一种多类型和多车牌的车牌识别方法、装置以及系统与流程

1.本技术涉及车牌识别技术领域，尤其涉及一种多类型和多车牌的车牌识别方法、装置以及系统。


背景技术：

2.随着现代自动化的不断发展，人们对于交通管理的要求也越来越高。车牌识别技术是现代智能交通系统中的重要组成部分之一，它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。它在停车场、城市道路以及高速公路等公共区域有着十分广泛的应用，对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。
3.目前，市场上的大多数车牌识别设备都是采用传统的字符分割法来进行车牌识别，工作流程为：先从摄像设备采集到的车辆图像中提取车牌图像，再自动分割字符，最后对字符进行识别，输出车牌的识别结果。
4.目前，当特殊地区的车辆进入其他地区时不仅需要挂当地的车牌还需要挂原地区的车牌，这就会使得有些车辆需要同时挂多个车牌，而且有些种类的车牌还有单双层之分，如：单双层武警牌、单双层军牌等。但是，目前传统的车牌识别方法只能对单台车辆的单个常见单层车牌进行识别，如：黄牌、蓝牌、黑牌等车牌，而这就会导致车牌识别设备无法有效地识别单台车辆的多个车牌或者双层种类的车牌，从而给出入管理带来诸多不便。


技术实现要素：

5.本技术提供了一种多类型和多车牌的车牌识别方法、装置以及系统，能够提升车牌识别的通用性。
6.本技术第一方面提供了一种多类型和多车牌的车牌识别方法，包括：
7.获取目标车辆的图像信息；
8.确定所述目标车辆的图像信息中的车牌区域；
9.当检测到多个车牌区域时，分别获取所述车牌区域中的第一车牌子图，所述第一车牌子图为单一车牌区域中车牌的图像信息；
10.根据所述第一车牌子图判断车牌属性，所述车牌属性包含不同车牌的单双层类别和车牌颜色；
11.按照单双层类别分别对所述第一车牌子图进行车牌识别，得到第一车牌识别结果；
12.对所述第一车牌识别结果进行字符置信度投票；
13.确定投票结果为目标车牌识别结果。
14.可选的，在所述按照单双层类别分别对所述第一车牌子图进行车牌识别，得到第一车牌识别结果之后，所述对所述第一车牌识别结果进行字符置信度投票之前，所述车牌
识别方法还包括：
15.根据所述车牌属性对所述第一车牌识别结果进行过滤处理，得到第二车牌识别结果；
16.所述对所述第一车牌识别结果进行字符置信度投票包括：
17.对所述第二车牌识别结果进行字符置信度投票。
18.可选的，所述根据所述第一车牌子图判断车牌属性包括：
19.将所述第一车牌子图输入至深度学习分类模型，输出属性结果，所述属性结果包含不同车牌的单双层类别概率和车牌颜色概率；
20.根据所述单双层类别概率和车牌颜色概率确定车牌属性。
21.可选的，所述按照单双层类别分别对所述第一车牌子图进行车牌识别，得到第一车牌识别结果包括：
22.判断所述第一车牌子图是否属于单层车牌类别；
23.若是，则将所述第一车牌子图输入至深度学习单层车牌识别模型，输出车牌号码和车牌字符置信度；
24.根据所述车牌号码和车牌字符置信度确定第一车牌识别结果；
25.若否，则将所述第一车牌子图输入至深度学习双层车牌识别模型，输出车牌号码和车牌字符置信度；
26.根据所述车牌号码和车牌字符置信度确定第一车牌识别结果。
27.可选的，在所述分别获取所述车牌区域中的第一车牌子图之后，所述根据所述第一车牌子图判断车牌属性之前，所述车牌识别方法还包括：
28.对所述第一车牌子图进行矫正处理，得到第二车牌子图；
29.所述根据所述第一车牌子图判断车牌属性包括：
30.根据所述第二车牌子图判断车牌属性；
31.所述按照单双层类别分别对所述第一车牌子图进行车牌识别，得到第一车牌识别结果包括：
32.按照单双层类别分别对所述第二车牌子图进行车牌识别，得到第一车牌识别结果。
33.可选的，所述确定所述图像信息中的车牌区域包括：
34.将所述目标车辆的图像信息输入至深度学习检测模型，输出所有车牌的车牌坐标；
35.将所述车牌坐标映射至所述目标车辆的图像信息中，得到车牌区域。
