一种基于螺旋图卷积网络的全身人体模型重建方法、系统

技术领域

本发明属于人工智能技术领域，具体涉及一种基于螺旋图卷积网络的全身人体模型重建方法、系统，以及对应的全身人体模型重建设备。

背景技术

如何从单幅图像中准确且快速地重建全身体的三维人体模型近年来成为了计算机视觉领域中的重点研究问题。这项任务是指从一张RGB图像中同步地预测出三维人体网格模型的各组成部分，包括身体、人脸以及双手。通过重建全身人体模型，能够帮助我们更加容易的理解人们的行为举止和心理活动。动作捕捉是机器视觉的一种应用，该技术也是人工智能机器人研究方向上一项具有奠基作用的技术。

然而，由于在图像空间中的人们通常摆出各种不同的姿势，人们所处环境的变化带来的图像背景多变性，以及人们容易被同伴或是其他物体遮挡，这些因素都导致二维图像中可能无法包含三维模型生成时所需的全部特征，并使得基于二维图像的三维建模任务变得十分具有挑战性。另外，与整个身体相比，人脸和双手在二维图像中的占比很小，再加上人手的关节连接复杂，人的面部肌肉变形度高，这让重建准确的面部表情和手势变得更加困难。

鉴于上述原因，先前的大多数基于二维图像的三维建模工作大多独立地研究重建身体、人脸和双手，关于全身体重建的研究则相对较少。现有的全身体的三维人体网格重建方法都分成了三个模块，这三个模块对应着三个子网络，分别用于重建身体、人脸和双手。这些方法大多是基于参数化人体模型的，例如SMPL-X、Adam和GHUM/GHUML，通过对应的网络预测出姿势和体型等参数后，再输入到对应的参数化人体模型层中，最终就能得到一个三维的人体网格，Expose就是利用SMPL-X从RGB图像中重建全身体模型的方法。

然而，预测参数来完成全身体重建并不容易，为了使重建的人体模型准确且形象，需要预测多个不同的姿势参数，在参数化模型空间中，姿势参数的表现形式也有多种，例如轴角、旋转矩阵、四元数等，每种旋转表现形式也有着其自身局限性，这些都加大了网络预测的复杂程度。

在最新的研究中，为了避免直接预测模型参数而导致的问题复杂性，可以将重建过程看作是预测人体网格模型中每个顶点的坐标位置，与之对应的是无模型的非参数化方法。由于人体网格模型的拓扑形状可以很自然的看成是一个图结构，故在这类方法中，图卷积神经网络因其能够有效的提取空间局部特征和对图结构进行显式编码受到了广泛关注。尽管基于图卷积神经网络的方法能够很好地适用于人体网格拓扑，但目前的大多数研究都集中在准确估计身体姿势，很少有工作将图卷积网络用于重建具有表现力的全身人体模型，此外，目前的基于图卷积网络的方法还存在着预测出的人体模型表面形状不规则不光滑的问题。

发明内容

为了解决现有现有各类方案重建人体三维模型时存在模型表面不规则不光滑、脸部和手部的特征信息不足，模型的整体表现不佳等问题，本发明提供一种基于螺旋图卷积网络的全身人体模型重建方法、系统，以及对应的全身人体模型重建设备。

本发明采用以下技术方案实现：

一种基于螺旋图卷积网络的全身人体模型重建方法，其用于根据输入的人物的二维图像，重建出对应人物的包含脸部表情和手势动作的三维全身模型。该全身人体模型重建方法包括如下步骤：

S1：对输入的人物图像进行预处理，分别提取出对应人体全身、手部关节和脸部的局部图像；并将得到的身体图像、手部图像和脸部图像的尺寸统一调整为224*224。

S2：将ResNet50卷积神经网络中的将全连接层去除，以平均池化层输出作为最终输出，并作为所需的特征提取网络。通过预先训练的特征提取网络分别对身体图像、手部图像和脸部图像进行特征提取，得到对应的2048维的特征向量F

