用于通过融合人类检测模态的结果来增强人类计数的系统和方法.pdf

《用于通过融合人类检测模态的结果来增强人类计数的系统和方法.pdf》由会员分享，可在线阅读，更多相关《用于通过融合人类检测模态的结果来增强人类计数的系统和方法.pdf（16页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 103975343 A (43)申请公布日 2014.08.06 CN 103975343 A (21)申请号 201280059660.6 (22)申请日 2012.11.07 3167/MUM/2011 2011.11.09 IN G06K 9/60(2006.01) (71)申请人 塔塔咨询服务有限公司 地址 印度马哈拉施特拉邦 (72)发明人 R古普塔 A辛哈 A帕尔 A查克拉瓦蒂 (74)专利代理机构 上海专利商标事务所有限公 司 31100 代理人 陈小刚 (54) 发明名称 用于通过融合人类检测模态的结果来增强人 类计数的系统和方法 (57) 摘要 本发。

2、明公开了一种用于增强在预定义区域中 捕捉的至少一个图像帧中的实时人类计数的准确 度的方法和系统。本发明通过使用至少一个人类 检测模态以获得所捕捉的图像的特征结果， 来检 测一个或多个帧中的人类。本发明还计算与每一 人类检测模态相关联的活动概率。通过使用融合 技术将特征结果和活动概率选择性地整合， 以增 强人类计数的准确度并选择最准确的人类检测模 态。随后基于对最准确的人类检测模态的选择来 执行人类。 (30)优先权数据 (85)PCT国际申请进入国家阶段日 2014.06.04 (86)PCT国际申请的申请数据 PCT/IN2012/000733 2012.11.07 (87)PCT国际申请的。

3、公布数据 WO2013/105108 EN 2013.07.18 (51)Int.Cl. 权利要求书 2 页 说明书 8 页 附图 5 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书8页 附图5页 (10)申请公布号 CN 103975343 A CN 103975343 A 1/2 页 2 1. 一种用于增强预定义观看区域中至少一个所捕捉的图像帧中的实时人类计数的准 确度的方法， 所述方法包括以下处理器实现的步骤 ： 通过使用至少一个人类检测模态以获得所捕捉的图像的特征结果， 来检测一个或多个 帧中的人类 ； 通过在各人类检测模态的所获得的特征结果之间。

4、切换并通过使用活动概率的预计算 的值来计算准确度概率， 所述活动概率适于确定每一帧中检测到的人数的方差 ； 以及 通过使用融合技术检测人类在所述预定义观看区域中的位置， 来选择性地整合所获得 的每一帧的特征结果和所述活动概率。 2. 如权利要求 1 所述的方法， 其特征在于， 所述方法还包括以下处理器实现的步骤 ： 通 过量化每一帧内每一人类检测模态的准确度概率并选择具有高于所整合的融合特征结果 的最大准确度概率的至少一个人类检测模态， 来增强人数的准确度。 3.如权利要求1和2所述的方法， 其特征在于， 所述准确度是通过将回归模型应用于所 述活动概率和所跟踪的每一图像帧内的特征结果以计算每一。

5、人类检测模态的准确度概率 来增强的。 4. 如权利要求 1 所述的方法， 其特征在于， 每一人类检测模态的计算得到的活动概率 提供接近于实测数据的值， 所述实测数据包括用于与输入协变量进行比较的预定值。 5. 如权利要求 1 和 2 所述的方法， 其特征在于， 所述方法还包括以下处理器实现的步 骤 ： 根据所选择的人类检测模态对人类进行计数。 6. 如权利要求 1 所述的方法， 其特征在于， 所述人类检测还包括以下处理器实现的步 骤 ： 在至少一个图像捕捉设备的预定义观看区域内实时跟踪一个或多个人类。 7. 如权利要求 1 所述的方法， 其特征在于， 一个或多个人类的检测还包括以下处理器 实现。

6、的步骤 ： 使用 Haar 检测人脸、 使用有向梯度直方图 (HOG) 检测人体以及使用背景扣除 (BGS) 检测与所述人体相关联的背景中的变化， 或其组合。 8. 如权利要求 1 所述的方法， 其特征在于， 所述特征结果包括人类的灰度图像的像素 值。 9. 如权利要求 1 所述的方法， 其特征在于， 用于选择性地整合所述特征结果和所述活 动概率的融合技术是选择技术。 10. 如权利要求 7 所述的方法， 其特征在于， Haar、 HOG 以及 BGS 的组合是基于贝叶斯融 合技术的。 11. 一种用于增强预定义观看区域中所捕捉的至少一个图像帧中的实时人类计数的准 确度的系统， 所述系统包括 。

