模型生成方法、虹膜图像质量评估方法及电子设备

摘要

本发明公开了一种模型生成方法、虹膜图像质量评估方法及电子设备。虹膜质量评估方法包括：获取一待评估虹膜图像；通过虹膜图像质量评估模型，判断质量分类是否属于一预设的最低质量分类，或者是否低于最低质量分类；若是，则待评估虹膜图像的质量为不合格；若否，计算第一质量分数；计算待评估虹膜图像的当前存储中所有图像的质量分数；根据第一质量分数、质量分数和一预设质量阈值，判断待评估虹膜图像是否合格。该模型在获得训练样本集合的开始，即将图像纹理和质量进行分类，并结合质量分数S作为质量参考。以该模型对虹膜图像进行质量评估时，根据纹理分类，结合质量分类初步判断，仅需要在较小阈值范围内判定，提高了虹膜图像质量评估的效率。

说明书

技术领域

本发明涉及生物特征身份识别技术领域，具体涉及一种虹膜图像质量评估模型的生成方法、虹膜图像质量评估方法及计算机可读存储介质、电子设备。

背景技术

随着科技的进步和发展，原有的刷卡、账号密码等身份认证方式已不能满足当前社会的需求。生物识别，如人脸识别、虹膜识别由于其具有的高精准，难复制等优点已成为当下身份认证的主流方式。人脸识别则对用户姿态与使用距离限制较低，但人脸随时间会有一定变化，识别精度较低。

虹膜识别技术发展迅速，虹膜识别具有精度高、虹膜纹理终身不变、独一无二性等优点，虹膜识别对图像质量要求较高。一方面，由于生物个体虹膜差异、个体存在本能的眨眼行为，以及在使用虹膜识别设备过程中的聚焦问题等，导致采集到的虹膜图像质量参差不齐。另一方面，由于个体差异存在纹理稀密的区别，使得待评估图像的内容差异很大，给无参考质量评估造成很大的干扰，导致在进行虹膜图像质量评估时难以设置一个标准筛选出不同个体的虹膜质量。

由于虹膜图像质量直接影响虹膜识别的精度，因此，迫切需要一种图像质量评估方法，使虹膜识别设备能够获取稳定、高质量的虹膜图像以进行准确的身份识别。

发明内容

本发明所要解决的技术问题是提供一种虹膜图像质量评估模型的生成方法、虹膜图像质量评估方法及计算机可读存储介质、电子设备。

为实现上述问题，本发明技术方案公开了一种虹膜图像质量评估模型的生成方法，所述方法包括：获取训练样本集合，所述训练样本集合是指由电子设备采集的不同个体的虹膜图像；将所述虹膜图像输入一纹理分类器，根据第一分类标准将所述虹膜图像分类，获得多个纹理分类；将对应于不同纹理分类的所述虹膜图像进行虹膜分割，生成第一展开矩形图数据库；将所述虹膜图像输入一质量分类器，根据第二分类标准将所述虹膜图像分类，获得为多个质量分类；将对应于不同质量分类的所述虹膜图像进行虹膜分割，生成第二展开矩形图数据库；根据所述第一展开矩形图数据库和所述纹理分类，生成第一预测模型；根据所述第二展开矩形数据库，生成第二预测模型；根据所述第一预测模型、所述第二预测模型和所述质量分数，生成一虹膜图像质量评估模型。

本发明技术方案还公开一种虹膜图像质量评估方法，适于以虹膜图像质量评估模型评估所接收的虹膜图像，所述方法包括：获取一待评估虹膜图像；通过所述虹膜图像质量评估模型，判断所述待评估虹膜图像的质量分类是否属于一预设的最低质量分类，或者是否低于所述最低质量分类；若是，则所述待评估虹膜图像的质量为不合格；若否，计算第一质量分数，所述第一质量分数是所述指待评估虹膜图像的质量分数；计算所述待评估虹膜图像的当前存储中所有图像的质量分数；根据所述第一质量分数、所述质量分数和一预设质量阈值，判断所述待评估虹膜图像是否合格。

