姿势检测方法、装置及服务器与流程
本发明涉及计算机视觉技术领域，具体而言，涉及一种姿势检测方法、装置及服务器。
背景技术：
人体姿势检测是计算机视觉领域的重要组成部分。人体姿势检测具有很高的社会应用价值。例如，人体姿势估计结合健身软件，对人们的健身动作进行打分和修正，让人们在家中就能够享受到健身教练的待遇；可以根据人体姿势估计提取出病人骨架线，对后续的医疗诊治起到辅助性作用。姿势骨架线可用于识别人体姿势。利用姿势骨架线进行人体姿势检测得到的结果更加精确，且不易暴露隐私。
但即使发展了这么多年，人体姿势检测依然是计算机视觉方面的一个难题。进行人体则是检测需要极高的硬件条件：在gpu方面，大多数采用多张显卡，每张显卡的型号不亚于nvidiateslak80；在cpu方面，多数采用
技术实现要素：
为了解决上述问题，本发明实施例采用的技术方案如下：
本发明实施例提供的一种姿势检测方法，所述方法包括：对获取的图像数据进行检测；当检测到所述图像数据中出现人物图像数据时，从所述图像数据中分割出所述人物图像数据；获取所述人物图像数据中的各个关节点的特征信息；根据所述关节点的特征信息，建立每一类关节点对应的置信图；根据所述关节点及所述关节点对应的置信图，依次获取每个待定位的关节点的位置信息；根据从所述人物图像数据中检测出的每一段肢体的肢体信息，构建每一类肢体的亲密区域特征图，其中，每一段所述肢体均包括两个属于不同类别且相邻的关节点；根据所述亲密区域特征图及所述位置信息，计算任意两个分别属于不同类别且相邻的关节点之间的亲密度；依据所述亲密度生成所述人物图像数据中人物的姿势骨架线，以实现对图像数据中人物姿势的检测。
本发明实施例还提供的一种姿势检测装置，所述装置包括：检测模块、关节点检测模块、第一建立模块、定位模块、第二建立模块、计算模块及生成模块。其中，检测模块，用于对获取的图像数据进行检测；及还用于当检测到所述图像数据中出现人物图像数据时，从所述图像数据中分割出所述人物图像数据；关节点检测模块，用于获取所述人物图像数据中的各个关节点的特征信息；第一建立模块，用于根据所述关节点的特征信息，建立每一类关节点对应的置信图；定位模块，用于根据所述关节点及所述关节点对应的置信图，依次获取每个待定位的关节点的位置信息；第二建立模块，用于根据从所述人物图像数据中检测出的每一段肢体的肢体信息，构建每一类肢体的亲密区域特征图，其中，每一段所述肢体均包括两个属于不同类别且相邻的关节点；计算模块，用于根据所述亲密区域特征图及所述位置信息，计算任意两个分别属于不同类别且相邻的关节点之间的亲密度；生成模块，用于依据所述亲密度生成所述人物图像数据中人物的姿势骨架线，以实现对图像数据中人物姿势的检测。
本发明实施例还提供一种服务器，所述服务器包括：存储器；处理器；以及姿势检测装置，所述姿势检测装置安装于所述第一存储器中并包括一个或多个由所述第一处理器执行的软件功能模组，所述姿势检测装置包括：检测模块、关节点检测模块、第一建立模块、定位模块、第二建立模块、计算模块及生成模块。其中，检测模块，用于对获取的图像数据进行检测；及还用于当检测到所述图像数据中出现人物图像数据时，从所述图像数据中分割出所述人物图像数据；关节点检测模块，用于获取所述人物图像数据中的各个关节点的特征信息；第一建立模块，用于根据所述关节点的特征信息，建立每一类关节点对应的置信图；定位模块，用于根据所述关节点及所述关节点对应的置信图，依次获取每个待定位的关节点的位置信息；第二建立模块，用于根据从所述人物图像数据中检测出的每一段肢体的肢体信息，构建每一类肢体的亲密区域特征图，其中，每一段所述肢体均包括两个属于不同类别且相邻的关节点；计算模块，用于根据所述亲密区域特征图及所述位置信息，计算任意两个分别属于不同类别且相邻的关节点之间的亲密度；生成模块，用于依据所述亲密度生成所述人物图像数据中人物的姿势骨架线，以实现对图像数据中人物姿势的检测。
与现有技术相比，本发明提供的一种姿势检测方法、装置及服务器。其中，所述方法包括从所述图像数据中分割出所述人物图像数据；获取所述人物图像数据中的各个关节点的特征信息；根据所述关节点的特征信息，建立每一类关节点对应的置信图；根据所述关节点及所述关节点对应的置信图，依次获取每个待定位的关节点的位置信息；根据从所述人物图像数据中检测出的每一段肢体的肢体信息，构建每一类肢体的亲密区域特征图；根据所述亲密区域特征图及所述位置信息，计算任意两个分别属于不同类别且相邻的关节点之间的亲密度；依据所述亲密度生成所述人物图像数据中人物的姿势骨架线，以实现对图像数据中人物姿势的检测。降低后续计算的复杂性，也降低了对硬件设备的要求，速度快，精度高。
