一种车辆事故评估方法、计算机可读存储介质及服务器与流程
本发明属于计算机技术领域，尤其涉及一种车辆事故评估方法、计算机可读存储介质及服务器。
背景技术：
现有技术中，现在如果在路上发生车辆事故，需要报警然后等待交警到位进行事故评估，交警部门出警工作量大，耗时较长，容易导致交通拥堵，甚至瘫痪，在一些发生车辆事故后产生拥堵的情况下，交警甚至也很难进入到现场，且由于距离和道路等的复杂情况，交警不能及时赶到现场，无法及时处理，导致工作效率低，进一步加剧了交通瘫痪。
技术实现要素：
有鉴于此，本发明实施例提供了一种车辆事故评估方法、计算机可读存储介质及服务器，以解决通过交警部门出警现场进行车辆事故评估极易导致交通瘫痪的问题。
本发明实施例的第一方面提供了一种车辆事故评估方法，可以包括：
接收车辆事故评估请求，并从所述车辆事故评估请求中提取事故现场位置坐标以及车牌号码；
从预设的无人机集合中选取到达所述事故现场位置坐标耗时最短的无人机作为查勘无人机；
向所述查勘无人机下发携带所述事故现场位置坐标的飞行指令；
在接收到所述查勘无人机发送的飞行完成消息后，通过所述查勘无人机的摄像装置在所述事故现场位置坐标处采集各个车辆的车牌图像；
将所述车牌图像中的车牌号码分别与所述车辆事故评估请求中的车牌号码进行比对，并将车牌号码比对成功的车辆确定为事故车辆；
通过所述查勘无人机的摄像装置采集所述事故车辆的图像，并根据所述事故车辆的图像进行事故评估。
本发明实施例的第二方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：
接收车辆事故评估请求，并从所述车辆事故评估请求中提取事故现场位置坐标以及车牌号码；
从预设的无人机集合中选取到达所述事故现场位置坐标耗时最短的无人机作为查勘无人机；
向所述查勘无人机下发携带所述事故现场位置坐标的飞行指令；
在接收到所述查勘无人机发送的飞行完成消息后，通过所述查勘无人机的摄像装置在所述事故现场位置坐标处采集各个车辆的车牌图像；
将所述车牌图像中的车牌号码分别与所述车辆事故评估请求中的车牌号码进行比对，并将车牌号码比对成功的车辆确定为事故车辆；
通过所述查勘无人机的摄像装置采集所述事故车辆的图像，并根据所述事故车辆的图像进行事故评估。
本发明实施例的第三方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
接收车辆事故评估请求，并从所述车辆事故评估请求中提取事故现场位置坐标以及车牌号码；
从预设的无人机集合中选取到达所述事故现场位置坐标耗时最短的无人机作为查勘无人机；
向所述查勘无人机下发携带所述事故现场位置坐标的飞行指令；
在接收到所述查勘无人机发送的飞行完成消息后，通过所述查勘无人机的摄像装置在所述事故现场位置坐标处采集各个车辆的车牌图像；
将所述车牌图像中的车牌号码分别与所述车辆事故评估请求中的车牌号码进行比对，并将车牌号码比对成功的车辆确定为事故车辆；
通过所述查勘无人机的摄像装置采集所述事故车辆的图像，并根据所述事故车辆的图像进行事故评估。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例在接收到车辆事故评估请求后，自动选取到达事故现场位置坐标耗时最短的无人机前往事故现场，在无人机抵达事故现场后，通过无人机的摄像装置采集各个车辆的车牌图像，再通过号码比对确定出事故车辆，最后通过无人机的摄像装置采集事故车辆的图像，并据此进行事故评估。通过本发明实施例，在无需交警部门出警的情况下，通过无人机在事故现场采集信息并进行车辆事故评估，大大提高了车辆事故评估的效率，在尽可能短的时间内即可完成评估，避免了因长时间进行车辆事故评估可能导致的交通拥堵及交通瘫痪。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种车辆事故评估方法的一个实施例流程图；
图2为从无人机集合中选取到达事故现场位置坐标耗时最短的无人机的示意流程图；
图3为对车牌图像进行图像增强处理的示意流程图；
图4为根据事故车辆的图像进行事故评估的示意流程图；
图5为本发明实施例中一种车辆事故评估装置的一个实施例结构图；
图6为本发明实施例中一种服务器的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中一种车辆事故评估方法的一个实施例可以包括：
步骤s101、接收车辆事故评估请求，并从所述车辆事故评估请求中提取事故现场位置坐标以及车牌号码。
在发生车辆事故后，车主可以通过手机、平板电脑等终端设备上安装的指定的应用程序(app)向服务器发送车辆事故评估请求。在该车辆事故评估请求中携带通过移动终端的gps模块所获取的事故现场位置坐标，以及事故车辆的车牌号码。服务器在接收到该车辆事故评估请求后，即可从中提取事故现场位置坐标以及车牌号码。
