一种步态识别的方法、装置及相关设备

技术领域

本发明属于步态识别技术领域，特别涉及一种步态识别的方法、装置及相关设备。

背景技术

目前，世界上多数的公共安全维护依托于视频监控，且多数是通过摄像头对人的面部进行识别，以识别对象进行判断；而步态识别技术是一种新兴的生物特征识别技术，旨在通过人的走路姿态来进行人的身份识别。步态识别具有远距离、跨视角、非受控、非接触和不容易伪装的优点。在智能视频监控领域特别是当摄像头无法抓拍到清晰的人脸时，步态识别技术显得尤为重要；例如，在昏暗的环境下，摄像头无法准确地抓拍的人脸，假如需要对人进行身份识别时，就会造成大的识别阻碍和取证困难；

可见，对于当摄像头无法抓拍到清晰的人脸时，且需要对人进行身份识别，就会造成大的识别阻碍和取证困难；

也即，对于当摄像头无法抓拍到清晰的人脸时，如何提高对人进行身份识别的精度，进而降低对人的识别阻碍和取证困难，是本领域亟需解决的技术难题。

发明内容

本发明所要解决的技术问题是如何提供一种步态识别的方法、装置及相关设备，以至少解决上述部分技术问题。

为至少解决上述部分技术问题，第一方面，本发明提供了一种步态识别的方法，用于通过走路姿态来对目标对象是否为标识对象进行识别，所述方法包括：获取目标对象的基础标识数据；所述获取目标对象的基础标识数据包括：获取目标对象的图像数据，提取所述目标对象的所述图像数据中的第一Hu矩特征数据；将所述第一Hu矩特征数据根据代码本量化成一组可被计算机识别的数字符号序列作为所述步态特征数据；

将所述基础标识数据与预设数据模型库中的标准标识数据进行识别匹配；所述预设数据模型库的构建方法包括：获取被识别对象的识别数据，所述获取被识别对象的识别数据包括，获取被识别对象的影像数据；提取所述被识别对象的所述影像数据中的第二Hu矩特征数据；依据所述第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩特征数据进行平均值计算，从而生成一个代码本(codebook)，第二Hu矩特征数据根据所述代码本量化成一组可被计算机识别的数字符号序列，该数字符号序列作为输入循环神经网络训练的数据；被识别对象的所述步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练；获得训练后的循环神经网络用于表征所述标识对象的步态特征的所述预设数据模型库。

若所述基础标识数据被预设数据模型库中的循环神经网络所识别，则判断该目标对象为标识对象。

在第一方面中，所述提取所述目标对象的所述图像数据中的第一Hu矩特征数据之前还包括：对所述目标对象的图像进行分割处理，以使所述目标对象与图像中的背景分离。

在第一方面中，对所述目标对象的图像进行分割处理包括：用中值滤波把目标对象的图像从背景中进行分离。

第二方面，本发明提供了一种步态识别的装置，用于通过目标对象的走路姿态来识别被标识的目标对象，所述装置包括：基础数据获取模块：获取目标对象的基础标识数据；所述获取目标对象的基础标识数据包括：获取目标对象的图像数据，提取所述目标对象的所述图像数据中的第一Hu矩特征数据；将所述第一Hu矩特征数据根据代码本量化成一组可被计算机识别的数字符号序列作为所述步态特征数据；匹配模块，将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配；所述预设数据模型库的构建方法包括：获取被识别对象的识别数据，所述获取被识别对象的识别数据包括，获取被识别对象的影像数据；提取所述被识别对象的所述影像数据中的第二Hu矩特征数据；依据所述第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，从而生成一个代码本(codebook)，第二Hu矩特征数据根据所述代码本量化成一组可被计算机识别的数字符号序列，该数字符号序列作为输入循环神经网络训练的数据；被识别对象的所述步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练；获得训练后的循环神经网络用于表征所述标识对象的步态特征的所述预设数据模型库。判断模块，若所述基础标识数据被预设数据模型库中的循环神经网络所识别，则判断该目标对象为标识对象。

在第二方面中，所述基础数据获取模块还用于：对所述目标对象的图像进行分割处理，以使所述目标对象与图像中的背景分离。

在第二方面中，所述基础数据获取模块还用于：用中值滤波把目标对象的图像从背景中进行分离。

第三方面，本发明提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器用于执行存储器中存储的计算机程序时实现如下步骤：获取目标对象的基础标识数据；所述获取目标对象的基础标识数据包括：获取目标对象的图像数据，提取所述目标对象的所述图像数据中的第一Hu矩特征数据；将所述第一Hu矩特征数据根据代码本量化成一组可被计算机识别的数字符号序列作为所述步态特征数据；将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配；所述预设数据模型库的构建方法包括：获取被识别对象的识别数据，所述获取被识别对象的识别数据包括，获取被识别对象的影像数据；提取所述被识别对象的所述影像数据中的第二Hu矩特征数据；依据所述第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，从而生成一个代码本(codebook)，第二Hu矩特征数据根据所述代码本量化成一组可被计算机识别的数字符号序列，该数字符号序列作为输入循环神经网络训练的数据；被识别对象的所述步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练；获得训练后的循环神经网络用于表征所述标识对象的步态特征的所述预设数据模型库；

