商场监控环境下的儿童特征提取方法、装置

技术领域

本发明涉及图像处理的技术领域，特别涉及一种商场监控环境下的儿童特征提取方法、装置、计算机设备和存储介质。

背景技术

随着科技的发展，包括计算机计算能力发展，智能设备如手机、监控摄像、工业相机的发展，图像和视频的数据量、分辨率以及存储都大幅度增长，从现有的图像或视频获得人类想要的信息的技术研究就变得异常重要。其中，计算机视觉在视频的应用方向包括视频分类、视频目标检测与跟踪、视频安全检测、目标识别等。其中目标识别还可以细分为物体识别、人脸识别、姿态识别、行为识别等。

近年来，儿童安全一直是社会关注的重点之一，尤其是在公共场合，对儿童的保护和监护尤为重要。在这样的背景下，对儿童进行准确的识别和分析变得非常关键。传统的儿童识别技术主要依赖于面部识别或其他生物特征，这些技术在准确性和速度方面存在一定的限制。而且，随着社会的发展和技术的进步，只使用单一的标签来表示儿童的特征已经无法满足日益复杂的应用需求。

发明内容

本发明的主要目的为提供一种商场监控环境下的儿童特征提取方法、装置、计算机设备和存储介质，实现了快速获得儿童的特征以进行身份识别的有益效果。

为实现上述目的，本发明提供了一种商场监控环境下的儿童特征提取方法，包括以下步骤：

获取图片中的儿童特征，通过卷积神经网络对所述儿童特征提取，得到第一儿童特征；

通过优化模块对所述第一儿童特征处理，得到儿童多标签特征；其中，所述优化模块包括第一优化模块和第二优化模块；

所述通过优化模块对所述第一儿童特征处理，得到儿童多标签特征包括以下步骤：

通过第一优化模块对所述第一儿童特征进行权重分析；得到第一儿童权重特征；其中，所述第一优化模块是将SE模块加在Resnet-50模块中的C2-C4的结合，所述SE模块用于增强卷积神经网络对所述儿童特征提取，所述Resnet-50模块用于快速获得第一儿童特征进行身份识别；

将所述第一儿童权重特征输入到第二优化模块内进行特征分类处理，得到儿童多标签特征，其中，所述第二优化模块是将多头自注意力机制模块替换Resnet-50模块中的C5的结合。

作为本发明进一步的方案，所述优化模块还包括函数模块，将所述第一儿童权重特征输入函数模型中，得到第二儿童权重特征，判断所述第二儿童权重特征是否具有儿童属性，若不是，则反馈到所述优化模块内，若是，则输出儿童多标签特征，所述函数模型用于判断所述第一儿童权重特征是否属于儿童身上所具备的属性。

作为本发明进一步的方案，所述将所述第一儿童权重特征输入函数模型中，得到所述第二儿童权重特征包括：

将所述第一儿童权重特征输入Excitation模块内，基于所述Excitation模块中的sigmoid激活函数调整第一儿童权重特征对应通道的激活值；得到第二儿童权重特征；所述Excitation模块用于计算所述第一儿童权重特征。

作为本发明进一步的方案，通过第一优化模块对所述第一儿童特征进行权重分析；得到第一儿童权重特征包括：

获取所述第一儿童特征，将所述第一儿童特征输入第一优化模块内；其中，所述SE模块包括Squeeze模块；

基于Squeeze模块对每个所述第一儿童特征的通道压缩处理，得到第一儿童权重特征；其中，所述Squeeze模块用于压缩所述第一儿童特征的通道。

作为本发明进一步的方案，将所述第一儿童权重特征输入到第二优化模块内进行特征分类处理，得到儿童多标签特征包括：

获得所述第一儿童权重特征，对所述第一儿童权重特征提取，得到第一儿童多标签分类特征向量，将所述第一儿童多标签分类特征向量输入到转换矩阵中的查询矩阵、键矩阵，得到第一儿童多标签分类特征的矩阵；