7、： 与至少一个模态组件嵌在一起的检测单元， 所述检测单元配置成与至少一个人类检测 模态合作以获得与所捕捉的图像相关联的特征结果来检测人类 ； 计算模块， 所述计算模块适于计算与每一人类检测模态相关联的准确度概率和活动概 率， 所述活动概率确定每一帧中检测到的人数的方差 ； 以及 融合处理器， 所述融合处理器适于选择性地整合所述活动概率和从每一人类检测模态 获得的每一帧的多个特征结果。 12. 如权利要求 11 所述的系统， 其特征在于， 所述系统还包括适于量化每一帧内的人 类检测模态的活动概率并选择高于经整合的融合特征结果的最大概率检测模态的准确度 权 利 要 求 书 CN 103975343。

8、 A 2 2/2 页 3 增强器。 13. 如权利要求 12 所述的系统， 其特征在于， 所述准确度增强器还包括用于应用回归 模型来计算每一人类检测模态的准确度概率的模块。 14. 如权利要求 13 所述的系统， 其特征在于， 所述回归模型的输入协变量包括与所捕 捉的图像相关联的特征结果和计算得到的活动概率。 15. 如权利要求 11 所述的系统， 其特征在于， 所述系统还包括适于根据所选择的人类 检测模态对人类进行计数的人类计数器。 16. 如权利要求 11 所述的系统， 其特征在于， 所述系统还包括用于跟踪一个或多个帧 中的人类的跟踪模块。 17.如权利要求11所述的系统， 其特征在于， 。

9、所述人类检测模态包括Haar、 有向梯度直 方图 (HOG)、 背景扣除 (BGS)、 或其组合。 权 利 要 求 书 CN 103975343 A 3 1/8 页 4 用于通过融合人类检测模态的结果来增强人类计数的系统 和方法 技术领域 0001 本发明一般涉及图像处理领域， 并且具体地涉及增强图像中的实时人数的准确度 的方法和系统。 背景技术 0002 图像或视频中人类活动的检测是至关重要的， 并且对于自动人体检测是关键启动 器的应用 ( 如安全和监督、 机器人技术、 监督和智能传输系统、 自治车辆和自动驾驶辅助系 统， 等等 ) 而言， 确定人类在场是关键的。类似地， 在计算机视觉系统中。

10、， 分割图像以用于检 测每一分段中的对象并将人类与其他对象区分开仍然是一个挑战。 0003 出现在图像中的大量视觉图案增加了复杂性。 人类检测涉及用于检测图像中人类 的存在的硬件和软件的能力。 对图像中人类的检测当前通过使用各种人类检测技术和算法 来执行。虽然这些技术和算法被广泛使用， 但所述技术或算法所提供的结果通常包含大量 的虚假预测。 0004 已经提出了许多解决方案来解决与减少关联于人类检测和跟踪技术的虚假预测 或误差相关联的问题。 频繁地遵循的用于人类检测的技术之一是组合多种人类检测技术以 实时地检测人类。然而， 组合的成功受与每一检测技术相关联的误差的影响。一种这样的 解决方案已在。

11、 Chengjun Liu 的 US 7,162,076 中公开， 它教导了根据使用贝叶斯融合分类 器技术处理的 DFA 向量的用于表示待分析图像的向量。虽然该方法公开了具有相对低的误 差概率和虚假检测率的脸部检测， 但它仍然没有公开在涉及一种以上技术或算法的情况下 确定解决方案的准确度。 0005 因此， 本领域存在着对能够通过确定用于检测图像中的人类的所有技术的准确度 来减少可用于人类检测的多种技术的虚假预测的解决方案的需求。 0006 发明目的 0007 本发明的主要目的是提出一种增强人类检测模态中的人类计数的准确度的系统 和方法。 0008 本发明的另一目的是提出一种降低与人类检测模态。

12、相关联的不可靠元素的系统 和方法。 0009 本发明的又一目的是提出一种选择最准确人类检测模态来对所捕捉的图像帧中 的人类进行计数的系统和方法。 0010 发明概述 0011 在一个方面， 本发明公开了一种用于增强预定义观看区域中至少一个捕捉的图像 帧中的实时人类计数的准确度的方法， 其中所述方法包括以下各处理器实现的步骤 ： 通过 使用至少一个人类检测模态以获得所述所捕捉的图像的特征结果来检测一个或多个帧中 的人类， 以及通过在所获得的人类检测模态的特征结果之间切换并通过使用预计算的活动 概率来计算准确度概率。所述活动概率适于确定每一帧中检测到的人数的方差。所述方法 说 明 书 CN 103。

