CN110647789A - 交通信号灯位置的识别方法和装置 - Google Patents

Abstract

本发明公开了交通信号灯位置的识别方法和装置。所述方法包括：获取行车轨迹；将行车轨迹转换为轨迹运动序列；将所述轨迹运动序列根据预先得到的二分类模型进行运动序列匹配，根据匹配结果确定交通信号灯位置。该技术方案通过预先将行车轨迹对应的轨迹运动序列分为与交通信号灯对应的一类以及不与交通信号灯对应的一类，从交通信号灯附近行车轨迹的特殊性出发，采用行车轨迹识别的方式反推电子地图中的各点是否设置有交通信号灯，利用了行车轨迹时效性强的特点，提供了一种交通信号灯位置识别的新手段，缩短了交通信号灯数据的更新周期，也降低了使用人工手段采集数据的成本。

Description

交通信号灯位置的识别方法和装置

技术领域

本发明涉及电子地图技术领域，具体涉及交通信号灯位置的识别方法和装置。

背景技术

交通信号灯俗称“红绿灯”，是重要的交通设施之一，在交通路线规划中起着重要的作用。目前，许多电子地图中都标注有交通信号灯的位置，但是还存在一项缺点：数据存在延迟，即许多新建立的交通信号灯不能及时地被吸收转换为电子地图数据，在电子地图中进行标注。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的交通信号灯位置的识别方法和装置。

依据本发明的一个方面，提供了一种交通信号灯位置的识别方法，包括：

获取行车轨迹；

将行车轨迹转换为轨迹运动序列；

将所述轨迹运动序列根据预先得到的二分类模型进行运动序列匹配，根据匹配结果确定交通信号灯位置。

可选地，所述获取行车轨迹包括：获取车载智能设备提供的行车轨迹。

可选地，该方法还包括：

从电子地图数据中提取出交通信号灯类型的POI，获取各POI附近预设范围内的行车轨迹作为第一样本轨迹；

从电子地图数据中提取出非交通信号灯的点，获取各点附近预设范围内的行车轨迹作为第二样本轨迹；

根据所述第一样本轨迹和第二样本轨迹训练所述二分类模型。

可选地，所述从电子地图数据中提取出非交通信号灯的点包括：

根据道路属性、场景、兴趣点POI中的一种或多种，从电子地图数据中提取出非交通信号灯的点。

可选地，所述根据所述第一样本轨迹和第二样本轨迹训练所述二分类模型包括：

将所述第一样本轨迹和所述第二样本轨迹分别转换为轨迹运动序列；

将转换后的轨迹运动序列进行合并，对合并后的轨迹运动序列按是否对与交通信号灯对应进行二分类。

依据本发明的另一方面，提供了一种交通信号灯位置的识别装置，包括：

获取单元，适于获取行车轨迹；

转换单元，适于将行车轨迹转换为轨迹运动序列；

识别单元，适于将所述轨迹运动序列根据预先得到的二分类模型进行运动序列匹配，根据匹配结果确定交通信号灯位置。

可选地，所述获取单元，适于获取车载智能设备提供的行车轨迹。

可选地，该装置还包括：

训练单元，适于从电子地图数据中提取出交通信号灯类型的POI，获取各POI附近预设范围内的行车轨迹作为第一样本轨迹；从电子地图数据中提取出非交通信号灯的点，获取各点附近预设范围内的行车轨迹作为第二样本轨迹；根据所述第一样本轨迹和第二样本轨迹训练所述二分类模型。

可选地，所述训练单元，适于根据道路属性、场景、兴趣点POI中的一种或多种，从电子地图数据中提取出非交通信号灯的点。

可选地，所述训练单元，适于将所述第一样本轨迹和所述第二样本轨迹分别转换为轨迹运动序列；将转换后的轨迹运动序列进行合并，对合并后的轨迹运动序列按是否对与交通信号灯对应进行二分类。

