一种犬类脸部检测模型训练方法、装置、检测方法及装置与流程

1.本技术涉及犬类管理技术领域，具体涉及一种对于犬只脸部特征识别的方法，具体为一种犬类脸部检测模型训练方法、装置、检测方法及装置。


背景技术：

2.目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，将目标的分割和识别合二为一。在复杂场景中，通常需要对多个目标进行实时处理，因此，目标自动提取和识别就显得特别重要。随着计算机视觉技术的迅速发展，其被广泛地应用在目标检测领域，就目前而言，现有技术中已经存在多种针对特定目标进行检测的方法，如：人脸检测、行人检测、车辆检测等，且从目标检测的发展来看，在人脸检测、行人检测、车辆检测方面的研究也最为广泛，而在狗脸检测方面的研究却很少。
3.狗脸检测是狗脸识别中极为重要的一个环节，其也属于对特定目标的检测。在现有技术中，针对于狗脸的检测主要是将狗脸从图像背景中检测出来，或者说是将狗脸的子窗口与非狗脸的子窗口分开。但随着日益增长的需求以及相对应的技术发展，针对于狗脸的检测的需求已经不局限于对于在图像中将狗脸与非狗脸进行区分，针对于其他场景下的使用例如针对于狗的种类以及狗的品种进行识别在目前的现有技术中并没有实现。


技术实现要素：

4.为了解决以上的技术问题，本技术提供一种犬类脸部检测模型训练方法、装置、检测方法及装置，能够实现对于复杂环境下的狗脸的识别，并且根据具体的检测需求还能够实现对于确定后的狗脸中犬类品种的识别。
5.为了达到上述目的，本技术实施例采用的技术方案如下：第一方面，一种犬类脸部检测模型训练方法，包括以下方法：获取样本数据集，所述样本数据集包括第一样本数据集和第二样本数据集，所述第一样本数据集内配置有多个样本图像以及多个所述样本图像上的多个第一标注信息，所述第二样本数据集内设置有多个样本图像以及多个所述样本图像上的多个第二标注信息，所述样本图像为待训练的犬类脸部图像，所述第一标注信息为所述样本图像中的特征点的标注信息，所述第二标注信息为所述样本图像中的关键特征点的标注信息，所述特征点用于表征犬类特点，所述关键特征点用于表征犬类种类特点；基于所述第一样本数据集对初始检测模型进行训练直至所述初始检测模型满足网络收敛的要求，并调整所述初始检测模型中的权重值得到第一检测模型；基于所述第二样本数据集对所述第一检测模型进行训练直至所述第一检测模型满足网络收敛的要求，并调整所述第一检测模型中的权重值得到第二检测模型；分别将所述第一检测模型以及所述第二检测模型进行保存。
6.第一方面的第一种实现方式中，所述初始检测模型为卷积神经网络结构，所述卷积神经网络结构包括特征提取网络和分类网络；所述特征提取网络包括数据输入层、卷积层、池化层，特征映射层包括全连接层和输出层。
7.结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述卷积层的数量为四个。
8.第一方面的第三种实现方式中，满足网络收敛的要求，并调整所述初始检测模型中的权重值得到第一检测模型，包括：设置初始学习率，基于所述初始学习率对所述初始检测模型进行迭代至损失函数为收敛状态，并基于随机梯度下降更新所述初始检测模型中的权重值得到第一检测模型；满足网络收敛的要求，并调整所述第一检测模型中的权重值得到第一检测模型，包括：设置初始学习率，基于所述初始学习率对所述第一检测模型进行迭代至损失函数为收敛状态，并基于随机梯度下降更新所述第一检测模型中的权重值得到第二检测模型。
9.结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述初始学习率为0.0001。
10.第二方面，一种犬类脸部检测模型训练装置，包括：样本数据集获取模块，用于获取样本数据集；第一检测模型训练模块，用于基于样本数据集对初始检测模型进行训练得到第一检测模型；第二检测模型训练模块，用于基于样本数数据及对第一检测模型进行训练得到第二检测模型；保存模块，用于对所述第一检测模型和所述第二检测模型分别进行保存。
11.第一方面的第一种实现方式中，所述样本数据集包括第一样本数据集和第二样本数据集，所述第一样本数据集内配置有多个样本图像以及多个所述样本图像上的多个第一标注信息，所述第二样本数据集内设置有多个样本图像以及多个所述样本图像上的多个第二标注信息，所述样本图像为待训练的犬类脸部图像，所述第一标注信息为所述样本图像中的特征点的标注信息，所述第二标注信息为所述样本图像中的关键特征点的标注信息，所述特征点用于表征犬类特点，所述关键特征点用于表征犬类种类特点。
12.第三方面，一种犬类脸部检测方法，其特征在于，基于权利要求上述任一项所述的犬类脸部检测模型训练方法训练的犬类脸部检测模型，包括：获取检测命令，确定检测策略，基于检测策略确定待检测模型；获取待检测图像数据；基于所述待检测模型对所述待检测图像数据进行识别，得到检测结果；所述待检测模型包括第一检测模型和第二检测模型。
13.第三方面的第一种实现方式中，所述第一检测模型、所述第二检测模型和所述检测策略上配置有命令标签。
