基于深度学习的车道线检测方法以及装置转让专利
申请号 : CN202011555482.9
文献号 : CN112287912B
文献日 : 2021-03-30
发明人 : 杨雪峰
申请人 : 浙江大华技术股份有限公司
摘要 :
权利要求 :
1.一种基于深度学习的车道线检测方法,其特征在于,包括:获取待检测的第一图片;
将所述第一图片输入目标神经网络模型,得到目标特征图,其中,所述目标神经网络模型包括基于多尺度注意力机制生成的神经网络模型以及深度可分离卷积模型,所述目标特征图用于表示所述第一图片中每个像素为车道线像素的概率;
对所述目标特征图执行图像后处理,以得到目标检测结果,其中,所述目标检测结果用于表示所述第一图片中已检测出的车道线;
将所述第一图片输入目标神经网络模型,得到目标特征图,包括:将所述第一图片输入第一卷积层,得到第一特征图;
将所述第一特征图输入第二卷积层,得到第二特征图,其中,所述目标神经网络模型包括所述第二卷积层,所述第二卷积层用于基于多尺寸注意力机制增加所述第一特征图上预设区域的权重;
对所述第二特征图进行第一预设处理,以得到所述目标特征图,其中,所述第一预设处理包括上采样操作;
将所述第一图片输入第一卷积层,得到第一特征图,包括:将所述第一图片输入第一子卷积层,得到第一子特征图,其中,所述第一子卷积层用于执行卷积操作,所述第一卷积层包括第一子卷积层;
将所述第一子特征图输入第二子卷积层,得到第二子特征图,其中,所述第二子卷积层用于执行深度可分离卷积操作以提取所述第一子特征图中的特征信息,所述第一卷积层包括第二子卷积层;
在所述第二子特征图中的分辨率未达到第二预设分辨率的情况下,将所述第二子特征图重新输入所述第一子卷积层,以降低所述第一子特征图的分辨率;
在所述第二子特征图中的分辨率达到所述第二预设分辨率的情况下,将所述第二子特征图确定为所述第一特征图。
2.根据权利要求1所述的方法,其特征在于,将所述第一图片输入第一卷积层,得到第一特征图,包括:
将分辨率小于等于第一预设分辨率的所述待检测的第一图片输入所述第一卷积层,得到所述第一特征图。
3.根据权利要求1所述的方法,其特征在于,将所述第一子特征图输入第二子卷积层,得到第二子特征图,包括:
分别使用1×n的卷积核和n×1的卷积核提取所述第一子特征图的特征信息,以得到所述第二子特征图,其中,所述n为大于1的正奇数。
4.根据权利要求1所述的方法,其特征在于,将所述第一特征图输入第二卷积层,得到第二特征图,包括:
将所述第一特征图输入所述第二卷积层,以使用所述第二卷积层中包括的多个不同尺寸的卷积核对所述第一特征图进行卷积操作,以得到第一类特征图和多个第二类特征图;
使用预设统计方式从所述多个第二类特征图中确定出多个第三类特征图,其中,所述多个第三类特征图为允许通过第二预设处理使得所述多个第三类特征图之间的大小匹配,且能够执行第三预设处理以得到注意力特征图,所述注意力特征图与所述第一类特征图的大小匹配;
将所述注意力特征与所述第一类特征图执行所述第三预设处理,以得到所述第二特征图。
5.根据权利要求1所述的方法,其特征在于,在将所述第一图片输入目标神经网络模型,得到目标特征图之前,所述方法还包括:获取第一样本图片和对应的标签图片;
使用所述第一样本图片和所述标签图片对待训练的初始神经网络模型进行训练,得到所述目标神经网络模型,其中,所述目标神经网络模型用于通过如下损失函数进行训练:其中,C表示交叉熵损失函数,所述 表示所述第一样本图片输入待训练的初始神经网络模型得到的车道线像素,所述 表示所述标签图片标注的车道线像素,所述 表示所述第一样本图片输入待训练的初始神经网络模型得到的图像背景像素,所述 表示所述标签图片标注的图像背景像素,所述 为大于0的预定参数。
6.根据权利要求1所述的方法,其特征在于,对所述目标特征图执行图像后处理,以得到目标检测结果,包括:
将所述目标特征图执行二值化处理,得到车道线结果分割图;
使用图像腐蚀操作和图像膨胀预处理所述车道线结果分割图,得到包含多个连通域的车道线结果分割图;
