基于视频监控的电瓶车智能管理系统及方法与流程

1.本发明涉及视频监控技术领域，特别是涉及一种基于视频监控的电瓶车智能管理系统及方法。


背景技术：

2.电瓶车，又叫电动车，作为一种绿色交通工具，因其轻便性，深受广大百姓喜爱；随着电瓶车使用增多，其需要时时充电的特性也逐渐带来居民小区管理方面的问题。由于电瓶车生产质量问题或者连接路线容易老化短路，当发生短路且外部温度较高时，就很容易燃烧，从而引发火灾，酿成悲剧。为了防止事故发生，许多地方都禁止在高层民用建筑公共门厅、疏散走道、楼梯间、安全出口停放电瓶车或者为电瓶车充电。然而，电瓶车上楼的现象屡禁不止，因电瓶车起火导致高层楼房发生火灾的案例也屡见不鲜。
3.为了切实有效地防止居民携带电瓶车上楼，实现电瓶车上楼管控，现有技术中出现了一些电瓶车上楼管控系统。但现有的方案仍存在较多问题，如检测不准确从而对电瓶车放行、将自行车/婴儿车等误认为电瓶车等。
4.因此，需要一种改进的电瓶车管理的方案。


技术实现要素：

5.本发明实施例提供了一种基于视频监控的电瓶车智能管理系统及方法，以及时阻止电瓶车进入电梯上楼，并避免出现误判的现象。
6.本发明实施例第一方面提供了一种基于视频监控的电瓶车智能管理系统，包括图像获取单元、第一服务器、神经网络服务器、分析单元、识别结果输出单元和警示单元，其中：
7.所述图像获取单元，用于获取实时图像，并发送至所述第一服务器；
8.所述第一服务器，用于分析所述实时图像中是否存在疑似对象；
9.所述图像获取单元，还用于当所述实时图像中存在疑似对象时，获取所述疑似对象的多个目标图像，并将所述多个目标图像发送至所述神经网络服务器，所述多个目标图像的拍摄参数不同；
10.所述神经网络服务器，用于基于第一神经网络对所述多个目标图像进行分析，形成第一目标识别信息；还用于基于第二神经网络对所述多个目标图像进行分析，形成第二目标识别信息；
11.所述分析单元，用于根据预设分析条件，对所述第一目标识别信息和所述第二目标识别信息进行比较分析，得到分析数据；
12.所述识别结果输出单元，用于基于所述分析数据，输出识别结果；
13.所述警示单元，用于当识别结果表明所述疑似对象为真时，发出警示。
14.可选地，所述基于视频监控的电瓶车智能管理系统，还包括图像预处理单元，所述图像预处理单元集成于所述图像获取单元或所述第一服务器；
15.所述图像预处理单元，用于将所述图像获取单元获取的实时图像进行预处理。
16.可选地，所述基于视频监控的电瓶车智能管理系统，所述预处理包括图像灰度化、平滑、倾斜校正、灰度修正。
17.可选地，所述基于视频监控的电瓶车智能管理系统，还包括：
18.选择单元，用于选择所述第一神经网络或所述第二神经网络作为优选神经网络，并将所述优选神经网络同步至所述第一服务器。
19.可选地，所述基于视频监控的电瓶车智能管理系统，还包括：
20.分组单元，用于将所述多个目标图像发送至所述神经网络服务器前，按预设分组条件，将所述多个目标图像分成第一组目标图像和第二组目标图像；
21.所述神经网络服务器，用于使用所述第一神经网络分析第一组目标图像，以检测所述第一组目标图像中的疑似对象，从而产生所述第一目标识别信息；
22.还用于使用所述第二神经网络分析第二组目标图像，以检测所述第二组目标图像中的疑似对象，从而产生所述第二目标识别信息。
23.可选地，所述基于视频监控的电瓶车智能管理系统，还包括环境数据获取单元：
24.所述环境数据获取单元，用于在所述图像获取单元获取所述疑似对象的多个目标图像的同时，获取与所述多个目标图像一一对应的多个环境数据，并将所述多个环境数据发送至所述神经网络服务器。
25.可选地，所述基于视频监控的电瓶车智能管理系统，所述神经网络服务器，还用于将所述多个环境数据与所述多个目标图像建立关联；
26.并从所述多个环境数据中提取出环境特征数据。
27.可选地，所述基于视频监控的电瓶车智能管理系统，将所述环境特征数据作为所述优选神经网络的环境条件。
28.本发明实施例第二方面提供了一种基于视频监控的电瓶车智能管理方法，包括以下步骤：
29.获取实时图像；
30.对所述实时图像进行预处理后发送至所述第一服务器，或者将所述实时图像发送至所述第一服务器进行所述预处理；
