一种人脸识别方法、装置、计算机可读存储介质及机器人

技术领域

本申请属于图像处理技术领域，尤其涉及一种人脸识别方法、装置、计算机可读存储介质及机器人。

背景技术

人脸识别技术在现代生活中有着广泛的应用。在机器人领域，可以通过人脸识别技术实现更好的安全监控、情绪识别和人机互动等功能。而目前常用的人脸识别方法(例如CosFace算法等)在模型训练时通常会采用基于边距(Margin)的角度空间策略，以提升人脸识别效果；然而，该模型对于所有的样本均采用固定的边距，导致人脸识别的鲁棒性不高。

发明内容

有鉴于此，本申请实施例提供了一种人脸识别方法、装置、计算机可读存储介质及机器人，以解决现有的人脸识别模型在训练过程中对于所有的样本均采用固定的边距，导致人脸识别的鲁棒性不高的问题。

本申请实施例的第一方面提供了一种人脸识别方法，可以包括：

获取待识别的目标图像；

使用预设的人脸识别模型对所述目标图像进行人脸识别，得到人脸识别结果；

其中，所述人脸识别模型在训练过程中使用基于边距的损失函数，且边距的取值与用于训练的样本图像的图像质量正相关。

在第一方面的一种具体实现方式中，所述人脸识别模型的训练过程可以包括：

确定人脸识别训练样本集；其中，所述人脸识别训练样本集中包括多个样本图像；

分别计算每个样本图像的图像质量；

根据每个样本图像的图像质量分别确定每个样本图像的边距；

使用所述人脸识别训练样本集和所述基于边距的损失函数对初始模型进行训练，得到所述人脸识别模型。

在第一方面的一种具体实现方式中，所述分别计算每个样本图像的图像质量可以包括：

分别确定每个样本图像的特征向量；

根据每个样本图像的特征向量分别计算每个样本图像的图像质量。

在第一方面的一种具体实现方式中，所述根据每个样本图像的图像质量分别确定每个样本图像的边距，可以包括：

分别确定图像质量上限值、图像质量下限值、边距上限值和边距下限值；

根据所述图像质量上限值、所述图像质量下限值、所述边距上限值、所述边距下限值和每个样本图像的图像质量，分别确定每个样本图像的边距。

在第一方面的一种具体实现方式中，所述根据所述图像质量上限值、所述图像质量下限值、所述边距上限值、所述边距下限值和每个样本图像的图像质量，分别确定每个样本图像的边距，可以包括：

根据所述图像质量上限值、所述图像质量下限值对每个样本图像的图像质量进行范围限制，得到每个样本图像范围限制后的图像质量；

根据所述图像质量上限值和所述图像质量下限值计算图像质量跨度；

根据所述边距上限值和所述边距下限值计算边距跨度；

根据所述边距跨度和所述图像质量跨度计算跨度比例系数；

根据所述跨度比例系数、所述图像质量下限值、所述边距下限值和每个样本图像范围限制后的图像质量，分别确定每个样本图像的边距。

在第一方面的一种具体实现方式中，所述确定人脸识别训练样本集，可以包括：

获取预设的原始样本集；

按照预设的数据增强方式对所述原始样本集进行数据增强处理，得到所述人脸识别训练样本集。

在第一方面的一种具体实现方式中，所述按照预设的数据增强方式对所述原始样本集进行数据增强处理，得到所述人脸识别训练样本集，可以包括：

对所述原始样本集进行颜色空间增强处理，和/或，对所述原始样本集进行运动模糊增强处理，和/或，对所述原始样本集进行失焦模糊增强处理，得到所述人脸识别训练样本集。

本申请实施例的第二方面提供了一种人脸识别装置，可以包括：

图像获取模块，用于获取待识别的目标图像；

人脸识别模块，用于使用预设的人脸识别模型对所述目标图像进行人脸识别，得到人脸识别结果；其中，所述人脸识别模型在训练过程中使用基于边距的损失函数，且边距的取值与用于训练的样本图像的图像质量正相关。

