本發(fā)明涉及計算機
技術(shù)領(lǐng)域：
，尤其涉及一種圖像分類器建立方法及裝置。
背景技術(shù)：
：標(biāo)識(LOGO)識別是圖像識別的一種，通過特征比對判斷圖像中是否包含目標(biāo)LOGO，這對于企業(yè)商品管理來說是非常重要的一個方面，例如，通過LOGO識別判斷企業(yè)商標(biāo)是否被他人冒用，通過LOGO識別判斷商品類型等諸多方面。目前對于LOGO識別多采用通過人工提取特征，然后訓(xùn)練分類器的方法。但是人工提取的方法對LOGO提取的特征是人為指定的，對于機器的識別，可能存在覆蓋面不足等情況，此外，由于LOGO特征需要人工提取，就使得訓(xùn)練分類器時無法獲得足夠大的樣本庫，因此獲得的分類器對于圖像識別的準(zhǔn)確率并不高，沒有辦法達(dá)到實用的目的。綜上，目前仍缺少一種高準(zhǔn)確率的基于LOGO識別的圖像分類器。技術(shù)實現(xiàn)要素：本發(fā)明提供一種圖像分類器建立方法及裝置，用以提供一種高準(zhǔn)確率的基于目標(biāo)圖像識別的圖像分類器。本發(fā)明實施例提供一種圖像分類器建立方法，包括：獲取樣本圖片集，樣本圖片集中包含含目標(biāo)圖像的正樣本和不含目標(biāo)圖像的負(fù)樣本；對樣本圖片集中的樣本圖片進(jìn)行變形處理，得到擴充后的樣本圖片集；根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器；其中，深度卷積神經(jīng)網(wǎng)絡(luò)模型中對卷積層的輸出進(jìn)行歸一化處理?？蛇x地，對樣本圖片集中的樣本圖片進(jìn)行變形處理，包括以下至少之一：鏡像翻轉(zhuǎn)、旋轉(zhuǎn)、隨機裁剪、亮度調(diào)整?？蛇x地，包括：深度卷積神經(jīng)網(wǎng)絡(luò)模型為Googlenet模型；根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器，包括：將樣本圖片輸入初始化的Googlenet模型中；前向傳播獲取Googlenet模型的損失函數(shù)loss值；根據(jù)loss值反向傳播更新Googlenet模型參數(shù)，直至Googlenet模型的loss值符合預(yù)設(shè)條件，得到針對目標(biāo)圖像的分類器?？蛇x地，深度卷積神經(jīng)網(wǎng)絡(luò)模型中對卷積層的輸出進(jìn)行歸一化處理，包括：對深度卷積神經(jīng)網(wǎng)絡(luò)模型中的每層卷積層的輸出值進(jìn)行歸一化處理。本發(fā)明實施例提供一種根據(jù)本發(fā)明實施例提供的方法建立的圖像分類器的圖像識別方法，包括：獲取待識別圖片；將待識別圖片輸入分類器，得到待識別圖片是否包含目標(biāo)圖像的分類結(jié)果。本發(fā)明實施例提供一種圖像分類器建立裝置，包括：獲取模塊，用于獲取樣本圖片集，樣本圖片集中包含含目標(biāo)圖像的正樣本和不含目標(biāo)圖像的負(fù)樣本；擴充模塊，用于對樣本圖片集中的樣本圖片進(jìn)行變形處理，得到擴充后的樣本圖片集；處理模塊，用于根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器；其中，深度卷積神經(jīng)網(wǎng)絡(luò)模型中對卷積層的輸出進(jìn)行歸一化處理?？蛇x地，擴充模塊，具體用于對樣本圖片集中的樣本圖片進(jìn)行如下至少之一的變形處理：鏡像翻轉(zhuǎn)、旋轉(zhuǎn)、隨機裁剪、亮度調(diào)整?？蛇x地，處理模塊采用的深度卷積神經(jīng)網(wǎng)絡(luò)模型為Googlenet模型；處理模塊具體用于：將樣本圖片輸入初始化的Googlenet模型中；前向傳播獲取Googlenet模型的損失函數(shù)loss值；根據(jù)loss值反向傳播更新Googlenet模型參數(shù)，直至Googlenet模型的loss值符合預(yù)設(shè)條件，得到針對目標(biāo)圖像的分類器。可選地，處理模塊，具體用于對深度卷積神經(jīng)網(wǎng)絡(luò)模型中的每層卷積層的輸出值進(jìn)行歸一化處理。本發(fā)明實施例提供一種圖像識別裝置，包括：獲取模塊，用于獲取待識別圖片；處理模塊，用于將待識別圖片輸入目標(biāo)圖像的分類器，得到待識別圖片是否包含目標(biāo)圖像的分類結(jié)果，其中，目標(biāo)圖像的分類器由本發(fā)明實施例提供的圖像分類器建立裝置得到。