一种终端视频数据的传输方法、装置、设备及介质与流程

电子通信装置的制造及其应用技术1.本发明涉及深度学习技术领域，尤其涉及一种终端视频数据的传输方法、装置、设备及介质。背景技术：2.目前随着5g通信的发展，以及不确定环境因素带来的影响，越来越多的人们会使用高速网络进行实时视频通信，尤其是在远程教育，监控和远程会议等多终端通信场景。3.在多终端多点传输的应用场景中，每个终端，要将视频发送给其他所有终端节点，为了降低传输带宽，一般都会增加都会采用视频流(即视频数据)压缩发送的方法，压缩视频的数据量，来减少视频流传输带来的传输带宽压力，如图1所示。但是，如图2所示，每增加一个终端，如终端3，它需要将自己的视频流发送给其他所有的终端，并解码其他所有终端发送给终端3的视频流，所有的终端都需要增加额外的资源数据进行压缩和解压。在多终端实时通信的场景下，每新增一个边缘终端，对整个系统中的所有终端的数据带宽传输会带来压力。4.目前针对终端的设备，已经有了非常多的视频压缩算法来协助终端降低各个终端间的数据传输带宽，如h264等视频数据压缩算法，来降低视频传输所占的带宽，如图3所示。但是随着网络终端数量的指数增长，以及越来越多的工作上云的需求，多节点视频流传输依然是一个严峻的问题。技术实现要素：5.有鉴于此，本发明提出了一种终端视频数据的传输方法、装置、设备及介质，利用人工智能人像识别算法，在辅助以时域降噪，通过隔离基本不变的背景区域，选择有效人像区域来进行独立的压缩和传播，有效的减少数据传输量，降低数据传输压力。6.基于上述目的，本发明实施例的一方面提供了一种终端视频数据的传输方法，具体包括：在作为发送端的终端执行以下步骤：7.接收所述初步训练结果并获取原始视频数据，基于所述初步训练结果和人像识别算法对所述原始视频数据进行推理以确定原始视频数据中的人像区域和背景区域；8.确定所述人像区域和全部区域的位置信息；9.基于时域降噪算法计算所述背景区域的变化，并基于所述变化确定选择区域；10.基于所述变化以及所述人像区域或所述全部区域的位置信息确定选择区域位置信息；11.将所述选择区域的视频数据进行压缩，并将压缩后数据拼接所述选择区域位置信息后发送给接收端。12.在一些实施方式中，基于所述初步训练结果和人像识别算法对所述原始视频数据进行推理以确定原始视频数据中的人像区域和背景区域包括：13.在所述终端携带的辅助加速单元上，基于所述初步训练结果和人像识别算法对所述原始视频数据进行推理以确定原始视频数据中的人像区域和背景区域，其中，所述人像区域的形状包括矩形；所述辅助加速单元包括 asic或fpga。14.在一些实施方式中，方法还包括：15.基于所述初步训练结果和所述人像识别算法对所述原始视频数据进行二次训练；16.基于所述二次训练结果和所述人像识别算法对所述原始视频数据进行推理以优化所述人像区域和所述背景区域。17.在一些实施方式中，基于所述初步训练结果和所述人像识别算法对所述原始视频数据进行二次训练，包括：18.在所述终端携带的辅助加速单元上，基于所述辅助加速单元中的pe阵列对所述原始视频数据进行前向传输计算；19.响应于前向传输计算结果满足阈值，则结束二次训练；20.响应于前向传输计算结果不满足阈值，则在所述辅助加速单元中构建数据复用链路，并基于所述数据复用链路对所述原始视频数据进行反向传输计算；21.响应于反向传输计算结果满足阈值，则结束二次训练；22.响应于反向传输计算结果不满足阈值，则返回在所述终端携带的辅助加速单元上，基于所述辅助加速单元中的pe阵列对包含人员的原始视频进行前向传输计算的步骤。23.在一些实施方式中，在所述辅助加速单元中构建数据复用链路，并基于所述数据复用链路对所述原始视频数据进行反向传输计算，包括：24.将所述辅助加速单元中的图像输入通道作为激活数据输入通道以将激活数据输入到pe阵列；25.将所述辅助加速单元中的权重输入通道作为损失数据输入通道以将损失数据输入到所述pe阵列；26.基于所述pe阵列完成激活数据与损失数据的乘加运算以得到权重梯度数据，并基于所述权重梯度数据更新权重以完成所述反向传输计算。27.