具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的驾驶辅助模式切换设备结构示意图。

如图1所示，该驾驶辅助模式切换设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对驾驶辅助模式切换设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及驾驶辅助模式切换程序。

在图1所示的驾驶辅助模式切换设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明驾驶辅助模式切换设备中的处理器1001、存储器1005可以设置在驾驶辅助模式切换设备中，所述驾驶辅助模式切换设备通过处理器1001调用存储器1005中存储的驾驶辅助模式切换程序，并执行本发明实施例提供的驾驶辅助模式切换方法。

本发明实施例提供了一种驾驶辅助模式切换方法，参照图2，图2为本发明驾驶辅助模式切换方法第一实施例的流程示意图。

本实施例中，所述驾驶辅助模式切换方法包括以下步骤：

步骤S10：通过车辆传感器获取车辆控制信息，根据所述车辆控制信息确定驾驶意图。

可以理解的是，本实施例的执行主体为驾驶辅助模式切换设备，所述驾驶辅助模式切换设备可以为整车控制器、与车辆控制端连接的控制器等设备，还可以为域控制器，也可以为其他具备相同或相似功能的设备，本实施例以域控制器为例进行说明。域控制器与安装于车辆上的用于采集车辆控制信息的传感器连接，接收传感器发送的车辆控制信息，根据车辆控制信息确定驾驶意图。

需要说明的是，车辆控制信息包括油门踏板开度、油门踏板开度变化率、制动踏板开度、制动踏板开度变化率、方向盘转角开度、方向盘转角开度变化率、油门踏板周期控制次数、制动踏板周期控制次数以及方向盘周期控制次数，将油门踏板开度、油门踏板开度变化率、制动踏板开度、制动踏板开度变化率、方向盘转角开度以及方向盘转角开度变化率输入至预先构建的预设驾驶员状态模型，通过预设自适应粒子群算法对模型进行分析优化，确定初始驾驶意图，根据油门踏板周期控制次数、制动踏板周期控制次数以及方向盘周期控制次数确定周期驾驶意图，结合初始驾驶意图以及初始驾驶意图进行分析，得到驾驶意图。

可以理解的是，预先构建的预设驾驶员状态模型通过公式(1)确定：

其中，x₁∈(α，dα/dt)，x₂∈(θ，dθ/dt)，x₃∈(δ，dδ/dt)，f(x₁，x₂，x₃)∈[1，3]，1代表紧急驾驶，2代表正常驾驶，3代表缓慢驾驶，α为油门踏板开度，d α/dt为油门踏板开度变化率，θ为制动踏板开度，dθ/dt为制动踏板开度变化率，δ为方向盘转角开度，dδ/dt为方向盘转角开度变化率。

需要说明的是，根据预设驾驶员状态模型通过预设自适应粒子群算法进行寻优，得到最优值，由输入的油门踏板、制动踏、方向盘转向开度以及对应的变化率，输出接近实际最优值即初始驾驶意图为紧急驾驶、正常驾驶或缓和驾驶。

可以理解的是，预设自适应粒子群算法表征为公式(2)以及公式(3)：

结合公式(2)以及公式(3)对优化过程进行解释说明，训练集L中的第i个粒子表示为一个L的向量，X_i＝(x_i1，x_i2，...，x_iL)，i＝1，2，3，即第i个粒子在训练集中的位置是X_i，第i个粒子所经历的最优位置为Pbest_i＝(p_i1，p_i2，...，p_iL)，i＝1，2，3，即当前个体最优位置，粒子的每个位置代表要求的一个潜在解，将粒子位置输入至目标函数得到第i个粒子的适应度值，用来判断粒子的优劣程度。整个粒子群搜索到的最优位置为Gbest_g＝(p_jg)，i＝1，2，3，即当前全局最优位置，g表示最优粒子位置的索引。ω表示惯性权重，为第i个粒子到第t代为止搜索到的历史最优解，为整个粒子群到目前为止搜索到的全局最优位置.分别表示第i个粒子当前的位置和飞行速度，c₁，c₂表示非负的常数，r₁，r₂是[0，1]之间的随机数。本实施例中，设置算法迭代进化次数为1000次，预设加速度因子c₁＝1.4，c₂＝1.5，预设惯性权重ω＝0.8。在优化过程中，对于每个粒子，将其适应度值与所经历的当前个体最优位置Pbesti的适应度值进行比较，若较好，则将该粒子的位置作为新的当前个体最优位置。对每个粒子，将其适应度值与全局所经历的最好位置Gbest_g的适应度值进行比较，若较好，则将该粒子的位置作为新的全局最优位置。如果全局最优位置不能满足最小误差要求，表征输出的初始驾驶意图与实际不符，根据公式(2)以及公式(3)对粒子的速度和位置进行优化，将新的粒子与当前个体最优位置以及全局最优位置进行比较，直至全局最优位置满足最小误差要求。

