一種車牌的定位方法及定位裝置與流程
本發明涉及圖像處理領域，具體涉及一種車牌的定位方法及定位裝置。
背景技術：
車牌定位任務的目的是在一幅圖像中定位出車牌的位置，它是智能交通領域中車牌識別系統最基礎的一個步驟，從一幅圖像中定位出車牌所處的區域之后，便可以進一步的識別該區域內的車牌號碼。
目前常用的、成熟的車牌定位方法主要為機器學習方法，機器學習的主要思路為：采集大量的車牌正負樣本數據，構建用以表述正負樣本數據的特征集合，現有技術中常見的特征包括矩形特征(haar-like)、局部二值模式特征(LBP)和方向梯度直方圖(Hog)特征等，利用特征集合對基于學習的分類器進行訓練，得到車牌分類器，之后可以利用得到的車牌分類器對圖像進行區域搜索，確定包括車牌的子區域，從而定位出車牌的位置。
但是，現有技術構建特征需要建立在圖像識別的基礎上，因此需要大量的數據處理過程，產生大量的特征，計算復雜，耗時較長。
技術實現要素：
本發明提供一種車牌的定位方法及定位裝置，用于解決現有技術中車牌分類器的訓練過程的計算復雜、耗時過長的問題。
本發明實施例的一方面提供了一種車牌的定位方法，包括：
步驟1、獲取類別已知的樣本圖像，所述樣本圖像包括車牌圖像和非車牌圖像；
步驟2、計算所述樣本圖像的像素差異特征；
步驟3、根據所述樣本圖像的類別標識所述像素差異特征所屬的類別；
步驟4、利用機器學習算法對標識有類別的所述像素差異特征進行學習，得到車牌分類器；
步驟5、利用所述車牌分類器對第一待檢測子圖像集中的子圖像進行分類，得到第一分類結果，所述第一待檢測子圖像集通過以第一預設檢測窗口遍歷待定位圖像得到；
步驟6、根據所述第一分類結果輸出車牌定位結果。
結合第一方面，在第一方面的第一種可能的實現方式中，所述機器學習算法為GentleBoost算法。
結合第一方面的第一種可能的實現方式，在第一方面的第二種可能的實現方式中，所述步驟4中利用機器學習算法對標識有類別的所述像素差異特征進行學習包括：
步驟4.1、利用GentleBoost算法對標識有類別標簽的像素差異特征進行學習，得到第一分類器；
步驟4.2、重復步驟1至步驟4.1的訓練過程，得到多層所述第一分類器；
步驟4.3、將所述多層第一分類器級聯成所述車牌分類器。
結合第一方面的第二種可能的實現方式，在第一方面的第三種可能的實現方式中，所述步驟4.1中得到的第一分類器包括若干個最優第二分類器，所述最優第二分類器通過GentleBoost算法訓練得到。
結合第一方面、第一方面的第一種可能的實現方式、第一方面的第二種可能的實現方式和第一方面的第三種可能的實現方式之中任意一種，在第一方面的第四種可能的實現方式中，在步驟5中利用所述車牌分類器對第一待檢測子圖像集中的子圖像進行分類之后，在步驟6中根據所述第一分類結果輸出車牌定位結果之前，所述方法還包括：
根據所述第一分類結果判斷所述第一待檢測子圖像集中是否包括目標子圖像，所述目標子圖像為屬于車牌圖像的子圖像；
若是，則觸發根據所述第一分類結果輸出車牌定位結果的操作；
若否，則以第二預設檢測窗口遍歷所述待定位圖像，得到第二待檢測子圖像集，所述第二預設檢測窗口的尺寸與所述第一預設檢測窗口的尺寸不同；
利用所述車牌分類器對所述第二待檢測子圖像集中的子圖像進行分類，得到第二分類結果；
根據所述第二分類結果輸出車牌定位結果。
本發明實施例的第二方面提供了一種車牌的定位裝置，包括：
獲取模塊，用于獲取類別已知的樣本圖像，所述樣本圖像包括車牌圖像和非車牌圖像；
計算模塊，用于計算所述樣本圖像的像素差異特征；
標識模塊，用于根據所述樣本圖像的類別標識所述像素差異特征所屬的類別；
