确定目标对象位置的方法、装置、电子设备和存储介质与流程

1.本公开涉及人工智能技术领域，尤其涉及自动驾驶技术领域。更具体地，本公开提供了一种确定目标对象位置的方法、装置、电子设备和存储介质。


背景技术：

2.在自动驾驶领域，可以根据例如单目相机采集的二维图像，利用深度学习模型预测该图像中目标对象的深度信息等三维信息。


技术实现要素：

3.本公开提供了一种确定目标对象位置的方法、装置、设备以及存储介质。
4.根据第一方面，提供了一种确定目标对象位置的方法，该方法包括：根据输入图像中目标对象的参考三维位置信息，确定所述目标对象相对于所述图像采集装置的待优化三维位置信息；以及根据所述目标对象的真实二维信息对所述待优化三维位置信息进行优化，得到所述目标对象相对于所述图像采集装置的优化三维位置信息，其中，所述优化三维位置信息包括所述目标对象相对于所述图像采集装置的朝向角和深度信息。
5.根据第二方面，提供了一种确定目标对象位置的装置，该装置包括：确定模块，用于根据输入图像中目标对象的参考三维位置信息，确定所述目标对象相对于所述图像采集装置的待优化三维位置信息；以及优化模块，用于根据所述目标对象的真实二维信息对所述待优化三维位置信息进行优化，得到所述目标对象相对于所述图像采集装置的优化三维位置信息，其中，所述优化三维位置信息包括所述目标对象相对于所述图像采集装置的朝向角和深度信息。
6.根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
7.根据第四方面，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根据本公开提供的方法。
8.根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开提供的方法。
9.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
10.附图用于更好地理解本方案，不构成对本公开的限定。其中：
11.图1是根据本公开的一个实施例的可以应用确定目标对象位置的方法和装置的示例性应用场景示意图；
12.图2是根据本公开的一个实施例的确定目标对象位置的方法的流程图；
13.图3是根据本公开的一个实施例的确定目标对象位置的方法的流程图；
14.图4是根据本公开的一个实施例的将所述样本数据用于训练所述深度学习模型方法的原理图；
15.图5是根据本公开的一个实施例的确定目标对象位置的装置的框图；以及
16.图6是根据本公开的一个实施例的可以应用确定目标对象位置的方法的电子设备的框图。
具体实施方式
17.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。
18.在自动驾驶领域，可以将由例如单目相机采集的二维图像输入深度学习模型，利用深度学习模型预测该二维图像的三维信息，例如二维图像中目标对象的深度信息以及该目标对象相对于相机的朝向角。例如，在深度学习模型预测出的深度信息与真实深度信息之间存在较大差别的情况下，如果根据该深度信息控制自动驾驶车辆，会导致车辆急刹车或被接管。这种情况可以被确定为一个3d badcase(差案例)。
19.可以将与该3d badcase对应的输入二维图像作为一个用于训练深度学习模型的图像样本，确定该输入图像中目标对象的真实三维信息并作为该目标对象的标签，对深度学习模型进行训练从而提高深度学习模型的性能。
20.例如，可以利用装载于车辆上的激光雷达确定输入图像中目标对象的真实的深度信息，将该真实的深度信息作为输入图像的标签。然而，并不是所有的车辆都装载有激光雷达，而且激光雷达的成本较高。
21.可以理解，可以通过各种方式确定一个或多个3d badcase，本公开在此不作限制。
22.图1是根据本公开一个实施例的可以应用确定目标对象位置方法和装置的示例性应用场景示意图。
23.需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
24.如图1所示，该实施例的场景100包括服务器110、行驶在道路上的对象、通信基站130和道路交通网。其中道路交通网中可以包括道路，及由道路交汇形成的路口。
25.例如，在该场景100中，车辆121和车辆122可以在道路上行驶。在一个示例中，车辆122例如可以是自动驾驶车辆。
26.例如，在该场景100中，道路交通网至少包括路口140和路口150。其中，道路交通网中路段161、路段162、路段163等交汇形成路口140。
27.其中，本公开实施例中的路段是指在相邻两个路口之间的道路段。交汇形成每个路口的路段可以包括有驶入该路口的路段和驶出该路口的路段。例如，交汇形成路口140的路段包括有驶入路口140的路段161、163等，也包括有驶出路口140的路段162等。
28.例如，如图1所示，在交汇形成路口的路段上可以行驶有车辆122，该车辆122装载
有图像采集装置，该图像采集装置可以采集车辆122周围的图像(例如图像image_1)。在一个示例中，图像image_1中的一个对象为车辆121。例如车辆122上还部署有深度学习模型，该深度学习模型可以根据图像image_1，预测车辆121的深度信息。车辆122基于深度学习模型预测出的深度信息，可以执行相关操作(例如刹车)。当然，深度学习模型也可以部署在服务器110，本公开不对此进行限制。
