人脸检测模型的训练方法、装置及人脸检测方法、装置

技术领域

本发明涉及计算机图像处理技术领域，具体而言，涉及一种人脸检测模型的训练方法、装置及人脸检测方法、装置。

背景技术

一个完整的人脸自动检测和识别系统应包括三个方面：人脸检测、特征提取和人脸识别。人脸检测是人脸自动识别完成的第一步，是人脸自动识别系统解决的首要问题。经济社会的日益壮大发展，使得我们对于自动身份验证的及时有效性要求越来越迫切。由于人体的生物特征具有很强的个体差异性和自身稳定性,是进行身份验证的最理想的依据。和利用指纹、视网膜、声音等其它人体生物特征的人身鉴别方法相比，人脸识别具有蕴涵信息量大、直接、友好、便捷等特点，更易于被广大用户接受。

人脸检测是自动人脸识别系统的关键环节之一，但是早期的研究主要针对在较强约束条件下的人脸图像，这些研究往往假设人脸位置已知或者很容易获得，由此可见人脸检测的问题并没有受到高度重视。近些年来，伴随着电子商务等应用的迅速发展，人脸识别已经成为最有影响力的、最不可或缺的生物身份验证手段，在这种背景下，自动人脸识别系统必须要求能够对一般环境图像具有较强的适应能力，由此所面临的一系列问题和困难使得人脸检测开始作为一个独立的课题进行研究并受到重视。

发明内容

本发明的目的在于提供一种人脸检测模型的训练方法、装置，以加快建立模型的效率以及增加模型的对于人脸检测的精确度。

本发明的另一目的在于提供一种人脸检测方法、装置，以增强最终获得人脸检测结果的准确性。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种人脸检测模型的训练方法，所述人脸检测模型的训练方法包括：

