障碍物检测方法、系统、终端设备及存储介质

技术领域

本申请属于图像处理技术领域，尤其涉及一种障碍物检测方法、系统、终端设备及存储介质。

背景技术

随着经济和社会的不断发展，汽车数量的增多从而引发的一些社会问题也日益突出，比如城市的交通、车辆行驶的安全、能源的供应、环境污染等。这些现实的社会问题都源于现有的交通基础设施与汽车这个载体之间的矛盾，这不仅体现在交通拥堵问题上，同时还体现在由于交通不畅而造成的环境污染及相对落后的道路状况和先进的车辆技术对人们的生命、财产所产生的安全隐患。现在由于交通事故导致的人员与财产损失在社会中越来越严重，交通事故中主要涉及车辆的碰撞，因此，针对汽车行驶过程中，车道内的障碍物检测的问题越来越受人们所重视。

现有的障碍物检测过程中，均是基于深度学习的目标检测算法来检测车道内是否存在障碍物，但由于障碍物的类别是不固定的，使得基于深度学习的目标检测算法不能实现所有类别的障碍物的检测，进而降低了障碍物检测的准确性。

发明内容

本申请实施例提供了一种障碍物检测方法、系统、终端设备及存储介质，旨在解决现有的障碍物检测过程中，由于基于深度学习的目标检测算法不能实现所有类别的障碍物的检测，导致对障碍物检测准确性不高的问题。

第一方面，本申请实施例提供了一种障碍物检测方法，所述方法包括：

响应于接收到的待检测图像，对所述待检测图像进行车道线检测，得到车道线的位置信息；

根据所述车道线的位置信息，确定所述待检测图像中的车道行驶图像；

对所述车道行驶图像进行无障碍预测，得到无障碍物图像；

将所述车道行驶图像与所述无障碍物图像进行图像比对，得到障碍物信息。

本申请实施例与现有技术相比存在的有益效果是：通过对待检测图像进行车道线检测，能有效地确定到待检测图像中车道线对应的车道线的位置信息，基于车道线的位置信息，能有效地确定到待检测图像中的车道行驶图像，通过对车道行驶图像进行无障碍预测，以得到车道行驶图像对应的无障碍物图像，通过将车道行驶图像与无障碍物图像进行图像比对，能有效地确定到车道行驶图像上的障碍物信息。

进一步地，所述将所述车道行驶图像与所述无障碍物图像进行图像比对，得到障碍物信息，包括：

分别获取所述车道行驶图像和所述无障碍物图像上各像素点的像素值，得到第一像素值集合和第二像素值集合；

根据所述第一像素值集合和所述第二像素值集合，确定所述车道行驶图像上的障碍物图像，并根据所述障碍物图像生成所述障碍物信息。

进一步地，所述根据所述障碍物图像生成所述障碍物信息，包括：

根据预设参数范围对所述障碍物图像进行图像过滤，得到过滤图像，并提取所述过滤图像中的图像轮廓；

根据所述图像轮廓对所述障碍物图像进行图像提取，得到障碍物提取图像，并提取所述障碍物提取图像中的图像特征；

根据所述图像特征和所述图像轮廓，确定所述障碍物提取图像中障碍物的类型，并获取所述障碍物图像在所述待检测图像中的图像坐标；

根据所述障碍物图像在所述待检测图像中的图像坐标，确定所述障碍物提取图像在所述待检测图像中的图像坐标，得到障碍物坐标；

根据所述障碍物坐标和所述障碍物的类型生成所述障碍物信息。

进一步地，所述根据所述第一像素值集合和所述第二像素值集合，确定所述车道行驶图像上的障碍物图像，包括：

根据所述第一像素值集合和所述第二像素值集合，分别确定所述车道行驶图像与所述无障碍物图像在同一像素点上的像素差值；

若任一所述像素点上的像素差值大于预设阈值，则在所述车道行驶图像上对所述像素点进行标记；

在所述车道行驶图像上，将被标记的所述像素点所形成的图像确定为所述障碍物图像。

进一步地，所述提取所述障碍物提取图像中的图像特征，包括：

对所述障碍物提取图像进行灰度处理，得到灰度图像，并对所述灰度图像进行归一化处理；

分别提取归一化处理后所述灰度图像中各像素点的梯度，得到所述图像特征。

进一步地，所述对所述车道行驶图像进行无障碍预测，得到无障碍物图像，包括：

将所述车道行驶图像输入预训练后的生成式对抗网络进行图像生成，得到所述无障碍物图像。

进一步地，所述将所述车道行驶图像输入预训练后的生成式对抗网络进行图像生成之前，还包括：

将车道样本图像输入所述生成式对抗网络中的生成器进行图像生成，得到车道生成图像；

将所述生成图像和所述车道样本图像对应的无障碍物图像，输入所述生成式对抗网络中的判别器进行图像判别，得到图像判别结果；

根据所述图像判别结果进行损失计算，得到模型损失值，并根据所述模型损失值分别对所述生成器和所述判别器进行参数更新，直至所述生成器和所述判别器收敛，得到预训练后的所述生成式对抗网络。

