一种基于PHD滤波的多高速高机动目标混合积累方法与系统

一种基于PHD滤波的多高速高机动目标混合积累方法与系统实质审查发明

技术领域

[0001] 本发明涉及雷达信号处理技术领域，尤其涉及一种基于PHD滤波的多高速高机动目标混合积累方法与系统。

具体实施方式

[0086] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明实施例相一致的所有实施方式，它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。

[0087] 可以理解，本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。例如，在不脱离本发明实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“若”、“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

[0088] 本发明所使用的术语“至少一个”、“多个”、“每个”、“任一”等，至少一个包括一个、两个或两个以上，多个包括两个或两个以上，每个是指对应的多个中的每一个，任一是指多个中的任意一个。

[0089] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

[0090] 在对本发明实施例进行详细说明之前，首先对本发明实施例中涉及的部分相关技术进行说明，如下：

[0091] 全息凝视雷达：多波束全息凝视雷达是一种创新的雷达技术，它通过同时发射多个波束来实现全景扫描。就像拥有多个摄像头的全景相机，可以一次捕捉到整个场景。多波束全息凝视雷达可以同时获取多个方向的目标信息，实现高分辨率全景观测。多波束全息凝视雷达的核心优势在于高效率、高精度的全景目标感知和快速反应能力。

[0092] 相参积累：相参积累是指在雷达信号处理中，利用信号的相位信息进行积累处理，以提高信噪比。由于保持了信号的相位关系，这种方法能够有效地增强目标信号的强度，减弱噪声和干扰。

[0093] 非相参积累：非相参积累是不利用信号相位信息，只对信号幅度进行累积的一种方法。这种方法主要用于目标的非相参信号处理，可以在多普勒频移或者目标运动较大的情况下使用。

[0094] 混合积累：混合积累是结合相参积累和非相参积累的优点，以提高目标检测跟踪的可靠性和灵敏度。这种方法能够灵活应对各种复杂的雷达信号环境，达到积累性能和运算量的平衡。

[0095] PHD滤波：PHD(Probability Hypothesis Density)滤波是一种多目标跟踪算法，基于概率假设密度的概念。它通过估计目标存在的概率密度函数来实现对多个目标的跟踪，能够处理目标的出生、死亡和杂波等复杂情况，适用于密集目标环境中的目标跟踪。

[0096] 检测前跟踪：检测前跟踪是一种在信号检测之前进行目标跟踪的方法。通过先对接收到的雷达信号进行初步处理和预测，判断可能存在的目标位置，然后再进行详细的检测和滤波。此方法可以提高检测效率和准确性，减少误报率。

[0097] 本发明实施例提供的基于PHD滤波的多高速高机动目标混合积累方法与系统，涉及雷达信号处理技术领域。本发明实施例提供的基于PHD滤波的多高速高机动目标混合积累方法可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表以及车载终端等，但并不局限于此；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器，服务器还可以是区块链网络中的一个节点服务器；软件可以是实现基于PHD滤波的多高速高机动目标混合积累方法的应用等，但并不局限于以上形式。

[0098] 本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明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发明，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。

[0099] 本发明实施例提供了一种基于PHD滤波的多高速高机动目标混合积累方法，下面以该基于PHD滤波的多高速高机动目标混合积累方法应用于服务器中为例子进行说明，可以理解的是，该方法也可以应用于终端中。

[0100] 参照图1，图1为本发明实施例提供的应用于服务器的基于PHD滤波的多高速高机动目标混合积累方法的流程图，该方法的执行主体可以是前述的任意一种计算机设备(包括服务器或者终端)。参照图1，该方法可以包括以下步骤：

[0101] 获取雷达采集信号并进行预处理；

[0102] 对预处理后的第一数据进行Keystone变换处理，得到第二数据，以对预处理后的第一数据进行慢时间的尺度变化，改变慢时间采样点之间的间隔；

[0103] 根据MFP技术，对所述第二数据的模糊速度进行补偿处理，得到第三数据，以确定大速度范围的RD平面；

[0104] 根据所述第三数据，进行PHD检测前跟踪，完成多目标混合积累。

[0105] 在一些实施例中，所述获取雷达采集信号并进行预处理，包括以下步骤：

[0106] 在全息凝视雷达中，采用线性调频信号作为发射信号，雷达的回波信号的第一表达式为：

[0107]

