一种基于台灯的3D物体识别方法及装置与流程

本发明涉及台灯及3D物体识别技术领域，具体而言，涉及一种基于台灯的3D物体识别方法及装置。

背景技术：

台灯是人们日常生活中必不可少的用品，比如说，学生在晚上学习的时候需要使用台灯、或者人们在晚上看书或者办公的时候也需要台灯，甚至是有的人在晚上干活的时候，为了有较亮的光线，也需要使用台灯，因此，台灯广泛应用在人们的日常生活中。

随着社会的发展，台灯也得到了快速的发展，现在的台灯的功能越来越多，比如说，可以采集物体的图像、可以投影、甚至还可以进行通信等，现有技术中的台灯，当采集了物体的图像后，可以对物体的图像进行识别，进而识别出该物体是什么。

但是，现有技术中当台灯识别物体时，只能对物体的二维图像进行识别，这样使得物体的识别精度较低。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种基于台灯的3D物体识别方法，以解决现有技术中的台灯只能对物体进行二维识别，使得物体的识别精度较低的问题。

第一方面，本发明实施例提供了一种基于台灯的3D物体识别方法，其中，所述方法包括：

采集置于台灯的图像采集区域的待识别物体的RGB图像和深度信息，所述深度信息包括所述RGB图像上每个像素点的深度值；

获取所述RGB图像的灰度图；

根据所述灰度图上每个像素点的灰度值和深度值，提取所述待识别物体的特征矢量；

根据所述特征矢量以及预先建立的特征信息库对所述待识别物体进行识别。

结合第一方面，本发明实施例提供了上述第一方面的第一种可能的实现方式，其中，所述根据所述灰度图上每个像素点的灰度值和深度值，提取所述待识别物体的特征矢量，包括：

根据每个所述像素点的灰度值和深度值，对所述灰度图进行至少一次卷积处理，获取所述灰度图对应的特征矢量；

将所述灰度图对应的特征矢量确定为所述待识别物体的特征矢量。

结合第一方面，本发明实施例提供了上述第一方面的第二种可能的实现方式，其中，所述根据所述特征矢量及预先建立的特征信息库对所述待识别物体进行识别，包括：

计算所述待识别物体的特征矢量与所述特征信息库中的每个物体的特征矢量之间的欧氏距离；

根据所述欧氏距离对所述待识别物体进行识别。

结合第一方面的第二种可能的实现方式，本发明实施例提供了上述第一方面的第三种可能的实现方式，其中，所述根据所述欧氏距离对所述待识别物体进行识别，包括：

比较所述特征信息库中每个物体对应的欧氏距离，选取所述欧氏距离中最小的欧氏距离；

将最小的所述欧氏距离与预设阈值进行比较，当最小的所述欧氏距离小于等于预设阈值时，将最小的所述欧氏距离对应的物体确定为待识别物体。

结合第一方面，本发明实施例提供了上述第一方面的第四种可能的实现方式，其中，所述根据所述特征矢量以及预先建立的特征信息库对所述待识别物体进行识别，包括：

计算所述待识别物体的特征矢量与所述特征性信息库中每个物体的特征矢量之间的马氏距离；

根据所述马氏距离对所述待识别物体进行识别。

第二方面，本发明实施例提供了一种基于台灯的3D物体识别装置，其中，所述装置包括：

采集模块，用于采集置于台灯的图像采集区域的待识别物体的RGB图像和深度信息，所述深度信息包括所述RGB图像上每个像素点的深度值；

获取模块，获取所述RGB图像的灰度图；

提取模块，用于根据所述灰度图上每个像素点的灰度值和深度值，提取所述待识别物体的特征矢量；

识别模块，用于根据所述特征矢量以及预先建立的特征信息库对所述待识别物体进行识别。

结合第二方面，本发明实施例提供了上述第二方面的第一种可能的实现方式，其中，所述提取模块包括：

获取单元，根据每个所述像素点的灰度值和深度值，对所述灰度图进行至少一次卷积处理，获取所述灰度图对应的特征矢量；

第一确定单元，用于将所述灰度图对应的特征矢量确定为所述待识别物体的特征矢量。

结合第二方面，本发明实施例提供了上述第二方面的第二种可能的实现方式，其中，所述识别模块包括：

第一计算单元，用于确定所述待识别物体的特征矢量与所述特征信息库中的每个物体的特征矢量之间的欧氏距离；

第一识别单元，用于根据所述欧氏距离对所述待识别物体进行识别。

结合第二方面的第二种可能的实现方式，本发明实施例提供了上述第二方面的第三种可能的实现方式，其中，所述第一识别单元还用于，

比较所述特征信息库中每个物体对应的欧氏距离，选取所述欧氏距离中最小的欧氏距离；将最小的所述欧氏距离与预设阈值进行比较，当最小的所述欧氏距离小于或等于预设阈值时，将最小的所述欧氏距离对应的物体确定为待识别物体。

