作业人员着装分析方法、装置及电子设备与流程

本发明涉及图像识别技术领域，尤其是涉及一种作业人员着装分析方法、装置及电子设备。

背景技术

随着视频监控系统网络化、智能化的迅速发展，智能视频监控系统已成为保障公共安全，实现实时监控分析的重要途径。智能监控以图像序列作为输入，主要功能包括目标检测、识别和跟踪等过程，实现对目标对象的行为分析，并根据需要进行安全警报。

目前，基于视频系统的对人体的识别和行为分析已经得到了较好的实现和应用，而在变电站内对作业人员的着装分析，一方面因其对于复杂环境和噪声的敏感性以及较高的计算成本，在实际应用中还未完全得到开发；另一方面，变电作业环境下经常出现遮挡、光照不均、大小和视角变化等影响分析检测的情况，大大降低了着装分析的识别准确率。

综上可知，现有的作业人员着装分析方法还需要进一步的改进，识别准确率需要进一步提高。

技术实现要素：

有鉴于此，本发明的目的在于提供一种作业人员着装分析方法、装置及电子设备，以提高着装分析的识别准确率，增强在复杂环境中的鲁棒性。

第一方面，本发明实施例提供了一种作业人员着装分析方法，包括：

获取rgb颜色空间的人体图像，所述人体图像为待分析监控视频帧中经背景减除后的图像；将所述人体图像按照预先确定的结构比例分成多个单元格；根据每个所述单元格中各个像素点的像素值生成所述单元格的梯度直方图；根据每个所述单元格中各个像素点在所述rgb颜色空间的颜色值生成所述单元格的颜色直方图；根据各个所述单元格的梯度直方图和颜色直方图、以及预先训练的分类器，确定所述人体图像对应的着装分析结果；其中，所述分类器是基于训练样本的梯度直方图和颜色直方图训练得到的。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述将所述人体图像按照预先确定的结构比例分成多个单元格，包括：

将所述人体图像按照预先确定的结构比例分成分别对应头盔、上衣和下衣的三个单元格。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述根据每个所述单元格中各个像素点的像素值生成所述单元格的梯度直方图，包括：

根据每个所述单元格中各个像素点的像素值，计算得到每个所述像素点的梯度幅值和梯度方向；根据每个所述单元格中各个像素点的梯度方向将对应的梯度幅值映射到多个预设的对应不同梯度方向范围的第一通道，生成所述单元格的梯度直方图。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述根据每个所述单元格中各个像素点在所述rgb颜色空间的颜色值生成所述单元格的颜色直方图，包括：

将每个所述单元格中每个像素点在所述rgb颜色空间的颜色值变换到hsv颜色空间中，得到所述单元格中每个像素点的色调值和饱和度值；将每个所述单元格中各个像素点的色调值和饱和度值映射到多个预设的对应不同色调范围和饱和度范围的第二通道，生成所述单元格的颜色直方图。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述根据各个所述单元格的梯度直方图和颜色直方图、以及预先训练的分类器，确定所述人体图像对应的着装分析结果，包括：

将各个所述单元格的梯度直方图和颜色直方图按照设定顺序串联起来，得到所述人体图像的目标特征向量；将所述目标特征向量输入预先训练的分类器中，得到所述分类器输出的所述人体图像对应的着装分析结果。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述方法还包括通过以下过程训练所述分类器：

获取训练样本，所述训练样本包括多个正确着装样本和多个非正确着装样本；生成所述训练样本的梯度直方图和颜色直方图；根据所述训练样本的梯度直方图和颜色直方图确定所述训练样本的训练特征向量；采用所述训练特征向量对二分类模型进行训练，以得到所述分类器。