本发明技术方案还公开一种电子设备，包括存储器、处理器及存储于所述存储及其上并能够于所述处理器上运行的计算机程序，所述处理器执行所述程序实现如前所述方法的步骤。

本发明技术方案还公开一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如前所述方法的步骤。

本发明技术方案虹膜图像质量评估模型的模型生成方法、虹膜图像质量评估方法及电子设备。该虹膜图像质量评估模型，在获得训练样本集合的开始，将图像纹理和质量进行分类，并结合质量分数S作为质量参考；以该模型对虹膜图像进行质量评估时，待评估的虹膜图像根据纹理分类，结合质量分类初步判断，因此，仅需要在较小阈值范围内判定，提高了虹膜图像质量评估的效率。

附图说明

为了更清楚地说明现有技术和本申请实施例中的技术方案，下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然，下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本申请的保护范围。

图1是本发明一实施例虹膜图像质量评估模型的生成方法流程图；

图2是本发明一实施例的虹膜图像质量评估模型的生成方法示意图；

图3（a）至图3（c）是本发明一实施例的虹膜纹理稠密程度示意图；其中，图3（a）是虹膜纹理稠密程度为稠密的示意图，图3（b）是虹膜纹理稠密程度为一般的示意图，图3（c）是虹膜纹理稠密程度为稀疏的示意图；图4是本发明一实施例的虹膜分割步骤中非同心展开的示意图；

图5（a）至图5（c）是本发明一实施例的待评估虹膜图像的展开矩形图示意图；其中，图5（a）是待评估的虹膜图像，图5（b）是初始展开矩形图，图5（c）是展开矩形图；

图6是本发明一实施例的第一预测模型示意图；

图7是本发明一实施例的第二预测模型示意图；

图8是本发明一实施例的第二展开矩形图数据库结构示意图；

图9是本发明一实施例的第一存储中质量分数计算示意图；

图10是本发明一实施例的虹膜图像质量评估方法的流程图第一部分；

图11为图10所示本发明一实施例的虹膜图像质量评估方法的流程图的第二部分。

具体实施方式

为了对本申请实施例中的技术方案进行更加清楚、完整地描述，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行介绍。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如背景技术中提到的，迫切需要一种虹膜图像质量评估模型的生成方法。参阅图1，图1是本发明一实施例虹膜图像质量评估模型的生成方法流程图。所述方法包括如下步骤。

步骤S10，获取训练样本集合，所述训练样本集合是指由电子设备采集的不同个体的虹膜图像。

步骤S20，将所述虹膜图像输入一纹理分类器，根据第一分类标准将所述虹膜图像分类，获得多个纹理分类；将对应于不同纹理分类的所述虹膜图像进行虹膜分割，生成第一展开矩形图数据库。

步骤S30，将所述虹膜图像输入一质量分类器，根据第二分类标准将所述虹膜图像分类，获得为多个质量分类；将对应于不同质量分类的所述虹膜图像进行虹膜分割，生成第二展开矩形图数据库。

步骤S40，根据所述第一展开矩形图数据库和所述纹理分类，生成第一预测模型；根据所述第二展开矩形数据库，生成第二预测模型。

步骤S50，根据所述第一预测模型、所述第二预测模型和一质量分数，生成一虹膜图像质量评估模型。

以下详细说明。

上述步骤S10中，训练样本集合是指由虹膜采集设备获得的大量虹膜图像的集合。该集合中可以包括至少数千个虹膜图像。所述虹膜采集设备可以包括多种类型，例如可以是单目多光谱采集设备，也可以是双目多光谱采集设备；可以是移动采集设备，也可以是固定、或悬挂式采集设备；可以是近距离采集设备，也可以是中远距离采集设备。