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为本发明较佳实施例提供的服务器的方框示意图。
图2示出了本发明实施例提供的姿势检测方法流程图。
图3为图2中步骤s106的子步骤流程图。
图4为图2中步骤s108的子步骤流程图。
图5为肢体区域示例图。
图6示出了本发明实施例提供的姿势检测装置的示意图。
图标：100-服务器；111-存储器；112-处理器；113-通信单元；200-姿势检测装置；201-获取模块；202-处理模块；203-检测模块；204-关节点检测模块；205-第一建立模块；206-定位模块；207-第二建立模块；208-计算模块；209-生成模块。
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。
请参照图1，是服务器100的方框示意图。所述服务器100包括姿势检测装置200、存储器111、处理器112及通信单元113。
所述存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述姿势检测装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述服务器100的操作系统(operatingsystem，os)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如所述姿势检测装置200所包括的软件功能模块及计算机程序等。
其中，所述存储器111可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器111用于存储程序或者数据。所述通信单元113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所示的结构仅为服务器100的结构示意图，所述服务器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。
第一实施例
请参考图2，图2为本发明较佳实施例提供的一种姿势检测方法的流程图。姿势检测方法包括以下步骤：
步骤s101，获取rgb初始图像。
在本实施例中，rgb初始图像可以通过通信单元113接收与服务器100通信连接的终端发送的rgb初始图像。所述终端可以是图像采集设备(例如，摄像头、手机)，也可以是可存储图像的电子设备。在本实施例中，终端为摄像头，服务器100可以从摄像头拍摄视频中获取一帧rgb初始图像。
步骤s102，对所述rgb初始图像进行归一化处理，生成特定类型的图像数据。
在本实施例中，可以通过计算rgb初始图像上所有像素均值，然后求得rgb初始图像像素的标准差。对rgb初始图像上的像素进行减去均值除以标准差的操作，将像素值归一化到[-1,1]区间上。以形成特定类型的图像数据。特定类型的图像数据是指便于提取特征点类型的图像数据，以特定类型的图像数据作为模型训练集数据。特定类型的图像数据可以是lmdb格式的图像数据，但不限于此。
步骤s103，对获取的图像数据进行检测。
在本实施例中，利用卷积神经网络检测所述获取的图像数据，检测获取的图像数据中是否存在人物。当所述图像数据中出现人物图像数据时，流程进入步骤s104；当所述图像数据中未出现人物图像数据时，流程回到步骤s101，从视频中重新获取一帧rgb初始图像。
步骤s104，从所述图像数据中分割出所述人物图像数据。
在本实施例中，当图像数据中是否存在人物时，图像数据包括人物图像数据及背景图像数据。通过卷积神经网络，将人物图像数据从图像数据中分割出来，即将人物图像数据与背景图像数据分离。
步骤s105，获取所述人物图像数据中的各个关节点的特征信息。
在本实施例中，关节点为预先定义的需要从人物图像数据中提取的部位，例如，关节点的类别可以定义为鼻，左耳、右耳，左眼、右眼，颈，左肩、右肩，左肘、右肘，左腕、右腕，左胯、右胯，左膝、右膝，左踝、右踝。将分割出来的人物图像数据输入卷积神经网络，获取人物图像数据中的各个关节点的特征信息。关节点的特征信息可以是提取到的属于对应关节点的特征点的位置信息。例如，特征点在人物图像数据中的坐标值。需要说明的是，人物图像数据中出现多少个人，则从获得的属于同一类的关节点的数量最多为出现人的个数。例如，人物图像数据中出现5个人，则最多可从人物图像数据中获取的5个鼻子，5个左耳等。
