基于安全门的客流监测方法及系统与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及轨道交通领域，具体地涉及一种基于安全门的客流监测方法、一种基于安全门的客流监测系统。背景技术：2.随着城市轨道交通建设的发展和普及，轨道交通的客流量日益增大，需要对客流状况以及客流变化规律进行统计，以对城市轨道交通的运输组织和行车组织的设计规划提供指导数据。3.在客流计数方面曾出现压力传感器、红外线传感器、热成像仪等统计技术，但是这些客流统计方法存在很多缺陷，不适用于复杂拥挤的轨道交通场景。4.随着智能化物联网时代的到来，智能识别技术开始应用于轨道交通运营领域。目前，急需研究智能图像识别技术在轨道交通客流统计方面的应用。技术实现要素：5.为了解决上述问题，本技术实施例中提供了一种基于安全门的客流监测方法及系统。6.根据本技术实施例的第一个方面，提供了一种基于安全门的客流监测方法，所述方法包括：7.通过布设于安全门的图像采集装置采集上下车乘客的图像；8.通过对采集的图像进行动态路径识别区分上车乘客和下车乘客，利用神经网络模型识别图像中的上车乘客人数和下车乘客人数；9.将神经网络模型识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，对断面客流进行实时统计。10.进一步地，所述通过对采集的图像进行动态路径识别区分上车乘客和下车乘客，包括：根据采集的图像进行动态路径识别形成路径拟合曲线，根据路径拟合曲线将图像数据拆分为上车数据集点和下车数据集点，通过回归分析形成区别上车乘客与下车乘客的图像。11.进一步地，所述利用神经网络模型识别图像中的上车乘客人数和下车乘客人数，包括：12.对图像进行特征提取；13.获取各个乘客的标签位置，根据视图场景中所有的标签位置生成标签密度图；14.根据所述标签密度图计算图像中的上车乘客人数和下车乘客人数。15.进一步地，所述对图像进行特征提取，包括：16.通过不同尺度的编码块对图像进行编码，形成内部表示的编码数据；17.对内部表示的编码组进行解码，形成包含尺度信息的特征数据。18.进一步地，所述通过不同尺度的编码块对图像进行编码，形成内部表示的编码数据，包括：将上层编码块的输出vi下采样到与vi+1相同的尺度，通过两层卷积编码得到下层编码块的输出vi+1；同时，将下层编码块的输出vi+1输入到对应尺度的解码块参与解码。19.进一步地，所述对内部表示的编码数据进行解码，形成包含尺度信息的特征数据，包括：20.将下层解码块的输出pi+1上采样到与vi相同的尺度，将下层解码块的输出pi+1与上层编码块的输出vi在通道方向上连接，形成新的特征图；21.对新的特征图进行两层卷积解码，得到上层解码块的输出pi；22.每层解码块的输出作为一个尺度的特征，所有解码块的输出形成包含各个尺度信息的特征数据。23.进一步地，所述获取各个乘客的标签位置，根据视图场景中所有的标签位置生成标签密度图，包括：24.对乘客人头位置进行标注得到乘客的图片平面坐标；25.通过单应性变换将乘客的图片平面坐标转换为投影平面坐标，将投影平面坐标作为乘客的标签位置；26.将视图场景中所有的标签位置与二维离散高斯核相卷积，生成标签密度图。27.进一步地，所述根据所述标签密度图计算图像中的上车乘客人数和下车乘客人数，包括：计算所述标签密度图中的像素值，对所述标签密度图中所有的像素值进行累加，根据累加的像素值计算图像中的上车乘客人数和下车乘客人数。28.进一步地，所述方法还包括：利用损失函数对所述卷积神经网络模型进行优化；29.所述损失函数由欧式距离公式和局部一致性损失公式加权所得；30.所述欧式距离公式用于计算标签密度图与真实密度图之间的像素损失；31.所述局部一致性损失公式用于平衡所述标签密度图中像素之间关联性带来的误差。32.进一步地，所述将神经网络模型识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，对断面客流进行实时统计，包括：33.