监控摩托车骑行行为的方法和系统
技术领域
本申请涉及数据处理技术领域，尤其涉及一种监控摩托车骑行行为的方法和系统。
背景技术
因为通勤使用方便、具有休闲使用价值等原因，选择骑行摩托车出行的民众越来越多，摩托车保有量在最几年出现快速增长。
摩托车具有加减速度快、极限速度高、可以穿梭狭小空隙的特点。正是因前述特点以及摩托车骑手的驾驶随意性，驾驶摩托车出现交通违章、造成交通事故的比率相对于驾驶四轮机动车辆的比率较高。而如何有效地管控摩托车骑行行为、提醒骑手遵守交通规则是减小摩托车交通事故的重要手段。
但是，目前对于摩托车违章事故仍是由城市交管确定车辆违章后，通过事后处罚告知的方式告知；而在没有违章采集设备的场合，并不能有效采集和提醒骑手出现交通违章问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种监控摩托车骑行行为的方法和系统。
一方面，本申请提供一种监控摩托车骑行行为的方法，包括：
根据地图数据和导航数据确定摩托车所在位置的交通规则；以及，获取智能头盔中传感器生成的检测特征数据；
处理所述检测特征数据得到骑行行为，基于所述交通规则判断所述骑行行为是否为违章行为。
可选地，所述方法还包括：
在所述骑行行为是违章行为的情况下，将所述违章行为上报至预设终端。
可选地，所述智能头盔中的传感器包括用于拍摄车前路况的摄像头；
所述获取智能头盔中传感器生成的检测特征数据，包括：获取所述摄像头拍摄的图像数据；
在所述交通规则包括交通信号灯规则的情况下，所述基于所述交通规则判断所述骑行行为是否为违章行为，包括：
处理所述图像数据，提取信号灯特征；以及，
根据所述导航数据确定摩托车经过道路交叉路口，并且相应行驶路线对应的所述信号灯特征为红灯的情况下，确定所述骑行行为闯红灯行为。
可选地，所述智能头盔中的传感器包括加速度传感器；
在所述交通规则包括限速规则的情况下，处理所述检测特征数据得到骑行行为，基于所述交通规则判断所述骑行行为是否为违章行为，包括：
根据所述加速度传感器生成的加速度数据确定实际车速；
根据所述实际车速和所述限速规则确定所述骑行行为是否为超速行为。
可选地，所述方法还包括：
根据所述地图数据和所述导航数据确定所述骑行行为是否为禁行行为、禁停行为和/或逆行行为。
可选地，所述智能头盔中传感器中的传感器包括振动传感器和/或拾音器；所述方法还包括：
根据所述振动传感器生成的振动特征数据，或者，根据所述拾音器生成的音频数据，确定所述摩托车的动力装置振动特性；
基于所述动力装置振动特性确定是否具有非法改装行为；
在具有所述非法改装行为的情况下，将所述非法改装行为上报至预设终端。
另一方面，本申请提供一种监控摩托车骑行行为的系统，包括：
数据处理终端，用于根据地图数据和导航数据确定摩托车所在位置的交通规则；获取智能头盔中传感器生成的检测特征数据；以及，
用于处理所述检测特征数据得到骑行行为，基于所述交通规则判断所述骑行行为是否为违章行为。
可选地，所述系统还包括云平台；所述云平台用于存储所述违章行为以及所述检测特征数据；
所述数据处理终端还用于在出现所述违章行为的情况下，将所述违章行为上报至所述云平台。
可选地，所述检测特征数据包括所述智能头盔中摄像头拍摄的图像数据；
在所述交通规则包括交通信号灯规则的情况下，所述数据处理终端处理所述检测特征数据得到骑行行为，基于所述交通规则判断所述骑行行为是否为违章行为，包括：
处理所述图像数据，提取信号灯特征；以及，根据所述导航数据确定摩托车经过道路交叉路口，并且相应行驶路线对应的所述信号灯特征为红灯的情况下，确定所述骑行行为闯红灯行为；和/或，
所述检测特征数据包括所述智能头盔中加速度传感器检测的加速度数据；
在所述交通规则包括限速规则的情况下，所述数据处理终端处理所述检测特征数据得到骑行行为，基于所述交通规则判断所述骑行行为是否为违章行为，包括：根据所述加速度数据确定实际车速；以及，根据所述实际车速和限速规则确定所述摩托车骑行行为是否为超速行为。