依据本发明的又一方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述任一所述的方法。

依据本发明的再一方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述任一所述的方法。

由上述可知，本发明的技术方案，通过获取行车轨迹，将其转换为轨迹运动序列后，由预先得到的二分类模型对其进行运动序列匹配，根据匹配结果确定交通信号灯的位置。该技术方案通过预先将行车轨迹对应的轨迹运动序列分为与交通信号灯对应的一类以及不与交通信号灯对应的一类，从交通信号灯附近行车轨迹的特殊性出发，采用行车轨迹识别的方式反推电子地图中的各点是否设置有交通信号灯，利用了行车轨迹时效性强的特点，提供了一种交通信号灯位置识别的新手段，缩短了交通信号灯数据的更新周期，也降低了使用人工手段采集数据的成本。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的一种交通信号灯位置的识别方法的流程示意图；

图2示出了根据本发明一个实施例的一种交通信号灯位置的识别装置的结构示意图；

图3示出了根据本发明一个实施例的电子设备的结构示意图；

图4示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明的基本思路为：是观察交通信号灯附近的行车轨迹有什么规律，那么具有同样规律的行车轨迹处，也有很大概率是设置有交通信号灯；而非交通信号灯附近的行车轨迹如果也具有一定规律性，那么具有同样规律的行车轨迹处大概率并不会设置有交通信号灯。其中，可以利用神经网络等机器学习技术的发展作为算法基础，电子地图提供方所能提供的电子地图数据作为数据基础。

图1示出了根据本发明一个实施例的一种交通信号灯位置的识别方法的流程示意图。如图1所示，该方法包括：

步骤S110，获取行车轨迹。行车轨迹反映了车辆在某段时间内车辆的行驶情况，通常包括多组时间点和对应的地理位置点(例如GPS点)。

步骤S120，将行车轨迹转换为轨迹运动序列。这一步是一个数据序列化的过程。运动序列是指人体运动或物体运动时的时序运动信号数据，具有高维向量、耦合性很强等特点。在本实施例中是将车辆运动的轨迹转换为轨迹运动序列，便于后续的匹配处理。

步骤S130，将轨迹运动序列根据预先得到的二分类模型进行运动序列匹配，根据匹配结果确定交通信号灯位置。

本例中二分类模型对应于两类：一类是与交通信号灯对应的运动序列，一类是不与交通信号灯对应的运动序列。也就是严格的是与非的关系。这样，就能够通过匹配确定轨迹运行序列属于哪一类，也就可以确定出相应的设置有交通信号灯的点。

可见，图1所示的方法，通过获取行车轨迹，将其转换为轨迹运动序列后，由预先得到的二分类模型对其进行运动序列匹配，根据匹配结果确定交通信号灯的位置。该技术方案通过预先将行车轨迹对应的轨迹运动序列分为与交通信号灯对应的一类以及不与交通信号灯对应的一类，从交通信号灯附近行车轨迹的特殊性出发，采用行车轨迹识别的方式反推电子地图中的各点是否设置有交通信号灯，利用了行车轨迹时效性强的特点，提供了一种交通信号灯位置识别的新手段，缩短了交通信号灯数据的更新周期，也降低了使用人工手段采集数据的成本。

在本发明的一个实施例中，上述方法中，获取行车轨迹包括：获取车载智能设备提供的行车轨迹。例如，获取行车记录仪上报的行车轨迹。

在本发明的一个实施例中，上述方法还包括：从电子地图数据中提取出交通信号灯类型的POI，获取各POI附近预设范围内的行车轨迹作为第一样本轨迹；从电子地图数据中提取出非交通信号灯的点，获取各点附近预设范围内的行车轨迹作为第二样本轨迹；根据第一样本轨迹和第二样本轨迹训练二分类模型。