第二方面，本申请实施例提供了一种障碍物检测系统，包括：

车道线检测模块，用于响应于接收到的待检测图像，对所述待检测图像进行车道线检测，得到车道线的位置信息；

无障碍预测模块，用于根据所述车道线的位置信息，确定所述待检测图像中的车道行驶图像，所述车道行驶图像为所述车道线在所述待检测图像中所形成的区域图像，并对所述车道行驶图像进行无障碍预测，得到无障碍物图像；

图像比对模块，用于将所述车道行驶图像与所述无障碍物图像进行图像比对，得到障碍物信息。

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如上述的方法。

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如上述的方法。

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任一项所述的障碍物检测方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

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。

图1是本申请第一实施例提供的障碍物检测方法的流程图；

图2是本申请第二实施例提供的障碍物检测方法的流程图；

图3是本申请第三实施例提供的障碍物检测系统的结构示意图；

图4是本申请第四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。

请参阅图1，是本申请第一实施例提供的障碍物检测方法的流程图，包括步骤：

步骤S10，响应于接收到的待检测图像，对所述待检测图像进行车道线检测，得到车道线的位置信息。

其中，可以根据任一预设的车道线检测算法，对待检测图像进行车道线检测，得到待检测图像中车道线的位置信息，该预设的车道线检测算法可以根据需求进行设置，例如，该预设的车道线检测算法可以设置为高斯模糊算法、Canny边缘检测算法或霍夫变换等算法，该预设的车道线检测算法用于对待检测图像中的车道线进行位置提取，得到该车道线的位置信息。

该步骤中，若待检测图像中存在多个不同的车道线时，则对待检测图像进行车道线检测后，得到各车道线对应的位置信息，可选的，该步骤中，对待检测图像进行车道线检测之前，还包括：对待检测图像进行图像腐蚀，并图像腐蚀后的对待检测图像进行车道线检测，其中，图像腐蚀用于根据腐蚀算子对待检测图像进行图像探测，确定待检测图像中可承载下腐蚀算子的区域，图像腐蚀是一种消除图像边界点，使图像边界向内部收缩的过程，可以用于消除待检测图像中小且无意义的像素点，进而提高了对待检测图像的车道线检测的准确

步骤S20，根据所述车道线的位置信息，确定所述待检测图像中的车道行驶图像，并对所述车道行驶图像进行无障碍预测，得到无障碍物图像。

其中，该车道行驶图像为车道线在待检测图像中所形成的区域图像，即，该车道行驶图像为待检测图像对应道路上的行车道，该步骤中，根据车道线的位置信息对待检测图像进行图像提取，得到该待检测图像中的车道行驶图像。

该步骤中，根据车道线的位置信息对待检测图像进行图像反选，得到背景图像，该图像反选用于选择待检测图像中，除车道线的位置信息之外的图像，并根据预设填充颜色对该背景图像进行填充，以确定待检测图像中的车道行驶图像，该预设填充颜色可以根据需求进行设置，例如，该预设填充颜色可以设置为黑色或红色等。

该步骤中，通过对车道行驶图像进行无障碍预测，以预测该车道行驶图像对应行车道在无障碍时的图像，得到该无障碍物图像，例如，当根据车道线的位置信息，确定得到的车道行驶图像为车道行驶图像a1，车道行驶图像a1在待检测图像中对应的行车道为行车道b1，通过对车道行驶图像a1进行无障碍预测，以得到行车道b1在无障碍情况下对应的无障碍物图像c1。

进一步地，该步骤中，所述对所述车道行驶图像进行无障碍预测，得到无障碍物图像，包括：将所述车道行驶图像输入预训练后的生成式对抗网络进行图像生成，得到所述无障碍物图像，该预训练后的生成式对抗网络用于对输入的车道行驶图像进行无障碍预测，以预测得到车道行驶图像对应行车道在无障碍情况下对应的无障碍物图像。