[0108] 其中，为快时间；tm＝mTr，m＝0,1,...,M‑1为慢时间的脉冲重复周期采样，M为雷达回波脉冲总计数；A0为目标反射系数，c为光速；R代表目标斜距；Tp为信号脉宽；
TI＝MTr为雷达监视总时间，Tr表示脉冲重复间隔；fc为载波频率；γN为信号调频率；

[0109] 目标回波经过雷达接收机下变频、采样、IQ解调和脉压之后，可以得到处理后的信号，该信号的第二表达式为：

[0110]

[0111] 其中，A1为脉压后的幅值；为模拟频率；BN为信号带宽；r0为目标的径向距离；为目标的径向速度，vbase为RD平面上的基带速度；λ为波长；η为模糊速度
的折叠因子；a是目标的径向加速度；c为光速。

[0112] 在一些实施例中，所述对预处理后的第一数据进行Keystone变换处理，得到第二数据，包括以下步骤：

[0113] 利用KT校正一阶距离走动，消除模拟频率与脉冲重复周期采样之间的耦合关系，该过程的第三表达式为：

[0114]

[0115] 其中，代表Keystone变换后的慢时间采样点；

[0116] 根据所述第一表达式，代入到所述第二表达式中，得到新的第四表达式：

[0117]

[0118] 对所述第四表达式进行简化处理，得到第五表达式，并完成所述Keystone变换处理。

[0119] 在一些实施例中，所述根据MFP技术，对所述第二数据的模糊速度进行补偿处理，得到第三数据，包括以下步骤：

[0120] 通过MFP技术，对模糊速度进行补偿，构建匹配滤波器，所述匹配滤波器的第六表达式为：

[0121]

[0122] 其中，代表折叠因子的估计值；代表构建的匹配滤波器；j是复数；

[0123] 根据所述第五表达式和所述第六表达式，对模糊速度进行补偿，得到第七表达式；

[0124] 对所述第七表达式中的模拟频率进行IDFT处理，接着对慢时间的脉冲重复周期采样进行DFT处理，得到第八表达式：

[0125]

[0126] 其中，A3为新的幅度，ξ为多普勒频率；

[0127] 需要构建一系列不同折叠因子的匹配滤波器来对模糊速度进行补偿，将SRD平面拼接成ERD平面，每个折叠因子对应一个SRD平面；

[0128] 经过MFP处理过后，得到了一个更大速度范围的RD平面。

[0129] 在一些实施例中，所述根据所述第三数据，进行PHD检测前跟踪，完成多目标混合积累，包括以下步骤：

[0130] 定义多目标的状态向量，构建状态转移模型；

[0131] 构建观测模型，以对目标的多普勒走动进行补偿；

[0132] 根据所述状态转移模型和所述观测模型，生成新生粒子；

[0133] 将所述新生粒子输入滤波器，生成预测后的预测粒子；

[0134] 通过滤波器对预测粒子进行更新，得到粒子权重；

[0135] 根据所述粒子权重进行粒子更新，将更新后的粒子进行重采样；

[0136] 对重采样后的粒子进行状态提取，得到多目标状态。

[0137] 在一些实施例中，所述状态向量的表达式为：

[0138]

[0139] 其中，np＝1,2,...,Np为目标数目，下标p表示时刻；r为径向距离，v为径向基带速度，η为折叠因子，a为径向加速度；

[0140] 所述状态转移模型的表达式为：

[0141]

[0142] 其中，round是四舍五入算子，μ1、μ2、μ3和μ4是服从零均值高斯分布的随机量；

[0143] 所述观测模型的表达式为：

[0144]