13、975343 A 4 2/8 页 5 还包括以下处理器实现的步骤 ： 通过使用用于检测人类在预定义观看区域中的位置的选择 技术， 将根据人类检测模态的组合所获得的每一帧的特征结果和所述活动概率进行选择性 地整合。人类检测模态的组合是基于贝叶斯融合技术的。 0012 在另一方面， 本发明还公开了一种用于增强在预定义观看区域中捕捉的至少一个 图像帧中的实时人类计数的准确度的系统， 其中所述系统包括与至少一个模态组件嵌在一 起的检测单元。 检测单元被配置成与至少一个人类检测模态合作以获得与所捕捉的图像相 关联的特征结果， 来检测人类。该系统还包括适于计算与每一人类检测模态相关联的活动 概率的计算模块。

14、。所述活动概率确定每一帧中检测到的人数的方差。该系统还包括适于将 从每一帧的每一人类检测模态获得的多个特征结果进行选择性地整合的融合处理器。 0013 附图简述 0014 图 1 示出根据本发明的一实施例的系统的体系结构。 0015 图 2 示出根据本发明的替换实施例的人类计数的机制。 0016 图 3 示出根据本发明的替换实施例的准确度计算的过程流。 0017 图 4 示出本发明的示例性实施例。 0018 图 5 示出根据本发明的一示例性实施例的检测准确度的结果。 0019 图 6 示出根据本发明的替换实施例的不可靠因素的结果。 具体实施方式 0020 现在将讨论本发明的一些实施例， 说明其。

15、特征。 0021 词语 “包含” 、“具有” 、“含有” 和 “包括” 及其其他形式旨在含义相同并且是开放式 的， 在这些词语中任意一个之后的一个或多个事项并不意味着这一个或多个事项的穷举或 意味着仅局限于所列举的一个或多个事项。 0022 还必需注意到， 如本文以及所附权利要求书中所使用地， 单数形式的 “一” 、“一种” 以及 “该” 包括复数引用， 除非上下文另外明确地指出相反情况。尽管在本发明的实施例的 实践或测试中可使用与本文所描述的系统、 方法、 装置和设备相类似或等效的任何系统、 方 法、 装置和设备， 但是现在将描述优选的系统和各部分。 0023 所公开的实施例仅仅是本发明的示。

16、例， 其可具体化为各种形式。 0024 本发明涉及一种用于增强人类计数的准确度的方法和系统。 人类计数通常通过使 用多种人类检测模态来执行。这些人类检测模态 ( 例如， 有向梯度直方图 (HOG)、 Haar、 以 及背景扣除 (BG) 检测并跟踪人类图像以确定其数量。每一人类检测模态与某些不可靠因 素相关联， 例如视频帧中的波动、 不正确的人类检测、 虚假肯定， 等等。 本发明计算每一人类 检测模态的准确度来减少这些不可靠因素。 不可靠因素的减少造成了人类计数的增强的准 确度， 从而进一步使得能够选择最准确的人类检测模态。 0025 根据本发明的各方面和各实施例， 本文描述的方法旨在用作运行。

17、在计算机处理器 上的软件程序 ( 编程指令的集合 )。 0026 根据一方面， 参考图 1， 系统 (100) 包括用于在多个帧中捕捉图像的图像捕捉设备 (102)。系统 (100) 还包括被配置成检测人类的检测单元 (104)。检测单元 (104) 还与至 少一个模态组件 (106) 嵌在一起， 以应用至少一个人类检测模态来检测至少一个帧中的人 类。人类检测模态被应用来获得与所捕捉的图像相关联的特征结果。特征结果包括人类的 说 明 书 CN 103975343 A 5 3/8 页 6 灰度图像的像素值。人类检测模态包括且不限于 Haar、 有向梯度直方图 (HOG)、 背景扣除 (BG)、 。

18、或其组合。 0027 根据本发明的一实施例， 系统 (100) 还包括用于跟踪一个或多个帧中的人类的跟 踪模块 ( 图中未示出 )。跟踪模块还通过将人类与图像中存在的不可靠因素区分开来处理 人类图像以跟踪人类。 0028 系统 (100) 还包括适于计算与每一人类检测模态相关联的活动概率的计算模块 (108)。 活动概率提供所捕捉的每一图像帧中的波动值， 以用于确定每一帧中的检测到的人 数的方差。计算模块 (108) 还计算用于确定每一人类检测模态的准确度的准确度概率。 0029 系统 (100) 还包括与检测单元 (104) 和计算模块 (108) 进行通信并适于将与图像 捕捉设备 (102。

