滑坡识别方法、装置、电子设备及存储介质

1.本技术属于地质勘测技术领域，具体涉及一种滑坡识别方法、装置、电子设备及存储介质。


背景技术：

2.高寒山地气候区的陡峻地形条件为地表过程与灾害提供了有利的动力条件，加之高寒山区裂隙中的冻胀作用等，冰川消融易引起山谷冰川谷肩的失稳，并引发滑坡等此生灾害，这些灾害严重威胁基础设施如道路等的安全和区域可持续发展。在全球气候变暖的背景下，冰川面积不断减少，雪线不断上升，冰川退缩和减薄显著增加，由此引发的滑坡、泥石流次生灾害风险日趋显著。
3.高寒山地气候区滑坡的频繁发生及其造成的危害已引起重视，已在高寒山地气候区如中巴经济走廊开展了大量滑坡调查、监测以及防治等工作。但高寒山地气候区滑坡是多种要素共同作用的结果，其孕灾环境复杂，如何高效的监测、预警和防治地质-地貌-气象强耦合所触发的滑坡灾害是目前面临的重大难题。
4.研究滑坡的首要条件是识别滑坡，滑坡灾害具有隐蔽性强、难以观测的特点，传统的滑坡检测方法需要耗费大量的人力和物力，适用性较低。随着计算机和遥感技术的迅速发展，机器学习和深度学习等方法被应用于滑坡识别中，但结果的准确性很大程度上依赖于影像的分辨率，而高分辨率影像获取困难，且数据处理耗时长，所以该方法比较适用于小区域滑坡识别。


技术实现要素：

5.本技术的目的是提供一种滑坡识别方法、装置、电子设备及存储介质以解决现有滑坡需要耗费大量的人力和物力的问题。
6.根据本技术实施例的第一方面，提供了一种滑坡识别方法，该方法可以包括：
7.获取目标区域的滑坡基础数据及高分辨率遥感影像数据；
8.根据所述滑坡基础数据提取滑坡属性特征；
9.根据所述滑坡属性特征确定滑坡高发区域；
10.确定所述滑坡高发区域在所述高分辨率遥感影像数据中对应的遥感影像栅格数据；
11.将所述遥感影像栅格数据输入到训练好的滑坡识别模型中，得到滑坡边界。
12.在本技术的一些可选实施例中，所述滑坡基础数据包括：滑坡的地理位置、滑坡的边界、目标区域的dem、目标区域的landsat 8影像、目标区域的河流和道路矢量图、目标区域的地震数据、目标区域的冰川分布状态及目标区域的土壤地质数据。
13.在本技术的一些可选实施例中，所述根据所述滑坡基础数据提取滑坡属性特征，包括：
14.对目标区域dem进行水文分析，生成正反集水流域，并将所述正反集水流域融合，
经过后期人工修改不合理的单元，得到由河谷线和山脊线段组成的坡体单元；
15.基于目标区域的landsat 8影像，计算目标区域的nvdi；
16.基于目标区域的dem，计算目标区域坡度、坡向及坡面曲率；
17.根据目标区域的河流和道路矢量图进行河流、道路缓冲区分析；
18.基于目标区域历史地震数据进行核密度分析；
19.基于目标区域冰川分布数据进行缓冲区分析；
20.基于目标区域土壤质地数据计算土壤可蚀性因子；
21.使滑坡属性特征空间分辨率一致；
22.将坡体单元的图层和各因子图层叠加分析，得到斜坡单元的因子属性特征；
23.将目标区域的滑坡矢量数据结合斜坡单元的因子属性特征，得到滑坡属性特征。
24.在本技术的一些可选实施例中，所述根据所述滑坡属性特征确定滑坡高发区域，包括：
25.将所述滑坡属性特征输入到训练好的滑坡易发性识别模型中，得到滑坡高发区域。
26.在本技术的一些可选实施例中，所述训练好的滑坡易发性识别模型是通过下述方法训练得到的：
27.将滑坡是否发生作为预测目标，建立目标变量的预测模型，对数据进行处理和拟合；
28.将各因子参数进行标准化转换；
29.将滑坡样本数据随机抽取划分为训练数据和测试数据；
30.将训练数据进行多折交叉验证；
31.通过多折交叉验证查看训练数据的得分，选择最优参数，得到训练好的滑坡易发性识别模型。
32.在本技术的一些可选实施例中，所述训练好的滑坡识别模型是通过下述方法训练得到的：
33.利用滑坡矢量数据，对每个滑坡进行距离为d的空间缓冲区分析，得到滑坡外拓多边形；
34.将样本范围数据集中的每个样本范围和滑坡矢量数据进行相交分析，得到每个样本范围内部的滑坡多边形；
35.获取滑坡样本范围内的遥感影像栅格数据，并调整图像通道，作为该样本的图像内容；
36.在滑坡掩膜数据集中查找滑坡样本范围内所对应的滑坡掩膜多边形，并将其矢量栅格化，作为该样本的掩膜数据；
37.分别获得的样本图像内容和样本掩膜数据，共同构成滑坡训练样本，并将所有滑坡样本编号，构成滑坡样本库；
38.利用所述滑坡样本库进行滑坡检测模型训练，得到训练好的滑坡识别模型。
39.在本技术的一些可选实施例中，在所述得到滑坡边界之后，所述滑坡识别方法还包括：
