一种信息提取方法、装置、设备和介质

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种信息提取方法、装置、设备和介质信息提取。

背景技术

印章在各公司企业的交易中意义重大，自动化智能化地确认合同及票据中印章的内容，可以提高印章验证效率，有益于各公司业务的顺利进行。

目前，印章信息提取方案多使用颜色提取方法、二值化或膨胀腐蚀等方法。但是，这些方法大多忽略了背景干扰和文字重叠干扰对印章本身文字的影响，印章信息提取效果不佳，对印章的文本识别准确率较低。

发明内容

本发明实施例提供了一种信息提取方法、装置、设备和介质，以实现高效的提取出目标信息，并且能够更加准确的从干扰信息中提取出目标信息。

第一方面，本发明实施例提供了一种信息提取方法，该方法包括：

获取包含有目标信息和干扰信息的待处理图像；

将所述待处理图像输入到预设信息提取模型中，得到去除所述干扰信息的目标信息图像；

其中，所述预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，所述预设模型训练样本集中包括多组由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由所述第一图像和所述第二图像融合得到的第三图像组成的样本对。

第二方面，本发明实施例提供了一种信息提取装置，该装置包括：

数据获取模块，用于获取包含有目标信息和干扰信息的待处理图像；

信息提取模块，用于将所述待处理图像输入到预设信息提取模型中，得到去除所述干扰信息的目标信息图像；

其中，所述预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，所述预设模型训练样本集中包括多组由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由所述第一图像和所述第二图像融合得到的第三图像组成的样本对。

第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：

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如本发明任意实施例所提供的信息提取方法。

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如本发明任意实施例所提供的信息提取方法。

上述发明中的实施例具有如下优点或有益效果：

本发明实施例，通过在获取包含有目标信息和干扰信息的待处理图像之后，将待处理图像输入到预设信息提取模型中，得到去除干扰信息的目标信息图像；其中，预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，预设模型训练样本集中包括多组由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由第一图像和第二图像融合得到的第三图像组成的样本对，通过生成对抗的训练过程，预设信息提取模型可以更好的待处理图像的全局的信息，从而准确的提取出目标信息。本发明实施例技术方案解决了在存在干扰信息情况下目标信息提取的准确率较低的问题，实现了高效的提取出目标信息，并且使提取到的目标信息有较高的准确度。

附图说明

图1是本发明实施例一提供的一种信息提取方法的流程图；

图2是本发明实施例二提供的一种信息提取方法的流程图；

图3是本发明实施例二提供的一种信息提取模型的结构示意图；

图4是本发明实施例二提供的一种判别器网络的结构示意图；

图5是本发明实施例三提供的一种信息提取方法的流程图；

图6是本发明实施例三提供的一种包含有印章信息的待处理图像；

图7是本发明实施例三提供的一种对印章信息提取模型的生成对抗网络的结构示意图；

图8是本发明实施例三提供的一种经过信息提取模型处理后的印章信息图像；

图9是本发明实施例四提供的一种信息提取装置的结构示意图；

图10是本发明实施例五提供的一种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。

实施例一

图1为本发明实施例一提供的一种信息提取方法的流程图，本实施例可适用于在存在干扰信息的情况下对目标信息进行提取的情况。该方法可以由信息提取装置来执行，该信息提取装置可以采用硬件和/或软件的形式实现，配置于计算机设备或服务器中。

如图1所示，信息提取方法包括以下步骤：

S110、获取包含有目标信息和干扰信息的待处理图像。

其中，待处理图像可以是任意场景下既包含目标信息，又包含干扰信息的图像。目标信息可以是在待处理图像中被关注的重要信息，如将在包含复杂文字或复杂背景的图像中需要重点关注的人像、动物或印章等目标对象作为目标信息。干扰信息就是影响目标信息识别的非目标信息，会导致目标信息的识别准确率降低，包括背景干扰、文字干扰以及颜色干扰等多种类型的干扰信息。例如，在待处理的印章图像中，一般存在背景干扰和文字重叠干扰，对于印章中的文字检测和识别带来了极大的挑战，导致文字检测和识别的准确度较低。

S120、将待处理图像输入到预设信息提取模型中，得到去除干扰信息的目标信息图像。

在本实施例中，在获取到待处理图像之后，可以直接将待处理图像输入到预设信息提取模型中，得到目标信息的提取结果，即去除干扰信息的目标信息图像。其中，预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，预设模型训练样本集中包括多组由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由第一图像和第二图像融合得到的第三图像组成的样本对。

在预设信息提取模型的训练过程中，判别器模型是一个二分类器，估计一个样本来自于训练数据(而非生成数据)的概率，从而使生成器，即预设信息提取模型能够生成效果更好的目标信息图像，从而提升了目标信息提取的准确率。