分類器訓練模塊，用于利用機器學習算法對標識有類別的所述像素差異特征進行學習，得到車牌分類器；
第一分類模塊，用于利用所述車牌分類器對第一待檢測子圖像集中的子圖像進行分類，得到第一分類結果，所述第一待檢測子圖像集通過以第一預設檢測窗口遍歷待定位圖像得到；
第一定位模塊，用于根據所述第一分類結果輸出車牌定位結果。
結合第二方面，在第二方面的第一種可能的實現方式中，所述機器學習算法為GentleBoost算法。
結合第二方面或者第二方面的第一種可能的實現方式，在第二方面的第二種可能的實現方式中，所述分類器訓練模塊包括：
單層訓練單元，用于利用GentleBoost算法對標識有類別標簽的像素差異特征進行學習，得到第一分類器；
循環訓練單元，用于重復獲取模塊401、計算模塊402、標識模塊403以及單層訓練單元4041的訓練過程，得到多層所述第一分類器；
級聯單元，用于將所述多層第一分類器級聯成所述車牌分類器。
結合第二方面的第二種可能的實現方式，在第二方面的第三種可能的實現方式中，所述步驟4.1中得到的第一分類器包括若干個最優第二分類器，所述最優第二分類器通過GentleBoost算法訓練得到。
結合第二方面、第二方面的第一種可能的實現方式、第二方面的第二種可能的實現方式和第二方面的第三種可能的實現方式之中任意一種，在第二方面的第四種可能的實現方式中，所述定位裝置還包括：
判斷模塊，用于根據所述第一分類結果判斷所述第一待檢測子圖像集中是否包括目標子圖像，所述目標子圖像為屬于車牌圖像的子圖像；
觸發模塊，用于當所述判斷模塊判定所述第一待檢測子圖像集中包括目標子圖像時，觸發根據所述第一分類結果輸出車牌定位結果的操作；
遍歷模塊，用于當所述判斷模塊判定所述第一待檢測子圖像集中不包括目標子圖像時，以第二預設檢測窗口遍歷所述待定位圖像，得到第二待檢測子圖像集，所述第二預設檢測窗口的尺寸與所述第一預設檢測窗口的尺寸不同；
第二分類模塊，用于利用所述車牌分類器對所述第二待檢測子圖像集中的子圖像進行分類，得到第二分類結果；
第二定位模塊，用于根據所述第二分類結果輸出車牌定位結果。
從以上技術方案可以看出，本發明實施例具有以下優點：
本發明首先獲取類別已知的車牌圖像和非車牌圖像，作為樣本圖像，通過計算所述樣本圖像的像素差異特征，并利用機器學習算法對標識有類別的所述像素差異特征進行學習，得到車牌分類器，從而利用所述車牌分類器對第一待定位圖像中的車牌進行定位，由于本發明提供的車牌的定位方法無需建立在圖像識別的基礎上，因此數據處理的過程簡單，特征較少，計算簡單，耗時較短。
附圖說明
圖1是本發明車牌的定位方法一個實施例示意圖；
圖2是本發明車牌的定位方法另一個實施例示意圖；
圖3是本發明車牌的定位裝置一個實施例示意圖；
圖4是本發明車牌的定位裝置另一個實施例示意圖。
具體實施方式
本發明實施例提供了一種車牌的定位方法及定位裝置，用于簡化數據處理過程，減少特征數量。
為了使本技術領域的人員更好地理解本發明方案，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分的實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都應當屬于本發明保護的范圍。
本發明的說明書和權利要求書及上述附圖中的術語“第一”、“第二”、“第三”、“第四”等(如果存在)是用于區別類似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數據在適當情況下可以互換，以便這里描述的實施例能夠以除了在這里圖示或描述的內容以外的順序實施。此外，術語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過程、方法、產品或設備固有的其它步驟或單元。
