多输入场景识别方法、终端设备及可读存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种多输入场景识别方法、终端设备及可读 存储介质。


背景技术：

2.目前深度学习在图像识别领域上有着长足的进展，很多图像状态都可以使用深度学 习模型来进行识别，且能达到一个令人满意的效果，同时在移动终端也可以使用模型来 进行识别，基于此，现有一般会对手机屏幕进行截图，并使用模型进行识别的方式，对 用户游戏场景进行了识别，并通知到各个业务模块进行业务处理。但是若使用针对全图 的识别，则在功耗，训练难度以及识别效果上都存在各种各样的问题，若单一的选取某 一个特定区域也存在特征重复，识别效果差的问题，因此需要一种场景识别方法来解决 上述问题。


技术实现要素：

3.为了克服上述技术缺陷，本发明的目的在于提供多输入场景识别方法、终端设备及 可读存储介质，解决现有场景识别采用全图识别，功耗较大且难度较高的问题。
4.本发明公开了一种多输入场景识别方法，包括以下：
5.采集一应用程序下的若干场景图像，获取一场景图像，基于所述场景图像选取若干 特征区域，并根据所述特征区域截取特征图像，集合以获得所述场景图像的特征图像集；
6.根据各个所述场景图像的特征图像集以及所述场景图像的预设图像信息标签对应生 成训练样本集；
7.创建识别模型，并采用所述训练样本集对所述识别模型进行训练，其中，所述识别 模型包括同步执行的拼接识别模型、堆叠识别模型及特征提取识别模型；
8.在训练过程中分别计算所述拼接识别模型、堆叠识别模型及特征提取识别模型的准 确率，并根据所述准确率确认所述应用程序对应的最优模型；
9.获取待识别的场景图像，识别所述待识别的场景图像的对应的应用程序并调用最优 模型处理，获得包含所述待识别的场景图像对应的场景信息的目标结果。
10.优选地，采用所述训练样本集对所述识别模型进行训练，包括以下：
11.从训练样本集中获取一训练样本；
12.将所述训练样本输入至所述识别模型，分别采用拼接识别模型、堆叠识别模型及特 征提取识别模型同步处理，以获得用于确定所述训练样本中场景图像的场景信息的第一 输出、第二输出和第三输出；
13.将所述第一输出、第二输出和第三输出分别与所述场景图像的预设图像信息标签比 对，并反向调整所述拼接识别模型、堆叠识别模型及特征提取识别模型；
14.获取另一训练样本对所述识别模型，直至达到预设训练条件，停止训练。
15.优选地，采用拼接识别模型处理，以获得用于确定所述训练样本中场景图像的场景 信息的第一输出，包括以下：
16.基于所述训练样本获取所述场景图像的特征图像集；
17.将所述特征图像集中的各个特征图像输入至拼接识别模型；
18.在所述拼接识别模型中对各个特征图像进行拼接，获得一个第一处理图像；
19.采用第一深度可分离卷积网络对所述第一处理图像进行特征提取，获得第一输出。
20.优选地，采用堆叠识别模型处理，以获得用于确定所述训练样本中场景图像的场景 信息的第二输出，包括以下：
21.基于所述训练样本获取所述场景图像的特征图像集；
22.将所述特征图像集中的各个特征图像输入至堆叠识别模型；
23.在所述堆叠识别模型中对各个特征图像进行通道堆叠，获得一个第二处理图像
24.采用第二深度可分离卷积网络对所述第一处理图像进行特征提取，获得第二输出。
25.优选地，采用特征提取识别模型处理，以获得用于确定所述训练样本中场景图像的 场景信息的第三输出，包括以下：
26.基于所述训练样本获取所述场景图像的特征图像集；
27.将所述特征图像集中的各个特征图像输入至特征提取识别模型；
28.在所述特征提取识别模型中采用若干第三深度可分离卷积网络同步对每一特征图像 进行特征提取，而后将特征提取后的各个特征图像进行合并成一个第三处理图像；
29.采用第三深度可分离卷积网络基于所述第三处理图像进行处理，获得第三输出。
30.优选地，所述分别所述拼接识别模型、堆叠识别模型及特征提取识别模型的准确率， 并根据所述准确率确认与所述应用程序对应的最优模型，包括以下：
31.获取一应用程序的各个场景图像及其对应的特征图像集；
32.采集每一次训练下所述拼接识别模型、堆叠识别模型及特征提取识别模型的第一输 出、第二输出和第三输出；
33.根据所述场景图像的预设图像信息标签与每一次训练下第一输出、第二输出和第三 输出计算所拼接识别模型、堆叠识别模型及特征提取识别模型的准确率；
34.根据所述准确率筛选出确认准确率最高对应的模型作为应用程序对应的最优模型。
