一种图像处理方法、装置、设备及介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种图像处理方法、装置、设备及介质。

背景技术

在车辆的使用过程中，车辆上设置的左前视摄像头采集车辆的左前视方向上的图像，车辆上设置的前视摄像头采集车辆的前视方向上的图像，车辆上设置的右前视摄像头采集车辆的右前视方向上的图像，车辆上设置的左后视摄像头采集车辆的左后视方向上的图像，车辆上设置的后视摄像头采集车辆的后视方向上的图像，车辆上设置的右后视摄像头采集车辆的右后视方向上的图像。车辆的左前视方向、前视方向、右前视方向、左后视方向、后视方向以及右后视方向上的图像构成了车辆的周围环境图像。在获取车辆的周围环境图像之后，会通过预设的特征获取模型对周围环境图像进行处理，得到与周围环境图像对应的鸟瞰图特征。

相关技术中，常用的针对车辆的周围环境图像的图像处理方案为：将需要处理的周围环境图像输入至固定设置的一个特征获取模型，获取特征获取模型输出的与周围环境图像对应的鸟瞰图特征。在车辆的使用过程中，车辆会处于不同的车辆使用场景。不同车辆使用场景下的周围环境图像之间有明显差异，不同车辆使用场景下的周围环境图像对应的鸟瞰图特征之间相应地也有明显差异。相关技术中的图像处理方案中，固定设置的特征获取模型无法针对不同车辆使用场景下的周围环境图像进行处理，无法保证鸟瞰图特征获取的准确性。

发明内容

本发明提供了一种图像处理方法、装置、设备及介质，以解决相关技术中的图像处理方案中，固定设置的特征获取模型无法针对不同车辆使用场景下的周围环境图像进行处理，无法保证鸟瞰图特征提取的准确性的问题。

根据本发明的一方面，提供了一种图像处理方法，包括：

获取与待处理周围环境图像对应的车辆使用场景参数；

根据所述车辆使用场景参数，在预先训练的各个备选特征获取模型中确定出与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型；

将所述待处理周围环境图像输入至所述目标特征获取模型，得到与所述待处理周围环境图像对应的鸟瞰图特征；

其中，所述目标特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。

根据本发明的另一方面，提供了一种图像处理装置，包括：

参数获取模块，用于获取与待处理周围环境图像对应的车辆使用场景参数；

模型确定模块，用于根据所述车辆使用场景参数，在预先训练的各个备选特征获取模型中确定出与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型；

特征获取模块，用于将所述待处理周围环境图像输入至所述目标特征获取模型，得到与所述待处理周围环境图像对应的鸟瞰图特征；

其中，所述目标特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；

以及与所述至少一个处理器网络通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的图像处理方法。

根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像处理方法。

本发明实施例的技术方案，通过获取与待处理周围环境图像对应的车辆使用场景参数；然后根据车辆使用场景参数，在预先训练的各个备选特征获取模型中确定出与待处理周围环境图像的车辆使用场景对应的目标特征获取模型；最后将待处理周围环境图像输入至目标特征获取模型，得到与待处理周围环境图像对应的鸟瞰图特征，解决了相关技术中的图像处理方案中，固定设置的特征获取模型无法针对不同车辆使用场景下的周围环境图像进行处理，无法保证鸟瞰图特征提取的准确性的问题，取到了可以根据与周围环境图像对应的车辆使用场景参数，确定与周围环境图像的车辆使用场景对应的特征获取模型，可以基于与周围环境图像的车辆使用场景对应的特征获取模型，快速而准确地获取与周围环境图像对应的鸟瞰图特征，可以基于与各个车辆使用场景对应的备选特征获取模型，针对不同车辆使用场景下的周围环境图像进行处理，准确地获取不同车辆使用场景下的周围环境图像对应的鸟瞰图特征，提高鸟瞰图特征获取的准确性的有益效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的一种图像处理方法的流程图。

图2为本发明实施例二提供的一种图像处理方法的流程图。

图3为本发明实施例三提供的一种图像处理方法的流程图。

图4为本发明实施例四提供的一种图像处理装置的结构示意图。

图5为实现本发明实施例的图像处理方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包含”、“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供的一种图像处理方法的流程图。本实施例可适用于在获取车辆的周围环境图像之后，对周围环境图像进行处理，得到与周围环境图像对应的鸟瞰图特征的情况。该方法可以由图像处理装置来执行，该图像处理装置可以采用硬件和/或软件的形式实现，该图像处理装置可配置于电子设备中。示例性的，电子设备可以是车辆上设置的电子控制单元。如图1所示，该方法包括：