40.根据所述滑坡边界计算滑坡面积。
41.根据本技术实施例的第二方面，提供一种滑坡识别装置，该装置可以包括：
42.获取模块，用于获取目标区域的滑坡基础数据及高分辨率遥感影像数据；
43.提取模块，用于根据所述滑坡基础数据提取滑坡属性特征；
44.高发区确定模块，用于根据所述滑坡属性特征确定滑坡高发区域；
45.遥感影像确定模块，用于确定所述滑坡高发区域在所述高分辨率遥感影像数据中对应的遥感影像栅格数据；
46.识别模块，用于将所述遥感影像栅格数据输入到训练好的滑坡识别模型中，得到滑坡边界。
47.根据本技术实施例的第三方面，提供一种电子设备，该电子设备可以包括：
48.处理器；
49.用于存储处理器可执行指令的存储器；
50.其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的滑坡识别方法。
51.根据本技术实施例的第四方面，提供一种存储介质，当存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使信息处理装置或者服务器实现如第一方面的任一项实施例中所示的滑坡识别方法。
52.本技术的上述技术方案具有如下有益的技术效果：
53.本技术实施例方法通过基于中低分辨率数据(如dem、降雨、土壤性状、河流、地震、冰川、ndvi等基础数据)和高分辨率数据(高精度遥感影像)，并结合训练好的机器学习模型，识别目标区域内滑坡的边界，大大节省了人力物力，滑坡识别的精度高，并且可以根据滑坡的边界计算的滑坡面积。
附图说明
54.图1是本技术一示例性实施例中滑坡识别方法流程图；
55.图2是本技术一具体实施例中滑坡智能识别方法流程图；
56.图3是本技术一具体实施例中已有滑坡分布图；
57.图4是本技术一具体实施例中各因子空间格局图；
58.图5是本技术一具体实施例中基于随机森林的滑坡重点区域图；
59.图6是本技术一具体实施例中滑坡重点区域图；
60.图7是本技术一具体实施例中基于mask r-cnn模型得到的滑坡识别结果；
61.图8是本技术一具体实施例中基于mask r-cnn模型得到的滑坡边界；
62.图9是本技术一示例性实施例中电子设备结构示意图；
63.图10是本技术一示例性实施例中电子设备的硬件结构示意图。
具体实施方式
64.为使本技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本技术的概念。
65.在附图中示出了根据本技术实施例的层结构示意图。这些图并非是按比例绘制的，其中为了清楚的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
66.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。基于本技术中的实施例，本领域普通技术人员在没有做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。
67.在本技术的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
68.此外，下面所描述的本技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
69.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的滑坡识别方法进行详细地说明。
70.如图1所示，在本技术实施例的第一方面，提供了一种滑坡识别方法，该方法可以包括：
71.步骤s110：获取目标区域的滑坡基础数据及高分辨率遥感影像数据；
72.步骤s120：根据所述滑坡基础数据提取滑坡属性特征；
73.步骤s130：根据所述滑坡属性特征确定滑坡高发区域；
74.步骤s140：确定所述滑坡高发区域在所述高分辨率遥感影像数据中对应的遥感影像栅格数据；
75.步骤s150：将所述遥感影像栅格数据输入到训练好的滑坡识别模型中，得到滑坡边界。
76.本实施例方法通过基于中低分辨率数据(如dem、降雨、土壤性状、河流、地震、冰川、ndvi等基础数据)和高分辨率数据(高精度遥感影像)，并结合训练好的机器学习模型，识别目标区域内滑坡的边界，大大节省了人力物力，滑坡识别的精度高，并且可以根据滑坡的边界计算的滑坡面积。
77.为了更加清楚的说明，下面对于上述步骤分别进行介绍：
78.首先是步骤s110：获取目标区域的滑坡基础数据及高分辨率遥感影像数据。
