一种基于机器学习的控制点自动布设方法及装置

技术领域

本发明涉及机器学习领域，特别是一种基于机器学习的航空影像控制点自动布设方法及装置、存储介质、计算设备。

背景技术

随着数字孪生城市建设的不断发展，对于新技术的不断应用，全自动化高效获取数据成为研究热点，在国内一些学者结合新技术做出了一些自动化建设的研究和应用。

蒋汪洋等人提出对于框幅式数码航摄仪影像质量检查系统的设计与应用，实现了对于原始影像的检查，李俊等人提出一种对于无人机航摄数据质量检查的方法，针对无人机航空摄影数据自动检查发现，保持摄影影像间存在一定的重叠度是构成立体像对进行测图的基础，应用图像点特征匹配方法进行影像匹配，通过单应性变换模型精确识别影像重叠区域，有效解决无人机影像间重叠区不规则不易识别的困难，利用SIFT\SURF\ORB\BRISK\AKAZE等五种特征提取算法对基于图像匹配的检查方法的实用性进行了验证，结果表明基于SIFT的检查方法再影像各个尺度均能够较好的计算出影像间重叠度，速度稍慢，而基于ORB的检查方法速度最快，缺点是在一些不易识别特征点的区域其可靠性较差。另一方面，无人机飞行姿态不稳定，易导致无人机摄像的像片倾角与旋角等指标超限，利用POS数据对摄站航高差、航带弯曲度、像片旋角与倾角等进行检查，基于python编程语言进行编程实现计算，完成一套相对完善的无人机航摄数据自动检查系统。

吴弦骏、董平等人则提出一种对于无人机航空影像像控点自动布设的解决方案。无人机航摄技术运用低空数码遥感影像技术生产的正射影像图(DOM)可满足一定比例尺精度要求，运用POS系统(即Position and Orientation System定位定向系统，又称IMU/DGPS系统)可以在传感器成像过程中实时测量其位置和姿态，获取影像的外方位元素，但是由于无人机轻而不稳，导致其POS数据(主要包括位置信息及姿态信息)不够精确，故使用无人机航摄生产DOM产品时需要大量的像片控制点(像控点)来提升空三加密精度，通过像控点布设设计、提高像控点布设效率，利用程序，根据设定的像控密度及像控旁像航线间隔数，在POS数据辅助下自动设计网型，生成像控分布略图，并基于共线方程匹配出像控分布网上的每个节点在航片上的对应的像点位置，生成标定有“像控可选范围”的航片图。

然而，在三维重建自动化软件如ContextCapture、Photomesh、smart3d等软件中，在内业生产环节，依然需要大量的内业人员和外业人员人工进行手动控制点判读和选刺，生产自动化程度实际上并不高，还有待于进一步提升。

现有技术中，并不存在利用机器学习将输出的控制点位置及相关影像进行像平面格式化输出，以提高生产自动化的技术。

在中国专利文献CN112484704A中提供了一种快速测绘方法，为了提高快速测绘的自动化程度，使得测绘更加渐变，提高适应性，通过机器学习直接校准目标测绘点，从而快速得到测绘结果。采用人工判断方式或者机器学习方式识别目标图像，再采用人工调整方式确定目标测绘点精确位置信息，这样提高实时校准和实时测绘的精准度和适用性。

在中国专利文献CN109076173A中记载了一种输出影像生成方法。地面站基于预先设定的像控点的GPS信息，将上述计算获得的位置和姿态，转换为世界坐标系下的位置和姿态，在这种实现方式中通过人工的方式查找像控点在第一拍摄设备拍摄获得的第一影像中的相对位置和像控点在第二拍摄设备拍摄获得的第二影像中的相对位置，再基于像控点的相对位置和像控点的GPS信息，将上述计算获得的相对位置和姿态转换为世界坐标系下的位置和姿态，或者通过图像识别方式，先基于像控点的GPS信息，分别从第一拍摄设备拍摄的第一影像和第二拍摄设备拍摄的第二影像中差找包括像控点的影像，以及该影像中可能存在像控点的区域，再通过预设的机器学习模型和优化算法在上述区域中识别出像控点，从而获得像控点在第一影像和第二影像中的相对位置，再基于像控点的相对位置和GPS信息，将第一拍摄设备和第二拍摄设备再拍摄影像时的相对位置和姿态转换为世界坐标系下的位置和姿态，在该方案中，尽管对于图像识别而言自动化程度得到提高，但是，其仍然需要较多的人工干预，对于控制点布设自动化程度需要进一步提高。

