技术领域
[0001] 本发明实施例涉及互联网技术领域，具体涉及一种基于AI深度学习的海报设计方法、装置及计算设备。
相关背景技术
[0002] 随着国内互联网行业发展如火如荼，各式各样的互联网产品已渗透到当代社会经济生活的各个领域，为人们日常工作、学习和生活提供了极大便利。在视觉设计领域中，设计师们绘制海报往往会因为不同机型、展位的多尺寸拓展、产品样式风格、文案内容而重新设计大量主题风格一致的海报，这些工作需要耗费大量的时间、人力成本(6～8张/人/日)，但对设计师的成长进步起到的作用却非常有限。另一方面，在5G时代，精准营销是未来的大趋势，首页的海报资源展位需要展示“千人千面”的效果，结合用户的个性化需求，形成与上下文相关的结果，快速吸引用户关注海报内容，这对于电商商家在“618”年中促销、“双11”秒杀活动更能通过海报吸引用户，提高商品销量。
[0003] 现有技术中海报设计针对不同机型、展位的多尺寸拓展需要耗费大量的时间、人力成本，不利于设计师或商家快速完成各种主题一致风格不一的海报。并且首页的海报设计需要完成精准营销，不同展位需要展示“千人千面”的效果，单纯让海报设计师来完成，效率低下、质量不高，同时不利于电商商家在各大促销节日快速生成风格多变的海报，影响用户实时在线体验。
具体实施方式
[0022] 下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0023] 图1示出了本发明实施例提供的基于AI深度学习的海报设计方法的流程示意图。如图1所示，该基于AI深度学习的海报设计方法包括：
[0024] 步骤S11：提取素材库中原图像与风格图像的素材特征。
[0025] 在本发明实施例中，素材图层是海报Banner的基础元素，其本身可以被特征化，同时组成Banner的素材特征的叠加顺序可以被序列化。素材特征包括视觉属性：颜色、形状、纹理、主题等，空间属性：位置、大小、贴边等。在步骤S11中，提取所述素材库中所述原图像与所述风格图像的低级语义特征，包括：颜色特征、形状特征、纹理特征、空间特征；基于卷积神经网络提取所述素材库中所述原图像与所述风格图像的高级语义特征。
[0026] 具体地，采用颜色直方图提取所述素材库中所述原图像与所述风格图像的所述颜色特征。采用颜色直方图来表达颜色特征，颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好的捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。而颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响。
[0027] 采用基于边界的傅里叶变化方法提取所述素材库中所述原图像与所述风格图像的所述形状特征。采用基于边界的傅里叶变化的方法，可以比较有效地利用图像中感兴趣的目标来进行检索，能较好地反映图片的局部和全面形状特征，有较低的时间和空间复杂度。
[0028] 采用基于统计的灰度共生矩阵和能量谱函数法提取所述素材库中所述原图像与所述风格图像的所述纹理特征。纹理特征也是一种全局特征，它描述了图像或图像区域所对应景物的表面性质。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。采用基于统计的灰度共生矩阵和能量谱函数法，以图像的构造模型为基础，采用模型参数作为纹理特征，能较好地反映图片的纹理性。
[0029] 基于空间关系提取所述素材库中所述原图像与所述风格图像的所述空间特征。首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引，得出各个区域之间的相互的空间位置或相对方向关系。
[0030] 应用梯度向后传播算法确定所述卷积神经网络中的卷积核；应用包括所述卷积核的所述卷积神经网络提取所述素材库中所述原图像与所述风格图像的CNN特征。具体地，卷积神经网络(Convolutional Neural Network，CNN)是局部连接网络，相对于全连接网络，其最大的特点就是局部连接性和权值共享性。因为对于图像中的某个像素p来说，一般离像素p越近的像素对其影响也就越大(局部连接性)；另外，根据自然图像的统计特性，某个区域的权值可以用于另一个区域(权值共享性)。这里的权值共享其实就是卷积核共享，对于一个卷积核将其与给定的图像做卷积就可以提取出图像的特征，不同的卷积核可以提取不同的图像特征。通过卷积核刻画图片的局部模式，CNN能够提取图片的特征；通过梯度向后传播算法，CNN能够确定每个卷积核的参数，从而实现自动提取图片的特征，能够更好地对图像进行风格迁移，从而建立自适应特征提取调整，形成深度和层次化地学习特征表达体系。
[0031] 步骤S12：根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列。
