車(chē)輛檢查系統(tǒng)、車(chē)輛部位識(shí)別方法及系統(tǒng)與流程

本公開(kāi)涉及車(chē)輛識(shí)別以及車(chē)輛安全檢查技術(shù)領(lǐng)域，具體而言，涉及一種車(chē)輛部位識(shí)別方法、車(chē)輛部位識(shí)別系統(tǒng)以及應(yīng)用該車(chē)輛部位識(shí)別系統(tǒng)的車(chē)輛檢查系統(tǒng)。

背景技術(shù)：

隨著人民生活水平的不斷提高，汽車(chē)等車(chē)輛的總擁有量也開(kāi)始迅猛增長(zhǎng)。人們對(duì)車(chē)輛管理的要求也越來(lái)越高，各停車(chē)場(chǎng)、公路收費(fèi)站、機(jī)關(guān)單位、小區(qū)等的車(chē)輛出入口都需要根據(jù)具體的需求對(duì)車(chē)輛的某一部位進(jìn)行識(shí)別。

舉例而言，在車(chē)輛安全檢查領(lǐng)域，需要對(duì)集裝箱卡車(chē)和各種貨車(chē)在不停車(chē)的情況下進(jìn)行檢查，這樣可以大大提高安全檢查效率。在這種情況下就要求駕駛員開(kāi)車(chē)通過(guò)射線(xiàn)照射區(qū)域，而由于加速器或放射源的能量及劑量通常很高，對(duì)駕駛員會(huì)造成很大傷害，因此如何準(zhǔn)確的識(shí)別駕駛員所在的駕駛室(車(chē)頭部分)，從而控制射線(xiàn)源對(duì)駕駛室不進(jìn)行照射或低劑量地進(jìn)行照射就顯得尤為重要。

目前常用的方法是通過(guò)圖像數(shù)據(jù)采集設(shè)備采集待檢車(chē)輛的全部或者大部分的車(chē)體圖像，基于采集到的車(chē)體圖形并結(jié)合根據(jù)經(jīng)驗(yàn)值及分析得到的規(guī)律判斷車(chē)體圖像中的信息，進(jìn)而對(duì)車(chē)頭和車(chē)身進(jìn)行分離?；趯?duì)待檢車(chē)輛的車(chē)體圖像中的車(chē)頭和車(chē)身的分離結(jié)果判斷待檢車(chē)輛的車(chē)頭通過(guò)射線(xiàn)照射區(qū)域后，對(duì)車(chē)頭后面的車(chē)廂進(jìn)行照射。

在上述方式中，一方面，需要采集待檢車(chē)輛的全部或者大部分車(chē)體圖像才能識(shí)別車(chē)頭位置，降低了車(chē)頭位置識(shí)別的速度，進(jìn)而降低了車(chē)輛安全檢查的速度，同時(shí)增加了識(shí)別成本；另一方面，通過(guò)經(jīng)驗(yàn)值及分析得到的規(guī)律判斷車(chē)體圖像中車(chē)頭的位置，只能識(shí)別出部分特定車(chē)輛的車(chē)頭位置，在識(shí)別其他車(chē)輛的車(chē)頭位置時(shí)，會(huì)出現(xiàn)識(shí)別速度慢或者出現(xiàn)誤判的情況，降低了車(chē)頭位置識(shí)別的效率，同時(shí)若出現(xiàn)誤判會(huì)給駕駛員的安全造成極大的隱患。

需要說(shuō)明的是，上述背景技術(shù)部分公開(kāi)的信息僅用于加強(qiáng)對(duì)本公開(kāi)的背景的理解，因此可以包括不構(gòu)成對(duì)本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實(shí)現(xiàn)要素：

本公開(kāi)的目的在于提供一種車(chē)輛部位識(shí)別方法、車(chē)輛部位識(shí)別系統(tǒng)以及應(yīng)用該車(chē)輛部位識(shí)別系統(tǒng)的車(chē)輛檢查系統(tǒng)，進(jìn)而至少在一定程度上克服由于相關(guān)技術(shù)的限制和缺陷而導(dǎo)致的一個(gè)或者多個(gè)問(wèn)題。

根據(jù)本公開(kāi)的一個(gè)方面，提供一種車(chē)輛部位識(shí)別方法，包括：

對(duì)待識(shí)別車(chē)輛進(jìn)行車(chē)體圖像采集以獲取所述待識(shí)別車(chē)輛的車(chē)體圖像序列；

利用一通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型基于所述車(chē)體圖像序列進(jìn)行車(chē)體重構(gòu)，以獲取所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像；

基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別所述待識(shí)別車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取所述預(yù)設(shè)部位的位置。

在本公開(kāi)的一種示例性實(shí)施例中，所述方法還包括：

基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像判斷所述待識(shí)別車(chē)輛的類(lèi)型；

其中，在判斷所述待識(shí)別車(chē)輛的類(lèi)型屬于預(yù)設(shè)類(lèi)型后，基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別所述待識(shí)別車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取所述預(yù)設(shè)部位的位置。

在本公開(kāi)的一種示例性實(shí)施例中，還包括通過(guò)深度學(xué)習(xí)算法生成所述第一車(chē)體重構(gòu)模型，包括：

獲取多個(gè)被標(biāo)識(shí)出所述預(yù)設(shè)部位的第一樣本車(chē)體圖像；

獲取多個(gè)待標(biāo)識(shí)出所述預(yù)設(shè)部位的第二樣本車(chē)體圖像；

通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù)；

將所述第一樣本車(chē)體圖像輸入所述第二車(chē)體重構(gòu)模型以對(duì)所述第一參數(shù)進(jìn)行校正以得到所述第一車(chē)體重構(gòu)模型。