S3：基于人体各个部分的参考拓扑结和提取特征向量，采用螺旋图卷积网络进行图结构处理并预测每个顶点的位置，重建出对应的局部模型。具体过程如下：

S31：采用对应的参数化网格模型作为螺旋图卷积网络的参考拓扑结构。

S32：将各局部图像提取出的特征向量嵌入到各参数化网络模型顶点中，得到含有图像特征信息的顶点特征。

S33：将顶点特征输入到螺旋图卷积网络中，以螺旋卷积的方式在顶点之间进行信息传递，最后输出预测出的每个顶点的位置。

S34：基于螺旋图卷积网络预测的顶点位置，在参数化网格模型中生成对应的三维局部模型；包括身体模型、手部模型和脸部模型。

S4：按照SMPL-X参数化人体网格模型中定义的顶点序列将重建的身体模型、手部模型、人脸模型整合到一起，得到所需的包含脸部表情和手势动作的三维全身模型。

作为本发明进一步的改进，步骤S1中，基于人物图像提取出不同部分对应的局部图像的过程如下：

S11：分别通过人体检测算法、关节检测算法或人脸检测算法对输入的人物图像进行目标检测。

S12：对识别出目标区域的像素点按坐标值进行排序，得到横坐标的最大值x

S13：根据人物不同部分对应的检测框的中心点坐标center和裁剪尺度scale，通过仿射变换函数得到各个裁剪后的局部图像I

I

其中，I表示原始输入的人物图像。

S14：将裁剪后的各个局部图像尺寸均设置为224*224。

作为本发明进一步的改进，步骤S3中，身体模型的重建过程如下：

S31A：采用SMPL-X参数化人体网格模型作为螺旋图卷积网络的参考拓扑结构。

S32A：将身体图像的特征向量F

S33A：将顶点特征输入到螺旋图卷积网络中，以螺旋卷积的方式在顶点之间进行信息传递，最后输出预测出的每个顶点的位置。

S34A：基于螺旋图卷积网络预测的顶点位置，在SMPL-X参数化人体网格模型中生成对应的身体模型。

作为本发明进一步的改进，步骤S3中，手部模型的重建过程如下：

S31B：采用MANO参数化手部网格模型作为螺旋图卷积网络的参考拓扑结构。

S32B：将脸部图像的特征向量F

S33B：将顶点特征输入到螺旋图卷积网络中，以螺旋卷积的方式在顶点之间进行信息传递，最后输出预测出的每个顶点的位置。

S34B：基于螺旋图卷积网络预测的顶点位置，在MANO参数化手部网格模型中生成对应的手部模型。

作为本发明进一步的改进，步骤S3中，脸部模型的重建过程如下：

S31C：采用FLAME参数化人脸网格模型作为螺旋图卷积网络的参考拓扑结构。

S32C：将脸部图像的特征向量F

S33C：将顶点特征输入到螺旋图卷积网络中，以螺旋卷积的方式在顶点之间进行信息传递，最后输出预测出的每个顶点的位置。

S34C：基于螺旋图卷积网络预测的顶点位置，在FLAME参数化人脸网格模型中生成对应的脸部模型。

作为本发明进一步的改进，在步骤S3的螺旋图卷积网络中，基于给定的图结构中的中心顶点，采用螺旋的方式构建邻接顶点特征的聚合顺序，得到对应的螺旋序列S(v,n)：

上式中，螺旋序列S(v,n)是一个由k个环中n个顶点v组成的有序集合；0-ring(v)＝{v}表示给定一个图结构中的中心顶点v,围绕着这个中心顶点v的第0个环，第0个环即为该中心顶点v；k-disk(v)＝∪

按照螺旋序列S(v,n)中定义好的顺序，螺旋图卷积网络将第(l-1)层的顶点特征连接起来传给第l层，传播方式如下：

上式中，

螺旋图卷积网络的信息传递机制SpiralConv(v)如下：

SpiralConv(v)＝σ(W.f(S(v,n))+b)

