流媒体数据的识别方法和装置、存储介质及电子设备

技术领域

本申请涉及计算机领域，具体而言，涉及一种流媒体数据的识别方法和装置、存储介质及电子设备。

背景技术

随着视频点播或直播技术的发展，越来越多的用户开始通过视频点播或直播的方式来广播传递有价值的媒体信息。但是这些通过视频点播或直播方式所产生的流媒体数据大多是由用户通过客户端采集后自行上传的，其中涉及的媒体信息有可能会包含一些并不满足广泛传播要求的不良内容，这给很多在线用户带来了很大的困扰。

为了避免上述困扰，在对流媒体数据进行转发传播之前，通常会对流媒体数据中所涉及的媒体信息进行安全审核识别，从而实现减少对不良内容的传播。目前相关技术中提供的安全审核识别方式是：将流媒体数据中的各个图像直接输入用于执行各种不同安审任务的安审识别模型，以确定该图像是否为满足某个安审任务的违规图像，从而达到对该图像的拦截处理。

然而，在相关技术中用于执行各种不同安审任务的安审识别模型数量众多，将同一张图像分别输入不同的安审识别模型分别进行处理，大大增加了对流媒体数据进行识别处理的操作难度，从而导致识别效率较低的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种流媒体数据的识别方法和装置、存储介质及电子设备，以至少解决流媒体数据的识别效率较低的技术问题。

根据本申请实施例的一个方面，提供了一种流媒体数据的识别方法，包括：获取目标流媒体数据；将上述目标流媒体数据输入片段识别网络，其中，上述片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与上述多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个上述安全审核任务用于识别出与一种安全审核类型相匹配的图像；在上述片段识别网络输出从上述目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将上述目标流媒体片段输入多个上述安全审核网络，以得到每个上述安全审核网络各自输出的安全审核结果，其中，上述目标流媒体片段中包括至少一张待审核的图像；基于多个上述安全审核结果，从上述目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。

根据本申请实施例的另一方面，还提供了一种流媒体数据的识别装置，包括：获取单元，用于获取目标流媒体数据；第一输入单元，用于将上述目标流媒体数据输入片段识别网络，其中，上述片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与上述多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个上述安全审核任务用于识别出与一种安全审核类型相匹配的图像；第二输入单元，用于在上述片段识别网络输出从上述目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将上述目标流媒体片段输入多个上述安全审核网络，以得到每个上述安全审核网络各自输出的安全审核结果，其中，上述目标流媒体片段中包括至少一张待审核的图像；识别单元，用于基于多个上述安全审核结果，从上述目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。

根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述流媒体数据的识别方法。

根据本申请实施例的又一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如以上流媒体数据的识别方法。

根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的流媒体数据的识别方法。

在本申请实施例中，获取目标流媒体数据，然后将目标流媒体数据输入片段识别网络，其中，片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个安全审核任务用于识别出与一种安全审核类型相匹配的图像。接着，在片段识别网络输出从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果，其中，目标流媒体片段中包括至少一张待审核的图像。进而，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。换言之，在本申请实施例中，通过利用输入片段识别网络对目标流媒体进行预先处理的方式，得到了从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段。从而将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果。然后，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。换句话说，采用本申请实施例，通过利用输入片段识别网络对目标流媒体进行预先处理的方式，达到了减少多个安全审核网络所需处理的数据量的目的，进而大大地提升了流媒体数据的识别效率。综上可知。采用本申请实施例，达到了提升流媒体数据的识别效率的技术效果，解决了现有技术中提供的流媒体数据识别方式中存在的流媒体数据的识别效率较低的技术问题。

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是根据本申请实施例的一种可选的流媒体数据的识别方法的应用环境的示意图；

图2是根据本申请实施例的一种可选的流媒体数据的识别方法的流程图；

图3是根据本申请实施例的一种可选的流媒体数据的识别方法的流程图；

图4是根据本申请实施例的一种可选的流媒体数据的识别方法的流程图；

图5是根据本申请实施例的一种可选的流媒体数据的识别方法的示意图；

图6是根据本申请实施例的一种可选的流媒体数据的识别方法的示意图；

图7是根据本申请实施例的一种可选的流媒体数据的识别方法的示意图；

图8是根据本申请实施例的一种可选的流媒体数据的识别方法的流程图；

图9是根据本申请实施例的一种可选的流媒体数据的识别方法的流程图；

图10是根据本申请实施例的一种可选的流媒体数据的识别方法的流程图；

图11是根据本申请实施例的一种可选的流媒体数据的识别装置的结构示意图；

图12是根据本申请实施例的一种可选的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。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他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本申请实施例的一个方面，提供了流媒体数据的识别方法，可选地，作为一种可选的实施方式，上述流媒体数据的识别可以但不限于应用于如图1所示的环境中。如图1所示，终端设备102包括了存储器104，用于存储终端设备102运行过程中产生的各项数据、处理器106，用于处理运算上述各项数据、显示器108。终端设备102可以通过网络110与服务器112之间进行数据交互。服务器112与数据库114相连，数据库114用于存储各项数据。终端设备102可以运行用于识别目标流媒体数据的应用程序。

进一步地，上述方法在图1所示环境中对应的具体应用过程，如以下步骤所示：

执行步骤S102，终端设备102获取目标流媒体数据。然后执行步骤S104，终端设备102将目标流媒体数据通过网络110发送给服务器112。

接着执行步骤S106-步骤S110，服务器112将目标流媒体数据输入片段识别网络，其中，片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个安全审核任务用于识别出与一种安全审核类型相匹配的图像。服务器112在片段识别网络输出从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果，其中，目标流媒体片段中包括至少一张待审核的图像。服务器112基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。

进而执行步骤S112，服务器112将目标图像通过网络110发送给终端设备102。

在本申请实施例中，获取目标流媒体数据，然后将目标流媒体数据输入片段识别网络，其中，片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个安全审核任务用于识别出与一种安全审核类型相匹配的图像。接着，在片段识别网络输出从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果，其中，目标流媒体片段中包括至少一张待审核的图像。进而，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。换言之，在本申请实施例中，通过利用输入片段识别网络对目标流媒体进行预先处理的方式，得到了从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段。从而将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果。然后，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。换句话说，采用本申请实施例，通过利用输入片段识别网络对目标流媒体进行预先处理的方式，达到了减少多个安全审核网络所需处理的数据量的目的，进而大大地提升了流媒体数据的识别效率。综上可知。采用本申请实施例，达到了提升流媒体数据的识别效率的技术效果，解决了现有技术中提供的流媒体数据识别方式中存在的流媒体数据的识别效率较低的技术问题。

可选地，在本实施例中，上述终端设备可以是配置有目标客户端的终端设备，可以包括但不限于以下至少之一：手机(如Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile Internet Devices，移动互联网设备)、PAD、台式电脑、智能电视等。目标客户端可以是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。

可选地，作为一种可选的方案，如图2所示，上述流媒体数据方法包括：

S202，获取目标流媒体数据。

可选地，上述流媒体数据可以但不限于应用于在媒体传播媒介中对待传播流媒体数据的安全识别场景当中。具体而言，先通过片段识别网络对待传播的目标流媒体数据进行处理，以得到满足安全审核条件的目标流媒体片段。进而将目标流媒体片段输入至安全审核网络，得到对应的安全审核结果。再基于安全审核结果，确定目标流媒体片段中存在不安全图像。其中，上述目标流媒体数据可以但不限于用于指示通过视频点播或直播方式所产生的流媒体数据。

S204，将目标流媒体数据输入片段识别网络，其中，片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个安全审核任务用于识别出与一种安全审核类型相匹配的图像。

需要说明的是，上述安全审核类型可以但不限于用于指示安全审核所对应的不安全类型的审核场景。上述与安全审核类型匹配的图像可以但不限于用于指示属于与安全审核任务对应的不安全类型的图像。举例而言，假设安全审核类型为画面过度失真审核场景；那么该安全审核类型所对应的安全审核任务则用于在流媒体视频中识别出画面过度失真的图像；与上述安全审核类型对应的安全审核网络则为能够在流媒体视频中识别出画面过度失真的图像的安全审核网络。