将所述多个连通域中不符合预定条件的连通域删除,并拟合符合所述预定条件的连通域,以得到所述目标检测结果,其中,所述目标检测结果中包含的拟合后的连通域表示所述第一图片中已检测出的车道线。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:通过聚类算法对所述目标检测结果中包含的拟合后的连通域进行同类合并,以重新确定所述第一图片中已检测出的车道线。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述目标神经网络模型包括轻量级的卷积神经网络组成的神经网络模型。
9.一种基于深度学习的车道线检测装置,其特征在于,包括:获取模块,用于获取待检测的第一图片;
第一处理模块,用于将所述第一图片输入目标神经网络模型,得到目标特征图,其中,所述目标神经网络模型是使用一组已标注的图片对待训练的初始神经网络模型进行训练得到的模型,每个所述已标注的图片包括已标注的图像背景像素和已标注的车道线像素,所述目标特征图用于表示所述第一图片中每个像素为车道线像素的概率,所述目标神经网络模型用于从所述第一图片中确定出所述概率的分布;
第二处理模块,用于对所述目标特征图执行图像后处理,以得到目标检测结果,其中,所述目标检测结果用于表示所述第一图片中已检测出的车道线;
所述装置用于通过如下方式将所述第一图片输入目标神经网络模型,得到目标特征图:
将所述第一图片输入第一卷积层,得到第一特征图;
将所述第一特征图输入第二卷积层,得到第二特征图,其中,所述目标神经网络模型包括所述第二卷积层,所述第二卷积层用于基于多尺寸注意力机制增加所述第一特征图上预设区域的权重;
对所述第二特征图进行第一预设处理,以得到所述目标特征图,其中,所述第一预设处理包括上采样操作;
将所述第一图片输入第一卷积层,得到第一特征图,包括:将所述第一图片输入第一子卷积层,得到第一子特征图,其中,所述第一子卷积层用于执行卷积操作,所述第一卷积层包括第一子卷积层;
将所述第一子特征图输入第二子卷积层,得到第二子特征图,其中,所述第二子卷积层用于执行深度可分离卷积操作以提取所述第一子特征图中的特征信息,所述第一卷积层包括第二子卷积层;
在所述第二子特征图中的分辨率未达到第二预设分辨率的情况下,将所述第二子特征图重新输入所述第一子卷积层,以降低所述第一子特征图的分辨率;
在所述第二子特征图中的分辨率达到所述第二预设分辨率的情况下,将所述第二子特征图确定为所述第一特征图。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1至8任一项中所述的方法的步骤。
11.一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述权利要求1至
8任一项中所述的方法的步骤。
说明书 :
基于深度学习的车道线检测方法以及装置
技术领域
背景技术
处理大部分道路信息,为驾驶员提供精准的指导,降低交通事故发生的概率。智能交通系统
能识别车道上车辆的数量,判断道路是否拥堵,为驾驶员规划更合理的出行路线,缓解交通
拥堵。在自动驾驶,智能辅助驾驶系统和智能交通系统中,基于视觉的车道线检测是非常关
键的技术,他是实现车道偏离预警,车道拥堵预警的基础和核心技术。
发明内容
述目标神经网络模型包括基于多尺度注意力机制生成的神经网络模型以及深度可分离卷
积模型,所述目标特征图用于表示所述第一图片中每个像素为车道线像素的概率;对所述
目标特征图执行图像后处理,以得到目标检测结果,其中,所述目标检测结果用于表示所述
第一图片中已检测出的车道线。
网络模型,得到目标特征图,其中,所述目标神经网络模型包括基于多尺度注意力机制生成
的神经网络模型以及深度可分离卷积模型,所述目标特征图用于表示所述第一图片中每个
像素为车道线像素的概率;第二处理模块,用于对所述目标特征图执行图像后处理,以得到
目标检测结果,其中,所述目标检测结果用于表示所述第一图片中已检测出的车道线。
方法实施例中的步骤。
序时实现上述任一项方法实施例中的步骤。
以及深度可分离卷积模型,目标特征图用于表示第一图片中每个像素为车道线像素的概
