目标识别处理方法及装置、存储介质、电子装置与流程

1.本发明实施例涉及图像处理领域，具体而言，涉及一种目标识别处理方法及装置、存储介质、电子装置。


背景技术：

2.近年来，随着安防领域中视频监控应用的快速发展，每时每刻都会产生海量的视频图像数据。在海量的数据中，快速检索特定的行人是安防场景应用中最重要的任务之一。行人检索基于视频结构化描述构建的行人数据库，结合图像优选、属性识别、目标跟踪等计算机视觉算法，行人检索在公安行业，检索犯罪人员的任务，起到至关重要的作用。
3.目前，行人检索的主要流程为：选定特定行人图像，在结构化算法构建的行人数据库中，计算所有底库行人与检索行人的相似度得分，对计算结果进行排序，从而得到与检索行人最接近的序列结果。然而，在实际应用中，用户更希望从当查询到更细维度的检索结果，例如，用户想要查询“穿亮黄色上衣”这一特征的行人，或者是“手拿深棕色皮包”这一特征的行人。
4.但现有技术中颜色识别缺乏多样性、识别系统难以部署且耗时较大。
5.针对上述技术问题，相关技术中尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种目标识别处理方法及装置、存储介质、电子装置，以至少解决相关技术中对衣着区域的颜色识别不准确的问题。
7.根据本发明的一个实施例，提供了一种目标识别处理方法，包括：将包括目标对象的目标图像输入到预先训练的第一目标神经网络模型中，得到对应于上述目标对象的着装信息的着装图像区域，其中，上述第一目标神经网络模型中包括m个网络分支，上述m个网络分支中每个网络分支中包括串联连接的卷积层和检测层，上述m是大于1的自然数；对上述着装图像区域进行属性识别，确定对应于上述目标对象的着装信息的属性信息。
8.根据本发明的另一个实施例，提供了一种目标识别处理装置，包括：第一输入模块，用于将包括目标对象的目标图像输入到预先训练的第一目标神经网络模型中，得到对应于上述目标对象的着装信息的着装图像区域，其中，上述第一目标神经网络模型中包括m个网络分支，上述m个网络分支中每个网络分支中包括串联连接的卷积层和检测层，上述m是大于1的自然数；第一识别模块，用于对上述着装图像区域进行属性识别，确定对应于上述目标对象的着装信息的属性信息。
9.在一个示例性实施例中，上述第一输入模块，包括：第一处理单元，用于将目标图像输入到第一网络分支中的卷积层，得到第一图像特征信息；将第一图像特征信息输入至第一网络分支中的检测层，得到第一着装图像区域；第二处理单元，用于将目标图像输入到第二网络分支中的卷积层，得到第二图像特征信息；将第二图像特征信息输入至第二网络分支中的检测层，得到第二着装图像区域，其中，第一网络分支和第二网络分支为m个网络
分支中的不同网络分支。
10.在一个示例性实施例中，上述第一识别模块，包括：第五输入单元，用于将上述着装图像区域输入到第二目标神经网络模型，基于上述第二目标神经网络模型中的颜色特征提取通道，输出上述目标对象的着装衣物的颜色，其中，上述着装信息包括上述目标对象的着装衣物，上述属性信息包括上述着装衣物的颜色。
11.在一个示例性实施例中，上述装置还包括：第一训练模块，用于将上述衣着区域位置信息输入到预先训练的第二目标神经网络模型中，得到上述目标对象的衣着区域的颜色识别结果之前，训练第二神经网络模型，得到上述第二目标神经网络模型，其中，上述第一训练模块，包括：第一转换单元，用于将获取的n个样本图像从rgb颜色空间转换至lab颜色空间，其中，上述n是大于或等于1的自然数；第一计算单元，用于在上述lab颜色空间计算上述n个样本图像之间的色差距离，得到距离矩阵；第一构建单元，用于利用上述距离矩阵构建上述n个样本图像的层次聚类；第一迭代单元，用于利用层次聚类算法反复迭代上述层次聚类，将上述n个样本图像划分至m个类别簇中，得到训练数据，其中，上述m是大于或等于1的自然数；第一训练单元，用于利用上述训练数据训练上述第二神经网络模型，得到上述第二目标神经网络模型。
12.在一个示例性实施例中，上述第一转换单元，包括：第一转换子单元，用于将上述n个样本图像从rgb颜色空间转换至xyz颜色空间；第二转换子单元，用于将上述n个样本图像从上述xyz颜色空间转换至上述lab颜色空间。
13.在一个示例性实施例中，上述第一训练单元，包括：第一确定子单元，用于确定上述训练数据中的每个颜色数据所属的颜色大类；第一合并子单元，用于按照上述颜色大类合并上述训练数据中的颜色数据，得到合并数据；第二确定子单元，用于将上述训练数据和上述合并数据确定为训练数据集；第一训练子单元，用于利用上述训练数据集训练上述第二神经网络模型，得到上述第二目标神经网络模型。