29.例如，服务器110例如可以通过网络从后台服务器中请求数据，以获取该图像image_1。服务器110上可以部署有各种深度学习模型。该服务器110例如可以为支持深度学习模型运行的任意服务器，例如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。
30.需要说明的是，本公开实施例所提供的确定目标对象位置的方法一般可以由服务器110执行。本公开实施例所提供的确定目标对象位置的装置可以设置于服务器110中。
31.应该理解，图1中的服务器、道路、对象和通信基站的数目和类型仅仅是示意性的。根据实现需要，可以具有任意数据和类型的终端、道路、对象和通信基站。
32.图2是根据本公开的一个实施例的确定目标对象位置方法的流程图。
33.如图2所示，该方法200可以包括操作s210～操作s220。
34.在操作s210，根据输入图像中目标对象的参考三维位置信息，确定目标对象相对于图像采集装置的待优化三维位置信息。
35.例如，参考三维信息可以是目标对象在图像坐标系中的三维坐标(x
local
，y
local
，z
local
)。该图像坐标系与一个输入图像image_in对应。该参考三维信息可以是由一个深度学习模型确定的。在一个示例中，该参考三维信息已被确定为与真实的三维信息之间存在较大的误差。
36.又例如，该输入图像image_in可以是由一个图像采集装置采集到的。待优化三维位置信息可以是目标对象在图像采集坐标系中的三维坐标(x
camera
，y
camera
，z
camera
)。该图像采集坐标系与上文所述的图像采集装置对应。
37.在操作s220，根据目标对象的真实二维信息对待优化三维位置信息进行优化，得到目标对象相对于图像采集装置的优化三维位置信息。
38.例如，优化三维位置信息包括目标对象相对于图像采集装置的朝向角和深度信息。
39.例如，真实二维信息可以是人工标注的二维信息。真实二维信息可以是图像坐标系中的一个坐标(x
2d
，y
2d
)。
40.例如，可以将真实二维信息和待优化三维位置信息置于同一坐标系中，对待优化三维位置信息进行调整，使得二者之间的差异值满足预定条件，以得到目标对象相对于图像采集装置的优化三维位置信息。
41.通过本公开实施例，可以确定输入图像中目标对象更加真实的三维信息，降低了对3d badcase的标注成本。
42.在一些实施例中，坐标(x
2d
，y
2d
)可以表征目标对象的真实的几何中心点。
43.在一些实施例中，可以通过以下公式根据参考三维位置信息，确定目标对象相对于图像采集装置的待优化三维位置信息：
[0044][0045]
例如，θ为朝向角，d为深度信息。f
x
、fy、c
x
和cy为图像采集装置的内部参数。
[0046]
在一些实施例中，根据目标对象的真实二维信息对待优化三维位置信息进行优化，得到目标对象相对于图像采集装置的优化三维位置信息包括：确定待优化三维位置信息在输入图像平面上的投影位置信息；确定投影位置信息与真实二维信息之间的差异值；确定差异值是否收敛；在确定差异值未收敛的情况下，调整待优化三维位置信息；以及返回确定待优化三维位置信息在输入图像平面上的投影位置信息的操作。
[0047]
例如，调整待优化三维位置信息包括：确定针对朝向角的朝向角调整量和针对深度信息的深度信息调整量；以及利用朝向角调整量和深度信息调整量，分别调整朝向角和深度信息。
[0048]
例如，确定针对朝向角的朝向角调整量和针对深度信息的深度信息调整量包括：确定差异值相对于朝向角的第一变化率；确定差异值相对于深度信息的第二变化率；以及根据第一变化率和第二变化率，确定朝向角调整量和深度信息调整量。
[0049]
例如，确定差异值相对于朝向角的第一变化率包括：确定投影位置信息相对于待优化三维位置信息的第三变化率；确定待优化位置信息相对于朝向角的第四变化率；以及根据第三变化率和第四变化率，确定第一变化率。
[0050]
例如，确定差异值相对于深度信息的第二变化率包括：确定投影位置信息相对于待优化三维位置信息的第三变化率；确定待优化位置信息相对于深度信息的第五变化率；以及根据第三变化率和第五变化率，确定第二变化率。下面将结合图3来进行详细说明。
[0051]
图3是根据本公开的另一个实施例的确定目标对象位置的方法的流程图。
[0052]
如图3所示，该方法320可以根据目标对象的真实二维信息对待优化三维位置信息进行优化，得到目标对象相对于图像采集装置的优化三维位置信息。下面将结合操作s321～操作s325进行详细说明。
[0053]
在操作s321，确定待优化三维位置信息在输入图像平面上的投影位置信息。
[0054]
例如，输入图像为上文所述的输入图像image_in。
[0055]
例如，可以通过以下公式确定待优化三维位置信息(x
camera
，y
camera
，z
camera
)在输入图像平面上的投影位置信息(x
proj_2d
，y
proj_2d
)：
[0056][0057]
在操作s322，确定投影位置信息与真实二维信息之间的差异值。
[0058]
例如，可以通过以下公式确定投影位置信息(x
proj_2d
，y
proj_2d
)与真实二维信息(x
2d
，y
2d
)之间的差异值diff：
[0059][0060]
在操作s323，确定差异值是否收敛。
[0061]
例如，在确定差异值未收敛的情况下，可以执行操作s324，之后返回至操作s322。
[0062]
又例如，在确定差异值收敛的情况下，可以执行操作s325。
[0063]