在本公開(kāi)的一種示例性實(shí)施例中，所述通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù)，包括：

對(duì)一受限玻爾茲曼機(jī)模型中的所述第一參數(shù)進(jìn)行初始化，并設(shè)定所述受限玻爾茲曼機(jī)模型的訓(xùn)練周期、學(xué)習(xí)率以及一訓(xùn)練算法的參數(shù)k；

在所述訓(xùn)練周期內(nèi)，調(diào)用所述訓(xùn)練算法并結(jié)合所述學(xué)習(xí)率以及參數(shù)k，向受限玻爾茲曼機(jī)模型輸入所述第二樣本車(chē)體圖像進(jìn)行k次訓(xùn)練，得到所述第一參數(shù)的增量；

根據(jù)所述第一參數(shù)的增量對(duì)所述第一參數(shù)進(jìn)行更新，并基于所述受限玻爾茲曼機(jī)模型以及更新后的所述第一參數(shù)得到所述第二車(chē)體重構(gòu)模型。

在本公開(kāi)的一種示例性實(shí)施例中，所述通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù),包括：

設(shè)定一循環(huán)神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練周期、運(yùn)行時(shí)間；

在所述運(yùn)行時(shí)間為t時(shí)刻時(shí)，判斷所述訓(xùn)練周期是否結(jié)束；

在判斷所述訓(xùn)練周期未結(jié)束時(shí)，向所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型輸入所述第二樣本車(chē)體圖像得到第n輸出，基于所述第n輸出對(duì)所述分界標(biāo)識(shí)進(jìn)行第n次識(shí)別，并基于所述分界標(biāo)識(shí)的第n次識(shí)別對(duì)第n-1次調(diào)整后的所述第一參數(shù)進(jìn)行第n次調(diào)整；

在判斷所述訓(xùn)練周期結(jié)束時(shí)，基于第n-1次調(diào)整后的所述第一參數(shù)，得到所述第二車(chē)體重構(gòu)模型。

在本公開(kāi)的一種示例性實(shí)施例中，在所述利用一通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型基于所述車(chē)體圖像序列進(jìn)行車(chē)體重構(gòu)之前還包括：

將采集到的所述待識(shí)別車(chē)輛的車(chē)體圖像的分辨率縮放到一預(yù)設(shè)分辨率，并對(duì)縮放后的所述待識(shí)別車(chē)輛的車(chē)體圖像進(jìn)行灰度拉伸，得到所述待識(shí)別車(chē)輛的車(chē)體圖像的歸一化圖像；

采用固定的閾值對(duì)所述歸一化圖像進(jìn)行分割，所述歸一化圖像中大于所述閾值的像素作為車(chē)體，所述歸一化圖像中小于或者等于所述閾值的像素作為背景。

在本公開(kāi)的一種示例性實(shí)施例中，所述對(duì)待識(shí)別車(chē)輛進(jìn)行車(chē)體圖像采集包括：

判斷是否已經(jīng)獲取所述預(yù)設(shè)部位的位置；

在判斷尚未獲取所述預(yù)設(shè)部位的位置時(shí)，將當(dāng)前時(shí)刻以及當(dāng)前時(shí)刻之前采集的所述車(chē)體圖像輸入到所述第一車(chē)體重構(gòu)模型中。

在本公開(kāi)的一種示例性實(shí)施例中，所述待識(shí)別車(chē)輛的預(yù)設(shè)部位為車(chē)頭。

根據(jù)本公開(kāi)的一個(gè)方面，提供一種車(chē)輛部位識(shí)別系統(tǒng)，包括：

圖像采集模塊，用于對(duì)待識(shí)別車(chē)輛進(jìn)行車(chē)體圖像采集以獲取所述待識(shí)別車(chē)輛的車(chē)體圖像序列；

圖像重構(gòu)模塊，用于利用一通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型基于所述車(chē)體圖像序列進(jìn)行車(chē)體重構(gòu)，以獲取所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像；

第一識(shí)別模塊，用于基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別所述待識(shí)別車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取所述預(yù)設(shè)部位的位置。

在本公開(kāi)的一種示例性實(shí)施例中，所述系統(tǒng)還包括：

第一判斷模塊，用于基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像判斷所述待識(shí)別車(chē)輛的類(lèi)型；

所述第一識(shí)別模塊用于在判斷所述待識(shí)別車(chē)輛的類(lèi)型屬于預(yù)設(shè)類(lèi)型后，基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別所述待識(shí)別車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取所述預(yù)設(shè)部位的位置。

在本公開(kāi)的一種示例性實(shí)施例中，還包括一第一車(chē)體重構(gòu)模塊，包括：

第一獲取單元，用于獲取多個(gè)被標(biāo)識(shí)出所述預(yù)設(shè)部位的第一樣本車(chē)體圖像；

第二獲取單元，用于獲取多個(gè)待標(biāo)識(shí)出所述預(yù)設(shè)部位的第二樣本車(chē)體圖像；

參數(shù)確定單元，用于通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù)；

車(chē)體重構(gòu)單元，用于將所述第一樣本車(chē)體圖像輸入所述第二車(chē)體重構(gòu)模型以對(duì)所述第一參數(shù)進(jìn)行校正以得到所述第一車(chē)體重構(gòu)模型。

在本公開(kāi)的一種示例性實(shí)施例中，所述通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù)包括：

