一种基于人脸和人体行为动作图像识别的课堂分析方法

1.本发明涉及课堂教学技术领域，具体而言，涉及一种基于人脸和人体行为动作图像识别的课堂分析方法、系统、设备及存储介质。


背景技术：

2.在课堂教学过程中，教师的课堂行为具有强化认知、交流感情、课堂管理、建立师生关系等重要意义。科学且及时的评价是促进教师课堂行为优化与改进的关键。目前，教师课堂行为的评价主要采用课堂观察、行为对比等经验描述的方式，存在人力成本高、主观性强、信息量少、反馈不及时的问题。


技术实现要素：

3.为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于人脸和人体行为动作图像识别的课堂分析方法、系统、设备及存储介质。通过利用人工智能技术，实现对教师行为进行智能检测、和可视化展示，实现自动化、多维度的课堂行为评价，以教学反思促教师发展。
4.本发明的实施例是这样实现的：
5.第一方面，本发明实施例提供一种基于人脸和人体行为动作图像识别的课堂分析方法，包括以下步骤：建立教师身份信息库、教师课堂行为模型及学生反馈行为模型；获取目标教师的人体特征，将上述目标教师的人体特征与上述教师身份信息库进行匹配，获取目标的身份信息及所教学的科目类别；获取目标教师的行为特征，将上述目标教师的行为特征输入上述教师课堂行为模型，由上述教师课堂行为模型输出第一结果信息；获取学生的反馈行为特征，将上述学生的反馈行为特征输入上述学生反馈行为模型，由上述学生反馈行为模型输出第二结果信息；基于上述第一结果信息及上述第二结果信息训练标准教师行为模型；再次获取目标教师的行为特征，将目标教师的行为特征输入上述标准教师行为模型，由上述标准教师行为模型输出第三结果信息并进行可视化呈现。
6.基于第一方面，在本发明一些实施例中，上述教师课堂行为模型的建立包括：获取教师的面部表情、语言及肢体动作信息，通过分析、咨询目标教师的情绪，建立上述情绪与上述面部表情、语言及肢体动作之间的关联关系。
7.基于第一方面，在本发明一些实施例中，上述人体特征包括指纹、虹膜或面部。
8.基于第一方面，在本发明一些实施例中，上述目标的行为特征包括语言声调、面部表情、肢体动作以及与学生的互动行为。
9.基于第一方面，在本发明一些实施例中，上述第一结果信息包括教师的心理状态和身体状态，上述心理状态包括：喜悦、平静、焦急、愤怒；上述身体状态包括：振奋和疲倦。
10.基于第一方面，在本发明一些实施例中，上述第二结果信息包括积极反应和消极反应。
11.基于第一方面，在本发明一些实施例中，上述第三结果信息包括课堂效果得分和
对目标教师的建议。
12.第二方面，本发明实施例提供一种基于人脸和人体行为动作图像识别的课堂分析系统，包括：信息库及模型建立模块，用于建立教师身份信息库、教师课堂行为模型及学生反馈行为模型；第一获取模块，用于获取目标的人体特征，并将上述目标的人体特征与上述教师身份信息库进行匹配，获取目标的身份信息及所教学的科目类别；第二获取模块，用于获取目标的行为特征，并将上述目标的行为特征传递给上述教师课堂行为模型，由上述教师课堂行为模型输出第一结果信息；第三获取模块，获取学生的反馈行为特征，将上述学生的反馈行为特征传递给上述学生反馈行为模型，由上述学生反馈行为模型输出第二结果信息；标准模型建立模块：基于上述第一结果信息及上述第二结果信息训练标准教师行为模型；标准模型运行模块：用于再次获取目标教师的行为特征，将目标教师的行为特征输入上述标准教师行为模型，由上述标准教师行为模型输出第三结果信息并进行可视化呈现。
13.第三方面，本发明实施例提供一种电子设备，上述电子设备包括：至少一个处理器、至少一个存储器和数据总线；其中，上述处理器与上述存储器通过上述数据总线完成相互间的通信；上述存储器存储有可被上述处理器执行的程序指令，上述处理器调用上述程序指令以执行上述一个或多个程序或方法，例如执行：建立教师身份信息库、教师课堂行为模型及学生反馈行为模型；获取目标教师的人体特征，将上述目标教师的人体特征与上述教师身份信息库进行匹配，获取目标的身份信息及所教学的科目类别；获取目标教师的行为特征，将上述目标教师的行为特征输入上述教师课堂行为模型，由上述教师课堂行为模型输出第一结果信息；获取学生的反馈行为特征，将上述学生的反馈行为特征输入上述学生反馈行为模型，由上述学生反馈行为模型输出第二结果信息；基于上述第一结果信息及上述第二结果信息训练标准教师行为模型；再次获取目标教师的行为特征，将目标教师的行为特征输入上述标准教师行为模型，由上述标准教师行为模型输出第三结果信息并进行可视化呈现。
