图像处理方法、装置、电子设备及可读存储介质与流程

1.本技术涉及图像处理技术领域，具体而言，涉及一种图像处理方法、装置、电子设备及可读存储介质。


背景技术：

2.图像的相似度计算是计算机视觉领域的经典课题，在人脸识别、图像检索、行人重识别、人体跟随等领域有着广泛的应用。比如，对于人体跟随任务而言，如何计算两张图像的相似度起着至关重要的作用。一个人体跟随系统往往由“行人检测——行人重识别”组成：行人检测模块检测出原始视频帧中的行人位置，行人重识别模块则通过提取行人的特征和计算行人特征与目标行人特征的相似度来确定当前帧中的目标行人。
3.当前主要是计算两张图像的全局特征的相似度，并将该相似度作为这两张图像的图像相似度。然而，由于各种因素(比如，对象被遮挡)的影响，会出现需要进行图像相似度计算的图像中的对象不完整的情况，比如，两张行人图像中，至少一张行人图像中的身体区域不完整。在这种情况下，若仍然将全局相似度作为两张图像的相似度，则会出现得到的图像相似度准确性较低的情况，进而导致图像识别、图像检索结果等不准确。


技术实现要素：

4.本技术实施例提供了一种图像处理方法、装置、电子设备及可读存储介质，其能够基于全局特征和局部特征更为合理准确地计算图像对的相似度，从而至少减少由于图像中的对象不完整导致得到的图像相似度准确性低的情况。
5.本技术的实施例可以这样实现：
6.第一方面，本技术实施例提供一种图像处理方法，所述方法包括：
7.获得第一图像的第一全局特征及第一局部特征；
8.获得第二图像的第二全局特征及第二局部特征；
9.计算得到所述第一全局特征及第一局部特征中的每个特征与所述第二全局特征及第二局部特征中的每个特征之间的相似度；
10.根据获得的所述相似度，得到所述第一图像与所述第二图像的图像相似度。
11.第二方面，本技术实施例提供一种图像处理装置，所述装置包括：
12.特征获得模块，用于获得第一图像的第一全局特征及第一局部特征；
13.所述特征获得模块，还用于获得第二图像的第二全局特征及第二局部特征；
14.计算模块，用于计算得到所述第一全局特征及第一局部特征中的每个特征与所述第二全局特征及第二局部特征中的每个特征之间的相似度；
15.处理模块，用于根据获得的所述相似度，得到所述第一图像与所述第二图像的图像相似度。
16.第三方面，本技术实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以
实现前述实施方式中任意一项所述的图像处理方法。
17.第四方面，本技术实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式中任意一项所述的图像处理方法。
18.本技术实施例提供的图像处理方法、装置、电子设备及可读存储介质，计算得到第一图像的第一全局特征和第一局部特征中的每个特征与第二图像的第二全局特征和第二局部特征中的每个特征两两之间的相似度，进而基于得到的相似度获得该第一图像与第二图像的图像相似度。如此，可基于图像对的全局特征和局部特征中两两特征之间的相似度来获得图像相似度，避免由于忽略图像中的对象不完整带来的影响导致得到的图像相似度不能准确衡量两张图像的相似度。
附图说明
19.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
20.图1为行人图像对示意图；
21.图2为本技术实施例提供的电子设备的方框示意图；
22.图3为本技术实施例提供的图像处理方法的流程示意图之一；
23.图4为图3中步骤s110包括的子步骤的流程示意图；
24.图5为两种图像相似度的计算示意图；
25.图6为本技术实施例提供的图像处理方法的流程示意图之二；
26.图7为本技术实施例提供的图像处理装置的方框示意图。
27.图标：100-电子设备；110-存储器；120-处理器；130-通信单元；200-图像处理装置；210-特征获得模块；220-计算模块；230-处理模块。
具体实施方式
28.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。
29.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。基于本技术的实施例，本领域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。
30.需要说明的是，术语“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。
31.当前由于各种因素的影响，会导致图像中的对象不完整。在此情况下，若将全局特征的相似度作为两张图像的相似度，则会出现得到的图像相似度准确性较低的情况。