對(duì)一受限玻爾茲曼機(jī)模型中的所述第一參數(shù)進(jìn)行初始化，并設(shè)定所述受限玻爾茲曼機(jī)模型的訓(xùn)練周期、學(xué)習(xí)率以及一訓(xùn)練算法的參數(shù)k；

在所述訓(xùn)練周期內(nèi)，調(diào)用所述訓(xùn)練算法并結(jié)合所述學(xué)習(xí)率以及參數(shù)k，向受限玻爾茲曼機(jī)模型輸入所述第二樣本車(chē)體圖像進(jìn)行k次訓(xùn)練，得到所述第一參數(shù)的增量；

根據(jù)所述第一參數(shù)的增量對(duì)所述第一參數(shù)進(jìn)行更新，并基于所述受限玻爾茲曼機(jī)模型以及更新后的所述第一參數(shù)得到所述第二車(chē)體重構(gòu)模型。

在本公開(kāi)的一種示例性實(shí)施例中，所述通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù),包括：

設(shè)定一循環(huán)神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練周期、運(yùn)行時(shí)間；

在所述運(yùn)行時(shí)間為t時(shí)刻時(shí)，判斷所述訓(xùn)練周期是否結(jié)束；

在判斷所述訓(xùn)練周期未結(jié)束時(shí)，向所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型輸入所述第二樣本車(chē)體圖像得到第n輸出，基于所述第n輸出對(duì)所述分界標(biāo)識(shí)進(jìn)行第n次識(shí)別，并基于所述分界標(biāo)識(shí)的第n次識(shí)別對(duì)第n-1次調(diào)整后的所述第一參數(shù)進(jìn)行第n次調(diào)整；

在判斷所述訓(xùn)練周期結(jié)束時(shí)，基于第n-1次調(diào)整后的所述第一參數(shù)，得到所述第二車(chē)體重構(gòu)模型。

在本公開(kāi)的一種示例性實(shí)施例中，在所述圖像重構(gòu)模塊之前還包括：

圖像歸一化模塊，用于將采集到的所述待識(shí)別車(chē)輛的車(chē)體圖像的分辨率縮放到一預(yù)設(shè)分辨率，并對(duì)縮放后的所述待識(shí)別車(chē)輛的車(chē)體圖像進(jìn)行灰度拉伸，得到所述待識(shí)別車(chē)輛的車(chē)體圖像的歸一化圖像；

閾值分割模塊，用于采用固定的閾值對(duì)所述歸一化圖像進(jìn)行分割，所述歸一化圖像中大于所述閾值的像素作為車(chē)體，所述歸一化圖像中小于或者等于所述閾值的像素作為背景。

在本公開(kāi)的一種示例性實(shí)施例中，所述圖像采集模塊包括：

第二判斷單元，用于判斷是否已經(jīng)獲取所述預(yù)設(shè)部位的位置；

圖像輸入單元，用于在判斷尚未獲取所述預(yù)設(shè)部位的位置時(shí)，將當(dāng)前時(shí)刻以及當(dāng)前時(shí)刻之前采集的所述車(chē)體圖像輸入到所述第一車(chē)體重構(gòu)模型中。

在本公開(kāi)的一種示例性實(shí)施例中，所述待識(shí)別車(chē)輛的預(yù)設(shè)部位為車(chē)頭。

根據(jù)本公開(kāi)的一個(gè)方面，提供一種車(chē)輛檢查系統(tǒng)，該系統(tǒng)包括上述任意一項(xiàng)所述的車(chē)輛部位識(shí)別系統(tǒng)。

本公開(kāi)一種示例性實(shí)施例提供的車(chē)輛部位識(shí)別方法、車(chē)輛部位識(shí)別系統(tǒng)以及應(yīng)用該車(chē)輛部位識(shí)別系統(tǒng)的車(chē)輛檢查系統(tǒng)，利用一通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型基于所述車(chē)體圖像序列進(jìn)行車(chē)體重構(gòu)，以獲取所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像，并基于待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別待識(shí)別車(chē)輛的分界標(biāo)識(shí)，進(jìn)而獲取所述預(yù)設(shè)部位的位置。通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型即可對(duì)各種車(chē)型的待識(shí)別車(chē)輛的車(chē)體圖像進(jìn)行重構(gòu)，并基于車(chē)體重構(gòu)圖像對(duì)分界標(biāo)識(shí)進(jìn)行識(shí)別，不會(huì)出現(xiàn)上述背景技術(shù)中基于規(guī)律只能對(duì)特定的車(chē)輛進(jìn)行識(shí)別的情況，增加了分界標(biāo)識(shí)識(shí)別的準(zhǔn)確率，加快了識(shí)別速度，進(jìn)而，在很大程度上排除了安全隱患。

附圖說(shuō)明

通過(guò)參照附圖來(lái)詳細(xì)描述其示例實(shí)施例，本公開(kāi)的上述和其它特征及優(yōu)點(diǎn)將變得更加明顯。顯而易見(jiàn)地，下面描述中的附圖僅僅是本公開(kāi)的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。在附圖中：

圖1為本公開(kāi)一種車(chē)輛部位識(shí)別方法的流程圖。

圖2為本公開(kāi)一車(chē)體重構(gòu)圖像中分界標(biāo)識(shí)的示意圖。

圖3為本公開(kāi)一種車(chē)輛部位識(shí)別系統(tǒng)的框圖。

具體實(shí)施方式

現(xiàn)在將參考附圖更全面地描述示例實(shí)施例。然而，示例實(shí)施例能夠以多種形式實(shí)施，且不應(yīng)被理解為限于在此闡述的實(shí)施例；相反，提供這些實(shí)施例使得本公開(kāi)將全面和完整，并將示例實(shí)施例的構(gòu)思全面地傳達(dá)給本領(lǐng)域的技術(shù)人員。在圖中相同的附圖標(biāo)記表示相同或類(lèi)似的部分，因而將省略對(duì)它們的重復(fù)描述。

