一种面神经功能评估方法、装置、计算机设备及存储介质

技术领域

本发明实施例涉及医学检测技术领域，尤其涉及一种面神经功能评估方法、装置、计算机设备及存储介质。

背景技术

面瘫，也称周围性面瘫，多发生于面部的一侧(两侧同时发生面瘫的情况极为罕见)。面瘫是一种常见病、多发病，病因一般为创伤性、医源性、感染性病变、先天性以及中毒等，可见于不同年龄段及不同性别。由于现代社会快节奏的工作生活，年轻人社会工作压力日益增大，发病呈年轻化趋势。面瘫会影响眼部及口部的功能，此外由于外表面容的缺陷使人自卑、自闭以及抑郁等，给患者的身心健康带来严重的负面影响，极大地影响了患者的日常生活和工作学习。

在诊疗时，康复医生首先需要对面瘫患者进行面神经功能评估，通常是通过要求患者做出一系列特定的面部动作，并观察患者面部的不对称性及运动程度，对照量表进行评估；然后，康复医生根据评估结果制定针对性的面瘫康复训练处方，并通过评估来观察患者后续的康复情况。因此，客观准确地评估患者面神经功能是非常重要的。然而，由于主观性的原因，不同医生按照同一评估标准人工的对同一患者进行面神经功能评估，评估结果却往往并不一致，导致根据这一评估结果制定的后续康复训练处方出现偏差。且康复医生的人工评估，费时费力，加大了康复医生的工作量。

发明内容

本发明实施例提供一种面神经功能评估方法、装置、计算机设备及存储介质，以提高面神经功能评估的准确性，并大大减轻康复医生的工作量。

第一方面，本发明实施例提供了一种面神经功能评估方法，该方法包括：

获取用户完成预设面部动作的面部视频图像；

对所述面部视频图像进行预处理，以得到用户在完成所述预设面部动作时满足预设幅度要求的面部图像；

将所述面部图像输入训练后的深度学习网络模型，以得到用户的面神经功能等级。

第二方面，本发明实施例还提供了一种面神经功能评估装置，该装置包括：

面部视频图像获取模块，用于获取用户完成预设面部动作的面部视频图像；

面部图像获得模块，用于对所述面部视频图像进行预处理，以得到用户在完成所述预设面部动作时满足预设幅度要求的面部图像；

面神经功能等级获得模块，用于将所述面部图像输入训练后的深度学习网络模型，以得到用户的面神经功能等级。

第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的面神经功能评估方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的面神经功能评估方法。

本发明实施例提供了一种面神经功能评估方法，首先获取用户在完成预设面部动作的面部视频图像，然后对获取到的面部视频图像进行预处理，以得到用户在完成预设面部动作时满足预设幅度要求的面部图像，再将得到的面部图像输入到训练后的深度学习网络模型，以得到用户的面神经功能等级。本发明实施例所提供的面神经功能评估方法，通过自动的获取用户完成预设面部动作的面部视频图像，并自动的根据该面部视频图像对用户的面神经功能等级进行评估，避免了人工评估的主观性和偏见，使得评估标准统一，评估结果更加客观准确，以便于后续给出更加适合的康复训练处方，同时也大大的减轻了康复医生的工作量。

附图说明

图1为本发明实施例一提供的面神经功能评估方法的流程图；

图2为本发明实施例一提供的示例性的面部特征点的分布情况图；

图3为本发明实施例二提供的面神经功能评估方法的流程图；

图4为本发明实施例三提供的面神经功能评估装置的结构示意图；

图5为本发明实施例四提供的计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的面神经功能评估方法的流程图。本实施例可适用于对面瘫患者的面神经功能等级进行评估的情况，该方法可以由本发明实施例所提供的面神经功能评估装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：

S11、获取用户完成预设面部动作的面部视频图像。

具体的，可以通过手机上安装的面神经功能评估系统软件来实现本实施例的方案。在使用时，可以提示用户手持手机在光照合适的情况下面部离手机保持合适的距离，面部正面对准前置摄像头，做出预设面部动作，具体可以为用户提示示范动作，以便用户学习。其中，预设面部动作可以包括平静、抬眉、闭眼以及示齿等等，并可以提示用户除平静外每种动作持续3秒钟，并每间隔3秒钟重复5次。在用户进行预设面部动作的过程中，手机可以通过前置摄像头捕捉下彩色的面部视频图像备用，面部视频图像的分辨率可以是600*800。