14.第四方面，一种犬类脸部检测装置，包括：检测模型确定模块，用于基于检测命令确定检测策略，基于检测策略确定待检测模型；图像数据获取模块，用于获取待检测图像数据；检测结果获取模块，用于基于所述待检测模型对所述待检测图像数据进行识别，得到检测结果。
15.本技术实施例提供的技术方案中，包括检测模型训练方法及装置，还包括基于检测模型训练方法及装置配置的检测方法及检测装置。针对本技术实施例中的检测模型训练方法及装置能够基于相同的样本数据集进行不同检测模型的训练，得到用于不同场景下不同目的的检测，通过以上的训练方法以及训练装置能够降低样本数据进行训练，训练后检测模型的精准度较高，并且本训练方法可以基于gpu进行配置，缩短了训练的时间。本技术实施例提供的犬类脸部检测方法，基于配置的第一检测模型以及第二检测模型进行针对性的检测和识别，在本实施例中通过第一检测模型对于图像数据中存在的犬类信息进行确
定，通过第二检测模型对于犬类信息进行品种的识别。并且，本技术中的检测方法以及检测装置降低了检测的运算量，并且第一检测模型以及第二检测模型基于深度学习的方式进行获得，所以针对于检测结果的准确率较高且处理的效率较高。
附图说明
16.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，对于本领域普通技术人员来讲，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。
17.附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
18.图1是本技术实施例提供的终端设备的结构示意图。
19.图2是本技术的一些实施例所示的犬类脸部检测模型训练方法的流程图。
20.图3是本技术的一些实施例所示的犬类脸部检测模型训练装置方框示意图。
21.图4是本技术实施例提供的犬类脸部检测方法的流程图。
22.图5是本技术的一些实施例所示的犬类脸部检测装置方框示意图。
具体实施方式
23.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本技术技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
24.在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本技术。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本技术的方面。
25.本技术中使用流程图说明根据本技术的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
26.对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
27.（1）响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
28.（2）基于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
29.（3）卷积神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。
30.（4）深度学习，基于卷积神经网络和样本数据，获得样本数据中的内在规律和表示层次，能够识别文字、图像和声音等数据，在本实施例中使用到的深度学习基于对于图像的识别。
31.本发明实施例提供的检测模型训练方法、检测方法涉及人工智能(artificialintelligence,ai)领域，人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。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。
32.本技术实施例提供的技术方案，主要的应用场景为对犬只进行识别，而针对于犬只的识别可以通过犬只的整体身体特征进行识别，而针对于犬只的整体体型与其他动物之间的差异性较小，并且犬只的身体特征并不突出，所以基于犬只的整体身体特征进行识别从而实现对于犬只的检测并不理想和精准。所以，针对于犬只的管理尤其是针对于犬只的检测和识别主要基于犬只的脸部进行检测和识别，而针对于犬只的检测和识别主要目的是将符合犬只脸部特征的图像从复杂的图像信息中进行提取，从而确定图像信息中的犬只信息。在针对于此逻辑，主要是将符合犬只脸部图像进行获得。而在一些复杂的使用管理场景下，比如说针对于犬只的精细化管理，为了获取更多的犬只信息，需要对犬只的类别进行深度的识别，即需要针对于图像信息中的犬只信息进行识别并且识别对应的犬只的品种和种类，获取此类信息的目的主要是为了后续的数据使用以及分析。而目前的犬只检测方法以及实现犬只检测方法的犬只检测模型都无法实现对于犬只种类的判断和识别。