率,再对目标特征图执行图像后处理,以得到目标检测结果,其中,目标检测结果用于表示
第一图片中已检测出的车道线,因此,可以解决相关技术中存在的车道线的检测效率过低
的技术问题,达到提高车道线的检测效率、增加车道线的检测准确率、降低检测成本的技术
效果。
附图说明
具体实施方式
线检测方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中
仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA
等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功
能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅
为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更
多或者更少的组件,或者具有与图1所示不同的配置。
储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方
法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存
储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对
于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。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。
(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可
与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)
模块,其用于通过无线方式与互联网进行通讯。
道线检测方法的流程示意图,如图2所示,该流程包括如下步骤:
图用于表示第一图片中每个像素为车道线像素的概率;
于通过预先存储在数据库中,或,通过其他方式采集到的图片。
度注意力机制生成的卷积神经网络模型以及深度可分离卷积模型。
每个像素对应位置为目标对象的概率,也可以包括但不限于是上述车道线像素的概率或者
是上述图像背景像素的概率。
图像背景的像素。
通过预先存储在数据库中,或,通过其他方式采集到的图片。
络模型进行训练得到的模型,每个已标注的图片包括已标注的图像背景像素和已标注的车
道线像素,目标特征图用于表示第一图片中每个像素为车道线像素的概率,目标神经网络
模型用于从第一图片中确定出上述概率的分布,再对目标特征图执行图像后处理,以得到
目标检测结果,其中,目标检测结果用于表示第一图片中已检测出的车道线,因此,可以解
决相关技术中存在的车道线的检测效率过低的技术问题,达到提高车道线的检测效率、增
加车道线的检测准确率、降低检测成本的技术效果。
卷积层,得到第二特征图,其中,所述目标神经网络模型包括所述第二卷积层,所述第二卷
积层用于基于多尺寸注意力机制增加所述第一特征图上预设区域的权重;对所述第二特征
图进行第一预设处理,以得到所述目标特征图,其中,所述第一预设处理包括上采样操作。
像素,上述第一卷积层还可以包括但不限于用于进行特征提取的卷积神经网络,例如,轻量
型卷积神经网络,可以包括但不限于采用1 1、3 3、5 5、7 7等尺寸的卷积核进行卷积操
作,上述卷积操作可以包括但不限于采用预定的滑动步长实现,例如,步长为1、2等。
到所述第一特征图。
始分辨率进行灵活设置。
特征提取效率的技术效果。
执行卷积操作,所述第一卷积层包括第一子卷积层;将所述第一子特征图输入第二子卷积
层,得到第二子特征图,其中,所述第二子卷积层用于执行深度可分离卷积操作以提取所述
第一子特征图中的特征信息,所述第一卷积层包括第二子卷积层;在所述第二子特征图中
的分辨率未达到第二预设分辨率的情况下,将所述第二子特征图重新输入所述第一子卷积
层,以降低所述第一子特征图的分辨率;在所述第二子特征图中的分辨率达到所述第二预