35.优选地，采集一应用程序下的若干场景图像，对各个所述场景图像进行类别标记， 包括以下：
36.获取一应用程序，并运行所述应用程序；
37.在所述应用程序运行时录屏，以获得所述应用程序的视频，并对所述视频进行分帧， 以生成所述应用程序下的场景图像；
38.根据预设分类规则对各个所述场景图像进行预设图像信息标签标记。
39.优选地，获取待识别的场景图像，包括以下：
40.接收一应用程序启动信号，调用所述应用程序对应的最优模型；
41.对所述应用程序进行监控，根据预设设置参数在应用程序中的运行画面进行截
取， 以获得画面截图；
42.对所述画面截图确定特征区域并标记，获得待识别的场景图像。
43.本发明还提供一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器 上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述多输入 场景识别方法的步骤。
44.本发明还提供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，所 述计算机程序被处理器执行时实现上述多输入场景识别方法的步骤
45.采用了上述技术方案后，与现有技术相比，具有以下有益效果：
46.通过将应用程序的场景图像进行多个特征区域的拆分来进行游戏场景的识别，大大 的减少模型训练数据的规模，更快的训练出较好的模型，同时由于特征区域对应的图大 小要比整体场景图像小，能节省更多图片预处理的时间和功耗，同时利用特征区域去除 一些冗余的信息，进一步提高识别结果准确性。
附图说明
47.图1为本发明所述多输入场景识别方法、终端设备及可读存储介质实施例一的流程 图；
48.图2为本发明所述多输入场景识别方法、终端设备及可读存储介质实施例一中采用 所述训练样本集对所述识别模型进行训练的流程图；
49.图3本发明所述多输入场景识别方法、终端设备及可读存储介质实施例一中拼接识 别模型的结构示意图；
50.图4为本发明所述多输入场景识别方法、终端设备及可读存储介质实施例一中堆叠 识别模型的结构示意图；
51.图5为本发明所述多输入场景识别方法、终端设备及可读存储介质实施例一中特征 提取识别模型的结构示意图；
52.图6为本发明所述多输入场景识别方法、终端设备及可读存储介质实施例一中训练 样本的示例图；
53.图7为本发明所述多输入场景识别方法、终端设备及可读存储介质实施例一中确认 与所述应用程序对应的最优模型的流程图；
54.图8为本发明所述多输入场景识别方法、终端设备及可读存储介质实施例二的设备 模块示意图。
55.附图标记：
56.6-终端设备；61-存储器；62-处理器；63-用于多输入场景识别方法的处理模块。
具体实施方式
57.以下结合附图与具体实施例进一步阐述本发明的优点。
58.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附 图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施 例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如 所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
59.在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在 本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括 多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或
”ꢀ
是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
60.应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这 些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不 脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以 被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……ꢀ
时”或“当
……
时”或“响应于确定”。
61.在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、