将神经网络模型识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，计算列车通过前一断面时的上车乘客人数和下车乘客人数以及通过本断面的上车乘客人数和下车乘客人数；34.根据通过前一断面时的上车乘客人数和下车乘客人数以及通过本断面的上车乘客人数和下车乘客人数计算本断面的断面客流。35.根据本技术实施例的第二个方面，提供了一种基于安全门的客流监测系统，所述系统包括：36.图像采集装置，布设于站台安全门，用于采集上下车乘客的图像；37.图像识别模块，用于对所述图像采集装置采集的图像进行动态路径识别区分上车乘客和下车乘客，利用神经网络模型识别图像中的上车乘客人数和下车乘客人数；38.客流统计模块，用于将所述图像识别模块识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，对断面客流进行实时统计。39.进一步地，所述图像采集装置有三个，三个所述图像采集装置分别布设于候车站台的安全门的正上方、左上方、右上方。40.进一步地，所述图像识别模块包括路径识别模块和特征识别模块；41.所述路径识别模块用于根据采集的图像进行动态路径识别形成路径拟合曲线，根据路径拟合曲线将图像数据拆分为上车数据集点和下车数据集点，通过回归分析形成区别上车乘客与下车乘客的图像；42.所述特征识别模块用于利用神经网络模型识别图像中的上车乘客人数和下车乘客人数。43.进一步地，所述特征识别模块包括特征提取模块、融合模块以及密度像素计算模块；44.所述特征提取模块用于对所述路径拟合模块形成的区别上车乘客与下车乘客的图像进行特征提取；45.所述融合模块用于获取各个乘客的标签位置，根据视图场景中所有的标签位置生成标签密度图；46.所述密度像素计算模块用于计算所述标签密度图中的像素值，对所述标签密度图中所有的像素值进行累加，根据累加的像素值计算图像中的上车乘客人数和下车乘客人数。47.进一步地，所述将所述图像识别模块识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，对断面客流进行实时统计，包括：48.所述客流统计模块将上车乘客人数和下车乘客人数与通过断面的时间进行关联，计算列车通过前一断面时的上车乘客人数和下车乘客人数以及通过本断面的上车乘客人数和下车乘客人数；49.根据通过前一断面时的上车乘客人数和下车乘客人数以及通过本断面的上车乘客人数和下车乘客人数计算本断面的断面客流。50.本技术实施例中提供的基于安全门的客流监测方法及系统，采用动态路径识别区分上车乘客和下车乘客，利用神经网络模型进行图像识别计数得到上、下车乘客人数，通过将图像识别计数结果与时间进行关联，实时统计各断面客流情况，可以对轨道交通的运输组织策划和调度指挥提供支持。附图说明51.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：52.图1为本技术实施例提供的基于安全门的客流监测方法的流程图；53.图2为本技术实施例提供的上下车乘客的轨迹成像示意图；54.图3为本技术实施例提供的基于安全门的客流监测方法的路径识别示意图；55.图4为本技术实施例提供的基于安全门的客流监测方法的特征提取的示意图；56.图5为本技术实施例提供的基于安全门的客流监测系统的框图；57.图6为本技术实施例提供的基于安全门的客流监测系统的特征识别模块的框图。具体实施方式58.为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本技术的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。59.本技术实施例中提供一种基于安全门的客流监测方法，所述方法包括：通过布设于安全门的图像采集装置采集上下车乘客的图像；通过对采集的图像进行动态路径识别区分上车乘客和下车乘客，利用神经网络模型识别图像中的上车乘客人数和下车乘客人数；将神经网络模型识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，对断面客流进行实时统计。