一种目标识别方法、装置、终端设备及可读存储介质

技术领域

本申请属于目标识别技术领域，尤其涉及一种目标识别方法、装置、终端设备及可读存储介质。

背景技术

在进行加油作业和卸油作业时，往往会由于工作人员作业不规范导致作业过程存在较大安全隐患，因此，为了确保人员和财产的安全，避免危险事故的发生，需要对作业场景下可能会导致安全隐患的目标进行识别。

发明内容

本申请实施例提供了一种目标识别方法、装置、终端设备及可读存储介质，可以对加油站作业场景下的可见类目标和未见类目标进行识别。

第一方面，本申请实施例提供了一种目标识别方法，该方法包括：

获取加油站作业场景下的作业区域图像，所述作业区域图像中包含第一待识别目标，所述第一待识别目标为可见类目标和/或未见类目标；

提取所述第一待识别目标的视觉特征图，得到第一视觉特征图；

依据形状、大小、颜色、材质及功能中的至少一项语义维度，基于所述第一视觉特征图，确定所述第一待识别目标的第一语义特征向量；

基于所述第一语义特征向量对所述第一待识别目标所属类别进行识别。

第二方面，本申请实施例提供了一种目标识别装置，该装置包括：

图像获取模块，用于获取加油站作业场景下的作业区域图像，所述作业区域图像中包含第一待识别目标，所述第一待识别目标为可见类目标和/或未见类目标；

视觉特征提取模块，用于提取所述第一待识别目标的视觉特征图，得到第一视觉特征图；

语义特征确定模块，用于依据形状、大小、颜色、材质及功能中的至少一项语义维度，基于所述第一视觉特征图，确定所述第一待识别目标的第一语义特征向量；

识别模块，用于基于所述第一语义特征向量对所述第一待识别目标所属类别进行识别。

第三方面，本申请实施例提供了一种终端设备，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，所述处理器执行所述计算机程序时实现上述第一方面中所述的一种目标识别方法。

第四方面，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中所述的一种目标识别方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中所述的一种目标识别方法。

本申请实施例与现有技术相比存在的有益效果是：本申请获取加油站作业场景下的作业区域图像，作业区域图像中包含第一待识别目标，第一待识别目标为可见类目标和/或未见类目标；提取第一待识别目标的视觉特征图，得到第一视觉特征图；依据形状、大小、颜色、材质及功能中的至少一项语义维度，基于第一视觉特征图，确定第一待识别目标的第一语义特征向量；基于第一语义特征向量对第一待识别目标所属类别进行识别。本申请基于第一语义特征向量可以对加油站作业场景下的可见类目标和未见类目标进行识别。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，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是本申请一实施例提供的一种目标识别方法的流程示意图；

图2是本申请一实施例提供的视觉特征提取网络获取方法的流程示意图；

图3是本申请一实施例提供的一种目标识别装置的示意性结构框图；

图4是本申请一实施例提供的终端设备的结构示意图。

具体实施方式

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，以便透彻理解本申请实施例。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申请。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申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，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。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。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。

实施例一：

请参阅图1，图1示出了本申请提供的一种目标识别方法的示意性流程。

步骤101，获取加油站作业场景下的作业区域图像，作业区域图像中包含第一待识别目标，第一待识别目标为可见类目标和/或未见类目标。

可选地，获取作业区域图像包括：对加油作业或卸油作业过程进行视频采集，得到作业视频，基于作业视频获取作业区域图像，例如，对作业视频进行帧采样，得到作业区域图像。

可见类目标包括但不限于车轮、三角木、静电夹、软警戒带、硬质警戒架、接油盒、灭火器、灭火毯、工服、安全帽、防护栏、卸油管汇盖、气管、油管、油箱盖、工作人员等在加油站作业场景下容易采集图像数据的目标。

未见类目标包括但不限于移动终端、明火、烟头等在加油站作业场景下难以采集图像数据的目标。

步骤102，提取第一待识别目标的视觉特征图，得到第一视觉特征图。

可选地，提取第一待识别目标的视觉特征图，得到第一视觉特征图，包括：将作业区域图像输入视觉特征提取网络，得到第一视觉特征图。

利用视觉特征提取网络对作业区域图像进行特征提取与特征融合，得到第一视觉特征图。

视觉特征提取网络包含Darknet和Necknet，其中，Darknet用于对作业区域图像进行特征提取，Necknet用于对提取的特征进行特征融合。作为示例而非限定，可以基于YOLOv5卷积神经网络获取视觉特征提取网络，即将YOLOv5卷积神经网络中用于进行特征提取和特征融合的网络部分确定为视觉特征提取网络。

