样本生成、目标检测模型训练、目标检测方法及装置

摘要

本申请公开了一种样本生成、目标检测模型训练、目标检测方法及装置，其中目标检测模型训练方法包括利用预先训练的初始目标检测模型对测试样本集进行预测，根据预测结果确定所述测试样本集中的误检样本；提取所述误检样本的特征，并根据所述特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和虚拟样本的标注信息；将所述虚拟样本及所述标注信息关联生成虚拟样本集；利用所述虚拟样本集进行训练得到最终目标检测模型。通过针对性的生成当前模型还不能准确预测的样本类型进一步进行模型训练，提高了模型训练的准确率和效率。

说明书

技术领域

本申请涉及模型训练领域，尤其涉及一种样本生成方法、目标检测模型训练方法、目标检测方法及装置。

背景技术

目标检测模型的训练通常是在真实应用环境下用相机采集真实数据，并根据特定训练任务将采集的真实数据进行人工标注，作为样本集。再将样本集分成训练样本集和测试样本集，目标检测模型通过训练样本集训练后，用测试样本集进行验证，评价目标检测模型的性能。这种训练方式很大程度上取决于训练样本集的质量。而在不同光照、不同天气以及不同视角等众多环境变量下采集数据是工作量巨大且繁重的工作。为提高目标检测模型的样本集生成效率，一些技术人员开始尝试通过虚拟渲染的方式生成至少部分样本集，以提高样本集生成效率，进而提高目标检测模型整体的训练效率。其中一种技术是通过对采集的真实原图进行旋转等变换，或在采集的真实原图的基础上增加模糊、雨雪的效果，来丰富样本集。另一种是通过GAN网络在采集的数据上实现在不同天气之间的风格迁移，达到黑夜、雨雪的效果。

上述两种虚拟渲染的方法均可以增加模型训练的样本数据量，但其虚拟渲染基本是针对原采集的数据无差别的进行，增加的虚拟样本很多并非模型训练所需要，因此样本生成效率以及模型训练效率较低。

发明内容

为了解决现有技术的不足，本申请的主要目的在于提供一种样本生成、目标检测模型训练、目标检测方法、装置，以解决现有技术的上述技术问题。

为了达到上述目的，第一方面本申请提供了一种样本生成方法，所述方法包括：

利用预先训练的初始目标检测模型对测试样本集进行预测，根据预测结果确定所述测试样本集中的误检样本；

提取所述误检样本的特征，并根据所述特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和所述虚拟样本的标注信息；

将所述虚拟样本及所述虚拟样本的标注信息关联生成虚拟样本集。

在其中一个实施例中，所述预先训练的初始目标检测模型通过如下步骤获得：

通过训练样本集周期迭代训练检测模型；

在每个迭代周期用验证样本集验证当前周期训练得到的检测模型，计算所述当前周期训练得到的检测模型的模型精度；

若所述当前周期训练得到的检测模型的模型精度低于前次周期训练得到的检测模型的模型精度，则将述当前周期训练得到的检测模型确定为所述预先训练的初始目标检测模型。

在其中一个实施例中，所述误检样本包括目标被漏检的样本和目标被检测为错误对象的样本。

在其中一个实施例中，所述提取所述误检样本的特征，并根据所述特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和所述虚拟样本的标注信息包括：

提取所述误检样本的目标的深度特征；

提取所述误检样本的姿态特征；

根据所述姿态特征、所述深度特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和所述虚拟样本的标注信息。

在其中一个实施例中，所述提取所述误检样本的目标的深度特征包括根据边缘检测算法、先验知识和深度估计模型提取所述误检样本的目标深度特征。

在其中一个实施例中，所述根据所述姿态特征、所述深度特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和所述虚拟样本的标注信息包括：