本技术采用动态路径识别区分上车乘客和下车乘客，利用神经网络模型进行图像识别计数得到上、下车乘客人数，通过将图像识别计数结果与时间进行关联，实时统计各断面客流情况，可以对轨道交通的运输组织策划和调度指挥提供支持。以下对本技术的示例性实施例进行详细说明。60.图1为本技术实施例提供的基于安全门的客流监测方法的流程图。如图1所示，本实施例提供的基于安全门的客流监测方法，包括以下步骤：61.s100、通过布设于安全门的图像采集装置采集上下车乘客的图像。62.选用三个图像采集装置(摄像头)，分别布设于候车站台的安全门的正上方、左上方、右上方。列车到站后列车车门和站台安全门打开，列车上的乘客有序下车，在站台候车的乘客有序上车，通过站台安全门上的图像采集装置拍摄俯视视野范围的乘客头部移动的图像。其中，正上方的图像采集装置作为主采集设备，左上方和右上方的图像采集装置作为精度辅助设备。63.s200、通过对采集的图像进行动态路径识别区分上车乘客和下车乘客，利用神经网络模型识别图像中的上车乘客人数和下车乘客人数。64.s300、将神经网络模型识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，对断面客流进行实时统计。65.本技术实施例通过布设在候车站台安全门的图像采集装置来采集图像，利用乘客在站台候车的特点、安全门的结构特点以及摄像头的视野范围，采用动态路径识别区分图像中的上、下车乘客，利用神经网络模型进行图像识别计数得到上、下车乘客人数，通过将图像识别计数结果与时间进行关联，实现对各断面客流的实时统计，实时统计的断面客流可以对轨道交通的运输组织策划和调度指挥提供支持66.上述步骤s200具体包括以下子步骤：67.第一子步骤：根据采集的图像进行动态路径识别，形成区别上车乘客与下车乘客的图像。具体的，根据采集的图像进行动态路径识别形成路径拟合曲线，根据路径拟合曲线将图像数据拆分为上车数据集点和下车数据集点，通过回归分析形成区别上车乘客与下车乘客的图像。68.图2为本技术实施例提供的上下车乘客的轨迹成像示意图。如图2所示，通过识别逐渐远离/靠近安全门的人员背影来识别上、下车乘客。按照视野“近大远小”原则，背影逐渐变大表示正在靠近安全门，属于上车乘客，背影逐渐变小表示正在远离安全门，属于下车乘客。69.图3为本技术实施例提供的基于安全门的客流监测方法的路径识别示意图。如图3所示，对图像采集装置采集到的图像数据进行连续时间帧的路径解析，创建数据集，形成包含上车方向轨迹和下车方向轨迹的路径拟合曲线。根据路径拟合曲线将图像数据拆分成上车数据集点和下车数据集点，通过回归分析形成区分上车乘客与下车乘客的图像。70.第二子步骤：利用卷积神经网络模型识别图像中的上车乘客人数和下车乘客人数。具体的，第二子步骤包括以下内容：71.(1)对图像进行特征提取。具体的，通过不同尺度的编码块对图像进行编码，形成内部表示的编码数据；对内部表示的编码组进行解码，形成包含尺度信息的特征数据。72.卷积神经网络的骨干网络的不同中间层用于从图像(图片)中提取多个尺度的特征。通常地铁站台宽度分为：极限8米(无柱)，10米单柱，11米双柱偏跨，12米双柱。使用3个尺度，分别表示距离摄像机远、中、近的上车(下车)乘客人群，不同尺度之间的下采样跨度为2米。73.图4为本技术实施例提供的基于安全门的客流监测方法的特征提取的示意图。如图4所示，骨干网络可以分解成多个编码块和解码块。图片经过不同尺度的编码块编码，形成内部表示的编码数据{v1,v2,v3}，再由对应的解码块进行解码，形成包含各自的尺度信息的特征数据{p1,p2,p3}。在编码过程中，上层编码块的输出vi被下采样到与vi+1相同的尺度，再经由两层卷积编码，得到下层编码块的输出vi+1。同时，下层编码块的输出vi+1被输入到对应尺度的解码块参与解码过程。在解码过程中，下层解码块的输出pi+1被上采样到与上层编码块的输出vi相同的尺度，再与上层编码块的输出vi在通道方向上连接，形成新的特征图。新的特征图经由两层卷积解码，得到上层解码块的输出pi。每层解码块的输出作为一个尺度的特征，所有解码块的输出形成包含各个尺度信息的特征数据。