綜上所述，本發(fā)明實施例提供了一種圖像分類器建立方法及裝置，包括：獲取樣本圖片集，樣本圖片集中包含含目標(biāo)圖像的正樣本和不含目標(biāo)圖像的負(fù)樣本；對樣本圖片集中的樣本圖片進(jìn)行變形處理，得到擴充后的樣本圖片集；根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器；其中，深度卷積神經(jīng)網(wǎng)絡(luò)模型中對卷積層的輸出進(jìn)行歸一化處理。通過上述方法，只需人工標(biāo)識有限的樣本圖片集，之后再對有限的樣本圖片集進(jìn)行擴充，從而擴大了樣本數(shù)量，提高了分類器的準(zhǔn)確性，此外，采用深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)一步提高了分類器的識別精度，因此，本方案能夠提供一種識別精度更高的針對目標(biāo)圖像的分類器。附圖說明為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡要介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域的普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實施例提供的一種圖像分類器建立方法流程示意圖；圖2為本發(fā)明實施例提供的一種Googlenet模型結(jié)構(gòu)示意圖；圖3為本發(fā)明實施例提供的一種圖像識別方法流程圖；圖4為本發(fā)明實施例提供的一種圖像分類器建立裝置結(jié)構(gòu)示意圖；圖5為本發(fā)明實施例提供的一種圖像識別裝置結(jié)構(gòu)示意圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作進(jìn)一步地詳細(xì)描述，顯然，所描述的實施例僅僅是本發(fā)明一部份實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護(hù)的范圍。圖1為本發(fā)明實施例提供的一種圖像分類器建立方法流程示意圖，如圖1所示，包括以下步驟：S101：獲取樣本圖片集，樣本圖片集中包含含目標(biāo)圖像的正樣本和不含目標(biāo)圖像的負(fù)樣本；S102：對樣本圖片集中的樣本圖片進(jìn)行變形處理，得到擴充后的樣本圖片集；S103：根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器；其中，深度卷積神經(jīng)網(wǎng)絡(luò)模型中對卷積層的輸出進(jìn)行歸一化處理。具體實施過程中，目標(biāo)圖像為一個固定的圖像，該圖像的形態(tài)可能不規(guī)整、色澤可能不清晰等等。目標(biāo)圖像可以為公司標(biāo)識、注冊商標(biāo)、認(rèn)證標(biāo)識、圖像作品等多種形式。對于目標(biāo)圖像的識別指的是判斷待識別圖片中是否包含目標(biāo)圖像。在步驟S101的具體實施過程中，獲取樣本圖片集的方式和渠道并沒有限制，可以通過網(wǎng)絡(luò)爬取從互聯(lián)網(wǎng)中獲取樣本圖片集，也可以通過人工拍攝的方式獲取樣本圖片集，也可以通過其它渠道或者方式獲得，更可以將多種渠道或者方式相結(jié)合以獲得足夠多的樣本圖片以構(gòu)成樣本圖片集。樣本圖片集的樣本圖片中，既有包含目標(biāo)圖像的樣本圖片，又有不包含目標(biāo)圖像的樣本圖片。這樣可以得到可識別目標(biāo)圖像的分類器，如包含目標(biāo)圖像，分類器輸出1，不包含目標(biāo)圖像，分類器輸出0?？蛇x地，對樣本圖片集進(jìn)行人工標(biāo)注，將樣本圖片集分為包含目標(biāo)圖像的正樣本和不包含目標(biāo)圖像的負(fù)樣本?？蛇x地，對于正樣本人工標(biāo)注為1，對于負(fù)樣本人工標(biāo)注為0。表一為本發(fā)明實施例提供的一種標(biāo)注列表，如表一所示，表一中記錄了樣本圖片集中各樣本圖片的名稱及其對應(yīng)的路徑和標(biāo)注信息，其中，路徑用來表示樣本圖片的存儲位置，標(biāo)注用來區(qū)分樣本圖片為正樣本還是負(fù)樣本，如表1中Pic1，其存儲位置為D:\A\B\Pictures1，且Pic1中包含有目標(biāo)圖像，所以其標(biāo)注信息為1，是一個正樣本。