32.比如，在人体跟随中，由于相机fov(field of view，视场角)的限制，往往造成行人检测模块所检测出来的行人身体区域不完整。例如，如图1所示，a中两张行人图像的行人身体区域均较完整，但其中一种的右臂大部分缺失；b、c中则是一张为身体区域完整的行人图像，另一张为身体区域不完整的行人图像；d中两张行人图像的行人人体区域均不完整。
33.在采用现有方式时，是简单地计算身体区域完整的行人图像与身体区域不完整行人图像的相似度，也即计算出全局相似度。这种方式由于没有很好的考虑不完整身体区域带来的影响，即使两张图像中的行人是同一个人，所计算出来的相似度也往往较小，无法准确衡量两张图像的语义相似度。
34.为解决上述问题，本技术实施例提供一种图像处理方法、装置、电子设备及可读存储介质，基于图像对的全局特征和局部特征中两两特征之间的相似度来获得图像相似度，避免由于忽略图像中的对象不完整带来的影响导致得到的图像相似度不能准确衡量两张图像的相似度。其中，值得说明的是，针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得到的结果，因此，上述问题的发现过程以及下文中本技术实施例针对上述问题所提出的解决方案，都应是发明人在本技术过程中对本技术做出的贡献。
35.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
36.请参照图2，图2为本技术实施例提供的电子设备100的方框示意图。所述电子设备100可以是，但不限于，电脑、服务器等。所述电子设备100可以包括存储器110、处理器120及通信单元130。所述存储器110、处理器120以及通信单元130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。
37.其中，存储器110用于存储程序或者数据。所述存储器110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(electric erasable programmable read-only memory，eeprom)等。
38.处理器120用于读/写存储器110中存储的数据或程序，并执行相应地功能。比如，存储器110中存储有图像处理装置200，所述图像处理装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器120通过运行存储在存储器110内的软件程序以及模块，如本技术实施例中的图像处理装置200，从而执行各种功能应用以及数据处理，即实现本技术实施例中的图像处理方法。
39.通信单元130用于通过网络建立所述电子设备100与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
40.应当理解的是，图2所示的结构仅为电子设备100的结构示意图，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
41.请参照图3，图3为本技术实施例提供的图像处理方法的流程示意图之一。所述方法可应用于上述电子设备100。下面对图像处理方法的具体流程进行详细阐述。在本实施例中，所述方法可以包括步骤s110～步骤s140。
42.步骤s110，获得第一图像的第一全局特征及第一局部特征。
43.步骤s120，获得第二图像的第二全局特征及第二局部特征。
44.在本实施例中，所述第一图像及第二图像为需要分析图像相似度的两张图像，具体可以实际需求设置。比如，在人体跟随场景中，所述第一图像可以是从原始视频帧中获得的某个行人的图像，所述第二图像可以是指定的目标行人的图像。可以分别针对所述第一图像、第二图像，通过相同的特征提取方式进行特征提取，从而得到所述第一图像的第一全局特征及至少一个第一局部特征，以及所述第二图像的第二全局特征及至少一个第二局部特征。其中。全局特征为整张图像的特征，局部特征为整张图像的部分区域的特征。
45.值得说明的是，若已获得所述第一图像或第二图像的全局特征及局部特征，则可以直接使用，无需再次进行特征提取。比如，在人体跟随场景中，可将目标行人的图像作为所述第二图像，并提前获得所述第二图像的第二全局特征及第二局部特征；在持续的人体跟随中，可将不同的行人的图像作为所述第一图像，然后针对当前的第一图像通过特征提取获得该第一图像的第一全局特征及第一局部特征，并从存储的内容中获得所述第二图像的第二全局特征及第二局部特征，无需对所述第二图像重复多次特征提取处理。
46.其中，步骤s110与步骤s120可以同时执行，也可以先执行步骤s110后执行步骤s120，或者先执行步骤s120后执行步骤s110，具体执行顺序可以结合实际需求确定。