31.分析所述实时图像中是否存在疑似对象；
32.当所述实时图像中存在疑似对象时，获取所述疑似对象的多个目标图像，并将所述多个目标图像发送至所述神经网络服务器，所述多个目标图像的拍摄参数不同；
33.基于第一神经网络对所述多个目标图像进行分析，形成第一目标识别信息；
34.基于第二神经网络对所述多个目标图像进行分析，形成第二目标识别信息；
35.根据预设分析条件，对所述第一目标识别信息和所述第二目标识别信息进行比较分析，得到分析数据；
36.基于所述分析数据，输出识别结果；
37.当识别结果表明所述疑似对象为真时，发出警示。
38.可选地，所述基于视频监控的电瓶车智能管理方法，还包括以下步骤：
39.选择所述第一神经网络或所述第二神经网络作为优选神经网络，并将所述优选神经网络同步至所述第一服务器。
40.可以看出，上述技术方案中，首先，通过图像获取单元获取实时图像，并发送至第一服务器，由所述第一服务器分析所述实时图像中是否存在疑似对象；当所述实时图像中存在疑似对象时，所述图像获取单元获取所述疑似对象的多个目标图像，并将所述多个目标图像发送至所述神经网络服务器；其次，由所述神经网络服务器分别基于第一神经网络和第二神经网络对所述多个目标图像进行分析，形成第一目标识别信息和第二目标识别信息；然后，由分析单元根据预设分析条件，对所述第一目标识别信息和所述第二目标识别信息进行比较分析，得到分析数据；接着，识别结果输出单元基于所述分析数据，输出识别结果；最后，当识别结果表明所述疑似对象为真时，由警示单元发出警示，以阻止电瓶车进梯上楼。本技术的方案，通过第一服务器、神经网络服务器及其多个神经网络的设置，不仅能第一时间识别出电瓶车，也极大地提高了识别精度，避免出现误判的情况。
附图说明
41.图1是本技术实施例提供的一种基于视频监控的电瓶车智能管理系统的架构示意图；
42.图2是本技术实施例提供的一种基于视频监控的电瓶车智能管理方法的流程示意图；
43.图3是本技术实施例提供的一种基于视频监控的电瓶车智能管理系统中用到的一种卷积神经网络的结构示意图。
具体实施方式
44.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。以下分别进行详细说明。
45.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”、“第三”是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
46.首先，参见图1，图1为本发明的一个实施例提供的一种基于视频监控的电瓶车智能管理系统的架构示意图，基于视频监控的电瓶车智能管理系统100可以包括：包括图像获取单元102、第一服务器104、神经网络服务器106、分析单元108、识别结果输出单元110和警示单元112等。
47.图像获取单元102，用于获取实时图像，并发送至所述第一服务器104；
48.其中，图像获取单元102，可以为监控摄像头、无人机、移动监控机器人等具备摄像或拍照功能的终端设备中的一个或几个，本发明的实施例对此不作限制。
49.第一服务器104，用于分析所述实时图像中是否存在疑似对象；
50.其中，第一服务器104具备图像处理分析功能，能够初步分析所述实时图像中是否存在疑似对象。优选地，第一服务器104为边缘计算服务器，边缘计算服务器可以部署得更
靠近图像获取单元102，甚至可以集成到图像获取单元102，这样，数据传输更安全，数据处理更即时，可以有效改善高延迟和连接不稳定的问题。
51.在本发明的实施例中，疑似对象即为电瓶车。在实际生活中，电瓶车与某些物体，特别是自行车，在外形、结构上具有较高的相似度，对于算法来说具备识别难度。
52.为了保证警示的及时性，在本发明的实施例中，先由第一服务器104进行简单的疑似判断，若存在疑似对象，则图像获取单元102，获取所述疑似对象的多个目标图像，并将所述多个目标图像发送至所述神经网络服务器106。
53.其中，所述多个目标图像的拍摄参数不同。
