目标多部位关联方法及装置、终端、计算机可读存储介质与流程

1.本发明涉及图像处理技术领域，特别是涉及一种目标多部位关联方法及装置、终端、计算机可读存储介质。


背景技术：

2.安防监控中，为提升目标检测的准确率，将目标进行了多部位标注。例如，目标为人时，会检测人头，头肩和人体等部位。不同部位检测结果互相独立，同一目标的不同部位之间没有关联。目前已有的多部位关联技术为两步法：第一步进行目标检测，获取到所有检测框；第二步使用检测框的交并比结果或者其他经验参数确定同一目标的不同部位的检测框的关联关系。通过手工特征挑选经验参数确定检测框关联关系的方法泛化性能弱，只能针对固定场景和特定待处理部位进行关联，目标需关联部位数量和位置特点都不能随意改变，实用性不强。


技术实现要素：

3.本发明主要解决的技术问题是提供一种目标多部位关联方法及装置、终端、计算机可读存储介质，解决现有技术中目标多部位检测框关联的泛化性能弱的问题。
4.为解决上述技术问题，本发明采用的第一个技术方案是：提供一种目标多部位关联方法，目标多部位关联方法包括：检测出待检测图像中至少一个目标的多个待处理部位；对多个待处理部位中各个待处理部位对应的图像区域进行特征提取，得到各个待处理部位各自对应的部位特征；根据获取的各个部位特征之间的相似度，确定至少一个待处理部位特征集；其中，一个部位特征集中包含同一目标的不同部位对应的部位特征；将每个待处理部位特征集包含的各个部位特征对应的待处理部位进行关联。
5.其中，根据获取的各个部位特征之间的相似度，确定至少一个待处理部位特征集，包括：将各个待处理部位各自对应的部位特征中，与目标部位特征的相似度大于相似度阈值的其它部位特征和目标部位特征组成的集合，确定为一个待处理部位特征集；其中，目标部位特征是各个待处理部位各自对应的部位特征中的任意部位特征。
6.其中，检测出待检测图像中至少一个目标的多个待处理部位，还包括：检测出多个待处理部位中各个待处理部位对应的检测类别；将各个待处理部位各自对应的部位特征中，与目标部位特征的相似度大于相似度阈值的其它部位特征和目标部位特征组成的集合，确定为一个待处理部位特征集，之前还包括：基于检测出的各个检测类别，从各个待处理部位中确定出各个候选部位，候选部位与目标部位特征对应的待处理部位的检测类别不同；确定各个候选部位对应的部位特征与目标部位特征之间的相似度。
7.其中，相似度阈值是基于第一检测类别对应的类别特征与第二检测类别对应的类别特征之间的相似程度确定的，第一检测类别是目标部位特征对应的待处理部位的检测类别，第二检测类别是候选部位对应的检测类别。
8.其中，将每个待处理部位特征集包含的各个部位特征对应的待处理部位进行关
联，包括：分别将每个待处理部位特征集作为待关联部位特征集，进行如下处理：将待关联部位特征集包含的各个部位特征进行关联；以及根据关联的各个部位特征，将待关联部位特征集包含的各个部位特征对应的待处理部位进行关联；并对待关联部位特征集包含的各个部位特征对应的待处理部位配置同一标识信息。
9.其中，检测出待检测图像中至少一个目标的多个待处理部位，包括：通过卷积神经网络对获取的待检测图像进行特征提取，得到特征图；其中，卷积神经网络是基于多张训练样本图像进行训练得到的，训练样本图像中对包含的历史目标的各个待处理部位、各个待处理部位的检测类别进行标注，且训练图像中对历史目标的各个待处理部位的关联关系进行标注；对特征图进行目标检测，得到至少一个目标的多个待处理部位。
10.其中，卷积神经网络是通过如下方式得到的：获取训练样本集，训练样本图像中包含历史目标的各个待处理部位、各个待处理部位的检测类别进行标注，且训练图像中对历史目标的各个待处理部位的关联关系进行标注；通过初始卷积神经网络对图像进行检测，得到历史目标的预测部位、预测部位的预测类别以及各个预测部位的关联关系；通过历史目标对应的标注的待处理部位与预测部位、各个待处理部位标注的检测类别与预测部位的预测类别、历史目标标注的各个待处理部位的关联关系与各个预测部位的关联关系构建损失函数；利用损失函数对初始卷积神经网络进行迭代训练得到卷积神经网络。