14.在一个示例性实施例中，上述第一训练子单元：将上述训练数据集中的每个训练数据输入到上述第二神经网络模型中的特征提取通道，得到上述特征提取通道输出的颜色特征；基于上述颜色特征训练得到上述第二目标神经网络模型。
15.根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
16.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
17.通过本发明，通过将包括目标对象的目标图像输入到预先训练的第一目标神经网络模型中，得到对应于目标对象的着装信息的着装图像区域，其中，第一目标神经网络模型中包括m个网络分支，m个网络分支中每个网络分支中包括串联连接的卷积层和检测层，m是大于1的自然数；对着装图像区域进行属性识别，确定对应于目标对象的着装信息的属性信息。实现了对目标对象的衣着进行颜色识别的目的。因此，可以解决相关技术中对衣着区域的颜色识别不准确的问题，达到准确识别衣着区域的颜色的效果。
附图说明
18.图1是本发明实施例的一种目标识别处理方法的移动终端的硬件结构框图；
19.图2是根据本发明实施例的目标识别处理方法的流程图；
20.图2a是根据本发明实施例的第一目标网络模型的部分结构示意图；
21.图3是根据本发明具体实施例的流程图；
22.图4是根据本发明实施例的颜色类别的示意图；
23.图5是根据本发明实施例的目标识别处理装置的结构框图。
具体实施方式
24.下文中将参考附图并结合实施例来详细说明本发明的实施例。
25.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
26.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种目标识别处理方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
27.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的目标识别处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
28.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
29.在本实施例中提供了一种目标识别处理方法，图2是根据本发明实施例的目标识别处理方法的流程图，如图2所示，该流程包括如下步骤：
30.步骤s202，将包括目标对象的目标图像输入到预先训练的第一目标神经网络模型中，得到对应于所述目标对象的着装信息的着装图像区域，其中，所述第一目标神经网络模型中包括m个网络分支，所述m个网络分支中每个网络分支中包括串联连接的卷积层和检测层，所述m是大于1的自然数；
31.步骤s204，对所述着装图像区域进行属性识别，确定对应于所述目标对象的着装
信息的属性信息。
32.本实施例包括但不限于对颜色进行识别的场景中，例如，对行人的着装颜色识别的场景。
33.在本实施例中，目标对象包括但不限于是行人。着装信息例如可以包括上衣、裤子、装饰品、包、鞋子等等。
34.其中，上述步骤的执行主体可以为终端等，但不限于此。
35.通过上述步骤，通过将包括目标对象的目标图像输入到预先训练的第一目标神经网络模型中，得到对应于目标对象的着装信息的着装图像区域，其中，第一目标神经网络模型中包括m个网络分支，m个网络分支中每个网络分支中包括串联连接的卷积层和检测层，m是大于1的自然数；对着装图像区域进行属性识别，确定对应于目标对象的着装信息的属性信息。实现了对目标对象的衣着进行颜色识别的目的。因此，可以解决相关技术中对衣着区域的颜色识别不准确的问题，达到准确识别衣着区域的颜色的效果。
36.在一个示例性实施例中，将包括目标对象的目标图像输入到预先训练的第一目标神经网络模型中，得到对应于目标对象的着装信息的着装图像区域，包括：
37.s1，将目标图像输入到第一网络分支中的卷积层，得到第一图像特征信息；将第一图像特征信息输入至第一网络分支中的检测层，得到第一着装图像区域；以及
38.s2，将目标图像输入到第二网络分支中的卷积层，得到第二图像特征信息；将第二图像特征信息输入至第二网络分支中的检测层，得到第二着装图像区域，其中，第一网络分支和第二网络分支为m个网络分支中的不同网络分支；
39.s3，融合第一着装图像区域和第二着装图像区域，确定目标对象的着装信息的着装图像区域。
40.在本实施例中，第一网络分支中的检测层和第二网络分支中的检测层的参数均包括四个锚框。
