一种训练样本深度优化的低耗图像检索方法及系统

摘要

本发明提出了一种训练样本深度优化的低耗图像检索方法及系统，涉及图像检索的技术领域。检索预设数量的正负样本图像；利用HC显著性检测方法对样本图像进行检测，若其显著性区域面积低于整幅图像的第一预设比例，进行删除；利用卷积核对样本图像进行处理，并计算相似度，对相似度达到预设第一阈值的样本进行保留；利用SVM模型对训练样本进行训练；将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，判定为目标类别图像，将其作为检索结果进行展示；当计算得分小于第二预设阈值，判定为非目标类别图像，进行排除。其能够减少了样本使用量，降低了人力和计算资源的消耗。

权利要求

1.一种训练样本深度优化的低耗图像检索方法，其特征在于，包括：从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；

利用HC显著性检测方法对任一所述样本图像进行检测，若所述样本图像的显著性区域面积低于整幅图像的第一预设比例，将所述样本图像进行删除；

利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本；

利用SVM模型对所述训练样本进行训练，得到检索决策模型；

将待检测图片输入至所述检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将所述待检测图片判定为目标类别图像，将所述目标类别图像作为检索结果进行展示；

当基于SVM模型计算得分小于第二预设阈值，将所述待检测图片判定为非目标类别图像，进行排除。

2.如权利要求1所述的一种训练样本深度优化的低耗图像检索方法，其特征在于，利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本的步骤包括：利用空洞率为1的卷积核对样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到第一训练样本；

利用空洞率为2的卷积核对所述第一训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的所述第一训练样本进行保留，得到第二训练样本；

利用空洞率为3的卷积核对所述第二训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的所述第二训练样本进行保留，得到最终的训练样本。

3.如权利要求2所述的一种训练样本深度优化的低耗图像检索方法，其特征在于，并分别计算正样本之间的相似度和负样本之间的相似度的步骤包括：分别对正样本和负样本的样本图像进行深度自编码；

计算不同样本图像自编码后的欧式距离；

将欧氏距离计算结果在预设范围内的样本图像，认定为相似图像，在所述相似图像中选取任选一个进行保存。

4.如权利要求1所述的一种训练样本深度优化的低耗图像检索方法，其特征在于，利用HC显著性检测方法对任一所述样本图像进行检测，若所述样本图像的显著性区域面积低于整幅图像的第一预设比例，将所述样本图像进行删除的步骤包括：对所述样本图像进行量化颜色通道，找出所述样本图像中颜色种类数量以及对应的像素总数；

按照像素总数从大到小排序，并同时记录相应颜色；

找出像素数目覆盖图像不小于第二预设比例的高频颜色种类，以及其他的不高于第三预设比例的低频颜色种类；

把低频颜色的像素归类到与其LAB颜色空间中颜色距离相距最近的高频颜色内；

计算每一种颜色的显著值，为图像中每一个像素分配显著值，生成显著图，计算所述显著值大于预设显著值阈值的像素在图像中的比例，若所述比例低于整幅图像的第一预设比例，将所述样本图像进行删除，反之继续下一步。

5.如权利要求4所述的一种训练样本深度优化的低耗图像检索方法，其特征在于，生成显著图后的步骤还包括：对所述显著图进行归一化处理以及进行线性空间滤波。

6.如权利要求4所述的一种训练样本深度优化的低耗图像检索方法，其特征在于，对所述样本图像进行量化颜色通道的步骤包括：利用颜色空间缩减算法对所述样本图像进行量化颜色通道。

7.如权利要求4所述的一种训练样本深度优化的低耗图像检索方法，其特征在于，所述第一预设比例为三分之一。

8.一种训练样本深度优化的低耗图像检索系统，其特征在于，包括：采集模块，用于从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；

显著性检测模块，用于利用HC显著性检测方法对任一所述样本图像进行检测，若所述样本图像的显著性区域面积低于整幅图像的第一预设比例，将所述样本图像进行删除；

样本处理模块，用于利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本；

决策模型模块，用于利用SVM模型对所述训练样本进行训练，得到检索决策模型；

判断模块，用于将待检测图片输入至所述检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将所述待检测图片判定为目标类别图像，将所述目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将所述待检测图片判定为非目标类别图像，进行排除。

