一种识别方法、设备、系统及存储介质与流程

1.本技术涉及信息技术领域，尤其涉及一种识别方法、设备、识别系统以及计算机可读存储介质。


背景技术：

2.在相关技术中，使用基于环形gabor滤波器的双向二维主成分分析网络(circular symmetrical gabor filter transformation two-directional two-dimensional principal components analysis network，csgf(2d)2pcanet)中包含两个层特征提取层对输入图像进行特征提取，以对输入图像中的人脸进行识别。然而，在实际应用中，csgf(2d)2pcanet中在特征提取过程中产生的冗余数据较多，从而降低了人脸识别的精度。


技术实现要素：

3.本技术提供了一种识别方法、识别设备、识别系统以及计算机可读存储介质。
4.本技术提供的识别方法，能够减少csgf(2d)2pcanet中在特征提取过程中的冗余数据，从而能够提高对图像识别的精度。
5.本技术提供的识别方法是这样实现的：
6.一种识别方法，所述方法包括：
7.获取待识别图像；
8.基于训练完成的第一网络对所述待识别图像进行特征提取，得到第一特征数据；其中，所述训练完成的第一网络是基于样本数据进行训练得到的；
9.从所述第一特征数据中提取与指定特征区间匹配的数据，得到第一目标特征数据；
10.基于训练完成的第二网络对所述第一目标特征数据进行特征提取，得到第二特征数据；其中，所述训练完成的第二网络，是基于从第三特征数据中提取的第二目标特征数据进行训练得到的；所述第三特征数据，是基于所述训练完成的第一网络对所述样本数据进行特征提取得到的；
11.基于所述第二特征数据，对所述待识别图像进行识别。
12.在一些实施例中，所述从所述第一特征数据中提取与指定特征区间匹配的数据，得到第一目标特征数据，包括：
13.基于所述指定特征区间，确定目标特征提取函数；其中，所述目标特征提取函数，包括非线性函数；
14.基于所述目标特征提取函数，对所述第一特征数据进行提取，得到所述第一目标特征数据。
15.在一些实施例中，所述基于所述第二特征数据，确定所述待识别图像的类型，包括：
16.对所述第二特征数据进行量化处理，得到第一量化特征数据；
17.将所述第一量化特征数据输入至训练完成的第三网络中，对所述待识别图像进行识别；其中，所述训练完成的第三网络，用于提取所述第一量化特征数据的类型信息；所述训练完成的第三网络，是基于第二目标特征数据对第三网络进行训练得到的。
18.在一些实施例中，所述训练完成的第三网络，是通过以下方式得到的：
19.对所述第二目标特征数据进行量化，得到第二量化特征数据；
20.基于所述第二量化特征数据，对所述第三网络进行训练，得到所述训练完成的第三网络。
21.在一些实施例中，所述方法还包括：
22.基于所述训练完成的第一网络、第四网络、所述训练完成的第二网络以及所述训练完成的第三网络，得到图像识别模型；其中，所述第四网络，用于从所述训练完成的第一网络的输出数据中提取与所述指定特征区间匹配的数据。
23.在一些实施例中，所述训练完成的第一网络，是通过以下方式得到的：
24.获取所述样本数据；
25.将所述样本数据输入至第一滤波网络，得到第一数据；其中，所述第一滤波网络，用于对所述样本数据进行像素特征过滤；所述第一数据中携带有所述样本数据的至少一个像素特征；
26.基于所述第一数据，训练第一卷积网络，得到训练完成的第一卷积网络；其中，所述第一卷积网络，用于对所述第一数据进行卷积运算；
27.基于所述第一滤波网络以及所述训练完成的第一卷积网络，得到所述训练完成的第一网络。
28.在一些实施例中，所述训练完成的第二网络，是通过以下方式得到的：
29.将所述第二目标特征数据输入至第二滤波网络，得到第二数据；其中，所述第二滤波网络，用于对所述第二目标特征数据进行像素特征过滤；所述第二数据携带有所述第二目标特征数据中的多个像素特征；
30.基于所述第二数据，训练第二卷积网络，得到训练完成的第二卷积网络；其中，所述第二卷积网络，用于对所述第二数据进行卷积运算；
31.基于所述第二滤波网络以及所述训练完成的第二卷积网络，得到所述训练完成的第二网络。
32.本技术提供了一种识别设备，所述识别设备包括：获取模块以及处理模块；其中：
33.所述获取模块，用于获取待识别图像；
34.所述处理模块，用于基于训练完成的第一网络对所述待识别图像进行特征提取，得到第一特征数据；其中，所述训练完成的第一网络是基于样本数据进行训练得到的；
35.所述处理模块，还用于从所述第一特征数据中提取与指定特征区间匹配的数据，得到第一目标特征数据；基于训练完成的第二网络对所述第一目标特征数据进行特征提取，得到第二特征数据；其中，所述训练完成的第二网络，是基于从第三特征数据中提取的第二目标特征数据进行训练得到的；所述第三特征数据，是基于所述训练完成的第一网络对所述样本数据进行特征提取得到的；
36.所述处理模块，还用于基于所述第二特征数据，对所述待识别图像的进行识别。
37.在一些实施例中，所述处理模块，用于基于所述指定特征区间，确定目标特征提取
network)的基础上发展而来的。自pcanet被提出以来，许多基于pcanet的特征提取方法成为了语音情感检测、人脸识别等领域的热门研究课题。
56.csgf(2d)2pcanet包括两个特征提取层，其中，第一个特征提取层与第二个特征提取层对输入数据的特征提取方法相同，它们均包含对输入数据的滤波、降维、去均值以及卷积操作。csgf(2d)2pcanet的输出层包含二值哈希处理以及分块直方图生成环节，然后可以通过支持向量机(support vector machine，svm)对分块直方图的结果进行分类，从而得到最终的人脸特征分类结果。
57.通过以上两个特征提取层的特征提取操作，csgf(2d)2pcanet能够削弱对图像中人脸的表情变化、姿态、光照强度、遮挡物等噪声产生的干扰。
58.然而，在实际应用中，第一个特征提取层与第二个特征提取层之间存在线性关系，这就导致第一个特征提取层输出的所有冗余数据，能够直接输入至第二个特征提取层，从而对第二个特征提取层的训练和特征提取过程产生一定的干扰，进而降低了图像识别的准确率。
59.基于以上问题，本技术实施例提供了一种识别方法，该识别方法可以通过识别设备的处理器来实现。