在操作s324，调整待优化三维位置信息。
[0064]
例如，可以令δx＝x
2d-x
proj_2d
，δy＝y
2d-y
proj_2d
。
[0065]
例如，可以通过以下公式对上文所述的公式三进行优化，以调整待优化三维位置信息，使得差异值diff收敛：
[0066][0067]
例如，公式四中，为差异值diff相对于朝向角在第一方向上的第一变化率。为差异值diff相对于朝向角在第二方向上的第一变化率。
[0068]
又例如，公式四中，为差异值diff相对于深度信息在第一方向上的第二变化率。为差异值diff相对于深度信息在第二方向上的第二变化率。
[0069]
又例如，δθ为朝向角调整量，δd为深度信息调整量。
[0070]
又例如，如上文所述，δx＝x
2d-x
proj_2d
，δy＝y
2d-y
proj_2a
。此外，(x
2d
，y
2d
)为真实二维信息，可以是根据人工标注得到的。
[0071]
进而，可以通过以下公式确定和
[0072][0073][0074]
以及，可以通过以下公式确定和
[0075][0076][0077]
可以通过以下公式，确定
[0078][0079]
可以通过以下公式，确定
[0080]
[0081]
可以通过以下公式，确定
[0082][0083]
可以通过以下公式，确定
[0084][0085]
例如，公式九至公式十二中，为投影位置信息相对于待优化三维位置信息在第一方向上的第三变化率。
[0086]
为投影位置信息相对于待优化三维位置信息在第二方向上的第三变化率。
[0087]
结合上文所述的公式二，可以确定投影位置信息相对于待优化三维位置信息在第一方向上的第三变化率为：
[0088][0089]
即，
[0090]
结合上文所述的公式二，可以确定投影位置信息相对于待优化三维位置信息在第二方向上的第三变化率为：
[0091][0092]
即，
[0093]
又例如，结合上文所述的公式一，可以确定待优化位置信息相对于朝向角的第四变化率为：
[0094][0095]
进而，可以根据上文所述的投影位置信息相对于待优化三维位置信息在第一方向上的第三变化率和待优化位置信息相对于朝向角的第四变化率，确定差异值diff相对于朝向角在第一方向上的第一变化率
[0096]
以及，可以根据上文所述的投影位置信息相对于待优化三维位置信息在第二方向上的第三变化率和待优化位置信息相对于朝向角的第四变化率，确定差异值diff相对于朝
向角在第二方向上的第一变化率
[0097]
又例如，结合上文所述的公式一，可以确定待优化位置信息相对于深度信息的第五变化率为：
[0098][0099]
即，
[0100][0101][0102]
进而，可以根据上文所述的投影位置信息相对于待优化三维位置信息在第一方向上的第三变化率和待优化位置信息相对于深度信息的第五变化率，确定差异值diff相对于朝向角在第一方向上的第二变化率
[0103]
以及，可以根据上文所述的投影位置信息相对于待优化三维位置信息在第二方向上的第三变化率和待优化位置信息相对于深度信息的第五变化率，确定差异值diff相对于朝向角在第二方向上的第二变化率
[0104]
可见，上文所述的两个方向的第一变化率和两个方向的第二变化率都可以根据待优化位置信息(x
camera
，y
camera
，z
camera
)、图像采集装置的内部参数和真实二维信息(x
2d
，y
2d
)确定。
[0105]
如上文所述，根据公式四，可以确定针对朝向角的朝向角调整量δθ和针对深度信息的深度信息调整量δd。
[0106]
在本公开实施例中，可以利用朝向角调整量和深度信息调整量，分别调整朝向角和深度信息。
[0107]
例如，可以通过以下公式分别调整朝向角和深度信息：
[0108][0109]
t-1表示上一轮次的调整，t表示当前轮次的调整。
[0110]
接下来，可以根据朝向角调整量δθ和深度信息调整量δd，结合上文所述的公式四至公式十六，可以确定δx和δy，以确定调整后的待优化三维位置信息。
[0111]
在操作s325，根据与收敛的差异值对应的待优化三维位置信息，得到相对于图像采集装置的优化三维位置信息。
[0112]
例如，在进行多轮次调整后，确定差异值收敛，可以将该差异值对应的待优化三维位置信息作为输入图像image_in的优化三维位置信息(x
′
camera
，y
′
camera
，z
′
camera
)。
[0113]
在一些实施例中，方法还包括：将输入图像输入深度学习模型，得到目标对象的参
考三维位置信息。
[0114]
例如，在上文所述的操作s210之前，可以将输入图像输入深度学习模型，得到目标对象的参考三维位置信息。
[0115]
在一些实施例中，方法还包括：将优化三维位置信息作为标签添加到目标对象，得到样本数据；以及将样本数据用于训练深度学习模型。下面将结合图4进行详细说明。
[0116]
图4是根据本公开的另一个实施例的将样本数据用于训练深度学习模型的原理图。
[0117]
如图4所示，可以上文所述的输入图像image_in输入深度学习模型400，得到深度学习模型400输出的三维位置信息output_3d。根据三维位置信息output_3d和输入图像image_in中目标对象的标签label，确定一个损失值loss。根据该损失值loss训练深度学习模型400。标签label例如可以是上文所述的优化三维位置信息(x
′
camera
，y
′
camera
，z
′
camera
)。
[0118]