14.第四方面，本技术实施例提供一种计算机可读存储介质，上述非暂态计算机可读存储介质存储计算机程序，上述计算机程序使上述计算机执行上述一个或多个程序或方法，例如执行：建立教师身份信息库、教师课堂行为模型及学生反馈行为模型；获取目标教师的人体特征，将上述目标教师的人体特征与上述教师身份信息库进行匹配，获取目标的身份信息及所教学的科目类别；获取目标教师的行为特征，将上述目标教师的行为特征输入上述教师课堂行为模型，由上述教师课堂行为模型输出第一结果信息；获取学生的反馈行为特征，将上述学生的反馈行为特征输入上述学生反馈行为模型，由上述学生反馈行为模型输出第二结果信息；基于上述第一结果信息及上述第二结果信息训练标准教师行为模型；再次获取目标教师的行为特征，将目标教师的行为特征输入上述标准教师行为模型，由上述标准教师行为模型输出第三结果信息并进行可视化呈现。
附图说明
15.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它相关的附图。
16.图1为本技术实施例提供的一种基于人脸和人体行为动作图像识别的课堂分析方法的步骤流程示意图；
17.图2为本技术实施例提供的一种基于人脸和人体行为动作图像识别的课堂分析系统远离框图；
18.图3为本技术实施例提供的一种电子设备的结构框图。
19.图中：1-处理器；2-存储器；3-数据总线；100-信息库及模型建立模块；200-第一获取模块；300-第二获取模块；400-第三获取模块；500-标准模型建立模块；600-标准模型运行模块。
具体实施方式
20.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。
21.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。基于本技术中的实施例，本领域普通技术人员在没有作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。
22.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。同时，在本技术的描述中，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。
23.需要说明的是，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。而且，术语“包括”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。
24.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。
25.实施例1
26.请参阅图1，本技术实施例提供一种基于人脸和人体行为动作图像识别的课堂分析方法，其特征在于，包括以下步骤：
27.s101、建立教师身份信息库、教师课堂行为模型及学生反馈行为模型；
28.示例性的，首先需要建立教师身份信息库确定参与课堂分析的教师人员，确定教师人员后则需要采集课堂师生的行为特征训练教师课堂行为模型及学生反馈行为模型为后续课堂教学的实施；其中，教师身份信息库中包含教师个人的身份信息(姓名、性别、年龄等)、人体特征信息(指纹、虹膜、面部特征、步态特征等等)、所教学的科目类别及从业年限等。其中人体特征信息、所教学的科目类别及从业年限均与身份信息绑定。由于不同的教师
有不同的教学风格，因此需要依据教师本身的特点及缺陷等给出针对性的建议，因此教师课堂行为模型则需要针对不同的老师建立对应的模型，该模型可依据不同人而建立，也可依据科目类别建立。示例性的，可选取所有语文老师的课堂行为特征，建立特征集，训练语文教师课堂行为模型。但仅观察、采集教师的课堂行为特征，难以判断教师教学效果的优劣，其中，学生的反应最能直观反映教师教学成效的，因此，除了教师课堂行为模型，还应训练对应的学生反馈行为模型。示例性的，可选取所有能够获得学生积极反馈的语文老师的课堂行为特征，然后将这些行为特征进行聚类分析以得到相应的特征集，然后将所有的特征集作为训练样本，建立标准语文教师行为模型，然后以标准语文教师行为模型为评判标准建立针对较语文教师的评分系统。
29.s102、获取目标的人体特征，将上述目标的人体特征与上述教师身份信息库进行匹配，获取目标的身份信息及所教学的科目类别；
30.首先，上课开始时，对应科目的教师走进教室，此时，可以利用布置在教室内的监视与信息处理系统获取目标教师的面部特征信息，依据获取的面部特征信息调取目标教师的身份信息，然后依据目标教师的身份信息获取其教学的科目类别，示例性的，教师身份信息库还可与学校的课表系统进行关联，判断当前目标教师是否与预先课表计划的教师相匹配，可考察教师是否存在迟到、早退的情况。