步骤103，依据形状、大小、颜色、材质及功能中的至少一项语义维度，基于第一视觉特征图，确定第一待识别目标的第一语义特征向量。

每一项语义维度对应有至少两个维度类别，作为示例而非限定，各项语义维度对应的维度类别如下：

形状：长方体，圆柱体，正方体，三角形，半圆，圆形；

大小：大，中，小；

颜色：红色，蓝色，黄色，绿色，白色，黑色；

材质：塑料，金属，木制，海绵，布料；

功能：通信，拍照，消防，清洁，除静电，容器，停车，传输，保暖，烟雾，防护，头戴，手持设备。

以灭火器、手机、烟头及安全帽为例，说明如何对待识别目标进行语义描述：

灭火器：圆柱体、中、红色、金属、消防；

手机：长方体、小、红色、金属、通信、拍照、手持设备；

烟头：圆柱体、小、黄色、黑色、海绵、烟雾；

安全帽：半圆、中、黄色、塑料、防护、头戴。

需要注意的是，对于一项语义维度，在依据该项语义维度对待识别目标进行语义描述时，可以基于该项语义维度对应的一个或多个维度类别对待识别目标进行语义描述。例如，在依据功能这一语义维度对手机进行语义描述时，可以基于通信、拍照、手持设备三个维度类别对手机进行语义描述；在依据颜色这一语义维度对颜色进行语义描述时，可以基于黄色、黑色两个维度类别对手机进行语义描述。

可选地，基于第一视觉特征图，确定第一待识别目标的第一语义特征向量，包括：将第一视觉特征图输入语义特征获取网络，得到第一语义特征向量；其中，视觉特征提取网络和语义特征获取网络为基于零样本学习机制训练得到的。

第一语义特征向量中包含的每一向量元素为第一待识别目标属于对应的维度类别的概率。上述所有语义维度对应的维度类别有33类，则第一语义特征向量为33维向量，可以用归一化数值表示上述概率，例如，以长方体这一维度类别为例，向量元素0可以表示第一待识别目标的形状不是长方体，向量元素1可以表示第一待识别目标的形状是长方体。

可选地，可以基于语义自编码网络(Semantic Auto-encoder，SAE)或者多模态特征融合网络(Multi-modal Fusion，MFF)获取语义特征获取网络。例如将SAE-L2中的主干网络确定为语义特征获取网络。

步骤104，基于第一语义特征向量对第一待识别目标所属类别进行识别。

可选地，需要预先获取各个可见类目标和未见类目标的真实语义特征向量，并构建真实语义特征向量与所属类别之间的对应关系。

在得到第一语义特征向量之后，可以计算第一语义特征向量与各个真实语义特征向量之间的相似度，与第一语义特征向量最相似的真实语义特征向量对应的类别即为第一待识别目标所属的类别。

本申请利用零样本学习方法针对未见类目标进行建模，通过未见类目标的语义信息作为识别的中间知识，能够对未曾出现的类别进行准确识别。此外，本申请不仅能够弥补数据收集过程中难以采集的类别，而且具有更好的扩展性，后续如果增加需要检测的未见类目标可通过增加语义特征向量与类别之间的对应关系即可实现未见类目标的扩展识别。

可选地，在基于第一语义特征向量对第一待识别目标所属类别进行识别之后，该方法还包括：

根据第一待识别目标所属类别的识别结果，对加油站作业场景进行安全评估，得到安全评估结果。

可选地，可以根据第一待识别目标所属类别进行以下事件的识别：车辆到位识别、静电释放识别、安全防护识别、确认作业识别、卸油作业识别、接卸监护识别、管线顺序识别、油箱盖状态识别、站内使用手机识别、站内使用电子设备识别、站内存在明火识别、站内丢弃烟头识别。

作为示例而非限定，上述车辆到位识别、静电释放识别、安全防护识别等具体是指：

1)车辆到位识别：识别车轮前后是否放置的三角木。

2)静电释放识别：识别是否放置静电夹，且静电夹释放静电需大于15分钟。该项识别需要结合不同时刻获取的作业区域图像，例如在首次识别到静电夹后，间隔15分钟，再次获取作业区域图像，若再次识别到静电夹，则确定静电夹释放静电的时长大于15分钟，若未识别到静电夹，则确定静电夹释放静电的时长小于或者等于15分钟。