11.为解决上述技术问题，本发明采用的第二个技术方案是：提供一种目标多部位关联装置，目标多部位关联装置包括：检测模块，用于检测出待检测图像中至少一个目标的多个待处理部位；特征提取模块，用于对多个待处理部位中各个待处理部位对应的图像区域进行特征提取，得到各个待处理部位各自对应的部位特征；分析模块，用于根据获取的各个部位特征之间的相似度，确定至少一个待处理部位特征集；其中，一个部位特征集中包含同一目标的不同部位对应的部位特征；处理模块，用于将每个待处理部位特征集包含的各个部位特征对应的待处理部位进行关联。
12.为解决上述技术问题，本发明采用的第三个技术方案是：提供一种终端，该终端包括存储器、处理器以及存储于存储器中并在处理器上运行的计算机程序，处理器用于执行程序数据以实现上述目标多部位关联方法中的步骤。
13.为解决上述技术问题，本发明采用的第四个技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述目标多部位关联方法中的步骤。
14.本发明的有益效果是：区别于现有技术的情况，提供的一种目标多部位关联方法及装置、终端、计算机可读存储介质，目标多部位关联方法检测出待检测图像中至少一个目标的多个待处理部位；对多个待处理部位中各个待处理部位对应的图像区域进行特征提取，得到各个待处理部位各自对应的部位特征；根据获取的各个部位特征之间的相似度，确定至少一个待处理部位特征集；其中，一个部位特征集中包含同一目标的不同部位对应的部位特征；将每个待处理部位特征集包含的各个部位特征对应的待处理部位进行关联。本技术通过对待检测图像进行检测得到多个待处理部位，并对待处理部位进行特征提取得到部位特征，使用高层特征信息，该部位特征含有丰富的上下文全局信息，更方便检测各待处理部位对应的部位特征之间的相似度，根据部位特征之间的相似度确定具有关联关系的部位特征，减少了关联过程中的计算量，根据相关联的部位特征确定相互关联的待检测部位，
提升了关联准确性和泛化性能。
附图说明
15.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
16.图1是本发明提供的目标多部位关联方法的流程示意图；
17.图2是本发明提供的目标多部位关联方法一具体实施例的流程示意图；
18.图3是图2提供的目标多部位关联方法中步骤s201一具体实施例的流程示意图；
19.图4是图2提供的目标多部位关联方法中卷积神经网络的流程示意图；
20.图5是本发明提供的目标多部位关联装置的结构框图；
21.图6是本发明提供的终端一实施方式的示意框图；
22.图7是本发明提供的计算机可读存储介质一实施方式的示意框图。
具体实施方式
23.下面结合说明书附图，对本技术实施例的方案进行详细说明。
24.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
25.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
26.为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明所提供的一种目标多部位关联方法做进一步详细描述。
27.请参阅图1，图1是本发明提供的目标多部位关联方法的流程示意图。本实施例中提供一种目标多部位关联方法，该目标多部位关联方法包括如下步骤。
28.s11：检测出待检测图像中至少一个目标的多个待处理部位。
29.具体地，通过卷积神经网络对获取的待检测图像进行特征提取，得到特征图；其中，卷积神经网络是基于多张训练样本图像进行训练得到的，训练样本图像中对包含的历史目标的各个待处理部位、各个待处理部位的检测类别进行标注，且训练图像中对历史目标的各个待处理部位的关联关系进行标注；对特征图进行目标检测，得到至少一个目标的多个待处理部位。
30.在一可选实施例中，检测出多个待处理部位中各个待处理部位对应的检测类别。
31.s12：对多个待处理部位中各个待处理部位对应的图像区域进行特征提取，得到各个待处理部位各自对应的部位特征。
32.具体地，分割包含待处理部位对应的图像区域并进行卷积，得到区域图像对应的部位特征。