若所述基础标识数据被预设数据模型库中的循环神经网络所识别，则判断该目标对象为标识对象。

在第三方面中，所述处理器用于执行存储器中存储的计算机程序时还可以实现如下步骤：对所述目标对象的图像进行分割处理，以使所述目标对象与图像中的背景分离。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：获取目标对象的基础标识数据；所述获取目标对象的基础标识数据包括：获取目标对象的图像数据，提取所述目标对象的所述图像数据中的第一Hu矩特征数据；将所述第一Hu矩特征数据根据代码本量化成一组可被计算机识别的数字符号序列作为所述步态特征数据；将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配；所述预设数据模型库的构建方法包括：获取被识别对象的识别数据，所述获取被识别对象的识别数据包括，获取被识别对象的影像数据；提取所述被识别对象的所述影像数据中的第二Hu矩特征数据；依据所述第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，从而生成一个代码本(codebook)，第二Hu矩特征数据根据所述代码本量化成一组可被计算机识别的数字符号序列，该数字符号序列作为输入循环神经网络训练的数据；被识别对象的所述步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练；获得训练后的循环神经网络用于表征所述标识对象的步态特征的所述预设数据模型库；

若所述基础标识数据被预设数据模型库中的循环神经网络所识别，则判断该目标对象为标识对象。

有益效果：

本发明提供的一种步态识别的方法，通过目标对象的走路姿态来识别标识对象，在识别时，先获取目标对象的基础标识数据，然后将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配，若匹配成功，则判断该目标对象为标识对象，若匹配不成功，则判断该目标对象非标识对象，通过以上的方法，以达到当摄像头无法抓拍到清晰的人脸时，且需要对人进行身份识别的时候，其中，在识别阶段，为了使得获取目标对象的图像特征更加准确，采集图像数据中的第一Hu矩特征数据，以及在学习阶段，为了使获取目标对象的影像数据更加准确，采集影像数据中的第二Hu矩特征数据，然后，第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，从而生成一个代码本(codebook)，Hu矩特征数据根据代码本量化成一组数字符号序列作为下一步循环神经网络训练的输入，一个步态有一个代码本；被识别对象的所述步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练，进而得到用于被识别时调用的数据库。通过上述步态识别方法对目标对象进行身份识别的技术效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中目标对象在分割提取过程中的不同状态示意图；

图2为本发明实施例一中步态识别的方法的流程框图；

图3位本发明中循环神经网络训练流程图；

图4位本发明实施例中循环神经网络识别流程图；

图5位本发明实施例五中循环神经网络的一种实施方式流程图；

图6位本发明实施例三中电子设备的结构示意图；

图7位本发明实施例四种计算机可读存储介质的结构示意图；

附图标记说明：

300.电子设备；

310.存储器；

311.计算机程序；

320.处理器；

400.计算机可读存储介质；

411.计算机程序。

具体实施方式

下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

同时，本说明书实施例中，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本说明书实施例中所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明目的，并不是旨在限制本发明。

实施例一：

如图1-7所示，本发明的实施例一提供了一种步态识别的方法，用于通过走路姿态来对目标对象是否为标识对象进行识别，所述方法包括：获取目标对象的基础标识数据；所述获取目标对象的基础标识数据包括：获取目标对象的图像数据，提取所述目标对象的所述图像数据中的第一Hu矩特征数据；将所述第一Hu矩特征数据根据代码本量化成一组可被计算机识别的数字符号序列作为所述步态特征数据；将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配；所述预设数据模型库的构建方法包括：获取被识别对象的识别数据，所述获取被识别对象的识别数据包括，获取被识别对象的影像数据；提取所述被识别对象的所述影像数据中的第二Hu矩特征数据；依据所述第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，从而生成一个代码本(codebook)，Hu矩特征数据根据代码本量化成一组数字符号序列作为下一步循环神经网络训练的输入，一个步态有一个代码本；被识别对象的所述步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练；获得训练后的循环神经网络用于表征所述标识对象的步态特征的所述预设数据模型库；若所述基础标识数据被预设数据模型库中的循环神经网络所识别，则判断该目标对象为标识对象。

