基于注意力机制的残缺无效车牌识别过滤方法、存储介质与流程

1.本发明属于交通卡口车牌识别系统、执法仪工作站车牌识别违章核验等领域，具体 涉及一种基于注意力机制的残缺无效车牌识别过滤方法、计算机存储介质。


背景技术：

2.近年来，随着国民经济的快速增长及社会的迅速发展，居民汽车拥有量呈现爆炸式 增长，交通违章量也呈逐年上升态势，而智能交通执法系统的上线能大大减轻交管部门 交通违章执法的工作压力，但每天面对数以亿记的违章视频图像量，如何有效提高违章 视频图像处理效率，对智能违章执法系统而言也是个急需解决的问题，其中在车牌识别 系统获取完整可识别车牌之前快速准确过滤剔除残缺无效车牌视频图像，是当前有效减 少后续视频图像车牌识别系统工作量的有效途径。随着深度学习的深入发展，卷积神经 网络高效的特征提取、强健的深层特征学习能力及适应性，正逐渐被交通执法部门应用 到各个领域，为有效剔除残缺车牌视频图像量，提高智能交通执法系统的完整车牌号码 识别的效率，利用深度卷积神经网络的优势设计出了一种残缺无效车牌视频图像过滤方 案。
3.残缺无效车牌视频图像过滤是一种基于智能交通执法系统检测的车牌特征信息区域 学习，能有效过滤剔除残缺无效车牌的技术。这种技术能被广泛地运用在交通卡口及执 法仪工作站车牌违章识别系统等领域。其技术路线可以总结为：对输入处理的一张图像 或一段视频，首先采用车辆检测器对图像或视频中的车辆进行一级检测，再对检测到的 车辆区域进行车二级车牌区域检测，然后将车牌检测区域输入到残缺无效车牌过滤优选 模型中提取车牌区域图像的关键特征，经模型特征比对生成特征概率值再经设定阈值筛 选过滤，最终得到有效待识别的完整车牌图像。
4.现有的污损遮挡车牌识别方法主要以传统ocr字符分割检测与深度学习结合来实现 污损车牌的识别，如公开号为“cn111209905a”中提供了一种深度学习与ocr相结合的 污损车牌号码识别方法，此方法先利用目标检测算法实现污损车牌的分类，未悬挂车牌、 全部遮挡车牌号码和正常与部分遮挡车牌号码三类，再将利用ocr算法对车牌号码的识 别，实现对正常完整车牌号码和部分遮挡车牌的分类，从而实现对全遮挡与未悬挂车牌 的分类，最终完成对污损遮挡车牌号码的识别。
5.尽管现有的交通卡口污损车牌识别方案，如公开号为“cn111209905a”的发明专利 能将传统与深度学习技术相结合来实现污损车牌的识别，有效减轻了单纯依靠传统边缘 特征提取来判断污损车牌，易受车身其他部件边特特征干扰，存在误识别率高的问题， 也没有对误检非车牌区域与无悬挂车牌及全部遮挡车牌进行细分及过滤，易造成违章系 统处理速度慢及违章处罚误判；此外，由于交通卡口和执法仪违章执法拍的视频图像环 境复杂多变，光照强度变化大，ocr传统字符特征提取方法易产生车牌字符漏检等问题， 存在完整车牌号码误识别成遮挡或者无车牌的情况；本技术方案针对这个问题，提出了 一种基于注意力机制的残缺无效车牌识别过滤方法，该方法先采用残缺无效车牌粗细识 别的方法，将恶意遮挡与无悬挂车牌违章行为保留处罚，也能将正常遮挡等原因造成残 缺车牌过滤，
提高智能交通执法系统视频图像处理效率。另外，再通过字符检测和车牌 类型模板匹配解决字符因漏误检造成的完整车牌误判，也能将因微缺失重要字符信息而 无法识别的车牌再次过滤。


技术实现要素：

6.本发明旨在至少解决现有技术中存在的技术问题之一。
7.为此，本发明提出一种基于注意力机制的残缺无效车牌识别过滤方法、计算机存储 介质，能够提高图像处理效率，缓解误识别、漏识别等情况。
8.为解决上述技术问题，一方面，本发明提供一种基于注意力机制的残缺无效车牌识 别过滤方法，包括以下步骤：s1、建立车牌位置对应的图像信息的数据库；s2、根据检 测到的所述车牌位置对应图像信息得到车牌数据库；s3、对所述车牌数据库内的数据进 行分类和标注，得到残缺无效车牌粗细识别模块数据库；s4、将所述残缺无效车牌粗细 识别模块数据库中数据通过残损无效车牌粗细识别模块进行一次分类，分为完整车牌信 息数据库，非车牌与无悬挂车牌信息数据库，正常遮挡、部分遮挡与恶意遮挡车牌信息 数据库；s5、将所述非车牌与无悬挂车牌信息数据库的数据进行二次分类，分为非车牌 信息数据库和无悬挂车牌信息数据库；将所述正常遮挡、部分遮挡与恶意遮挡车牌信息 数据库的数据进行二次分类，分为正常遮挡、部分遮挡车牌信息数据库和恶意遮挡车牌 信息数据库；s6、将所述完整车牌信息数据库的完整车牌信息通过预先建立的车牌类型 识别模型，获取所述完整车牌信息中的车牌所属的车牌类型；s7、将步骤s6中所述完 整车牌信息数据库中的不同类型的车牌与预先设置的车牌号码模板匹配，并将所述完整 车牌信息数据库的数据分类为匹配结果一致的纯净完整车牌信息数据库和匹配结果不 一致的误分类完整车牌信息数据库；s8、将步骤s5中的所述正常遮挡、部分遮挡车牌 信息，所述非车牌信息和经过步骤s7中的所述误分类完整车牌信息数据库的数据通过 残缺滤出模块，筛选出残缺无效车牌数据库。