可选地，所述检测特征数据还包括所述智能头盔中振动传感器生成的振动特征数据或者拾音器生成的音频数据；
所述数据处理终端或者所述云平台还用于：
根据所述振动特征数据和/或所述音频数据，确定所述摩托车的动力装置振动特性；
基于所述动力装置振动特性确定是否具有非法改装行为；
在具有所述非法改装行为的情况下，将所述非法改装行为上报至预设终端。
本申请提供的监控摩托车骑行行为的方法和系统能够快速地确定骑手骑行行为是否为违章行为，而向骑手发出提示，以使得骑手约束骑行行为，继而减少出现交通事故的概率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，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他的附图。
图1是本申请实施例提供的监控摩托车骑行行为的方法流程图；
图2是本申请实施例提供的判断骑行行为是否为闯红灯行为的示意图；
图3是本申请实施例提供的判断骑行行为是否为超速行为的示意图；
图4是本申请实施例提供的监控摩托车骑行行为的系统的结构示意图；
图5是本申请实施例提供的电子设备的结构示意图；
其中：11-数据处理终端，12-云平台，01-智能头盔，21-处理器，22-存储器，23-通信接口，24-总线系统。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面将对本申请的方案进行进一步描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但本申请还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本申请的一部分实施例，而不是全部的实施例。
按照国家标准，摩托车为最大行驶时速大于50km/h或者发动机气缸总排量大于50ml的两轮或者三轮机动车。本申请实施例一些应用中，摩托车可以为国家标准规定的机动车，也包括按照国家标准被认定为燃油助力车或者电动骑行车的两轮或三轮具有非人工动力车辆。也就是说，某些低速燃油车辆、电动两轮或者三轮车辆也被认为摩托车。
本申请实施例提供一种监控摩托车骑行行为的方法，用于监控摩托车骑手的骑行行为是否为违章行为。
图1是本申请实施例提供的监控摩托车骑行行为的方法流程图。如图1所示，本申请实施例提供的监控摩托车骑行行为的方法包括步骤S101-S104。
S101：获取智能头盔中传感器生成的检测特征数据。
步骤S101中获取检测特征数据由数据处理终端执行。
本实施例实际实施中，数据处理终端可以是专用的数据处理终端，也可以是安装特定软件的通用处理终端。例如，数据处理终端可以是摩托车的车机系统，可以是安装有特定APP的智能手机，还可以是安装在智能头盔上的专用处理终端。
应当注意的是，数据处理终端应当是能够确定摩托车所在位置的设备。实际应用中，为了能够确定摩托车所在位置，智能处理设备可以配置在摩托车上，或者由骑手随身携带。
根据道路交通规则，骑行摩托车必须佩戴头盔。在本申请实施例中，摩托车骑手佩戴的头盔为智能头盔，智能头盔是配置有传感器、能够利用传感器检测特定的特征数据并传输给数据处理终端的头盔。在一些应用中，智能头盔配置的传感器可以包括摄像头、加速度传感器、振动传感器和拾音器。
在本申请实施例具体应用中，智能头盔除了具有前述的传感器外，还可以配置有用于与数据处理终端连接的通信装置，以及用于信息输出的扬声器和显示设备。其中，通信装置可以为蓝牙通信装置，也可以是其他类型的能够实现近场通信的装置；扬声器可以播放数据处理终端通过通信装置发送而来的音频数据，显示设备用于显示输出数据处理终端通过通信装置发送而来的图像数据。
S102：根据地图数据和导航数据确定摩托车所在位置的交通规则。
