图片搜索方法、装置、设备及介质与流程

1.本技术涉及深度学习技术领域，尤其涉及一种图片搜索方法、装置、设备及介质。


背景技术：

2.随着互联网和信息技术的迅速发展，各公司、组织以及个人积累了大量的图片数据，如何在海量规模的图片数据中，高效且准确地检索出所需要的图片，是非常重要的一步。目前较为常见的检索技术是使用图片与图片之间的相关性进行检索，主要应用于搜索引擎、街景匹配等领域，但是针对场景更加复杂且服务对象更为明确的聊天侧边栏中的聊天记录中的图片检索，还没有出现更为快速简单的检索方法。
3.针对上述“针对场景更加复杂且服务对象更为明确的聊天侧边栏中的聊天记录中的图片检索，还没有更为快速简单的检索方法”的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术提供了一种图片搜索方法、装置、设备及介质，以解决上述“针对场景更加复杂且服务对象更为明确的聊天侧边栏中的聊天记录中的图片检索，还没有更为快速简单的检索方法”的技术问题。
5.根据本技术实施例的一个方面，本技术提供了一种图片搜索方法，包括：在接收到目标对象的搜图请求的情况下，提取搜图请求中的搜索文本，并获取聊天图片库，其中，聊天图片库包括目标对象在聊天过程中的所有聊天图片；提取聊天图片库中的聊天图片的图片特征，以获得聊天图片特征库，并提取搜索文本的第一语言特征；将第一语言特征与聊天图片特征库中的各个聊天图片特征进行比对，确定第一语言特征与各个聊天图片特征的匹配度顺序；按照匹配度顺序将聊天图片库中的目标图片展示给目标对象，以使目标对象能够获得到与搜索文本匹配的目标图片。
6.可选地，提取聊天图片库中的聊天图片的图片特征，以获得聊天图片特征库包括：确定聊天图片库中的第一图片，并利用预设图片提取模型来提取第一图片的第一图片特征，其中，第一图片为聊天图片库中未被提取图片特征的聊天图片；确定聊天图片库中的第二图片，并获取第二图片的第二图片特征，其中，第二图片为聊天图片库中已经被提取图片特征的聊天图片，聊天图片特征库包括第一图片特征和第二图片特征。
7.可选地，确定聊天图片库中的第一图片包括：对全部聊天图片的图片标签进行查询，其中，图片标签包括索引标签和键值标签；在查询到当前聊天图片的索引标签和键值标签中的任一标签不存在的情况下，将当前聊天图片确定为第一图片。
8.可选地，所述方法还包括：使用中文语料对预设语言提取模型进行训练，其中，预设语言提取模型用于提取搜索文本的第一语言特征。
9.可选地，将第一语言特征与聊天图片特征库中的各个聊天图片特征进行比对，确定第一语言特征与各个聊天图片特征的匹配度顺序包括：分别计算第一语言特征与各个聊天图片特征的向量距离；将聊天图片特征对应的向量距离按照由小到大的顺序进行排列，
并将聊天图片特征对应的匹配度顺序设置为由高到低。
10.可选地，分别计算第一语言特征与各个聊天图片特征的向量距离包括：依次计算各个聊天图片特征与第一语言特征之间的余弦距离，其中，余弦距离的计算公式为：
[0011][0012]
其中，pi为聊天图片特征的向量，qi为第一语言特征的向量。
[0013]
可选地，按照匹配度顺序将聊天图片库中的目标图片展示给目标对象包括：按照匹配度顺序确定对应的索引标签的第一顺序；利用第一顺序确定对应的目标图片的第二顺序，并将目标图片按照第二顺序展示预设数量的目标图片给目标对象。
[0014]
根据本技术实施例的另一方面，本技术提供了一种图片搜索装置，包括：第一提取模块，用于在接收到目标对象的搜图请求的情况下，提取搜图请求中的搜索文本，并获取聊天图片库，其中，聊天图片库包括目标对象在聊天过程中的所有聊天图片；第二提取模块，用于提取聊天图片库中的聊天图片的图片特征，以获得聊天图片特征库，并提取搜索文本的第一语言特征；比对模块，用于将第一语言特征与聊天图片特征库中的各个聊天图片特征进行比对，确定第一语言特征与各个聊天图片特征的匹配度顺序；展示模块，用于按照匹配度顺序将聊天图片库中的目标图片展示给目标对象，以使目标对象能够获得到与搜索文本匹配的目标图片。
[0015]
根据本技术实施例的另一方面，本技术提供了一种电子设备，包括存储器、处理器、通信接口及通信总线，存储器中存储有可在处理器上运行的计算机程序，存储器、处理器通过通信总线和通信接口进行通信，处理器执行计算机程序时实现上述方法的步骤。
[0016]
根据本技术实施例的另一个方面，本技术提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述任一方法的步骤。
[0017]
本技术技术方案可以应用于深度学习技术进行计算机视觉的设计。