在一些实施方式中，方法还包括：28.将所述二次训练结果发送给所述云端以使所述云端基于人像识别算法和所述二次训练结果对视频数据进行初步训练。29.在一些实施方式中，在作为接收端的终端执行以下步骤：30.接收拼接后的压缩数据，将所述拼接后的压缩数据中的选择区域位置信息存储到存储器中，并将所述拼接后的压缩数据中的压缩数据解压后存储到所述存储器；31.从所述存储器读取所述选择区域位置信息以确定视频数据的覆盖范围；32.从所述存储器读取解压后数据覆盖到所述视频数据的覆盖范围中的对应位置。33.本发明实施例的另一方面，还提供了一种终端视频数据的传输装置，包括：34.推理模块，所述推理模块配置为接收云端发送的初步训练结果并获取原始视频数据，基于所述初步训练结果和人像识别算法对所述原始视频数据进行推理以确定原始视频数据中的人像区域和背景区域；35.第一确定模块，所述第一确定模块配置为确定所述人像区域和全部区域的位置信息；36.计算模块，所述计算模块配置为基于时域降噪算法计算所述背景区域的变化，并基于所述变化确定选择区域；37.第二确定模块，所述第二确定模块配置为基于所述变化以及所述人像区域或所述全部区域的位置信息确定选择区域位置信息；38.压缩模块，所述压缩模块配置为将所述选择区域的视频数据进行压缩，并将压缩后数据拼接所述选择区域位置信息后发送给接收端。39.本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机程序，所述计算机程序由所述处理器执行时实现如上方法的步骤。40.本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。41.本发明至少具有以下有益技术效果：通过在云端基于人像识别算法对视频数据进行初步训练，并将初步训练结果发送所述终端，无需将全部的视频数据上传到云端，保证了终端视频数据的安全性的同时降低了通信时延和对网络带宽的压力；通过在发送端对原始视频数据进行推理以将原始视频数据中的人像区域和背景区域分离；并基于时域降噪算法计算背景区域的变化，并根据背景区域的变化情况选择压缩人像区域或全部区域发送给接收端，有效的减少数据传输量，降低数据传输压力。附图说明42.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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实施例。43.图1为传统的两个终端设备进行视频数据传输的示意图；44.图2为传统的三个终端设备进行视频数据传输的示意图；45.图3为传统的两个终端设备使用压缩算法后进行视频数据传输的示意图；46.图4为本发明提供的在发送端进行视频数据传输的一实施例的框图；47.图5为本发明提供的在云端对视频数据进行初步训练一实施例的框图；48.图6为本发明提供的基于人像识别算法对原始视频数据进行推理的示意图；49.图7为本发明提供的确定人像区域和全部区域的位置信息的一实施例的示意图；50.图8为本发明提供的基于时域降噪算法计算背景区域变化的一实施例的示意图；51.图9为本发明提供的基于时域降噪算法计算背景区域变化的又一实施例的示意图；52.图10为本发明提供的拼接后的视频数据的数据格式的一实施例的示意图；53.图11为本发明提供的fpga的一实施例的结构示意图；54.图12为如图9所示的fpga结构中每个pe阵列的结构示意图；55.图13为本发明提供的基于pe单元进行权重梯度计算的一实施例的示意图；56.图14为本发明提供的在接收端进行视频数据传输的一实施例的示意图；57.图15为本发明提供的将解压数据存储到ddr的一实施例的示意图；58.图16为本发明提供的从ddr中读取视频数据并覆盖前一帧视频数据的一实施例的示意图；59.图17为本发明提供的通过发送端发送数据并通过接收端接收数据的一实施例的示意图；60.图18为本发明提供的终端视频数据的传输装置的一实施例的示意图；61.图19为本发明提供的计算机设备的一实施例的结构示意图；62.图20为本发明提供的计算机可读存储介质的一实施例的结构示意图。