步骤101、获取与待处理周围环境图像对应的车辆使用场景参数。

可选的，与周围环境图像对应的鸟瞰图特征是投射到鸟瞰图的方格地图上的周围环境图像的图像特征。周围环境图像的图像特征可以是周围环境图像中的各个像素点的特征。各个像素点的特征包括但不限于各个像素点的位置和像素值。待处理周围环境图像是需要进行图像处理，获取对应的鸟瞰图特征的周围环境图像。待处理周围环境图像包含在同一时刻采集的车辆的左前视方向、前视方向、右前视方向、左后视方向、后视方向以及右后视方向上的图像。

可选的，与待处理周围环境图像对应的车辆使用场景参数是用于确定待处理周围环境图像的车辆使用场景的参数。待处理周围环境图像的车辆使用场景是采集待处理周围环境图像时车辆的使用场景。车辆的使用场景包括但不限于：高速行驶、中速行驶、低速行驶、行驶在道路的最外侧车道、行驶在道路的最内侧车道、行驶在道路的中间车道。

可选的，车辆的使用场景为高速行驶，表明车辆正在以较高的车速行驶。车辆的使用场景为中速行驶，表明车辆正在以中等的车速行驶。车辆的使用场景为低速行驶，表明车辆正在以较低的车速行驶。车辆的使用场景为行驶在道路的最外侧车道，表明车辆正行驶在道路的最外侧车道。车辆的使用场景为行驶在道路的最内侧车道，表明车辆正行驶在道路的最内侧车道。车辆的使用场景为行驶在道路的中间车道，表明车辆正行驶在道路的中间车道。道路的中间车道是位于道路的最外侧车道和最内侧车道之间的车道。

可选的，与待处理周围环境图像对应的车辆使用场景参数可以是与待处理周围环境图像对应的车速。与待处理周围环境图像对应的车速是采集待处理周围环境图像时车辆的车速。电子设备可以从车辆上设置的车速传感器中获取与待处理周围环境图像对应的车速。

可选的，通常情况下，若车辆的使用场景为高速行驶，车辆的车速会大于等于第一车速阈值。若车辆的使用场景为中速行驶，车辆的车速会小于第一车速阈值，且大于等于第二车速阈值。若车辆的使用场景为低速行驶，车辆的车速会小于第二车速阈值。因此，若与所述待处理周围环境图像对应的车速大于等于所述第一车速阈值，则可以确定所述待处理周围环境图像的车辆使用场景为高速行驶；若与所述待处理周围环境图像对应的车速小于所述第一车速阈值，且大于等于所述第二车速阈值，则可以确定所述待处理周围环境图像的车辆使用场景为中速行驶。若与所述待处理周围环境图像对应的车速小于所述第二车速阈值，则可以确定所述待处理周围环境图像的车辆使用场景为低速行驶。第一车速阈值和第二车速阈值是预先设置的两个车速。第一车速阈值大于第二车速阈值。示例性的，第一车速阈值为90公里每小时，第二车速阈值为60公里每小时。

可选的，与待处理周围环境图像对应的车辆使用场景参数可以是与待处理周围环境图像对应的车辆位置。与待处理周围环境图像对应的车辆位置是采集待处理周围环境图像时车辆所处的位置。与待处理周围环境图像对应的车辆位置为最外侧车道、最内侧车道或中间车道。电子设备可以从车辆上设置的定位模块中获取与待处理周围环境图像对应的车辆位置。定位模块可以是车辆上设置的全球定位系统定位模块。

可选的，通常情况下，若车辆的使用场景为行驶在道路的最外侧车道，车辆位置为最外侧车道。若车辆的使用场景为行驶在道路的最内侧车道，车辆位置为最内侧车道。若车辆的使用场景为行驶在道路的中间车道，车辆位置为中间车道。因此，若与所述待处理周围环境图像对应的车辆位置为最外侧车道，则可以确定所述待处理周围环境图像的车辆使用场景为行驶在道路的最外侧车道。若与所述待处理周围环境图像对应的车辆位置为最内侧车道，则可以确定所述待处理周围环境图像的车辆使用场景为行驶在道路的最内侧车道。若与所述待处理周围环境图像对应的车辆位置为中间车道，则可以确定所述待处理周围环境图像的车辆使用场景为行驶在道路的中间车道。

步骤102、根据所述车辆使用场景参数，在预先训练的各个备选特征获取模型中确定出与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

可选的，预先训练的各个备选特征获取模型包括与各个车辆使用场景对应的备选特征获取模型。针对每一个车辆使用场景，与车辆使用场景对应的备选特征获取模型是根据在车辆使用场景下采集的周围环境图像、以使在车辆使用场景下采集的周围环境图像对应的鸟瞰图特征训练的特征获取模型。在车辆使用场景下采集的周围环境图像即为车辆使用场景下的周围环境图像。因此，与车辆使用场景对应的备选特征获取模型可以针对车辆使用场景下的周围环境图像进行处理，准确获取车辆使用场景下的周围环境图像对应的鸟瞰图特征。