结合第二方面，本发明实施例提供了上述第二方面的第四种可能的实现方式，其中，所述识别模块还包括：

第二计算单元，用于计算所述待识别物体的特征矢量与所述特征性信息库中每个物体的特征矢量之间的马氏距离；

第二确定单元，用于根据所述马氏距离对所述待识别物体进行识别。

本发明实施例提供了一种基于台灯的3D物体识别方法及装置，在对待识别物体进行识别时，采集待识别物体的RGB图像和深度信息，对待识别物体进行三维识别，使得物体的识别更精确。

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1所提供的一种基于台灯的3D物体识别方法的流程图；

图2示出了本发明实施例1所提供的一种基于台灯的3D物体识别方法中提取待识别物体的特征矢量的流程图；

图3示出了本发明实施例1所提供的一种基于台灯的3D物体识别方法中对待识别物体进行识别的流程图；

图4示出了本发明实施例2所提供的一种基于台灯的3D物体识别装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

考虑到现有技术中，台灯的功能越来越多，比如说，可以采集物体的图像、可以投影、甚至还可以进行通信等，现有技术中的台灯，当采集了物体的图像后，可以对物体的图像进行识别，进而识别出该物体是什么。

但是，现有技术中当台灯识别物体时，只能对物体的二维图像进行识别，这样使得物体的识别精度较低。基于此，本发明实施例提供了一种基于台灯的3D物体识别方法及装置，下面通过实施例进行描述。

实施例1

本发明实施例提供了一种基于台灯的3D(three dimensions，三维)物体识别方法，如图1所示，该方法包括步骤S110-S150，具体如下。

S110，采集置于台灯的图像采集区域的待识别物体的RGB(red，green，blue红、绿、蓝)图像和深度信息，该深度信息包括RGB图像上每个像素点的深度值。

上述待识别物体为三维物体，比如说，铅笔、水杯、眼镜盒等。

在本发明实施例中，在台灯上设置有图像采集器件，图像采集器件能够采集一定区域的物体的图像，当将待识别物体置于台灯的图像采集区域时，图像采集器件会采集待识别物体的RGB图像和深度信息。

其中，上述图像采集器件为摄像头，该摄像头可以是单目摄像头，也可以是双目摄像头。

如果上述摄像头为单目摄像头，单目摄像头可以通过向外发射结构光来采集待识别物体的深度信息；如果上述摄像头为双目摄像头，双目摄像头中的左目摄像头和右目摄像头分别采集待识别物体的图像，将左目摄像头采集的待识别物体的图像记为左图像，将右目摄像头采集的待识别物体的图像记为右图像，采用SSD(Sum of Squared Differences，误差平方和)等算法对将左图像和右图像进行匹配，确定出左图像上各个点在右图像上的对应位置点，之后根据双目摄像头的焦距利用双目立体重构原理确定出待识别物体的深度信息。

其中，上述深度信息指的是RGB图像上每个像素点对应的深度值，该深度值指的是待识别物体上的每个像素点与摄像头之间的距离。

S120，获取上述RGB图像的灰度值。

当采集了待识别物体的RGB图像后，上述RGB图像为彩色图像，因此，将该RGB图像转化成灰度图，具体过程包括：获取采集的图像上每个像素点的R、G、B值，根据每个像素点的R、G、B值，采用浮点算法、整数方法、移位方法、平均值法等计算出每个像素点对应的灰度值，将原来图像上每个像素的RGB用灰度值替换，这样，得到原来图像的灰度图。

另外，还可以通过采用电视工业标准转换矩阵将采集的图像转换成灰度图，或者通过HLS(Hue Lightness Saturation,色度、亮度、饱和度)模型转换算法将采集的图像转换成灰度图，本发明实施例并不对获取灰度图的具体方法进行限定。

由于上述深度信息包括RGB图像上每个像素点对应的深度值，该深度值指的是RGB图像上每个像素点距离摄像头的距离，因此，当获取到上述RGB图像的灰度图后，就确定出了该灰度图上每个像素点对应的灰度值和深度值。