S12、对所述面部视频图像进行预处理，以得到用户在完成所述预设面部动作时满足预设幅度要求的面部图像。

具体的，评估首先需要对获取到的面部视频图像进行预处理，以得到符合要求的面部图像，从而可以将得到的面部图像作为后续深度学习网络模型的输入。其中，符合要求的面部图像具体可以是在用户进行抬眉、闭眼以及示齿等各种预设面部动作过程中幅度最大时的面部图像，即预设幅度要求为幅度最大，同时，预设幅度要求也可以为超过预设幅度阈值，并可以在完成一次预设面部动作过程中超过预设幅度阈值的面部图像中随机选取一张作为符合要求的面部图像。

可选的，所述对所述面部视频图像进行预处理，以得到用户在完成所述预设面部动作时满足预设幅度要求的面部图像，包括：获取所述面部视频图像中每帧图像上面部特征点的二维坐标；根据所述二维坐标确定用户每完成一次所述预设面部动作的过程中满足所述预设幅度要求的面部图像。

具体的，可以对面部视频图像中的每帧图像，均获取其中的68个面部特征点的二维坐标，其中，68个面部特征点的分布情况可以如图2所示，其中以图像左上角为坐标原点，直角坐标系向右为横轴正方向，向下为纵轴正方向。各个面部特征点可以相对各个面部器官及脸部轮廓进行分布，通过各个面部特征点可以描绘出各个面部器官的动作状态。在用户进行预设面部动作的过程中，各个面部特征点也会随之在每帧图像中变化位置，因此，可以根据各个面部特征点的二维坐标(具体还可以是二维坐标的变化量)确定用户每完成一次预设面部动作的过程中满足预设幅度要求的面部图像。进一步可选的，在所述获取所述面部视频图像中每帧图像上的面部特征点的二维坐标之前，还包括：将所述每帧图像进行面部对齐，以找到感兴趣区域；根据所述感兴趣区域，按照预设分辨率对所述每帧图像进行裁剪。具体的，预处理的过程首先可以是对面部视频图像的每帧图像进行面部对齐，找到感兴趣区域，即面瘫患者的面部区域，并可以根据感兴趣区域将每帧图像统一裁剪为分辨率为250*250的大小，其中，所裁剪得到的感兴趣区域的大小应保持一致，以便使用面部特征点计算各种预设面部动作的动作幅度，相应的，可以裁剪后的图像的左上角为坐标原点，并以直角坐标系向右为横轴正方向，向下为纵轴正方向。

进一步可选的，所述预设面部动作包括抬眉动作、闭眼动作以及示齿动作，所述面部特征点包括抬眉特征点、闭眼特征点以及示齿特征点；相应的，所述根据所述二维坐标确定用户每完成一次所述预设面部动作的过程中满足所述预设幅度要求的面部图像，包括：根据所述抬眉特征点的二维坐标确定用户每完成一次所述抬眉动作的过程中健康侧的抬眉特征值最大时所对应的抬眉面部图像；根据所述闭眼特征点的二维坐标确定用户每完成一次所述闭眼动作的过程中健康侧的闭眼特征值最大时所对应的闭眼面部图像；以及，根据所述示齿特征点的二维坐标确定用户每完成一次所述示齿动作的过程中健康侧的示齿特征值最大时所对应的示齿面部图像。

具体的，在获取了每帧图像上面部特征点的二维坐标之后，可以分别对抬眉动作、闭眼动作和示齿动作对应的面部特征点进行计算，以判断出各种动作运动幅度最大的一帧图像，并保存此时刻的面部图像。针对抬眉运动，可以根据抬眉特征点的二维坐标确定用户完成一次抬眉动作的过程中健康侧的抬眉特征值最大时所对应的抬眉面部图像，其中，如图2所示，抬眉特征点可以包括左侧抬眉特征点(17,18,19,20,21)和右侧抬眉特征点(22,23,24,25,26)，则左侧抬眉特征值可以是BrowL＝(y