可选的，在获取与待处理周围环境图像对应的车辆使用场景参数之前，还包括：针对每一个车辆使用场景执行下述操作：获取预设数量的与车辆使用场景对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征；其中，所述车辆使用场景为高速行驶、中速行驶或低速行驶；将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对机器学习模型进行训练，得到与所述车辆使用场景对应的备选特征获取模型。

可选的，获取预设数量的与高速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。预设数量的与高速行驶对应的周围环境图像是在车辆的使用场景为高速行驶时采集的多个周围环境图像。各所述周围环境图像即为在车辆的使用场景为高速行驶时采集的各个周围环境图像。与各所述周围环境图像对应的鸟瞰图特征即为在车辆的使用场景为高速行驶时采集的各个周围环境图像对应的鸟瞰图特征。将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对预先设定的机器学习模型进行训练，确定机器学习模型的参数，得到与高速行驶对应的备选特征获取模型。备选特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。与高速行驶对应的备选特征获取模型可以针对在车辆的使用场景为高速行驶时采集的周围环境图像进行处理，准确获取在车辆的使用场景为高速行驶时采集的周围环境图像对应的鸟瞰图特征。

可选的，预设数量可以根据业务需求进行设置。示例性的，预设数量为1000。获取1000个与高速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。

可选的，获取预设数量的与高速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征，包括：获取目标用户上传的预设数量的与高速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。目标用户通过终端设备将预设数量的与高速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征上传至目标设备。目标用户可以是负责管理车辆的技术人员。

可选的，机器学习模型包括但不限于神经网络模型。

可选的，将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对预先设定的机器学习模型进行训练，得到与高速行驶对应的备选特征获取模型，包括：将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征构成的训练样本划分为训练样本集合以及测试样本集合；使用所述训练样本集合对机器学习模型进行训练，得到与高速行驶对应的备选特征获取模型；使用所述测试样本集合对与高速行驶对应的备选特征获取模型进行测试，得到与高速行驶对应的备选特征获取模型的准确度。

可选的，根据预设的划分比例，将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征构成的训练样本划分为训练样本集合以及测试样本集合。

在一个具体实例中，训练样本中包含1000个与高速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。将训练样本80％的样本数据，即800个与高速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征划分为训练样本集。将训练样本20％的样本数据，即200个与高速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征划分为测试样本集合。

可选的，使用所述测试样本集合对与高速行驶对应的备选特征获取模型进行测试，得到与高速行驶对应的备选特征获取模型的准确度，包括：将测试样本集合中的各个与高速行驶对应的周围环境图像输入至与高速行驶对应的备选特征获取模型，得到与高速行驶对应的备选特征获取模型输出的各个与高速行驶对应的周围环境图像对应的鸟瞰图特征；使用预设的相似度算法，确定各个周围环境图像对应的鸟瞰图特征与备选特征获取模型输出的各个周围环境图像对应的鸟瞰图特征之间的相似度；计算各个周围环境图像对应的鸟瞰图特征与备选特征获取模型输出的各个周围环境图像对应的鸟瞰图特征之间的相似度的平均值；将所述平均值确定为与高速行驶对应的备选特征获取模型的准确度。

可选的，在与高速行驶对应的备选特征获取模型的准确度大于等于预设准确度阈值时，确定与高速行驶对应的备选特征获取模型可以使用。在与高速行驶对应的备选特征获取模型的准确度小于预设准确度阈值时，继续对与高速行驶对应的备选特征获取模型进行训练。预设准确度阈值可以根据业务需求进行设置。示例性的，预设准确度阈值为0.9。

可选的，获取预设数量的与中速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。预设数量的与中速行驶对应的周围环境图像是在车辆的使用场景为中速行驶时采集的多个周围环境图像。各所述周围环境图像即为在车辆的使用场景为中速行驶时采集的各个周围环境图像。与各所述周围环境图像对应的鸟瞰图特征即为在车辆的使用场景为中速行驶时采集的各个周围环境图像对应的鸟瞰图特征。将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对预先设定的机器学习模型进行训练，确定机器学习模型的参数，得到与中速行驶对应的备选特征获取模型。备选特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。与中速行驶对应的备选特征获取模型可以针对在车辆的使用场景为中速行驶时采集的周围环境图像进行处理，准确获取在车辆的使用场景为中速行驶时采集的周围环境图像对应的鸟瞰图特征。

可选的，获取预设数量的与中速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征，包括：获取目标用户上传的预设数量的与中速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。

