一种图像数据存储的方法及装置与流程

本发明涉及图像存储技术领域，具体而言，涉及一种图像数据存储的方法及装置。

背景技术：

随着社会的发展，图像识别、人脸识别的技术发展也越来越快。而图像识别、人脸识别的精准度和效率，都十分的依赖与数据库中的存储的图像或人脸图像的比对结果以及比对效率。所以在数据库中分类存储图像或人脸图像信息的过程就非常重要。

现有的存储过程往往是通过简单的聚类算法完成，比如k-means、均值漂移、dbscan、高斯混合模型的聚类方法。如此，往往同一个人或同一个物体会被打上多个标签，或者说同一个人或同一个物体会同属于多个叶子节点。同时存储方式单一，数据量大，均在同一个内存中做计算，容易发生内存溢出，并且耗时较长。

技术实现要素：

有鉴于此，本发明的目的在于提供一种图像数据存储的方法及装置。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种图像数据存储的方法，所述图像数据存储的方法的步骤包括：

当第一数据库中已存储的图像数据总数量等于预设的第一数量上限时，依据层次聚类算法依次将每个第一枝标签存储于第二数据库中的第二叶节点中；

其中，所述第二数据库包括至少一个第二枝节点，所述第二枝节点包括至少一个所述第二叶节点，所述第一枝标签包括第一枝特征值、所述第一枝节点中的所有第一叶节点存储的图像数据的总数量，所述第一枝特征值为所述第一枝节点中的所有第一叶标签的特征值的平均值；

依据当前第二叶节点所存储的第一枝标签的数量及第一枝标签对应的枝特征值更新表征所述第二叶节点综合信息的第二叶标签；

其中，所述第二叶标签包含所述第二叶节点中存储的所有第一枝标签的第一枝特征值的平均值、所述第二叶节点中存储的第一枝标签的总数量；

依据所述第二枝节点包括的每个第二叶节点分别对应的所述第二叶标签更新表征所述第二枝节点综合信息的第二枝标签；

其中，所述第二枝标签包括第二枝特征值、所述第二枝节点中的所有第二叶节点存储的第一枝标签的总数量，所述第二枝特征值为所述第二枝节点中的所有第二叶标签的特征值的平均值。

第二方面，本发明实施例还提供了一种图像数据存储的装置，包括：

数据存入单元，用于当第一数据库中已存储的图像数据总数量等于预设的第一数量上限时，依据层次聚类算法依次将每个第一枝标签存储于第二数据库中的第二叶节点中；

其中，所述第二数据库包括至少一个第二枝节点，所述第二枝节点包括至少一个所述第二叶节点，所述第一枝标签包括第一枝特征值、所述第一枝节点中的所有第一叶节点存储的图像数据的总数量，所述第一枝特征值为所述第一枝节点中的所有第一叶标签的特征值的平均值；

叶标签更新单元，用于依据当前第二叶节点所存储的第一枝标签的数量及第一枝标签对应的枝特征值更新表征所述第二叶节点综合信息的第二叶标签；

其中，所述第二叶标签包含所述第二叶节点中存储的所有第一枝标签的第一枝特征值的平均值、所述第二叶节点中存储的第一枝标签的总数量；

枝标签更新单元，用于依据所述第二枝节点包括的每个第二叶节点分别对应的所述第二叶标签更新表征所述第二枝节点综合信息的第二枝标签；

其中，所述第二枝标签包括第二枝特征值、所述第二枝节点中的所有第二叶节点存储的第一枝标签的总数量，所述第二枝特征值为所述第二枝节点中的所有第二叶标签的特征值的平均值。

本发明实施例提供的图像数据存储的方法及装置的有益效果：当第一数据库中已存储的图像数据总数量等于预设的第一数量上限时，依据层次聚类算法依次将每个第一枝标签存储于第二数据库中至少的一个第二枝节点包含的至少一个第二叶节点中，依据当前第二叶节点所存储的第一枝标签的数量及第一枝标签对应的枝特征值更新表征第二叶节点综合信息的第二叶标签，依据第二枝节点包括的每个第二叶节点分别对应的第二叶标签更新表征第二枝节点综合信息的第二枝标签，同时在多个内存中聚类图像数据并分别将图像数据存储于第一数据库中，再通过二次聚类将第一数据库中的第一枝标签聚类存储于第二数据库，提升了分类存储的效率，节省时间，降低各个内存的运算量，避免内存溢出，并且通过二次聚类进行去重，有效降低重复存储，降低同一个人或同一个物体被打多个标签的情况发生的概率。