9.根据本发明实施例的基于注意力机制的残缺无效车牌识别过滤方法，先采用残损无 效车牌粗细识别模块进行一次分类，得到三类数据库，再将三类数据库中的非车牌与无 悬挂车牌信息数据库，正常遮挡、部分遮挡与恶意遮挡车牌信息数据库这两类数据库的 数据进行二次分类，将恶意遮挡车牌与无悬挂车牌违章行为保留处罚，并将正常遮挡等 原因造成残缺车牌过滤，提高智能交通执法系统视频图像处理效率。
10.根据本发明一个实施例，在步骤s7中，对所述完整车牌信息的车牌上的字符进行分 割，得到分割字符，并对所述分割字符采用yolov4算法进行分割检测，再将不同类型 车牌与所述车牌号码模版匹配。
11.根据本发明一个实施例，所述残缺无效车牌粗细识别模块数据库，所述非车牌与无 悬挂车牌信息数据库，所述正常遮挡、部分遮挡与恶意遮挡车牌信息数据库，所述完整 车牌信息数据库中均按照8:1比例进行训练集和测试集划分，验证集是从训练集中按 1/10比例动态调整获取。
12.根据本发明一个实施例，所述残损无效车牌粗细识别模块与所述车牌类型识别模型 中使用的算法中的至少一个为基于分类深度神经网络的注意力机制改进网络。
13.根据本发明一个实施例，所述残损无效车牌粗细识别模块与所述车牌类型识别模
型 中使用的算法中的至少一个所用损失函数是分类损失函数和/或中心损失函数。
14.根据本发明一个实施例，所述残缺无效车牌粗细识别模块的识别方法包括：构建残 缺无效车牌识别网络框架，以分类深度神经网络的残差网络作为基础骨干网络；在残差 网络的残差模块间加入卷积注意力模块，以提取所述车牌位置对应的图像信息特征。
15.根据本发明一个实施例，在所述残缺无效车牌识别网络中设有一个或者多个软最大 值分类器，以将所述残缺无效车牌粗细识别模块数据库中的数据进行一次分类。
16.根据本发明一个实施例，所述残缺无效车牌粗细识别模块的训练方法包括：s31、输 入数据；s32、提取残缺车牌特征，并进行训练，得到动态残缺车牌验证集；s33、对所 述验证集进行验证，直接执行步骤s34，或验证损失值并与预设准确率进行比较后执行 步骤s34；s34、保存困难样本，并对中心损失权重值及辅助分类器位置进行调整后，返 回步骤s32；s35、选取步骤s33中损失值最小，准确率最高的验证集作为最佳分类识别 模型。
17.根据本发明一个实施例，所述的方法还包括以下步骤：s9、将步骤s3中的所述无悬 挂车牌信息数据库和所述恶意遮挡车牌信息数据库存储至违章处罚数据库。
18.第二方面，本发明实施例提供一种计算机存储介质，包括一条或多条计算机指令， 所述一条或多条计算机指令在执行时实现如上述任一实施例所述的方法。
19.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得 明显，或通过本发明的实践了解到。
附图说明
20.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明 显和容易理解，其中：
21.图1是根据本发明实施例的方法的流程图；
22.图2是根据本发明实施例的残缺无效车牌粗细识别模块的训练流程的示意图；
23.图3是根据本发明实施例的电子设备的示意图。
24.附图标记：
25.电子设备100；
26.存储器110；操作系统111；应用程序112；
27.处理器120；网络接口130；输入设备140；硬盘150；显示设备160。
具体实施方式
28.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相 同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
29.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、
ꢀ“
宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、
ꢀ“
水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径 向”、“周向”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。此外，限定有“第一”、
ꢀ“
第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在
本发明的描述中， 除非另有说明，“多个”的含义是两个或两个以上。
30.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、
ꢀ“
相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或 一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒 介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体 情况理解上述术语在本发明中的具体含义。
31.下面参考附图具体描述根据本发明实施例的基于注意力机制的残缺无效车牌识别过 滤方法。
