CN107871125A - 违章建筑识别方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种违章建筑识别方法、装置及电子设备，涉及图像识别及数字处理技术领域，其中该方法包括采集待识别建筑的图像，并对该图像进行预处理，得到预处理后的图像；根据预设的深度学习模型提取预处理后的图像中对应待识别建筑的建筑特征，该预设的深度学习模型包括基于卷积神经网络的深度学习模型；利用基于上述预设的深度学习模型训练的分类器对上述建筑特征进行识别，生成对应该待识别建筑的识别结果。本发明实施例提供的技术方案，实现了对违章建筑的自动识别，且在提高识别效率的同时，有效保证了识别的准确性。

Description

违章建筑识别方法、装置及电子设备

技术领域

本发明涉及图像识别及数字处理技术领域，尤其是涉及一种违章建筑 识别方法、装置及电子设备。

背景技术

城市是各地区的政治、经济和文化中心，在国民经济和社会发展进程 中发挥着重要作用。随着社会经济的发展和各种利益的驱动，各式各样的 违法建设行为层出不穷，严重地制约着城市化的发展。违章建筑对城市建 设和发展具有很大的危害性，一直是困扰城市发展前进的棘手问题。因此， 对违章建筑进行识别，尽早发现违章建筑具有重要意义。

现有技术中在实际的项目建设中，通过设置监控点，由人工值守查看 海量的视频或者抓拍图像信息，随着监控点的数量迅速增多，监察人员难 免后疏忽遗漏重要的信息，视觉疲劳会使识别效果不如人意，为解决这一 问题，提出了图像识别自动识别的方法。而现有的基于图像处理的违章建 筑检测识别方法容易受到外界环境因素影响，如光照条件、拍摄角度、背 景变换等因素，大大降低了识别的准确性，仍然需要人工辅助识别，严重 影响识别效率。

发明内容

有鉴于此，本发明的目的在于提供一种违规建筑识别方法、装置及电 子设备，在提高识别效率的同时，有效保证了识别的准确性。

第一方面，本发明实施例提供了一种违章建筑识别方法，包括：

采集待识别建筑的图像，并对所述图像进行预处理，得到预处理后的 图像；

根据预设的深度学习模型提取所述预处理后的图像中对应所述待识别 建筑的建筑特征，所述预设的深度学习模型包括基于卷积神经网络的深度 学习模型；

利用基于所述预设的深度学习模型训练的分类器对所述建筑特征进行 识别，生成对应所述待识别建筑的识别结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方 式，其中，所述对所述图像进行预处理包括：

采用邻域平均法对采集的待识别建筑的图像进行平滑去噪，得到平滑 去噪后的图像；

采用直方图均衡法对所述平滑去噪后的图像的边缘信息进行增强，得 到预处理后的图像。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方 式，其中，所述根据预设的深度学习模型提取所述预处理后的图像中对应 所述待识别建筑的建筑特征之前，还包括：

根据所述预处理后的图像的灰度特性把所述预处理后的图像分为背景 和模板两类，将使两类间的方差取得最大的参数作为最佳阈值；

利用所述最佳阈值分割得到二值化图像，将所述二值化图像作为预处 理后的图像。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方 式，其中，所述基于卷积神经网络的深度学习模型是通过数量超过一定阈 值的建筑样本数据训练得到的，所述建筑样本数据包括建筑图片。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方 式，其中，所述分类器的训练过程包括：

利用基于卷积神经网络的深度学习模型提取建筑标本数据的深度特 征；

基于机器学习算法，对所述深度特征训练分类器；

其中所述建筑标本数据中包括指定的不同识别结果的建筑图片。

第二方面，本发明实施例还提供一种违章建筑识别装置，包括：

预处理模块，用于采集待识别建筑的图像，并对所述图像进行预处理， 得到预处理后的图像；

特征提取模块，用于根据预设的深度学习模型提取所述预处理后的图 像中对应所述待识别建筑的建筑特征，所述预设的深度学习模型包括基于 卷积神经网络的深度学习模型；

结果识别模块，用于利用基于所述预设的深度学习模型训练的分类器 对所述建筑特征进行识别，生成对应所述待识别建筑的识别结果。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方 式，其中，所述基于卷积神经网络的深度学习模型是通过数量超过一定阈 值的建筑样本数据训练得到的，所述建筑样本数据包括建筑图片。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方 式，其中，所述装置还包括训练模块，所述训练模块包括：