样本轨迹是需要预先确定的，如果已有对应的数据库，则直接使用即可，如果未事先获得，则可以以本实施例示出的方式获取。

交通信号灯是一个典型的POI。在电子地图领域，POI通常是point of interest(兴趣点)的缩写，也可以指point of information(信息点)。兴趣点和信息点在地图中可以作为出银行、景点、公司、医院、政府机构、餐馆、商场等的标识。本发明中的“兴趣点”和“POI”均指上述含义。

交通信号灯一般设置在路口，路口处的行车轨迹通常有直线，对应于直行车辆，也有曲线，对应于掉头、左右转弯等车辆。但是路口不一定对应设置有交通信号灯，因此行车轨迹也可以包含时间信息，标识着车辆行驶过程是否有停顿。可以推知，设置有交通信号灯的点，行车轨迹存在多种曲线、并且车辆行驶过程中有短时停车行为，上述两点就是交通信号灯处行车轨迹特点的两种示例。实际判断时考虑的因素还可以有很多，例如车流量、拥堵情况等。

这样选取交通信号灯附近的行车轨迹，认为其具有正向特征，而非交通信号灯附近的行车轨迹具有负向特征，分别作为样本进行训练，得到的二分类模型的准确度较高。

在本发明的一个实施例中，上述方法中，从电子地图数据中提取出非交通信号灯的点包括：根据道路属性、场景、兴趣点POI中的一种或多种，从电子地图数据中提取出非交通信号灯的点。

理想情况下，电子地图中所有非交通信号灯的点都可以拿出来作为对象，但是由于数据更新的滞后性以及识别的准确性考虑，选择一些特征突出的点具有重要意义。本实施例中给出了几种示例。例如，提取高速公路、内部道路等通常不设置交通信号灯的道路，获取行车轨迹。

再例如，在学校门口通常需要设置与人行横道对应的交通信号灯，或者，原来的一片空地被重新规划修建为道路，并配置了红绿灯，因此空地、学校等场景可以作为排除因素进行考虑。

另外，已有的POI也是一个排除的因素，一个点对应多个POI，往往是存在大厦这种立体、多层建筑，而交通信号灯往往并不会在这样的地方设置，因此如果一个点已经对应于一个POI，就往往不会再对应于一个交通信号灯。

在本发明的一个实施例中，上述方法中，根据第一样本轨迹和第二样本轨迹训练二分类模型包括：将第一样本轨迹和第二样本轨迹分别转换为轨迹运动序列；将转换后的轨迹运动序列进行合并，对合并后的轨迹运动序列按是否对与交通信号灯对应进行二分类。

例如，在得到一个交通信号灯附近的行车轨迹后，就将其转换为一条轨迹运动序列；在得到一个待判断的点附近的行车轨迹后，也将其转换为一条轨迹运动序列。这样就得到了多个轨迹运动序列，将所有的轨迹运动序列合并，得到一个集合，这时集合中既有对应于交通信号灯的轨迹运动序列，也有待进行判断的轨迹运动序列。之后，通过二分类方法，将轨迹运动序列分为对应于交通信号灯的一类和不对应于交通信号灯的一类，

图2示出了根据本发明一个实施例的一种交通信号灯位置的识别装置的结构示意图。如图2所示，交通信号灯位置的识别装置200包括：

获取单元210，适于获取行车轨迹。行车轨迹反映了车辆在某段时间内车辆的行驶情况，通常包括多组时间点和对应的地理位置点(例如GPS点)。

转换单元220，适于将行车轨迹转换为轨迹运动序列。这是一个数据序列化的过程。运动序列是指人体运动或物体运动时的时序运动信号数据，具有高维向量、耦合性很强等特点。在本实施例中是将车辆运动的轨迹转换为轨迹运动序列，便于后续的匹配处理。

识别单元230，适于将轨迹运动序列根据预先得到的二分类模型进行运动序列匹配，根据匹配结果确定交通信号灯位置。

本例中二分类模型对应于两类：一类是与交通信号灯对应的运动序列，一类是不与交通信号灯对应的运动序列。也就是严格的是与非的关系。这样，就能够通过匹配确定轨迹运行序列属于哪一类，也就可以确定出相应的设置有交通信号灯的点。