步骤s106，根据所述关节点的特征信息，建立每一类关节点对应的置信图。
在本实施例中，置信图可以是关节点置信图。每一类关节点对应一置信图，是以每一类关节点为中心的高斯分布图。越靠近关节点的部分数值越大。例如，左肩对应左肩置信图。如图3所示，步骤s106包括以下子步骤：
子步骤s1061，根据所述关节点的特征信息中的特征点位置信息，利用公式：
生成每一个所述关节点对应的高斯分布图。其中，si为提取到的特征信息所对应的关节点对应的高斯分布图。p为以关节点对应的特征点为中心，预设值距离为半径内的圆范围内的点。xi为关节点对应的特征点位置信息。
子步骤s1062，根据所述关节点对应的高斯分布图，建立每一类所述关节点对应的置信图。
在本实施例中，分别根据属于同一类的关节点对应的高斯分布图，利用公式：
建立每一类所述关节点对应的置信图。其中，s*(p)为一类关节点对于的置信图。si代表这一类关节点中第i个关节点的高斯分布图，n代表从人物图像数据中检测出的属于这一类关节点的总个数。
步骤s107，根据所述关节点及所述关节点对应的置信图，依次获取每个待定位的关节点的准确的位置信息。
本实施例中，根据待定位的关节点所对应的置信图，结合对比关节点的特征信息，依次获取待定位的关节点的位置信息。特征点的位置信息仅为对应的关节点的大概位置。未获取到准确的位置信息的关节点为待定位关节点。因此，需要依次对人物图像数据中的每一个关节点进行定位，确保精准度。具体地，通过与待定位的关节点属于不同类的对比关节点之间的间接关系对待定位的关节点进行定位，以获取准确的位置信息。
需要说明的是，对比关节点选择临近所述待定位的关节点且与待定位的关节点属于同一肢体的关节点。肢体的两端为两个属于不同类的关节点。例如，肢体为左手臂时，肢体则是由左手肘和左手腕连接而成，当待定位的关节点是左手肘，则对比关节点可选择左手腕。根据待定位的关节点的特征信息、待定位的关节点所属类别对应的置信图及对比关节点的特征信息，利用公式：
vk,j(p)＝s*(p)||uj-xi||，
获得待定位的关节点相对于与对比关节点构成的肢体的位置向量，vk,j(p)代表待定位的关节点相对于与对比关节点j所构成的肢体k的位置向量。s*(p)为待定位的关节点所属的关节点类别对应的置信图，uj为对比关节点j的特征信息中的特征点位置信息，xi为待定位的关节点i的特征信息中的特征点位置信息。再获取位置向量的最大值，即为待定位的关节点的精确位置信息。
步骤s108，根据从所述人物图像数据中检测出的每一段肢体的肢体信息，构建每一类肢体的亲密区域特征图，其中，每一段所述肢体均包括两个属于不同类别且相邻的关节点。
在本实施例中，肢体由两个属于不同类且临近的关节点连接构成。肢体信息包括肢体的线段的位置信息。如图4所示，步骤s108包括以下子步骤：
子步骤s1081，获取每一段肢体的法向量。
在本实施例中，根据每一段肢体的肢体线段找出肢体的法向量方向，以预设宽度法向量的模。
子步骤s1082，根据每一段所述肢体的线段为中线，沿对应的所述法向量方向，根据预设宽度划分为肢体区域。
在本实施例中，将每段肢体的线段为中线，把沿着中线将对应法向量正方向及反方向划分肢体区域，即以中线为中心，两倍法向量的模的内的范围，如图5所示，法向量为a，法向量反方向的向量为-a，阴影区域为肢体区域。
子步骤s1083，在所述肢体区域设置非零向量。
在本实施例中，将肢体区域中每一个点设置非零向量。其中，非零向量的方向为肢体包括的两个关节点之间的方向。具体地，预先定义肢体中的一个关节点与肢体对应。则肢体对应的非零向量的方向为从肢体对应的关节点朝向肢体的另一个关节点的方向。例如，左手臂包括左手肘和左手腕两个关节，预先定义了左手肘对应左手臂，则设置的左手臂的肢体区域非零向量的方向为左手肘向左手腕的方向。并将肢体区域以外的区域设置为零向量。需要说明的是，肢体是由两个临近且属于不同类的关节点连接构成的，所述有多少类关节点有多少个肢体。因此，可以预先定义肢体中一个关节点与肢体对应。
子步骤s1084，根据同类肢体对应的肢体区域的非零向量，生成每一类肢体的亲密区域特征图。