可选的，将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对预先设定的机器学习模型进行训练，得到与中速行驶对应的备选特征获取模型，包括：将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征构成的训练样本划分为训练样本集合以及测试样本集合；使用所述训练样本集合对机器学习模型进行训练，得到与中速行驶对应的备选特征获取模型；使用所述测试样本集合对与中速行驶对应的备选特征获取模型进行测试，得到与中速行驶对应的备选特征获取模型的准确度。

可选的，使用所述测试样本集合对与中速行驶对应的备选特征获取模型进行测试，得到与中速行驶对应的备选特征获取模型的准确度，包括：将测试样本集合中的各个与中速行驶对应的周围环境图像输入至与中速行驶对应的备选特征获取模型，得到与中速行驶对应的备选特征获取模型输出的各个与中速行驶对应的周围环境图像对应的鸟瞰图特征；使用预设的相似度算法，确定各个周围环境图像对应的鸟瞰图特征与备选特征获取模型输出的各个周围环境图像对应的鸟瞰图特征之间的相似度；计算各个周围环境图像对应的鸟瞰图特征与备选特征获取模型输出的各个周围环境图像对应的鸟瞰图特征之间的相似度的平均值；将所述平均值确定为与中速行驶对应的备选特征获取模型的准确度。

可选的，在与中速行驶对应的备选特征获取模型的准确度大于等于预设准确度阈值时，确定与中速行驶对应的备选特征获取模型可以使用。在与中速行驶对应的备选特征获取模型的准确度小于预设准确度阈值时，继续对与中速行驶对应的备选特征获取模型进行训练。

可选的，获取预设数量的与低速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。预设数量的与低速行驶对应的周围环境图像是在车辆的使用场景为低速行驶时采集的多个周围环境图像。各所述周围环境图像即为在车辆的使用场景为低速行驶时采集的各个周围环境图像。与各所述周围环境图像对应的鸟瞰图特征即为在车辆的使用场景为低速行驶时采集的各个周围环境图像对应的鸟瞰图特征。将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对预先设定的机器学习模型进行训练，确定机器学习模型的参数，得到与低速行驶对应的备选特征获取模型。备选特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。与低速行驶对应的备选特征获取模型可以针对在车辆的使用场景为低速行驶时采集的周围环境图像进行处理，准确获取在车辆的使用场景为低速行驶时采集的周围环境图像对应的鸟瞰图特征。

可选的，获取预设数量的与低速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征，包括：获取目标用户上传的预设数量的与低速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。目标用户通过终端设备将预设数量的与低速行驶对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征上传至目标设备。

可选的，将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对预先设定的机器学习模型进行训练，得到与低速行驶对应的备选特征获取模型，包括：将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征构成的训练样本划分为训练样本集合以及测试样本集合；使用所述训练样本集合对机器学习模型进行训练，得到与低速行驶对应的备选特征获取模型；使用所述测试样本集合对与低速行驶对应的备选特征获取模型进行测试，得到与低速行驶对应的备选特征获取模型的准确度。

可选的，使用所述测试样本集合对与低速行驶对应的备选特征获取模型进行测试，得到与低速行驶对应的备选特征获取模型的准确度，包括：将测试样本集合中的各个与低速行驶对应的周围环境图像输入至与低速行驶对应的备选特征获取模型，得到与低速行驶对应的备选特征获取模型输出的各个与低速行驶对应的周围环境图像对应的鸟瞰图特征；使用预设的相似度算法，确定各个周围环境图像对应的鸟瞰图特征与备选特征获取模型输出的各个周围环境图像对应的鸟瞰图特征之间的相似度；计算各个周围环境图像对应的鸟瞰图特征与备选特征获取模型输出的各个周围环境图像对应的鸟瞰图特征之间的相似度的平均值；将所述平均值确定为与低速行驶对应的备选特征获取模型的准确度。

可选的，在与低速行驶对应的备选特征获取模型的准确度大于等于预设准确度阈值时，确定与低速行驶对应的备选特征获取模型可以使用。在与低速行驶对应的备选特征获取模型的准确度小于预设准确度阈值时，继续对与低速行驶对应的备选特征获取模型进行训练。

可选的，与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型是可以针对待处理周围环境图像的车辆使用场景下的周围环境图像进行处理，准确获取待处理周围环境图像的车辆使用场景下的周围环境图像对应的鸟瞰图特征的特征获取模型。

可选的，所述车辆使用场景参数为车速；根据所述车辆使用场景参数，在预先训练的各个备选特征获取模型中确定出与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型，包括：判断与所述待处理周围环境图像对应的车速是否大于等于第一车速阈值；若与所述待处理周围环境图像对应的车速大于等于所述第一车速阈值，则确定所述待处理周围环境图像的车辆使用场景为高速行驶，将与高速行驶对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