上式中，f(S(v,n))表示按螺旋序列的顺序拼接好的顶点特征，W表示所有顶点共享的权重矩阵；b表示所有顶点共享的偏置值。

作为本发明进一步的改进，步骤S3中，身体、手部和脸部的局部模型均由对应的参数化网络模型和螺旋图卷积网络根据输入的特征向量优化生成。各参数化网络模型和螺旋图卷积网络在应用前需要进行模型训练；训练过程中的损失函数设置如下：

L＝loss

上式中，loss

本发明中，loss

loss

上式中，V

loss

上式中，J表示局部模型中关节点的个数；MSE()为均方根误差函数；X

loss

上式中，v

loss

上式中，f表示真值模型或预测模型中的三角形面，m

loss

上式中，

本发明还包括一种基于螺旋图卷积网络的全身人体模型重建系统，该全身人体模型重建系统采用如前述的基于螺旋图卷积网络的全身人体模型重建方法，根据输入的人物的二维图像，重建出对应人物的包含脸部表情和手势动作的三维全身模型。该全身人体模型重建系统包括：图像预处理模块、特征提取模块、螺旋图卷积网络模型、身体重建模块、手部重建模块、人脸重建模块，以及模型整合模块。

其中，图像预处理模块用于采用相应的目标检测算法从输入的人物图像中识别出对应身体、手部和脸部的区域；再对原始图像中识别出的目标区域进行裁剪。并将裁剪后的局部图像的尺寸统一调整为224*224；得到对应的身体图像、手部图像和脸部图像。

特征提取模块由经过改进的ResNet50卷积神经网络训练后得到，ResNet50卷积神经网络的改进内容包括将将全连接层去除，以平均池化层输出作为最终输出。特征提取模块用于分别对图像预处理模块输出的身体图像、手部图像和脸部图像进行特征提取，进而得到对应的2048维的特征向量F

螺旋图卷积网络模型用于根据各人体局部模型中富含图像特征信息的顶点特征生成对应的螺旋序列，并根据螺旋序列预测出用于生成优化后的人体局部模型的各个顶点的位置。

身体重建模块用于先通过SMPL-X参数化人体网格模型生成一个身体模型的参考拓扑结构。然后将身体图像的特征向量F

手部重建模块用于先通过MANO参数化手部网格模型生成一个手部模型的参考拓扑结构。然后将手部图像的特征向量F

人脸重建模块用于先通过FLAME参数化人脸网格模型生成一个脸部模型的参考拓扑结构，然后将脸部图像的特征向量F

模型整合模块用于按照SMPL-X参数化人体网格模型中定义的顶点序列将重建的身体模型、手部模型、人脸模型整合到一起，得到所需的包含脸部表情和手势动作的三维全身模型。

本发明还包括一种基于螺旋图卷积网络的全身人体模型重建设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时，实现如前述的基于螺旋图卷积网络的全身人体模型重建方法的步骤，进而根据输入的人物的二维图像，重建出对应人物的包含脸部表情和手势动作的三维全身模型。

本发明提供的技术方案，具有如下有益效果：

(1)本发明创造性地将螺旋图卷积处理的应用到模型参数的预测中，克服了现有图卷积神经网络在图数据结构上使用谱卷积会导致重建的人体表面不光滑不规则而且重建速度较慢的问题。该方案相对常规卷积算子的图卷积神经网络更容易训练，且生成的人体模型表面更加光滑，精确度更高。

(2)本发明采用螺旋图卷积神经网络进行模型参数预测设计，可以直接预测人体网格模型中的顶点坐标位置，避免了预测复杂的三维姿势旋转参数，这样也降低了最终进行模型整合的复杂度。有利于更加准确的恢复人体姿势，提高方案的处理速率和实时性，降低了方案对硬件设备的数据处理能力的限制。

(3)本发明填补了图卷积神经网络在重建全身体具有表现力的人体模型研究中的空白，目前无模型的方法都是基于SMPL的，并不包含手势和面部表情的恢复；本发明首次将图卷积神经网络全程应用到全身体三维人体网格重建。