获取上传的人脸图像训练集，所述人脸图像训练集包括多个不同的人脸图像样本；

依据人脸图像的复杂度将所述多个不同的人脸图像样本分类为复杂人脸图像样本类及简单人脸图像样本类；

优先依据所述复杂人脸图像样本类包含的多个人脸图像样本提取复杂人脸图像特征；

再依据简单人脸图像样本类包含的多个人脸图像样本以及提取的所述复杂人脸图像特征，提取简单人脸图像特征；

将提取到的所述复杂人脸图像特征以及所述简单人脸图像特征训练神经网络，从而建立人脸检测模型。

第二方面，本发明实施例还提供了一种人脸检测模型的训练装置，所述人脸检测模型的训练装置包括：

人脸图像训练集获取模块，用于获取上传的人脸图像训练集，所述人脸图像训练集包括多个不同的人脸图像样本；

分类模块，用于依据人脸图像的复杂度将所述多个不同的人脸图像样本分类为复杂人脸图像样本类及简单人脸图像样本类；

特征提取模块，用于优先依据所述复杂人脸图像样本类包含的多个人脸图像样本提取复杂人脸图像特征；

所述特征提取模块还用于再依据简单人脸图像样本类包含的多个人脸图像样本以及提取的所述复杂人脸图像特征，提取简单人脸图像特征；

人脸检测模型建立模块，用于将提取到的所述复杂人脸图像特征以及所述简单人脸图像特征训练神经网络，从而建立人脸检测模型。

第三方面，本发明实施例还提供了一种人脸检测方法，所述人脸检测方法包括：

依据图像识别算法识别待检测人脸图像的第一人脸候选区域；

依据所述待检测人脸图像以及通过多个上述提供的人脸检测模型的训练方法所建立的人脸检测模型识别第二人脸候选区域；

若所述第一人脸候选区域与所述第二人脸候选区域的偏差小于预设偏差时，将所述第一人脸候选区域确定为人脸识别区域。

第四方面，本发明实施例还提供了一种人脸检测装置，所述人脸检测装置包括：

候选区域获取模块，用于依据图像识别算法识别待检测人脸图像的第一人脸候选区域；

所述候选区域获取模块还用于依据所述待检测人脸图像以及多个通过上述提供的人脸检测模型的训练装置所建立的人脸检测模型识别第二人脸候选区域；

人脸识别区域确定模块，用于若所述第一人脸候选区域与所述第二人脸候选区域的偏差小于预设偏差时，将所述第一人脸候选区域确定为人脸识别区域。

本发明实施例提供的一种人脸检测模型的训练方法、装置，通过依据人脸图像的复杂度对人脸图像训练集包含的多个不同的人脸图像样本进行分类为复杂人脸图像样本类及简单人脸图像样本类，在依据复杂人脸图像样本类提取复杂人脸图像特征后，再依据简单人脸图像样本类以及复杂人脸图像特征提取简单人脸图像特征，由于复杂人脸图像特征可能与简单人脸图像样本类包含的多个人脸图像样本中的特征重合，因此从简单人脸图像样本类中提取到与复杂人脸图像特征相似的特征时，便能直接调用复杂人脸图像特征，而不用再次进行计算，最后将提取到的复杂人脸图像特征以及简单人脸图像特征训练神经网络以建立人脸检测模型，从而实现了加速收敛，使得通过本发明所提供的人脸检测模型的训练方法、装置而建立的人脸检测模型的速度更快。

另一方面，本发明实施例提供的一种人脸检测方法，通过应用人脸检测模型的训练方法、装置而建立的人脸检测模型，并在所述第一人脸候选区域与所述第二人脸候选区域的偏差小于预设偏差时，将所述第一人脸候选区域确定为人脸识别区域，可以较为准确地确定人脸识别区域，以减小在人脸检测过程中的误差，使得最终输出的人脸检测的结果更加准确。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例提供的服务器的功能框图。

图2示出了本发明实施例提供的用户终端的功能框图。

图3示出了本发明实施例提供的人脸检测模型的训练装置的功能模块图。

图4示出了图3中分类模块的功能子模块示意图。

图5示出了图3中人脸区域确定模块的功能子模块示意图。

图6示出了本发明实施例提供的人脸检测模型的训练方法的流程图。

图7示出了图6中依据人脸图像的复杂度将所述多个不同的人脸图像样本分类为复杂人脸图像样本类及简单人脸图像样本类的子步骤流程图。

图8示出了图6中确定所述人脸图像样本中的人脸区域的子步骤流程图。

图9示出了本发明实施例提供的人脸检测装置的功能模块图。

图10示出了本发明实施例提供的人脸检测方法的流程图。

图标：100-服务器；101-第一存储器；102-第一处理器；103-通信单元；200-人脸检测模型的训练装置；201-人脸图像训练集获取模块；202-分类模块；2021-分类丢失率获取子模块；2022-分类子模块；203-特征提取模块；204-人脸区域确定模块；2041-顶点获取子模块；2042-坐标获取子模块；2043-人脸区域获取子模块；205-人脸检测模型建立模块；300-人脸检测装置；301-候选区域获取模块；302-判断模块；303-人脸识别区域确定模块；400-用户终端；401-第二存储器；402-存储控制器；403-第二处理器；404-外设接口；405-射频单元；406-图像采集单元。

具体实施方式

下面将结合本发明实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域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，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参阅图1，图1示出了一种可应用于本发明实施例中的服务器100的功能框图。该服务器100包括人脸检测模型的训练装置200、第一存储器101、一个或多个(图中仅示出一个)第一处理器102、通信单元103。这些组件通过一条或多条通讯总线/信号线相互通讯。所述人脸检测模型的训练装置200包括至少一个可以软件或固件(firmware)的形式存储于所述第一存储器101中或固化在所述服务器100的操作系统(operating S4stem，OS)中的软件功能单元。

