睡姿识别方法、模组、设备及计算机可读介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种睡姿识别方法、模组、设备及计算机可读介质。

背景技术

睡姿对刚出生的婴儿来说非常重要，不良的睡姿会导致头骨发育畸形，严重可能会影响智力发育，甚至还可能会造成窒息，脊柱侧弯等问题。若父母工作繁忙无法照顾，或是由于经验不足，则无法及时和正确的发现睡姿问题。

目前，相关技术中，睡姿检测通常使用模式识别的方式来进行，这种方式仅能够进行简单的动作匹配，若还未入睡的婴儿在床上呈现出了预设的不良睡姿动作，则模式识别方案一样会将婴儿当前的动作识别为不良睡姿，从而造成误判。

针对睡姿识别准确度低的问题，目前尚未提出有效的解决方案。

发明内容

本申请提供了一种睡姿识别方法、模组、设备及计算机可读介质，以解决睡姿识别准确度低的技术问题。

根据本申请实施例的一个方面，本申请提供了一种睡姿识别方法，包括：基于双流神经网络模型中的入睡检测网络检测目标对象的睡眠状态；在检测到睡眠状态为入睡状态的情况下，基于入睡检测网络和双流神经网络模型中的睡姿检测网络对目标对象进行睡姿识别，得到睡姿识别结果，其中，双流神经网络模型为预先基于入睡检测和睡姿检测的多任务联合训练得到的。

可选地，基于双流神经网络模型中的入睡检测网络检测目标对象的睡眠状态包括：每间隔预设时间采集一次包括目标对象的第一视频序列；将第一视频序列分帧，得到多个第一视频帧；将多个第一视频帧输入双流神经网络模型，以通过入睡检测网络识别每个第一视频帧中目标对象的睡眠特征；根据至少一个睡眠特征确定睡眠状态。

可选地，根据至少一个睡眠特征确定睡眠状态包括：计算每个睡眠特征指示目标对象处于入睡状态的入睡置信度；在任一睡眠特征对应的入睡置信度大于或等于第一阈值的情况下，确定目标对象处于入睡状态；或者，统计入睡置信度大于第二阈值的睡眠特征的第一数量，统计入睡置信度小于第三阈值的睡眠特征的第二数量，其中，第二阈值小于第一阈值，第三阈值小于或等于第二阈值；在第一数量大于第二数量的情况下，确定目标对象处于入睡状态。

可选地，在检测到睡眠状态为入睡状态的情况下，基于入睡检测网络和双流神经网络模型中的睡姿检测网络对目标对象进行睡姿识别，得到睡姿识别结果包括：在检测到睡眠状态为入睡状态的情况下，持续采集目标对象的第二视频序列；将实时采集的第二视频序列输入双流神经网络模型；在入睡检测网络基于第二视频序列继续检测到目标对象持续处于入睡状态的情况下，通过睡姿检测网络基于第二视频序列识别目标对象的睡姿特征，并根据睡姿特征确定目标对象的睡姿识别结果。

可选地，通过睡姿检测网络基于第二视频序列识别目标对象的睡姿特征，并根据睡姿特征确定目标对象的睡姿识别结果包括：将第二视频序列分帧，得到多个第二视频帧；将多个第二视频帧输入睡姿检测网络，以通过睡姿检测网络提取出每个第二视频帧的时间特征和空间特征，并融合所有第二视频帧的时间特征和空间特征输出目标对象处于每个睡姿动作的睡姿置信度，得到睡姿识别结果。

可选地，得到睡姿识别结果之后，所述方法还包括：在睡姿识别结果中目标睡姿动作的睡姿置信度大于或等于目标阈值的情况下，启动计时器，以统计目标睡姿动作的睡姿置信度大于或等于目标阈值的持续时间，其中，目标睡姿动作包括目标对象被禁止使用的至少一种睡姿；在持续时间大于或等于时间阈值的情况下，发出睡姿纠正提醒。

可选地，所述方法还包括：接收客户端发送的对目标对象的睡姿查看请求；将包含目标对象处于每个睡姿动作的睡姿置信度的睡姿识别结果返回给客户端，以在客户端上展示目标对象处于每个睡姿动作的睡姿置信度。