ꢀ“
左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基 于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗 示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为 对本发明的限制。
62.在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、
ꢀ“
连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连 通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言， 可以根据具体情况理解上述术语的具体含义。
63.在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有 利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
64.实施例一：本实施例提供一种多输入场景识别方法，参阅图1，包括以下步骤：
65.s100：采集一应用程序下的若干场景图像，获取一场景图像，基于所述场景图像选 取若干特征区域，并根据所述特征区域截取特征图像，集合以获得所述场景图像的特征 图像集；
66.在上述步骤中，针对特征区域的选取可以是预先设定的，如观察每个场景之间的特 征点，且每个场景能区分开的特征点，总结归纳，选取明显的特征区分位置若干个。选 取的区域要尽可能的小，且特征明显，或者，如设置一预设列表，该预设列表中包括每 一应用程序的信息及其对应的特征区域位置集合，该预设列表可以是预存在数据库中， 应用程序及其对应的特征区域位置集合可以是人工标记后存储在数据库中，也可以是由 训练好的模型自主识别确定的，具体的，可以建立一目标检测模型，采集样本并训练， 如可以使得该目标检测模型在一应用程序首次打开并进入引导界面时根据亮度变化筛选 出符合预设条件的区域作为特征区域，并基于此获得特征区域位置集合，可以是引导界 面中亮度超出阈值的区域，也可以是引导界面中亮度增加的区域，当该模型获得特征区 域位置集合后，还可将该应用程序的信息及获得的特征区域位置集合对应存储到数据库 中，以便随着应用程序的更新对上述预设列表进行更新。
67.具体的，上述步骤中采集一应用程序下的若干场景图像，对各个所述场景图像进行 类别标记，包括以下：
68.s110：获取一应用程序，并运行所述应用程序；
69.在本实施方式中，该应用程序可以包括移动终端上任一个应用程序，包括但不限于 各类游戏，在此以一游戏作为示例。
70.s120：在所述应用程序运行时录屏，以获得所述应用程序的视频，并对所述视频进 行分帧，以生成所述应用程序下的场景图像；
71.在上述步骤中，通过分帧将录屏后得到的视频数据转换成图片数据，即上述应用程 序下的场景图像。
72.s130：根据预设分类规则对各个所述场景图像进行预设图像信息标签标记。
73.具体的，将场景图像进行预设图像信息标签标记，作为举例的，如标记成“loading”、
ꢀ“
waiting”等，根据游戏想要的场景进行分类，在识别过程中可迅速根据各个特征区域 图像识别，以游戏举例，预先根据游戏可能的场景进行分类，在拿到场景图像后进行对 比，判断哪些位置反映了各个场景的特征，再进行综合选取，来确定需要几个输入就能 判断出所有的场景。
74.s200：根据各个所述场景图像的特征图像集以及所述场景图像的预设图像信息标签 对应生成训练样本集；
75.在上述步骤中，可通过脚本将数据根据特定区域进行截图，并保存到数据目录中， 即生成所述场景图像的特征图像集，生成训练样本集的过程中会对前述的特征图像集以 及所述场景图像的预设图像信息标签进行格式标准化处理，即转换成下述识别模型可用 的训练样本集，可参考图6示例。
76.s300：创建识别模型，并采用所述训练样本集对所述识别模型进行训练，其中，所 述识别模型包括同步执行的拼接识别模型、堆叠识别模型及特征提取识别模型；
77.具体的，在上述步骤中，采用所述训练样本集对所述识别模型进行训练，参阅图2， 包括以下：
78.s310：从训练样本集中获取一训练样本；
79.作为举例的是，每一训练样本均包括一场景图像、该场景图像的特征图像集以及该 场景图像的预设图像信息标签。