可选的，若待处理周围环境图像的车辆使用场景为高速行驶，与高速行驶对应的备选特征获取模型即为可以针对待处理周围环境图像的车辆使用场景下的周围环境图像进行处理，准确获取待处理周围环境图像的车辆使用场景下的周围环境图像对应的鸟瞰图特征的特征获取模型。因此，在根据与待处理周围环境图像对应的车速确定待处理周围环境图像的车辆使用场景为高速行驶之后，将与高速行驶对应的备选特征获取模型确定为与待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

可选的，在判断与所述待处理周围环境图像对应的车速是否大于等于第一车速阈值之后，还包括：若与所述待处理周围环境图像对应的车速小于所述第一车速阈值，则判断与所述待处理周围环境图像对应的车速是否大于等于第二车速阈值；若与所述待处理周围环境图像对应的车速大于等于所述第二车速阈值，则确定所述待处理周围环境图像的车辆使用场景为中速行驶，将与中速行驶对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

可选的，若待处理周围环境图像的车辆使用场景为中速行驶，与中速行驶对应的备选特征获取模型即为可以针对待处理周围环境图像的车辆使用场景下的周围环境图像进行处理，准确获取待处理周围环境图像的车辆使用场景下的周围环境图像对应的鸟瞰图特征的特征获取模型。因此，在根据与待处理周围环境图像对应的车速确定待处理周围环境图像的车辆使用场景为中速行驶之后，将与中速行驶对应的备选特征获取模型确定为与待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

可选的，在判断与所述待处理周围环境图像对应的车速是否大于等于第二车速阈值之后，还包括：若与所述待处理周围环境图像对应的车速小于所述第二车速阈值，则确定所述待处理周围环境图像的车辆使用场景为低速行驶，将与低速行驶对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

可选的，若待处理周围环境图像的车辆使用场景为低速行驶，与低速行驶对应的备选特征获取模型即为可以针对待处理周围环境图像的车辆使用场景下的周围环境图像进行处理，准确获取待处理周围环境图像的车辆使用场景下的周围环境图像对应的鸟瞰图特征的特征获取模型。因此，在根据与待处理周围环境图像对应的车速确定待处理周围环境图像的车辆使用场景为低速行驶之后，将与低速行驶对应的备选特征获取模型确定为与待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

可选的，在获取与待处理周围环境图像对应的车辆使用场景参数之前，还包括：针对每一个车辆使用场景执行下述操作：获取预设数量的与车辆使用场景对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征；其中，所述车辆使用场景为行驶在道路的最外侧车道、行驶在道路的最内侧车道或行驶在道路的中间车道；将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对机器学习模型进行训练，得到与所述车辆使用场景对应的备选特征提取模型。

可选的，获取预设数量的与行驶在道路的最外侧车道对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。预设数量的与行驶在道路的最外侧车道对应的周围环境图像是在车辆的使用场景为行驶在道路的最外侧车道时采集的多个周围环境图像。各所述周围环境图像即为在车辆的使用场景为行驶在道路的最外侧车道时采集的各个周围环境图像。与各所述周围环境图像对应的鸟瞰图特征即为在车辆的使用场景为行驶在道路的最外侧车道时采集的各个周围环境图像对应的鸟瞰图特征。将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对预先设定的机器学习模型进行训练，确定机器学习模型的参数，得到与行驶在道路的最外侧车道对应的备选特征获取模型。备选特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。与行驶在道路的最外侧车道对应的备选特征获取模型可以针对在车辆的使用场景为行驶在道路的最外侧车道时采集的周围环境图像进行处理，准确获取在车辆的使用场景为行驶在道路的最外侧车道时采集的周围环境图像对应的鸟瞰图特征。

可选的，获取预设数量的与行驶在道路的最内侧车道对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。预设数量的与行驶在道路的最内侧车道对应的周围环境图像是在车辆的使用场景为行驶在道路的最内侧车道时采集的多个周围环境图像。各所述周围环境图像即为在车辆的使用场景为行驶在道路的最内侧车道时采集的各个周围环境图像。与各所述周围环境图像对应的鸟瞰图特征即为在车辆的使用场景为行驶在道路的最内侧车道时采集的各个周围环境图像对应的鸟瞰图特征。将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对预先设定的机器学习模型进行训练，确定机器学习模型的参数，得到与行驶在道路的最内侧车道对应的备选特征获取模型。备选特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。与行驶在道路的最内侧车道对应的备选特征获取模型可以针对在车辆的使用场景为行驶在道路的最内侧车道时采集的周围环境图像进行处理，准确获取在车辆的使用场景为行驶在道路的最内侧车道时采集的周围环境图像对应的鸟瞰图特征。