[0018]
本技术实施例提供的上述技术方案与相关技术相比具有如下优点：
[0019]
本技术提供一种图片搜索方法，包括：在接收到目标对象的搜图请求的情况下，提取搜图请求中的搜索文本，并获取聊天图片库，其中，聊天图片库包括目标对象在聊天过程中的所有聊天图片；提取聊天图片库中的聊天图片的图片特征，以获得聊天图片特征库，并提取搜索文本的第一语言特征；将第一语言特征与聊天图片特征库中的各个聊天图片特征进行比对，确定第一语言特征与各个聊天图片特征的匹配度顺序；按照匹配度顺序将聊天图片库中的目标图片展示给目标对象，以使目标对象能够获得到与搜索文本匹配的目标图片。
[0020]
本技术通过预先提取聊天图片的图片特征向量，然后提取待搜索文本的语言特征向量，最后通过计算图片特征向量与语言特征向量的距离来确定与待搜索文本关联度较高的聊天图片，并推荐展示给用户，使得用户只需要输入文本就能获得想要的图片，提升了用户体验感。
附图说明
[0021]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施
例，并与说明书一起用于解释本技术的原理。
[0022]
为了更清楚地说明本技术实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]
图1为根据本技术实施例提供的一种可选的图片搜索方法的流程图；
[0024]
图2为根据本技术实施例提供的一种可选的图片搜索装置的框图；
[0025]
图3为根据本技术实施例提供的一种可选的电子设备结构示意图。
具体实施方式
[0026]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0027]
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本技术的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
[0028]
随着互联网和信息技术的迅速发展，各公司、组织以及个人积累了大量的图片数据，如何在海量规模的图片数据中，高效且准确地检索出所需要的图片，是非常重要的一步。目前较为常见的检索技术是使用图片与图片之间的相关性进行检索，主要应用于搜索引擎、街景匹配等领域，但是针对场景更加复杂且服务对象更为明确的聊天侧边栏中的聊天记录中的图片检索，还没有出现更为快速简单的检索方法。
[0029]
针对上述“针对场景更加复杂且服务对象更为明确的聊天侧边栏中的聊天记录中的图片检索，还没有出现更为快速简单的检索方法”的问题，目前尚未提出有效的解决方案。
[0030]
为了解决背景技术中提及的问题，根据本技术实施例的一个方面，本技术提供了一种图片搜索方法，如图1所示，包括：
[0031]
步骤101，在接收到目标对象的搜图请求的情况下，提取搜图请求中的搜索文本，并获取聊天图片库，其中，聊天图片库包括目标对象在聊天过程中的所有聊天图片；
[0032]
步骤103，提取聊天图片库中的聊天图片的图片特征，以获得聊天图片特征库，并提取搜索文本的第一语言特征；
[0033]
步骤105，将第一语言特征与聊天图片特征库中的各个聊天图片特征进行比对，确定第一语言特征与各个聊天图片特征的匹配度顺序；
[0034]
步骤107，按照匹配度顺序将聊天图片库中的目标图片展示给目标对象，以使目标对象能够获得到与搜索文本匹配的目标图片。
[0035]
本技术提供一种聚焦于企业聊天侧边栏的搜图方法。对于目标对象触发搜图请求的方式不作限定，例如，可以在侧边栏点击“搜图操作”，或者设置其他唤醒搜图功能的操作(识别手指在屏幕划过的预设轨迹等)。
[0036]
具体地，在目标对象触发搜图操作之后，还需要向用户请求图片授权，用于获取聊天记录中存档图片，即聊天图片库，聊天图片库可以是目标对象与当前聊天对象的所有聊
天记录，也可以是目标对象与所有聊天对象的所有聊天记录。
[0037]
具体地，步骤101和步骤107在客户端执行，步骤103和步骤105在服务端执行。
[0038]
本技术实施例的特征提取包括两个阶段：预先提取了聊天过程中聊天图片的图片特征并建立聊天图片特征库；提取搜索文本的第一语言特征，之后进行比对来获得匹配度顺序，最后将匹配度较高的聊天图片按照顺序展示给目标对象。
[0039]
现有技术中，通常是使用两种图片的图片特征进行比对，从而获得两张图片的相关性，更适合于搜索引擎等条件下，而本技术通过对互联网图片数据库的分析获得本专利聚焦企业聊天侧边栏调用，场景更加复杂且服务对象更为明确，本技术实施例使用自然语言与图片特征相关联的技术，从而提升用户体验。