可选地，在本实施例中，上述与多个安全审核任务分别匹配的训练集的合集可以但不限于用于指示，用于训练多个安全审核网络的多个训练集的合集。举例而言，假设多个安全审核网络包括：用于识别过度宣传图像的安全审核任务所对应的安全审核网络1、用于识别画面过度失真图像的安全审核任务的安全审核网络2。那么上述训练集的合集中则包括：用于训练安全审核网络1的过度宣传图像的训练集，和用于训练安全审核网络2的画面过度失真图像的训练集。

进一步地，上述片段识别网络中可以但不限于由至少一个片段识别网络组成。具体而言，假设上述片段识别网络由多个片段识别网络组成，在本实施例中可以但不限于采用模型集成(Model Ensemble)(如，投票堆叠(Voting)、平均堆叠(Averaging)、堆栈堆叠(Stacking)、非交叉堆叠(Blending)等)对多个片段识别网络中输出的结果进行融合，以得到片段识别网络输出的最终结果。

可选地，在本实施例中，上述片段识别网络中可以但不限于包括特征提取子网络和分类识别子网络。具体而言，上述特征提取子网络可以但不限于采用循环神经网络(Recurrent Neural Network，简称RNN)，或卷积神经网络(Convolutional NeuralNetwork，简称CNN)，或深度学习模型(Transformer)等，在本实施例中对此并不进行任何限定。上述分类识别子网络可以但不限于采用二分类网络模型，如，逻辑回归模型、支持向量机模型、决策树模型等，在本实施例中对此也不进行任何限定。

需要说明的是，上述安全审核网络也可以但不限于由初始化的RNN，或CNN，或Transformer训练得到。不同安全审核任务所对应的安全审核网络，分别为利用与其对应的不安全审核场景下的训练集进行训练得到的。

可选地，在本实施例中，可以但不限于采用以下步骤实现利用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络，对片段识别网络进行联合训练：从与多个安全审核任务分别匹配的训练集的合集中，确定出与第i个安全审核任务匹配的第i个训练集，其中，i为大于等于1且小于等于N的自然数，N为多个安全审核任务的任务数量；重复执行以下步骤，直至片段识别网络达到与第i个安全审核任务匹配的第i个收敛条件：从第i个训练集中获取第k个训练样本，其中，k为大于等于1且小于等于M的自然数，M为第i个训练集中训练样本的数量；将第k个训练样本输入初始化的片段识别网络，得到第k个分类识别训练结果，并同时将第k个训练样本输入与第i个安全审核任务对应的第i个安全审核网络，得到第k个安全审核参考结果；基于第k个分类识别训练结果和第k个安全审核参考结果，确定与第k个训练样本匹配的第k个训练损失值；在第k个训练损失值达到为第i个安全审核网络配置的预设阈值条件的情况下，确定片段识别网络已达到与第i个安全审核任务匹配的第i个收敛条件；在训练中的片段识别网络达到与N个安全审核任务各自匹配的收敛条件的情况下，确定得到完成训练的片段识别网络。

需要说明的是，将目标流媒体数据输入片段识别网络可以但不限于还包括：通过片段识别网络中的特征提取子网络，从目标流媒体数据包含的视频图像中提取与至少一个安全审核任务相适配的图像特征。然后，将包含图像特征的候选视频图像，输入片段识别网络中与特征提取子网络连接的分类识别子网络，以得到候选视频图像的分类识别结果，其中，分类识别子网络为利用与安全审核条件相匹配的安全审核标签进行训练后得到的网络。进而，基于分类识别结果所指示的满足安全审核条件的候选视频图像，确定出目标流媒体片段。

S206，在片段识别网络输出从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果，其中，目标流媒体片段中包括至少一张待审核的图像。

可选地，在本实施例中，上述满足安全审核条件的目标流媒体片段中包括的图像，均属于多个安全审核任务中的至少一个安全审核任务所对应的不安全类型。换言之，目标流媒体片段中的每一个图像均为不安全图像。如，画面过度失真图像、过度宣传图像等等。

进一步地，上述每个安全审核网络各自输出的安全审核结果可以但不限于用于指示，目标流媒体片段属于安全审核网络所在安全审核任务对应的不安全类型的概率。举例而言，假设将目标流媒体片段分别输入至用于识别过度宣传图像的安全审核任务所对应的安全审核网络1、用于识别画面过度失真图像的安全审核任务的安全审核网络2中后，得到了由安全审核网络1输出的安全审核结果1以及由安全审核网络2输出的安全审核结果2。那么上述安全审核结果1则用于指示目标流媒体片段属于画面过度宣传片段的概率，上述安全审核结果2则用于指示目标流媒体片段属于画面过度失真片段的概率。

此外，上述每个安全审核网络各自输出的安全审核结果可以但不限于还用于指示，目标流媒体片段中的每张图像属于安全审核网络所在安全审核任务对应的不安全类型的预测值，其中，若该预测值为1则确定图像属于安全审核网络所在安全审核任务对应的不安全类型，若该预测值为0则确定图像不属于安全审核网络所在安全审核任务对应的不安全类型。举例而言，假设目标流媒体片段中包括两个图像分别为图像A、图像B。将目标流媒体片段分别输入至用于识别过度宣传图像的安全审核任务所对应的安全审核网络1、用于识别画面过度失真图像的安全审核任务的安全审核网络2中后，得到了由安全审核网络1输出的安全审核结果1以及由安全审核网络2输出的安全审核结果2。那么安全审核结果1中则包括：图像A属于过度宣传图像的预测值、图像B属于过度宣传图像的预测值。安全审核结果2中包括：图像A属于画面过度失真图像的预测值、图像B属于过度失真图像的预测值。

S208，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。

可选地，在本实施例中，在上述每个安全审核网络各自输出的安全审核结果用于指示，目标流媒体片段属于安全审核网络所在安全审核任务对应的不安全类型的概率的情况下，上述基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像可以但不限于包括：在安全审核结果用于指示目标流媒体片段中包括与安全审核类型相匹配的图像的概率的情况下，对多个安全审核结果进行比对；将概率最大的安全审核类型确定为目标安全审核类型，并确定目标流媒体片段包括与目标安全审核类型对应的目标图像。

在上述每个安全审核网络各自输出的安全审核结果用于指示，目标流媒体片段中的每张图像属于安全审核网络所在安全审核任务对应的不安全类型的预测值的情况下，上述基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像包括：将多个安全审核结果中的每一个安全审核结果分别确定为当前审核结果，并执行以下步骤：在当前审核结果中包括预测值中存在1的情况下，将输出当前审核结果的安全审核网络所在安全审核任务对应的不安全类型确定为目标安全审核类型，并将预测为1的图像确定为目标图像。举例而言，假设目标流媒体片段中包括两个图像分别为图像A、图像B。将目标流媒体片段分别输入至用于识别过度宣传图像的安全审核任务所对应的安全审核网络1、用于识别画面过度失真图像的安全审核任务的安全审核网络2中后，得到了由安全审核网络1输出的安全审核结果1以及由安全审核网络2输出的安全审核结果2。安全审核结果1中指示：图像A属于过度宣传图像的预测值为1、图像B属于过度宣传图像的预测值为0。安全审核结果2中指示：图像A属于画面过度失真图像的预测值为0、图像B属于过度失真图像的预测值为1。进而，基于安全审核结果1确定出图像A是属于过度宣传图像的目标图像(即，不安全图像)，基于安全审核结果1确定出图像A是属于画面过度失真的目标图像(即，不安全图像)。

作为一种可选的实施方式，假设上述流媒体数据的识别方法应用于在媒体传播媒介中对待传播流媒体数据的安全识别场景当中，假设上述多个安全审核网络中包括安全审核网络1和安全审核网络2，由如图3所示的以下步骤对上述方法进行整体的举例说明：