需要说明的是，根据油门踏板周期控制次数、制动踏板周期控制次数以及方向盘周期控制次数确定周期驾驶意图的过程为：以采集周期为当前时刻的前10秒进行说明，通过公式(4)确定周期驾驶意图：

其中，周期驾驶意图T∈[1，3]，1代表紧急驾驶、2代表正常驾驶、3代表缓和驾驶，F_α为油门踏板控制次数，F_θ为制动踏板控制次数，F_δ为方向盘控制次数；在预设采集周期内，如果驾驶员对油门踏板、制动踏板、方向盘的控制次数小于3次，则认为周期驾驶意图为缓和驾驶；如果驾驶员对油门踏板、制动踏板控制次数大于等于3次、方向盘的控制次数小于3次，则认为周期驾驶意图为正常驾驶；如果驾驶员对油门踏板、制动踏板、方向盘的控制次数大于等于3次，则认为周期驾驶意图为紧急驾驶。

在具体实现中，结合初始驾驶意图以及初始驾驶意图通过公式(5)确定驾驶意图intention：

在具体实现中，以周期驾驶意图T为主，当周期驾驶意图T＝1时，认定驾驶意图intention为紧急驾驶；当周期驾驶意图T≥2且初始驾驶意图f(x₁，x₂，x₃)＜3时，认定驾驶意图intention为正常驾驶；当周期驾驶意图T＝3且初始驾驶意图f(x₁，x₂，x₃)＝3时，认定驾驶意图intention为缓和驾驶。

步骤S20：通过车辆周身传感器感知周边环境，确定车辆偏移程度，并获取当前车速。

可以理解的是，车辆偏移程度是指车辆距离道路中线的距离与道路宽度之比，在具体实现中，通过安装于车辆四周的摄像头采用车道线识别技术识别车道线位置，根据摄像头内外参数以及安装高度确定车辆与车道线之间的距离，进一步确定车辆距离道路中线的距离，道路宽度为固定数值，在获取到车辆距离道路中线的距离时即可依据预先存储的道路宽度得到车辆偏移程度。当前车速为本车当前时刻的行驶速度，通过安装于车辆上的速度传感器采集获取。

步骤S30：根据所述车辆偏移程度以及所述当前车速通过预设车辆随机运动预测模型确定车辆行驶状态。

需要说明的是，根据车辆偏移程度以及当前车速构建随机数组，用于表征当前状态，基于马尔科夫链模型构建状态转移矩阵，根据状态转移矩阵以及当前状态预测下一时刻对应的状态，以此类推，确定多个时刻对应的状态，依据多个时刻对应的状态生成预设车辆随机运动预测模型，依据预设车辆随机运动预测模型确定车辆行驶状态。

步骤S40：根据所述驾驶意图以及所述车辆行驶状态确定对应的目标驾驶辅助模式，将当前模式切换至所述目标驾驶辅助模式。

具体地，所述步骤S40，包括：在所述驾驶意图为紧急或者所述车辆行驶状态为危险状态时，确定对应的目标驾驶辅助模式为紧急辅助模式，将当前模式切换至所述紧急辅助模式；在所述驾驶意图为正常并且所述车辆行驶状态为安全状态时，确定对应的目标驾驶辅助模式为谨慎辅助模式，将当前模式切换至所述谨慎辅助模式；在所述驾驶意图为缓慢并且所述车辆行驶状态为安全状态时，确定对应的目标驾驶辅助模式为正常辅助模式，将当前模式切换至所述正常辅助模式。

需要说明的是，域控制器在获取到驾驶意图以及车辆行驶状态，根据公式(6)确定对应的目标驾驶辅助模式：

其中，驾驶辅助模式Mode(DAS)∈[1，3]，1代表Imminence紧急辅助模式、2代表Cautious谨慎辅助模式、3代表Normal正常辅助模式；驾驶意图intention∈[1，3]，1代表紧急驾驶，2代表缓和驾驶，3代表正常驾驶；车辆行驶状态Vehicle包括，危险状态Danger和正常行驶状态Rational。