54.在本发明的实施中，拍摄参数可以为拍摄角度、拍摄时刻、光圈系数、iso 感光度、白平衡等。图像获取单元102可为一个或多个。例如，所述多个目标图像可以由一个图像获取单元102在不同拍摄角度和/或不同拍摄时刻获取，也可由多个图像获取单元102不同拍摄角度和/或不同拍摄时刻获取，还可以一个或多个由图像获取单元102在同一拍摄角度、同拍摄一时刻、不同iso感光度等条件下拍摄。需要说明的是，本发明的实施例只是举例以便更好地理解本方案，在此并不是对本方案作出限制。
55.所述神经网络服务器106，用于基于第一神经网络对所述多个目标图像进行分析，形成第一目标识别信息；还用于基于第二神经网络对所述多个目标图像进行分析，形成第二目标识别信息；
56.在本发明的实施例中，所述神经网络服务器106上部署多个神经网络，这些神经网络经过训练后，都可以用来进行图像识别分析。
57.在本发明的实施例中，所述第一神经网络和/或所述第二神经网络可为卷积神经网络，如图3所示，一个卷积神经网络可以由以下五种结构组成：
58.1.输入层：输入层是整个神经网络的输入，在处理图像的卷积神经网络中，它一般代表了一张图片的像素矩阵。一张彩色图片的像素矩阵为三维矩阵，其中三维矩阵的长和宽代表了图像的大小，而三维矩阵的深度代表了图像的色彩通道。比如黑白图片的深度为1，而在rgb色彩模式下，图像的深度为3。从输入层开始，卷积神经网络通过不同的神经网络结构将上一层的三维矩阵转化为下一层的三维矩阵，直到最后的全连接层。
59.2.卷积层：卷积层是一个卷积神经网络中最为重要的部分，和传统全连接层不同，卷积层中每一个节点的输入只是上一层神经网络的一小块，这个小块常用的大小有3*3或者5*5。卷积层试图将神经网络中的每一小块进行更加深入的分析从而得到抽象程度更高的特征。
60.3.池化层(pooling)：池化层不会改变三维矩阵的深度，但是它可以缩小矩阵的大小。池化操作可以认为是将一张分辨率较高的图片转化为分辨率较低的图片。通过池化层，可以进一步缩小最后全连接层中节点的个数，从而达到减少整个神经网络中参数的目的。
61.4.全连接层：经过多轮卷积层和池化层的处理之后，在卷积神经网络的最后一般会是由1到2个全连接层来给出最后的分类结果。经过几轮卷积层和池化层的处理之后，图像中的信息已经抽象成了信息含量更高的特征。我们可以将卷积层和池化层看成自动图像特征提取的过程。在特征提取完成之后，再使用全连接层来完成分类任务。
62.5.softmax层：softmax层主要用于分类问题，通过softmax层，可以得到当前样例属于不同种类的概率分布情况。
63.现有方案中利用卷积神经网络对图像进行识别的设计较多，本发明的实施例在此不再赘述。
64.可以理解的是，在本发明的实施例中，所述第一神经网络和所述第二神经网络都可以被训练为识别同一目标对象(如电瓶车)；也可以被训练为识别不同目标对象，如所述第一神经网络被训练为识别电瓶车，所述第二神经网络被训练为识别自行车等。对此，本发明的实施方式不作限制。
65.所述分析单元108，用于根据预设分析条件，对所述第一目标识别信息和所述第二目标识别信息进行比较分析，得到分析数据；
66.在本发明的实施例中，所述多个目标图像在经过所述第一神经网络和所述第二神经网络分别处理后，分别得到所述第一目标识别信息和所述第二目标识别信息。因所述第一神经网络和所述第二神经网络的结构不同(如卷积层、池化层、全连接层个数不同，或者采用的权重不同，或者过滤器设置不同等)或者训练时采用的训练集不同等原因，所述第一目标识别信息和所述第二目标识别信息会存在差异，此时，需要利用预设分析条件(如历史识别率水平、识别率差值等)对二者进行比较分析，得到分析数据。如所述第一神经网络和所述第二神经网络都被训练为识别同一目标，所述第一神经网络识别率为80％，而所述第二神经网络可能为90％，此时就可采信所述第二神经网络的识别结果；但如果所述第一神经网络识别率为50％，所述第二神经网络可能为90％，而所述第一神经网络历史识别率为95％，所述第二神经网络历史识别率为30％，则在本次识别中，所述第一神经网络的识别可信度要高些。
67.另外，还可能训练所述第一神经网络用来识别目标1(如电瓶车)，训练所述第二神经网络用来识别目标2(如自行车)，当所述第一神经网络识别率为50％，所述第二神经网络可能为90％，那么此次识别结果为目标2的可信度要高些。
