一种基于深度学习的目标检测方法

摘要

本发明公开了一种基于深度学习的目标检测方法，包括，将待检测的图像进行预处理，建立数据集，数据集包括目标样本数据集和非目标样本数据集；对数据集先后进行损失训练和回归训练，以扩充目标样本；提取所有目标样本的特征向量，以目标样本作为节点，根据特征向量确定邻接矩阵，建立带权无向图；基于深度学习构建初始目标检测模型，并通过带权无向图和非目标样本数据集中的训练集对初始目标检测模型进行第一次训练；若训练次数达到预设训练次数，则利用优化模块进行第二次训练；若在第二次训练后，损失函数收敛，则停止训练，获得目标检测模型，利用目标检测模型对输入的图像进行目标检测；本发明搭建的目标检测模型具有较好的鲁棒性。

权利要求

1.一种基于深度学习的目标检测方法，其特征在于，包括：将待检测的图像进行预处理，建立数据集，所述数据集包括目标样本数据集和非目标样本数据集；

对所述数据集先后进行损失训练和回归训练，以扩充目标样本；

提取所有目标样本的特征向量，以目标样本作为节点，根据所述特征向量确定邻接矩阵，建立带权无向图；

基于深度学习构建初始目标检测模型，并通过带权无向图和非目标样本数据集中的训练集对所述初始目标检测模型进行第一次训练；

若训练次数达到预设训练次数，则利用优化模块进行第二次训练；

若在第二次训练后，损失函数收敛，则停止训练，获得目标检测模型，利用目标检测模型对输入的图像进行目标检测；

其中，优化模块包括：

设置学习率，基于第一次训练后获得的模型权重N构建损失函数Loss：Loss＝N[‑y*lgy’‑(1‑y)lg(1‑y)]+γ[λLpos+(1‑λ)Lneg]其中，y为初始目标检测模型的输出值，y’为初始目标检测模型的预测值，λ为平衡因子，γ为学习率，Lpos为目标样本的损失值，Lneg为非目标样本的损失值；

利用WOA算法进行第二次训练，当损失函数值达到最小，即收敛时，停止训练，获得最优模型权重；

第二次训练具体包括如下步骤：

将平衡因子和模型权重作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数T和初始目标检测模型神经元的个数；

随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；

更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；

当损失函数值达到最小且模型精度满足要求时停止训练，获得最优模型权重；

其中，鲸鱼个体的适应度包括：

F＝1/Loss

式中，F为鲸鱼个体的适应度。

2.如权利要求1所述的基于深度学习的目标检测方法，其特征在于，预处理包括降噪处理、二值化和归一化；

通过滤波模块抑制待检测的图像中的噪声干扰，所述滤波模块包括多个二维滤波矩阵、绝光屏蔽存储单元，以及至少一个CMOS传感器阵列；通过CMOS传感器阵列曝光待检测的图像的至少N行光栅，并在t时将曝光产生的电荷转移至绝光屏蔽存储单元，以捕获待检测的图像中M*M像素区域的像素点；最后通过二维滤波矩阵对像素点的像素值进行卷积，完成降噪处理；

对降噪后的图像进行二值化处理，获取二值图像，根据所述二值图像的连通域进行分割，以划分目标样本和非目标样本，获得非目标样本数据集，所述目标样本至少包括一个待检测物，所述非目标样本不包括待检测物；

按照相同比例对包含不同尺寸待检测物的目标样本进行采样，获得数据块，并进行归一化操作，获得目标样本数据集；

其中，将70％的数据集作为训练集，30％的数据集作为测试集。

3.如权利要求1所述的基于深度学习的目标检测方法，其特征在于，损失训练和回归训练包括：采用交叉熵损失函数对数据集进行损失训练；

采用Smooth L1损失函数对目标样本数据集进行回归训练。

4.如权利要求2或3所述的基于深度学习的目标检测方法，其特征在于，特征向量包括：提取所有目标样本的多层语义特征，并根据预设的采样率，对多层语义特征先后进行下采样和上采样，获得第一特征向量；

将第一特征向量与多层语义特征进行融合，获得第二特征向量，并对第二特征向量先后进行卷积和下采样，获得特征向量。

5.如权利要求4所述的基于深度学习的目标检测方法，其特征在于，建立带权无向图包括：根据特征向量确定邻接矩阵元素Kn，m：

Kn，m＝μ(Dn，Dm)

