征提取的准确率和检测精度奠定的基础。

进一步的，所述服务器，还被配置为：训练卷积神经网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。

这样能够最优的卷积神经网络参数，进而准确地提取交通标志图像的交通标志特征的特征，为交通标志特征提取的准确率和检测精度奠定的基础。

本发明涉及的SSD网络，其英文全称为：Single Shot MultiBox Detector网络，其是使用单个的卷积神经网络对图像进行卷积后，在特征图像的每一个位置处预测一系列不同尺寸和长宽比的边界框。在测试阶段，SSD网络对每一个边界框中分别包含各个类别的物体的可能性进行预测，并且对边界框进行调整以适应目标物体的形状。

与现有技术相比，本发明的有益效果是：

本发明通过采用有重叠的切割方法对图像进行切割，增大了目标物体占原图像的比例，可以有效提高特征提取的准确率，通过SSD网络和卷积神经网络对交通标志图像数据进行特征提取，并通过SSD训练后得到的检测结果刷新高精度交通标志图像数据库，大大地提高了特征提取的准确率和检测精度。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是本发明实施例中一种基于深度学习的高精度交通标志检测方法的流程示意图；

图2是本发明实施例中一种基于深度学习的高精度交通标志检测系统结构示意图；

图3是本发明实施例中另一种基于深度学习的高精度交通标志检测系统结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

正如背景技术所介绍的，现有技术中存在对交通标志检测的准确率较低的问题，为了解决如上的技术问题，本发明提出了一种基于深度学习的高精度交通标志检测方法。

图1是本发明实施例中一种基于深度学习的高精度交通标志检测方法的流程示意图，如图所示本实施例中的一种基于深度学习的高精度交通标志检测方法可以包括：

S101，采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数。

具体实现中，采集历史的交通标志图像并按比例进行重叠切割，将重叠切割后的交通标志图像存储至历史交通标志图像数据库内。然后再从历史交通标志图像数据库内选取训练SSD网络的样本，构成训练SSD网络的样本集。

在训练SSD网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。这样能够最优的SSD网络参数，进而准确地提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，为交通标志特征提取的准确率和检测精度奠定的基础。

S102，采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库。

具体实现中，采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并存储至交通标志图像检测数据库；针对采用参数最优的SSD网络提取的交通标志特征，若是交通标志特征，则为正类交通标志特征；若不是交通标志特征，则为负类交通标志特征。

其中，正负分类这两类交通标志特征均存储至交通标志图像检测数据库。

S103，利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数。

具体实现中，从交通标志图像检测数据库中选取训练卷积神经网络的训练集，并输入至卷积神经网络中。其中，卷积神经网络从输入到输出包括卷积层、池化层、连接层和softmax回归分类器层。softmax回归分类器层只有一层，而卷积层、池化层和连接层的层数根据实际情况设定或调整。比如：卷积神经网络包括三层卷积层、三层池化层、三层全连接层以及位于最后的softmax回归分类器层。

在实际训练卷积神经网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。

这样能够最优的卷积神经网络参数，进而准确地提取交通标志图像的交通标志特征的特征，为交通标志特征提取的准确率和检测精度奠定的基础。

S104，利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征。

具体实现中，利用训练好的SSD网络提取来自视频流中按比例进行重叠切割后的交通标志特征，根据SSD网络提取到的交通标志特征，利用训练好的卷积神经网络对提取带的特征进行进一步训练筛选。

S105，将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征。

具体实现中，提取到的交通标志特征的特征若与正类交通标志特征匹配，则提取到的交通标志特征的特征保留该交通标志特征，进而检测到交通标志图像。

S106，将最终的检测结果按比例还原至重叠切割前的交通标志图像中。

在另一实施例中，将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。

这样通过采用有重叠的切割方法对图像进行切割，增大了目标物体占原图像的比例，可以有效提高特征提取的准确率，而且保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标为准确还原交通标志图像提高了坐标基础。

本实施例将深度学习技术与高精度交通标志检测技术相结合，通过对SSD网络和卷积神经网络进行训练，利用训练好的SSD网络提取来自视频流中按比例进行重叠切割后的交通标志特征，根据SSD网络提取到的交通标志特征，利用训练好的卷积神经网络提取交通标志特征的特征，将提取到的交通标志特征的特征与交通标志图像检测数据库的正负两类交通标志的特征进行匹配，保留正类交通标志特征，得到高精度交通标志匹配筛选结果，有效地提高了高精度交通标志检测的准确率。

图2是本发明实施例中一种基于深度学习的高精度交通标志检测系统结构示意图，如图所示本实施例中的一种基于深度学习的高精度交通标志检测系统可以包括：

(1)SSD网络训练模块，其用于采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数。

具体实现中，采集历史的交通标志图像并按比例进行重叠切割，将重叠切割后的交通标志图像存储至历史交通标志图像数据库内。然后再从历史交通标志图像数据库内选取训练SSD网络的样本，构成训练SSD网络的样本集。

