静默人像识别方法、装置、设备及存储介质与流程

1.本技术涉及图像识别技术领域，具体而言，涉及一种静默人像识别方法、装置、设备及存储介质。


背景技术：

2.在借贷的远程审核中，按照合规需求，需要确认镜头内没有其他人存在，通常会存在一些壁挂照片、海报、固定人像、甚至挂着的衣服等造成干扰，此类人像也称为静默人像。为了优化用户体验，需要通过算法模型将这些干扰排除在外。
3.现有视觉技术中，主流的深度学习目标检测算法，并不会区分视频中到底是动态的真人还是静态的干扰人像，因此目前并没有成熟的方案识别这种干扰；另外，手持拍摄视频时，摄像头不可避免本身有移动，导致静默人像的相对位置也会跟着发生变化，不利于检测。


技术实现要素：

4.有鉴于此，本技术实施例的目的在于提供一种静默人像识别方法、装置、设备及存储介质，通过基于孪生网络构建能够表征连续两帧静态人像与连续两帧动态人像的差别的静默人像识别模型，根据模型对待识别人像视频进行多次推理，并将推理结果与预设阈值进行比对，进而判断出待识别人像视频中的静默人像，从而解决了上述“无法识别移动拍摄视频中的静默人像”的技术问题。
5.第一方面，本技术实施例提供一种静默人像识别方法，所述方法包括：基于孪生网络构建静默人像识别模型；其中，所述静默人像识别模型由截取固定间隔连续两帧的真实人体视频图像和截取固定间隔连续两帧的静默人体视频图像训练获得；根据所述静默人像识别模型对待识别人像视频进行多次推理，获得推理结果；将所述推理结果与预设阈值进行比对，确定所述待识别人像视频中是否存在静默人像。
6.在上述实现过程中，通过利用真实人体和静默人体的人体视频图像中的人体部分等间隔的相邻两帧构建静默人像识别模型，输入待识别人像视频进行多次推理进行多次比对判断，避免了仅将一次比对的结果作为依据的较大误差，实现了整个视频人体部分的多帧比对，提高了检测结果的准确率。
7.可选地，所述基于孪生网络构建静默人像识别模型，包括：获取人体视频图像；其中，所述人体视频图像包括真实人体视频图像和静默人体视频图像；基于目标检测跟踪算法检测并跟踪所述人体视频图像中的人体部分；将从所述人体部分中截取固定间隔的连续两帧视频图像确定为训练样本；采用孪生网络对所述训练样本进行训练，获得静默人像识别模型。
8.在上述实现过程中，通过检测、跟踪包含真实人体和静默人体的人体视频图像中的人体部分，并截取固定间隔的连续两帧，将其作为孪生网络的训练样本数据进行训练，获得静默人像识别模型，从而可以通过该模型判断任意人体视频中的静默人像，有效地训练
孪生网络，减少了静默人像识别耗费的时间，提高了识别效率。
9.可选地，所述人体部分包括真实人体部分和静默人体部分，所述训练样本包括训练正样本和训练负样本；所述将从所述人体部分中截取固定间隔的连续两帧视频图像确定为训练样本，包括：将从真实人体部分中截取固定间隔的连续两帧视频图像确定为训练正样本；将从静默人体部分中截取固定间隔的连续两帧视频图像确定为训练负样本；以及采用孪生网络对所述训练正样本和所述训练负样本进行训练，获得静默人像识别模型。
10.在上述实现过程中，通过构造训练正样本和训练负样本同时作为孪生网络的两个输入进行训练，学习到真实人体和静默人体的特征，进而构建出静默人像识别模型，达到了更好的识别效果，体现了孪生网络的识别优势。
11.可选地，所述根据所述静默人像识别模型对待识别人像视频进行多次推理，获得推理结果，包括：基于目标检测跟踪算法检测并跟踪待识别人像视频中的人体部分；将从所述人体部分中截取固定间隔的连续两帧视频图像输入至所述静默人像识别模型进行多次推理，获得推理结果。
12.在上述实现过程中，仅截取人像部分的两帧图像进行推理，无需对待识别视频中的每一帧图像进行人像识别，降低了计算量，减少了人像识别耗费的时间，提高了效率。
13.可选地，所述目标检测跟踪算法包括person人体检测算法、人脸检测算法、卡尔曼滤波预测位置跟踪算法、匈牙利轨迹跟踪算法。
14.在上述实现过程中，通过使用上述目标人体检测算法和目标跟踪算法，实现了人像视频中目标真实人体或目标静默人体的精确检测和跟踪，提高了模型识别效率和准确率。
15.可选地，所述推理结果包括多个推理浮点数；所述将所述推理结果与预设阈值进行比对，确定所述待识别人像视频中是否存在静默人像，包括：计算所述多个推理浮点数的平均值；将所述平均值与预设阈值进行比对；若所述平均值超过所述预设阈值，则将所述待识别人像视频中的人体部分确定为静默人像。
16.在上述实现过程中，通过多次推理统计，将推理结果的平均值与预设阈值进行比对，提高了识别的准确率。
17.可选地，所述预设阈值的取值范围包括0.7至1中的任意数值。
18.在上述实现过程中，通过阈值直接比对判断推理结果是否是真实人体还是静默人体，实现了快速判断快速识别的效果。