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示出了本发明实施例提供的图像数据存储的方法的应用环境示意图；

图2示出了本发明实施例提供的服务器的结构框图；

图3示出了本发明实施例提供的图像数据存储的方法的步骤示意图；

图4示出了本发明实施例提供的图像数据存储的方法的步骤s40的子步骤示意图；

图5示出了本发明实施例提供的图像数据存储的方法的步骤s40的分流存储的子步骤示意图；

图6示出了本发明实施例提供的图像数据存储的装置的功能单元框图；

图7示出了本发明实施例提供的数据存入单元的组成模块框图。

图标：100-服务器；101-存储器；102-处理器；103-外设接口；104-图像数据存储的装置；200-图像采集设备；1041-数据存入单元；1042-叶标签更新单元；1043-枝标签更新单元；411-特征值提取模块；412-枝距离计算模块；413-叶距离判断模块；414-存入模块。

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。

需要说明的是，术语“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。

本发明实施例提供了一种图像数据存储的方法，该图像数据存储的方法的应用环境如图1所示，服务器100分别与图像采集设备200通过有线或者无线网络进行数据交互。

图2示出了本发明实施例中的服务器100的结构框图。如图2所示，服务器100包括存储器101，一个或多个(图中仅示出一个)处理器102、外设接口103、图像数据存储的装置104等。这些组件通过一条或多条通讯总线/信号线相互通讯。所述图像数据存储的装置104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101中或固化在所述处理器102的操作系统(operatingsystem，os)中的软件功能模块。

存储器101可用于存储软件程序以及模块，如本发明实施例中的图像数据存储方法所对应的程序指令/模块，处理器102通过运行存储在存储器101内的软件程序以及模块，从而执行各种功能应用以及数据处理，如本发明实施例提供的图像数据存储的方法。

存储器101可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。处理器102以及其他可能的组件对存储器101的访问可在存储控制器的控制下进行。

外设接口103将各种输入/输出装置耦合至处理器102以及存储器101。在一些实施例中，外设接口103、处理器102以及存储控制器可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

图像采集设备200用于采集图像数据信息，并将采集到的图像数据信息传输给处理器102。图像采集设备200可以是照相机或者摄像机。

图3示出了应用于上述环境的图像数据存储的方法的流程步骤：

步骤s10：提取图像数据包含的特征值，并依据层次聚类算法和特征值将图像数据存储于第一数据库的一个第一枝节点包含的一个第一叶节点中。

具体地，图像数据包含的特征值可以为一组特征向量或一组按固定顺序排列的数据集合，例如为(3，5，7)或(a1，a2，a3，a4……a128)在此不做限定。依据图像数据包含的特征值、第一数据库中的第一枝节点的第一枝特征值和该第一枝节点下的第一叶节点的第一叶特征值计算计算相应的欧氏距离，当计算出的欧氏距离满足预设的条件时，将图像数据存储于第一数据库的一个第一枝节点包含的一个第一叶节点中。通过层次聚类算法依次的将每一个图像数据存入第一数据库中。

层次聚类算法可以是一个综合的层次聚类算法(balancediterativereducingandclusteringusinghierarchies，birch)。层次聚类算法一般通过给定网络的拓扑结构定义网络节点间的相似性或距离，然后采用单连接层次聚类或全连接层次聚类将网络节点组成一个树状图层次结构。其中，树的叶节点表示网络节点，非叶节点(枝节点、根节点)一般由相似或距离接近的子节点合并而得到。