31.s103、获取目标的行为特征，将上述目标的行为特征传递给上述教师课堂行为模型，由上述教师课堂行为模型输出第一结果信息；
32.示例性的，当确定对应的老师和科目后，由信息管理系统调出针对该位老师建立的教师课堂行为模型。获取目标教师的行为特征，这些行为特征包括语言声调、面部表情、肢体动作以及与学生的互动行为等，而将这些行为特征输入进教师课堂行为模型中可得出当前教师的心理状态和身体状态，心理状态包括喜悦、平静、焦急、愤怒等情绪，身体状态包括振奋和疲倦等状态。
33.s104、获取学生的反馈行为特征，将上述学生的反馈行为特征输入上述学生反馈行为模型，由上述学生反馈行为模型输出第二结果信息；
34.在上述获取目标教师的行为特征的同时，同样需要获取课堂上学生的反馈行为特征，这些反馈行为特征包括学生的面部表情及肢体动作等，示例性的，例如眼神专注认真听讲、低头看课本、做笔记、玩手机、打瞌睡、交头接耳等行为，将这些反馈行为特征输入学生反馈行为模型，反馈行为模型则输出第二结果信息，此第二结果信息包括积极反应和消极反应，例如当输入反馈行为模型的反馈行为包括眼神专注认真听讲、低头看课本、做笔记等行为，则定义输出为积极反应，若反馈行为包括眼神专注认真听讲、低头看课本、做笔记等行为玩手机、打瞌睡、交头接耳等，行为则定义为消极反应。然后由管理系统根据时间段、人数等统计出各时间段的积极反应占比和消极反应占比。
35.s105、基于上述第一结果信息及上述第二结果信息训练标准教师行为模型；
36.在上述步骤s103、s104的基础上，对上述第一结果信息及上述第二结果信息进行分析，建立上述第一结果信息与上述第二结果信息之间的关联关系，并以此为基础训练标准教师行为模型。例如，当教师心情愉悦，存在丰富的肢体动作或诙谐幽默的语言时，积极性较高、注意力更加集中的积极反应学生占比；而当教师心情不佳，言语低沉时，出现乏味、压抑等情绪的消极反应学生占比。通过大量的数据分析后则针对特定的教师或科目类别的
老师建立第一结果信息与上述第二结果信息之间的联系，并以此为训练样本训练标准教师行为模型，时间越长，系统采集的样本越多，标准教师行为模型进行深度的学习和优化后也会更加精准。
37.s106、再次获取目标教师的人体特征，将目标教师的行为特征输入上述标准教师行为模型，由上述标准教师行为模型输出第三结果信息并进行可视化呈现。
38.待训练出精确的标准教师行为模型(画像)后，再次获取目标教师的行为特征，将新获取的目标教师的行为特征输入标准教师行为模型，由标准教师行为模型输出第三结果信息。示例性的，该第三结果信息包括课堂效果得分和对目标教师的建议，课堂效果得分包括目标教师课堂行为得分和学生反馈行为得分，其中，目标教师课堂行为得分可依据目标教师与标准教师行为模型的相似度来确定，而目标教师与标准教师行为模型不相似的地方则可作为给目标教师的建议；学生反馈行为得分则分为整体得分和个人得分，整体得分则根据积极反应的占比来确定，个人得分则根据积极反应的占比时间来确定。
39.而为了师生都能在课后及时了解自己的讲课状态和学习状态，可将上述得分及建议等以表、图的形式式进行展示，或是直接发送给目标教师或对应的同学。
40.示例性的，还可基于第二结果信息训练标准学生行为模型，然后基于标准学生行为模型规范学生的反馈行为。
41.实施例2
42.在本发明一些实施例中，上述教师课堂行为模型的建立包括：获取教师的面部表情、语言及肢体动作信息，通过分析、咨询目标教师的情绪，建立上述情绪与上述面部表情、语言及肢体动作之间的关联关系。
43.示例性的，探索教师语言、面部表情及肢体动作与目标教师的情绪之间的关联关系。大部分人在特定心理状态下会反映特定的面部表情、语言及肢体动作信息等，因此，可通过心理分析或直接询问、采访目标教师在对应面部表情、语言及肢体动作场景中的心理状态和情绪是怎样的，然后以此作为训练样本，训练教师课堂行为模型，然后在后面的实际应用中则可将获取到的目标教师的行为特征输入到教师课堂行为模型，由教师课堂行为模型来分析出目标教师的情绪，为后续模型的建立提供样本。
44.实施例3
45.上述学生反馈行为模型的建立包括：获取学生的面部表情及肢体动作的信息样本，并将上述信息样本划分为积极信息何消极信息两类。
46.获取学生的反馈行为特征，将获取的学生的反馈行为特征输入学生反馈行为模型，将学生的反馈行为特征与学生反馈行为模型中的信息样本进行匹配，判定获取的学生的反馈行为是积极信息还是消极信息。