第二方面，本发明实施例还提供一种作业人员着装分析装置，包括：

图像获取模块，用于获取rgb颜色空间的人体图像，所述人体图像为待分析监控视频帧中经背景减除后的图像；图像分解模块，用于将所述人体图像按照预先确定的结构比例分成多个单元格；第一生成模块，用于根据每个所述单元格中各个像素点的像素值生成所述单元格的梯度直方图；第二生成模块，用于根据每个所述单元格中各个像素点在所述rgb颜色空间的颜色值生成所述单元格的颜色直方图；结果确定模块，用于根据各个所述单元格的梯度直方图和颜色直方图、以及预先训练的分类器，确定所述人体图像对应的着装分析结果；其中，所述分类器是基于训练样本的梯度直方图和颜色直方图训练得到的。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述图像分解模块具体用于：

将所述人体图像按照预先确定的结构比例分成分别对应头盔、上衣和下衣的三个单元格。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述装置还包括训练模块，用于通过以下过程训练所述分类器：

获取训练样本，所述训练样本包括多个正确着装样本和多个非正确着装样本；生成所述训练样本的梯度直方图和颜色直方图；根据所述训练样本的梯度直方图和颜色直方图确定所述训练样本的训练特征向量；采用所述训练特征向量对二分类模型进行训练，以得到所述分类器。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面或其任一种可能的实施方式所述的方法。

本发明实施例带来了以下有益效果：

本发明实施例中，获取rgb颜色空间的人体图像，该人体图像为待分析监控视频帧中经背景减除后的图像；将该人体图像按照预先确定的结构比例分成多个单元格；根据每个单元格中各个像素点的像素值生成该单元格的梯度直方图；根据每个单元格中各个像素点在rgb颜色空间的颜色值生成该单元格的颜色直方图；根据各个单元格的梯度直方图和颜色直方图、以及预先训练的分类器，确定该人体图像对应的着装分析结果；其中，该分类器是基于训练样本的梯度直方图和颜色直方图训练得到的。这样根据真实人体和服装结构的差异将人体图像分解成多个单元格，再基于服装的颜色和形状分别对每个单元格进行局部特征提取，大大降低了计算复杂度，提高了着装分析的识别准确率，增强了在复杂环境中的鲁棒性。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

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具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种作业人员着装分析方法的流程示意图；

图2为本发明实施例提供的一种训练分类器的流程示意图；

图3为本发明实施例提供的一种作业人员着装分析装置的结构示意图；

图4为本发明实施例提供的一种电子设备的结构示意图。

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，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

目前现有的作业人员着装分析方法还需要进一步的改进，识别准确率需要进一步提高。基于此，本发明实施例提供的一种基于s-hog+c算子的作业人员着装分析方法、装置及电子设备，可以提高着装分析的识别准确率，增强在复杂环境中的鲁棒性。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种作业人员着装分析方法进行详细介绍。

实施例一：

图1为本发明实施例提供的一种作业人员着装分析方法的流程示意图，该方法采用s-hog+c算子，其中s(structure)代表进行人体图像结构划分，hog(histogramoforientedgradients)表示梯度方向直方图(可简称为梯度直方图)，hoc(histogramofcolor)表示颜色直方图。如图1所示，该方法包括以下几个步骤：

步骤s101，获取rgb颜色空间的人体图像，该人体图像为待分析监控视频帧中经背景减除后的图像。

上述人体图像可以是监控视频的视频序列中随机抽取的视频帧经过背景减除后的图像，其中，在视频帧中进行背景减除的过程可以参照相关现有技术，这里对其不做限定。

步骤s102，将上述人体图像按照预先确定的结构比例分成多个单元格。

上述结构比例指人体和服装的结构比例，该结构比例可以根据实际情况设置。

考虑到作业人员(如变电作业人员)的头盔、上衣和下衣三个部分的形状特征明显不同，且各部分之间差异较大，在一些可能的实施例中，步骤s102的具体过程如下：将上述人体图像按照预先确定的结构比例分成分别对应头盔、上衣和下衣的三个单元格，分别记为(c1，c2，c3)。

具体地，预先确定的人体和服装的结构比例可以为1:4:4，将人体图像分成头盔单元格、上衣单元格和下衣单元格。

步骤s103，根据每个单元格中各个像素点的像素值生成该单元格的梯度直方图。

在一些可能的实施例中，上述步骤s103具体为：根据每个单元格中各个像素点的像素值，计算得到每个像素点的梯度幅值和梯度方向；根据每个单元格中各个像素点的梯度方向将对应的梯度幅值映射到多个预设的对应不同梯度方向范围的第一通道，生成单元格的梯度直方图。