执行步骤S302，获取目标流媒体数据。

接着执行步骤S304，其中，在步骤S304中包括：步骤S304-1，提取图像特征，具体而言，通过片段识别网络中的特征提取子网络，从目标流媒体数据包含的视频图像中提取与至少一个安全审核任务相适配的图像特征。步骤S304-2，获取候选视频图像的分类识别结果，具体而言，将包含图像特征的候选视频图像，输入片段识别网络中与特征提取子网络连接的片段识别网络中的分类识别子网络，以得到候选视频图像的分类识别结果。步骤S304-3，确定目标流媒体片段，具体而言，基于分类识别结果所指示的满足安全审核条件的候选视频图像，确定出目标流媒体片段。

然后将目标流媒体片段分别输入至安全审核网络1和安全审核网络2中，进而执行步骤S306-1和S306-2，通过安全审核网络1对目标流媒体片段进行处理，得到安全审核结果a，并通过安全审核网络2对目标流媒体片段进行处理，得到安全审核结果b。

进而执行步骤S308，基于安全审核结果a、安全审核结果b，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。

在本申请实施例中，获取目标流媒体数据，然后将目标流媒体数据输入片段识别网络，其中，片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个安全审核任务用于识别出与一种安全审核类型相匹配的图像。接着，在片段识别网络输出从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果，其中，目标流媒体片段中包括至少一张待审核的图像。进而，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。换言之，采用本申请实施例，通过利用输入片段识别网络对目标流媒体进行预先处理的方式，达到了减少多个安全审核网络所需处理的数据量的目的，进而大大地提升了流媒体数据的识别效率。综上可知。采用本申请实施例，达到了提升流媒体数据的识别效率的技术效果，解决了现有技术中提供的流媒体数据识别方式中存在的流媒体数据的识别效率较低的技术问题。

可选地，作为一种可选的方案，将目标流媒体数据输入片段识别网络包括：

S1，通过片段识别网络中的特征提取子网络，从目标流媒体数据包含的视频图像中提取与至少一个安全审核任务相适配的图像特征。

可选地，在本实施例中，上述特征提取子网络可以但不限于采用循环神经网络(RNN)，或卷积神经网络(CNN)，或深度学习模型(Transformer)等，在本实施例中对此并不进行任何限定。上述与至少一个安全审核任务相适配的图像特征可以但不限于用于指示，属于与至少一个安全审核任务对应的不安全类型图像的图像特征。换言之，上述与至少一个安全审核任务相适配的图像特征为不安全图像所对应的图像特征。

S2，将包含图像特征的候选视频图像，输入片段识别网络中与特征提取子网络连接的分类识别子网络，以得到候选视频图像的分类识别结果，其中，分类识别子网络为利用与安全审核条件相匹配的安全审核标签进行训练后得到的网络。

举例而言，假设目标流媒体数据包括图像A、图像B和图像C，在将目标流媒体数据输入至特征提取子网络后，提取的到的图像A、图像B的图像特征为不安全图像所对应的图像特征，提取到的图像C为安全图像所对应的图像特征。从而将图像A和图像B确定为候选视频图像，并将图像A和图像B依次输入至分类识别子网络中得图像A的分类识别结果和图像B的分类识别结果。

需要说明的是，上分类识别结果用于指示候选视频图像的分类预测结果，上述分类预测结果用于标识候选视频图像是否为满足安全审核条件的视频图像。例如，假设候选视频图像的分类预测结果为0，则确定候选视频图像为不满足安全审核条件的视频图像；假设候选视频图像的分类预测结果为1，则确定候选视频图像为满足安全审核条件的视频图像。在本实施例中，对此并不进行任何限定。

可选地，在本实施例中，上述分类识别子网络可以但不限于采用二分类网络模型，如，逻辑回归模型、支持向量机模型、决策树模型等，在本实施例中对此也不进行任何限定。上述与安全审核条件相匹配的安全审核标签可以但不限于用于标记用于训练分类识别子网络的训练图像所携带的实际分类结果(即，用于标记训练图像实际上是否为满足安全审核条件的图像)。

S3，基于分类识别结果所指示的满足安全审核条件的候选视频图像，确定出目标流媒体片段。

需要说明的是，上述目标流媒体片段中可以但不限于包括：连续的多个满足安全审核条件的候选视频图像。具体而言，上述基于分类识别结果所指示的满足安全审核条件的候选视频图像，确定出目标流媒体片段可以但不限于包括：获取分类识别结果所指示的满足安全审核条件的候选视频图像。然后，将连续N帧满足安全审核条件的候选视频图像，确定为目标流媒体片段。

进一步地，上述基于分类识别结果所指示的满足安全审核条件的候选视频图像，确定出目标流媒体片段还可以包括：获取分类识别子网络当前输出的当前分类识别结果，并获取位于当前分类识别结果之前且与当前分类识别结果相邻的上一个参考分类识别结果。然后，在当前分类识别结果与参考分类识别结果不同的情况下，从当前分类识别结果对应的当前候选视频图像和参考分类识别结果对应的参考候选视频图像中，确定出边界视频图像，其中，边界视频图像指示与不满足安全审核条件的候选视频图像相邻。接着，利用边界视频图像确定出满足安全审核条件的候选视频图像的图像序列，并将满足安全审核条件的候选视频图像的图像序列确定为目标流媒体片段。

作为一种可选的实施方式，假设上述流媒体数据的识别方法应用于在媒体传播媒介中对待传播流媒体数据的安全识别场景当中，假设候选视频图像中包括：候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D，其中，候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D的图像时序标识分别为1、2、3、5。假设在候选视频图像中满足安全审核条件的候选视频图像包括候选视频图像B、候选视频图像C，假设上述多个安全审核网络中包括安全审核网络1和安全审核网络2。由如图4所示的以下步骤对上述方法进行举例说明：

执行步骤S402，通过片段识别网络中的特征提取子网络，从目标流媒体数据包含的视频图像中提取与至少一个安全审核任务相适配的图像特征。

进而执行步骤S404，将包含图像特征的候选视频图像(即，候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D)分别对应的图像特征，输入片段识别网络中与特征提取子网络连接的分类识别子网络，以得到候选视频图像的分类识别结果，其中，候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D的分类识别结果分别为0、1、1、0。进而确定满足安全审核条件的候选视频图像包括：候选视频图像B、候选视频图像C。

从而执行步骤S406，基于分类识别结果所指示的满足安全审核条件的候选视频图像(候选视频图像B、候选视频图像C)，确定出目标流媒体片段，其中，目标流媒体片段中包括候选视频图像B、候选视频图像C。需要说明的是，在本实施例中，上述图像时序标识用于标识视频图像的播放的时序，相邻的视频图像所对应的图像时序标识应当是连续的。

在本申请实施例中，通过片段识别网络中的特征提取子网络，从目标流媒体数据包含的视频图像中提取与至少一个安全审核任务相适配的图像特征。然后，将包含图像特征的候选视频图像，输入片段识别网络中与特征提取子网络连接的分类识别子网络，以得到候选视频图像的分类识别结果，其中，分类识别子网络为利用与安全审核条件相匹配的安全审核标签进行训练后得到的网络。进而，基于分类识别结果所指示的满足安全审核条件的候选视频图像，确定出目标流媒体片段。从而将目标流媒体片段输入多个安全审核网络中，进而大大地提升了流媒体数据的识别效率。达到了提升流媒体数据的识别效率的技术效果，解决了现有技术中提供的流媒体数据识别方式中存在的流媒体数据的识别效率较低的技术问题。