步骤s102、从预设的无人机集合中选取到达所述事故现场位置坐标耗时最短的无人机作为查勘无人机。
如图2所示，步骤s102具体可以包括如下过程：
步骤s1021、向所述无人机集合中的各个无人机分别下发位置坐标查询指令，获得各个无人机的当前位置坐标。
所述无人机集合中包括接受服务器调度进行车辆事故评估的所有无人机。无人机在接收到服务器下发的位置坐标查询指令后，通过无人机自身的gps模块获取当前位置坐标，并将该当前位置坐标反馈至服务器。
步骤s1022、分别查询各个无人机待执行的任务列表。
服务器在调度无人机进行车辆事故评估的过程中，会为每个无人机分别创建待执行的任务列表，当服务器为某无人机安排了新的任务时，会将该任务添加入该无人机待执行的任务列表中，而当该无人机完成了其中某一任务后，服务器会将该任务从该无人机待执行的任务列表中移除。任务列表中的每一个任务中均包含该任务的位置坐标。
步骤s1023、分别计算各个无人机到达所述事故现场位置坐标的耗时。
例如，可以根据下式分别计算各个无人机到达所述事故现场位置坐标的耗时：
其中，dn为无人机的序号，0≤dn≤dn，dn为所述无人机集合中的无人机总数，kndn为第dn个无人机待执行的任务列表中的任务总数，kn为无人机待执行的任务的序号，0≤kn≤kndn，(xdn,kn,ydn,kn)为第dn个无人机待执行的第kn个任务的位置坐标，特殊地，(xdn,0,ydn,0)为第dn个无人机的当前位置坐标，
步骤s1024、选取所述查勘无人机。
例如，可以根据下式选取所述查勘无人机：
targetdrone＝argmin(totaltime1,totaltime2,totaltime3,...,totaltimedn,...,totaltimedn)其中，argmin为最小自变量函数，targetdrone为所述查勘无人机的序号。
步骤s103、向所述查勘无人机下发携带所述事故现场位置坐标的飞行指令。
服务器在选取出所述查勘无人机之后，向所述查勘无人机下发携带所述事故现场位置坐标的飞行指令，并新增一个任务添加入所述查勘无人机待执行的任务列表中，所述查勘无人机在完成了该新增任务之前的各个任务之后，即可飞行至所述事故现场位置坐标。
步骤s104、在接收到所述查勘无人机发送的飞行完成消息后，通过所述查勘无人机的摄像装置在所述事故现场位置坐标处采集各个车辆的车牌图像。
所述查勘无人机在抵达所述事故现场位置坐标后，向服务器发送飞行完成消息，服务器即可控制所述查勘无人机对事故现场进行查勘。
由于发送车辆事故评估请求的终端设备的gps定位可能存在一定的误差，当查勘无人机到达事故现场后，服务器可以通过所述查勘无人机的摄像装置对指定范围内的车辆逐一采集其车牌图像，所述指定范围可以是以所述事故现场位置坐标为圆心，以预设的定位误差为半径的圆心区域，该定位误差可以根据实际情况进行设置，例如，可以将其设置为10米、15米、20米或者其它取值。
步骤s105、将所述车牌图像中的车牌号码分别与所述车辆事故评估请求中的车牌号码进行比对，并将车牌号码比对成功的车辆确定为事故车辆。
在本实施例中，可以通过光学字符识别(opticalcharacterrecognition，ocr)技术提取所述车牌图像中的车牌号码，并分别与所述车辆事故评估请求中的车牌号码进行比对，车牌号码比对成功的车辆即为事故车辆。
优选地，在进行光学字符识别以及车牌号码比对之前，还可以通过如图3所示的过程对所述车牌图像进行图像增强处理：
步骤s301、计算所述车牌图像灰度分布的概率密度。
例如，可以根据下式计算所述车牌图像灰度分布的概率密度：
其中，p(k)为第k级灰度分布的概率密度，0≤k≤l-1，l为灰度等级的级数，其取值可以根据实际情况进行设置，例如，可以将其设置为256、512、1024或者其它取值，nk为所述车辆图像中第k级灰度的像素个数，n为所述车辆图像中的像素总数。
步骤s302、计算所述车牌图像扩展的灰度分布的概率密度。
例如，可以根据下式计算所述车牌图像扩展的灰度分布的概率密度：
其中，q为灰度扩展因子，且0<q<1，其取值可以根据实际情况进行设置，例如，可以将其设置为0.2、0.3、0.5或者其它取值，pmax为所述车牌图像灰度分布的概率密度的最大值，即pmax＝max(p(1)，p(2)，...，p(k)，...，p(l))，max为求最大值函数，pq(k)为所述车辆图像中第k级灰度扩展后的概率密度。
步骤s303、对所述车辆图像进行图像增强。
例如，与根据下式对所述车辆图像进行图像增强：
其中，floor为向下取值函数，f(k)为所述车辆图像中第k级灰度在图像增强后的灰度值。
