CN114870384A - 一种基于动态识别的太极拳训练方法及系统 - Google Patents

Abstract

本申请提出了一种基于动态识别的太极拳训练方法及系统，涉及视频处理技术领域。一种基于动态识别的太极拳训练方法包括：通过图像采集设备获取实时人体运动图像数据，为获取到的人体运动图像数据创建转发数据包；基于骨骼节点识别算法识别人体运动图像数据中包含的与目标用户对应的骨骼节点图像，并进行分析计算出运动状态的骨骼关键点数据；获取标准骨骼关键点数据作为关键骨骼节点图像模型，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列。只需简单重合示范视频即可，用户在进行动作学习时难度降低，趣味性增加，积极性增强，练习效果提升。

Description

一种基于动态识别的太极拳训练方法及系统

技术领域

本申请涉及视频处理技术领域，具体而言，涉及一种基于动态识别的太极拳训练方法及系统。

背景技术

人体运动姿态识别是给定一幅图像或一段视频，检测其中人体骨骼关节点位置，并根据关节点的结构特征，给人体姿态分类打标签的过程。其中人体骨骼关节点检测是人体姿态识别中的关键步骤。随着深度学习技术的发展，人体骨骼关节点检测效果不断提升，已经开始应用于计算机视觉的相关领域，得到研究者的关注。

专利《基于视频监控的行人检测方法》(CN201010227766.5)采用扩展梯度直方图特征与Adaboost算法来快速检测行人，然后利用梯度直方图特征和支持向量机来进一步识别验证前面检测出来的行人。专利《一种智能视频监控中行人的检测方法》(CN20110566809.1)采用支持向量机训练行人检测器模型，利用支持向量机对图片中的每个行人检测窗口进行分类，对检测窗口进行融合，获取最终的行人检测结果。《主动视觉注意的监控视频显著事件智能检测预警方法》(CN201710181799.2)建立自底向上视觉注意初级信息的快速提取方法，构建了动态目标的主动检测模型，然后运用粒子群算法，对显著目标进行跟踪，同时建立了监控视频中显著时间的主动预警模型，从而实现了基于视觉注意力模型的监控视频显著事件智能检测预警系统。专利《一种基于OptiTrack的人体姿态识别方法》(CN201711120678.3)采用局部线性嵌入算法提取训练样本的姿态特征，用降维思路将关键语义帧带入训练样本的姿态特征中，对关键语义帧的特征进行分类，从而实现姿态的分类识别；专利《学习者姿态识别方法》(CN201710457825.X)提出一种学习者姿态识别方法，由人像与背景的分离、对二值化后的图像运用数学形态学运算提取出学习者的轮廓图像、采用Zernike矩阵进行特征提取、采用支持向量机对特征向量进行训练以及识别学习者的姿态。

天天跳绳中也有一些连贯动作的视频示范，如合舞团、广播操等，但是示范视频和人体图像分属不同的区域，需要用户在练习过程中一边做动作一边对比所做动作与示范视频是否一致，对于连续不停的动作来说，用户在动作过程中进行准确的即时对比是几乎不可能完成的。

这些研究成果主要关注行人检测和事件检测的算法，采用传统的机器学习方法进行特征提取和检测识别，但是在全民运动的领域之中并未涉及，比如抖音尬舞机的单幅图片示意，用户无法很好地学习连贯性动作，或者在运动学习过程中无法判定自己的动作是否标准。

发明内容

本申请的目的在于提供一种基于动态识别的太极拳训练方法，其能够基于骨骼节点识别算法从视频中的每一帧提取骨骼节点图像，可以准确识别出用户的不同姿态，从而只需简单重合示范视频即可，用户在进行动作学习时难度降低，趣味性增加，积极性增强，练习效果提升。

本申请的另一目的在于提供一种基于动态识别的太极拳训练系统，其能够运行一种基于动态识别的太极拳训练方法。

本申请的实施例是这样实现的：

第一方面，本申请实施例提供一种基于动态识别的太极拳训练方法，其包括通过图像采集设备获取实时人体运动图像数据，为获取到的人体运动图像数据创建转发数据包；基于骨骼节点识别算法识别人体运动图像数据中包含的与目标用户对应的骨骼节点图像，并进行分析计算出运动状态的骨骼关键点数据；获取标准骨骼关键点数据作为关键骨骼节点图像模型，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列。

在本申请的一些实施例中，上述通过图像采集设备获取实时人体运动图像数据，为获取到的人体运动图像数据创建转发数据包包括：通过图像采集设备获取所请求通道的视频流，为每一路视频流通道创建环形缓冲队列、转发子线程对应的转发数据包，数据包包括图像数据帧的大小、格式、时间t、姿态识别的结果信息。