47.实施例4
48.请参阅图2，一种基于人脸和人体行为动作图像识别的课堂分析系统，包括：
49.信息库及模型建立模块100，用于建立教师身份信息库、教师课堂行为模型及学生反馈行为模型；
50.首先，信息库及模型建立模块100建立教师身份信息库，以确定参与课堂分析的教师人员，确定教师人员后则需要采集课堂师生的行为特征训练教师课堂行为模型及学生反馈行为模型为后续课堂教学的实施；其中，教师身份信息库中包含教师个人的身份信息(姓
名、性别、年龄等)、人体特征信息(指纹、虹膜、面部特征、步态特征等等)、所教学的科目类别及从业年限等。其中人体特征信息、所教学的科目类别及从业年限均与身份信息绑定。由于不同的教师有不同的教学风格，因此需要依据教师本身的特点及缺陷等给出针对性的建议，因此教师课堂行为模型则需要针对不同的老师建立对应的模型，该模型可依据不同人而建立，也可依据科目类别建立。示例性的，可选取所有语文老师的课堂行为特征，建立特征集，训练语文教师课堂行为模型。但仅观察、采集教师的课堂行为特征，难以判断教师教学效果的优劣，其中，学生的反应最能直观反映教师教学成效的，因此，除了教师课堂行为模型，还应训练对应的学生反馈行为模型。示例性的，可选取所有能够获得学生积极反馈的语文老师的课堂行为特征，然后将这些行为特征进行聚类分析以得到相应的特征集，然后将所有的特征集作为训练样本，建立标准语文教师行为模型，然后以标准语文教师行为模型为评判标准建立针对较语文教师的评分系统。
51.第一获取模块200，用于获取目标的人体特征，并将上述目标的人体特征与上述教师身份信息库进行匹配，获取目标的身份信息及所教学的科目类别；
52.首先，上课开始时，对应科目的教师走进教室，此时，可以利用第一获取模块200获取目标教师的面部特征信息，依据获取的面部特征信息调取目标教师的身份信息，然后依据目标教师的身份信息获取其教学的科目类别，示例性的，教师身份信息库还可与学校的课表系统进行关联，判断当前目标教师是否与预先课表计划的教师相匹配，可考察教师是否存在迟到、早退的情况。
53.第二获取模块300，用于获取目标的行为特征，并将上述目标的行为特征传递给上述教师课堂行为模型，由上述教师课堂行为模型输出第一结果信息；
54.示例性的，当确定对应的老师和科目后，由信息管理系统调出针对该位老师建立的教师课堂行为模型。第二获取模块300获取目标教师的行为特征，这些行为特征包括语言声调、面部表情、肢体动作以及与学生的互动行为等，而将这些行为特征输入进教师课堂行为模型中可得出当前教师的心理状态和身体状态，心理状态包括喜悦、平静、焦急、愤怒等情绪，身体状态包括振奋和疲倦等状态。
55.第三获取模块400，获取学生的反馈行为特征，将上述学生的反馈行为特征传递给上述学生反馈行为模型，由上述学生反馈行为模型输出第二结果信息；
56.在上述获取目标教师的行为特征的同时，同样需要获取课堂上学生的反馈行为特征，这些反馈行为特征包括学生的面部表情及肢体动作等，由第三获取模块400获取。示例性的，例如眼神专注认真听讲、低头看课本、做笔记、玩手机、打瞌睡、交头接耳等行为，将这些反馈行为特征输入学生反馈行为模型，反馈行为模型则输出第二结果信息，此第二结果信息包括积极反应和消极反应，例如当输入反馈行为模型的反馈行为包括眼神专注认真听讲、低头看课本、做笔记等行为，则定义输出为积极反应，若反馈行为包括眼神专注认真听讲、低头看课本、做笔记等行为玩手机、打瞌睡、交头接耳等，行为则定义为消极反应。然后由管理系统根据时间段、人数等统计出各时间段的积极反应占比和消极反应占比。
57.标准模型建立模块500：基于上述第一结果信息及上述第二结果信息训练标准教师行为模型；
58.对上述第一结果信息及上述第二结果信息进行分析，建立上述第一结果信息与上述第二结果信息之间的关联关系，并以此为基础通过标准模型建立模块500训练标准教师
行为模型。例如，当教师心情愉悦，存在丰富的肢体动作或诙谐幽默的语言时，积极性较高、注意力更加集中的积极反应学生占比；而当教师心情不佳，言语低沉时，出现乏味、压抑等情绪的消极反应学生占比。通过大量的数据分析后则针对特定的教师或科目类别的老师建立第一结果信息与上述第二结果信息之间的联系，并以此为训练样本训练标准教师行为模型，时间越长，系统采集的样本越多，标准教师行为模型进行深度的学习和优化后也会更加精准。
59.标准模型运行模块600：再次获取目标教师的行为特征，将目标教师的行为特征输入上述标准教师行为模型，由上述标准教师行为模型输出第三结果信息并进行可视化呈现。