[0032] 在对素材库进行特征提取后，由于海报Banner设计过程是素材图层依次叠加的过程，如何拟合该过程并对素材特征进行特定生成成为关键点。本发明实施例应用对抗生成网络(GAN)来进行端到端地训练图像生成模型，但在一些特定的应用场景下，GAN仍存在两个问题：GAN的过程更像是“黑盒”的过程：输入方面，虽然Condition-GAN之类的方法可以实现某种程度有条件地可控生成，但对于Banner设计任务来说，其输入信息(文案、目标风格、主题信息)仍然过于复杂；GAN直接生成源数据(即图像)，但缺乏直观、解释性的信息，比如素材的类型、颜色、轮廓、位置等。针对GAN存在的问题，在本发明实施例中，应用自然语言处理序列生成模型，将所述素材特征视为词汇，海报视为句子，词汇索引视为离散化的特征索引，素材叠加顺序视为句子中的词顺序，输入所述原图像和所述风格图像的所述素材特征，即输入主题信息和目标风格，输出所述素材特征序列。
[0033] 步骤S13：基于形状与色彩的组合方式对所述素材特征序列进行调整优化。
[0034] 为了确保最终成图符合美学标准，需要对设计图进行后期处理，基于图像的艺术风格其实就是基本形状与色彩的组合方式，设计基于常规设计理念和美学标准概念。在本发明实施例中，按照色彩的搭配方法对所述素材特征序列的明度、纯度、亮度进行协调搭配；对不同色彩应用不同的韵律节奏进行加强、减弱或反复操作。动作集合包括移动、缩放、亮度调整等，结合优化方法，按照色彩的搭配方法对明度、纯度、亮度来进行协调搭配，使设计作品更加和谐统一。对色彩进行组合搭配时，不同色彩有不同的韵律节奏，存在着加强、减弱、反复等方式都会使画面产生不一样的效果，使画面有意想不到的空间感和层次感，提升Banner的视觉效果。
[0035] 步骤S14：根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报。
[0036] 对于素材库检索不到符合某种特征属性的素材的情况，设计了图像风格迁移的方法来实现图像特征迁移，这些特征包括颜色、形状、纹理等低级特征，语义化的视觉风格特征，利用卷积神经网络(CNN)实现将原图像的内容和风格图像的风格(Style)做融合。在本发明实施例中，在所述风格图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图(feature maps)组成集合A；在所述原图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图组成集合P；根据所述集合A和所述集合P生成随机噪声图像x；所述随机噪声图像x通过卷积神经网络时生成很多特征图，构成分别对应所述集合A和所述集合P的集合G和F；对所述随机噪声图像x进行优化实现所述原图像的内容和所述风格图像的融合，形成所述海报。最终让随机噪声图像x最后看起来既保持原图像的内容,又有一定的风格图像的Style，实现风格迁移。
[0037] 本发明实施例同现有传统人工设计海报的工作方式完全不同，将AI深度学习应用于海报智能生成，高效率实现海报精准营销快速生成，涉及全卷积网络、语义分析、GAN特征提取，提高用户的视觉体验；利用图像风格迁移方法对图像的颜色、形状、纹理、语义化等特征进行迁移，实现源图像内容和风格在特征空间自然融合。本发明实施例的海报设计能够针对不同机型、展位的多尺寸拓展快速生成风格、主题等特征不一的海报，对于电商商家能够快速在各个促销节吸引更多的用户，融合各大电商平台。首页的海报设计能够完成精准营销，展示“千人千面”的效果，同时能够扩展素材常规设计风格、语义相关的颜色及挖掘，提高用户实时在线体验，协助设计师降低高重复性工作的时间和经济成本。
[0038] 本发明实施例通过提取素材库中原图像与风格图像的素材特征；根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列；基于形状与色彩的组合方式对所述素材特征序列进行调整优化；根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报，能够高效率实现海报精准营销快速生成，提高用户的视觉体验。
[0039] 图2出了本发明实施例的基于AI深度学习的海报设计装置的结构示意图。如图2示，该基于AI深度学习的海报设计装置包括：特征提取单元201、序列生成单元202、特征优化单元203以及海报生成单元204。其中：
[0040] 特征提取单元201用于提取素材库中原图像与风格图像的素材特征；序列生成单元202用于根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列；特征优化单元203用于基于形状与色彩的组合方式对所述素材特征序列进行调整优化；海报生成单元204用于根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报。
[0041] 在一种可选的方式中，特征提取单元201用于：提取所述素材库中所述原图像与所述风格图像的低级语义特征，包括：颜色特征、形状特征、纹理特征、空间特征；基于卷积神经网络提取所述素材库中所述原图像与所述风格图像的高级语义特征。