79.本步骤中滑坡基础数据包括滑坡的地理位置(经纬度)、滑坡的边界，目标区域dem、landsat 8影像、地震、冰川、土壤性状等基础数据。
80.然后是步骤s120：根据所述滑坡基础数据提取滑坡属性特征。
81.本步骤可以包括：
82.利用arcgis软件对目标区域dem进行水文分析，生成正反集水流域，再将正反集水流域融合，经过后期人工修改不合理的单元，得到由河谷线和山脊线多组成的斜坡单元，作为目标区域的坡体单元；
83.基于目标区域的landsat 8影像，利用envi软件计算目标区域nvdi；
84.基于目标区域dem，利用arcgis软件计算目标区域坡度、坡向、坡面曲率等；
85.基于目标区域河流和道路矢量图，利用arcgis软件进行河流、道路缓冲区分析；
86.基于目标区域历史地震数据，利用arcgis软件进行核密度分析；
87.基于目标区域冰川分布数据，利用arcgis软件进行缓冲区分析；
88.基于目标区域土壤质地数据，利用arcgis软件计算土壤可蚀性因子；
89.获取目标区域多年平均降雨数据，将目标区域高程、坡度、坡向、坡面曲率、ndvi、多年平均降雨、地震密度、距道路距离、距河网距离、距冰川距离、土壤可蚀性等因子数据进行重采样，使其空间分辨率一致；
90.基于arcgis软件，利用空间分析模块，通过将坡体单元图层和各因子图层叠加分析，获取各斜坡单元的因子属性特征。
91.通过目视解译和野外验证等方法，获取研究滑坡矢量数据，结合各斜坡单元的因子属性特征，得到各滑坡的因子属性特征，构建滑坡样本数据库。
92.接下来是步骤s130：根据所述滑坡属性特征确定滑坡高发区域。
93.本步骤是将滑坡是否发生作为预测目标，建立目标变量的预测模型，使用python的sklearn模块对数据进行处理和拟合。采用均方差、去均值或方差归一化方法将各因子参数进行标准化转换；将滑坡样本数据随机抽取划分为训练数据和测试数据两个部分，其中训练区大小为样本的80％，用于训练模型，测试数据量为样本的20％，用于测试模型；将训练数据进行10折交叉验证：在python中通过调用sklearn模块将训练数据划分为10个小组，每次使用其中的9组作为训练集，余下一组不参与模型的训练，对训练集拟合的模型进行评估，重复10次，等同于无放回抽样。交叉验证可以评估模型的拟合效果，避免出现过拟合问题。对森林中数的个数(max-depth)参数进行调整，通过10折交叉验证查看训练数据的得分，通过调整max-depth值使曲线收敛，最终选择最优的max-depth参数为最优参数，得到训练好的滑坡预测模型；利用训练好的滑坡预测模型，输入目标区域、高程、坡度、坡向、坡面曲率、ndvi、多年平均降雨、地震密度、距道路距离、距河网距离、距冰川距离、土壤可蚀性等因子数据，预测目标区域滑坡是否发生，得到滑坡易发性预测结果。
94.接下来是步骤s140：确定所述滑坡高发区域在所述高分辨率遥感影像数据中对应的遥感影像栅格数据。
95.上一步骤得到的滑坡高发区域预测结果为矢量数据，本步骤对滑坡高发区的每个滑坡进行距离为d的空间缓冲分析，得到滑坡外拓多边形，获取滑坡外拓多边形的最小外界矩形，即滑坡的空间范围，再利用gdal库获取滑坡空间范围对应的遥感影像栅格数据。
96.最后是步骤s150：将所述遥感影像栅格数据输入到训练好的滑坡识别模型中，得到滑坡边界。
97.本步骤将目标区域预测滑坡对应的遥感影像图像输入训练好的滑坡识别模型，得到滑坡边界的识别结果；然后对滑坡进行定位，具体为：获取滑坡所在图像边界像素的经纬度，计算每个滑坡边界的像素点在图像中的坐标，然后将边界像素点映射到gps坐标上，实现对每个滑坡进行gps定位。
98.其中，训练好的滑坡识别模型可以通过下述步骤训练得到：
99.利用滑坡矢量数据，对每个滑坡进行距离为d的空间缓冲区分析，得到滑坡外拓多边形，d一般为5米，然后获取滑坡外拓多边形的最小外界矩形，作为滑坡的空间范围，即滑坡样本范围；
100.将样本范围数据集中的每个样本范围和滑坡矢量数据进行相交分析，得到每个样
本范围内部的滑坡多边形，即滑坡掩膜；
101.利用gdal库获取滑坡样本范围内的遥感影像栅格数据，并调整图像通道，作为该样本的图像内容；然后在滑坡掩膜数据集中查找滑坡样本范围内所对应的滑坡掩膜多边形，并将其矢量栅格化，作为该样本的掩膜数据；分别获得的样本图像内容和样本掩膜数据，共同构成滑坡训练样本，并将所有滑坡样本编号，构成滑坡样本库；
