驾驶员分心检测方法和装置

摘要

本说明书实施例提供了一种驾驶员分心检测方法和装置，该方法包括：对连续从车内采集的语音信号进行语句内容识别，形成语句内容序列；对所述语句内容序列进行分析，得到以所述语句内容序列作为对话所对应的对话等级，所述对话等级用于表征对话人在对话过程中倾注的注意力强度；在所述对话等级高于指定等级时，确定驾驶员处于分心状态，从而有效解决现有技术对驾驶员分心状态检测准确性差的问题。

说明书

技术领域

本文件涉及辅助驾驶领域，尤其涉及一种驾驶员分心检测方法和装置。

背景技术

目前驾驶员监控系统中针对驾驶员的分心检测主要依赖车内摄像头采集的驾驶员影像，通过此影像监测驾驶员的视线是否落在前方道路上。如果驾驶员的视线落在前方车道上，则认为驾驶员没有分心，如果驾驶员的视线未落在前方车道上，则认为驾驶员处于分心状态。

但是，在上述分心检测方法中并未考虑到驾驶员在目视前方的情况下分心的可能性，如驾驶员在与车内其他乘员对话导致分心。

发明内容

本说明书提供了一种驾驶员分心检测方法和装置，用于有效解决现有技术对驾驶员分心状态检测准确性差的问题。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本说明书实施例提供了一种驾驶员分心检测方法，包括：

对连续从车内采集的语音信号进行语句内容识别，形成语句内容序列；

对所述语句内容序列进行分析，得到以所述语句内容序列作为对话所对应的对话等级，所述对话等级用于表征对话人在对话过程中倾注的注意力强度；

在所述对话等级高于指定等级时，确定驾驶员处于分心状态。

第二方面，本说明书实施例提供了一种驾驶员分心检测装置，包括：

语音识别模块，用于对连续从车内采集的语音信号进行语句内容识别，形成语句内容序列；

对话分析模块，用于对所述语句内容序列进行分析，得到以所述语句内容序列作为对话所对应的对话等级，所述对话等级用于表征对话人在对话过程中倾注的注意力强度；

分心确定模块，用于在所述对话等级高于指定等级时，确定驾驶员处于分心状态。

本说明书实施例提供的驾驶员分心检测方法和装置，通过对连续从车内采集的语音信号进行语句内容识别，形成语句内容序列；对语句内容序列进行分析，得到以语句内容序列作为对话所对应的对话等级，该对话等级用于表征对话人在对话过程中倾注的注意力强度；在对话等级高于指定等级时，确定驾驶员处于分心状态。本申请通过采集车内的语音对话，并判断说话人在对话过程中倾注的注意力强度，以此来间接推测驾驶员在该对话过程中倾注的注意力，判断驾驶员是否在驾驶车辆过程中处于分心状态，提高了对驾驶员分心驾驶的检测准确度，为驾驶员安全驾驶提供辅助性帮助。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的驾驶员分心检测方法的流程示意图一；

图2为本说明书实施例提供的驾驶员分心检测方法的流程示意图二；

图3为本说明书实施例提供的驾驶员分心检测方法的流程示意图三；

图4为本说明书实施例提供的驾驶员分心检测方法的流程示意图四；

图5为本说明书实施例提供的驾驶员分心检测方法的流程示意图五；

图6为本说明书实施例提供的驾驶员分心检测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书实施例中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。

本说明书实施例提供的驾驶员分心检测方法可应用于装有语音信号的采集设备和处理设备的车辆。其中，语音信号采集设备可以为布设在车内不同区域的多音区信号采集设备，可以对车内的语音信号进行分音区采集，这些音区中包括：以驾驶位所在位置确定的第一音区；语音信号处理设备可以对语音信号采集设备连续采集的语音信号进行语句内容识别，形成语句内容序列，并基于对语句内容序列的分析，确定驾驶员是否处于分析状态。此外，语音信号处理设备所实现的功能也可以通过服务器执行。语音信号采集设备可以与该服务器通过网络连接实现信息交互，将采集的语音信号发送至服务器，利用服务器的强计算能力对语音信号进行处理，从而最终判断驾驶员是否处于分析状态。