将第一儿童多标签分类特征的矩阵通过查询矩阵与键矩阵的内积得到第一矩阵；其中，所述第一矩阵经过softmax模块处理得到自注意力系数矩阵A，所述注意力系数矩阵A为第一儿童多标签分类特征的关联度分布；其中，所述softmax模块用于将第一矩阵的值转换为第一儿童多标签分类特征的关联度分布的值；

将所述注意力系数矩阵A的向量与值矩阵的向量乘积相加，得到儿童多标签特征。

作为本发明进一步的方案，将所述第一儿童多标签分类特征向量输入到转换矩阵中的查询矩阵、键矩阵，得到每个第一儿童多标签分类特征向量时，引入二维的位置编码，所述二维的位置编码用于捕获第一儿童多标签分类特征向量之间的绝对信息和相对信息。

作为本发明进一步的方案，所述获取图片中的儿童特征步骤之前包括：

获取训练数据，并对所述训练数据进行训练优；其中，所述训练优化包括以下一种或者多种（1）对图像进行随机增加或者降低亮度；（2）对图片随机增加阴影；（3）对图片进行马赛克增强；

将优化后的训练数据分成训练集和测试集；

基于所述训练集和测试集训练、测试卷积神经网络。

本发明还提供了一种商场监控环境下的儿童特征提取装置，包括：

获取模块，用于获取图片中的儿童特征，通过卷积神经网络对所述儿童特征提取，得到第一儿童特征；

处理模块，用于通过优化模块对所述第一儿童特征处理，得到儿童多标签特征；其中，所述优化模块包括第一优化模块和第二优化模块；

所述处理模块包括：

权重分析子模块，用于通过第一优化模块对所述第一儿童特征进行权重分析；得到第一儿童权重特征；其中，所述第一优化模块是将SE模块加在Resnet-50模块中的C2-C4的结合；

分类子模块，用于将所述第一儿童权重特征输入到第二优化模块内进行特征分类处理，得到儿童多标签特征；其中，所述第二优化模块是将多头自注意力机制模块替换Resnet-50模块中的C5的结合。

本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本发明提供的一种商场监控环境下的儿童特征提取方法、装置、计算机设备和存储介质；获取图片中的儿童特征，通过卷积神经网络对所述儿童特征提取，得到第一儿童特征；通过优化模块对所述第一儿童特征处理，得到儿童多标签特征；其中，所述优化模块包括第一优化模块和第二优化模块；所述通过优化模块对所述第一儿童特征处理，得到儿童多标签特征包括：通过第一优化模块对所述第一儿童特征进行权重分析；得到第一儿童权重特征；其中，所述第一优化模块是将SE模块加在Resnet-50模块中的C2-C4的结合，；将所述第一儿童权重特征输入到第二优化模块内进行特征分类处理，得到儿童多标签特征，其中，所述第二优化模块是将多头自注意力机制模块替换Resnet-50模块中的C5的结合；通过SE模块和多头自注意力机制的结合，解决了传统技术上使用面部识别或其他生物特征不够精准提取儿童特征的问题，实现了高效、准确的儿童特征提取，满足现代社会对儿童监护和安全管理的高标准需求。

附图说明

图1是本发明一实施例中商场监控环境下的儿童特征提取方法步骤示意图；

图2是本发明一实施例中商场监控环境下的儿童特征提取装置结构框图；

图3是本发明一实施例中第一儿童多标签分类特征示意图；

图4是本发明一实施例的计算机设备的结构示意框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1是本发明一实施例中商场监控环境下的儿童特征提取方法步骤示意图，本发明实施例中商场监控环境下的儿童特征提取方法包括：

步骤S101，获取图片中的儿童特征，通过卷积神经网络对所述儿童特征提取，得到第一儿童特征。

可以理解的是，本发明的执行主体可以为企业订单数据处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

需要说明的是，将图像转换为适合卷积神经网络输入的格式，包括调整图像大小、归一化像素值范围等，搭建适合处理图像的卷积神经网络模型。通常使用卷积层、池化层和全连接层等组件来构建网络结构，以便有效地从图像中提取特征，将预处理后的图像输入到卷积神经网络中进行前向传播。将导致通过一系列卷积和池化操作提取图像的特征，这些特征将逐渐变得更加抽象和有意义，从卷积神经网络模型的中间层（通常是全连接层之前的一层）获取特征表示。上述特征可视为图像在该层的抽象表示，其中只保留了与儿童特征相关的信息。