S130，根据上述灰度图上每个像素点的灰度值和深度值，提取待识别物体的特征矢量。

在本发明实施例中，通过对灰度图进行卷积处理的方式，提取待识别物体的特征矢量，如图2所示，包括步骤S210-S220，具体如下。

S210，根据每个像素点的灰度值和深度值，对上述灰度图进行至少一次卷积处理，获取上述灰度图对应的特征矢量；

S220，将上述灰度图对应的特征矢量确定为待识别物体的特征矢量。

其中，上述可以对灰度图进行一次卷积运算，也可以对灰度图进行多次卷积运算，对上述灰度图进行卷积运算的次数越多，得到的待识别物体的特征矢量越精确。

上述对灰度图进行卷积处理，首先需要得到上述灰度图中每个像素点对应的灰度值及深度值，即得到上述灰度图矩阵，比如说，上述灰度图的大小为10×10，说明该灰度图共有10行10列的像素点，即共有100个像素点，则获取上述100个像素点中每个像素点对应的灰度值以及深度值，分别获取上述灰度值组成的灰度矩阵和深度值组成的深度矩阵，分别对灰度矩阵和深度矩阵进行卷积运算，卷积运算的公式如下所示：

conv＝σ(imgMat ο W+b)

其中，在上述公式中，W表示卷积核，ο表示卷积操作，b表示偏置值，σ表示激活函数，当imgMat表示灰度矩阵时，conv表示对灰度矩阵卷积运算后得到的特征值，当imgMat表示深度矩阵时，conv表示对深度矩阵卷积运算后得到的特征值，同时对上述灰度矩阵和深度矩阵进行卷积运算后，得到上述灰度图的特征矢量。

上述卷积核W也是一个矩阵，比如说3×3的矩阵，上述卷积核矩阵的大小可以根据实际应用进行选择，本发明实施例并不对上述卷积核的具体大小进行限定。

如果选取的卷积核W的大小为3×3，灰度矩阵及深度矩阵的大小均为10×10，则对灰度矩阵及深度矩阵进行一次卷积运算后，卷积后得到的灰度矩阵及深度矩阵的大小为(10-3+1)×(10-3+1)，即得到8×8的灰度矩阵以及8×8的深度矩阵，将得到的灰度矩阵及深度矩阵中的每个元素都加上偏置值b，将得到后的矩阵中的每个元素都输入到激活函数σ中。

上述激活函数σ可以使用如下函数：

在上述公式中，f(x)为对卷积后得到的灰度矩阵及深度矩阵中的元素进行激活后的值，x表示卷积后得到的灰度矩阵及深度矩阵中的元素。

可以对上述灰度矩阵及深度矩阵连续进行多次卷积运算，最终得到物体的特征矢量，其中，物体的特征矢量包括物体的灰度特征值和深度特征值。

上述对灰度图进行卷积运算的次数，与选取的卷积核的大小有关系，比如说，上述灰度图的大小为10×10，选取的卷积核的大小为3×3，则对上述灰度图进行一次卷积运算后，得到8×8的灰度图，再次使用上述卷积核对灰度图进行卷积运算后，得到6×6的灰度图，连续对上述灰度图进行多次卷积运算，最终得到该灰度图对应的特征矢量。

上述卷积核的选取依据如下：在数字信号处理中，卷积(Convolution)也叫做旋积或者摺积，卷积是通过两个函数(函数f和函数g)生成第三个函数的一种数学算子，表征函数f与经过翻转和平移的函数g的重叠部分的面积。在图像处理中卷积运算与上述这种经过翻转和平移(滑动)后求面积的运算极为相似，卷积中的“滑动函数”被称为卷积核(Kernel)，也称为滤波(Filter)，一般用的是线性滤波，即输出像素是输入邻域像素的加权和。卷积神经网络(Convolutional Neural Networks，CNN)利用设定步长的卷积核，采用局部连接，后一层的神经元仅仅与前面卷积核内的像素进行线性相乘相加，而与区域外的像素没有任何关系。此外当前层与下一层之间的权重系数仅仅由卷积核(滤波器)指定大小的参数决定，这样权值参数共享给剩下的神经元，大大减少了参数的训练量。CNN通过有监督的训练样本，通过不断的前向传递和误差反馈传播，不断地调整整个神经网络的卷积核，使目标函数误差最小，此时得到的卷积核为训练数据集的最优卷积核。