具体实施方式63.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。64.需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。65.基于上述目的，本发明实施例的第一个方面，提出了一种终端视频数据的传输方法的实施例。66.如图4所示，为在发送端进行数据传输，具体包括如下步骤：67.s20、接收云端发送的初步训练结果并获取原始视频数据，基于所述初步训练结果和人像识别算法对所述原始视频数据进行推理以确定原始视频数据中的人像区域和背景区域；68.s30、确定所述人像区域和全部区域的位置信息；69.s40、基于时域降噪算法计算所述背景区域的变化，并基于所述变化确定选择区域；70.s50、基于所述变化以及所述人像区域或所述全部区域的位置信息确定选择区域位置信息；71.s60、将所述选择区域的视频数据进行压缩，并将压缩后数据拼接所述选择区域位置信息后发送给接收端。72.具体的，步骤s20中，接收云端发送的初步训练结果。73.如图5所示，为在云端对视频数据进行初步训练的过程，具体包括如下步骤：74.s201、基于人像识别算法对视频数据进行初步训练，并将初步训练结果发送所述终端。75.具体的，传统终端设备的视频传输方法，一般由云端设备完成，但是如果由云端设备完成视频数据的全部训练任务，则需将全部的视频数据上传到云端进行训练，由此可能造成数据泄露，并且由于大量的视频数据需要传送到云端进行处理，云端处理完成后再返回各个终端，极大地增加了视频传输的通信时延，并且对网络带宽也带来了极大的压力。本发明实施只需在云端完成基于人像识别算法完成视频数据的初步训练，无需将全部的视频数据上传到云端，保证了终端视频数据的安全性的同时降低了通信时延和对网络带宽的压力。具体的过程为：76.在云端设备基于视频数据的应用场景在公开的数据库选取一些与在终端上要传输的视频数据相似的视频数据进行初步训练，得到符合期望的权重，并将权重发送给终端，其中，终端包括发送端和与发送端相对应的接收端，人像识别算法包括fast r-cnn(一种基于区域的卷积神经网络算法)、yolo(you only look once，是一个用于目标检测的网络)等。相比于对终端的全部视频数据进行训练，训练的准确度稍低，但训练所需的计算量较少，训练速度加快。77.基于终端设备的摄像头采集原始的视频数据(视频数据也可以理解为一帧帧的图像)，人像识别算法根据初步训练结果得到的权重值对原始视频数据进行推理的示意图如图6所示。78.本实施的终端设备为携带gpu或asic(application specificintegrated circuit，即专用集成电路)或fpga(field programmable gatearray，现场可编程逻辑门阵列)的终端设备，在gpu或asic或fpga 上基于人像识别算法对原始视频数据进行推理得到原始视频数据的人像区域和背景区域，人像区域和背景区域的结合即为全部区域。79.步骤s30中，全部区域由人像区域和背景区域组成，确定人像区域和背景区域的相对位置关系，并对全部区域和人像区域进行参数标注，例如，如图7所示，以全部区域的左上角位置为原点，确定全部区域的起点a、宽度b和高度c，由此可以进一步的确定人像区域的起点o、宽度w和 h高度。80.步骤s40中，基于时域降噪算法计算背景区域的变化，当变化小于阈值时，则认为背景区域无变化，将人像区域确定为选择区域，当变化大于阈值时，则将包括人像区域和背景区域的全部区域确定为选择区域。如图 8和图9所示，为基于时域降噪算法计算背景区域变化的示意图。81.通过时域噪声滤波器计算背景区域当前帧视频数据和背景区域前一帧视频数据的变化；响应于变化小于阈值，将人像区域确定为选择区域；响应于变化大于阈值，将包括人像区域和背景区域的全部区域确定为选择区域。82.通过上述方案可以在背景区域变化小时，只压缩人像区域的视频数据，发送给接收端，提高了数据压缩速度，减少了数据传输量，降低了数据传输压力。83.