设分辨率的情况下,将所述第二子特征图确定为所述第一特征图。
的特征信息,上述第二预设分辨率可以与上述第一预设分辨率相同或者不同。
率比较大,通常只能使用较小的卷积核,导致底部卷积核的感受野较小,而使用大卷积核会
导致计算代价过高。而通过在上述第一卷积层中的第二子卷积层使用大卷积核的深度可分
离卷积,并且使用1×n和n×1的卷积替代n×n的卷积,在增加目标神经网络模型的感受野
的同时,降低神经网络模型的计算代价。对于n×n的卷积核,假设输入通道数为c1,输出通
道数为c2,卷积层的参数量为n*n*c1*c2,如果使用1×n和n×1的两个卷积核替代,卷积层
的参数量为2*n*c1*c2,参数量降低了(n*n‑2*n)*c1*c2。因此,可以达到当n越大的情况下,
参数量降低效果越明显,但是感受野不变的技术效果。
寸的卷积核对所述第一特征图进行卷积操作,以得到第一类特征图和多个第二类特征图;
使用预设统计方式从所述多个第二类特征图中确定出多个第三类特征图,其中,所述多个
第三类特征图为允许通过第二预设处理使得所述多个第三类特征图之间的大小匹配,且能
够执行第三预设处理以得到注意力特征图,所述注意力特征图与所述第一类特征图的大小
匹配;将所述注意力特征与所述第一类特征图执行所述第三预设处理,以得到所述第二特
征图。
述第一特征图中重要区域的权重,例如,包括但不限于容易出现车道线的相关区域的权重,
以实现提高神经网络模型的检测准确性。
特征图分别进行卷积操作,采用不同的卷积核是为了融合不同感受野尺度下车道线元素的
信息。输出三个特征图,具体而言,包括两个上述第二类特征图和一个第一类特征图,分辨
率不变,通道数分别是0.5*c,0.5*c,c。其中,3×3、5 5两个第二类特征图用于计算元素之
间的相关性,以确定特征图中每个像素位置对全局推断的重要性,再使用统计学中的方法,
从通道的维度来统计每个位置元素的值,计算公式如下:
包括但不限于将输出的特征图通过reshape函数(对应于前述的第二预设处理)处理成(w*
h)×1和1×(w*h)(对应于前述的第三类特征图),再通过矩阵乘法(对应于前述的第三预设
处理),得到维度为(w*h)×(w*h)的矩阵,并且对该矩阵进行softmax操作,得到注意力特征
图。再使用1×1卷积核生成的特征图(对应于前述的第一类特征图),通过reshape函数,处
理为c×(w*h)的维度,与注意力特征图进行矩阵乘法,得到维度为c×(w*h)的矩阵,再将这
个矩阵通过reshape函数处理为c×w×h的特征图,作为上述第二特征图。
的感受野,卷积核也采用较大的核,同时采用1×n和n×1的卷积替代n×n的卷积的方法,降
低网络计算代价。
检测的准确率的技术效果。
和所述标签图片对待训练的初始神经网络模型进行训练,得到所述目标神经网络模型,其
中,所述目标神经网络模型用于通过如下损失函数进行训练:
述第一样本图片输入待训练的初始神经网络模型得到的图像背景像素,所述 表示所述标
签图片标注的图像背景像素,所述α为大于0的预定参数。
设的取值,例如,每迭代10000次,学习率乘以0.1,总共迭代次数设置为预设的取值,例如,
60000次。
和图像膨胀预处理所述车道线结果分割图,得到包含多个连通域的车道线结果分割图;将
所述多个连通域中不符合预定条件的连通域删除,并拟合符合所述预定条件的连通域,以
得到所述目标检测结果,其中,所述目标检测结果中包含的拟合后的连通域表示所述第一
图片中已检测出的车道线。
0,以得到上述车道线结果分割图。
滤:
(a)所示,经过处理后的结果可以包括但不限于如图4(b)所示。
其中k是斜率,b是截距,得到每个连通域对应的车道线模型作为候选车道线502。
的车道线检测方法的示意图,如图6所示。这个夹角的范围需要根据相机的安装位置及焦距
参数来确定。然后根据每条车道线的斜率,继续过滤角度不在该范围内的候选车道线。
但不限于根据连通与的大小、长短等形状特征进行确定,例如,通过设置预设长度阈值和预
设宽度阈值,在上述连通域的长小于上述预设长度阈值,和/或宽小于预设宽度阈值的情况