60.需要说明的是，上述识别设备的处理器，可以是特定用途集成电路(application specific integrated circuit，asic)、数字信号处理器(digital signal processor，dsp)、数字信号处理装置(digital signal processing device，dspd)、可编程逻辑装置(programmable logic device，pld)、现场可编程逻辑门阵列(field programmable gate array，fpga)、中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器中的至少一种。
61.图1所示为本技术实施例提供的第一种识别方法的流程图。本技术实施例提供的识别方法，可以包括以下步骤：
62.步骤101、获取待识别图像。
63.在一种实施方式中，待识别图像，可以是通过识别设备的图像采集设备实时采集到的。
64.在一种实施方式中，待识别图像，可以是存储在识别设备的存储空间中、或其他设备的存储空间中的。示例性地，其他设备，可以包括u盘、移动硬盘等。
65.在一种实施方式中，待识别图像，可以是识别设备通过网络获取到的。
66.在一种实施方式中，待识别图像，可以是从视频资源中截取到的。
67.在一种实施方式中，待识别图像的数量，可以是多个。
68.在一种实施方式中，待识别图像中，可以包含有特定目标对象，比如人。
69.在一种实施方式中，待识别图像中，可以包含多个特定目标对象。
70.在一种实施方式中，待识别图像中所包含的特定目标对象可以是清晰的。
71.在一种实施方式中，待识别图像中所包含的特定对象可以是模糊的。
72.在一种实施方式中，待识别图像中，可以包含特定目标对象的特定部位，比如人脸部位、手指部位等。
73.步骤102、基于训练完成的第一网络对待识别图像进行特征提取，得到第一特征数据。
74.其中，训练完成的第一网络是基于样本数据进行训练得到的。
75.在一种实施方式中，对待识别图像进行特征提取，可以是提取出待识别图像中的所有特征。
76.在一种实施方式中，对待识别图像进行特征提取，可以是提取出待识别图像中的部分特征。
77.在一种实施方式中，第一特征数据，可以包括待识别图像中所有特征。
78.在一种实施方式中，第一特征数据，可以包括待识别图像中至少一种指定特征。
79.在一种实施方式中，第一特征数据可以是多个，其中，每一特征数据携带有待识别图像中的一个指定特征。
80.在一种实施方式中，训练完成的第一网络，可以是人工智能(artificial intelligence，ai)网络。
81.在一种实施方式中，训练完成的第一网络，可以是能够提取待识别图像特征的第一神经网络。
82.示例性地，上述第一神经网络，可以是传统的神经网络，比如cnn。
83.在一种实施方式中，上述第一神经网络，可以是至少两种具备特征提取能力的网络的结合。
84.在一种实施方式中，上述第一神经网络，可以是pcanet。
85.在一种实施方式中，上述第一神经网络，可以是csgf(2d)2pcanet中的第一个特征提取层。
86.示例性地，csgf(2d)2pcanet中的第一个特征提取层可以包括环形对称第一gabor滤波器(circular symmetrical gabor filter，csgf)部分、第一去均值操作部分以及第一卷积处理部分。
87.其中，第一csgf部分，可以用于对待识别图像进行滤波处理。示例性地，对于待识别图像ai进行csgf形式的滤波处理，可以通过式(1)-式(2)来实现：
[0088][0089][0090]
其中，g(x,y)表示用于执行csgf的gabor滤波器，gabor滤波器是一个用于边缘检测的线性滤波器。一个二维的gabor滤波器是一个正弦平面函数与高斯核函数g(x,y)的乘积，gabor滤波器可以在不同频域不同方向上提取相关的特征。
[0091]
在式(1)-式(2)中，f是gabor滤波器的中心频率，δ对应于高斯核函数的g(x,y)的标准差，其决定了高斯核函数g(x,y)窗口的宽度，是gabor滤波器的尺度参数，每一组(x,y)代表三维坐标空间中的一组取值。
[0092]
并且，gabor滤波器的中心频率f与高斯核函数g(x,y)的标准差δ之间需要满足式(3)所示的gabor滤波器带宽b控制条件：
[0093]
[0094]
其中，对于n
×
n的待识别图像，gabor滤波器的中心频率f通常选择如式(4)所示：
[0095][0096]
在本技术实施例中，根据待识别图像的尺寸大小，可以将带宽b设置为1，相应地，可以选择五个gabor滤波器，它们的中心频率如式(5)所示：
[0097][0098]
其中，n为大于1的整数。相应地，δ的取值可以通过式(6)-(7)得到:
[0099]
fδ＝3λ
ꢀꢀ
(6)
[0100][0101]
经过gabor滤波器对第一输入图像的处理，可以获取第一输入图像在各个方向的特征信息，从而实现了对特征信息处理的旋转不变性。
[0102]
示例性地，上述第一输入图像可以是基于待识别图像得到的。
[0103]
示例性地，对待识别图像进行预处理可以得到第一输入图像。示例性地，上述预处理可以是对待识别图像进行灰度处理并调整图像尺寸，得到尺寸为p
×
q的第一输入图像。
[0104]
示例性地，将第一输入图像输入至gabor滤波器中，可以得到输出第一csgf特征图像c，然后对第一csgf特征图像c执行取块操作，从而可以得到m
×
n个l1×
l2大小的图像块ji(i＝1,2,3,...,m
×
n)，其中，每一第一csgf特征图像c中可以包括m
×
n个像素点，l1×
l2为取块的大小，其中，m、n、l1以及l2均为大于1的整数。
[0105]
示例性地，通过第一去均值操作部分对ji(i＝1,2,3,...,m
×
n)执行去均值操作，得到
[0106]
示例性地，通过第一卷积处理部分，可以对进行卷积处理。在csgf(2d)2pcanet的第一个特征提取层中，第一卷积处理部分中的卷积核可以是其中，n1可以为第一特征提取层中卷集核的个数。
[0107]
示例性地，第一卷积处理部分，可以是对以及执行卷积操作，得到第一网络的输出数据即第一特征数据：n
×
n1个其中，n＝m
×
n。
[0108]
在一种实施方式中，样本数据，可以是与待识别图像相同格式类型的数据。示例性地，样本数据与待识别图像可以均为*.jpg格式类型。
[0109]