根据本申请实施例的另一方面，本申请提供了一种睡姿识别模组，包括：睡眠检测单元，用于基于双流神经网络模型中的入睡检测网络检测目标对象的睡眠状态；睡姿检测单元，用于在检测到睡眠状态为入睡状态的情况下，基于入睡检测网络和双流神经网络模型中的睡姿检测网络对目标对象进行睡姿识别，得到睡姿识别结果，其中，双流神经网络模型为预先基于入睡检测和睡姿检测的多任务联合训练得到的。

根据本申请实施例的另一方面，本申请提供了一种电子设备，包括存储器、处理器、通信接口及通信总线，存储器中存储有可在处理器上运行的计算机程序，存储器、处理器通过通信总线和通信接口进行通信，处理器执行计算机程序时实现上述方法的步骤。

根据本申请实施例的另一方面，本申请还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述的方法。

本申请实施例提供的上述技术方案与相关技术相比具有如下优点：

本申请技术方案为基于双流神经网络模型中的入睡检测网络检测目标对象的睡眠状态；在检测到睡眠状态为入睡状态的情况下，基于入睡检测网络和双流神经网络模型中的睡姿检测网络对目标对象进行睡姿识别，得到睡姿识别结果，其中，双流神经网络模型为预先基于入睡检测和睡姿检测的多任务联合训练得到的。本申请通过入睡检测和睡姿检测的多任务联合训练得到双流神经网络模型，基于双流神经网络模型先检测目标对象是否入睡，在确定入睡的情况下再检测目标对象的睡姿，可以避免误判，提高睡姿的识别准确率，解决了睡姿识别准确度低的技术问题。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例提供的一种可选的睡姿识别方法硬件环境示意图；

图2为根据本申请实施例提供的一种可选的睡姿识别方法流程示意图；

图3为根据本申请实施例提供的一种可选的睡姿识别模组框图；

图4为本申请实施例提供的一种可选的电子设备结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请的一部分实施例，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的前提下所获得的所有其他实施例，都属于本申请保护的范围。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。

相关技术中，睡姿检测通常使用模式识别的方式来进行，这种方式仅能够进行简单的动作匹配，若还未入睡的婴儿在床上呈现出了预设的不良睡姿动作，则模式识别方案一样会将婴儿当前的动作识别为不良睡姿，从而造成误判。

为了解决背景技术中提及的问题，根据本申请实施例的一方面，提供了一种睡姿识别方法的实施例。

可选地，在本申请实施例中，上述睡姿识别方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示，服务器103通过网络与终端101进行连接，可用于为终端或终端上安装的客户端提供服务(如睡眠检测服务、睡姿识别服务、睡姿纠正服务等)，可在服务器上或独立于服务器设置数据库105，用于为服务器103提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，终端101包括但不限于PC、手机、平板电脑等。

本申请实施例中的一种睡姿识别方法可以由服务器103来执行，还可以是由服务器103和终端101共同执行，如图2所示，该方法可以包括以下步骤：

步骤S202，基于双流神经网络模型中的入睡检测网络检测目标对象的睡眠状态；

步骤S204，在检测到睡眠状态为入睡状态的情况下，基于入睡检测网络和双流神经网络模型中的睡姿检测网络对目标对象进行睡姿识别，得到睡姿识别结果，其中，双流神经网络模型为预先基于入睡检测和睡姿检测的多任务联合训练得到的。

通过上述步骤S202至S204，本申请通过入睡检测和睡姿检测的多任务联合训练得到双流神经网络模型，基于双流神经网络模型先检测目标对象是否入睡，在确定入睡的情况下再检测目标对象的睡姿，可以避免误判，提高睡姿的识别准确率，解决了睡姿识别准确度低的技术问题，可进一步帮助家长监控婴儿睡姿，提醒家长及时纠正婴儿的不良睡姿。

在步骤S202中，双流神经网络模型具体可基于卷积神经网络模型构建，双流神经网络模型可以采用分段式结构，一部分构建为入睡检测网络，另一部分构建为睡姿检测网络。在入睡检测时，双流神经网络模型可以只使用入睡检测网络进行检测。