附图说明

图1为本发明实施例1中提供的一种基于螺旋图卷积网络的全身人体模型重建方法的步骤流程图。

图2为从二维人物图像中提取身体图像、手部图像和人脸图像的处理方法流程图。

图3为改进后的特征提取网络的模型架构图。

图4为测试试验中基于二维人物图像生成对应的三维全身模型的案例示意图。

图5为多个不同样本图像的三维人体重建结果示意图。

图6为本发明实施例2中提供的一种基于螺旋图卷积网络的全身人体模型重建系统的系统架构图。

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地详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

本实施例提供一种基于螺旋图卷积网络的全身人体模型重建方法，其用于根据输入的人物的二维图像，重建出对应人物的包含脸部表情和手势动作的三维全身模型。如图1所示，该全身人体模型重建方法包括如下步骤：

S1：对输入的人物图像进行预处理，分别提取出对应人体全身、手部关节和脸部的局部图像；并将得到的身体图像、手部图像和脸部图像的尺寸统一调整为224*224。

如图2所示，本实施例中基于人物图像提取出不同部分对应的局部图像的过程如下：

S11：分别通过人体检测算法、关节检测算法或人脸检测算法对输入的人物图像进行目标检测。

S12：对识别出目标区域的像素点按坐标值进行排序，得到横坐标的最大值x

S13：根据人物不同部分对应的检测框的中心点坐标center和裁剪尺度scale，通过仿射变换函数得到各个裁剪后的局部图像I

I

其中，I表示原始输入的人物图像。

S14：将裁剪后的各个局部图像尺寸均设置为224*224。

S2：将ResNet50卷积神经网络中的将全连接层去除，以平均池化层输出作为最终输出，并作为所需的特征提取网络。本实施例中改进后的特征提取网络的网络架构如图3所示，通过预先训练的特征提取网络分别对身体图像、手部图像和脸部图像进行特征提取，得到对应的2048维的特征向量F