19、) 所捕捉的图像相关联的特征结果以及与每一人类检测模态相关联的活动 概率进行选择性地整合的融合处理器 (110)。 0030 根据一实施例， 系统 (100) 还包括与融合处理器 (110) 通信耦合的准确度增强器 (112)。准确度增强器 (112) 与融合处理器 (110) 一起运作以增强图像中的人类计数的准 确度。准确度增强器 (112) 还包括通过使用回归模型将与每一人类检测模态相关联的特征 结果和与每一人类检测模态相关联的活动概率进行选择性地整合的模块 (116)。该选择性 整合被执行以选择最准确的人类检测模态。 0031 系统 (100) 还包括与准确度增强器 (112) 通信的人。

20、类计数器 (114)。人类计数器 (114) 适于根据所选择的人类检测模态来对人类进行计数。有利的人类检测模态是在执行 了选择性整合之后准确度增强器 (112) 所选择的最准确的人类检测模态。 0032 根据一实施例， 参考图 2， 图像捕捉设备 (102) 在当前帧和先前帧中捕捉人类的图 像。多个帧中所提取的图像的一个或多个特征与阈值进行比较。阈值是手动地选择的。阈 值帮助确定图像是否是活动图像。活动图像是在不稳定帧中捕捉的图像。活动是由计算模 块 (108) 根据活动概率来计算得到的。 0033 人类则是由检测模块 (104) 通过使用至少一个人类检测模态在一个或多个帧中 检测到的。仍然参。

21、考图 2， 如在步骤 202 所示， 检测单元 (104) 应用前景提取来检测人类。 检测单元 (104) 还应用有向梯度直方图 (HOG) 来检测人体。线性 SVM 的级联被完成以用于 快速对象检测。 在此， 对象指的是人类。 检测单元(104)还应用Haar特征提取来检测人脸。 背景变化是通过使用背景扣除 (BGS)( 请参考专利申请 No.1359/MUM/2011) 来检测的。 0034 再次参考图1， 计算模块(108)计算活动概率。 计算模块(108)还通过在从各人类 检测模块获得的特征结果之间切换并通过使用预计算的活动概率的值来计算每一人类检 测模态的准确度概率。所述活动概率确定。

22、每一视频帧中检测到的人数的方差。 0035 参考图 2， 如在步骤 204 所示， 融合处理器 (110) 通过使用选择技术来生成从各单 独的人类检测模态获得的特征结果的组合。 以上组合的特征结果的选择性整合被执行以检 测人类的位置并减少与每一人类检测模态相关联的不可靠因素。 0036 根据一实施例， 用于执行各单独人类检测模态的组合的选择技术是贝叶斯融合技 术。贝叶斯融合改进了人类检测模态的分类性能。各单独的人类检测模态 (Haar、 有向梯 度直方图 (HOG)、 背景扣除 (BGS) 提供它们自己的特征结果。分类系统通过观察与每一人 类检测模态相关联的活动概率来确定对象是否属于人类类别 。

23、(H)。贝叶斯融合技术的贝 叶斯分类器将它们与任何先验 p(H) 相融合以得到全局一致的后验概率 p(H/Z)， 其中 Z 说 明 书 CN 103975343 A 6 4/8 页 7 iZip(H) 是类型 H 的先验概率且 Z HOG,BGS,Haar。有向梯度直方图 (HOG) 分 类器如下描述属于人类类别H的对象的后验概率 ： p(H/ZHOG)。 类似地， p(H/ZBGS)和p(H/ZHaar) 由其他两个人类检测模态给出。假定这些信息线索同样重要， 则在信息融合过程中应当给 予相同的检测置信度水平。信息融合是使用贝叶斯建模方法来解决的。 0037 根据一实施例， 参考图 3， 图。

24、像捕捉设备 (102) 在多个帧中 ( 例如， 在旧帧和新帧 中 ) 捕捉图像。如在步骤 208 所示， 在取得了这两个帧的特征值的差异之后， 准备一矩阵。 特征值是图像的像素值。该矩阵被用于计算像素值的标准差和均值。如在步骤 202 所示， 检测单元 (104) 还按一个或多个组合来应用多个人类检测模态。该组合包括并且不限于有 向梯度直方图 (HOG)、 背景扣除以及 Haar 的组合或有向梯度直方图 (HOG) 和背景扣除 (BG) 的组合。 0038 从联合分布开始并递归地应用连接规则， 获得了分解 ： 0039 p(H ZHoG ZHaar ZBGS) p(H)p(ZHoG/H)p(Z。