[0040]
作为一种可选的实施例，提取聊天图片库中的聊天图片的图片特征，以获得聊天图片特征库包括：确定聊天图片库中的第一图片，并利用预设图片提取模型来提取第一图片的第一图片特征，其中，第一图片为聊天图片库中未被提取图片特征的聊天图片；确定聊天图片库中的第二图片，并获取第二图片的第二图片特征，其中，第二图片为聊天图片库中已经被提取图片特征的聊天图片，聊天图片特征库包括第一图片特征和第二图片特征。
[0041]
由于聊天图片库会随着聊天进程实时更新，但是只有新增的聊天图片未提取过图片特征，如果每次搜索之前都重新对所有聊天图片进行特征提取的话，会带来多余的工作量，对服务器造成负担，因此，只需要找出聊天图库中未未提取过图片特征的第一图片进行特征提取即可。
[0042]
具体地，将未被提取图片特征的第一图片进行图片特征提取，以获得第一图片特征，然后由第一图片特征与已经被提取的第二图片的第二图片特征组成聊天图片特征库。
[0043]
需要说明的是，由于聊天记录不一定会产生新的聊天图片，所以第一图片的数量可以是大于或等于0的任一数量，同理，第二图片数量也可以是大于或等于0的任一数量。
[0044]
作为一种可选的实施例，确定聊天图片库中的第一图片包括：对全部聊天图片的图片标签进行查询，其中，图片标签包括索引标签和键值标签；在查询到当前聊天图片的索引标签和键值标签中的任一标签不存在的情况下，将当前聊天图片确定为第一图片。
[0045]
为了方便调用和区分聊天图片，为每个聊天图片设置图片标签，其中，图片标签包括索引标签和键值标签。索引标签可以简单理解为目录，可以用于快速定位聊天图片的位置，一种可选的索引标签形式为md5码，一个图片对应唯一的md5码；键值标签包括聊天图片特征，所以键值标签也可以用于指示是否存在聊天图片特征。
[0046]
只有当聊天图片的索引标签和键值标签均完好存在时，才确定该聊天图片被提取图片特征并保存完好，所以当查询到当前聊天图片的索引标签和键值标签中的任一标签不存在的情况下，需要对当前聊天图片进行图片特征提取。
[0047]
这样一来，可以将聊天图片库中未被提取图片特征的第一图片找出来进行图片特征提取，也就减少了对所有聊天图片重复进行图片提取带来的重复工作量。
[0048]
作为一种可选的实施例，所述方法还包括：使用中文语料对预设语言提取模型进行训练，其中，预设语言提取模型用于提取搜索文本的第一语言特征。
[0049]
目前模型训练大多是基于英文进行训练，使用过程中还会涉及中英文转换的步骤，本技术直接利用中文语料来训练预设语言提取模型，以获得更适合我们使用的语言特征提取模型。
[0050]
本技术实施例的预设语言提取模型是基于openai最新的技术clip进行训练得来的。
[0051]
示例地，模型与权重进行修改并重新训练。首先，将clip的单阶段推理过程划分为两个阶段进行：
①
image encoder预先提取了聊天过程中图片的特征并建库；
②
text encoder进行自然语言特征提取，之后对图片特征和自然语言特征进行匹配。其次，clip全部为英文语言，我们将全面使用中文语料库进行重新训练。
[0052]
另外，本技术实施例的预设图片提取模型是基于squeeze-and-excitation networks(简称senet)进行训练得来的，可直接将聊天图片输入至预设图片提取模型，以获得聊天图片特征。senet的核心思想在于通过网络根据loss去学习特征权重，使得有效的feature map权重大，无效或效果小的feature map权重小的方式训练模型达到更好的结果。se block嵌在原有的一些分类网络中不可避免地增加了一些参数和计算量，但是在效果面前还是可以接受的。sequeeze-and-excitation(se)block并不是一个完整的网络结构，而是一个子结构，可以嵌到其他分类或检测模型中。
[0053]
作为一种可选的实施例，将第一语言特征与聊天图片特征库中的各个聊天图片特征进行比对，确定第一语言特征与各个聊天图片特征的匹配度顺序包括：分别计算第一语言特征与各个聊天图片特征的向量距离；将聊天图片特征对应的向量距离按照由小到大的顺序进行排列，并将聊天图片特征对应的匹配度顺序设置为由高到低。
[0054]
可选地，第一语言特征与各个聊天图片特征的相似度需要经过计算来确定，聊天图片特征与第一语言特征距离越近，该聊天图片特征对应的聊天图片与搜索文本的相似度越高，因此，将向量距离按照由小到大的顺序进行排列之后，对应的聊天图片特征与搜索文本的匹配度的排列顺序就是高到低了。
[0055]