第一存储器101可用于存储软件程序以及单元，如本发明实施例中的软件测试装置及方法所对应的程序指令/单元，第一处理器102通过运行存储在第一存储器101内的人脸检测模型的训练装置200、方法的软件程序以及单元，从而执行各种功能应用以及数据处理，如本发明实施例提供的待查询对象信息获取方法。其中，所述第一存储器101可以是，但不限于，随机存取存储器(Random Access Memor3，RAM)，只读存储器(Read Onl Memor，ROM)，可编程只读存储器(Programmable Read-Onl Memor，PROM)，可擦除只读存储器(Erasable Programmable Read-Onl Memor，EPROM)，电可擦除只读存储器(ElectricErasable Programmable Read-Onl Memor，EEPROM)等。

所述通信单元103用于通过所述网络建立所述服务器100与其它通信终端之间的通信连接，并用于通过所述网络收发数据。

应当理解的是，图1所示的结构仅为示意，服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

请参阅图2，图2示出了一种可应用于本发明实施例中的用户终端400的功能框图。如图1所示，用户终端400包括人脸检测装置300、第二存储器401、存储控制器402，一个或多个(图中仅示出一个)第二处理器403、外设接口404、射频单元405、图像采集单元406等。这些组件通过一条或多条通讯总线/信号线相互通讯。所述人脸检测装置300包括至少一个可以软件或固件(firmware)的形式存储于所述第二存储器401中或固化在所述用户终端400的操作系统(operating system，OS)中的软件功能单元。

第二存储器401可用于存储软件程序以及单元，如本发明实施例中的人脸检测方法、装置所对应的程序指令/单元，第二处理器403通过运行存储在第二存储器401内的软件程序以及单元，从而执行各种功能应用以及数据处理，如本发明实施例提供的人脸检测模型的训练方法及人脸检测方法。第二存储器401可包括高速随机第二存储器401，还可包括非易失性第二存储器401，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态第二存储器401。第二处理器403以及其他可能的组件对第二存储器401的访问可在存储控制器402的控制下进行。

外设接口404将各种输入/输出装置耦合至第二处理器403以及第二存储器401。在一些实施例中，外设接口404、第二处理器403以及存储控制器402可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

射频单元405用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。

图像采集单元406用于采集用户的图像信息或视频信息，并传输至第二处理器403，由第二处理器403进行处理，从而实现对图像信息或视频信息中包含的人脸进行检测。图像采集单元406可以是但不仅限于摄像头、照相机等。

可以理解，图2所示的结构仅为示意，用户终端400还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

第一实施例

请参阅图3，本发明实施例提供的一种人脸检测模型的训练装置200，用于训练神经网络以建立人脸检测模型。所述人脸检测模型的训练装置200包括：人脸图像训练集获取模块201、分类模块202、特征提取模块203、人脸区域确定模块204以及人脸检测模型建立模块205。

人脸图像训练集获取模块201用于获取上传的人脸图像训练集，所述人脸图像训练集包括多个不同的人脸图像样本。

其中，人脸图像训练集用于建立模型。服务器100通过人脸图像训练集进行深度学习，从而获得人脸检测模型。该人脸图像训练集可以是服务器100接收到的，也可能是通过响应与服务器100通信连接或者电连接的其他终端接收到并传送至服务器100的操作而生成的。

分类模块202用于依据人脸图像的复杂度将所述多个不同的人脸图像样本分类为复杂人脸图像样本类及简单人脸图像样本类。

请参阅图4，具体地，分类模块202包括分类丢失率获取子模块2021以及分类子模块2022，各子模块的作用如下所述：

分类丢失率获取子模块2021用于获取所述多个不同的人脸图像样本的分类丢失率。

在对多个人脸图像样本分类的过程中，人脸图像样本可能会丢失一些特征。设每个人脸图像样本本来包含的特征数为A1，在对其分类过程中，其丢失的特征数为A2，则分类丢失率为丢失的特征数与每个人脸图像样本本来包含的特征数的比值A1/A2。可以理解地，丢失的特征数较多的分类丢失率相对较大，丢失的特征数较少的分类丢失率相对较小。