此外，所描述的特征、結(jié)構(gòu)或特性可以以任何合適的方式結(jié)合在一個(gè)或更多實(shí)施例中。在下面的描述中，提供許多具體細(xì)節(jié)從而給出對(duì)本公開(kāi)的實(shí)施例的充分理解。然而，本領(lǐng)域技術(shù)人員將意識(shí)到，可以實(shí)踐本公開(kāi)的技術(shù)方案而沒(méi)有所述特定細(xì)節(jié)中的一個(gè)或更多，或者可以采用其它的方法、組元、材料、裝置、步驟等。在其它情況下，不詳細(xì)示出或描述公知結(jié)構(gòu)、方法、裝置、實(shí)現(xiàn)、材料或者操作以避免模糊本公開(kāi)的各方面。

附圖中所示的方框圖僅僅是功能實(shí)體，不一定必須與物理上獨(dú)立的實(shí)體相對(duì)應(yīng)。即，可以采用軟件形式來(lái)實(shí)現(xiàn)這些功能實(shí)體，或在一個(gè)或多個(gè)軟件硬化的模塊中實(shí)現(xiàn)這些功能實(shí)體或功能實(shí)體的一部分，或在不同網(wǎng)絡(luò)和/或處理器裝置和/或微控制器裝置中實(shí)現(xiàn)這些功能實(shí)體。

本示例性實(shí)施例中首先公開(kāi)了一種車(chē)輛部位識(shí)別方法，參考圖1所示，該車(chē)輛部位識(shí)別方法可以包括：

步驟S110.對(duì)待識(shí)別車(chē)輛進(jìn)行車(chē)體圖像采集以獲取所述待識(shí)別車(chē)輛的車(chē)體圖像序列；

步驟S120.利用一通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型基于所述車(chē)體圖像序列進(jìn)行車(chē)體重構(gòu)，以獲取所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像；

步驟S130.基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別所述待識(shí)別車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取所述預(yù)設(shè)部位的位置。

通過(guò)本示例性實(shí)施例中的車(chē)輛部位識(shí)別方法，僅僅通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型即可對(duì)各種車(chē)型的待識(shí)別車(chē)輛的車(chē)體圖像進(jìn)行重構(gòu)，并基于車(chē)體重構(gòu)圖像對(duì)分界標(biāo)識(shí)進(jìn)行識(shí)別，不會(huì)出現(xiàn)上述背景技術(shù)中基于規(guī)律只能對(duì)特定的車(chē)輛進(jìn)行識(shí)別的情況，增加了分界標(biāo)識(shí)識(shí)別的準(zhǔn)確率，加快了識(shí)別速度，進(jìn)而，在很大程度上排除了安全隱患。

下面，將對(duì)本示例性實(shí)施例中的車(chē)輛部位識(shí)別方法中的各步驟作進(jìn)一步的說(shuō)明。

在步驟S110中，對(duì)待識(shí)別車(chē)輛進(jìn)行車(chē)體圖像采集以獲取所述待識(shí)別車(chē)輛的車(chē)體圖像序列。

在本示例實(shí)施例中，待識(shí)別車(chē)輛可以為帶車(chē)廂的貨車(chē)、不帶車(chē)廂的貨車(chē)、集裝箱卡車(chē)和客車(chē)等機(jī)動(dòng)車(chē)輛。當(dāng)待識(shí)別車(chē)輛進(jìn)入需要識(shí)別的地點(diǎn)時(shí)，可以通過(guò)攝像裝置采集待識(shí)別車(chē)輛的車(chē)體圖像，進(jìn)而獲得車(chē)體圖像序列。需要說(shuō)明的是，所述車(chē)體圖像可以為待識(shí)別車(chē)輛側(cè)面的圖像，也可以是待識(shí)別車(chē)輛的正面的圖像，本示例性實(shí)施例對(duì)此不作特殊限定。

進(jìn)一步的，在步驟S120之前還可以包括：將采集到的所述待識(shí)別車(chē)輛的車(chē)體圖像的分辨率縮放到一預(yù)設(shè)分辨率，并對(duì)縮放后的所述待識(shí)別車(chē)輛的車(chē)體圖像進(jìn)行灰度拉伸，得到所述待識(shí)別車(chē)輛的車(chē)體圖像的歸一化圖像；采用固定的閾值對(duì)所述歸一化圖像進(jìn)行分割，所述歸一化圖像中大于閾值的像素作為車(chē)體，所述歸一化圖像中小于或者等于閾值的像素作為背景。舉例說(shuō)明，首先可以將采集到的圖像的分辨率縮放到5mm/像素，然后對(duì)縮放后的圖像進(jìn)行灰度拉伸，得到歸一化的圖像。由于歸一化的圖像可能包括一些噪音，這時(shí)可以采用中值濾波的方法對(duì)歸一化圖像進(jìn)行降噪處理。例如，可以采用固定的閾值a對(duì)歸一化圖像進(jìn)行閾值分割，歸一化圖像中大于閾值a的像素作為車(chē)體，歸一化圖像中小于或者等于閾值a的像素作為背景。通過(guò)對(duì)獲取到的車(chē)體圖像進(jìn)行歸一化和降噪處理，可以使圖像適用于深度學(xué)習(xí)算法。