更进一步地，该步骤中，所述将所述车道行驶图像输入预训练后的生成式对抗网络进行图像生成之前，还包括：

将车道样本图像输入所述生成式对抗网络中的生成器进行图像生成，得到车道生成图像；

其中，该生成式对抗网络包括生成器和判别器，该生成器用于对输入的图像进行数据生成，该判别器用于判别生成器生成的图像是否是真实图像，以达到对图像数据的博弈效果，进而有效的提高了对生成式对抗网络中生成器生成车道生成图像的准确性，该生成器包括编码器和解码器，该编码器用于对输入的图像进行卷积操作和池化操作，卷积操作用于提取图像中的特征，池化操作用于降低图像的尺寸以减少计算量，同时进一步提取图像中相应最大的区域，该解码器用于对编码器输出的图像进行卷积操作和上采样操作，上采样操作用于还原图像特征的尺寸。

将所述生成图像和所述车道样本图像对应的无障碍物图像，输入所述生成式对抗网络中的判别器进行图像判别，得到图像判别结果；

其中，判别器根据输入的车道样本图像对应的无障碍物图像，对生成器输出的生成图像进行图像检测，以判断生成器输出的生成图像是否是真实图像，当判别器判断到生成器输出的生成图像是真实图像时，则判定该生成器输出的生成图像是车道样本图像对应的无障碍物图像。

根据所述图像判别结果进行损失计算，得到模型损失值，并根据所述模型损失值分别对所述生成器和所述判别器进行参数更新，直至所述生成器和所述判别器收敛，得到预训练后的所述生成式对抗网络；

其中，通过采用图像博弈的方式得到预训练后的生成式对抗网络，预训练后的生成式对抗网络能输出待检测图像在无障碍下的无障碍图像，可选的，该步骤中，当待检测图像采用视频流的方式进行传输时，则将视频流中连续的三帧图像输入预训练后的生成式对抗网络，以得到连续的三帧图像中第一帧图像的待检测图像对应的无障碍物图像。例如，当视频流包括第一帧图像d1、第二帧图像d2、第三帧图像d3和第四帧图像d4时，则当第一帧图像d1为待检测图像时，则将第一帧图像d1、第二帧图像d2、第三帧图像d3输入预训练后的生成式对抗网络，得到第一帧图像d1对应的无障碍物图像。

步骤S30，将所述车道行驶图像与所述无障碍物图像进行图像比对，得到障碍物信息。

其中，通过将车道行驶图像与无障碍下的无障碍图像进行图像比对，能有效地识别到车道行驶图像上的障碍物信息。

本实施例中，通过对待检测图像进行车道线检测，能有效地确定到待检测图像中车道线对应的车道线的位置信息，基于车道线的位置信息，能有效地确定到待检测图像中的车道行驶图像，通过对车道行驶图像进行无障碍预测，以得到车道行驶图像对应的无障碍物图像，通过将车道行驶图像与无障碍物图像进行图像比对，能有效地确定到车道行驶图像上的障碍物信息。

请参阅图2，是本申请第二实施例提供的障碍物检测方法的流程图，该第二实施例用于对步骤S30进行细化，包括：

步骤S31，分别获取所述车道行驶图像和所述无障碍物图像上各像素点的像素值，得到第一像素值集合和第二像素值集合。

其中，车道行驶图像和无障碍物图像之间的图像大小相同，因此，根据预设排序获取规则，分别获取车道行驶图像和无障碍物图像上各像素点的像素值，使得第一像素值集合和第二像素值集合之间，同一排序位置对应的像素点的像素坐标相同。

例如，当车道行驶图像和无障碍物图像均是2x2像素的图像时，则第一像素值集合包括像素点e1、像素点e2、像素点e3和像素点e4，第二像素值集合包括像素点e5、像素点e6、像素点e7和像素点e8，像素点e1与像素点e5的像素坐标相同，像素点e2与像素点e6的像素坐标相同，像素点e3与像素点e7的像素坐标相同，像素点e4与像素点e8的像素坐标相同。

步骤S32，根据所述第一像素值集合和所述第二像素值集合，确定所述车道行驶图像上的障碍物图像，并根据所述障碍物图像生成所述障碍物信息。

可选的，该步骤中，所述根据所述第一像素值集合和所述第二像素值集合，确定所述车道行驶图像上的障碍物图像，包括：

根据所述第一像素值集合和所述第二像素值集合，分别确定所述车道行驶图像与所述无障碍物图像在同一像素点上的像素差值；

其中，分别计算第一像素值集合和第二像素值集合中，同一像素位置之间像素点的像素差值，得到该车道行驶图像与无障碍物图像在同一像素点上的像素差值，例如，当车道行驶图像和无障碍物图像均是2x2像素的图像，第一像素值集合包括像素点e1、像素点e2、像素点e3和像素点e4，第二像素值集合包括像素点e5、像素点e6、像素点e7和像素点e8时，则分别计算像素点e1与像素点e5之间、像素点e2与像素点e6之间、像素点e3与像素点e7之间、像素点e4与像素点e8之间的像素差值。