对于一幅图像，由于采集该图像时不同的情境，可以只包含一个虹膜，也可以包含多个虹膜。举例来说，在上述虹膜识别设备为近距离采集设备时，通常虹膜图像中呈现较少虹膜，例如只有带采集者一人的虹膜。上述虹膜识别设备为远距离采集设备时，一副图像中可能呈现多个虹膜。

另外，对于一种设备采集的虹膜图像，其可以由一种或多种类型的虹膜质量参数来评价，不同虹膜图像的之间可以存在一种或多种类型的虹膜质量参数的参数值不同。其中，虹膜质量参数可以包括遮挡程度、清晰度、亮度、斜视或正视、及瞳孔伸缩率等参数中的一个或多个。具体地，例如，虹膜质量参数可以包括遮挡程度、清晰度、亮度、斜视或正视、及瞳孔伸缩率这些参数。那么，对于一种设备采集的那些虹膜图像而言，任意两个虹膜图像相比，可以至少存在一种虹膜质量参数的参数值不同，例如，清晰度不同，或者，清晰度和亮度均不同，亦或者，遮挡程度、清晰度及亮度均不同。对于每一种设备采集的虹膜图像而言，可以尽可能覆盖所有虹膜质量参数的各种参数值的各种组合，以此可使训练样本集中虹膜图像的质量分布更均匀。

参阅图2、图3（a）至图3（c），图2是本发明一实施例的虹膜图像质量评估模型的生成方法示意图。

上述步骤S20中，将所述虹膜图像输入一纹理分类器，根据第一分类标准将所述虹膜图像分类，获得多个纹理分类。所述第一分类标准关联于虹膜纹理稠密程度。

参考图2，作为示例，纹理分类器由训练样本集合接收大量虹膜图像，根据虹膜纹理稠密程度，对所述虹膜图像进行分类，确定至少三个纹理分类；自所述第一纹理分类起，所述虹膜纹理稠密程度依次降低。本实施例中，纹理分类器将所述训练样本集合分为第一纹理分类L1、第二纹理分类L2、……、第N纹理分类Ln。

图3（a）至图3（c）是本发明一实施例的虹膜纹理稠密程度示意图。如前所述，不同虹膜图像的之间可以存在一种或多种类型的参数，如颜色、纹理稠密程度、质量等。步骤S20中，以虹膜纹理稠密程度作为分类标准。图3（a）示出了虹膜纹理稠密程度较高的虹膜图像，图中清晰可见复杂的虹膜纹理；图3（b）示出了虹膜纹理稠密程度一般的虹膜图像，图中虹膜纹理较图3（a）中的虹膜纹理稀疏；图3（c）示出了虹膜纹理稠密程度稀疏的虹膜图像，图中虹膜纹理在三个图片中最稀疏。

在一实施例中，步骤S20包括将对应于不同纹理分类的所述虹膜图像进行虹膜分割，生成第一展开矩形图数据库D1。继续参考图2、图4、图5（a）至图5（c），图4是本发明一实施例的虹膜分割步骤中非同心展开的示意图；图5（a）至图5（c）是本发明一实施例的待评估虹膜图像的展开矩形图示意图；其中，图5（a）是待评估的虹膜图像，图5（b）是初始展开矩形图，图5（c）是展开矩形图。

在虹膜图像分割步骤中，接收经所述纹理分类器分类的虹膜图像，分割所述虹膜图像的瞳孔-虹膜区域，获得一分割结果。对所述分割结果进行圆拟合，获得一拟合结果，即内圆的圆心坐标(Px,Py)和半径Pr、外圆的圆心坐标（Ix，Iy）和半径Ir。对所述拟合结果进行非同心展开，生成第一初始展开矩形图。在所述第一初始展开矩形图中计算眼睑睫毛掩模，并将所述第一初始展开矩形图中所述眼睑睫毛掩模对应位置的像素置0，生成第一展开矩形图；获取所述训练样本集合中全部图像的第一展开矩形图，生成第一展开矩形图数据库D1。