在第二方面的一种具体实现方式中，所述人脸识别模块可以包括：

训练样本集确定子模块，用于确定人脸识别训练样本集；其中，所述人脸识别训练样本集中包括多个样本图像；

图像质量计算子模块，用于分别计算每个样本图像的图像质量；

图像边距确定子模块，用于根据每个样本图像的图像质量分别确定每个样本图像的边距；

初始模型训练子模块，用于使用所述人脸识别训练样本集和所述基于边距的损失函数对初始模型进行训练，得到所述人脸识别模型。

在第二方面的一种具体实现方式中，所述图像质量计算子模块可以包括：

特征向量确定单元，用于分别确定每个样本图像的特征向量；

图像质量计算单元，用于根据每个样本图像的特征向量分别计算每个样本图像的图像质量。

在第二方面的一种具体实现方式中，所述图像边距确定子模块可以包括：

范围确定单元，用于分别确定图像质量上限值、图像质量下限值、边距上限值和边距下限值；

图像边距确定单元，用于根据所述图像质量上限值、所述图像质量下限值、所述边距上限值、所述边距下限值和每个样本图像的图像质量，分别确定每个样本图像的边距。

在第二方面的一种具体实现方式中，所述图像边距确定单元可以包括：

质量范围限制子单元，用于根据所述图像质量上限值、所述图像质量下限值对每个样本图像的图像质量进行范围限制，得到每个样本图像范围限制后的图像质量；

质量跨度计算子单元，用于根据所述图像质量上限值和所述图像质量下限值计算图像质量跨度；

边距跨度计算子单元，用于根据所述边距上限值和所述边距下限值计算边距跨度；

比例系数计算子单元，用于根据所述边距跨度和所述图像质量跨度计算跨度比例系数；

图像边距确定子单元，用于根据所述跨度比例系数、所述图像质量下限值、所述边距下限值和每个样本图像范围限制后的图像质量，分别确定每个样本图像的边距。

在第二方面的一种具体实现方式中，所述训练样本集确定子模块可以包括：

样本集获取单元，用于获取预设的原始样本集；

增强处理单元，用于按照预设的数据增强方式对所述原始样本集进行数据增强处理，得到所述人脸识别训练样本集。

在第二方面的一种具体实现方式中，所述增强处理单元可以用于对所述原始样本集进行颜色空间增强处理，和/或，对所述原始样本集进行运动模糊增强处理，和/或，对所述原始样本集进行失焦模糊增强处理，得到所述人脸识别训练样本集。

本申请实施例的第三方面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任一种人脸识别方法的步骤。

本申请实施例的第四方面提供了一种机器人，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任一种人脸识别方法的步骤。

本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述任一种人脸识别方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：本申请实施例获取待识别的目标图像；使用预设的人脸识别模型对所述目标图像进行人脸识别，得到人脸识别结果；其中，所述人脸识别模型在训练过程中使用基于边距的损失函数，且边距的取值与用于训练的样本图像的图像质量正相关。通过本申请实施例，可以在训练过程中基于样本图像的图像质量确定边距的取值；其中，边距的取值与样本图像的图像质量正相关，从而边距的取值可以根据图像质量进行灵活调整，有助于提升人脸识别的鲁棒性。

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它的附图。

图1为真实应用场景下的图像示意图；

图2为本申请实施例的人脸识别模型的训练过程的示意流程图；

图3为圆形区域均值滤波效果的示意图；

图4为人脸识别训练样本集的示意图；

图5为图像质量的衡量值的示意图；

图6为本申请实施例中一种人脸识别方法的一个实施例流程图；

图7为本申请实施例中一种人脸识别装置的一个实施例结构图；

图8为本申请实施例中一种机器人的示意框图。

具体实施方式

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

应当理解，当在本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，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，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。

人脸识别技术在现代生活中有着广泛的应用。在机器人领域，可以通过人脸识别技术实现更好的安全监控、情绪识别和人机互动等功能。而目前常用的人脸识别方法(例如CosFace算法等)在模型训练时通常会采用基于边距(Margin)的角度空间策略，以提升人脸识别效果；然而，该模型对于所有的样本均采用固定的边距，导致人脸识别的鲁棒性不高。

有鉴于此，本申请实施例提供了一种人脸识别方法、装置、计算机可读存储介质及机器人，以解决现有的人脸识别方法对于所有的样本均采用固定的边距，导致人脸识别的鲁棒性不高的问题。

需要说明的是，本申请方法的执行主体为机器人，具体可以包括但不限于引导机器人、巡检机器人、送餐机器人、教育机器人等任意一种现有技术中常见的机器人。

在以CosFace算法为代表的现有人脸识别方法中，在训练人脸识别模型时通常会采用基于固定边距的角度空间策略计算损失函数；然而，在真实应用场景下，图像可能会存在如图1所示的光线扰动、运动模糊、失焦模糊等问题，导致真实应用场景下的图像质量不一，而质量不同的图像对应的特征空间可能也会存在差异，因此，采用该训练策略得到的人脸识别模型在真实应用场景下的人脸识别效果不佳。