分类子模块2022用于将分类丢失率大于预设的阈值的样本归为复杂人脸图像样本类，将分类丢失率小于或等于预设的阈值的样本归为简单人脸图像样本类。

在获取每个人脸图像样本的分类丢失率之后，进一步地将分类丢失率大于预设的阈值的人脸图像样本归为复杂人脸图像样本类，将分类丢失率小于或等于预设的阈值的人脸图像样本归为简单人脸图像样本类，从而对人脸图像样本划分了层级，便于服务器100在深度学习过程中优先使用复杂人脸图像样本类对神经网络进行训练，从而实现加速收敛，因而比传统的训练模型的收敛速度更快。

特征提取模块203用于优先依据所述复杂人脸图像样本类包含的多个人脸图像样本提取复杂人脸图像特征。

先从复杂人脸图像样本类包含的多个人脸图像样本提取复杂人脸图像特征，作为在特征提取模块203依据简单人脸图像样本类提取简单人脸图像特征的基础。

特征提取模块203还用于依据简单人脸图像样本类包含的多个人脸图像样本以及提取的所述复杂人脸图像特征，提取简单人脸图像特征。

由于复杂人脸图像特征可能与简单人脸图像样本类包含的多个人脸图像样本中的特征重合，因此在特征提取模块203从简单人脸图像样本类中提取到与复杂人脸图像特征相似的特征时，便能直接调用复杂人脸图像特征，而不用再次进行计算。

人脸检测模型建立模块205用于将提取到的所述复杂人脸图像特征以及所述简单人脸图像特征训练神经网络，从而建立人脸检测模型。

在服务器100依据人脸图像样本训练神经网络以建立人脸检测模型的过程中，优先训练复杂人脸图像样本类；在对复杂人脸图像样本类进行训练后，可以从复杂人脸图像样本类中提取到较多、复杂的特征，而在服务器100依据简单人脸图像样本类训练神经网络时，可以将从复杂人脸图像样本类中提取的特征直接作为训练简单人脸图像样本类的初始值，从而在训练神经网络的过程中实现加速收敛，以使得服务器100建立模型的过程更加迅速、高效，节约开发人员的时间。

在一种优选的实施例中，人脸检测模型的训练装置200还包括人脸区域确定模块204。人脸区域确定模块204用于确定所述人脸图像样本中的人脸区域。请参阅图5，具体地，人脸检测模型包括顶点获取子模块2041、坐标获取子模块2042以及人脸区域获取子模块2043。

其中，顶点获取子模块2041用于获取第一顶点及第二顶点。

以第一顶点及第二顶点为对角线，从而可以确定一个矩形区域。但需要说明的是，以所述第一顶点与所述第二顶点的连线为对角线的矩形面积大于或等于所述人脸图像样本中包含的人脸区域的面积。

坐标获取子模块2042用于获取所述第一顶点的第一坐标及所述第二顶点的第二坐标。

获取第一顶点的第一坐标为(x1，y1)，第二顶点的第二坐标为(x2，y2)，便于服务器100分别对x1、y1、x2、y2进行回归分析。

人脸区域获取子模块2043用于分别回归所述第一坐标及所述第二坐标从而获取矩形的人脸区域。

通过分别回归第一坐标及所述第二坐标而获取的矩形的人脸区域，能够更加精准地选中人脸，减小在人脸检测的偏差。

第二实施例

请参阅图6，本发明实施例提供的一种人脸检测模型的训练方法，应用于服务器100。需要说明的是，本实施例所提供的人脸检测模型的训练方法，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。所述人脸检测模型的训练方法包括：