9.一种电子设备，其特征在于，包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过所述数据总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行如权利要求1‑7任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑7中任一项所述的方法。

说明书

一种训练样本深度优化的低耗图像检索方法及系统

技术领域

[0001] 本发明涉及图像检索的技术领域，具体而言，涉及一种训练样本深度优化的低耗图像检索方法及系统。

背景技术

[0002] 在数字媒体时代和大数据时代，海量的图像已经在生活、教育、心理、科研、医疗等多个领域发挥了重要的作用，为整个社会带来了巨大的进步。同时，随着数字图像数量的爆炸式增长，如何从海量的图像库中检索出目标图像，则成为了一个非常有价值和意义的问题。相比于深度学习的图像检索方法，基于SVM模型的图像检索方法可以利用较少的训练样本实现高精度的图像检索。然而，质量低下的训练样本不仅显著降低了SVM模型的实际应用价值，还增加了训练样本的使用量、计算资源和人力资源的消耗。因此，急需一种训练样本深度优化的低耗图像检索方法。

发明内容

[0003] 本发明的目的在于提供一种训练样本深度优化的低耗图像检索方法，其能够减少了样本使用量，降低了人力和计算资源的消耗。

[0004] 本发明的实施例是这样实现的：

[0005] 第一方面，本申请实施例提供一种训练样本深度优化的低耗图像检索方法，其包括从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除；利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本； 利用SVM模型对训练样本进行训练，得到检索决策模型；将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将待检测图片判定为目标类别图像，将目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将待检测图片判定为非目标类别图像，进行排除。

[0006] 在本发明的一些实施例中，利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本的步骤包括：利用空洞率为1的卷积核对样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到第一训练样本；利用空洞率为2的卷积核对第一训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的第一训练样本进行保留，得到第二训练样本；利用空洞率为3的卷积核对第二训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的第二训练样本进行保留，得到最终的训练样本。

[0007] 在本发明的一些实施例中，并分别计算正样本之间的相似度和负样本之间的相似度的步骤包括：分别对正样本和负样本的样本图像进行深度自编码；计算不同样本图像自编码后的欧式距离；将欧氏距离计算结果在预设范围内的样本图像，认定为相似图像，在相似图像中选取任选一个进行保存。

[0008] 在本发明的一些实施例中，利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除的步骤包括：对样本图像进行量化颜色通道，找出样本图像中颜色种类数量以及对应的像素总数；按照像素总数从大到小排序，并同时记录相应颜色；找出像素数目覆盖图像不小于第二预设比例的高频颜色种类，以及其他的不高于第三预设比例的低频颜色种类；把低频颜色的像素归类到与其LAB颜色空间中颜色距离相距最近的高频颜色内；计算每一种颜色的显著值，为图像中每一个像素分配显著值，生成显著图，计算显著值大于预设显著值阈值的像素在图像中的比例，若比例低于整幅图像的第一预设比例，将样本图像进行删除，反之继续下一步。

[0009] 在本发明的一些实施例中，生成显著图后的步骤还包括：对显著图进行归一化处理以及进行线性空间滤波。

[0010] 在本发明的一些实施例中，对样本图像进行量化颜色通道的步骤包括：利用颜色空间缩减算法对样本图像进行量化颜色通道。

[0011] 在本发明的一些实施例中，第一预设比例为三分之一。

[0012] 第二方面，本申请实施例提供一种训练样本深度优化的低耗图像检索系统，其包括采集模块，用于从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；显著性检测模块，用于利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除；样本处理模块，用于利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本； 决策模型模块，用于利用SVM模型对训练样本进行训练，得到检索决策模型；判断模块，用于将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将待检测图片判定为目标类别图像，将目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将待检测图片判定为非目标类别图像，进行排除。

[0013] 第三方面，本申请实施例提供一种电子设备，包括至少一个处理器、至少一个存储器和数据总线；其中：处理器与存储器通过数据总线完成相互间的通信；存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行一种训练样本深度优化的低耗图像检索方法。

[0014] 第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现一种训练样本深度优化的低耗图像检索方法。

