一种图像实例分割方法及装置与流程

1.本技术涉及图像处理技术领域，尤其涉及一种图像实例分割方法及装置。


背景技术：

2.图像实例分割指在图像中识别实例对象的类别、位置和所占的像素范围，并将实例对象从图像的背景中提取(分割)出来，是计算机视觉中很重要的一个方向，其中，实例对象可以为人物、物品等，一般在深度学习背景下利用卷积神经网络对图像进行实例分割，即通过训练好的实例分割模型对图像进行实例分割(确定实例对象的掩码和类别)。
3.然而，在利用卷积神经网络进行实例分割时，需要有大量的数据支持，如果没有足够多的数据来训练实例分割模型，实例分割模型可能无法准确的将实例对象从图像的背景中分割出来，但是在很多应用领域中，例如在海战场中，新式作战武器比如潜艇、船舰等样本数据搜集困难，可能无法获取大量的样本数据，导致训练出的实例分割模型的分割效果差，准确率低。


技术实现要素：

4.本技术提供了一种图像实例分割方法及装置，该方法使在少量的样本数据下得到的目标网络模型能够准确的将目标类别所对应的对象从图像的背景中分割出来。
5.为解决上述问题，第一方面，本技术实施例提供了一种图像实例分割方法，该图像实例分割方法包括：构建实例分割的初始网络模型；通过多源数据集对所述初始网络模型进行元训练，确定中间网络模型，所述多源数据集包括多个类别的实例分割任务的小样本数据集，所述中间网络模型为适应所述多个类别的实例分割任务的所述初始网络模型；通过目标数据集对所述中间网络模型进行元训练，确定目标网络模型，所述目标数据集为目标类别的实例分割任务的小样本数据集，所述目标网络模型为适应所述目标类别的实例分割任务的所述中间网络模型。
6.结合第一方面，在第一方面的某些实现方式中，所述通过多源数据集对所述初始网络模型进行元训练，确定中间网络模型，包括：从所述多源数据集中抽取m个类别的实例分割任务对所述初始网络模型进行元训练，确定所述m个类别中的每一个类别的实例分割结果的损失值，得到m个损失值，m为大于1的整数；根据所述m个损失值更新第一参数，以确定所述中间网络模型，所述第一参数为所述初始网络模型的参数。
7.结合第一方面，在第一方面的某些实现方式中，所述根据所述m个损失值更新第一参数，包括：确定所述m个类别中的每一个类别与所述目标对象的偏差值，得到m个偏差值，所述m个偏差值与所述m个损失值一一对应；根据所述m个损失值和对应偏差值的积更新所述第一参数。
8.结合第一方面，在第一方面的某些实现方式中，当第一损失值小于预设值时，停止更新所述第一参数，并将所述第一参数确定为所述中间网络模型的参数，所述第一损失值为将从所述目标数据集中抽取的样本数据输入所述初始网络模型后得到的损失值。
9.结合第一方面，在第一方面的某些实现方式中，所述初始网络模型包括超参数，所述超参数用于确定所述第一参数更新的步长。
10.结合第一方面，在第一方面的某些实现方式中，所述初始网络模型为mask-rcnn网络模型。
11.根据本技术实施例提供的图像实例分割方法，首先构建实例分割的初始网络模型，其次通过多源数据集对初始网络模型进行元训练，在初始网络模型能够适应多个类别的实例分割任务之后，将其确定为中间网络模型，然后再通过目标数据集对中间网络模型进行元训练，使中间网络模型能够适应目标类别的实例分割任务，以确定目标网络模型，即利用元学习的思想可以使初始网络模型学习到适应多个类别的实例分割任务的参数，提高初始网络模型的泛化性能，从而有利于初始网络模型适应目标类别的实例分割任务，使在少量的样本数据下得到的目标网络模型也能够准确的将目标类别所对应的对象从图像的背景中分割出来，提高少量样本数据下图像实例分割结果的准确性。
12.第二方面，本技术还提供了一种图像实例分割装置，该图像实例分割装置包括：构建模块，用于构建实例分割的初始网络模型；确定模块，用于通过多源数据集对所述初始网络模型进行元训练，确定中间网络模型，所述多源数据集包括多个类别的实例分割任务的小样本数据集，所述中间网络模型为适应所述多个类别的实例分割任务的所述初始网络模型；所述确定模块，还用于通过目标数据集对所述中间网络模型进行元训练，确定目标网络模型，所述目标数据集为目标类别的实例分割任务的小样本数据集，所述目标网络模型为适应所述目标类别的实例分割任务的所述中间网络模型。
13.结合第二方面，在第二方面的某些实现方式中，所述确定模块具体用于：从所述多源数据集中随机抽取m个类别的实例分割任务对所述初始网络模型进行元训练，确定所述m个类别中的每一个类别的实例分割结果的损失值，得到m个损失值，m为大于1的整数；根据所述m个损失值更新第一参数，以确定所述中间网络模型，所述第一参数为所述初始网络模型的参数。