若任一所述像素点上的像素差值大于预设阈值，则在所述车道行驶图像上对所述像素点进行标记；

其中，该预设阈值可以根据需求进行设置，若任一像素点上的像素差值大于预设阈值，则判定车道行驶图像上该像素点存在障碍物，例如，当像素点e1与像素点e5之间、像素点e2与像素点e6之间的像素差值大于预设阈值，则判定车道行驶图像的像素点e1和像素点e2上存在障碍物，通过在车道行驶图像上对像素点e1和像素点e2进行标记，有效地方便了后续障碍物图像的确定。

在所述车道行驶图像上，将被标记的所述像素点所形成的图像确定为所述障碍物图像。

进一步地，该步骤中，所述根据所述障碍物图像生成所述障碍物信息，包括：

根据预设参数范围对所述障碍物图像进行图像过滤，得到过滤图像，并提取所述过滤图像中的图像轮廓；

其中，该预设参数范围可以根据需求进行设置，该预设参数范围包括像素亮度范围和像素颜色范围，通过根据预设参数范围对障碍物图像进行图像过滤，有效地提高了过滤图像中图像轮廓提取的准确性。

根据所述图像轮廓对所述障碍物图像进行图像提取，得到障碍物提取图像，并提取所述障碍物提取图像中的图像特征；

其中，该图像轮廓为障碍物图像中对应障碍物的轮廓，因此，通过图像轮廓对障碍物图像进行图像提取，以得到障碍物在障碍物图像中对应的障碍物提取图像，并通过障碍物提取图像中的图像特征，提高了后续障碍物的类型确定的准确性，可选的，该图像特征包括像素点的梯度、颜色直方图、颜色聚合向量或纹理特征等。

根据所述图像特征和所述图像轮廓，确定所述障碍物提取图像中障碍物的类型，并获取所述障碍物图像在所述待检测图像中的图像坐标；

其中，通过分别计算图像特征、图像轮廓与预设类型的预设特征和预设轮廓之间的相似度，得到特征相似度和轮廓相似度，若图像特征、图像轮廓与任一预设类型之间的特征相似度和轮廓相似度均大于对应的预设相似度，则将该预设类型确定为该障碍物提取图像中障碍物的类型，该预设相似度可以根据需求进行设置，例如，该预设相似度可以设置为80％、75％或80％等。

例如，当图像特征、图像轮廓与预设的汽车类型之间的，特征相似度大于第一预设相似度，且轮廓相似度大于第二预设相似度，则判定该预设的汽车类型为该障碍物提取图像中障碍物的类型。

根据所述障碍物图像在所述待检测图像中的图像坐标，确定所述障碍物提取图像在所述待检测图像中的图像坐标，得到障碍物坐标，并根据所述障碍物坐标和所述障碍物的类型生成所述障碍物信息；

其中，分别获取障碍物图像在待检测图像中的图像坐标、障碍物提取图像在障碍物图像中的图像坐标，得到第一坐标和第二坐标，根据第一坐标和第二坐标确定障碍物提取图像与待检测图像之间的坐标映射关系，并根据确定到的坐标映射关系，对障碍物提取图像在障碍物图像中的图像坐标进行坐标映射，得到该障碍物坐标。

更进一步地，该步骤中，所述提取所述障碍物提取图像中的图像特征，包括：对所述障碍物提取图像进行灰度处理，得到灰度图像，对所述灰度图像进行归一化处理；分别提取归一化处理后所述灰度图像中各像素点的梯度，得到所述图像特征；其中，通过对障碍物提取图像进行灰度处理，得到灰度图像，并对灰度图像进行归一化处理，能有效地对障碍物提取图像中的像素点进行筛选，提高了灰度图像中图像特征提取的准确性。

本实施例中，通过分别获取车道行驶图像和无障碍物图像上各像素点的像素值，得到第一像素值集合和第二像素值集合，方便了车道行驶图像与无障碍物图像在同一像素点上的像素差值的确定，基于确定到的同一像素点上的像素差值，能有效地标记到车道行驶图像上障碍物对应的像素点，根据车道行驶图像上被标记的像素点，能有效地确定到车道行驶图像上障碍物对应的障碍物图像。

