一种虚拟形象的生成方法、装置、电子设备及存储介质与流程

1.本公开涉及人工智能领域，具体涉及计算机视觉和图像处理技术，具体可用于增强现实、计算机视觉、深度学习等人工智能领域。


背景技术：

2.图像到三维虚拟形象(photo-to-avatar，pta)作为一种常见的虚拟形象生成技术，能够基于用户图像生成用户的个性化三维虚拟形象(avatar)。并且伴随着虚拟形象在社交、直播、游戏等场景的广泛应用，用户对于虚拟形象的风格需求也越来越多。
3.相关技术中，往往需要相关设计人员手动来设计生成具有特定风格的虚拟形象。相关技术虽然能够生成具有特定风格的虚拟形象，但生成具有特定风格的虚拟形象的过程往往需要花费大量的人力和时间。


技术实现要素：

4.本公开提供了提供一种虚拟形象的生成方法、装置、电子设备、可读存储介质以及计算机程序产品，以提高具有目标风格的虚拟形象的生成效率。
5.根据本公开的一方面，提供了一种虚拟形象的生成方法，该方法可以包括以下步骤：
6.根据目标对象的面部图像，确定候选风格模型基底对应的目标基底系数，候选风格模型基底为针对风格模型预先生成的至少一个模型基底，风格模型为预先生成的具有目标风格的虚拟形象模型，目标基底系数用于表示候选风格模型基底在生成虚拟形象时所占的权重；
7.利用目标基底系数以及候选风格模型，生成目标对象对应的目标虚拟形象，目标虚拟形象为具有目标风格的虚拟形象。
8.根据本公开的第二方面，提供了一种虚拟形象的生成装置，该装置可以包括：
9.目标基底系数确定单元，用于根据目标对象的面部图像，确定候选风格模型基底对应的目标基底系数，候选风格模型基底为针对风格模型预先生成的至少一个模型基底，风格模型为预先生成的具有目标风格的虚拟形象模型，目标基底系数用于表示候选风格模型基底在生成虚拟形象时所占的权重；
10.目标虚拟形象生成单元，用于利用目标基底系数以及候选风格模型，生成目标对象对应的目标虚拟形象，目标虚拟形象为具有目标风格的虚拟形象。
11.根据本公开的另一方面，提供了一种电子设备，包括：
12.至少一个处理器；以及
13.与该至少一个处理器通信连接的存储器；其中，
14.该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
15.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储
介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
16.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现本公开任一实施例中的方法。
17.本公开的技术，由于风格模型为具有目标风格的虚拟形象模型，候选风格模型基底为针对该风格模型生成的模型基底。因此，能够保证利用目标基底系数以及候选风格模型，生成的目标虚拟形象具有目标风格。并且由于在生成具有目标风格的目标虚拟形象的过程中，无需相关设计人员花费大量的时间和精力手动设计虚拟形象的外形骨骼，以及对应的蒙皮骨骼模型，从而提高了具有目标风格的虚拟形象的生成效率。
18.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
19.附图用于更好地理解本方案，不构成对本公开的限定。其中：
20.图1为本公开的实施例提供一种虚拟形象的生成方法的流程图；
21.图2为本公开的实施例中提供的一种目标基底系数确定方法的流程图；
22.图3为本公开的实施例中提供的另一种目标基底系数确定方法的流程图；
23.图4为本公开的实施例中提供的另一种目标虚拟形象的生成方法的流程图；
24.图5为本公开的实施例中提供的第三种目标虚拟形象的生成方法的流程图；
25.图6为本公开的实施例中提供一种虚拟形象的生成装置的示意图；
26.图7为本公开的实施例中提供的一种电子设备的示意图。
具体实施方式
27.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
28.本公开提供一种虚拟形象的生成方法，具体请参照图1，其为本公开的实施例提供一种虚拟形象的生成方法的流程图。该方法可以包括以下步骤：
29.步骤s101：根据目标对象的面部图像，确定候选风格模型基底对应的目标基底系数，候选风格模型基底为针对风格模型预先生成的至少一个模型基底，风格模型为预先生成的具有目标风格的虚拟形象模型，目标基底系数用于表示候选风格模型基底在生成虚拟形象时所占的权重。
30.步骤s102：利用目标基底系数以及候选风格模型，生成目标对象对应的目标虚拟形象，目标虚拟形象为具有目标风格的虚拟形象。