下面通过多个实施例来进一步说明本说明书的技术方案。

实施例一

图1为本说明书实施例提供的驾驶员分心检测方法的流程示意图一，该方法可由上述设置在车辆上的语音信号处理设备或者设置在网络中的服务器执行，如图1所示，该方法包括以下步骤：

S102，对连续从车内采集的语音信号进行语句内容识别，形成语句内容序列。

具体地，通过布设在车内的语音信号采集设备如麦克风，不间断的连续采集一段时间内车内发出的语音信号，并形成语音信号序列。通过对语音信号序列中各段连续的语音信号先后通过声学模型和语言模型进行处理，从而将语音信号转换为对应的语句内容，并将这些语句内容按对应的时间顺序排序，形成语句内容序列。

其中，对于将语音信号转换为语句内容的过程中所使用的声学模型和语音模型，本实施例对此不作限定。

此外，在采集语音信号过程中，可以对麦克风采集的原始音频信号进行声音频率识别，以从中剔除非语音信号部分，保证采集的语音信号的纯度。

S104，对语句内容序列进行分析，得到以语句内容序列作为对话所对应的对话等级，该对话等级用于表征对话人在对话过程中倾注的注意力强度。

通常，在车内产生的语音信号，可以是驾驶员、其他乘坐人员之间在进行对话交流时所输出的语音信号，也可以是驾驶员、其他乘坐人员通过通信设备(如手机、电脑)与车外人员进行对话交流时所输出的语音信号；在少数情况下，也有可能是驾驶员、其他乘坐人员自言自语或者由某些设备(如车载收音机)所发出的语音信号。

对于以上情形所产生的语音信号都可以视为以“对话”形式输出的语音信号。在不同“对话”过程中，说话人(即：输出语音信号的主体，当主体为设备时，说话人为设备所模拟的说话人，如车载收音机模拟的播音员)倾注在对话过程中的注意力强度是不同的。

例如，当对话内容中所包含的各语句之间间隔时间较短，语句之间较为连贯时，表征对话人正专注、连贯地进行对话交流，倾注于该对话过程的注意力也相对较强；又例如，对话内容包含大量问答语句对时，表征对话人之间正针对一些问题进行相互询问和探讨，而提问和回答的语句需要对话人预先在脑中进行缜密的思考，保证语言逻辑连贯，故而倾注于该对话过程的注意力也相对较强；又例如，语句内容中所表达的对话人的情感，也可以间接表征该对话人倾注于该对话过程的注意力强弱，如在对话人处于高兴、平静的状态时，思维状态通常是相对缓和轻松的，分配到该对话过程的注意力也相对较弱，而在对话人处于愤怒、伤心的状态时，思维状态通常是相对紧张和集中的，分配到该对话过程的注意力也相对较强。

在实际应用场景中，通过对一段对话中所包含的语句内容序列进行包括但不限于上述三个方面的分析，可以基本判断对话人在对话过程中倾注的注意力强度。

具体地，本步骤在获取到从车内采集并处理形成的语句内容序列后，将该语句内容序列视为一段完整对话。并通过上述方法针对对话人在该对话过程中倾注的注意力强度进行分析，并以对话等级表征注意力的强弱。例如，可以设置多个对话等级，一段对话对应的对话等级越高，表征对话人在该对话过程中倾注的注意力强度越大。

S106，在对话等级高于指定等级时，确定驾驶员处于分心状态。

具体地，当针对从车内采集的语句内容序列进行分析，得到该序列作为对话所对应的对话等级较高时，表征对话人在对话过程中倾注的注意力强度较大。而通常在车内发生的语音对话中，驾驶员都会作为对话人参与到对话过程当中，而一个人的注意力是有限的，当驾驶员将过多的注意力倾注在与他人的对话中时，就会削弱在驾驶操作上的注意力，使驾驶员在驾驶车辆过程中处于分心状态，从而导致车辆驾驶过程中存在安全隐患。分析语句内容序列所得到的对话等级较高，表明驾驶员在驾驶车辆过程中处于分心状态的等级越高，潜在的安全隐患越大。