提取单元，用于利用基于卷积神经网络的深度学习模型提取建筑标本 数据的深度特征；

训练单元，用于基于机器学习算法，对所述深度特征训练分类器；

其中所述建筑标本数据中包括指定的不同识别结果的建筑图片。

第三方面，本发明实施例还提供一种包括存储器、处理器，所述存储 器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计 算机程序时实现上述第一方面及其任一种可能的实施方式所述的方法。

第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程 序代码的计算机可读介质，所述程序代码使所述处理器执行所述第一方面 及其任一种可能的实施方式所述方法。

本发明实施例带来了以下有益效果：

本发明实施例提供了一种违章建筑识别方法、装置及电子设备，其中 该方法包括采集待识别建筑的图像，并对该图像进行预处理，得到预处理 后的图像；根据预设的深度学习模型提取预处理后的图像中对应待识别建 筑的建筑特征，该预设的深度学习模型包括基于卷积神经网络的深度学习 模型；利用基于上述预设的深度学习模型训练的分类器对上述建筑特征进 行识别，生成对应该待识别建筑的识别结果。在本发明实施例提供的技术 方案中，首先利用预处理减小外界环境因素的影响，然后通过基于卷积神 经网络的深度学习模型提取建筑特征，并利用该深度学习模型训练的分类 器对待识别建筑进行识别，这样实现了对违章建筑的自动识别，且在提高 识别效率的同时，有效保证了识别的准确性。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从 说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其 他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实 施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下 面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍， 显而易见地，下面描述中的附图是本发明的一些实施方式，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 得其他的附图。

图1为本发明实施例提供的违章建筑识别方法的流程示意图；

图2为本发明实施例提供的分类器训练过程的流程示意图；

图3为本发明实施例提供的违章建筑识别装置的结构示意图；

图4为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附 图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本 领域普通技术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，都属于本发明保护的范围。

目前现有的基于图像处理的违章建筑检测识别方法容易受到外界环境 因素影响，如光照条件、拍摄角度、背景变换等因素，大大降低了识别的 准确性，仍然需要人工辅助识别，严重影响识别效率。基于此，本发明实 施例提供的一种违章建筑识别方法、装置及电子设备，可以实现对违章建 筑的自动识别，且在提高识别效率的同时，有效保证识别的准确性。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种违章 建筑识别方法进行详细介绍。

实施例一：

图1示出了本发明实施例提供的违章建筑识别方法的流程示意图。如 图1所示，该违章建筑识别方法包括：

步骤S101，采集待识别建筑的图像，并对该图像进行预处理，得到预 处理后的图像。

具体地，可以定期对某一区域的建筑进行图片采集，如通过前端监控 云台或者航拍器对待识别建筑进行图片抓拍，具体的获取方法这里不作限 定。

在一个可选的实施例中，由于外界光照条件和相机自身因素会造成图 像质量的降低，基于此本发明实施例采用的预处理操作主要包括图像增强 和去噪，上述对该图像进行预处理包括：

采用邻域平均法对采集的待识别建筑的图像进行平滑去噪，得到平滑 去噪后的图像；

采用直方图均衡法对平滑去噪后的图像的边缘信息进行增强，得到预 处理后的图像。

通过上述的预处理方法，能够增强图像中的部分边缘信息，在一定程 度上消除光照、拍摄角度及背景变换的影响，更有利于后期的特征提取与 表示。

在另一个可选的实施例中，可以采用图像的标准差特征来描述像素点， 消除背景图片中的光照的影响，为后续特征提取提供有效的数据，实现过 程如下：

另R表示一个M×N图像块，对于该图像块R上的任意像素点P(I， j)，I(P)表示该像素点的灰度值，图像块R的标准差特征可以定义为：

其中，μ为图像块的加权均值，然后采用颜色空间(如RGB(红绿蓝) 颜色空间或者HSV(Hue-Saturation-Value，色调-饱和度-明度)颜色空间) 初步消除光照不同所带来的干扰。

步骤S102，根据预设的深度学习模型提取预处理后的图像中对应待识 别建筑的建筑特征，该预设的深度学习模型包括基于卷积神经网络的深度 学习模型。

其中，上述基于卷积神经网络的深度学习模型是通过数量超过一定阈 值的建筑样本数据训练得到的，该建筑样本数据包括建筑图片。该建筑图 片为各个时间点的所有图片。具体地，建筑图片的数量越多越好，数据越 多，训练生成的基于卷积神经网络的深度学习模型的通用性越好，如上述 建筑图片包括多种背景下的建筑、多种角度的建筑及多种光照情况的建筑， 这样有利于后续对待识别建筑的准确识别，克服外界环境因素的影响，提高该基于卷积神经网络的深度学习模型的识别能力。