通过图3所示的过程，所述车辆图像得到了进一步地增强，可以大大提高后续的光学字符识别的准确率。
步骤s106、通过所述查勘无人机的摄像装置采集所述事故车辆的图像，并根据所述事故车辆的图像进行事故评估。
本实施例中，需要通过事故评估确定所述事故车辆的事故类型，其中，事故类型包括但不限于：追尾、刮擦、并线碰撞、拐弯碰撞等事故类型。
不同的事故类型具有不同的特征，例如，对于追尾事故，事故车辆的受损部位为事故车辆的前端和后端；对于并线碰撞和刮擦事故，事故车辆的受损部位为事故车辆的两侧；对于拐弯碰撞事故，事故车辆的受损部位为事故车辆的一侧和前端，因此，可以通过车辆损毁位置确定事故类型。
另外，事故车辆的相对位置也是判断事故类型的有力证据，例如，如果事故车辆首位相接，说明事故类型为追尾；如果事故车辆并列且距离很近，说明事故类型为刮擦或并线碰撞；如果事故车辆车头与车一侧相接，说明事故类型为拐弯碰撞。
在本实施例中，综合考虑这些因素，通过如图4所示的过程进行事故评估：
步骤s1061、从所述事故车辆的图像中提取各个评估参数，并构造为评估向量。
所述评估参数包括但不限于事故中两车的受损部位以及相对位置信息，相对位置信息包括但不限于：两车中轴线的夹角、两车车头朝向、两车中心位置距离等等。
在从所述事故车辆的图像中提取出各个评估参数之后，可以构造如下所示的评估向量：
incvec＝(incinf1,incinf2,incinf3,...,incinfm,...,incinfm)
其中，m为评估参数的序号，1≤m≤m，m为评估参数的总数，incinfm为第m个评估参数的取值，incvec为所述评估向量。
步骤s1062、从预设的事故样本集合中提取各种事故类型的样本向量。
其中的任一样本向量如下所示：
spvectn,sn＝(spinftn,sn,1,spinftn,sn,2,spinftn,sn,3,...,spinftn,sn,m,...,spinftn,sn,m)
其中，tn为事故类型的序号，1≤tn≤tn，tn为事故类型的总数，sn为样本向量的序号，1≤sn≤sntn，sntn为第tn种事故类型的样本向量总数，spinftn,sn,m为第tn种事故类型的第sn个样本向量的第m个评估参数的取值，spvectn,sn为第tn种事故类型的第sn个样本向量。
优选地，所述事故样本集合的设置过程可以包括如下步骤：
首先，从预设的历史事故数据库中抽取评估结果为第tn种事故类型的各组事故车辆的图像，从各组事故车辆的图像中提取各个评估参数，并分别构造为如下所示的评估向量：
hsincvectn,hn＝(hsincinftn,hn,1,hsincinftn,hn,2,hsincinftn,hn,3,...,hsincinftn,hn,m,...,hsincinftn,hn,m)
其中，hn为事故车辆的序号，1≤hn≤hntn，hntn为评估结果为第tn种事故类型的事故车辆的总数，hsincinftn,hn,m为评估结果为第tn种事故类型的第hn组事故车辆的第m个评估参数的取值，hsincvectn,hn为评估结果为第tn种事故类型的第hn组事故车辆的评估向量。
然后，根据下式计算评估结果为第tn种事故类型的各组事故车辆的评估向量的优先指数：
其中，abs为绝对值函数，exp为自然指数函数，priidxtn,hn为评估结果为第tn种事故类型的第hn组事故车辆的评估向量的优先指数。
最后，从评估结果为第tn种事故类型的各组事故车辆的评估向量中选取优先指数最高的前sntn个评估向量作为第tn种事故类型的样本向量，并添加入所述事故样本集合。
其中，sntn＝min(max(μ×hntn,minnum),maxnum)，μ为预设的比例系数，其取值可以根据实际情况进行设置，例如，可以将其设置为0.1、0.2、0.5或者其它取值，minnum为预设的最小事故样本数目，其取值可以根据实际情况进行设置，例如，可以将其设置为100、200、500或者其它取值，maxnum为预设的最小事故样本数目，其取值可以根据实际情况进行设置，例如，可以将其设置为1000、2000、5000或者其它取值，min为求最小值函数，max为求最大值函数。
步骤s1063、分别计算所述评估向量与各个事故类型的样本向量之间的平均距离。
例如，根据下式分别计算所述评估向量与各个事故类型的样本向量之间的平均距离：
其中，avdistn为所述评估向量与第tn种事故类型的样本向量之间的平均距离；
步骤s1064、确定所述事故车辆的事故类型。
例如，可以根据下式确定出所述事故车辆的事故类型：
targettype＝argmin(avdis1,avdis2,avdis3,...,avdistn,...,avdistn)
其中，argmin为最小自变量函数，targettype为所述事故车辆的事故类型的序号。