针对闭眼动作，可以根据闭眼特征点的二维坐标确定用户完成一次闭眼动作的过程中健康侧的闭眼特征值最大时所对应的闭眼面部图像，其中，如图2所示，闭眼特征点可以包括左侧闭眼特征点(37,38,40,41)和右侧闭眼特征点(43,44,46,47)，则左侧闭眼特征值可以是EyeL＝[(y

针对示齿动作，可以根据示齿特征点的二维坐标确定用户完成一次示齿动作过程中健康侧的示齿特征值最大时所对应的示齿面部图像，其中，如图2所示，示齿特征点可包括左侧示齿特征点(48,49,59)和右侧示齿特征点(53,54,55)，则左侧示齿特征值可以是

进一步可选的，在所述对所述面部视频图像进行预处理之后，还包括：获得用户的平静面部图像；所述示齿特征点包括第一特征点；相应的，所述根据所述示齿特征点的二维坐标确定用户每完成一次所述示齿动作的过程中健康侧的示齿特征值最大时所对应的示齿面部图像，包括：将所述示齿面部图像中所述第一特征点的第一纵坐标与所述平静面部图像中所述第一特征点的第二纵坐标进行比较；若所述第一纵坐标与所述第二纵坐标之差大于预设阈值，则确定所述示齿面部图像所展示的内容非示齿动作。

具体的，还可以在面部视频图像中截取用户平静状态下的平静面部图像，并通过示齿特征点中的第一特征点判断用户当前进行的动作是否为示齿动作，其中，如图2所示，第一特征点可以包括左侧第一特征点(48)和右侧第一特征点(54)。若患者为右侧面瘫，首先可以确定得到用户完成一次示齿动作的过程中健康侧的示齿特征值最大时所对应的示齿面部图像中左侧第一特征点的纵坐标y

S13、将所述面部图像输入训练后的深度学习网络模型，以得到用户的面神经功能等级。

具体的，在得到满足预设幅度要求的面部图像之后，即可将该面部图像输入到训练后的深度学习网络模型中，从而通过该深度学习网络模型输出用户的面神经功能等级的预测结果。其中，面部图像可以包括抬眉面部图像、闭眼面部图像以及示齿面部图像等等，则可以将同一用户的各种面部图像分别输入深度学习网络模型中，并分别得到对应的面神经功能等级预测结果，然后可以取各个面神经功能等级预测结果的算术平均值作为最终确定的用户的面神经功能等级。最终输出的面神经功能等级可以划分为6级，从1级到6级，分别可以表示正常、轻度功能障碍、中度功能障碍直至完全无功能。

本发明实施例所提供的技术方案，首先获取用户在完成预设面部动作的面部视频图像，然后对获取到的面部视频图像进行预处理，以得到用户在完成预设面部动作时满足预设幅度要求的面部图像，再将得到的面部图像输入到训练后的深度学习网络模型，以得到用户的面神经功能等级。通过自动的获取用户完成预设面部动作的面部视频图像，并自动的根据该面部视频图像对用户的面神经功能等级进行评估，避免了人工评估的主观性和偏见，使得评估标准统一，评估结果更加客观准确，以便于后续给出更加适合的康复训练处方，同时也大大的减轻了康复医生的工作量。

实施例二

图3为本发明实施例二提供的面神经功能评估方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，可选的，所述面部图像包括抬眉面部图像、闭眼面部图像以及示齿面部图像，所述深度学习网络模型为双路网络模型；相应的，所述将所述面部图像输入训练后的深度学习网络模型，以得到用户的面神经功能等级，包括：将不同类型的两张所述面部图像输入训练后的所述双路网络模型，以得到所述面神经功能等级。相应的，如图3所示，具体可以包括如下步骤：