可见，图2所示的装置，通过获取行车轨迹，将其转换为轨迹运动序列后，由预先得到的二分类模型对其进行运动序列匹配，根据匹配结果确定交通信号灯的位置。该技术方案通过预先将行车轨迹对应的轨迹运动序列分为与交通信号灯对应的一类以及不与交通信号灯对应的一类，从交通信号灯附近行车轨迹的特殊性出发，采用行车轨迹识别的方式反推电子地图中的各点是否设置有交通信号灯，利用了行车轨迹时效性强的特点，提供了一种交通信号灯位置识别的新手段，缩短了交通信号灯数据的更新周期，也降低了使用人工手段采集数据的成本。

在本发明的一个实施例中，上述装置中，获取单元210，适于获取车载智能设备提供的行车轨迹。例如，获取行车记录仪上报的行车轨迹。

在本发明的一个实施例中，上述装置还包括：训练单元，适于从电子地图数据中提取出交通信号灯类型的POI，获取各POI附近预设范围内的行车轨迹作为第一样本轨迹；从电子地图数据中提取出非交通信号灯的点，获取各点附近预设范围内的行车轨迹作为第二样本轨迹；根据第一样本轨迹和第二样本轨迹训练二分类模型。

样本轨迹是需要预先确定的，如果已有对应的数据库，则直接使用即可，如果未事先获得，则可以以本实施例示出的方式获取。

交通信号灯是一个典型的POI。在电子地图领域，POI通常是point ofinterest(兴趣点)的缩写，也可以指point of information(信息点)。兴趣点和信息点在地图中可以作为出银行、景点、公司、医院、政府机构、餐馆、商场等的标识。本发明中的“兴趣点”和“POI”均指上述含义。

交通信号灯一般设置在路口，路口处的行车轨迹通常有直线，对应于直行车辆，也有曲线，对应于掉头、左右转弯等车辆。但是路口不一定对应设置有交通信号灯，因此行车轨迹也可以包含时间信息，标识着车辆行驶过程是否有停顿。可以推知，设置有交通信号灯的点，行车轨迹存在多种曲线、并且车辆行驶过程中有短时停车行为，上述两点就是交通信号灯处行车轨迹特点的两种示例。实际判断时考虑的因素还可以有很多，例如车流量、拥堵情况等。

这样选取交通信号灯附近的行车轨迹，认为其具有正向特征，而非交通信号灯附近的行车轨迹具有负向特征，分别作为样本进行训练，得到的二分类模型的准确度较高。

在本发明的一个实施例中，上述装置中，训练单元，适于根据道路属性、场景、兴趣点POI中的一种或多种，从电子地图数据中提取出非交通信号灯的点。

理想情况下，电子地图中所有非交通信号灯的点都可以拿出来作为对象，但是由于数据更新的滞后性以及识别的准确性考虑，选择一些特征突出的点具有重要意义。本实施例中给出了几种示例。例如，提取高速公路、内部道路等通常不设置交通信号灯的道路，获取行车轨迹。

再例如，在学校门口通常需要设置与人行横道对应的交通信号灯，或者，原来的一片空地被重新规划修建为道路，并配置了红绿灯，因此空地、学校等场景可以作为排除因素进行考虑。

另外，已有的POI也是一个排除的因素，一个点对应多个POI，往往是存在大厦这种立体、多层建筑，而交通信号灯往往并不会在这样的地方设置，因此如果一个点已经对应于一个POI，就往往不会再对应于一个交通信号灯。

在本发明的一个实施例中，上述装置中，训练单元，适于将第一样本轨迹和第二样本轨迹分别转换为轨迹运动序列；将转换后的轨迹运动序列进行合并，对合并后的轨迹运动序列按是否对与交通信号灯对应进行二分类。