上述步骤S30中，将所述虹膜图像输入一质量分类器，根据第二分类标准将所述虹膜图像分类，获得为多个质量分类。所述第二分类标准关联于虹膜图像的质量。

继续参考图2，作为示例，质量分类器由训练样本集合接收大量虹膜图像，根据所述虹膜图像的质量，对所述虹膜图像进行分类，确定至少五个质量分类；自所述第一质量分类起，所述虹膜图像的质量依次降低。本实施例中，质量分类器将所述训练样本集合分为第一质量分类Q1、第二质量分类Q2、第三质量分类Q3、……、第M质量分类Lm。

在一实施例中，继续参考图2、图4、图5（a）至图5（c），步骤S30包括将对应于不同质量分类的所述虹膜图像进行虹膜分割，生成第二展开矩形图数据库D2。

具体地，接收经所述质量分类器分类的虹膜图像，分割所述虹膜图像的瞳孔-虹膜区域，获得一分割结果。对所述分割结果进行圆拟合，获得一拟合结果，即内圆的圆心坐标(Px,Py)和半径Pr、外圆的圆心坐标（Ix，Iy）和半径Ir。对所述拟合结果进行非同心展开，生成第二初始展开矩形图。在所述第二初始展开矩形图中计算眼睑睫毛掩模，并将所述第二初始展开矩形图中所述眼睑睫毛掩模对应位置的像素置0，生成第二展开矩形图。获取所述训练样本集合中全部图像的第二展开矩形图，生成第二展开矩形图数据库D2。

以下结合图6至图9详细说明建立第一预测模型和第二预测模型的过程。

步骤S40中，根据所述第一展开矩形图数据库和所述纹理分类，生成第一预测模型包括：对所述多个纹理分类和所述第一展开矩形图数据库D1进行特征提取，获得一特征提取结果。迭代训练所述特征提取结果，生成第一预测模型M1，所述第一预测模型M1适于预测所述虹膜纹理稠密程度。以下举例说明，将第一组虹膜数据对应的展开矩形图数据库D1和其对应的纹理稀密程度类别L0、L1、……、Ln同时输入到卷积神经网络进行特征提取，将特征提取结果传入到全连接网络，计算交叉熵损失，对上述网络进行反复迭代，即可训练得到预测虹膜纹理稀密程度的模型，即第一预测模型M1。

继续步骤S40，参照图7，根据所述第二展开矩形数据库，生成第二预测模型包括：根据所述第二展开矩形图数据库D2获得第一评估指标V1。根据所述第二展开矩形图数据库D2获得第二评估指标V2。根据所述第二展开矩形图数据库D2获得第三评估指标V3。对于评估指标V1、V2、V3的计算过程，以下结合一较佳实施例详细说明。

第一评估指标V1：将第二展开矩形图数据库D2 中的每张图像与Laplacian算子卷积得到对应的梯度图G1，计算该梯度图G1的均值作为第一梯度分数T1。对第二展开矩形图数据库D2中的所有第一梯度分数T1进行统计，根据统计结果的最大值最小值进行归一化，将每张图像的第一梯度分数T1除以最大值最小值的差得到对应图像的评估指标v1，对第二展开矩形图数据库D2所有图像计算评估指标v1，获得第一评估指标V1（v11,v12……,v1n）。

第二评估指标V 2：将第二展开矩形图数据库D2 中的每张图像与Sobel算子卷积得到对应的梯度图G2，计算该梯度图G2的均值作为第二梯度分数T2。对第二展开矩形图数据库D2中所有第二梯度分数T2进行统计得到分布区域TA2。对第二展开矩形图数据库D2中的所有第二梯度分数T2进行统计，根据统计结果的最大值最小值进行归一化，将每张图像的第二梯度分数T2除以最大值最小值的差得到对应图像的评估指标v2，对第二展开矩形图数据库D2所有图像计算评估指标v2，获得第二评估指标V2（v21,v22……,v2n）。

