图像处理方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、图像处理和计算机视觉技术。更具体地，本公开提供了一种图像处理方法、装置、电子设备和存储介质。

背景技术

单应矩阵(也称为单应性矩阵)，是指从一个图像中的一个点映射到另一个图像中的对应点的变换矩阵，通常描述空间中同一平面上的三维点在两个图像中的映射关系。

发明内容

本公开提供了一种图像处理方法、装置、设备以及存储介质。

根据第一方面，提供了一种图像处理方法，该方法包括：从第一图像和第二图像的特征点匹配区域中选取N个初始匹配点对，来生成初始单应矩阵，N为大于1的整数；从特征点匹配区域中选取M个验证匹配点对来验证初始单应矩阵，得到通过验证的内点集，M为大于1的整数；在内点集符合预设条件的情况下，使用内点集生成候选单应矩阵；根据M个验证匹配点对均为内点的期望概率，确定最大返回次数；响应于当前返回次数小于最大返回次数，返回生成初始单应矩阵的步骤，返回次数递增，直至当前返回次数不小于最大返回次数，得到至少一个候选单应矩阵；以及从至少一个候选单应矩阵中确定目标单应矩阵，并使用目标单应矩阵将第一图像和第二图像进行拼接。

根据第二方面，提供了一种图像处理装置，该装置包括：第一生成模块，用于从第一图像和第二图像的特征点匹配区域中选取N个初始匹配点对，来生成初始单应矩阵，N为大于1的整数；验证模块，用于从特征点匹配区域中选取M个验证匹配点对来验证初始单应矩阵，得到通过验证的内点集，M为大于1的整数；第二生成模块，用于在内点集符合预设条件的情况下，使用内点集生成候选单应矩阵；第一确定模块，用于根据M个验证匹配点对均为内点的期望概率，确定最大返回次数；处理模块，用于响应于当前返回次数小于最大返回次数，返回生成初始单应矩阵的步骤，返回次数递增，直至当前返回次数不小于最大返回次数，得到至少一个候选单应矩阵；以及拼接模块，用于从至少一个候选单应矩阵中确定目标单应矩阵，并使用目标单应矩阵将第一图像和第二图像进行拼接。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序存储于可读存储介质和电子设备其中至少之一上，所述计算机程序在被处理器执行时实现根据本公开提供的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开的一个实施例的可以应用图像处理方法和装置的示例性系统架构示意图；

图2是根据本公开的一个实施例的图像处理方法的流程图；

图3是根据本公开的一个实施例的确定目标单应矩阵的方法的流程图；

图4是根据本公开的一个实施例的第一图像和第二图像的特征点匹配区域的示意图；

图5是根据本公开的一个实施例的图像处理装置的框图；

图6是根据本公开的一个实施例的图像处理方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

单应矩阵在图像领域有较多应用。例如在制作全景图的场景，利用单应矩阵可以将两个包含有相同场景的图像进行拼接，得到全景图像。

针对待拼接的两个图像，一个图像中的点与另一个图像中的对应点可以组成匹配点对，根据匹配点对可以计算得到单应矩阵。但是要得到最适合所有匹配点对的单应矩阵往往需要多次迭代计算。因此，单应矩阵的计算存在速度慢、耗时长的问题，导致图像处理效率低。

需要说明的是，除图像拼接之外，单应矩阵还可以应用在图像校正(例如将有倾斜角度的图像回正)、视角转换(例如将一个图像中的点全部转换到另一个图像的平面)等多种图像处理场景。另外，单应矩阵还可以应用在相机位姿估计、增强现实等多种场景。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1是根据本公开一个实施例的可以应用图像处理方法和装置的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105进行交互，以接收或发送消息等。终端设备101、102、103可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等等。

本公开实施例所提供的图像处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的图像处理装置一般可以设置于服务器105中。本公开实施例所提供的图像处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的图像处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

