一种面向图像识别的深度学习网络的优化方法及系统与流程

1.本技术涉及图像识别领域，更具体地，涉及一种面向图像识别的深度学习网络的优化方法及系统。


背景技术：

2.图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同的目标和对象的技术，随着计算机技术的发展，人们使用深度学习算法进行实践应用。例如，图像识别包括行人脸识别、车辆识别等。
3.随着深度学习技术的发展，在可控环境下，基于深度网络模型的图像识别的精度取得了令人满意的精度。但随着采集图像的质量和数量的减少，图像识别方法的精度下降得很显著。进而导致图像识别方法在推理阶段缺乏区分特征的能力，不能满足使用者的实际需求。
4.因此在使用深度学习网络模型时，如何利用低质量且少量的图像数据，训练出高准确度的图像识别模型，是一项亟待解决的问题。


技术实现要素：

5.本发明实施例的目的在于提供一种面向图像识别的深度学习网络的优化方法及系统，通过具有四个卷积层和四个池化层的前向传播网络和具有两个卷积层、四个膨胀卷积层和四个池化层的后向传播网络的深度学习网络模型，修正待训练图像数据的标签，同时引入fasta算法计算标签之间的距离，提高修正标签的准确性，进而优化图像识别模型的识别效率和准确率。具体技术方案如下：
6.在本发明实施例的第一方面，提供一种面向图像识别的深度学习网络的优化方法，包括：采集待训练图像数据；其中，所述待训练图像数据携带有初始标签；构建深度学习网络模型；所述深度学习网络模型是卷积神经网络模型，包括前向传播网络和后向传播网络；其中，所述前向传播网络包括四个卷积层和四个池化层，所述后向传播网络包括两个卷积层、四个膨胀卷积层和四个池化层；将所述待训练图像数据输入所述深度学习网络模型，通过改进比例积分控制器训练所述深度学习网络模型的参数，构建第一图像识别模型；根据所述第一图像识别模型，确定所述待训练图像数据的修正标签；采用fasta算法，计算所述初始标签和所述修正标签之间的距离；根据所述距离，筛选所述待训练图像数据的修正标签；将筛选后的携带修正标签的待训练图像数据输入第一图像识别模型，通过改进比例积分控制器训练所述第一图像识别模型的参数，获得第二图像识别模型。
7.可选地，所述通过改进比例积分控制器训练所述深度学习网络模型的参数，构建第一图像识别模型，包括：根据当前步梯度的估计值，更新模型参数，判断上一步梯度的方向与当前步梯度的方向是否一致，若一致，则采用动量优化算法进行参数训练；若不一致，则采用随机梯度下降算法进行参数训练，直至模型满足预设训练终止条件。
8.可选地，根据以下公式判断上一步梯度的方向与当前步梯度的方向是否一致：
[0009][0010]
其中，dic表示判断值，sgn(
·
)表示符号函数，表示当前步t的梯度，v
t
表示当前步t的速度。
[0011]
可选地，若所述判断值为1，则上一步梯度的方向与当前步梯度的方向一致；若所述判断值为-1，则上一步梯度的方向与当前步梯度的方向不一致。
[0012]
可选地，所述采用fasta算法，计算所述初始标签和所述修正标签之间的距离，包括：采用脱氧核苷酸序列的参考格式编码所述初始标签和所述修正标签，获得第一初始标签序列和第一修正标签序列；计算所述第一初始标签序列和所述第一修正标签序列之间的距离，作为第一距离；采用one-hot编码所述初始标签和所述修正标签，获得第二初始标签序列和第二修正标签序列；计算所述第二初始标签序列和所述第二修正标签序列之间的距离，作为第二距离；对所述第一距离和所述第二距离进行加权求和处理，得到的结果作为所述初始标签和所述修正标签之间的距离。
[0013]
可选地，所述采用脱氧核苷酸序列的参考格式编码所述初始标签和所述修正标签，包括：采用脱氧核苷酸序列的参考格式编码所述初始标签的声调和所述修正标签的声调；其中所述脱氧核苷酸序列的参考格式的腺嘌呤脱氧核苷酸a对应第一声、胸腺嘧啶脱氧核苷酸t对应第二声、胞嘧啶脱氧核苷酸c对应第三声以及鸟嘌呤脱氧核苷酸g对应第四声。
[0014]