根据所述姿态特征和所述深度特征用虚拟渲染引擎建立3D模型；

对至少一个环境变量利虚拟渲染引擎进行虚拟渲染生成虚拟场景；

根据所述虚拟场景、所述3D模型生成虚拟样本和所述虚拟样本的标注信息。

本申请第二方面提供了一种目标检测模型训练方法，利用第一方面所述的样本生成方法生成的所述虚拟样本集进行训练得到最终目标检测模型。

本申请第三方面提供了一种目标检测方法，所述方法包括利用第二方面的所述最终目标检测模型对待检测图片进行目标检测。

本申请第四方面提供了一种样本生成装置，所述生成装置包括：

误检样本确定单元，用于利用预先训练的初始目标检测模型对测试样本集进行预测，根据预测结果确定所述测试样本集中的误检样本；

虚拟样本生成单元，用于提取所述误检样本的特征，并根据所述特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和所述虚拟样本的标注信息；

虚拟样本集生成单元，用于将所述虚拟样本及所述虚拟样本的标注信息关联生成虚拟样本集。

本申请第五方面提供了一种目标检测模型训练装置，所训练述装置包括第四方面的所述生成装置和模型训练单元；

所述模型训练单元，用于利用生成的所述虚拟样本集进行训练得到最终目标检测模型。

本申请第六方面提供了一种目标检测装置，所述装置包括目标检测单元，用于利用如第五方面的训练装置训练到的所述最终目标检测模型对待检测图片进行目标检测。

本申请第七方面提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如上所述的各种方法。

本申请实现的有益效果为：

本申请提供了样本生成、目标检测模型训练、检测方法、装置及电子设备。其中目标检测模型训练方法包括利用预先训练的初始目标检测模型对测试样本集进行预测，根据预测结果确定所述测试样本集中的误检样本；提取所述误检样本的特征，并根据所述特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本；将所述虚拟样本及所述标注信息关联生成虚拟样本集；利用所述虚拟样本集进行训练得到最终目标检测模型。通过确定误检样本，有针对性的对误检样本进行虚拟渲染生成虚拟样本。解决了现有技术中无差别的对样本集进行虚拟渲染生成的虚拟样本有很大一部分不为训练模型所需的问题，通过针对性的生成当前模型还不能准确预测的样本类型进一步进行模型训练，提高了模型训练的准确率和效率。

本申请所有产品并不需要具备上述所有效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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。

图1是本申请实施例提供的实施例二流程图；

图2是本申请实施例提供的实施例三流程图；

图3是本申请实施例提供的实施例五装置结构图；

图4是本申请实施例提供的误检样本示意图；

图5是本申请实施例误检样本边缘信息提取示意图；

图6是本申请实施例提供的误检样本ROI示意图；

图7是本申请实施例提供的误检样本ROI打分示意图；

图8是本申请实施例提供的电子设备结构图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，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清楚、完整地描述，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。

针对背景技术中，虚拟样本的生成无针对性导致很多样本对模型的优化无作用，导致模型训练准确率和效率低的问题，本申请创造性的提出先通过当前样本集训练一个初始目标检测模型，之后利用初始目标检测模型确定样本集中的误检样本，之后针对误检样本进行虚拟渲染生成虚拟样本。利用虚拟样本对初始的目标检测模型进行进一步的训练优化，得到最终目标检测模型。通过针对性的对误检样本虚拟渲染使得生成的虚拟样本可以用来针对初始目标检测模型的缺点处进行优化训练，相对背景技术中需要大量虚拟数据进行模型进一步优化的技术，本申请可提高模型的训练效率和准确率。

实施例一

为实现上述方案，本申请实施例一提供了如下具体实施方式：

步骤一

11)将相机在真实应用场景的不同天气和光照下所采集的视频或图片信息，用人工等方式标注至少一部分视频或图片中的检测目标信息；

12)建立数据保存单元，在数据保存单元建立真实样本集储存分区，将以上视频、图片和标注信息保存至该分区；

13)在数据保存单元建立误检样本集储存分区，预留保存误检样本集；

14)在数据保存单元建立虚拟样本集储存分区，预留保存误检样本集。

步骤二

21)根据训练任务读取真实样本集，根据人工等方式设定的训练参数将待训练真实样本集分成训练样本集、验证样本集和测试样本集(测试样本集也可不进行人工标注)；

22)将训练样本集导入待训练模型进行监督训练，为防止过拟合，在各迭代周期用验证样本集进行验证，并用打点(checkpoint)的方式记录模型精度；当模型精度下降时，保存下降前的模型参数；