可选地，作为一种可选的方案，基于分类识别结果所指示的满足安全审核条件的候选视频图像，确定出目标流媒体片段包括：

S1，获取分类识别结果所指示的满足安全审核条件的候选视频图像；

S2，将连续N帧满足安全审核条件的候选视频图像，确定为目标流媒体片段。

可选地，假设分类识别结果为1用于指示候选视频图像满足安全审核条件，分类识别结果为0用于指示候选视频图像不满足安全审核条件，上述获取分类识别结果所指示的满足安全审核条件的候选视频图像可以但不限于包括：将分类识别结果为1的候选视频图像确认为满足安全审核条件的候选视频图像。

举例而言，假设满足安全审核条件的候选视频图像包括：候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D、候选视频图像E，其中，如图5所示，候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D、候选视频图像E对应的时序标识分别为：1、3、4、5、8。上述将连续N帧满足安全审核条件的候选视频图像，确定为目标流媒体片段则包括：获取候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D、候选视频图像E中时序标识相互连续的候选视频图像(即，候选视频图像B、候选视频图像C、候选视频图像D)，进而如图5所示，将由候选视频图像B所对应的图像帧B、候选视频图像C所对应的图像帧C、候选视频图像D所对应的图像帧D所组成的流媒体片段，确定为目标流媒体片段。

在本申请实施例中，获取分类识别结果所指示的满足安全审核条件的候选视频图像。然后，将连续N帧满足安全审核条件的候选视频图像，确定为目标流媒体片段。从而将目标流媒体片段输入多个安全审核网络中，进而大大地提升了流媒体数据的识别效率。达到了提升流媒体数据的识别效率的技术效果，解决了现有技术中提供的流媒体数据识别方式中存在的流媒体数据的识别效率较低的技术问题。

可选地，作为一种可选的方案，将连续N帧满足安全审核条件的候选视频图像，确定为目标流媒体片段包括：

获取满足安全审核条件的候选视频图像各自对应的时序标识；

剔除孤立的时序标识，其中，孤立的时序标识指示在获取到的时序标识中并不具有相邻的时序标识；

在剩余的多段连续时序标识中，将一段连续时序标识各自的候选视频图像确定为属于同一个目标流媒体片段。

需要说明的是，上述时序标识用于标识视频图像的播放的时序，相邻的视频图像所对应的图像时序标识应当是连续的。具体地，上述时序标识可以但不限于包括：视频图像的帧号、视频图像的时间戳、视频图像的顺序号等等，在本实施例中对此并不进行任何限定。

作为一种可选的实施例，假设满足安全审核条件的候选视频图像包括：候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D、候选视频图像E、候选视频图像F、候选视频图像G，其中，候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D、候选视频图像E、候选视频图像F、候选视频图像G对应的时序标识分别为：1、3、4、5、7、9、10。由以下步骤对上述方法进行举例解释说明：

如图6中(a)所示，确定满足安全审核条件的候选视频图像包括：候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D、候选视频图像E、候选视频图像F、候选视频图像G所对应的时序标识分别为：1、3、4、5、7、9、10。接着，如图6中(b)所示，将孤立的时序标识1、7分别对应的候选视频图像A、候选视频图像E剔除。

然后，如图6中(c)所示将由候选视频图像B、候选视频图像C、候选视频图像D所组成的流媒体片段确认为一个目标流媒体片段，将由候选视频图像F、候选视频图像G所组成的流媒体片段确认为一个目标流媒体片段。

在本申请实施例中，获取满足安全审核条件的候选视频图像各自对应的时序标识。然后，剔除孤立的时序标识，其中，孤立的时序标识指示在获取到的时序标识中并不具有相邻的时序标识，进而，在剩余的多段连续时序标识中，将一段连续时序标识各自的候选视频图像确定为属于同一个目标流媒体片段，从而达到了提升目标流媒体片段的确定效率的目的。实现了提升流媒体数据的识别效率的技术效果，解决了现有技术中提供的流媒体数据识别方式中存在的流媒体数据的识别效率较低的技术问题。

可选地，作为一种可选的方案，基于分类识别结果所指示的满足安全审核条件的候选视频图像，确定出目标流媒体片段包括：

获取分类识别子网络当前输出的当前分类识别结果，并获取位于当前分类识别结果之前且与当前分类识别结果相邻的上一个参考分类识别结果。

在当前分类识别结果与参考分类识别结果不同的情况下，从当前分类识别结果对应的当前候选视频图像和参考分类识别结果对应的参考候选视频图像中，确定出边界视频图像，其中，边界视频图像指示与不满足安全审核条件的候选视频图像相邻。

可选地，在本实施例中，上述从当前分类识别结果对应的当前候选视频图像和参考分类识别结果对应的参考候选视频图像中，确定出边界视频图像包括：在当前分类识别结果指示当前候选视频图像满足安全审核条件的情况下，将当前候选视频图像标记为第一边界视频图像；在参考分类识别结果指示参考候选视频图像满足安全审核条件的情况下，将参考候选视频图像标记为第二边界视频图像。

利用边界视频图像确定出满足安全审核条件的候选视频图像的图像序列，并将满足安全审核条件的候选视频图像的图像序列确定为目标流媒体片段。

可选地，在本实施例中，上述利用边界视频图像确定出满足安全审核条件的候选视频图像的图像序列包括：确定出具有匹配关系的第一边界视频图像和第二边界视频图像，其中，与第一边界视频图像具有匹配关系的第二边界视频图像，是位于第一边界视频图像之后且距离第一边界视频图像最近的边界视频图像；将从第一边界视频图像开始到与第一边界视频图像具有匹配关系的第二边界视频图像的全部候选视频图像，确定为满足安全审核条件的候选视频图像的图像序列。

在本申请实施例中，获取分类识别子网络当前输出的当前分类识别结果，并获取位于当前分类识别结果之前且与当前分类识别结果相邻的上一个参考分类识别结果。然后，在当前分类识别结果与参考分类识别结果不同的情况下，从当前分类识别结果对应的当前候选视频图像和参考分类识别结果对应的参考候选视频图像中，确定出边界视频图像，其中，边界视频图像指示与不满足安全审核条件的候选视频图像相邻。进而，利用边界视频图像确定出满足安全审核条件的候选视频图像的图像序列，并将满足安全审核条件的候选视频图像的图像序列确定为目标流媒体片段，从而达到了提升目标流媒体片段的确定效率的目的。实现了提升流媒体数据的识别效率的技术效果，解决了现有技术中提供的流媒体数据识别方式中存在的流媒体数据的识别效率较低的技术问题。

可选地，作为一种可选的方案，从当前分类识别结果对应的当前候选视频图像和参考分类识别结果对应的参考候选视频图像中，确定出边界视频图像包括：在当前分类识别结果指示当前候选视频图像满足安全审核条件的情况下，将当前候选视频图像标记为第一边界视频图像；在参考分类识别结果指示参考候选视频图像满足安全审核条件的情况下，将参考候选视频图像标记为第二边界视频图像；

利用边界视频图像确定出满足安全审核条件的候选视频图像的图像序列包括：确定出具有匹配关系的第一边界视频图像和第二边界视频图像，其中，与第一边界视频图像具有匹配关系的第二边界视频图像，是位于第一边界视频图像之后且距离第一边界视频图像最近的边界视频图像；将从第一边界视频图像开始到与第一边界视频图像具有匹配关系的第二边界视频图像的全部候选视频图像，确定为满足安全审核条件的候选视频图像的图像序列。

作为一种可选的实施例，假设候选视频图像包括：候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D，其中，候选视频图像A、候选视频图像B、候选视频图像C、候选视频图像D所对应的分类识别结果分别为0、1、1、0，由以下步骤对上述方法进行举例解释说明：

如图7中(a)所示，将候选视频图像中的候选视频图像A确定为当前候选视频图像，进而获取分类识别子网络当前输出的候选视频图像A的当前分类识别结果为0。由于不存在与当前候选视频图像所对应的参考候选视频图像，因而直接获取下一个候选视频图像。