可选地，所述根据所述距离，筛选所述待训练图像数据的修正标签，包括：归一化处理所述距离，获得归一化距离；若所述归一化距离大于预设阈值，则去除相应的待训练图像数据的修正标签；反之，则保留相应的待训练图像数据的修正标签。
[0015]
可选地，通过以下公式计算所述归一化距离：
[0016][0017]
其中，ε表示调节系数，初始标签的个数为n，tf(i)表示初始标签i的出现次数，sim
i,j
表示初始标签i和对应的修正标签j之间的距离。
[0018]
可选地，该方法还包括：获取待识别图像数据；通过所述第二图像识别模型对所述待识别图像数据进行识别，获得图像识别结果。
[0019]
在本发明实施例的又一方面，提供一种面向图像识别的深度学习网络的优化系统，包括：数据采集模块，用于采集待训练图像数据；其中，所述待训练图像数据携带有初始标签；深度学习网络模型构建模块，用于构建深度学习网络模型；所述深度学习网络模型是卷积神经网络模型，包括前向传播网络和后向传播网络；其中，所述前向传播网络包括四个卷积层和四个池化层，所述后向传播网络包括两个卷积层、四个膨胀卷积层和四个池化层；第一图像识别模型构建模块，用于将所述待训练图像数据输入所述深度学习网络模型，通过改进比例积分控制器训练所述深度学习网络模型的参数，构建第一图像识别模型；修正标签确定模块，用于根据所述第一图像识别模型，确定所述待训练图像数据的修正标签；距离计算模块，用于采用fasta算法，计算所述初始标签和所述修正标签之间的距离；修正标签筛选模块，用于根据所述距离，筛选所述待训练图像数据的修正标签；第二图像识别模型构建模块，用于将筛选后的携带修正标签的待训练图像数据输入第一图像识别模型，通过改进比例积分控制器训练所述第一图像识别模型的参数，获得第二图像识别模型。
[0020]
可选地，所述第一图像识别模型构建模块，进一步用于：根据当前步梯度的估计值，更新模型参数，判断上一步梯度的方向与当前步梯度的方向是否一致，若一致，则采用动量优化算法进行参数训练；若不一致，则采用随机梯度下降算法进行参数训练，直至模型满足预设训练终止条件。
[0021]
可选地，根据以下公式判断上一步梯度的方向与当前步梯度的方向是否一致：
[0022][0023]
其中，dic表示判断值，sgn(
·
)表示符号函数，表示当前步t的梯度，v
t
表示当前步t的速度。
[0024]
可选地，若所述判断值为1，则上一步梯度的方向与当前步梯度的方向一致；若所述判断值为-1，则上一步梯度的方向与当前步梯度的方向不一致。
[0025]
可选地，所述距离计算模块，进一步用于：采用脱氧核苷酸序列的参考格式编码所述初始标签和所述修正标签，获得第一初始标签序列和第一修正标签序列；计算所述第一初始标签序列和所述第一修正标签序列之间的距离，作为第一距离；采用one-hot编码所述初始标签和所述修正标签，获得第二初始标签序列和第二修正标签序列；计算所述第二初始标签序列和所述第二修正标签序列之间的距离，作为第二距离；对所述第一距离和所述第二距离进行加权求和处理，得到的结果作为所述初始标签和所述修正标签之间的距离。
[0026]
进一步地，所述采用脱氧核苷酸序列的参考格式编码所述初始标签和所述修正标签，包括：采用脱氧核苷酸序列的参考格式编码所述初始标签的声调和所述修正标签的声调；其中所述脱氧核苷酸序列的参考格式的腺嘌呤脱氧核苷酸a对应第一声、胸腺嘧啶脱氧核苷酸t对应第二声、胞嘧啶脱氧核苷酸c对应第三声以及鸟嘌呤脱氧核苷酸g对应第四声。
[0027]
可选地，所述修正标签筛选模块，进一步用于：归一化处理所述距离，获得归一化距离；若所述归一化距离大于预设阈值，则去除相应的待训练图像数据的修正标签；反之，则保留相应的待训练图像数据的修正标签。
[0028]
进一步地，通过以下公式计算所述归一化距离：
[0029][0030]
其中，ε表示调节系数，初始标签的个数为n，tf(i)表示初始标签i的出现次数，sim
i,j
表示初始标签i和对应的修正标签j之间的距离。
[0031]
可选地，该系统还包括图像识别模块，用于获取待识别图像数据；通过所述第二图像识别模型对所述待识别图像数据进行识别，获得图像识别结果。
[0032]
有益效果：