68.以上对所述第一目标识别信息和所述第二目标识别信息进行比较分析，可以结合所述第一神经网络和所述第二神经网络各自的历史识别率水平、识别率差值等因子，进行加权计算，以得到所述分析数据。
69.所述识别结果输出单元110，用于基于所述分析数据，输出识别结果；
70.所述警示单元112，用于当识别结果表明所述疑似对象为真时，发出警示。
71.在本发明的实施例中，基于所述分析单元108输出的所述分析数据，所述识别结果输出单元110输出识别结果，当识别结果表明所述疑似对象为真时，发出警示。在本方案中，当表明所述疑似对象为电瓶车的识别结论为真时，发出警示。所述警示可以是播放电瓶车禁入的语音，也可以是因为电瓶车进入而电梯设备停止运行的提醒，还可以将警示信息发送至物业管理平台或物业管理人员配备的终端设备等。本发明的实施例对此不作限制。
72.可以看出，上述技术方案中，首先，通过图像获取单元获取实时图像，并发送至第一服务器，由所述第一服务器分析所述实时图像中是否存在疑似对象；当所述实时图像中存在疑似对象时，所述图像获取单元获取所述疑似对象的多个目标图像，并将所述多个目标图像发送至所述神经网络服务器；其次，由所述神经网络服务器分别基于第一神经网络和第二神经网络对所述多个目标图像进行分析，形成第一目标识别信息和第二目标识别信息；然后，由分析单元根据预设分析条件，对所述第一目标识别信息和所述第二目标识别信息进行比较分析，得到分析数据；接着，识别结果输出单元基于所述分析数据，输出识别结
果；最后，当识别结果表明所述疑似对象为真时，由警示单元发出警示，以阻止电瓶车进梯上楼。本技术的方案，通过第一服务器、神经网络服务器及其多个神经网络的设置，不仅能第一时间识别出电瓶车，也极大地提高了识别精度，避免出现误判的情况。
73.可选地，所述基于视频监控的电瓶车智能管理系统，还包括图像预处理单元，所述图像预处理单元集成于所述图像获取单元或所述第一服务器；所述图像预处理单元，用于将所述图像获取单元获取的实时图像进行预处理。
74.可以理解的是，图像分析中，图像质量的好坏直接影响识别算法的设计与效果的精度，因此在图像分析前，需要进行预处理。图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性，最大限度地简化数据，从而改进特征提取、图像分割、匹配和识别的可靠性。
75.可选地，所述基于视频监控的电瓶车智能管理系统，所述预处理包括图像灰度化、平滑、倾斜校正、灰度修正。
76.在本发明的实施例中，所述预处理流程为：灰度化、几何变换、图像增强。
77.可以理解的是，在rgb模型中，如果r＝g＝b时，则彩色表示一种灰度颜色，其中r＝g＝b的值叫灰度值(又称强度值、亮度值)，因此，灰度图像每个像素只需一个字节存放灰度值，灰度范围为0-255。一般有分量法、最大值法平均值法、加权平均法四种方法对彩色图像进行灰度化。
78.图像几何变换又称为图像空间变换，通过平移、转置、镜像、旋转、缩放、倾斜校正等几何变换对采集的图像进行处理，用于改正图像采集系统的系统误差和仪器位置(成像角度、透视关系乃至镜头自身原因)的随机误差。此外，还需要使用灰度插值算法，因为按照这种变换关系进行计算，输出图像的像素可能被映射到输入图像的非整数坐标上。通常采用的方法有最近邻插值、双线性插值和双三次插值。
79.图像增强使得图像质量得到改善，隐藏细节得以提取。图像增强可分成两大类：频率域法和空间域法。频率域法把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强，采用低通滤波(即只让低频信号通过)法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。空间域法是一种直接图像增强算法，分为点运算算法和邻域去噪算法。点运算算法即灰度级校正、灰度变换(又叫对比度拉伸)和直方图修正等。邻域增强算法分为图像平滑和锐化两种。平滑常用算法有均值滤波、中值滤波、空域滤波。锐化常用算法有梯度算子法、二阶导数算子法、高通滤波、掩模匹配法等。