80.s320：将所述训练样本输入至所述识别模型，分别采用拼接识别模型、堆叠识别模 型及特征提取识别模型同步处理，以获得用于确定所述训练样本中场景图像的场景信息 的第一输出、第二输出和第三输出；
81.在上述步骤中，拼接识别模型、堆叠识别模型及特征提取识别模型均用于将训练样 本中的特征图像集中各个特征图像进行拼合，并在拼接后进行特征识别。区别在于，拼 接识别模型将各个特征图像进行拼接后识别特征，堆叠识别模型将各个特征图像进行堆 叠后识别特征，特征提取识别模型将各个特征图像特征识别后再拼接，最后再次识别特 征，以分别获得第一输出、第二输出和第三输出。本实施方式中以特征图像集中包含3 个特征图像为例说明。
82.具体的，在上述步骤中，采用各个模型分别处理的步骤包括以下：
83.参阅图3，采用拼接识别模型处理，以获得用于确定所述训练样本中场景图像的场景 信息的第一输出，包括以下：
84.s320-11：基于所述训练样本获取所述场景图像的特征图像集；
85.上述生成训练样本后存储于数据库中，在每一次训练过程中，从数据库中逐个获
取 一训练样本即可。
86.s320-12：将所述特征图像集中的各个特征图像输入至拼接识别模型；
87.s320-13：在所述拼接识别模型中对各个特征图像进行拼接，获得一个第一处理图像；
88.在上述步骤中，主要是将游戏场景中的3个区域作为模型的3个输入，模型的功能 主要是将3个输入的图片先进行拼接，拼接成一张图片，3个输入的图片包3个通道，在 每一通道上对应拼接，即拼接后获得的图像也包含3个通道。
89.s320-14：采用第一深度可分离卷积网络对所述第一处理图像进行特征提取，获得第 一输出。
90.在上述步骤中，第一深度可分离卷积网络为基于mobilenetv1修改而来的模型，具 体的修改体现为将其中卷积层数减少，以适用于移动终端，减少内存占用，mobilenets 基于一种流线型结构使用深度可分离卷积来构造轻型权重深度神经网络，深度可分离卷 积是一种将标准卷积分解成深度卷积以及一个1x1的卷积即逐点卷积。对于mobilenet 而言，深度卷积针对每个单个输入通道应用单个滤波器进行滤波，然后逐点卷积应用1x1 的卷积操作来结合所有深度卷积得到的输出。这种分解能够有效的大量减少计算量以及 模型的大小。mobilenet v1用深度可分离卷积(depthwise separable convolution)代替普通的 卷积，并使用宽度乘数(width multiply)减少参数量，不过减少参数的数量和操作的同时也 会使特征丢失导致精度下降。其卷积层中除了第一层为标准卷积层外，其他都是深度可 分离卷积，卷积后接了一个平均池化层，之后通过全连接层，最后利用softmax激活函 数将全连接层输出归一化到0-1的一个概率值，根据概率值的高低可以得到图像的分类 情况。
91.参阅图4，采用堆叠识别模型处理，以获得用于确定所述训练样本中场景图像的场景 信息的第二输出，包括以下：
92.s320-21：基于所述训练样本获取所述场景图像的特征图像集；
93.与上述步骤s320-11对应相似的，在此不做赘述。
94.s320-22：将所述特征图像集中的各个特征图像输入至堆叠识别模型；
95.s320-23：在所述堆叠识别模型中对各个特征图像进行通道堆叠，获得一个第二处理 图像；
96.在上述步骤中，主要是将游戏场景中的3个区域作为模型的3个输入，模型的功能 主要是将3个输入的图片先进行堆叠，如将3通道的图片堆叠成9通道，第二处理图像 中就包含了所有3张图片的信息。
97.s320-24：采用第二深度可分离卷积网络对所述第一处理图像进行特征提取，获得第 二输出。
98.在上述步骤中，第二深度可分离卷积网络与第一深度可分离卷积网络相似，均为基 于mobilenetv1修改而来的模型，具体的修改体现为将其中卷积层数减少，以适用于移 动终端，具体的可参考上述步骤s320-14，第二深度可分离卷积网络与第一深度可分离卷 积网络中的卷积层数可以一致，也可以不一致，具体可根据实际使用的移动终端设置。
99.参阅图5，采用特征提取识别模型处理，以获得用于确定所述训练样本中场景图像的 场景信息的第三输出，包括以下：
100.s320-31：基于所述训练样本获取所述场景图像的特征图像集；
101.与上述步骤s320-11对应相似的，在此不做赘述。
102.s320-32：将所述特征图像集中的各个特征图像输入至特征提取识别模型；
103.s320-33：在所述特征提取识别模型中采用若干第三深度可分离卷积网络同步对每一 特征图像进行特征提取，而后将特征提取后的各个特征图像进行合并成一个第三处理图 像；