在本申请实施例中，可以在模型的训练过程中使用基于边距的损失函数，且边距的取值与用于训练的样本图像的图像质量正相关，从而边距的取值可以根据图像质量进行灵活调整，以得到鲁棒性和准确率更高的人脸识别模型。具体地，请参阅图2，本申请实施例的人脸识别模型的训练过程可以包括如下步骤：

步骤S201、确定人脸识别训练样本集。

其中，人脸识别训练样本集中可以包括多个样本图像。

人脸识别是个度量学习任务，一个识别效果好的人脸识别模型通常需要百万级的数据进行训练，由于训练数据的规模比较大，若采用离线存储的数据进行训练，则可能会占用过多的内存空间，增加训练成本；因此，在本申请实施例中，可以通过在线训练的方式进行模型训练。

具体地，可以获取预设的原始样本集；其中，原始样本集中可以包括预设数目的原始样本图像。而考虑到真实应用场景下的真实图像可能会存在如图1所示的光线扰动、运动模糊、失焦模糊等问题，而获取到的原始样本集中的样本图像通常为高清图像，图像数据较为理想，可能与真实应用场景下的图像存在较大差距，因此，在获取原始样本集后，还可以按照预设的数据增强方式对原始样本集进行数据增强处理，得到人脸识别训练样本集。

此处，对原始样本集的数据增强处理可以包括对原始样本集进行颜色空间增强处理，和/或，对原始样本集进行运动模糊增强处理，和/或，对原始样本集进行失焦模糊增强处理，得到人脸识别训练样本集。

可选地，可以采用线性对比度增强的方法对原始样本集中的原始样本图像进行颜色空间增强处理。若输入图像I的宽为W、高为H、通道为C，I中的一个像素点可以表示为I(h,w,c)，其中，该像素点的高的取值为h∈[0,h)，该像素点的宽的取值为w∈[0,W)，则其增强策略可以为：

O(h,w,c)＝αI(h,w,c)+β

其中，O(h,w,c)为I(h,w,c)经过颜色空间增强处理后输出的像素点，而α和β分别为预设的线性系数和常数，此处，可以优选将α设为(0.35,1.65)之间的任意取值，将β设为(0,20)之间的任意取值。

而考虑到O(h,w,c)的取值可能会存在越界问题，因此，可以记录输出图像O的像素点的最大值为V

其中，O'(h,w,c)为O(h,w,c)归一化后的像素点。

据此，可以将输出图像的像素点的取值限制在合理取值范围内。

可选地，可以对原始样本集进行运动模糊增强处理。运动模糊增强处理的关键在于模拟运动方向和运动强度的模糊情况，其主要由卷积核的强度(degree)和角度(angle)确定。因此，可以通过对卷积核的强度和角度进行设置来控制运动模糊增强处理的效果。此处，可以构造一个对角卷积核(kernel)，例如，可以构造一个强度为3的卷积核[1,0,0；0,1,0；0,0,1]，之后，可以根据预设的角度，构造仿射变换矩阵，并根据该仿射变换矩阵对卷积核进行仿射变换，得到运动模糊卷积核(motion_kernel)；之后，便可以利用该运动模糊卷积核对原始样本图像进行卷积操作，即可得到运动模糊增强处理后的图像。另外，为了尽可能丰富地模拟实际运动情况，可以将卷积核的强度范围设置在(3，9)之间，将卷积核的角度范围设置在(0，90°)之间。

可选地，可以对原始样本集进行失焦模糊增强处理。在人或摄像采集装置运动时，若摄像采集装置的焦距不合适，则容易出现失焦模糊的情况。由于一个理想点经过相机后的成像可以由点扩散函数(Point Spread Function，PSF)来描述，因此，此处可以使用散焦卷积核(blur_kernel)来模拟失焦模糊的效果；具体地，请参阅图3，圆形区域的均值滤波相比于普通的均值滤波，可以更好地模拟出失焦模糊的效果，因此可以使用圆形的均值滤波核函数构建得到散焦卷积核，之后，可以利用该散焦卷积核对原始样本图像进行卷积操作，得到失焦模糊增强处理后的图像。另外，为了尽可能丰富地模拟实际运动情况，可以将散焦卷积核的强度范围设置在(3，5)之间。

另外，为了构造质量不一的样本图像，可以按照预设的增强比例对原始样本集的数据增强处理；其中，增强比例可以根据实际需要进行具体化、情景化设置，本申请对此不作限定。例如，可以按照15％的增强比例对原始样本集进行颜色空间增强处理，和/或，按照5％的增强比例对原始样本集进行运动模糊增强处理，和/或，按照5％的增强比例对原始样本集进行失焦模糊增强处理，如图4所示，得到更为丰富的、更贴近真实应用场景的人脸识别训练样本集。

