一种人像聚类处理方法及装置与流程

1.本发明涉及图像处理领域，具体而言，涉及一种人像聚类处理方法及装置。


背景技术：

2.由于现实环境的复杂性和点位抓拍的随机性，对人员图像的采集往往会出现一些低质量图像(即图像模糊、非正常曝光、噪声等情况)。比如，抓拍点位前有人员高速移动，则往往会出现抓拍图像模糊不清；正午时分某些角度下，抓拍的人员图像往往会过度曝光，导致图像可识别度下降；当光线不足时，抓拍图像会产生严重的图像噪声。
3.目前大部分的解决方案是选取几个有效评价指标，赋予它们固定阈值，当抓拍图像不符合某个指标的阈值时，直接丢弃，不参与后续聚档任务。这样的方案在一定程度上解决了计算资源的开销，但同时也丢失了人员抓拍信息，影响人员档案后续使用。
4.针对相关技术中根据部分指标的固定阈值筛选出抓拍图像进行人像聚类，部分低质量图像参与人像聚类，导致人像聚类效果不佳的问题，尚未提出解决方案。


技术实现要素：

5.本发明实施例提供了一种人像聚类处理方法及装置，以至少解决相关技术中根据部分指标的固定阈值筛选出抓拍图像进行人像聚类，部分低质量图像参与人像聚类，导致人像聚类效果不佳的问题。
6.根据本发明的一个实施例，提供了一种人像聚类处理方法，包括：
7.解析目标抓拍图像，得到目标图像数据；
8.将所述目标图像数据输入预先训练好的图像评价模型中，得到训练好的所述图像评价模型输出的所述目标图像数据对应的目标图像分类结果；
9.若所述目标图像分类结果为待聚档图像，将所述目标图像数据输出到聚档消息队列中；
10.基于所述聚档消息队列进行人像聚类处理。
11.可选地，所述方法还包括：
12.若所述目标图像分类结果为非聚档图像，将所述目标图像数据输出到废片消息队列中。
13.可选地，解析目标抓拍图像，得到所述目标图像数据包括：
14.对所述抓拍图像进行解析，得到关联的人脸数据与人体数据，其中，所述目标图像数据包括所述人脸数据与所述人体数据。
15.可选地，基于所述聚档消息队列进行图像聚类处理包括：
16.从所述聚档消息队列中获取人脸数据，并根据聚类算法将所述人脸数据聚合为人脸档案；
17.从所述聚档消息队列中获取人体数据，并根据聚类算法将所述人体数据聚合为人体档案；
18.根据所述人脸数据与所述人体数据的关联关系将所述人脸档案与所述人体档案进行关联。
19.可选地，所述方法还包括：
20.获取预定数量的抓拍图像的图像数据以及所述预定数量的图像数据实际对应的图像分类结果，组成数据集；
21.从所述数据集中筛选第一预定比例的图像数据形成训练集，筛选第二预定比例的图像数据形成测试集，筛选第三预定比例的图像数据形成验证集，其中，所述第一预设比例大于所述第二预设比例，所述第二预设比例大于所述第三预设比例；
22.根据所述训练集对所述图像评价模型进行训练，在训练过程中，每预设轮数训练之后，根据所述验证集进行分类预测，通过对所述验证集的分类，调整所述图像评价模型的参数设置，并根据所述测试集对所述图像评价模型进行测试，直至完成训练，得到训练好的所述图像评价模型。
23.可选地，根据所述训练集对所述图像评价模型进行训练包括：
24.使用所述预定数量的图像数据以及所述预定数量的图像数据对应的图像分类结果对所述图像评价模型进行训练，得到训练好的所述图像评价模型，其中，所述预定数量的图像数据为所述图像评价模型的输入，训练好的所述图像评价模型输出的所述图像数据对应的图像分类结果与所述图像数据实际对应的图像分类结果满足预设函数。
25.可选地，在根据所述训练集对所述图像评价模型进行训练之前，所述方法还包括：
26.构建所述图像评价模型，其中，所述图像评价模型包括依次连接的卷积层、池化层、inception模块、两个全连接层、softmax层、输出层，其中，所述卷积层用于提取低阶特征值，所述inception模块用于提取高阶特征。
27.可选地，在构建所述图像评价模型之后，所述方法还包括：
28.对所述卷积层和所述池化层进行随机失活处理。
29.可选地，在获取预定数量的抓拍图像的图像数据以及所述预定数量的图像数据实际对应的图像分类结果，组成数据集之后，所述方法还包括：
30.将所述数据集中的图像数据调整为预设像素大小。
31.根据本发明的另一个实施例，还提供了一种人像聚类处理装置，包括：
32.解析模块，用于解析目标抓拍图像，得到目标图像数据；
33.输入模块，用于将所述目标图像数据输入预先训练好的图像评价模型中，得到训练好的所述图像评价模型输出的所述目标图像数据对应的目标图像分类结果；
34.输出模块，用于若所述目标图像分类结果为待聚档图像，将所述目标图像数据输出到聚档消息队列中；
35.聚类模块，用于基于所述聚档消息队列进行人像聚类处理。