3)安全防护识别：

A.识别是否放置软警戒带或硬质警戒架；

B.识别车体管线连接口下方是否放置有接油盒；

C.识别作业场景是否有2具4kg灭火器、灭火毯、35kg以及灭火器消防管是否展开；

D.识别工作人员是否工服。

4)确认作业识别：

A.识别卸油员工是否佩戴安全帽；

B.识别登油罐车顶后是否架立防护栏。

5)卸油作业识别：加油站卸油管汇盖打开后，现场是否有2人(卸油员与押运员)。

6)接卸监护识别：卸油作业中识别是否有未穿工服人员进入圈围区域。

7)管线顺序识别：识别气管、油管的管线顺序是否正确。

8)油箱盖状态识别：卸油完毕后，油箱盖是否关闭。

9)站内其他危险行为识别：

A.接打手机识别：作业过程中在场人员是否有使用手机；

B.使用电子设备识别：作业过程中在场人员是否有使用电子设备；

C.站内存在明火识别：作业过程中在场人员是否使用明火；

D.站内丢弃烟头识别：作业过程中在场人员是否丢弃烟头。

需要说明的是，相对于其它的电子设备，例如笔记本电脑和平板电脑，手机的使用频率和出现概率都要高于其它的电子设备，因此，本申请将移动终端分为手机和电子设备两类。

根据上述各事件是否符合作业规范，对对加油站作业场景进行安全评估，得到安全评估结果。作为示例而非限定，各个事件不符合作业规范时对应的危险等级不同，可以获取不符合作业规范的事件对应的危险等级，将其中的最高危险等级确定为安全评估结果。

可选地，在得到安全评估结果之后，该方法还包括：在安全评估结果表示加油站作业场景存在安全隐患的情况下，进行危险预警。

可选地，可以在上述最高危险等级高于设定危险等级时，进行危险预警。

本申请获取加油站作业场景下的作业区域图像，作业区域图像中包含第一待识别目标，第一待识别目标为可见类目标和/或未见类目标；提取第一待识别目标的视觉特征图，得到第一视觉特征图；依据形状、大小、颜色、材质及功能中的至少一项语义维度，基于第一视觉特征图，确定第一待识别目标的第一语义特征向量；基于第一语义特征向量对第一待识别目标所属类别进行识别。本申请基于第一语义特征向量可以对加油站作业场景下的可见类目标和未见类目标进行识别。此外，经过实验，本申请中每秒可以对20帧作业区域图像进行目标识别。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

实施例二：

请参阅图2，图2示出了本申请提供的视觉特征提取网络获取方法的示意性流程。

步骤201，获取训练图像，训练图像中包含第二待识别目标，第二待识别目标为可见类目标。

训练图像可以是在各个加油站的作业场景下，对作业区域进行图像采集得到的图像。

视觉特征提取网络是基于零样本学习机制训练得到的，因此，训练图像中的第二待识别目标为可见类目标。

步骤202，将训练图像输入第一神经网络，得到第二视觉特征图，并将第二视觉特征图输入第二神经网络，得到第二语义特征向量。

第一神经网络为未训练好的视觉特征提取网络，用于对训练图像进行视觉特征的提取与融合。

第二神经网络为未训练好的语义特征获取网络，用于基于第二视觉特征图获取第二待识别目标的第二语义特征向量。

步骤203，基于第二语义特征向量，对第二待识别目标所属类别进行识别，得到至少两个第一锚框，第一锚框为预测得到的包含第二待识别目标的部分或全部的锚框。

可选地，可以在训练图像中进行网格划分，得到至少两个网格。对于每个网格，基于网格中心点和预设的缩放尺寸生产至少两个不同尺寸的锚框，因此，每个网格可以对应至少两个尺寸不同的锚框(anchor)，其中，锚框的缩放尺寸可以是用户预先设置的。

若网格对应的任意一锚框中包含第二待识别目标的部分或全部，则将该锚框确定为第一锚框，一个网格可以对应多个第一锚框。

步骤204，基于第一锚框和对应的第二锚框之间的位置差异，构建第一损失函数，第二锚框为标注得到的包含第二待识别目标的锚框。

可选地，第二锚框还可以为标注得到的包含第二待识别目标的真实检测框。

可选地，第一损失函数的表达式如下：

L

步骤205，利用第一损失函数对第一神经网络进行训练，得到视觉特征提取网络。

依据第一损失函数对第一神经网络进行迭代训练，直至第一损失函数的第一损失值小于或者等于预设值，得到视觉特征提取网络。

在一可选实施例中，本申请还包括：获取每一第一锚框包含的第二待识别目标的部分或全部属于对应的维度类别的预测概率和真实概率；根据每一第一锚框对应的真实概率和预测概率，构建第二损失函数，并利用第二损失函数对第二神经网络进行训练，得到语义特征获取网络。

可选地，对于每一第一锚框，可以基于第二神经网络获取对应的第三语义特征向量，第三语义特征向量中的每一向量元素分别为第一锚框包含的目标内容属于对应维度类别的预测概率，其中，目标内容可以是指第一锚框包含的第二待识别目标的全部内容或部分内容。得到第三语义特征向量之后，可以基于第三语义特征向量获取第一锚框对应的预测概率。

可选地，可以获取第二待识别目标的真实语义特征向量，所述真实语义特征向量中包含的每一向量元素分别为第二待识别目标属于对应的维度类别的真实概率。根据真实语义特征向量可以得到第一锚框对应的真实概率。