[0015] 相对于现有技术，本发明的实施例至少具有如下优点或有益效果：

[0016] 利用显著性检测和多空洞率的空洞卷积深度优化了训练样本群体，得到了更加精良的训练样本。同时利用更加精良的训练样本进行训练学习，减少了样本使用量，降低了人力和计算资源的消耗。

附图说明

[0017] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

[0018] 图1为本发明中一种训练样本深度优化的低耗图像检索方法的流程示意图；

[0019] 图2为本发明中样本之间相似度计算的流程图；

[0020] 图3为本发明中HC显著性检测方法的流程示意图；

[0021] 图4为本发明中一种训练样本深度优化的低耗图像检索系统的结果示意图；

[0022] 图5为本发明中一种电子设备的结构示意图。

[0023] 图标：1、采集模块；2、显著性检测模块；3、样本处理模块；4、决策模型模块；5、判断模块；6、处理器；7、存储器；8、数据总线。

具体实施方式

[0024] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

[0025] 因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0026] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

[0027] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0028] 在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

[0029] 在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

[0030] 下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

[0031] 实施例1

[0032] 请参阅图1，为本申请实施例提供的一种训练样本深度优化的低耗图像检索方法，本设计利用显著性检测和多空洞率的空洞卷积深度优化了训练样本群体，得到了更加精良的训练样本。同时利用更加精良的训练样本进行训练学习，减少了样本使用量，降低了人力和计算资源的消耗。

[0033] S1：从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；

[0034] 对于特定的图像检索类别（例如长颈鹿图像类别），从图像库中检索出一定数量的正样本图像和负样本图像（正样本和负样本各 300 个左右）。

[0035] S2：利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除；

[0036] 对于利用HC模型进行显著性检测的目的在于对图片内的物体或对象进行显著处理，由此使得计算机可以更为精确识别。

[0037] S3：利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本；

[0038] 利用空洞卷积算法，其优势在于可以确保更加精良的训练样本的情况下，还能够在不做池化损失信息的情况下，加大感受野，让每个卷积的输出都包含较大范围的信息。在图像需要全局信息，或者语音、文本需要较长序列信息的问题中，空洞卷积都能很好的应用。

[0039] S4：利用SVM模型对训练样本进行训练，得到检索决策模型；

[0040] 而采用SVM模型的目的在于，相比于深度学习的图像检索方法，基于 SVM 模型的图像检索方法可以利用较少的训练样本实现高精度的图像检索。

[0041] S5：将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将待检测图片判定为目标类别图像，将目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将待检测图片判定为非目标类别图像，进行排除。

[0042] 而对于需要的图片作为检索结果，不需要则直接排出或直接跳过继续下一张图片检索。

[0043] 在本发明的一些实施例中，利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本的步骤包括：利用空洞率为1的卷积核对样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到第一训练样本；利用空洞率为2的卷积核对第一训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的第一训练样本进行保留，得到第二训练样本；利用空洞率为3的卷积核对第二训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的第二训练样本进行保留，得到最终的训练样本。

[0044] 利用多种不同的空洞率值的卷积核对样本进行处理，旨在从多个方式进行图片的识别与选取，由此获得更为精良的训练样本。

[0045] 请参阅图2，在本发明的一些实施例中，并分别计算正样本之间的相似度和负样本之间的相似度的步骤包括：

[0046] S301：分别对正样本和负样本的样本图像进行深度自编码；

[0047] 自编码是利用神经网络进行非监督形式的学习的一种，利用自编码自身的数据处理的轻量化优势，节约计算资源。

[0048] S302：计算不同样本图像自编码后的欧式距离；

[0049] 利用欧氏距离计算相速度。

[0050] S303：将欧氏距离计算结果在预设范围内的样本图像，认定为相似图像，在相似图像中选取任选一个进行保存。

[0051] 利用欧氏距离判断出相似度较高的（即在预设范围内的）样本图像进行保留。

[0052] 请参阅图3，在本发明的一些实施例中，利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除的步骤包括：