31.本公开的实施例中提供的虚拟形象的生成方法，由于风格模型为具有目标风格的虚拟形象模型，候选风格模型基底为针对该风格模型生成的模型基底。因此，能够保证利用目标基底系数以及候选风格模型，生成的目标虚拟形象具有目标风格。并且由于在生成具有目标风格的目标虚拟形象的过程中，无需相关设计人员花费大量的时间和精力手动设计虚拟形象的外形骨骼，以及对应的蒙皮骨骼模型，从而提高了具有目标风格的虚拟形象的
生成效率。
32.本公开的实施例中，目标风格对应于预设的鲜明特点。相应的，所谓风格模型是指具有鲜明特点的虚拟形象模型，用于展示目标对象在该鲜明特点下的形象。鲜明特点可以是指大眼睛小嘴，眨眼歪嘴等特点。相应的，目标风格可以是指大眼睛小嘴，眨眼歪嘴等。
33.风格模型一般是相关设计人员通过用于虚拟形象模型设计的设计工具，针对目标风格进行模型设计得到的，风格模型还可以是通过其他模型生成方式预先生成的具有目标风格的虚拟形象模型。也就是说，本公开的实施例中对风格模型的生成方式不做具体限定。
34.所谓候选风格模型基底是在风格模型基础上进一步生成的至少一个模型基底，每个候选风格模型基底用于展示目标对象在目标需求下具有鲜明特点的形象。其中，目标需求为针对目标对象的五官特征或面部表情设置的需求，目标需求可以包括大眼睛、粗眉毛，张嘴巴表情、微笑表情或眨眼表情等中的至少一个。相应的，在风格模型为大眼睛大嘴巴，目标需求为张嘴巴的情况下，候选风格模型基底可以为具有张嘴巴表情的大眼睛大嘴巴风格的模型基底。
35.本公开的实施例中，目标对象包括但不限于人、动物、甚至机器人。相应的，虚拟形象包括但不限于人的个性化三维虚拟形象、动物的个性化三维虚拟形象以及机器人的个性化三维虚拟形象。
36.本公开的实施例中，所谓根据目标对象的面部图像，确定候选风格模型基底对应的目标基底系数的具体实现方式可以如图2所示，图2为本公开的实施例中提供的一种目标基底系数确定方法的流程图。图2所示的方法可以包括如下步骤：
37.步骤s201：对面部图像进行面部关键点提取，获得目标对象对应的面部关键点。
38.步骤s202：利用面部关键点，确定标准模型基底对应的参考基底系数，标准模型基底为针对标准模型预先生成的模型基底，标准模型为预先生成的标准虚拟形象模型，参考基底系数用于表示标准模型基底在生成预设虚拟形象时所占的权重。
39.步骤s203：利用参考基底系数，确定目标基底系数。
40.由于标准模型基底为针对标准模型生成的模型基底，标准模型为标准虚拟形象模型。因此，确定标准模型基底对应的参考基底系数的过程往往较为简单。从而将该参考基底系数作为用于确定目标基底系数的依据，能够降低目标基底系数确定的复杂度。
41.所谓标准模型为预先生成的标准虚拟形象模型，该标准虚拟形象模型是指不具有鲜明特点的虚拟形象模型，用于展示目标对象的正常形象。
42.所谓标准模型基底是在标准模型基础上进一步生成的具有正常表现力的模型基底。具体的，标准模型基底可以为是具有正常表现力且符合目标需求的目标标准模型基底，用于展示目标对象在目标需求下的形象。
43.在目标需求为大眼睛、粗眉毛，张嘴巴表情、微笑表情或眨眼表情等的情况下，标准模型基底具体可以为：具有大眼睛的标准模型基底，具有粗眉毛的标准模型基底，具有眨眼表情的标准模型基底，具有张嘴巴动作的标准模型基底，以及具有眨眼表情的标准模型基底。
44.需要说明的是，当目标对象为人时，在生成标准模型、标准模型基底、风格模型、候选风格模型基底以及生成个性化三维虚拟形象之前，都要获得相关目标对象的允许和授权。并且在上述过程中，如果涉及到用户个人信息的获取，存储和应用等，所涉及的用户个
人信息的获取，存储和应用等，均应当符合相关法律法规的规定，且不违背公序良俗。
45.本公开的实施例中，对面部图像进行面部关键点提取，获得目标对象对应的面部关键点的具体实现方式为：将面部图像输入到已训练的面部关键点检测模型中，获得该面部关键点检测模型输出的面部关键点。所谓面部关键点检测模型为基于面部图像样本以及对应标注的面部关键点结果预先训练好的神经网络模型。
46.本公开的实施例中，利用面部关键点，确定标准模型基底对应的参考基底系数的过程可以为：采用三维虚拟形象(photo-to-avatar，pta)求解器对面部关键点进行解析计算，以获得该面部关键点对应的基底系数，并将该面部关键点对应的基底系数确定为参考基底系数。
47.在具体实现过程中，pta求解器可以通过面部关键点重投影误差最小化对齐算法、实现人脸的三维形态的标准模型到面部关键点的透视n点(perspective-n-point；pnp)算法，来解算面部关键点对应的基底系数。
48.本公开的实施例中，利用参考基底系数，确定目标基底系数的具体实现方式可以如图3所示，图3为本公开的实施例中提供的另一种目标基底系数确定方法的流程图。图3所示的方法可以包括如下步骤：
49.步骤s301：确定候选风格模型基底与标准模型基底之间的对应关系。
50.步骤s302：根据对应关系，将参考基底系数对应确定为目标基底系数。
51.根据对应关系来确定为目标基底系数，能够保障目标基底系数的准确性。