步骤S501：获取上传的人脸图像训练集，所述人脸图像训练集包括多个不同的人脸图像样本。

可以理解地，通过人脸图像训练集获取模块201可以执行步骤S501。

步骤S502：依据人脸图像的复杂度将所述多个不同的人脸图像样本分类为复杂人脸图像样本类及简单人脸图像样本类。

可以理解地，通过分类模块202可以执行步骤S502。

具体地，请参阅图7，步骤S502包括以下两个子步骤：

子步骤S5021：获取所述多个不同的人脸图像样本的分类丢失率。

可以理解地，通过分类丢失率获取子模块2021可以执行子步骤S5021。

子步骤S5022：将分类丢失率大于预设的阈值的样本归为复杂人脸图像样本类，将分类丢失率小于或等于预设的阈值的样本归为简单人脸图像样本类。

可以理解地，通过分类子模块2022可以执行子步骤S5022。

步骤S503：确定所述人脸图像样本中的人脸区域。

可以理解地，通过人脸区域确定模块204可以执行步骤S503。

具体地，请参阅图8，步骤S503包括以下三个子步骤：

子步骤S5031：获取第一顶点及第二顶点。

可以理解地，通过顶点获取子模块2041可以执行子步骤S5031。

子步骤S5032：获取所述第一顶点的第一坐标及所述第二顶点的第二坐标。

可以理解地，通过坐标获取子模块2042可以执行子步骤S5032。

子步骤S5033：分别回归所述第一坐标及所述第二坐标从而获取矩形的人脸区域。

可以理解地，通过人脸区域获取子模块2043可以执行子步骤S5033。

步骤S504：优先依据所述复杂人脸图像样本类包含的多个人脸图像样本提取复杂人脸图像特征。

可以理解地，通过特征提取模块203可以执行步骤S504。

步骤S505：再依据简单人脸图像样本类包含的多个人脸图像样本以及提取的所述复杂人脸图像特征，提取简单人脸图像特征。

可以理解地，通过特征提取模块203可以执行步骤S505。

步骤S506：将提取到的所述复杂人脸图像特征以及所述简单人脸图像特征训练神经网络，从而建立人脸检测模型。

可以理解地，通过人脸检测模型建立模块205可以执行步骤S506。

第三实施例

请参阅图9，本发明实施例提供的一种人脸检测装置300，用于检测人脸。所述人脸检测装置300包括：候选区域获取模块301、判断模块302以及人脸识别区域确定模块303。

候选区域获取模块301用于依据图像识别算法识别待检测人脸图像的第一人脸候选区域。

首先通过图像识别算法初步识别待检测人脸图像中的第一人脸候选区域，该图像识别算法可以是但不仅限于卷积神经网络方法、基于弹性模型的方法、特征脸方法等。

候选区域获取模块301还用于依据待检测人脸图像以及第一人脸检测模型获得人脸检测结果。

将待检测人脸图像输入至通过应用第二实施例所提供的人脸检测模型的训练方法而建立的第一人脸检测模型，可以获取人脸检测结果。

候选区域获取模块301还用于依据人脸检测结果及第二人脸检测模型获取第三人脸候选区域。

将人脸检测结果输入至通过应用第二实施例所提供的人脸检测模型的训练方法而建立的第二人脸检测模型，可以获取第三人脸候选区域。

候选区域获取模块301还用于依据人脸检测结果及第三人脸检测模型获取第四人脸候选区域。

将人脸检测结果输入至通过应用第二实施例所提供的人脸检测模型的训练方法而建立的第三人脸检测模型，可以获取第四人脸候选区域。

候选区域获取模块301还用于依据人脸检测结果及第四人脸检测模型获取第五人脸候选区域。

将人脸检测结果输入至通过应用第二实施例所提供的人脸检测模型的训练方法而建立的第四人脸检测模型，可以获取第五人脸候选区域。

因此，可以理解地，候选区域获取模块301用于依据所述待检测人脸图像以及通过上述提供的人脸检测模型的训练方法所建立的人脸检测模型识别第二人脸候选区域。

具体地，通过上述提供的人脸检测模型的训练方法所建立的人脸检测模型包括第一人脸检测模型、第二人脸检测模型、第三人脸检测模型以及第四人脸检测模型。其中，第二人脸检测模型大小为：12*12复杂度；所述第三人脸检测模型大小为：24*24复杂度；所述第四人脸检测模型大小为：48*48复杂度。