33.在一可选实施例中，基于检测出的各个检测类别，从各个待处理部位中确定出各
个候选部位，候选部位与目标部位特征对应的待处理部位的检测类别不同；确定各个候选部位对应的部位特征与目标部位特征之间的相似度。
34.s13：根据获取的各个部位特征之间的相似度，确定至少一个待处理部位特征集。
35.具体地，将各个待处理部位各自对应的部位特征中，与目标部位特征的相似度大于相似度阈值的其它部位特征和目标部位特征组成的集合，确定为一个待处理部位特征集；其中，目标部位特征是各个待处理部位各自对应的部位特征中的任意部位特征。相似度阈值是基于第一检测类别对应的类别特征与第二检测类别对应的类别特征之间的相似程度确定的，第一检测类别是目标部位特征对应的待处理部位的检测类别，第二检测类别是候选部位对应的检测类别。
36.s14：将每个待处理部位特征集包含的各个部位特征对应的待处理部位进行关联。
37.具体地，将待关联部位特征集包含的各个部位特征进行关联；以及根据关联的各个部位特征，将待关联部位特征集包含的各个部位特征对应的待处理部位进行关联；并对待关联部位特征集包含的各个部位特征对应的待处理部位配置同一标识信息。
38.本实施例提供的目标多部位关联方法检测出待检测图像中至少一个目标的多个待处理部位；对多个待处理部位中各个待处理部位对应的图像区域进行特征提取，得到各个待处理部位各自对应的部位特征；根据获取的各个部位特征之间的相似度，确定至少一个待处理部位特征集；其中，一个部位特征集中包含同一目标的不同部位对应的部位特征；将每个待处理部位特征集包含的各个部位特征对应的待处理部位进行关联。本技术通过对待检测图像进行检测得到多个待处理部位，并对待处理部位进行特征提取得到部位特征，使用高层特征信息，该部位特征含有丰富的上下文全局信息，更方便检测各待处理部位对应的部位特征之间的相似度，根据部位特征之间的相似度确定具有关联关系的部位特征，减少了关联过程中的计算量，根据相关联的部位特征确定相互关联的待检测部位，提升了关联准确性和泛化性能。
39.请参阅图2至图4，图2是本发明提供的目标多部位关联方法一具体实施例的流程示意图；图3是图2提供的目标多部位关联方法中步骤s201一具体实施例的流程示意图；图4是图2提供的目标多部位关联方法中卷积神经网络的流程示意图。
40.本实施例中提供一种目标多部位关联方法，该方法方便对目标对象进行跟踪，可以进一步提高跟踪目标对象的准确性。该目标多部位关联方法包括如下步骤。
41.s201：训练得到卷积神经网络。
42.具体地，请参阅图3，对初级卷积神经网络进行训练得到卷积神经网络的具体步骤如下。
43.2011：获取训练样本集。
44.具体地，获取多张包含历史目标的图像，多张包含历史目标的图像组成训练样本集，对图像中历史目标的待处理部位进行标注，各个待处理部位的检测类别进行标注，且训练图像中对历史目标的各个待处理部位的关联关系进行标注。例如，图像中的历史目标可以为人，对图像中人的人头、头肩和人体三个部位进行标注，标注人头检测框、头肩检测框和人体检测框，并对人头的检测类别、头肩的检测类别以及人体的检测类别进行标注。例如，对于第k个历史目标的不同部位的检测框和检测类别全部标注为k。其中，历史目标的部位数量也可以为多个，在此不做限制。
45.针对不同的检测目标，可以设定相对应的训练样本集对初始卷积神经网络模型进行训练。如后续需要通过训练得到的卷积神经网络检测人的多个部位，则需要通过多张包含人的图像对初始卷积神经网络进行训练。
46.2012：通过初始卷积神经网络对图像进行检测，得到历史目标的预测部位、预测部位的预测类别以及预测部位与各个预测部位的关联关系。
47.具体地，初始卷积神经网络包括初始特征提取网络、初始目标检测网络和初始归属向量生成网络。通过初始特征提取网络对训练样本集中的图像进行特征提取，得到目标特征图。通过初始目标检测网络对目标特征图中的部位进行检测，得到历史目标的预测部位以及预测部位的预测类别；通过初始归属向量生成网络对每个预测部位进行卷积，得到预测部位对应的一维归属向量。