上述步骤中具有以下的有益效果：通过卷积和池化操作，卷积神经网络可以逐渐学习到更具有区分性的图像特征，从而有助于准确提取儿童特征，一旦到达特定层，卷积神经网络模型会舍弃与儿童特征无关的信息，从而只保留与儿童特征相关的抽象特征。这样做有助于进一步提高特征的鉴别性，卷积神经网络通过在卷积层中共享权重来捕获图像中的空间局部关系，但在特征提取过程中维持特征的语义信息。这有助于处理图像的尺度变换、旋转或者部分遮挡等问题，从而提高了特征的鲁棒性，综上所述，通过卷积神经网络从图像中提取儿童特征，可以通过学习具有区分性的特征表示、移除不相关信息和保留语义信息等效果来有效地获取第一儿童特征。

通过优化模块对所述第一儿童特征处理，得到儿童多标签特征；其中，所述优化模块包括第一优化模块和第二优化模块；

具体的，优化模块将应用于第一儿童特征，以得到儿童多标签特征，优化模块的目标是根据任务需求对第一儿童特征进行进一步处理，以提高性能、准确性。

所述通过优化模块对所述第一儿童特征处理，得到儿童多标签特征包括以下步骤：

步骤1021，通过第一优化模块对所述第一儿童特征进行权重分析；得到第一儿童权重特征；其中，所述第一优化模块是将SE模块加在Resnet-50模块中的C2-C4的结合。

需要说明的是，SE模块是一种轻量级的注意力机制，可以用来控制卷积神经网络中每个通道的重要性。在ResNet-50模块的C2-C4层中加入SE模块，可以通过学习特征通道之间的相关性，自适应地调整通道的权重，将ResNet-50模块的C2-C4的特征进行压缩，以减少特征的空间维度。大大降低计算复杂度，并获取通道之间的相关性，通过学习一个通道相关的权重向量，将权重重新分配到每个通道上。这个权重可以用来调整每个通道中特征的响应程度，从而强化重要特征。

上述步骤中具有以下的有益效果，综上所述，第一优化模块可以对第一儿童特征进行权重分析，并得到第一儿童权重特征。特征权重分析可以使网络更加关注重要的特征，同时减少对冗余特征的依赖。有助于提高网络的感知能力和分类精度，在图像分类和目标识别等任务中可能会有较好的技术效果。

步骤1022，将所述第一儿童权重特征输入到第二优化模块内进行特征分类处理，得到儿童多标签特征，其中，所述第二优化模块是将多头自注意力机制模块替换Resnet-50模块中的C5的结合。

需要说明的是，多头自注意力机制模块的替换：将ResNet-50模块中的C5层替换为多头自注意力机制模块。自注意力机制是一种可以学习输入序列内部依赖关系的方法，多头自注意力机制则更加灵活和强大，同时学习多个不同的特征表示，在第二优化模块中，利用多头自注意力机制模块对第一儿童权重特征进行处理。第二优化模块可以自适应地捕捉序列中的相关性和重要性，并根据输入特征的不同进行特征分类。

上述步骤具有以下的优点：综上所述，第二优化模块将第一儿童权重特征转化为儿童多标签特征。由于多头自注意力机制的引入，第二优化模块能够更好地捕获特征之间的关系，并在进行特征分类时更加灵活和准确。有助于提高特征的区分度和判别能力，可能使得儿童多标签特征更加准确和有用。

本发明实施例中，获取图片中的儿童特征，通过卷积神经网络对所述儿童特征提取，得到第一儿童特征；通过优化模块对所述第一儿童特征处理，得到儿童多标签特征；其中，所述优化模块包括第一优化模块和第二优化模块；所述通过优化模块对所述第一儿童特征处理，得到儿童多标签特征包括：