41.在本实施例中，如图2a所述，第一网络分支和第一网络分支中均包括若干个卷基层和一个检测层。第一网络分支的卷基层输出的是7*7尺寸的目标图像图的图像特征信息，第二网络分支中的卷积层输出的是14*147*7尺寸的目标图像图的图像特征信息。
42.在本实施例中，融合第一着装图像区域和第二着装图像区域，确定目标对象的着装信息的着装图像区域，即是对第一着装图像区域和第二着装图像区域中重复的区域进行去重的过程。
43.在本实施例中，第一目标神经网络模型包括基于yolov4
‑
tiny模型改进的轻量型检测网络，第一目标神经网络模型与yolov4
‑
tiny相比，将三个检测层减少为两个，并将所有卷积层核的个数削减了1/3；对每个检测层之前增加了两个卷积层，并融合了下采样倍率32和16的特征图以增强特征所包含的信息；每个检测层所使用的anchor个数由3个变为4个，并且在构建的行人区域检测数据集上使用k
‑
means聚类得到新的anchor尺寸，并在数据集上进行训练。
44.在一个示例性实施例中，对着装图像区域进行属性识别，确定目标对象的着装信息的属性信息，包括：
45.s1，将着装图像区域输入到第二目标神经网络模型，基于第二目标神经网络模型中的颜色特征提取通道，输出目标对象的着装衣物的颜色，其中，着装信息包括目标对象的
着装衣物，属性信息包括着装衣物的颜色。
46.在一个示例性实施例中，方法还包括：
47.s1，训练第二神经网络模型，得到第二目标神经网络模型，其中，训练第二神经网络模型，得到第二目标神经网络模型，包括：
48.s2，将获取的n个样本图像从rgb颜色空间转换至lab颜色空间，其中，n是大于或等于1的自然数；
49.s3，在lab颜色空间计算n个样本图像之间的色差距离，得到距离矩阵；
50.s4，利用距离矩阵构建n个样本图像的层次聚类；
51.s5，利用层次聚类算法反复迭代层次聚类，将n个样本图像划分至m个类别簇中，得到训练数据，其中，m是大于或等于1的自然数；
52.s6，利用训练数据训练第二神经网络模型，得到第二目标神经网络模型。
53.在一个示例性实施例中，将获取的n个样本图像从rgb颜色空间转换至lab颜色空间，包括：
54.s1，将n个样本图像从rgb颜色空间转换至xyz颜色空间；
55.s2，将n个样本图像从xyz颜色空间转换至lab颜色空间。
56.在本实施例中，rgb无法直接转换至lab，需要借助xyz颜色空间。rgb图像可以先通过公式(1)转换为xyz颜色空间的格式，然后通过公式(2)，(3)由xyz转换至lab颜色空间：
[0057][0058][0059][0060]
其中，x
n
，y
n
和z
n
采用光源d65的白点坐标，其值分别为0.950456，1.0和1.088754，l表示亮度，a/b表示颜色对立维度，y表示色度、x/z表示颜色的色度特性。
[0061]
在一个示例性实施例中，利用训练数据训练第二神经网络模型，得到第二目标神经网络模型，包括：
[0062]
s1，确定训练数据中的每个颜色数据所属的颜色大类；
[0063]
s2，按照颜色大类合并训练数据中的颜色数据，得到合并数据；
[0064]
s3，将训练数据和合并数据确定为训练数据集；
[0065]
s4，利用训练数据集训练第二神经网络模型，得到第二目标神经网络模型。
[0066]
在本实施例中，为了方便筛选，将聚类算法划分出的36类颜色其所属的大类颜色进行了二次划分，并在训练时会将合并后的颜色作为多重标签，即算法会输出图像合并后
的颜色和其细类颜色两个类别。
[0067]
在一个示例性实施例中，利用训练数据集训练第二神经网络模型，得到第二目标神经网络模型，包括：
[0068]
s1，将训练数据集中的每个训练数据输入到第二神经网络模型中的特征提取通道，得到特征提取通道输出的颜色特征；
[0069]
s2，基于颜色特征训练得到第二目标神经网络模型。
[0070]
在本实施例中，第二目标神经网络模型可以基于改进的inceptionv3模型进行训练。第二目标神经网络模型相比原始inceptionv3，嵌入了特征通道增强模块(squeeze and excitation)增强模型提取特征的能力。
[0071]
下面结合具体实施例对本发明进行说明：
[0072]
本实施例以对行人的衣着颜色进行识别为例进行说明。
[0073]
本实施例提出了一种基于yolov4
‑
tiny改进的轻量型行人衣着区域检测模型和改进的inceptionv3颜色识别模型的行人衣着区域颜色识别系统。该系统在hisi3559a低功耗芯片上耗时仅10ms，系统的执行步骤如图3所示，主要包含以下步骤：