第三评估指标V3：分析第二展开矩形图数据库D2中的每张图像直方图分布中位数对应的像素值，将其除以255，归一化到0-1，作为对应图像的评估指标v3，对第二展开矩形图数据库D2所有图像计算评估指标v3，获得第三评估指标V3（v31,v32……,v3n）。

示例性地，迭代训练所述第一评估指标V1、所述第二评估指标V2和所述第三评估指标V3，生成第二预测模型M2。可以包括如下步骤：将第二展开矩形图数据库D2所有图像对应的第一评估指标V1、所述第二评估指标V 2和所述第三评估指标V3作为特征输入BP神经网络，在BP神经网络后添加全连接层，将全连接层输出结果与图像对应质量清晰模糊程度类别计算交叉熵损失，通过反复迭代可训练得到所述第二预测模型M2，所述第二预测模型M2适于预测虹膜图像的质量，如清晰程度。

以上说明了第一预测模型M1和第二预测模型M2的生成过程。本发明技术方案的虹膜图像质量评估模型的生成方法，还包括步骤S50，根据所述第一预测模型、所述第二预测模型和一质量分数，生成一虹膜图像质量评估模型。

参阅图8和图9，图8是本发明一实施例的第二展开矩形图数据库结构示意图，图9是本发明一实施例的第一存储中质量分数计算示意图。

质量分数S是由虹膜图像的展开矩形图计算的到的一个特征值，用于对接收到的虹膜图像进行质量判定时，作参考数据。质量分数S的计算过程参考图9。具体地，将所述第二展开矩形图数据库分为对应于所述纹理分类的多个存储。于每一所述存储中，分别存储相应的纹理分类及最低质量分类对应的所述虹膜图像，所述最低质量分类为自所述第一质量分类起的任一质量分类。获取所述虹膜图像的展开矩形图，并对所述展开矩形图分别执行行方向滤波和列方向滤波，得到一行方向滤波结果和一列方向滤波结果。计算所述行方向滤波结果和所述列方向滤波结果的相似度，获得所述虹膜图像的质量分数。以下以实例详细说明。

首先，将第二展开矩形图数据库D2分为多个存储。以虹膜图像包括三个纹理分类（L、L2、L3）为例，第二展开矩形图数据库D2分为三个存储，即图8中第一存储110、第二存储120和第三存储130。其中，第一存储110中存储有虹膜纹理稠密类别为第一纹理分类L1、虹膜质量清晰程度为第一质量分类Q1的任意数量图像i1,i2……in。对每张图像按照虹膜分割计算得到展开矩形图e1,e2……en。对每张展开矩形图ei分别按照行方向滤波得到ie1，列方向滤波得到ie2。计算ie1和ie2的相似度作为该张图像最终的质量分数S。第一存储110中存储有各个图像对应的质量分数s1,s2……sn。

第二存储120中存储有虹膜纹理稠密类别为第二纹理分类L2、虹膜质量清晰程度为第一质量分类Q1的任意数量图像i1,i2……in。与前类似，第二存储120中存储每张图像对应的质量分数s1,s2……sn。

第三存储130中存储有虹膜纹理稠密类别为第三纹理分类L3、虹膜质量清晰程度为第一质量分类Q1的任意数量图像i1,i2……in。与前类似，第三存储130中存储每张图像对应的质量分数s1,s2……sn。

本实施例中，第一存储110、第二存储120、第三存储130中均存储第一质量分类Q1的图像。可以理解，判断虹膜图像是否合格，最低质量要求为第一质量分类Q1对应的图像质量。在其它实施例中，也可根据经验，选择不同的最低质量要求。例如，只有当虹膜图像的质量优于第三质量分类Q3对应的图像质量时，判定该虹膜图像为合格。这种情况，即第一存储110、第二存储120、第三存储130均存储第三质量分类Q3的图像。

