一种基于光流估计的人脸图像美颜检测方法及系统与流程

1.本技术涉及计算机视觉技术领域，具体涉及一种基于光流估计的人脸图像美颜检测方法及系统。


背景技术：

2.针对人脸美颜处理后的人脸图像，现有一些技术能够得到较为满意的效果，比如：采用图像拼接和基于模式噪声的检测方法检测磨皮后的人脸图像，或者采用颜色空间分布的方式检测不同滤镜处理的图像。在人脸形变检测时，直接采用分类、目标检测卷积神经网络效果不佳，但根据论文《detecting photoshopped faces by scripting photoshop》论述，采用光照估计的方式来建模人脸液化模式，可极大地提高液化人脸图像的检测精度。
3.然而，目前无法采用统一的方法进行人脸肤色美化检测，若每种美化方法都要使用一种方法进行检测，会造成系统的臃肿；同时上文阐述的论文的检测方法只适用于人脸液化的人脸变形，对于其他形变方法并不适用，特别是基于移动最小二乘法的形变人脸图像。而上述论文中描述的人脸液化检测方法上，采用了开源的分割网络膨胀残留网络drn来估计单张图片人脸形变光流，由于drn在分割性能上效果并非最佳，因此后续的检测方法并无法达到最好的性能。
4.鉴于此，设计一种可以涵盖多种人脸肤色美化和人脸形变类别，并且基于单张图像的光流场预测性能更好的检测方法及系统具有十分重要的意义。


技术实现要素：

5.本技术实施例提出了一种基于光流估计的人脸图像美颜检测方法及系统，来解决以上背景技术部分提到的技术问题。
6.第一方面，本技术实施例提供了一种基于光流估计的人脸图像美颜检测方法，其特征在于，包括以下步骤：
7.s110、对待处理的人脸图像进行裁剪，获得人脸区域图像，以及对人脸区域图像进行变形处理，获得人脸变形图像，将人脸区域图像和人脸变形图像以成对的方式输入光流提取网络中；
8.s120、分别提取人脸区域图像和人脸变形图像的特征，并且将特征进行融合，以及使用反卷积网络对特征融合后的图像进行光流提取，获得光流场图像；
9.s130、将待处理人脸图像进行下采样，获得下采样图像，将下采样图像和待处理图像输入光流场检测网络，并且进行两层级联特征融合，获得第一特征图，对第一特征图进行一次反卷积操作，获得第二特征图，对第二特征图继续进行多次反卷积操作，获得第三特征图；以及
10.s140、分别计算第一特征图、第二特征图和第三特征图与光流场图像的共同差异，并且反向传播给光流场检测网络，直至光流场检测网络收敛。
11.通过该方法可以预测出人脸图像的形变概率、变形区域，以及根据光流场进行图
像复原，再由形变图像和复原图像计算得到差异图，最终根据人脸形变概率、形变区域热图和差异图，共同作为人脸篡改的依据，能够在人脸变形上表现出较好的性能。
12.在一些实施例中，在步骤s140中，分别计算第一特征图、第二特征图和第三特征图与对应大小的光流场图像的共同差异所使用的公式为：
[0013][0014]
其中，w和h分别为光流场图像的宽和高，ij表示像素点坐标。
[0015]
通过该公式可以获得总的差异大小，并反向传播给光流场检测网络进行修正。
[0016]
在一些实施例中，在步骤s110中，对待处理人脸图像进行裁剪，获得人脸区域图像，以及对人脸区域图像进行变形处理，获得人脸变形图像，具体包括：
[0017]
获取待处理人脸图像，采用人脸检测算法定位待处理人脸图像中的人脸位置框，按照人脸位置框对待处理图像进行裁剪，获得人脸区域图像；
[0018]
对人脸区域图像进行变形处理，使用包括photoshop或美图秀秀的软件对人脸区域图像进行美颜或变形操作，或者采用包括移动最小二乘法的方法对人脸区域图像进行变形操作。
[0019]
在一些实施例中，采用人脸检测算法定位待处理人脸图像中的人脸位置框，具体包括以下步骤：
[0020]
s111、使用人脸检测算法定位人脸位置框[x0,y0,w,h]，其中，x0,y0,w,h分别表示人脸位置框的横轴起始点、纵轴起始点、宽和高；
[0021]
s112、将人脸位置框放大两倍，得到放大后的人脸位置框[x
0-w/2,y
0-h/2,2*w,2*h]；以及
[0022]
s113、按照人脸位置框对待处理图像进行裁剪，获得人脸区域图像。
[0023]
通过该操作，可以快速剪裁出待处理图像中包含人脸的区域。
[0024]
在一些实施例中，该方法还包括使用注意力机制分类网络gcnet对待处理人脸图像进行识别分类，分类结果包括美白、磨皮、古铜色、一键美肤和人脸形变，对输出的分类结果为一键美肤和人脸形变的图像进行步骤s120中的光流提取，生成光流场图像。