[0042] 在一种可选的方式中，特征提取单元201用于：采用颜色直方图提取所述素材库中所述原图像与所述风格图像的所述颜色特征；采用基于边界的傅里叶变化方法提取所述素材库中所述原图像与所述风格图像的所述形状特征；采用基于统计的灰度共生矩阵和能量谱函数法提取所述素材库中所述原图像与所述风格图像的所述纹理特征；基于空间关系提取所述素材库中所述原图像与所述风格图像的所述空间特征。
[0043] 在一种可选的方式中，特征提取单元201用于：应用梯度向后传播算法确定所述卷积神经网络中的卷积核；应用包括所述卷积核的所述卷积神经网络提取所述素材库中所述原图像与所述风格图像的CNN特征。
[0044] 在一种可选的方式中，序列生成单元202用于：应用自然语言处理序列生成模型，将所述素材特征视为词汇，海报视为句子，词汇索引视为离散化的特征索引，素材叠加顺序视为句子中的词顺序，输入所述原图像和所述风格图像的所述素材特征，输出所述素材特征序列。
[0045] 在一种可选的方式中，特征优化单元203用于：按照色彩的搭配方法对所述素材特征序列的明度、纯度、亮度进行协调搭配；对不同色彩应用不同的韵律节奏进行加强、减弱或反复操作。
[0046] 在一种可选的方式中，海报生成单元204用于：在所述风格图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图组成集合A；在所述原图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图组成集合P；根据所述集合A和所述集合P生成随机噪声图像x；所述随机噪声图像x通过卷积神经网络时生成很多特征图，构成分别对应所述集合A和所述集合P的集合G和F；对所述随机噪声图像x进行优化实现所述原图像的内容和所述风格图像的融合，形成所述海报。
[0047] 本发明实施例通过提取素材库中原图像与风格图像的素材特征；根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列；基于形状与色彩的组合方式对所述素材特征序列进行调整优化；根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报，能够高效率实现海报精准营销快速生成，提高用户的视觉体验。
[0048] 本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于AI深度学习的海报设计方法。
[0049] 可执行指令具体可以用于使得处理器执行以下操作：
[0050] 提取素材库中原图像与风格图像的素材特征；
[0051] 根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列；
[0052] 基于形状与色彩的组合方式对所述素材特征序列进行调整优化；
[0053] 根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报。
[0054] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0055] 提取所述素材库中所述原图像与所述风格图像的低级语义特征，包括：颜色特征、形状特征、纹理特征、空间特征；
[0056] 基于卷积神经网络提取所述素材库中所述原图像与所述风格图像的高级语义特征。
[0057] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0058] 采用颜色直方图提取所述素材库中所述原图像与所述风格图像的所述颜色特征；
[0059] 采用基于边界的傅里叶变化方法提取所述素材库中所述原图像与所述风格图像的所述形状特征；
[0060] 采用基于统计的灰度共生矩阵和能量谱函数法提取所述素材库中所述原图像与所述风格图像的所述纹理特征；
[0061] 基于空间关系提取所述素材库中所述原图像与所述风格图像的所述空间特征。
[0062] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0063] 应用梯度向后传播算法确定所述卷积神经网络中的卷积核；
[0064] 应用包括所述卷积核的所述卷积神经网络提取所述素材库中所述原图像与所述风格图像的CNN特征。
[0065] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0066] 应用自然语言处理序列生成模型，将所述素材特征视为词汇，海报视为句子，词汇索引视为离散化的特征索引，素材叠加顺序视为句子中的词顺序，输入所述原图像和所述风格图像的所述素材特征，输出所述素材特征序列。
[0067] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0068] 按照色彩的搭配方法对所述素材特征序列的明度、纯度、亮度进行协调搭配；
[0069] 对不同色彩应用不同的韵律节奏进行加强、减弱或反复操作。
[0070] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0071] 在所述风格图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图组成集合A；