在一种实施方式中，样本数据中，可以包含有与待识别图像不同格式类型的图像。示例性地，样本数据可以为*.jpg格式类型，而待识别数据可以是*.bmp格式类型。
[0110]
在一种实施方式中，样本数据中，可以携带有待识别图像中包含的特定目标对象。
[0111]
在一种实施方式中，样本数据，可以是标准样本数据库中的样本。示例性地，标准
样本数据库，可以包括著名的人脸数据库：olivetti研究所(olivetti research laboratory，orl)数据库、extended yale b、ar、xm2vts。
[0112]
步骤103、从第一特征数据中提取与指定特征区间匹配的数据，得到第一目标特征数据。
[0113]
在一种实施方式中，指定特征区间，可以表示像素特征区间。其中，像素特征区间是按照像素值进行划分的。
[0114]
在一种实施方式中，指定特征区间的个数，可以有多个。比如，第一区间、第二区间等，其中，第一区间与第二区间之间具备一定的间隔。
[0115]
在一种实施方式中，第一目标特征数据，可以是第一特征数据中与指定特征区间匹配的部分或全部数据。
[0116]
在一种实施方式中，第一目标特征数据，可以是基于第一特征数据的幅度与指定特征区间进行匹配得到的。
[0117]
在一种实施方式中，第一目标特征数据，可以是基于第一特征数据的分布情况与指定特征区间进行匹配而得到的。
[0118]
在一种实施方式中，从第一特征数据中提取与指定特征区间匹配的数据，可以是通过能够提取指定特征区间数据的神经网络来实现的，示例性地，在本技术实施例中，可以将该神经网络记为第四网络。
[0119]
在一种实施方式中，从第一特征数据中提取与指定特征区间匹配的数据，可以是通过能够提取指定特征区间的函数来实现的。
[0120]
步骤104、基于训练完成的第二网络对第一目标特征数据进行特征提取，得到第二特征数据。
[0121]
其中，训练完成的第二网络，是基于从第三特征数据中提取的第二目标特征数据进行训练得到的；第三特征数据，是基于训练完成的第一网络对样本数据进行特征提取得到的。
[0122]
示例性地，在一种实施方式中，训练完成的第二网络，可以是人工智能(artificial intelligence，ai)网络。
[0123]
在一种实施方式中，训练完成的第二网络，可以是能够提取待识别图像特征的第二神经网络。
[0124]
示例性地，上述第二神经网络，可以是传统的神经网络，比如cnn。
[0125]
在一种实施方式中，上述第二神经网络，可以是至少两种具备特征提取能力的网络的结合。
[0126]
在一种实施方式中，上述第二神经网络，可以是pcanet。
[0127]
在一种实施方式中，上述第二神经网络，可以是csgf(2d)2pcanet中的第二个特征提取层。
[0128]
示例性地，csgf(2d)2pcanet中的第二个特征提取层可以包括环形对称第二gabor滤波器(circular symmetrical gabor filter，csgf)部分、第二去均值操作部分以及第二卷积处理部分。
[0129]
其中，第二gabor滤波器部分，可以是与第一gabor滤波器实现相同功能的gabor滤波器；第二去均值操作部分，可以是与第一去均值操作对应的部分；第二卷积处理部分，可
以是与第一卷积处理部分对应的部分。其具体处理过程相似，此处不再赘述。
[0130]
步骤105、基于第二特征数据，对待识别图像进行识别。
[0131]
在一种实施方式中，对待识别图像进行分类，可以是根据第二特征数据中的特定特征确定待识别图像是否满足指定要求。比如，清晰度是否满足预设要求。
[0132]
在一种实施方式中，对待识别图像进行分类，可以是根据第二特征数据确定待识别图像中是否包含特定目标对象。
[0133]
在一种实施方式中，对待识别图像进行分类，可以是根据第二特征数据中的特定特征确定待识别图像中的特定目标对象的类别。
[0134]
在一种实施方式中，对待识别图像进行分类，可以是根据第二特征数据中的特定特征，确定待识别图像中的特定目标对象是否满足指定要求。
[0135]
由以上可知，本技术实施例提供的识别方法，首先获取待识别图像，并基于训练完成的第一网络对待识别图像进行特征提取，得到第一特征数据，然后从第一特征数据中提取与指定特征区间匹配的数据，得到第一目标特征数据，再基于训练完成的第二网络对第一目标特征数据进行特征提取，得到第二特征数据，并基于第二特征数据对待识别图像进行识别。
[0136]
由此，本技术实施例提供的识别方法，在通过训练完成的第一网络对待识别图像进行特征提取得到第一特征数据之后，还能从第一特征数据中企图与指定特征区间匹配的数据得到第一目标特征数据，然后基于第一目标特征数据执行后续的特征提取以及分类操作，因此，本技术实施例提供的识别方法，在对待识别图像进行分类的过程中，能够去除部分冗余特征信息，从而为后续的特征提取操作以及识别精度提高奠定了基础。
[0137]
基于前述实施例，本技术实施例提供了一种识别方法。图2所示为本技术实施例提供的第二种识别方法的流程图。
[0138]
本技术实施例提供的第二种识别方法可以包括以下步骤：
[0139]
步骤201、获取待识别图像。
[0140]
步骤202、基于训练完成的第一网络对待识别图像进行特征提取，得到第一特征数据。
[0141]
其中，训练完成的第一网络是基于样本数据进行训练得到的。
[0142]
示例性地，训练完成的第一网络，可以是通过步骤a1-步骤a4来实现的：
[0143]
步骤a1、获取样本数据。
[0144]
在一种实施方式中，样本数据中每一样本的大小可以与待处理图像的大小一致，示例性地，每一样本的长度、宽度、分辨率，可以分别与待处理图像的长度、宽度、分辨率一致。
[0145][0146]
表1
[0147]
在一种实施方式中，样本数据可以是存储在识别设备中的。
[0148]
在一种实施方式中，样本数据可以是识别设备从网络等渠道获取的。
[0149]
在一种实施方式中，样本数据中可以包含多种不同类型的特定目标对象。
[0150]
示例性地，表1所示为本技术实施例中样本数据的类型统计和特性描述数据。
[0151]
表1包含样本数据类型以及特性描述两列，其中，样本数据类型包括orl、extended yale b、ar以及xm2vts四种类型，在特性描述一栏对每种样本数据的特性进行了详细的说明。
[0152]
步骤a2、将样本数据输入至第一滤波网络，得到第一数据.