104.在上述步骤，将游戏场景中的3个区域作为模型的3个输入，模型的功能主要是将3 个输入的图片先进行特征的提取，即由3张图片进行特征提取，然后将3个输入的特征 进行合并，再接着做特征提取。
105.s320-34：采用第三深度可分离卷积网络基于所述第三处理图像进行处理，获得第三 输出。
106.在上述步骤中，第三深度可分离卷积网络与第一深度可分离卷积网络相似，均为基 于mobilenetv1修改而来的模型，具体的修改体现为将其中卷积层数减少，以适用于移 动终端，具体的可参考上述步骤s320-14，第二深度可分离卷积网络与第一深度可分离卷 积网络中的卷积层数可以一致，也可以不一致，具体可根据实际使用的移动终端设置， 该模型即修改后的mobilenetv1，但是其顶部结构被改造为由3个输入特征提取后合并 的操作。该特征提取识别模型能更好的提取每个输入的特征，不会在开始时就混淆了各 个输入的信息。
107.s330：将所述第一输出、第二输出和第三输出分别与所述场景图像的预设图像信息 标签比对，并反向调整所述拼接识别模型、堆叠识别模型及特征提取识别模型；
108.s340：获取另一训练样本对所述识别模型，直至达到预设训练条件，停止训练。
109.在上述步骤中，预设训练条件可以是训练次数，也可以是将所述第一输出、第二输 出和第三输出分别与所述场景图像的预设图像信息标签比对差值达到预设阈值范围，具 体可根据实际使用场景设置。
110.s400：在训练过程中分别计算所述拼接识别模型、堆叠识别模型及特征提取识别模 型的准确率，并根据所述准确率确认所述应用程序对应的最优模型；
111.具体的，在上述步骤中，所述分别所述拼接识别模型、堆叠识别模型及特征提取识 别模型的准确率，并根据所述准确率确认与所述应用程序对应的最优模型，参阅图7，包 括以下：
112.s410：获取一应用程序的各个场景图像及其对应的特征图像集；
113.s420：采集每一次训练下所述拼接识别模型、堆叠识别模型及特征提取识别模型的 第一输出、第二输出和第三输出；
114.根据上述s300即可获得每一训练过程下的第一输出、第二输出和第三输出。
115.s430：根据所述场景图像的预设图像信息标签与每一次训练下第一输出、第二输出 和第三输出计算所述拼接识别模型、堆叠识别模型及特征提取识别模型的准确率；
116.具体的，在上述步骤中，计算准确率可以采用相似度算法，具体的作为举例的，如 分别计算每一训练过程中第一输出、第二输出和第三输出与预设图像信息标签之间的欧 式距离等；除了相似度算法，其他用于计算预设图像信息标签与每一次训练下第一输出、 第二输出和第三输出之间的差值的也可用于此。
117.s440：根据所述准确率筛选出确认准确率最高对应的模型作为应用程序对应的最
优 模型。
118.s500：获取待识别的场景图像，识别所述待识别的场景图像的对应的应用程序并调 用最优模型处理，获得包含所述待识别的场景图像对应的场景信息的目标结果。
119.在上述步骤s300～s400中对所述识别模型进行训练以及确定最优模型均可以在服务 端执行，也可在移动终端执行，若在服务器端执行在移动终端根据应用程序预先获取识 别模型中具体的模型即可。
120.具体的，在上述步骤获取待识别的场景图像，包括以下：
121.s510：接收一应用程序启动信号，调用所述应用程序对应的最优模型；
122.在上述步骤中，可以根据用户id获得启动的应用程序参数，根据用户id对识别模 型中与该应用程序的匹配最优模型进行下载。
123.s520；对所述应用程序进行监控，根据预设设置参数在应用程序中的运行画面进行 截取，以获得画面截图；
124.具体的，上述预设设置参数可以是预设帧数采集频率或者是预设时间间隔，即对满 足需求的运行画面进行场景识别，以获得包含场景信息的目标结果。
125.s530：对所述画面截图确定特征区域并标记，获得待识别的场景图像。
126.在上述步骤中，可参考步骤s100所述，可以利用预设列表，获得与该应用程序匹配 的特征区域位置集合确定特征区域并标记，特征区域相对整图的比例较小，以便能够获 取到足够多的特征信息，能够更快，更准确的提供游戏的场景信息。
127.在本实施例所述的方案中，通过将应用程序的场景图像进行多个特征区域的拆分来 训练模型，并在移动终端上使用进行游戏场景的识别。这样能大大的减少模型训练数据 的规模，更快的训练出较好的模型，同时由于识别图片的大小要比原来的小，能节省更 多图片预处理的时间和功耗，另一个目的就是在选取特征区域后，能把区分的特征集中 化，去除一些冗余的信息，能使识别的效果更加优秀。由于部分应用程序，如游戏场景 非巨变的特殊性，这样的多输入模型可以更快，更好的满足游戏场景识别的需求。