[0053] S201：对样本图像进行量化颜色通道，找出样本图像中颜色种类数量以及对应的像素总数；

[0054] 对显著性检测主要是对高频率颜色进行识别，有次需要先找出颜色种类数量以及对应的像素总数。

[0055] S202：按照像素总数从大到小排序，并同时记录相应颜色；

[0056] 排序后对像素总数较大的首先进行操作，又便于显著性计算。

[0057] S203：找出像素数目覆盖图像不小于第二预设比例的高频颜色种类，以及其他的不高于第三预设比例的低频颜色种类；

[0058] 而对于高频颜色和低频颜色的筛选，采用预设覆盖比例，例如找出像素数目覆盖图像不小于95%的高频颜色种类，以及其他的不高于5%的低频颜色种类；

[0059] S204：把低频颜色的像素归类到与其LAB颜色空间中颜色距离相距最近的高频颜色内；

[0060] 由于LAB颜色空间中越近的颜色，其色差越小，由此为了尽可能的提高计算速度，将低频颜色的像素归类到与其LAB颜色空间中颜色距离相距最近的高频颜色内。

[0061] S205：计算每一种颜色的显著值，为图像中每一个像素分配显著值，生成显著图，计算显著值大于预设显著值阈值的像素在图像中的比例，若比例低于整幅图像的第一预设比例，将样本图像进行删除，反之继续下一步。

[0062] 在本发明的一些实施例中，生成显著图后的步骤还包括：对显著图进行归一化处理以及进行线性空间滤波。

[0063] 在本发明的一些实施例中，对样本图像进行量化颜色通道的步骤包括：利用颜色空间缩减算法对样本图像进行量化颜色通道。

[0064] 三通道图像可能的像素值为255255255个。这就导致无法使用直方图来进行加速程序，因此我们将每个通道量化为12个颜色，这样就是121212个可能的像素值。从而提高计算速度。

[0065] 在本发明的一些实施例中，第一预设比例为三分之一。

[0066] 实施例2

[0067] 请参阅图4，为本发明提供的一种训练样本深度优化的低耗图像检索系统，包括采集模块1，用于从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；显著性检测模块2，用于利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除；样本处理模块3，用于利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本；决策模型模块4，用于利用SVM模型对训练样本进行训练，得到检索决策模型；判断模块5，用于将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将待检测图片判定为目标类别图像，将目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将待检测图片判定为非目标类别图像，进行排除。

[0068] 实施例3

[0069] 请参阅图5，为本发明提供的一种电子设备，包括至少一个处理器6、至少一个存储器7和数据总线8；其中：处理器6与存储器7通过数据总线8完成相互间的通信；存储器7存储有可被处理器6执行的程序指令，处理器6调用程序指令以执行一种训练样本深度优化的低耗图像检索方法。例如实现：

[0070] 从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除；利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本； 利用SVM模型对训练样本进行训练，得到检索决策模型；将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将待检测图片判定为目标类别图像，将目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将待检测图片判定为非目标类别图像，进行排除。

[0071] 实施例4

[0072] 本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器6执行时实现一种训练样本深度优化的低耗图像检索方法。例如实现：

[0073] 从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除；利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本； 利用SVM模型对训练样本进行训练，得到检索决策模型；将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将待检测图片判定为目标类别图像，将目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将待检测图片判定为非目标类别图像，进行排除。

[0074] 其中，存储器7可以是但不限于，随机存取存储器（RANDOM ACCESS MEMORY，RAM），只读存储器（READ ONLY MEMORY，ROM），可编程只读存储器（PROGRAMMABLE READ‑ONLY MEMORY，PROM），可擦除只读存储器（ERASABLE PROGRAMMABLE READ‑ONLY MEMORY，EPROM），电可擦除只读存储器（ELECTRIC ERASABLE PROGRAMMABLE READ‑ONLY MEMORY，EEPROM）等。

[0075] 处理器6可以是一种集成电路芯片，具有信号处理能力。该处理器6可以是通用处理器，包括中央处理器（CENTRAL  PROCESSING UNIT，CPU）、网络处理器（NETWORK PROCESSOR，NP）等；还可以是数字信号处理器（DIGITAL SIGNAL PROCESSING，DSP）、专用集成电路（APPLICATION SPECIFIC INTEGRATED CIRCUIT，ASIC）、现场可编程门阵列（FIELD－PROGRAMMABLE GATE ARRAY，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

[0076] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

[0077] 对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。