应当理解的是，驾驶辅助模式为Imminence紧急辅助模式时，表征当前驾驶员或车辆处于危险环境中，Imminence紧急辅助模式下车辆的的辅助方式如下：驾驶辅助如自动紧急制动、安全带、安全气囊等将自动调整功能设置，例如自动紧急制动灵敏度、刹车距离等调整到最高，安全带、安全气囊随时触发，以防车辆碰撞，最大程度保护驾驶员安全。当驾驶辅助模式为Cautious谨慎辅助模式时，驾驶员驾驶状态正常，且车辆所处环境安全，驾驶辅助处于谨慎状态；当驾驶辅助模式为处于Normal时，驾驶员驾驶状态缓和，且车辆所处环境安全，驾驶辅助处于正常状态。

本实施例通过车辆传感器获取车辆控制信息，根据车辆控制信息确定驾驶意图；通过车辆周身传感器感知周边环境，确定车辆偏移程度，并获取当前车速；根据车辆偏移程度以及当前车速通过预设车辆随机运动预测模型确定车辆行驶状态；根据驾驶意图以及车辆行驶状态确定对应的目标驾驶辅助模式，将当前模式切换至目标驾驶辅助模式。通过上述方式，根据车辆控制信息确定驾驶意图，根据车辆偏移程度以及当前车速分析确定车辆行驶状态，结合驾驶员意图以及车辆行驶状态选择切换的模式，提高驾驶辅助模式切换的智能性，根据车辆周边客观的感知数据确定需要切换的模式，避免驾驶员主观意识对辅助模式切换的影响，提高了驾驶安全性，解决了驾驶辅助模式判断不准确的问题。

参考图3，图3为本发明驾驶辅助模式切换方法第二实施例的流程示意图。

基于上述第一实施例，本实施例驾驶辅助模式切换方法的所述步骤S30，包括：

步骤S301：确定马氏链对应的状态转移概率矩阵。

可以理解的是，本实施例采用离散的自适应马尔科夫链，有马尔科夫链模型(S，P)，S为马氏链所有状态组成的非空状态集，P为马氏链状态转移概率矩阵。具体过程可以为：通过条件概率定义通过公式(7)确定状态转移概率：

p_ij＝P{X{t+1}＝s_j|X(t)＝s_i} (7)

其中，p_ij为马氏链{X(t)}在t时刻的转移概率，表示时间从t时刻s_i转移到t+1时刻s_j的概率，即当前时刻车辆状态转换为下一时刻车辆状态的概率。在训练集中，车辆偏移程度与车速被划分为若干片段，组成不同状态，依据不同状态转移构成了状态转移概率矩阵P，表示为公式(8)：

其中，N_ij表示当前车辆状态s_i下一时刻转移到s_j的频数，∑_j N_ij表示当前状态s_i下一时刻转移到所有状态的频数。

步骤S302：根据所述状态转移概率矩阵、所述车辆偏移程度以及所述当前车速确定预设车辆随机运动预测模型。

需要说明的是，预设车辆随机运动预测模型为根据状态转移概率矩阵、车辆偏移程度以及当前车速确定的多个时刻的状态，依据多个时刻的状态构成预设车辆随机运动预测模型。

具体地，所述步骤S302，包括：根据马氏链对所述车辆偏移程度以及所述当前车速进行编码，随机组成若干状态组；根据所述状态转移概率矩阵以及所述若干状态组确定第一时刻对应的第一状态组，并根据所述第一状态组确定满足预设要求的第一状态；根据所述第一状态组以及所述状态转移概率矩阵确定第二时刻对应的第二状态组，并根据所述第二状态组确定满足预设要求的第二状态；以此类推，确定预设预测时间内满足预设要求的预测状态；根据所述目标状态、所述第一状态、所述第二状态以及所述预测状态确定预设车辆随机运动预测模型。

可以理解的是，假设[d₀，v₀]对应当前时刻车辆的状态s₀，当前时刻U₀＝s₀，生成随机数组，即若干状态组{r₁，r₂，r₃，...}，随机数组表征车辆可能行驶的状态，例如，r₁表示左拐、r₂表示直行、r₃表示右拐，在当前车辆状态X(0)＝s₀已经发生的条件下，对下一时刻的车辆状态进行预测，下一时刻车辆状态X(1)的条件分布概率为p_0j＝P{X{1}＝s_j|X(0)＝s_i}，j＝1，2，3，...，n，状态转移概率矩阵表示当前时刻的车辆状态转移到下一时刻车辆某一状态的概率，例如，这一时刻车辆是直行的，下一时刻车辆左拐的概率、直行的概率、右拐的概率等，组成的矩阵。

需要说明的是，根据状态转移概率矩阵以及若干状态组确定对下一时刻状态进行预测的过程可以为：从状态转移概率矩阵P中取出第k₀行所有元素；取随机数r₁，如果存在对某个k₁满足即可以确定车辆下一时刻状态为s₁，即U₁＝s₁。