再進(jìn)一步的，所述對(duì)待識(shí)別車(chē)輛進(jìn)行車(chē)體圖像采集可以包括：首先，判斷是否已經(jīng)獲取所述預(yù)設(shè)部位的位置。然后，在判斷尚未獲取所述預(yù)設(shè)部位的位置時(shí)，將當(dāng)前時(shí)刻以及當(dāng)前時(shí)刻之前采集的所述車(chē)體圖像輸入到所述第一車(chē)體重構(gòu)模型中，即執(zhí)行步驟S120。舉例而言，系統(tǒng)判斷是否已經(jīng)獲取到所述待識(shí)別車(chē)輛的所述預(yù)設(shè)部位的位置，在判斷尚未獲取到上述預(yù)設(shè)部位的位置，將當(dāng)前時(shí)刻以及當(dāng)前時(shí)刻之前采集到的車(chē)體圖像輸入到所述第一車(chē)體重構(gòu)模型中，對(duì)待識(shí)別車(chē)輛的車(chē)體圖像進(jìn)行重構(gòu)。在判斷已經(jīng)獲取到上述預(yù)設(shè)部位的位置時(shí)，即刻停止采集待識(shí)別車(chē)輛的車(chē)體圖像。由上可知，在獲取到所述待識(shí)別車(chē)輛的預(yù)設(shè)部位的位置時(shí)，即刻停止對(duì)待識(shí)別車(chē)輛的車(chē)體圖像采集。不再需要采集待識(shí)別車(chē)輛的全部車(chē)體圖像或者大部分車(chē)體圖像，即可完成待識(shí)別車(chē)輛的分界標(biāo)識(shí)的識(shí)別，提高了分界標(biāo)識(shí)的識(shí)別速度，進(jìn)一步的提高了車(chē)輛安全檢查的速度，同時(shí)降低了識(shí)別成本。

在另一示例性實(shí)施例中，所述待識(shí)別車(chē)輛的預(yù)設(shè)部位為車(chē)頭。舉例而言，在車(chē)輛檢查系統(tǒng)中，首先，通過(guò)對(duì)待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像中的分界標(biāo)識(shí)進(jìn)行識(shí)別，獲取車(chē)頭位置。然后，在車(chē)輛進(jìn)入安全檢查區(qū)域時(shí)，根據(jù)獲取到的車(chē)頭位置，可以避開(kāi)車(chē)頭，只對(duì)車(chē)廂進(jìn)行射線(xiàn)照射，進(jìn)而完成車(chē)輛的安全檢查。

在步驟S120中，利用一通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型基于所述車(chē)體圖像序列進(jìn)行車(chē)體重構(gòu)，以獲取所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像。

在本示例實(shí)施例中，將所述待識(shí)別車(chē)輛的車(chē)體圖像序列輸入到所述通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型中，用以獲取待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像。僅僅通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型即可對(duì)各種車(chē)型的待識(shí)別車(chē)輛的車(chē)體圖像進(jìn)行重構(gòu)，并基于車(chē)圖重構(gòu)圖像對(duì)分界標(biāo)識(shí)進(jìn)行識(shí)別，不會(huì)出現(xiàn)上述背景技術(shù)中基于規(guī)律只能對(duì)特定的車(chē)輛進(jìn)行識(shí)別的情況，增加了分界標(biāo)識(shí)識(shí)別的準(zhǔn)確率，加快了識(shí)別速度，進(jìn)而，在很大程度上排除了安全隱患。

進(jìn)一步的，通過(guò)深度學(xué)習(xí)算法生成所述第一車(chē)體重構(gòu)模型可以包括：獲取多個(gè)被標(biāo)識(shí)出所述預(yù)設(shè)部位的第一樣本車(chē)體圖像；獲取多個(gè)待標(biāo)識(shí)出所述預(yù)設(shè)部位的第二樣本車(chē)體圖像；通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù)；將所述第一樣本車(chē)體圖像輸入所述第二車(chē)體重構(gòu)模型以對(duì)所述第一參數(shù)進(jìn)行校正以得到所述第一車(chē)體重構(gòu)模型。舉例說(shuō)明，設(shè)第一樣本車(chē)體圖像為測(cè)試樣本，第二樣本車(chē)體圖像為訓(xùn)練樣本，先通過(guò)預(yù)設(shè)深度學(xué)習(xí)算法對(duì)訓(xùn)練樣本中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定第二車(chē)體重構(gòu)模型的第一參數(shù)，然后將測(cè)試樣本輸入到第二車(chē)體重構(gòu)模型中，對(duì)所述第一參數(shù)進(jìn)行校正，進(jìn)而得到所述第一車(chē)體重構(gòu)圖像。

再進(jìn)一步的，所述通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù)可以通過(guò)以下方式實(shí)現(xiàn)：