[0074]
s301，获取行人图像；
[0075]
s302，人体衣着区域检测模块(相当于上述中的第一目标神经网络模型)；
[0076]
该模块首先基于视频监控场景，构建行人区域检测数据集用以训练行人衣着检测模型。
[0077]
为了提高行人区域检测的准确率，提高识别系统效率，构建了基于yolov4
‑
tiny模型改进的轻量型检测网络，该模型与yolov4
‑
tiny相比，特点在于：1、将三个检测层减少为两个，并将所有卷积层核的个数削减了1/3；2、对每个检测层之前增加了两个卷积层，并融合了下采样倍率32和16的特征图以增强特征所包含的信息；3、每个检测层所使用的anchor个数由3个变为4个，并且在构建的行人区域检测数据集上使用k
‑
means聚类得到新的anchor尺寸，并在数据集上进行训练。
[0078]
通过训练好的检测模型，输出行人衣着区域位置信息至下层区域颜色识别模型中。
[0079]
s303，区域颜色识别模块(相当于上述中的第二目标神经网络模型)；
[0080]
该模块第一步需要构建用以训练颜色识别模型的数据集，为了改善颜色识别缺乏多样性的问题。本实施例提出了一种以ciede2000色差公式的计算结果为距离，通过层次聚类(hierarchical clustering)的方法构建颜色多样性的衣着区域训练数据集。
[0081]
首先，将图像从rgb颜色空间转换至lab颜色空间，由于rgb无法直接转换至lab，因此需要借助xyz颜色空间。rgb图像先通过公式(1)转换为xyz颜色空间的格式，然后通过公式(2)，(3)由xyz转换至lab颜色空间：
[0082]
[0083][0084][0085]
其中，x
n
，y
n
和z
n
采用光源d65的白点坐标，其值分别为0.950456，1.0和1.088754。
[0086]
然后，通过ciede2000色差公式计算所有图像之间的色差距离，构建层次聚类所需要的距离矩阵。
[0087]
最后，利用层次聚类算法反复迭代，将训练数据重新划分至不同的类别簇中，得到划分完整的训练数据，其包含的颜色类别如表1所示：
[0088]
表1：
[0089][0090]
为了方便用户筛选，将聚类算法划分出的36类颜色其所属的大类颜色进行了二次划分，并在训练时会将合并后的颜色作为多重标签，即算法会输出图像合并后的颜色和其细类颜色两个类别，如图4所示。
[0091]
构建完成颜色训练数据集后，利用改进的inceptionv3模型训练多标签分类模型，该模型相比原始inceptionv3，嵌入了特征通道增强模块(squeeze and excitation)增强模型提取特征的能力。训练完成后得到最终的区域颜色识别模型；
[0092]
s304，最后将输入的行人衣着区域通过颜色识别模型，输出最终颜色识别结果。
[0093]
综上所述，本实施例利用改进的yolov4
‑
tiny模型对行人衣着区域进行检测识别，相比现有技术中使用发fast
‑
rcnn、rcnn、fcn等模型，其推理时间更快(hisi3559a耗时仅1.6ms)，模型所占参数更少(2.31mb)；与现有技术比，本实施例设计的颜色识别模型更轻量，更高效，并且不受硬件传感器的性能所限制；并且，本实施例提出了基于ciede2000色差距离矩阵，对衣着区域进行层次聚类，从而划分出更细致的颜色类别，此外还通过多标签训练可以使用户在查询颜色的时候更灵活。
[0094]
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根据上述实施例的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。
[0095]
在本实施例中还提供了一种目标识别处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0096]
图5是根据本发明实施例的目标识别处理装置的结构框图，如图5所示，该装置包括：
[0097]
第一输入模块52，用于将包括目标对象的目标图像输入到预先训练的第一目标神经网络模型中，得到对应于目标对象的着装信息的着装图像区域，其中，第一目标神经网络模型中包括m个网络分支，m个网络分支中每个网络分支中包括串联连接的卷积层和检测层，m是大于1的自然数；
[0098]
第一识别模块54，用于对着装图像区域进行属性识别，确定对应于目标对象的着装信息的属性信息。
[0099]
在一个示例性实施例中，上述第一输入模块，包括：
[0100]