為便于理解，下面對本發明實施例中的具體流程進行描述，請參閱圖1，本發明實施例中車牌的定位方法一個實施例包括：
101、獲取類別已知的樣本圖像，樣本圖像包括車牌圖像和非車牌圖像；
車牌的定位裝置可以獲取大量的類別已知的樣本圖像，樣本圖像的類別用以指明樣本圖像為車牌圖像還是非車牌圖像，獲取到的樣本圖像中既包括車牌圖像，也包括非車牌圖像。
102、計算樣本圖像的像素差異特征；
車牌的定位裝置獲取到樣本圖像之后，可以計算樣本圖像的像素差異特征，像素差異特征根據樣本圖像中不同像素之間的差異來確定。
103、根據樣本圖像的類別標識像素差異特征所屬的類別；
車牌的定位裝置計算得到樣本圖像的像素差異特征之后，可以根據樣本圖像的類別對樣本圖像的像素差異特征所屬的類別進行標識，以表明樣本圖像所屬的類別為車牌圖像還是非車牌圖像。
104、利用機器學習算法對標識有類別的像素差異特征進行學習，得到車牌分類器；
車牌的定位裝置得到標識有類別的像素差異特征之后，可以利用機器學習算法對標識有類別的像素差異特征進行學習，得到車牌分類器。
105、利用車牌分類器對第一待檢測子圖像集中的子圖像進行分類，得到第一分類結果；
車牌的定位裝置訓練得到車牌分類器之后，可以利用車牌分類器對第一待檢測子圖像集中的子圖像進行分類，得到第一分類結果。第一分類結果可以用以表明第一待檢測子圖像集中的子圖像的類別。
106、根據第一分類結果輸出車牌定位結果。
車牌的定位裝置得到第一分類結果之后，可以根據第一分類結果輸出車牌定位結果，車牌定位結果可以為第一待檢測子圖像集中屬于車牌圖像的子圖像，也可以為屬于車牌圖像的子圖像在第一待定位圖像中的位置信息。
本發明首先獲取類別已知的車牌圖像和非車牌圖像，作為樣本圖像，通過計算樣本圖像的像素差異特征，并利用機器學習算法對標識有類別的像素差異特征進行學習，得到車牌分類器，從而利用車牌分類器對第一待定位圖像中的車牌進行定位，由于本發明提供的車牌的定位方法無需建立在圖像識別的基礎上，因此數據處理的過程簡單，特征較少，計算簡單，耗時較短。
請參閱圖2，為本發明實施例中車牌的定位方法一個實施例，本實施例中，車牌的定位過程包括車牌分類器的訓練過程和利用訓練好的車牌分類器進行車牌的定位過程，車牌分類器的訓練過程包括：
201、獲取類別已知的樣本圖像，樣本圖像的類別包括車牌圖像和非車牌圖像；
車牌的定位裝置首先進行樣本圖像的收集工作，收集大量的預設像素大小的樣本圖像，假設預設像素大小為(m*n)，m與n的比例需要參考車牌的長寬比例，或者m與n的比例與車牌的長寬比例相同，并且，由于樣本圖像用于訓練分類器，因此收集的樣本圖像需要同時包括車牌圖像和非車牌圖像，即一些樣本圖像為包括車牌的車牌圖像，其他樣本圖像為不包括車牌的非車牌圖像。
202、計算樣本圖像的像素差異特征；
車牌的定位裝置獲取樣本圖像之后，可以確定樣本圖像中各個像素的灰度值，根據像素的灰度值可以計算樣本圖像的像素差異特征。像素差異特征F可以指第一像素差異d1，第一像素差異d1可以定義為第一像素的灰度值a1與第二像素的灰度值a2的差異，第一像素與第二像素在樣本圖像中的位置不同。為了提高車牌分類器分類結果的魯棒性，像素差異特征可以包括多個像素差異，比如計算所有相隔兩個像素位置的像素之間的差異，像素差異特征包括的像素差異越多，魯棒性越高，包括的像素差異的最大個數為為了方便描述，以像素差異特征F包括第一像素差異d1、第二像素差異d2和第三像素差異d3這三個像素差異為例，或者說向量F＝(d1，d2，d3)，第一像素差異d1可以定義為第一像素的灰度值a1與第二像素的灰度值a2的差異，第二像素差異d2可以定義為第三像素的灰度值a3與第四像素的灰度值a4的差異，第三像素差異d3可以定義為第五像素的灰度值a5與第六像素的灰度值a6的差異。