当上述确定出灰度图的特征矢量后，该灰度图对应的特征矢量就是待识别物体的特征矢量。

S140，根据上述特征矢量与预先建立的特征信息库对待识别物体进行识别。

其中，上述对待识别物体进行识别包括三种情况。

第一种情况，根据欧氏距离对待识别物体进行识别，如图3所示，包括步骤S310-S320，具体如下：

S310，计算待识别物体的特征矢量与特征信息库中的每个物体的特征矢量之间的欧氏距离；

S320，根据上述欧氏距离对待识别物体进行识别。

其中，上述特征信息库是预先建立好的，在采用本发明实施例提供的方法对待识别物体进行识别之前，就已经建立好了上述特征信息库。

其中，上述特征信息库中存储有多种物体的特征矢量，具体建立过程包括：

采集多种物体的RGB图像和深度信息，并确定出RGB图像上每个像素点对应的灰度值和深度值，根据每个像素点的灰度值和深度值对物体的灰度图进行卷积运算，得到每种物体对应的特征矢量，将所有物体的特征矢量、物体名称以及特征矢量和名称之间的对应关系存储在特征信息库中。

因此，采用本发明实施例提供的方法对待识别物体进行识别时，当确定出待识别物体的特征矢量后，分别计算待识别物体的特征矢量和特征信息库中每个物体的特征矢量之间的欧氏距离。

欧氏距离的计算如下所示：

n维空间是一个点集，点集中每个点P可以表示为(p₁，p₂…p_i),其中，i＝1,2,…n，则n维空间中两个点C＝(c₁,c₂,…,c_i)和D＝(d₁,d₂,…,d_i)之间的欧氏距离的计算公式为：

在本发明实施例中，ρ(C,D)为C和D之间的欧氏距离，C可以是待识别物体的特征矢量，包括灰度特征值和深度特征值，D为特征信息库中的每个物体的特征矢量，计算C和D之间的欧氏距离，c_i为待识别物体的特征矢量中的任意一个特征值，该特征值可以是灰度特征值或者是深度特征值，d_i为特征信息库中任意一个物体的特征矢量中的任意一个特征值，该特征值可以是灰度特征值，也可以是深度特征值。

其中，上述特征信息库中存储有多少个物体的特征矢量，则计算出多少个欧氏距离，当计算出上述待识别物体的特征矢量和特征信息库中每个物体的特征矢量之间的欧氏距离后，根据上述欧氏距离对待识别物体进行识别，具体包括：比较上述特征信息库中每个物体对应的欧氏距离，选取上述欧氏距离中最小的欧氏距离；将最小的欧氏距离与预设阈值进行比较，当最小的欧氏距离小于等于预设阈值时，将最小的欧氏距离对应的物体确定为待识别物体。

上述预设阈值是预先设置的一个欧氏距离值，当计算出的欧氏距离小于或等于该值时，将该欧氏距离对应的物体确定为待识别物体，当计算出的欧氏距离大于该值时，说明该欧氏距离对应的物体与待识别物体相差比较大，确定该欧氏距离对应的物体不是待识别物体。

上述特征信息库中每个物体均对应一个欧氏距离，将上述所有的欧氏距离进行比较，确定出最小的欧氏距离，如果确定出的最小的欧氏距离小于或者等于预设阈值，则将最小的欧氏距离对应的特征信息库中的物体确定为待识别物体。

如果上述确定出的最小的欧氏距离大于上述预设阈值，则说明上述最小的欧氏距离对应的物体并不是待识别物体，这时台灯会发出提示，提示无法识别当前待识别物体。

如果上述同时确定出多个相同的最小的欧氏距离，且确定出的最小的欧氏距离均小于或者等于预设阈值，这时，台灯无法识别出待识别物体，只能识别出待识别物体为每种物体的概率，比如说，上述确定出三个最小的欧氏距离，且确定出的最小的欧氏距离小于或等于预设阈值，则台灯会识别出待识别物体为上述三个欧氏距离对应的特征信息库中的物体的概率分别为33％，同时，台灯还会发出提示，提示用户再次对待识别物体进行识别。

如果当同时确定出多个相同的最小的欧氏距离，且最小的欧氏距离大于上述预设阈值，说明每个最小的欧氏距离对应的物体均不是待识别物体，这时，台灯会发出提示，提示无法识别待识别物体。

第二种情况，根据马氏距离对待识别物体进行识别，具体包括：

计算待识别物体的特征矢量与特征信息库中每个物体的特征矢量之间的马氏距离；根据上述马氏距离对待识别物体进行识别。

上述特征信息库与预先建立的，存储有多种物体的特征矢量、物体名称以及特征矢量和物体名称之间的对应关系。

采用本发明实施例提供的方法对待识别物体进行识别时，需要计算待识别物体的特征矢量与特征信息库中每个物体的特征矢量之间的马氏距离。

马氏距离的计算过程如下：

其中，在上述公式中，S(x_i,y_i)为x_i和y_i之间的马氏距离，xi表示待识别物体的特征矢量，xj表示特征信息库中任意一个物体的特征矢量，T表示转置，S为特征矢量的协方差矩阵。