例如，首先，對(duì)一受限玻爾茲曼機(jī)模型中的所述第一參數(shù)進(jìn)行初始化，并設(shè)定所述受限玻爾茲曼機(jī)模型的訓(xùn)練周期、學(xué)習(xí)率以及一訓(xùn)練算法的參數(shù)k。然后，在所述訓(xùn)練周期內(nèi)，調(diào)用所述訓(xùn)練算法并結(jié)合所述學(xué)習(xí)率以及參數(shù)k，向受限玻爾茲曼機(jī)模型輸入所述第二樣本車(chē)體圖像進(jìn)行k次訓(xùn)練，得到所述第一參數(shù)的增量。再然后，根據(jù)所述第一參數(shù)的增量對(duì)所述第一參數(shù)進(jìn)行更新，并基于所述受限玻爾茲曼機(jī)模型以及更新后的所述第一參數(shù)得到所述第二車(chē)體重構(gòu)模型。舉例而言，首先，設(shè)第一參數(shù)為a、b、W，第二樣本車(chē)體圖像為訓(xùn)練樣本，并對(duì)第一參數(shù)為a、b、W進(jìn)行初始化操作，設(shè)定訓(xùn)練周期J，學(xué)習(xí)率η，訓(xùn)練算法的參數(shù)k，其中所述訓(xùn)練算法為CD-k算法。然后，在訓(xùn)練周期J內(nèi)，調(diào)用CD-k算法并結(jié)合學(xué)習(xí)率η以及參數(shù)k，同時(shí)向受限玻爾茲曼機(jī)模型輸入訓(xùn)練樣本進(jìn)行k次訓(xùn)練，得到初始化的第一參數(shù)的增量△a、△b、△W。再然后，基于初始化的第一參數(shù)的增量△a、△b、△W對(duì)初始化的第一參數(shù)a、b、W進(jìn)行更新。其中，最后，基于所述受限玻爾茲曼機(jī)模型以及更新后的所述第一參數(shù)a、b、W得到所述第二車(chē)體重構(gòu)模型。

再例如，首先，設(shè)定一循環(huán)神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練周期、運(yùn)行時(shí)間。然后，在所述運(yùn)行時(shí)間為t時(shí)刻時(shí)，判斷所述訓(xùn)練周期是否結(jié)束。在判斷所述訓(xùn)練周期未結(jié)束時(shí)，向所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型中輸入所述第二樣本車(chē)體圖像得到第n輸出，基于所述第n輸出對(duì)所述分界標(biāo)識(shí)進(jìn)行第n次識(shí)別，并基于所述分界標(biāo)識(shí)的第n次識(shí)別對(duì)第n-1次調(diào)整后的所述第一參數(shù)進(jìn)行第n次調(diào)整。在判斷所述訓(xùn)練周期結(jié)束時(shí)，基于第n-1次調(diào)整后的所述第一參數(shù)，得到所述第二車(chē)體重構(gòu)模型。舉例而言，先設(shè)定循環(huán)神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練周期及運(yùn)行時(shí)間。然后，在運(yùn)行時(shí)間t＝2時(shí)刻，并判斷運(yùn)行周期未結(jié)束時(shí)，向所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型中輸入第二樣本車(chē)體圖像得到一第2輸出，基于所述第2輸出對(duì)所述分界標(biāo)識(shí)進(jìn)行第2次識(shí)別，并基于所述分界標(biāo)識(shí)的第2次識(shí)別對(duì)第1次調(diào)整后的所述第一參數(shù)進(jìn)行第2次調(diào)整，得到第2次調(diào)整后的所述第一參數(shù)。依次進(jìn)行上述過(guò)程，直至運(yùn)行周期結(jié)束，即可得到第二車(chē)體重構(gòu)模型。在運(yùn)行時(shí)間t＝2時(shí)刻，并判斷運(yùn)行周期結(jié)束時(shí)，基于第1次調(diào)整后的所述第一參數(shù)，得到所述第二車(chē)體重構(gòu)模型。

再進(jìn)一步的，在獲取到所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖象之后，還可以包括：基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像判斷所述待識(shí)別車(chē)輛的類(lèi)型；其中，在判斷所述待識(shí)別車(chē)輛的類(lèi)型屬于預(yù)設(shè)類(lèi)型后，基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別所述待識(shí)別車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取所述預(yù)設(shè)部位的位置。在本示例性實(shí)施例中，所述待識(shí)別車(chē)輛的類(lèi)型可以包括客車(chē)、貨車(chē)、卡車(chē)，但本示例性實(shí)施例中的車(chē)輛類(lèi)型不限于此。上述預(yù)設(shè)類(lèi)型可以為貨車(chē)，也可以為客車(chē)，具體的預(yù)設(shè)類(lèi)型可以根據(jù)應(yīng)用場(chǎng)景進(jìn)行設(shè)定。舉例說(shuō)明，假設(shè)預(yù)設(shè)類(lèi)型為貨車(chē)，在車(chē)輛進(jìn)入到識(shí)別區(qū)域時(shí)，根據(jù)該車(chē)輛的車(chē)體重構(gòu)圖像判斷出該車(chē)輛的類(lèi)型。并且在判斷該車(chē)輛的類(lèi)型為貨車(chē)時(shí)，才根據(jù)該車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別該車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取預(yù)設(shè)部位的位置。通過(guò)對(duì)待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像的判斷，實(shí)現(xiàn)了對(duì)待識(shí)別車(chē)輛的類(lèi)型的判斷。

步驟S130中，基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別所述待識(shí)別車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取所述預(yù)設(shè)部位的位置。

在本示例性實(shí)施例中，系統(tǒng)會(huì)在待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像中識(shí)別分界標(biāo)識(shí)，進(jìn)而獲取預(yù)設(shè)部位的位置。其中，所述預(yù)設(shè)部位可以根據(jù)應(yīng)用場(chǎng)景自由設(shè)定。例如，在小區(qū)入口處，預(yù)設(shè)部位可以是車(chē)牌；在安全檢查中，預(yù)設(shè)部位可以是車(chē)頭。本示例性實(shí)施例對(duì)此不作特殊限定。分界標(biāo)識(shí)是指用于區(qū)分預(yù)設(shè)部位與其他部位的圖標(biāo)，如圖2所示，分界標(biāo)識(shí)為圖中待識(shí)別車(chē)輛上方的小長(zhǎng)方形，但在本示例性實(shí)施例中，分界標(biāo)識(shí)的表現(xiàn)方式不限于此。

