一种活体检测的方法、装置、设备和计算机存储介质与流程

【技术领域】

本发明涉及生物特征识别技术领域，尤其涉及一种活体检测的方法、装置、设备和计算机存储介质。

背景技术：

现有技术在验证是否为用户本人在进行操作的场景时，例如机场安检、远程处理金融业务、atm取钱等，往往采用人脸识别技术对当前操作人员进行识别，以查看当前操作人员是否为用户本人。但人脸识别技术存在一定的缺陷：仅能对人脸是否是用户本人进行识别，当他人使用用户本人照片或者伪装成用户本人时，人脸识别技术无法区分当前操作人员是否为用户本人。若当前操作人员不是用户本人，但却能够通过人脸识别时，会对用户本人造成巨大的损失。因此亟需提供一种能够对用户进行活体检测的方法。

技术实现要素：

有鉴于此，本发明提供了一种活体检测的方法、装置、设备和计算机存储介质，用于实现用户的活体检测，从而更加准确地验证当前用户是否为用户本人。

本发明为解决技术问题所采用的技术方案是提供一种活体检测的方法，所述方法包括：获取用户图像；提取所述图像中用户的皮肤特征；将所述提取得到的皮肤特征作为检测模型的输入，根据检测模型的输出结果确定活体检测结果；其中，所述检测模型是预先训练得到的。

根据本发明一优选实施例，所述检测模型是采用如下方式预先训练得到的：获取真实皮肤图像以及非真实皮肤图像中的至少一种；提取所述真实皮肤图像以及非真实皮肤图像中的皮肤特征；将所述皮肤特征以及各皮肤特征为真实皮肤或者为非真实皮肤作为训练样本，训练分类模型，得到所述检测模型。

根据本发明一优选实施例，所述分类模型为基于深度学习模型的分类模型。

根据本发明一优选实施例，所述获取的用户图像为用户的人脸图像。

根据本发明一优选实施例，所述提取所述图像中用户的皮肤特征包括：确定所述图像中用户的皮肤区域；从所述皮肤区域中提取用户的皮肤特征。

根据本发明一优选实施例，所述皮肤特征包括：皮肤纹理特征以及皮肤毛孔特征中的至少一种。

根据本发明一优选实施例，所述根据检测模型的输出结果确定活体检测结果包括：若所述检测模型的输出结果为该皮肤特征为真实皮肤，则确定用户是活体，否则不是。

根据本发明一优选实施例，所述方法还包括：若检测结果为用户不是活体，则提示用户重新进行检测；若预设次数的活体检测结果仍为非活体，则确定该用户不是活体。

本发明为解决技术问题而采用的技术方案是提供一种活体检测的装置，所述装置包括：获取单元，用于获取用户图像；提取单元，用于提取所述图像中用户的皮肤特征；确定单元，用于将所述提取得到的皮肤特征作为检测模型的输入，根据检测模型的输出结果确定活体检测结果；其中，所述检测模型是预先训练得到的。

根据本发明一优选实施例，该装置还包括：训练单元，用于采用如下方式预先训练得到检测模型：获取真实皮肤图像以及非真实皮肤图像中的至少一种；提取所述真实皮肤图像以及非真实皮肤图像中的皮肤特征；将所述皮肤特征以及各皮肤特征为真实皮肤或者为非真实皮肤作为训练样本，训练分类模型，得到所述检测模型。

根据本发明一优选实施例，所述分类模型为基于深度学习模型的分类模型。

根据本发明一优选实施例，所述获取单元获取的用户图像为用户的人脸图像。

根据本发明一优选实施例，所述提取单元在用于提取所述图像中用户的皮肤特征时，具体执行：确定所述图像中用户的皮肤区域；从所述皮肤区域中提取用户的皮肤特征。

根据本发明一优选实施例，所述皮肤特征包括：皮肤纹理特征以及皮肤毛孔特征中的至少一种。

根据本发明一优选实施例，所述确定单元在用于根据检测模型的输出结果确定活体检测结果时，具体执行：若所述检测模型的输出结果为该皮肤特征为真实皮肤，则确定用户是活体，否则不是。

根据本发明一优选实施例，所述装置还包括重检单元，用于若检测结果为用户不是活体时，提示用户重新进行检测；若预设次数的活体检测结果仍为非活体，确定单元确定该用户不是活体。