[0153]
其中，第一滤波网络，用于对样本数据进行像素特征过滤；第一数据中携带有样本数据的至少一个像素特征。
[0154]
在一种实施方式中，第一滤波网络，可以是用于过滤样本数据中的干扰信息的网络。
[0155]
在一种实施方式中，第一滤波网络，可以是用于过滤出样本数据中的特定特征信息的网络。
[0156]
在一种实施方式中，第一滤波网络，可以是用于过滤样本数据的特定区域的像素特征的网络。
[0157]
在一种实施方式中，第一滤波网络的个数，可以有多个。
[0158]
在一种实施方式中，第一滤波网络，可以是csgf(2d)2pcanet的第一个特征提取层中的一gabor滤波器。
[0159]
在一种实施方式中，第一数据，可以包含有样本数据中的至少一个指定的像素特征。
[0160]
在一种实施方式中，第一数据，可以包含有样本数据的指定区域的像素特征。
[0161]
示例性地，将样本数据输入至第一滤波网络，得到第一数据的过程，与将待识别图像输入至第一gabor滤波器，得到第一特征数据的过程类似。此处不再赘述。
[0162]
示例性地，将样本数据中的任一样本进行预处理，得到第一滤波网络的输入数据。其中，上述预处理可以包括将样本数据进行灰度处理、调整样本数据的尺寸，从而得到大小为p
×
q的第二输入图像其中，n为样本数据中样本的个数，n为大于1的整数。
[0163]
示例性地，可以将第二输入图像输入至第一滤波网络中进行处理，得到第二csgf特征图像
[0164]
示例性地，还可以对每个第二csgf特征图像执行降采样操作、扫描取块操作、以及去均值操作，就可以得到与样本数据对应的图像块矩阵数据即第一数据：为了方便描述，上述图像块矩阵数据即第一数据可以记录为：
[0165]
示例性地，上述降采样操作，可以是按照指定的像素间隔d对t个第二csgf特征图像进行采样。其中，d可以为4，t可以为5。相应地，经过降采样之后的可以为：
[0166]
步骤a3、基于第一数据，训练第一卷积网络，得到训练完成的第一卷积网络。
[0167]
其中，第一卷积网络，用于对第一数据进行卷积运算。
[0168]
在一种实施方式中，第一卷积网络，可以是传统意义上的神经网络，比如cnn中的若干个卷积层构成的网络。
[0169]
在一种实施方式中，第一卷积网络，可以是与csgf(2d)2pcanet第一卷积处理部分相同的网络。
[0170]
示例性地，基于前述实施例中的第一数据即训练第一卷积网络，得到训练完成的第一卷积网络，可以是通过以下方式来实现的：
[0171]
通过第一数据确定第一卷积网络中卷积滤波器的每一卷积核，基于每一卷积核得到训练完成的第一卷积网络。
[0172]
示例性地，可以假设第一卷积网络中卷积滤波器的个数为n1，其中n1为大于1的整数。
[0173]
示例性地，为了确定第一卷积网络，首先需要在行方向上，确定第一数据即的最优投影轴
[0174]
为了确定最优投影轴，需要首先计算第一数据即的行协方差矩阵，其中，的行协方差矩阵g
row
可以通过式(8)来实现:
[0175][0176]
其中，用于表示第一数据中每一数据的平均值。
[0177]
然后可以对协方差矩阵进行k-l分解，可以由行协方差矩阵g
row
的前n1个最大特征值对应的特征向量构成，可以记为：
[0178]
为了确定第一卷积网络，还需要在列方向上，确定第一数据即的最优投影轴
[0179]
与计算行协方差矩阵并确定前n1个最大特征值对应的特征向量类似，还可以确定列方向的最优投影轴
[0180]
示例性地，列协方差矩阵g
col
定义如式(9)所示：
[0181][0182]
由列协方差矩阵g
col
的前n1个最大特征值对应的特征向量构成。可以记为
[0183]
如此，可以通过式(10)确定n1个第一卷积滤波器的第一卷积核
[0184]wn1
＝ynx
nt
ꢀꢀ
(10)
[0185]
根据n1个卷积核，即可确定第一卷积网络。
[0186]
示例性地，确定第一卷积网络之后，可以通过式(11)将第一数据输入至第一卷积网络执行卷积运算，从而得到第三特征数据。其中，第三特征数据可以表示n
×
n1个特征图{p
in
},n∈[1,n1],i∈[1,n]
[0187]
p
in
＝ii*w
n1
ꢀꢀ
(11)
[0188]
步骤a4、基于第一滤波网络以及训练完成的第一卷积网络，得到训练完成的第一网络。
[0189]
在一种实施方式中，训练完成的第一网络，可以是将至少一个第一滤波网络以及训练完成的第一卷积网络之间建立级联的关系，而得到的。
[0190]
在一种实施方式中，训练完成的第一网络，可以是与csgf(2d)2pcanet中的第一个特征提取层结构相同的网络。
[0191]
步骤203、基于指定特征区间，确定目标特征提取函数。
[0192]
其中，目标特征提取函数，包括非线性函数。
[0193]
在一种实施方式中，目标特征提取函数，可以表示在指定特征区间范围内能够对输入数据提供增益，而在指定特征区间范围之外能够对输入数据进行抑制的函数。
[0194]
在一种实施方式中，目标特征提取函数，可以表示在指定特征区间范围内对输入数据执行归一化处理，而在指定特征区间范围之外对输入数据进行归零抑制的函数。
[0195]
在一种实施方式中，非线性函数，可以表示在整个函数的自变量范围内，应变量与自变量之间的关系均以非线性形式体现的函数。
[0196]
在一种实施方式中，非线性函数，可以表示在部分自变量范围内，应变量与自变量之间的关系保持分线性趋势的函数。
[0197]
在一种实施方式中，非线性的目标特征提取函数可以为relu函数。示例性地，relu函数的定义可以为式(12)：
[0198][0199]
也就是说，当输入数据小于或等于0时，relu函数对输入数据进行抑制，当输入数据大于0时，relu函数进入激活状态。
[0200]
在一种实施方式中，可以根据样本数据或待分类数据的特性，对relu函数进行位移。示例性地，可以在式(12)的基础上在x方向进行位移，或者在y方向进行位移；或者既在x方向进行位移，又在y方向进行位移。
[0201]
步骤204、基于目标特征提取函数，对第一特征数据进行提取，得到第一目标特征数据。