14.结合第二方面，在第二方面的某些实现方式中，所述确定模块具体用于：确定所述m个类别中的每一个类别与所述目标对象的偏差值，得到m个偏差值，所述m个偏差值与所述m个损失值一一对应；根据所述m个损失值和对应偏差值的积更新所述第一参数。
15.结合第二方面，在第二方面的某些实现方式中，当第一损失值小于预设值时，停止更新所述第一参数，并将所述第一参数确定为所述中间网络模型的参数，所述第一损失值为将从所述目标数据集中抽取的样本数据输入所述初始网络模型后得到的损失值。
16.结合第二方面，在第二方面的某些实现方式中，所述初始网络模型包括超参数，所述超参数用于确定所述第一参数更新的步长。
17.结合第二方面，在第二方面的某些实现方式中，所述初始网络模型为mask-rcnn网络模型。
18.第三方面，本技术还提供了一种图像实例分割装置，该图像实例分割装置包括至少一个处理器，所述至少一个处理器用于与存储器耦合，读取并执行所述存储器中的指令，以实现前述第一方面中任一种可能设计中所提供的图像实例分割方法。
19.可选地，该图像实例分割装置还包括该存储器。
20.第四方面，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质
上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行前述第一方面中任一种可能设计中所提供的图像实例分割方法。
21.第五方面，本技术还提供了一种芯片系统，包括处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片系统的设备执行前述第一方面中任一种可能设计中所提供的图像实例分割方法。
22.第六方面，本技术实施例还提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得该计算机执行前述第一方面中任一种可能设计中所提供的图像实例分割方法。
附图说明
23.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
24.图1是本技术实施例提供的图像实例分割方法的一例示意性流程图。
25.图2是本技术实施例提供的图像实例分割方法的具体实施过程的示意性流程图。
26.图3是本技术实施例提供的图像实例分割方法中确定第一参数的元学习框架示意图。
27.图4是本技术实施例提供的图像实例分割装置的示意性框图。
28.图5是本技术实施例提供的图像实例分割装置的结构性框图。
具体实施方式
29.下面将结合附图，对本技术中的技术方案进行描述。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。
30.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
31.本文中术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
32.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
33.在本技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“至少一个”是指一个或者多个，“多个”的含义是两个或两个以上，除非另有明确具体的
限定。
34.图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同，即把目标类别所对应的对象从图像的背景中分离出来，其被广泛应用在工业自动化、生产过程控制、在线产品检验、图像编码、文档图像处理、遥感和生物医学图像分析、保安监视、军事以及体育等领域。
35.例如，在对医学图像的处理与分析中，图像分割对于人们身体中发生病变的器官的三维显示或者对病变位置的确定与分析起着有效地辅导作用；在对路面交通情况的分析应用中，可用图像分割技术从监控或航拍等模糊复杂背景中分出要提取的目标车辆；在军事领域中，可用图像分割技术进行战略战术的侦查、军事海洋领域的测绘等。
36.目前，一般是在深度学习背景下利用卷积神经网络进行图像实例分割，需要有大量的数据的支持，才能够准确的将图像中的目标对象提取出来，即如果没有足够多的样本数据来训练卷积神经网络，卷积神经网络就无法得到准确的实例分割结果，但是在很多场景下，可能无法获取到大量的样本数据，例如在军事领域中，新式作战武器比如潜艇、船舰等目标可能无法收集到大量样本，导致训练出来的图像实例分割模型的分割效果差，准确率低。