退一步讲，即使驾驶员没有参与到对话过程中，只是作为聆听者，但由于车内环境较为封闭，驾驶员极易受对话人语音对话的影响而分心，特别是当对话人倾注在对话过程中的注意力强度较大时，很容易对驾驶员产生较强的代入感，使驾驶员受对话人注意力的同化影响，而倾注与对话人相似强度的注意力到对话中，从而使驾驶员在驾驶车辆过程中处于分心状态。

进一步地，在实际检测驾驶员分析状态时，还可以根据确定的对话等级的大小，设置相应的分心状态等级，以对驾驶员处于分心状态的程度进行量化。

本说明书实施例提供的驾驶员分心检测方法，通过对连续从车内采集的语音信号进行语句内容识别，形成语句内容序列；对语句内容序列进行分析，得到以语句内容序列作为对话所对应的对话等级，该对话等级用于表征对话人在对话过程中倾注的注意力强度；在对话等级高于指定等级时，确定驾驶员处于分心状态。本申请通过采集车内的语音对话，并判断说话人在对话过程中倾注的注意力强度，以此来间接推测驾驶员在该对话过程中倾注的注意力，判断驾驶员是否在驾驶车辆过程中处于分心状态，提高了对驾驶员分心驾驶的检测准确度，为驾驶员安全驾驶提供辅助性帮助。

实施例二

本实施例在实施例一的基础上，对图1所示的驾驶员分心检测方法进行拓展和补充。

在一具体实施例中，如图2所示，步骤S104可包括：

S104-2，获取语句内容序列中相邻语句之间的间隔时长，并计算间隔时长对应的时间特征指数。

具体地，在获取到语句内容序列后，对语句内容序列中相邻语句之间的间隔时长进行统计，并采用预置算法计算间隔时长对应的时间特征指数。该时间特征指数用于整体表征语句内容序列中的语句间隔时长的特征。

本实施例对计算时间特征指数所采用的预置算法不做限定，例如对语句内容序列中相邻语句之间的所有间隔时长计算平均值作为时间特征指数，间隔时长的平均值越小，对应对话人在该对话中倾注的注意力强度越大。或者进一步地为了方便与其他确定对话等级的因素之间进行归一化，可以在统计所述间隔时长的平均值后，将该平均值采用预设函数映射到0到1之间，并将映射结果作为时间特征指数。

例如，在统计得到语句内容序列中相邻语句间的间隔时长平均值t之后，通过预设函数将t映射为0-1之间取值的时间特征指数i_t，如i_t＝1/(1+t)。例如，当间隔时长平均值t为0.5秒，对应的时间特征指数i_t＝1/(1+0.5)＝2/3。在实际应用中，该时间特征指数越小，对应对话人在该对话中倾注的注意力强度越大。

S104-4，将时间特征指数与预设的不同对话等级对应的时间特征指数区间进行比对，确定对话的对话等级。

具体地，可以预先设置多个对话等级，每个对话等级对应不同的时间特征指数区间，且各区间值随着对话等级的增大而连续增大。将对语句内容序列分析得到的时间特征指数与上述多个时间特征指数区间进行比对，并将其所属的时间特征指数区间所对应的对话等级确定为以该语句内容序列作为对话所对应的对话等级。

本实施例，通过分析语句内容序列中所包含的各语句之间间隔时间的特征，间接分析对话人是否专注、连贯地进行对话交流的情况，从而确定对话人倾注于该对话过程的注意力强度，准确确定以语句内容序列作为对话所对应的对话等级。

在一具体实施例中，如图3所示，步骤S104可包括：

S104-6，识别语句内容序列中能够形成问答语句对的语句数量，并计算问答语句对的语句数量在语句内容序列中所占的第一语句数量比例。

具体地，在获取到语句内容序列后，对语句内容序列中各语句内容通过如预先训练得到的自然语言理解模型提取问答语句对。例如：语句内容序列中包含的上一句话为“今天星期几？”，下一句为“今天是星期一。”，则认为这两个语句构成问答语句对。具体提取方法为：提取语句中的目的(如询问时间)，对应的提问内容(如今天)，回答的模板(xx是xx)，回答的主语(如今天)，回答的内容(如星期一)。通过该提取方法，可以提取出语句内容序列中能够形成问答语句对的语句数量，并计算得到问答语句对的语句数量在语句内容序列中所占的第一语句数量比例i_q。