128.使用一张场景图像中多个区域作为模型输入进行场景识别，由于多个区域作为输入， 减少了单区域多场景重复或者相似的情况导致识别失效的可能，多个特征区域也可以防止 全图进行识别冗余信息过多，导致识别效果差的问题，移动终端手在识别模型内部对图片数 据进行拼合(具体包括上述三种拼接方式)，模型运行在dsp或者gpu上，可以加快图 片的处理，减少cpu的压力，同时冗余信息的减少，可以大大的加快模型的收敛速度， 同时对数据量的要求也大大降低了。
129.实施例二：
130.为实现上述目的，本发明还提供一种终端设备6，参阅图8，智能终端可以以各种形 式来实施。例如，本发明中描述的终端可以包括诸如移动电话、智能电话、笔记本电脑、 pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、导航装置等等的智 能终端以及诸如数字tv、台式计算机等等的固定终端。然而，本领域技术人员将理解的 是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固 定类型的终端。本实施例的终端设备至少包括但不限于：可通过系统总线相互通信连接 的存储器61、处理器62以及用于多输入场景识别方法的处理模块63，如图8所示。需 要指出的是，图8仅示出了具有组件的终端设备，但是应理解的是，并不要求实施所有 示出的组件，可以替代
的实施更多或者更少的组件。
131.本实施例中，存储器61可以包括存储程序区和存储数据区，其中，存储程序区可存 储搡作系统、至少一个功能所需要的应用程序；存储数据区可存储用户在终端设备的皮 肤数据信息。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储 器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实 施例中，存储器61可选包括相对于处理器远程设置的存储器61，这些远程存储器可以通 过网络连接6。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。
132.处理器62在一些实施例中可以是中央处理器(central processing unit，cpu)、控制 器、微控制器、微处理器、或其他数据处理芯片。该处理器692通常用于控制终端设备 的总体操作。本实施例中，处理器62用于运行存储器61中存储的程序代码或者处理数 据，例如运行用于多输入场景识别方法的处理模块63，以实现实施例一的用于多输入场 景识别方法。
133.需要指出的是，图8仅示出了具有部件61-62的终端设备6，但是应理解的是，并不 要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
134.在本实施例中，存储于存储器61中的用于多输入场景识别方法的处理模块63还可 以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器61中， 并由一个或多个处理器(本实施例为处理器62)所执行，以完成本发明。
135.实施例三：
136.为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质， 如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读 存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、 app应用商城等等，其上存储有计算机程序，程序被处理器62执行时实现相应功能。本 实施例的计算机可读存储介质用于存储用于多输入场景识别方法的处理模块63，被处理 器62执行时实现实施例一的多输入场景识别方法。
137.应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限 制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效 实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作 的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。