[0202]
在一种实施方式中，第一目标特征数据，可以是使用目标特征提取函数对第一特征数据进行乘法计算，从而得到第一目标特征数据。
[0203]
步骤205、基于训练完成的第二网络对第一目标特征数据进行特征提取，得到第二特征数据。
[0204]
其中，训练完成的第二网络，是基于从第三特征数据中提取的第二目标特征数据进行训练得到的；第三特征数据，是基于训练完成的第一网络对样本数据进行特征提取得到的。
[0205]
示例性地，训练完成的第二网络，可以是通过步骤b1-步骤b3来实现的：
[0206]
步骤b1、将第二目标特征数据输入至第二滤波网络，得到第二数据。
[0207]
其中，第二滤波网络，用于对第二目标特征数据进行像素特征过滤；第二数据携带有第二目标特征数据中的多个像素特征。
[0208]
示例性地，第二滤波网络可以与第一滤波网络的结构相同。
[0209]
示例性地，将第二目标特征数据输入至第二滤波网络进而得到第二数据的过程，与前述将第一滤波网络的输入数据输入至第一滤波网络，得到第二csgf特征图像的过程相同，此处不再赘述。
[0210]
步骤b2、基于第二数据，训练第二卷积网络，得到训练完成的第二卷积网络。
[0211]
其中，第二卷积网络，用于对第二数据进行卷积运算。
[0212]
在一种实施方式中，第二卷积网络，可以是与第一卷积网络相同的网络。
[0213]
在一种实施方式中，第二卷积网络中卷积核的个数可以为n2个。
[0214]
在本技术实施例中，第二卷积网络中每一卷积核的确定过程，与第一卷积网络中每一卷积核的确定过程相同，此处不再赘述。
[0215]
示例性地，可以记录第二卷积核为记录第二数据为可以在第二数据的基础上，结合前述实施例中的行协方差矩阵、列协方差矩阵以及k-l分解方法，确定第二卷积网络中的卷积核
[0216]
步骤b3、基于第二滤波网络以及训练完成的第二卷积网络，得到训练完成的第二网络。
[0217]
其中，得到训练完成的第二网络的过程，与得到训练完成的第一网络的训练过程
相同，此处不再赘述。
[0218]
示例性地，在得到训练完成的第二网络之后，还可以基于训练完成的第二网络对第二数据执行卷积运算，得到n1×
n2个特征图
[0219]
步骤206、基于第二特征数据，对待识别图像进行识别。
[0220]
示例性地，步骤206，可以通过步骤c1-步骤c2来实现：
[0221]
步骤c1、对第二特征数据进行量化处理，得到第一量化特征数据。
[0222]
在一种实施方式中，对第二特征数据进行量化处理，可以是对第二特征数据中的每一数据按照预先设定的量化区间进行量化。
[0223]
在一种实施方式中，对第二特征数据进行量化处理，可以是对第二特征数据按照预设的采样频率进行采样得到第一采样结果，然后按照预设的量化区间，对第一采样结果进行量化。
[0224]
在一种实施方式中，对第二特征数据进行量化处理，可以是对第二特征数据进行二值化得到二值化结果之后，再对二值化结果进行直方图统计处理。
[0225]
在本技术实施例中，第一量化特征数据的获取过程，与第三网络训练过程中的第二量化特征数据的获取过程相同，下文中将对第三网络训练过程中获取第二量化特征数据的方法进行详细的说明，此处不再赘述。
[0226]
步骤c2、将第一量化特征数据输入至训练完成的第三网络中，对待识别图像进行识别。
[0227]
其中，训练完成的第三网络，用于提取第一量化特征数据的类型信息；训练完成的第三网络，是基于第二目标特征数据对第三网络进行训练得到的。
[0228]
在一种实施方式中，训练完成的第三网络，可以是用于分类识别的、能够提取输入数据中携带的类型信息的线性网络。
[0229]
在一种实施方式中，训练完成的第三网络，可以是svm。
[0230]
示例性地，步骤c2中训练完成的第三网络，可以是通过步骤d1-步骤d2得到的：
[0231]
步骤d1、对第二目标特征数据进行量化，得到第二量化特征数据。
[0232]
示例性地，当将n个样本数据全部输入至训练完成的第一网络、对第一网络输出的第三特征数据进行特征提取得到第二目标特征数据、再将第二目标特征数据输入至训练完成的第二网络后，可以最终获得n
×
n1×
n2个特征图
[0233]
在一种实施方式中，第二量化特征数据，可以是对第二目标特征数据中的每一数据按照预先设定的量化区间进行量化而得到的。
[0234]
在一种实施方式中，第二量化特征数据，可以是对第二目标特征数据按照预设的采样频率进行采样得到第二采样结果，再按照预设的量化区间，对第二采样结果进行量化而得到的。
[0235]
在一种实施方式中，第二量化特征数据，可以是对第二目标特征数据进行二值化，再对二值化处理结果进行直方图统计处理而得到的。
[0236]
示例性地，在得到训练完成的第一网络以及训练完成的第二网络之后，还可以借鉴csgf(2d)2pcanet的结构，通过二值哈希函数h(
·
)对n
×
n1×
n2个特征图
中的每个特征图进行二值化。其中，二值化的过程可以为任一特征图对应的值大于0时，h(
·
)的输出为1；任一特征图对应的值小于或等于0时，h(
·
)的输出为0。
[0237]
如此，将所有样本数据中任一样本数据对应的特征图执行二值计算之后，可以得到一张整数值的二值特征图当所有任一样本数据对应的特征图全部执行二值计算之后，可以得最终得到n
×
n1个二值特征图
[0238]
示例性地，在通过二值哈希函数h(
·
)对n
×
n1×
n2个特征图中的每个特征图进行二值计算之后，还可以根据csgf(2d)2pcanet的结构对所有特征图执行统计直方图的操作。
[0239]
其中，对于任一二值特征图可以以滑动窗的形式取b1×
b2大小的块，块与块之间的重叠比例为α(以ar人脸库为例，b1可以为3，b2可以为2，α可以为0.5)。进而执行统计直方图的操作，并记录为然后可以将第i个样本数据对应的n1个的二值特征图统计直方图，并对统计结果进行拼接，从而得到与第i个样本数据对应的第二量化特征数据：
[0240]
步骤d2、基于第二量化特征数据，对第三网络进行训练，得到训练完成的第三网络。
[0241]