25、Haar/H)p(ZBGS/H) (1) 0040 式 (1) 假定来自不同人类检测模态的观察结果是独立的。对于多传感器系统， 认 为来自每一信息源的似然 p(Zi/H),i 1n 独立是合理的， 因为它们共有的唯一参数是状 态。定义信息融合的条件概率可写成 (2)。 0041 0042 再次参考图 3， 从每一人类检测模态获得的特征结果包括灰度图像的像素值。通 过这些特征结果， 可以形成一组矩阵， 其中矩阵的各元素包括灰度图像的像素值。 如在步骤 210所示， 矩阵将由融合处理器(110)和准确度增强器(112)处理以标识发生了显著活动的 那些帧。这将给出每一帧的活动的测量。如果像素值从先前。

26、帧显著地变化， 则发生了显著 的活动。随后， 矩阵将具有像素值之差的元素并且将被处理。 0043 再次参考图 3， 如在步骤 212 和 214 所示， 准确度增强器 (112) 通过将回归模型应 用于一个或多个人类检测模态所获得的特征结果和与每一人类检测模态相关联的活动概 率来增强准确度。第一步是选择像素值的均值和标准差作为信息源。这一均值和标准差的 值将被作为输入协变量来将回归模型应用于活动概率， 并且准确度概率将通过使用活动概 率的这一值来计算得到。 0044 对于协变量向量 CV 均值， 方差 ， 令 V 1， 均值， 方差 ； 随后逻辑回归 y 的 值具有以下分布 ： 0045 y 。

27、1 概率为 0046 0 概率为其中 是待求值的模型的向量参数。 0047 假设存在为其预确定了输出值的大小为 k 的样本。这一预确定可以是手动确定。 对于 i 1,2,3,.,k， yi是已知的。似然函数 L()( 它是 的函数 ) 如下给出 : 0048 说 明 书 CN 103975343 A 7 5/8 页 8 0049 似然函数 L() 相对于 被最大化以获得估计来作为使 L() 最大化的 的 值。 0050 在这些参数的帮助下， 活动概率的值被计算得到。这些值将提供活动的测量。作 为具体示例， 大于 0.7 的概率值指示所需的不稳定帧。在这一活动概率的帮助下， 计算模块 (108)。

28、 将计算用于确定每一人类检测模态的准确度的准确度概率。 0051 再次参考图 3， 如在步骤 212 所示， 作为回归模型的输入， 存在人类检测模态的输 出。作为具体示例， 在帧级， 存在三种人类检测模态的输出。假设对于每一帧， 具有输出 X1 Haar， X2 HOG+BG 以及 X3 HOG+BG+Haar。所有这些 Xi是取整型值的类别变量。 0052 另一输入是为每一人类检测模态计算得到的活动概率 P。 0053 作为协变量， 基于输入来捡取一组独立的对比， 并且活动概率作为协变量不变化。 0054 换言之， 协变量是 ： 0055 CV1 X2-X1； 0056 CV2 X3-X1；。

29、 0057 CV3 P ； 0058 令这些算法上的所有概率分布的集合 0059 协变量的所有可能值的集合。 0060 一模型是函数选择这类函数中的最佳元素。但很明显， 该类中的最佳 元素是在概率值为 1 的情况下其输出与实测 (ground truth) 数据最接近 ( 手动确定的实 测数据将对小型样本是可用的 ) 的回归模型。 0061 考虑特殊的一类函数 f(CV) g(V)。在此， V 是 CV 上的元素变换。将确定矩 阵 的最优值， 其中根据可用的观察到的数据或样本， 回归模型给出该矩阵的最佳性能。 一般认为g是凸光滑函数(指的是上至特定阶数都具有非零正导数的函数)， 例如 ： V的。

30、 各行的逻辑函数的向量。 0062 令 CVi取 ni值则对于第 i 个协变量， 引入 ni-1 个指示符变量 作为对于 i 1,2 ； j 1,2,3,.,ni， Ii,j Ind(CVi ki,j)。则经变 换的向量如下定义 ： 0063 实测数据提供所需输出向量 Y (y1,y2,y3) 的样本。yi之一是 1 且其余是 0。根 据帧级值， 构造各参数的函数并使该函数相对于各参数最大化以得到回归模型。 0064 假定 g 是逻辑函数的向量。令 V 具有 m 个元素。认为 1,2， 其中 1和 2是长度为 m 的向量。 0065 则 g(V) g(1,2V) p1(V),p2(V),p3(。