综上所述，本发明实施例在接收到车辆事故评估请求后，自动选取到达事故现场位置坐标耗时最短的无人机前往事故现场，在无人机抵达事故现场后，通过无人机的摄像装置采集各个车辆的车牌图像，再通过号码比对确定出事故车辆，最后通过无人机的摄像装置采集事故车辆的图像，并据此进行事故评估。通过本发明实施例，在无需交警部门出警的情况下，通过无人机在事故现场采集信息并进行车辆事故评估，大大提高了车辆事故评估的效率，在尽可能短的时间内即可完成评估，避免了因长时间进行车辆事故评估可能导致的交通拥堵及交通瘫痪。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种车辆事故评估方法，图5示出了本发明实施例提供的一种车辆事故评估装置的一个实施例结构图。
本实施例中，一种车辆事故评估装置可以包括：
事故评估请求接收模块501，用于接收车辆事故评估请求，并从所述车辆事故评估请求中提取事故现场位置坐标以及车牌号码；
查勘无人机选取模块502，用于从预设的无人机集合中选取到达所述事故现场位置坐标耗时最短的无人机作为查勘无人机；
飞行指令下发模块503，用于向所述查勘无人机下发携带所述事故现场位置坐标的飞行指令；
车牌图像采集模块504，用于在接收到所述查勘无人机发送的飞行完成消息后，通过所述查勘无人机的摄像装置在所述事故现场位置坐标处采集各个车辆的车牌图像；
车牌号码比对模块505，用于将所述车牌图像中的车牌号码分别与所述车辆事故评估请求中的车牌号码进行比对，并将车牌号码比对成功的车辆确定为事故车辆；
事故车辆图像采集模块506，用于通过所述查勘无人机的摄像装置采集所述事故车辆的图像；
事故评估模块507，用于根据所述事故车辆的图像进行事故评估。
进一步地，所述查勘无人机选取模块可以包括：
位置坐标获取单元，用于向所述无人机集合中的各个无人机分别下发位置坐标查询指令，获得各个无人机的当前位置坐标；
任务列表查询单元，用于分别查询各个无人机待执行的任务列表；
耗时计算单元，用于根据下式分别计算各个无人机到达所述事故现场位置坐标的耗时：
其中，dn为无人机的序号，0≤dn≤dn，dn为所述无人机集合中的无人机总数，kndn为第dn个无人机待执行的任务列表中的任务总数，kn为无人机待执行的任务的序号，0≤kn≤kndn，(xdn,kn,ydn,kn)为第dn个无人机待执行的第kn个任务的位置坐标，特殊地，(xdn,0,ydn,0)为第dn个无人机的当前位置坐标，
查勘无人机选取单元，用于根据下式选取所述查勘无人机：
targetdrone＝argmin(totaltime1,totaltime2,totaltime3,...,totaltimedn,...,totaltimedn)其中，argmin为最小自变量函数，targetdrone为所述查勘无人机的序号。
进一步地，所述事故评估模块可以包括：
评估向量构造单元，用于从所述事故车辆的图像中提取各个评估参数，并构造为如下所示的评估向量：
incvec＝(incinf1,incinf2,incinf3,...,incinfm,...,incinfm)
其中，m为评估参数的序号，1≤m≤m，m为评估参数的总数，incinfm为第m个评估参数的取值，incvec为所述评估向量；
样本向量提取单元，用于从预设的事故样本集合中提取各种事故类型的样本向量，任一样本向量如下所示：
spvectn,sn＝(spinftn,sn,1,spinftn,sn,2,spinftn,sn,3,...,spinftn,sn,m,...,spinftn,sn,m)
其中，tn为事故类型的序号，1≤tn≤tn，tn为事故类型的总数，sn为样本向量的序号，1≤sn≤sntn，sntn为第tn种事故类型的样本向量总数，spinftn,sn,m为第tn种事故类型的第sn个样本向量的第m个评估参数的取值，spvectn,sn为第tn种事故类型的第sn个样本向量；
平均距离计算单元，用于根据下式分别计算所述评估向量与各个事故类型的样本向量之间的平均距离：
其中，avdistn为所述评估向量与第tn种事故类型的样本向量之间的平均距离；
事故类型确定单元，用于根据下式确定出所述事故车辆的事故类型：
targettype＝argmin(avdis1,avdis2,avdis3,...,avdistn,...,avdistn)
其中，argmin为最小自变量函数，targettype为所述事故车辆的事故类型的序号。
进一步地，所述车辆事故评估装置还可以包括：
历史评估向量构造模块，用于从预设的历史事故数据库中抽取评估结果为第tn种事故类型的各组事故车辆的图像，从各组事故车辆的图像中提取各个评估参数，并分别构造为如下所示的评估向量：