36.本技术第二方面提供了一种多类型和多车牌的车牌识别装置，包括：
37.第一获取单元，用于获取目标车辆的图像信息；
38.第一确定单元，用于确定所述目标车辆的图像信息中的车牌区域；
39.第二获取单元，用于当检测到多个车牌区域时，分别获取所述车牌区域中的第一车牌子图，所述第一车牌子图为单一车牌区域中车牌的图像信息；
40.判断单元，用于根据所述第一车牌子图判断车牌属性，所述车牌属性包含不同车牌的单双层类别和车牌颜色；
41.识别单元，用于按照单双层类别分别对所述第一车牌子图进行车牌识别，得到第
一车牌识别结果；
42.投票单元，用于对所述第一车牌识别结果进行字符置信度投票；
43.第二确定单元，用于确定投票结果为目标车牌识别结果。
44.可选的，所述车牌识别装置还包括：
45.过滤单元，用于根据所述车牌属性对所述第一车牌识别结果进行过滤处理，得到第二车牌识别结果；
46.所述投票单元具体用于：
47.对所述第二车牌识别结果进行字符置信度投票。
48.可选的，所述判断单元具体用于：
49.将所述第一车牌子图输入至深度学习分类模型，输出属性结果，所述属性结果包含不同车牌的单双层类别概率和车牌颜色概率；
50.根据所述单双层类别概率和车牌颜色概率确定车牌属性。
51.可选的，所述识别单元具体用于：
52.判断所述第一车牌子图是否属于单层车牌类别；
53.若是，则将所述第一车牌子图输入至深度学习单层车牌识别模型，输出车牌号码和车牌字符置信度；
54.根据所述车牌号码和车牌字符置信度确定第一车牌识别结果；
55.若否，则将所述第一车牌子图输入至深度学习双层车牌识别模型，输出车牌号码和车牌字符置信度；
56.根据所述车牌号码和车牌字符置信度确定第一车牌识别结果。
57.可选的，所述车牌识别装置还包括：
58.矫正单元，用于对所述第一车牌子图进行矫正处理，得到第二车牌子图；
59.所述判断单元具体用于：
60.根据所述第二车牌子图判断车牌属性；
61.所述识别单元具体用于：
62.按照单双层类别分别对所述第二车牌子图进行车牌识别，得到第一车牌识别结果。
63.可选的，所述第一确定单元具体用于：
64.将所述目标车辆的图像信息输入至深度学习检测模型，输出所有车牌的车牌坐标；
65.将所述车牌坐标映射至所述目标车辆的图像信息中，得到车牌区域。
66.本技术第三方面提供了一种多类型和多车牌的车牌识别系统，包括：
67.中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；
68.所述存储器为短暂存储存储器或持久存储存储器；
69.所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行第一方面以及第一方面的可选方式中的任意一种所述的方式。
70.本技术第四方面提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行第一方面以及第一方面的可选方式中的任意一种所述的方式。
71.从以上技术方案可以看出，本技术具有以下效果：
72.先获取目标车辆的图像信息，并确定图像信息中的车牌区域；当检测到多个车牌区域时，分别获取车牌区域中的第一车牌子图，该第一车牌子图为单一车牌区域中车牌的图像信息；然后根据第一车牌子图判断车牌属性，该车牌属性包含不同车牌的单双层类别和车牌颜色；再按照单双层类别分别对第一车牌子图进行车牌识别，得到第一车牌识别结果；最后对第一车牌识别结果进行字符置信度投票并确定投票结果为目标车牌识别结果。通过这样，当出现单台车辆挂多个车牌或者车牌类型为双层车牌时，可以分别识别出不同类型以及不同车牌的车牌信息，减少了误识别的情况，提高了车牌识别的通用性。
附图说明
73.图1为本技术中多类型和多车牌的车牌识别方法一个实施例示意图；
74.图2-1和图2-2为本技术中多类型和多车牌的车牌识别方法另一个实施例示意图；
75.图3为本技术中多类型和多车牌的车牌识别装置一个实施例示意图；
76.图4为本技术中多类型和多车牌的车牌识别装置另一个实施例示意图；