47.步骤s130，计算得到所述第一全局特征及第一局部特征中的每个特征与所述第二全局特征及第二局部特征中的每个特征之间的相似度。
48.在本实施例中，可针对所述第一图像的第一全局特征及第一局部特征中的每个特征，计算该特征与所述第二图像的第二全局特征及第二局部特征中的每个特征两两之间的特征相似度。比如，若获得了所述第一图像的1个第一全局特征及2个第一局部特征，同时获得了所述第二图像的1个第二全局特征及2个第二局部特征，则可以计算得到9个相似度。如此，可计算得到全局特征之间的相似度、局部特征之间的相似度以及全局特征与局部特征之间的相似度。
49.其中，可选地，在计算两个特征之间的相似度时，可以采用计算两个特征的余弦相似度的方式，计算得到两个特征的特征相似度。余弦相似度计算公式为：cos(θ)表示余弦相似度，a、b表示特征向量，a||、||b||表示特征向量的模长。
50.步骤s140，根据获得的所述相似度，得到所述第一图像与所述第二图像的图像相似度。
51.根据步骤s130获得的多个相似度，处理得到所述第一图像与所述第二图像的图像相似度。如此，可基于图像对的全局特征和局部特征中两两特征之间的相似度来获得图像相似度，避免由于忽略图像中的对象不完整带来的影响导致得到的图像相似度不能准确衡量两张图像的相似度。
52.可选地，在本实施例中，一张图像的局部特征的数量可以结合实际需求设置，比如，设置为1、2、3等。作为一种可能的实现方式，为避免遗漏有明显物理意义的局部特征(比
如，遗漏了行人左半边身体的局部特征)，可以获得所述第一图像的第一全局特征，并获得所述第一图像中的多个图像块各自对应的第一局部特征，其中，所述多个图像块组成所述第一图像。也即，将所述第一图像分为了多个图像块，获得了各图像块的局部特征，一个图像块对应一个局部特征。所述多个图像块的具体划分方式可以结合实际需求设置。比如，可以沿预设方向，将所述第一图像划分为多个图像块。同理，可通过相同方式获得所述第二图像的第二全局特征及第二局部特征。
53.其中，可选地，作为一种可能的实现方式，可以通过预设特征提取算法，对所述第一图像进行特征提取以得到所述第一图像的第一全局特征，并对所述第一图像的各图像块进行特征提取以得到所述第一图像的第一局部特征。
54.请参照图4，图4为图3中步骤s110包括的子步骤的流程示意图。作为另一种可能的实现方式，步骤s110可以包括子步骤s111～子步骤s113。
55.子步骤s111，通过第一预设网络获取所述第一图像的第一特征图。
56.其中，第一预设网络可以为backbone网络。所述第一预设网络可以为已经训练好的网络模型。可以将该第一图像输入到所述第一预设网络中，并将所述第一预设网络的输出结果作为所述第一图像的第一特征图。所述第一特征图中包括所述第一图像的高层语义特征。
57.子步骤s112，从所述第一特征图中提取得到第一全局特征。
58.可以将所述第一特征图输入到第二预设网络中，并将所述第二预设网络的输出结果作为所述第一图像的第一全局特征。其中，所述第二预设网络可以是已经训练好的网络模型。所述第二预设网络中可以依次包括：2个卷积层、1个池化层、1个全连接层。
59.子步骤s113，将所述第一特征图划分为多个第一子特征图，并从各所述第一子特征图中提取得到所述第一子特征图对应的第一局部特征。
60.其中，一个所述第一子特征图对应一个所述图像块。与获得所述第一全局特征的方式类似，可将各第一子特征图输入到预设网络中，从而获得各第一子特征图对应的第一局部特征。所述第二图像对应的第二特征图的划分方式与第一特征图的划分方式相同，也即，可以将所述第二图像的第二特征图以相同方式划分为多个第二子特征图，并获得各第二子特征图对应的第二局部特征。如此，可从语义对齐的角度更为鲁棒地衡量两张图像的相似度。
61.可选地，还可以先将所述第一图像划分为多个图像块，然后获得各图像块对应的特征图，进而基于各图像块对应的子特征图得到所述第一图像的第一全局特征及第一局部特征。同理，在提取得到所述第二图像的第二全局特征及第二局部特征时，可以基于与所述第一图像的处理方式相同的方式，先将所述第二图像划分为多个图像块，然后获得各图像块对应的特征图，进而基于各图像块对应的子特征图得到所述第二图像的第二全局特征及第二局部特征。其中，第二图像的图像块划分方式与第一图像的图像块划分方式相同。
62.可选地，划分得到所述多个图像块时使用的预设方向可以为水平方向或竖直方向，也可以为其他任意方向。可以沿着所述预设方向，将所述第一图像划分为大小相同或大小不同的多个图像块。比如，沿着竖直方向，在水平方向上将第一图像按照头部、上身、下身等划分为多个图像块。
63.作为一种可能的实现方式，由于不确定图像中的对象缺失了哪部分，并且保证各