其中，μ为距离函数，Dn为节点n的特征向量，Dm为节点m的特征向量；

根据邻接矩阵元素Kn，m建立带权无向图G：

G＝(K，R)

其中，K为邻接矩阵集合，R为节点间的边权。

6.如权利要求5所述的基于深度学习的目标检测方法，其特征在于，构建初始目标检测模型包括：初始目标检测模型由卷积层、LSTM层、残差网络层、全连接层和输出层构成；所述卷积层包括卷积核为3*3的第一卷积层、LSTM层、卷积核为1*1的第二卷积层和卷积核为5*5的第三卷积层；残差网络层包括卷积核为1*1的第四卷积层、池化窗口为2*2的空间金字塔池化层、卷积核为3*3的第五卷积层和卷积核为1*1的第六卷积层；

第一卷积层作为初始目标检测模型的输入层，LSTM层分别连接第一卷积层的输出和第二卷积层的输入，第二卷积层通过Leaky ReLU激活函数输出到第三卷积层，第三卷积层通过ReLU激活函数输出到第四卷积层，第四卷积层、空间金字塔池化层、第五卷积层和第六卷积层间通过MaxOut激活函数输出，通过全连接层对第六卷积层提取的特征进行非线性组合，输出到输出层，输出层通过softmax函数输出检测结果。

7.如权利要求6所述的基于深度学习的目标检测方法，其特征在于，第一次训练包括：将30％的带权无向图和非目标样本数据集中的训练集输入初始目标检测模型，通过随机梯度下降法进行第一次训练，在训练次数达到20次时，冻结第一卷积、LSTM层和第二卷积层，使用剩余70％的带权无向图和非目标样本数据集中的训练集训练除第一卷积、LSTM层和第二卷积层之外的其余层，当训练次数达到预设训练次数时进行第二次训练。

8.如权利要求7所述的基于深度学习的目标检测方法，其特征在于，模型精度包括：将测试集输入至第一次训练后的模型中进行测试，采用准确率ACC进行精度评价。

说明书

一种基于深度学习的目标检测方法

技术领域

[0001] 本发明涉及目标检测的技术领域，尤其涉及一种基于深度学习的目标检测方法。

背景技术

[0002] 传统的目标检测算法可以分为区域选择、特征提取和分类器分类三步，通过人工选择图像特征进行特征提取，特征单一且鲁棒性较差。神经网络的出现改变了这种现状，它能够不依赖于人工提取特征，在图像分类领域有重大突破之后一直蓬勃发展，目前基于深度学习的目标检测算法已经成为目标检测研究的主流。

[0003] 随着该领域的不断发展，目标检测算法的相关模型也层出不穷，人工优化流程的方式在庞大的模型数量面前也变得十分低效。而自动化的方式也需要大量的算力支持才能选出符合条件的模型，且时间成本过高。

发明内容

[0004] 鉴于上述现有存在的问题，提出了本发明。

[0005] 因此，本发明提供了一种基于深度学习的目标检测方法，能够解决现有的检测模型检测速度慢，以及小样本导致检测精度低的问题。

[0006] 为解决上述技术问题，本发明提供如下技术方案，包括：将待检测的图像进行预处理，建立数据集，所述数据集包括目标样本数据集和非目标样本数据集；对所述数据集先后进行损失训练和回归训练，以扩充目标样本；提取所有目标样本的特征向量，以目标样本作为节点，根据所述特征向量确定邻接矩阵，建立带权无向图；基于深度学习构建初始目标检测模型，并通过带权无向图和非目标样本数据集中的训练集对所述初始目标检测模型进行第一次训练；若训练次数达到预设训练次数，则利用优化模块进行第二次训练；若在第二次训练后，损失函数收敛，则停止训练，获得目标检测模型，利用目标检测模型对输入的图像进行目标检测。

[0007] 作为本发明所述的基于深度学习的目标检测方法的一种优选方案，其中：预处理包括降噪处理、二值化和归一化；通过滤波模块抑制待检测的图像中的噪声干扰，所述滤波模块包括多个二维滤波矩阵、绝光屏蔽存储单元，以及至少一个CMOS传感器阵列；通过CMOS传感器阵列曝光待检测的图像的至少N行光栅，并在t时将曝光产生的电荷转移至绝光屏蔽存储单元，以捕获待检测的图像中M*M像素区域的像素点；最后通过二维滤波矩阵对像素点的像素值进行卷积，完成降噪处理；对降噪后的图像进行二值化处理，获取二值图像，根据所述二值图像的连通域进行分割，以划分目标样本和非目标样本，获得非目标样本数据集，所述目标样本至少包括一个待检测物，所述非目标样本不包括待检测物；按照相同比例对包含不同尺寸待检测物的目标样本进行采样，获得数据块，并进行归一化操作，获得目标样本数据集；其中，将70%的数据集作为训练集，30%的数据集作为测试集。