19.第二方面，本技术实施例提供了一种静默人像识别装置，所述装置包括：构建模型模块，用于基于孪生网络构建静默人像识别模型；其中，所述静默人像识别模型由截取固定间隔连续两帧的真实人体视频图像和截取固定间隔连续两帧的静默人体视频图像训练获得；推理模块，用于根据所述静默人像识别模型对待识别人像视频进行多次推理，获得推理结果；识别模块，用于将所述推理结果与预设阈值进行比对，确定所述待识别人像视频中是否存在静默人像。
20.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行上述的方法的步骤。
21.第四方面，本技术实施例提供一种计算机可读存储介质，所述存储介质上存储有
计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
22.为使本技术的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
附图说明
23.为了更清楚地说明本技术实施例的技术方案，下面将对本技术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。
24.图1为本技术实施例提供的一种静默人像识别方法的流程图；
25.图2为本技术实施例提供的一种构建静默人像识别模型的流程图；
26.图3为本技术实施例提供的一种待识别人像视频的推理流程图；
27.图4为本技术实施例提供的静默人像识别装置的功能模块示意图；以及
28.图5为本技术实施例提供静默人像识别装置的电子设备的方框示意图。图标：210-构建模型模块；220-推理模块；230-识别模块；300-电子设备；311-存储器；312-存储控制器；313-处理器；314-外设接口；315-输入输出单元；316-显示单元。
具体实施方式
29.下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。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.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。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。术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
31.下面先对本技术实施例中所涉及到的一些技术概念或用词的含义进行说明如下。
32.计算机视觉技术(computer vision,cv)：计算机视觉是一门研究如何使机器“看”的科学，更进一步地说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
33.孪生网络(siamese network)：“连体的神经网络”，神经网络的“连体”是通过共享权值来实现的。孪生网络是一种网络结构，包括两个子网络，这两个子网络的结构一般是相同的，并且参数是共享的，即参数是一致的。孪生网络的目的一般是比较两幅图片是否相似，或者说相似度是多少。
34.帧：影像动画中最小单位的单幅影像画面。一帧就是一副静止的图像，连续的帧就形成动画，如电视图像等。通常说帧数，简单地说，就是在1秒钟时间里传输的图像的帧数，也可以理解为图形处理器每秒钟能够刷新几次，通常用fps(frames per second，每秒钟帧数)表示。每一帧都是静止的图像，快速连续地显示帧便形成了运动的假象。高的帧率可以得到更流畅、更逼真的动画，fps越大，所显示的动作就会越流畅。
35.请参阅图1，图1为本技术实施例提供的一种静默人像识别方法的流程图，该方法可以包括：步骤100、步骤120和步骤140。
36.其中，步骤100：基于孪生网络构建静默人像识别模型；其中，静默人像识别模型由截取固定间隔连续两帧的真实人体视频图像和截取固定间隔连续两帧的静默人体视频图像训练获得；
37.步骤120：根据静默人像识别模型对待识别人像视频进行多次推理，获得推理结果；
38.步骤140：将推理结果与预设阈值进行比对，确定待识别人像视频中是否存在静默人像。
39.示例性地，静默人像识别模型可以是通过采用孪生网络，构造训练数据，训练可以判断出固定间隔两帧视频中的人体是否是静默人像的模型。固定间隔可以取10帧，则fps＝30。待识别人像视频可以是手持拍摄的移动视频，该视频中包含了手持镜头的真人人像和背景中存在的壁挂照片、海报中的静默人像。预设阈值可以是与推理结果对应的数值。
40.由于活体本身一定会产生微小的变化，而静态的假人或者照片，只会因为拍摄镜头的抖动产生一定刚性的偏移，并非完全不动，通过利用包括真人和假人的视频中人体部分等间隔的相邻两帧构建静默人像识别模型，输入待识别人像视频进行多次推理进行多次比对判断，避免了仅将一次比对的结果作为依据的较大误差，实现了整个视频人体部分的多帧比对，提高了检测结果的准确率。