[0025]
采用多分类的深度卷积神经网络，通过该网络的强大特征提取能力，可以涵盖多种人脸肤色美化方法的变换能力。使用注意力机制分类网络gcnet能够有效提高分类精度。
[0026]
在一些实施例中，输出分类结果运用了以下函数：
[0027][0028]
其中，pi为图片经过分类网络后得到第i个类别上的分数；t为人为设置的阈值；第0类为正常类，图片的类别为max(pi)，i＝1～5。
[0029]
对于一些难以区分的图像，例如一键美化过的样本存在一定的概率会被分到人脸形变的类别中，为了尽量不遗漏分数不是很高的图像，在模型推理阶段可以使用上述函数来挑选分类网络得到的结果。
[0030]
第二方面，本技术提供了一种基于光流估计的人脸图像美颜检测系统，该系统包括以下模块：
[0031]
预处理模块，配置用于对待处理人脸图像进行裁剪，获得人脸区域图像，以及对人
脸区域图像进行变形处理，获得人脸变形图像，将人脸区域图像和人脸变形图像以成对的方式输入光流提取网络中；以及
[0032]
光流提取模块，配置用于分别提取人脸区域图像和人脸变形图像的特征，并且将特征进行融合，以及使用反卷积网络对特征融合后的图像进行光流提取，获得光流场图像；以及
[0033]
特征融合模块，配置用于将待处理人脸图像进行下采样，获得下采样图像，将下采样图像和待处理图像输入光流场检测网络进行两层级联特征融合，获得第一特征图，对第一特征图进行一次反卷积操作后，获得第二特征图，对第二特征图继续进行多次反卷积操作，获得第三特征图；以及
[0034]
计算差异模块，配置用于分别计算第一特征图、第二特征图和第三特征图与光流场图像的共同差异，并且反向传播给光流场检测网络，直至光流场检测网络收敛。
[0035]
在一些实施例中，计算差异模块中分别计算第一特征图、第二特征图和第三特征图与对应大小的光流场图像的共同差异所使用的公式为：
[0036][0037]
其中，w和h分别为光流场图像的宽和高，ij表示像素点坐标。
[0038]
在一些实施例中，该系统还包括分类模块，配置用以使用注意力机制分类网络gcnet对待处理人脸图像进行识别分类，分类结果包括美白、磨皮、古铜色、一键美肤和人脸形变，对输出的分类结果为一键美肤和人脸形变的图像进行光流提取模块中的光流提取，生成光流场图像。
[0039]
在一些实施例中，在分类模块中，输出分类结果运用了以下函数：
[0040][0041]
其中，pi为图片经过分类网络后得到第i个类别上的分数；t为人为设置的阈值；第0类为正常类，图片的类别为max(pi)，i＝1～5。
[0042]
在一些实施例中，预处理模块包括：
[0043]
定位模块，配置用于使用人脸检测算法定位人脸位置框[x0,y0,w,h]，其中，x0,y0,w,h分别表示人脸位置框的横轴起始点、纵轴起始点、宽和高；以及
[0044]
放大模块，配置用于将人脸位置框放大两倍，得到放大后的人脸位置框[x
0-w/2,y
0-h/2,2*w,2*h]；以及
[0045]
裁剪模块，配置用于按照人脸位置框对待处理图像进行裁剪，获得人脸区域图像。
[0046]
第三方面，本技术提供了一种计算机可读存储介质，该介质中存储有计算机程序，在计算机程序被处理器执行时，实施如上述中任一项的方法。
[0047]
本技术实施例提供的一种基于光流估计的人脸图像美颜检测方法及系统，采用基于多分类的深度卷积神经网络，该网络的强大特征提取能力能够涵盖多种人脸肤色美化方法的变换能力；使用多种软件和人脸形变方式进行样本制作，可以满足多样化检测需求；采用两层级联特征融合方式进行图像分割，使基于单张图像的光流场预测性能够达到更好的性能。
附图说明
[0048]
通过阅读参照以下附图你，所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
[0049]
图1是根据本技术的一个实施例的基于光流估计的人脸图像美颜检测方法的流程图；
[0050]
图2是根据本技术的一个实施例的整体框架流程图；
[0051]
图3是根据本技术的一个实施例的光流场提取网络的简化示意图；
[0052]
图4是根据本技术的一个实施例的光流场检测网络的简化示意图；
[0053]
图5是根据本技术的一个实施例的特征融合的示意图；
[0054]
图6是根据本技术的一个实施例的基于光流估计的人脸图像美颜检测系统的流程图；
[0055]