本发明研究团队经过足够样本训练，通过机器学习和摄影测量技术相结合，将机器学习输出的控制点位置及相关影像进行像平面格式化输出，大幅度提高生产自动化水平。

发明内容

鉴于此，为了解决现有技术中存在的技术问题，本发明旨在提供一种能够结合机器学习，利用传统的摄影测量技术，对图像特征进行处理和应用，将传统的控制点布设、三维重建过程中的控制点测量等环节进行一体化、自动化结合处理，减少人为的干预，实现软件自动化处理，在保障数据准确度的基础上，进行数据控制点刺点，降低人工干预，大大提高生产自动化程度的基于机器学习的控制点自动布设方法及装置、存储介质、计算设备。

根据本发明的一个方面，提供了一种基于机器学习的控制点自动布设方法，其特征在于，包括：

获取待布设航空影像，从所述待布设航空影像选取与参考像控点关联的影像数据；所述参考像控点预先从所述待布设航空影像中确定；

将所述影像数据输入预先训练的点位学习模型；利用所述点位学习模型学习得到所述影像数据对应的像控点图形特征，根据所述像控点图形特征确定所述影像数据对应的像控点点位；

利用所述像控点点位标注所述待布设航空影像，并基于所述像控点点位生成点位记录；

输出带有所述像控点点位的所述待布设航空影像和所述点位记录。

优选地，所述待布设航空影像为航空影像。

可选地，所述将所述影像数据输入预先训练的点位学习模型，利用所述点位学习模型学习得到所述影像数据对应的像控点图形特征之前，所述方法还包括：

获取至少一组参考影像以及与像控点关联的多个特征图形，利用所述特征图形制作所述参考影像对应的蒙版影像，并确定所述蒙版影像对应的刺点位置；

根据所述参考影像、所述特征图形、所述蒙版影像和所述刺点位置创建特征数据集；

基于神经网络构建机器学习模型，利用所述特征数据集训练所述机器学习模型，得到能够参考影像得到对应的像控点特征图形和像控点位置的点位学习模型。

可选地，所述获取待布设航空影像，从所述待布设航空影像选取与参考像控点关联的影像数据包括：

获取待布设航空影像，利用摄影测量原理的航向和旁向重叠度计算并合理布设所述待布设航空影像对应的参考像控点；

结合定位定姿系统从所述待布设航空影像中选取出与所述参考像控点关联的下视影像数据。

可选地，所述将所述影像数据输入预先训练的点位学习模型；利用所述点位学习模型学习得到所述影像数据对应的像控点图形特征，根据所述像控点图形特征确定所述影像数据对应的像控点点位，包括：

将所述下视影像数据输入预先训练的点位学习模型，利用所述点位学习模型学习得到所述下视影像数据对应的像控点图形特征；

根据所述像控点图形特征自动确定所述下视影像中布设像控点的第一像平面位置和第一点号。

可选地，所述结合定位定姿系统从所述待布设航空影像中选取出与所述参考像控点关联的下视影像数据之后，所述方法还包括：

计算所述待布设航空影像中的侧视影像数据，获取所述侧视影像数据对应的侧视图形特征；

比较所述像控点图形特征和所述侧视图形特征，在所述像侧视影像数据中选取出与下视影像数据特征相似度大于设定阈值的目标影像数据；

基于所述侧视图形特征计算所述目标影像数据中布设像控点的第二像平面位置和第二点号。

可选地，所述利用所述像控点点位标注所述待布设航空影像，并基于所述像控点点位生成点位记录，包括：

根据特征匹配和同名点匹配的方式，结合所述第一像平面位置、第一点号、第二像平面位置和第二点号优化所述影像数据中所有镜头下的像控点，选取出最终用于标注所述影像数据的像控点点位及对应的像平面位置信息，以利用选取出的所述像控点点位标注所述待布设航空影像；