41.在一个实施例中，步骤100可以具体包括：步骤101、步骤102、步骤103和步骤104。
42.其中，步骤101：获取人体视频图像；其中，人体视频图像包括真实人体视频图像和静默人体视频图像；
43.步骤102：基于目标检测跟踪算法检测并跟踪人体视频图像中的人体部分；
44.步骤103：将从人体部分中截取固定间隔的连续两帧视频图像确定为训练样本；
45.步骤104：采用孪生网络对训练样本进行训练，获得静默人像识别模型。
46.示例性地，真实人体视频图像可以是包含了活体、真人的成像视频数据，静默人体视频图像可以是包含了壁挂照片、海报、固定人像、挂着的衣服等类似真实人体的成像视频数据。通过常规的目标人体检测算法检测包含这两种人体的人体视频图像中的人体部分的轮廓区域，检测到人体部分后，并通过常规的跟踪算法一直跟踪人体视频图像中的人体部分的轮廓区域，然后从跟踪视频的人体部分截取固定间隔的连续两帧，可以是每10帧取一帧，相当于截取连续的20帧，将其作为孪生网络的训练样本数据进行训练，从而可以获得上
述可以判断出固定间隔两帧视频中的人体是否是静默人像的静默人像识别模型。
47.其中，孪生网络采用contrastive loss(对比损失)作为损失函数，利用神经网络对不同的两类数据进行区分；使用目标检测算法和跟踪算法创造训练样本数据，经过目标检测算法检测到人体后，基于跟踪算法会一直跟踪一个人体在视频中的位置，不论是真实人体和静默人体。
48.通过检测、跟踪包含真实人体和静默人体的人体视频图像中的人体部分，并截取固定间隔的连续两帧，将其作为孪生网络的训练样本数据进行训练，获得静默人像识别模型，从而可以通过该模型判断任意人体视频中的静默人像，有效地训练孪生网络，减少了静默人像识别耗费的时间，提高了识别效率。
49.在一个实施例中，人体部分包括真实人体部分和静默人体部分，训练样本包括训练正样本和训练负样本；步骤103可以具体包括：步骤103a、步骤103b。
50.步骤103a：将从真实人体部分中截取固定间隔的连续两帧视频图像确定为训练正样本；
51.步骤103b：将从静默人体部分中截取固定间隔的连续两帧视频图像确定为训练负样本。
52.步骤103b后还可以包括步骤105：采用孪生网络对所述训练正样本和所述训练负样本进行训练，获得静默人像识别模型。
53.示例性地，如图2所示，构造的训练样本数据中，找一段静默人体的人像视频片段，将人像视频中的壁挂照片、海报、固定人像、挂着的衣服等静默人体部分，每10帧取一帧，相邻连续的两帧的人像区域作为一对输入，标签设为1，意味着一对静态人像，作为训练负样本；再找一段真实人体的人像视频片段，将人像视频中的真实人体部分，每10帧取一帧，相邻的两帧的人像区域作为一对输入，标签设为0，意味着真实的动态人，作为训练正样本。采用孪生网络对训练正样本和训练负样本进行训练，学习到真实人体和静默人体的特征，进而构建出静默人像识别模型。
54.其中，构造训练正样本和训练负样本同时作为孪生网络的两个输入，例如可以是两张图片，而两个输入共享一个神经网络，即占有同样的权重，最终通过将两个神经网络的输出计算欧式距离(这也是孪生网络的一个层)，可以得到一个0-1之间的浮点数，通过训练可以改变这个浮点数的输出，进而达到更好的识别效果，体现了孪生网络的识别优势。
55.在一个实施例中，步骤120可以具体包括：步骤121和步骤122。
56.步骤121：基于目标检测跟踪算法检测并跟踪待识别人像视频中的人体部分；
57.步骤122：将从人体部分中截取固定间隔的连续两帧视频图像输入至静默人像识别模型进行多次推理，获得推理结果。
58.示例性地，如图3所示，静默人像识别模型的输入可以是这个人在视频中出现的连续两帧中的人体部分，不包括被遮挡或者移出视频镜头的帧。静默人像识别模型学习到静默人像和真实人像的特征后，输入待识别人像视频中的任意相隔固定间隔两帧的人体区域，则会输出推理结果，推理结果可以是0到1之间的浮点值。
59.可选地，下载需要推理或识别的手持视频，利用目标检测算法检测人体，并用跟踪算法持续跟踪检测的人体，对手持视频中跟踪的人体图像区域抽取一定间隔的两帧，这里固定间隔可以设置为10帧，并截取人体图像区域部分，输入已经训练好的静默人像识别模
型进行处理判断，可得到0-1之间的浮点值的推理结果。仅截取人像部分的两帧图像进行推理，无需对待识别视频中的每一帧图像进行人像识别，降低了计算量，减少了人像识别耗费的时间，提高了效率。
60.在一个实施例中，目标检测跟踪算法包括person人体检测算法、人脸检测算法、卡尔曼滤波预测位置跟踪算法、匈牙利轨迹跟踪算法。