33.基于以上的技术背景，本技术实施例提供一种终端设备100，该终端设备包括存储器110、处理器120以及存储在存储器中并可在处理器上运行的计算机程序，其中处理器执行犬类脸部检测方法以及犬类脸部检测模型训练方法，能够实现对于犬类脸部的检测以及犬类脸部检测模型的训练。在本实施例中，该终端设备与用户端以及平台端进行通信，其中用户端用于接收检测结果的信息，其中平台端用于获取训练后的犬类脸部检测模型。其中，针对于发送信息的方式基于网络实现，并且在终端设备进行应用之前需要对用户端与终端设备建立关联关系，可以通过注册的方式实现对于终端设备与用户端之间的关联。其中终端设备可以针对多个用户端，也可以针对一个用户端，并且用户端通过密码以及其他加密的方式与终端设备进行通信。在本实施例中，针对于终端设备设置有两个独立的区域一个区域运行犬类脸部检测方法，另一个区域运行犬类脸部检测模型训练方法。
34.在本实施例中，该终端可以为服务器，针对于服务器的物理结构，包括存储器、处理器和通信单元。存储器、处理器以及通信单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器用于存储特定的信息和程序，通信单元用于将处理后的信息进行发送至对应的用户端。
35.本实施例将存储模块划分为两个存储区域，其中一个存储区为程序存储单元，另一个存储区域为数据存储单元。程序存储单元相当于固件区，该区域的读写权限设置为只
读模式，其内存储的数据不可擦除和更改。而数据存储单元中的数据可以进行擦除或读写，当数据存储区域的容量已满时，新写入的数据会对最早期的历史数据进行覆盖。
36.其中，存储器可以是，但不限于，随机存取存储器（random access memory，ram），只读存储器（read only memory，rom），可编程只读存储器（programmable read-only memory，prom），可擦除只读存储器（erasable programmable read-only memory，eprom），电可擦除只读存储器（ele超声ric erasable programmable read-only memory，eeprom）等。
37.处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器（dsp)）、专用集成电路（asic）、现场可编程门阵列（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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
38.参阅图4，在本实施例中，提供一种犬类脸部检测方法，包括一下过程：步骤s410. 获取检测命令，确定检测策略，基于检测策略确定待检测模型。
39.在本实施例中，所述检测命令包括两种方式进行下发，第一种方式为主动下发，另外一种为基于设置的下发规则进行命令的下发。针对于第一种方式为认为进行命令下发，从而发起命令，另一种方式为提前设置的下发规则，可以设置时间周期进行命令的下发。而针对检测命令包括两种，基于两种命令确定对应的检测策略，其中一种命令为检测是否存在犬类，另一命令为犬类的对应的犬类的种类。而针对于此两种检测命令获取对应的检测策略，其中一种检测策略为检测是否存在犬类，另一种检测策略是检测犬类对应的种类。在本实施例中，针对于以上的两种检测策略实现的检测过程基于配置的检测模型进行检测，而针对于以上的两种检测策略分别配置有对应的不同的检测模型，从而实现不同结果的获取。
40.在本实施例中，待检测模型为第一检测模型和第二检测模型，其中第一检测模型用检测是否存在犬只，第二检测模型用于检测犬只的种类。
41.在本实施例中，第一检测模型、第二检测模型以及检测策略山配置有命令标签，命令标签基于下发的命令进行获得，即基于下发的命令提取对应的命令标签，通过命令标签确定对应的命令策略，基于命令策略确定对应与命令标签相符合的第一检测模型或第二检测模型，并基于确定后的第一检测模型以及第二检测模型进行检测的实现。
42.步骤s420.获取待检测图像数据。
43.在本实施例中，检测逻辑基于图像中获取符合检测目的信息，针对于此步骤主要基于待检测图像数据的获取。而针对于待检测图像数据的获取方式可以基于外部配置的摄像头进行采集。
44.步骤s430. 基于所述待检测模型对所述待检测图像数据进行识别，得到检测结果。
45.在本实施例中，基于步骤s410中获取的第一检测模型或第二检测模型对获取后的待检测图像数据进行检测。
46.针对于第一检测模型、第二检测模型主要用于对待检测图像数据中的满足特征要
求的图像进行提取从而进行识别检测。
47.针对于第一检测模型以及第二检测模型的检测方法分别进行详细的描述，针对于第一检测模型对待检测图像数据的检测处理，包括以下方法：将图像数据输入至第一检测模型中，基于第一检测模型对图像数据进行处理，获得图像数据属于犬只的概率，基于预设的概率阈值，当处理得到的概率小于概率阈值时，则判断图像数据不属于犬只；当处理得到的概率等于或大于概率阈值时，则判断图像属于犬只。
48.针对于第二检测模型对待检测图像数据的检测处理，包括以下方法：将图像数据输入至第二检测模型中，基于第二检测模型对图像数据进行处理，获得图像数据属于具体犬只种类的多个概率值，基于预设的概率阈值，当处理得到的概率大于等于概率阈值时，则判断图像数据属于预设的犬只种类信息中，并比较多个概率值中的最大概率值，从而判断对应的犬只属于概率最大值对应的犬只种类。