48.判断两个预测部位分别对应的预测类别是否相同。如果两个预测部位分别对应的预测类别不相同，则计算两个预测部位之间的相似度，根据相似度计算预测部位与其它预测部位之间的关联关系。具体地，计算两个预测部位分别对应的一维归属向量之间的距离。其中，距离可以是欧式距离，也可以是余弦距离等。当两个预测部位分别对应的一维归属向量之间的距离小于预设值，则表明两个一维归属向量之间相关联。根据上述方法依次判断两两预测部位分别对应的一维归属向量之间是否相关联。当确定相关联的一维归属向量时，将一维归属向量对应的预测部位进行关联，得到各个预测部位的关联关系。
49.2013：通过同一目标标注的待处理部位与预测部位、标注的待处理部位的检测类别与预测部位的预测类别、标注的各个待处理部位的关联关系与各个预测部位的关联关系构建损失函数。
50.具体地，对同一目标标注的待处理部位与预测部位、标注的待处理部位的检测类别与预测部位的预测类别、标注的各个待处理部位的关联关系和各个预测部位之间的关联关系之间的误差值进行计算。在一具体实施例中，损失函数为交叉熵损失cross-entropy loss。
51.2014：利用损失函数对初始卷积神经网络进行迭代训练得到卷积神经网络。
52.具体地，通过同一目标对应的相互关联的标注的待处理部位与预测部位、标注的待处理部位的检测类别与预测部位的预测类别、标注的各个待处理部位的关联关系和各个预测部位之间的关联关系之间的误差值对初始卷积神经网络进行迭代训练得到卷积神经网络。
53.在一可选实施例中，初始卷积神经网络的结果反向传播，根据损失函数反馈的损失值对初始卷积神经网络的权重进行修正。也就是说，根据损失函数反馈的损失值对初始特征提取网络、初始目标检测网络和初始归属向量生成网络中的权重进行修正。在一可选实施例中，也可以对初始卷积神经网络中的参数进行修正，实现对初始卷积神经网络的训练。
54.将训练图像输入到初始卷积神经网络中，初始卷积神经网络对图像中的目标的部位进行预测和关联。当同一目标对应的相互关联的标注的待处理部位与预测部位、标注的待处理部位的检测类别与预测部位的预测类别、标注的各个待处理部位的关联关系和各个预测部位之间的关联关系之间的的误差值小于预设阈值，预设阈值可以自行设置，例如1％、5％等，则停止对初始卷积神经网络的训练并获得卷积神经网络。其中，卷积神经网络
包括特征提取网络、目标检测网络和归属向量生成网络。
55.通过初始卷积神经网络训练得到卷积神经网络，可以增加网络的泛化性，促进卷积神经网络学习鲁棒的高级特征的提取，提升了特征关联的精确度。
56.s202：获取待检测图像。
57.具体地，通过图像采集设备获取待检测的图像。待检测图像中包含目标对象。目标对象可以为人、动物等。其中，图像采集设备可以为摄像机、也可以是其他可以采集图像的设备。本实施例中，待检测图像是实时获取的图像。在本实施例中，待检测图像中的目标对象是人。
58.s203：通过卷积神经网络对待检测图像进行特征提取，得到特征图。
59.具体地，通过特征提取网络对待检测图像进行特征提取，得到特征图。在一具体实施例中，特征提取网络可以为resnet等下采样类型网络或是hourglass类型的沙漏网络。本实施例中，特征提取网络使用的是hourglass网络。
60.s204：对特征图进行目标检测，得到至少一个目标的多个待检测部位。
61.具体地，请参阅图4，通过目标检测网络对特征图中的部位进行检测，得到目标对象的多个待检测部位以及待检测部位的检测类别。在一具体实施例中，目标检测网络使用anchor free架构，以centernet为例，生成三个特征块，分别为目标热度图(heat-map)、目标框长宽图(wh_map)和中心点x、y偏移图(reg_map)。其中，目标热度图定义为部位的检测类别、目标框长宽图定义为包含待处理部位的区域图像的大小，中心点x、y偏移图定义为包含待处理部位的区域图像的中心点距离部位中心点的偏移量。上述得到的三个特征块即为包含待处理部位的区域图像以及包含待处理部位的区域图像中部位的检测类别。
62.s205：分割包含待处理部位的区域图像并进行卷积，得到待处理部位对应的部位特征。
63.具体地，提取检测得到的待处理部位，将包含待处理部位的区域图像进行分割，通过归属向量生成网络对待处理部位进行特征映射，提取待处理部位的部位特征。
