本公开涉及图像处理技术领域，具体而言，涉及一种图像识别方法、图像识别装置、电子设备以及计算机可读存储介质。
背景技术：
人脸识别技术已经在安保、金融、交通等诸多领域得到广泛应用。但是在背光或者是照明条件不佳等场景中，使用基于可见光光谱成像的照相机获取的图像质量较差，无法看清人脸，不适合人脸比对识别。
为了解决上述问题，相关技术中大多采用近红外成像技术获取清晰的近红外图像，并将近红外图像转换为可见光图像进行人脸识别；除此之外，还可以通过特征融合的方式进行人脸识别。
但是，这些方法对提升人脸识别准确率作用有限，并且将近红外图像转换为可见光图像进行识别的方式，操作较为繁琐，从而导致图像识别效率低；将近红外图像转换为可见光图像进行识别的方式和通过特征融合进行人脸识别的方式的识别准确率较低，从而导致识别效果较差。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现要素：
本公开的目的在于提供一种图像识别方法及装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的图像识别准确率低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种图像识别方法，包括：通过第一采集设备获取第一类图像，所述第一采集设备包括近红外照相机；提取所述第一类图像的第一图像特征；将所述第一图像特征与数据库中第二类图像的第二图像特征进行特征比较，获取特征距离；根据所述特征距离与预设阈值，确定识别结果。
在本公开的一种示例性实施例中，将所述第一图像特征与数据库中第二类图像的第二图像特征进行特征比较，获取特征距离包括：将所述第一图像特征以及所述第二图像特征输入识别模型，以获取所述特征距离。
在本公开的一种示例性实施例中，所述方法还包括：通过深度学习算法建立所述识别模型。
在本公开的一种示例性实施例中，通过深度学习算法建立所述识别模型包括：依次根据第一参数、第二参数以及第三参数对应的所述第一类图像和所述第二类图像对预设模型进行训练，以得到识别模型。
在本公开的一种示例性实施例中，所述方法还包括：通过第一图像特征以及第二图像特征计算图像识别性能指标，以确定所述识别模型。
在本公开的一种示例性实施例中，所述图像识别性能指标的计算公式包括：
其中，l为图像识别性能指标，
在本公开的一种示例性实施例中，所述识别模型包括第一特征提取器、第二特征提取器以及特征对比器。
在本公开的一种示例性实施例中，提取所述第一类图像的第一图像特征包括：将所述第一类图像输入第一特征提取器，得到初始图像特征；将所述初始图像特征输入特征转换器，得到所述第一图像特征。
在本公开的一种示例性实施例中，所述方法还包括：获取通过第二采集设备采集的第二类图像，所述第二采集设备包括可见光照相机；通过将所述第二类图像输入所述第二特征提取器，提取所述第二图像特征。
在本公开的一种示例性实施例中，所述方法还包括：根据所述特征距离获取受试者工作特征曲线；通过所述受试者工作特征曲线确定所述预设阈值。
在本公开的一种示例性实施例中，根据所述特征距离与预设阈值，确定识别结果包括：如果所述特征距离的最小值不大于所述预设阈值，则确定识别成功；如果所述特征距离的最小值大于所述预设阈值，则确定识别失败。
根据本公开的一个方面，提供一种图像识别装置，包括：图像获取模块，用于通过第一采集设备获取第一类图像，所述第一采集设备包括近红外照相机；特征提取模块，用于提取所述第一类图像的第一图像特征；距离计算模块，用于将所述第一图像特征与数据库中第二类图像的第二图像特征进行特征比较，获取特征距离；结果确定模块，用于根据所述特征距离与预设阈值，确定识别结果。
根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的图像识别方法。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的图像识别方法。
本公开示例性实施例中提供的一种图像识别方法、图像识别装置、电子设备以及计算机可读存储介质中，通过将第一类图像的第一图像特征与数据库中第二类图像的第二图像特征进行特征比较，根据获取的特征距离与预设阈值确定识别结果。一方面，通过将第一图像特征与第二图像特征进行特征比较得到的特征距离，进而根据特征距离与预设阈值的大小关系确定识别结果，可以提高图像识别的准确率；一方面，通过计算获取的第一类图像与数据库中存储的第二类图像的特征距离，并将特征距离与预设阈值进行对比，即可得到识别结果，简化了操作步骤，提高了图像识别效率；另一方面，能够分别提取具有更高区分性能的近红外图像特征向量和可见光图像特征向量，并通过机器学习得到人脸特征由近红外特征空间到可见光特征空间的映射关系，从而实现了近红外图像与可见光图像之间的相互比对，提升了异质人脸识别准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种图像识别方法示意图；
