点定位方法及相关装置、设备

技术领域

本申请涉及计算机视觉技术领域，特别是涉及一种点定位方法及相关装置、设备。

背景技术

在计算机视觉领域中，对于图像中目标点的精确识别，具有重要意义。以医学影像为例，通过定位下肢影像中某些目标点，能够在极大程度上辅助医务人员，例如，依据膝关节中心点与下肢力线的相对位置，可以辅助分析患者有无膝外翻或膝内翻；或者，依据膝关节中心点与下肢力线，还可以辅助分析胫骨高位截骨、股骨高端截骨等手术的术前规划、术后评估。

然而，人工定位的方式，费时费力，且由于定位准确性极大地依赖于经验，故难以确保点位的准确性和稳定性。有鉴于此，如何提高点定位的准确性和稳定性成为极为重要的课题

发明内容

本申请提供一种点定位方法及相关装置、设备。

本申请第一方面提供了一种点定位方法，包括：获取包含目标点的待定位图像；对待定位图像进行目标点检测，得到粗定位热度图和细定位热度图，其中，粗定位热度图中包含目标点的第一区域的热度值在第一热度值范围；细定位热度图中包含目标点的第二区域的热度值在第二热度值范围，其中，第一区域大于第二区域；结合分析粗定位热度图和细定位热度图，得到目标点的位置信息。

因此，通过对获取到的待定位图像进行目标点检测，得到粗定位热度图和细定位热度图，且粗定位热度图中包含目标点的第一区域的热度值在第一热度值范围，细定位热度图中包含目标点的第二区域的热度值在第二热度值范围，粗定位热度图的第一区域大于细定位热度图的第二区域，故粗定位热度图能够表示目标点附近较大范围内的目标响应，而细定位热度图能够表示目标点附近较小范围内的目标响应，故结合分析粗定位热度图和细定位热度图，能够同时兼具粗定位热度图的定位稳定性以及细定位热度图的准确性，从而能够提高点定位的准确性和稳定性。

其中，结合分析粗定位热度图和细定位热度图，得到目标点的位置信息，包括：获取粗定位热度图中的第一目标点位置以及细定位热度图中的第二目标点位置和第二目标点位置的置信度，并基于第二目标点位置的置信度，对第一目标点位置和第二目标点位置进行处理得到目标点的位置信息。

因此，通过获取粗定位热度图中的第一目标点位置和细定位热度图中的第二目标点位置和第二目标点位置的置信度，从而基于第二目标点位置的置信度，对第一目标点位置和第二目标点位置进行处理，得到目标点的位置信息，进而能够进一步基于粗定位热度图和细定位热度图两者目标点的置信度情况，确定目标点的位置信息，从而能够进一步提高点定位的准确性。

其中，获取粗定位热度图中的第一目标点位置以及细定位热度图中的第二目标点位置和第二目标点位置的置信度，并基于第二目标点位置的置信度，对第一目标点位置和第二目标点位置进行处理得到目标点的位置信息，包括：基于粗定位热度图的热度值，确定第一目标点位置；基于细定位热度图的热度值，确定第二目标点位置和第二目标点位置的置信度；并基于第二目标点位置的置信度，选择第二目标点位置或第一目标点位置，作为目标点的位置信息。

因此，通过粗定位热度图确定得到的第一目标点位置并通过细定位热度图确定得到第二目标点位置和第二目标点位置的置信度，并基于第二目标点位置的置信度，选择第二目标点位置或第一目标点位置，作为目标点的位置信息，能够基于细定位热度图确定得到的第二目标点位置的置信度，从第一目标点位置和粗定位热度图确定得到的第一目标点位置中选择目标点的位置信息，从而能够有利于提高点定位的稳定性。

其中，基于第二目标点位置的置信度，选择第二目标点位置或第一目标点位置，作为目标点的位置信息包括：若第二目标点位置的置信度满足细定位置信条件，则将第二目标点位置作为目标点的位置信息；若第二目标点位置的置信度不满足细定位置信条件，则将第一目标点位置作为目标点的位置信息。

因此，当第二目标点位置的置信度满足细定位置信条件时，将第二目标点位置作为目标点的位置信息，而当第二目标点位置的置信度不满足细定位置信条件时，将第一目标点位置作为目标点的位置信息，故能够有利于选取置信度较优的作为目标点的位置信息，从而能够有利于提高点定位的准确性和稳定性。

其中，基于细定位热度图的热度值，确定第二目标点位置和第二目标点位置的置信度之前，还包括：基于粗定位热度图的热度值，确定第一目标点位置的置信度，若第一目标点位置的置信度满足粗定位置信条件，则将细定位热度图中位于第一目标点位置的预设距离范围外的热度值调整为预设热度值；其中，预设热度值在第二热度值范围之外。

因此，当第一目标点位置的置信度满足粗定位置信条件时，直接将细定位热度图中位于第一目标点位置的预设距离范围外的热度值调整为预设热度值，以在细定位热度图进行调整后，基于细定位热度图的热度值，确定第二目标点位置和第二目标点位置的置信度，故能够使第二目标点位置处于第一目标点位置附近，进一步提高点定位的准确性。

其中，粗定位置信条件包括第一目标点位置的置信度大于第一预设阈值，细定位置信条件包括以下至少一者：第二目标点位置的置信度大于第二预设阈值，第二目标点位置的置信度大于第一目标点位置的置信度。

因此，将粗定位置信条件设置为包括第一目标点位置的置信度大于第一预设阈值，将细定位置信条件设置为包括第二目标点位置的置信度大于第二预设阈值，第二目标点位置的置信度大于第一目标点位置的置信度中的至少一者，能够有利于筛选置信度较优的目标点的位置信息，从而能够有利于提高点定位的准确性和稳定性。

其中，基于粗定位热度图的热度值，确定第一目标点位置，或者基于细定位热度图的热度值，确定第二目标点位置，包括：将定位热度图中热度值最大的点作为目标点位置，或者将定位热度图中的区域预设点作为目标点位置。