判断模块302用于判断第一人脸候选区域与第三人脸候选区域、第四人脸候选区域以及第五人脸候选区域的偏差是否均小于预设偏差。

通过综合判定第一人脸候选区域与第三人脸候选区域、第四人脸候选区域以及第五人脸候选区域的偏差均小于预设偏差，可以较为准确地确定人脸识别区域，以减小在人脸检测过程中的误差。

人脸识别区域确定模块303用于若第一人脸候选区域与第三人脸候选区域、第四人脸候选区域以及第五人脸候选区域的偏差均小于预设偏差时，将第一人脸候选区域确定为人脸识别区域。

第四实施例

请参阅图10，本发明实施例提供的一种人脸检测方法，应用于用户终端400。需要说明的是，本实施例所提供的人脸检测方法，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。所述人脸检测方法包括：

步骤S801：依据图像识别算法识别待检测人脸图像的第一人脸候选区域。

可以理解地，通过候选区域获取模块301可以执行步骤S801。

步骤S802：依据待检测人脸图像以及第一人脸检测模型获得人脸检测结果。

可以理解地，通过候选区域获取模块301可以执行步骤S802。

步骤S803：依据人脸检测结果及第二人脸检测模型获取第三人脸候选区域。

可以理解地，通过候选区域获取模块301可以执行步骤S803。

步骤S804：依据人脸检测结果及第三人脸检测模型获取第四人脸候选区域。

可以理解地，通过候选区域获取模块301可以执行步骤S804。

步骤S805：依据人脸检测结果及第四人脸检测模型获取第五人脸候选区域。

可以理解地，通过候选区域获取模块301可以执行步骤S805。

步骤S806：判断第一人脸候选区域与第三人脸候选区域、第四人脸候选区域以及第五人脸候选区域的偏差是否均小于预设偏差，如果是，则执行步骤S807；如果否，则执行步骤S801。

可以理解地，通过判断模块302可以执行步骤S806。

步骤S807：将第一人脸候选区域确定为人脸识别区域。

可以理解地，通过人脸识别区域确定模块303可以执行步骤S807。

综上所述，本发明提供的一种人脸检测模型的训练方法、装置，通过依据人脸图像的复杂度对人脸图像训练集包含的多个不同的人脸图像样本进行分类为复杂人脸图像样本类及简单人脸图像样本类，在依据复杂人脸图像样本类提取复杂人脸图像特征后，再依据简单人脸图像样本类以及复杂人脸图像特征提取简单人脸图像特征，由于复杂人脸图像特征可能与简单人脸图像样本类包含的多个人脸图像样本中的特征重合，因此从简单人脸图像样本类中提取到与复杂人脸图像特征相似的特征时，便能直接调用复杂人脸图像特征，而不用再次进行计算，最后将提取到的复杂人脸图像特征以及简单人脸图像特征训练神经网络以建立人脸检测模型，从而实现了加速收敛，使得通过本发明所提供的人脸检测模型的训练方法、装置而建立的人脸检测模型的速度更快。

另一方面，本发明提供的一种人脸检测方法，通过应用人脸检测模型的训练方法、装置而建立的人脸检测模型，并在所述第一人脸候选区域与所述第二人脸候选区域的偏差小于预设偏差时，将所述第一人脸候选区域确定为人脸识别区域，可以较为准确地确定人脸识别区域，以减小在人脸检测过程中的误差。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个单元、程序段或代码的一部分，所述单元、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能单元可以集成在一起形成一个独立的部分，也可以是各个单元单独存在，也可以两个或两个以上单元集成形成一个独立的部分。

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，本发明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)执行本发明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、只读存储器(ROM，Read-Onl8Memor8)、随机存取存储器(RAM，Random Access Memor8)、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。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。