步骤s20：依据当前第一叶节点所存储的图像数据的数量及图像数据的特征值更新表征第一叶节点综合信息的第一叶标签。

其中，第一叶标签包含第一叶节点中存储的全部图像数据的特征值的平均值、第一叶节点中存储的图像数据的总量。

具体地，当该第一叶节点中新增加存储一个图像数据时，该第一叶标签中表征该第一叶节点中存储的图像数据的总量加1，同时，重新计算表征待第一叶节点图像特质信息的第一叶特征值，例如原第一叶特征值为(3,3,3.2)，新增存储的图像数据的特征值为(3,3.2,3)，那么重新计算后的第一叶特征值为(3,3.1,3.1)，在此不做任何限定。

步骤s30：依据第一枝节点包括的每个第一叶节点分别对应的第一叶标签更新表征第一枝节点综合信息的第一枝标签。

具体地，第一枝标签包括第一枝特征值、第一枝节点中的每个第一叶节点存储的图像数据的总数量以及第一枝节点的id号，第一枝特征值为第一枝节点中的全部第一叶标签的特征值的平均值。第一枝特征值的更新同步骤s20。第一枝标签还可以包括表征该第一枝标签的身份的id号。

步骤s40：当第一数据库中已存储的图像数据总数量等于预设的第一数量上限时，依据层次聚类算法依次将每个第一枝标签存储于第二数据库中的第二叶节点中。

具体地，第一数量上限根据为第一数据库可存储数据的最大值。将图像数据存入第一数据库可以在多个内存中同时进行，再将存储数量饱和的第一数据库中的第一枝标签依次存入第二数据库。同时在多个内存中聚类图像数据分别存储于第一数据库中，再通过二次聚类将第一数据库中的第一枝标签聚类存储于第二数据库，提升了分类存储的效率，节省时间，降低各个内存的运算量，避免内存溢出，并且通过二次聚类进行去重，有效降低重复存储，降低同一个人被打多个标签的情况发生的概率。其中，第二数据库包括至少一个第二枝节点，第二枝节点包括至少一个第二叶节点。

每一个枝标签存储于第二数据库中至少的一个第二枝节点包含的至少一个第二叶节点中的步骤，如图4所示：

步骤s401：提取其中一个第一枝标签的第一枝特征值。

具体地，第一枝标签会随着图像数据存储该第一枝标签下的第一枝节点而更新，其中，对应的第一枝特征值同时更新，提取最后保存的该第一枝标签的第一枝特征值。

步骤s402：判断第二数据库中是否存在第二根节点？若是，则执行步骤s403；若否，则执行步骤s406。

具体地，第二数据库中未存入数据时，没有第二根节点、第二枝节点以及第二叶节点，当一个数据存入空白的新建的第二叶节点后，依据该数据更新第二叶节点的第二叶标签，依次向上更新第二枝标签、第二根标签。

步骤s403：依据第一枝标签的第一枝特征值和第二数据库中的第二根节点对应的第二根标签计算出第一枝标签与其中一个第二根节点之间的根距离值。

具体地，第二根标签会随着第一枝标签存储在该第二根标签下的一个第二叶节点而更新，其中，对应的第二根特征值同时更新，第二根特征值为该第二根节点下所有第二叶节点中存储的第一枝标签的第一枝特征值的平均值。依据该次存储的第一枝标签的第一枝特征值和第二数据库中的一个第二根节点对应的第二根标签中的第二根特征值计算出该第一枝标签和该第二根节点之间的根距离值，欧氏距离。

步骤s404：判断根距离值是否大于预设的第三差异阈值？若是，则执行步骤s405；若否，则执行步骤s408。

其中，第三差异阈值由工作人员根据精度要求具体设置。

步骤s405：判断该第二根节点是否是该第二数据中最后一个根节点？若是，则执行步骤s406；若否，则执行步骤s407。

具体地，当根距离值大于预设的第三差异阈值时，说明该第一枝标签不满足存储于该第二根节点下的相似性条件。判断第二数据库中是否还有区别已与该第一枝标签计算过根距离值的其他根节点，若无，则说明该第二根节点已经是该第二数据库中的最后一个节点，此时执行步骤s408；反之，执行步骤s407。