[0033]
(1)将携带初始标签的待训练图像数据用于训练第一图像识别模型，根据第一图像识别模型识别出修正标签，再将修正标签输入第一图像识别模型，进一步训练出第二图像识别模型；这一过程中，还进行了修正标签的筛选，引入fasta编码和one-hot编码，计算初始标签和修正标签之间的距离；提出全新的归一化距离计算方式，筛选修正标签；通过两次训练和标签筛选，提高图像识别模型的识别效率和准确率。
[0034]
(2)采用前向传播网络和后向传播网络的卷积神经网络模型构建深度学习网络模型；其中所述前向传播网络包括四个卷积层和四个池化层，所述后向传播网络包括两个卷
积层、四个膨胀卷积层和四个池化层。这种深度学习网络架构，能够在不增加推理计算开销的同时，提升模型的识别性能。
[0035]
(3)将动量优化算法和随机梯度下降算法的优势结合起来，提出改进比例积分控制器，并用于深度学习网络模型，快模型收敛速度，避免陷入局部最优解。
附图说明
[0036]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1是本技术实施例提供的面向图像识别的深度学习网络的优化方法的流程图；
[0038]
图2是本技术实施例提供的图像识别方法的流程图；
[0039]
图3是本技术实施例提供的面向图像识别的深度学习网络的优化系统的结构示意图。
具体实施方式
[0040]
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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
[0041]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动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。
[0042]
本技术实施例提供了一种面向图像识别的深度学习网络的优化方法及系统，具体包括：采集待训练图像数据；其中，所述待训练图像数据携带有初始标签；构建深度学习网络模型；将所述待训练图像数据输入所述深度学习网络模型，通过改进比例积分控制器训练所述深度学习网络模型的参数，构建第一图像识别模型；根据所述第一图像识别模型，确定所述待训练图像数据的修正标签；采用fasta算法，计算所述初始标签和所述修正标签之间的距离；根据所述距离，筛选所述待训练图像数据的修正标签；将筛选后的携带修正标签的待训练图像数据输入第一图像识别模型，通过改进比例积分控制器训练所述第一图像识别模型的参数，获得第二图像识别模型。由此提高图像识别模型的识别效率和准确率。
[0043]
该面向图像识别的深度学习网络的优化方法及系统，具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为光场摄像机、车载相机、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(personal computer，pc)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
[0044]
可以理解的是，本实施例的该面向图像识别的深度学习网络的优化方法及系统可以是在终端上执行的，也可以是在服务器上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本技术的限制。
[0045]
人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0046]
近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本公开实施例提供的方案涉及计算机视觉技术、人工智能的机器学习/深度学习等技术，具体通过如下实施例进行说明：
[0047]
请参阅图1，图1示出根据本公开一实施例提供的面向图像识别的深度学习网络的优化方法的流程图，该方法具体包括如下步骤：
[0048]