通过第一优化模块对所述第一儿童特征进行权重分析；得到第一儿童权重特征；其中，所述第一优化模块是将SE模块加在Resnet-50模块中的C2-C4的结合，所述第一优化模块用于对所述第一儿童特征权重分析；将所述第一儿童权重特征输入到第二优化模块内进行特征分类处理，得到儿童多标签特征，其中，所述第二优化模块是将多头自注意力机制模块替换Resnet-50模块中的C5的结合，所述第二优化模块用于对所述第一儿童权重特征分类。

具体的，将图片中的儿童特征通过卷积神经网络提取得到第一儿童特征，并使用优化模块对该特征进行处理，得到儿童多标签特征。优化模块包括第一优化模块和第二优化模块，第一优化模块通过将SE模块加入ResNet-50模块的C2-C4层来进行特征权重分析。SE模块可以学习特征通道之间的相关性，并自适应地调整通道的权重。第一优化模块提取第一儿童权重特征，将第一儿童权重特征输入到第二优化模块中。第二优化模块将多头自注意力机制模块替换ResNet-50模块的C5层。多头自注意力机制模块能够自适应地捕捉特征之间的相关性和重要性，并根据输入特征的不同进行特征分类处理。通过上述步骤，第二优化模块将第一儿童权重特征转化为儿童多标签特征，这些操作的技术效果包括提高儿童特征的区分度和判别能力，使得多标签特征更准确和有用。通过引入SE模块和多头自注意力机制模块，优化模块能够更好地分析特征权重和关系，进而改善儿童特征的分类精度和鲁棒性。将为儿童图像分类和标签预测任务提供更好的性能。

在一具体实施例中，所述优化模块还包括函数模块，将所述第一儿童权重特征输入函数模型中，得到第二儿童权重特征，判断所述第二儿童权重特征是否具有儿童属性，若不是，则反馈到所述优化模块内，若是，则输出儿童多标签特征，所述函数模型用于判断所述第一儿童权重特征是否属于儿童身上所具备的属性。

具体的，需要说明的是，优化模块包含函数模块的系统，其目的是处理第一儿童权重特征并生成第二儿童权重特征。函数模型的作用是判断第一儿童权重特征是否具有儿童属性。如果第二儿童权重特征没有儿童属性，优化模块会将其反馈到内部继续处理。然而，如果第二儿童权重特征具有儿童属性，将会输出儿童多标签特征，函数模型的目的是确定第一儿童权重特征是否属于儿童身上具有的属性。通过上述步骤，得到对第一儿童权重特征的进一步描述和分类。如果函数模型能够准确地判断第一儿童权重特征是否属于儿童属性，将获得准确的儿童多标签特征。

在一具体实施例中，将所述第一儿童权重特征输入Excitation模块内，基于所述Excitation模块中的sigmoid激活函数调整第一儿童权重特征对应通道的激活值；得到第二儿童权重特征；所述Excitation模块用于计算所述第一儿童权重特征。

具体的，Excitation模块的作用是将第一儿童权重特征输入，并且使用sigmoid激活函数来调整第一儿童权重特征中每个通道的激活值。可以生成第二儿童权重特征，Excitation模块的目的是计算第一儿童权重特征。通过使用sigmoid激活函数，调整每个通道的激活值，并根据每个通道的激活值调整后的值计算权重。此时的权重可以用于进一步处理儿童的多标签特征，Excitation模块的性能会对结果产生影响。通过调整第一儿童权重特征对应通道的激活值，可以更好地捕捉特征之间的相关性和重要性。有助于提高多标签分类的准确性和效果，从而更好地理解第一儿童的特征并产生更精确的分类结果。