作为一种可选的实施例，分别计算第一语言特征与各个聊天图片特征的向量距离包括：依次计算各个聊天图片特征与第一语言特征之间的余弦距离，其中，余弦距离的计算公式为：
[0056][0057]
其中，pi为聊天图片特征的向量，qi为第一语言特征的向量。
[0058]
在机器学习领域中，通常将特征表示为向量的形式，所以在分析两个特征向量之间的相似性时，常用余弦相似度表示。
[0059]
可选地，本技术实施例是通过计算图片特征向量和第一语言特征向量之间的余弦距离来评估二者的相似度。
[0060]
余弦相似度的取值范围是[-1，1]，相同两个向量的之间的相似度为1，余弦距离的取值范围是[0，2]，其中，余弦相似度越高，余弦距离越小。因此，余弦距离按照由小到大的顺序进行排列之后，对应的聊天图片特征与搜索文本的匹配度的排列顺序就是高到低了。
[0061]
作为一种可选的实施例，按照匹配度顺序将聊天图片库中的目标图片展示给目标对象包括：按照匹配度顺序确定对应的索引标签的第一顺序；利用第一顺序确定对应的目标图片的第二顺序，并将目标图片按照第二顺序展示预设数量的目标图片给目标对象。
[0062]
在确定了匹配度顺序之后，确定对应的索引标签排序，并通过索引标签来快速获
取对应的目标图片，以将目标图片展示给目标对象。
[0063]
预设数量可以由目标对象自行设置，对此不作限定，例如，展示数量可以是5张图，此时展示给用户的便是匹配度排名最高的前5张图片(即最相似的5张图片)，用户可自行挑选满意的图片，从而实现利用文本搜索图片。
[0064]
本方法能够检索的图片类别丰富，不仅包括文档、建筑、人、车辆等宏观类别，还支持对细粒度食品、细粒度车辆、细粒度家具等相似度较高的图片之间的识别。
[0065]
本技术实施例提供的上述技术方案与相关技术相比具有如下优点：
[0066]
本技术提供一种图片搜索方法，包括：在接收到目标对象的搜图请求的情况下，提取搜图请求中的搜索文本，并获取聊天图片库，其中，聊天图片库包括目标对象在聊天过程中的所有聊天图片；提取聊天图片库中的聊天图片的图片特征，以获得聊天图片特征库，并提取搜索文本的第一语言特征；将第一语言特征与聊天图片特征库中的各个聊天图片特征进行比对，确定第一语言特征与各个聊天图片特征的匹配度顺序；按照匹配度顺序将聊天图片库中的目标图片展示给目标对象，以使目标对象能够获得到与搜索文本匹配的目标图片。本技术通过预先提取聊天图片的图片特征向量，然后提取待搜索文本的语言特征向量，最后通过计算图片特征向量与语言特征向量的距离来确定与待搜索文本关联度较高的聊天图片，并推荐展示给用户，使得用户只需要输入文本就能获得想要的图片，提升了用户体验感。
[0067]
根据本技术实施例的另一方面，本技术提供了一种图片搜索装置，如图2所示，包括：
[0068]
第一提取模块202，用于在接收到目标对象的搜图请求的情况下，提取搜图请求中的搜索文本，并获取聊天图片库，其中，聊天图片库包括目标对象在聊天过程中的所有聊天图片；
[0069]
第二提取模块204，用于提取聊天图片库中的聊天图片的图片特征，以获得聊天图片特征库，并提取搜索文本的第一语言特征；
[0070]
比对模块206，用于将第一语言特征与聊天图片特征库中的各个聊天图片特征进行比对，确定第一语言特征与各个聊天图片特征的匹配度顺序；
[0071]
展示模块208，用于按照匹配度顺序将聊天图片库中的目标图片展示给目标对象，以使目标对象能够获得到与搜索文本匹配的目标图片。
[0072]
需要说明的是，该实施例中的第一提取模块202可以用于执行本技术实施例中的步骤101，该实施例中的第二提取模块204可以用于执行本技术实施例中的步骤103，该实施例中的比对模块206可以用于执行本技术实施例中的步骤105，该实施例中的展示模块208可以用于执行本技术实施例中的步骤107。
[0073]
可选地，第二提取模块204包括：
[0074]
第一确定子模块，用于确定聊天图片库中的第一图片，并利用预设图片提取模型来提取第一图片的第一图片特征，其中，第一图片为聊天图片库中未被提取图片特征的聊天图片；
[0075]
第二确定子模块，用于确定聊天图片库中的第二图片，并获取第二图片的第二图片特征，其中，第二图片为聊天图片库中已经被提取图片特征的聊天图片，聊天图片特征库包括第一图片特征和第二图片特征。
[0076]
可选地，第一确定子模块还用于对全部聊天图片的图片标签进行查询，其中，图片标签包括索引标签和键值标签；在查询到当前聊天图片的索引标签和键值标签中的任一标签不存在的情况下，将当前聊天图片确定为第一图片。
[0077]
可选地，该图片搜索装置还包括：
[0078]
训练模块，用于使用中文语料对预设语言提取模型进行训练，其中，预设语言提取模型用于提取搜索文本的第一语言特征。