此外，上述附圖僅是根據(jù)本發(fā)明示例性實(shí)施例的方法所包括的處理的示意性說(shuō)明，而不是限制目的。易于理解，上述附圖所示的處理并不表明或限制這些處理的時(shí)間順序。另外，也易于理解，這些處理可以是例如在多個(gè)模塊中同步或異步執(zhí)行的。

在本公開(kāi)的示例性實(shí)施例中，還提供了一種車(chē)輛部位識(shí)別系統(tǒng)，參照?qǐng)D3所示，該車(chē)輛部位識(shí)別系統(tǒng)300可以包括：圖像采集模塊301、圖像重構(gòu)模塊302、第一識(shí)別模塊303。其中：

圖像采集模塊301可以用于對(duì)待識(shí)別車(chē)輛進(jìn)行車(chē)體圖像采集以獲取所述待識(shí)別車(chē)輛的車(chē)體圖像序列；

圖像重構(gòu)模塊302可以用于利用一通過(guò)深度學(xué)習(xí)算法生成的第一車(chē)體重構(gòu)模型基于所述車(chē)體圖像序列進(jìn)行車(chē)體重構(gòu)，以獲取所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像；

第一識(shí)別模塊303可以用于基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別所述待識(shí)別車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取所述預(yù)設(shè)部位的位置。

本公開(kāi)的一種示例性實(shí)施例中，所述系統(tǒng)還可以包括：

第一判斷模塊可以用于基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像判斷所述待識(shí)別車(chē)輛的類(lèi)型；

所述第一識(shí)別模塊可以用于在判斷所述待識(shí)別車(chē)輛的類(lèi)型屬于預(yù)設(shè)類(lèi)型后，基于所述待識(shí)別車(chē)輛的車(chē)體重構(gòu)圖像識(shí)別所述待識(shí)別車(chē)輛的預(yù)設(shè)部位與其他部位之間的分界標(biāo)識(shí)以獲取所述預(yù)設(shè)部位的位置。

本公開(kāi)的一種示例性實(shí)施例中，還可以包括一第一車(chē)體重構(gòu)模塊，包括：

第一獲取單元可以用于獲取多個(gè)被標(biāo)識(shí)出所述預(yù)設(shè)部位的第一樣本車(chē)體圖像；

第二獲取單元可以用于獲取多個(gè)待標(biāo)識(shí)出所述預(yù)設(shè)部位的第二樣本車(chē)體圖像；

參數(shù)確定單元可以用于通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù)；

車(chē)體重構(gòu)單元可以用于將所述第一樣本車(chē)體圖像輸入所述第二車(chē)體重構(gòu)模型以對(duì)所述第一參數(shù)進(jìn)行校正以得到所述第一車(chē)體重構(gòu)模型。

本公開(kāi)的一種示例性實(shí)施例中，所述通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù)，可以包括：

對(duì)一受限玻爾茲曼機(jī)模型中的所述第一參數(shù)進(jìn)行初始化，并設(shè)定所述受限玻爾茲曼機(jī)模型的訓(xùn)練周期、學(xué)習(xí)率以及一訓(xùn)練算法的參數(shù)k；

在所述訓(xùn)練周期內(nèi)，調(diào)用所述訓(xùn)練算法并結(jié)合所述學(xué)習(xí)率以及參數(shù)k，向受限玻爾茲曼機(jī)模型輸入所述第二樣本車(chē)體圖像進(jìn)行k次訓(xùn)練，得到所述第一參數(shù)的增量；

根據(jù)所述第一參數(shù)的增量對(duì)所述第一參數(shù)進(jìn)行更新，并基于所述受限玻爾茲曼機(jī)模型以及更新后的所述第一參數(shù)得到所述第二車(chē)體重構(gòu)模型。

本公開(kāi)的一種示例性實(shí)施例中，所述通過(guò)一預(yù)設(shè)深度學(xué)習(xí)算法對(duì)所述第二樣本車(chē)體圖像中所述預(yù)設(shè)部位進(jìn)行識(shí)別以確定一第二車(chē)體重構(gòu)模型的第一參數(shù)，可以包括：

設(shè)定一循環(huán)神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練周期、運(yùn)行時(shí)間；

在所述運(yùn)行時(shí)間為t時(shí)刻時(shí)，判斷所述訓(xùn)練周期是否結(jié)束；

在判斷所述訓(xùn)練周期未結(jié)束時(shí)，向所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型輸入所述第二樣本車(chē)體圖像得到第n輸出，基于所述第n輸出對(duì)所述分界標(biāo)識(shí)進(jìn)行第n次識(shí)別，并基于所述分界標(biāo)識(shí)的第n次識(shí)別對(duì)第n-1次調(diào)整后的所述第一參數(shù)進(jìn)行第n次調(diào)整；

在判斷所述訓(xùn)練周期結(jié)束時(shí)，基于第n-1次調(diào)整后的所述第一參數(shù)，得到所述第二車(chē)體重構(gòu)模型。

本公開(kāi)的一種示例性實(shí)施例中，在所述圖像重構(gòu)模塊之前還可以包括：

圖像歸一化模塊可以用于將采集到的所述待識(shí)別車(chē)輛的車(chē)體圖像的分辨率縮放到一預(yù)設(shè)分辨率，并對(duì)縮放后的所述待識(shí)別車(chē)輛的車(chē)體圖像進(jìn)行灰度拉伸，得到所述待識(shí)別車(chē)輛的車(chē)體圖像的歸一化圖像；