特别的，在预设信息提取模型的训练过程中，通过由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由第一图像和第二图像融合得到的第三图像组成的样本对进行训练。其中，第一图像中的目标提取信息是与待处理图像中要提取的目标信息是同一类别的信息。将第三图像输入到构建的生成器模型中，生成去除干扰信息的生成图像，再由判别器模型基于生成图像和第二图像对应的干扰信息蒙版图像分别提取生成图像的全局特征和局部特征，并进一步的与第一图像的特征进行图像判别，依据图像判别结果迭代更新生成器模型和判别器模型；最终，在判别器模型的损失函数满足预设的收敛条件时，可以完成模型的训练，从而得到可以提升目标信息提取准确率的预设信息提取模型。可以理解的是，通过预设信息提取模型可以实现端到端的信息提取过程，直接将待处理图像输入到预设信息提取模型即可，无需再耗费多余的人工成本进行目标信息的识别与核实，从而提高了在对应场景下目标信息识别的效率。

本实施例技术方案，通过在获取包含有目标信息和干扰信息的待处理图像之后，将待处理图像输入到预设信息提取模型中，得到去除干扰信息的目标信息图像；其中，预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，预设模型训练样本集中包括多组由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由第一图像和第二图像融合得到的第三图像组成的样本对，通过生成对抗的训练过程，预设信息提取模型可以更好的待处理图像的全局的信息，从而准确的提取出目标信息。本发明实施例技术方案解决了在存在干扰信息情况下目标信息提取的准确率较低的问题，实现了高效的提取出目标信息，并且使提取到的目标信息有较高的准确度。

实施例二

图2为本发明实施例二提供的一种信息提取方法的流程图，在上述实施例的基础上，进一步描述了信息提取模型的训练过程。该方法可以由信息提取装置来执行，该信息提取装置可以采用硬件和/或软件的形式实现，配置于计算机设备或服务器中。

如图2所示，信息提取方法包括：

S210、将由目标提取信息图像和预设干扰信息图像融合得到的样本图像输入到初始信息提取模型中，得到初阶信息提取图。

其中，目标提取信息图像可以是仅包含要提取的目标信息的图像，预设干扰信息图像可以是在目标信息的出现场景中会存在的干扰信息，可以是一种或多种干扰信息的叠加。将目标提取信息和预设干扰信息图像融合即在构造需要进行目标信息提取的待处理图像。在本实施例中，将目标提取信息图像、预设干扰信息图像以及二者融合得到的样本图像组合作为一组训练样本对。在一个模型训练样本集合中，包含若干这样的样本对。需要说明的是，样本集合中的各图像的经过同一的预处理(如缩放)，尺寸是一致的，如每一张图像都为像素512*512大小的图像。

其中，初始信息提取模型，即生成对抗网络中的生成器，用于提取输入的样本图像的特征后。并基于提取特征生成新的图像。在本实施例中，初始信息提取模型采用了U-net网络结构，具体可参考图3中所示的结构图。具体的，初始信息提取模型包括编码模块和解码模块。其中，编码模块即U-net网络结构中左侧的下采样分支，用于进行特征提取。解码模块即U-net网络结构中右侧的上采样分支，进行分辨率恢复。特别的，为了减少下采样过程带来的空间信息损失，在解码模块和编码模块间建立了残差学习机制，将上采样和下采样中尺寸相同的卷积层拼接在一起，使上采样过程中可保留更多原始图像中目标信息的纹理信息，保证特征提取结果的精细程度，还可以防止模型训练过程中的过拟合。下采样单元、残差模块以及上采样单元，每一个残差模块由两个卷积层构成。

将上采样和下采样中尺寸相同的卷积层拼接在一起，在图3中表示为相同尺寸的卷积层的虚线连接。以上采样过程中，最后一个卷积层为例，其数据输入包括由其上采样顺序上的前一卷积层输出的维度256*256的数据，以及输入到与其对应尺寸的下采样过程中卷积层的维度为512*512的数据。上采样过程中的最后一个卷积层会对维度256*256的数据进行上采样处理得到512*512的数据，然后将上采样得到的512*512的数据与输入到下采样过程中卷积层的512*512的数据进行拼接融合处理，得到最终输出结果，即维度512*512的初阶信息提取图。通过这一残差学习过程，生成的初阶信息提取图保留了更多样本图像中的特征信息，避免了在下采样过程中过多的信息丢失。