接着，如图7中(b)所示，将候选视频图像中的候选视频图像B确定为当前候选视频图像，确定与当前候选视频图像相邻的上一个候选视频图像(即，参考候选视频图像)为候选视频图像A。并获取当前候选视频图像的当前分类识别结果为1，参考候选视频图像的参考分类识别结果为0。从而确定当前分类识别结果1与参考分类识别结果0不同，并确定当前分类识别结果指示当前候选视频图像满足安全审核条件，从而将当前候选视频图像(即，候选视频图像B)确定为第一边界视频图像，并获取下一个候选视频图像。

接着，如图7中(c)所示，将候选视频图像中的候选视频图像C确定为当前候选视频图像，确定与当前候选视频图像相邻的上一个候选视频图像(即，参考候选视频图像)为候选视频图像B。并获取当前候选视频图像的当前分类识别结果为1，参考候选视频图像的参考分类识别结果为1。从而确定当前分类识别结果1与参考分类识别结果1相同，并获取下一个候选视频图像。

接着，如图7中(d)所示，将候选视频图像中的候选视频图像D确定为当前候选视频图像，确定与当前候选视频图像相邻的上一个候选视频图像(即，参考候选视频图像)为候选视频图像C。并获取当前候选视频图像的当前分类识别结果为0，参考候选视频图像的参考分类识别结果为1。从而确定当前分类识别结果0与参考分类识别结果1不同，并确定参考分类识别结果指示参考候选视频图像满足安全审核条件，从而将参考候选视频图像(即，候选视频图像C)确定为第二边界视频图像。

然后，如图7中(e)所示，确定第二边界视频图像(即，候选视频图像C)是位于第一边界视频图像(即，候选视频图像B)之后且距离第一边界视频图像(即，候选视频图像B)最近的边界视频图像。从而将从第一边界视频图像(即，候选视频图像B)开始到第二边界视频图像(即，候选视频图像C)的全部候选视频图像(其中包括：候选视频图像B、候选视频图像C)所组成的候选视频图像的图像序列，确定为目标流媒体片段。

在本申请实施例中，通过利用输入片段识别网络对目标流媒体进行预先处理的方式，达到了减少多个安全审核网络所需处理的数据量的目的，进而大大地提升了流媒体数据的识别效率。实现了提升流媒体数据的识别效率的技术效果，解决了现有技术中提供的流媒体数据识别方式中存在的流媒体数据的识别效率较低的技术问题。

可选地，作为一种可选的方案，在获取目标流媒体数据之前，还包括：

从与多个安全审核任务分别匹配的训练集的合集中，确定出与第i个安全审核任务匹配的第i个训练集，其中，i为大于等于1且小于等于N的自然数，N为多个安全审核任务的任务数量；

重复执行以下步骤，直至片段识别网络达到与第i个安全审核任务匹配的第i个收敛条件：

从第i个训练集中获取第k个训练样本，其中，k为大于等于1且小于等于M的自然数，M为第i个训练集中训练样本的数量；

将第k个训练样本输入初始化的片段识别网络，得到第k个分类识别训练结果，并同时将第k个训练样本输入与第i个安全审核任务对应的第i个安全审核网络，得到第k个安全审核参考结果；

基于第k个分类识别训练结果和第k个安全审核参考结果，确定与第k个训练样本匹配的第k个训练损失值；

在第k个训练损失值达到为第i个安全审核网络配置的预设阈值条件的情况下，确定片段识别网络已达到与第i个安全审核任务匹配的第i个收敛条件；

在训练中的片段识别网络达到与N个安全审核任务各自匹配的收敛条件的情况下，确定得到完成训练的片段识别网络。

需要说明的是，上述在第k个训练损失值达到为第i个安全审核网络配置的预设阈值条件的情况下，确定片段识别网络已达到与第i个安全审核任务匹配的第i个收敛条件包括：在连续P个第k个训练损失值小于为第i个安全审核网络配置的预设阈值条件的情况下，确定片段识别网络已达到与第i个安全审核任务匹配的第i个收敛条件，其中，P为大于1的正整数。

可选地，在本实施例中，上述将第k个训练样本输入初始化的片段识别网络，得到第k个分类识别训练结果，并同时将第k个训练样本输入与第i个安全审核任务对应的第i个安全审核网络，得到第k个安全审核参考结果包括：通过初始化的片段识别网络中的特征提取子网络，从第k个训练样本提取第一样本图像特征；通过初始化的片段识别网络中与特征提取子网络连接的分类识别子网络，对第一样本图像特征进行分类识别处理，得到第k个分类识别训练结果；通过第i个安全审核网络从第k个训练样本提取第二样本图像特征，作为第k个安全审核参考结果。

进一步地，上述基于第k个分类识别训练结果和第k个安全审核参考结果，确定与第k个训练样本匹配的第k个训练损失值包括：获取第一样本图像特征与第二样本图像特征之间的特征距离，作为第k个训练样本对应的第一训练损失值；基于第k个分类识别训练结果和与第k个训练样本对应的安全审核标签之间的比对结果，确定第k个训练样本对应的第二训练损失值；对第一训练损失值和第二训练损失值进行加权求和，得到第k个训练损失值；在第k个训练损失值小于为第i个安全审核网络配置的预设阈值条件所指示的目标阈值的情况下，确定第k个训练损失值的出现序位；在第k个训练损失值的出现序位指示是连续第P位的情况下，确定达到为第i个安全审核网络配置的预设阈值条件，其中，P为大于等于2的自然数。

作为一种可选的实施例，假设上述多个安全审核任务中包括：用于识别过度宣传图像的安全审核任务A、用于识别画面过度失真图像的安全审核任务B，其中，用于完成安全审核任务A的安全审核网络是安全审核网络a，用于完成安全审核任务B的安全审核网络是安全审核网络b；安全审核网络a是基于训练集a1所训练得到的，安全审核网络b是基于训练集b1所训练得到的；上述多个安全审核任务分别匹配的训练集的合集中包括训练集a1和训练集b1。由以下步骤对上述方法进行解释举例说明：

从是多个安全审核任务分别匹配的训练集的合集中，确定出与安全审核任务A匹配的训练集a1。进而利用训练集a1联合安全审核网络a对片段识别网络进行训练，直至确定片段识别网络达到与安全审核任务A匹配的收敛条件，具体而言，重复执行以下步骤，直至片段识别网络达到与安全审核任务A匹配的收敛条件：

从训练集a1中获取第k个样本流媒体数据，将第k个样本流媒体数据输入初始化的片段识别网络，得到第k个分类识别训练结果，并同时将第k个样本流媒体数据输入与安全审核网络a中，得到第k个安全审核参考结果。然后，基于第k个分类识别训练结果和第k个安全审核参考结果，确定与第k个训练样本匹配的第k个训练损失值。进而，在第k个训练损失值达到为安全审核网络a配置的预设阈值条件的情况下，确定片段识别网络已达到与安全审核任务A匹配的收敛条件。

接着，从是多个安全审核任务分别匹配的训练集的合集中，确定出与安全审核任务B匹配的训练集b1，同时利用训练集b1联合安全审核网络b对片段识别网络进行训练，直至确定片段识别网络达到与安全审核任务B匹配的收敛条件。具体训练步骤，请参考上文中利用训练集a1联合安全审核网络a对片段识别网络进行训练，直至确定片段识别网络达到与安全审核任务A匹配的收敛条件的训练步骤，在本实施例中不再进行赘述。

进一步地，确定训练中的片段识别网络已经达到与安全审核任务A、安全审核任务B各自匹配的收敛条件，并将当前状态下的片段识别网络确定为完成训练的片段识别网络。

在本申请实施例中，采用使用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络对片段识别网络进行训练的方式。使得片段识别网络能够在目标流媒体数据中准确地识别出与多个安全审核任务分别匹配的目标流媒体片段，进而达到了提升流媒体数据的识别的准确性的技术效果。