[0008] 作为本发明所述的基于深度学习的目标检测方法的一种优选方案，其中：损失训练和回归训练包括：采用交叉熵损失函数对数据集进行损失训练；采用Smooth L1损失函数对目标样本数据集进行回归训练。

[0009] 作为本发明所述的基于深度学习的目标检测方法的一种优选方案，其中：特征向量包括：提取所有目标样本的多层语义特征，并根据预设的采样率，对多层语义特征先后进行下采样和上采样，获得第一特征向量；将第一特征向量与多层语义特征进行融合，获得第二特征向量，并对第二特征向量先后进行卷积和下采样，获得特征向量。

[0010] 作为本发明所述的基于深度学习的目标检测方法的一种优选方案，其中：建立带权无向图包括：根据特征向量确定邻接矩阵元素Kn，m：

[0011]

[0012] 其中，µ为距离函数，Dn为节点n的特征向量，Dm为节点m的特征向量；

[0013] 根据邻接矩阵元素Kn，m建立带权无向图G：

[0014]

[0015] 其中，K为邻接矩阵集合，R为节点间的边权。

[0016] 作为本发明所述的基于深度学习的目标检测方法的一种优选方案，其中：构建初始目标检测模型包括：初始目标检测模型由卷积层、LSTM层、残差网络层、全连接层和输出层构成；所述卷积层包括卷积核为3*3的第一卷积层、LSTM层、卷积核为1*1的第二卷积层和卷积核为5*5的第三卷积层；残差网络层包括卷积核为1*1的第四卷积层、池化窗口为2*2的空间金字塔池化层、卷积核为3*3的第五卷积层和卷积核为1*1的第六卷积层；第一卷积层作为初始目标检测模型的输入层，LSTM层分别连接第一卷积层的输出和第二卷积层的输入，第二卷积层通过Leaky ReLU激活函数输出到第三卷积层，第三卷积层通过ReLU激活函数输出到第四卷积层，第四卷积层、空间金字塔池化层、第五卷积层和第六卷积层间通过MaxOut激活函数输出，通过全连接层对第六卷积层提取的特征进行非线性组合，输出到输出层，输出层通过softmax函数输出检测结果。

[0017] 作为本发明所述的基于深度学习的目标检测方法的一种优选方案，其中：第一次训练包括：将30%的带权无向图和非目标样本数据集中的训练集输入初始目标检测模型，通过随机梯度下降法进行第一次训练，在训练次数达到20次时，冻结第一卷积、LSTM层和第二卷积层，使用剩余70%的带权无向图和非目标样本数据集中的训练集训练除第一卷积、LSTM层和第二卷积层之外的其余层，当训练次数达到预设训练次数时进行第二次训练。

[0018] 作为本发明所述的基于深度学习的目标检测方法的一种优选方案，其中：优化模块包括：设置学习率，基于第一次训练后获得的模型权重N构建损失函数Loss：

[0019]

[0020] 其中，y为初始目标检测模型的输出值，为初始目标检测模型的预测值，λ为平衡因子，γ为学习率，Lpos为目标样本的损失值，Lneg为非目标样本的损失值；

[0021] 利用WOA算法进行第二次训练，当损失函数值达到最小，即收敛时，停止训练，获得最优模型权重。

[0022] 作为本发明所述的基于深度学习的目标检测方法的一种优选方案，其中：第二次训练包括：将平衡因子和模型权重作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数T和初始目标检测模型神经元的个数；随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；当损失函数值达到最小且模型精度满足要求时停止训练，获得最优模型权重；其中，鲸鱼个体的适应度包括：

[0023] F=1/ Loss

[0024] 式中，F为鲸鱼个体的适应度。

[0025] 作为本发明所述的基于深度学习的目标检测方法的一种优选方案，其中：模型精度包括：将测试集输入至第一次训练后的模型中进行测试，采用准确率ACC进行精度评价。