可选地，上述多个第一通道可以为将0°到180°的梯度方向范围平分的9个通道，每个通道跨度为20°。

步骤s104，根据每个单元格中各个像素点在rgb颜色空间的颜色值生成该单元格的颜色直方图。

在一些可能的实施例中，上述步骤s104具体为：将每个单元格中每个像素点在rgb颜色空间的颜色值变换到hsv(hue，saturation，value)颜色空间中，得到该单元格中每个像素点的色调值和饱和度值；将每个单元格中各个像素点的色调值和饱和度值(色调和饱和度的组合)映射到多个预设的对应不同色调范围和饱和度范围的第二通道，生成该单元格的颜色直方图。

可选地，将色调范围(0°到360°)和饱和度范围(0％～100％)分别均匀划分为5个通道，两两组合共有5×5＝25种通道组合，即多个第二通道为对应25种组合的25个通道。

需要说明的是，上述步骤s103和s104之间无先后执行顺序。

步骤s105，根据各个单元格的梯度直方图和颜色直方图、以及预先训练的分类器，确定上述人体图像对应的着装分析结果。

其中，上述分类器是基于训练样本的梯度直方图和颜色直方图训练得到的。

具体地，将各个单元格的梯度直方图和颜色直方图按照设定顺序串联起来，得到上述人体图像的目标特征向量；将该目标特征向量输入预先训练的分类器中，得到该分类器输出的该人体图像对应的着装分析结果。

以单元格ci(i＝1，2，3)、将梯度幅值映射到9个通道为例，生成单元格ci的梯度直方图的过程可以为：

(g1)计算各单元格即ci(i＝1，2，3)中每个像素点的梯度幅值和梯度方向θ。例如：

(g1-1)将一个一维中心的离散点的梯度模板分别应用在水平和垂直方向上，可以采用下式(1)卷积核分别对遍历到的当前像素点对应的水平矩阵和竖直矩阵进行卷积，从而得到当前像素点的水平分量vx和竖直分量vy；其中，水平矩阵由当前像素点水平方向上的两个相邻像素点的像素值和当前像素点的像素值构成，竖直矩阵由当前像素点垂直方向上的两个相邻像素点的像素值和当前像素点的像素值构成。

[-1,0,1]和[-1,0,1]^t(1)

(g1-2)遍历整个图像窗口(单元格的各个像素点)，计算像素点p的梯度幅值和梯度方向θ(p)如下式(2)和式(3)所示：

其中，θ(p)是值域为0°到180°的无符号实数。

(g2)根据各个像素点的梯度方向将对应的梯度幅值映射到9个通道后，生成归一化后的s-hog直方图hogi(i＝1，2，3)。

具体地，将各单元格ci(i＝1，2，3)划分为像素点更少的多个等面积单元块(该单元块可以为矩形)，对单元块中每个像素点根据其梯度方向将其幅值累加在对应的通道上，进而对每个单元块构造出一个含9个bin的直方图；将多个(如2*2个)单元块构成更大的区间块，得到区间块的直方图，并对区间块的直方图进行独立的特征向量归一化，得到归一化后的直方图；最后按照设定顺序(可以人工设置)串联所有区间块归一化后的直方图得到s-hog直方图，即梯度直方图hogi(i＝1，2，3)。

上述单元块的大小可以根据实际需求设置，且不同单元格对应的单元块可以设置成面积相同，也可以设置成面积不同。例如可以将各单元格ci(i＝1，2，3)对应的单元块面积均设置为10*10，也可以将c1对应的单元块面积设置为10*10，c2、c3对应的单元块面积设置为20*20。