具体的，卷积神经网络模型使用高斯核大小和跨度均为2×2的最大池化层来进行下采样，使用双线性插值进行上采样；编码块和解码块均使用核大小为3×3、跨度为1×1的卷积层。74.本实施例通过不同尺度的编码及解码，可以实现对距离摄像机不同距离(远、中、近)的乘客人群的特征提取。75.(2)获取各个乘客的标签位置，根据视图场景中所有的标签位置生成标签密度图。76.假设站台安全门两侧的摄像头的内部参数k、焦距r、位置高度t等已知，考虑到成人平均身高为170cm，将此高度下的平面作为图片空间映射到世界空间的投影平面a。各个摄像头的视角提取的图片需要在同一个世界空间融合，从各视角独立图片空间提取的特征，需要在图片空间和世界空间之间进行单应性变换。77.首先对乘客人头位置进行标注得到乘客的图片平面坐标，通过单应性变换将乘客的图片平面坐标转换为投影平面坐标，将投影平面坐标作为乘客的标签位置，然后将视图场景中所有的标签位置与二维离散高斯核相卷积，生成标签密度图。78.利用单应性矩阵将乘客的图片平面坐标转换为投影平面坐标，所述单应性矩阵为：[0079][0080]其中，[0081]x，y分别为以图像采集装置为原点建立的空间直角坐标系下乘客的横坐标、纵坐标，原点在投影平面a的坐标为(u0,v0)；(xs,ys)表示乘客的图片平面坐标，(xt,yt)表示乘客的投影平面坐标。[0082]手动标注人头位置，可以得到某人在第i个视图上的坐标locview。通过第i个视图对应的单应性矩阵将图片空间中的坐标locview转换为世界空间中投影平面a的坐标locscene。令该人在场景中的标签位置为locscene，t为视图的个数，得到公式：[0083][0084]基于上述公式，将场景中所有的标签位置与二维离散高斯核相卷积，得到最终的标签密度图。[0085](3)根据标签密度图计算图像中的上车乘客人数和下车乘客人数。[0086]具体的，通过计算标签密度图中的像素值，对标签密度图中所有的像素值进行累加，根据累加的像素值计算图像中的上车乘客人数和下车乘客人数。令m为所有标签位置的集合，δ为高斯核的标准差，假设高斯核的标准差δ为10.0，且已被归一化。对于标签密度图中的某像素f，先将高斯核的中心对准各标签位置，即locscene∈m，然后累加f在所有高斯核上的响应值gaussian，得到其对应的像素值b(p)。计算像素值b(p)的公式如下：[0087][0088]标签密度图实则包含了c个高斯核中的所有响应值。若要高斯核的大小超过3个标准差，则核内所有响应值之和近似为1，即标签密度图中所有的像素值之和约等于c。累加密度图中所有的像素值，可以得到当前场景中的乘客人数c。[0089]本实施例通过对图像进行不同尺度的特征提取，对乘客的标签坐标进行单应性变换、生成标签密度图，根据标签密度图计算图像中的上、下车乘客人数，提高图像识别计数的准确度。[0090]由于预测数据与实际数据存在一定程度的差距，利用损失函数来表现预测与实际数据的差距程度，损失函数越小代表网络模型的鲁棒性越好。因此利用损失函数对卷积神经网络模型进行优化。[0091]损失函数loss包括欧式距离lc和局部一致性损失le。lc衡量预测密度图和真实密度图之间的像素损失，le用来平衡由于像素之间关联性带来的误差。[0092][0093]其中，n为场景密度图中像素个数，di表示真实密度图中的第i个像素。[0094][0095]ssim是引入的结构相似性指标，衡量图片中两个位置x和y之间的局部一致性。[0096]损失函数loss由lc和le加权所得：loss＝lc+λle；[0097]其中，λ表示平衡欧式距离损失与局部一致性损失的权重，经过数据验证λ＝0.001。[0098]上述步骤s300具体包括：将神经网络模型识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，计算列车通过前一断面时的上车乘客人数和下车乘客人数以及通过本断面的上车乘客人数和下车乘客人数；根据通过前一断面时的上车乘客人数和下车乘客人数以及通过本断面的上车乘客人数和下车乘客人数计算本断面的断面客流。