S104-8，将第一语句数量比例与预设的不同对话等级对应的语句数量比例区间进行比对，确定对话的对话等级。

具体地，可以预先设置多个对话等级，每个对话等级对应不同的语句数量比例区间，且各区间值随着对话等级的增大而连续增大。将对语句内容序列分析得到的第一语句数量比例与上述多个语句数量比例区间进行比对，并将其所属的语句数量比例区间所对应的对话等级确定为以该语句内容序列作为对话所对应的对话等级。

本实施例，通过分析语句内容序列中是否包含问答语句对，可以间接分析对话人是否针对一些问题进行相互询问和探讨，而提问和回答的语句需要对话人预先在脑中进行缜密的思考，保证语言逻辑连贯，因此通过分析问答语句对的数量占比，可以间接分析对话人倾注于该对话过程的注意力强度，准确确定以语句内容序列作为对话所对应的对话等级。

在一具体实施例中，如图4所示，步骤S104可包括：

S104-10，对语句内容序列中各语句的情感分类进行评估，得到各语句对应不同预置情感分类的分类概率值。

其中，所述情感分类可包括但不局限于：高兴、愤怒、伤心、平静中的至少一种。

具体地，通过预先训练得到的自然语言理解模型分析语句内容序列中各语句的情感分类概率值，也可以直接结合声学模型和语言模型从语句对应的原始语音信号中分析得到各语句的情感分类，并生成相应的分类概率值。如(p1,p2,p3,p4,...)可作为一条语句对应的情感分类向量，其中：p1是情感分类为高兴的分类概率值，p2是情感分类为愤怒的分类概率值，p3是情感分类为沮丧的分类概率值，p4是情感分类为平静的分类概率值,....。各分类概率值的和值为1。

S104-12，根据语句内容序列中各语句对应不同预置情感分类的分类概率值，对语句内容序列所体现的语义情感进行综合分析，得到语句内容序列对应的综合情感指数。

具体地，通过对语句内容序列中各语句所表达的情感分类，可以综合判断语句内容序列整体表达的情感分类。而所属不同情感分类的对话需要对话人所倾注的注意力强度也不同。本实施例，通过对语句内容序列中各语句对应不同预置情感分类的分类概率值采用预置算法进行综合计算，以得到能够体现语句内容序列整体所表达的情感分类情况的综合情感指数。该综合情感指数的值越大，对应的所表征的对话人在对该对话中所倾注的注意力强度也越大。本实施例对于计算综合情感指数的预置算法不做限定。

在一具体实施例中，可通过如下步骤计算综合情感指数：

步骤1，根据语句内容序列中各语句对应不同预置情感分类的分类概率值，以及预设的各情感分类对应的权重，计算各语句的情感指数。

其中，各情感分类对应的权重可依据对话人处于该情感分类的状态进行对话时，对对话过程所倾注的注意力强度大小来确定。例如，对应于高兴、平静的情感分类其对应的权重可相对设置较小；而对应于愤怒、伤心的情感分类其对应的权重可相对设置较大。

例如，计算S104-10中引用的语句的情感指数e＝p1*we1+p2*we2+p3*we3+p4*we4+...，其中：we1,we2,we3,we4,...为相应情感分类对应的权重。

步骤2，对各语句的情感指数进行平均值计算得到平均情感指数，并将平均情感指数确定为语句内容序列对应的综合情感指数。

将步骤1中得到的各语句的情感指数e进行平均值计算，得到平均情感指数i_e，并将该平均情感指数i_e作为语句内容序列对应的综合情感指数。

S104-14，将综合情感指数与预设的不同对话等级对应的综合情感指数区间进行比对，确定对话的对话等级。

具体地，可以预先设置多个对话等级，每个对话等级对应不同的综合情感指数区间，且各区间值随着对话等级的增大而连续增大。将对语句内容序列分析得到的综合情感指数与上述多个综合情感指数区间进行比对，并将其所属的综合情感指数区间所对应的对话等级确定为以该语句内容序列作为对话所对应的对话等级。