步骤S202、分别计算每个样本图像的图像质量。

在本申请实施例中，可以分别确定每个样本图像的特征向量。

此处，可以利用预设的特征提取算法对每个样本图像进行特征提取，得到每个样本图像的特征向量；其中，预设的特征提取算法可以为现有技术中任意的常见的特征提取算法，包括但不限于颜色直方图、局部二值模式(Local Binary Pattern，LBP)、方向梯度直方图(Histogram of Oriented Gradient，HOG)等特征提取算法。

需要理解的是，质量好的图像的特征空间聚合程度较高，而质量差的图像的特征空间则相对发散；因此，在本申请实施例中，可以根据样本图像的特征向量计算样本图像的图像质量。请参阅图5，通常情况下，若图像的质量较好，则通过图像的特征向量计算得到的图像质量的衡量值会较大；若图像的质量较差，则通过图像的特征向量计算得到的图像质量的衡量值会较小；根据计算得到的图像质量的衡量值，可以容易地对图像质量进行判断。

具体地，可以根据每个样本图像的特征向量，计算每个样本图像的图像质量。图像质量的计算方式可以根据实际情况进行设置，本申请对此不作具体限定。例如，可以计算样本图像的特征向量的L1范数，并可以将该L1范数作为样本图像的图像质量的一种衡量值。又例如，可以计算样本图像的特征向量的L2范数，并可以将该L2范数作为样本图像的图像质量的一种衡量值。

步骤S203、根据每个样本图像的图像质量分别确定每个样本图像的边距。

在本申请实施例中，可以将样本图像的边距设计为与样本图像的质量正相关的凸函数，该函数的设置方式可以根据实际情况进行具体化、情景化设置，本申请对此不做限定。

仅作为一种示例，在本申请实施例中，可以分别确定图像质量上限值、图像质量下限值、边距上限值和边距下限值，并可以根据图像质量上限值、图像质量下限值、边距上限值、边距下限值和每个样本图像的图像质量，分别确定每个样本图像的边距。

具体地，可以将图像质量上限值u

之后，可以根据图像质量上限值、图像质量下限值、边距上限值、边距下限值和每个样本图像的图像质量，分别确定每个样本图像的边距。

需要说明的是，由于质量好的图像的特征空间聚合程度较高，而质量差的图像的特征空间则相对发散，因此，质量较好的样本图像的边距可以设置为较大的值，以增加同类别之间的余弦相似度，进一步提高类别可分性，而质量较差的样本图像的边距则可以设置为较小的值，以减小同类别之间的余弦相似度，帮助更好地区分不同的人脸。

具体地，可以根据图像质量上限值u

其中，α

之后，可以根据图像质量上限值u

根据跨度比例系数、图像质量下限值、边距下限值和样本图像范围限制后的图像质量，可以确定样本图像的边距：

其中，m(α

在实际应用中，图像质量上限值、图像质量下限值、边距上限值和边距下限值还可以根据实际需要进行具体化、情景化设置，包括但不限于上述设置方式。

步骤S204、使用人脸识别训练样本集和基于边距的损失函数对初始模型进行训练，得到人脸识别模型。

在现有的CosFace算法中，基于边距的损失函数L为：

其中，y

而在本申请实施例中，可以对基于边距的损失函数进行调整，得到本申请实施例的基于边距的损失函数L'：

其中，边距m(a

在本申请实施例中，可以使用人脸识别训练样本集和基于边距的损失函数对初始模型进行训练，得到人脸识别模型。其中，初始模型可以为现有技术中任意一种人工智能模型，包括但不限于卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network，RNN)、长短期记忆网络(Long Short-Term Memory，LSTM)、生成对抗网络(Generative Adversarial Network，GAN)、注意力机制(AttentionMechanism)等人工智能模型。

在初始模型的训练过程中，可以使用上述基于边距的损失函数计算训练损失值，并基于该训练损失值对初始模型进行参数调整，从而得到本申请的人脸识别模型。

在训练得到人脸识别模型之后，则可以将其应用到真实应用场景中的人脸识别任务中来。具体地，请参阅图6，使用人脸识别模型进行人脸识别的过程可以包括：

步骤S601、获取待识别的目标图像。

在本申请实施例的一种具体实现方式中，可以使用预设的摄像采集装置进行图像采集，并将采集到的图像存储至预设的存储模块；在需要进行人脸识别提取时，可以从预设的存储模块中获取到待识别的目标图像。