表1圖片路徑標(biāo)注………Pic1D:\A\B\Pictures11Pic2D:\A\B\Pictures20Pic3D:\A\B\Pictures31………在步驟S102的具體實施過程中，通過對樣本圖片進(jìn)行變形來擴充樣本圖片集?？蛇x地，對樣本圖片集中的樣本圖片進(jìn)行變形處理，包括以下至少之一：鏡像翻轉(zhuǎn)、旋轉(zhuǎn)、隨機裁剪、亮度調(diào)整。通過擴充樣本圖片集確保了獲得的分類器在進(jìn)行圖片識別的準(zhǔn)確性。需指出的是，在對樣本圖片進(jìn)行變形的過程中應(yīng)盡量避免改變樣本圖片標(biāo)注特征，即如果樣本圖片含有目標(biāo)圖像，則應(yīng)盡量避免在變形處理之后獲得的圖片中不包含目標(biāo)圖像的情況發(fā)生，例如，只對目標(biāo)圖像位于中央部分的樣本圖片進(jìn)行隨機剪裁處理，而不去裁剪目標(biāo)圖像位于邊緣位置的樣本圖片。鏡像翻轉(zhuǎn)和旋轉(zhuǎn)操作一般并不會改變樣本圖片的標(biāo)注特征，因此可以對所有的樣本圖片進(jìn)行鏡像翻轉(zhuǎn)和選擇操作。亮度過亮或過暗會影響后續(xù)圖片特征的提取，因此只對原始亮度適中的樣本圖片進(jìn)行亮度調(diào)整處理?？蛇x地，對于訓(xùn)練集的擴充應(yīng)為多種變形處理的結(jié)合以增加樣本圖片集中的圖片種類。通過上述操作，可以在原有樣本圖片集的基礎(chǔ)上擴充樣本圖片集的大小，此外，在擴充是盡量避免改變原有圖片的標(biāo)注特征從而不需對擴充后的大容量樣本集再次進(jìn)行人工標(biāo)注，增加了分類器建立效率，降低了人工和時間成本。在步驟S103的具體實施過程中，根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器，這里的深度卷積神經(jīng)網(wǎng)絡(luò)模型可以為Googlenet模型；根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器，包括：將樣本圖片輸入初始化的Googlenet模型中；前向傳播獲取Googlenet模型的損失函數(shù)loss值；根據(jù)loss值反向傳播更新Googlenet模型參數(shù)，直至Googlenet模型的loss值符合預(yù)設(shè)條件，得到針對目標(biāo)圖像的分類器。當(dāng)然，本發(fā)明實施例也可以采用其他深度卷積神經(jīng)網(wǎng)絡(luò)模型。深度學(xué)習(xí)分類器訓(xùn)練具有許多模型可以實現(xiàn)，典型網(wǎng)絡(luò)結(jié)構(gòu)有：亞歷克斯網(wǎng)絡(luò)(Alexnet)模型、VGG模型、Googlenet模型、殘差網(wǎng)絡(luò)(Resnet)模型，Alexnet模型較容易訓(xùn)練得到但最終識別率不夠高；其它三種網(wǎng)絡(luò)層次更深，VGG模型深度為19層、Googlenet模型深度為22層、Resnet模型深度為152層，因而識別率更佳，但不容易訓(xùn)練；VGG模型與Resnet模型的訓(xùn)練需要很大的顯卡顯存，而Googlenet模型卻不需要，Googlenet模型在有限的顯卡顯存條件下便可以實現(xiàn)較佳的識別率，且Googlenet模型的網(wǎng)絡(luò)參數(shù)最小約50M，而VGG模型的網(wǎng)絡(luò)參數(shù)為500M，Resnet模型的網(wǎng)絡(luò)參數(shù)為100M，Googlenet模型更適合后續(xù)系統(tǒng)部署。圖2為本發(fā)明實施例提供的一種Googlenet模型結(jié)構(gòu)示意圖，如圖2所示，Googlenet模型包括1個卷積模塊、9個起始inception模塊、3個softmax模塊，其中，每3個inception模塊并聯(lián)一個softmax模塊。