S220、将所述初阶信息提取图、所述预设干扰信息图像的蒙版图和所述目标提取信息图像输入到判别器网络中，得到信息提取判别结果。

具体的，在本实施例中，判别器使用了local-global GAN(局部-全局生成对抗)的框架结构。

首先，初阶信息提取图会经过判别器网络中预设特征提取网络结构进行特征提取，得到第一特征。其中，预设特征提取网络结构可以是VGG16模型，当然也可以是其他模型，具体的网络结构可以参考图4中虚线框内所示的结构。初阶信息提取图会经过五个卷积层的特征提取得到第一特征，作为全局特征。与此同时，初阶信息提取图与预设干扰信息图像的蒙版图中各像素对应相乘(element-wise)，得到仅含干扰信息图像，同样经过预设特征提取网络结构的五次卷积得到了第二特征，作为局部特征图，将两者第一特征与第二特征进行拼接(concat)得到融合特征。

然后，将基于初阶信息提取图得到的融合特征与目标提取信息图像经过预设特征提取网络结构提取到的第三特征之间的差异，确定信息提取判别结果。其中，确定信息提取判别结果的过程即计算判别器网络的损失函数的过程。具体的，损失函数为感知损失、重建损失和风格损失的加权求和的结果。

S230、基于所述信息提取判别结果迭代更新所述判别器网络和所述初始信息提取网络，得到目标信息提取模型。

具体的，可以根据计算得到的损失函数的结果调整生成器网络和判别器网络的参数，直到损失函数收敛，以得到能够满足信息提取标准的目标信息提取模型。训练得到的目标信息提取模型便可以应用到对应的信息提取场景中。

S240、获取包含有目标信息和干扰信息的待处理图像。

其中，待处理图像是与训练目标信息提取模型的样本图像类型相同或是相同场景下的图像。

S250、将所述待处理图像输入到所述目标信息提取模型中，得到去除所述干扰信息的目标信息图像。

本实施例技术方案，通过构建由目标提取信息图像、预设干扰信息图像以及二者融合得到的样本图像组成样本图像对，作为目标信息提取模型的训练样本，以生成对抗的方式，训练设置有残差学习机制的生成器网络以及局部-全局结构的判别器网络，能够充分的提取样本图像中的特征信息以训练生成效果更加的目标信息提取模型。在目标信息提取模型的应用过程中，可以在获取包含有目标信息和干扰信息的待处理图像之后，将待处理图像输入到预设信息提取模型中，得到去除干扰信息的目标信息图像。本发明实施例技术方案解决了在存在干扰信息情况下目标信息提取的准确率较低的问题，实现了高效的提取出目标信息，并且使提取到的目标信息有较高的准确度。

实施例三

图5为本发明实施例三提供的一种信息提取方法的流程图，在上述实施例的基础上，进一步描述了当要提取的目标信息为印章信息时，预设信息提取模型的训练及使用过程。该方法可以由信息提取装置来执行，该信息提取装置可以采用硬件和/或软件的形式实现，配置于计算机设备或服务器中。

如图5所示，信息提取方法包括：

S310、获取包含有目标印章信息和干扰信息的待处理图像。

在各个公司企业的交易过程中，在合同、票据中存在大量印章信息，通常需要对印章信息进行确认以及审核。自动化智能化地确认合同及票据中印章的内容，可以提高印章验证效率，降低财税及商务合同签订过程的业务风险。

但是，印章一般存在背景干扰和文字重叠干扰，如图6所述的包含有干扰信息和印章信息的待处理图像，印章展示区域内的干扰文字对于印章中的文字检测和识别带来了极大的挑战，导致印章文字检测和识别的准确度较低。以图6为例，公司测试用章-测试专用章即为要提取的目标印章信息。

S320、将待处理图像输入到预设信息提取模型中，得到去除干扰信息的目标印章信息图像。

其中，预设信息提取模型是与纯净的指定颜色印章图片(Groundtruth，GT)、印章干扰图像(或是印章干扰图像的蒙版图像MASK)以及，纯净印章图像和干扰背景图像融合的样本图片(Original)为样本对，通过生成对抗的方式训练得到的模型。

以提取的目标印章信息为红色印章为例，具体的生成对抗网络的训练过程示意图如图7所示。首先，将带有背景干扰的红色印章切片(图像)输入到生成器G中，由生成器生G成去除背景干扰的印张图片。然后，将去除背景干扰的印章图片与纯净的红色印章图片(GT)输入到判别器D中，根据判别器D的损失函数L对生成器G进行迭代更新，从而可以更新生成器G生成的去除背景干扰的印章图片，训练得到预设信息提取模型。进一步的，生成器和判别器的模型结构以及训练过程可参考实施例二中的相关描述内容。

在本实施例中，可以将待处理图像直接输入到预设信息提取模型中，得到去除干扰信息的目标印章信息图像。示例性的，将图6输入到预设信息提取模型中，可以得到图8所示的提取到的目标印章信息图像。