本申请实施例中，数据处理终端中配置有数字地图和定位装置。数据地图中包括各级道路的道路特征信息(例如经纬度信息、道路拓扑关系信息)和交通规则；定位装置用于实时地确定数据处理装置的所在位置。定位装置可以为北斗导航一类的卫星导航定位装置，也可以是采用通信基站提供的链路数据进行位置定位的装置，本申请实施例并不做特别地限定。
应当注意的是，定位装置是随着摩托车或者骑手移动而移动的装置，以保证采用定位装置能够确定摩托车的实时位置。
采用定位装置确定摩托车所在位置后，根据地图数据中道路特征信息，可以确定摩托车行驶的道路。在确定摩托车行驶道路后，通过查找相应的数据可以确定道路的交通规则。
S103：处理检测特征数据而得到骑行行为。
本申请实施例中，数据处理终端中配置有特定的处理算法，用于处理检测特征数据生成骑行特征数据，并根据骑行特征数据确定摩托车的骑行行为。实际应用中，摩托车的骑行行为可以为处在行驶状态的行为、处在停车状态的行为、特定速度状态行为。
S104：基于交通规则判断骑行行为是否为违章行为。
本申请实施例提供的监控摩托车骑行行为的方法，能够根据地图数据和导航数据确定摩托车所在位置的交通规则，根据检测特征数据确定骑行行为，并根据交通规则和骑行行为是否为违章行为。
采用本申请实施例提供的方法，能够快速地确定骑手骑行行为是否为违章行为，而向骑手发出提示，以使得骑手约束骑行行为，继而减少出现交通事故的概率。
本申请实施例具体实施时，除了包括前述的步骤S101-S104外，还可以包括步骤S105。
S105：在骑行行为是违章行为的情况下，将违章行为上报至预设终端。
本申请实施例中，数据处理终端中存储预设终端的地址。在确定骑行行为违章行为的情况下，数据处理终端将违章行为发送给预设终端。
在一个具体应用中，预设终端可以是前述的智能头盔，以利用智能头盔中的显示装置或者扬声器输出违章行为，以告知骑手其出现了违章行为。
在另一具体应用中，预设终端可以是一远程云平台；远程云平台用于对骑手的骑行行为(特别是违章行为)进行记录。根据具体法规情况，远程平台可以是骑手授权的、不具有监管权限的第三方平台，也可以是交管部门管控的平台。
在预设终端为远程云平台的情况下，除了上报违章行为本身外，数据处理终端还可以将检测特征数据和道路特征数据进行签名后上传，以将检测特征数据和道路特征数据作为提示证据或者处罚证据使用。
本申请实施例中，根据智能头盔中配置的传感器的不同，基于交通规则判断骑行行为是否为违章行为的处理过程也就不同，包括如下几种情况。
1.智能头盔中的传感器为摄像头的情况
在传感器为摄像头的情况下，检测特征数据为摄像头拍摄的图像数据。实际道路中可以采用图像形式表示的道路交通规则包括信号灯规则，对应的判断骑行行为是否为违章行为可以为判断骑行行为是否为闯红灯行为。
图2是本申请实施例提供的判断骑行行为是否为闯红灯行为的示意图；如图2所示，判断骑行行为是否为闯红灯行为包括步骤S201和 S202。
S201：处理图像数据，提取信号灯特征。
本申请实施例中，数据处理终端可以根据道路数据和导航数据确定摩托车是否临近道路交叉路口(例如在距离道路交叉路口50m位置时确定临近道路交叉路口)，并且根据道路数据确定道路交叉路口是否配置有红绿灯。如果摩托车临近道路交叉路口，数据处理终端可以对随后一段时间采集的图像数据进行处理，提取信号灯特征。
数据处理终端处理图像数据，提取信号灯特征是通过对图像某些特定位置是否具有特定形状、特定颜色(红色、绿色或者黄色)的色块进行检测，继而确定信号灯特征。根据交通规则，红灯为禁行信号，绿灯为通信信号，黄灯表示警示信号。因此根据信号灯特征可以确定道路交叉路口的通行规则现状。
还应注意的是，本申请实施例中，数据处理终端在确定车辆临近道路交叉口后，处理的图像数据应当均为摩托车前行方向的数据。具体应用中，可以根据道路中的车道线信息确定车辆前行方向，并通过比较一段时间内图像数据的相似度确定摄像头采集的是否仍然为摩托车前行方向的数据，继而确定是否对此图像数据进行处理。