23)根据模型精度下降前的参数，用测试样本集分拣出目标漏检的样本集，并保存至上述的误检样本集分区。

步骤三

31)首先从误检样本集分区中获取漏检数据；

32)根据标注信息提取误检样本集的姿态特征；

33)再用边缘检测和物体先验知识、深度估计模型(如Resnet50-FPN)提取目标的深度特征。

步骤四

41)根据姿态特征、深度特征用虚幻引擎建立3D模型；

42)根据光照、天气等环境变量用虚幻引擎生成场景；

43)根据3D模型和场景用虚幻引擎渲染完成虚拟样本集；

44)将生成的虚拟样本集导入上述的虚拟样本集分区。

上述步骤一到四为虚拟样本的生成方法。生成的虚拟样本可用于进一步进行训练模型的微调：

步骤五

步骤一到四作为一个完整的自动化训练周期，用虚拟样本集代替真实样本集迭代步骤一到四进行下一周期的自动化训练，当用虚拟样本集训练模型精度低于前一周期的模型精度时停止训练，保存模型参数作为最终目标检测模型。

实施例二

实施例一为本申请样本生成和模型训练的一种具体实施方式，在其他实施例中，本领域技术人员还可以根据需要做其他变形。比如通过其他方式采集真实数据，比如将真实样本集、误检样本集、虚拟样本集分开保存。又比如步骤23)中可采用其他方式确定保存哪个模型参数。关于步骤三和四中还可以借助现有技术提取其他特征和采用其他虚拟渲染方式生成虚拟样本。

为此本申请实施例二提供如下样本生成方法，如图1所示，包括：

S11、利用预先训练的初始目标检测模型对测试样本集进行预测，根据预测结果确定所述测试样本集中的误检样本。

其中预先训练的初始目标检测模型借助现有技术中的模型训练方法即可，可利用预先采集和标注的真实样本集中的训练样本集进行训练得到，而测试样本集是真实样本集中预先分出的一部分，因为目前的虚拟渲染技术可在虚拟渲染时即可完成目标标注，因此测试样本集在某些场景下可不进行人工标注。

具体的可以通过如下方式得到初始目标检测模型：

通过训练样本集周期迭代训练检测模型；

在每个迭代周期用验证样本集验证当前周期训练得到的检测模型，计算所述当前周期训练得到的检测模型的模型精度；

若所述当前周期训练得到的检测模型的模型精度低于前次周期训练得到的检测模型的模型精度，则将述当前周期训练得到的检测模型确定为所述预先训练的初始目标检测模型。

S12、提取所述误检样本的特征，并根据所述特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和虚拟样本的标注信息。

所述误检样本具体可包括没有被检测出目标的漏检样本和检测出目标，但目标计策错误的样本(此情况下测试样本集需进行提前人工标注)。这代表当前的目标检测模型对误检样本的检测准确率不够，因此还需要增加此类样本的样本量，以进一步针对性的训练优化模型。

虚拟渲染具体可以对误检样本的至少一个环境变量变化进行。如改为模糊、雨雪、黑夜，或者旋转样本等。当前的虚拟渲染技术可以实现虚拟样本的目标标注。总之现有技术中的可实现本申请目的的虚拟渲染技术均可以用在本申请中。

S13、将所述虚拟样本及所述标注信息关联生成虚拟样本集。

生成的虚拟样本为误检样本虚拟渲染即对误检样本的至少一个环境变量变化后的样本。虚拟样本集的生成扩大了可用于训练的样本数量。

与真实样本集相比，虚拟样本集可以大量生成并带有准确的标注信息。本领域技术人员知晓，在利用深度神经网络模型进行目标物识别时，识别准确率在于样本集的质量和模型算法本身的优劣。因此本申请的高准确、高质量的虚拟样本集提高了模型训练的准确度。

另外根据误检样本即检测失败的样本进行特征提取可以避免虚拟样本集在生成时过于随机生成，减少了无效样本的数量。

由于长尾效应的存在，在一些情况下，如对于无人驾驶的感知而言，遮挡、暗光等场景虽然出现频率较低，但是往往对感知系统而言起着至关重要的作用。根据模型在这些场景下的失败样本，提取这些场景的特征合成虚拟图像便可以很好的弥补真实样本集在这些危险场景上的缺失。为此本申请优选实施例中，所述提取所述误检样本的特征，并根据所述特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本包括：