可以理解的是，假设随机数r₁表示假定车辆准备左拐，取出状态转移概率矩阵的k₁行，表示取出下一时刻车辆状态转移概率，若假定车辆左拐的状态满足k₁时刻车辆状态转移的条件，则认为车辆下一时刻准备左拐，以此类推，如果不满足，就取随机数r₂，继续在k₁时刻车辆状态转移概率内做比较。直至假定车辆转移的状态满足车辆状态转移概率。以此类推，根据k₁时刻车辆状态以及状态转移概率矩阵对k₂时刻车辆状态进行预测，得到若干个车辆状态，构成预设车辆随机运动预测模型U_n＝{s₁，s₂，...)。

步骤S303：根据所述预设车辆随机运动预测模型确定当前车辆状态。

具体地，所述步骤S303，包括：根据所述预设车辆随机运动预测模型对应的状态编码进行解码，确定预测车辆偏移程度以及预测车速；根据所述预测车辆偏移程度以及预测车速确定当前车辆状态。

可以理解的是，根据预设车辆随机运动预测模型通过反查编码确定对应的车辆偏离状态与车速信息，得到当前车辆状态。

步骤S304：将所述当前车辆状态与预设典型危险场景进行匹配，得到匹配结果。

进一步地，所述步骤S304之前，所述方法还包括：在车辆行驶过程中，获取行驶车道号信息、道路口形状信息、同向车道数信息、时间段信息、场景区域信息以及交通流信息；根据若干组所述驶车道号信息、所述道路口形状信息、所述同向车道数信息、所述时间段信息、所述场景区域信息以及所述交通流信息构成样本集；根据所述样本集进行聚类分析，生成预设典型危险场景。

需要说明的是，对预设典型危险场景进行分析时，采集7个场景要素的特征，包括：行驶车道号信息、道路口形状信息、同向车道数信息、时间段信息、场景区域信息以及交通流信息。在具体实现中，规定不同变量之间的距离为1，相同变量之间的距离为0，将采集的样本集中各场景要素中的变量编码转化为向量，例如：时间段信息的变量有白天和晚上，对应向量编码有白天[1，0]和晚上[0，1]。依据转化后的样本集进行聚类分析，生成预设典型危险场景。

具体地，根据所述样本集进行聚类分析，生成预设典型危险场景，包括：根据所述样本集确定各样本之间的样本距离；根据所述样本距离确定各场景对应的典型特征；根据所述典型特征生成预设典型危险场景。

可以理解的是，假设X₁，X₂，X₃，...，X_n为来自样本集中的p元样本，第i个样本表示为X_i＝(x_i1，x_i2，x_i3，...，x_ip)(i＝1，2，3，...，n)，第i个样本与第j个样本之间的距离d_ij通过公式(9)表示：

根据各场景要素中样本间距在每个场景中的占比与此场景在总体训练集中所占比例作比较，确定每一个场景要素的典型特征，本实施例中确定3种预设典型危险场景，第一种：行驶车道号(1号车道)、道路口形状(非路口)、同向车道数(2车道)、时间段(白天)、场景区域(城市)、交通流(右侧有车)；第二种：行驶车道号(3号车道)、道路口形状(丁字路口)、同向车道数(3车道)、时间段(晚上)、场景区域(高速)、交通流(从两侧侵入)；第三种：行驶车道号(1号车道)、道路口形状(非路口)、同向车道数(1车道)、时间段(白天)、场景区域(郊区)、交通流(左侧有车)。

在具体实现中，将当前车辆状态与预设典型危险场景进行匹配时，从预设典型危险场景中选取离散信息，将离散信息与当前车辆状态进行匹配，从而得到匹配结果。

步骤S305：根据所述匹配结果确定车辆行驶状态。

需要说明的是，判断当前车辆状态是否属于典型危险场景，得到车辆端车辆行驶状态Vehicle，包括危险状态Danger以及正常行驶状态Rational。

本实施例通过确定马氏链对应的状态转移概率矩阵；根据状态转移概率矩阵、车辆偏移程度以及当前车速确定预设车辆随机运动预测模型；根据预设车辆随机运动预测模型确定当前车辆状态；将当前车辆状态与预设典型危险场景进行匹配，得到匹配结果；根据匹配结果确定车辆行驶状态。根据驾驶意图以及车辆行驶状态确定对应的目标驾驶辅助模式，将当前模式切换至目标驾驶辅助模式。通过上述方式，根据马氏链状态转移概率矩阵对车辆状态进行预测，根据车辆状态与预设典型危险场景的匹配结果确定车辆行驶状态，结合驾驶员意图以及车辆行驶状态选择切换的模式，提高驾驶辅助模式切换的智能性，提前对危险行驶状态进行预测提高驾驶安全性，解决了驾驶辅助模式判断不准确的问题。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有驾驶辅助模式切换程序，所述驾驶辅助模式切换程序被处理器执行时实现如上文所述的驾驶辅助模式切换方法。