至此，根据所述第一预测模型M1、所述第二预测模型M和一质量分数S，即可生成一虹膜图像质量评估模型。该模型在获得训练样本集合的开始，即将图像纹理和质量进行分类，并结合质量分数S作为质量参考。以该模型对虹膜图像进行质量评估时，待评估的虹膜图像根据纹理分类，结合质量分类初步判断，因此，仅需要在较小阈值范围内判定，提高了虹膜图像质量评估的效率。

本发明还公开了一种虹膜图像质量评估方法，适于以前述虹膜图像质量评估模型评估所接收的虹膜图像。以下结合附图详细说明。

参阅图10和图11，图10是本发明一实施例的虹膜图像质量评估方法的流程图第一部分；图11为图10所示本发明一实施例的虹膜图像质量评估方法的流程图的第二部分。

首先，获取一待评估虹膜图像。通过所述虹膜图像质量评估模型，判断所述待评估虹膜图像的质量分类是否属于一预设的最低质量分类，或者是否低于所述最低质量分类（步骤S210）。若是，则所述待评估虹膜图像的质量为不合格。若否，计算第一质量分数，所述第一质量分数是所述指待评估虹膜图像的质量分数（步骤S220）。

在一实施例中，采集到虹膜图像（即，待评估虹膜图像）后，虹膜采集设备可将所述虹膜图像发送至云端或本地处理器，对待评估虹膜图像执行图像分割（步骤S110），生成所述待评估图像的展开矩形图ImgE（步骤S120）。如前所述，虹膜采集设备可以是单目多光谱采集设备，也可以是双目多光谱采集设备；可以是移动采集设备，也可以是固定、或悬挂式采集设备；可以是近距离采集设备，也可以是中远距离采集设备。

将待评估图像的展开矩形图ImgE输入前述步骤S40生成的所述第一预测模型M1（步骤S130），得到所述待评估图像的纹理分类L。

将根据所述展开矩形图计算所述待评估虹膜图像的第一评估指标V1、第二评估指标V2和第三评估指标V3（步骤S140）。将所述第一评估指标V1、所述第二评估指标V2和所述第三评估指标V3输入第二预测模型M2，得到所述待评估虹膜图像对应的质量分类Q（步骤S150）。

判断所述待评估虹膜图像的质量分类Q是否属于一预设的最低质量分类，或者是否低于所述最低质量分类（步骤S210）。若是，则所述待评估虹膜图像的质量为不合格；若否，计算第一质量分数，所述第一质量分数是所述指待评估虹膜图像的质量分数（步骤S220）。本领域技术人员理解，本实施例中，以第一质量分类Q1最低质量分类，以此（作为步骤S210）判断待评估虹膜图像质量是否合格的标准。在其它实施例中，也可以其它质量分类，例如第三质量分类Q3作为最低质量分类，判断待评估虹膜图像质量是否合格。当待评估虹膜图像对应的质量分类Q等于或低于第三质量分类Q3时，即判断所述待评估虹膜图像质量为不合格。否则，判断为合格，执行后续步骤S220。计算第一质量分数，所述第一质量分数是所述指待评估虹膜图像的质量分数SimgE（步骤S220）。

接着，计算所述待评估虹膜图像的当前存储中所有图像的质量分数（步骤S230）。根据所述第一质量分数、所有图像的质量分数和一预设质量阈值（步骤S240），判断所述待评估虹膜图像是否合格（步骤S250）。

在一实施例中，具体地，步骤S230，计算当前存储中所有图像的质量分数SimgE的数值差Qd（qd1,qd2……,qd3），取Qd中最小值作为该待评估虹膜图像的最小数值差qd。根据所述纹理分类，确定所述待评估图像的当前存储。也就是说，所述当前存储是指所述待评估虹膜图像对应的所述纹理分类L所在的存储，详细参考图8至图9相关描述。