图2是根据本公开的一个实施例的图像处理方法的流程图。

如图2所示，该图像处理方法200可以包括操作S210～操作S260。

在操作S210，从第一图像和第二图像的特征点匹配区域中选取N个初始匹配点对，来生成初始单应矩阵。

例如，第一图像和第二图像可以是待拼接的两个图像，第一图像和第二图像包含重叠区域。第一图像和第二图像可以是针对预设场景的视频中的相邻视频帧。预设场景可以是包含人物、景物、或文字内容的场景。

例如，第一图像和第二图像的特征点匹配区域可以是第一图像和第二图像的重叠区域。特征点匹配区域中可以包括多个匹配点对，每个匹配点对是由相互对应的第一图像的特征点和第二图像的特征点组成的，该相互对应的第一图像的特征点和第二图像的特征点可以认为是同一对象(例如同一物体、同一个字)的特征点。特征点可以是指图像中具有鲜明特征并能够有效反映图像本质特征、能够标识图像中对象的点(例如角点)。

例如，可以使用深度学习模型分别对第一图像和第二图像进行特征提取，得到第一图像的特征点集合和第二图像的特征点集合。深度学习模型例如是基于ORB(OrientedFast and Rotated Brief)算法构建的，ORB算法是在Fast(Features from Acceleratedsegment Test)算法和Brief(Binary Robust Independent Elementary Feature)算法的基础上进行改进得到的。然后，可以使用KNN(K-Nearest-Neighbors，最邻近规则分类)算法对第一图像的特征点集合和第二图像的特征点集合进行双向匹配后，得到匹配点对集合。

例如，从特征点匹配区域中可以随机选取N个匹配点对(N为大于1的整数，例如N＝100)作为初始匹配点对，根据每个初始匹配点对中相互对应的两个特征点之间的位置关系，可以得到一个表征该两个特征点之间映射关系的初始单应矩阵。

可以理解，初始单应矩阵可以表征初始匹配点对中的两个特征点之间的映射关系，换言之，初始匹配点对符合初始单应矩阵描述的映射关系。但是，在特征点匹配区域中，并非所有的匹配点对均符合上述初始单应矩阵描述的映射关系。

在操作S220，从特征点匹配区域中选取M个验证匹配点对来验证初始单应矩阵，得到通过验证的内点集。

例如，可以从特征点匹配区域中除初始匹配点对外的剩余匹配点对中随机选取M(M为大于1的整数，例如M＝100)个匹配点对，作为验证匹配点对。使用该M个验证匹配点对对上述初始单应矩阵进行验证，可以得到通过验证的内点集以及未通过验证的外点集。

例如，内点集中的匹配点对符合上述初始单应矩阵描述的映射关系，外点集中的匹配点对不符合上述初始单应矩阵描述的映射关系。因此，为得到最适合所有匹配点对的单应矩阵，需要进一步计算新的单应矩阵(候选单应矩阵)。

在操作S230，在内点集符合预设条件的情况下，使用内点集生成候选单应矩阵。

例如，内点集中的匹配点对数量和外点集中的匹配点对数量之和为M，内点集中的匹配点对数量与验证匹配点对的数量M之间的比例，可以称为内点占比。

如果内点占比符合预设条件(例如大于0.5)，说明当前初始单应矩阵的效果还是比较好的，可以使用通过验证的内点集中的匹配点对来生成效果更好的新的单应矩阵，作为候选单应矩阵。如果内点占比不符合上述预设条件，说明当前初始单应矩阵的效果不佳，可以返回操作S210，重新计算初始单应矩阵。

在操作S240，根据M个验证匹配点对均为内点的期望概率，确定最大返回次数。

例如，从上述操作S210计算初始单应矩阵到上述操作S230计算候选单应矩阵的过程，可以称为查找候选单应矩阵的过程。在操作S230之后，可以返回操作S210，进行下一轮次的候选单应矩阵的查找过程。