因此，通过将定位热度图中热度值最大的点作为目标点位置，或者将定位热度图中的区域预设点作为目标点位置，能够降低确定目标点位置的难度，提高点定位的速度。

其中，基于粗定位热度图的热度值，确定第一目标点位置的置信度，或者，基于细定位热度图的热度值，确定第二目标点位置的置信度，包括：获取至少一个参考热度值；针对每个参考热度值，从定位热度图中获取热度值大于参考热度值的参考区域的尺寸；并基于每个参考区域的尺寸以及目标点位置的热度值得到目标点位置的置信度；或者，基于定位热度图的目标点位置得到目标热度图；基于定位热度图与目标热度图之间的热度值分布相似度，得到目标点位置的置信度。

因此，通过获取至少一个参考热度值，并针对每个参考热度值，从定位热度图中获取热度值大于参考热度值的参考区域的尺寸，从而基于每个参考区域的尺寸以及目标点位置的热度值得到目标点位置的置信度，或者基于定位热度图与目标热度图之间的热度值分布相似度，得到目标点位置的置信度，故能够提高置信度的准确性，同时能够便于后续对置信度偏低的区域进行重新定位、补全。

其中，获取至少一个参考热度值，包括：获取至少一个倍率，将至少一个倍率分别与目标点位置的热度值之间的乘积作为至少一个参考热度值；参考区域包含目标点位置；参考区域的尺寸包括参考区域的周长和面积；基于每个参考区域的尺寸以及目标点位置的热度值得到目标点位置的置信度，包括：获取每个参考区域的面积与周长的平方之间的第一比例，利用至少一个参考区域的第一比例之和、目标点位置的热度值以及预设热度峰值，得到目标点位置的置信度。

因此，通过获取至少一个倍率，将至少一个倍率分别与目标点位置的热度值之间的乘积作为至少一个参考热度值，故能够方便快捷地确定参考热度值，有利于提高点定位的速度，并通过获取每个参考区域的面积与周长的平方之间的第一比例，利用至少一个参考区域的第一比例之和、目标点位置的热度值以及预设热度峰值，得到目标点位置的置信度，故能够准确地确定得到目标点位置的置信度。

其中，基于定位热度图的目标点位置得到目标热度图，包括：基于定位热度图的目标点位置，利用二维高斯函数获得目标热度图中各像素点的热度值，其中，二维高斯函数的指数包含范围参数，且指数的绝对值与范围参数之间为负相关关系，粗定位热度图对应的二维高斯函数中的范围参数大于细定位热度图对应的二维高斯函数中的范围参数；基于定位热度图与目标热度图之间的热度值分布相似度，得到目标点位置的置信度，包括：基于定位热度图与目标热度图之间的热度值分布，获得定位热度图和目标热度图之间的相关系数，以作为目标点位置的置信度。

因此，通过定位热度图的目标点位置，利用二维高斯函数获得目标热度图中各像素点的热度值，且二维高斯函数的指数包含范围参数，且指数的绝对值与范围参数之间为负相关关系，粗定位热度图对应的二维高斯函数中的范围参数大于细定位热度图对应的二维高斯函数中的范围参数，故能够方便、准确地获得目标热度图，从而基于定位热度图与目标热度图之间的热度值分布，获得定位热度图和目标热度图之间的相关系数，以作为目标点位置的置信度，故能够方便、准确地得到目标点位置的置信度。

其中，在对待定位图像进行目标点检测，得到粗定位热度图和细定位热度图之前，还包括：对待定位图像进行预处理；其中预处理包括以下至少一种：将待定位图像进行归一化，对待定位图像进行增强图像对比度。

因此，通过在对待定位图像进行目标点检测之前，对待定位图像进行预处理，且预处理包括将待定位图像进行归一化，和/或对待定位图像进行增强图像对比度，能够有利于提高后续目标点检测的准确性。

其中，在结合分析粗定位热度图和细定位热度图，得到目标点的位置信息之后，还包括：输出目标点的位置信息和对应位置信息的置信度。

因此，在结合分析粗定位热度图和细定位热度图，得到目标点的位置信息之后，输出目标点的位置信息和对应位置信息的置信度，能够有利于用户评价定位得到的目标点的位置信息，提高用户感知。

其中，将待定位图像进行归一化，包括：将待定位图像中大于第一像素值的像素值设置为第一像素值，并将待定位图像中小于第二像素值的像素值设置为第二像素值；其中，在待定位图像的顺序排列的像素值中，位于第一数值排位的像素值为第一像素值，位于第二数值排位的像素值为第二像素值。

因此，通过将待定位图像中大于第一像素值的像素值设置为第一像素值，并将待定位图像中小于第二像素值的热度值设置为第二像素值，且在待定位图像的排序顺序的像素值中，位于第一数值排位的像素值为第一像素值，位于第二数值排位的像素值为第二像素值，从而能够有利于剔除待定位图像中诸如特亮或特暗的干扰，进而能够有利于提高后续目标点检测的准确性，提高点定位的准确性。

其中，对待定位图像进行目标点检测，得到粗定位热度图和细定位热度图，包括：利用深度学习模型对待定位图像进行目标点检测，得到粗定位热度图和细定位热度图。

因此，通过利用深度学习模型对待定位图像进行目标点检测，能够充分利用硬件并行加速，降低目标点检测的复杂度。

其中，深度学习模型为全卷积神经网络，和/或，深度学习模型至少由以下步骤训练得到：获取样本图像，其中，样本图像标注有目标点的真实位置信息；利用目标点的真实位置信息，生成粗目标热度图和细目标热度图；其中，粗目标热度图中包含目标点的第三区域的热度值在第三热度值范围；细目标热度图中包含目标点的第四区域的热度值在第四热度值范围，其中，第三区域大于第四区域；利用深度学习模型对样本图像进行目标点检测，得到粗定位热度图和细定位热度图；基于粗目标热度图与粗定位热度图之间的差异和细目标热度图和细定位热度图之间的差异，调整深度学习模型的网络参数。