80.可选地，所述基于视频监控的电瓶车智能管理系统，还包括：选择单元，用于选择所述第一神经网络或所述第二神经网络作为优选神经网络，并将所述优选神经网络同步至所述第一服务器。
81.在本发明的实施例中，在分别基于所述第一神经网络和所述第二神经网络对所述多个目标图像进行分析，形成所述第一目标识别信息和所述第二目标识别信息后，对所述第一目标识别信息和所述第二目标识别信息进行比较分析，得到分析数据，同时也可基于所述分析数据对所述第一神经网络和所述第二神经网络进行评估，选择出优选神经网络，并将所述优选神经网络同步至所述第一服务器，如此，在所述第一服务器在下一次分析所述实时图像中是否存在疑似对象，可以用更高效的进行分析，降低误报率。
82.可选地，所述基于视频监控的电瓶车智能管理系统，还包括：分组单元，用于将所
述多个目标图像发送至所述神经网络服务器前，按预设分组条件，将所述多个目标图像分成第一组目标图像和第二组目标图像；所述神经网络服务器，用于使用所述第一神经网络分析第一组目标图像，以检测所述第一组目标图像中的疑似对象，从而产生所述第一目标识别信息；还用于使用所述第二神经网络分析第二组目标图像，以检测所述第二组目标图像中的疑似对象，从而产生所述第二目标识别信息。
83.在本发明的实施例中，所述预设分组条件可为拍摄时段、拍摄角度、光照参数等中的一个或几个。应当说明的是，所述预设分组条件与所述第一神经网络和所述第二神经网络代表的多个神经网络存在最佳匹配关系。
84.将所述多个目标图像按组预设条件分成多组后，使用所述第一神经网络分析第一组目标图像，以检测所述第一组目标图像中的疑似对象，从而产生所述第一目标识别信息；使用所述第二神经网络分析第二组目标图像，以检测所述第二组目标图像中的疑似对象，从而产生所述第二目标识别信息。这样，每组目标图像都由与之最匹配的神经网络进行处理，得到最优的识别结果，从而进一步提高了识别精度。
85.可选地，所述基于视频监控的电瓶车智能管理系统，还包括环境数据获取单元：所述环境数据获取单元，用于在所述图像获取单元获取所述疑似对象的多个目标图像的同时，获取与所述多个目标图像一一对应的多个环境数据，并将所述多个环境数据发送至所述神经网络服务器。
86.在本发明的实施例中，所述环境数据包括时间、地点、光照等。
87.可选地，所述基于视频监控的电瓶车智能管理系统，所述神经网络服务器，还用于将所述多个环境数据与所述多个目标图像建立关联；并从所述多个环境数据中提取出环境特征数据。
88.可选地，所述基于视频监控的电瓶车智能管理系统，将所述环境特征数据作为所述优选神经网络的环境条件。
89.在本发明的实施例中，将所述多个环境数据与所述多个目标图像建立关联后，根据提取的环境特征数据，结合大数据分析，可以确定出各种环境条件下对应的优选神经网络，因此在下一次识别任务发起时，可以根据拍摄当时的环境条件，选择优选神经网络，快捷高效。
90.参见图2，图2是本发明一个实施例提供的一种基于视频监控的电瓶车智能管理方法的流程示意图，这种方法可包括但不限于如下步骤：
91.s200、获取实时图像；
92.s202、对所述实时图像进行预处理后发送至所述第一服务器，或者将所述实时图像发送至所述第一服务器进行所述预处理；
93.s204、分析所述实时图像中是否存在疑似对象；
94.s206、当所述实时图像中存在疑似对象时，获取所述疑似对象的多个目标图像，并将所述多个目标图像发送至所述神经网络服务器，所述多个目标图像的拍摄参数不同；
95.s208、基于第一神经网络对所述多个目标图像进行分析，形成第一目标识别信息；
96.基于第二神经网络对所述多个目标图像进行分析，形成第二目标识别信息；
97.s210、根据预设分析条件，对所述第一目标识别信息和所述第二目标识别信息进行比较分析，得到分析数据；
98.s212、基于所述分析数据，输出识别结果；
99.s214、当识别结果表明所述疑似对象为真时，发出警示。
100.可选地，所述预处理包括图像灰度化、平滑、倾斜校正、灰度修正。
101.可选地，所述基于视频监控的电瓶车智能管理方法，还包括：
102.基于所述分析数据对所述第一神经网络和所述第二神经网络进行评估；选择所述第一神经网络或所述第二神经网络作为优选神经网络，并将所述优选神经网络同步至所述第一服务器。