步骤s50中，基于变化以及人像区域或全部区域的位置信息确定选择区域位置信息，可以包括：响应于所述变化小于阈值，将所述人像区域的位置信息作为所述选择区域的位置信息；响应于所述变化大于阈值，将所述背景区域的位置信息作为所述选择区域的位置信息。84.确定选择区域的位置信息的具体方式为：85.起点位置计算：起点坐标＝(时域噪声》阈值)？0:小区域左上角位置选取范围宽度：宽度＝(时域噪声》阈值)？整帧宽度:小区域宽度选取范围高度：高度＝(时域噪声》阈值)？整帧高度:小区域高度。86.步骤s60中通过图像压缩算法对选择区域的视频数据进行压缩，并将压缩后的视频数据拼接人像区域的位置信息，拼接后的数据格式如图10 所示，将拼接后的视频数据发送给接收端。通过上述视频传输方式，可以有效的减少数据传输量，降低数据传输压力。需要说明的是，每一个终端设备会同时接收其他终端设备的视频数据和向其他终端设备发送视频数据，因此每一个终端设备既为发送端又为接收端。87.本发明实施例，通过在云端基于人像识别算法对视频数据进行初步训练，并将初步训练结果发送所述终端，保证了终端视频数据的安全性；通过在发送端对原始视频数据进行推理以将原始视频数据中的人像区域和背景区域分离；并基于时域降噪算法计算背景区域的变化，并根据背景区域的变化情况选择压缩人像区域或全部区域发送给接收端，有效的减少数据传输量，降低数据传输压力。88.在一些实施方式中，基于所述初步训练结果和人像识别算法对所述原始视频数据进行推理以确定原始视频数据中的人像区域和背景区域包括：89.在所述终端携带的辅助加速单元上，基于所述初步训练结果和人像识别算法对所述原始视频数据进行推理以确定原始视频数据中的人像区域和背景区域，其中，所述人像区域的形状包括矩形；所述辅助加速单元包括asic或fpga。90.由于gpu功耗大，如果基于携带gpu的终端设备对原始视频数据进行推理和训练，会加大终端设备的耗电，因此为了节约终端设备的功耗，基于功耗低的asic或fpga对原始视频数据进行推理和训练。91.由于终端设备一般都携带辅助加速单元例如asic(applicationspecific integrated circuit，即专用集成电路)、fpga(field programmablegate array，现场可编程逻辑门阵列)等，基于asic或fpga完成对原始视频数据的推理得到原始视频数据的人像区域和背景区域，人像区域和背景区域的结合即为全部区域。以fpga为例，对原始视频数据的推理过程进行说明。92.如图11所示，为fpga的结构示意图。93.结合图6、图11对原始视频数据的推理过程进行说明。基于fpga 对原始视频数据进行推理主要由ai加速单元中的pe阵列实现。各个pe 阵列在对原始视频数据分别进行卷积层计算和全连接层计算时分别通过对应的通道，例如图像输入通道(输入feature索引)、权重输入通道(权重缓存)，获取相应的数据进行乘加计算以从图像输出通道(输出feature 缓存)输出经过计算后的原始视频数据。94.其中，如图12所示，为如图11所示的fpga结构中每个pe阵列的结构示意图。基于此pe结构，实现了卷积层运算过程或全连接层运算过程中权重与视频数据的乘加运算。95.通过本发明实施例，实现了对原始视频数据的推理，将原始视频数据分离为人像区域和背景区域，且消耗的功耗低。96.在一些实施方式中，方法还包括：97.基于所述初步训练结果和所述人像识别算法对所述原始视频数据进行二次训练；98.基于所述二次训练结果和所述人像识别算法对所述原始视频数据进行推理以优化所述人像区域和所述背景区域。99.在一些实施方式中，基于所述初步训练结果和所述人像识别算法对所述原始视频数据进行二次训练，包括：100.在所述终端携带的辅助加速单元上，基于所述辅助加速单元中的pe 阵列对所述原始视频数据进行前向传输计算；101.响应于前向传输计算结果满足阈值，则结束二次训练；102.响应于前向传输计算结果不满足阈值，则在所述辅助加速单元中构建数据复用链路，并基于所述数据复用链路对所述原始视频数据进行反向传输计算；103.