因此，通过利用目标点的真实位置信息，生成粗目标热度图和细目标热度图，且粗目标热度图中包含目标点的第三区域的热度值在第三热度值范围，细目标热度图中包含目标点的第四区域的热度值在第四热度值范围，第三区域大于第四区域，从而利用深度学习模型对样本图像进行目标点检测，得到粗定位热度图和细定位热度图，基于粗目标热度图与粗定位热度图之间的差异和细目标热度图和细定位热度图之间的差异，调整深度学习模型的网络参数，能够有利于使深度学习模型生成精确的粗定位热度图和细定位热度图，进而能够有利于提高点定位的准确性和稳定性。

其中，待定位图像为X线图像；在第一区域和第二区域中，越靠近目标点的热度值越高；粗定位热度图中位于第一区域以外的热度值低于第一热度值范围的下限值，细定位热度图中位于第二区域以外的热度值低于第二热度值范围的下限值。

因此，在第一区域和第二区域中，越靠近目标点的热度值越高，粗定位热度图中位于第一区域以外的热度值低于第一热度值范围的下限值，细定位热度图中位于第二区域以外的热度值低于第二热度值范围的下限值，故能够便捷地确定粗定位热度图和细定位热度图中的目标点。

本申请第二方面提供了一种点定位装置，包括：图像获取模块、目标检测模块和位置分析模块，图像获取模块用于获取包含目标点的待定位图像；目标检测模块用于对待定位图像进行目标点检测，得到粗定位热度图和细定位热度图，其中，粗定位热度图中包含目标点的第一区域的热度值在第一热度值范围；细定位热度图中包含目标点的第二区域的热度值在第二热度值范围，其中，第一区域大于第二区域；位置分析模块用于结合分析粗定位热度图和细定位热度图，得到目标点的位置信息。

本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的点定位方法。

本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的点定位方法。

上述方案，通过对获取到的待定位图像进行目标点检测，得到粗定位热度图和细定位热度图，且粗定位热度图中包含目标点的第一区域的热度值在第一热度值范围，细定位热度图中包含目标点的第二区域的热度值在第二热度值范围，粗定位热度图的第一区域大于细定位热度图的第二区域，故粗定位热度图能够表示目标点附近较大范围内的目标响应，而细定位热度图能够表示目标点附近较小范围内的目标响应，故结合分析粗定位热度图和细定位热度图，能够同时兼具粗定位热度图的定位稳定性以及细定位热度图的准确性，从而能够提高点定位的准确性和稳定性。

附图说明

图1是本申请点定位方法一实施例的流程示意图；

图2是图1中待定位图像一实施例的示意图；

图3是图1中粗定位热度图和细定位热度图一实施例的示意图；

图4是对深度学习模型进行训练一实施例的流程示意图；

图5是图1中步骤S13一实施例的流程示意图；

图6是本申请点定位装置一实施例的框架示意图；

图7是本申请电子设备一实施例的框架示意图；

图8是本申请计算机可读存储介质一实施例的框架示意图。

具体实施方式

下面结合说明书附图，对本申请实施例的方案进行详细说明。

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、接口、技术之类的具体细节，以便透彻理解本申请。

本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。

请参阅图1，图1是本申请点定位方法一实施例的流程示意图。具体而言，可以包括如下步骤：

步骤S11：获取包含目标点的待定位图像。

待定位图像可以是包括人脸部五官的图像，以对人脸部双眼、口、鼻等目标点进行定，以便后续用于人脸识别等应用场景；或者，待定位图像还可以是包括人体组织、器官的影像图像，以对人体组织、器官中的目标点进行定位。例如，待定位图像可以为X线图像，即计算机断层扫描图像，在一个具体的实施场景中，请结合参阅图2，图2是图1中待定位图像一实施例的示意图，待定位图像可以为人体下肢(包括左下肢和右下肢)的X线图像，所包含的目标点(图2中黑色填充的圆点)可以包括但不限于：股骨头中心、大转子尖、股骨内踝、股骨外踝、胫骨平台内侧端点、胫骨平台外侧端点、踝关节间隙内侧端点、踝关节间隙外侧端点，图2所示的目标点为左下肢和右下肢上上述8个目标点，即共计16个目标点。在其他应用场景中，可以以此类推，在此不再一一举例。

步骤S12：对待定位图像进行目标点检测，得到粗定位热度图和细定位热度图。

粗定位热度图中包含目标点的第一区域的热度值在第一热度值范围，细定位热度图中包含目标点的第二区域的热度值在第二热度值范围，且第一区域大于第二区域。定位热度图可以反映待定位图像中各个像素点的目标响应，在一个实施场景中，越靠近目标点的热度值越高，即目标响应值越大，粗定位热度图中位于第一区域以外的热度值低于第一热度值范围的下限值，细定位热度图中位于第二区域以外的热度值低于第二热度值范围的下限值，粗定位热度图较细定位热度图在更大的范围上具有高响应值，故粗定位热度图能够在后续点定位过程中确保点定位的稳定性，而细定位热度图能够在后续点定位过程中确保点定位的准确性。请结合参阅图3，图3是图1中粗定位热度图和细定位热度图一实施例的示意图，如图3所示，左侧为粗定位热度图，右侧为细定位热度图，为了便于描述，图3所示的粗定位热度图和细定位热度图表示的是对同一目标点的目标响应，粗定位热度图和细定位热度图中的实心圆点及其外围的白色填充区域分别表示包含目标点的第一区域、第二区域，在一个实施场景中，为了便于区分，还可以以光谱颜色的顺序表示热度值，即可以采用“赤色”表示热度值最大的目标点，随着热度值的降低，分别以“橙色”、“黄色”、“绿色”、“蓝色”等表示远离目标点的点。

在一个实施场景中，为了能够充分利用硬件并行加速，降低目标点检测的复杂度，可以利用深度学习模型对待定位图像进行目标点检测，从而得到粗定位热度图和细定位热度图。在一个实施场景中，深度学习模型可以采用一个含编码器、解码器以及跳跃链接结构的Unet网络。在一个实施场景中，深度学习模型对待定位图像进行目标点检测时，可以对每一目标点生成相应的粗定位热度图和细定位热度图。