图7是适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
[0056]
下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0057]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0058]
图1示出了本技术的一个实施例的基于光流估计的人脸图像美颜检测方法的流程图，图2示出了本技术的一个实施例的整体框架流程图，结合参考图1和图2，该方法100包括以下步骤：
[0059]
s110、对待处理的人脸图像进行裁剪，获得人脸区域图像(i_crop)，以及对人脸区域图像进行变形处理，获得人脸变形图像(i_transform)，将人脸区域图像(i_crop)和人脸变形图像(i_transform)以成对的方式输入光流提取网络中；
[0060]
在本实施例中，在步骤s110中，获取待处理人脸图像，可以采用人脸检测算法定位待处理人脸图像中的人脸位置框，按照人脸位置框对待处理图像进行裁剪，获得人脸区域图像(i_crop)；
[0061]
具体的，包括以下子步骤：
[0062]
s111、使用人脸检测算法定位人脸位置框[x0,y0,w,h]，其中，x0,y0,w,h分别表示人脸位置框的横轴起始点、纵轴起始点、宽和高；
[0063]
s112、将人脸位置框放大两倍，得到放大后的人脸位置框[x
0-w/2,y
0-h/2,2*w,2*h]；以及
[0064]
s113、按照人脸位置框对待处理图像进行裁剪，获得人脸区域图像。
[0065]
通过该操作，可以快速剪裁出待处理图像中包含人脸的区域。
[0066]
在步骤s110中，对人脸区域图像进行变形处理，可以使用包括photoshop或美图秀秀的软件对人脸区域图像进行美颜(例如：美白、磨皮、古铜色、一键美肤)或变形操作，或者采用包括移动最小二乘法的方法对人脸区域图像进行变形操作。具体的操作程度可以根据app进行随机调节设置。
[0067]
其中，美白主要是提升图像的亮度；磨皮是使用滤波器进行平滑处理，降低了图像不明显边缘；古铜色是改变图像色彩分布；一键美肤是轻微美白和轻微磨皮共同作用，甚至会有低程度的人脸形变。上述这些类别在主观上属于较简单类别。然而，在人脸形变类别中，一些形变操作是不明显的，比如缩小鼻翼就不易检测到，并且其占图像的比例较小。
[0068]
为了区别微小差异的图像，在本实施例中，使用注意力机制分类网络gcnet对待处理人脸图像进行识别分类。使用注意力机制的人脸美颜分类网络可以达到80％的准确率，比未使用该模块的网络在分类精度上能够提高5％以上。随着样本的逐渐增加，网络性能也会逐步提升。为使该网络能够较为精准识别不同类别，本技术在试验过程中使用了上万张卷积特征图(i_scale)进行训练，分类结果包括美白、磨皮、古铜色、一键美肤和人脸形变，当分类模型处于收敛状态时，则停止训练。
[0069]
虽然使用了注意力机制分类网络能够提高分类精度，但是仍然会存在一些比较难以区分的图像。例如：一键美化过的样本，有一定的概率会被分到人脸形变的类别中，为了尽量不遗漏分数不是很高的图像，在模型推理阶段可以使用以下函数来挑选分类网络得到的结果。
[0070][0071]
其中，pi为图片经过分类网络后得到第i个类别上的分数；t为人为设置的阈值；第0类为正常类，图片的类别为max(pi)，i＝1～5。
[0072]
对于输出的分类结果为一键美肤和人脸形变的图像进行步骤s120中的光流提取，生成光流场图像。
[0073]
s120、分别提取人脸区域图像和人脸变形图像的特征，并且将特征进行融合，以及使用反卷积网络对进行特征融合后的图像进行光流提取，获得光流场图像；
[0074]
在本实施例中，将人脸区域图像(i_crop)和人脸变形图像(i_transform)以成对的方式输入光流提取网络中。图3示出了本技术的一个实施例的光流场提取网络的简化示意图，其中，c为卷积 relu激活，dc为反卷积 relu激活，fmm为特征融合模块。如图3所示，光流提取网络的上分支提取人脸区域图像(i_crop)的特征，下分支提取人脸变形图像(i_transform)的特征，并且使用特征匹配模块进行特征融合，进而使用多个反卷积网络进行光流提取，获得光流场图像(groundtruth，用gt代替)，作为步骤s140光流场检测网络训练时的样本。应当理解的是，步骤s120在推理时是不必要的，也就是说在对新的待处理图像进行检测时是不必要的。