52.本公开的实施例中，对应关系的获得方式可以为：确定目标需求相同的标准模型基底以及候选风格模型基底，并针对具有相同目标需求的标准模型基底以及候选风格模型基底，建立对应关系。
53.本公开的实施例中，根据对应关系，将参考基底系数对应确定为目标基底系数的实现方式如下：
54.首先，确定各标准模型基底对应的参考基底系数。
55.然后，在对应关系中，查找各标准模型基底对应的候选风格模型基底。
56.最后，根据各标准模型基底对应的候选风格模型基底，将各标准模型基底对应的参考基底系数对应确定为个候选风格模型基底对应的目标基底系数。
57.本公开的实施例中，利用目标基底系数以及候选风格模型，生成目标对象对应的目标虚拟形象的具体实现方式可以如图4所示，图4为本公开的实施例中提供的另一种目标虚拟形象的生成方法的流程图。图4所示的方法可以包括如下步骤：
58.步骤s401：基于目标基底系数，对候选风格模型进行加权融合，获得目标对象对应的初始虚拟形象模型。
59.步骤s402：利用初始虚拟形象模型，生成目标虚拟形象。
60.利用基于目标基底系数，对候选风格模型进行加权融合来获得初始虚拟形象模型，能够控制初始虚拟形象模型与候选风格模型的相似度，进而能够控制目标虚拟形象的形象。
61.本公开的实施例中，利用初始虚拟形象模型，生成目标虚拟形象的具体实现方式可以为：首先，确定面部图像对应的面部纹理特征。然后，根据面部纹理特征，对初始虚拟形象模型进行纹理填充，生成目标虚拟形象。
62.在初始虚拟形象模型的基础上直接进行纹理填充，来生成目标虚拟形象，能够进一步提高目标虚拟形象的生成效率。
63.其中，利用初始虚拟形象模型，生成目标虚拟形象的具体实现方式包括：确定面部图像对应的面部纹理特征。然后，根据面部纹理特征，对初始虚拟形象模型进行纹理填充，生成目标虚拟形象。
64.对初始虚拟形象模型进行纹理填充来生成目标虚拟形象，能够提高目标虚拟形象的真实性以及视觉效果。
65.本公开的实施例中，面部纹理特征的确定过程可以为：将面部图像输入到已训练的纹理特征提取模型中，获得纹理特征提取模型输出的面部纹理特征。该纹理特征提取模型是利用面部图像样本以及对应标注的面部纹理特征结果预先训练好的神经网络模型。
66.本公开的实施例中，还可以采用其他提取图像纹理特征的方式，来对面部图像进行特征提取，以获得面部纹理特征。
67.本公开的实施例中，根据面部纹理特征，对初始虚拟形象模型进行纹理填充的过程可以为：将面部纹理特征以及初始虚拟形象模型输入到已训练的纹理填充模型中，获得纹理填充模型输出的目标虚拟形象。其中，该纹理填充模型为基于面部纹理特征样本、虚拟形象模型样本以及填充有纹理信息的虚拟形象预先训练好的神经网络模型。
68.本公开的实施例中，根据面部纹理特征，对初始虚拟形象模型进行纹理填充的过程还可以为：首先，根据面部纹理特征，构建初始虚拟形象模型对应的纹理图。然后，通过纹理贴图的方式，将纹理图对应的纹理特征渲染至初始虚拟形象模型表面，以生成目标虚拟形象。
69.本公开的实施例中，生成目标虚拟形象的方式还可以如图5所示，图5为本公开的实施例中提供的第三种目标虚拟形象的生成方法的流程图。图5所示的方法可以包括如下步骤：
70.步骤s501：获得针对目标对象预设的虚拟形象模型需求。
71.步骤s502：在初始虚拟形象模型不满足虚拟形象模型需求情况下，调整目标基底系数。
72.步骤s503：基于调整后的基底系数，对候选风格模型进行加权，获得目标对象对应的目标虚拟形象模型。
73.步骤s504：利用目标虚拟形象模型，生成目标虚拟形象。
74.在初始虚拟形象模型不满足虚拟形象模型需求情况下，调整目标基底系数，并基于调整后的基底系数，对候选风格模型进行加权，来获得目标对象对应的目标虚拟形象模型，用于生成目标虚拟形象。能够确保初始虚拟形象模型更加的符合虚拟形象模型需求，从而使目标虚拟形象能够更加的符合虚拟形象模型需求。
75.本公开的实施例中，所谓虚拟形象模型需求为针对面部图像预设的需求，具体可以为初始虚拟形象模型对应的二维投影图像与面部图像的相似度达到特定相似度阈值。例如特定相似度阈值为80％。其中，二维投影图像为将初始虚拟形象模型投影至二维平面坐标系下获得的图像。
76.本公开的实施例中，所谓虚拟形象模型需求为面部图像预设的需求，具体还可以为：目标对象与初始虚拟形象模型之间外形的相似度达到预设相似度阈值。例如预设相似
度阈值可以为85％。
77.本公开的实施例中，利用目标虚拟形象模型，生成目标虚拟形象的具体实现方式可以为：根据面部纹理特征，对目标虚拟形象模型进行纹理填充，生成目标虚拟形象。
78.需要说明的是，在目标虚拟形象模型依然不符合虚拟形象模型需求情况下，还可以执行如下步骤：首先，将调整后的基底系数确定为待调整的基底系数。然后，基于待调整的基底系数，对候选风格模型进行加权，获得目标对象对应的新虚拟形象模型。最后，根据面部纹理特征，对该新虚拟形象模型进行纹理填充，来生成目标虚拟形象。