S3：基于人体各个部分的参考拓扑结和提取特征向量，采用螺旋图卷积网络进行图结构处理并预测每个顶点的位置，重建出对应的局部模型。具体过程如下：

S31：采用对应的参数化网格模型作为螺旋图卷积网络的参考拓扑结构。

S32：将各局部图像提取出的特征向量嵌入到各参数化网络模型顶点中，得到含有图像特征信息的顶点特征。

S33：将顶点特征输入到螺旋图卷积网络中，以螺旋卷积的方式在顶点之间进行信息传递，最后输出预测出的每个顶点的位置。

S34：基于螺旋图卷积网络预测的顶点位置，在参数化网格模型中生成对应的三维局部模型；包括身体模型、手部模型和脸部模型。

S4：按照SMPL-X参数化人体网格模型中定义的顶点序列将重建的身体模型、手部模型、人脸模型整合到一起，得到所需的包含脸部表情和手势动作的三维全身模型。

在本实施例的步骤S3中，身体模型、手部模型和脸部模型是三个同步处理的并行过程中，其中，身体模型的重建过程如下：

S31A：采用SMPL-X参数化人体网格模型作为螺旋图卷积网络的参考拓扑结构。

S32A：将身体图像的特征向量F

S33A：将顶点特征输入到螺旋图卷积网络中，以螺旋卷积的方式在顶点之间进行信息传递，最后输出预测出的每个顶点的位置。

S34A：基于螺旋图卷积网络预测的顶点位置，在SMPL-X参数化人体网格模型中生成对应的身体模型。

相应地，手部模型的重建过程如下：

S31B：采用MANO参数化手部网格模型作为螺旋图卷积网络的参考拓扑结构。

S32B：将脸部图像的特征向量F

S33B：将顶点特征输入到螺旋图卷积网络中，以螺旋卷积的方式在顶点之间进行信息传递，最后输出预测出的每个顶点的位置。

S34B：基于螺旋图卷积网络预测的顶点位置，在MANO参数化手部网格模型中生成对应的手部模型。

相应地，脸部模型的重建过程如下：

S31C：采用FLAME参数化人脸网格模型作为螺旋图卷积网络的参考拓扑结构。

S32C：将脸部图像的特征向量F

S33C：将顶点特征输入到螺旋图卷积网络中，以螺旋卷积的方式在顶点之间进行信息传递，最后输出预测出的每个顶点的位置。

S34C：基于螺旋图卷积网络预测的顶点位置，在FLAME参数化人脸网格模型中生成对应的脸部模型。

现有基于图卷积神经网络的模型重建方法都是在图数据结构上使用谱卷积。图卷积网络是一种从图结构中提取特征的方法，可以有效的处理非欧式空间的数据。传统的图卷积网络通过定义在图结构上的邻接矩阵来完成邻接顶点的特征聚合操作，其本质相当于对图中的每个顶点特征进行全连接，然后加上一个邻域平均操作。这通常会导致重建的人体表面不光滑不规则，而且会导致人体模型的重建速度较慢。

本实施例提供的方案中螺旋图卷积网络来替代常规的图卷积神经网络。螺旋图卷积网络不使用图的邻接矩阵来进行特征聚合，而是显式地定义了邻接顶点特征的聚合顺序，这个顺序我们称之为螺旋序列。

在步骤S3中身体模型、手部模型和脸部模型的生成阶段，螺旋图卷积网络可以基于给定的图结构中的中心顶点，采用螺旋的方式构建邻接顶点特征的聚合顺序，得到对应的螺旋序列S(v,n)。

为了给出螺旋序列的定义，首先需要引入几个概念。在图结构中给定一个中心顶点v，那么围绕着这个中心顶点v的第k个环和第k个盘面的定义如下：

0-ing(v)＝{v}#(1)

k-disk(v)＝∪

公式#(3)中

假设一个螺旋序列的长度为n,那么螺旋序列S(v,n)的定义如下：

/>

该公式表示，螺旋序列是一个由k个环中n个顶点v组成的有序集合。

在螺旋图卷积网络中，和传统图卷积网络的邻接矩阵一样，螺旋序列只在网络初始化时计算一次，之后保持不变。这样，在螺旋图卷积网络中，特征在层与层之间的传播方式定义如下：

该公式定义了螺旋图卷积网络中l层与l-1层之间的特征传播方式，σ代表非线性激活函数，||表示连接操作，该公式表示按照螺旋序列S(v,n)中定义好的顺序将第(l-1)层的顶点特征连接起来传给第l层。

该公式从理论层面上定义了螺旋图卷积的信息传递机制，在实际计算中，该公式可变形为：

SpiralConv(v)＝σ(Wf(S(v,n))+b)#(6)

上述公式中，f(S(v,n))表示按螺旋序列的顺序拼接好的顶点特征，W和b为所有顶点共享的权重矩阵和偏置值。

本实施例中，身体、手部和脸部的局部模型均由对应的参数化网络模型和螺旋图卷积网络根据输入的特征向量优化生成。各参数化网络模型和螺旋图卷积网络在应用前需单独进行模型训练；训练过程中的损失函数设置如下：

L＝loss

上式中，loss

本发明中，loss

loss

上式中，V

loss

上式中，J表示局部模型中关节点的个数；MSE()为均方根误差函数；X

loss

上式中，v

loss

上式中，f表示真值模型或预测模型中的三角形面，m

loss

上式中，

在本实施例提供的方案中，当二维人物图像中目标人物呈对称状态时，则只需要预处理出其中一个手部图像，并生成一个手部模型，然后在模型整合阶段将手部模型整合到三维全身模型的另一侧即可。如果二维人物图像中的目标人物是非对称的，则需要分别提取左手和右手的图像，并生成对应的左手模型和右手模型，再进行模型整合。

性能测试

为了验证本实施例提供的一种基于螺旋图卷积网络的全身人体模型重建方法的有效性，本实施例设计了如下的仿真实验，本实施例的方法进行测试。

具体地，在实验仿真阶段，选择深度学习框架Pytorch来完成程序的具体实现，程序运行的硬件环境为：Intel Core i5-10400f@2.90GHz十二线程的CPU，16G的DDR4内存，操作系统为Ubuntu18.04，开发工具为Pycharm，使用NVIDIA RTX 3060GPU用于训练网络。