在一种实施方式中，基于第二量化特征数据，对第三网络进行训练，可以是将第二量化特征数据中的每一数据，依次输入至第三网络中，在第三网络对每一第二量化特征数据处理的过程中，能够充分的获取每一第二量化特征数据所携带的类型信息，并基于这些类型信息调整第三网络的网络参数，从而可以得到训练完成的第三网络。
[0242]
示例性地，本技术实施例提供的识别方法，还可以包括步骤e：
[0243]
步骤e、基于训练完成的第一网络、第四网络、训练完成的第二网络以及训练完成的第三网络，得到图像识别模型。
[0244]
其中，第四网络，用于从训练完成的第一网络的输出数据中提取与指定特征区间匹配的数据。
[0245]
示例性地，在本技术实施例中，第四网络，可以是一个结构较为简单的函数，比如前述实施例中的目标特征提取函数。
[0246]
示例性地，图像识别模型中的每一网络，可以是通过它们样本数据中的每一样本数据的依次处理、从而实现对每一网络的网络参数进行同步调整的。
[0247]
示例性地，表2为本技术实施例提供的基于样本数据对第一网络、第四网络、第二网络以及第三网络联合训练的参数设置图。
[0248][0249]
表2
[0250]
表2包括样本数据类型、样本数量、训练样本数、测试样本数、预处理图像尺寸、图像取块大小、[第一卷积核个数第二卷积核个数]、滑动窗尺寸、块重叠比例九部分。其中，样本数据类型，包括orl、extended yale b、ar以及xm2vts四种，样本数量，表示每一类型的样本数据中的总量，以上四种样本数据分别为40、30、126以及295个；训练样本数，表示对第一网络以及第二网络训练的样本的数量，以上四种类型的样本数据中用于训练的数量分别是前5个、前32个、*、*个；其中，*表示可以自行调整；测试样本数，是根据训练样本数进行调整的，分别为35、6、*、*个；预处理图像尺寸分别为32*32、32*32、60*43以及55*51；图像取块大小分别为8*8、4*4、3*3以及6*6；与四种类型的样本数据对应的[第一卷积核个数第二卷积核个数]分别为[4 4]、[4 4]、[33]以及[55]；直方图统计时的滑动窗尺寸分别为[13 13]、[1 2]、[5 2]以及[7 6]；直方图统计时的块重叠比例均为0.5。
[0251]
图3所示为本技术实施例提供的识别方法中对第一网络、目标特征提取函数、第二网络以及第三网络联合训练的结构示意图。
[0252]
示例性地，图3中的第一网络301用于接收样本数中的第i个样本数据，并对第i个样本数据执行garbor滤波、并对滤波结果进行降采样从而得到第一数据并基于第一数据进行协方差计算矩阵计算，并根据协方差矩阵计算的结果得到最大的特征值对应的特征向量，然后根据这些特征向量确定第一卷积核根据第一卷积核可以得到训练完成的第一网络。
[0253]
示例性地，当得到训练完成的第一网络之后，还可以基于第一卷积核对样本数据执行卷积运算，从而得到第三特征数据即n
×
n1个特征图{p
in
},n∈[1,n1],i∈[1,n]。
[0254]
示例性地，图3中的目标特征提取函数302，用于对第一网络301的输出数据即第三特征数据表示的n
×
n1个特征图{p
in
},n∈[1,n1],i∈[1,n]进行特征提取，从而得到第二数据
[0255]
示例性地，图3中的第二网络303，用于接收对目标特征提取函数302的输出数据，并基于目标特征提取函数302的输出数据，执行与第一网络中第一卷积核相同的过程确定
第二卷积核
[0256]
示例性地，当得到训练完成的第二网络之后，还可以使用第二卷积核对第二数据执行gabor滤波、降采样以及卷积运算，从而得到n
×
n1×
n2个特征图
[0257]
示例性地，图3中的第三网络304，可以包括二值计算部分、直方图统计部分以及识别部分。其中，二值计算部分，可以通过二值哈希函数h(
·
)来得到识别部分，可以通过线性网络如svm来实现。
[0258]
图4为本技术实施例提供的与图3对应的对第一网络、目标特征提取函数、第二网络以及第三网络的联合训练、测试过程的流程示意图。
[0259]
示例性地，在图4中左侧部分为训练部分，右侧部分为对待识别图像的测试部分。
[0260]
示例性地，在训练部分中，对样本数据，首先需要进行预处理，其中，预处理包括对样本数据进行灰度处理、图像大小的处理。
[0261]
其次通过第一网络中的第一csfg滤波操作，得到第一滤波结果，并对第一滤波结果执行第一降采样操作，对第一降采样操作的结果执行第一去均值操作，并基于第一去均值操作的结果确定第一卷积核，然后根据第一卷积核确定第一网络中的卷积网络部分，从而执行第一卷积操作，其中，第一卷积操作，表示根据第一卷积核对去均值操作的结果进行卷积操作。
[0262]
然后对第一卷积操作的结果执行非线性处理，从而得到非线性处理结果。
[0263]
对非线性处理结果执行第二csgf滤波操作、第二降采样操作、去均值操作以及第二卷积操作，得到第二卷积操作的输出结果。
[0264]
示例性地，在图4中，第一csgf滤波操作、第一降采样操作、第一去均值操作以及第一卷积操作，可以包含在训练完成的第一网络中；而第二csgf滤波操作、第二降采样操作、第二去均值操作以及第二卷积操作，可以包含在训练完成的第二网络中；对第一卷积操作的结果执行非线性处理得到非线性处理结果，可以通过目标特征提取函数来实现。
[0265]
示例性地，对第二卷积操作的输出结果，还可以执行二值哈希操作以及直方图统计操作，最终得到包含冗余特征较少的直方图统计结果；然后将直方图统计结果输入至分类器中，从而得到最终的分类结果的过程，可以通过训练完成的第三网络来实现。
[0266]
示例性地，由于本技术实施例所提供的识别方法中所采用的第一网络与第二网络、以及第一网络与第二网络之间的连接架构与相关技术中的csgf(2d)2pcanet有所不同，因此，可以记录本技术实施例提供的识别方法中将第一网络与第二网络联合起来的网络为非线性csgf(2d)2pcanet。
[0267]
对待识别图像的分类过程，可以通过图4的右侧部分所示的流程来实现。
[0268]
示例性地，在训练部分中，对待识别图像，首先需要进行预处理，其中，预处理包括对待识别图像进行灰度处理、图像大小的处理。