以单元格ci(i＝1，2，3)、将色调和饱和度的组合映射到25个通道为例，生成单元格ci的颜色直方图的过程可以为：

(c1)将ci变换到hsv颜色空间hsi中，逐一将hsi中的像素点分别根据色调值和饱和度值均匀分到5个通道中，得到每个像素点的色调和饱和度的组合。

(c2)将hsi中各个像素点的色调和饱和度的组合映射到25个通道后，生成归一化后的s-hoc直方图hoci(i＝1，2，3)。

具体可以按照生成归一化s-hog直方图的方法，生成归一化后的s-hoc直方图，这里不再赘述。

基于上述示例，确定上述人体图像对应的着装分析结果的过程可以为：

将得到的六个直方图串联起来得到最后的特征向量s-hog+c(目标特征向量)，具体地，特征向量s-hog+c＝[hog1，hog2，hog3，hoc1，hoc2，hoc3]，其中hogi(i＝1，2，3)为第i个单元格的梯度直方图，hoci(i＝1，2，3)为第i个单元格的颜色直方图，共有头盔、上衣和下衣三个单元格。然后基于该s-hog+c特征向量使用预先训练的分类器来判别上述人体图像对应的作业人员着装是否满足着装要求，得到着装分析结果。

综上，本发明实施例中，获取rgb颜色空间的人体图像，该人体图像为待分析监控视频帧中经背景减除后的图像；将该人体图像按照预先确定的结构比例分成多个单元格；根据每个单元格中各个像素点的像素值生成该单元格的梯度直方图；根据每个单元格中各个像素点在rgb颜色空间的颜色值生成该单元格的颜色直方图；根据各个单元格的梯度直方图和颜色直方图、以及预先训练的分类器，确定该人体图像对应的着装分析结果；其中，该分类器是基于训练样本的梯度直方图和颜色直方图训练得到的。这样根据真实人体和服装结构的差异将人体图像分解成多个单元格，再基于服装的颜色和形状对每个单元格进行局部特征提取，大大降低了计算复杂度，提高了着装分析的识别准确率，增强了在复杂环境中的鲁棒性。

图2为本发明实施例提供的一种训练分类器的流程示意图，如图2所示，通过以下过程训练分类器：

步骤s201，获取训练样本，该训练样本包括多个正确着装样本和多个非正确着装样本。

为了使分类器具有较好地分类效果，需要采用足够多的正确着装样本(正类)和非正确着装样本(负类)去训练分类器。

步骤s202，生成上述训练样本的梯度直方图和颜色直方图。

参照上述图1中生成梯度直方图和颜色直方图的过程，分别生成每个训练样本的梯度直方图和颜色直方图。

步骤s203，根据上述训练样本的梯度直方图和颜色直方图确定该训练样本的训练特征向量。

参照上述图1中得到目标特征向量的过程，确定训练样本的训练特征向量。

步骤s204，采用上述训练特征向量对二分类模型进行训练，以得到分类器。

二分类模型可以但不限于支持向量机(svm，supportvectormachines)。

为了验证本实施例提供的作业人员着装分析方法的效果，以某变电站中的作业人员为例进行了实验测试。该测试中将穿戴黄色安全帽、蓝色工作上衣和蓝色工作下衣定义为正确着装样本，即为正类，将佩戴其他颜色安全帽或者没有佩戴安全帽、上衣或者下衣不是蓝色工作服的定义为非正确着装，即为负类。所有样本数据均选择在遮挡较少的场景下拍摄提取，并选用线性支持向量机来训练分类器。

为了说明本实施例提供的作业人员着装分析方法对其他正类和负类样本的识别效果，使用精确度(acc)、真阳性率(tpr)和假阳性率(fpr)三个指标来统计并评价着装分析的识别准确率，这三个指标的定义式如下：

其中，p和n分别表示样本中正类和负类的样本个数，tp表示预测结果和标签都为正类的数量，tn表示预测结果和标签都为负类的数量，fp表示预测为正类标签为负类的样本数量。

采用上述三个指标评价本次实验中分类器识别效果的结果如表1所示：

表1作业人员着装分析实验准确率(％)