77.图5为本技术中多类型和多车牌的车牌识别系统一个实施例示意图。
具体实施方式
78.本技术提供了一种多类型和多车牌的车牌识别方法、装置以及系统，用于提高车牌识别的通用性。
79.本技术描述的多类型和多车牌识别的车牌识别方法应用于停车场中出入口管理中，当出现多类型的车牌或者一辆车挂多个车牌的情况时，可以准确地识别出车牌信息，从而可以减少因无法识别其他类型车牌或者无法识别多个车牌而造成车主出入停车场不便的情况。
80.本技术描述的多类型和多车牌的车牌识别方法应用于上停车场出入口管理的系统上执行实现，请参阅图1所示，本技术中多类型和多车牌的车牌识别方法的一个实施例包括：
81.101、系统获取目标车辆的图像信息；
82.本实施例中，系统通过图像采集设备采集出入停车场的目标车辆的图像信息，该图像采集设备可以采用数字摄像头或者模拟摄像头，具体此处不做限定，采集到的图像信息为bgr彩色图片。例如：当a车辆行驶至道闸的车牌识别区域时，摄像头获取在拍摄视野内的a车辆的车辆图像，然后摄像头通过数据传输接口将该车辆图像传输至系统上。
83.102、系统确定目标车辆的图像信息中的车牌区域；
84.本实施例中，系统将获取到的图像信息输入至用于定位车牌位置的车牌检测模块，根据车牌检测模块的检测结果确定该图像信息上的车牌区域，该车牌检测模块可以采用深度学习检测模型mobilenet-ssd，具体实现方式后续实施例再进行描述。车牌区域的数量可以为1个或者多个，系统所能检测到的车牌区域数量与目标车辆上的车牌数量有着直接的关联，例如：当a车辆上挂了3个不同的车牌时，系统会检测到3个不同车牌的车牌区域。
85.103、当检测到多个车牌区域时，系统分别获取车牌区域中的第一车牌子图，该第一车牌子图为单一车牌区域中车牌的图像信息；
86.系统检测到的车牌区域为目标车辆的图像信息中每个车牌所在的区域，为了更好地对每个车牌进行有效地识别，需要将每个车牌的车牌图像信息单独提取出来，提取出来的图像信息即为每个车牌区域所对应的车牌子图。
87.104、系统根据第一车牌子图判断车牌属性，该车牌属性包含不同车牌的单双层类别和车牌颜色；
88.本实施例中，系统将第一车牌子图输入至用于判断车牌属性的车牌属性判断模块，根据该车牌属性判断模块的输出结果确定不同车牌的车牌属性。该车牌属性判断模块可以采用深度学习分类模型，具体实现方式后续实施例再进行描述。车牌属性包含车牌的单双层类别和车牌颜色，例如：a车牌的车牌属性为单层蓝牌、b车牌的车牌属性为单层红牌或者c车牌的车牌属性为双层黄牌。
89.105、系统按照单双层类别分别对第一车牌子图进行车牌识别，得到第一车牌识别结果；
90.系统识别出第一车牌子图的车牌属性后，根据车牌的单双层类别不同对车牌子图分别进行车牌识别，得到的第一车牌识别结果包含车牌号码和车牌号码每个字符所对应的置信度。如：当a车牌的车牌属性为单层类别时，将a车牌对应的第一车牌子图输入至单层车牌识别模块进行车牌识别，该单层车牌识别模块可以采用深度学习单层车牌识别模型，具体实现方式后续实施例再进行描述；当b车牌的车牌属性为双层类别时，将b车牌的对应的第一车牌子图输入至双层车牌识别模块进行车牌识别，该双层车牌识别模块可以采用深度学习双层车牌识别模型，具体实现方式后续实施例再进行描述。
91.106、系统对第一车牌识别结果进行字符置信度投票；
92.本实施例中，系统对获取到的第一车牌识别结果进行多帧投票。系统先判断每一帧的第一车牌识别结果中每个字符的置信度是否大于阈值，若是，则将满足条件的车牌字符加入队列中进行投票；若否，则拒绝不满足条件的车牌字符参与投票。然后选取队列中置信度最大的字符组成的第一车牌识别结果作为投票结果。
93.107、系统确定投票结果为目标车牌识别结果。
94.本实施例中，系统在对第一车牌识别结果进行字符置信度投票后，将投票得到的结果作为目标车牌识别结果输出，该目标车牌识别结果包含有车牌号码、车牌颜色以及车牌的种类，例如：a车辆挂有3个车牌，分别为b车牌、c车牌以及d车牌，b车牌的识别结果为单层黑牌a1234，c车牌的识别结果为单层黑牌k1234，d车牌的识别结果为双层黑牌h1234。