37.相关技术中，解决小样本图像(如战场新式武器图像)的实例分割效果差问题的着力点主要在数据增强上，通过对少量的目标图像进行旋转、翻转、平移、缩放、剪裁等操作来扩充训练集，再将这些样本数据送入实例分割网络进行训练，但是这种方法得到的图像中目标对象相似性极高，导致训练的模型分割效果并不理想。
38.有鉴于此，本技术实施例提供了一种图像实例分割方法，首先通过多源数据集将初始网络模型训练成一个能够适应多个类别的实例分割任务的中间网络模型，再通过目标数据集继续训练中间网络模型，使其能够适应目标类别的实例分割任务，以确定目标网络模型，即利用元学习的思想可以使初始网络模型学习到适应多个类别的实例分割任务的参数，提高初始网络模型的泛化性能，有利于初始网络模型适应目标类别的实例分割任务，从而在少量样本数据下也可以将初始网络模型训练为能够准确进行实例分割的目标网络模型，提高少量样本数据下图像实例分割结果的准确性。
39.图1是本技术实施例提供的图像实例分割方法的示意性流程图。以下结合图1阐述本技术实施例提供的图像实例分割方法，该图像实例分割方法包括如下步骤：
40.步骤110，构建实例分割的初始网络模型。
41.具体地，构建初始网络模型即设计一个通用的对象实例分割框架，使其能够检测图像中目标类别所对应的对象，同时也能够为每个实例对象生成一个分割掩码，可选地，初始网络模型可以使用基于掩码区域的卷积神经网络(maskregion-based convolutional neural network，mask-rcnn)。
42.步骤120，通过多源数据集对初始网络模型进行元训练，确定中间网络模型。
43.其中，多源数据集包括多个类别的实例分割任务的小样本数据集，例如，多源数据集中包括轮船、游艇、飞机等类别的实例分割任务的小样本数据集(各种轮船、游艇、飞机的图片)。中间网络模型为适应多个类别的实例分割任务的初始网络模型，例如，将多个类别的实例分割任务的样本数据输入初始网络模型之后，如果得到的多个类别的实例分割结果
(预测值与真实标签的偏差小于预设值)较好，则说明初始网络模型已经能够适应多个类别的实例分割任务。
44.具体地，利用多个类别的实例分割任务的小样本数据集训练初始网络模型的参数，使初始网络模型能够适应多个类别的实例分割任务，并将此时初始网络模型中的参数(第一参数)作为中间网络模型的参数，以确定中间网络模型。
45.步骤130，通过目标数据集对中间网络模型进行元训练，确定目标网络模型。
46.其中，目标数据集包括目标类别的实例分割任务的小样本数据集，例如，目标数据集包括舰艇、战斗机等目标类别的实例分割任务的小样本数据集(各种舰艇、战斗机的图片)。目标网络模型为适应目标类别的实例分割任务的中间网络模型。例如，将目标类别的实例分割任务的样本数据输入中间网络模型之后，如果得到的实例分割结果较好，则说明中间网络模型已经能够适应目标类别的实例分割任务。
47.具体地，利用目标类别的实例分割任务的小样本数据集训练中间网络模型的参数，使中间网络模型能够适应目标类别的实例分割任务，并将此时中间网络模型中的参数作为目标网络模型的参数，以确定目标网络模型，使目标网络模型能够将目标类别所对应的对象从图像中准确提取出来。
48.在这里，目标类别为样本数据少的类别，多个类别可以为多个与目标类别相似的类别，例如，目标类别可以为军事领域中的舰艇等，多个类别可以为民事领域中的客轮、货轮、潜水艇、游艇等类别。
49.根据本技术实施例提供的图像实例分割方法，首先构建实例分割的初始网络模型，其次通过多源数据集对初始网络模型进行元训练，在初始网络模型能够适应多个类别的实例分割任务之后，将其确定为中间网络模型，然后再通过目标数据集对中间网络模型进行元训练，使中间网络模型能够适应目标类别的实例分割任务，以确定目标网络模型，即利用元学习的思想可以使初始网络模型学习到适应多个类别的实例分割任务的参数，提高初始网络模型的泛化性能，从而有利于初始网络模型适应目标类别的实例分割任务，使在少量的样本数据下得到的目标网络模型能够准确的将目标类别所对应的对象从图像的背景中分割出来，提高少量样本数据下图像实例分割结果的准确性。
50.图2是本技术实施例提供的图像实例分割方法的具体实施过程的示意性流程图。图3是本技术实施例提供的图像实例分割方法中确定第一参数的元学习框架示意图。以下结合图2-图3进一步阐述本技术实施例提供的图像实例分割方法，该图像实例分割方法包括以下步骤：
51.步骤210，构建实例分割的初始网络模型。