可选的，获取预设数量的与行驶在道路的中间车道对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征。预设数量的与行驶在道路的中间车道对应的周围环境图像是在车辆的使用场景为行驶在道路的中间车道时采集的多个周围环境图像。各所述周围环境图像即为在车辆的使用场景为行驶在道路的中间车道时采集的各个周围环境图像。与各所述周围环境图像对应的鸟瞰图特征即为在车辆的使用场景为行驶在道路的中间车道时采集的各个周围环境图像对应的鸟瞰图特征。将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对预先设定的机器学习模型进行训练，确定机器学习模型的参数，得到与行驶在道路的中间车道对应的备选特征获取模型。备选特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。与行驶在道路的中间车道对应的备选特征获取模型可以针对在车辆的使用场景为行驶在道路的中间车道时采集的周围环境图像进行处理，准确获取在车辆的使用场景为行驶在道路的中间车道时采集的周围环境图像对应的鸟瞰图特征。

可选的，所述车辆使用场景参数为车辆位置；根据所述车辆使用场景参数，在预先训练的各个备选特征提取模型中确定出与所述待处理周围环境图像的车辆使用场景对应的目标特征提取模型，包括：若与所述待处理周围环境图像对应的车辆位置为最外侧车道，则确定所述待处理周围环境图像的车辆使用场景为行驶在道路的最外侧车道，将与行驶在道路的最外侧车道对应的备选特征提取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征提取模型；若与所述待处理周围环境图像对应的车辆位置为最内侧车道，则确定所述待处理周围环境图像的车辆使用场景为行驶在道路的最内侧车道，将与行驶在道路的最内侧车道对应的备选特征提取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征提取模型；若与所述待处理周围环境图像对应的车辆位置为中间车道，则确定所述待处理周围环境图像的车辆使用场景为行驶在道路的中间车道，将与行驶在道路的中间车道对应的备选特征提取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征提取模型。

可选的，若待处理周围环境图像的车辆使用场景为行驶在道路的最外侧车道，与行驶在道路的最外侧车道对应的备选特征获取模型即为可以针对待处理周围环境图像的车辆使用场景下的周围环境图像进行处理，准确获取待处理周围环境图像的车辆使用场景下的周围环境图像对应的鸟瞰图特征的特征获取模型。因此，在根据与待处理周围环境图像对应的车速确定待处理周围环境图像的车辆使用场景为行驶在道路的最外侧车道之后，将与行驶在道路的最外侧车道对应的备选特征获取模型确定为与待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

可选的，若待处理周围环境图像的车辆使用场景为行驶在道路的最内侧车道，与行驶在道路的最内侧车道对应的备选特征获取模型即为可以针对待处理周围环境图像的车辆使用场景下的周围环境图像进行处理，准确获取待处理周围环境图像的车辆使用场景下的周围环境图像对应的鸟瞰图特征的特征获取模型。因此，在根据与待处理周围环境图像对应的车速确定待处理周围环境图像的车辆使用场景为行驶在道路的最内侧车道之后，将与行驶在道路的最内侧车道对应的备选特征获取模型确定为与待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

可选的，若待处理周围环境图像的车辆使用场景为行驶在道路的中间车道，与行驶在道路的中间车道对应的备选特征获取模型即为可以针对待处理周围环境图像的车辆使用场景下的周围环境图像进行处理，准确获取待处理周围环境图像的车辆使用场景下的周围环境图像对应的鸟瞰图特征的特征获取模型。因此，在根据与待处理周围环境图像对应的车速确定待处理周围环境图像的车辆使用场景为行驶在道路的中间车道之后，将与行驶在道路的中间车道对应的备选特征获取模型确定为与待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

步骤103、将所述待处理周围环境图像输入至所述目标特征获取模型，得到与所述待处理周围环境图像对应的鸟瞰图特征。

其中，所述目标特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。

可选的，将所述待处理周围环境图像输入至所述目标特征获取模型，得到与所述待处理周围环境图像对应的鸟瞰图特征。由此，根据与待处理周围环境图像对应的车辆使用场景参数，确定与待处理周围环境图像的车辆使用场景对应的特征获取模型，基于与待处理周围环境图像的车辆使用场景对应的特征获取模型，快速而准确地获取与待处理周围环境图像对应的鸟瞰图特征。