图5是根据本公开的一个实施例的确定目标对象位置的装置的框图。
[0119]
如图5所示，该装置500可以包括确定模块510和调整模块520。
[0120]
确定模块510，用于根据输入图像中目标对象的参考三维位置信息，确定所述目标对象相对于所述图像采集装置的待优化三维位置信息。
[0121]
优化模块520，用于根据所述目标对象的真实二维信息对所述待优化三维位置信息进行优化，得到所述目标对象相对于所述图像采集装置的优化三维位置信息。例如，所述优化三维位置信息包括所述目标对象相对于所述图像采集装置的朝向角和深度信息。
[0122]
在一些实施例中，所述优化模块包括：第一确定子模块，用于确定所述待优化三维位置信息在所述输入图像平面上的投影位置信息；第二优化子模块，用于确定所述投影位置信息与所述真实二维信息之间的差异值；第三优化子模块，用于确定所述差异值是否收敛；调整子模块，用于在确定所述差异值未收敛的情况下，调整所述待优化三维位置信息；以及返回所述确定所述待优化三维位置信息在所述输入图像平面上的投影位置信息的操作。
[0123]
在一些实施例中，所述调整子模块包括：确定单元，用于确定针对朝向角的朝向角调整量和针对深度信息的深度信息调整量；以及调整单元，用于利用朝向角调整量和所述深度信息调整量，分别调整所述初始朝向角和所述初始深度信息。
[0124]
在一些实施例中，所述调整单元包括：第一确定子单元，用于确定所述差异值相对于朝向角的第一变化率；第二确定子单元，用于确定所述差异值相对于深度信息的第二变化率；以及第三确定子单元，用于根据所述第一变化率和第二变化率，确定所述朝向角调整量和所述深度信息调整量。
[0125]
在一些实施例中，所述第一确定子单元还用于：确定所述投影位置信息相对于所述待优化三维位置信息的第三变化率；确定所述待优化位置信息相对于所述朝向角的第四变化率；以及根据所述第三变化率和第四变化率，确定所述第一变化率。
[0126]
在一些实施例中，所述第二确定子单元还用于：确定所述投影位置信息相对于所述待优化三维位置信息的第三变化率；确定所述待优化位置信息相对于所述深度信息的第五变化率；以及根据所述第三变化率和第五变化率，确定所述第二变化率。
[0127]
在一些实施例中，装置500还包括：获得模块，用于将所述输入图像输入深度学习模型，得到所述目标对象的参考三维位置信息。
[0128]
在一些实施例中，装置500还包括：添加模块，用于将所述优化三维位置信息作为标签添加到所述目标对象，得到样本数据；以及训练模块，用于将所述样本数据用于训练所述深度学习模型。
[0129]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0130]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0131]
图6示出了可以用来实施本公开的实施例的示例电子设备600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。
[0132]
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0133]
设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
[0134]
计算单元601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601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601执行上文所描述的各个方法和处理，例如确定目标对象位置的方法。例如，在一些实施例中，确定目标对象位置的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608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的确定目标对象位置的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行确定目标对象位置的方法。
[0135]
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。
[0136]
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数据处理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。
[0137]
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。
[0138]
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。
[0139]
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。
[0140]
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。
[0141]
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。
[0142]
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。