36.可选地，所述输出模块，还用于若所述目标图像分类结果为非聚档图像，将所述目标图像数据输出到废片消息队列中。
37.可选地，所述解析模块，还用于对所述抓拍图像进行解析，得到关联的人脸数据与人体数据，其中，所述目标图像数据包括所述人脸数据与所述人体数据。
38.可选地，所述聚类模块，还用于从所述聚档消息队列中获取人脸数据，并根据聚类算法将所述人脸数据聚合为人脸档案；从所述聚档消息队列中获取人体数据，并根据聚类
算法将所述人体数据聚合为人体档案；根据所述人脸数据与所述人体数据的关联关系将所述人脸档案与所述人体档案进行关联。
39.可选地，所述装置还包括：
40.获取模块，用于获取预定数量的抓拍图像的图像数据以及所述预定数量的图像数据实际对应的图像分类结果，组成数据集；
41.筛选模块，用于从所述数据集中筛选第一预定比例的图像数据形成训练集，筛选第二预定比例的图像数据形成测试集，筛选第三预定比例的图像数据形成验证集，其中，所述第一预设比例大于所述第二预设比例，所述第二预设比例大于所述第三预设比例；
42.训练模块，用于根据所述训练集对所述图像评价模型进行训练，在训练过程中，每预设轮数训练之后，根据所述验证集进行分类预测，通过对所述验证集的分类，调整所述图像评价模型的参数设置，并根据所述测试集对所述图像评价模型进行测试，直至完成训练，得到训练好的所述图像评价模型。
43.可选地，所述训练模块，还用于使用所述预定数量的图像数据以及所述预定数量的图像数据对应的图像分类结果对所述图像评价模型进行训练，得到训练好的所述图像评价模型，其中，所述预定数量的图像数据为所述图像评价模型的输入，训练好的所述图像评价模型输出的所述图像数据对应的图像分类结果与所述图像数据实际对应的图像分类结果满足预设函数。
44.可选地，所述装置还包括：
45.构建模块，用于构建所述图像评价模型，其中，所述图像评价模型包括依次连接的卷积层、池化层、inception模块、两个全连接层、softmax层、输出层，其中，所述卷积层用于提取低阶特征值，所述inception模块用于提取高阶特征。
46.可选地，所述装置还包括：
47.处理模块，用于对所述卷积层和所述池化层进行随机失活处理。
48.可选地，所述装置还包括：
49.调整模块，用于将所述数据集中的图像数据调整为预设像素大小。
50.根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
51.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
52.通过本发明，解析目标抓拍图像，得到目标图像数据；将所述目标图像数据输入预先训练好的图像评价模型中，得到训练好的所述图像评价模型输出的所述目标图像数据对应的目标图像分类结果；若所述目标图像分类结果为待聚档图像，将所述目标图像数据输出到聚档消息队列中；基于所述聚档消息队列进行人像聚类处理，可以解决相关技术中根据部分指标的固定阈值筛选出抓拍图像进行人像聚类，部分低质量图像参与人像聚类，导致人像聚类效果不佳的问题，通过训练好的图像评价模型提高图像分类结果的准确度，可以更加精准的将高质量图像筛选出来参与聚类，降低低质量图像对聚类结果的影响。
附图说明
53.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
54.图1是本发明实施例的人像聚类处理方法的移动终端的硬件结构框图；
55.图2是根据本发明实施例的人像聚类处理方法的流程图；
56.图3是根据本发明实施例的基于人脸指令评价的人像聚类优化方法的流程图；
57.图4是根据本发明实施例的图像评价模型的示意图；
58.图5是根据本发明实施例的inception模块结构的示意图；
59.图6是根据本发明实施例的人像聚类处理装置的框图。
具体实施方式
60.下文中将参考附图并结合实施例来详细说明本发明。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。
61.需要说明的是，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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
62.实施例1
63.本技术实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的人像聚类处理方法的移动终端的硬件结构框图，如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