60.待训练出精确的标准教师行为模型(画像)后，标准模型运行模块600再次获取目标教师的行为特征，并将新获取的目标教师的行为特征输入标准教师行为模型，由标准教师行为模型输出第三结果信息。示例性的，该第三结果信息包括课堂效果得分和对目标教师的建议，课堂效果得分包括目标教师课堂行为得分和学生反馈行为得分，其中，目标教师课堂行为得分可依据目标教师与标准教师行为模型的相似度来确定，而目标教师与标准教师行为模型不相似的地方则可作为给目标教师的建议；学生反馈行为得分则分为整体得分和个人得分，整体得分则根据积极反应的占比来确定，个人得分则根据积极反应的占比时间来确定。而为了师生都能在课后及时了解自己的讲课状态和学习状态，可将上述得分及建议等以表、图的形式式进行展示，或是直接发送给目标教师或对应的同学。
61.实施例5
62.请参阅图3，一种电子设备，包括：至少一个处理器1、至少一个存储器2和数据总线3；
63.其中，上述处理器1与上述存储器2通过上述数据总线3完成相互间的通信；上述存储器2存储有可被上述处理器执行的程序指令，上述处理器1调用上述程序指令以执行上述各实施例所提供的方法，例如执行：s101、建立教师身份信息库、教师课堂行为模型及学生反馈行为模型；s102、获取目标教师的人体特征，将上述目标教师的人体特征与上述教师身份信息库进行匹配，获取目标的身份信息及所教学的科目类别；s103、获取目标教师的行为特征，将上述目标教师的行为特征输入上述教师课堂行为模型，由上述教师课堂行为模型输出第一结果信息；s104、获取学生的反馈行为特征，将上述学生的反馈行为特征输入上述学生反馈行为模型，由上述学生反馈行为模型输出第二结果信息；s105、基于上述第一结果信息及上述第二结果信息训练标准教师行为模型；s106、再次获取目标教师的行为特征，将目标教师的行为特征输入上述标准教师行为模型，由上述标准教师行为模型输出第三结果信息并进行可视化呈现。
64.其中，存储器2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。
65.处理器1可以是一种集成电路芯片，具有信号处理能力。该处理器1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(digital signal processing，dsp)、专用集
成电路(application specific integrated circuit，asic)、现场可编程门阵列(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。
66.实施例6
67.请参阅图2，一种非暂态计算机可读存储介质，上述非暂态计算机可读存储介质存储计算机程序，上述计算机程序使计算机执行上述各实施例所提供的方法，例如执行：s101、建立教师身份信息库、教师课堂行为模型及学生反馈行为模型；s102、获取目标教师的人体特征，将上述目标教师的人体特征与上述教师身份信息库进行匹配，获取目标的身份信息及所教学的科目类别；s103、获取目标教师的行为特征，将上述目标教师的行为特征输入上述教师课堂行为模型，由上述教师课堂行为模型输出第一结果信息；s104、获取学生的反馈行为特征，将上述学生的反馈行为特征输入上述学生反馈行为模型，由上述学生反馈行为模型输出第二结果信息；s105、基于上述第一结果信息及上述第二结果信息训练标准教师行为模型；s106、再次获取目标教师的行为特征，将目标教师的行为特征输入上述标准教师行为模型，由上述标准教师行为模型输出第三结果信息并进行可视化呈现。
68.在本技术所提供的实施例中，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，上述模块、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。
69.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。
70.上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上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。
71.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
72.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权
利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。