31、V)， 其中 pi被定义 为 ： 0066 p1(V) exp(1V)/1+exp(1V)+exp(2V) ； 0067 p2(V) exp(2V)/1+exp(1V)+exp(2V) ； 且 0068 p3(V) (1-p1(V)+p2(V)。 0069 设存在大小为 k 的样本。则似然函数是 ： 说 明 书 CN 103975343 A 8 6/8 页 9 0070 0071 通过使用 Fisher 的打分方法来使得似然函数 L() 相对于 被最大化， 以获得 被称为 的最大似然估计的估计 0072 参考图3， 如在步骤214所示， 在导出参数之后， 由计算模块(108)通过使用预计算 的。

32、活动概率来计算准确度概率， 这是通过使用回归模型来计算得到的。如在步骤 216 所示， 具有最大概率的人类检测模态被选择用于减少不可靠元素。 在存在具有最大概率的一个以 上人类检测模态时， 存在随机选择。 0073 参考图 2 和 3， 如在步骤 206 所示， 人类计数器 (114) 随后通过使用具有最大概率 的人类检测模态连同考虑各稳定帧， 来对窗口中的人类进行计数。 0074 本发明工作的最佳模式 / 示例 0075 参考图 4， 对于人类检测和计数， 按编组或按单独的形式来使用多种人类检测模 态。将它们称为算法。这些算法被用于训练和测试的目的。实测数据包括被手动地选择的 供参考的数据。。

33、对人类检测模态的选择如下 ： 0076 算法 1Haar， 0077 算法 2- 有向梯度直方图 (HOG)+ 背景扣除 (BG) 0078 算法 3-Haar+ 有向梯度直方图 (HOG)+ 背景扣除 (BG)， 使得算法指的是算法。 0079 在预定实测数据的帮助下， 手动地生成所需参数。对于算法 1、 算法 2 和算法 3， 计 算模块(108)计算活动概率， 它们分别是概率1、 概率2和概率3。 通过融合处理器(110)和 准确度增强器 (112)， 通过应用回归模型来执行这些算法的选择性整合。算法 1、 算法 2 和 算法 3 的计算得到的检测率和虚假肯定如下在表中示出 ： 0080。

34、 表 1 和 2 ： 检测率和虚假肯定 ： 0081 说 明 书 CN 103975343 A 9 7/8 页 10 0082 0083 说 明 书 CN 103975343 A 10 8/8 页 11 0084 图 5 和 6 示出了从分别示出检测率和虚假肯定的表 1 和 2 获得的结果的图表。 0085 在上述的表中， 具有最大准确度概率的算法被选择。 0086 采用以上方法， 达到了从 40到低于 20的不可靠因素或虚假肯定的减少， 同时 维持了检测准确度。 0087 参考各方面和各实施例描述的方法和技术可利用其中存储有指令集的机器或其 它计算设备来执行， 所述指令集在被执行时可导致机器。

35、执行上述方法中的任一个或多个。 机器可包括处理器 ( 中央处理器单元 (CPU)、 图形处理单元 (GPU) 或两者 )、 主存储器和静 态存储器， 它们经由总线彼此通信。 盘驱动器单元可包括机器可读介质， 该机器可读介质上 存储了实现本文描述的方法或功能中的任何一个或多个(包括以上示出的那些方法)的编 程指令的一个或多个集合(例如， 软件)。 这些指令在由机器执行期间也可完全或至少部分 地驻留在主存储器、 静态存储和 / 或处理器内。主存储器和处理器也可包括机器可读介质。 0088 已参考各方面、 实施例以及附图进行了上述描述。本发明所属的本领域技术人员 将理解， 在不有意脱离本发明主旨和范围的条件下， 可对所描述的结构和操作方法作出变 化和改变。 说 明 书 CN 103975343 A 11 1/5 页 12 图 1 说 明 书 附 图 CN 103975343 A 12 2/5 页 13 图 2 说 明 书 附 图 CN 103975343 A 13 3/5 页 14 图 3 说 明 书 附 图 CN 103975343 A 14 4/5 页 15 图 4 图 5 说 明 书 附 图 CN 103975343 A 15 5/5 页 16 图 6 说 明 书 附 图 CN 103975343 A 16 。