当上述计算出待识别物体的特征矢量与特征信息库中任意一个物体的特征矢量之间的马氏距离后，从中选取最小的马氏距离，并将最小的马氏距离与预设值进行比较，如果该最小的马氏距离小于或等于上述预设值，则确定该最小的马氏距离对应的物体为待识别物体；如果上述选取出的最小的马氏距离为多个，且最小的马氏距离小于或等于上述预设值，这时，台灯无法识别出待识别物体，只能识别出待识别物体为某种物体的概率。

如果从中选取的最小的马氏距离大于上述预设值，说明待识别物体与上述最小的马氏距离对应的物体的相似度相差较大，这时，台灯将会发出提示，提示无法识别待识别物体。

上述预设值是预先设置的一个马氏距离值，当最小的马氏距离小于或等于上述预设值时，说明待识别物体与最小的马氏距离对应的物体之间的相似度较大，可以确定上述最小的马氏距离对应的物体就是待识别物体，如果最小的马氏距离大于上述预设值时，说明待识别物体与最小的马氏距离对应的物体之间的相似度较小，这时，台灯无法识别出待识别物体。

第三种情况，根据BP(Back Propagation，后向传播神经网络)神经网络对待识别物体进行识别，具体过程包括：

根据上述特征矢量及特征信息库中BP神经网络确定待识别物体的类别。

上述BP神经网络是预先训练好的，将待识别物体的特征矢量出入BP神经网络，根据BP神经网络的输出对待识别物体进行识别。

本发明实施例提供的基于台灯的3D物体识别方法，在对待识别物体进行识别时，采集待识别物体的RGB图像和深度信息，对待识别物体进行三维识别，使得物体的识别更精确。

实施例2

本发明实施例提供了一种基于台灯的3D物体识别装置，该装置可以是一个控制芯片，比如说CPLD控制芯片，安装在台灯上，其中，如图4所示，该装置包括：采集模块410、获取模块420、提取模块430和识别模块440；

上述采集模块410，用于采集置于台灯的图像采集区域的待识别物体的RGB图像和深度信息，该深度信息包括上述RGB图像上每个像素点的深度值；

上述获取模块420，用于获取上述RGB图像的灰度图；

上述提取模块430，用于根据上述灰度图上每个像素点的灰度值和深度值，提取待识别物体的特征矢量；

上述识别模块440，用于根据上述特征矢量以及预先建立的特征信息库对待识别物体进行识别。

其中，上述提取模块430根据上述灰度图上每个像素点的灰度值和深度值提取待识别物体的特征矢量，是通过获取单元和第一确定单元实现的，具体包括：

上述获取单元，用于根据每个像素点的灰度值和深度值，对上述灰度图进行至少一次卷积处理，获取上述灰度图对应的特征矢量；上述第一确定单元，用于将上述灰度图对应的特征矢量确定为待识别物体的特征矢量。

上述识别模块440根据待识别物体的特征矢量和预先建立的特征信息库对待识别物体进行识别，是通过第一计算单元和第一识别单元实现的，具体包括：

上述第一计算单元，用于计算上述待识别物体的特征矢量与特征信息库中每个物体的特征矢量之间的欧氏距离；上述第一识别单元，用于根据上述欧氏距离对待识别物体进行识别。

其中，上述第一识别单元还用于，比较上述特征信息库中每个物体对应的欧氏距离，选取上述欧氏距离中最小的欧氏距离；将最小的欧氏距离与预设阈值进行比较，当最小的欧氏距离小于或等于预设阈值时，将最小的欧氏距离对应的物体确定为待识别物体。

上述识别模块440根据待识别物体的特征矢量和特征信息库对待识别物体进行识别还可以通过第二计算单元和第二确定单元来实现，具体包括：

上述第二计算单元，用于计算待识别物体的特征矢量与特征信息库中每个物体的特征矢量之间的马氏距离；上述第二确定单元，用于根据上述马氏距离对待识别物体进行识别。

本发明实施例提供的基于台灯的3D物体识别装置，在对待识别物体进行识别时，采集待识别物体的RGB图像和深度信息，对待识别物体进行三维识别，使得物体的识别更精确。

本发明实施例所提供的基于台灯的3D物体识别装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

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-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。