图像块的物理意义，因此可将所述第一图像沿水平方向或者竖直方向均分为多个图像块。所述多个图像块的数量小于预设值，比如，所述多个图像块为2个或3个图像块。例如，沿水平方向将所述第一图像均分为两个竖直区域，一个竖直区域作为一个图像块。
64.可选地，还可以直接使用将所述第一图像沿水平方向均分为2个图像块的方式，如此，可解决由于相机fov限制引起人物图像相似度计算不准确的问题。
65.在获得两张图像的全局特征及局部特征的情况下，可计算得到一张图像的每个特征与另一张的每个特征的相似度，然后基于得到的相似度处理得到所述图像相似度。比如，可以从得到的相似度中，按照由大到小的顺序，选出一定数量个相似度，计算出平均值，并将该平均值作为所述图像相似度，其中，选出的相似度的数量小于得到的相似度总数量。
66.作为一种可能的实现方式，还可以通过比较选出得到的相似度中的最大相似度，然后将该最大相似度作为所述图像相似度。如此，可进一步准确地衡量两张图像的相似度。
67.下面结合图5，以用于计算两张行人图像的相似度为例，对上述图像处理方法进行举例说明。给定两张行人图像i1、i2(其中一张图像相当于上述第一图像，另一种图像相当于上述第二图像)，行人图像i1的身体区域较为完整，行人图像i2的身体区域不完整。图5中的extract feature表示特征提取，compute similarity表示计算相似度。
68.常规通过图5中的a所示方式计算这两张行人图像的相似度。首先，由backbone分别提取i1和i2的特征图，记为f1和f2。然后，从特征图f1和f2中得到图像的全局特征，记为f1和f2。最后，计算f1和f2的相似度s，即为行人图像i1和i2的相似度。
69.上述方式提取行人图像特征的时候只考虑图像的全局信息，因此，该方法对于图像i1、i2组成的图像对所计算出来的相似度s往往较小，这是因为f1来自于一个身体区域完整的行人图像，而f2来自一个身体区域不完整的行人图像，导致两个特征出现语义不对齐问题。
70.而采用本技术实施例提供的图像处理方法，则会同时考虑全局特征和局部特征，可更为合理地计算图像对的相似度。该方式通过图5中的b所示方式计算这两张行人图像的相似度。
71.首先，提取行人图像的特征图：由backbone分别提取i1和i2的特征图，记为f1和f2。
72.其次，提取行人图像的全局特征：从特征图f1和f2中分别提取行人图像i1和i2的特征，记为f1和f2。其中，f1表示行人图像i1的全局特征，f2表示行人图像i2的全局特征。
73.接着，提取行人图像的局部特征：将特征图f1沿水平方向均分为两个竖直区域，分别从两个区域中提取局部特征f
1l
和f
1r
；并将特征图f2沿水平方向均分为两个竖直区域，分别从两个区域中提取局部特征和也即，将特征图均为左右两部分，从每部分特征图中获得相应的局部特征。
74.然后，计算两张行人图像全局特征和局部特征的相似度矩阵s∈r3×3。s的每个元素表示行人图像i1的三个特征(f1、f
1l
、f
1r
)与行人图像i2的三个特征(f2、)两两之间的相似度。例如，s
11
表示两张行人图像的全局特征的f1和f2的相似度；s
12
表示行人图像i1的全局特征f1和行人图像i2的局部特征之间的相似度。
75.其中，行人图像i1的三个特征(f1、f
1l
、f
1r
)与行人图像i2的三个特征(f2、)维度可一致，比如，均为1
×
256，以便于计算全局特征和局部特征的相似度，从而得到所述
相似度矩阵。
76.最后，将相似度矩阵s∈r3×3的9个元素之中的最大值选做行人图像i1和i2的相似度。
77.下面对通过本方案在各种情况下获得的图像相似度特点进行说明。
78.情况1：当行人图像i1和行人图像i2均为身体区域完整的行人图像时，如图1中(a)所示的图像对，此时基于全局特征和局部特征的相似度计算方式计算出来的图像相似度有两种情况：该图像相似度为i1和i2的全局特征的相似度，或者该图像相似度为某对局部特征的相似度(当局部特征的相似度更高时)，例如f
1l
和此时，基于全局特征和局部特征的相似度计算方式略优于基于全局特征的相似度计算方式。
79.情况2：当i1和i2其一为身体区域完整的行人图像、另一为身体区域不完整的行人图像时，如图1中的(b)所示的图像对，此时基于全局特征和局部特征的相似度计算方式会挑选出i1的左半边身体的局部特征f
1l
和i2的全局特征f2的相似度作为i1和i2的图像相似度，这是因为i1的左半边区域和i2的全体区域是语义对齐的。与之相比，基于全局特征的相似度计算方式直接将i1和i2的全局特征的相似度当做i1和i2的图像相似度，缺乏鲁棒性。
80.情况三，当i1和i2均为身体区域不完整的行人图像、但来自同一身体区域(例如，都来自身体左半部分)时，类似情况1。