本发明实施例的技术方案，通过获取与待处理周围环境图像对应的车辆使用场景参数；然后根据车辆使用场景参数，在预先训练的各个备选特征获取模型中确定出与待处理周围环境图像的车辆使用场景对应的目标特征获取模型；最后将待处理周围环境图像输入至目标特征获取模型，得到与待处理周围环境图像对应的鸟瞰图特征，解决了相关技术中的图像处理方案中，固定设置的特征获取模型无法针对不同车辆使用场景下的周围环境图像进行处理，无法保证鸟瞰图特征提取的准确性的问题，取到了可以根据与周围环境图像对应的车辆使用场景参数，确定与周围环境图像的车辆使用场景对应的特征获取模型，可以基于与周围环境图像的车辆使用场景对应的特征获取模型，快速而准确地获取与周围环境图像对应的鸟瞰图特征，可以基于与各个车辆使用场景对应的备选特征获取模型，针对不同车辆使用场景下的周围环境图像进行处理，准确地获取不同车辆使用场景下的周围环境图像对应的鸟瞰图特征，提高鸟瞰图特征获取的准确性的有益效果。

实施例二

图2为本发明实施例二提供的一种图像处理方法的流程图。本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示，该方法包括：

步骤201、获取与待处理周围环境图像对应的车速。

步骤202、判断与所述待处理周围环境图像对应的车速是否大于等于第一车速阈值：若是，则执行步骤203；若否，则执行步骤204。

步骤203、确定所述待处理周围环境图像的车辆使用场景为高速行驶，将与高速行驶对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

步骤204、判断与所述待处理周围环境图像对应的车速是否大于等于第二车速阈值：若是，则执行步骤205；若否，则执行步骤206。

步骤205、确定所述待处理周围环境图像的车辆使用场景为中速行驶，将与中速行驶对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

步骤206、确定所述待处理周围环境图像的车辆使用场景为低速行驶，将与低速行驶对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

步骤207、将所述待处理周围环境图像输入至所述目标特征获取模型，得到与所述待处理周围环境图像对应的鸟瞰图特征。

其中，所述目标特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。

本发明实施例的技术方案，可以根据与周围环境图像对应的车速，确定与周围环境图像的车辆使用场景对应的特征获取模型，可以基于与周围环境图像的车辆使用场景对应的特征获取模型，快速而准确地获取与周围环境图像对应的鸟瞰图特征，可以基于与各个车辆使用场景对应的备选特征获取模型，针对不同车辆使用场景下的周围环境图像进行处理，准确地获取不同车辆使用场景下的周围环境图像对应的鸟瞰图特征，提高鸟瞰图特征获取的准确性。

实施例三

图3为本发明实施例三提供的一种图像处理方法的流程图。本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图3所示，该方法包括：

步骤301、获取与待处理周围环境图像对应的车辆位置：若与所述待处理周围环境图像对应的车辆位置为最外侧车道，则执行步骤302；若与所述待处理周围环境图像对应的车辆位置为最内侧车道，则执行步骤303；若与所述待处理周围环境图像对应的车辆位置为中间车道，则执行步骤304。

步骤302、确定所述待处理周围环境图像的车辆使用场景为行驶在道路的最外侧车道，将与行驶在道路的最外侧车道对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

步骤303、确定所述待处理周围环境图像的车辆使用场景为行驶在道路的最内侧车道，将与行驶在道路的最内侧车道对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

步骤304、确定所述待处理周围环境图像的车辆使用场景为行驶在道路的中间车道，将与行驶在道路的中间车道对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

步骤305、将所述待处理周围环境图像输入至所述目标特征获取模型，得到与所述待处理周围环境图像对应的鸟瞰图特征。

其中，所述目标特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。

本发明实施例的技术方案，可以根据与周围环境图像对应的车辆位置，确定与周围环境图像的车辆使用场景对应的特征获取模型，可以基于与周围环境图像的车辆使用场景对应的特征获取模型，快速而准确地获取与周围环境图像对应的鸟瞰图特征，可以基于与各个车辆使用场景对应的备选特征获取模型，针对不同车辆使用场景下的周围环境图像进行处理，准确地获取不同车辆使用场景下的周围环境图像对应的鸟瞰图特征，提高鸟瞰图特征获取的准确性。

实施例四

图4为本发明实施例四提供的一种图像处理装置的结构示意图。所述装置可以配置于电子设备中。如图4所示，所述装置包括：参数获取模块401、模型确定模块402以及特征获取模块403。

其中，参数获取模块401，用于获取与待处理周围环境图像对应的车辆使用场景参数；模型确定模块402，用于根据所述车辆使用场景参数，在预先训练的各个备选特征获取模型中确定出与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型；特征获取模块403，用于将所述待处理周围环境图像输入至所述目标特征获取模型，得到与所述待处理周围环境图像对应的鸟瞰图特征；其中，所述目标特征获取模型的输入为周围环境图像，输出为与周围环境图像对应的鸟瞰图特征。