[0269]
示例性的，对待识别图像的预处理结果的处理，可以通过特征提取层和输出层两个层级来处理。其中，特征提取层，可以包括训练完成的第一网络、目标特征提取函数以及
训练完成的第二网络；输出层以及分类器，可以包含在训练完成的第三网络中。
[0270]
首先，通过特征提取层中训练完成的第一网络，对图像预处理结果执行第一csfg滤波操作、第一降采样操作、第一去均值操作、第一卷积操作，得到第一特征数据。
[0271]
其次，对第一卷积操作的结果执行非线性处理，从而得到待识别图像的非线性处理结果。
[0272]
然后，通过特征提取层中训练完成的第二网络，对待识别图像的非线性处理结果执行第二csgf滤波操作、第二降采样操作、去均值操作以及第二卷积操作，得到与待识别图像对应的第二卷积操作的输出结果。
[0273]
最后，通过训练完成的第三网络，对与待识别图像对应的第二卷积操作的输出结果、执行二值哈希操作以及直方图统计操作，得到第一量化特征数据，并将上述第一量化特征数据输入至训练完成的线性分类器中，从而最终得到待识别图像的识别结果。
[0274]
示例性地，由于直方图统计对应的数据为第一量化特征数据，而直方图统计时所依赖的是图像数据中包含的多个维度的特征数据，因此，第一量化特征数据，可以是以向量比如矩阵的形式体现的。
[0275]
图5为采用本技术实施例提供的识别方法对任一图像进行分类的错误率改善示意图。
[0276]
在图5中，横坐标表示在任一图像中添加的噪声比，其中，噪声比在0到15％之间变化；纵坐标表示对任一图像识别的错误率，该错误率覆盖区间为0到0.18，其单位为百分比。示例性地，上述添加的噪声可以是椒盐噪声，且噪声比越大表示图像被遮挡的越多，即噪声比越大图像越模糊。
[0277]
图5中坐标空间的黑色实线所示为csgf(2d)2pcanet对包含有噪声的任一图像识别的错误率变化趋势；黑色虚线为本技术实施例提供的识别方法对包含有噪声的任一图像识别的错误率变化趋势。
[0278]
从图5中可以看出，随着噪声比的增大，本技术实施例提供的识别方法对任一图像的分类错误率，相对于csgf(2d)2pcanet而言，有很大的改善。当任一图像中的噪声比达到10％时，csgf(2d)2pcanet的图像分类错误率为12％左右，而本技术实施例提供的识别方法的分类错误率为8.5％；在任一图像中的噪声比达到15％时，csgf(2d)2pcanet的图像分类错误率为18％，而本技术实施例提供的识别方法的分类错误率为14％。并且，随着图像中噪声比的增大，本技术实施例提供的识别方法的错误率相比csgf(2d)2pcanet而言的错误率降低更多。
[0279]
表3为样本数据为表2中四种类型时的图像分类准确率统计结果。
[0280][0281]
表3
[0282]
在表3中，数据集包括表2中的四种类型的样本数据，采用本技术实施例提供的识别方法对以上四种类型的样本数据进行图像识别时的图像识别准确率可以分别达到97.7％、100％、99.26％以及99.80％。
[0283]
表4为样本数据为ar类型时，对四种子类型的样本数据的识别率。其中，四种子类
型的样本数据分别为：ar-occ(遮挡)，ar-ill(光照)，ar-exp(表情)和ar-two(光照加遮挡)，4种子类型中每类型的样本个数分别为4、3、4以及8个。
[0284]
子类型数据ar-occar-illar-expar-two图像识别准确率99.81％100％99.70％98.02％
[0285]
表4
[0286]
在表4中，本技术实施例提供的识别方法，对以上四种子类型的样本数据的图像识别准确率分别为：99.81％、100％、99.70％以及98.02％。
[0287]
由以上可知，本技术实施例提供的识别方法，获取待识别图像、并基于训练完成的第一网络对待识别图像进行特征提取，得到第一特征数据，然后基于指定特征区间确定目标特征提取函数，并基于目标特征提取函数对第一特征数据进行提取，得到第一目标特征数据，再基于训练完成的第二网络对第一目标特征数据进行特征提取，得到第二特征数据，最后基于第二特征数据对待识别图像进行识别。
[0288]
由此，本技术实施例提供的识别方法，在通过第一网络对待识别图像进行特征提取之后，还可以通过基于指定特征区间确定的目标特征函数对特征提取的结果进行再次提取，从而减少了后续的特征提取过程中图像数据的冗余度，进而提高了图像识别的准确率。
[0289]
基于前述实施例，本技术实施例提供了一种识别设备。
[0290]
图6所示为本技术实施例提供的识别设备6的结构示意图。
[0291]
识别设备6包括获取模块601以及处理模块602；其中：
[0292]
获取模块601，用于获取待识别图像；
[0293]
处理模块602，用于基于训练完成的第一网络对待识别图像进行特征提取，得到第一特征数据；其中，训练完成的第一网络是基于样本数据进行训练得到的；
[0294]
处理模块602，还用于从第一特征数据中提取与指定特征区间匹配的数据，得到第一目标特征数据；基于训练完成的第二网络对第一目标特征数据进行特征提取，得到第二特征数据；其中，训练完成的第二网络，是基于从第三特征数据中提取的第二目标特征数据进行训练得到的；第三特征数据，是基于训练完成的第一网络对样本数据进行特征提取得到的；
[0295]
处理模块602，还用于基于第二特征数据，对待识别图像进行识别。
[0296]
在一些实施方式中，处理模块602，用于基于指定特征区间，确定目标特征提取函数；基于目标特征提取函数，对第一特征数据进行提取，得到目标特征数据；其中，目标特征提取函数，包括非线性函数。
[0297]
在一些实施方式中，处理模块602，用于对第二特征数据进行量化处理，得到第一量化特征数据。
[0298]
处理模块602，还用于将第一量化特征数据输入至训练完成的第三网络中，对待识别图像进行识别；其中，训练完成的第三网络，用于提取第一量化特征数据的类型信息；训练完成的第三网络，是基于第二目标特征数据对第三网络进行训练得到的。
[0299]
在一些实施方式中，处理模块602，用于对第二目标特征数据进行量化，得到第二量化特征数据；
[0300]