[0072] 在所述原图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图组成集合P；
[0073] 根据所述集合A和所述集合P生成随机噪声图像x；
[0074] 所述随机噪声图像x通过卷积神经网络时生成很多特征图，构成分别对应所述集合A和所述集合P的集合G和F；
[0075] 对所述随机噪声图像x进行优化实现所述原图像的内容和所述风格图像的融合，形成所述海报。
[0076] 本发明实施例通过提取素材库中原图像与风格图像的素材特征；根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列；基于形状与色彩的组合方式对所述素材特征序列进行调整优化；根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报，能够高效率实现海报精准营销快速生成，提高用户的视觉体验。
[0077] 本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的基于AI深度学习的海报设计方法。
[0078] 可执行指令具体可以用于使得处理器执行以下操作：
[0079] 提取素材库中原图像与风格图像的素材特征；
[0080] 根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列；
[0081] 基于形状与色彩的组合方式对所述素材特征序列进行调整优化；
[0082] 根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报。
[0083] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0084] 提取所述素材库中所述原图像与所述风格图像的低级语义特征，包括：颜色特征、形状特征、纹理特征、空间特征；
[0085] 基于卷积神经网络提取所述素材库中所述原图像与所述风格图像的高级语义特征。
[0086] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0087] 采用颜色直方图提取所述素材库中所述原图像与所述风格图像的所述颜色特征；
[0088] 采用基于边界的傅里叶变化方法提取所述素材库中所述原图像与所述风格图像的所述形状特征；
[0089] 采用基于统计的灰度共生矩阵和能量谱函数法提取所述素材库中所述原图像与所述风格图像的所述纹理特征；
[0090] 基于空间关系提取所述素材库中所述原图像与所述风格图像的所述空间特征。
[0091] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0092] 应用梯度向后传播算法确定所述卷积神经网络中的卷积核；
[0093] 应用包括所述卷积核的所述卷积神经网络提取所述素材库中所述原图像与所述风格图像的CNN特征。
[0094] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0095] 应用自然语言处理序列生成模型，将所述素材特征视为词汇，海报视为句子，词汇索引视为离散化的特征索引，素材叠加顺序视为句子中的词顺序，输入所述原图像和所述风格图像的所述素材特征，输出所述素材特征序列。
[0096] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0097] 按照色彩的搭配方法对所述素材特征序列的明度、纯度、亮度进行协调搭配；
[0098] 对不同色彩应用不同的韵律节奏进行加强、减弱或反复操作。
[0099] 在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0100] 在所述风格图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图组成集合A；
[0101] 在所述原图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图组成集合P；
[0102] 根据所述集合A和所述集合P生成随机噪声图像x；
[0103] 所述随机噪声图像x通过卷积神经网络时生成很多特征图，构成分别对应所述集合A和所述集合P的集合G和F；
[0104] 对所述随机噪声图像x进行优化实现所述原图像的内容和所述风格图像的融合，形成所述海报。
[0105] 本发明实施例通过提取素材库中原图像与风格图像的素材特征；根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列；基于形状与色彩的组合方式对所述素材特征序列进行调整优化；根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报，能够高效率实现海报精准营销快速生成，提高用户的视觉体验。
[0106] 图3示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