在本發明實施例中，差異可以簡單定義為兩個像素灰度值的差值，也可以定義為兩個像素灰度值的商，還可以定義為其他形式，此處不做具體限定，只要當進行比較的對象的差異越大時，它們的差異值的絕對值越大，當進行比較的對象的差異越小時，它們的差異值的絕對值越小即可，具體形式可以根據車牌分類器分類結果的魯棒性以及車牌分類器的訓練過程的運算量和時間成本來綜合考慮確定。作為舉例，本發明實施例中的像素差異可以定義為d＝(ax-ay)/(ax+ay)，即d1＝(a1-a2)/(a1+a2)，d2＝(a3-a4)/(a3+a4)，d3＝(a5-a6)/(a5+a6)。
203、根據樣本圖像的類別為其像素差異特征標注類別標簽；
車牌的定位裝置計算得到各個樣本圖像的像素差異特征之后，可以根據樣本圖像的類別對樣本圖像的像素差異特征進行標識，具體的，可以為像素差異特征標注類別標簽，比如可以將車牌圖像的像素差異特征標識為1，將非車牌圖像的像素差異特征標識為0。在實際使用過程中，還可以通過其他方法標識像素差異特征所屬的類別，此處不做具體限定。
車牌的定位裝置為像素差異特征標注類別標簽之后，可以利用標識有類別標簽的像素差異特征對基于學習的分類器進行訓練，得到車牌分類器，為了提高車牌分類器分類結果的魯棒性，可以基于GentleBoost機器學習算法，訓練車牌分類器，具體的可以參考如下步驟：
204、利用GentleBoost算法對標識有類別標簽的像素差異特征進行學習，得到第一分類器，第一分類器包括若干個最優第二分類器，每個最優第二分類器通過GentleBoost算法訓練所得；
通常GentleBoost算法對特征進行訓練的過程為：首先訓練得到第二分類器，第二分類器為精度較低的分類器，即弱分類器。之后從訓練出的多個第二分類器中選出精度較高的若干個最優分類器，將若干個最優第二分類器繼續訓練，得到精度相對更高的第一分類器，即強分類器。
在本發明實施例中，對于步驟203得到的所有標識有類別標簽的像素差異特征，利用GentleBoost算法進行特征選擇，先得出若干最優弱分類器，然后將弱分類器累加得到強分類器。
為了進一步增加訓練出的車牌分類器的魯棒性，可以訓練多層第一分類器，請參閱如下步驟：
205、重復步驟201至步驟204的訓練過程，得到多層第一分類器；
對于每一層第一分類器，即強分類器，都可以設置弱分類器的最大個數和強分類器的分類精度。若某一層的第一分類器不滿足弱分類器的個數的要求且精度未達到設定要求，則返回不厚201重新進行樣本訓練；若該層弱分類器的數量達到最大值或精度滿足要求，則可以進行下一層第一分類器的訓練，直至得到的第一分類器的層數達到預設層數，訓練完成。
206、將多層第一分類器級聯成車牌分類器；
訓練得到多層第一分類器之后，可以將訓練得到的多層第一分類器級聯得到車牌分類器。
通過上述方法訓練得到的車牌分類器能夠對多種形式的車牌(傾斜、彎曲、大角度仿射等)具有較好地分類鑒別能力，從實際學習的過程中可以發現，某一些回歸二叉樹對規則的車牌具有好的分類表現，而另一些回歸二叉樹對存在嚴重仿射變換的車牌具有較強的鑒別能力。
以下繼續介紹利用訓練好的車牌分類器進行車牌的定位過程：
207、獲取待定位圖像；