[0099]假设t0表示通过初始断面的时间(始发站上车)，tn表示通过第n个断面的时间；[0100]表示i号车通过第n个断面是j号安全门的上车乘客人数；[0101]表示i号车通过第n个断面是j号安全门的下车乘客人数。[0102]则t0时刻，i号车的总上车乘客人数[0103]t0时刻，i号车的总下车乘客人数[0104]以上得到t0时刻i号车的总上车乘客人数a0，总下车乘客人数b0，则t0时刻i号车上的乘客人数nit0＝a0-b0；[0105]同理，计算t1时刻i号车的总上车乘客人数a1，总下车乘客人数b1，则t1时刻i号车上的乘客人数nit1＝a1-b1+nit0；[0106]同理，计算tn时刻i号车的总上车乘客人数an，总下车乘客人数bn，则tn时刻i号车上的乘客人数nitn＝a1-b1+nitn-1；[0107]站台安全门的图像采集装置与列车的车底号关联，在到站停车发生乘客上下车时，对该时刻断面客流打上时间和列车号的标签。在计算线路的断面客流时，将统计时刻内在线运营的列车载客数相加，求得当前运行线路在该时刻的断面客流。[0108]图5为本技术实施例提供的基于安全门的客流监测系统的框图。如图5所示，本实施例提供的基于安全门的客流监测系统，包括：图像采集装置、图像识别模块以及客流统计模块。图像采集装置布设于安全门，用于采集上下车乘客的图像。图像识别模块用于对所述图像采集装置采集的图像进行动态路径识别区分上车乘客和下车乘客，利用神经网络模型识别图像中的上车乘客人数和下车乘客人数。客流统计模块用于将所述图像识别模块识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，对断面客流进行实时统计。[0109]本实施例中，图像采集装置(摄像头)有三个，分别布设于候车站台的安全门的正上方、左上方、右上方。列车到站后列车车门和站台安全门打开，列车上的乘客有序下车，在站台候车的乘客有序上车，通过站台安全门上的图像采集装置拍摄俯视视野范围的乘客头部移动的图像。其中，正上方的图像采集装置作为主采集设备，左上方和右上方的图像采集装置作为精度辅助设备。[0110]图像识别模块包括路径识别模块和特征识别模块。路径识别模块用于根据采集的图像进行动态路径识别，形成区别上车乘客与下车乘客的图像。具体的，路径识别模块对图像数据进行连续时间帧的路径解析，创建数据集，形成包含上车方向轨迹和下车方向轨迹的路径拟合曲线。根据路径拟合曲线将图像数据拆分成上车数据集点和下车数据集点，通过回归分析形成区分上车乘客与下车乘客的图像。特征识别模块用于利用卷积神经网络模型识别图像中的上车乘客人数和下车乘客人数。[0111]图6为本技术实施例提供的基于安全门的客流监测系统的特征识别模块的框图。如图6所示，本实施例提供的特征识别模块包括特征提取模块、融合模块以及密度像素计算模块。特征提取模块用于对路径拟合模块形成的区别上车乘客与下车乘客的图像进行特征提取。融合模块用于获取各个乘客的标签位置，根据视图场景中所有的标签位置生成标签密度图。密度像素计算模块用于计算所述标签密度图中的像素值，对所述标签密度图中所有的像素值进行累加，根据累加的像素值计算图像中的上车乘客人数和下车乘客人数。[0112]在具体实施例中，特征提取模块包括多个编码块和解码块。图片经过不同尺度的编码块编码，形成内部表示的编码数据{v1,v2,v3}，再由对应的解码块进行解码，形成包含各自的尺度信息的特征数据{p1,p2,p3}。在编码过程中，上层编码块的输出vi被下采样到与vi+1相同的尺度，再经由两层卷积编码，得到下层编码块的输出vi+1。同时，下层编码块的输出vi+1被输入到对应尺度的解码块参与解码过程。在解码过程中，下层解码块的输出pi+1被上采样到与上层编码块的输出vi相同的尺度，再与上层编码块的输出vi在通道方向上连接，形成新的特征图。新的特征图经由两层卷积解码，得到上层解码块的输出pi。每层解码块的输出作为一个尺度的特征，所有解码块的输出形成包含各个尺度信息的特征数据。具体的，卷积神经网络模型使用高斯核大小和跨度均为2×2的最大池化层来进行下采样，使用双线性插值进行上采样；编码块和解码块均使用核大小为3×3、跨度为1×1的卷积层。