61.示例性地，目标检测跟踪算法中的目标人体检测方法可以包括：person人体检测算法、人脸检测算法。其中，person人体检测算法可以是智能视频分析领域的行人重识别技术，通过利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术或在已有的可能来源与非重叠摄像机视域的视频序列中识别出目标行人；人脸检测算法可以是3d人脸识别技术、eeigenfaces人脸识别算法、fisherfaces人脸识别算法等多种方法，通过检测图像、视频或实时流中的人脸，然后计算人脸的数学模型，最终将模型与训练集或数据库进行比较以识别或验证一个人。
62.目标检测跟踪算法中的目标人体跟踪方法可以包括：卡尔曼滤波预测位置跟踪算法、匈牙利轨迹跟踪算法。其中，卡尔曼滤波预测位置跟踪算法可以是用于单目标、多目标跟踪的算法，通过对目标的位置进行预测，并且利用预测结果对跟踪的目标进行修正；匈牙利轨迹跟踪算法(hungarian algorithm)可以是基于距离矩阵的分配算法，通过建立一个图，其中有当前帧t＝1和前一帧t＝0的节点，然后计算两帧节点互相的距离，易得这个距离越小，那么当前帧的物体与前一帧相同的概率越大，从而实现跟踪。
63.可选地，利用卡尔曼滤波预测位置跟踪算法在对手持视频中的人体进行跟踪时，当人体运动速度较慢时，很容易将前后两帧的人体进行关联，可以利用之前几帧的位置来预测下一帧的位置，即可关联同一人体，实现人体位置的预测；再利用匈牙利算法对检测的目标人体与现有轨迹进行匹配。通过使用上述目标人体检测算法和目标跟踪算法，实现了人像视频中目标真实人体或目标静默人体的精确检测和跟踪，提高了模型识别效率和准确率。
64.在一个实施例中，推理结果包括多个推理浮点数；步骤140可以具体包括：步骤141、步骤142和步骤143。
65.步骤141：计算多个推理浮点数的平均值；
66.步骤142：将平均值与预设阈值进行比对；
67.步骤143：若平均值超过所述预设阈值，则将待识别人像视频中的人体部分确定为静默人像。
68.示例性地，如图3所示，训练好的静默人像识别模型可以用来判别两张图片是否是仅仅发生一点角度变化甚至完全不变。人体部分静态相似则输出为1，动态相似则输出为0。输入待识别人像视频中的任意间隔10帧连续两帧的人体区域，则会输出0到1之间的浮点值，可以设置阈值判断是否是活体人还是静默人像。需要在整个视频中进行多次推理统计，输出的推理结果若输出为1的比例高于一定的阈值，即可以是平均值超过这个阈值，该阈值可根据任务情况进行调整，则认为这是静默人像。通过多次推理统计，将推理结果的平均值与预设阈值进行比对，提高了识别的准确率。
69.在一个实施例中，预设阈值的取值范围包括0.7至1中的任意数值。
70.示例性地，预设阈值理论上可以是0.7至1中的任意数值，如图3所示，推理时的阈
值选择为0.7而不是0.8或者其他数值，能够实现尽可能地不将真实人体判断为静默人体，这是处于指标上的考量，为经验值。通过阈值直接比对判断推理结果是否是真实人体还是静默人体，实现了快速判断快速识别的效果。
71.请参阅图4，图4为本技术实施例提供的一种静默人像识别装置的功能模块示意图，该装置包括：构建模型模块210、推理模块220、识别模块230。
72.其中，构建模型模块210，用于基于孪生网络构建静默人像识别模型；其中，静默人像识别模型由截取固定间隔连续两帧的真实人体视频图像和截取固定间隔连续两帧的静默人体视频图像训练获得；
73.推理模块220，用于根据静默人像识别模型对待识别人像视频进行多次推理，获得推理结果；
74.识别模块230，用于将推理结果与预设阈值进行比对，确定待识别人像视频中是否存在静默人像。
75.可选地，构建模型模块210可以用于：
76.获取人体视频图像；其中，人体视频图像包括真实人体视频图像和静默人体视频图像；
77.基于目标检测跟踪算法检测并跟踪人体视频图像中的人体部分；
78.将从人体部分中截取固定间隔的连续两帧视频图像确定为训练样本；
79.采用孪生网络对训练样本进行训练，获得静默人像识别模型。
80.可选地，人体部分包括真实人体部分和静默人体部分，训练样本包括训练正样本和训练负样本；构建模型模块210可以用于：
81.将从真实人体部分中截取固定间隔的连续两帧视频图像确定为训练正样本；
82.将从静默人体部分中截取固定间隔的连续两帧视频图像确定为训练负样本；以及
83.采用孪生网络对训练正样本和训练负样本进行训练，获得静默人像识别模型。
84.可选地，推理模块220可以用于：
85.基于目标检测跟踪算法检测并跟踪待识别人像视频中的人体部分；
86.将从人体部分中截取固定间隔的连续两帧视频图像输入至静默人像识别模型进行多次推理，获得推理结果。
87.可选地，目标检测跟踪算法包括person人体检测算法、人脸检测算法、卡尔曼滤波预测位置跟踪算法、匈牙利轨迹跟踪算法。
88.可选地，推理结果包括多个推理浮点数；识别模块230可以用于：
89.计算多个推理浮点数的平均值；