由以上技术方案可以看出，本发明通过使用检测模型对用户的皮肤特征进行检测，实现了对用户进行活体检测，从而更加准确地验证当前用户是否为用户本人。

【附图说明】

图1为本发明一实施例提供的一种活体检测的方法流程图。

图2为本发明一实施例提供的一种活体检测的装置结构图。

图3为本发明一实施例提供的计算机系统/服务器的框图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

在机场安检、atm取钱、远程处理金融业务或者移动设备使用人脸作为密码等场景时，都需要对当前操作人员是否为用户本人进行验证。由于当前操作人员可能会使用用户本人照片或者伪装成用户本人，而现有技术无法使用人脸识别技术区分该种情况，若不是用户本人而通过验证时会对用户本人造成巨大的损失。因此，本发明提供了一种活体检测的方法、装置、设备和计算机存储介质，通过使用检测模型对所提取的皮肤特征进行检测的方式，实现对用户的活体检测，从而有效地克服当前人脸识别技术的缺陷，更加准确地验证当前操作人员或当前用户是否为用户本人。

其中，本发明利用预先训练得到的检测模型对用户进行活体检测，从而实现了现有的人脸识别技术无法验证用户是否为活体的问题。

具体地，检测模型可以采用如下方式预先根据训练样本训练得到：

首先获取训练样本。获取真实皮肤图像以及非真实皮肤图像中的至少一种。其中，真实皮肤图像为直接拍摄的包含用户皮肤的图像，非真实皮肤图像则为实际拍摄的是包含用户皮肤的图像的图像。举例来说，真实皮肤图像为摄像头直接拍摄的人脸的图像，非真实皮肤图像为摄像头拍摄的人脸照片的图像。换句话说，真实皮肤图像实际拍摄的是皮肤，非真实皮肤图像实际拍摄的是图像。在本发明的一个优选实施例中，所获取的包含用户皮肤的图像为用户的人脸图像。

然后提取所获取的真实皮肤图像以及非真实皮肤图像中用户的皮肤特征。首先确定所获取图像中用户的皮肤区域，例如所获取的图像为用户人脸图像，则皮肤区域确定为人脸区域；然后从所确定的皮肤区域中提取用户的皮肤特征。其中，所提取的用户的皮肤特征包括：皮肤纹理特征以及皮肤毛孔特征中的至少一种。最后，将所提取的皮肤特征以及各皮肤特征为真实皮肤或者为非真实皮肤作为训练样本。

在获取训练样本之后，对分类模型进行训练，以得到检测模型。其中，分类模型可以为深度学习模型，也可以为支持向量机，本发明对分类模型的类型不进行限定。在本发明的一个优选实施例中，分类模型为基于深度卷积网络的分类模型。在通过训练得到检测模型后，便能够使用该检测模型判断用户图像中的皮肤特征为真实皮肤还是为非真实皮肤，从而实现用户的活体检测。

接下来对使用上述检测模型对用户进行活体检测的过程进行详述。图1为本发明一实施例提供的一种活体检测的方法流程图，如图1中所示，所述方法包括：

在101中，获取用户图像。

在本步骤中，获取实时拍摄的用户图像，所获取的用户图像为包含用户皮肤的图像，优选地为用户的人脸图像。

而为了能够提高本发明在进行活体检测时的精度，在本步骤中，使用高清摄像头对用户进行拍摄，从而获取用户的高清人脸图像。

在102中，提取所述图像中用户的皮肤特征。

在本步骤中，提取步骤101中所获取的图像中用户的皮肤特征。其中，从图像中所提取的用户的皮肤特征包括：皮肤纹理特征以及皮肤毛孔特征中的至少一种。皮肤纹理特征包括皮肤纹理的深浅、皮肤纹理的粗细等，皮肤毛孔特征包括皮肤毛孔的数量、皮肤毛孔的大小等。由于真实皮肤图像是直接由真实皮肤拍摄而来，因此真实皮肤图像中的皮肤一定具有深浅不一、粗细不一的纹理，以及一定数量和不同大小的毛孔；而非真实皮肤图像是由包含真实皮肤的图像拍摄而来，即直接拍摄的并非皮肤而是图像，因此非真实皮肤图像中的皮肤不会具有真实皮肤的纹理和毛孔。因此，能够通过皮肤纹理特征和皮肤毛孔特征在真实皮肤图像和非真实皮肤图像中区分真实皮肤与非真实皮肤。