102.利用tensorflow、keras机器学习框架和python编程语言将mask r-cnn模型结构予以实现，其中，以滑坡样本库作为mask r-cnn模型的训练样本来源，模型在训练过程中请求样本的方式是通过滑坡样本库中的样本编号来获取样本图像内容和样本滑坡掩膜数据。
103.利用样本输入源为滑坡样本库的mask r-cnn模型可执行程序，进行滑坡检测模型训练，得到训练好的滑坡识别模型。
104.在本技术的一些可选实施例中，所述滑坡基础数据包括：滑坡的地理位置、滑坡的边界、目标区域的dem、目标区域的landsat 8影像、目标区域的河流和道路矢量图、目标区域的地震数据、目标区域的冰川分布状态及目标区域的土壤地质数据。
105.在本技术的一些可选实施例中，所述根据所述滑坡基础数据提取滑坡属性特征，包括：
106.对目标区域dem进行水文分析，生成正反集水流域，并将所述正反集水流域融合，经过后期人工修改不合理的单元，得到由河谷线和山脊线段组成的坡体单元；
107.基于目标区域的landsat 8影像，计算目标区域的nvdi；
108.基于目标区域的dem，计算目标区域坡度、坡向及坡面曲率；
109.根据目标区域的河流和道路矢量图进行河流、道路缓冲区分析；
110.基于目标区域历史地震数据进行核密度分析；
111.基于目标区域冰川分布数据进行缓冲区分析；
112.基于目标区域土壤质地数据计算土壤可蚀性因子；
113.使滑坡属性特征空间分辨率一致；
114.将坡体单元的图层和各因子图层叠加分析，得到斜坡单元的因子属性特征；
115.将目标区域的滑坡矢量数据结合斜坡单元的因子属性特征，得到滑坡属性特征。
116.在本技术的一些可选实施例中，所述根据所述滑坡属性特征确定滑坡高发区域，包括：
117.将所述滑坡属性特征输入到训练好的滑坡易发性识别模型中，得到滑坡高发区域。
118.在本技术的一些可选实施例中，所述训练好的滑坡易发性识别模型是通过下述方法训练得到的：
119.将滑坡是否发生作为预测目标，建立目标变量的预测模型，对数据进行处理和拟合；
120.将各因子参数进行标准化转换；
121.将滑坡样本数据随机抽取划分为训练数据和测试数据；
122.将训练数据进行多折交叉验证；
123.通过多折交叉验证查看训练数据的得分，选择最优参数，得到训练好的滑坡易发性识别模型。
124.在本技术的一些可选实施例中，所述训练好的滑坡识别模型是通过下述方法训练得到的：
125.利用滑坡矢量数据，对每个滑坡进行距离为d的空间缓冲区分析，得到滑坡外拓多边形；
126.将样本范围数据集中的每个样本范围和滑坡矢量数据进行相交分析，得到每个样本范围内部的滑坡多边形；
127.获取滑坡样本范围内的遥感影像栅格数据，并调整图像通道，作为该样本的图像内容；
128.在滑坡掩膜数据集中查找滑坡样本范围内所对应的滑坡掩膜多边形，并将其矢量栅格化，作为该样本的掩膜数据；
129.分别获得的样本图像内容和样本掩膜数据，共同构成滑坡训练样本，并将所有滑坡样本编号，构成滑坡样本库；
130.利用所述滑坡样本库进行滑坡检测模型训练，得到训练好的滑坡识别模型。
131.在本技术的一些可选实施例中，在所述得到滑坡边界之后，所述滑坡识别方法还包括：
132.根据所述滑坡边界计算滑坡面积。
133.在本技术一具体实施例中，提供一种用于大区域的滑坡识别方法。基于中分辨率数据(如dem、降雨、土壤性状、河流、地震、冰川、ndvi等基础数据)和高分辨率数据(高精度遥感影像)，结合随机森林和改进的mask r-cnn方法，识别目标区域内滑坡的边界，并获取滑坡边界像素的经纬度，对每个滑坡进行定位，并计算滑坡的面积。该方法提高了滑坡智能识别的精度，也使滑坡识别更高效。
134.基于随机森林和改进的mask r-cnn模型的滑坡智能识别方法流程图，如图2所示，通过获取的滑坡数据(图3)、高精度遥感数据、dem数据、降雨、土壤性状、河流、地震、冰川、ndvi数据，结合随机森林和改进的mask r-cnn方法，实现目标区域滑坡的智能识别。包括以下步骤：
135.(1)滑坡属性特征提取
136.①
基于目标区域dem数据、降雨、土壤性状、河流、地震、冰川、landsat8影像等数据，利用arcgis软件得到目标区域的坡体单元、多年平均降雨、高程、坡度、坡向、坡面曲率、ndvi、多年平均降雨、地震密度、距道路距离、距河网距离、距冰川距离、土壤可蚀性等因子数据，并将数据进行重采样，使其空间分辨率一致(图4)；
137.②
利用arcgis空间分析模块，通过将坡体单元图层和各因子图层叠加分析，获取各斜坡单元的因子属性特征。
138.③