在训练SSD网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。这样能够最优的SSD网络参数，进而准确地提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，为交通标志特征提取的准确率和检测精度奠定的基础。

(2)特征分类模块，其用于采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库。

具体实现中，采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并存储至交通标志图像检测数据库；针对采用参数最优的SSD网络提取的交通标志特征，若是交通标志特征，则为正类交通标志特征；若不是交通标志特征，则为负类交通标志特征。

其中，正负分类这两类交通标志特征均存储至交通标志图像检测数据库。

(3)卷积神经网络训练模块，其用于利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数。

具体实现中，从交通标志图像检测数据库中选取训练卷积神经网络的训练集，并输入至卷积神经网络中。其中，卷积神经网络从输入到输出包括卷积层、池化层、连接层和softmax回归分类器层。softmax回归分类器层只有一层，而卷积层、池化层和连接层的层数根据实际情况设定或调整。比如：卷积神经网络包括三层卷积层、三层池化层、三层全连接层以及位于最后的softmax回归分类器层。

在实际训练卷积神经网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。

这样能够最优的卷积神经网络参数，进而准确地提取交通标志图像的交通标志特征的特征，为交通标志特征提取的准确率和检测精度奠定的基础。

(4)特征提取模块，其用于利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征。

具体实现中，利用训练好的SSD网络提取来自视频流中按比例进行重叠切割后的交通标志特征，根据SSD网络提取到的交通标志特征，利用训练好的卷积神经网络对提取带的特征进行进一步训练筛选。

(5)特征匹配模块，其用于将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征。

具体实现中，提取到的交通标志特征的特征若与正类交通标志特征匹配，则提取到的交通标志特征的特征保留该交通标志特征，进而检测到交通标志图像。

(6)图像还原模块，其用于将最终的检测结果按比例还原至重叠切割前的交通标志图像中。

在另一实施例中，该系统还包括切割交通标志图像位置记录模块，其用于将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。

本发明通过采用有重叠的切割方法对图像进行切割，增大了目标物体占原图像的比例，可以有效提高特征提取的准确率，而且保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标为准确还原交通标志图像提高了坐标基础。

本实施例将深度学习技术与高精度交通标志检测技术相结合，通过对SSD网络和卷积神经网络进行训练，利用训练好的SSD网络提取来自视频流中按比例进行重叠切割后的交通标志特征，根据SSD网络提取到的交通标志特征，利用训练好的卷积神经网络提取交通标志特征的特征，将提取到的交通标志特征的特征与交通标志图像检测数据库的正负两类交通标志的特征进行匹配，保留正类交通标志特征，得到高精度交通标志匹配筛选结果，有效地提高了高精度交通标志检测的准确率。

图3是本发明实施例中另一种基于深度学习的高精度交通标志检测系统结构示意图，如图所示本实施例中的一种基于深度学习的高精度交通标志检测系统可以包括：

(1)图像采集装置，其被配置为采集历史的交通标志图像，并传送至服务器。

其中，图像采集装置可以采用摄像机来实现，其用来采集交通标注图像。

(2)服务器，其被配置为：

将采集的历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；

采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；

利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；

利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；

将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；

将最终的检测结果按比例还原至重叠切割前的交通标志图像中。

在另一实施例中，所述服务器，还被配置为：将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。

本发明通过采用有重叠的切割方法对图像进行切割，增大了目标物体占原图像的比例，可以有效提高特征提取的准确率，而且保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标为准确还原交通标志图像提高了坐标基础。

在另一实施例中，所述服务器，还被配置为：在训练SSD网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。

这样能够最优的SSD网络参数，进而准确地提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，为交通标志特征提取的准确率和检测精度奠定的基础。

在另一实施例中，所述服务器，还被配置为：训练卷积神经网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。

这样能够最优的卷积神经网络参数，进而准确地提取交通标志图像的交通标志特征的特征，为交通标志特征提取的准确率和检测精度奠定的基础。

本实施例将深度学习技术与高精度交通标志检测技术相结合，通过对SSD网络和卷积神经网络进行训练，利用训练好的SSD网络提取来自视频流中按比例进行重叠切割后的交通标志特征，根据SSD网络提取到的交通标志特征，利用训练好的卷积神经网络提取交通标志特征的特征，将提取到的交通标志特征的特征与交通标志图像检测数据库的正负两类交通标志的特征进行匹配，保留正类交通标志特征，得到高精度交通标志匹配筛选结果，有效地提高了高精度交通标志检测的准确率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。