64.s206：判断各个部位特征与目标部位特征对应的检测类别是否相同。
65.具体地，为了减少工作量，可以根据同一目标对象具有唯一的部位的特性，对具有相同类别的部位不进行判断。其中，判断各个部位特征与目标部位特征的检测类别是否相同，进而对各个部位特征与目标部位特征之间的相关性进行初步判断。
66.如果部位特征与目标部位特征分别对应的检测类别不同，则直接跳转至步骤s207；如果部位特征与目标部位特征分别对应的检测类别相同，则直接跳转至步骤s208。
67.s207：计算候选部位对应的部位特征与目标部位特征之间的相似度。
68.具体地，如果部位特征与目标部位特征分别对应的检测类别不相同，则说明部位特征与目标部位特征之间可能存在关联关系，部位特征与目标部位特征对应的待处理部位可能属于同一目标对象。则将检测类别不同的待处理部位确定为候选部位，则计算候选部位对应的部位特征与目标部位特征之间的相似度。在一具体实施例中，获取候选部位对应的部位特征和目标部位特征分别对应的特征向量，计算候选部位对应的部位特征和目标部位特征分别对应的特征向量之间的距离，距离包括欧氏距离或余弦距离。
69.s208：不计算部位特征与目标部位特征之间的相似度。
70.具体地，如果部位特征与目标部位特征分别对应的检测类别相同，则说明部位特
征与目标部位特征之间不可能存在关联关系，部位特征与目标部位特征属于不同的目标对象，则不需要计算部位特征与目标部位特征之间的相似度。
71.s209：判断候选部位对应的部位特征与目标部位特征之间的相似度是否大于对应的相似度阈值。
72.具体地，相似度阈值是基于第一检测类别对应的类别特征与第二检测类别对应的类别特征之间的相似程度确定的，第一检测类别是目标部位特征对应的待处理部位的检测类别，第二检测类别是候选部位对应的检测类别。
73.基于同一目标对象的不同部位对应的部位特征之间的相似度大，不同目标对象的不同部位对应的部位特征之间的相似度小的原则，根据部位特征之间的相似度可以判定部位特征是否具有关联关系。
74.在一具体实施例中，基于同一目标对象不同部位的特征向量之间的距离小，不同目标对象的不同部位的特征向量之间的距离大的原则，根据特征向量之间的距离判断部位特征之间是否具有相关性，是否属于同一目标对象。预先设定检测类别不同的部位对应的特征向量之间的预设距离。例如，人体对应的特征向量与人头对应的特征向量之间的预设距离为第一阈值；人体对应的特征向量与头肩对应的特征向量之间的预设距离为第二阈值；人头对应的特征向量与头肩对应的特征向量之间的预设距离为第三阈值。也就是说，当两个特征向量分别对应的检测类别是人体和人头时，则判断计算得到的距离是否小于第一阈值。当两个特征向量分别对应的检测类别是人体和头肩时，则判断计算得到的距离是否小于第二阈值。当两个特征向量分别对应的检测类别是头肩和人头时，则判断计算得到的距离是否小于第三阈值。
75.如果候选部位对应的部位特征与目标部位特征之间的相似度大于对应的相似度阈值，则直接跳转至步骤s210；如果候选部位对应的部位特征与目标部位特征之间的相似度是不大于对应的相似度阈值，则直接跳转至步骤s211。
76.s210：确定候选部位对应的部位特征与目标部位特征具有关联关系。
77.具体地，如果候选部位对应的部位特征与目标部位特征之间的相似度大于对应的相似度阈值，则确定候选部位对应的部位特征与目标部位特征具有关联关系。
78.具体地，如果两个候选部位对应的特征向量与目标部位特征对应的特征向量之间的距离小于对应的检测类别之间的预设距离，则确定候选部位对应的特征向量与目标部位特征对应的特征向量之间之间具有关联关系。
79.在一具体实施例中，如果候选部位对应的特征向量与目标部位特征对应的特征向量之间的距离小于对应的检测类别之间的预设距离。为了进一步验证候选部位对应的特征向量与目标部位特征对应的特征向量之间之间的关联关系，则计算目标部位特征对应的特征向量与其它各候选部位对应的特征向量之间的距离；判断候选部位对应的特征向量之间的距离是否小于目标部位特征对应的特征向量与其它各候选部位对应的特征向量之间的距离；如果小于，则确定候选部位对应的特征向量与目标部位特征对应的特征向量之间具有关联关系。