下,将该连通域删除,并保留符合上述预定条件连通域的目标特征图,以确定最终的目标检
测结果。
图像腐蚀(erosion)操作,将零散的且小面积的车道线预测像素消除,因为分散且面积小的
车道线预测像素大概率是误检,然后使用OpenCV中图像膨胀(dilation)操作,将剩下的车
道线预测像素面积增加一些,最后通过配置连通域的大小来过滤掉不属于车道线的连通
域。
逻辑是属于同一条车道线上的,这些车道线需要合并。使用每条候选车道线的斜率来进行
聚类,采用的聚类算法可以包括但不限于均值漂移聚类算法,可以包括但不限于由
sklearn.cluster.MeanShift函数实现, 聚类半径需要根据相机的安装位置及焦距参数来
确定。得到的聚类中心数量就是车道线的数量,合并后每条车道线方程如下:
小的卷积核,导致底部卷积核的感受野较小,而使用大卷积核会导致计算代价过高。本发明
中,在目标神经网络模型的底部使用大卷积核的深度可分离卷积,并且使用1×n和n×1的
卷积替代n×n的卷积,在增加目标神经网络模型感受野的同时,降低目标神经网络模型的
计算代价。对于n×n的卷积核,假设输入通道数为c1,输出通道数为c2,卷积层的参数量为
n*n*c1*c2,如果使用1×n和n×1的两个卷积核替代,卷积层的参数量为2*n*c1*c2,参数量
降低了(n*n‑2*n)*c1*c2,n越大,参数量降低效果越明显,但是感受野不变。
也采用较大的核,同时采用1×n和n×1的卷积替代n×n的卷积的方法,降低目标神经网络
模型计算代价。
160 92 32 dewConvSP 5 1 3 64 ‑
160 92 64 Conv2d,bn,relu 3 2 1 128 ‑
80 46 128 dewConvSP 5 1 3 128 ‑
80 46 128 Conv2d,bn,relu 3 2 1 256 ‑
40 23 256 dewConvSP 5 1 3 512 2
40 23 512 attention ‑ 1 1 512 ‑
40 23 512 Tranconv2d,bn,relu 3 2 1 256 ‑
80 46 256 dewConvSP 5 1 3 64 2
80 46 64 Tranconv2d,bn 3 2 1 2 ‑
160 92 2 upsample 2 ‑ ‑ 1 2 ‑
w h c dewConv2d,bn,relu k 1 s c
标神经网络模型检测准确性,提出的注意力机制计算流程图如图7所示。
分别是0.5*c,0.5*c,c(由上往下)。
下:
为1。再将输出的特征图reshape成(w*h)×1和1×(w*h),并进行矩阵乘法,得到维度为(w*
h)×(w*h)的矩阵,最后对该矩阵执行softmax操作,得到注意力特征图。
出特征图(对应于前述的目标特征图)。
的特征图分辨率不变。网络的输入是RGB三通道彩色图,原图使用双线性插值resize到320
×184×3,标签图使用最近邻插值算法resize到320×184,经过一系列卷积处理,输出车道
线分割结果(对应于前述的目标特征图)。输出的车道线分割结果为概率图(对应于一张图,
图中每个像素表示该像素所处位置是否是车道线的概率值),分辨率和输入图像一样,两个
通道,分别表示图像背景像素位置和车道线像素位置信息。模型训练时,损失函数采用的是
带权重交叉熵,公式如下:
所述第一样本图片输入待训练的初始神经网络模型得到的图像背景像素,所述 表示所述
标签图片标注的图像背景像素,所述 为大于0的预定参数。
迭代10000次,学习率乘以0.1,总共迭代次数设置为60000次。
图像腐蚀(erosion)操作,将零散的且小面积的车道线预测像素消除,因为分散且面积小的
车道线预测像素大概率是误检,然后使用OpenCV中图像膨胀(dilation)操作,将剩下的车
道线预测像素面积增加一些。再通过连通域的大小来过滤掉不属于车道线的连通域。
但不限于如图4(b)所示。
(c)所示。
的安装位置及焦距参数来确定。然后根据每条车道线的斜率,继续过滤角度不在该范围内
的候选车道线。
需要合并。使用每条候选车道线的斜率来进行聚类,采用的聚类算法可以包括但不限于均