但是，为了避免匹配点对质量差的情况(例如两个图像相关性小，内点占比小)，返回计算初始单应矩阵的次数(查找候选单应矩阵的次数)居高不下，造成返回次数峰值高、耗时长的问题，可以在每一个轮次，均计算一次最大返回次数。

例如，在每个轮次，最大返回次数可以是根据选取的M个验证匹配点对均为内点的期望概率，计算最大返回次数。期望概率可以是预设数值，期望概率越高(例如期望概率P＝0.99)，要求初始单应矩阵的效果越好。

例如，可以设定最大返回次数K次中每一次选取的M个验证匹配点对均为内点的期望概率P达到预设数值(例如0.99)，由此反推最大返回次数。

在操作S250，判断当前返回次数是否小于最大返回次数。如果是，返回操作S210，并且返回次数递增；否则执行操作S260。

例如，如果当前返回次数小于最大返回次数K，可以返回操作S210，返回次数加1，继续进行单应矩阵的查找过程。如果当前返回次数大于或等于最大返回次数K，结束单应矩阵的查找过程。获取每个轮次得到的候选单应矩阵，可以得到至少一个候选单应矩阵。

在操作S260，从至少一个候选单应矩阵中确定目标单应矩阵，并使用目标单应矩阵将第一图像和第二图像进行拼接。

例如，可以从至少一个单应矩阵中选取内点占比最高的候选单应矩阵作为目标单应矩阵。根据该目标单应矩阵可以将属于同一三维点的第一图像的特征点和第二图像的特征点一一对应起来，将相互对应的第一图像的特征点和第二图像的特征点进行拼接，可以实现第一图像和第二图像的拼接，得到全景图像。

本公开的实施例在每一轮次查找候选单应矩阵的过程中，根据M个验证匹配点对均为内点的期望概率，确定最大返回次数，使得最大返回次数随着当前返回次数的递增而减小，能够避免查找候选单应矩阵的次数居高不下，耗时长的问题。因此，能够提高查找候选单应矩阵的效率，进而提高图像拼接效率。

根据本公开的实施例，根据M个验证匹配点对均为内点的期望概率，确定最大返回次数包括：根据内点占比，确定经过K次返回，每次选取的M个验证匹配点对均为内点的期望概率，其中，K为最大返回次数；以及根据期望概率以及当前返回次数，确定最大返回次数K。

例如，可以根据以下公式(1)确定期望概率：

P＝1-(1-w

其中，P为期望概率，w为内点占比，M为验证匹配点对的数量，K为最大返回次数。

可以理解，w

例如，可以根据以下公式(2)确定最大返回次数：

其中，K为最大返回次数，P为期望概率，i为当前返回次数，b为常数。期望概率P可以取预设数值(例如0.99)。

可以理解，根据期望概率P反推的最大返回次数K是线性减小的。而在反推最大返回次数K的公式中添加约束项(i/b+1)，能够使得最大返回次数K呈阶梯状减小。例如，b＝10，在当前返回次数i＝10时，公式(2)的分母会增大2倍，因此，最大返回次数K会减小2倍。因此，每经过10个轮次，最大返回次数K会成倍减小。

图3是根据本公开的一个实施例的确定目标单应矩阵的方法的流程图。

如图3所示，该方法包括操作S310～操作S390。

在操作S310，对第一图像的特征点集和第二图像的特征点集进行匹配，得到多个特征点匹配区域。

例如，使用KNN算法对第一图像的特征点集和第二图像的特征点集进行双向匹配后，得到匹配点对集合。匹配点对集合中可能存在误匹配的匹配点对，可以使用GMS(Grid-based Motion Statistics，基于网格的运动统计)算法剔除错误的匹配点对，并将匹配点对集合划分为多个特征点匹配区域。