根据所述像控点点位及对应的像平面位置信息生成点位记录。

可选地，所述输出带有所述像控点点位的所述待布设航空影像和所述点位记录之后，所述方法还包括：

获取外业采集的空间位置信息表；

将所述空间位置信息表和所述像控点点位对应的像平面位置信息进行匹配和格式化存储。

根据本发明的第二方面，提供了一种基于机器学习的航空影像控制点自动布设装置，所述装置包括：

数据获取模块，用于获取待布设航空影像，从所述待布设航空影像选取与参考像控点关联的影像数据；所述参考像控点根据摄影测量原理预先从所述待布设航空影像中确定；

特征学习模块，用于将所述影像数据输入预先训练的点位学习模型，利用所述点位学习模型学习得到所述影像数据对应的像控点图形特征；

点位确定模块，用于根据所述像控点图形特征确定所述影像数据对应的像控点点位；利用所述像控点点位标注所述待布设航空影像，并基于所述像控点点位生成点位记录；

成果输出模块，用于输出带有所述像控点点位的所述待布设航空影像和所述点位记录。

根据本发明的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面任一项所述的方法。

根据本发明的第四方面，提供了一种计算设备，所述计算设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行第一方面任一项所述的方法。

本发明提供了一种基于机器学习的航空影像控制点自动布设方法及装置、存储介质、计算设备，本发明结合机器学习，利用摄影测量技术，对图像特征进行处理和应用，将传统的控制点布设、三维重建过程中的控制点测量等环节进行了自动化处理，减少了人为的干预，实现了软件全自动处理，在保障数据准确度的基础上，对于数据控制点刺点，降低了人工干预，大大提高了生产自动化程度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明实施例的基于机器学习的控制点自动布设方法流程示意图；

图2示出了根据本发明实施例的预先建立并训练得到点位学习模型的流程示意图；

图3示出了根据本发明实施例的点位学习模型结构示意图；

图4示出了根据本发明实施例的预先建立并训练得到点位学习模型流程示意图；

图5示出了根据本发明一实施例的基于机器学习的控制点自动布设装置结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

像控点是航拍测绘控制加密和测图的基础。只有每个像控点都按照一定标准布设，才能使得内业更好的处理数据，使得三维模型达到一定精度。像控点是航拍测绘控制加密和测图的基础。只有每个像控点都按照一定标准布设，才能使得内业更好的处理数据，使得三维模型达到一定精度。

本发明实施例提供了一种基于机器学习的航空影像控制点自动布设方法，参见图1，本发明实施例的基于机器学习的航空影像控制点自动布设方法可以包括以下步骤S1～S4。

S1，获取待布设航空影像，从所述待布设航空影像选取与参考像控点关联的影像数据；所述参考像控点根据摄影测量原理预先从所述待布设航空影像中确定。

本实施例中的待布设航空影像是基于无人机或是其他设备所拍摄的任一区域的需要布设控制点的航空影像。对于所获取到的待布设航空影像可以包含多帧不同拍摄角度的影像，获取到待布设航空影像之后，可进一步从设航空影像中选取与参考像控点关联的影像数据。本实施例中的参考控制点是预先根据摄影测量原理预先从所述待布设航空影像中确定。可以理解为，待参考控制点是根据经验或摄影测量原理预先从所述待布设航空影像中确定出的像控点的粗略位置。

S2，将所述影像数据输入预先训练的点位学习模型；利用所述点位学习模型学习得到所述影像数据对应的像控点图形特征，根据所述像控点图形特征确定所述影像数据对应的像控点点位。