提取所述误检样本的目标的深度特征，具体可根据边缘检测算法、先验知识和深度估计模型提取所述误检样本的目标深度特征

提取所述误检样本的姿态特征；

根据所述姿态特征、所述深度特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和所述虚拟样本的标注信息。

具体可以为：

根据所述姿态特征和所述深度特征用虚拟渲染引擎建立3D模型；

对至少一个环境变量利虚拟渲染引擎进行虚拟渲染生成虚拟场景；

根据所述虚拟场景、所述3D模型生成虚拟样本和所述虚拟样本的标注信息。

实施例三

对应上述样本生成方法，本申请还提供了一种目标检测模型训练方法，如图2所示包括：

S21、利用预先训练的初始目标检测模型对测试样本集进行预测，根据预测结果确定所述测试样本集中的误检样本。

S22、提取所述误检样本的特征，并根据所述特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和所述虚拟样本的标注信息。

S23、将所述虚拟样本及所述虚拟样本的标注信息关联生成虚拟样本集。

S24、利用所述虚拟样本集对所述初始目标检测模型进行训练得到最终目标检测模型。

上述步骤可重复多次，直至模型精度低于前一周期的模型精度时停止训练获得最终目标检测模型。

实施例四

本申请实施例四还公开一种目标检测方法，所述方法利用如上生成的所述最终目标检测模型对待检测图片进行目标检测获得检测结果。

实施例五

对应上述实施例二，本申请实施例五提供对应的样本生成装置，如图3所示，所述生成装置包括：

误检样本确定单元311，用于利用预先训练的初始目标检测模型对测试样本集进行预测，根据预测结果确定所述测试样本集中的误检样本。

虚拟样本生成单元312，用于提取所述误检样本的特征，并根据所述特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和所述虚拟样本的标注信息。

所述误检样本具体可包括没有被检测出目标的漏检样本和检测出目标，但目标计策错误的样本。这代表当前的目标检测模型对误检样本的检测准确率不够，因此还需要增加此类样本的样本量，以进一步针对性的训练优化模型。

虚拟样本生成单元312具体可以对误检样本的至少一个环境变量变化进行。如改为模糊、雨雪、黑夜，或者旋转样本，总之现有技术中的可实现本申请目的的虚拟渲染技术均可以用在本申请中。

虚拟样本集生成单元313，用于将所述虚拟样本及所述标注信息关联生成虚拟样本集。

虚拟样本集生成单元313具体可包括：

姿态特征单元3131，用于提取所述误检样本的姿态特征；

深度特征单元3132，用于提取所述误检样本的目标的深度特征，具体可根据边缘检测算法、先验知识和深度估计模型提取所述误检样本的目标深度特征。

虚拟样本集生成子单元3133，用于根据所述姿态特征、所述深度特征对所述误检样本进行虚拟渲染，生成与所述误检样本对应的虚拟样本和所述虚拟样本的标注信息。

而虚拟样本集生成子单元3133具体可根据所述姿态特征和所述深度特征用虚拟渲染引擎建立3D模型，对至少一个环境变量利虚拟渲染引擎进行虚拟渲染生成虚拟场景，之后根据所述虚拟场景、所述3D模型生成虚拟样本和标注信息。

优选实施例中，装置还包括数据保存单元314，用于保存真实样本集、虚拟样本集和误检样本集。

实施例六

对应上述实施例三，本申请实施例六提供对应的目标检测模型训练装置，所训练述装置包括实施例五所述生成装置和模型训练单元；

所述模型训练单元，用于利用生成的所述虚拟样本集进行训练得到最终目标检测模型。

实施例七

对应上述实施例四，本申请实施例七提供了一种目标检测装置，所述装置包括目标检测单元，用于利用实施例六的训练装置训练到的所述最终目标检测模型对待检测图片进行目标检测。

下面结合交通标志牌检测模型的实例对本申请进行详细说明。

步骤一

首先，用车载相机采集不同天气、不同光照、不同视角下的真实交通标志(停止牌STOP sign)牌图像[分辨率为：w*h；并采用人工方式用3D-BOX标注标识牌，保留交通标志牌的语义信息记{P}和3D-BOX的坐标和旋转信息记{T}；