在一个实施场景中，为了提高目标点检测的准确性，还可以在进行目标点检测之前，对待定位图像进行归一化。具体地，可以将待定位图像中大于第一像素值的像素值设置为第一像素值，并将待定位图像中小于第二像素值的像素值设置第二像素值，其中，待定位图像的顺序排列的像素值中，位于第一数值排位的像素值为第一像素值，位于第二数值排位的像素值为第二像素值。例如，将待定位图像的像素点按照像素值从小到大进行排序，取第99％(即位于总数的99％位)排位的像素值为第一像素值，取第3％(即位于总数的3％)排位的像素值为第二像素值，并将大于第一像素值的像素值设置为第一像素值，将小于第二像素值的像素值设置为第二像素值。在其他实施场景中，第一数值排位、第二数值排位还可以根据具体应用进行设置，在此不做限定。

在一个实施场景中，为了提高目标点检测的准确性，还可以对待定位图像进行增强图像对比度。具体地，可以采用限制对比度自适应直方图均衡化算法(Contrast LimitedAdaptive Histogram Equalization，CLAHE)实现增强图像的局部对比度。

步骤S13：结合分析粗定位热度图和细定位热度图，得到目标点的位置信息。

在一个实施场景中，可以获取粗定位热度图中的第一目标点位置及第一目标点位置的置信度，并在第一目标点位置的置信度大于置信度阈值时，将第一目标点位置作为目标点的位置信息，从而能够在精确度要求不高的情况下，快速确定目标点的位置信息。具体地，可以将粗定位热度图中热度值最高的点作为第一目标点位置。第一目标点位置的置信度用于表示定位到的第一目标点位置的可信度，第一目标点位置的置信度越高，表示第一目标点位置的可信度越高。本申请中，为了便于描述，如无其他特别说明，采用第一置信度表示第一目标点位置的置信度。

在另一个实施场景中，还可以获取粗定位热度图中的第一目标点位置，并获取细定位热度图中的第二目标点位置及第二目标点位置的置信度，从而基于第二目标点位置的置信度，对第一目标点位置和第二目标点位置进行处理，得到目标点的位置信息，从而能够兼顾点定位的准确性和稳定性，例如，可以根据第二目标点位置的置信度，选择第一目标点位置或第二目标点位置，作为目标点的位置信息；或者，根据第二目标点位置的置信度，输出包含第一目标点位置和第二目标点位置的位置信息，在此不做限定。具体可以将粗定位热度图中热度值最高的点作为第一目标点位置，将细定位热度图中热度值最高的点作为第二目标点位置。第二目标点位置的置信度用于表示定位到的第二目标点位置的可信度，第二目标点位置的置信度越高，表示第二目标点位置的可信度越高。本申请中，为了便于描述，如无其他特别说明，采用第二置信度表示第二目标点位置的置信度。

在又一个实施场景中，还可以输出目标点位置的位置信息和对应位置信息的置信度。例如，当将第一目标点位置作为目标点的位置信息时，可以将第一目标点的置信度作为对应位置信息的置信度；或者，当第二目标点位置作为目标点的位置信息时，可以将第二目标点的置信度作为对应位置信息的置信度，从而能够有利于用户评价定位得到的目标点的位置信息，提高用户感知。

上述方案，通过对获取到的待定位图像进行目标点检测，得到粗定位热度图和细定位热度图，且粗定位热度图中包含目标点的第一区域的热度值在第一热度值范围，细定位热度图中包含目标点的第二区域的热度值在第二热度值范围，粗定位热度图的第一区域大于细定位热度图的第二区域，故粗定位热度图能够表示目标点附近较大范围内的目标响应，而细定位热度图能够表示目标点附近较小范围内的目标响应，故结合分析粗定位热度图和细定位热度图，能够同时兼具粗定位热度图的定位稳定性以及细定位热度图的准确性，从而能够提高点定位的准确性和稳定性。

请参阅图4，图4是对深度学习模型进行训练一实施例的流程示意图，具体而言，可以包括如下步骤：

步骤S41：获取样本图像，其中，样本图像标注有目标点的真实位置信息。

样本图像可以是包括人脸部五官的图像，目标点可以包括：人脸部双眼、口、鼻中的至少一者；或者，样本图像还可以是包括人体组织、器官的影像图像。例如，样本图像可以为X线图像，即计算机断层扫描图像，具体地，样本图像可以为人体下肢(包括左下肢和右下肢)的X线图像，目标点可以包括但不限于：股骨头中心、大转子尖、股骨内踝、股骨外踝、胫骨平台内侧端点、胫骨平台外侧端点、踝关节间隙内侧端点、踝关节间隙外侧端点，具体可以参阅前述实施例中的相关步骤，在此不再赘述。

步骤S42：利用目标点的真实位置信息，生成粗目标热度图和细目标热度图。

粗目标热度图中包含目标点的第三区域的热度值在第三热度值范围；细目标热度图中包含目标点的第四区域的热度值在第四热度值范围，其中，第三区域大于第四区域。

具体地，可以基于样本图像中目标点的真实位置信息，利用二维高斯函数获得粗目标热度图和细目标热度图中各像素点的热度值，其中，二维高斯函数的指数包含范围参数，且指数的绝对与范围参数之间为负相关关系，粗目标热度图对应的二维高斯函数中的范围参数大于细目标热度图对应的二维高斯函数中的范围参数。在一个具体的实施场景中，目标热度图中各像素点的热度值可以表示为：

上述公式(1)中，(x,y)表示像素点的横坐标和纵坐标，(x

步骤S43：利用深度学习模型对样本图像进行目标点检测，得到粗定位热度图和细定位热度图。

深度学习模型可以为全卷积神经网络(Convolutional Neural Networks,CNN)。利用深度学习模型对样本图像进行目标检测，从而得到粗定位热度图和细定位热度图。

步骤S44：基于粗目标热度图与粗定位热度图之间的差异和细目标热度图和细定位热度图之间的差异，调整深度学习模型的网络参数。

在一个实施场景中，粗目标热度图与粗定位热度图之间的差异可以包括：热度图中热度值最大的点之间的位置差异、热度图中热度值大于第三热度范围的下限值的区域之间的尺寸差异。具体地，可以采用均方误差函数、交叉熵函数对上述差异进行处理，得到与粗目标热度图与粗定位热度图之间的差异对应的第一损失值。细目标热度图与细定位热度图之间的差异可以包括：热度图中热度值最大的点之间的位置差异、热度图中热度值大于第四热度范围的下限值的区域之间的尺寸差异。具体地，可以采用均方误差函数、交叉熵函数对上述差异进行处理，得到与细目标热度图和细定位热度图之间的差异对应的第二损失值。