79.如图6所示，本公开的实施例提供一种虚拟形象的生成装置，该装置包括：
80.目标基底系数确定单元601，用于根据目标对象的面部图像，确定候选风格模型基底对应的目标基底系数，候选风格模型基底为针对风格模型预先生成的至少一个模型基底，风格模型为预先生成的具有目标风格的虚拟形象模型，目标基底系数用于表示候选风格模型基底在生成虚拟形象时所占的权重；
81.目标虚拟形象生成单元602，用于利用目标基底系数以及候选风格模型，生成目标对象对应的目标虚拟形象，目标虚拟形象为具有目标风格的虚拟形象。
82.在一种实施方式中，目标基底系数确定单元601，可以包括：
83.面部关键点获得子单元，用于对面部图像进行面部关键点提取，获得目标对象对应的面部关键点；
84.参考基底系数确定子单元，用于利用面部关键点，确定标准模型基底对应的参考基底系数，标准模型基底为针对标准模型预先生成的模型基底，标准模型为预先生成的标准虚拟形象模型，参考基底系数用于表示标准模型基底在生成预设虚拟形象时所占的权重；
85.第一目标基底系数确定子单元，用于利用参考基底系数，确定目标基底系数。
86.在一种实施方式中，第一目标基底系数确定子单元，可以包括：
87.对应关系确定子单元，用于确定候选风格模型基底与标准模型基底之间的对应关系；
88.第二目标基底系数确定子单元，用于根据对应关系，将参考基底系数对应确定为目标基底系数。
89.在一种实施方式中，目标虚拟形象生成单元602，可以包括：
90.初始虚拟形象模型获得子单元，用于基于目标基底系数，对候选风格模型进行加权融合，获得目标对象对应的初始虚拟形象模型；
91.第一目标虚拟形象生成子单元，用于利用初始虚拟形象模型，生成目标虚拟形象。
92.在一种实施方式中，第一目标虚拟形象生成子单元，可以包括：
93.虚拟形象模型需求获得子单元，用于获得针对目标对象预设的虚拟形象模型需求；
94.基底系数调整子单元，用于在初始虚拟形象模型不满足虚拟形象模型需求情况下，调整目标基底系数；
95.第一目标虚拟形象模型获得子单元，用于基于调整后的基底系数，对候选风格模型进行加权，获得目标对象对应的目标虚拟形象模型；
96.第二目标虚拟形象生成子单元，用于利用目标虚拟形象模型，生成目标虚拟形象。
97.在一种实施方式中，第一目标虚拟形象生成子单元，可以包括：
98.面部纹理特征确定子单元，用于确定面部图像对应的面部纹理特征；
99.第三目标虚拟形象生成子单元，用于根据面部纹理特征，对初始虚拟形象模型进行纹理填充，生成目标虚拟形象。
100.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
101.根据本公开实施例，本公开还提供了一种电子设备和一种可读存储介质。
102.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
103.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
104.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
105.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如虚拟形象的生成方法。例如，在一些实施例中，虚拟形象的生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的虚拟形象的生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行虚拟形象的生成方法。
106.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至
少一个输出装置。
107.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程虚拟形象的生成装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
108.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
109.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
110.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
111.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
112.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
113.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。