[0145] 其中，H1为Np个目标存在的情况；H0为没有目标存在的情况；为量测误差；代表目标的能量强度分布模型。

[0146] 在一些实施例中，所述根据所述状态转移模型和所述观测模型，生成新生粒子，包括以下步骤：

[0147] 将观测按幅值进行排序，取前L个观测；

[0148] 用幅值生成归一化权重；

[0149] 对生成的归一化权重进行重采样；

[0150] 根据重采样得到的粒子生成新生粒子。

[0151] 在一些实施例中，所述对重采样后的粒子进行状态提取，得到多目标状态，包括以下步骤：

[0152] 通过聚类的方法对目标状态进行提取：

[0153] 将SRD平面堆叠，生成FRD空间，并将FRD空间中的粒子通过折叠因子维度投影到RD平面上，投影之后，镜像目标和真实目标的粒子会出现在同一区域；

[0154] 通过对RD平面内的粒子进行DBSCAN聚类，将具有不同折叠因子但具有相近距离和多普勒的粒子聚集成同一粒子簇；

[0155] 通过对比各个折叠因子对应的粒子数目，将所有粒子的折叠因子都改为占比最大的折叠因子的值，从而消除镜像目标的影响，并对多目标状态进行提取。

[0156] 下面结合说明书附图，对本发明的方法在具体场景中的实施过程进行详细说明：

[0157] 针对现有技术存在的问题，本发明的目的在于提供一种基于PHD滤波的多高速高机动目标混合积累方法。该方法具备以下特点：

[0158] 1.本发明采用相参和非相参相结合的混合积累方法，在尽量不损失积累性能的同时降低了运算量，达到了性能和效率的有效平衡。

[0159] 2.本发明采用PHD滤波的方法，将检测前跟踪方法应用到混合积累的过程中，实现了多个高速高机动目标的联合检测和跟踪。

[0160] 3.本发明采用Keystone变换和MFP(Matched Fi lter Process ing)技术，来实现多个高速高机动目标距离走动和模糊速度的补偿

[0161] 4.相比于传统的PHD滤波方法，本发明提出基于幅度的自适应新生方法来提高粒子的利用效率，再提出线扩散观测模型以匹配加速度目标。

[0162] 参考图2，本发明的具体实施过程包括以下步骤：

[0163] [1]雷达采集信号预处理

[0164] 在全息凝视雷达中，采用线性调频信号作为发射信号。经距离为R(tm)的目标后向散射之后的回波可以表示为：

[0165]

[0166] 其中，Tp为信号脉宽，γN为信号调频率，fc为载波频率。tm＝mTr，m＝0,1,...,M‑1为慢时间的脉冲重复周期采样，Tr表示脉冲重复间隔(Pulse Repetition Interval,PRI)，M为雷达回波脉冲总计数，为快时间，A0为目标反射系数，TI＝MTr为雷达监视总时间。

[0167] 目标回波经过雷达接收机下变频、采样、IQ解调和脉压之后，可以得到：

[0168]

[0169] 其中，A1为脉压后的幅值，由于幅度不影响后续的分析，因此可以忽略其具体值。为模拟频率，BN为信号带宽，r0为目标的径向距离，为目标的径向速度，
其中vbase为RD(Range‑Doppler)平面上的基带速度，λ为波长，η为模糊速度的折叠因子，a是目标的径向加速度，c为光速。

[0170] 从上式中可以看出，与m的一次项和二次项，一集速度折叠因子均存在耦合关系。这些耦合关系即为距离走动和多普勒走动的来源，要想补偿距离走动和多普勒走动，就必须进行解耦。

[0171] [2]KT(Keystone Transform)处理

[0172] 首先，利用KT校正一阶距离走动，消除与m之间的耦合关系。KT本质是一种对慢时间的尺度变化，其改变了慢时间采样点之间的间隔，从而补偿一阶距离走动，定义为：

[0173]

[0174] 将上式代入到(2)中，可得

[0175]

[0176] 由于因此有则上式可以化简为

[0177]

[0178] 从上式中可以看出，与m之间仍然存在耦合关系，这是模糊速度导致的结果。

[0179] [3]MFP(Matched Filter Processing)处理

[0180] 接下来，我们通过MFP技术，对模糊速度进行补偿。构建如下所示的匹配滤波器：

[0181]

[0182] 其中，为折叠因子的估计值。当时，将式(6)乘于式(5)即可对模糊速度进行补偿，可以得到：

[0183]

[0184] 对上式中的进行IDFT(Inverse Discrete Fourier Transform)，接着对m进行DFT(Discrete Fourier Transform)，可得

[0185]

[0186] 其中，A3为新的幅度，ξ为多普勒频率。从上式可以看出，ξ0可以表示为

[0187]

[0188] 多普勒走动的宽度为

[0189]

[0190] 由于无法提前获知目标的折叠因子，因此需要构建一系列不同折叠因子的匹配滤波器来对模糊速度进行补偿。每个折叠因子对应一个SRD(Sub‑Range‑Dopp ler)平面，这些SRD平面对应的速度范围不同，但速度范围是连续的。因此，我们可以将SRD平面拼接成ERD(Extended Range‑Dopp ler)平面，如3图所示。其中Ψ为折叠因子数目。