在步骤S202中，目标对象可以是婴儿，也可以是其他需要看护的对象，如病人、老人以及孕妇等。

在步骤S202中，基于双流神经网络模型中的入睡检测网络检测目标对象的睡眠状态包括：每间隔预设时间采集一次包括目标对象的第一视频序列；将第一视频序列分帧，得到多个第一视频帧；将多个第一视频帧输入双流神经网络模型，以通过入睡检测网络识别每个第一视频帧中目标对象的睡眠特征；根据至少一个睡眠特征确定睡眠状态。

本申请实施例中，可以设置摄像头拍摄婴儿床区域，当婴儿在婴儿床区域内即可开启睡姿纠正功能。这样当父母无法照看婴儿时，可通过睡姿纠正功能接收到睡姿纠正提醒，从而及时纠正婴儿睡姿。

本申请实施例中，在睡姿纠正功能开启后，可每间隔预设时间采集一次婴儿的视频信息，该预设时间可根据需要进行设置，如30分钟。由于当前阶段是入睡检测阶段，婴儿的入睡时间难以预测，因此可以间隔预设时间采集婴儿的视频信息，避免设备长期开启造成资源浪费。

本申请实施例中，第一视频序列即为记录婴儿状态的视频信息，入睡检测网络可根据第一视频序列确定婴儿是否入睡。为了提供入睡检测的准确率，避免将还未入睡的婴儿识别为已经入睡，进而造成睡姿误判的情况，本申请可将第一视频序列分帧，进而对每一帧都进行睡眠特征识别，最后再基于所有视频帧的睡眠特征来判断婴儿是否入睡，具体的：根据至少一个睡眠特征确定睡眠状态包括：计算每个睡眠特征指示目标对象处于入睡状态的入睡置信度；在任一睡眠特征对应的入睡置信度大于或等于第一阈值的情况下，确定目标对象处于入睡状态；或者，统计入睡置信度大于第二阈值的睡眠特征的第一数量，统计入睡置信度小于第三阈值的睡眠特征的第二数量，其中，第二阈值小于第一阈值，第三阈值小于或等于第二阈值；在第一数量大于第二数量的情况下，确定目标对象处于入睡状态。

本申请实施例中，睡眠特征包括但不限于眼动特征、口部开合特征、肢体动作特征、翻滚特征等，入睡检测网络对每个第一视频帧均进行以上特征的提取和识别，再根据一帧中的睡眠特征计算入睡置信度，此时若其中一帧的睡眠特征对应的入睡置信度大于或等于第一阈值，则可立即确定婴儿已经进入入睡状态，该第一阈值为较高的置信度阈值，可根据实际需求进行设置，如95％。或者，可以根据入睡置信度大于第二阈值的特征数量(第一数量)与入睡置信度小于第三阈值的特征数量(第二数量)之间的数量级大小来判断，如在第一数量大于第二数量的情况下，确定婴儿处于入睡状态，还可以根据入睡置信度大于第二阈值的特征数量(第一数量)与入睡置信度小于第三阈值的特征数量(第二数量)之间的比例大小来判断，如第一数量比第二数量大于预设比值，则确定婴儿处于入睡状态。上述第二阈值、第三阈值可根据需要设置，如第二阈值为70％，第三阈值为40％。上述预设比值可以根据需要设置。

在步骤S204中，在进行入睡检测时，只使用部分模型就行预测，当婴儿的入睡状态为入睡时才会开启整个模型的使用，此时进入入睡检测和睡姿检测同时工作的状态。具体的，在检测到睡眠状态为入睡状态的情况下，基于入睡检测网络和双流神经网络模型中的睡姿检测网络对目标对象进行睡姿识别，得到睡姿识别结果包括：在检测到睡眠状态为入睡状态的情况下，持续采集目标对象的第二视频序列；将实时采集的第二视频序列输入双流神经网络模型；在入睡检测网络基于第二视频序列继续检测到目标对象持续处于入睡状态的情况下，通过睡姿检测网络基于第二视频序列识别目标对象的睡姿特征，并根据睡姿特征确定目标对象的睡姿识别结果。