[0113]假设站台安全门两侧的摄像头的内部参数k、焦距r、位置高度t等已知，考虑到成人平均身高为170cm，将此高度下的平面作为图片空间映射到世界空间的投影平面a。各个摄像头的视角提取的图片需要在同一个世界空间融合，从各视角独立图片空间提取的特征，需要在图片空间和世界空间之间进行单应性变换。对图片进行特征提取后，对乘客人头位置进行标注得到乘客的图片平面坐标。融合模块通过单应性变换将乘客的图片平面坐标转换为投影平面坐标，将投影平面坐标作为乘客的标签位置，然后将视图场景中所有的标签位置与二维离散高斯核相卷积，生成标签密度图。[0114]密度像素计算模块通过计算标签密度图中的像素值，对标签密度图中所有的像素值进行累加，根据累加的像素值计算图像中的上车乘客人数和下车乘客人数。具体的，令m为所有标签位置的集合，δ为高斯核的标准差，假设高斯核的标准差δ为10.0，且已被归一化。对于标签密度图中的某像素f，先将高斯核的中心对准各标签位置，即locscene∈m，然后累加f在所有高斯核上的响应值gaussian，得到其对应的像素值b(p)。计算像素值b(p)的公式如下：[0115][0116]标签密度图实则包含了c个高斯核中的所有响应值。若要高斯核的大小超过3个标准差，则核内所有响应值之和近似为1，即标签密度图中所有的像素值之和约等于c。累加密度图中所有的像素值，可以得到当前场景中的乘客人数c。[0117]客流统计模块将图像识别模块识别的上车乘客人数和下车乘客人数与通过断面的时间进行关联，计算列车通过前一断面时的上车乘客人数和下车乘客人数以及通过本断面的上车乘客人数和下车乘客人数；根据通过前一断面时的上车乘客人数和下车乘客人数以及通过本断面的上车乘客人数和下车乘客人数计算本断面的断面客流。[0118]具体的，假设t0表示通过初始断面的时间(始发站上车)，tn表示通过第n个断面的时间；[0119]表示i号车通过第n个断面是j号安全门的上车乘客人数；[0120]表示i号车通过第n个断面是j号安全门的下车乘客人数。[0121]则t0时刻，i号车的总上车乘客人数[0122]t0时刻，i号车的总下车乘客人数[0123]以上得到t0时刻i号车的总上车乘客人数a0，总下车乘客人数b0，则t0时刻i号车上的乘客人数nit0＝a0-b0；[0124]同理，计算t1时刻i号车的总上车乘客人数a1，总下车乘客人数b1，则t1时刻i号车上的乘客人数nit1＝a1-b1+nit0；[0125]同理，计算tn时刻i号车的总上车乘客人数an，总下车乘客人数bn，则tn时刻i号车上的乘客人数nitn＝a1-b1+nitn-1；[0126]站台安全门的图像采集装置与列车的车底号关联，在到站停车发生乘客上下车时，对该时刻断面客流打上时间和列车号的标签。在计算线路的断面客流时，将统计时刻内在线运营的列车载客数相加，求得当前运行线路在该时刻的断面客流。[0127]本技术实施例提供的基于安全门的客流监测系统，利用乘客在站台候车的特点和安全门的结构特点，结合摄像头采集图像的视野范围，利用图像识别计数实现对断面客流的实时统计，提供客流统计数据指导运营企业的运输策划和调度指挥工作。[0128]本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。[0129]本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0130]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0131]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0132]尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。[0133]显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。









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!