本实施例中利用机器学习的方式，通过预先构建并训练点位学习模型，可以利用点位学习模型自动根据影像数据学习得到对应的像控点图形特征，以，根据所述像控点图形特征确定所述影像数据对应的像控点点位。其中，点位学习模型可以根据大量的常用特征图形进行训练得到，因此，利用点位学习模型学习得到的影像数据对应的像控点特征图形可以作为可靠的特征信息，以作为后续信息匹配的基准。

S3，利用所述像控点点位标注所述待布设航空影像，并基于所述像控点点位生成点位记录。

S4，输出带有所述像控点点位的所述待布设航空影像和所述点位记录。

利用点位学习模型学习得到像控点图形特征以及对应的像控点点位之后，即可利用像控点点位标注所述待布设航空影像，同时可生成点位记录，最终将带有所述像控点点位的所述待布设航空影像和所述点位记录作为成果数据输出。本实施例提供的方法将机器学习与摄影测量结合，实现自动选择最优控制点的图形特征和位置，从而保证对于外业测量控制点的便利与内业检查的可靠性。

在本发明可选实施例中，上述步骤S1获取到的影像数据可以为下视影像数据，也即，上述步骤S1获取待布设航空影像，从所述待布设航空影像选取与参考像控点关联的影像数据可以包括：

S1-1，获取待布设航空影像，利用摄影测量原理的航向和旁向重叠度计算并合理布设所述待布设航空影像对应的参考像控点。

具体地，根据三角形相似原理，可以得出f*s＝w*H，其中f、s、w、H分别代表焦距、地面距离、像平面宽度、相对航高，根据该公式可以获得s＝w*H/f，根据旁向和航向不同的重叠度，可以计算出三度重叠区域和六度重叠区域，按照不同精度等级的要求，跨规定条基线长度和航带，进行选择合适的布设点位区域作为待刺点位的备选区域。

S1-2，结合定位定姿系统从所述待布设航空影像中选取出与所述参考像控点关联的下视影像数据。

同一条航线内相邻的影像重叠为航向重叠，相邻航线的重叠为旁向重叠，本实施例中，可以先根据航向旁向重叠度确定航向重叠度在60％～80％之间，旁向重叠度在15％～60％的航线，以根据选取出的符合要求的航线进一步计算并合理布设参考控制点点位，同时结合POS(position and orientation system，定位定姿系统)选择出控制点点位相关的影像，作为上述提及的下视影像数据。一般情况下，像控点按航线全区统一布点，相邻影像和相邻航线之间的像控点尽量共用，并且，像控点点位选择在影像上的明显目标点。

上述步骤S2提及，将所述影像数据输入预先训练的点位学习模型，可选地，本实施例还可以包括S5预先建立并训练得到点位学习模型，具体地，如图2所示，可以包括以下步骤S5-1-S5-3。

S5-1，获取至少一组参考影像以及与像控点关联的多个特征图形，利用所述特征图形制作所述参考影像对应的蒙版影像，并确定所述蒙版影像对应的刺点位置。本实施例中的参考影像可以是已完成像控点布设的其他影像，特征图形可以是斑马线角点、如近于直角形状且近于水平的固定田角、场地角、草地角，近似于水平面内近于直角相交的固定道路交叉，平屋顶大型建筑物的墙角等，均可作为特征图形。

S5-2，根据所述参考影像、所述特征图形、所述蒙版影像和所述刺点位置创建特征数据集。对于获取到的参考影像和特征图形，可以制作出参考影像对应的蒙版影像，同时还可以结合蒙版影像对应的刺点位置创建特征数据集。

S5-3，基于神经网络构建机器学习模型，利用所述特征数据集训练所述机器学习模型，得到能够参考影像得到对应的像控点特征图形和像控点位置的点位学习模型。

对于模型结构主要是由下采样块四组和上采样块四组组成，下采样中每组通过最大池化进行连接，上采样中每组通过一次卷积进行相连，将每一个的输出作为下一个层的输入进行相关联，对模型从输入到输出形成一个闭合环，利用基本结构对模型进行组合，将模型形成一个端到端的处理流程。具体结构如图3所示。