在上述技术方案中，本发明提供了一种步态识别的方法，通过目标对象的走路姿态来识别标识对象，在识别时，先获取目标对象的基础标识数据，然后将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配，若匹配成功，则判断该目标对象为标识对象，若匹配不成功，则判断该目标对象非标识对象，通过以上的方法，以达到当摄像头无法抓拍到清晰的人脸时，且需要对人进行身份识别的时候，其中，在识别阶段，为了使得获取目标对象的图像特征更加准确，采集图像数据中的第一Hu矩特征数据，以及在学习阶段，为了使获取目标对象的影像数据更加准确，采集影像数据中的第二Hu矩特征数据，然后，第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，从而生成一个代码本(codebook)，Hu矩特征数据根据代码本量化成一组数字符号序列作为下一步循环神经网络训练的输入，一个步态有一个代码本；被识别对象的所述步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练；获得训练后的循环神经网络用于被识别时调用的数据库。通过上述步态识别方法对目标对象进行身份识的技术效果。

具体而言，对于预设数据模型库的构建方法步骤而言，可以理解，该步骤为识别标识对象的前序准备步骤，先将目标对象的识别数据进行存储训练，例如将人走路的步伐姿态图像信息进行特征提取，然后训练存储为一种计算机可以识别的程序，形成预设数据模型库。其包括以下步骤，先获取被识别对象的识别数据，所述获取被识别对象的识别数据包括，获取被识别对象的影像数据，然后依据所述影像数据提取所述被识别对象移动时的步伐姿态特征数据；步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练；获得训练后的循环神经网络用于表征所述标识对象的步态特征的所述预设数据模型库。

基于上述实施例一种，对于循环神经网络而言，其可以解释为一种计算机程序识别训练的网络，本领域技术人员可以理解为：一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。

对于依据所述图像数据得到所述目标对象运动时的步态特征数据包括的步骤而言，其具体包括以下实现方式：提取所述目标对象的所述图像数据中的第一Hu矩特征数据；将所述第一Hu矩特征数据根据代码本量化成一组可被计算机识别的数字符号序列作为所述步态特征数据；Hu矩在形状匹配中具有平移不变性，旋转不变性，尺度不变性的特征，能很大提高分割步态特征描述的鲁棒性和特征匹配的表现。

基于上述提到的鲁棒性，本领域技术人员可以知悉的是：鲁棒性，是Robust的音译，也就是健壮和强壮的意思。它是在异常和危险情况下系统生存的关键。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。所谓"鲁棒性"，是指控制系统在一定(结构，大小)的参数摄动下，维持其它某些性能的特性。根据对性能的不同定义，可分为稳定鲁棒性和性能鲁棒性。以闭环系统的鲁棒性作为目标设计得到的固定控制器称为鲁棒控制器。

基于上述实施例中对于提取所述目标对象的所述图像数据中的第一Hu矩特征数据步骤而言，在该步骤之前还包括以下方法步骤：对所述目标对象的图像进行分割处理，以使所述目标对象与图像中的背景分离。

进一步地，对所述目标对象的图像进行分割处理具体包括：用中值滤波把目标对象的图像从背景中进行分离，可以理解，中值滤波对脉冲噪声有良好的滤除作用，特别是在滤除噪声的同时，能够保护信号的边缘，使之不被模糊。

进一步地，请参与图1，图(a)为获取的目标对象的原图，图(b)为经过分割后的图像，即：把人从背景中分割出来的图像；图(c)为经过中值滤波后的处理后的分割图像；图(d)是经过二值化处理后的图像，可以明显看出从(a)到(d)的图像中，每一张图像的分割处理效果呈递进变化，即从图像(a)到图像(d)中被提取的图像背景杂质逐渐被清除。

在识别阶段，依据所述影像数据提取所述被识别对象移动时的步伐姿态特征包括：提取所述被识别对象的所述影像数据中的第二Hu矩特征数据；依据所述第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，依据所述平均值生成可被计算机识别的所述步伐姿态特征数据，也可以理解为：把几个步态周期内的相应图像的Hu矩计算平均值，生成一个代码本。其他训练图像数据的Hu矩根据代码本(codebook)量化成一组符号序列作为下一步循环神经网络训练的输入，一个步态有一个代码本。