本实施例技术方案，通过在获取包含有目标印章信息和干扰信息的待处理图像之后，将待处理图像输入到预设信息提取模型中，得到去除干扰信息的目标印章信息图像；其中，预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，预设模型训练样本集中包括多组由预设信息提取模型是与纯净的指定颜色印章图片(Groundtruth，GT)、印章干扰图像(或是印章干扰图像的蒙版图像MASK)以及，纯净印章图像和干扰背景图像融合的样本图片(Original)为样本对，通过生成对抗的方式训练得到的模型，预设信息提取模型可以更好的待处理图像的全局的信息，从而准确的提取出目标印章信息。本发明实施例技术方案解决了在存在干扰信息情况下目标印章信息提取的准确率较低的问题，实现了高效的提取出目标印章信息，并且使提取到的目标印章信息有较高的准确度。

实施例四

图9为本发明实施例四提供的信息提取装置的结构示意图，本实施例可适用于在存在干扰信息的情况下对目标信息进行提取的情况，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。

如图9所示，信息提取装置包括：数据获取模块410和信息提取模块420。

其中，数据获取模块410，用于获取包含有目标信息和干扰信息的待处理图像；信息提取模块420，用于将所述待处理图像输入到预设信息提取模型中，得到去除所述干扰信息的目标信息图像；其中，所述预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，所述预设模型训练样本集中包括多组由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由所述第一图像和所述第二图像融合得到的第三图像组成的样本对。

本实施例的技术方案，通过在获取包含有目标信息和干扰信息的待处理图像之后，将待处理图像输入到预设信息提取模型中，得到去除干扰信息的目标信息图像；其中，预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，预设模型训练样本集中包括多组由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由第一图像和第二图像融合得到的第三图像组成的样本对，通过生成对抗的训练过程，预设信息提取模型可以更好的待处理图像的全局的信息，从而准确的提取出目标信息。本发明实施例技术方案解决了在存在干扰信息情况下目标信息提取的准确率较低的问题，实现了高效的提取出目标信息，并且使提取到的目标信息有较高的准确度。

在一种可选的实施方式中，信息提取装置还包括模型训练模块，用于：

将第三图像输入到初始信息提取模型中，得到初阶信息提取图；

将初阶信息提取图、第二图像的蒙版图和第一图像输入到判别器网络中，得到信息提取判别结果；

基于信息提取判别结果迭代更新判别器网络和初始信息提取网络，得到预设信息提取模型。

在一种可选的实施方式中，所述初始信息提取模型包括编码模块和解码模块，其中，解码模块和编码模块间建立了残差学习机制。

在一种可选的实施方式中，模型训练模块进一步用于：

基于判别器网络中预设特征提取网络结构对初阶信息提取图进行特征提取，得到第一特征；

将初阶信息提取图与第二图像的蒙版图中各像素对应相乘，并通过预设特征提取网络结构对各像素对应相乘的结果进行特征提取，得到第二特征；

基于第一特征、第二特征与第一图像经过预设特征提取网络结构提取到的第三特征之间的差异，确定信息提取判别结果。

在一种可选的实施方式中，模型训练模块进一步用于：

将第一特征和第二特征进行特征叠加；

基于特征叠加结果和第三特征计算判别器网络的损失函数，作为信息提取判别结果。

在一种可选的实施方式中，所述损失函数为感知损失、重建损失和风格损失的加权求和的结果。

在一种可选的实施方式中，所述目标信息为预设颜色的印章信息。本发明实施例所提供的信息提取装置可执行本发明任意实施例所提供的信息提取方法，具备执行方法相应的功能模块和有益效果。

实施例五

图10为本发明实施例五提供的一种计算机设备的结构示意图。图10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12的框图。图10显示的计算机设备12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。计算机设备12可以任意具有计算能力的终端设备，如智能控制器及服务器、手机等终端设备。

如图10所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图10中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的信息提取方法，该方法包括：

获取包含有目标信息和干扰信息的待处理图像；

将所述待处理图像输入到预设信息提取模型中，得到去除所述干扰信息的目标信息图像；

其中，所述预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，所述预设模型训练样本集中包括多组由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由所述第一图像和所述第二图像融合得到的第三图像组成的样本对。

实施例六

本实施例六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如本发明任意实施例所提供的信息提取方法，包括：

获取包含有目标信息和干扰信息的待处理图像；

将所述待处理图像输入到预设信息提取模型中，得到去除所述干扰信息的目标信息图像；

其中，所述预设信息提取模型是基于预设模型训练样本集，通过生成对抗的方式训练生成的模型，所述预设模型训练样本集中包括多组由仅包含目标提取信息的第一图像，仅包含干扰信息的第二图像，以及由所述第一图像和所述第二图像融合得到的第三图像组成的样本对。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

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。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

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。