在本申请的一些实施例中，上述还包括：创建检测线程用于从环形缓冲队列取得图像数据帧、快速检测和发送姿态识别请求。

在本申请的一些实施例中，上述基于骨骼节点识别算法识别人体运动图像数据中包含的与目标用户对应的骨骼节点图像，并进行分析计算出运动状态的骨骼关键点数据包括：根据确定的骨骼节点图像模型从人体运动图像数据中提取与目标用户对应的骨骼节点图像，骨骼节点图像包括多个骨骼节点数据。

在本申请的一些实施例中，上述还包括：获取骨骼关键点中包含的每个骨骼节点图像的识别编号，对每个人体运动图像数据中包含的所有骨骼节点图像的识别编号进行编号，得到目标识别编号。

在本申请的一些实施例中，上述获取标准骨骼关键点数据作为关键骨骼节点图像模型，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列包括：判断关键骨骼节点图像模型中包含的骨骼节点的个数与通过图像采集设备获取的实时人体运动图像数据的骨骼关键点重叠的个数是否大于预设数值。

在本申请的一些实施例中，上述还包括：计算关键骨骼节点图像模型中的骨骼节点与实时人体运动图像数据的骨骼关键点重叠之间的差值，判断差值是否大于预设数值。

第二方面，本申请实施例提供一种基于动态识别的太极拳训练系统，其包括图像采集模块，用于通过图像采集设备获取实时人体运动图像数据，为获取到的人体运动图像数据创建转发数据包；

分析计算模块，用于基于骨骼节点识别算法识别人体运动图像数据中包含的与目标用户对应的骨骼节点图像，并进行分析计算出运动状态的骨骼关键点数据；

判断模块，用于获取标准骨骼关键点数据作为关键骨骼节点图像模型，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列。

在本申请的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：图像采集模块、分析计算模块及判断模块。

第三方面，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如一种基于动态识别的太极拳训练方法中任一项的方法。

相对于现有技术，本申请的实施例至少具有如下优点或有益效果：

通过给定动作的动态示意，然后通过具备摄像功能的设备获取人体运动数据，基于骨骼节点识别算法从视频中的每一帧提取骨骼节点图像，可以准确识别出用户的不同姿态，进行分析计算出运动状态的骨骼关键点数据，进行比对，比中了就加分。这样用户学起动作来，难度会降低很多，而且会增加很大的趣味性，从而提高用户的练习积极性，大幅提升练习效率。相比抖音尬舞机的单幅图片示意，本技术在动作的连贯性方面给了用户很大的指引，对于太极拳等需要做起来连续不断的运动项目来说，是一种极好的学习辅助工具。相比天天跳绳，本技术由于示范视频带有透明度，人体图像与示范视频重叠，用户可以直观、快捷地进行比对与纠正，可大幅降低学习与练习的难度，对保证动作练习的连贯性、准确把握动作的正确性、错误动作的自我纠正等方面均能够起到很大的帮助作用。

附图说明

为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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。

图1为本申请实施例提供的一种基于动态识别的太极拳训练方法步骤示意图；

图2为本申请实施例提供的一种基于动态识别的太极拳训练方法详细步骤示意图；

图3为本申请实施例提供的一种基于动态识别的太极拳训练系统模块示意图；

图4为本申请实施例提供的一种电子设备。

图标：10-图像采集模块；20-分析计算模块；30-判断模块；101-存储器；102-处理器；103-通信接口。

具体实施方式

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。

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。

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。

需要说明的是，术语“包括”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。

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。

实施例1

请参阅图1，图1为本申请实施例提供的一种基于动态识别的太极拳训练方法步骤示意图，其如下所示：

步骤S100，通过图像采集设备获取实时人体运动图像数据，为获取到的人体运动图像数据创建转发数据包；

在一些实施方式中，太极拳训练视频可以指是清晰、完整地体现用户完成一组太极拳训练动作的视频，视频包含了实时人体运动图像数据。为了降低识别难度，本实施例中的太极拳训练视频中优选包含一位或者两位用户。可以理解，太极拳训练视频是由多个视频帧组成的。例如一段视频的时长60秒，对应帧率为每秒20帧，那么该段视频总共包含1200帧。本步骤在接收太极拳训练视频的基础上，将太极拳训练视频转化为全部的视频帧。