52.具体地，在构建实例分割的初始网络模型时，可以根据经验设置第一参数(即初始网络模型的参数)的初始值，也可以将随机生成的数值作为第一参数的初始值，本技术不做任何限定。
53.步骤220，构建小样本实例分割数据集，包括多源数据集和目标数据集。
54.具体地，可以利用图像标注工具(例如labelme)对获取的小样本实例分割数据集进行实例分割的标注，多源数据集包括多个类别的实例分割任务的小样本数据集，即包括与多个类别一一对应的多个任务(task)的小样本数据集，每个任务(task)的小样本数据集被分为支持集(support set)和查询集(query set)，支持集可以理解为深度学习中的训练
集，查询集可以理解为深度学习中的测试集，目标数据集包括目标类别的实例分割任务的小样本数据集，目标类别任务的小样本数据集同样可以被分为支持集和查询集。
55.步骤230，从多源数据集中随机抽取m个类别的实例分割任务的小样本数据集对初始网络模型进行元训练，确定m个类别中的每一个类别的实例分割结果的损失值，得到m个损失值。
56.步骤240，根据m个损失值更新第一参数，以确定中间网络模型。
57.具体地，在多源数据集中选择m个任务的小样本数据集，每个任务的小样本数据集被分为支持集和查询集，通过m个任务的支持集训练第一参数，分别训练出针对每个任务的第一参数，然后通过m个任务的查询集确定m个任务对应的损失值(预设标签与真实标签的偏差)，并根据m个损失值更新第一参数，使初始网络模型能够适应多个任务，以确定中间网络模型。
58.示例性地，如图3所示，确定第一参数的元学习框架包括两个超参数，分别为梯度(任务)更新学习率α和元学习更新学习率β，α决定梯度(任务)更新的步长，β决定元学习更新的步长，假设元学习第一轮更新的任务包括m个，第一参数定义为φ，在确定第一参数的过程中，以任务1为例，从任务1的支持集中取出任务图片和标签，对任务图片进行前向传播，得到损失值loss1，利用公式更新第一参数，使初始网络模型能够适应任务1，其中θ1＝φ，从任务1的查询集中取出任务图片和标签，对任务图片进行前向传播，得到任务1的损失值lossw1，以此类推，确定m个任务的损失值，并利用公式更新第一参数，使初始网络模型能够适应多个类别的任务，并将适应多个类别的任务的初始网络模型确定为中间网络模型。
59.具体地，h为多源数据集中不同类别的任务图片与目标数据集中目标类别的任务图片的偏差值(相似度)，根据h*loss更新第一参数能够加快从中间网络模型到目标网络模型阶段的收敛速度，提高中间网络模型在目标数据集上的快速收敛能力，而且，将h引入确定第一参数的迭代中，能够提高中间网络模型在目标数据集上的泛化能力。
60.进一步，在每次更新第一参数之后，从目标数据集的查询集中随机抽取一个任务图片，将其送入初始网络模型中进行前向传播，得到第一损失值，若第一损失值小于预设值，则说明得到了合适的第一参数，其能够使初始网络模型适应多个类别的任务，停止继续更新第一参数，并将此时的第一参数确定为中间网络模型的参数，以确定中间网络模型，若第一损失值大于或者等于预设值，则说明还未找到合适的第一参数，继续更新第一参数。通过增加第一参数是否达到预期的判定规则，能够避免设置迭代次数少导致没有找到合适的第一参数的问题，或者设置迭代次数多可能错过合适的第一参数的问题。
61.步骤250，通过目标数据集对中间网络模型进行元训练，确定目标网络模型。
62.具体地，从目标数据集中随机抽取一个目标类别任务的样本数据集，并将样本数据集分为支持集和查询集，通过支持集对中间网络模型进行训练，微调中间网络模型的参数，使中间网络模型能够适应目标类别的实例分割任务，并将适应目标类别的实例分割任务的中间网络模型的参数作为目标网络模型的参数，以确定目标网络模型，将查询集输入目标网络模型，查看目标网络模型的分割效果。
63.根据上述实施例提供的图像分割方法，首先可以通过多源数据集对初始网络模型进行元训练，确定一个合适的第一参数，使中间网络模型能够适应不同类别的实例分割任务，在此基础上，通过目标数据集微调第一参数，就能够使中间网络模型适应目标类别的实例分割任务，得到目标网络模型，即本技术能够在少量的样本数据下将初始网络模型训练为准确分割图像中的目标类别的目标网络模型，从而提高少量样本数据下图像实例分割结果的准确性。
64.为了实现上述实施例，本技术还提供一种图像实例分割装置。图4是本技术实施例提供的图像实例分割装置的示意性框图，如图4所示，该图像实例分割装置400包括构建模块410和确定模块420。