[0075]
s130、将待处理人脸图像进行下采样，获得下采样图像，将下采样图像和待处理图像输入光流场检测网络，并且进行两层级联特征融合，获得第一特征图，对第一特征图进行一次反卷积操作，获得第二特征图，对第二特征图继续进行多次反卷积操作，获得第三特征图；以及
[0076]
s140、分别计算第一特征图、第二特征图和第三特征图与光流场图像的共同差异，并且反向传播给光流场检测网络，直至光流场检测网络收敛。
[0077]
在本实施例中，人脸形变区域的检测是通过检测形变光流场来实现的，图4示出了本技术的一个实施例的光流场检测网络的简化示意图，其中，c为卷积 relu激活，dc为反卷积 relu激活，gt为原图像的ground truth分割图，1/2、1/4、1/8、1/16分别表示与待处理图
像(image)大小的比例。如图4所示，该光流场检测网络采用两层级联特征融合方式，具有全分辨率的输入图像通过2因子进行下采样，从而形成了对中分辨率和高分辨率分支的级联输入。
[0078]
具体的，上通路的输入为通过2因子对待处理图像(image)进行下采样后的图片，下通路的输入为待处理图像(image)的原图，对上通路进行多个卷积层后与下通路进行特征融合，随后进行多层反卷积运算，输出光流场图像(ground truth，用gt代替)。由于上通路经过多层卷积后，特征图大小为原图的1/16，下通路经过多层卷积后，特征图大小为原图的1/8，在特征融合之前，先对上通路的特征图使用反卷积操作将其分辨率提升两倍，然后与下通路特征图进行求和运算，该方式称为多级标签指导的策略，可以增强每个支路的学习过程。使用不同尺寸(1/8、1/4)的真实标签来指导上通路和下通路中间层的学习阶段，设特征融合后的特征图为第一特征图(p1)，反卷积到1/4大小时的特征图为第二特征图(p2)，最终输出特征图为第三特征图(p3)，分别计算网络特征图pi和光流场图像(ground truth，用gt代替)的1/8、1/4和原大小的共同差异，该差异按照下式计算，并反向传播给光流场检测网络，直到收敛状态。
[0079][0080]
其中，w和h分别为光流场图像的宽和高，ij表示像素点坐标。
[0081]
根据光流场检测网络得到的光流场，经过逆扭曲的方式进行人脸复原，计算复原图像和原图像的差异图，可从人眼视觉上感受人脸形变的大小和区域。
[0082]
图5示出了本技术的一个实施例的特征融合的示意图，其中，defconv为形变卷积，sim为相似计算。如图5所示，本技术上文提到的特征融合方式具体为：对上通道进行反卷积操作后的特征和下通道特征分别进行形变卷积操作(因为人脸形变一般会发生像素形变)，形变卷积操作前后保持相同大小，进而对形变卷积处理后的特征进行相似计算操作。相似计算操作如下：
[0083]
1)设上通路特征图在(x,y)处的点为x1，下通路特征图在(x,y)处的点为x2。
[0084]
2)以x1、x2为中心，k为偏移量，本技术设置偏移量为5。
[0085]
3)计算以x1、x2为中心、长宽分别为5的矩阵进行相似性计算，相似性的值即为融合操作后特征图在(x,y)处的值。
[0086]
采用多类别的卷积神经分类网络来判别多种人脸肤色美化和人脸形变；然后将人脸形变视为光流场，通过光流场可以得到人脸形变的概率和形变区域的热图，最后根据光流场进行人脸形变逆操作，复原到形变前的人脸图像；根据人脸形变概率、形变区域的热图、恢复后人脸与形变人脸的比对差异图，共同作为人脸美颜篡改的依据。
[0087]
本技术提的一种基于光流估计的人脸图像美颜检测方法，使用分类卷积神经网络进行美颜类别的区分，涵盖了多种人脸肤色美化和人脸形变类别的检测能力，提升了基于肤色美化的人脸篡改检测性能。使用性能更加优异的基于两层级联特征融合的图像分割网络来预测单张图像光流场，预测出人脸图像的形变概率、形变区域，根据光流场进行图像复原，由形变图像和复原图像计算得到差异图，最终根据人脸形变概率、形变区域热图和差异图，共同作为人脸篡改的依据。在人脸变形上表现出较好的性能。
[0088]
进一步参考图6，作为对上述所述方法的实现，本技术提供了基于光流估计的人脸
图像美颜检测系统的一个实施例，该系统实施例与图1所示的方法实施例相对应，该系统具体可以应用于各种电子设备中。该系统200包括：
[0089]
预处理模块210，配置用于对待处理人脸图像进行裁剪，获得人脸区域图像，以及对人脸区域图像进行变形处理，获得人脸变形图像，将人脸区域图像和人脸变形图像以成对的方式输入光流提取网络中；以及