64.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的深度图像增强处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及远程登录的控制，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。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。
65.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
66.在本实施例中提供了一种运行于上述移动终端或网络架构的人像聚类处理方法，图2是根据本发明实施例的人像聚类处理方法的流程图，如图2所示，该流程包括如下步骤：
67.步骤s202，解析目标抓拍图像，得到目标图像数据；
68.本发明实施例中，上述步骤s202具体可以包括：对所述抓拍图像进行解析，得到关联的人脸数据与人体数据，其中，所述目标图像数据包括所述人脸数据与所述人体数据。
69.步骤s204，将所述目标图像数据输入预先训练好的图像评价模型中，得到训练好的所述图像评价模型输出的所述目标图像数据对应的目标图像分类结果；
70.步骤s206，若所述目标图像分类结果为待聚档图像，将所述目标图像数据输出到聚档消息队列中；
71.可选的，若所述目标图像分类结果为非聚档图像，将所述目标图像数据输出到废片消息队列中，便于后续人员档案的完善。
72.步骤s208，基于所述聚档消息队列进行人像聚类处理。
73.本发明实施例中，上述步骤s208体可以包括：从所述聚档消息队列中获取人脸数据，并根据聚类算法将所述人脸数据聚合为人脸档案；从所述聚档消息队列中获取人体数据，并根据聚类算法将所述人体数据聚合为人体档案；根据所述人脸数据与所述人体数据的关联关系将所述人脸档案与所述人体档案进行关联。
74.通过上述步骤s202至s208，可以解决相关技术中根据部分指标的固定阈值筛选出抓拍图像进行人像聚类，部分低质量图像参与人像聚类，导致人像聚类效果不佳的问题，通过训练好的图像评价模型提高图像分类结果的准确度，可以更加精准的将高质量图像筛选出来参与聚类，降低低质量图像对聚类结果的影响。
75.在一可选的实施例中，构建所述图像评价模型，获取预定数量的抓拍图像的图像数据以及所述预定数量的图像数据实际对应的图像分类结果，组成数据集；若抓拍图像的大小不同，将所述数据集中的图像数据调整为预设像素大小；从所述数据集中筛选第一预定比例的图像数据形成训练集，筛选第二预定比例的图像数据形成测试集，筛选第三预定比例的图像数据形成验证集，其中，所述第一预设比例大于所述第二预设比例，所述第二预设比例大于所述第三预设比例；根据所述训练集对所述图像评价模型进行训练，在训练过程中，每预设轮数训练之后，根据所述验证集进行分类预测，通过对所述验证集的分类，调整所述图像评价模型的参数设置，并根据所述测试集对所述图像评价模型进行测试，直至完成训练，得到训练好的所述图像评价模型。上述的图像评价模型可以包括依次连接的卷积层、池化层、inception模块、两个全连接层、softmax层、输出层，其中，所述卷积层用于提取低阶特征值，所述inception模块用于提取高阶特征。
76.进一步的，根据所述训练集对所述图像评价模型进行训练具体可以包括：使用所述预定数量的图像数据以及所述预定数量的图像数据对应的图像分类结果对所述图像评价模型进行训练，得到训练好的所述图像评价模型，其中，所述预定数量的图像数据为所述图像评价模型的输入，训练好的所述图像评价模型输出的所述图像数据对应的图像分类结果与所述图像数据实际对应的图像分类结果满足预设函数。
77.为了防止过拟合，对图像评价模型中的卷积层和池化层进行随机失活处理。对于该方法可以简单理解为是多个模型结果的融合，达到了防止评价模型过拟合的目的。每个epoch数据进来训练时，output方法是随机选择部分神经元失活，因此，多个epoch之后就融合了多个不同模型训练的结果，从而起到提高网络泛化能力的目的。
78.图3是根据本发明实施例的基于图像质量评价的人像聚类优化方法的流程图，如图3所示，包括：
79.步骤s301，解析抓拍图像，得到图像数据。由点位抓拍设备获得人员抓拍数据并传输至前置存储，根据不同类型的抓拍设备，分别采集人脸数据、人体数据。之后，分别由人脸消息队列、人体消息队列传至人脸解析算子和人体解析算子进行分析，最后生成各自对应的特征值和各类属性值，例如人脸宽度，是否带口罩等。解析之后得到图像数据，包括人脸数据和人体数据，将人脸数据和人体数据分别传至不同的消息队列中。