[0191] 经过MFP处理过后，得到了一个更大速度范围的RD平面。图4展示的是折叠因子总数为3时的ERD平面，其中目标的真实折叠因子为0，从图中可以看出，当目标的折叠因子不匹配时，镜像目标的距离走动会加剧，且回波能量分散。

[0192] [4]PHD检测前跟踪过程

[0193] PHD检测前跟踪的流程框图如图5所示，具体包括以下过程：

[0194] 1.状态转移模型

[0195] 对于多目标的状态向量，可以定义为：

[0196]

[0197] 其中，np＝1,2,...,Np为目标数目，下标p表示时刻。r为径向距离，v为径向基带速度，η为折叠因子，a为径向加速度。多目标状态转移模型可以表示为：

[0198]

[0199] 其中，round是四舍五入算子，μ1、μ2、μ3和μ4是服从零均值高斯分布的随机量。

[0200] 2.观测模型

[0201] 目标回波在经过KT‑MFP处理之后，得到的观测数据为N×M×Ψ个单元，N为距离维采样点数，M为多普勒维单元数，Ψ为折叠因子数。则观测可以表示为

[0202]

[0203] 观测的具体表达式为

[0204]

[0205] 其中，H1为Np个目标存在的情况，H0为没有目标存在的情况，为量测误差。本发明提出线扩散模型(Line Spread Model,LSM)代替传统的点扩散模型(Point Spread
Model,PSM)，的表达式如下所示：

[0206] 当加速度大于零时：

[0207]

[0208] 加速度小于零时：

[0209]

[0210] 则多目标观测模型的似然函数可以表示为：

[0211]

[0212] 其中

[0213]

[0214]

[0215] 利用粒子对目标的多普勒走动进行搜索，本发明提出的观测模型区别于点模型，用以对目标的多普勒走动进行补偿。由于目标加速度信息包含在粒子状态中，因此利用粒子搜索多普勒走动，不会额外的增加计算量。

[0216] 3.自适应新生粒子

[0217] 步骤如下：

[0218] 步骤1：将观测按幅值进行排序，取前L个观测；

[0219] 步骤2：用幅值生成归一化权重；

[0220] 步骤3：对生成的归一化权重进行重采样；

[0221] 步骤4：根据重采样得到的粒子生成新生粒子。

[0222] 4.滤波器预测步

[0223] 将上一步得到的新生粒子入到状态转移方程中，即代入到式(12)中，可得到预测后的粒子。

[0224] 5.滤波器更新步

[0225] 将上一步得到的预测粒子代入到下式中，得到粒子的权重

[0226]

[0227] 其中λp为杂波归一化系数。

[0228] 6.重采样

[0229] 将更新后的粒子进行重采样，本发明采用的是系统重采样。

[0230] 7.状态提取

[0231] 概率假设密度的局部极大值极有可能是目标所在位置，因此重采样后的粒子会聚集在概率假设密度极大值附近，即目标位置的附近，因此，可以通过聚类的方法对目标状态进行提取。但在多目标场景中，SRD平面上的镜像目标会被误判为真实目标，为解决此问题，本发明提出粒子空间投影的方法。将SRD平面堆叠，生成FRD空间，并将FRD空间中的粒子通过折叠因子维度投影到RD平面上。投影之后，镜像目标和真实目标的粒子会出现在同一区域。通过对RD平面内的粒子进行DBSCAN(Density‑based spatial clustering of applications with noise)聚类，可以将具有不同折叠因子但具有相近距离和多普勒的粒子聚集成同一粒子簇，通过对比各个折叠因子对应的粒子数目，将所有粒子的折叠因子都改为占比最大的折叠因子的值，从而消除镜像目标的影响，并对多目标状态进行提取。

[0232] [5]本发明结果展示

[0233] 1.LSM与PSM对比实验

[0234] 为了对比LSM和PSM的性能，本发明实施例仿真了一个具有加速度的目标，并用粒子的权重与其速度和距离偏差的关系来展现观测模型的性能，结果如图6所示。从图中可以看出，LSM的权重远大于PSM，对于加速度目标展现了优秀的性能。

[0235] 2.多目标跟踪实验

[0236] 本发明实施例设计了一个存在四个匀加速度目标，包括目标新生和消亡，共30帧数据的仿真场景，运动状态如下表1所示：

[0237] 表1

[0238]