S102：根据导航数据确定摩托车经过道路交叉路口，并且相应行驶路线对应的信号灯特征为红灯的情况下，确定骑行行为闯红灯行为。
实际应用中，不同区域道路交叉路口的车流量、人流量不同。为了满足不同的道路通行需求，设置的交通信号灯的数量和循环规则也就不同。例如，在车辆通行量不大的非核心路段路口，针对左转和直行多仅设置一个红绿灯，而对右转不做限制；在车辆通行量很大的枢纽路口，左转、直行和右转均设置红绿灯。
本申请实施例中，数据处理终端可以根据地图数据确定道路交叉路口的红绿灯数量和通行规则，以及确定各个红绿灯对应的行驶路线。
如果导航数据确定摩托车经过道路交叉路口，并且相应行驶路线对应的信号灯特征为红灯，则可以确定骑行行为是闯红灯行为。
2.智能头盔中的传感器为加速度传感器的情况
在传感器为加速度传感器的情况下，检测特征数据为加速度传感器检测的加速度数据。通过加速度数据可以检测到摩托车的加速度，并可以根据通过对加速度进行积分运算而确定摩托车的实际车速。因此，对应判断骑行行为是否为违章行为判断骑行行为是否为超速行为。
图3是本申请实施例提供的判断骑行行为是否为超速行为的示意图；如图3所示，判断骑行行为是否为超速行为包括步骤S301和S302。
S301：根据加速度传感器生成的加速度数据确定实际车速。
S302：根据实际车速和限速规则确定骑行行为是否为超速行为。
具体的，可以将实际车速与限速规则中的最高限速做比较，判断实际车速是否大于最高限速，并在实际车速大于最高限速的情况下确定骑行行为是超速行为。
另外，根据实际经验可知，摩托车中动力装置和刹车装置使得车辆产生的加速度最大值是一定的，一般根据主机产商提供的参数可以确定车辆的最大加速度值。而实际中如果加速度传感器检测到出现大于最大加速度值的加速度值，则可能出现交通事故。
本申请实施例中，数据处理终端在判定接收到的加速度值大于与存储的最大加速度值的情况下，判定车辆出现异常事故。此时，数据处理终端可以将车辆出现异常事故的情况上报至云平台等终端，以使得云平台获悉车辆可能出现异常事故。云平台可以通过联系车手确认是否出现交通事故，或者可以通知交管部门以使得交管部门查验摩托车所在位置的道路事故状况。
除了前述的根据检测特征数据确定骑行行为是否为闯红灯行为、超速行为外，本申请实施例中还可以根据地图数据和导航数据确定骑行行为是否为禁行行为、禁停行为或者逆行行为的一种或多种。
具体的，地图数据中的交通规则可以包括限行区域、限停区域、单向道路等规则。而根据地图数据和导航数据可以确定摩托车当前所处的位置，或者摩托车的行驶方向，结合前述的交通规则和摩托车实际的位置或者摩托车行驶方向可以确定是否出现前述禁行行为、禁停行为或者逆行行为中的一种或者多种。
本申请实施例中，智能头盔中配置的传感器可以包括振动传感器和/或拾音器。
在摩托车行驶过程中，振动传感器可以生成振动特性数据，振动特性数据中包括因为道路、摩托车动力装置、骑手操作动作和风阻等外界因素产生的振动数据；其中道路、骑手操作动作和风阻等因素产生的振动数据具有特定的频谱特征。在获知振动特性数据后，可以通过数据处理，去除道路、骑手操作动作和风阻对应的特征数据后，可以获知摩托车动力装置的振动特性。
而摩托车动力装置的振动特性根据内燃机的排量、排气筒的类型确定，不同排量、不同品牌的内燃机以及不同类型的排气筒类型使得动力装置的振动特性不同。而摩托车出厂时其内燃机类型、排量和排气筒类型确定，使得摩托车动力装置的振动频谱特征也就确定。类似的，特定非法改装类型的动力装置振动特性具有特定的频谱特征。
如果数据处理终端确定的摩托车动力装置的振动特性和原厂设备确定的振动特性不同，或者动力装置振动特性具有某些非法改装类型特定的频谱特征，则大概率可以确定车辆经过非法改装。也就是说，可以根据摩托车动力装置的振动特性确定是否具有非法改装行为。如果具有非法改装行为，可以将非法改装行为上报至云平台等预设终端平台。