在本实施例中，分别根据人物图像数据中每一类肢体中的每一段肢体的肢体区域对应的非零向量求取平均值获得这一类肢体的亲密区域特征图。这样能够达到了让某个关节点与两段肢体都相关的关系，使得关节点检测精度高。如果存在两段肢体交叠部分，那么求取平均值就相当于计算这两段肢体法向量的和向量，再除以2，再加上向量信息取最大值，就得到重叠部分的点与两段肢体都相关的关系。进而，得到关于这一类肢体的亲密关系领域特征图。每个关节点与自己临近的一个关节点构，构成一个肢体，本实施例中，定义了19类关节点，则总共有19类肢体，肢体可以看作是一个向量，用[x,y]表示。每段肢体都不仅仅是一条直线，而是一段区域，并且，在这段区域内点的值是非零向量，向量值为肢体方向的单位向量，而这段区域外的点值为零向量。然后构成的一个二分特征图，网络最后输出的就是这个二分特征图。因为有19个关节点，每个关节点单独预测一段肢体，每段肢体都由二维向量表示，所以输出是一个19×2个通道的特征图组。
步骤s109，根据所述亲密区域特征图及所述位置信息，计算任意两个分别属于不同类别且相邻的关节点之间的亲密度。
在本实施例中，根据被计算的两个关节点构成的一段肢体所属类别的亲密区域特征图，获取对应肢体的非零向量。位置信息包括被计算的两个关节点的位置信息。根据获取的对应的肢体的非零向量及位置信息，利用插值积分算法，计算两个所述关节点之间的所述亲密度。具体地，在两个关节点之间每一个插入位置点与对应的肢体的非零向量计算内积，然后积分。在具体的运算中采用等间距取点求和来代替积分运算，最后得到一个积分数值，这个积分数值则为被计算的两个关节点之间的亲密度。
步骤s110，依据所述亲密度生成所述人物图像数据中人物的姿势骨架线，以实现对图像数据中人物姿势的检测。
在本实施例中，当两个所述关节点之间的亲密度大于预设亲密度阈值时，说明这两个关节点组成的肢体就被预测为真实存在，则将两个所述关节点连接，以生成所述人物图像数据中人物的姿势骨架线。如果两个所述关节点之间的亲密度小于预设亲密度阈值，就被判别为错误预测，也就是所谓的误检。这样就避免了，当人物图像数据中出现多个人是，将第一人的左手肘与第二人的左手腕误判为一条左手臂。
在本实施例中，步骤s110之后还包括将关节点及姿势骨架线通过开发软件绘制在rgb初始图像上，进行显示的步骤。
第二实施例
请参照图6，图6为本发明实施例提供的姿势检测装置200的功能模块示意图。所述姿势检测装置200包括：获取模块201、处理模块202、检测模块203、关节点检测模块204、第一建立模块205、定位模块206、第二建立模块207、计算模块208及生成模块209。
获取模块201，用于获取rgb初始图像。
在本发明实施例中，所述步骤s101可以由获取模块201执行。
处理模块202，用于对所述rgb初始图像进行归一化处理，生成特定类型的图像数据。
在本发明实施例中，所述步骤s102可以由处理模块202执行。
检测模块203，用于对获取的图像数据进行检测；及还用于当检测到所述图像数据中出现人物图像数据时，从所述图像数据中分割出所述人物图像数据。
在本发明实施例中，所述步骤s103及步骤s104可以由检测模块203执行。
关节点检测模块204，用于获取所述人物图像数据中的各个关节点的特征信息。
在本发明实施例中，所述步骤s105可以由关节点检测模块204执行。
第一建立模块205，用于根据所述关节点的特征信息，建立每一类关节点对应的置信图。
在本发明实施例中，所述步骤s106可以由第一建立模块205执行。具体地，第一建立模块205执行步骤s106的方式为：根据所述关节点的特征信息中的特征点位置信息，利用公式：
生成每一个所述关节点对应的高斯分布图。其中，si为提取到的特征信息所对应的关节点对应的高斯分布图。p为以关节点对应的特征点为中心，预设值距离为半径内的圆范围内的点。xi为关节点对应的特征点位置信息。根据所述关节点对应的高斯分布图，建立每一类所述关节点对应的置信图。分别根据属于同一类的关节点对应的高斯分布图，利用公式：
建立每一类所述关节点对应的置信图。其中，s*(p)为一类关节点对于的置信图。si代表这一类关节点中第i个关节点的高斯分布图，n代表从人物图像数据中检测出的属于这一类关节点的总个数。
定位模块206，用于根据所述关节点及所述关节点对应的置信图，依次获取每个待定位的关节点的准确的位置信息。
在本发明实施例中，所述步骤s107可以由定位模块206执行。定位模块206执行步骤s107的方式为根据待定位的关节点所对应的置信图，结合对比关节点的特征信息，依次获取待定位的关节点的位置信息，其中，所述待定位的关节点与所述对比关节点为同一个肢体且属于不同类别的关节点。