处理模块602，还用于基于第二量化特征数据，对第三网络进行训练，得到训练完成的第三网络。
[0301]
在一种实施方式中，处理模块，用于基于训练完成的第一网络、第四网络、训练完成的第二网络以及训练完成的第三网络，得到图像识别模型；其中，第四网络，用于从训练完成的第一网络的输出数据中提取与指定特征区间匹配的数据。
[0302]
在一些实施方式中，获取模块601，用于获取样本数据；
[0303]
处理模块602，用于将样本数据输入至第一滤波网络，得到第一数据；其中，第一滤波网络，用于对样本数据进行像素特征过滤；第一数据中携带有样本数据的至少一个像素特征；
[0304]
基于第一数据，训练第一卷积网络，得到训练完成的第一卷积网络；其中，第一卷积网络，用于对第一数据进行卷积运算；
[0305]
基于第一滤波网络以及训练完成的第一卷积网络，得到训练完成的第一网络。
[0306]
在一些实施方式中，处理模块602，用于将第二目标特征数据输入至第二滤波网络，得到第二数据；其中，第二滤波网络，用于对第二目标特征数据进行像素特征过滤；第二数据携带有第二目标特征数据中的多个像素特征；
[0307]
基于第二数据，训练第二卷积网络，得到训练完成的第二卷积网络；其中，第二卷积网络，用于对第二数据进行卷积运算；
[0308]
基于第二滤波网络以及训练完成的第二卷积网络，得到训练完成的第二网络。
[0309]
需要说明的是，获取模块601以及处理模块602，可以为特定用途集成电路asic、dsp、dspd、pld、fpga、cpu、控制器、微控制器、微处理器中的至少一种。可以理解地，用于实现上述处理器功能的电子器件还可以为其它，本技术实施例不作具体限定。
[0310]
由此，本技术实施例提供的识别设备，在通过训练完成的第一网络对待识别图像进行特征提取得到第一特征数据之后，还能从第一特征数据中企图与指定特征区间匹配的数据得到第一目标特征数据，然后基于第一目标特征数据执行后续的特征提取以及分类操作，因此，本技术实施例提供的识别设备，在对待识别图像进行分类的过程中，能够去除部分冗余特征信息，从而为后续的特征提取操作以及识别精度提高奠定了基础。
[0311]
基于前述实施例，本技术实施例还提供了一种识别系统。
[0312]
图7为本技术实施例提供的识别系统7的结构示意图。
[0313]
如图7所示，该识别系统7，包括处理器701、存储器702以及通信总线。
[0314]
其中，通信总线，用于实现处理器701与存储器702之间的通信连接；
[0315]
处理器701用于执行存储器702中的识别方法的程序，以实现以下如前任一实施例的识别方法。
[0316]
上述处理器701可以为特定用途集成电路asic、dsp、dspd、pld、fpga、cpu、控制器、微控制器、微处理器中的至少一种。可以理解地，用于实现上述处理器功能的电子器件还可以为其它，本技术实施例不作具体限定。
[0317]
上述存储器702，可以是易失性存储器(volatile memory)，例如ram；或者非易失性存储器(non-volatile memory)，例如rom，快闪存储器(flash memory，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；或者上述种类的存储器的组合，并向处理器提供指令和数据。
[0318]
基于前述实施例，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前任一项所述的识别方法。
[0319]
在一些实施例中，本技术实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
[0320]
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
[0321]
本技术所提供的各方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
[0322]
本技术所提供的各产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
[0323]
本技术所提供的各方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
[0324]
需要说明的是，上述计算机可读存储介质可以是只读存储器(read only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、电可擦除可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、磁性随机存取存储器(ferromagnetic random access memory，fram)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(compact disc read-only memory，cd-rom)等存储器；也可以是包括上述存储器之一或任意组合的各种电子设备，如移动电话、计算机、平板设备、个人数字助理等。
[0325]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0326]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0327]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所描述的方法。
[0328]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0329]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0330]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0331]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。