根据我国道路交通法规规定，机动车不能非法改装；而目前摩托车改装(特备是排气筒)是机动车非法改装重灾区。
本申请实施例中通过振动特征数据确定摩托车是否经过非法改装，继而上报至云平台等处理平台。云平台如果是车辆服务商管理平台，车辆服务商可以根据非法改装状态确定是否向此摩托车提供特定部件的三包服务；云平台如果是交管系统运行平台，交管系统可以定向性地查看非法改装车辆，以尽早查处此类违法行为。
类似的，拾音器可以采集到骑手操作动作、风阻、摩托车动力装置和路噪等产生的声音叠加数据，并且道路、骑手操作动作和风阻等因素产生的音频数据具有特定的频谱特征。按照前述方法，根据拾音器生成的音频数据也可以确定摩托车动力装置的振动特性，并根据动力装置振动特性确定车辆是否非法改装。
除了提供前述的监控摩托车骑行行为的方法外，本申请实施例还提供一种监控摩托车骑行行为的系统。
图4是本申请实施例提供的监控摩托车骑行行为的系统的结构示意图。如图4所示，本申请实施例中的系统包括数据处理终端11。数据处理终端11可以与骑手佩戴的智能头盔01通信中的传感器通信连接，以获取传感器生成的检测特征数据。
数据处理终端11还用于：根据地图数据和导航数据确定摩托车所在位置的交通规则；处理检测特征数据得到骑行行为；以及，基于交通规则判断骑行行为是否为违章行为。
采用本申请实施例提供的监控摩托车骑行行为的方法，能够快速地确定骑手骑行行为是否为违章行为，而向骑手发出提示，以使得骑手约束骑行行为，继而减少出现交通事故的概率。
如图4所示，在一个具体实施中，系统还可以包括云平台12。云平台12用于存储违章行为以及检测特征数据。数据处理终端11判断出现违章行为的情况下，将违章行为上报给云平台12。
本申请实施例一个具体应用中，智能头盔01中的传感器可以包括摄像头，对应的检测特征数据为摄像头拍摄的图像数据。
对应的，在交通规则包括交通信号灯规则的情况下，数据处理终端11处理处理检测特征数据得到骑行行为，基于交通规则判断骑行行为是否为违章行为包括：处理图像数据，提取信号灯特征；根据导航数据确定摩托车经过道路交叉路口，并且相应行驶路线对应的信号灯特征为红灯的情况下，确定骑行行为闯红灯行为。
在本申请实施例另一具体应用中，智能头盔01中的传感器可以包括加速度传感器，对应的检测特征数据为加速度数据。
对应的，在交通规则包括限速规则的情况下，数据处理终端11处理检测特征数据得到骑行行为，基于交通规则判断骑行行为是否为违章行为，包括：根据加速度数据确定实际车速；以及，根据实际车速和限速规则确定摩托车骑行行为是否为超速行为。
在本申请实施例中，数据处理终端11还可以根据地图数据和导航数据确定骑行行为是否为禁行行为、禁停行为或者逆行行为中的至少之一。具体的，数据处理终端11获取的地图数据中的交通规则可以包括限行区域、限停区域、单向道路等规则。根据地图数据和导航数据可以确定摩托车当前所处的位置，或者摩托车的行驶方向，结合前述的交通规则和摩托车实际的位置或者摩托车行驶方向可以确定是否出现前述禁行行为、禁停行为或者逆行行为中的一种或者多种。
在本申请实施例中，智能头盔01中的传感器还包括振动传感器和 /或拾音器。对应的，数据处理终端11或者云平台12还可以用于：根据振动特征数据和/或音频数据，确定摩托车的动力装置振动特性，以及基于动力装置振动特性确定是否有非法改装行为；以及，在具有非法改装行为的情况下，将非法改装行为上报至预设终端。
实际应用中，数据处理终端11可以为专用数据处理终端11，也可以安装特定应用程序的通用处理终端。例如，在一些具体应用中，数据处理终端11可以为骑手的智能手机，智能手机安装用于和智能头盔 01进行交互的APP。
本申请实施例中，安装在骑手的智能手机除了具有前述的功能外，还可以具有历史记录功能、导航信息提供功能，以向骑手提供出行历史记录、导航信息、实时路况信息等出行相关信息。另外，智能手机还可以与交管系统进行通信，以获取摩托车违章信息、年检状态信息等行政管控类信息。