表1中，正向训练条件表示对作业人员的正向着装图像进行识别分析的情况，侧向训练条件表示对作业人员的侧向着装图像进行识别分析的情况，正侧向混合训练条件表示对作业人员正向和侧向着装图像进行识别分析的情况。从表1可以看出，在正向无遮挡的情况下，实验的精准度甚至可以达到98.33％；同时在三种不同训练条件下的fpr都为0，这表明了本实施例所提方法在最小化误差中的突出表现。表1证明了本实施例所提出的方法的有效性，及其对工作人员朝向变化的稳定性。

实施例二：

图3为本发明实施例提供的一种作业人员着装分析装置的结构示意图，如图3所示，该装置包括：

图像获取模块31，用于获取rgb颜色空间的人体图像，该人体图像为待分析监控视频帧中经背景减除后的图像；

图像分解模块32，用于将上述人体图像按照预先确定的结构比例分成多个单元格；

第一生成模块33，用于根据每个单元格中各个像素点的像素值生成该单元格的梯度直方图；

第二生成模块34，用于根据每个单元格中各个像素点在rgb颜色空间的颜色值生成该单元格的颜色直方图；

结果确定模块35，用于根据各个单元格的梯度直方图和颜色直方图、以及预先训练的分类器，确定上述人体图像对应的着装分析结果；其中，该分类器是基于训练样本的梯度直方图和颜色直方图训练得到的。

可选地，上述图像分解模块32具体用于：

将上述人体图像按照预先确定的结构比例分成分别对应头盔、上衣和下衣的三个单元格。

可选地，上述第一生成模块33具体用于：

根据每个单元格中各个像素点的像素值，计算得到每个像素点的梯度幅值和梯度方向；根据每个单元格中各个像素点的梯度方向将对应的梯度幅值映射到多个预设的对应不同梯度方向范围的第一通道，生成该单元格的梯度直方图。

可选地，上述第二生成模块34具体用于：

将每个单元格中每个像素点在rgb颜色空间的颜色值变换到hsv颜色空间中，得到该单元格中每个像素点的色调值和饱和度值；将每个单元格中各个像素点的色调值和饱和度值映射到多个预设的对应不同色调范围和饱和度范围的第二通道，生成该单元格的颜色直方图。

可选地，结果确定模块35具体用于：

将各个单元格的梯度直方图和颜色直方图按照设定顺序串联起来，得到上述人体图像的目标特征向量；将该目标特征向量输入预先训练的分类器中，得到该分类器输出的该人体图像对应的着装分析结果。

上述装置还包括训练模块，用于通过以下过程训练上述分类器：

获取训练样本，该训练样本包括多个正确着装样本和多个非正确着装样本；生成该训练样本的梯度直方图和颜色直方图；根据该训练样本的梯度直方图和颜色直方图确定该训练样本的训练特征向量；采用该训练特征向量对二分类模型进行训练，以得到上述分类器。

本发明实施例中，获取rgb颜色空间的人体图像，该人体图像为待分析监控视频帧中经背景减除后的图像；将该人体图像按照预先确定的结构比例分成多个单元格；根据每个单元格中各个像素点的像素值生成该单元格的梯度直方图；根据每个单元格中各个像素点在rgb颜色空间的颜色值生成该单元格的颜色直方图；根据各个单元格的梯度直方图和颜色直方图、以及预先训练的分类器，确定该人体图像对应的着装分析结果；其中，该分类器是基于训练样本的梯度直方图和颜色直方图训练得到的。这样根据真实人体和服装结构的差异将人体图像分解成多个单元格，再基于服装的颜色和形状对每个单元格进行局部特征提取，大大降低了计算复杂度，提高了着装分析的识别准确率，增强了在复杂环境中的鲁棒性。

实施例三：

参见图4，本发明实施例还提供一种电子设备100，包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例提供的作业人员着装分析装置及电子设备，与上述实施例提供的作业人员着装分析方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

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，上述描述的装置及电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

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。

本发明实施例所提供的进行作业人员着装分析方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

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，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。

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，可以存储在一个处理器可执行的非易失的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。

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所述以权利要求的保护范围为准。