在一具体实施例中，执行步骤S1021的过程具体包括如下步骤：

获取所述第一儿童特征，将所述第一儿童特征输入第一优化模块内；其中，所述SE模块包括Squeeze模块；

基于Squeeze模块对每个所述第一儿童特征的通道压缩处理，得到第一儿童权重特征；其中，所述Squeeze模块用于压缩所述第一儿童特征的通道。

具体的，第一优化模块包括了SE模块，其中包含了Squeeze模块。首先，获取第一儿童的特征，并将其输入到第一优化模块内，在SE模块中的Squeeze模块会对每个第一儿童特征的通道进行压缩处理。上述步骤帮助减少维度，并提取出每个通道的重要信息，生成第一儿童权重特征，Squeeze模块的作用是压缩第一儿童特征的通道。具体而言，可以减少通道的数量，从而获得更加紧凑和有效的特征表示。这种压缩处理可以帮助减少计算和存储的需求，同时保留重要的特征信息，Squeeze模块的压缩处理可以提高特征的可解释性和分类性能。通过减少通道数量，获得更加紧凑和有用的特征表示，从而改善分类的准确性和效果。上述的步骤可以帮助更好地理解第一儿童的特征，并且产生更精确的多标签分类结果。

在一具体实施例中，执行步骤S103的过程具体包括如下步骤：

获得所述第一儿童权重特征，对所述第一儿童权重特征提取，得到第一儿童多标签分类特征向量，将所述第一儿童多标签分类特征向量输入到转换矩阵中的查询矩阵、键矩阵，得到第一儿童多标签分类特征的矩阵；

将第一儿童多标签分类特征的矩阵通过查询矩阵与键矩阵的内积得到第一矩阵；其中，所述第一矩阵经过softmax模块处理得到自注意力系数矩阵A，所述注意力系数矩阵A为第一儿童多标签分类特征的关联度分布；其中，所述softmax模块用于将第一矩阵的值转换为第一儿童多标签分类特征的关联度分布的值；

将所述注意力系数矩阵A的向量与值矩阵的向量乘积相加，得到儿童多标签特征。

具体的，使用查询矩阵和键矩阵提取第一儿童的多标签分类特征向量，并得到相应的特征矩阵。然后，通过将特征矩阵与查询矩阵和键矩阵进行内积运算，得到第一个矩阵。通过对第一个矩阵经过softmax模块处理，可以得到自注意力系数矩阵A，该矩阵表示了第一儿童多标签分类特征的关联度分布。最后，将注意力系数矩阵A的向量与值矩阵的向量相乘并相加，从而得到儿童多标签特征的具体描述，上述步骤的效果取决于多个因素，包括所用的查询矩阵和键矩阵、注意力系数的计算方式以及值矩阵的定义。通常情况下，通过计算注意力系数，可以对输入的多标签分类特征进行加权聚合，从而突出与目标任务相关的特征，并抑制与任务无关的特征。注意力机制可以提高模型的表示能力和泛化性能，并有助于学习更好的特征表示，然而，具体的技术效果和应用场景需要根据具体情况进行评估。

在一具体实施例中，所述将所述第一儿童多标签分类特征向量输入到转换矩阵中的查询矩阵、键矩阵，得到每个第一儿童多标签分类特征向量时，引入二维的位置编码，所述二维的位置编码用于捕获第一儿童多标签分类特征向量之间的绝对信息和相对信息。

具体的，二维的位置编码在特征向量上为每个元素添加一个位置相关的值，以表示该元素的位置信息。可以帮助模型区分不同位置的特征，从而更好地理解和利用输入数据的局部结构，通过引入位置编码，能够根据特征在输入中的位置，学习特征在不同位置的表达和语义。大大解决自注意力算法中的位置信息缺失问题，并提高模型对输入序列的理解能力，引入二维的位置编码可以改善模型对输入的建模能力。可以帮助模型更准确地理解和关联不同位置上的多标签分类特征，并捕获它们之间的相对关系和绝对位置信息。这样可以更好地适应不同的输入模式，并提高对特征之间关系的建模能力。最终会导致更准确和鲁棒的多标签分类结果，具体的技术效果还取决于位置编码的设计和实现方式。在一具体实施例中，所述获取图像中的儿童特征的步骤之前包括：