步骤s406：将第一枝标签存储于在该第二数据库中新建的第二新根节点的第二新枝节点的第二新叶节点中。

具体地，当该第二数据库中没有第二根节点(空白数据库)或已建的第二根节点与该第一枝标签均不满足相似性的条件判断时，在第二数据库中，新建一个第二新根节点，并在该第二新根节点下依次新建第二新枝节点、第二新叶节点，并将该第一枝标签存储于该第二新叶节点中。在执行步骤s406后，可以执行步骤s50。

步骤s407：走到该第二根节点的下一个兄弟根节点。

既以下一个兄弟根节点作为与该第一枝标签计算根距离值的目标。

步骤s407后执行步骤s403。

步骤s408：依据第一枝特征值和第二根节点下的一个第二枝节点对应的第二枝标签计算出第一枝标签与第二枝节点之间的枝距离值。

具体地，当根距离值小于或等于预设的第三差异阈值时，说明该第一枝标签满足存储于该第二根节点下的相似性条件，继续判断该第一枝标签与该第二根节点下的具体哪个第二枝节点满足相似性条件，需要计算出该第一枝标签与第二枝节点之间的枝距离值，枝距离值为欧氏距离。其中，第二枝标签包括第二枝特征值、第二枝节点中的全部第二叶节点存储的第一枝标签的总数量，第二枝特征值为第二枝节点中的所有第二叶标签的特征值的平均值。第二枝标签还可以包括表征该第二枝节点身份的id号。

步骤s409：判断枝距离值是否大于预设的第一差异阈值？若是，则执行步骤s410；若否，则执行步骤s413。

其中，第一差异阈值依据精度要求具体设置。

步骤s410：判断该第二枝节点是否是该第二根节点下最后一个枝节点？若是，则执行步骤s411；若否，则执行步骤s412。

与步骤s405同理。

步骤s411：将第一枝标签存储于在该第二根节点下新建的第二新枝节点的第二新叶节点中。

与步骤s406同理，并在执行步骤s411后可以执行步骤s50。

步骤s412：走到该第二枝节点的下一个兄弟枝节点。

与步骤s407同理，在执行步骤s412后，执行步骤s408。

步骤s413：依据第一枝特征值和第二枝节点下的一个第二叶节点对应的第二叶标签计算出第一枝标签与第二叶节点之间的叶距离值。

具体地，当枝距离值小于或等于预设的第一差异阈值时，说明该第一枝标签满足存储于该第二枝节点下的相似性条件，继续判断该第一枝标签与该第二枝节点下的具体哪个第二叶节点满足相似性条件，需要计算出该第一枝标签与第二叶节点之间的叶距离值，也距离值为欧氏距离。其中，第二叶标签包含该第二叶节点中存储的所有第一枝标签的枝特征值的平均值、第二叶节点中存储的第一枝标签的总数量。

步骤s414：判断叶距离值是否大于预设的第二差异阈值？若是，则执行步骤s415；若否则执行步骤s418。

其中，第二差异阈值依据精度需求具体设置。并且第一差异阈值小于或等于第二差异阈值，第二差异阈值小于或等于第三差异阈值。

步骤s415：判断该第二叶节点是否是该第二枝节点下最后一个叶节点？若是，则执行步骤s416；若否，则执行步骤s417。

与步骤s405同理。

步骤s416：将第一枝标签存储于在该第二枝节点下新建的一个第二新叶节点中。

与步骤s406同理，在执行步骤s416后，可以执行步骤s50。

同时，当在原第二枝节点下新建一个第二新叶节点后，可能出现，原第二枝节点中的第二叶节点的数量大于预设的第二数量上限，不符合预先的存储要求，可以按照如图5所示的步骤，新建一个第二枝节点，分流存储。如图5所示：

步骤s419：判断原第二枝节点中的第二叶节点的数量是否大于预设的第二数量上限？若是，则执行步骤s420；若否，则执行步骤s50。

其中，第二数量上限依据第二数据库的存储规则具体设置。

步骤s420：计算原第二枝节点中每一个第二叶节点分别与其他第二叶节点的距离值的和。

具体地，依据原第二枝节点中的每一个第二叶节点对应的第二叶标签中的第二叶特征值，计算出原第二枝节点下的每一个第二叶节点分别其他第二叶节点的距离值，再计算原第二枝节点中每一个第二叶节点分别与其他第二叶节点的距离值的和。