95.本实施例中，系统先获取目标车辆的图像信息，并确定图像信息中的车牌区域；当检测到多个车牌区域时，分别获取车牌区域中的第一车牌子图，该第一车牌子图为单一车牌区域中车牌的图像信息；然后根据第一车牌子图判断车牌属性，该车牌属性包含不同车牌的单双层类别和车牌颜色；再按照单双层类别分别对第一车牌子图进行车牌识别，得到第一车牌识别结果；最后对第一车牌识别结果进行字符置信度投票并确定投票结果为目标车牌识别结果。通过这样，当出现单台车辆挂多个车牌或者车牌类型为双层车牌时，可以分别识别出不同类型以及不同车牌的车牌信息，减少了误识别的情况，提高了车牌识别的通用性。
96.请参阅图2-1和图2-2所示，本技术中多类型和多车牌的车牌识别方法的另一个实施例包括：
97.201、系统获取目标车辆的图像信息；
98.本实施例中的步骤201与前述图1所示实施例中的步骤101类似，此处不再进行赘述。
99.202、系统将目标车辆的图像信息输入至深度学习检测模型，输出所有车牌的车牌坐标；
100.203、系统将车牌坐标映射至目标车辆的图像信息中，得到车牌区域；
101.可选的，本实施例中，系统可以将目标车辆的图像信息输入至已训练完成的深度学习检测模型中，该检测模型可以输出从目标车辆的图像信息中检测到的车牌框的车牌坐标值，该车牌坐标值包括车牌框在指定坐标系下的每个顶点的坐标，如：左上顶点的横纵坐标、左下顶点的横纵坐标、右上顶点的横纵坐标或者右下顶点的横纵坐标。系统将模型输出的车牌坐标值映射至目标车辆的图像信息中，获取到各个车牌在目标车辆图像上的具体位置信息，从而形成各个车牌的车牌区域。另外，该检测模型还可以输出目标车辆的图像信息中是否存在车牌，若输出结果为该图像信息中不存在车牌，则系统重新获取目标车辆的图像信息。通过这样，可以同时检测到多个车牌在车牌图像上的具体位置。
102.204、当检测到多个车牌区域时，系统分别获取车牌区域中的第一车牌子图，第一车牌子图为单一车牌区域中车牌的图像信息；
103.本实施例中的步骤204与前述图1所示实施例中步骤103类似，此处不再进行赘述。
104.205、系统对第一车牌子图进行矫正处理，得到第二车牌子图；
105.可选的，本实施例中，当图像采集设备与目标车辆存在一定的识别角度差时，系统所获取到的车牌子图也会存在一定的倾斜角度，为了减少车牌倾斜对车牌识别准确度的影响，系统可以在获取到第一车牌子图后对该第一车牌子图进行矫正。系统可以将第一车牌子图输入至已训练完成的深度学习回归模型中，该回归模型可以输出车牌边界的多个回归点坐标，系统可以取左上、左下、右上以及右下这四个顶点的回归点坐标放入第一车牌子图中进行透视变换。透视变换是一种利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面绕迹线旋转某一角度，破坏原有的投影光线束，仍能保持承影面上投影几何图形不变的变换，其常用于图像的倾斜矫正。在经过透视变换后，系统可以得到矫正完成的第二车牌子图。
106.206、系统将第二车牌子图输入至深度学习分类模型，输出属性结果，该属性结果包含不同车牌的单双层类别概率和车牌颜色概率；
107.207、系统根据单双层类别概率和车牌颜色概率确定车牌属性，车牌属性包含不同车牌的单双层类别和车牌颜色；
108.可选的，本实施例中，系统可以将矫正后的第二车牌子图输入至已训练完成的深度学习分类模型，该分类模型的输出有两个分支，一个输出分支为车牌属于单层车牌类别的概率或者车牌属于双层车牌类别的概率，例如：a车牌属于单层车牌类别的概率为0.67，属于双层车牌类别的概率为0.33。另一个输出分支为车牌颜色的概率，例如：a车牌的车牌颜色为蓝色的概率为0.72，为黑色的概率为0.12，为黄色的概率为0.16。系统可以选择输出概率大于预设值且为最大值的单双层类别和车牌颜色作为车牌的车牌属性。通过这样，可以准确地识别出不同车牌的所属类别。
109.208、系统判断第二车牌子图是否属于单层车牌类别，若是，则执行步骤209，若否，