第二建立模块207，用于根据从所述人物图像数据中检测出的每一段肢体的肢体信息，构建每一类肢体的亲密区域特征图，其中，每一段所述肢体均包括两个属于不同类别且相邻的关节点。
在本发明实施例中，所述步骤s108可以由第二建立模块207执行。具体地，第二建立模块207执行步骤s108的方式为：获取每一段肢体的法向量。根据每一段肢体的肢体线段找出肢体的法向量方向，以预设宽度法向量的模。根据每一段所述肢体的线段为中线，沿对应的所述法向量方向，根据预设宽度划分为肢体区域。将每段肢体的线段为中线，把沿着中线将对应法向量正方向及反方向划分肢体区域，即以中线为中心，两倍法向量的模的内的范围。在所述肢体区域设置非零向量。将肢体区域中每一个点设置非零向量。其中，非零向量的方向为肢体包括的两个关节点之间的方向。具体地，预先定义肢体中的一个关节点与肢体对应。则肢体对应的非零向量的方向为从肢体对应的关节点朝向肢体的另一个关节点的方向。例如，左手臂包括左手肘和左手腕两个关节，预先定义了左手肘对应左手臂，则设置的左手臂的肢体区域非零向量的方向为左手肘向左手腕的方向。并将肢体区域以外的区域设置为零向量。需要说明的是，肢体是由两个临近且属于不同类的关节点连接构成的，所述有多少类关节点有多少个肢体。因此，可以预先定义肢体中一个关节点与肢体对应。根据同类肢体对应的肢体区域的非零向量，生成每一类肢体的亲密区域特征图。分别根据人物图像数据中每一类肢体中的每一段肢体的肢体区域对应的非零向量求取平均值获得这一类肢体的亲密区域特征图。如果存在两段肢体交叠部分，那么求取平均值就相当于计算这两段肢体法向量的和向量，再除以2，再加上向量信息取最大值，就得到重叠部分的点与两段肢体都相关的关系。进而，得到关于这一类肢体的亲密关系领域特征图。每个关节点与自己临近的一个关节点构，构成一个肢体，本实施例中，定义了19类关节点，则总共有19类肢体，肢体可以看作是一个向量，用[x,y]表示。每段肢体都不仅仅是一条直线，而是一段区域，并且，在这段区域内点的值是非零向量，向量值为肢体方向的单位向量，而这段区域外的点值为零向量。然后构成的一个二分特征图，网络最后输出的就是这个二分特征图。因为有19个关节点，每个关节点单独预测一段肢体，每段肢体都由二维向量表示，所以输出是一个19×2个通道的特征图组。
计算模块208，用于根据所述亲密区域特征图及所述位置信息，计算任意两个分别属于不同类别且相邻的关节点之间的亲密度。
在本发明实施例中，所述步骤s109可以由计算模块208执行。计算模块208执行步骤s109的方式为根据所述关节点对应肢体所属类别的亲密区域特征图，获取所述关节点对应肢体的非零向量；根据所述关节点对应肢体的非零向量及两个所述关节点分别对应的位置信息，利用插值积分算法，计算两个所述关节点之间的所述亲密度。
生成模块209，用于依据所述亲密度生成所述人物图像数据中人物的姿势骨架线，以实现对图像数据中人物姿势的检测。
在本发明实施例中，所述步骤s110可以由生成模块209执行。具体地，生成模块209执行步骤s110的方式为：当两个所述关节点之间的亲密度大于预设亲密度阈值时，则将两个所述关节点连接，以生成所述人物图像数据中人物的姿势骨架线。
综上所述，本发明提供的一种姿势检测方法、装置及服务器。其中，所述方法包括获取所述人物图像数据中的各个关节点的特征信息；根据所述关节点的特征信息，建立每一类关节点对应的置信图；获取每个关节点的准确的位置信息；根据从所述人物图像数据中检测出的每一段肢体的肢体信息，构建每一类肢体的亲密区域特征图；根据所述亲密区域特征图及所述位置信息，计算任意两个分别属于不同类别且相邻的关节点之间的亲密度；依据所述亲密度生成所述人物图像数据中人物的姿势骨架线，以实现对图像数据中人物姿势的检测。降低后续处理的复杂性，也降低了对硬件的要求，处理速度快，检测精度高。
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模块、程序段或代码的一部分，所述模块、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模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到变化或替换，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所述以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！