可选地，作为一种可选的方案，将第k个训练样本输入初始化的片段识别网络，得到第k个分类识别训练结果，并同时将第k个训练样本输入与第i个安全审核任务对应的第i个安全审核网络，得到第k个安全审核参考结果包括：

S1，初始化的片段识别网络中的特征提取子网络，从第k个训练样本提取第一样本图像特征；通过初始化的片段识别网络中与特征提取子网络连接的分类识别子网络，对第一样本图像特征进行分类识别处理，得到第k个分类识别训练结果；

S2，通过第i个安全审核网络从第k个训练样本提取第二样本图像特征，作为第k个安全审核参考结果。

作为一种可选的实施例，假设上述多个安全审核任务中包括：用于识别过度宣传图像的安全审核任务A、用于识别画面过度失真图像的安全审核任务B，其中，用于完成安全审核任务A的安全审核网络是安全审核网络a，用于完成安全审核任务B的安全审核网络是安全审核网络b；安全审核网络a是基于训练集a1所训练得到的，安全审核网络b是基于训练集b1所训练得到的；上述多个安全审核任务分别匹配的训练集的合集中包括训练集a1和训练集b1。由以下步骤对上述方法进行解释举例说明：

从是多个安全审核任务分别匹配的训练集的合集中，确定出与安全审核任务A匹配的训练集a1。进而利用训练集a1联合安全审核网络a对片段识别网络进行训练，直至确定片段识别网络达到与安全审核任务A匹配的收敛条件，具体而言，重复执行以下步骤，直至片段识别网络达到与安全审核任务A匹配的收敛条件：

从训练集a1中获取第k个样本流媒体数据，通过初始化的片段识别网络中的特征提取子网络，从第k个训练样本提取第一样本图像特征；进而通过初始化的片段识别网络中与特征提取子网络连接的分类识别子网络，对第一样本图像特征进行分类识别处理，得到第k个分类识别训练结果；同时，通过安全审核网络a从第k个训练样本提取第二样本图像特征，作为第k个安全审核参考结果。然后，基于第k个分类识别训练结果和第k个安全审核参考结果，确定与第k个训练样本匹配的第k个训练损失值。进而，在第k个训练损失值达到为安全审核网络a配置的预设阈值条件的情况下，确定片段识别网络已达到与安全审核任务A匹配的收敛条件。

接着，从是多个安全审核任务分别匹配的训练集的合集中，确定出与安全审核任务B匹配的训练集b1，同时利用训练集b1联合安全审核网络b对片段识别网络进行训练，直至确定片段识别网络达到与安全审核任务B匹配的收敛条件。具体训练步骤，请参考上文中利用训练集a1联合安全审核网络a对片段识别网络进行训练，直至确定片段识别网络达到与安全审核任务A匹配的收敛条件的训练步骤，在本实施例中不再进行赘述。

进一步地，确定训练中的片段识别网络已经达到与安全审核任务A、安全审核任务B各自匹配的收敛条件，并将当前状态下的片段识别网络确定为完成训练的片段识别网络。

在本申请实施例中，在本申请实施例中，采用使用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络对片段识别网络进行训练的方式。使得片段识别网络能够在目标流媒体数据中准确地识别出与多个安全审核任务分别匹配的目标流媒体片段，进而达到了提升流媒体数据的识别的准确性的技术效果。

可选地，作为一种可选的方案，基于第k个分类识别训练结果和第k个安全审核参考结果，确定与第k个训练样本匹配的第k个训练损失值包括：

获取第一样本图像特征与第二样本图像特征之间的特征距离，作为第k个训练样本对应的第一训练损失值；

基于第k个分类识别训练结果和与第k个训练样本对应的安全审核标签之间的比对结果，确定第k个训练样本对应的第二训练损失值；

对第一训练损失值和第二训练损失值进行加权求和，得到第k个训练损失值；

在第k个训练损失值小于为第i个安全审核网络配置的预设阈值条件所指示的目标阈值的情况下，确定第k个训练损失值的出现序位；

在第k个训练损失值的出现序位指示是连续第P位的情况下，确定达到为第i个安全审核网络配置的预设阈值条件，其中，P为大于等于2的自然数。

需要说明的，上述安全审核标签用于指示第k个训练样本携带的真实安全审核分类结果，即，该真实安全审核分类结果用于指示上述第k个训练样本实际上是否是为满足安全审核条件的训练样本。

作为一种可选的实施例，假设上述多个安全审核任务中包括：用于识别过度宣传图像的安全审核任务A、用于识别画面过度失真图像的安全审核任务B，其中，用于完成安全审核任务A的安全审核网络是安全审核网络a，用于完成安全审核任务B的安全审核网络是安全审核网络b；安全审核网络a是基于训练集a1所训练得到的，安全审核网络b是基于训练集b1所训练得到的；上述多个安全审核任务分别匹配的训练集的合集中包括训练集a1和训练集b1。假设上述P为2，由以下步骤对上述方法进行解释举例说明：

从是多个安全审核任务分别匹配的训练集的合集中，确定出与安全审核任务A匹配的训练集a1。进而利用训练集a1联合安全审核网络a对片段识别网络进行训练，直至确定片段识别网络达到与安全审核任务A匹配的收敛条件，具体而言，重复执行以下步骤，直至片段识别网络达到与安全审核任务A匹配的收敛条件：

从训练集a1中获取第1个样本流媒体数据，通过初始化的片段识别网络中的特征提取子网络，从第1个训练样本提取第一样本图像特征；进而通过初始化的片段识别网络中与特征提取子网络连接的分类识别子网络，对第一样本图像特征进行分类识别处理，得到第1个分类识别训练结果；同时，通过安全审核网络a从第1个训练样本提取第二样本图像特征，作为第1个安全审核参考结果。

然后，采用如下所示的均方误差(L2 loss)回归损失函数来获取第二样本图像特征与第二样本图像特征之间的训练损失值f1：

其中，上述公式中的参数n为第一样本图像特征所对应的特征维度数量，上述公式中的参数x

采用如下所示的平方损失函数来获取第1个分类识别训练结果和与第1个训练样本对应的安全审核标签之间的比对结果之间的第二训练损失值f2：

其中，上述公式中的y为第1个训练样本对应的安全审核标签所对应数值，上述f(x)为第1个分类识别训练结果。需要说明的是，在本实施例中还可以采用其他任意方法来获取上述第二训练损失值f2，在本实施例中对此并不进行任何限定。

接着，如下以下公式所示对第一训练损失值f1和第二训练损失值f2进行加权求和，得到第1个训练损失值f：

f＝f1×w1+f2×w2(3)

其中，上述公式中的w1为第一训练损失值f1所对应的权重，上述w2为上述第二训练损失值f2所对应的权重。

然后，对第1个训练损失值f与安全审核网络a配置的预设阈值，在确定第1个训练损失值并未达到预设阈值的情况下，继续从训练集a1中获取第2个样本流媒体数据。参考上述步骤，得到第2个训练损失值f，在确定第3个训练损失值并未达到预设阈值的情况下，继续从训练集a1中获取第4个样本流媒体数据。假设第4个训练损失值达到了预设阈值，确定第4个训练损失值为达到预设阈值的第1位训练损失值，进而继续从训练集a1中获取第5个样本流媒体数据。参考上述步骤，得到第5个训练损失值f，假设第4个训练损失值达到了预设阈值，确定第5个训练损失值为达到预设阈值的第2位训练损失值，进而确定达到为安全审核网络a1配置的预设阈值条件。

接着，从是多个安全审核任务分别匹配的训练集的合集中，确定出与安全审核任务B匹配的训练集b1，同时利用训练集b1联合安全审核网络b对片段识别网络进行训练，直至确定片段识别网络达到与安全审核任务B匹配的收敛条件。具体训练步骤，请参考上文中利用训练集a1联合安全审核网络a对片段识别网络进行训练，直至确定片段识别网络达到与安全审核任务A匹配的收敛条件的训练步骤，在本实施例中不再进行赘述。