实施例二：

本发明的实施例二提供了一种步态识别的装置，用于通过目标对象的走路姿态来识别被标识的目标对象，所述装置包括：基础数据获取模块、匹配模块和判断模块，所述基础数据获取模块用于获取目标对象的基础标识数据；所述获取目标对象的基础标识数据包括：获取目标对象的图像数据，提取所述目标对象的所述图像数据中的第一Hu矩特征数据；将所述第一Hu矩特征数据根据代码本量化成一组可被计算机识别的数字符号序列作为所述步态特征数据；所述匹配模块用于将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配；所述预设数据模型库的构建方法包括：获取被识别对象的识别数据，所述获取被识别对象的识别数据包括，获取被识别对象的影像数据；提取所述被识别对象的所述影像数据中的第二Hu矩特征数据；依据所述第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，依据所述平均值生成可被计算机识别的所述步伐姿态特征数据；被识别对象的所述步伐姿态特征数据用于对循环神经网络进行训练；获得训练后的循环神经网络用于表征所述标识对象的步态特征的所述预设数据模型库；若所述基础标识数据被预设数据模型库中的循环神经网络所识别，则判断该目标对象为标识对象。这样就使得，当摄像头无法抓拍到清晰的人脸时，且需要对人进行身份识别的时候，通过本发明实施例二的装置以实现对人进行识别的技术效果。

具体而言，对于基础数据获取模块而言，作为基础数据模块的一种实现方式，其可以包括以下步骤：先提取所述目标对象的所述图像数据中的第一Hu矩特征数据；然后在依据所述第一Hu矩特征数据得到所述步态特征数据。本领域技术人员可以知悉，Hu矩在形状匹配中具有平移不变性，旋转不变性，尺度不变性的特征，能很大提高分割步态特征描述的鲁棒性和特征匹配的表现。

请参照图2，步骤S1用于表征：获取目标对象的基础标识数据；步骤S2用于表征：将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配；若匹配，则通过步骤S3表征为：判断该目标对象为标识对象。

实施例三：

如图6所示，本发明的实施例三提供了一种电子设备300，包括：存储器310、处理器320以及存储在所述存储器310中并可在所述处理器320上运行的计算机程序311，所述处理器320用于执行存储器310中存储的计算机程序311时实现如下步骤：获取目标对象的基础标识数据；所述获取目标对象的基础标识数据包括：获取目标对象的图像数据，提取所述目标对象的所述图像数据中的第一Hu矩特征数据；将所述第一Hu矩特征数据根据代码本量化成一组可被计算机识别的数字符号序列作为所述步态特征数据；将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配；所述预设数据模型库的构建方法包括：获取被识别对象的识别数据，所述获取被识别对象的识别数据包括，获取被识别对象的影像数据；提取所述被识别对象的所述影像数据中的第二Hu矩特征数据；依据所述第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，从而生成一个代码本，Hu矩特征数据根据代码本量化成一组数字符号序列作为循环神经网络训练的输入；被识别对象的所述步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练；获得训练后的循环神经网络用于表征所述标识对象的步态特征的所述预设数据模型库；若所述基础标识数据被预设数据模型库中的循环神经网络所识别，则判断该目标对象为标识对象。

实施例四：

如图7所示，本发明的实施例四提供了一种计算机可读存储介质400，其上存储有计算机程序411，所述计算机程序411被处理器执行时实现如下步骤：获取目标对象的基础标识数据；所述获取目标对象的基础标识数据包括：获取目标对象的图像数据，提取所述目标对象的所述图像数据中的第一Hu矩特征数据；将所述第一Hu矩特征数据根据代码本量化成一组可被计算机识别的数字符号序列作为所述步态特征数据；将所述基础标识数据与预设数据模型库中的标准标识数据进行匹配；所述预设数据模型库的构建方法包括：获取被识别对象的识别数据，所述获取被识别对象的识别数据包括，获取被识别对象的影像数据；提取所述被识别对象的所述影像数据中的第二Hu矩特征数据；依据所述第二Hu矩特征数据计算得出所述被识别对象的步伐姿态的周期；将多个所述步伐姿态的周期的每个所述第二Hu矩值进行平均值计算，从而生成一个代码本，Hu矩特征数据根据代码本量化成一组数字符号序列作为循环神经网络训练的输入；被识别对象的所述步伐姿态特征数据通过代码本量化成数字符号后对循环神经网络进行训练；获得训练后的循环神经网络用于表征所述标识对象的步态特征的所述预设数据模型库；若所述基础标识数据被预设数据模型库中的循环神经网络所识别，则判断该目标对象为标识对象。

实施例五：

请参阅图5，本发明的实施例采用的是N vs 1循环神经网络(RNNs)结构，即输入的是一个长为N个符号的序列，但是输出是一个单独的值。该结构特别适合序列分类问题。这里，我们输入步态Hu矩根据代码本量化成的数字符号序列，输出则是指定个体身份号码的数字。如图5图显示的是一个5vs1循环神经网络(RNN)，输入是5个符号组成的序列，输出是单个值。

在本发明所提供的几个实施例中，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发明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。

又例如，上述单元的划分，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，再例如，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。

上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。

另外，在本发明提供的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。

上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)执行本发明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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

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，此外，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。

最后应说明的是：以上上述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。