在一个实施场景中，还可以对粗目标热度图与粗定位热度图之间的差异，以及细目标热度图和细定位热度图之间的差异进行加权处理，得到总的差异。具体地，可以对上述一损失值和第二损失值进行加权处理，得到深度学习模型的损失值。

在一个实施场景中，可以采用随机梯度下降(Stochastic Gradient Descent，SGD)、批量梯度下降(Batch Gradient Descent，BGD)、小批量梯度下降(Mini-BatchGradient Descent，MBGD)等方式，对深度学习模型的网络参数进行调整。其中，批量梯度下降是指在每一次迭代时，使用所有样本来进行参数更新；随机梯度下降是指在每一次迭代时，使用一个样本来进行参数更新；小批量梯度下降是指在每一次迭代时，使用一批样本来进行参数更新，在此不再赘述。在一个具体的实施场景中，深度学习模型的网络参数可以包括：隐层神经元的权重、偏置等等。

在一个实施场景中，还可以设置一训练结束条件，当满足训练结束条件时，可以结束对深度学习模型的训练。具体地，训练结束条件可以包括：深度学习模型的损失值小于一预设损失阈值，且损失值不再减小；当前训练次数达到预设次数阈值(例如，500次、1000次等)，在此不做限定。

区别于前述实施例，通过利用目标点的真实位置信息，生成粗目标热度图和细目标热度图，且粗目标热度图中包含目标点的第三区域的热度值在第三热度值范围，细目标热度图中包含目标点的第四区域的热度值在第四热度值范围，第三区域大于第四区域，从而利用深度学习模型对样本图像进行目标点检测，得到粗定位热度图和细定位热度图，基于粗目标热度图与粗定位热度图之间的差异和细目标热度图和细定位热度图之间的差异，调整深度学习模型的网络参数，能够有利于使深度学习模型生成精确的粗定位热度图和细定位热度图，进而能够有利于提高点定位的准确性和稳定性。

请参阅图5，图5是图1中步骤S13一实施例的流程示意图。具体而言，可以包括如下步骤：

步骤S131：基于粗定位热度图的热度值，确定第一目标点位置。

具体地，可以将粗定位热度图中热度值最大的点作为第一目标点位置。在一个实施场景中，还可以将粗定位热度图中的第一区域中的预设点(例如，第一区域的重心)作为第一目标点位置，在此不做限定。

在一个实施场景中，在确定第一目标点位置时，还可以确定第一目标点位置的第一置信度。具体地，可以获取至少一个参考热度值，例如，获取1个参考热度值、2个参考热度值、3个参考热度值等等，并对每个参考热度值，从粗定位热度图中获取热度值大于参考热度值的参考区域的尺寸，从而基于每个参考区域的尺寸以及第一目标点位置的热度值得到第一目标点位置的第一置信度。在一个具体的实施场景中，至少一个参考热度值可以通过计算至少一个倍率(例如，0.2、0.4、0.6、0.8等)分别与第一目标点位置的热度值之间的乘积得到。在一个具体的实施场景中，参考区域的尺寸包括参考区域的周长和面积，从而可以获取每个参考区域的面积与周长的平方之间的第一比例，并利用至少一个参考区域的第一比例之和、第一目标点位置的热度值以及预设热度峰值，得到第一目标点位置的第一置信度。具体地，可以表示为：

上述公式(2)中，confidence表示第一置信度，m表示第一目标点位置的热度值，M表示预设热度峰值，K表示参考区域的数量，s

在另一个实施场景中，为了确定第一目标点位置的第一置信度，还可以基于粗定位热度图的第一目标点位置得到粗目标热度图，并基于粗定位热度图和粗目标热度图之间的热度值分布相似度，得到第一目标点位置的第一置信度。在一个具体的实施场景中，可以基于粗定位热度图的第一目标点位置，利用二维高斯函数获得粗目标热度图中各像素点的热度值，其中，二维高斯函数的指数包含范围参数，且指数的绝对值与范围参数之间为负相关关系。目标热度图的获取过程，具体可以参阅前述实施例中的相关步骤，在此不再赘述。在另一个具体的实施场景中，可以基于粗定位热度图与粗目标热度图之间的热度值分布，获得粗定位热度图和粗目标热度图之间的相关系数，以作为第一目标点位置的第一置信度。

步骤S132：基于细定位热度图的热度值，确定第二目标点位置和第二目标点位置的置信度。

具体地，可以将细定位热度图中热度值最大的点作为第二目标点位置；或者，还可以将细定位热度图中的第二区域中的预设点(例如，第二区域的重心)作为第二目标点位置，在此不做限定。

在一个实施场景中，为了确定第二目标点位置的第二置信度，可以获取至少一个参考热度值，并针对每个参考热度值，从细定位热度图中获取热度值大于参考热度值的参考区域的尺寸，从而基于每个参考区域的尺寸以及第二目标点位置得到第二目标点位置的第二置信度。在一个具体的实施场景中，可以通过至少一个倍率分别与第二目标点位置的热度值之间的乘积，得到至少一个参考热度值，具体可以参考前述相关步骤，在此不再赘述。在另一个具体的实施场景中，可以获取每个参考区域的面积与周长的平方之间的第一比例，利用至少一个参考区域的第一比例之和、第二目标点位置的热度值以及预设热度峰值，得到第二目标点位置的第二置信度，具体可以参考前述相关步骤，在此不再赘述。

在另一个实施场景中，为了确定第二目标点位置的第二置信度，还可以基于细定位热度图的第二目标点位置得到细目标热度图，基于细定位热度图与细目标热度图之间的热度值分布相似度，得到第二目标点位置的置信度。在一个具体的实施场景中，可以基于细定位热度图的第二目标点位置，利用二维高斯函数获得细目标热度图中各个像素点的热度值，其中二维高斯函数的指数包含范围参数，且指数的绝对值与范围参数之间为负相关关系，粗定位热度图对应的二维高斯函数中的范围参数大于细定位热度图对应的二维高斯函数中的范围参数，具体可以参考前述相关步骤，在此不再赘述。在另一个具体的实施场景中，可以基于细定位热度图与细目标热度图之间的热度值分布相似度，获得细定位热度图和细目标热度图之间的相关系数，以作为第二目标点位置的第二置信度，具体可以参考前述相关步骤，在此不再赘述。