車牌的定位裝置訓練得到車牌分類器之后，可以獲取待定位圖像，即需要進行車牌定位的圖像，待定位圖像中若包括車牌，車牌所占區域的尺寸通常遠小于待定位圖像的尺寸，比如，車牌所占區域的尺寸為待定位圖像的尺寸的1/20～1/10。
208、以預設長寬比例的第一檢測窗口遍歷待定位圖像，得到第一待檢測子圖像集；
預設長寬比例需要與訓練車牌分類器的樣本圖像的長寬比例相同，在本實施例中，預設長寬比例需要為m:n。為了減少遍歷時長以及待檢測子圖像的數量，可以按照長寬比例選用尺寸較大的第一檢測窗口，得到第一待檢測子圖像集。為了利用訓練好的車牌分類器對第一待檢測子圖像集中的圖像進行分類，車牌的定位裝置需要對第一待檢測子圖像集中的圖像進行歸一化處理，也就是將第一待檢測子圖像集中的圖象的像素大小調整為與樣本圖像的像素大小相同(m*n)。
209、計算第一待檢測子圖像集中的子圖像的像素差異特征；
參考步驟202，車牌的定位裝置計算第一待檢測子圖像集中的子圖像的像素差異特征。
需要說明的是，步驟207至步驟209只要在步驟210之前執行即可，具體時序不受本實施例中的步驟順序的限制。
210、利用車牌分類器對第一待檢測子圖像集中的子圖像進行分類，得到第一分類結果；
車牌的定位裝置將第一待檢測子圖像集中的每一子圖像的像素差異特征帶入車牌分類器，逐層計算車牌分類器中每層第一分類器的輸出。對于每一待檢測子圖像，若車牌分類器的任意一層第一分類器的輸出低于訓練所得的該第一分類器的閾值，則認為該子圖像的像素差異特征所屬的類別標簽為0，該子圖像為非車牌圖像，若車牌分類器的任意一層第一分類器的輸出不低于訓練所得的該第一分類器的閾值，則認為該子圖像的像素差異特征所屬的類別標簽為1，該子圖像為車牌圖像。
可見，只有通過前一層強分類器，才能進入后面一層強分類器，這樣，大量的不包括車牌的子圖像可以在前幾次的判斷過程中被快速排除，從而節約時間。而只有待檢測子圖像通過車牌分類器的所有層，才能被判定為車牌圖像。
211、根據第一分類結果判斷第一待檢測子圖像集中是否包括目標子圖像，若是，則執行步驟212，若否，則執行步驟213；
車牌的定位裝置得到第一分類結果之后，可以根據第一分類結果判斷第一待檢測子圖像集中是否包括屬于車牌圖像的子圖像，為了方便描述，將屬于車牌圖像的子圖像稱作目標子圖像，若第一待檢測子圖像集中包括屬于車牌圖像的子圖像，則執行步驟212，若第一待檢測子圖像集中不包括屬于車牌圖像的子圖像，則執行步驟213。
212、根據第一分類結果輸出車牌定位結果。
車牌的定位裝置確定屬于車牌圖像的目標子圖像之后，可以根據目標子圖像輸出車牌定位結果，具體的，車牌定位結果可以為目標子圖像，或者，也可以確定目標子圖像對應的位置區域，之后可以輸出該位置區域在待定位圖像中位置信息。
213、以預設長寬比例的第二檢測窗口遍歷待定位圖像，得到第二待檢測子圖像集；
若第一待檢測子圖像集中的所有子圖像均為非車牌圖像，可能是待定位圖像中的車牌對應的位置區域尺寸過小，對子圖像進行歸一化處理后，可能因分辨率降低而導致車牌對應的位置區域的像素減小，最終導致分類錯誤。因此，若第一待檢測子圖像集中的所有子圖像均為非車牌圖像，可以以尺寸較小的第二檢測窗口遍歷待定位圖像，得到第二待檢測子圖像集，需要說明的是，第二檢測窗口的長寬比例仍為預設長寬比例。
214、利用車牌分類器對第二待檢測子圖像集中的子圖像進行分類，得到第二分類結果；
具體過程可以參考步驟209至步驟210，此處不再贅述。
215、根據第二分類結果輸出車牌定位結果。
具體過程可以參考步驟212，此處不再贅述。
上面對本發明實施例中車牌的定位方法進行了描述，下面對本發明實施例中車牌的定位裝置進行描述。
