一种识别违规动作者身份的方法、装置和电子设备

技术领域

本申请涉及计算机领域，尤其涉及一种识别违规动作者身份的方法、装置和电子设备。

背景技术

随着人工智能的发展，涌现了诸多以程序自动实现某种功能的技术方案。

在人类活动的各种场所尤其是公共场所中，往往具有由于道德或者规章、管理条例等而产生的行为规范，比如，不许抽烟等，于是，业内开发了一些算法，用于识别违规行为，然而，这些算法多是用于进行警告，其逻辑多是通过识别用户的动作并判断该动作是否违规，如果违规则提示安保人到现场进行处罚。

然而，安保人员有时无法及时赶到现场，或者即便赶到现场也带来了大量人力消耗。

基于此，申请人开发了一套系统，通过人脸识别来识别出违规人的身份，结合识别出的身份进行处罚。

然而，在对系统进行内部测试后，对比原先人工管理方法的管理效果发现，该系统的识别准确率偏低。

分析后发现，这是因为，该系统识别违规者身份的方式是，连续采集多个图像，直至某图像中人体出现违规动作时，就识别对该图像中违规者进行身份识别。

然而，实际情况是，人是不断运动的，有时，违规动作的图像中具有人脸，有时违规动作的图像中不具有人脸，对于后者，就无法识别出其身份，正是这个原因，导致了识别准确率偏低。

因此，我们进一步优化提供一种新的方法，以提高识别违规者身份过程中的准确率。

发明内容

本说明书实施例提供一种识别违规动作者身份的方法、装置和电子设备，用以提高违规识别的准确率。

本说明书实施例提供一种识别违规动作者身份的方法，包括：

在连续的多个时段分别进行图像采集，得到第一时段图像和第二时段图像，每个时段至少采集有一张图像；

利用人脸识别算法，对所述第一时段图像中的第一对象进行身份识别，并提取所述第一对象在所述第一时段图像中的状态特征，并与识别出的身份进行绑定；

结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪；

利用违规识别算法判断第二时段图像中的人体动作是否满足预设的违规条件，若第二时段图像中具有违规目标对象，则确定与所述违规目标对象相匹配的第一对象所绑定的身份，并输出违规身份识别结果。

可选地，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，还包括：

获取在第一时段与第二时段之间采集的中继图像，所述中继图像中不具有人脸信息，所述中继图像中的人体动作未违规；

所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，还包括：

利用所述中继图像中对象的状态特征作为中继，分别与第一时段图像和第二时段图像中的对象进行匹配；

利用中继图像中对象分别与第一、二时段图像中的对象的匹配关系，从第一时段图像的对象中确定与第二时段图像中的对象间接匹配的第一对象，相匹配的对象识别为同一对象。

可选地，所述提取所述第一对象在所述第一时段图像中的状态特征，包括：

从各第一时段图像中单独提取第一对象的自身体态特征；

结合多个第一时段图像之间的关联提取第一对象的动态区位特征。

可选地，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，包括：

确定第二时段图像中违规目标对象的自身体态特征和位置特征；

利用第一时段图像中的各对象的自身体态特征、动态区位特征确定在自身体态特征上和动态区位特征上与所述违规目标对象相匹配的第一对象。

可选地，所述动态区位特征包括趋势位置特征。

可选地，还包括：

利用机器学习的方式，构建校准模型和对象匹配模型，所述校准模型的输入层相比于所述匹配模型还具有人脸特征输入通道；

获取训练样本，对所述校准模型和对象匹配模型进行训练，并利用所述校准模型的对各训练样本的匹配结果对所述对象匹配模型进行校准，直至所述对象匹配模型的匹配精度与所述校准模型的匹配精度的偏差小于阈值校准模型。

可选地，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，包括：

利用训练得到的第二匹配模型对各图像中的对象进行相互匹配。

可选地，所述状态特征还包括：体形特征、装饰件特征。

本说明书实施例还提供一种识别违规动作者身份的装置，包括：

图像采集模块，在连续的多个时段分别进行图像采集，得到第一时段图像和第二时段图像，每个时段至少采集有一张图像；

身份绑定模块，利用人脸识别算法，对所述第一时段图像中的第一对象进行身份识别，并提取所述第一对象在所述第一时段图像中的状态特征，并与识别出的身份进行绑定；

追踪模块，结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪；

违规识别模块，利用违规识别算法判断第二时段图像中的人体动作是否满足预设的违规条件，若第二时段图像中具有违规目标对象，则确定与所述违规目标对象相匹配的第一对象所绑定的身份，并输出违规身份识别结果。