对应于上文实施例所述的障碍物检测方法，图3示出了本申请第三实施例提供的障碍物检测系统100的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图3，该系统包括：车道线检测模块10、无障碍预测模块11和图像比对模块12，其中：

车道线检测模块10，用于响应于接收到的待检测图像，对所述待检测图像进行车道线检测，得到车道线的位置信息。

无障碍预测模块11，用于根据所述车道线的位置信息，确定所述待检测图像中的车道行驶图像，所述车道行驶图像为所述车道线在所述待检测图像中所形成的区域图像，并对所述车道行驶图像进行无障碍预测，得到无障碍物图像。

其中，该无障碍预测模块11还用于：将所述车道行驶图像输入预训练后的生成式对抗网络进行图像生成，得到所述无障碍物图像。

可选的，该无障碍预测模块11还用于：将车道样本图像输入所述生成式对抗网络中的生成器进行图像生成，得到车道生成图像；

将所述生成图像和所述车道样本图像对应的无障碍物图像，输入所述生成式对抗网络中的判别器进行图像判别，得到图像判别结果；

根据所述图像判别结果进行损失计算，得到模型损失值，并根据所述模型损失值分别对所述生成器和所述判别器进行参数更新，直至所述生成器和所述判别器收敛，得到预训练后的所述生成式对抗网络。

图像比对模块12，用于将所述车道行驶图像与所述无障碍物图像进行图像比对，得到障碍物信息。

其中，该图像比对模块12还用于：分别获取所述车道行驶图像和所述无障碍物图像上各像素点的像素值，得到第一像素值集合和第二像素值集合；

根据所述第一像素值集合和所述第二像素值集合，确定所述车道行驶图像上的障碍物图像，并根据所述障碍物图像生成所述障碍物信息。

可选的，该图像比对模块12还用于：根据预设参数范围对所述障碍物图像进行图像过滤，得到过滤图像，并提取所述过滤图像中的图像轮廓；

根据所述图像轮廓对所述障碍物图像进行图像提取，得到障碍物提取图像，并提取所述障碍物提取图像中的图像特征；

根据所述图像特征和所述图像轮廓，确定所述障碍物提取图像中障碍物的类型，并获取所述障碍物图像在所述待检测图像中的图像坐标；

根据所述障碍物图像在所述待检测图像中的图像坐标，确定所述障碍物提取图像在所述待检测图像中的图像坐标，得到障碍物坐标；

根据所述障碍物坐标和所述障碍物的类型生成所述障碍物信息。

进一步地，该图像比对模块12还用于：根据所述第一像素值集合和所述第二像素值集合，分别确定所述车道行驶图像与所述无障碍物图像在同一像素点上的像素差值；

若任一所述像素点上的像素差值大于预设阈值，则在所述车道行驶图像上对所述像素点进行标记；

在所述车道行驶图像上，将被标记的所述像素点所形成的图像确定为所述障碍物图像。

更进一步地，该图像比对模块12还用于：对所述障碍物提取图像进行灰度处理，得到灰度图像，并对所述灰度图像进行归一化处理；

分别提取归一化处理后所述灰度图像中各像素点的梯度，得到所述图像特征。

本实施例中，通过对待检测图像进行车道线检测，能有效地确定到待检测图像中车道线对应的车道线的位置信息，基于车道线的位置信息，能有效地确定到待检测图像中的车道行驶图像，通过对车道行驶图像进行无障碍预测，以得到车道行驶图像对应的无障碍物图像，通过将车道行驶图像与无障碍物图像进行图像比对，能有效地确定到车道行驶图像上的障碍物信息。

需要说明的是，上述装置/模块之间的信息交互、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。

图4为本申请第四实施例提供的终端设备2的结构示意图。如图4所示，该实施例的终端设备2包括：至少一个处理器20(图4中仅示出一个处理器)、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序22，所述处理器20执行所述计算机程序22时实现上述任意各个方法实施例中的步骤。

所述终端设备2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。该终端设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图4仅仅是终端设备2的举例，并不构成对终端设备2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20可以是中央处理单元(Central Processing Unit，CPU)，该处理器20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21在一些实施例中可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述终端设备2的外部存储设备，例如所述终端设备2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21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21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21还可以用于暂时地存储已经输出或者将要输出的数据。

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。

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移动终端上运行时，使得移动终端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拍照装置/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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、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/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络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。