通过目视解译和野外验证等方法，获取目标区域滑坡矢量数据，结合各斜坡单元的因子属性特征，得到各滑坡的因子属性特征，构建滑坡样本数据库。
139.(2)滑坡重点区域评估
140.①
采均方差、去均值或方差归一化方法将各因子参数进行标准化转换；将滑坡样本数据随机抽取划分为训练数据(80％)和测试数据(20％)两个部分，利用随机森林进行模型训练；
141.②
在python中通过调用sklearn模块对模型进行10折交叉验证，对森林中树的个
attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
158.本技术实施例中的滑坡识别装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
159.本技术实施例提供的滑坡识别装置能够实现图1的方法实施例实现的各个过程，为避免重复，这里不再赘述。
160.可选地，如图9所示，本技术实施例还提供一种电子设备900，包括处理器901，存储器902，存储在存储器902上并可在所述处理器901上运行的程序或指令，该程序或指令被处理器901执行时实现上述滑坡识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
161.需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
162.图10为实现本技术实施例的一种电子设备的硬件结构示意图。
163.该电子设备1000包括但不限于：射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、以及处理器1010等部件。
164.本领域技术人员可以理解，电子设备1000还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图10中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
165.应理解的是，本技术实施例中，输入单元1004可以包括图形处理器(graphics processing unit，gpu)10041和麦克风10042，图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072。触控面板10071，也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器1009可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器1010可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1010中。
166.本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述滑坡识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
167.其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
168.本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述滑坡识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
169.应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
170.需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
171.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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可以以计算机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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，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的方法。
172.上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。