本申请实施例中，入睡检测网络基于第二视频序列检测婴儿是否处于入睡状态的方法可以采用前述实施例提供的方法，在此不再赘述。

本申请实施例中，在确定婴儿持续处于入睡状态的过程中，睡姿检测网络即可同时基于第二视频序列识别婴儿的睡姿特征，并根据睡姿特征确定目标对象的睡姿识别结果。具体的，通过睡姿检测网络基于第二视频序列识别目标对象的睡姿特征，并根据睡姿特征确定目标对象的睡姿识别结果包括：将第二视频序列分帧，得到多个第二视频帧；将多个第二视频帧输入睡姿检测网络，以通过睡姿检测网络提取出每个第二视频帧的时间特征和空间特征，并融合所有第二视频帧的时间特征和空间特征输出目标对象处于每个睡姿动作的睡姿置信度，得到睡姿识别结果。

本申请实施例中，可以将第二视频序列分帧，以使睡姿检测网络捕获分帧后每一第二视频帧的时间特征和空间特征，进而融合多帧结果输出婴儿处于每个睡姿动作的睡姿置信度，得到睡姿识别结果。上述睡姿动作包括但不限于仰卧、侧卧以及被卧，输出示例可以是仰卧0、侧卧40％、被卧60％。上述睡姿置信度为经过归一化的计算结果。

可选地，得到睡姿识别结果之后，所述方法还包括：在睡姿识别结果中目标睡姿动作的睡姿置信度大于或等于目标阈值的情况下，启动计时器，以统计目标睡姿动作的睡姿置信度大于或等于目标阈值的持续时间，其中，目标睡姿动作包括目标对象被禁止使用的至少一种睡姿；在持续时间大于或等于时间阈值的情况下，发出睡姿纠正提醒。

本申请实施例中，目标睡姿动作包括婴儿被禁止使用的至少一种睡姿，用户可预先根据实际需求设置。目标睡姿动作的睡姿置信度大于或等于目标阈值，说明检测到婴儿此时的睡姿具有很大概率为被禁止使用的睡姿，因此可开启计时，统计目标睡姿动作的睡姿置信度大于或等于目标阈值的持续时间，若持续时间较短，则说明婴儿自行将睡姿调整为其他允许的睡姿，若持续时间较长，如大于或等于时间阈值，则需要发出睡姿纠正提醒，以通知家长尽快调整婴儿的睡姿。另外，若目标睡姿动作为多个，则婴儿在多个目标睡姿动作之间切换的话，计时时长累计。

可选地，所述方法还包括：接收客户端发送的对目标对象的睡姿查看请求；将包含目标对象处于每个睡姿动作的睡姿置信度的睡姿识别结果返回给客户端，以在客户端上展示目标对象处于每个睡姿动作的睡姿置信度。

本申请实施例中，家长还可以主动查看婴儿的睡姿，此时可将包含婴儿处于每个睡姿动作的睡姿置信度的睡姿识别结果返回给家长，如侧卧50％平躺50％，这样做主要是为了帮助家长去主动调整，因为有些睡姿不会对婴儿健康造成影响，如长期的某种睡姿会影响婴儿的头骨形状，有些家长希望孩子的头圆一点，此时侧卧睡姿可能会更好，所以睡姿置信度可以辅助家长观察婴儿的睡姿情况，帮助家长达到想要的效果。

本申请通过入睡检测和睡姿检测的多任务联合训练得到双流神经网络模型，基于双流神经网络模型先检测目标对象是否入睡，在确定入睡的情况下再检测目标对象的睡姿，可以避免误判，提高睡姿的识别准确率，解决了睡姿识别准确度低的技术问题，可进一步帮助家长监控婴儿睡姿，提醒家长及时纠正婴儿的不良睡姿。