例如，GMS算法能够将运动平滑度的统计量转换为剔除错误匹配的统计量。在第一图像和第二图像的重叠区域，正确的匹配点对的周围有较多的匹配点对来支持它，而错误的匹配点对的周围有较少匹配点对支持它。因此，可以使用GMS算法根据匹配点对集合中多个匹配点对彼此之间的距离，剔除错误的匹配点对，得到包含较多正确匹配点对的多个特征点匹配区域。

在操作S320，使用从多个特征点匹配区域中选取的N个初始匹配点对，生成初始单应矩阵。

在操作S330，使用从多个有效匹配区域中选取的M个验证匹配点对，验证初始单应矩阵，得到内点集。

例如，可以从多个特征点匹配区域中的每个特征点匹配区域中选取n个匹配点对作为初始匹配点对，共得到N个初始匹配点对。针对每个特征点匹配区域，确定该特征点匹配区域中除初始匹配点对外的剩余匹配点对，然后从每个特征点匹配区域的剩余匹配点对中选取m个匹配点对作为验证匹配点对，共得到M个验证匹配点对。

例如，共有200个特征点匹配区域，n取1，可以从200个特征点匹配区域中每个特征点匹配区域选取1个匹配点对作为初始匹配点对，因此，可以得到200个初始匹配点对。m取1，可以从每个特征点匹配区域中除初始匹配点对外剩余匹配点对中选取1个匹配点对作为验证匹配点对，因此，可以得到200个验证匹配点对。

例如，使用选取的200个初始匹配点对生成初始单应矩阵，并使用200个验证匹配点对验证初始单应矩阵，得到通过验证的内点集以及未通过验证的外点集。

在操作S340，计算内点占比。

例如，可以计算内点集中匹配点对的数量与验证匹配点对的数量M之间的比例，得到内点占比w。

在操作S350，计算最大迭代次数k。

例如，可以根据内点占比w、M个验证匹配点对均为内点的期望概率P，按照上述公式(2)计算最大返回次数K。

在操作S360，判断内点占比是否大于阈值。如果是，执行操作S370；否则，执行操作380。

在操作S370，使用内点集生成候选单应矩阵。

在操作S380，判断当前返回次数i是否小于最大返回次数K。如果是，返回操作S320；否则执行操作S390。

在操作S390，从至少一个候选单应矩阵中确定目标单应矩阵。

例如，在内点占比大于阈值(例如0.5)的情况下，可以使用内点集生成候选单应矩阵，然后判断当前返回次数i是否小于最大返回次数K。在内点占比不大于阈值的情况下，直接判断当前返回次数i是否小于最大返回次数K。

如果i＜K，返回操作S320，返回次数加1，进行下一轮次的候选单应矩阵的查找过程。如果i≥K，结束单应矩阵的查找过程。

接下来，可以获取查找到的至少一个候选单应矩阵，从中选取内点占比最高的候选单应矩阵作为目标单应矩阵。

本实施例提供的确定目标单应矩阵的方法能够有效减小返回次数峰值，减少耗时，降低计算量，提升计算效率，使得图像处理效率得到提升。

图4是根据本公开的一个实施例的第一图像和第二图像的特征点匹配区域的示意图。

如图4所示，第一图像410和第二图像420是待拼接的两个图像，第一图像410和第二图像420之间的重叠区域为重叠区域430。重叠区域430包括第一图像410和第二图像420的匹配点对集合，利用GMS算法可以将匹配点对集合划分为多个特征点匹配区域，例如特征点匹配区域431、特征点匹配区域432、特征点匹配区域433等。

例如，可以分别从特征点匹配区域431、特征点匹配区域432、特征点匹配区域433中选取n(例如n＝1)个匹配点对作为初始匹配点对，来生成初始单应矩阵。可以分别从特征点匹配区域431、特征点匹配区域432、特征点匹配区域433中选取m(例如m＝1)个匹配点对作为验证匹配点对，来验证初始单应矩阵。