[0026] 本发明的有益效果：本发明基于深度学习搭建目标检测模型，同时通过设置二次训练机制对目标检测模型进行优化训练，具有较好的鲁棒性。

附图说明

[0027] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

[0028] 图1为本发明第一个实施例所述的基于深度学习的目标检测方法的流程示意图；

[0029] 图2为本发明第一个实施例所述的基于深度学习的目标检测方法的目标检测模型结构示意图。

具体实施方式

[0030] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

[0031] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

[0032] 其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

[0033] 本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

[0034] 同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，仅是为了便于描述本发明和简化描述，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发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0035] 本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也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发明中的具体含义。

[0036] 实施例1

[0037] 参照图1～图2，为本发明的第一个实施例，该实施例提供了一种基于深度学习的目标检测方法，包括：

[0038] S1：将待检测的图像进行预处理，建立数据集，数据集包括目标样本数据集和非目标样本数据集。

[0039] 为了能更好地检测目标，本实施例首先先对待检测的图像进行预处理，即降噪处理、二值化和归一化，具体的：

[0040] （1）降噪处理

[0041] 通过滤波模块抑制待检测的图像中的噪声干扰，滤波模块包括多个二维滤波矩阵、绝光屏蔽存储单元，以及至少一个CMOS传感器阵列；通过CMOS传感器阵列曝光待检测的图像的至少N行光栅，并在t时将曝光产生的电荷转移至绝光屏蔽存储单元，以捕获待检测的图像中M*M像素区域的像素点；最后通过二维滤波矩阵对像素点的像素值进行卷积，完成降噪处理；

[0042] （2）二值化

[0043] 对降噪后的图像进行二值化处理，获取二值图像，根据二值图像的连通域进行分割，以划分目标样本和非目标样本，获得非目标样本数据集，目标样本至少包括一个待检测物，非目标样本不包括待检测物；待检测物例如可以为车辆、雷达、人群、船舶等。

[0044] （3）归一化

[0045] 按照相同比例对包含不同尺寸待检测物的目标样本进行采样，获得数据块，并进行归一化操作，获得目标样本数据集；其中，将70%的数据集作为训练集，30%的数据集作为测试集。

[0046] S2：对数据集先后进行损失训练和回归训练，以扩充目标样本。

[0047] 为了提高检测精度，需大量样本对模型进行训练，但目标样本的采集难度较大，本实施例通过损失训练和回归训练对采集到的目标样本进行扩充，具体包括：

[0048] （1）采用交叉熵损失函数（CrossEntropy Loss）对数据集进行损失训练；

[0049] （2）采用Smooth L1损失函数对目标样本数据集进行回归训练。

[0050] S3：提取所有目标样本的特征向量，以目标样本作为节点，根据特征向量确定邻接矩阵，建立带权无向图。

[0051] （1）提取所有目标样本的多层语义特征，并根据预设的采样率，对多层语义特征先后进行下采样和上采样，获得第一特征向量；

[0052] （2）将第一特征向量与多层语义特征进行融合，获得第二特征向量，并对第二特征向量先后进行卷积和下采样，获得特征向量。

[0053] 进一步的，根据特征向量确定邻接矩阵，建立带权无向图：

[0054] （1）根据特征向量确定邻接矩阵元素Kn，m：

[0055]

[0056] 其中，µ为距离函数，Dn为节点n的特征向量，Dm为节点m的特征向量；

[0057] （2）根据邻接矩阵元素Kn，m建立带权无向图G：

[0058] G=（K，R）

[0059] 其中，K为邻接矩阵集合，R为节点间的边权。

[0060] S4：基于深度学习构建初始目标检测模型，并通过带权无向图和非目标样本数据集中的训练集对初始目标检测模型进行第一次训练。

[0061] 参照图2，初始目标检测模型由卷积层、LSTM层、残差网络层、全连接层和输出层构成；卷积层包括卷积核为3*3的第一卷积层、LSTM层、卷积核为1*1的第二卷积层和卷积核为5*5的第三卷积层，有效地增大了感受野；残差网络层包括卷积核为1*1的第四卷积层、池化窗口为2*2的空间金字塔池化层、卷积核为3*3的第五卷积层和卷积核为1*1的第六卷积层，较佳的是，结合池化层优化残差网络，提高了密集目标检测的检测能力。

[0062] 第一卷积层作为初始目标检测模型的输入层，LSTM层分别连接第一卷积层的输出和第二卷积层的输入，第二卷积层通过Leaky ReLU激活函数输出到第三卷积层，第三卷积层通过ReLU激活函数输出到第四卷积层，第四卷积层、空间金字塔池化层、第五卷积层和第六卷积层间通过MaxOut激活函数输出，通过全连接层对第六卷积层提取的特征进行非线性组合，输出到输出层，输出层通过softmax函数输出检测结果。