可选地，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，还包括：

获取在第一时段与第二时段之间采集的中继图像，所述中继图像中不具有人脸信息，所述中继图像中的人体动作未违规；

所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，还包括：

利用所述中继图像中对象的状态特征作为中继，分别与第一时段图像和第二时段图像中的对象进行匹配；

利用中继图像中对象分别与第一、二时段图像中的对象的匹配关系，从第一时段图像的对象中确定与第二时段图像中的对象间接匹配的第一对象，相匹配的对象识别为同一对象。

可选地，所述提取所述第一对象在所述第一时段图像中的状态特征，包括：

从各第一时段图像中单独提取第一对象的自身体态特征；

结合多个第一时段图像之间的关联提取第一对象的动态区位特征。

可选地，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，包括：

确定第二时段图像中违规目标对象的自身体态特征和位置特征；

利用第一时段图像中的各对象的自身体态特征、动态区位特征确定在自身体态特征上和动态区位特征上与所述违规目标对象相匹配的第一对象。

可选地，所述动态区位特征包括趋势位置特征。

可选地，还包括：

利用机器学习的方式，构建校准模型和对象匹配模型，所述校准模型的输入层相比于所述匹配模型还具有人脸特征输入通道；

获取训练样本，对所述校准模型和对象匹配模型进行训练，并利用所述校准模型的对各训练样本的匹配结果对所述对象匹配模型进行校准，直至所述对象匹配模型的匹配精度与所述校准模型的匹配精度的偏差小于阈值校准模型。

可选地，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，包括：

利用训练得到的第二匹配模型对各图像中的对象进行相互匹配。

可选地，所述状态特征还包括：体形特征、装饰件特征。

本说明书实施例还提供一种电子设备，其中，该电子设备包括：

处理器；以及，

存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一项方法。

本说明书实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。

本说明书实施例提供的各种技术方案通过连续采集第一、第二时段图像，利用人脸识别算法，对第一时段图像中的第一对象进行身份识别，并提取状态特征，与身份绑定，结合第一对象在第一时段图像中的状态特征对后续采集的第二时段图像中的对象匹配追踪，判断第二时段图像中的人体动作是否满足违规条件，若第二时段图像中具有违规目标对象，则确定与违规目标对象相匹配的第一对象所绑定的身份。以状态特征匹配的方式在不同图像中匹配同一对象并进行追踪，实现了将身份识别和进行违规动作识别相分离，使其各自分别用不同时刻采集的图像来实现，在违规图像中没有人脸的异常情况下依然能够进行身份识别，因而提高了识别准确率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例提供的一种识别违规动作者身份的方法的原理示意图；

图2为本说明书实施例提供的一种识别违规动作者身份的装置的结构示意图；

图3为本说明书实施例提供的一种电子设备的结构示意图；

图4为本说明书实施例提供的一种计算机可读介质的原理示意图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。

图1为本说明书实施例提供的一种识别违规动作者身份的方法的原理示意图，该方法可以包括：

S101：在连续的多个时段分别进行图像采集，得到第一时段图像和第二时段图像，每个时段至少采集有一张图像。

在一种特殊场景中，行为人漏出人脸的时候并不一定做出违规动作，做出违规动作时并不一定漏出人脸。所以在这种特殊情况下，利用一个图像无法识别做出违规动作的行为人身份。

我们的方案是，利用两种图像来实现以上功能，原理是，获取有某行为人人脸的一种图像，获取具有该行为人的违规动作特征的图像。

因此，在一种最简单的方式中，可以是采集一帧识别到第一对象人脸的图像，再采集一帧检测到第一对象违规动作的图像。

为了区别描述这两种图像，我们可以把识别到第一对象人脸的图像称作第一时段图像，把检测到第一对象违规动作的图像称作第二时段图像。

关于其中的时段，可以于先生设置固定时长，也可以是临时确定。

优选地，我们可以先对图像种类进行划分，然后根据两种图像的采集时刻临时划分第一、二时段，也就是将包含有第一对象人脸图像的采集时刻的时段作为第一时段，将包含有第一对象违规动作图像的采集时刻的时段作为第二时段。