80.s211：确定候选部位对应的部位特征与目标部位特征不具有关联关系。
81.具体地，如果候选部位对应的部位特征与目标部位特征之间的相似度是不大于对应的相似度阈值，则确定候选部位对应的部位特征与目标部位特征不具有关联关系。在一
具体实施例中，如果候选部位对应的特征向量与目标部位特征对应的特征向量之间的距离不小于对应的检测类别之间的预设距离，则确定候选部位对应的特征向量与目标部位特征对应的特征向量之间不具有关联关系。
82.s212：确定待处理部位特征集。
83.具体地，根据关联部位特征集中包含的具有关联关系的部位特征，将具有关联关系的部位特征对应的待处理部位进行关联，根据关联的各个部位特征，将待关联部位特征集包含的各个部位特征对应的待处理部位进行关联。
84.s213：对待关联部位特征集包含的各个部位特征对应的待处理部位配置同一标识信息。
85.具体地，对目标对象对应的待关联部位特征集中包含的所有部位特征对应的待处理部位进行标记，且标记相同的标识信息，并将其输出。
86.本实施例中提供的目标多部位关联方法检测出待检测图像中至少一个目标的多个待处理部位；对多个待处理部位中各个待处理部位对应的图像区域进行特征提取，得到各个待处理部位各自对应的部位特征；根据获取的各个部位特征之间的相似度，确定至少一个待处理部位特征集；其中，一个部位特征集中包含同一目标的不同部位对应的部位特征；将每个待处理部位特征集包含的各个部位特征对应的待处理部位进行关联。本技术通过对待检测图像进行检测得到多个待处理部位，并对待处理部位进行特征提取得到部位特征，使用高层特征信息，该部位特征含有丰富的上下文全局信息，更方便检测各待处理部位对应的部位特征之间的相似度，根据部位特征之间的相似度确定具有关联关系的部位特征，减少了关联过程中的计算量，根据相关联的部位特征确定相互关联的待检测部位，提升了关联准确性和泛化性能。
87.请参阅图5，图5是本发明提供的目标多部位关联装置的结构框图。本实施例提供一种目标多部位关联装置50，目标多部位关联装置50包括检测模块51、特征提取模块52、分析模块53和处理模块54。其中，检测模块51用于检测出待检测图像中至少一个目标的多个待处理部位；特征提取模块52用于对多个待处理部位中各个待处理部位对应的图像区域进行特征提取，得到各个待处理部位各自对应的部位特征；分析模块53用于根据获取的各个部位特征之间的相似度，确定至少一个待处理部位特征集；其中，一个部位特征集中包含同一目标的不同部位对应的部位特征；处理模块54用于将每个待处理部位特征集包含的各个部位特征对应的待处理部位进行关联。
88.本实施例提供的目标多部位关联装置，通过对待检测图像进行检测得到多个待处理部位，并对待处理部位进行特征提取得到部位特征，使用高层特征信息，该部位特征含有丰富的上下文全局信息，更方便检测各待处理部位对应的部位特征之间的相似度，根据部位特征之间的相似度确定具有关联关系的部位特征，减少了关联过程中的计算量，根据相关联的部位特征确定相互关联的待检测部位，提升了关联准确性和泛化性能。
89.参阅图6，图6是本发明提供的终端一实施方式的示意框图。该实施方式中的终端70包括：处理器71、存储器72以及存储在存储器72中并可在处理器71上运行的计算机程序，该计算机程序被处理器71执行时实现上述目标多部位关联方法中，为避免重复，此处不一一赘述。
90.参阅图7，图7是本发明提供的计算机可读存储介质一实施方式的示意框图。
91.本技术的实施方式中还提供一种计算机可读存储介质90，计算机可读存储介质90存储有计算机程序901，计算机程序901中包括程序指令，处理器执行程序指令，实现本技术实施方式提供的目标多部位关联方法。
92.其中，计算机可读存储介质90可以是前述实施方式的计算机设备的内部存储单元，例如计算机设备的硬盘或内存。计算机可读存储介质90也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
93.以上仅为本发明的实施方式，并非因此限制本发明的专利保护范围，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。