由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

参照图4，图4为本发明驾驶辅助模式切换装置第一实施例的结构框图。

如图4所示，本发明实施例提出的驾驶辅助模式切换装置包括：

获取模块10，用于通过车辆传感器获取车辆控制信息，根据所述车辆控制信息确定驾驶意图。

确定模块20，用于通过车辆周身传感器感知周边环境，确定车辆偏移程度，并获取当前车速。

所述确定模块20，还用于根据所述车辆偏移程度以及所述当前车速通过预设车辆随机运动预测模型确定车辆行驶状态。

切换模块30，用于根据所述驾驶意图以及所述车辆行驶状态确定对应的目标驾驶辅助模式，将当前模式切换至所述目标驾驶辅助模式。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

本实施例通过车辆传感器获取车辆控制信息，根据车辆控制信息确定驾驶意图；通过车辆周身传感器感知周边环境，确定车辆偏移程度，并获取当前车速；根据车辆偏移程度以及当前车速通过预设车辆随机运动预测模型确定车辆行驶状态；根据驾驶意图以及车辆行驶状态确定对应的目标驾驶辅助模式，将当前模式切换至目标驾驶辅助模式。通过上述方式，根据车辆控制信息确定驾驶意图，根据车辆偏移程度以及当前车速分析确定车辆行驶状态，结合驾驶员意图以及车辆行驶状态选择切换的模式，提高驾驶辅助模式切换的智能性，根据车辆周边客观的感知数据确定需要切换的模式，避免驾驶员主观意识对辅助模式切换的影响，提高了驾驶安全性，解决了驾驶辅助模式判断不准确的问题。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的驾驶辅助模式切换方法，此处不再赘述。

在一实施例中，所述确定模块20，还用于确定马氏链对应的状态转移概率矩阵，根据所述状态转移概率矩阵、所述车辆偏移程度以及所述当前车速确定预设车辆随机运动预测模型，根据所述预设车辆随机运动预测模型确定当前车辆状态，将所述当前车辆状态与预设典型危险场景进行匹配，得到匹配结果，根据所述匹配结果确定车辆行驶状态。

在一实施例中，所述确定模块20，还用于根据马氏链对所述车辆偏移程度以及所述当前车速进行编码，随机组成若干状态组，根据所述状态转移概率矩阵以及所述若干状态组确定第一时刻对应的第一状态组，并根据所述第一状态组确定满足预设要求的第一状态，根据所述第一状态组以及所述状态转移概率矩阵确定第二时刻对应的第二状态组，并根据所述第二状态组确定满足预设要求的第二状态，以此类推，确定预设预测时间内满足预设要求的预测状态，根据所述目标状态、所述第一状态、所述第二状态以及所述预测状态确定预设车辆随机运动预测模型。

在一实施例中，所述确定模块20，还用于根据所述预设车辆随机运动预测模型对应的状态编码进行解码，确定预测车辆偏移程度以及预测车速，根据所述预测车辆偏移程度以及预测车速确定当前车辆状态。

在一实施例中，所述驾驶辅助模式切换装置还包括场景生成模块；

所述场景生成模块，用于在车辆行驶过程中，获取行驶车道号信息、道路口形状信息、同向车道数信息、时间段信息、场景区域信息以及交通流信息，根据若干组所述驶车道号信息、所述道路口形状信息、所述同向车道数信息、所述时间段信息、所述场景区域信息以及所述交通流信息构成样本集，根据所述样本集进行聚类分析，生成预设典型危险场景。

在一实施例中，所述场景生成模块，还用于根据所述样本集确定各样本之间的样本距离，根据所述样本距离确定各场景对应的典型特征，根据所述典型特征生成预设典型危险场景。

在一实施例中，所述切换模块30，还用于在所述驾驶意图为紧急或者所述车辆行驶状态为危险状态时，确定对应的目标驾驶辅助模式为紧急辅助模式，将当前模式切换至所述紧急辅助模式，在所述驾驶意图为正常并且所述车辆行驶状态为安全状态时，确定对应的目标驾驶辅助模式为谨慎辅助模式，将当前模式切换至所述谨慎辅助模式，在所述驾驶意图为缓慢并且所述车辆行驶状态为安全状态时，确定对应的目标驾驶辅助模式为正常辅助模式，将当前模式切换至所述正常辅助模式。

此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。