65.其中，构建模块410用于构建实例分割的初始网络模型，该初始网络模型能够检测图像中的目标对象，同时为每个实例生成一个分割掩码。确定模块420用于通过多源数据集对初始网络模型进行元训练，确定中间网络模型，多源数据集包括多个类别的实例分割任务的小样本数据集，中间网络模型为适应多个类别的实例分割任务的初始网络模型。确定模块420还用于通过目标数据集对中间网络模型进行元训练，确定目标网络模型，目标数据集为目标类别的实例分割任务的小样本数据集，目标网络模型为适应目标类别的实例分割任务的中间网络模型。
66.可选地，确定模块420具体用于从多源数据集中随机抽取m个类别的实例分割任务的小样本数据集对初始网络模型进行元训练，确定m个类别中的每一个类别的实例分割结果的损失值，得到m个损失值，m为大于1的整数；根据m个损失值更新第一参数，以确定中间网络模型，第一参数为初始网络模型的参数。
67.可选地，确定模块420还具体用于确定m个类别中的每一个类别与目标类别的偏差值，得到m个偏差值，m个偏差值与m个损失值一一对应；根据m个损失值和对应偏差值的积更新第一参数。
68.可选地，当第一损失值小于预设值时，停止更新第一参数，并将第一参数确定为中间网络模型的参数，第一损失值为将从目标数据集中的抽取的样本数据输入初始网络模型后得到的损失值。
69.可选地，初始网络模型包括超参数，超参数用于确定第一参数更新的步长。
70.可选地，初始网络模型为mask rcnn网络模型。
71.图5是本技术实施例提供的图像实例分割装置的结构性框图。如图5所示，图像实例分割装置500包括：处理器510、存储器520和通信接口530。其中，存储器520中存储有指令，处理器510用于执行存储器520中的指令，当该指令被执行时，该处理器510用于执行上述方法实施例提供的方法中一个或者多个步骤，处理器510还用于控制通信接口530与外界进行通信。
72.应理解，本技术实施例中，该处理器可以为中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
73.还应理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，ram)可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
74.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包括计算机程序，当其在计算机上运行时，使得该计算机执行上述方法实施例提供的图像实例分割方法中的一个或者多个步骤。
75.本技术还提供了一种芯片系统，包括处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片系统的设备执行上述方法实施例提供的图像实例分割方法中的一个或者多个步骤。
76.本技术实施例还提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得该计算机执行上述方法实施例提供的图像实例分割方法中的一个或者多个步骤。
77.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。
78.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。
79.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、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，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。
80.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。
81.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。
82.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(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。
83.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，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，可轻易想到变化或替换，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。