[0079]
可选地，比对模块206还包括：
[0080]
计算子模块，用于分别计算第一语言特征与各个聊天图片特征的向量距离；
[0081]
排列模块，用于将聊天图片特征对应的向量距离按照由小到大的顺序进行排列，并将聊天图片特征对应的匹配度顺序设置为由高到低。
[0082]
可选地，计算子模块还用于依次计算各个聊天图片特征与第一语言特征之间的余弦距离，其中，余弦距离的计算公式为：
[0083][0084]
其中，pi为聊天图片特征的向量，qi为第一语言特征的向量。
[0085]
可选地，展示模块208还用于按照匹配度顺序确定对应的索引标签的第一顺序；利用第一顺序确定对应的目标图片的第二顺序，并将目标图片按照第二顺序展示预设数量的目标图片给目标对象。
[0086]
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
[0087]
根据本技术实施例的另一方面，如图3所示，本技术提供了一种电子设备，包括存储器31、处理器32、通信接口33及通信总线34，存储器31中存储有可在处理器32上运行的计算机程序，存储器31、处理器32通过通信总线34和通信接口33进行通信，处理器32执行计算机程序时实现上述方法的步骤。
[0088]
上述电子设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
[0089]
存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0090]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0091]
根据本技术实施例的另一个方面，本技术提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述任一方法的步骤。
[0092]
可选地，在本技术实施例中，计算机可读介质被设置为存储用于所述处理器执行上述方法步骤的程序代码。
[0093]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
[0094]
本技术实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。
[0095]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dsp device，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0096]
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0097]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0098]
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。
[0099]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，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，所述模块的划分，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，例如多个模块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。
[0100]
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。
[0101]
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。
[0102]
所述功能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，本技术实施例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、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将
一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0103]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。