测试试验中训练使用的数据集为公开可用的数据集，主要有Human3.6M，MSCOCO，MPII，FreiHAND，HO3D-V2，VGGFace2。身体重建网络使用Human3.6M，MSCOCO，MPII这三个数据集训练，由于这三个数据集使用的是SMPL参数化模型，所以我们使用NeuralAnnot方法来得到SMPL-X模型格式的3D人体网格真值。手部重建网络使用FreiHAND和HO3D-V2数据集进行训练，VGGFace2用于训练人脸重建网络。

对于训练过程，本实验使用Adam优化器并且设置学习率为0.0001，不使用学习率衰减策略，batchsize设置为16。对于身体重建网络，我们总共训练35个epoch，在训练初期不使用边长一致性损失和法向量一致性损失用于监督，因为会使初期训练过程陷入局部最优，在训练中途加入这两个损失函数最为合适。手部重建网络训练60个epoch，人脸重建网络训练80个epoch。训练时对数据集采用数据增加策略，包括图像旋转，水平翻转，添加噪声，尺度缩放等。

图4为测试试验过程中，采用本实施例方案根据对应二维人物图像生成的身体重建结果、手部重建结果，脸部重建结果，以及对应的全身重建结果的三维模型。

此外，采用相同的方法，本实施例还利用多个不同的样本图像重建了对应的三维人体模型。建模结果如图5所示，图中第一行均为全身图像对应的建模结果，第二行均为手部图像对应的建模结果。第三行均为脸部图像对应的建模结果。从图中结果可以看出，本实施例的方案在全身和局部图像中均产生了非常优秀的建模效果，生成的三维模型非常精细。

实施例2

在实施例1的基础上，本实施例进一步提高一种基于螺旋图卷积网络的全身人体模型重建系统，该全身人体模型重建系统采用如实施例1中的基于螺旋图卷积网络的全身人体模型重建方法，根据输入的人物的二维图像，重建出对应人物的包含脸部表情和手势动作的三维全身模型。

如图6所示，本实施例提供的全身人体模型重建系统包括：图像预处理模块、特征提取模块、螺旋图卷积网络模型、身体重建模块、手部重建模块、人脸重建模块，以及模型整合模块。

其中，图像预处理模块用于采用相应的目标检测算法从输入的人物图像中识别出对应身体、手部和脸部的区域；再对原始图像中识别出的目标区域进行裁剪。并将裁剪后的局部图像的尺寸统一调整为224*224；得到对应的身体图像、手部图像和脸部图像。

特征提取模块由经过改进的ResNet50卷积神经网络训练后得到，ResNet50卷积神经网络的改进内容包括将将全连接层去除，以平均池化层输出作为最终输出。特征提取模块用于分别对图像预处理模块输出的身体图像、手部图像和脸部图像进行特征提取，进而得到对应的2048维的特征向量F

螺旋图卷积网络模型用于根据各人体局部模型中富含图像特征信息的顶点特征生成对应的螺旋序列，并根据螺旋序列预测出用于生成优化后的人体局部模型的各个顶点的位置。

身体重建模块用于先通过SMPL-X参数化人体网格模型生成一个身体模型的参考拓扑结构。然后将身体图像的特征向量F

手部重建模块用于先通过MANO参数化手部网格模型生成一个手部模型的参考拓扑结构。然后将手部图像的特征向量F

人脸重建模块用于先通过FLAME参数化人脸网格模型生成一个脸部模型的参考拓扑结构，然后将脸部图像的特征向量F

模型整合模块用于按照SMPL-X参数化人体网格模型中定义的顶点序列将重建的身体模型、手部模型、人脸模型整合到一起，得到所需的包含脸部表情和手势动作的三维全身模型。

实施例3

在实施例1和2的基础上，本实施例进一步提供一种基于螺旋图卷积网络的全身人体模型重建设备，该设备属于一种可完成实施例1中的方法的一种实体数据处理设备。该设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时，实现如前述的基于螺旋图卷积网络的全身人体模型重建方法的步骤，进而根据输入的人物的二维图像，重建出对应人物的包含脸部表情和手势动作的三维全身模型。

该计算机设备可以是可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器、处理器。

本实施例中，存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。