本实施例将匹配点对集合划分为多个特征点匹配区域，分别从每个特征点匹配区域中选取初始匹配点对和验证匹配点对，由于选取的匹配点对来自不同匹配区域，分布均匀，因此，包含的图像特征更加全面，可以提高图像拼接效果。

图5是根据本公开的一个实施例的图像处理装置的框图。

如图5所示，该图像处理装置500包括第一生成模块501、验证模块502、第二生成模块503、第一确定模块504、处理模块505以及拼接模块506。

第一生成模块501用于从第一图像和第二图像的特征点匹配区域中选取N个初始匹配点对，来生成初始单应矩阵，N为大于1的整数。

验证模块502用于从特征点匹配区域中选取M个验证匹配点对来验证初始单应矩阵，得到通过验证的内点集，M为大于1的整数。

第二生成模块503用于在内点集符合预设条件的情况下，使用内点集生成候选单应矩阵。

第一确定模块504用于根据M个验证匹配点对均为内点的期望概率，计算确定最大返回次数。

处理模块505用于响应于当前返回次数小于最大返回次数，返回生成初始单应矩阵的步骤，返回次数递增，直至当前返回次数不小于最大返回次数，得到至少一个候选单应矩阵。

拼接模块506用于从至少一个候选单应矩阵中确定目标单应矩阵，并使用目标单应矩阵将第一图像和第二图像进行拼接。

根据本公开的实施例，图像处理装置500还包括计算模块。

计算模块用于计算内点集中的匹配点对的数量与验证匹配点对的数量M之间的比例，得到内点占比。

第二生成模块503用于在内点占比符合预设条件的情况下，使用内点集生成候选单应矩阵。

第一确定模块包括第一确定单元和第二确定单元。

第一确定单元用于根据内点占比，确定经过K次返回，每次选取的M个验证匹配点对均为内点的期望概率，其中，K为最大返回次数。

第二确定单元用于根据期望概率以及当前返回次数，确定最大返回次数K。

根据本公开的实施例，第一确定单元用于根据以下公式确定期望概率：

P＝1-(1-w

其中，P为期望概率，w为内点占比，M为验证匹配点对的数量，K为最大返回次数。

第二确定单元，用于根据以下公式确定最大返回次数：

其中，P为期望概率，i为当前返回次数，b为常数。

根据本公开的实施例，图像处理装置500还包括第二确定模块。

第二确定模块用于在内点占比不符合预设条件的情况下，确定当前返回次数是否小于最大返回次数。

其中，处理模块505用于响应于第二确定模块确定当前返回次数小于最大返回次数，返回第一生成模块501，并且返回次数递增。

拼接模块506用于从至少一个候选单应矩阵中确定内点占比最高的候选单应矩阵作为目标单应矩阵。

根据本公开的实施例，第一图像和第二图像的特征点匹配区域包括多个特征点匹配区域。图像处理装置500还包括第三确定模块和匹配模块。

第三确定模块用于确定第一图像的特征点集和第二图像的特征点集。

匹配模块用于对第一图像的特征点集和第二图像的特征点集进行匹配，得到多个特征点匹配区域，其中每个特征点匹配区域包括至少一个匹配点对。

第一生成模块501用于从每个特征点匹配区域中选取n个匹配点对作为初始匹配点对，得到N个初始匹配点对，其中，n为大于等于1的整数。

验证模块502用于针对每个特征点匹配区域，确定该特征点匹配区域中除初始匹配点对外的剩余匹配点对；从每个特征点匹配区域的剩余匹配点对中选取m个匹配点对作为验证匹配点对，得到M个验证匹配点对，其中，m为大于等于1的整数。

匹配模块包括匹配单元和划分单元。

匹配单元用于对第一图像的特征点集和第二图像的特征点集进行匹配，得到匹配点对集合。

划分单元用于根据匹配点对集合中多个匹配点对彼此之间的距离，将匹配点对集合划分为多个特征点匹配区域。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端→服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。