[0063] 较佳的是，第五卷积层首先在降维的第四卷积层下减少计算量，接着在通过空间金字塔池化层将第四卷积层的卷积特征转化成相同维度，使得第五卷积层可处理任意尺度的图像，接着在第六卷积层中进行了还原，既保持了精度又减少了计算量，极大加快检测速度。

[0064] 进一步的，通过带权无向图和非目标样本数据集中的训练集对初始目标检测模型进行第一次训练：

[0065] 将30%的带权无向图和非目标样本数据集中的训练集输入初始目标检测模型，通过随机梯度下降法进行第一次训练，在训练次数达到20次时，冻结第一卷积、LSTM层和第二卷积层，使用剩余70%的带权无向图和非目标样本数据集中的训练集训练除第一卷积、LSTM层和第二卷积层之外的其余层，当训练次数达到预设训练次数时进行第二次训练。

[0066] S5：若训练次数达到预设训练次数，则利用优化模块进行第二次训练；若在第二次训练后，损失函数收敛，则停止训练，获得目标检测模型，利用目标检测模型对输入的图像进行目标检测。

[0067] 优化模块包括：

[0068] （1）设置学习率，基于第一次训练后获得的模型权重N构建损失函数Loss：

[0069]

[0070] 其中，y为初始目标检测模型的输出值，为初始目标检测模型的预测值，λ为平衡因子，γ为学习率，Lpos为目标样本的损失值，Lneg为非目标样本的损失值；

[0071] 本实施例将学习率设置为0.01，当学习率过小可能会造成过拟合现象，为了防止实验过拟合同时加快训练速度，将dropout设置为0.7。

[0072] （2）利用WOA算法进行第二次训练，当损失函数值达到最小，即收敛时，停止训练，获得最优模型权重。

[0073] a）将平衡因子和模型权重作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数T和初始目标检测模型神经元的个数；

[0074] b）随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；

[0075] 鲸鱼个体的适应度包括：

[0076] F=1/ Loss

[0077] 式中，F为鲸鱼个体的适应度。

[0078] c）更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；

[0079] 根据下式更新鲸鱼个体的位置：

[0080] X=Xq‑aD

[0081] 其中，X为更新后的鲸鱼个体的位置，a为（0，1）的随机数，D为鲸鱼和猎物之间的距离。

[0082] 与步骤b）的适应度进行比较，选择适应度较大的作为最优个体。

[0083] d）当损失函数值达到最小且模型精度满足要求时停止训练，获得最优模型权重；将测试集输入至第一次训练后的模型中进行测试，采用准确率ACC进行精度评价。

[0084] 较佳的是，本发明结合随机梯度下降法和WOA算法对目标检测模型进行训练，获得最优模型权重，增强了鲁棒性。

[0085] 实施例2

[0086] 为了对本方法中采用的技术效果加以验证说明，本实施例选择CNN目标检测算法、基于RPN网络的目标检测方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

[0087] CNN目标检测算法的检测精度较高，但相应的计算量较大，导致时间成本过高，而基于RPN网络的目标检测方法只能通过小批量数据进行训练，检测性能较差。

[0088] 为验证本方法相对CNN目标检测算法和基于RPN网络的目标检测方法具有较高的检测精度和较快的检测速度，本实施例中将采用现有的技术方案（CNN目标检测算法和基于RPN网络的目标检测方法）和本方法分别对500张待检测的车辆图像进行检测对比，采用准确率（ACC）、召回率（TPR）、精度（PRE）和F1‑ score（F1）作为各方法的衡量指标，结果如表1所示。

[0089]

[0090]

[0091]

[0092]

[0093] 式中，TP为真正例，即为检测到真可重入性的样本数量；FP为假正例，即为检测到假可重入性的样本数量；FN为假反例，即为未检测到的真重入性样本数量；TN为真反例，即为未检测到的假可重入性样本数量。

[0094] 表1：不同方法的目标检测检测性能。

[0095]

[0096] 从表1数据可清晰的看出，本方法在目标检测上具备良好的性能，每一项性能指标都优于CNN目标检测算法和基于RPN网络的目标检测方法。

[0097] 应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术‑包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

[0098] 此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

[0099] 进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

[0100] 如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组（例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互）的信号，以本地和/或远程过程的方式进行通信。

[0101] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。