49.在另外一种情况，当处理得到的概率小于概率阈值时，则判断图像属于不属于预设的犬只种类信息，针对此种情况，则说明在第二检测模型中存在没有收录的犬只种类，则基于此犬只经过人为判断确定对应的种类并将人为确定后的种类相关的图像信息对第二检测模型进行再次的训练，得到训练后的第二检测模型。
50.本实施例针对于识别出的结果发送至对应的命令下发者，结果可以包括识别的对应的信息。并且此方法也可以被配置在智慧养狗的系统中，用于针对不同场景下的犬只的识别。
51.而针对于此方法的配置，可以将过程中多个实现的过程进行虚拟化的装置配置，参阅图5，针对此配置方式本实施例提供一种犬类脸部检测装500，包括：检测模型确定模块510，本模块用于检测命令确定检测策略，基于检测策略确定待检测模型。图像数据获取模块520，用于获取待检测图像数据。检测结果获取模块530，用于基于所述待检测模型对所述待检测图像数据进行识别，得到检测结果。
52.本技术实施例提供的犬类脸部检测方法及装置，基于配置的第一检测模型以及第二检测模型进行针对性的检测和识别，在本实施例中通过第一检测模型对于图像数据中存在的犬类信息进行确定，通过第二检测模型对于犬类信息进行品种的识别。并且，本技术中的检测方法以及检测装置降低了检测的运算量，并且第一检测模型以及第二检测模型基于深度学习的方式进行获得，所以针对于检测结果的准确率较高且处理的效率较高。
53.而针对于步骤s410-步骤s430中使用到的第一检测模型以及第二件模型基于对应的训练方法进行训练得到，而针对此训练方法参阅图2进行，包括以下过程：本实施例提供一种犬类脸部检测模型训练方法，包括以下方法：步骤s210. 获取样本数据集。
54.在本实施例中，针对模型训练方法主要基于样本数据集基于预设置的初始模型进行训练，直到训练的结果满足预设的要求，并且基于满足预设的要求调整初始模型中的权重值，从而得到目标的检测模型。
55.而针对于此步骤s210，主要用于基础数据即样本数据集的获取。在本实施例中，针对于样本数据集的获取可以基于人工采集的数据，还可以包括基于训练场景下对于样本数据集的要求通过大数据抓取的方式进行全网络的相对应的样本数据集进行收集。而针对于
不同的使用场景、不同的检测需要以及不同的检测场景其样本数据集不同，并且针对于样本数据集的训练使用需要对样本数据集进行标注，标注后的样本数据集中的数据用于表示对应数据的性质以及说明数据的性质。
56.针对于此实施例中的样本数据集中的样本包括第一样本数据集和第二样本数据集，所述第一样本数据集内配置有多个样本图像以及多个所述样本图像上的多个第一标注信息，所述第二样本数据集内设置有多个样本图像以及多个所述样本图像上的多个第二标注信息，所述样本图像为待训练的犬类脸部图像，所述第一标注信息为所述样本图像中的特征点的标注信息，所述第二标注信息为所述样本图像中的关键特征点的标注信息，所述特征点用于表征犬类特点，所述关键特征点用于表征犬类种类特点。
57.在本实施例中，针对于检测的目的配置有第一检测模型以及第二检测模型，所以针对于第一检测模型以及第二检测模型中需要使用的基础数据相同，但是针对于不同检测模型中的基础数据中的标注信息不同，在本实施例中基础数据为多个样本图像，即采集到的基础图像。
58.步骤s220. 基于所述第一样本数据集对初始检测模型进行训练直至所述初始检测模型满足网络收敛的要求，并调整所述初始检测模型中的权重值得到第一检测模型。
59.在本实施例中，针对于采集到的样本数据集对于初始检测模型进行训练得到目标检测模型，而针对于本实施例中初始检测模型为卷积神经网络，而针对于本实施例中的检测场景，卷积神经网络的结构包括特征提取网络和分类网络；所述特征提取网络包括数据输入层、卷积层、池化层，特征映射层包括全连接层和输出层。其中针对于卷积层的数量为四个。
60.在本实施例中的卷积神经网络结构由特征提取网络和分类网络组成，特征提取网络包括数据输入层、卷积层、池化层，特征映射层主要由全连接层和输出层组成，使用4个卷积层从低到高的提取犬类脸部特征。在本网络中，有两种不同的池化层层，分别是综合池化层和空间金字塔池化层综合池化层分别放在前两个卷积层后面，针对于金字塔池化层中的spp层放在最后一个卷积层和卷积层之前，包含1x1，2x2，3x3的池化窗口，在spp层的后面还包含一个拼接层，用来拼接3个池化窗口的输出；分类网络由3个全连接层组成，主要是将特征空间映射到多个离散的标签上，输出层一共有两个，分别是进行归一化处理以及损失函数处理的处理层和accuracy层，其中归一化处理以及基于损失函数的处理用于计算网络中的损失并用于反向传播，accuracy层用来计算验证集的准确率，在本实施例中中卷积神经网络的激活函数均使用prelu函数。
61.而针对于满足网络收敛的要求，并调整所述初始检测模型中的权重值得到第一检测模型，包括以下方法：设置初始学习率，基于所述初始学习率对所述初始检测模型进行迭代至损失函数为收敛状态，并基于随机梯度下降更新所述初始检测模型中的权重值得到第一检测模型。
62.步骤s230. 基于所述第二样本数据集对第一检测模型进行训练直至所述初始检测模型满足网络收敛的要求，并调整所述第一检测模型中的权重值得到第二检测模型，针对于此步骤包括以下方法：设置初始学习率，基于所述初始学习率对所述第一检测模型进行迭代至损失函数为收敛状态，并基于随机梯度下降更新所述第一检测模型中的权重值得到第二检测模型。