32.如图1所示，根据本发明实施例的基于注意力机制的残缺无效车牌识别过滤方法， 包括以下步骤：
33.s1、建立车牌位置对应的图像信息的数据库。
34.在步骤s1中，可以通过将交通卡口、执法仪场景视频图像经过执法系统处理，收 集和构建车牌检测区域的数据库，也就是收集车牌位置对应的图像信息的数据库。
35.s2、根据检测到的车牌位置对应图像信息得到车牌数据库；
36.s3、对车牌数据库内的数据进行分类和标注，得到残缺无效车牌粗细识别模块数据 库；
37.s4、将残缺无效车牌粗细识别模块数据库中数据通过残损无效车牌粗细识别模块进 行一次分类，分为完整车牌信息数据库，非车牌与无悬挂车牌信息数据库，正常遮挡、 部分遮挡与恶意遮挡车牌信息数据库。
38.在步骤s4中，可以将带车牌数据(残缺无效车牌粗细识别模块数据库中的数据)分 为三类，分别是完整车牌信息数据库，非车牌与无悬挂车牌信息数据库，正常遮挡、部 分遮挡与恶意遮挡车牌信息数据库。上述三类数据库可以构成残缺无效车牌粗细识别模 块进行训练和测试验证的有效数据。
39.通过采用残缺无效车牌粗细识别的方法，能够将恶意遮挡与无悬挂车牌违章行为保 留处罚，也能将正常遮挡等原因造成残缺车牌过滤，提高智能交通执法系统视频图像处 理效率。
40.s5、将非车牌与无悬挂车牌信息数据库的数据进行二次分类，分为非车牌信息数据 库和无悬挂车牌信息数据库。将正常遮挡、部分遮挡与恶意遮挡车牌信息数据库的数据 进行二次分类，分为正常遮挡、部分遮挡车牌信息数据库和恶意遮挡车牌信息数据库。
41.也就是说，在步骤s5中，可以对非车牌与无悬挂车牌信息数据库的数据进行细分类， 分为非车牌信息数据库和无悬挂车牌信息数据库，能够实现误检车牌数据与无悬挂车牌 的无混杂误违章处罚。并对正常遮挡、部分遮挡与恶意遮挡车牌信息数据库的数据进行 细分类，分为正常遮挡、部分遮挡车牌信息数据库和恶意遮挡车牌信息数据库，精准实 现对于恶意遮挡车牌的违章处罚。
42.s6、将完整车牌信息数据库的完整车牌信息通过预先建立的车牌类型识别模型，获 取完整车牌信息中的车牌所属的车牌类型。通过对完整车牌信息进行车牌类型识别，能 够有效解决步骤s4中一次分类时因字符漏检造成的完整车牌误分类及光爆等原因造成 的车牌模糊无法识别的车牌视频图像的问题。
43.s7、将步骤s6中完整车牌信息数据库中的不同类型的车牌与预先设置的车牌号码
模 板匹配，并将完整车牌信息数据库的数据分类为匹配结果一致的纯净完整车牌信息数据 库和匹配结果不一致的误分类完整车牌信息数据库。
44.可选地，在步骤s7中，对完整车牌信息的车牌上的字符进行分割，得到分割字符， 并对分割字符(字符号码)采用yolov4算法进行分割检测，其中，对完整车牌信息的 字符进行检测，然后依据车牌类型进行字符模板匹配，对因误或漏检造成的误判进行纠 正，能将因微缺失重要字符信息而无法识别的车牌再次过滤，同时也会净化非完整车牌 执行，提高有效完整车牌的执行效率。再将不同类型车牌与车牌号码模版匹配，能够有 效保障因微遮挡造成的残缺车牌和完整车牌分类错误的问题，进而可以净化执法系统完 整车牌识别的处理速率。
45.s8、将步骤s5中的正常遮挡、部分遮挡车牌信息，非车牌信息和经过步骤s7中的 误分类完整车牌信息数据库的数据通过残缺滤出模块，筛选出残缺无效车牌数据库。
46.可选地，残缺无效车牌粗细识别模块数据库，非车牌与无悬挂车牌信息数据库，正 常遮挡、部分遮挡与恶意遮挡车牌信息数据库，完整车牌信息数据库中均按照8:1比例 进行训练集和测试集划分，验证集是从训练集中按1/10比例动态调整获取。
47.根据本发明的一个实施例，残损无效车牌粗细识别模块与车牌类型识别模型中使用 的算法中的至少一个为基于分类深度神经网络(resnet-34)的注意力机制改进网络。 可选地，在训练阶段，残损无效车牌粗细识别模块及车牌类型识别模块所使用的算法均 是基于resnet-34的注意力机制改进网络。
48.进一步地，残损无效车牌粗细识别模块与车牌类型识别模型中使用的算法中的至少 一个所用损失函数是分类损失函数(softmax loss)和/或中心损失函数(center loss)， 但不局限于此，经过困难样本在线注意力调整验证得到了最佳残损无效车牌粗细识别模 型。
49.在本发明的一些具体实施方式中，残缺无效车牌粗细识别模块的识别方法包括：构 建残缺无效车牌识别网络框架，以resnet-34的残差网络作为基础骨干网络。在残差网 络的残差模块间加入卷积注意力模块(cbam)，以提取车牌位置对应的图像信息特征， 挖掘残缺车牌深层的特征信息，加强网络的特征提取能力，从而得到更加精确的残缺车 牌特征的通道和空间信息。
50.可选地，在残缺无效车牌识别网络中设有一个或者多个软最大值分类器(辅助分类 器)，以将残缺无效车牌粗细识别模块数据库中的数据进行一次分类，以便把浅层的边 缘纹理等特征传给底层学习利用，提高残缺无效车牌分类识别的精度。