图2示意性示出本公开示例性实施例中提取第一图像特征的流程图；
图3示意性示出本公开示例性实施例中提取第二图像特征的流程图；
图4示意性示出本公开示例性实施例中图像识别的具体流程图；
图5示意性示出本公开示例性实施例中一种图像识别装置的框图；
图6示意性示出本公开示例性实施例中一种电子设备的框图；
图7示意性示出本公开示例性实施例中一种程序产品。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种图像识别方法，可以应用于安保、金融、交通、考勤等多种场景的人脸识别或者是物体识别。参考图1所示，该图像识别方法可以包括以下步骤：
在步骤s110中，通过第一采集设备获取第一类图像，所述第一采集设备包括近红外照相机；
在步骤s120中，提取所述第一类图像的第一图像特征；
在步骤s130中，将所述第一图像特征与数据库中第二类图像的第二图像特征进行特征比较，获取特征距离；
在步骤s140中，根据所述特征距离与预设阈值，确定识别结果。
在本示例性实施例中提供的图像识别方法中，一方面，通过将第一图像特征与第二图像特征进行特征比较得到特征距离，进而根据特征距离与预设阈值的大小关系确定识别结果，可以提高图像识别的准确率；另一方面，通过计算获取的第一类图像与数据库中存储的第二类图像的特征距离，并将特征距离与预设阈值进行对比，即可得到识别结果，简化了操作步骤，提高了图像识别效率；另一方面，能够分别提取具有更高区分性能的近红外图像特征向量和可见光图像特征向量，并通过机器学习得到人脸特征由近红外特征空间到可见光特征空间的映射关系，从而实现了近红外图像与可见光图像之间的相互比对，提升了异质人脸识别准确率。
接下来，结合附图对本示例性实施例中的图像识别方法进行进一步解释说明。
在步骤s110中，通过第一采集设备获取第一类图像，所述第一采集设备包括近红外照相机。
第一采集设备可以为近红外照相机，使用近红外照相机获取的第一类图像为近红外图像。采集的近红外图像在任意环境光照下都是清晰、正面光照的，因此可以避免环境光照及光线等因素的影响。需要说明的是，为了提高图像识别的准确率，第一类图像可以来源于任意待采集人员。除此之外，也可以来源于其他待采集对象。
在步骤s120中，提取所述第一类图像的第一图像特征。
本示例性实施例中，对于第一类图像而言，每一幅图像都具有能够区别于其他图像的自身特征，有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等；有些则是需要通过变换或处理才能得到的，例如矩、直方图以及主成份等。由于这些自然特征不能达到准确识别图像的目的，因此可以提取第一类图像对应的第一图像特征，以通过提取的第一图像特征准确识别图像。本示例中例如可以采用fourier变换法、窗口fourier变换法、小波变换法、最小二乘法、边界方向直方图法等方法提取第一类图像对应的第一图像特征。
在步骤s130中，将所述第一图像特征与数据库中第二类图像的第二图像特征进行特征比较，获取特征距离。
本示例中，数据库中存储的是通过第二采集设备获取的第二类图像。其中，第二采集设备可以为可见光照相机，通过可见光照相机获取的第二类图像为可见光图像。随后可以对可见光图像进行特征提取，以获得第二图像特征。
在获得第一图像特征和第二图像特征之后，可以对得到的第一图像特征和第二图像特征进行特征比较，以获取特征距离。特征距离可以为欧式距离，用于对图像进行相似性匹配。在n维空间下，两个图像矩阵各形成了一个点，例如点a和点b；然后利用欧式距离公式计算这两个点之间的距离，距离最小者就是最匹配的图像。例如，点a＝(x1,x2,...,xn)，点b＝(y1,y2,...,yn)，则ab2＝(x1-y1)2+(x2-y2)2+...+(xn-yn)2，计算的ab就是a，b两个多维空间中两个点之间的距离。
具体地，在进行特征比较时，可以将所述第一图像特征以及所述第二图像特征输入识别模型，以获取所述特征距离。识别模型可以通过深度学习算法建立，深度学习算法例如可以包括受限波尔兹曼机算法、卷积神经网络算法或者是堆栈式自动编码器算法，此处以卷积神经网络算法为例进行说明。
通过深度学习算法建立所述识别模型包括：依次根据第一参数、第二参数以及第三参数对应的所述第一类图像和所述第二类图像对预设模型进行训练，得到所述识别模型。