可选地，第二损失函数的表达式如下：

L

依据基于预测概率和真实概率构建的损失函数对第二神经网络进行训练，可以提高第二神经网络获取语义特征向量的准确度，使语义特征向量可以准确地对待识别目标进行语义描述，进行对待识别目标所属的类别进行准确识别。

可选地，依据第二损失函数对第二神经网络进行迭代训练，直至第二损失函数的第二损失值小于或者等于预设值，得到语义特征确定网络。

本申请基于零样本学习机制训练视觉特征提取网络和语义特征确定网络，基于本申请提供的神经网络对进行目标识别，相较于传统目标识别方法具有更高的鲁棒性，尤其在加油站作业场景下，目标的识别准确率更高，达到了98.7％。同时训练时间更短，检测识别过程中耗时更短。

本申请将获取的训练图像输入第一神经网络，得到第二视觉特征图，并将第二视觉特征图输入第二神经网络，得到第二语义特征向量；基于第二语义特征向量，对第二待识别目标所属类别进行识别，得到至少两个第一锚框；基于第一锚框和对应的第二锚框之间的位置差异，构建第一损失函数，利用第一损失函数对第一神经网络进行训练，得到视觉特征提取网络。本申请根据第一锚框和第二锚框之间的位置差异对第一神经网络进行训练，可以提高第一神经网络的特征提取精度，进而提高本申请的目标检测精度。

实施例三：

请参阅图3，图3示出了本申请提供的一种目标识别装置的示意性结构。为了便于说明，图中仅示出了与本申请实施例相关的部分。

参照图3，该装置包括图像获取模块31、视觉特征提取模块32、语义特征确定模块33和识别锚框34；其中，各模块的具体功能如下：

图像获取模块31，用于获取加油站作业场景下的作业区域图像，作业区域图像中包含第一待识别目标，第一待识别目标为可见类目标和/或未见类目标；

视觉特征提取模块32，用于提取第一待识别目标的视觉特征图，得到第一视觉特征图；

语义特征确定模块33，用于依据形状、大小、颜色、材质及功能中的至少一项语义维度，基于第一视觉特征图，确定第一待识别目标的第一语义特征向量；

识别模块34，用于基于第一语义特征向量对第一待识别目标所属类别进行识别。

可选地，视觉特征提取模块32具体用于：将作业区域图像输入视觉特征提取网络，得到第一视觉特征图。

语义特征确定模块33具体用于：将第一视觉特征图输入语义特征获取网络，得到第一语义特征向量；其中，视觉特征提取网络和语义特征获取网络为基于零样本学习机制训练得到的。

可选地，所述装置还包括训练图像获取模块、网络处理模块、锚框获取模块、损失构建模块以及第一训练模块，其中，各个模块实现的功能如下：

训练图像获取模块，用于获取训练图像，训练图像中包含第二待识别目标，第二待识别目标为可见类目标；

网络处理模块，用于将训练图像输入第一神经网络，得到第二视觉特征图，并将第二视觉特征图输入第二神经网络，得到第二语义特征向量；

锚框获取模块，用于基于第二语义特征向量，对第二待识别目标所属类别进行识别，得到至少两个第一锚框，第一锚框为预测得到的包含第二待识别目标的部分或全部的锚框；

损失构建模块，用于基于第一锚框和对应的第二锚框之间的位置差异，构建第一损失函数，第二锚框为标注得到的包含第二待识别目标的锚框；

第一训练模块，用于利用第一损失函数对第一神经网络进行训练，得到视觉特征提取网络。

可选地，所述装置还包括：

概率获取模块，用于获取每一第一锚框包含的第二待识别目标的部分或全部属于对应的维度类别的预测概率和真实概率；

第二训练模块，用于根据每一第一锚框对应的真实概率和预测概率，构建第二损失函数，并利用第二损失函数对第二神经网络进行训练，得到语义特征获取网络。

可选地，装置还包括安全评估模块，用于根据第一待识别目标所属类别的识别结果，对加油站作业场景进行安全评估，得到安全评估结果。

可选地，装置还包括危险预警模块，用于在安全评估结果表示加油站作业场景存在安全隐患的情况下，进行危险预警。

可选地，未见类目标包含移动终端、明火及烟头中的至少一项。

本申请实施例提供的上述目标识别装置可以应用在前述方法实施例一和实施例二中，详情参见上述方法实施例一和实施例二的描述，在此不再赘述。

实施例四：

请参阅图4，图4示出了本申请一实施例提供的终端设备的示意性结构。该实施例的终端设备4包括：至少一个处理器40(图4中仅示出一个)、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述实施例一和实施例二中提供的方法的步骤。

所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4的限定，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，例如还可以包括输入输出设备、网络接入设备等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，该处理器40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。

所述存储器41在一些实施例中可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

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申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。