51.在本技术中，为了加强和更好地区分微缺失车牌等数据的细微差异，训练时的 center loss的权重的值也采用在线调整机制，以便重要特征注意力学习，具体地，残 缺无效车牌粗细识别模块的训练流程如图2所示。残缺无效车牌粗细识别模块的训练方 法包括：
52.s31、输入数据。
53.s32、提取残缺车牌特征，并进行训练，得到动态残缺车牌验证集。
54.s33、对验证集进行验证，直接执行步骤s34，或验证损失值并与预设准确率进行比 较后执行步骤s34。
55.s34、保存困难样本，并对中心损失权重值及辅助分类器位置进行调整后，返回步
骤 s32；
56.s35、选取步骤s33中损失值最小，准确率最高的验证集作为最佳分类识别模型。
57.在本技术中，基于注意力机制的残缺无效车牌识别过滤方法的优点包括以下几个方 面：
58.(1)采用辅助分类器softmax，以便把浅层的边缘纹理等特征传给底层学习利用， 提高残缺无效车牌粗细识别模块的精度。
59.(2)采用中心损失权值和训练困难样本在线循环调整机制，有利于卷积网络层加大 困难样本学习力度。
60.根据本发明的一个实施例，方法还包括以下步骤：s9、将步骤s3中的无悬挂车牌信 息数据库和恶意遮挡车牌信息数据库存储至违章处罚数据库。
61.根据本发明实施例的基于注意力机制的残缺无效车牌识别过滤方法，能够提高智能 交通执法系统的视频图像完整车牌执法效率，降低残缺无效视频图像车牌对有效识别的 干扰，至少具有以下优点：
62.(1)采用残损无效车牌粗细识别模块进行识别和滤出，有效解决恶意遮挡和无悬挂 车牌的违章漏处罚；
63.(2)采用训练困难样本、center loss训练权重和辅助分类器在线调整机制，再通 过添加cbam卷积注意力模块机制，加大困难样本训练比重，提高卷积层对困难残缺无 效车牌注意力学习强度；
64.(3)采用字符检测和车牌模板相匹配的方法，更高效地过滤出字符漏检或者误检测 造成的完整车牌误判丢失，也能将因微缺失重要信息而无法识别的车牌滤出。
65.另外，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质包括一条 或多条计算机指令，所述一条或多条计算机指令在执行时实现上述任一所述的方法。
66.也就是说，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器运行 时，使得所述处理器执行上述任一所述的方法。
67.如图3所示，本发明实施例提供了一种电子设备100，包括存储器110和处理器120， 所述存储器110用于存储一条或多条计算机指令，所述处理器120用于调用并执行所述 一条或多条计算机指令，从而实现上述任一所述的方法。
68.也就是说，电子设备100包括：处理器120和存储器110，在所述存储器110中存 储有计算机程序指令，其中，在所述计算机程序指令被所述处理器运行时，使得所述处 理器120执行上述任一所述的方法。
69.进一步地，如图3所示，电子设备100还包括网络接口130、输入设备140、硬盘 150、和显示设备160。
70.上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数 量的互联的总线和桥。具体由处理器120代表的一个或者多个中央处理器(cpu)，以 及由存储器110代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将 诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解， 总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外，还包括电 源总线、控制总线和状态信号总线，这些都是本领域所公知的，因此本文不再对其进行 详细描述。
71.所述网络接口130，可以连接至网络(如因特网、局域网等)，从网络中获取相关 数
据，并可以保存在硬盘150中。
72.所述输入设备140，可以接收操作人员输入的各种指令，并发送给处理器120以供 执行。所述输入设备140可以包括键盘或者点击设备(例如，鼠标，轨迹球(trackball)、 触感板或者触摸屏等。
73.所述显示设备160，可以将处理器120执行指令获得的结果进行显示。
74.所述存储器310，用于存储操作系统运行所必须的程序和数据，以及处理器120计 算过程中的中间结果等数据。
75.可以理解，本发明实施例中的存储器110可以是易失性存储器或非易失性存储器， 或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器 (rom)、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编 程只读存储器(eeprom)或闪存。易失性存储器可以是随机存取存储器(ram)，其用作外 部高速缓存。本文描述的装置和方法的存储器110旨在包括但不限于这些和任意其它适 合类型的存储器。
76.在一些实施方式中，存储器110存储了如下的元素，可执行模块或者数据结构，或 者他们的子集，或者他们的扩展集：操作系统111和应用程序112。