此外，智能手机中安装的用于和智能头盔01交互的APP还可以根据摩托车所在位置向车手推送或提示附近的摩托车保养商家或者销售商家，以便于骑手选择车辆维修地点。在一些应用中，智能手机根据摩托车的驾驶里程还可以直接向骑手推送车辆维修、保养到期时间等提示性信息。
本申请实施例中，云平台12可以存储数据处理终端11上传的各种数据，还可以向数据处理终端11下发导航更新数据、实时路况数据等用于指导骑手选择驾驶路线的数据。此外，云平台12还可以包括商户接入接口，以接入商户的网站，使得用户通过云平台12可以获知商户产品信息，或者通过云平台12向用户投放广告、开展营销活动。
本申请实施例还提供一种电子设备和一种计算机可读存储介质。
图5是本申请实施例提供的电子设备的结构示意图。电子设备可以用于监控摩托车驾驶行为。
如图5所示，电子包括：至少一个处理器21、至少一个存储器22 和至少一个通信接口23。电子设备中的各个组件通过总线系统24耦合在一起。通信接口23用于与外部设备之间的信息传输，具体应用中，通信接口23可以为蓝牙通信接口。可理解地，总线系统24用于实现这些组件之间的连接通信。总线系统34除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见，在图5 中将各种总线都标为总线系统24。
可以理解，本实施例中的存储器22可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
在一些实施方式中，存储器22存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础任务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器 (Browser)等，用于实现各种应用任务。实现本公开实施例提供监控摩托车骑行行为的方法可以包含在应用程序中。
在本公开实施例中，处理器21通过调用存储器22存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器21用于执行本申请提供的监控摩托车骑行行为的方法的各个步骤。
处理器31可以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21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21可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路 (ApplicationSpecific IntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray，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。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。
本公开实施例提供的监控摩托车骑行行为的方法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单元组合执行完成。软件单元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22，处理器21读取存储器22 中的信息，结合其硬件完成方法的步骤。
本公开实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如监控摩托车骑行行为的方法各实施例的步骤，为避免重复描述，在此不再赘述。
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。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