进一步考虑到连续采集的多个图像中，可能具有多个行为人，这时我们可以针对每个行为人进行不同的时段划分，这样就能够针对每个特定行为人都进行有效的识别和追踪。

在具体实施时，可能出现违规者露出人脸的时间与做出违规动作的时间都较长的情况，因此，第一、二时段图像可以都有多个图像。

S102：利用人脸识别算法，对所述第一时段图像中的第一对象进行身份识别，并提取所述第一对象在所述第一时段图像中的状态特征，并与识别出的身份进行绑定。

通过将状态特征与进行身份绑定，实现了身份与对象的状态的关联。

其中，人脸识别算法可以是现有技术中常用的算法，在此不做详细阐述。

在本说明书实施例中，所述提取所述第一对象在所述第一时段图像中的状态特征，可以包括：

从各第一时段图像中单独提取第一对象的自身体态特征；

结合多个第一时段图像之间的关联提取第一对象的动态区位特征。

在本说明书实施例中，所述状态特征还可以包括：体形特征、装饰件特征。

在本说明书实施例中，所述动态区位特征可以包括趋势位置特征。

在实际应用时，趋势位置特征可以表征第一对象后续将达到的位置，可以提取出第一对象将要前往的方向、区域或位置。

通过提取趋势位置特征并用来匹配同一对象，可以提高匹配追踪的准确率。

S103：结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪。

考虑到露出人脸的图像与做出违规动作的图像可能相隔时间较远，结合一种现象：比如，a与b相似，b与c相似，然而，a与c却不相似。那么，第一时段图像与第二时段图像之间，可能很多特征已经出现较大变化，直接进行匹配可能很难达到较高的准确率。

此时，如果能够得到二者的过渡状态(类似与b的作用)，利用过渡状态进行匹配，则能够提高准确率。

为此，我们可以采集中继图像，由于中继图像与第一时段图像的相似度较高，与第二时段图像的相似度也较高，因此能够反映过渡状态。

在本说明书实施例中，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，还可以包括：

获取在第一时段与第二时段之间采集的中继图像，所述中继图像中不具有人脸信息，所述中继图像中的人体动作未违规；

所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，还可以包括：

利用所述中继图像中对象的状态特征作为中继，分别与第一时段图像和第二时段图像中的对象进行匹配；

利用中继图像中对象分别与第一、二时段图像中的对象的匹配关系，从第一时段图像的对象中确定与第二时段图像中的对象间接匹配的第一对象，相匹配的对象识别为同一对象。

在具体实施时，可以是将第一、第二时段之间的一帧或者多帧图像作为中继图像。

在实际使用时，我们可以根据存储中继图像的存储空间大小设置中继图像的数量，采用临近时间的预设帧数图像进行追踪。

比如，我们当前采集了多帧图像，每帧图像都有人物A，追踪对象最多存储10个图像中状态特征(n＝10)。那么在对第12帧图像中的对象进行匹配追踪时，追踪该对象所用到的状态特征可以是第二帧到第十一帧中的状态特征，也就是说，在这个环节可以只使用时间临近的预设数量图像中的状态特征，而不使用第一帧图像的状态特征。

当然，对于其他具体形式和变换，也应该在本说明书实施例的保护范围内，在此不做详细阐述和限制。

在本说明书实施例中，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，可以包括：

确定第二时段图像中违规目标对象的自身体态特征和位置特征；

利用第一时段图像中的各对象的自身体态特征、动态区位特征确定在自身体态特征上和动态区位特征上与所述违规目标对象相匹配的第一对象。

在本说明书实施例中，可以利用模型进行匹配，然而，如果直接利用不带人脸的样本去训练模型，那么，其准确率相比于利用具有人脸的样本训练得到的模型低，但是，在实际进行匹配时，向模型输入的又往往是不带人脸的图像。

由于利用人脸对同一行为人进行追踪的准确率较高，利用对不带人脸的图像的准确率偏低，这就使得，用不带人脸的图像训练出的对象匹配模型其实际准确率是偏低的。

那么，有没有方法能使对象匹配模型能够在预测环节不参考人脸特征的前提下依然能够达到较高的准确率呢，对此，我们提出以下方式。

在本说明书实施例中，该方法还可以包括：

利用机器学习的方式，构建校准模型和对象匹配模型，所述校准模型的输入层相比于所述匹配模型还具有人脸特征输入通道；

获取训练样本，对所述校准模型和对象匹配模型进行训练，并利用所述校准模型的对各训练样本的匹配结果对所述对象匹配模型进行校准，直至所述对象匹配模型的匹配精度与所述校准模型的匹配精度的偏差小于阈值校准模型。

通过训练上述校准模型，利用校准模型对向对象匹配模型输入的训练样本进行标签设置，这种标签能够准确反映潜在的同一对象，因而训练对象匹配模型后，就将对象匹配模型修正到较高准确率上。

为了便于理解，我们一种数学上的例子，比如，我们希望预测或者计算向量d，我们知道向量d向量a、b、c有关，我们想知道其函数关系。校准模型用向量a、b、c去训练，对象匹配模型在使用时无法采集到向量c，于是只能用向量a、b去训练，这时，对象匹配模型的准确率较低，因为它没有兼顾向量c对d的影响。于是，我们利用校准模型预测的结果对对象匹配模型的函数关系进行修正，实际上是挖掘了a、b与c之间的内在联系，通过调整a、b对d的影响，代替了c对d的影响，这才使得对象匹配模型具有较高准确率得以实现。