[0239] 为了展现本发明所提方法的优越性，本发明实施例设计了其他算法对比实验，具体设计如下表2所示：

[0240] 表2

[0241]方法相参积累方法观测模型新生分布
A(本发明) KT‑MFP LSM 自适应分布
B KT‑MFP PSM 自适应分布
C KT‑MFP LSM 均匀分布
D KT‑MFP PSM 均匀分布
E KT PSM 均匀分布
F MTD PSM 均匀分布

[0242] 本发明实施例通过雷达回波脉冲的信噪比来进行信噪比实验，设定‑12dB，‑14dB两个信噪比。用OSPA(Optimal Sub‑Pattern Assignment)距离作为多目标性能的评价指标，并对实验结果进行100次蒙特卡洛仿真，得到的结果如图8所示。从图8中可以看出，方法A，即本发明的方法在不同信噪比下的性能表现最好，且OSPA距离最小。

[0243] 综上所述，本发明采用混合积累方法，联合相参积累KT‑MFP和PHD检测前跟踪方法来实现多高速高机动目标的检测跟踪。

[0244] 本发明具有以下特点：

[0245] 1、基于混合积累的方法流程：联合KT‑MFP和PHD检测前跟踪滤波，实现多个高速高机动目标的距离补偿、多普勒补偿和模糊速度补偿。

[0246] 2、改进的PHD滤波：提出基于幅度的自适应新生方法提高粒子的利用效率，提出线扩散观测模型以匹配具有加速度的目标。

[0247] 3、粒子空间投影方法：将粒子沿折叠因子维投影，从而将具有不同折叠因子但具有相近距离和多普勒的粒子聚集成同一粒子簇，通过对比各个折叠因子对应的粒子数目，将所有粒子的折叠因子都改为占比最大的折叠因子的值，消除镜像目标的影响。

[0248] 本发明具有以下优点：

[0249] 1、本发明采用相参和非相参结合的混合积累方法，在相参环节，采用Keystone变换和MFP技术，来实现多个高速高机动目标距离走动和模糊速度的补偿；在非相参环节，采用PHD滤波的方法，将检测前跟踪方法应用到混合积累的过程中，实现了多个高速高机动目标的联合检测和跟踪。

[0250] 2、相比于相参算法和非相参算法，本发明采用混合积累的方法，在尽量不损失积累性能的同时降低了运算量，达到了性能和效率的有效平衡。同时，在多目标场景下也有优异的表现。

[0251] 3、相比于传统的PHD滤波方法，本发明提出基于幅度的自适应新生方法来提高粒子的利用效率，再提出线扩散观测模型以匹配加速度目标，极大提升了PHD的性能。

[0252] 本发明实施例的另一方面还提供了一种基于PHD滤波的多高速高机动目标混合积累系统，包括：

[0253] 第一模块，用于获取雷达采集信号并进行预处理；

[0254] 第二模块，用于对预处理后的第一数据进行Keystone变换处理，得到第二数据，以对预处理后的第一数据进行慢时间的尺度变化，改变慢时间采样点之间的间隔；

[0255] 第三模块，用于根据MFP技术，对所述第二数据的模糊速度进行补偿处理，得到第三数据，以确定大速度范围的RD平面；

[0256] 第四模块，用于根据所述第三数据，进行PHD检测前跟踪，完成多目标混合积累。

[0257] 可以理解的是，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

[0258] 本发明实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述基于PHD滤波的多高速高机动目标混合积累方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

[0259] 可以理解的是，上述方法实施例中的内容均适用于本设备实施例中，本设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

[0260] 本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述基于PHD滤波的多高速高机动目标混合积累方法。

[0261] 可以理解的是，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

[0262] 存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0263] 本发明实施例描述的实施例是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。

[0264] 本领域技术人员可以理解的是，图中示出的技术方案并不构成对本发明实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

[0265] 以上所描述的装置实施例仅仅是示意性的，其中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，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。

[0266] 本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

[0267] 本发明的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0268] 应当理解，在本发明中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

[0269] 在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0270] 上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单元来实现本实施例方案的目的。

[0271] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0272] 集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read‑On ly Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

[0273] 以上参照附图说明了本发明实施例的优选实施例，并非因此局限本发明实施例的权利范围。本领域技术人员不脱离本发明实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本发明实施例的权利范围之内。

查看完整全部详细技术资料

当前第1页第1页第2页第3页