步骤S110，基于骨骼节点识别算法识别人体运动图像数据中包含的与目标用户对应的骨骼节点图像，并进行分析计算出运动状态的骨骼关键点数据；

在一些实施方式中，用户动作反映的是不同时刻用户不同的身体姿态，其中身体姿态可以通过骨骼节点的位置来确定。本实施例可以利用现有的任何骨骼节点识别算法来识别每个视频帧中的骨骼节点，例如利用15骨骼节点模型、18骨骼节点模型或25骨骼节点模型中的任一种来识别骨骼节点。上文中的数字15、18、25分别表示骨骼节点的个数。骨骼节点的个数越多，识别精度越高，需要占用的计算资源也就越多。具体实施时，可以根据要处理的运动训练视频数量以及服务器配置情况而灵活选择不同骨骼节点模型。

步骤S120，获取标准骨骼关键点数据作为关键骨骼节点图像模型，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列。

在一些实施方式中，示范或者示意视频是镜像的，用户就像照镜子，只需简单重合示范视频即可，对用户来说，可以比着葫芦画葫芦，用户影像与示范视频重叠即可，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列，对用户来说，难度上一下子就降低了。

实施例2

请参阅图2，图2为本申请实施例提供的一种基于动态识别的太极拳训练方法详细步骤示意图，其如下所示：

步骤S200，通过图像采集设备获取所请求通道的视频流，为每一路视频流通道创建环形缓冲队列、转发子线程对应的转发数据包，数据包包括图像数据帧的大小、格式、时间t、姿态识别的结果信息。

步骤S210，创建检测线程用于从环形缓冲队列取得图像数据帧、快速检测和发送姿态识别请求。

步骤S220，根据确定的骨骼节点图像模型从人体运动图像数据中提取与目标用户对应的骨骼节点图像，骨骼节点图像包括多个骨骼节点数据。

步骤S230，获取骨骼关键点中包含的每个骨骼节点图像的识别编号，对每个人体运动图像数据中包含的所有骨骼节点图像的识别编号进行编号，得到目标识别编号。

步骤S240，判断关键骨骼节点图像模型中包含的骨骼节点的个数与通过图像采集设备获取的实时人体运动图像数据的骨骼关键点重叠的个数是否大于预设数值。

步骤S250，计算关键骨骼节点图像模型中的骨骼节点与实时人体运动图像数据的骨骼关键点重叠之间的差值，判断差值是否大于预设数值。

在一些实施方式中，搭建面向智能摄像设备的多通道快速人体姿态识别系统，检测子线程进行移动目标快速检测，检测子线程进行人体快速检测，快速人体姿态识别；智能分析服务器对人体视频帧采用神经网络进行快速的人体姿态识别，将识别结果发送给转发服务器，客户端呈现姿态识别结果，转发服务器将识别结果和相应视频流转发给客户端，客户端接收含有识别结果的转发数据包，客户端将姿态识别结果显示在界面上。

在一些实施方式中，加载包括锚框信息在内的关键骨骼节点图像模型参数；锚框信息，指训练模型时通过聚类得到的锚框的宽高信息，例如，可以分别为(10，13)，(16，30)，(33，23)，(30，61)，(62，45)，(59，119)，(116，90)，(156，198)，(373，326)；将输入图像分辨率处理为464*464，通过网络卷积层和池化层处理输入图片，得到分辨率为13*13的特征图；通过网络预测层对上述特征图预测目标框，具体步骤如下：

对特征图上的每个像素，使用锚框预测5个目标框的信息、目标框类别以及对应的置信度和类别概率；最终得到类别概率前5的目标框信息(x，y，w，h)，分别是(249.5，346，16，449)(249.5，462，15，449)(249.5，461.5，15，449)(249.5，232，82，449)(249.5，404.5，23，449)；过滤掉置信度低于预先设置的阈值T的目标框，的阈值T取0.7；对留下来的目标框用极大抑制去掉重复目标框；选取类别概率最高的目标框，并输出左下角和右上角坐标；最终得到概率最高的目标框坐标，概率为0.97645，输出左下角和右上角坐标分别为(0，338)(499，354)；

例如，经过检测的图像帧里有人体，每隔5帧将有人体的原始图像帧和目标框信息打包成姿态识别请求，进行姿态分析；

实施例3

请参阅图3，图3为本申请实施例提供的一种基于动态识别的太极拳训练系统模块示意图，其如下所示：

图像采集模块10，用于通过图像采集设备获取实时人体运动图像数据，为获取到的人体运动图像数据创建转发数据包；

分析计算模块20，用于基于骨骼节点识别算法识别人体运动图像数据中包含的与目标用户对应的骨骼节点图像，并进行分析计算出运动状态的骨骼关键点数据；

判断模块30，用于获取标准骨骼关键点数据作为关键骨骼节点图像模型，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列。