上述特征数据集可以随机划分为训练集和验证集，进而利用训练集和验证集对机器学习模型进行多轮训练以及验证，从而得到符合要求的点位学习模型，进而利用点位学习模型对影像的特征图形以及像控点点位进行精准学习。

上述实施例提及，步骤S1中的影像数据可以包括下视影像数据，进一步地，上述步骤S2将所述影像数据输入预先训练的点位学习模型，利用所述点位学习模型学习得到所述影像数据对应的像控点图形特征，可以进一步包括：

S2-1，将所述下视影像数据输入预先训练的点位学习模型，利用所述点位学习模型学习得到所述下视影像数据对应的像控点图形特征。实际应用中，主要是通过前期模型学习获得的先验知识进行对数据特征获取。

S2-2，根据所述像控点图形特征自动确定所述下视影像中布设像控点的第一像平面位置和第一点号。本实施例中，根据前面所布设像控点位置获得的区域，结合区域内的相关特征与机器学习所获取的先验知识，获取到控制点几何特征及像平面位置，按照蛇形编码方式，采用序号自增，对点位进行有序编号，便于点位的统计。

本实施例中，根据通过点位学习模型学习得到的像控点图形特征，可自动标注出下视影像中下视控制点布设的像平面位置和点号，作为第一像平面位置和第一点号。

在本发明实施例中，除了对影像数据中的下视影像数据进行学习之外，还可以包括S6根据其他视角的影像数据学习得到对应的像控点。即，本实施例还包括以下步骤：

S6-1，利用摄影测量原理的共线方程计算所述待布设航空影像中的侧视影像数据，获取所述侧视影像数据对应的侧视图形特征。可选地，获取侧视影像数据对应的侧视图形特征时，同样可以利用点位学习模型进行获取，或者是根据其他特征计算的方式进行获取。

共线方程计算如下：

其中，R为旋转矩阵，a

由于三者共线，根据三角形相似原理可得：

上式整理后可得到如下式子

将上式所有进行整理可得到像平面坐标系如下：

X

X，Y，Z为物方点的物方空间坐标。

利用共线方程的计算，将图像特征的各个点换算到不同侧视影像上，从而获取该图形特征在不同镜头下的几何形状。

S6-2，比较所述像控点图形特征和所述侧视图形特征，在所述侧视影像数据中选取出与下视影像数据特征相似度大于设定阈值的目标影像数据，以将目标影像数据中的几何特征点位作为待刺控制点。

S6-3，基于所述侧视图形特征计算所述目标影像数据中布设像控点的第二像平面位置和第二点号。

本实施例中，通过将S6-1中的侧视图形特征和上述S2-1得到的像控点图形特征进行比较，选取相似度较高的目标图像特征并确定待刺控制点，以进步完成后续的待布设航空影像的点位标注。

可选地，上述步骤S3利用所述像控点点位标注所述待布设航空影像，并基于所述像控点点位生成点位记录可以包括：

S3-1，根据特征匹配和同名点匹配的方式，结合所述第一像平面位置、第一点号、第二像平面位置和第二点号优化所述影像数据中所有镜头下的像控点，选取出最终用于标注所述影像数据的像控点点位及对应的像平面位置信息，以利用选取出的所述像控点点位标注所述待布设航空影像(参考S6-1的步骤进行所有点位的计算)。

S3-2，根据所述像控点点位及对应的像平面位置信息生成点位记录。

成果数据，像控点分布概略图，格式为KMZ，通过像控点分布概略图，可以了解像控点的分布情况以进行行程规划。将带有标注的下视影像和对应的点位记录表进行格式化输出，用于外业采集控制点的地理坐标信息，将机器学习输出的控制点位置及相关影像进行像平面格式化输出。