在又一个实施场景中，为了在第一目标点位置定位较为准确的情况下，使第二目标点位置位于第一目标点位置附近，还可以基于粗定位热度图的热度值，确定第一目标点位置的置信度，并在第一目标点位置的置信度满足粗定位置信条件时，将细定位热度图中位于第一目标点位置的预设距离范围外的热度值调整预设热度值，且预设热度值在第二热度值范围之外，例如，将预设热度值设置为0，在此不做限定。在细定位热度图进行上述调整之后，可以基于细定位热度图的热度值，确定第二目标点位置和第二目标点位置的置信度。第一目标点位置的置信度、第二目标点位置和第二目标点位置的置信度的确定方式具体可以参阅前述步骤，在此不再赘述。在一个具体的实施场景中，粗定位置信条件可以包括第一目标点位置的置信度大于第一预设阈值(如，0.5等)。故此，当满足粗定位置信条件时，可以认为基于粗定位热度图确定的第一目标点位置基本准确，故可以结合第一目标点位置和细定位热度图定位得到第二目标点位置和第二目标点位置的置信度，以进行后续判断，并使得第二目标点位置位于第一目标点位置附近。在另一个具体的实施场景中，当点定位精度要求不高时，还可以直接输出第一目标点位置及第一置信度，在此不做限定。

在一个实施场景中，上述步骤S131和步骤S132可以按照先后顺序执行，例如，先执行步骤S131后执行步骤S132，或者，先执行步骤S132，后执行步骤S131。在另一个实施场景中，上述步骤S131和步骤S132还可以同时执行，在此不做限定。

步骤S133：判断第二置信度是否满足细定位置信条件，若是，则执行步骤S134，否则执行步骤S135。

具体地，细定位置信条件可以包括以下至少一者：第二置信度大于第二预设阈值(如，0.5)、第二置信度大于第一置信度。当第二置信度满足细定位置信条件时，可以认为第二目标点位置的可信度较高，或者第二目标点位置的可信度较第一目标点位置的可信度更高，故为了提高点定位的准确性，可以执行步骤S134，即采用第二目标点位置作为目标点的位置信息；反之，为了确保点定位的稳定性，可以执行步骤S135，即采用第一目标点位置作为目标点的位置信息。

步骤S134：将第二目标点位置作为目标点的位置信息。

当第二置信度满足细定位置信条件时，可以认为第二目标点位置的可信度较高，或者第二目标点位置的可信度较第一目标点位置的可信度更高，故为了提高点定位的准确性，可以将第二目标点位置作为目标点的位置信息。在一个实施场景中，在将第二目标点位置作为目标点的位置信息时，可以将第二目标点位置的置信度作为对应位置信息的置信度，并输出目标点的位置信息和对应位置信息的置信度。

步骤S135：将第一目标点位置作为目标点的位置信息。

当第二置信度不满足细定位置信条件时，可以认为第二目标点位置的可信度较低，或者第一目标点位置的可信度较第二目标点位置的可信度更高，故为了确保点定位的稳定性，可以将第一目标点位置作为目标点的位置信息。在一个实施场景中，在将第一目标点位置作为目标点的位置信息时，可以将第一目标点位置的置信度作为对应位置信息的置信度，并输出目标点位置的位置信息和对应位置信息的置信度。

此外，当粗定位热度图中的第一目标点位置的第一置信度低于第一预设置信度阈值，且第二目标点位置的第二置信度低于第二预设置信度阈值时，可以认为待定位图像存在图像质量过差、不存在目标点等客观原因，无法实现精确定位，故可以结束点定位流程。第一预设置信度阈值和第二预设置信度阈值可以根据实际情况进行设置，在此不做限定。在一个实施场景中，还可以将上述客观原因输出，以做提醒，从而能够避免无法被精确定位时而给出过大偏差的错误定位，同时也能够便于后续补全。

区别于前述实施例，通过粗定位热度图确定得到的第一目标点位置并通过细定位热度图的热度值，确定得到第二目标点位置和第二目标点位置的置信度，并当第二目标点位置的置信度满足细定位置信条件时，将第二目标点位置作为目标点的位置信息，而当第二目标点位置的置信度不满足细定位置信条件时，将第一目标点位置作为目标点的位置信息，故能够有利于选取置信度较优的作为目标点的位置信息，从而能够有利于提高点定位的准确性和稳定性。

请参阅图6，图6是本申请点定位装置60一实施例的框架示意图。定位装置60包括：图像获取模块61、目标检测模块62和位置分析模块63，图像获取模块61用于获取包含目标点的待定位图像；目标检测模块62用于对待定位图像进行目标点检测，得到粗定位热度图和细定位热度图，其中，粗定位热度图中包含目标点的第一区域的热度值在第一热度值范围；细定位热度图中包含目标点的第二区域的热度值在第二热度值范围，其中，第一区域大于第二区域；位置分析模块63用于结合分析粗定位热度图和细定位热度图，得到目标点的位置信息。

上述方案，通过对获取到的待定位图像进行目标点检测，得到粗定位热度图和细定位热度图，且粗定位热度图中包含目标点的第一区域的热度值在第一热度值范围，细定位热度图中包含目标点的第二区域的热度值在第二热度值范围，粗定位热度图的第一区域大于细定位热度图的第二区域，故粗定位热度图能够表示目标点附近较大范围内的目标响应，而细定位热度图能够表示目标点附近较小范围内的目标响应，故结合分析粗定位热度图和细定位热度图，能够同时兼具粗定位热度图的定位稳定性以及细定位热度图的准确性，从而能够提高点定位的准确性和稳定性。

在一些实施例中，位置分析模块63具体用于获取粗定位热度图中的第一目标点位置以及细定位热度图中的第二目标点位置和第二目标点位置的置信度，并基于第二目标点位置的置信度，对第一目标点位置和第二目标点位置进行处理得到目标点的位置信息。