在本说明书实施例中，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，可以包括：

利用训练得到的第二匹配模型对各图像中的对象进行相互匹配。

S104：利用违规识别算法判断第二时段图像中的人体动作是否满足预设的违规条件，若第二时段图像中具有违规目标对象，则确定与所述违规目标对象相匹配的第一对象所绑定的身份，并输出违规身份识别结果。

在实际应用时，中继图像可以是多个图像，这样，可以对中继图像中相邻时刻采集的图像中的对象进行匹配追踪。

该方法通过连续采集第一、第二时段图像，利用人脸识别算法，对第一时段图像中的第一对象进行身份识别，并提取状态特征，与身份绑定，结合第一对象在第一时段图像中的状态特征对后续采集的第二时段图像中的对象匹配追踪，判断第二时段图像中的人体动作是否满足违规条件，若第二时段图像中具有违规目标对象，则确定与违规目标对象相匹配的第一对象所绑定的身份。以状态特征匹配的方式在不同图像中匹配同一对象并进行追踪，实现了将身份识别和进行违规动作识别相分离，使其各自分别用不同时刻采集的图像来实现，在违规图像中没有人脸的异常情况下依然能够进行身份识别，因而提高了识别准确率。

图2为本说明书实施例提供的一种识别违规动作者身份的装置的结构示意图，该装置可以包括：

图像采集模块201，在连续的多个时段分别进行图像采集，得到第一时段图像和第二时段图像，每个时段至少采集有一张图像；

身份绑定模块202，利用人脸识别算法，对所述第一时段图像中的第一对象进行身份识别，并提取所述第一对象在所述第一时段图像中的状态特征，并与识别出的身份进行绑定；

追踪模块203，结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪；

违规识别模块204，利用违规识别算法判断第二时段图像中的人体动作是否满足预设的违规条件，若第二时段图像中具有违规目标对象，则确定与所述违规目标对象相匹配的第一对象所绑定的身份，并输出违规身份识别结果。

可选地，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，还包括：

获取在第一时段与第二时段之间采集的中继图像，所述中继图像中不具有人脸信息，所述中继图像中的人体动作未违规；

所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，还包括：

利用所述中继图像中对象的状态特征作为中继，分别与第一时段图像和第二时段图像中的对象进行匹配；

利用中继图像中对象分别与第一、二时段图像中的对象的匹配关系，从第一时段图像的对象中确定与第二时段图像中的对象间接匹配的第一对象，相匹配的对象识别为同一对象。

可选地，所述提取所述第一对象在所述第一时段图像中的状态特征，包括：

从各第一时段图像中单独提取第一对象的自身体态特征；

结合多个第一时段图像之间的关联提取第一对象的动态区位特征。

可选地，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，包括：

确定第二时段图像中违规目标对象的自身体态特征和位置特征；

利用第一时段图像中的各对象的自身体态特征、动态区位特征确定在自身体态特征上和动态区位特征上与所述违规目标对象相匹配的第一对象。

可选地，所述动态区位特征包括趋势位置特征。

可选地，还包括：

利用机器学习的方式，构建校准模型和对象匹配模型，所述校准模型的输入层相比于所述匹配模型还具有人脸特征输入通道；

获取训练样本，对所述校准模型和对象匹配模型进行训练，并利用所述校准模型的对各训练样本的匹配结果对所述对象匹配模型进行校准，直至所述对象匹配模型的匹配精度与所述校准模型的匹配精度的偏差小于阈值校准模型。

可选地，所述结合所述第一对象在所述第一时段图像中的状态特征在对后续采集的第二时段图像中的对象进行匹配追踪，包括：

利用训练得到的第二匹配模型对各图像中的对象进行相互匹配。

可选地，所述状态特征还包括：体形特征、装饰件特征。

该装置连续采集第一、第二时段图像，利用人脸识别算法，对第一时段图像中的第一对象进行身份识别，并提取状态特征，与身份绑定，结合第一对象在第一时段图像中的状态特征对后续采集的第二时段图像中的对象匹配追踪，判断第二时段图像中的人体动作是否满足违规条件，若第二时段图像中具有违规目标对象，则确定与违规目标对象相匹配的第一对象所绑定的身份。以状态特征匹配的方式在不同图像中匹配同一对象并进行追踪，实现了将身份识别和进行违规动作识别相分离，使其各自分别用不同时刻采集的图像来实现，在违规图像中没有人脸的异常情况下依然能够进行身份识别，因而提高了识别准确率。

基于同一发明构思，本说明书实施例还提供一种电子设备。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300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。

如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。

所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。

所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205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。

总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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350进行。并且，电子设备300还可以通过网络适配器360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。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备300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。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。

图4为本说明书实施例提供的一种计算机可读介质的原理示意图。

实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。

所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。