表2為圖2所示的Googlenet模型預(yù)設(shè)參數(shù)，如表2和圖2所示，表2中前兩組卷積(conv)參數(shù)和最大池(maxpool)參數(shù)為圖2中卷積模塊的參數(shù)，之后為9個inception參數(shù)及其之間的最大池參數(shù)，最大池的作用是降低模型維度。表2如圖2所示，每3個inception模塊連接有一個softmax模塊，softmax模塊的作用主要是在模型訓(xùn)練過程中，檢測模型的損失函數(shù)(loss)值，前兩個softmax的作用是為了防止深度過深，最后一個softmax模塊對較淺層模塊不能準(zhǔn)確檢測的問題?？蛇x地，在模型訓(xùn)練之前，將獲取的樣本圖片集按比例分為訓(xùn)練集、驗證集和測試集，這里的比例可以按經(jīng)驗或者實際需求來決定。訓(xùn)練集用于訓(xùn)練分類器，驗證集用于驗證模型是否收斂，測試集用于測試最后獲取的分類器的識別率?？蛇x地，測試集圖片的種類應(yīng)較驗證集更為豐富，這樣測試結(jié)果的可信度才夠高。可選地，在模型訓(xùn)練之前還需對Google模型進(jìn)行初始化，先為待訓(xùn)練的參數(shù)賦予一個初值，可選地，采用標(biāo)準(zhǔn)差為0.1的澤維爾(Xavier)算法隨機初始化模型中的待訓(xùn)練參數(shù)，可以確保模型最后能夠收斂?？蛇x地，將訓(xùn)練集和驗證集分批次(batch)處理，如訓(xùn)練batch為256，驗證batch為64。利用如圖2所示的Googlenet模型進(jìn)行分類器訓(xùn)練的具體過程為：前向傳播，將訓(xùn)練集中一個批次的樣本圖片歸一化為固定大小后輸入Googlenet模型，循環(huán)輸入預(yù)設(shè)次數(shù)后，如循環(huán)輸入1000次，獲取此時的分類器模型，將一個批次的驗證batch輸入此時的分類器模型，循環(huán)輸入預(yù)設(shè)次數(shù)，如100次，獲取分類器模型輸出的預(yù)測值，并與實際值對比，得到此時分類器模型的loss值及準(zhǔn)確率；之后，判斷分類器模型的loss值和準(zhǔn)確率是否收斂，若并沒有收斂，則繼續(xù)進(jìn)行反向傳播，使用梯度下降法根據(jù)梯度和學(xué)習(xí)率的大小更新模型權(quán)值；更新權(quán)值后，更換下一批訓(xùn)練batch重復(fù)前向傳播和反向傳播直至loss值和準(zhǔn)確率趨于穩(wěn)定；判斷穩(wěn)定后的loss值是否小于預(yù)設(shè)的loss閾值且準(zhǔn)確率是否高于預(yù)設(shè)的準(zhǔn)確率閾值，若否，則分類器模型訓(xùn)練失敗，需更換訓(xùn)練模型，若是，則繼續(xù)判斷此時的學(xué)習(xí)率是否高于預(yù)設(shè)的學(xué)習(xí)率閾值；若是，則返回訓(xùn)練集樣本輸入步驟，重復(fù)上述循環(huán)，若否，則輸出此時的分類器模型，即獲得目標(biāo)圖像分類器?？蛇x地，此處的loss值是三個softmax模塊分別獲取的loss值的權(quán)重計算結(jié)果，softmax模塊層數(shù)越深，其權(quán)重越高，例如，對于最淺層的softmax所測得的loss值，其計算時的權(quán)重為0.3，對于中間的softmax模塊其計算時的權(quán)重為0.3，對于最深層的softmax模塊，其計算時的權(quán)重為1?？蛇x地，對深度卷積神經(jīng)網(wǎng)絡(luò)模型中的每層卷積層的輸出值進(jìn)行歸一化處理?？梢约铀倌Ｐ陀?xùn)練收斂，提高識別率。圖3為本發(fā)明實施例提供的一種圖像識別方法流程圖，圖像識別所用模塊為經(jīng)上述實施例獲取的目標(biāo)圖像分類器，如圖3所示，包括以下步驟：S301：獲取待識別圖片；S302：將待識別圖片輸入分類器，得到待識別圖片是否包含目標(biāo)圖像的分類結(jié)果。綜上所述，本發(fā)明實施例提供了一種圖像分類器建立方法，包括：獲取樣本圖片集，樣本圖片集中包含含目標(biāo)圖像的正樣本和不含目標(biāo)圖像的負(fù)樣本；對樣本圖片集中的樣本圖片進(jìn)行變形處理，得到擴充后的樣本圖片集；根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器；其中，深度卷積神經(jīng)網(wǎng)絡(luò)模型中對卷積層的輸出進(jìn)行歸一化處理。