請參閱圖3，本發明實施例中車牌的定位裝置一個實施例包括：
獲取模塊301，用于獲取類別已知的樣本圖像，樣本圖像包括車牌圖像和非車牌圖像；
計算模塊302，用于計算樣本圖像的像素差異特征；
標識模塊303，用于根據樣本圖像的類別標識像素差異特征所屬的類別；
分類器訓練模塊304，用于利用機器學習算法對標識有類別的像素差異特征進行學習，得到車牌分類器；
第一分類模塊305，用于利用車牌分類器對第一待檢測子圖像集中的子圖像進行分類，得到第一分類結果，第一待檢測子圖像集通過以第一預設檢測窗口遍歷待定位圖像得到；
第一定位模塊306，用于根據第一分類結果輸出車牌定位結果。
請參閱圖4，本發明實施例中車牌的定位裝置一個實施例包括：
獲取模塊401，用于獲取類別已知的樣本圖像，樣本圖像包括車牌圖像和非車牌圖像；
計算模塊402，用于計算樣本圖像的像素差異特征；
標識模塊403，用于根據樣本圖像的類別標識像素差異特征所屬的類別；
分類器訓練模塊404，用于利用機器學習算法對標識有類別的像素差異特征進行學習，得到車牌分類器；
第一分類模塊405，用于利用車牌分類器對第一待檢測子圖像集中的子圖像進行分類，得到第一分類結果，第一待檢測子圖像集通過以第一預設檢測窗口遍歷待定位圖像得到；
第一定位模塊406，用于當判斷模塊407判定第一待檢測子圖像集中包括目標子圖像時，根據第一分類結果輸出車牌定位結果。
定位裝置還包括：
判斷模塊407，用于根據第一分類結果判斷第一待檢測子圖像集中是否包括目標子圖像，目標子圖像為屬于車牌圖像的子圖像；
遍歷模塊408，用于當判斷模塊407判定第一待檢測子圖像集中不包括目標子圖像時，以第二預設檢測窗口遍歷待定位圖像，得到第二待檢測子圖像集，第二預設檢測窗口的尺寸與第一預設檢測窗口的尺寸不同；
第二分類模塊409，用于利用車牌分類器對第二待檢測子圖像集中的子圖像進行分類，得到第二分類結果；
第二定位模塊410，用于根據第二分類結果輸出車牌定位結果。
分類器訓練模塊404包括：
單層訓練單元4041，用于利用GentleBoost算法對標識有類別標簽的像素差異特征進行學習，得到第一分類器；
循環訓練單元4042，用于重復獲取模塊401、計算模塊402、標識模塊403以及單層訓練單元4041的訓練過程，得到多層第一分類器；
級聯單元4043，用于將多層第一分類器級聯成車牌分類器。
所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。
所述的幾個實施例中，應該理解到，所揭露的系統，裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特征可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。
作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。
另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現，也可以采用軟件功能單元的形式實現。
集成的單元如果以軟件功能單元的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執行本發明各個實施例方法的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質。
以上，以上實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。
- 還沒有人留言評論。精彩留言會獲得點贊！