81.情况四，当i1和i2均为身体区域不完整的行人图像、但来自不同身体区域(例如，i1来自身体左半部分而i2来自身体右半部分)时，此时基于全局信息的方式和本技术提出的基于全局信息和局部信息的方式都无法准确地计算语义对齐的相似度。但是，由于行人身体的对称性，此时i1和i2的全局特征依然有着较高的相似度。
82.由此可知，本技术提出的基于全局信息和局部信息的图像相似度计算方式更为鲁棒，能够更为准确的衡量两张图像的相似度，特别是在两张图像出现语义不对齐问题的时候。
83.请参照图6，图6为本技术实施例提供的图像处理方法的流程示意图之二。在本实施例中，所述第一图像及第二图像为行人图像，在步骤s140之后，所述方法还可以包括步骤s150。
84.步骤s150，根据所述图像相似度，进行行人重识别。
85.在获得两张行人图像的图像相似度的情况下，可以判断该图像相似度是否大于预设相似度，在大于或等于的情况下，可认为该两张行人图像中的行人是同一个行人；在小于的情况下，可认为该两张行人图像中的行人不是同一个行人。如此，可完成行人重识别。在基于当前图像对完整行人重识别之后，还可以确定出新的图像对，然后重新执行上述步骤s110～步骤s150，直到行人重识别任务完成。
86.可选地，还可以在其他于其他视觉相关的任务中，比如，人脸识别、图像检索(比如，行人图像检索)、细粒度图像分析等，通过上述步骤s110～步骤s140获得图像相似度，进而基于该图像相似度进行人脸识别、图像检索等。
87.为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种图像处理装置200的实现方式，可选地，该图像处理装置200可以采用上述图2所示的电子设备100的器件结构。进一步地，请参照图7，图7为本技术实施例提供的图像处理装置200的方框示意图。需要说明的是，本实施例所提供的图像处理装置200，其基本原理及产生的技术效果和上述
实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。所述图像处理装置200可以包括：特征获得模块210、计算模块220及处理模块230。
88.所述特征获得模块210，用于获得第一图像的第一全局特征及第一局部特征。
89.所述特征获得模块210，还用于获得第二图像的第二全局特征及第二局部特征。
90.所述计算模块220，用于计算得到所述第一全局特征及第一局部特征中的每个特征与所述第二全局特征及第二局部特征中的每个特征之间的相似度。
91.所述处理模块230，用于根据获得的所述相似度，得到所述第一图像与所述第二图像的图像相似度。
92.可选地，在本实施例中，所述处理模块230具体用于：将获得所述相似度中的最大相似度，作为所述图像相似度。
93.可选地，在本实施例中，所述第一图像及第二图像为行人图像，所述处理模块230还可以用于：根据所述图像相似度，进行行人重识别。
94.可选地，上述模块可以软件或固件(firmware)的形式存储于图2所示的存储器110中或固化于电子设备100的操作系统(operating system，os)中，并可由图2中的处理器120执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
95.本技术实施例还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的图像处理方法。
96.综上所述，本技术实施例提供一种图像处理方法、装置、电子设备及可读存储介质，首先计算得到第一图像的第一全局特征和第一局部特征中的每个特征与第二图像的第二全局特征和第二局部特征中的每个特征两两之间的相似度，进而基于得到的相似度获得该第一图像与第二图像的图像相似度。如此，可基于图像对的全局特征和局部特征中两两特征之间的相似度来获得图像相似度，避免由于忽略图像中的对象不完整带来的影响导致得到的图像相似度不能准确衡量两张图像的相似度。
97.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也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，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
98.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
99.所述功能如果以软件功能模块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。
100.以上所述仅为本技术的可选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。