其中，第一参数可以包括同一对象，即相同待采集人员，但是待采集人员头部姿态、面部表情和到采集设备的距离不同，同时可以将满足第一参数的第一类图像和第二类图像记为(ni,vj)+；第二参数可以包括同一对象，即相同待采集人员，并且待采集人员头部姿态、面部表情和到采集设备的距离相同，同时可以将满足第二参数的第一类图像和第二类图像记为(ni,vi)+；第三参数可以包括不同对象，即不同待采集人员，并且待采集人员的头部姿态、面部表情和到采集设备的距离可以相同，也可以不同，即不同对象的第一类图像和第二类图像记为(ni,vj)-。
预设模型例如可以为事先建立好的或者是已经存在的深度学习模型，例如可以为一个未确定参数的函数表达式。首先可以根据满足第一参数的第一类图像和第二类图像对深度学习模型进行训练，以初步确定函数表达式；接下来，可以根据满足第二参数的第一类图像和第二类图像初步优化的深度学习模型进行训练，得到再次优化后的预设模型；进一步地，可以根据满足第二参数以及满足第三参数的第一类图像和第二类图像对再次优化后的预设模型进行训练，得到用于识别图像的识别模型。在对再次优化后的预设模型进行训练时，需要满足第一类图像和第二类图像能够正确分类的要求。通过对深度学习模型多层训练的方式，可以使得到的识别模型性能更好，从而使得识别结果更准确。
需要注意的是，在训练深度学习模型得到识别模型时，第一类图像来源于待采集人员，且待采集人员的性别不限，同时待采集人员中可以包括儿童、少年、青年、中年、老年等各个年龄段人群。通过设置均衡的性别比例与年龄比例，以保证在后续过程中通过特征提取器得到的图像特征与年龄性别无关。
除此之外，为了保证图像识别的准确性，要求待采集人员的面部表情以及头部姿态在采集近红外图像和采集可见光图像时保持一致，并且控制可见光照相机与近红外照相机排放在同一位置且同时拍摄。进而可以将在同一位置同时拍摄的可见光图像和近红外图像作为一组图像对。进一步地，可以将待采集人员的头部姿态、面部表情、以及待采集人员距离采集设备的距离在一定程度范围内进行调整，即可获得多个图像对。通过这样的方式获得多个图像对，可以提高人脸识别的准确率和鲁棒性。
需要说明的是，识别模型包括第一特征提取器、第二特征提取器以及特征对比器。其中，第一特征提取器用于提取第一类图像的特征，第二特征提取器用于提取第二类图像的特征，特征对比器用于对得到的第一图像特征和第二图像特征进行对比。为了得到性能较好的识别模型，本示例中以第一分类器和第二分类器来约束建立识别模型的过程。第一分类器和第二分类器为根据已有数据构造出的分类函数或者是分类模型，其可以将数据库中的数据映射到给定类别中的某一个。具体而言，分类器可以包括决策树、逻辑回归、朴素贝叶斯、卷积神经网络等算法。整个训练过程中的训练损失由：第一分类器、第二分类器和特征对比器三部分构成，并且三者占总体损失的比例为p1:p2:p3,p1+p2+p3＝1。
除此之外，在确定识别模型的过程中，可以通过第一图像特征和第二图像特征计算图像性能指标，以通过图像性能指标衡量识别模型性能的优劣，从而得到性能更好的识别模型。具体而言，图像性能指标可以为特征对比器的输出，如果在识别模型建立过程中计算出多个最优模型，则可以根据图像性能指标确定一个最终的识别模型。图像性能指标越大，表示识别模型性能越好，因此得到的识别结果能够更准确。图像性能指标计算公式为：
其中，l为图像性能指标，
基于此，步骤s120中提取所述第一类图像的第一图像特征可以包括：将所述第一类图像输入第一特征提取器，得到初始图像特征；将所述初始图像特征输入特征转换器，得到所述第一图像特征。
需要说明的是，可以将训练好的识别模型的最后一层全连接层去掉，然后将剩下的部分看做第一特征提取器和第二特征提取器。对于输入的第一类图像，首先得到的是例如图像中物体的轮廓特征、颜色特征、纹理特征等等。为了更准确地进行图像识别，可以通过第一特征提取器对这些特征进行提取，得到初始图像特征。第一特征提取器可以理解为第一特征提取模型，该模型通过卷积神经网络产生预设维数的特征向量，例如128维的特征向量，用以代表第一类图像。
类似地，可以通过将第二类图像输入第二特征提取器，提取第二类图像对应的第二图像特征。需要说明的是，对于同一对象而言，其第一图像特征和第二图像特征相同，对于不同对象而言，其第一图像特征与第二图像特征不同。
进一步地，可以将获取的第一图像特征以及第二图像特征输入训练好的识别模型中，以准确获取近红外图像特征
在步骤s140中，根据所述特征距离与预设阈值，确定识别结果。
本示例中，预设阈值可以用dthresh表示，确定预设阈值的过程具体包括：根据所述特征距离获取受试者工作特征曲线；根据所述受试者工作特征曲线确定所述预设阈值。