值漂移聚类算法,可以包括但不限于由sklearn.cluster.MeanShift函数实现, 聚类半径
需要根据相机的安装位置及焦距参数来确定。得到的聚类中心数量就是车道线的数量,合
并后每条车道线方程如下:
在车道线检测任务中使用轻量级的深度神经网络,降低了网络的复杂度和计算代价,在存
储能力和计算能力受限的嵌入式设备上部署有优势,增加目标神经网络模型的感受野,缓
解车道线分割任务中,预测的车道线像素不连续问题,并且,结合目标神经网络模型的输出
格式,设计一套后处理算法,可以在深度神经网络粗略提取车道线特征的基础上,准确地检
测出车道线,降低了网络对训练数据集的要求。比如可以在一些通用的数据集上进行训练,
就可以达到粗略提取车道线特征的要求,而不需要专门采集相对应的道路场景进行标注,
降低了算法实际应用的成本。
情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有
技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储
介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算
机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实
现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
度可分离卷积模型,所述目标特征图用于表示所述第一图片中每个像素为车道线像素的概
率;
率,以及提取调整了分辨率后的所述第一图片的车道线像素;
增加所述第一特征图上预设区域的权重;
所述第一卷积层,得到所述第一特征图。
第一子卷积层用于执行卷积操作,所述第一卷积层包括第一子卷积层;将所述第一子特征
图输入第二子卷积层,得到第二子特征图,其中,所述第二子卷积层用于执行深度可分离卷
积操作以提取所述第一子特征图中的特征信息,所述第一卷积层包括第二子卷积层;在所
述第二子特征图中的分辨率未达到第二预设分辨率的情况下,将所述第二子特征图重新输
入所述第一子卷积层,以降低所述第一子特征图的分辨率;在所述第二子特征图中的分辨
率达到所述第二预设分辨率的情况下,将所述第二子特征图确定为所述第一特征图。
述第一子特征图的特征信息,以得到所述第二子特征图,其中,所述n为大于1的正奇数。
二卷积层中包括的多个不同尺寸的卷积核对所述第一特征图进行卷积操作,以得到第一类
特征图和多个第二类特征图;使用预设统计方式从所述多个第二类特征图中确定出多个第
三类特征图,其中,所述多个第三类特征图为允许通过第二预设处理使得所述多个第三类
特征图之间的大小匹配,且能够执行第三预设处理以得到注意力特征图,所述注意力特征
图与所述第一类特征图的大小匹配;将所述注意力特征与所述第一类特征图执行所述第三
预设处理,以得到所述第二特征图。
练:
述第一样本图片输入待训练的初始神经网络模型得到的图像背景像素,所述 表示所述标
签图片标注的图像背景像素,所述α为大于0的预定参数。
拟合后的连通域表示所述第一图片中已检测出的车道线。
组合的形式分别位于不同的处理器中。
骤。
用于表示第一图片中每个像素为车道线像素的概率;
用于表示第一图片中每个像素为车道线像素的概率;
RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
骤。
用于表示第一图片中每个像素为车道线像素的概率;
的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装
置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述
的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作
成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
同替换、改进等,均应包含在本发明的保护范围之内。