则执行步骤210；
110.209、系统将第二车牌子图输入至深度学习单层车牌识别模型，输出车牌号码和车牌字符置信度，系统再根据车牌号码和车牌字符置信度确定第二车牌识别结果；
111.210、系统将第二车牌子图输入至深度学习双层车牌识别模型，输出车牌号码和车牌字符置信度，系统再根据车牌号码和车牌字符置信度确定第一车牌识别结果；
112.可选的，当系统确定第二车牌子图为单层车牌类别时，系统可以将该第二车牌子图输入至深度学习单层车牌识别模型，该单层车牌识别模型为用于识别单层车牌的基于全卷积神经网络和连接时序分类的模型，可以输出通过贪心解码算法解码得到车牌号码和车牌字符置信度，如：a单层车牌的车牌号码为：a1357，对应的车牌字符置信度为：[0.921,0.928,0.922,0.939,0.985]，将得到的车牌号码和车牌字符置信度作为该车牌的第一车牌识别结果。当系统确定第二车牌子图为双层车牌类别时，系统可以将该第二车牌子图输入至深度学习双层车牌识别模型，该双层车牌识别模型为用于识别双层车牌的基于全卷积神经网络和连接时序分类的模型，可以输出通过贪心解码算法解码得到车牌号码和车牌字符置信度。通过这样，可以使系统更准确的识别出不同类型的车牌，减少误识别的情况。
[0113]
211、系统根据车牌属性对第一车牌识别结果进行过滤处理，得到第二车牌识别结果；
[0114]
可选的，本实施例中，系统在对第一车牌识别结果进行字符置信度投票前，可以先对第一车牌识别结果进行过滤处理，过滤掉一些不符合车牌规则和车牌字符置信度较低的车牌识别结果，得到可靠度较高的第二车牌识别结果，并将该第二车牌识别结果与其车牌属性进行绑定，然后再对第二车牌识别结果进行字符置信度投票。具体可以根据车牌属性中的单双层类别和车牌颜色和第一车牌识别结果中的车牌号码是否符合车牌规则，以及车牌字符置信度是否大于阈值，来进行过滤筛选。例如：a车牌检测出的车牌属性为：单层类别、车牌颜色为绿色，第一车牌识别结果为：车牌号码为b1234567，车牌字符置信度为：[0.991,0.994,0.985,0.997,0.989，0.988,0.992,0.993]，置信度阈值为0.980，通过车牌规则判定该a车牌为新能源绿牌，符合车牌规则，且所有车牌字符的置信度都大于阈值，此时系统可以确定该第一车牌识别结果为可靠度较高的第二车牌识别结果。通过这样，可以提高系统输出的车牌识别结果的准确度，而且可以提升车牌投票的效率。
[0115]
212、系统对第二车牌识别结果进行字符置信度投票；
[0116]
213、系统确定投票结果为目标车牌识别结果。
[0117]
本实施例中步骤212、213与前述图1所示实施例中步骤106、107类似，此处不再进行赘述。
[0118]
本实施例中，当出现单台车辆挂多个车牌或者车牌类型为双层车牌时，可以分别识别出不同类型以及不同车牌的车牌信息，减少了误识别的情况，提高了车牌识别的通用性。另外，通过对第一车牌子图进行矫正处理可以减少车牌倾斜对车牌识别准确度的影响。通过对第一车牌识别结果进行过滤处理可以提高系统输出的车牌识别结果的准确度，而且可以提升车牌投票的效率。
[0119]
请参阅图3所示，本技术中多类型和多车牌的车牌识别装置的一个实施例包括：
[0120]
第一获取单元301，用于获取目标车辆的图像信息；
[0121]
第一确定单元302，用于确定目标车辆的图像信息中的车牌区域；
[0122]
第二获取单元303，用于当检测到多个车牌区域时，分别获取车牌区域中的第一车牌子图，该第一车牌子图为单一车牌区域中车牌的图像信息；
[0123]
判断单元304，用于根据第一车牌子图判断车牌属性，该车牌属性包含不同车牌的单双层类别和车牌颜色；
[0124]
识别单元305，用于按照单双层类别分别对第一车牌子图进行车牌识别，得到第一车牌识别结果；
[0125]
投票单元306，用于对第一车牌识别结果进行字符置信度投票；
[0126]
第二确定单元307，用于确定投票结果为目标车牌识别结果。
[0127]