90.将平均值与预设阈值进行比对；
91.若平均值超过预设阈值，则将待识别人像视频中的人体部分确定为静默人像。
92.可选地，预设阈值的取值范围包括0.7至1中的任意数值。
93.请参阅图5，图5是电子设备的方框示意图。电子设备300可以包括存储器311、存储控制器312、处理器313、外设接口314、输入输出单元315、显示单元316。本领域普通技术人员可以理解，图5所示的结构仅为示意，其并不对电子设备300的结构造成限定。例如，电子设备300还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。
94.上述的存储器311、存储控制器312、处理器313、外设接口314、输入输出单元315、
显示单元316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。上述的处理器313用于执行存储器中存储的可执行模块。
95.其中，存储器311可以是，但不限于，随机存取存储器(random access memory，简称ram)，只读存储器(read only memory，简称rom)，可编程只读存储器(programmable read-only memory，简称prom)，可擦除只读存储器(erasable programmable read-only memory，简称eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，简称eeprom)等。其中，存储器311用于存储程序，所述处理器313在接收到执行指令后，执行所述程序，本技术实施例任一实施例揭示的过程定义的电子设备300所执行的方法可以应用于处理器313中，或者由处理器313实现。
96.上述的处理器313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313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 processor，简称dsp)、专用集成电路(application specific integrated circuit，简称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技术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。
97.上述的外设接口314将各种输入/输出装置耦合至处理器313以及存储器311。在一些实施例中，外设接口314，处理器313以及存储控制器312可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
98.上述的输入输出单元315用于提供给用户输入数据。所述输入输出单元315可以是，但不限于，鼠标和键盘等。
99.上述的显示单元316在电子设备300与用户之间提供一个交互界面(例如用户操作界面)给用户参考。在本实施例中，所述显示单元316可以是液晶显示器或触控显示器。液晶显示器或触控显示器可以对处理器执行所述程序的过程进行显示。
100.本实施例中的电子设备300可以用于执行本技术实施例提供的各个方法中的各个步骤。
101.此外，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中的步骤。
102.本技术实施例所提供的上述方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中的步骤，具体可参见上述方法实施例，在此不再赘述。
103.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，又例如，多个单元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。在本技术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。
104.需要说明的是，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(read-only memory，rom)随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
105.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。
106.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，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。