80.步骤s302，通过图像评价模型对抓拍图像的图像数据进行质量评价，并分类输出结果。
81.将图像数据进行预处理，由于抓拍角度等原因，各个抓拍图像的特征向量大小不一，又因网络模型对输入数据的大小比较敏感，会直接影响后续数据的分类结果。因此，对数据进行统一预处理，将每个图像特征向量大小都调整为预设像素大小，例如，均调整为224*224大小。
82.利用inception v3网络中的inception模块强大的特征提取能力，与普通卷积神经网络相结合创建图像评价模型，图4是根据本发明实施例的图像评价模型的示意图，如图4所示。最后输出层输出2级结果，分别是1级废片数据和2级参与聚档的数据。然后，准备两套训练集用于训练评价模型。利用解析算子得到的各个属性值，根据不同的阈值分别从质量分、清晰度、俯仰角、图像宽度、置信度等指标筛选出待废弃图像集和待聚档图像集。最后，混合打乱废弃图像集和待聚档图像集形成一个数据集，其中，筛选70％的数据作为训练集，20％的图像作为测试集，10％的图像作为验证集，对图像评价模型进行训练。图像评价模型的训练过程包括：
83.首先，构建第一层卷积层为96个5*5的过滤器提取低阶特征值，比如边角、线条等。第一层池化层采用平均池化方法。第二层池化层依然采用平均池化方法。图5是根据本发明实施例的inception模块结构的示意图，如图5所示，inception模块通过1*n和n*1的结构，可以提高运行速度，加深网络深度和非线性。利用该模块提取高阶特征。同时，将全连接层设置为2层全连接层和1层softmax层。其中第一层全连接层为1*2048节点，第二层全连接层为1*1024个节点。训练初始参数设置如下：采用bgd(随机梯度下降法)优化算法，初始学习率设置为0.001，mini_batch设置为128，后续学习率的变化由自适应学习率衰减法决定。
84.然后，将训练集数据输入评价模型，通过前向算法和反向算法进行微调网络初始参数。一般情况下，先训练全连接层参数，经过5-6个epoch后保存模型参数，然后基于该模型参数再训练其他网络参数，直到最终得到较为稳定的图像评价网络模型。其中，在训练的过程中，一般经过几轮训练之后需要对验证数据集进行分类预测，通过几次对验证集的分类，来调整评价模型的参数设置，直至产生最优参数。最后，将训练完成的评价模型对测试集进行测试，完成训练过程。
85.为了防止过拟合问题，本提案采用output方法对卷积层进行随机失活操作。对于该方法可以简单理解为是多个模型结果的融合，达到了防止评价模型过拟合的目的。每个epoch数据进来训练时，output方法是随机选择部分神经元失活，因此，多个epoch之后就融合了多个不同模型训练的结果，从而起到提高网络泛化能力的目的。
86.将上述训练完成的图像评价模型，通过saver.save()进行保存，之后通过saver.restore()进行载入已训练完成的评价模型。将预处理之后的数据输入到评价模型内进行学习，最终，图像评价模型输出图像分类结果。
87.将图像评价模型输出的两级数据结果，分别发送到废片消息队列和聚档消息队列。其中，1级废片数据将被存储到数据库中，以备后续数据分析使用。
88.步骤s303，人像聚类，具体包括步骤：获取输出到人脸消费队列中的高质量人脸数据，并按照一定的时间(可调节)和阈值将人脸数据根据聚类算法聚合为人脸档案。获取输出到人体消费队列的高质量人数据，并按照一定的时间(可调节)和阈值将人体数据根据聚类算法聚合为人体档案。根据之前解析出的人脸数据与人体数据的关联关系，将人脸档案与人体档案进行关联。
89.本发明实施例利用inception模块拓展图像质量评价模型的宽度和深度，增加了评价模型的非线性，提高了评价模型的泛化能力。整个过程，只需要将数据加入到模型中进行学习，不需要人员干预。相比以往根据部分指标的固定阈值判断是否为废片的方法，大约能提升10％的图像召回率，进而影响后续的聚类，对完善人员轨迹有一定的帮助。
90.引入多层全连接方法进行图像质量评价结果输出，利用多个全连接层和分类层进行模型结果的输出，提高分级准确度。通过这个方法，可以更加精准的将高质量图像筛选出来参与聚类，降低低质量图像对聚类结果的影响。
91.实施例2
92.根据本发明的另一个实施例，还提供了一种人像聚类处理装置，图6是根据本发明实施例的人像聚类处理装置的框图，如图6所示，包括：
93.解析模块62，用于解析目标抓拍图像，得到目标图像数据；
94.输入模块64，用于将所述目标图像数据输入预先训练好的图像评价模型中，得到训练好的所述图像评价模型输出的所述目标图像数据对应的目标图像分类结果；
95.输出模块66，用于若所述目标图像分类结果为待聚档图像，将所述目标图像数据输出到聚档消息队列中；