确定一预设质量阈值Th（步骤S240），该质量阈值Th根据实际应用需求设置。判断所述最小数值差qd是否大于所述质量阈值Th（步骤S250）。若是（qd>Th或qd=Th），则所述待评估虹膜图像为合格。若否（qd

至此，完成该待评估虹膜图像的质量评价过程。本实施例的虹膜质量评价方法将采集的虹膜图像输入前述评价模型，仅需要在较小阈值范围内判定，提高了虹膜图像质量评估的效率。

此外，基于与上述实施例的方法相同的发明构思，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的虹膜图像质量评价模型生成方法或上述任一实施例所述的虹膜图像质量评价方法的步骤。对于用于实现虹膜图像质量评价模型生成方法电子设备可以是计算机、服务器等。对于用于实现虹膜图像质量评价方法的电子设备可以是计算机、服务器、虹膜采集设备、虹膜识别设备等。

另外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所述的虹膜图像质量评价模型生成方法或上述任一实施例所述的虹膜图像质量评价方法的步骤。

需要说明的是，存储介质可以包括一种或多种类型的能够存储数据的计算机可读存储介质，包括易失性存储器或非易失性存储器、可移动或不可移动存储器、可擦除或不可擦除存储器、可写或可重写存储器等。计算机可读存储介质的实例可以包括但不限于随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率RAM(DDR RAM)、DDRSDRAM、静态RAM(SRAM)、只读存储器(ROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、致密盘ROM(CD-ROM)、可刻录致 密盘(CD-R)、可重写致密盘(CD-RW)、闪存(例如，NOR或NAND闪存)、内容可寻址存储器(CAM)、聚合物存储器(例如，铁电聚合物存储器)、相变存储器(例如，奥氏存储器)、铁电存储器、硅氧化物氮氧化物硅(SONOS)存储器、盘(例如，软盘、硬盘驱动器、光盘、磁盘、磁光盘)、或卡(例如，磁卡、光卡)、磁带、卡带、或任何其它类型的适于存储信息的计算机可读存储介质。

需要说明的是，存储介质可以存储包含指令、数据和/或代码的再归一化逻辑，这些指令、数据和/或代码在执行时使计算机或计算机系统执行根据所描述的实施例的方法和/或操作。这样的计算机或计算机系统可以包括例如任何适合的处理平台、计算平台、计算设备、处理设备、计算系统、处理系统、处理器等，并且可以利用任何合适的硬件和/或软件的组合来实现。

需要说明的是，归一化可以包含以下内容或作为以下内容来实现：软件、软件模块、应用、程序、子例行程序、指令、指令集、计算代码、字、值、符号或其组合。指令可以包括任何合适类型的代码，例如源代码、编译代码、解释代码、可执行代码、静态代码、动态代码等。指令可以根据预定的计算机语言、方式或语法来实现，以指示处理器执行某个功能。指令可以利用诸如C、C++、Java、BASIC、Perl、Matlab、Pascal、Visual BASIC、汇编语言、机器代码等任何合适的高级、低级、面向对象、可视、编译和/或解释编程语言来实现。实施例在这方面不受限制。

各种实施例可以包括一个或多个元件。元件可以包括设置成执行某些操作的任何结构。根据给定的一组设计和/或性能约束的需要，每个元件可以作为硬件、软件或其任意组合来实现。尽管举例描述在某种拓扑中具有有限数量的元件的实施例，但根据给定实现的需要，实施例可在备选拓扑中包含更多或更少的元件。

附图中的一些图可以包含流程图。尽管这些图可以包含特定的逻辑流程，但可明白，此逻辑流程只是提供通用功能的示范实现。此外，除非另外指出，否则逻辑流程不一定要按照所给出的顺序执行。另外，逻辑流程可以通过硬件元件、由处理器执行的软件元件或其任意组合来实现。

本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。