本实施例，通过分析语句内容序列中各语句内容所表达的对话人的情感，间接分析相应对话人在说出该语句时所倾注的注意力强弱；通过各语句内容所表达的对话人的情感进而分析所用对话人在整个对话过程中的情感分布，是处于高兴、平静的状态，还是处于愤怒、伤心的状态；最后通过分析语句内容序列整体所体现的情感分类情况，即通过综合情感指数来间接分析对话人倾注于该对话过程的注意力强度，准确确定以语句内容序列作为对话所对应的对话等级。

上述图2-图4所示的方法实施例作为步骤S104的具体实现方式可以单独执行，也可以从中任意选择至少两种实现方式结合执行。例如，对执行至少两种实现方式所得到的时间特征指数、第一语句数量比例、综合情感指数进行加权计算，得到综合特征指数，并将该综合特征指数与预设的不同对话等级对应的综合特征指数区间进行比对，确定对话的对话等级；或者，在分别得到对话等级后，根据各对话等级确定最终的对话等级。

在一具体实施例中，如图5所示，在上述任一方法实施例中还可以包括如下步骤：

S101，通过布设在车内不同区域的多音区信号采集设备，对车内的语音信号进行分音区采集，形成标注音区来源的连续语音信号。

其中，所述多音区中包括：以驾驶位所在位置确定的第一音区。

具体地，在对车内的语音信号进行采集时，可以按照车座位置，在车内不同区域布设多音区麦克风，从而对不同音区的语音信号进行分区采集，并针对采集的语音信号标注音区来源。其中，所述多音区中至少包括以驾驶位所在位置确定的第一音区。该第一音区所对应采集的语音信号即视为驾驶员发出的语音信号。

相应地，上述步骤S106可包括：

S106-2，识别语句内容序列中，第一音区对应的语句数量在对话中所占的第二语句数量比例。

具体地，基于多音区采集车内语音信号时，对语音信号标注语音来取的操作，在将语音信号转换为语句内容序列后，可以对应识别出各语句内容所对应的音区来源，并从语句内容序列中确定出第一音区对应的语句数量，进而计算该语句数量在对话中所占的第二语句数量比例。该第二语句数量比例即为驾驶员在对话中说出的语句数量占对话中总语句数量的比例。通过第二语句数量比例的大小，可以获悉驾驶员在对话过程中的参与程度，参与程度越大，对应于倾注在对话过程中的注意力强度也就越大。

S106-4，在对话等级高于指定等级，且第二语句数量比例大于预设比例时，确定驾驶员处于分心状态。

具体地，在根据语句内容序列确定出对话人在对话过程中倾注的注意力强度大于一定阈值(对话等级高于指定等级)，且在该对话过程中，驾驶员对对话过程的贡献达到一定比例(第二语句数量比例大于预设比例)时，表征驾驶员对于该对话过程所倾注的注意力强度确实很大，此时可确定驾驶员处于分心状态。

进一步地，在上述任一方法实施例中还可以包括如下步骤：

在确定驾驶员处于分心状态时，向车内发出安全提醒信息，以提醒驾驶员安全驾驶。

本说明书实施例提供的驾驶员分心检测方法，通过对连续从车内采集的语音信号进行语句内容识别，形成语句内容序列；对语句内容序列进行分析，得到以语句内容序列作为对话所对应的对话等级，该对话等级用于表征对话人在对话过程中倾注的注意力强度；在对话等级高于指定等级时，确定驾驶员处于分心状态。本申请通过采集车内的语音对话，并判断说话人在对话过程中倾注的注意力强度，以此来间接推测驾驶员在该对话过程中倾注的注意力，判断驾驶员是否在驾驶车辆过程中处于分心状态，提高了对驾驶员分心驾驶的检测准确度，为驾驶员安全驾驶提供辅助性帮助。