s110、采集待训练图像数据；其中，所述待训练图像数据携带有初始标签。
[0049]
s120、构建深度学习网络模型；所述深度学习网络模型是卷积神经网络模型，包括前向传播网络和后向传播网络；其中，所述前向传播网络包括四个卷积层和四个池化层，所述后向传播网络包括两个卷积层、四个膨胀卷积层和四个池化层。
[0050]
这种深度学习网络架构，能够在不增加推理计算开销的同时，提升模型的识别性能。
[0051]
s130、将所述待训练图像数据输入所述深度学习网络模型，通过改进比例积分控制器训练所述深度学习网络模型的参数，构建第一图像识别模型。
[0052]
在一种实施方式中，所述步骤s130可以具体包括以下步骤：
[0053]
s131、根据当前步梯度的估计值，更新模型参数。
[0054]
s132、判断上一步梯度的方向与当前步梯度的方向是否一致。
[0055]
具体地，通过以下公式判断上一步梯度的方向与当前步梯度的方向是否一致：
[0056][0057]
其中，dic表示判断值，sgn(
·
)表示符号函数，表示当前步t的梯度，v
t
表示当前步t的速度。
[0058]
进一步地，若所述判断值为1，即dic＝1，则上一步梯度的方向与当前步梯度的方向一致；若所述判断值为-1，即dic＝-1，则上一步梯度的方向与当前步梯度的方向不一致。
[0059]
s133、若上一步梯度的方向与当前步梯度的方向一致，则采用动量优化算法进行参数训练；若上一步梯度的方向与当前步梯度的方向不一致，则采用随机梯度下降算法进行参数训练。
[0060]
具体地，所述动量优化算法的迭代公式为：
[0061]
θ
t 1
＝θ
t-v
t 1
[0062]
其中，θ
t
表示当前步t的模型参数，θ
t 1
表示下一步t 1的模型参数，v
t 1
表示下一步t 1的速度。
[0063]
所述随机梯度下降算法的迭代公式为：
[0064][0065]
其中，θ
t
表示当前步t的模型参数，θ
t 1
表示下一步t 1的模型参数，表示当前步t的梯度,r表示学习率，也表示梯度每次逼近的步长，l(θ
t
)表示当前步t的损失函数。
[0066]
s134、直至模型满足预设训练终止条件。
[0067]
其中，预设损失函数，若损失数据满足预设损失函数，则停止训练。
[0068]
由此将动量优化算法和随机梯度下降算法的优势结合起来训练深度神经网络模型，加快模型收敛速度，避免陷入局部最优解。
[0069]
s140、根据所述第一图像识别模型，确定所述待训练图像数据的修正标签。
[0070]
s150、采用fasta算法，计算所述初始标签和所述修正标签之间的距离。
[0071]
在一种实施方式中，步骤s150可以具体包括以下步骤：
[0072]
s151、采用脱氧核苷酸序列的参考格式编码所述初始标签和所述修正标签，获得第一初始标签序列和第一修正标签序列。
[0073]
其中，fasta算法是一种基于基因遗传序列提出的算法，其中包括四种脱氧核苷酸，而汉字的声调也是四种，因此提出采用脱氧核苷酸序列的参考格式编码标签的声调，此处的参考格式是指对标签的编码格式，沿用参考脱氧核苷酸序列的格式。
[0074]
具体地，采用脱氧核苷酸序列的参考格式编码所述初始标签的声调和所述修正标签的声调；其中所述脱氧核苷酸序列的参考格式的腺嘌呤脱氧核苷酸a对应第一声、胸腺嘧啶脱氧核苷酸t对应第二声、胞嘧啶脱氧核苷酸c对应第三声以及鸟嘌呤脱氧核苷酸g对应第四声。例如，初始标签为“男明星”，编码后得到第一初始标签序列为{tta}，相应的修正标签为“喜剧男明星”，编码后得到第一修正标签序列为{cgtta}。
[0075]
s152、计算所述第一初始标签序列和所述第一修正标签序列之间的距离，作为第一距离。
[0076]
例如，计算第一初始标签序列{tta}与第一修正标签序列{cgtta}之间的编辑距离。
[0077]
s153、采用one-hot编码所述初始标签和所述修正标签，获得第二初始标签序列和第二修正标签序列。
[0078]
s154、计算所述第二初始标签序列和所述第二修正标签序列之间的距离，作为第二距离。
[0079]
其中，第二距离具体可以是编辑距离。