S31、获取用户完成预设面部动作的面部视频图像。

S32、对所述面部视频图像进行预处理，以得到用户在完成所述预设面部动作时满足预设幅度要求的面部图像；所述面部图像包括抬眉面部图像、闭眼面部图像以及示齿面部图像。

S33、将不同类型的两张所述面部图像输入训练后的所述双路网络模型，以得到所述面神经功能等级。

具体的，由于面神经功能评估需要患者做出不同的面部动作(抬眉、闭眼和示齿)，因此在设计深度学习网络模型的时候，可以使用一种双路的网络，通过两个不同的网络可以通过不同的路径学习到不同的特征信息，从而更有利于后面的分类操作。具体可以分别使用VGG19和ResNet50这两个网络作为特征提取部分，但本实施例对此不进行限制，在学习到两个不同的特征信息之后，可以对特征信息进行组合，然后进行一次全局平均池化(GAP)之后得到softmax，再进行分类，从而输出最终的面神经功能等级。

可选的，在所述将不同类型的两张所述面部图像输入训练后的所述双路网络模型，以得到所述面神经功能等级之前，还包括：获取多张面瘫患者的所述面部图像，并将对应的人工评估所得的面神经功能等级作为标签数据；根据所述多张面瘫患者的所述面部图像以及所述标签数据对所述双路网络模型进行训练。

具体的，在实际使用之前，可以首先构建所需的双路网络模型，并对该双路网络模型进行训练。可以通过前述预处理的方法保存大量面瘫患者的抬眉面部图像、闭眼面部图像以及示齿面部图像等等，并事先由医生人工的对患者进行面神经功能评估，以将评估所得的面神经功能等级作为标签数据，然后将保存的图像和标签数据组成训练集，使用双路网络模型，输入为同一面神经功能等级下的抬眉、闭眼、示齿其中的两张图像，并且输入的顺序可以是任意的，采用有监督的深度学习方法进行训练，将患者所对应的由医生评估的面神经功能等级作为标签数据，即输出为面神经功能等级，这样完成训练后即可得到训练后的双路网络模型。

在获得了训练后的双路网络模型之后，即可使用该双路网络模型对患者进行实时评估。在患者做完所有的评估动作后，如可以是5次抬眉、5次闭眼和5次示齿，系统可以将预处理后保存的各5张抬眉面部图像、闭眼面部图像和示齿面部图像随机分成5组，每组各包含一张抬眉面部图像、一张闭眼面部图像和一张示齿面部图像，然后系统可以分别从这5组图像中每组随机挑选2张图像，即每组包括抬眉、闭眼及示齿中的两张图像，组成新的5组图像作为双路网络模型的输入。最后将这5组输入各自所得的5个输出的结果取算术平均值后四舍五入，即为最终预测得到的面神经功能等级。

本发明实施例所提供的技术方案，通过使用不同类型的面部图像以及双路网络模型对用户的面神经功能等级进行预测，从多方面特征考虑了患者的实际情况，进一步提高了评估结果的准确性。

实施例三

图4为本发明实施例三提供的面神经功能评估装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，用于执行本发明任意实施例所提供的面神经功能评估方法。如图4所示，该装置包括：

面部视频图像获取模块41，用于获取用户完成预设面部动作的面部视频图像；

面部图像获得模块42，用于对所述面部视频图像进行预处理，以得到用户在完成所述预设面部动作时满足预设幅度要求的面部图像；

面神经功能等级获得模块43，用于将所述面部图像输入训练后的深度学习网络模型，以得到用户的面神经功能等级。

本发明实施例所提供的技术方案，首先获取用户在完成预设面部动作的面部视频图像，然后对获取到的面部视频图像进行预处理，以得到用户在完成预设面部动作时满足预设幅度要求的面部图像，再将得到的面部图像输入到训练后的深度学习网络模型，以得到用户的面神经功能等级。通过自动的获取用户完成预设面部动作的面部视频图像，并自动的根据该面部视频图像对用户的面神经功能等级进行评估，避免了人工评估的主观性和偏见，使得评估标准统一，评估结果更加客观准确，以便于后续给出更加适合的康复训练处方，同时也大大的减轻了康复医生的工作量。