根据本申请实施例的又一方面，如图3所示，提供了一种睡姿识别模组，包括：

睡眠检测单元301，用于基于双流神经网络模型中的入睡检测网络检测目标对象的睡眠状态；

睡姿检测单元303，用于在检测到睡眠状态为入睡状态的情况下，基于入睡检测网络和双流神经网络模型中的睡姿检测网络对目标对象进行睡姿识别，得到睡姿识别结果，其中，双流神经网络模型为预先基于入睡检测和睡姿检测的多任务联合训练得到的。

需要说明的是，该实施例中的睡眠检测单元301可以用于执行本申请实施例中的步骤S202，该实施例中的睡姿检测单元303可以用于执行本申请实施例中的步骤S204。

此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。

可选地，该睡眠检测单元，具体用于：每间隔预设时间采集一次包括目标对象的第一视频序列；将第一视频序列分帧，得到多个第一视频帧；将多个第一视频帧输入双流神经网络模型，以通过入睡检测网络识别每个第一视频帧中目标对象的睡眠特征；根据至少一个睡眠特征确定睡眠状态。

可选地，该睡眠检测单元，还用于：计算每个睡眠特征指示目标对象处于入睡状态的入睡置信度；在任一睡眠特征对应的入睡置信度大于或等于第一阈值的情况下，确定目标对象处于入睡状态；或者，统计入睡置信度大于第二阈值的睡眠特征的第一数量，统计入睡置信度小于第三阈值的睡眠特征的第二数量，其中，第二阈值小于第一阈值，第三阈值小于或等于第二阈值；在第一数量大于第二数量的情况下，确定目标对象处于入睡状态。

可选地，该睡姿检测单元，具体用于：在检测到睡眠状态为入睡状态的情况下，持续采集目标对象的第二视频序列；将实时采集的第二视频序列输入双流神经网络模型；在入睡检测网络基于第二视频序列继续检测到目标对象持续处于入睡状态的情况下，通过睡姿检测网络基于第二视频序列识别目标对象的睡姿特征，并根据睡姿特征确定目标对象的睡姿识别结果。

可选地，该睡姿检测单元，还用于：将第二视频序列分帧，得到多个第二视频帧；将多个第二视频帧输入睡姿检测网络，以通过睡姿检测网络提取出每个第二视频帧的时间特征和空间特征，并融合所有第二视频帧的时间特征和空间特征输出目标对象处于每个睡姿动作的睡姿置信度，得到睡姿识别结果。

可选地，该睡姿识别模组，还包括睡姿纠正单元，具体用于：在睡姿识别结果中目标睡姿动作的睡姿置信度大于或等于目标阈值的情况下，启动计时器，以统计目标睡姿动作的睡姿置信度大于或等于目标阈值的持续时间，其中，目标睡姿动作包括目标对象被禁止使用的至少一种睡姿；在持续时间大于或等于时间阈值的情况下，发出睡姿纠正提醒。

可选地，该睡姿识别模组，还包括反馈单元，具体用于：接收客户端发送的对目标对象的睡姿查看请求；将包含目标对象处于每个睡姿动作的睡姿置信度的睡姿识别结果返回给客户端，以在客户端上展示目标对象处于每个睡姿动作的睡姿置信度。

根据本申请实施例的另一方面，本申请提供了一种电子设备，如图4所示，包括存储器401、处理器403、通信接口405及通信总线407，存储器401中存储有可在处理器403上运行的计算机程序，存储器401、处理器403通过通信接口405和通信总线407进行通信，处理器403执行计算机程序时实现上述方法的步骤。

上述电子设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。

存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。

根据本申请实施例的又一方面还提供了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上述任一实施例的步骤。

可选地，在本申请实施例中，计算机可读介质被设置为存储用于所述处理器执行以下步骤的程序代码：

基于双流神经网络模型中的入睡检测网络检测目标对象的睡眠状态；

在检测到睡眠状态为入睡状态的情况下，基于入睡检测网络和双流神经网络模型中的睡姿检测网络对目标对象进行睡姿识别，得到睡姿识别结果，其中，双流神经网络模型为预先基于入睡检测和睡姿检测的多任务联合训练得到的。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

本申请实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

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。

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，上述描述的系统、装置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。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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。

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。

所述功能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，本申请实施例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)执行本申请各个实施例所述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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。