96.聚类模块68，用于基于所述聚档消息队列进行人像聚类处理。
97.可选地，所述输出模块66，还用于若所述目标图像分类结果为非聚档图像，将所述目标图像数据输出到废片消息队列中。
98.可选地，所述解析模块62，还用于对所述抓拍图像进行解析，得到关联的人脸数据与人体数据，其中，所述目标图像数据包括所述人脸数据与所述人体数据。
99.可选地，所述聚类模块68，还用于从所述聚档消息队列中获取人脸数据，并根据聚类算法将所述人脸数据聚合为人脸档案；从所述聚档消息队列中获取人体数据，并根据聚类算法将所述人体数据聚合为人体档案；根据所述人脸数据与所述人体数据的关联关系将所述人脸档案与所述人体档案进行关联。
100.可选地，所述装置还包括：
101.获取模块，用于获取预定数量的抓拍图像的图像数据以及所述预定数量的图像数据实际对应的图像分类结果，组成数据集；
102.筛选模块，用于从所述数据集中筛选第一预定比例的图像数据形成训练集，筛选第二预定比例的图像数据形成测试集，筛选第三预定比例的图像数据形成验证集，其中，所述第一预设比例大于所述第二预设比例，所述第二预设比例大于所述第三预设比例；
103.训练模块，用于根据所述训练集对所述图像评价模型进行训练，在训练过程中，每预设轮数训练之后，根据所述验证集进行分类预测，通过对所述验证集的分类，调整所述图
像评价模型的参数设置，并根据所述测试集对所述图像评价模型进行测试，直至完成训练，得到训练好的所述图像评价模型。
104.可选地，所述训练模块，还用于使用所述预定数量的图像数据以及所述预定数量的图像数据对应的图像分类结果对所述图像评价模型进行训练，得到训练好的所述图像评价模型，其中，所述预定数量的图像数据为所述图像评价模型的输入，训练好的所述图像评价模型输出的所述图像数据对应的图像分类结果与所述图像数据实际对应的图像分类结果满足预设函数。
105.可选地，所述装置还包括：
106.构建模块，用于构建所述图像评价模型，其中，所述图像评价模型包括依次连接的卷积层、池化层、inception模块、两个全连接层、softmax层、输出层，其中，所述卷积层用于提取低阶特征值，所述inception模块用于提取高阶特征。
107.可选地，所述装置还包括：
108.处理模块，用于对所述卷积层和所述池化层进行随机失活处理。
109.可选地，所述装置还包括：
110.调整模块，用于将所述数据集中的图像数据调整为预设像素大小。
111.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
112.实施例3
113.本发明的实施例还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
114.可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
115.s1，解析目标抓拍图像，得到目标图像数据；
116.s2，将所述目标图像数据输入预先训练好的图像评价模型中，得到训练好的所述图像评价模型输出的所述目标图像数据对应的目标图像分类结果；
117.s3，若所述目标图像分类结果为待聚档图像，将所述目标图像数据输出到聚档消息队列中；
118.s4，基于所述聚档消息队列进行人像聚类处理。
119.可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
120.实施例4
121.本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
122.可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
123.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
124.s1，解析目标抓拍图像，得到目标图像数据；
125.s2，将所述目标图像数据输入预先训练好的图像评价模型中，得到训练好的所述图像评价模型输出的所述目标图像数据对应的目标图像分类结果；
126.s3，若所述目标图像分类结果为待聚档图像，将所述目标图像数据输出到聚档消息队列中；
127.s4，基于所述聚档消息队列进行人像聚类处理。
128.可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
129.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
130.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。