具体包括：从数据集中取出ntest个图像对(ni,vj)+作为测试集，这ntest个图像对都是不同对象。首先分别计算这ntest个图像对中可见光图像特征和近红外图像特征，以得到ntest对特征
进一步，分别确定横轴fpr(falsepositiverate，假阳性概率)对应的tpr(turepositiverate，真阳性概率)的数值，从而根据这些数值确定受试者工作特征曲线即roc曲线。例如可以分别确定fpr＝0.1、0.01、0.001、0.0001、0.00001条件下的tpr以及对应特征距离，进而根据具体应用场景依据roc曲线确定预设阈值。
具体地，根据所述特征距离与预设阈值，确定识别结果可以包括：如果所述特征距离的最小值不大于所述预设阈值，则确定识别成功；如果所述特征距离的最小值大于所述预设阈值，则确定识别失败。
图像特征记为f，用
综上所述，本示例性实施例中提供的方法，能够分别提取具有更高区分性能的近红外图像特征向量和可见光图像特征向量，并通过机器学习得到人脸特征由近红外特征空间到可见光特征空间的映射关系，从而实现了近红外图像与可见光图像之间的相互比对，提升了异质人脸识别准确率。
图2示出了第一图像特征的提取过程。具体包括：将近红外图像201输入第一特征提取器202，得到初始图像特征203；进一步将得到的初始图像特征203通过特征转化器204进行转换，得到第一图像特征205。
图3示出了第二图像特征的提取过程。具体包括：将可见光图像301输入第二特征提取器302，从而直接得到第二图像特征303。
图4示出了图像识别的流程图，具体包括：
将近红外图像401输入第一特征提取器402，得到初始图像特征403；进一步将得到的初始图像特征403通过特征转化器404进行转换，得到第一图像特征405；在得到初始图像特征403后，还可以通过第一分类器406对训练过程进行约束。
将可见光图像411输入第二特征提取器412，直接得到第二图像特征413。在得到第二图像特征413时，可以通过第二分类器414对训练过程进行约束。
接下来，可以将第一图像特征405和第二图像特征413输入特征对比器420，以通过特征对比器得到识别结果。如果第一图像特征与第二图像特征匹配，则可以认为第一类图像和第二类图像对应同一个待检测对象，可以认定识别成功。
本公开还提供了一种图像识别装置。参考图5所示，该图像识别装置500可以包括：
图像获取模块501，可以用于通过第一采集设备获取第一类图像，所述第一采集设备包括近红外照相机；
特征提取模块502，可以用于提取所述第一类图像的第一图像特征；
距离计算模块503，可以用于将所述第一图像特征与数据库中第二类图像的第二图像特征进行特征比较，获取特征距离；
结果确定模块504，可以用于根据所述特征距离与预设阈值，确定识别结果。
需要说明的是，上述图像识别装置中各模块的具体细节已经在对应的图像识别方法中进行了详细描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600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6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤：在步骤s110中，通过第一采集设备获取第一类图像，所述第一采集设备包括近红外照相机；在步骤s120中，提取所述第一类图像的第一图像特征；在步骤s130中，将所述第一图像特征与数据库中第二类图像的第二图像特征进行特征比较，获取特征距离；在步骤s140中，根据所述特征距离与预设阈值，确定识别结果。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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650进行。并且，电子设备600还可以通过网络适配器660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660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600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。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。
计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。