实施例三

对应上述图1至图5描述的驾驶员分心检测方法，基于相同的技术构思，本说明书实施例还提供一种驾驶员分心检测装置。图6为本说明书实施例提供的驾驶员分心检测装置的模块组成示意图，该装置用于执行图1至图5描述的驾驶员分心检测方法，如图6所示，该装置包括：

语音识别模块201，用于对连续从车内采集的语音信号进行语句内容识别，形成语句内容序列；

对话分析模块202，用于对语句内容序列进行分析，得到以语句内容序列作为对话所对应的对话等级，所述对话等级用于表征对话人在对话过程中倾注的注意力强度；

分心确定模块203，用于在对话等级高于指定等级时，确定驾驶员处于分心状态。

可选地，上述对话分析模块202可用于：

获取所述语句内容序列中相邻语句之间的间隔时长，并计算所述间隔时长对应的时间特征指数；

将所述时间特征指数与预设的不同对话等级对应的时间特征指数区间进行比对，确定所述对话的对话等级。

可选地，上述对话分析模块202可用于：

统计所述间隔时长的平均值；

将所述平均值采用预设函数映射到0到1之间，并将映射结果作为所述时间特征指数。

可选地，上述对话分析模块202可用于：

识别所述语句内容序列中能够形成问答语句对的语句数量，并计算所述问答语句对的语句数量在所述语句内容序列中所占的第一语句数量比例；

将所述第一语句数量比例与预设的不同对话等级对应的语句数量比例区间进行比对，确定所述对话的对话等级。

可选地，上述对话分析模块202可用于：

对所述语句内容序列中各语句的情感分类进行评估，得到各语句对应不同预置情感分类的分类概率值；

根据所述语句内容序列中各语句对应不同预置情感分类的分类概率值，对所述语句内容序列所体现的语义情感进行综合分析，得到所述语句内容序列对应的综合情感指数；

将所述综合情感指数与预设的不同对话等级对应的综合情感指数区间进行比对，确定所述对话的对话等级。

可选地，上述对话分析模块202可用于：

根据所述语句内容序列中各语句对应不同预置情感分类的分类概率值，以及预设的各所述情感分类对应的权重，计算各语句的情感指数；

对所述各语句的情感指数进行平均值计算得到平均情感指数，并将所述平均情感指数确定为所述语句内容序列对应的综合情感指数。

可选地，上述情感分类可包括：高兴、愤怒、伤心、平静中的至少一种。

可选地，上述装置中还包括：

信号采集模块，用于通过布设在所述车内不同区域的多音区信号采集设备，对车内的语音信号进行分音区采集，形成标注音区来源的连续语音信号，所述多音区中包括：以驾驶位所在位置确定的第一音区；

相应地，分心确定模块203可用于：

识别所述语句内容序列中，所述第一音区对应的语句数量在所述对话中所占的第二语句数量比例；

在所述对话等级高于指定等级，且所述第二语句数量比例大于预设比例时，确定驾驶员处于分心状态。

可选地，上述装置中还包括：

信息提醒模块，用于在确定驾驶员处于分心状态时，向车内发出安全提醒信息。

本说明书实施例提供的驾驶员分心检测装置，通过对连续从车内采集的语音信号进行语句内容识别，形成语句内容序列；对语句内容序列进行分析，得到以语句内容序列作为对话所对应的对话等级，该对话等级用于表征对话人在对话过程中倾注的注意力强度；在对话等级高于指定等级时，确定驾驶员处于分心状态。本申请通过采集车内的语音对话，并判断说话人在对话过程中倾注的注意力强度，以此来间接推测驾驶员在该对话过程中倾注的注意力，判断驾驶员是否在驾驶车辆过程中处于分心状态，提高了对驾驶员分心驾驶的检测准确度，为驾驶员安全驾驶提供辅助性帮助。需要说明的是，本说明书中关于驾驶员分心检测装置的实施例与本说明书中关于驾驶员分心检测方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应的驾驶员分心检测方法的实施，重复之处不再赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。