获取训练数据，并对所述训练数据进行训练优化；

将优化后的训练数据分成训练集和测试集；

基于所述训练集和测试集训练、测试卷积神经网络。

具体的，将优化后的训练数据划分为训练集和测试集。通常，将大部分数据用于训练，一小部分用于测试，选择合适的卷积神经网络结构，包括卷积层、池化层和全连接层等。网络的设计应根据问题的特点和数据集的属性进行优化，为网络中的权重和偏置进行初始化。通常使用随机初始化的方法，如正态分布或均匀分布，对训练集中的样本进行前向传播，在网络中计算每个样本的预测结果。前向传播将特征从输入层传递到输出层，使用损失函数来计算当前预测结果与真实标签之间的差距。常见的损失函数包括交叉熵损失、均方误差等，通过反向传播算法计算损失函数对网络中的权重和偏置的导数。这将用于更新网络参数，以减小损失函数的值，使用优化算法（如梯度下降法）根据计算得到的梯度更新网络中的权重和偏置，重复执行上述步骤，直到达到预定的训练迭代次数或达到一定的收敛条件。通过在训练集上训练卷积神经网络，可以优化网络参数，以最小化损失函数。这有助于提高模型的预测准确率和泛化能力，通过使用测试集对训练好的网络进行评估，可以客观地评估模型在未见过的数据上的性能。这有助于验证模型的泛化能力，并可以指导进一步的改进和调整，通过观察训练和测试结果，可以了解模型在不同数据上的表现，并根据需要进行参数调整和网络架构优化。这有助于提高模型的性能和稳定性，综上所述，基于训练集和测试集进行卷积神经网络的训练和测试，可以实现模型的优化、泛化能力评估和参数调优等有益效果。

在一具体实施例中，所述训练优化包括数据增强，所述数据增强包括以下一种或者多种；

（1）对图像进行随机增加或者降低亮度；

（2）对图片随机增加阴影；

（3）对图片进行马赛克增强。

具体的，将原始图像分割成多个区域，每个区域的尺寸可以根据需求进行调整。通常，分割成的区域尺寸较小，对每个区域应用马赛克处理算法。马赛克处理是指用特定图案或像素块来代替原始图像中的每个区域，从而实现马赛克效果。通常，马赛克处理算法将每个区域的像素值设置为同一个值，以隐藏原始区域的具体细节，将经过马赛克处理的区域合并成新的图像。合并的过程可以选择以相邻区域的平均像素值或其他策略来决定合并后区域的像素值。通过应用马赛克增强，可以生成与原始图像相似但略有不同的样本。这样能够增加训练数据的多样性，使模型能够更好地适应不同的场景和变化；马赛克增强可以增加模型对部分遮挡或模糊的图像的鲁棒性。当应用到实际场景中时，可能会遇到一些噪声或隐私问题，马赛克增强可以帮助模型更好地处理这些情况；通过应用马赛克增强，可以生成更多样的数据样本，有助于防止模型过拟合训练集。过拟合是指模型在训练集上表现良好，但在新数据上表现较差的现象。通过增加训练样本的多样性，可以提高模型的泛化能力；总而言之，通过马赛克增强数据，可以增加训练数据的多样性，增强模型的鲁棒性，并防止过拟合现象，从而提高模型的性能和泛化能力。

上面对本发明实施例中商场监控环境下的儿童特征提取方法进行了描述，下面对本发明实施例中商场监控环境下的儿童特征提取装置进行描述，请参阅图2，本发明实施例中商场监控环境下的儿童特征提取装置一个实施例包括：

获取模块21，用于获取图片中的儿童特征，通过卷积神经网络对所述儿童特征提取，得到第一儿童特征；

处理模块22，用于通过优化模块对所述第一儿童特征处理，得到儿童多标签特征；其中，所述优化模块包括第一优化模块和第二优化模块；

所述处理模块包括：

权重分析子模块，用于通过第一优化模块对所述第一儿童特征进行权重分析；得到第一儿童权重特征；其中，所述第一优化模块是将SE模块加在Resnet-50模块中的C2-C4的结合；

分类子模块，用于将所述第一儿童权重特征输入到第二优化模块内进行特征分类处理，得到儿童多标签特征；其中，所述第二优化模块是将多头自注意力机制模块替换Resnet-50模块中的C5的结合。

请参见图3，图3是本发明一实施例中第一儿童多标签分类特征示意图，包括性别、头发长短、估算身高、年龄、是否佩戴眼镜、衣着颜色、裤子长短、鞋子款式等。

在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。

参照图4，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定。

本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。