如图4所示，本申请实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。

还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器101(Random Access Memory，RAM)，只读存储器101(Read Only Memory，ROM)，可编程只读存储器101(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器101(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(Central Processing Unit，CPU)、网络处理器102(Network Processor，NP)等；还可以是数字信号处理器102(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。

在本申请所提供的实施例中，应该理解到，所揭露的方法及系统，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、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方式中，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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

另一方面，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102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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)执行本申请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101(ROM，Read-Only Memory)、随机存取存储器101(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请实施例提供的一种基于动态识别的太极拳训练方法及系统，通过给定动作的动态示意，然后通过具备摄像功能的设备获取人体运动数据，基于骨骼节点识别算法从视频中的每一帧提取骨骼节点图像，可以准确识别出用户的不同姿态，进行分析计算出运动状态的骨骼关键点数据，进行比对，比中了就加分。这样用户学起动作来，难度会降低很多，而且会增加很大的趣味性。相比抖音尬舞机的单幅图片示意，本技术在动作的连贯性方面给了用户很大的指引，对于太极拳等需要做起来连续不断的运动项目来说，是一种极好的学习辅助工具。

以上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。

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。

Claims (10)

1.一种基于动态识别的太极拳训练方法，其特征在于，包括：

通过图像采集设备获取实时人体运动图像数据，为获取到的人体运动图像数据创建转发数据包；

基于骨骼节点识别算法识别人体运动图像数据中包含的与目标用户对应的骨骼节点图像，并进行分析计算出运动状态的骨骼关键点数据；

获取标准骨骼关键点数据作为关键骨骼节点图像模型，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列。

2.如权利要求1所述的一种基于动态识别的太极拳训练方法，其特征在于，所述通过图像采集设备获取实时人体运动图像数据，为获取到的人体运动图像数据创建转发数据包包括：

通过图像采集设备获取所请求通道的视频流，为每一路视频流通道创建环形缓冲队列、转发子线程对应的转发数据包，数据包包括图像数据帧的大小、格式、时间t、姿态识别的结果信息。

3.如权利要求2所述的一种基于动态识别的太极拳训练方法，其特征在于，还包括：

创建检测线程用于从环形缓冲队列取得图像数据帧、快速检测和发送姿态识别请求。

4.如权利要求1所述的一种基于动态识别的太极拳训练方法，其特征在于，所述基于骨骼节点识别算法识别人体运动图像数据中包含的与目标用户对应的骨骼节点图像，并进行分析计算出运动状态的骨骼关键点数据包括：

根据确定的骨骼节点图像模型从人体运动图像数据中提取与目标用户对应的骨骼节点图像，骨骼节点图像包括多个骨骼节点数据。

5.如权利要求4所述的一种基于动态识别的太极拳训练方法，其特征在于，还包括：

获取骨骼关键点中包含的每个骨骼节点图像的识别编号，对每个人体运动图像数据中包含的所有骨骼节点图像的识别编号进行编号，得到目标识别编号。

6.如权利要求1所述的一种基于动态识别的太极拳训练方法，其特征在于，所述获取标准骨骼关键点数据作为关键骨骼节点图像模型，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列包括：

判断关键骨骼节点图像模型中包含的骨骼节点的个数与通过图像采集设备获取的实时人体运动图像数据的骨骼关键点重叠的个数是否大于预设数值。

7.如权利要求6所述的一种基于动态识别的太极拳训练方法，其特征在于，还包括：

计算关键骨骼节点图像模型中的骨骼节点与实时人体运动图像数据的骨骼关键点重叠之间的差值，判断差值是否大于预设数值。

8.一种基于动态识别的太极拳训练系统，其特征在于，包括：

图像采集模块，用于通过图像采集设备获取实时人体运动图像数据，为获取到的人体运动图像数据创建转发数据包；

分析计算模块，用于基于骨骼节点识别算法识别人体运动图像数据中包含的与目标用户对应的骨骼节点图像，并进行分析计算出运动状态的骨骼关键点数据；

判断模块，用于获取标准骨骼关键点数据作为关键骨骼节点图像模型，按顺序输出关键骨骼节点图像与通过图像采集设备获取的实时人体运动图像数据进行比对，以判断目标用户是否完成标准动作序列。

9.如权利要求8所述的一种基于动态识别的太极拳训练系统，其特征在于，包括：

用于存储计算机指令的至少一个存储器；

与所述存储器通讯的至少一个处理器，其中当所述至少一个处理器执行所述计算机指令时，所述至少一个处理器使所述系统执行：图像采集模块、分析计算模块及判断模块。

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。

Images