第一处理单元，用于将目标图像输入到第一网络分支中的卷积层，得到第一图像特征信息；将第一图像特征信息输入至第一网络分支中的检测层，得到第一着装图像区域；
[0101]
第二处理单元，用于将目标图像输入到第二网络分支中的卷积层，得到第二图像特征信息；将第二图像特征信息输入至第二网络分支中的检测层，得到第二着装图像区域，其中，第一网络分支和第二网络分支为m个网络分支中的不同网络分支；
[0102]
第一融合单元，用于融合上述第一着装图像区域和上述第二着装图像区域，确定上述目标对象的着装信息的着装图像区域。
[0103]
在一个示例性实施例中，上述第一识别模块，包括：
[0104]
第五输入单元，用于将上述着装图像区域输入到第二目标神经网络模型，基于上述第二目标神经网络模型中的颜色特征提取通道，输出上述目标对象的着装衣物的颜色，
其中，上述着装信息包括上述目标对象的着装衣物，上述属性信息包括上述着装衣物的颜色。
[0105]
在一个示例性实施例中，上述装置还包括：
[0106]
第一训练模块，用于将上述衣着区域位置信息输入到预先训练的第二目标神经网络模型中，得到上述目标对象的衣着区域的颜色识别结果之前，训练第二神经网络模型，得到上述第二目标神经网络模型，其中，上述第一训练模块，包括：
[0107]
第一转换单元，用于将获取的n个样本图像从rgb颜色空间转换至lab颜色空间，其中，上述n是大于或等于1的自然数；
[0108]
第一计算单元，用于在上述lab颜色空间计算上述n个样本图像之间的色差距离，得到距离矩阵；
[0109]
第一构建单元，用于利用上述距离矩阵构建上述n个样本图像的层次聚类；
[0110]
第一迭代单元，用于利用层次聚类算法反复迭代上述层次聚类，将上述n个样本图像划分至m个类别簇中，得到训练数据，其中，上述m是大于或等于1的自然数；
[0111]
第一训练单元，用于利用上述训练数据训练上述第二神经网络模型，得到上述第二目标神经网络模型。
[0112]
在一个示例性实施例中，上述第一转换单元，包括：
[0113]
第一转换子单元，用于将上述n个样本图像从rgb颜色空间转换至xyz颜色空间；
[0114]
第二转换子单元，用于将上述n个样本图像从上述xyz颜色空间转换至上述lab颜色空间。
[0115]
在一个示例性实施例中，上述第一训练单元，包括：
[0116]
第一确定子单元，用于确定上述训练数据中的每个颜色数据所属的颜色大类；
[0117]
第一合并子单元，用于按照上述颜色大类合并上述训练数据中的颜色数据，得到合并数据；
[0118]
第二确定子单元，用于将上述训练数据和上述合并数据确定为训练数据集；
[0119]
第一训练子单元，用于利用上述训练数据集训练上述第二神经网络模型，得到上述第二目标神经网络模型。
[0120]
在一个示例性实施例中，上述第一训练子单元：将上述训练数据集中的每个训练数据输入到上述第二神经网络模型中的特征提取通道，得到上述特征提取通道输出的颜色特征；基于上述颜色特征训练得到上述第二目标神经网络模型。
[0121]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0122]
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0123]
在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以上各步骤的计算机程序。
[0124]
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read
‑
only memory，简称为rom)、随机存取存储器(random access memory，简称为
ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0125]
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0126]
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0127]
在一个示例性实施例中，上述处理器可以被设置为通过计算机程序执行以上各步骤。
[0128]
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
[0129]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0130]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。