本发明实施例的技术方案，通过获取与待处理周围环境图像对应的车辆使用场景参数；然后根据车辆使用场景参数，在预先训练的各个备选特征获取模型中确定出与待处理周围环境图像的车辆使用场景对应的目标特征获取模型；最后将待处理周围环境图像输入至目标特征获取模型，得到与待处理周围环境图像对应的鸟瞰图特征，解决了相关技术中的图像处理方案中，固定设置的特征获取模型无法针对不同车辆使用场景下的周围环境图像进行处理，无法保证鸟瞰图特征提取的准确性的问题，取到了可以根据与周围环境图像对应的车辆使用场景参数，确定与周围环境图像的车辆使用场景对应的特征获取模型，可以基于与周围环境图像的车辆使用场景对应的特征获取模型，快速而准确地获取与周围环境图像对应的鸟瞰图特征，可以基于与各个车辆使用场景对应的备选特征获取模型，针对不同车辆使用场景下的周围环境图像进行处理，准确地获取不同车辆使用场景下的周围环境图像对应的鸟瞰图特征，提高鸟瞰图特征获取的准确性的有益效果。

在本发明实施例的一个可选实施方式中，可选的，所述车辆使用场景参数为车速；模型确定模块402具体用于：判断与所述待处理周围环境图像对应的车速是否大于等于第一车速阈值；若与所述待处理周围环境图像对应的车速大于等于所述第一车速阈值，则确定所述待处理周围环境图像的车辆使用场景为高速行驶，将与高速行驶对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

在本发明实施例的一个可选实施方式中，可选的，模型确定模块402还具体用于：若与所述待处理周围环境图像对应的车速小于所述第一车速阈值，则判断与所述待处理周围环境图像对应的车速是否大于等于第二车速阈值；若与所述待处理周围环境图像对应的车速大于等于所述第二车速阈值，则确定所述待处理周围环境图像的车辆使用场景为中速行驶，将与中速行驶对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

在本发明实施例的一个可选实施方式中，可选的，模型确定模块402还具体用于：若与所述待处理周围环境图像对应的车速小于所述第二车速阈值，则确定所述待处理周围环境图像的车辆使用场景为低速行驶，将与低速行驶对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

在本发明实施例的一个可选实施方式中，可选的，图像处理装置还包括：第一模型训练模块，用于针对每一个车辆使用场景执行下述操作：获取预设数量的与车辆使用场景对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征；其中，所述车辆使用场景为高速行驶、中速行驶或低速行驶；将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对机器学习模型进行训练，得到与所述车辆使用场景对应的备选特征获取模型。

在本发明实施例的一个可选实施方式中，可选的，所述车辆使用场景参数为车辆位置；模型确定模块402具体用于：若与所述待处理周围环境图像对应的车辆位置为最外侧车道，则确定所述待处理周围环境图像的车辆使用场景为行驶在道路的最外侧车道，将与行驶在道路的最外侧车道对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型；若与所述待处理周围环境图像对应的车辆位置为最内侧车道，则确定所述待处理周围环境图像的车辆使用场景为行驶在道路的最内侧车道，将与行驶在道路的最内侧车道对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型；若与所述待处理周围环境图像对应的车辆位置为中间车道，则确定所述待处理周围环境图像的车辆使用场景为行驶在道路的中间车道，将与行驶在道路的中间车道对应的备选特征获取模型确定为与所述待处理周围环境图像的车辆使用场景对应的目标特征获取模型。

在本发明实施例的一个可选实施方式中，可选的，图像处理装置还包括：第二模型训练模块，用于针对每一个车辆使用场景执行下述操作：获取预设数量的与车辆使用场景对应的周围环境图像、以及与各所述周围环境图像对应的鸟瞰图特征；其中，所述车辆使用场景为行驶在道路的最外侧车道、行驶在道路的最内侧车道或行驶在道路的中间车道；将各所述周围环境图像和与各所述周围环境图像对应的鸟瞰图特征作为训练样本，对机器学习模型进行训练，得到与所述车辆使用场景对应的备选特征获取模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

上述图像处理装置可执行本发明任意实施例所提供的图像处理方法，具备执行图像处理方法相应的功能模块和有益效果。

实施例五

图5示出了可以用来实现本发明实施例的图像处理方法的电子设备10的结构示意图。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/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11网络通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18构建到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在随机访问存储器(RAM)13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、只读存储器(ROM)12以及随机访问存储器(RAM)13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至输入/输出(I/O)接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如图像处理方法。

在一些实施例中，图像处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由只读存储器(ROM)12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序构建到随机访问存储器(RAM)13并由处理器11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，处理器11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)、负载可编程逻辑设备(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。

用于实施本发明的图像处理方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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、随机访问存储器(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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。