[0080]
s155、对所述第一距离和所述第二距离进行加权求和处理，得到的结果作为所述初始标签和所述修正标签之间的距离。
[0081]
具体地，可以通过以下公式计算初始标签i和其对应的修正标签j之间的距离：
[0082]
|sim
i,j
|＝α
×
sim1 β
×
sim2[0083]
其中,α和β表示权重参数，sim1表示第一距离，sim2表示第二距离。
[0084]
该实施例中将a编码与one-hot编码结合，同时考虑标签的声调信息和特征信息，由此修正标签筛选的准确性。
[0085]
s160、根据所述距离，筛选所述待训练图像数据的修正标签。
[0086]
在一种实施方式中，步骤s160可以具体包括以下步骤：
[0087]
s161、归一化处理所述距离，获得归一化距离。
[0088]
具体地，可以通过以下公式计算所述归一化距离：
[0089]
[0090]
其中，ε表示调节系数，初始标签的个数为n，tf(i)表示初始标签i的出现次数，sim
i,j
表示初始标签i和对应的修正标签j之间的距离。
[0091]
该归一化距离计算方式，能够进一步提高修正标签筛选的准确性。
[0092]
s162、若所述归一化距离大于预设阈值，则去除相应的待训练图像数据的修正标签；反之，则保留相应的待训练图像数据的修正标签。
[0093]
s170、将筛选后的携带修正标签的待训练图像数据输入第一图像识别模型，通过改进比例积分控制器训练所述第一图像识别模型的参数，获得第二图像识别模型。
[0094]
由此通过模型的两次训练和标签筛选，提高图像识别模型的识别效率和准确率。
[0095]
图2示出了本技术实施例提供的图像识别方法的流程图，请参考图2，具体包括如下步骤：
[0096]
s210、获取待识别图像数据。
[0097]
本实施例中，利用图像识别装置获取待识别图像数据，可以理解的是，图像识别装置部署在终端设备上，待识别图像数据可以是通过终端设备的摄像头实时拍摄后得到的图像数据，也可以是存储在终端设备本地的图像数据。
[0098]
其中，待识别图像数据可以是静态图像或动态图像，具体可以是人脸图像数据，动物图像数据、行人图像数据像或者车辆图像数据。
[0099]
s220、通过所述第二图像识别模型对所述待识别图像数据进行识别，获得图像识别结果。
[0100]
可选地，该步骤之前，预处理所述待识别图像数据。例如，灰度化、几何变换以及基于空间域法的图像增强等预处理技术。
[0101]
其中，所述第二图像识别模型可以是上述图像识别模型训练过程得到的。
[0102]
本实施方式通过第二图像识别模型进行图像识别，可以提高图像识别结果的精确度。
[0103]
本实施例还提供面向图像识别的深度学习网络的优化系统，如图3所示，该系统包括：
[0104]
数据采集模块310，用于采集待训练图像数据；其中，所述待训练图像数据携带有初始标签。
[0105]
深度学习网络模型构建模块320，用于构建深度学习网络模型；所述深度学习网络模型是卷积神经网络模型，包括前向传播网络和后向传播网络；其中，所述前向传播网络包括四个卷积层和四个池化层，所述后向传播网络包括两个卷积层、四个膨胀卷积层和四个池化层。
[0106]
第一图像识别模型构建模块330，用于将所述待训练图像数据输入所述深度学习网络模型，通过改进比例积分控制器训练所述深度学习网络模型的参数，构建第一图像识别模型。
[0107]
修正标签确定模块340，用于根据所述第一图像识别模型，确定所述待训练图像数据的修正标签。
[0108]
距离计算模块350，用于采用fasta算法，计算所述初始标签和所述修正标签之间的距离。
[0109]
修正标签筛选模块360，用于根据所述距离，筛选所述待训练图像数据的修正标
签。
[0110]
第二图像识别模型构建模块370，用于将筛选后的携带修正标签的待训练图像数据输入第一图像识别模型，通过改进比例积分控制器训练所述第一图像识别模型的参数，获得第二图像识别模型。
[0111]