具体地，可以通过以下方式从图像中提取用户的皮肤特征：首先确定图像中用户的皮肤区域，例如可以使用肤色颜色模型得到图像中的皮肤区域；然后在所确定的皮肤区域中提取用户的皮肤特征，例如可以使用gabor滤波器提取皮肤区域中用户的皮肤纹理特征，可以使用阈值分割和形态学运算提取皮肤区域中用户的皮肤毛孔特征。举例来说，若所得到的图像为用户人脸图像，则所确定的皮肤区域为人脸区域，进而从确定的人脸区域中提取该用户的皮肤特征。

在103中，将所述提取得到的皮肤特征作为检测模型的输入，根据检测模型的输出结果确定活体检测结果。

在本步骤中，将由步骤102中所提取的皮肤特征作为检测模型的输入，根据检测模型的输出结果确定活体检测结果。

如前所述，检测模型能够根据皮肤特征确定该皮肤特征为真实皮肤或者为非真实皮肤，从而根据检测模型对皮肤特征的判断结果识别该用户是否为活体，或者说是判断当前用户是否为用户本人，而不是使用用户照片或者伪装成用户。具体地，若检测模型的输出结果为该皮肤特征为真实皮肤，则确定活体检测结果为该用户是活体，即当前用户为用户本人；若检测模型的输出结果为该皮肤特征为非真实皮肤，则确定活体检测结果为该用户不是活体，即当前用户不是用户本人。

由于在进行检测时，可能会因为拍摄问题或者用户自身原因而导致检测失败，得到用户不是活体的检测结果。因此在本步骤之后，还进一步包括：若检测结果为用户不是活体，则提示用户重新进行检测；若经过预设次数的活体检测后，所得到的检测结果仍为用户不是活体，则确定该用户不是活体。其中，预设次数可以根据实际应用场景进行设置。通过这样的方式，能够进一步提升对用户进行活体检测的精准程度。

图2为本发明一实施例提供的一种活体检测的装置结构图，如图2中所示，所述装置包括：训练单元21、获取单元22、提取单元23、确定单元24以及重检单元25。

训练单元21，用于预先训练得到检测模型。

具体地，训练单元21可以采用如下方式预先根据训练样本训练得到检测模型：

训练单元21首先获取训练样本。训练单元21获取真实皮肤图像以及非真实皮肤图像中的至少一种。其中，真实皮肤图像为直接拍摄的包含用户皮肤的图像，非真实皮肤图像则为实际拍摄的是包含用户皮肤的图像的图像。举例来说，训练单元21所获取的真实皮肤图像为摄像头直接拍摄的人脸的图像，训练单元21所获取的非真实皮肤图像为摄像头拍摄的人脸照片的图像。换句话说，真实皮肤图像是实际拍摄的是皮肤，非真实皮肤图像实际拍摄的是图像。在本发明的一个优选实施例中，训练单元21所获取的包含用户皮肤的图像为用户的人脸图像。

训练单元21然后提取所获取的真实皮肤图像以及非真实皮肤图像中用户的皮肤特征。训练单元21首先确定所获取图像中用户的皮肤区域，例如所获取的图像为用户人脸图像，则皮肤区域确定为人脸区域；然后训练单元21从所确定的皮肤区域中提取用户的皮肤特征。其中，训练单元21所提取的用户的皮肤特征包括：皮肤纹理特征以及皮肤毛孔特征中的至少一种。最后，训练单元21将所提取的皮肤特征以及各皮肤特征为真实皮肤或者为非真实皮肤作为训练样本。

在获取训练样本之后，训练单元21对分类模型进行训练，以得到检测模型。其中，分类模型可以为深度学习模型，也可以为支持向量机，本发明对分类模型的类型不进行限定。在本发明的一个优选实施例中，分类模型为基于深度卷积网络的分类模型。训练单元21在通过训练得到检测模型后，便能够使用该检测模型判断用户图像中的皮肤特征为真实皮肤还是为非真实皮肤，从而实现用户的活体检测。