[0090]
光流提取模块220，配置用于分别提取人脸区域图像和人脸变形图像的特征，并且将特征进行融合，以及使用反卷积网络对进行特征融合后的图像进行光流提取，获得光流场图像；以及
[0091]
特征融合模块230，配置用于将待处理人脸图像进行下采样，获得下采样图像，将下采样图像和待处理图像输入光流场检测网络进行两层级联特征融合，获得第一特征图，对第一特征图进行一次反卷积操作后，获得第二特征图，对第二特征图继续进行多次反卷积操作，获得第三特征图；以及
[0092]
计算差异模块240，配置用于分别计算第一特征图、第二特征图和第三特征图与光流场图像的共同差异，并且反向传播给光流场检测网络，直至光流场检测网络收敛。
[0093]
在一些实施例中，计算差异模块240中分别计算第一特征图、第二特征图和第三特征图与对应大小的光流场图像的共同差异所使用的公式为：
[0094][0095]
其中，w和h分别为光流场图像的宽和高，ij表示像素点坐标。
[0096]
在一些实施例中，该系统200还包括分类模块250，配置用以使用注意力机制分类网络gcnet对待处理人脸图像进行识别分类，分类结果包括美白、磨皮、古铜色、一键美肤和人脸形变，对输出的分类结果为一键美肤和人脸形变的图像进行光流提取模块中的光流提取，生成光流场图像。
[0097]
在一些实施例中，在分类模块250中，输出分类结果运用了以下函数：
[0098][0099]
其中，pi为图片经过分类网络后得到第i个类别上的分数；t为人为设置的阈值；第0类为正常类，图片的类别为max(pi)，i＝1～5。
[0100]
在一些实施例中，预处理模块210包括：
[0101]
定位模块211，配置用于使用人脸检测算法定位人脸位置框[x0,y0,w,h]，其中，x0,y0,w,h分别表示人脸位置框的横轴起始点、纵轴起始点、宽和高；以及
[0102]
放大模块212，配置用于将人脸位置框放大两倍，得到放大后的人脸位置框[x
0-w/2,y
0-h/2,2*w,2*h]；以及
[0103]
裁剪模块213，配置用于按照人脸位置框对待处理图像进行裁剪，获得人脸区域图像。
[0104]
本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被处理器执行时实施如上述中任一项方法。
[0105]
如图7所示，计算机系统300包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储部分308加载到随机访问存储器(ram)303中的程序而
执行各种适当的动作和处理。在ram 303中，还存储有系统300操作所需的各种程序和数据。cpu 301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
[0106]
以下部件连接至i/o接口305：包括键盘、鼠标等的输入部分306；包括液晶显示器(lcd)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至i/o接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
[0107]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(cpu)301执行时，执行本技术的方法中限定的上述功能。需要说明的是，本技术所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0108]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0109]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代
表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0110]
描述于本技术实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、分析模块和输出模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
[0111]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。