63.步骤s240.将第一检测模型以及第二检测模型进行保存。
64.在本实施例中，初始学习率都设置为0.0001，每迭代一万次，初始学习率乘以0.1，使用随机梯度下降的方法来更新网络中的权重值，根据显存的大小，设置卷积神经网络的批大小为128，即每次训练在训练集中取128个样本进行训练。
65.本实施例通过对于第一检测模型以及第二检测模型分别进行训练，得到满足最红结果的第一检测模型和第二检测模型，其中针对于第一检测模型以及第二检测模型使用的样本数据集的基础数据相同，并且针对基础数据进行不同标注方式的标注，基于不同方式标注后的数据分别进行训练，本实施例提供的训练方式基于初始检测模型进行训练的到第一检测模型，其中第一检测模型用于检测图像数据中的犬类信息。基于第一检测模型利用第二标注的数据进行训练得到训练后的第二检测模型，其中第二检测模型用于检测图像数据中的犬类品种信息。
66.在本实施例中提供的检测模型训练方法，可以通过虚拟装置进行配置，而针对于配置后的虚拟装置为犬类脸部检测模型训练装置300，包括 ：样本数据集获取模块310，用于获取样本数据集。第一检测模型训练模块320，用于基于样本数据集对初始检测模型进行训练得到第一检测模型。第二检测模型训练模块330，用于基于样本数数据及对第一检测模型进行训练得到第二检测模型。保存模块340，用于对所述第一检测模型和所述第二检测模型分别进行保存。
67.本实施例提供的检测模型训练方法以及训练装置能够基于相同的样本数据集进行不同检测模型的训练，得到用于不同场景下不同目的的检测，通过以上的训练方法以及训练装置能够降低样本数据进行训练，训练后检测模型的精准度较高，并且本训练方法可以基于gpu进行配置，缩短了训练的时间。
68.针对于本实施例提供的训练方法以及检测方法，除去。本实施例提供的装置的配置形式外，还可以基于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
69.计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、rf、或类似介质、或任何上述介质的组合。
70.本技术各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如java、scala、smalltalk、eiffel、jade、emerald、c 、c#、vb.net，python等，或类似的常规程序编程语言，如"c"编程语言，visual basic，fortran 2003，perl，cobol 2002，php，abap，动态编程语言如python，ruby和groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
71.需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义在此均不作限定。
72.本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及偏好标签的技术特征/技术术语进行确定，例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀，例如“第一”、“第二”、“示例”、
ꢀ“
目标”等，可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀，例如“集合”、“列表”等，也可以根据前后文进行毫无疑义地推导和确定。
73.本技术实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本技术所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
74.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本技术的限定。虽然此处并没有明确说明，本领域技术人员可以对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
75.同时，本技术使用了特定术语来描述本技术的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
76.另外，本领域普通技术人员可以理解的是，本技术的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。
77.此外，除非申请专利范围中明确说明，本技术所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本技术实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。
78.同样应当理解的是，为了简化本技术揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。