获取单元22，用于获取用户图像。

获取单元22获取实时拍摄的用户图像，获取单元22所获取的用户图像为包含用户皮肤的图像，优选地为用户的人脸图像。

而为了能够提高本发明在进行活体检测时的精度，获取单元22使用高清摄像头对用户进行拍摄，从而获取用户的高清人脸图像。

提取单元23，用于提取所述图像中用户的皮肤特征。

提取单元23提取获取单元22所获取的图像中用户的皮肤特征。其中，提取单元23从图像中所提取的用户的皮肤特征包括：皮肤纹理特征以及皮肤毛孔特征中的至少一种。皮肤纹理特征包括皮肤纹理的深浅、皮肤纹理的粗细等，皮肤毛孔特征包括皮肤毛孔的数量、皮肤毛孔的大小等。由于真实皮肤图像是直接由真实皮肤拍摄而来，因此真实皮肤图像中的皮肤一定具有深浅不一、粗细不一的纹理，以及一定数量和不同大小的毛孔；而非真实皮肤图像是由包含真实皮肤的图像拍摄而来，即直接拍摄的并非是皮肤而是图像，因此非真实皮肤图像中的皮肤不会具有真实皮肤的纹理和毛孔。因此，能够通过皮肤纹理特征和皮肤毛孔特征在真实皮肤图像与非真实皮肤图像中区分真实皮肤与非真实皮肤。

具体地，提取单元23可以通过以下方式从图像中提取用户的皮肤特征：提取单元23首先确定图像中用户的皮肤区域，例如可以使用肤色颜色模型得到图像中的皮肤区域；然后提取单元23在所确定的皮肤区域中提取用户的皮肤特征，例如可以使用gabor滤波器提取皮肤区域中用户的皮肤纹理特征，可以使用阈值分割和形态学运算提取皮肤区域中用户的皮肤毛孔特征。举例来说，若获取单元22所得到的图像为用户人脸图像，则提取单元23所确定的皮肤区域为人脸区域，进而提取单元23从确定的人脸区域中提取该用户的皮肤特征。

确定单元24，用于将所述提取得到的皮肤特征作为检测模型的输入，根据检测模型的输出结果确定活体检测结果。

确定单元24将由提取单元23所提取的皮肤特征作为检测模型的输入，根据检测模型的输出结果确定活体检测结果。

如前所述，检测模型能够根据皮肤特征确定该皮肤特征为真实皮肤或者为非真实皮肤，从而确定单元24根据检测模型对皮肤特征的判断结果识别该用户是否为活体，或者说是判断当前用户是否为用户本人，而不是使用用户照片或者伪装成用户。具体地，若检测模型的输出结果为该皮肤特征为真实皮肤，则确定单元24确定活体检测结果为该用户是活体，即当前用户为用户本人；若检测模型的输出结果为该皮肤特征为非真实皮肤，则确定单元24确定活体检测结果为该用户不是活体，即当前用户不是用户本人。

重检单元25，用于在检测结果为用户不是活体时，提示用户进行重新检测。

由于在进行检测时，可能会因为拍摄问题或者用户自身原因而导致检测失败，得到用户不是活体的检测结果。因此，重检单元25在检测结果为用户不是活体时，提示用户重新进行检测。若经过预设次数的活体检测后，确定单元24所得到的检测结果仍为用户不是活体，则确定该用户不是活体。其中，预设次数可以根据实际应用场景进行设置。通过这样的方式，能够进一步提升对用户进行活体检测的精准程度。

在此列举几个本发明适用的应用场景：

场景1：机场安检。通过机场安检处的高清摄像头对当前乘客进行拍摄后，对所拍摄的乘客的人脸图像进行检测，若检测结果为该乘客是活体，表面当前乘客是乘客本人，则安检通过；若检测结果为该乘客不是活体，表明当前乘客并不是乘客本人，可能使用了乘客本人的照片或其他方式伪装成乘客本人，则安检不通过。

场景2：手机支付类软件。通过手机自带摄像头对当前操作人员进行拍摄，对所拍摄的当前操作人员的人脸图像进行检测，若检测结果为当前操作人员是活体，表明当前操作人员是用户本人，可以进行支付；若检测结果为当前操作人员不是活体，表明当前操作人员不是用户本人，可能使用了用户本人的照片或其他方式伪装成用户本人，则无法进行支付。

图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图3显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现一种活体检测的方法，可以包括：

获取用户图像；

提取所述图像中用户的皮肤特征；

将所述提取得到的皮肤特征作为检测模型的输入，根据检测模型的输出结果确定活体检测结果；

其中，所述检测模型是预先训练得到的。

上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。例如，被上述一个或多个处理器执行的方法流程，可以包括：

获取用户图像；

提取所述图像中用户的皮肤特征；

将所述提取得到的皮肤特征作为检测模型的输入，根据检测模型的输出结果确定活体检测结果；

其中，所述检测模型是预先训练得到的。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

通过本发明所提供的技术方案，能够利用检测模型对所提取的皮肤特征进行检测，实现了对用户的活体检测，从而更加准确地验证当前用户是否为用户本人。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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。

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，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。