区别于前述实施例，通过获取粗定位热度图中的第一目标点位置和细定位热度图中的第二目标点位置和第二目标点位置的置信度，从而基于第二目标点位置的置信度，对第一目标点位置和第二目标点位置进行处理，得到目标点的位置信息，进而能够进一步基于粗定位热度图和细定位热度图两者目标点的置信度情况，确定目标点的位置信息，从而能够进一步提高点定位的准确性。

在一些实施例中，位置分析模块63包括第一分析子模块，用于基于粗定位热度图的热度值，确定第一目标点位置，位置分析模块63包括第二分析子模块，用于基于细定位热度图的热度值，确定第二目标点位置和第二目标点位置的置信度，位置分析模块63包括位置选择子模块，用于基于第二目标点位置的置信度，选择第二目标点位置或第一目标点位置，作为目标点的位置信息。

区别于前述实施例，通过粗定位热度图确定得到的第一目标点位置并通过细定位热度图确定得到第二目标点位置和第二目标点位置的置信度，并基于第二目标点位置的置信度，选择第二目标点位置或第一目标点位置，作为目标点的位置信息，能够基于细定位热度图确定得到的第二目标点位置的置信度，从第一目标点位置和粗定位热度图确定得到的第一目标点位置中选择目标点的位置信息，从而能够有利于提高点定位的稳定性。

其中，位置选择子模块包括条件判断单元，用于判断第二目标点位置的置信度是否满足细定位置信条件，位置选择子模块包括位置确定单元，用于在第二目标点位置的置信度满足细定位置信条件时，将第二目标点位置作为目标点的位置信息，位置确定单元还用于在第二目标点位置的置信度不满足细定位置信条件时，将第一目标点位置作为目标点的位置信息。

区别于前述实施例，当第二目标点位置的置信度满足细定位置信条件时，将第二目标点位置作为目标点的位置信息，而当第二目标点位置的置信度不满足细定位置信条件时，将第一目标点位置作为目标点的位置信息，故能够有利于选取置信度较优的作为目标点的位置信息，从而能够有利于提高点定位的准确性和稳定性。

在一些实施例中，第一分析子模块还用于基于粗定位热度图的热度值，确定第一目标点位置的置信度，第二分析子模块包括调整单元，用于在第一目标点位置的置信度满足粗定位置信条件时，将细定位热度图中位于第一目标点位置的预设距离范围外的热度值调整为预设热度值；其中，预设热度值在第二热度值范围之外。

区别于前述实施例，当第一目标点位置的置信度满足粗定位置信条件时，直接将细定位热度图中位于第一目标点位置的预设距离范围外的热度值调整为预设热度值，以在细定位热度图进行调整后，基于细定位热度图的热度值，确定第二目标点位置和第二目标点位置的置信度，故能够使第二目标点位置处于第一目标点位置附近，进一步提高点定位的准确性。

在一些实施例中，粗定位置信条件包括第一目标点位置的置信度大于第一预设阈值，细定位置信条件包括以下至少一者：第二目标点位置的置信度大于第二预设阈值，第二目标点位置的置信度大于第一目标点位置的置信度。

区别于前述实施例，将粗定位置信条件设置为包括第一目标点位置的置信度大于第一预设阈值，将细定位置信条件设置为包括第二目标点位置的置信度大于第二预设阈值，第二目标点位置的置信度大于第一目标点位置的置信度中的至少一者，能够有利于筛选置信度较优的目标点的位置信息，从而能够有利于提高点定位的准确性和稳定性。

在一些实施例中，第一分析子模块、第二分析子模块，或者确定单元具体用于：将定位热度图中热度值最大的点作为目标点位置，或者将定位热度图中的区域预设点作为目标点位置。

区别于前述实施例，通过将定位热度图中热度值最大的点作为目标点位置，或者将定位热度图中的区域预设点作为目标点位置，能够降低确定目标点位置的难度，提高点定位的速度。

在一些实施例中，第一分析子模块、第二分析子模块，或者确定单元具体包括：参考获取子单元，用于获取至少一个参考热度值；区域确定子单元，用于针对每个参考热度值，从定位热度图中获取热度值大于参考热度值的参考区域的尺寸；置信计算子单元，用于基于每个参考区域的尺寸以及目标点位置的热度值得到目标点位置的置信度；或者，具体包括：目标热度图获取子单元，用于基于定位热度图的目标点位置得到目标热度图；置信确定子单元，用于基于定位热度图与目标热度图之间的热度值分布相似度，得到目标点位置的置信度。

区别于前述实施例，通过获取至少一个参考热度值，并针对每个参考热度值，从定位热度图中获取热度值大于参考热度值的参考区域的尺寸，从而基于每个参考区域的尺寸以及目标点位置的热度值得到目标点位置的置信度，或者基于定位热度图与目标热度图之间的热度值分布相似度，得到目标点位置的置信度，故能够提高置信度的准确性，同时能够便于后续对置信度偏低的区域进行重新定位、补全。

在一些实施例中，参考获取子单元具体用于获取至少一个倍率，将至少一个倍率分别与目标点位置的热度值之间的乘积作为至少一个参考热度值，参考区域包含目标点位置；参考区域的尺寸包括参考区域的周长和面积，置信计算子单元具体用于获取每个参考区域的面积与周长的平方之间的第一比例，利用至少一个参考区域的第一比例之和、目标点位置的热度值以及预设热度峰值，得到目标点位置的置信度。

区别于前述实施例，通过获取至少一个倍率，将至少一个倍率分别与目标点位置的热度值之间的乘积作为至少一个参考热度值，故能够方便快捷地确定参考热度值，有利于提高点定位的速度，并通过获取每个参考区域的面积与周长的平方之间的第一比例，利用至少一个参考区域的第一比例之和、目标点位置的热度值以及预设热度峰值，得到目标点位置的置信度，故能够准确地确定得到目标点位置的置信度。