例如，在得到一个交通信号灯附近的行车轨迹后，就将其转换为一条轨迹运动序列；在得到一个待判断的点附近的行车轨迹后，也将其转换为一条轨迹运动序列。这样就得到了多个轨迹运动序列，将所有的轨迹运动序列合并，得到一个集合，这时集合中既有对应于交通信号灯的轨迹运动序列，也有待进行判断的轨迹运动序列。之后，通过二分类方法，将轨迹运动序列分为对应于交通信号灯的一类和不对应于交通信号灯的一类，

综上所述，本发明的技术方案，通过获取行车轨迹，将其转换为轨迹运动序列后，由预先得到的二分类模型对其进行运动序列匹配，根据匹配结果确定交通信号灯的位置。该技术方案通过预先将行车轨迹对应的轨迹运动序列分为与交通信号灯对应的一类以及不与交通信号灯对应的一类，从交通信号灯附近行车轨迹的特殊性出发，采用行车轨迹识别的方式反推电子地图中的各点是否设置有交通信号灯，利用了行车轨迹时效性强的特点，提供了一种交通信号灯位置识别的新手段，缩短了交通信号灯数据的更新周期，也降低了使用人工手段采集数据的成本。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的交通信号灯位置的识别装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图3示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备包括处理器310和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如，用于存储计算机可读程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。图4示出了根据本发明一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质400存储有用于执行根据本发明的方法步骤的计算机可读程序代码331，可以被电子设备300的处理器310读取，当计算机可读程序代码331由电子设备300运行时，导致该电子设备300执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种交通信号灯位置的识别方法，包括：

获取行车轨迹；

将行车轨迹转换为轨迹运动序列；

将所述轨迹运动序列根据预先得到的二分类模型进行运动序列匹配，根据匹配结果确定交通信号灯位置。

2.如权利要求1所述的方法，其中，所述获取行车轨迹包括：

获取车载智能设备提供的行车轨迹。

3.如权利要求1-2任一项所述的方法，其中，该方法还包括：

从电子地图数据中提取出交通信号灯类型的POI，获取各POI附近预设范围内的行车轨迹作为第一样本轨迹；

从电子地图数据中提取出非交通信号灯的点，获取各点附近预设范围内的行车轨迹作为第二样本轨迹；

根据所述第一样本轨迹和第二样本轨迹训练所述二分类模型。

4.如权利要求1-3任一项所述的方法，其中，所述从电子地图数据中提取出非交通信号灯的点包括：

根据道路属性、场景、兴趣点POI中的一种或多种，从电子地图数据中提取出非交通信号灯的点。

5.如权利要求1-4任一项所述的方法，其中，所述根据所述第一样本轨迹和第二样本轨迹训练所述二分类模型包括：

将所述第一样本轨迹和所述第二样本轨迹分别转换为轨迹运动序列；

将转换后的轨迹运动序列进行合并，对合并后的轨迹运动序列按是否对与交通信号灯对应进行二分类。

6.一种交通信号灯位置的识别装置，包括：

获取单元，适于获取行车轨迹；

转换单元，适于将行车轨迹转换为轨迹运动序列；

识别单元，适于将所述轨迹运动序列根据预先得到的二分类模型进行运动序列匹配，根据匹配结果确定交通信号灯位置。

7.如权利要求6所述的装置，其中，

所述获取单元，适于获取车载智能设备提供的行车轨迹。

8.如权利要求6-7任一项所述的装置，其中，该装置还包括：

训练单元，适于从电子地图数据中提取出交通信号灯类型的POI，获取各POI附近预设范围内的行车轨迹作为第一样本轨迹；从电子地图数据中提取出非交通信号灯的点，获取各点附近预设范围内的行车轨迹作为第二样本轨迹；根据所述第一样本轨迹和第二样本轨迹训练所述二分类模型。

9.一种电子设备，其中，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-5中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-5中任一项所述的方法。

Images