保存以上真实样本集{Real_Dataset}到数据保存单元中的真实样本集分区作为待训练样本集；

步骤二

将待训练样本集分成训练样本集{D-Train}，验证样本集{D-Val}和测试样本集{D-Test：未经标注}；

用训练样本集{D-Train}进行交通标志牌模型的训练，用验证样本集{D-Val}验证模型的正检率，并用checkpoint在过拟合前保存模型参数。使用ResNet50-FPN学习并提取图像中的感兴区域(Region of Intersection)，并设置多个anchor size(参考框大小)[0.5,1,2]。初始学习率使用0.001，并分别在15，30epochs对学习率进行下降，下降为0.0001和0.00001。然后全连接层对ROI进行分类识别。得到训练好的模型D_trained。

从测试样本集{D-Test}中分拣出漏检样本即置信度分值confidence score低于阈值T_detection＝0.8的图片，按照得分区间分成三组漏检样本集{D-Miss}：{DM-L}[0

保存漏检样本集到数据保存单元中；

步骤三

获取漏检样本集中的漏检图像，如图4所示；

将{DM-H}中的每一张图片应用Sobel边缘检测算法提取图像边缘信息，如图5所示，利用曲线拟合提取曲率半径大于阈值T_curve的坐标集合{Points_Curve}，对坐标集合{Points_Curve}使用k-means算法进行点聚合，得到n(n为正整数)个聚合点的坐标集合{Points_Focus}。设置参考框anchor半径为50个像素对坐标集{Points_Focus}中的每个点进行区域扩展，可以得到n个ROI，如图6所示。

使用训练好的模型D_trained对每一个ROI进行打分，如图7所示。按分数高低进行排序，形成ROI_list{ROI_1,ROI_2…}。

步骤四

在虚拟渲染引擎中对虚拟停止牌进行参数初始化：随机选择光照强度[1-100]，随机选择停止牌模型的俯仰，偏摆及翻滚角度；

使用训练好的模型D_trained对虚拟图像提取深度特征向量{FV_Synthetic}，对比ROI_list中的特征向量{FV_Real}，计算两者之间的欧几里得距离(Distance(S->R))；

固定六自由度6Dof，对光照按照强度间隔为1依次遍历所有强度等级，找到Distance(S->R)最小值时的光照强度L(I)；

固定光照强度为L(I),遍历俯仰，偏摆及翻滚角度，找到Distance(S->R)最小值下的角度，确定姿态特征；

依次对DM-H，DM-M，DM-L重复步骤三及之后的上述步骤。

根据以上深度特征和姿态特征渲染生成虚拟图片样本集{Virtual_Dataset}；

将虚拟图片样本集{Virtual_Dataset}进行储存；

用虚拟图片样本集{Virtual_Dataset}代替真实样本集{Real_Dataset}重复迭代步骤，对模型进行下一周期的自动化训练，当用测试样本集测试模型精度低于前一周期的模型精度时，保存模型参数并停止自动化训练流程。

对应上述方法、设备及系统，本申请实施例提供一种电子设备，包括：一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如实施例二、三、四中的任一方法操作。

其中，图8示例性的展示出了电子设备的架构，具体可以包括处理器1510，视频显示适配器1511，磁盘驱动器1512，输入/输出接口1513，网络接口1514，以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520之间可以通过通信总线1530进行通信连接。

其中，处理器1510可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。

存储器1520可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1520可以存储用于控制电子设备1500运行的操作系统1521，用于控制电子设备1500的低级别操作的基本输入输出系统(BIOS)1522。另外，还可以存储网页浏览器1523，数据存储管理1524，以及图标字体处理系统1525等等。上述图标字体处理系统1525就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器1520中，并由处理器1510来调用执行。输入/输出接口1513用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

网络接口1514用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1530包括一通路，在设备的各个组件(例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520)之间传输信息。

另外，该电子设备1500还可以从虚拟资源对象领取条件信息数据库1541中获得具体领取条件的信息，以用于进行条件判断，等等。

需要说明的是，尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，存储器1520，总线1530等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁盘、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，云服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

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，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。