在一些实施例中，目标热度图获取子单元具体用于基于定位热度图的目标点位置，利用二维高斯函数获得目标热度图中各像素点的热度值，其中，二维高斯函数的指数包含范围参数，且指数的绝对值与范围参数之间为负相关关系，粗定位热度图对应的二维高斯函数中的范围参数大于细定位热度图对应的二维高斯函数中的范围参数；置信确定子单元具体用于基于定位热度图与目标热度图之间的热度值分布，获得定位热度图和目标热度图之间的相关系数，以作为目标点位置的置信度。

区别于前述实施例，通过定位热度图的目标点位置，利用二维高斯函数获得目标热度图中各像素点的热度值，且二维高斯函数的指数包含范围参数，且指数的绝对值与范围参数之间为负相关关系，粗定位热度图对应的二维高斯函数中的范围参数大于细定位热度图对应的二维高斯函数中的范围参数，故能够方便、准确地获得目标热度图，从而基于定位热度图与目标热度图之间的热度值分布，获得定位热度图和目标热度图之间的相关系数，以作为目标点位置的置信度，故能够方便、准确地得到目标点位置的置信度。

在一些实施例中，点定位装置60还包括预处理模块，用于对待定位图像进行预处理；其中预处理包括以下至少一种：将待定位图像进行归一化，对待定位图像进行增强图像对比度。

区别于前述实施例，通过在对待定位图像进行目标点检测之前，对待定位图像进行预处理，且预处理包括将待定位图像进行归一化，和/或对待定位图像进行增强图像对比度，能够有利于提高后续目标点检测的准确性。

在一些实施例中，点定位装置60还包括输出模块，用于输出目标点的位置信息和对应位置信息的置信度。

区别于前述实施例，通过输出目标点的位置信息和对应位置信息的置信度，能够有利于用户评价定位得到的目标点的位置信息，提高用户感知。

在一些实施例中，预处理模块包括归一化子模块，用于将待定位图像中大于第一像素值的像素值设置为第一像素值，并将待定位图像中小于第二像素值的像素值设置为第二像素值；其中，在待定位图像的顺序排列的像素值中，位于第一数值排位的像素值为第一像素值，位于第二数值排位的像素值为第二像素值。

区别于前述实施例，通过将待定位图像中大于第一像素值的像素值设置为第一像素值，并将待定位图像中小于第二像素值的热度值设置为第二像素值，且在待定位图像的排序顺序的像素值中，位于第一数值排位的像素值为第一像素值，位于第二数值排位的像素值为第二像素值，从而能够有利于剔除待定位图像中诸如特亮或特暗的干扰，进而能够有利于提高后续目标点检测的准确性，提高点定位的准确性。

在一些实施例中，目标检测模块62具体用于利用深度学习模型对待定位图像进行目标点检测，得到粗定位热度图和细定位热度图。

区别于前述实施例，通过利用深度学习模型对待定位图像进行目标点检测，能够充分利用硬件并行加速，降低目标点检测的复杂度。

在一些实施例中，深度学习模型为全卷积神经网络，点定位装置60还包括模型训练模块，具体包括：样本获取子模块，用于获取样本图像，其中，样本图像标注有目标点的真实位置信息，热度图生成子模块，用于利用目标点的真实位置信息，生成粗目标热度图和细目标热度图；其中，粗目标热度图中包含目标点的第三区域的热度值在第三热度值范围；细目标热度图中包含目标点的第四区域的热度值在第四热度值范围，其中，第三区域大于第四区域；目标检测子模块，用于利用深度学习模型对样本图像进行目标点检测，得到粗定位热度图和细定位热度图，参数调整子模块，用于基于粗目标热度图与粗定位热度图之间的差异和细目标热度图和细定位热度图之间的差异，调整深度学习模型的网络参数。

区别于前述实施例，通过利用目标点的真实位置信息，生成粗目标热度图和细目标热度图，且粗目标热度图中包含目标点的第三区域的热度值在第三热度值范围，细目标热度图中包含目标点的第四区域的热度值在第四热度值范围，第三区域大于第四区域，从而利用深度学习模型对样本图像进行目标点检测，得到粗定位热度图和细定位热度图，基于粗目标热度图与粗定位热度图之间的差异和细目标热度图和细定位热度图之间的差异，调整深度学习模型的网络参数，能够有利于使深度学习模型生成精确的粗定位热度图和细定位热度图，进而能够有利于提高点定位的准确性和稳定性。

在一些实施例中，待定位图像为X线图像；在第一区域和第二区域中，越靠近目标点的热度值越高；粗定位热度图中位于第一区域以外的热度值低于第一热度值范围的下限值，细定位热度图中位于第二区域以外的热度值低于第二热度值范围的下限值。

区别于前述实施例，在第一区域和第二区域中，越靠近目标点的热度值越高，粗定位热度图中位于第一区域以外的热度值低于第一热度值范围的下限值，细定位热度图中位于第二区域以外的热度值低于第二热度值范围的下限值，故能够便捷地确定粗定位热度图和细定位热度图中的目标点。

请参阅图7，图7是本申请电子设备70一实施例的框架示意图。电子设备70包括相互耦接的存储器71和处理器72，处理器72用于执行存储器71中存储的程序指令，以实现上述任一点定位方法实施例中的步骤。在一个具体的实施场景中，电子设备70可以包括但不限于：微型计算机、服务器，此外，电子设备70还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。

具体而言，处理器72用于控制其自身以及存储器71以实现上述任一点定位方法实施例中的步骤。处理器72还可以称为CPU(Central Processing Unit，中央处理单元)。处理器72可能是一种集成电路芯片，具有信号的处理能力。处理器72还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated 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。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。另外，处理器72可以由集成电路芯片共同实现。

上述方案，能够同时兼具粗定位热度图的定位稳定性以及细定位热度图的准确性，从而能够提高点定位的准确性和稳定性。

请参阅图8，图8为本申请计算机可读存储介质80一实施例的框架示意图。计算机可读存储介质80存储有能够被处理器运行的程序指令801，程序指令801用于实现上述任一点定位方法实施例中的步骤。

能够同时兼具粗定位热度图的定位稳定性以及细定位热度图的准确性，从而能够提高点定位的准确性和稳定性。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

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方式方案的目的。

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。

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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。