进一步地，确定训练中的片段识别网络已经达到与安全审核任务A、安全审核任务B各自匹配的收敛条件，并将当前状态下的片段识别网络确定为完成训练的片段识别网络。

在本申请实施例中，在本申请实施例中，采用使用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络对片段识别网络进行训练的方式。使得片段识别网络能够在目标流媒体数据中准确地识别出与多个安全审核任务分别匹配的目标流媒体片段，进而达到了提升流媒体数据的识别的准确性的技术效果。

可选地，作为一种可选的方案，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像包括：

S1，在安全审核结果用于指示目标流媒体片段中包括与安全审核类型相匹配的图像的概率的情况下，对多个安全审核结果进行比对；

S2，将概率最大的安全审核类型确定为目标安全审核类型，并确定目标流媒体片段包括与目标安全审核类型对应的目标图像。

作为一种可选的实施方式，假设上述多个安全审核任务中包括：用于识别过度宣传图像的安全审核任务A、用于识别画面过度失真图像的安全审核任务B，其中，用于完成安全审核任务A的安全审核网络是安全审核网络a，用于完成安全审核任务B的安全审核网络是安全审核网络b。由如图8所示的以下步骤对上述方法进行解释举例说明：

执行步骤S802-1、S802-2至S804-1、S804-2，分别将目标流媒体片段输入用于实现识别过度宣传图像的安全审核任务A的安全审核网络a，和用于识别画面过度失真图像的安全审核任务B的安全审核网络b。进而，获取到安全审核任务A所对应的安全审核结果a1，以及安全审核任务B所对应的安全审核结果b1。其中，安全审核结果a1指示目标流媒体片段属于过度宣传类型流媒体片段的概率为80％，安全审核结果b1指示目标流媒体片段属于画面过度失真类型流媒体片段的概率为20％。

从而，执行步骤S806，确定目标流媒体片段属于过度宣传类型媒体片段的概率最高，并将目标流媒体片段确定为过度宣传类型的流媒体片段。

接着，执行步骤S808，对目标流媒体片段进行进一步地分析(如，机器审核、人工审核等)，以确定出目标流媒体片段中包括的存在过度宣传问题的视频图像(即，目标图像)。

在本申请实施例中，通过利用多个安全审核网络对目标流媒体片段进行处理，得到的多个安全审核结果来从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像的方式，达到了提升流媒体数据的识别准确性的技术效果。

可选地，作为一种可选的实施方式，假设上述多个安全审核任务中包括：用于识别过度宣传图像的安全审核任务A、用于识别画面过度失真图像的安全审核任务B，其中，用于完成安全审核任务A的安全审核网络是安全审核网络a，用于完成安全审核任务B的安全审核网络是安全审核网络b，安全审核网络a是由与安全审核任务A所对应的任务训练集a1训练得到的，安全审核网络b是由与安全审核任务B所对应的任务训练集b1训练得到的。由如图9所示的以下步骤，对上述流媒体数据的识别方法中包括的片段识别网络的训练过程进行完整的举例解释说明：

执行步骤S902-1、S902-2、S902-3，将训练集a1分别输入至安全审核网络a、片段识别网络中的特征提取子网络902中，并将训练集b1分别输入至安全审核网络、特征提取子网络902中。利用安全审核网络a对训练集a1进行处理得到图像特征f1，利用安全审核网络b对训练集b1进行处理得到图像特征f2，并利用特征提取子网络902对训练集a1和训练集b1进行处理得到图像特征f。

接着，执行步骤S904-1、S904-2，利用矩阵映射的方式在图像特征f中映射出安全审核任务A所对应安全审核类型下的图像特征f3，并利用矩阵映射的方式在图像特征f中映射出安全审核任务A所对应安全审核类型下的图像特征f4。

然后，执行步骤S906-1、S906-2、S906-3、S906-4、S906-5以及S908，对图像特征f1和图像特征f3进行特征比对，得到特征最小化特征距离a2；并对图像特征f2和图像特征f4进行特征比对得到特征最小化特征距离b2。同时，利用片段识别网络中的分类识别子网络904对图像特征f进行识别得到分类识别结果。获取分类识别结果与训练集a1、训练集b2中携带的实际分类标签之间的第二损失函数，并利用最小化特征距离a2和最小化特征距离b2生成第一损失函数(其中，第一损失函数中包括：最小化特征距离a2和最小化特征距离b2)。进而，利用第一损失函数、第二损失函数生成目标损失函数(其中，目标损失函数＝第一损失函数×第一权重+第二损失函数)。

不断重复以上步骤，直至第一损失函数、第二损失函数以及目标损失函数均达到收敛值，此处不再进行赘述。

需要说明的，在本实施例中还可以根据当前图像与相邻图片的图像特征f之间的距离是否大于预定阈值，确定当前图像所对应的分类识别结果，具体而言，在当前图像与相邻图片的图像特征f之间的距离达到预定阈值的情况下，确定当前图像为满足安全审核条件的图像。该阈值的具体计算方式为：取多个不含有和含有拦截图像的点播或直播流片段，计算拦截图像的f的均值和正常图像的f的均值，使用两者的差值(也可以在差值上乘以一个系数)来作为预定阈值。

在本实施例中，采用使用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络对片段识别网络进行训练的方式。使得片段识别网络能够在目标流媒体数据中准确地识别出与多个安全审核任务分别匹配的目标流媒体片段，进而达到了提升流媒体数据的识别的准确性的技术效果。

可选地，作为另一种可选的实施方式，由如图10所示的以下步骤，对上述流媒体数据的识别方法进行完整的举例解释说明：

执行步骤S1002-步骤S1004，将目标流媒体数据输入至片段识别网络中，得到目标流媒体数据中各个分类识别结果；确定分类识别结果所对应数值。

接着，在分类识别结果为0的情况下，执行步骤S1006-1，将分类识别结果所对应的图像丢弃，并记录分类识别结果从1跳变至0的时间点t1。在分类识别结果为1的情况下，执行步骤S1006-2，将分类识别结果所对应的图像保存储在缓存中，并记录分类识别结果从0跳变到1的时间点t0。

进而执行步骤S1008，确定分类结果是否为最后一个分类识别结果。在分类结果是最后一个分类识别结果的情况下，执行步骤S1010，将t0和t1时间点之间的图像所构成的流媒体片段确定为目标流媒体片段。在分类结果不是最后一个分类识别结果的情况下，获取下一个分类识别结果，并重复执行步骤S1004-步骤S1008。

接着，执行步骤S1012，将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果，其中，目标流媒体片段中包括至少一张待审核的图像。然后，执行步骤S1014，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。

采用本申请实施例，通过利用输入片段识别网络对目标流媒体进行预先处理的方式，达到了减少多个安全审核网络所需处理的数据量的目的，进而大大地提升了流媒体数据的识别效率。达到了提升流媒体数据的识别效率的技术效果，解决了现有技术中提供的流媒体数据识别方式中存在的流媒体数据的识别效率较低的技术问题。具体而言，通过实验数据表明，在实际点播或直播场景下，实验数据表明，采用本申请实例与现有技术中提供的流媒体数据的识别方式相比，降低了安全审核网络40％+的线上成本，减少了进审量27％+。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

根据本申请实施例的另一个方面，还提供了一种用于实施上述流媒体数据的识别方法的流媒体数据的识别装置。如图11所示，该装置包括：

获取单元1102，用于获取目标流媒体数据；

第一输入单元1104，用于将目标流媒体数据输入片段识别网络，其中，片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个安全审核任务用于识别出与一种安全审核类型相匹配的图像；

第二输入单元1106，用于在片段识别网络输出从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果，其中，目标流媒体片段中包括至少一张待审核的图像；