[0107] 如图3所示，该计算设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
[0108] 其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。处理器302，用于执行程序310，具体可以执行上述基于AI深度学习的海报设计方法实施例中的相关步骤。
[0109] 具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
[0110] 处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个CPU；也可以是不同类型的处理器，如一个或各个CPU以及一个或各个ASIC。
[0111] 存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0112] 程序310具体可以用于使得处理器302执行以下操作：
[0113] 提取素材库中原图像与风格图像的素材特征；
[0114] 根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列；
[0115] 基于形状与色彩的组合方式对所述素材特征序列进行调整优化；
[0116] 根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报。
[0117] 在一种可选的方式中，所述程序310使所述处理器执行以下操作：
[0118] 提取所述素材库中所述原图像与所述风格图像的低级语义特征，包括：颜色特征、形状特征、纹理特征、空间特征；
[0119] 基于卷积神经网络提取所述素材库中所述原图像与所述风格图像的高级语义特征。
[0120] 在一种可选的方式中，所述程序310使所述处理器执行以下操作：
[0121] 采用颜色直方图提取所述素材库中所述原图像与所述风格图像的所述颜色特征；
[0122] 采用基于边界的傅里叶变化方法提取所述素材库中所述原图像与所述风格图像的所述形状特征；
[0123] 采用基于统计的灰度共生矩阵和能量谱函数法提取所述素材库中所述原图像与所述风格图像的所述纹理特征；
[0124] 基于空间关系提取所述素材库中所述原图像与所述风格图像的所述空间特征。
[0125] 在一种可选的方式中，所述程序310使所述处理器执行以下操作：
[0126] 应用梯度向后传播算法确定所述卷积神经网络中的卷积核；
[0127] 应用包括所述卷积核的所述卷积神经网络提取所述素材库中所述原图像与所述风格图像的CNN特征。
[0128] 在一种可选的方式中，所述程序310使所述处理器执行以下操作：
[0129] 应用自然语言处理序列生成模型，将所述素材特征视为词汇，海报视为句子，词汇索引视为离散化的特征索引，素材叠加顺序视为句子中的词顺序，输入所述原图像和所述风格图像的所述素材特征，输出所述素材特征序列。
[0130] 在一种可选的方式中，所述程序310使所述处理器执行以下操作：
[0131] 按照色彩的搭配方法对所述素材特征序列的明度、纯度、亮度进行协调搭配；
[0132] 对不同色彩应用不同的韵律节奏进行加强、减弱或反复操作。
[0133] 在一种可选的方式中，所述程序310使所述处理器执行以下操作：
[0134] 在所述风格图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图组成集合A；
[0135] 在所述原图像经过卷积神经网络提取特征时将在每个卷积层得到的特征图组成集合P；
[0136] 根据所述集合A和所述集合P生成随机噪声图像x；
[0137] 所述随机噪声图像x通过卷积神经网络时生成很多特征图，构成分别对应所述集合A和所述集合P的集合G和F；
[0138] 对所述随机噪声图像x进行优化实现所述原图像的内容和所述风格图像的融合，形成所述海报。
[0139] 本发明实施例通过提取素材库中原图像与风格图像的素材特征；根据所述素材特征应用自然语言处理序列生成模型形成素材特征序列；基于形状与色彩的组合方式对所述素材特征序列进行调整优化；根据调整优化后的所述素材特征序列将所述原图像的内容和所述风格图像进行融合渲染成图，形成海报，能够高效率实现海报精准营销快速生成，提高用户的视觉体验。
[0140] 在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0141] 在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0142] 类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0143] 本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0144] 此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0145] 应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