该步骤S102具体包括：将预处理后的图像作为输入图像在预设的深度 学习模型中包含的多个基层中依次进行特征训练，当训练完成后，提取多 个集成中的全连接层或者其他指定基层输出的特征向量作为预处理后的图 像中对应待识别建筑的建筑特征。

进一步地，为了简单且迅速处理图像特征，在步骤S102中根据预设的 深度学习模型提取预处理后的图像中对应待识别建筑的建筑特征之前，还 包括：

根据预处理后的图像的灰度特性把预处理后的图像分为背景和模板两 类，将使两类间的方差取得最大的参数作为最佳阈值；

利用该最佳阈值分割得到二值化图像，将该二值化图像作为预处理后 的图像。

在各种阈值优化分割方法中，OTSU算法提出基于类间方差最大化分 割法被公认为是最佳阈值分割算法，它根据图像的灰度特性把图像分为背 景和目标两类，然后计算让两类间的方差取得最大的参数作为最佳阈值， 再利用最佳阈值分割得到效果良好的二值化图像。

由此，通过上述二值化处理，将图像上的像素点的灰度值设置为0或 者255，图像中数据量大为减少，图像处理速度可以大大降低。

步骤S103，利用基于预设的深度学习模型训练的分类器对建筑特征进 行识别，生成对应待识别建筑的识别结果。

即将步骤102中提取的建筑特征作为基于预设的深度学习模型训练的 分类器的输入，通过该分类器识别后，获得最终的识别结果。具体地，识 别结果为违章建筑或者非违章建筑，可以但不限于通过正确或者错误标识， 具体标识方法这里不作限定。

在一个可选的实施例中，参见图2，步骤103中应用的分类器的训练过 程包括：

步骤S201，利用基于卷积神经网络的深度学习模型提取建筑标本数据 的深度特征。

步骤S202，基于机器学习算法，对该深度特征训练分类器。

其中上述建筑标本数据中包括指定的不同识别结果的建筑图片。上述 机器学习算法可以是邻近算法、最大期望算法及支持向量机算法等，具体 算法可以根据具体情况选择，这里不作限定。

在一个可选的实施例中，上述建筑标本数据包括三元组数据；其中该 三元组数据包括：源数据、与所述源数据属于同一类别的正向数据、以及 与该源数据分属不同类别的反向数据。

其中，源数据为从建筑样本数据中随机获取到的识别结果相同的样本 数据。

正向数据为从建筑样本数据中随机获取的与源数据的识别结果一致的 样本数据；该源数据的匹配度高于正向数据的匹配度。

反向数据为从建筑样本数据中随机获取的与源数据的识别结果不一致 的样本数据。

在一个具体的实施例中，三元组数据分别为：建筑样本数据中拍摄的 比较专业的作为源数据的第一图片，建筑样本数据中拍摄的效果较差的作 为正向数据的第二图片，以及与第一图片和第二图片识别结果不同的作为 反向数据的第三图片。第一图片和第二图片的识别结果为违章建筑，第二 图片的识别结果为非违章建筑。第二图片由于效果较差，如在清晰度、分 辨率等方面与第一图片存在差距，其匹配度低于第一图片。第三图片则是在训练时进行反向对比的反向数据，一次通过正反对比，进一步增强了分 类器的识别能力。

在本发明实施例提供的技术方案中，首先利用预处理减小外界环境因 素的影响，然后通过基于卷积神经网络的深度学习模型提取建筑特征，并 利用该深度学习模型训练的分类器对待识别建筑进行识别，这样实现了对 违章建筑的自动识别，且在提高识别效率的同时，有效保证了识别的准确 性。

实施例二：

图3示出了本发明实施例提供的违章建筑识别装置的结构示意图。如 图3所示，该违章建筑识别装置包括：

预处理模块11，用于采集待识别建筑的图像，并对该图像进行预处理， 得到预处理后的图像；

特征提取模块12，用于根据预设的深度学习模型提取预处理后的图像 中对应上述待识别建筑的建筑特征，该预设的深度学习模型包括基于卷积 神经网络的深度学习模型；

结果识别模块13，用于利用基于上述预设的深度学习模型训练的分类 器对上述建筑特征进行识别，生成对应上述待识别建筑的识别结果。

进一步地，上述基于卷积神经网络的深度学习模型是通过数量超过一 定阈值的建筑样本数据训练得到的，所述建筑样本数据包括建筑图片。

进一步地，上述装置还包括训练模块14，该训练模块包括：

提取单元141，用于利用基于卷积神经网络的深度学习模型提取建筑标 本数据的深度特征；

训练单元142，用于基于机器学习算法，对上述深度特征训练分类器；

其中所述建筑标本数据中包括指定的不同识别结果的建筑图片。

在本发明实施例提供的技术方案中，首先利用预处理减小外界环境因 素的影响，然后通过基于卷积神经网络的深度学习模型提取建筑特征，并 利用该深度学习模型训练的分类器对待识别建筑进行识别，这样实现了对 违章建筑的自动识别，且在提高识别效率的同时，有效保证了识别的准确 性。