在本申请实施例的另一种具体实现方式中，可以使用预设的摄像采集装置进行实时图像采集，得到待识别的目标图像。

步骤S602、使用预设的人脸识别模型对目标图像进行人脸识别，得到人脸识别结果。

此处，可以将目标图像作为人脸识别模型的输入，从而可以得到人脸识别模型输出的人脸识别结果。

综上所述，本申请实施例获取待识别的目标图像；使用预设的人脸识别模型对所述目标图像进行人脸识别，得到人脸识别结果；其中，所述人脸识别模型在训练过程中使用基于边距的损失函数，且边距的取值与用于训练的样本图像的图像质量正相关。通过本申请实施例，可以在训练过程中基于样本图像的图像质量确定边距的取值；其中，边距的取值与样本图像的图像质量正相关，从而边距的取值可以根据图像质量进行灵活调整，有助于提升人脸识别的鲁棒性。

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。

对应于上文实施例所述的一种人脸识别方法，图7示出了本申请实施例提供的一种人脸识别装置的一个实施例结构图。

在本申请实施例中，一种人脸识别装置可以包括：

图像获取模块701，用于获取待识别的目标图像；

人脸识别模块702，用于使用预设的人脸识别模型对所述目标图像进行人脸识别，得到人脸识别结果；其中，所述人脸识别模型在训练过程中使用基于边距的损失函数，且边距的取值与用于训练的样本图像的图像质量正相关。

在本申请实施例的一种具体实现方式中，所述人脸识别模块可以包括：

训练样本集确定子模块，用于确定人脸识别训练样本集；其中，所述人脸识别训练样本集中包括多个样本图像；

图像质量计算子模块，用于分别计算每个样本图像的图像质量；

图像边距确定子模块，用于根据每个样本图像的图像质量分别确定每个样本图像的边距；

初始模型训练子模块，用于使用所述人脸识别训练样本集和所述基于边距的损失函数对初始模型进行训练，得到所述人脸识别模型。

在本申请实施例的一种具体实现方式中，所述图像质量计算子模块可以包括：

特征向量确定单元，用于分别确定每个样本图像的特征向量；

图像质量计算单元，用于根据每个样本图像的特征向量分别计算每个样本图像的图像质量。

在本申请实施例的一种具体实现方式中，所述图像边距确定子模块可以包括：

范围确定单元，用于分别确定图像质量上限值、图像质量下限值、边距上限值和边距下限值；

图像边距确定单元，用于根据所述图像质量上限值、所述图像质量下限值、所述边距上限值、所述边距下限值和每个样本图像的图像质量，分别确定每个样本图像的边距。

在本申请实施例的一种具体实现方式中，所述图像边距确定单元可以包括：

质量范围限制子单元，用于根据所述图像质量上限值、所述图像质量下限值对每个样本图像的图像质量进行范围限制，得到每个样本图像范围限制后的图像质量；

质量跨度计算子单元，用于根据所述图像质量上限值和所述图像质量下限值计算图像质量跨度；

边距跨度计算子单元，用于根据所述边距上限值和所述边距下限值计算边距跨度；

比例系数计算子单元，用于根据所述边距跨度和所述图像质量跨度计算跨度比例系数；

图像边距确定子单元，用于根据所述跨度比例系数、所述图像质量下限值、所述边距下限值和每个样本图像范围限制后的图像质量，分别确定每个样本图像的边距。

在本申请实施例的一种具体实现方式中，所述训练样本集确定子模块可以包括：

样本集获取单元，用于获取预设的原始样本集；

增强处理单元，用于按照预设的数据增强方式对所述原始样本集进行数据增强处理，得到所述人脸识别训练样本集。

在本申请实施例的一种具体实现方式中，所述增强处理单元可以用于对所述原始样本集进行颜色空间增强处理，和/或，对所述原始样本集进行运动模糊增强处理，和/或，对所述原始样本集进行失焦模糊增强处理，得到所述人脸识别训练样本集。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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。

图8示出了本申请实施例提供的一种机器人的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。

如图8所示，该实施例的机器人8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个人脸识别方法实施例中的步骤，例如图7所示的步骤S701至步骤S702。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块701至模块702的功能。

示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述机器人8中的执行过程。

本领域技术人员可以理解，图8仅仅是机器人8的示例，并不构成对机器人8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，例如所述机器人8还可以包括输入输出设备、网络接入设备、总线等。

所述处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、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)或者其它可编程逻辑器件、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81可以是所述机器人8的内部存储单元，例如机器人8的硬盘或内存。所述存储器81也可以是所述机器人8的外部存储设备，例如所述机器人8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81还可以既包括所述机器人8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述机器人8所需的其它程序和数据。所述存储器81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。

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/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人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。

另外，在本申请各个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。

所述集成的模块/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，也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。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

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。