本实施例中，上述步骤S4之后，所述方法还包括：S7，对内业数据和外业数据进行数据整理。

S7-1，获取外业采集的空间位置信息表；

S7-2，将所述空间位置信息表和所述像控点点位对应的像平面位置信息进行匹配和格式化存储。外业GPS按照前文所给的点位序号进行点位信息的测量，并保存成对应坐标系统的文件，利用序号匹配的形式，将外业点位信息匹配到多个所对应的像平面位置，构成一对多的坐标序号匹配数据，按照空间直角坐标系-像平面坐标系的格式进行存储。

将之前整理好格式化存储，按照三维重建软件所能识别的格式进行定制化自动整理，输出控制点的信息，用于实现数据导入软件后能够自动识别，减少人共刺点的工作量。

本发明提供了一种基于机器学习的航空影像控制点自动布设方法，通过对于重叠度计算、图像特征计算，实现自动选择最优控制点的图形特征和位置，从而保证对于外业测量控制点的便利与内业检查的可靠性。并且，本实施例提供的方法还可以获取不同视角的图像特征、不同类型控制点，能够输出控制点在不同镜头影像的像平面坐标位置，输出的成果对于三维重建软件能够直接进行利用，减少人为干预，降低人工成本。

基于同一发明构思，本发明实施例还提供了一种基于机器学习的航空影像控制点自动布设装置，如图3所示，所述基于机器学习的航空影像控制点自动布设装置包括：

数据获取模块310，用于获取待布设航空影像，从所述待布设航空影像选取与参考像控点关联的影像数据；所述参考像控点根据摄影测量原理预先从所述待布设航空影像中确定；

特征学习模块320，用于将所述影像数据输入预先训练的点位学习模型，利用所述点位学习模型学习得到所述影像数据对应的像控点图形特征；根据所述像控点图形特征确定所述影像数据对应的像控点点位；

标注模块330，用于利用所述像控点点位标注所述待布设航空影像，并基于所述像控点点位生成点位记录；

成果输出模块340，用于输出带有所述像控点点位的所述待布设航空影像和所述点位记录。

在本发明可选实施例中，如图4，基于机器学习的航空影像控制点自动布设装置还可以包括模型训练模块350。

模型训练模块350，用于获取至少一组参考影像以及与像控点关联的多个特征图形，利用所述特征图形制作所述参考影像对应的蒙版影像，并确定所述蒙版影像对应的刺点位置；

根据所述参考影像、所述特征图形、所述蒙版影像和所述刺点位置创建特征数据集；

基于神经网络构建机器学习模型，利用所述特征数据集训练所述机器学习模型，得到能够参考影像得到对应的像控点特征图形和像控点位置的点位学习模型。本实施例的基于机器学习的航空影像控制点自动布设装置中的各个模块的功能及具体实现方式可以参考上述基于机器学习的航空影像控制点自动布设方法实施例的介绍。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述实施例所述的方法。

本发明实施例还提供了一种计算设备，其特征在于，所述计算设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行上述实施例所述的方法。

所属领域的技术人员可以清楚地了解到，上述描述的系统、装置、模块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，为简洁起见，在此不另赘述。

另外，在本发明各个实施例中的各功能单元可以物理上相互独立，也可以两个或两个以上功能单元集成在一起，还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现，也可以采用软件或者固件的形式实现。

本领域普通技术人员可以理解：所述集成的功能单元如果以软件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，本发明的技术方案本质上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一个存储介质中，其包括若干指令，用以使得一台计算设备(例如个人计算机，服务器，或者网络设备等)在运行所述指令时执行本发明各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、只读存储器(ROM)、随机存取存储器(RAM)，磁碟或者光盘等各种可以存储程序代码的介质。

或者，实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机，服务器，或者网络设备等的计算设备)来完成，所述程序指令可以存储于一计算机可读取存储介质中，当所述程序指令被计算设备的处理器执行时，所述计算设备执行本发明各实施例所述方法的全部或部分步骤。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：在本发明的精神和原则之内，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案脱离本发明的保护范围。