响应于反向传输计算结果满足阈值，则结束二次训练；104.响应于反向传输计算结果不满足阈值，则返回在所述终端携带的辅助加速单元上，基于所述辅助加速单元中的pe阵列对包含人员的原始视频进行前向传输计算的步骤。105.本实施例中，基于人像识别算法对原始视频数据进行二次训练，其中，二次训练包括前向传输训练和反向传输训练。而基于人像识别算法对原始视频数据进行推理的过程为一次前向传输训练。因此在基于pe阵列对原始视频数据进行推理的过程中，还可以同时对原始视频数据进行二次训练，前向传输计算得到分离的视频数据，反向传输训练得到更新后的权重，将更新后的权重代替前向传输计算中的初始权重对原始视频数据进行前向传播训练，以此反复进行前向传输计算和反向传输计算以得到最优的权重，并基于最优的权重对原始视频数据进行推理以提高视频数据分离的准确性。106.在一些实施方式中，在所述辅助加速单元中构建数据复用链路，并基于所述数据复用链路对所述原始视频数据进行反向传输计算，包括：107.将所述辅助加速单元中的图像输入通道作为激活数据输入通道以将激活数据输入到pe阵列；108.将所述辅助加速单元中的权重输入通道作为损失数据输入通道以将损失数据输入到所述pe阵列；109.基于所述pe阵列完成激活数据与损失数据的乘加运算以得到权重梯度数据，并基于所述权重梯度数据更新权重以完成所述反向传输计算。110.在通过fpga或asic对视频数据进行二次训练时，前向传输计算运用原本的fpga或asic推理结构即可，由于反向传输计算包含权重梯度所谓计算以及权重的更新，其中，权重梯度的计算公式如下：[0111][0112]其中w为权重，i为神经网络层的索引，r为行，c为列，lose为损失数据，activate为激活数据，stride为步进。由于原有的fpga或asic推理结构无激活数据和损失数据传输通道，因此在进行反向传输计算时，需要构建数据复用链路来实现视频数据的反向传输计算，具体过程为：[0113]将激活数据，通过原来输入feature的数据通道，输送给pe单元，将损失数据，通过原来的权重输入通道，输送给pe单元，当乘加计算完成，得出权重梯度数据后，将dram(dynamic random access memory，动态随机存取存储器)中存储的权重数据读出，减去计算得到的权重梯度，再存入dram，完成了整个权重更新的计算过程，其中，基于pe单元进行权重梯度计算的示意图，如图13所示。[0114]在一些实施方式中，方法还包括：[0115]将所述二次训练结果发送给所述云端以使所述云端基于人像识别算法和所述二次训练结果对视频数据进行初步训练。[0116]将二次训练得到的最新的权重值发送给云端设备；[0117]云端设备将最新的权重值作为人像识别算法的初始权重，对获取的视频数据进行初步训练，以提高初始训练结果的准确性，从而进一步提高在终端设备对原始视频数据进行推理的准确性。[0118]在一些实施方式中，如图14所示，在作为接收端的终端执行以下步骤：[0119]s100、接收拼接后的压缩数据，将所述拼接后的压缩数据中的选择区域位置信息存储到存储器中，并将所述拼接后的压缩数据中的压缩数据解压后存储到所述存储器；[0120]s200、从所述存储器读取所述选择区域位置信息以确定视频数据的覆盖范围；[0121]s300、从所述存储器读取解压后数据覆盖到所述视频数据的覆盖范围中的对应位置。[0122]具体的，在步骤s100中，接收拼接后的压缩数据，将拼接后的压缩数据中的选择区域位置信息存储到存储器中，并将拼接后的压缩数据中的压缩数据解压后，即解压数据存储到存储器，其中，选择区域位置信息即视频数据的起点位置、宽度和高度，所述存储器为终端设备携带的存储器，一般为ddr(dynamic random access memory，动态随机存储器)。[0123]如图15所示，为将解压数据存储到ddr的示意图。[0124]在步骤s200和s300中，如图16所示，为从ddr中读取视频数据并覆盖前一帧视频数据的示意图。从所述存储器读取视频数据的起点位置、宽度和高度以确定视频数据的覆盖范围；再从存储器中读取视频数据覆盖到前一张视频数据上。