103.可选地，在所述当所述实时图像中存在疑似对象时，获取所述疑似对象的多个目标图像之后、所述并将所述多个目标图像发送至所述神经网络服务器之前，还包括：
104.按预设分组条件，将所述多个目标图像分成第一组目标图像和第二组目标图像；
105.使用所述第一神经网络分析第一组目标图像，以检测所述第一组目标图像中的疑似对象，从而产生所述第一目标识别信息；
106.使用所述第二神经网络分析第二组目标图像，以检测所述第二组目标图像中的疑似对象，从而产生所述第二目标识别信息。
107.可选地，所述基于视频监控的电瓶车智能管理方法中，在所述获取所述疑似对象的多个目标图像的同时还包括步骤：
108.获取与所述多个目标图像一一对应的多个环境数据，并将所述多个环境数据发送至所述神经网络服务器。
109.可选地，所述基于视频监控的电瓶车智能管理方法中，还包括：
110.将所述多个环境数据与所述多个目标图像建立关联；
111.并从所述多个环境数据中提取出环境特征数据。
112.可选地，所述基于视频监控的电瓶车智能管理方法中，将所述环境特征数据作为所述优选神经网络的环境条件。
113.本技术涉及的一种基于视频监控的电瓶车智能管理方法的实施，可以参见前述基于视频监控的电瓶车智能管理系统的各实施例，在此不做赘述。
114.本技术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用于存储计算机程序，所述存储计算机程序被所述处理器执行，以实现以下步骤：获取实时图像；对所述实时图像进行预处理后发送至所述第一服务器，或者将所述实时图像发送至所述第一服务器进行所述预处理；分析所述实时图像中是否存在疑似对象；当所述实时图像中存在疑似对象时，获取所述疑似对象的多个目标图像，并将所述多个目标图像发送至所述神经网络服务器，所述多个目标图像的拍摄参数不同；基于第一神经网络对所述多个目标图像进行分析，形成第一目标识别信息；基于第二神经网络对所述多个目标图像进行分析，形成第二目标识别信息；根据预设分析条件，对所述第一目标识别信息和所述第二目标识别信息进行比较分析，得到分析数据；基于所述分析数据，输出识别结果；当识别结果表明所述疑似对象为真时，发出警示。
115.本技术涉及的计算机可读存储介质的具体实施可参见上述基于视频监控的电瓶车智能管理系统的各实施例，在此不做赘述。
116.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应所述知悉，本发明并不受所描述的动作顺序的限制，因
为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应所述知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
117.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
118.在本技术所提供的几个实施例中，应所述理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性或者其它的形式。
119.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
120.另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
121.所述集成的模块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或者所述技术方案的全部或部分可以以软件产品的形式体现出来，所述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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，randomaccess memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
122.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。