77.其中，操作系统111，包含各种系统程序，例如框架层、核心库层、驱动层等，用 于实现各种基础业务以及处理基于硬件的任务。应用程序112，包含各种应用程序，例 如浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包 含在应用程序112中。
78.上述处理器120，当调用并执行所述存储器110中所存储的应用程序和数据，具体 的，可以是应用程序112中存储的程序或指令时，将第一集合和第二集合中的一者分散 发送至所述第一集合和第二集合中的另一者所分布的节点，其中，所述另一者分散存储 于至少两个节点；并根据所述第一集合的节点分布和所述第二集合的节点分布，分节点 地进行交集处理。
79.本发明上述实施例揭示的方法可以应用于处理器120中，或者由处理器120实现。 处理器120可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法 的各步骤可以通过处理器120中的硬件的集成逻辑电路或者软件形式的指令完成。上述 的处理器120可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成 可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬 件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处 理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所 公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬 件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编 程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储 介质位于存储器110，处理器120读取存储器110中的信息，结合其硬件完成上述方法 的步骤。
80.可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或 其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(asic)、 数字信号处理器dsp)、数字信号处理设备(dspd)、可编程逻辑设备(pld)、现场可编程 门阵列(fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能 的其它电子单元或其组合中。
81.对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所 述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在 处理器外部实现。
82.具体地，处理器120还用于读取所述计算机程序，执行上述任一所述的方法。
83.在本技术所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它 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，所述单元的划分， 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，例如多个单元或组件可 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，装置或单元的间 接耦合或通信连接，可以是电性，机械或其它的形式。
84.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是 各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单 元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
85.上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储 介质中。上述软件功能单元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(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发 方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或 者光盘等各种可以存储程序代码的介质。
86.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来 说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰 也应视为本发明的保护范围。