[0125]人像区域和全部区域的形状可以设置为矩形、圆形、梯形等基本形状，也可以为多种形状拼接的形状或人形，优选为矩形，将人像区域的形状设置为矩形便于ddr中的线性地址排序，提高ddr中数据的读取速度，便于视频数据覆盖时的逻辑控制复杂度，降低通信延迟。[0126]如图17所示，为本发明的通过发送端发送数据，并通过接收端接收数据的示意图。[0127]通过在辅助加速单元构建数据复用链路，可以无需传输整个图像给云端进行训练，利用云端进行初始训练，利用初始训练结果在终端进行二次训练和推理任务；在多终端设备进行视频通信应用场景下，结合终端设备的ai计算单元进行人像区域识别，结合时域降噪算法，计算视频数据中背景区域的最小变化区域范围，并以此确定有效传输视频数据，提高了数据压缩速度，减少了数据传输量，降低了数据传输压力；通过矩形的选择区域为矩形，便于存储器中的线性地址排序，提高了存储器中数据的读取速度，便于视频数据覆盖时的逻辑控制复杂度，降低通信延迟。[0128]基于同一发明构思，根据本发明的另一个方面，如图18所示，本发明的实施例还提供了一种终端视频数据的传输装置，包括：[0129]推理模块110，所述推理模块110配置为接收云端发送的初步训练结果并获取原始视频数据，基于所述初步训练结果和人像识别算法对所述原始视频数据进行推理以确定原始视频数据中的人像区域和背景区域；[0130]第一确定模块120，所述第一确定模块120配置为确定所述人像区域和全部区域的位置信息；[0131]计算模块130，所述计算模块130配置为基于时域降噪算法计算所述背景区域的变化，并基于所述变化确定选择区域；[0132]第二确定模块140，所述第二确定模块140配置为基于所述变化以及所述人像区域或所述全部区域的位置信息确定选择区域位置信息；[0133]压缩模块150，所述压缩模块150配置为将所述选择区域的视频数据进行压缩，并将压缩后数据拼接所述选择区域位置信息后发送给接收端。[0134]基于同一发明构思，根据本发明的另一个方面，如图19所示，本发明的实施例还提供了一种计算机设备30，在该计算机设备30中包括处理器310以及存储器320，存储器320存储有可在处理器上运行的计算机程序321，处理器310执行程序时执行如上的方法的步骤。[0135]其中，存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本技术实施例中的所述终端视频数据的传输方法对应的程序指令/模块。处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行装置的各种功能应用以及数据处理，即实现上述方法实施例的终端视频数据的传输方法。[0136]存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，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本地模块。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。[0137]基于同一发明构思，根据本发明的另一个方面，如图20所示，本发明的实施例还提供了一种计算机可读存储介质40，计算机可读存储介质 40存储有被处理器执行时执行如上方法的计算机程序410。[0138]最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。[0139]本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。[0140]以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。[0141]应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。[0142]所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!