实施例三：

参见图4，本发明实施例还提供一种电子设备100，包括：处理器40， 存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器 41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块， 例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至 少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实 现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广 域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分 为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向 箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器40在接收到执行指令后， 执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所 执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过 程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者 软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理 器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简 称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、 专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编 程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本 发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处 理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公 开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处 理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器， 闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存 器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例提供的违章建筑识别装置及电子设备，与上述实施例提 供的违章建筑识别方法具有相同的技术特征，所以也能解决相同的技术问 题，达到相同的技术效果。

本发明实施例所提供的进行违章建筑识别方法的计算机程序产品，包 括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述 程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现 可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述 描述的装置及电子设备的具体工作过程，可以参考前述方法实施例中的对 应过程，在此不再赘述。

附图中的流程图和框图显示了根据本发明的多个实施例方法和计算机 程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图 中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程 序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指 令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以 以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而 定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图 中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统 来实现，或者可以用专用硬件与计算机指令的组合来实现。

此外，术语“第一”、“第二”、“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。除非另外具体说明，否则在这些实施例中阐述的部 件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置 和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意 性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可 以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到 另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的 相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或 单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的， 作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地 方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的 部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元 中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在 一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使 用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。 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 部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可 以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述 方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读 存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用 以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于 此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围 内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变 化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都 应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利 要求的保护范围为准。

Claims (10)

1.一种违章建筑识别方法，其特征在于，包括：

采集待识别建筑的图像，并对所述图像进行预处理，得到预处理后的图像；

根据预设的深度学习模型提取所述预处理后的图像中对应所述待识别建筑的建筑特征，所述预设的深度学习模型包括基于卷积神经网络的深度学习模型；

利用基于所述预设的深度学习模型训练的分类器对所述建筑特征进行识别，生成对应所述待识别建筑的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述图像进行预处理包括：

采用邻域平均法对采集的待识别建筑的图像进行平滑去噪，得到平滑去噪后的图像；

采用直方图均衡法对所述平滑去噪后的图像的边缘信息进行增强，得到预处理后的图像。

3.根据权利要求1所述的方法，其特征在于，所述根据预设的深度学习模型提取所述预处理后的图像中对应所述待识别建筑的建筑特征之前，还包括：

根据所述预处理后的图像的灰度特性把所述预处理后的图像分为背景和模板两类，将使两类间的方差取得最大的参数作为最佳阈值；

利用所述最佳阈值分割得到二值化图像，将所述二值化图像作为预处理后的图像。

4.根据权利要求1所述的方法，其特征在于，所述基于卷积神经网络的深度学习模型是通过数量超过一定阈值的建筑样本数据训练得到的，所述建筑样本数据包括建筑图片。

5.根据权利要求1所述的方法，其特征在于，所述分类器的训练过程包括：

利用基于卷积神经网络的深度学习模型提取建筑标本数据的深度特征；

基于机器学习算法，对所述深度特征训练分类器；

其中所述建筑标本数据中包括指定的不同识别结果的建筑图片。

6.一种违章建筑识别装置，其特征在于，包括：

预处理模块，用于采集待识别建筑的图像，并对所述图像进行预处理，得到预处理后的图像；

特征提取模块，用于根据预设的深度学习模型提取所述预处理后的图像中对应所述待识别建筑的建筑特征，所述预设的深度学习模型包括基于卷积神经网络的深度学习模型；

结果识别模块，用于利用基于所述预设的深度学习模型训练的分类器对所述建筑特征进行识别，生成对应所述待识别建筑的识别结果。

7.根据权利要求6所述的装置，其特征在于，所述基于卷积神经网络的深度学习模型是通过数量超过一定阈值的建筑样本数据训练得到的，所述建筑样本数据包括建筑图片。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块包括：

提取单元，用于利用基于卷积神经网络的深度学习模型提取建筑标本数据的深度特征；

训练单元，用于基于机器学习算法，对所述深度特征训练分类器；

其中所述建筑标本数据中包括指定的不同识别结果的建筑图片。

9.一种电子设备，包括存储器、处理器，所述存储器上存储有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上述权利要求1至5任一项所述的方法。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至5任一项所述方法。