本实施例中，第一获取单元301获取目标车辆的图像信息；第一确定单元302确定目标车辆的图像信息中的车牌区域；当检测到多个车牌区域时，第二获取单元303分别获取车牌区域中的第一车牌子图，该第一车牌子图为单一车牌区域中车牌的图像信息；判断单元304根据第一车牌子图判断车牌属性，该车牌属性包含不同车牌的单双层类别和车牌颜色；识别单元305按照单双层类别分别对第一车牌子图进行车牌识别，得到第一车牌识别结果；投票单元306对第一车牌识别结果进行字符置信度投票；第二确定单元307确定投票结果为目标车牌识别结果。通过这样，当出现单台车辆挂多个车牌或者车牌类型为双层车牌时，可以分别识别出不同类型以及不同车牌的车牌信息，减少了误识别的情况，提高了车牌识别的通用性。
[0128]
请参阅图4所示，本技术中多类型和多车牌的车牌识别装置的另一个实施例包括：
[0129]
第一获取单元401，用于获取目标车辆的图像信息；
[0130]
第一确定单元402，具体用于将目标车辆的图像信息输入至深度学习检测模型，输出所有车牌的车牌坐标；将车牌坐标映射至目标车辆的图像信息中，得到车牌区域；
[0131]
第二获取单元403，用于当检测到多个车牌区域时，分别获取车牌区域中的第一车牌子图，该第一车牌子图为单一车牌区域中车牌的图像信息；
[0132]
矫正单元404，用于对第一车牌子图进行矫正处理，得到第二车牌子图；
[0133]
判断单元405，具体用于将第二车牌子图输入至深度学习分类模型，输出属性结果，属性结果包含不同车牌的单双层类别概率和车牌颜色概率；根据单双层类别概率和车牌颜色概率确定车牌属性；
[0134]
识别单元406，具体用于判断第二车牌子图是否属于单层车牌类别；若是，则将第二车牌子图输入至深度学习单层车牌识别模型，输出车牌号码和车牌字符置信度；根据车牌号码和车牌字符置信度确定第一车牌识别结果；若否，则将第二车牌子图输入至深度学习双层车牌识别模型，输出车牌号码和车牌字符置信度；根据车牌号码和车牌字符置信度确定第一车牌识别结果；
[0135]
过滤单元407，用于根据车牌属性对第一车牌识别结果进行过滤处理，得到第二车牌识别结果；
[0136]
投票单元408，用于对第二车牌识别结果进行字符置信度投票；
[0137]
第二确定单元409，用于确定投票结果为目标车牌识别结果。
[0138]
本实施例中，各单元的功能与前述图2-1和图2-2所示实施例中的步骤201至213的功能类似，此处不再进行赘述。
[0139]
请参阅图5所示，本技术中多类型和多车牌的车牌识别系统的一个实施例包括：
[0140]
中央处理器502，存储器501，输入输出接口503，有线或无线网络接口504以及电源505；
[0141]
存储器501为短暂存储存储器或持久存储存储器；
[0142]
中央处理器502配置为与存储器501通信，并执行存储器501中的指令操作以执行前述图1至图2所示实施例中的步骤。
[0143]
本技术提供了一种计算机可读存储介质，包括指令，当该指令在计算机上运行时，使得计算机执行前述图1至图2所示实施例中的步骤。
[0144]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0145]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，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。
[0146]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0147]
另外，在本技术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存在，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，也可以采用软件功能单元的形式实现。
[0148]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。