可选地，所述第一图像识别模型构建模块330，进一步用于：根据当前步梯度的估计值，更新模型参数，判断上一步梯度的方向与当前步梯度的方向是否一致，若一致，则采用动量优化算法进行参数训练；若不一致，则采用随机梯度下降算法进行参数训练，直至模型满足预设训练终止条件。
[0112]
可选地，根据以下公式判断上一步梯度的方向与当前步梯度的方向是否一致：
[0113][0114]
其中，dic表示判断值，sgn(
·
)表示符号函数，表示当前步t的梯度，v
t
表示当前步t的速度。
[0115]
可选地，若所述判断值为1，则上一步梯度的方向与当前步梯度的方向一致；若所述判断值为-1，则上一步梯度的方向与当前步梯度的方向不一致。
[0116]
可选地，所述距离计算模块350，进一步用于：采用脱氧核苷酸序列的参考格式编码所述初始标签和所述修正标签，获得第一初始标签序列和第一修正标签序列；计算所述第一初始标签序列和所述第一修正标签序列之间的距离，作为第一距离；采用one-hot编码所述初始标签和所述修正标签，获得第二初始标签序列和第二修正标签序列；计算所述第二初始标签序列和所述第二修正标签序列之间的距离，作为第二距离；对所述第一距离和所述第二距离进行加权求和处理，得到的结果作为所述初始标签和所述修正标签之间的距离。
[0117]
进一步地，所述采用脱氧核苷酸序列的参考格式编码所述初始标签和所述修正标签，包括：采用脱氧核苷酸序列的参考格式编码所述初始标签的声调和所述修正标签的声调；其中所述脱氧核苷酸序列的参考格式的腺嘌呤脱氧核苷酸a对应第一声、胸腺嘧啶脱氧核苷酸t对应第二声、胞嘧啶脱氧核苷酸c对应第三声以及鸟嘌呤脱氧核苷酸g对应第四声。
[0118]
可选地，所述修正标签筛选模块360，进一步用于：归一化处理所述距离，获得归一化距离；若所述归一化距离大于预设阈值，则去除相应的待训练图像数据的修正标签；反之，则保留相应的待训练图像数据的修正标签。
[0119]
进一步地，通过以下公式计算所述归一化距离：
[0120][0121]
其中，ε表示调节系数，初始标签的个数为n，tf(i)表示初始标签i的出现次数，sim
i,j
表示初始标签i和对应的修正标签j之间的距离。
[0122]
可选地，该系统还包括第二图像识别模块370，用于获取待识别图像数据；通过所述第二图像识别模型对所述待识别图像数据进行识别，获得图像识别结果。
[0123]
由此该系统能够提高图像识别模型的识别效率和准确率。
[0124]
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，上述描述装置中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不
再赘述。
[0125]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，多个单元或组件可以结合或者可以集成到另一个装置，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通信接口，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。
[0126]
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。
[0127]
另外，在本技术提供的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。
[0128]
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、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。
[0129]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0130]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围。都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。