hsincvectn,hn＝(hsincinftn,hn,1,hsincinftn,hn,2,hsincinftn,hn,3,...,hsincinftn,hn,m,...,hsincinftn,hn,m)其中，hn为事故车辆的序号，1≤hn≤hntn，hntn为评估结果为第tn种事故类型的事故车辆的总数，hsincinftn,hn,m为评估结果为第tn种事故类型的第hn组事故车辆的第m个评估参数的取值，hsincvectn,hn为评估结果为第tn种事故类型的第hn组事故车辆的评估向量；
优先指数计算模块，用于根据下式计算评估结果为第tn种事故类型的各组事故车辆的评估向量的优先指数：
其中，abs为绝对值函数，exp为自然指数函数，priidxtn,hn为评估结果为第tn种事故类型的第hn组事故车辆的评估向量的优先指数；
样本向量选取模块，用于从评估结果为第tn种事故类型的各组事故车辆的评估向量中选取优先指数最高的前sntn个评估向量作为第tn种事故类型的样本向量，并添加入所述事故样本集合。
进一步地，所述车辆事故评估装置还可以包括：
第一概率密度计算模块，用于根据下式计算所述车牌图像灰度分布的概率密度：
其中，p(k)为第k级灰度分布的概率密度，0≤k≤l，l为灰度等级的级数，nk为所述车辆图像中第k级灰度的像素个数，n为所述车辆图像中的像素总数；
第二概率密度计算模块，用于根据下式计算所述车牌图像扩展的灰度分布的概率密度：
其中，q为灰度扩展因子，且0<q<1，pmax为所述车牌图像灰度分布的概率密度的最大值，即pmax＝max(p(1)，p(2)，...，p(k)，...，p(l))，max为求最大值函数，pq(k)为所述车辆图像中第k级灰度扩展后的概率密度；
图像增强模块，用于根据下式对所述车辆图像进行图像增强：
其中，floor为向下取值函数，f(k)为所述车辆图像中第k级灰度在图像增强后的灰度值。
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，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图6示出了本发明实施例提供的一种服务器的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。
在本实施例中，所述服务器6可以包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机可读指令62，例如执行上述的车辆事故评估方法的计算机可读指令。所述处理器60执行所述计算机可读指令62时实现上述各个车辆事故评估方法实施例中的步骤，例如图1所示的步骤s101至s106。或者，所述处理器60执行所述计算机可读指令62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至507的功能。
示例性的，所述计算机可读指令62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令62在所述服务器6中的执行过程。
所述处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其它通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器61可以是所述服务器6的内部存储单元，例如服务器6的硬盘或内存。所述存储器61也可以是所述服务器6的外部存储设备，例如所述服务器6上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器61还可以既包括所述服务器6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机可读指令以及所述服务器6所需的其它指令和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
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，也可以采用软件功能单元的形式实现。
所述集成的单元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全部或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，包括若干计算机可读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计算机可读指令的介质。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！