閾值分割模塊可以用于采用固定的閾值對(duì)所述歸一化圖像進(jìn)行分割，所述歸一化圖像中大于所述閾值的像素作為車(chē)體，所述歸一化圖像中小于或者等于所述閾值的像素作為背景。

本公開(kāi)的一種示例性實(shí)施例中，所述圖像采集模塊可以包括：

第二判斷單元可以用于判斷是否已經(jīng)獲取所述預(yù)設(shè)部位的位置；

圖像輸入單元可以用于在判斷尚未獲取所述預(yù)設(shè)部位的位置時(shí)，將當(dāng)前時(shí)刻以及當(dāng)前時(shí)刻之前采集的所述車(chē)體圖像輸入到所述第一車(chē)體重構(gòu)模型中。

本公開(kāi)的一種示例性實(shí)施例中，所述待識(shí)別車(chē)輛的預(yù)設(shè)部位可以為車(chē)頭。

根據(jù)本公開(kāi)的一個(gè)方面，提供一種車(chē)輛檢查系統(tǒng)，該系統(tǒng)可以包括上述任意一項(xiàng)所述的車(chē)輛部位識(shí)別系統(tǒng)。

在本示例性實(shí)施例中，例如，上述車(chē)輛檢查系統(tǒng)可以包括車(chē)輛部位識(shí)別系統(tǒng)、控制系統(tǒng)以及輻射成像系統(tǒng)。其中，車(chē)輛部位識(shí)別系統(tǒng)可以用于識(shí)別出待檢查車(chē)輛的車(chē)頭位置?？刂葡到y(tǒng)可以用于根據(jù)待檢查車(chē)輛的車(chē)頭位置控制射線(xiàn)源發(fā)射射線(xiàn)照射待檢查車(chē)輛。輻射成像裝置可以包括用于發(fā)射射線(xiàn)的射線(xiàn)源和用于檢測(cè)透過(guò)所述待檢查車(chē)輛的射線(xiàn)和/或發(fā)生散射的射線(xiàn)的探測(cè)器，以及用于根據(jù)所述探測(cè)器檢測(cè)到的射線(xiàn)對(duì)待檢查車(chē)輛進(jìn)行成像。如上所述，在待檢查車(chē)輛進(jìn)入到車(chē)輛檢查區(qū)域時(shí)，首先，識(shí)別待檢查車(chē)輛的車(chē)頭位置。然后，控制系統(tǒng)可以根據(jù)待檢查車(chē)輛的車(chē)頭位置控制射線(xiàn)源發(fā)射射線(xiàn)照射待檢查車(chē)輛。在待檢查車(chē)輛的車(chē)頭進(jìn)入射線(xiàn)掃描區(qū)域時(shí)，控制系統(tǒng)控制射線(xiàn)源以低劑量掃描。在待檢查車(chē)輛的車(chē)廂進(jìn)入射線(xiàn)掃描區(qū)時(shí)，控制系統(tǒng)控制射線(xiàn)源以較高劑量掃描。最后，輻射成像系統(tǒng)根據(jù)探測(cè)器探測(cè)到的射線(xiàn)對(duì)待檢查車(chē)輛進(jìn)行成像，進(jìn)而完成對(duì)待檢查車(chē)輛的檢查。

上述中各車(chē)輛部位識(shí)別系統(tǒng)的具體細(xì)節(jié)已經(jīng)在對(duì)應(yīng)的車(chē)輛部位識(shí)別方法中進(jìn)行了詳細(xì)的描述，因此此處不再贅述。

應(yīng)當(dāng)注意，盡管在上文詳細(xì)描述中提及了用于動(dòng)作執(zhí)行的設(shè)備的若干模塊或者單元，但是這種劃分并非強(qiáng)制性的。實(shí)際上，根據(jù)本公開(kāi)的實(shí)施方式，上文描述的兩個(gè)或更多模塊或者單元的特征和功能可以在一個(gè)模塊或者單元中具體化。反之，上文描述的一個(gè)模塊或者單元的特征和功能可以進(jìn)一步劃分為由多個(gè)模塊或者單元來(lái)具體化。

通過(guò)以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員易于理解，這里描述的示例實(shí)施方式可以通過(guò)軟件實(shí)現(xiàn)，也可以通過(guò)軟件結(jié)合必要的硬件的方式來(lái)實(shí)現(xiàn)。因此，根據(jù)本發(fā)明實(shí)施方式的技術(shù)方案可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該軟件產(chǎn)品可以存儲(chǔ)在一個(gè)非易失性存儲(chǔ)介質(zhì)(可以是CD-ROM，U盤(pán)，移動(dòng)硬盤(pán)等)中或網(wǎng)絡(luò)上，包括若干指令以使得一臺(tái)計(jì)算設(shè)備(可以是個(gè)人計(jì)算機(jī)、服務(wù)器、電子設(shè)備、或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行根據(jù)本發(fā)明實(shí)施方式的方法。

本領(lǐng)域技術(shù)人員在考慮說(shuō)明書(shū)及實(shí)踐這里公開(kāi)的發(fā)明后，將容易想到本公開(kāi)的其它實(shí)施例。本申請(qǐng)旨在涵蓋本公開(kāi)的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本公開(kāi)的一般性原理并包括本公開(kāi)未公開(kāi)的本技術(shù)領(lǐng)域中的公知常識(shí)或慣用技術(shù)手段。說(shuō)明書(shū)和實(shí)施例僅被視為示例性的，本公開(kāi)的真正范圍和精神由權(quán)利要求指出。

應(yīng)當(dāng)理解的是，本公開(kāi)并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本公開(kāi)的范圍僅由所附的權(quán)利要求來(lái)限。