通過上述方法，只需人工標(biāo)識有限的樣本圖片集，之后再對有限的樣本圖片集進(jìn)行擴充，從而擴大了樣本數(shù)量，提高了分類器的準(zhǔn)確性，此外，采用深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)一步提高了分類器的識別精度，因此，本方案能夠提供一種識別精度更高的針對目標(biāo)圖像的分類器?；谙嗤募夹g(shù)構(gòu)思，本發(fā)明實施例還提供一種圖像分類器建立裝置，該裝置可執(zhí)行上述方法實施例。圖4為本發(fā)明實施例提供的一種圖像分類器建立裝置結(jié)構(gòu)示意圖，如圖4所示，建立裝置400包括：獲取模塊401、擴充模塊402和處理模塊403，其中：獲取模塊401，用于獲取樣本圖片集，樣本圖片集中包含含目標(biāo)圖像的正樣本和不含目標(biāo)圖像的負(fù)樣本；擴充模塊402，用于對樣本圖片集中的樣本圖片進(jìn)行變形處理，得到擴充后的樣本圖片集；處理模塊403，用于根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器；其中，深度卷積神經(jīng)網(wǎng)絡(luò)模型中對卷積層的輸出進(jìn)行歸一化處理。可選地，擴充模塊402，具體用于對樣本圖片集中的樣本圖片進(jìn)行如下至少之一的變形處理：鏡像翻轉(zhuǎn)、旋轉(zhuǎn)、隨機裁剪、亮度調(diào)整?？蛇x地，處理模塊403采用的深度卷積神經(jīng)網(wǎng)絡(luò)模型為Googlenet模型；處理模塊403具體用于：將樣本圖片輸入初始化的Googlenet模型中；前向傳播獲取Googlenet模型的損失函數(shù)loss值；根據(jù)loss值反向傳播更新Googlenet模型參數(shù)，直至Googlenet模型的loss值符合預(yù)設(shè)條件，得到針對目標(biāo)圖像的分類器?？蛇x地，處理模塊403，具體用于對深度卷積神經(jīng)網(wǎng)絡(luò)模型中的每層卷積層的輸出值進(jìn)行歸一化處理?；谙嗤募夹g(shù)構(gòu)思，本發(fā)明實施例還提供一種圖像識別裝置，該裝置可執(zhí)行上述圖像識別方法實施例。圖5為本發(fā)明實施例提供的一種圖像識別裝置結(jié)構(gòu)示意圖，如圖5所示，識別裝置500包括：獲取模塊501和處理模塊502，其中：獲取模塊501，用于獲取待識別圖片；處理模塊502，用于將待識別圖片輸入目標(biāo)圖像的分類器，得到待識別圖片是否包含目標(biāo)圖像的分類結(jié)果，其中，目標(biāo)圖像的分類器由本發(fā)明實施例提供的圖像分類器建立方法獲得。綜上所述，本發(fā)明實施例提供了一種圖像分類器建立方法及裝置，包括：獲取樣本圖片集，樣本圖片集中包含含目標(biāo)圖像的正樣本和不含目標(biāo)圖像的負(fù)樣本；對樣本圖片集中的樣本圖片進(jìn)行變形處理，得到擴充后的樣本圖片集；根據(jù)擴充后的樣本圖片集和深度卷積神經(jīng)網(wǎng)絡(luò)模型，獲得針對目標(biāo)圖像的分類器；其中，深度卷積神經(jīng)網(wǎng)絡(luò)模型中對卷積層的輸出進(jìn)行歸一化處理。通過上述方法，只需人工標(biāo)識有限的樣本圖片集，之后再對有限的樣本圖片集進(jìn)行擴充，從而擴大了樣本數(shù)量，提高了分類器的準(zhǔn)確性，此外，采用深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)一步提高了分類器的識別精度，因此，本方案能夠提供一種識別精度更高的針對目標(biāo)圖像的分類器。本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。這些計算機程序指令也可存儲在能引導(dǎo)計算機或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。盡管已描述了本發(fā)明的優(yōu)選實施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實施例以及落入本發(fā)明范圍的所有變更和修改。顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。當(dāng)前第1頁1 2 3