识别单元1108，用于基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。

可选地，在本实施例中，上述第一输入单元包括：第一输入模块，用于将目标流媒体数据输入片段识别网络包括：第一提取模块，用于通过片段识别网络中的特征提取子网络，从目标流媒体数据包含的视频图像中提取与至少一个安全审核任务相适配的图像特征；第二输入模块，用于将包含图像特征的候选视频图像，输入片段识别网络中与特征提取子网络连接的分类识别子网络，以得到候选视频图像的分类识别结果，其中，分类识别子网络为利用与安全审核条件相匹配的安全审核标签进行训练后得到的网络；第一确定模块，用于基于分类识别结果所指示的满足安全审核条件的候选视频图像，确定出目标流媒体片段。

可选地，在本实施例中，上述第一确定模块还用于获取分类识别结果所指示的满足安全审核条件的候选视频图像；将连续N帧满足安全审核条件的候选视频图像，确定为目标流媒体片段。

可选地，在本实施例中，上述第一确定模块还用于获取满足安全审核条件的候选视频图像各自对应的时序标识；剔除孤立的时序标识，其中，孤立的时序标识指示在获取到的时序标识中并不具有相邻的时序标识；在剩余的多段连续时序标识中，将一段连续时序标识各自的候选视频图像确定为属于同一个目标流媒体片段。

可选地，在本实施例中，上述第一确定模块还用于获取分类识别子网络当前输出的当前分类识别结果，并获取位于当前分类识别结果之前且与当前分类识别结果相邻的上一个参考分类识别结果；在当前分类识别结果与参考分类识别结果不同的情况下，从当前分类识别结果对应的当前候选视频图像和参考分类识别结果对应的参考候选视频图像中，确定出边界视频图像，其中，边界视频图像指示与不满足安全审核条件的候选视频图像相邻；利用边界视频图像确定出满足安全审核条件的候选视频图像的图像序列，并将满足安全审核条件的候选视频图像的图像序列确定为目标流媒体片段。

可选地，在本实施例中，上述第一确定模块还用于在当前分类识别结果指示当前候选视频图像满足安全审核条件的情况下，将当前候选视频图像标记为第一边界视频图像；在参考分类识别结果指示参考候选视频图像满足安全审核条件的情况下，将参考候选视频图像标记为第二边界视频图像；确定出具有匹配关系的第一边界视频图像和第二边界视频图像，其中，与第一边界视频图像具有匹配关系的第二边界视频图像，是位于第一边界视频图像之后且距离第一边界视频图像最近的边界视频图像；将从第一边界视频图像开始到与第一边界视频图像具有匹配关系的第二边界视频图像的全部候选视频图像，确定为满足安全审核条件的候选视频图像的图像序列。

可选地，在本实施例中，上述装置还包括：第一确定单元，用于从与多个安全审核任务分别匹配的训练集的合集中，确定出与第i个安全审核任务匹配的第i个训练集，其中，i为大于等于1且小于等于N的自然数，N为多个安全审核任务的任务数量；

第一识别单元，用于重复执行以下步骤，直至片段识别网络达到与第i个安全审核任务匹配的第i个收敛条件：从第i个训练集中获取第k个训练样本，其中，k为大于等于1且小于等于M的自然数，M为第i个训练集中训练样本的数量；将第k个训练样本输入初始化的片段识别网络，得到第k个分类识别训练结果，并同时将第k个训练样本输入与第i个安全审核任务对应的第i个安全审核网络，得到第k个安全审核参考结果；基于第k个分类识别训练结果和第k个安全审核参考结果，确定与第k个训练样本匹配的第k个训练损失值；在第k个训练损失值达到为第i个安全审核网络配置的预设阈值条件的情况下，确定片段识别网络已达到与第i个安全审核任务匹配的第i个收敛条件；在训练中的片段识别网络达到与N个安全审核任务各自匹配的收敛条件的情况下，确定得到完成训练的片段识别网络。

可选地，在本实施例中，上述第一识别单元还用于通过初始化的片段识别网络中的特征提取子网络，从第k个训练样本提取第一样本图像特征；通过初始化的片段识别网络中与特征提取子网络连接的分类识别子网络，对第一样本图像特征进行分类识别处理，得到第k个分类识别训练结果；通过第i个安全审核网络从第k个训练样本提取第二样本图像特征，作为第k个安全审核参考结果。

可选地，在本实施例中，上述第一识别单元还用于获取第一样本图像特征与第二样本图像特征之间的特征距离，作为第k个训练样本对应的第一训练损失值；基于第k个分类识别训练结果和与第k个训练样本对应的安全审核标签之间的比对结果，确定第k个训练样本对应的第二训练损失值；对第一训练损失值和第二训练损失值进行加权求和，得到第k个训练损失值；在第k个训练损失值小于为第i个安全审核网络配置的预设阈值条件所指示的目标阈值的情况下，确定第k个训练损失值的出现序位；在第k个训练损失值的出现序位指示是连续第P位的情况下，确定达到为第i个安全审核网络配置的预设阈值条件，其中，P为大于等于2的自然数。

可选地，在本实施例中，上述识别单元包括：第一比对模块，用于在安全审核结果用于指示目标流媒体片段中包括与安全审核类型相匹配的图像的概率的情况下，对多个安全审核结果进行比对；第二确定模块，用于将概率最大的安全审核类型确定为目标安全审核类型，并确定目标流媒体片段包括与目标安全审核类型对应的目标图像。

具体实施例可以参考上述流媒体数据的识别方法中所示示例，本实施例在此不再赘述。

根据本申请实施例的又一个方面，还提供了一种用于实施上述流媒体数据的识别方法的电子设备，本实施例以该电子设备为终端为例来说明。如图12所示，该电子设备包括存储器1202和处理器1204，该存储器1202中存储有计算机程序，该处理器1204被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取目标流媒体数据；

S2，将目标流媒体数据输入片段识别网络，其中，片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个安全审核任务用于识别出与一种安全审核类型相匹配的图像；

S3，在片段识别网络输出从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果，其中，目标流媒体片段中包括至少一张待审核的图像；

S4，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。

可选地，本领域普通技术人员可以理解，图12所示的结构仅为示意，电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图12其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图12中所示更多或者更少的组件(如网络接口等)，或者具有与图12所示不同的配置。

其中，存储器1202可用于存储软件程序以及模块，如本申请实施例中的流媒体数据的识别方法和装置对应的程序指令/模块，处理器1204通过运行存储在存储器1202内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的流媒体数据的识别方法。存储器1202可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1202可进一步包括相对于处理器1204远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1202具体可以但不限于用于存储目标流媒体数据等信息。作为一种示例，如图12所示，上述存储器1202中可以但不限于包括上述流媒体数据的识别装置中的获取单元1102、第一输入单元1104、第二输入单元1106及识别单元1108。此外，还可以包括但不限于上述流媒体数据的识别装置中的其他模块单元，本示例中不再赘述。

可选地，上述的传输装置1206用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1206包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1206为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子设备还包括：连接总线1208，用于连接上述电子设备中的各个模块部件。

在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点到点的网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点到点的网络而成为该区块链系统中的一个节点。

根据本申请的一个方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序/指令，该计算机程序/指令包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理器执行时，执行本申请实施例提供的各种功能。

根据本申请的一个方面，提供了一种计算机可读存储介质，计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方法。

可选地，在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取目标流媒体数据；

S2，将目标流媒体数据输入片段识别网络，其中，片段识别网络为利用与多个安全审核任务分别匹配的训练集的合集，和与多个安全审核任务分别对应的安全审核网络进行联合训练后得到的网络，每个安全审核任务用于识别出与一种安全审核类型相匹配的图像；

S3，在片段识别网络输出从目标流媒体数据中识别出的满足安全审核条件的目标流媒体片段的情况下，将目标流媒体片段输入多个安全审核网络，以得到每个安全审核网络各自输出的安全审核结果，其中，目标流媒体片段中包括至少一张待审核的图像；

S4，基于多个安全审核结果，从目标流媒体片段中识别出与目标安全审核类型相匹配的目标图像。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

上述实施例中的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，可以存储在上述计算机可读取的存储介质中。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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。