在上述技术方案的基础上，可选的，面部图像获得模块42，包括：

特征点坐标获取子模块，用于获取所述面部视频图像中每帧图像上面部特征点的二维坐标；

面部图像确定子模块，用于根据所述二维坐标确定用户每完成一次所述预设面部动作的过程中满足所述预设幅度要求的面部图像。

在上述技术方案的基础上，可选的，所述预设面部动作包括抬眉动作、闭眼动作以及示齿动作，所述面部特征点包括抬眉特征点、闭眼特征点以及示齿特征点；

相应的，面部图像确定子模块，包括：

抬眉面部图像确定单元，用于根据所述抬眉特征点的二维坐标确定用户每完成一次所述抬眉动作的过程中健康侧的抬眉特征值最大时所对应的抬眉面部图像；

闭眼面部图像确定单元，用于根据所述闭眼特征点的二维坐标确定用户每完成一次所述闭眼动作的过程中健康侧的闭眼特征值最大时所对应的闭眼面部图像；以及，

示齿面部图像确定单元，用于根据所述示齿特征点的二维坐标确定用户每完成一次所述示齿动作的过程中健康侧的示齿特征值最大时所对应的示齿面部图像。

在上述技术方案的基础上，可选的，面部图像获得模块42还用于：在所述对所述面部视频图像进行预处理之后，还包括：获得用户的平静面部图像；所述示齿特征点包括第一特征点；

相应的，示齿面部图像确定单元，包括：

坐标比较子单元，用于将所述示齿面部图像中所述第一特征点的第一纵坐标与所述平静面部图像中所述第一特征点的第二纵坐标进行比较；

示齿动作判定子单元，用于若所述第一纵坐标与所述第二纵坐标之差大于预设阈值，则确定所述示齿面部图像所展示的内容非示齿动作。

在上述技术方案的基础上，可选的，面部图像获得模块42，还包括：

面部对齐子模块，用于在所述获取所述面部视频图像中每帧图像上的面部特征点的二维坐标之前，将所述每帧图像进行面部对齐，以找到感兴趣区域；

图像裁剪子模块，用于根据所述感兴趣区域，按照预设分辨率对所述每帧图像进行裁剪。

在上述技术方案的基础上，可选的，所述面部图像包括抬眉面部图像、闭眼面部图像以及示齿面部图像，所述深度学习网络模型为双路网络模型；

相应的，面神经功能等级获得模块43具体用于：

将不同类型的两张所述面部图像输入训练后的所述双路网络模型，以得到所述面神经功能等级。

在上述技术方案的基础上，可选的，该面神经功能评估装置，还包括：

训练数据获取模块，用于在所述将不同类型的两张所述面部图像输入训练后的所述双路网络模型，以得到所述面神经功能等级之前，获取多张面瘫患者的所述面部图像，并将对应的人工评估所得的面神经功能等级作为标签数据；

模型训练模块，用于根据所述多张面瘫患者的所述面部图像以及所述标签数据对所述双路网络模型进行训练。

本发明实施例所提供的面神经功能评估装置可执行本发明任意实施例所提供的面神经功能评估方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，在上述面神经功能评估装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例四

图5为本发明实施例四提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图5显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该计算机设备包括处理器51、存储器52、输入装置53及输出装置54；计算机设备中处理器51的数量可以是一个或多个，图5中以一个处理器51为例，计算机设备中的处理器51、存储器52、输入装置53及输出装置54可以通过总线或其他方式连接，图5中以通过总线连接为例。

存储器52作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的面神经功能评估方法对应的程序指令/模块(例如，面神经功能评估装置中的面部视频图像获取模块41、面部图像获得模块42及面神经功能等级获得模块43)。处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的面神经功能评估方法。

存储器52可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器52可进一步包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置53可用于获取用户完成预设面部动作的面部视频图像，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置54包括显示屏等设备，可用于向用户展示最终面神经功能等级的预测结果。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种面神经功能评估方法，该方法包括：

获取用户完成预设面部动作的面部视频图像；

对所述面部视频图像进行预处理，以得到用户在完成所述预设面部动作时满足预设幅度要求的面部图像；

将所述面部图像输入训练后的深度学习网络模型，以得到用户的面神经功能等级。

存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的面神经功能评估方法中的相关操作。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。