步骤s421：将距离值的和最大的两个第二叶节点分别作为第一锚点和第二锚点。

具体地，筛选出原第二枝节点中的对应距离值的和最大的两个第二叶节点，并将距离值的和最大的两个第二叶节点分别作为第一锚点和第二锚点。

步骤s422：将与第一锚点之间的距离值大于与第二锚点之间的距离值的其他第二叶节点和第二锚点作为新建的第二新枝节点下的叶节点，并删除原第二枝节点下的与第一锚点之间的距离值大于与第二锚点之间的距离值的其他第二叶节点和第二锚点。

具体地，计算原第二枝节点下的其他第二叶节点分别与第一锚点、第二锚点的距离值(欧氏距离)，并比较该第二叶节点分别与第一锚点、第二锚点的距离值的大小。筛选出与第一锚点之间的距离值大于与第二锚点之间的距离值的其他第二叶节点。将与第一锚点之间的距离值大于与第二锚点之间的距离值的其他第二叶节点和第二锚点作为新建的第二新枝节点下的叶节点，并删除原第二枝节点下的与第一锚点之间的距离值大于与第二锚点之间的距离值的其他第二叶节点和第二锚点。在步骤s422后，可以执行步骤s50。

步骤s417：走到该第二叶节点的下一个兄弟叶节点。

与步骤s407同理，在执行步骤s417后，可以执行步骤s413。

步骤s418：将第一枝标签存储于该第二叶节点中。

具体地，该第二叶节点以及该第二叶节点对应的第二枝节点、第二根节点均满足与第一枝标签的相似性判断，固将第一枝标签存储于该第二叶节点中。

步骤s50：依据当前第二叶节点所存储的第一枝标签的数量及第一枝标签对应的枝特征值更新表征该第二叶节点综合信息的第二叶标签。

步骤s60：依据第二枝节点包括的每个第二叶节点分别对应的第二叶标签更新表征该第二枝节点综合信息的第二枝标签。

当第二数据库中存储的第一枝标签的数量已经达到存储上限时，停止存储，并保留最后各个第二叶节点、第二枝节点和第二根节点对应的标签信息。依据层次聚类算法依次将每个第一枝标签存储于第二数据库中至少的一个第二枝节点包含的至少一个第二叶节点中的步骤的执行条件为：第二数据中已存储的第一枝标签的数量小于预设的第三数量上限。其中第三数量上限为存储上限。

请参阅图6，图6为本发明较佳实施例提供的一种图像数据存储的装置104。需要说明的是，本实施例所提供的图像数据存储的装置104，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。

图像数据存储的装置104包括：数据存入单元1041、叶标签更新单元1042以及枝标签更新单元1043。

数据存入单元1041，用于当第一数据库中已存储的图像数据总数量等于预设的第一数量上限时，依据层次聚类算法依次将每个第一枝标签存储于第二数据库中的第二叶节点中。具体地，数据存入单元1041可以执行步骤s40。

其中，第二数据库包括至少一个第二枝节点，第二枝节点包括至少一个第二叶节点。第一枝标签包括第一枝特征值、第一枝节点中的所有第一叶节点存储的图像数据的总数量，第一枝特征值为第一枝节点中的所有第一叶标签的特征值的平均值。

具体地，如图7所示，数据存入单元1041包括：特征值提取模块411、枝距离计算模块412、叶距离判断模块413以及存入模块414。

特征值提取模块411，用于提取其中一个第一枝标签的第一枝特征值。具体地，特征值提取模块411可以执行步骤s401。

枝距离计算模块412，用于依据第一枝特征值和第二数据库的一个第二枝节点对应的第二枝标签计算出第一枝标签与第二枝节点之间的枝距离值。具体地，在第二数据库中未设有第二根节点，或者该第一枝标签已经满足与一个第二根节点的相似性条件时，枝距离计算模块412可以执行步骤s408。

叶距离判断模块413，用于当枝距离值小于或等于预设的第一差异阈值时，依次判断第一枝标签与该第二枝节点中的各个第二叶节点之间的叶距离值是否大于预设的第二差异阈值。具体地，当该第一枝标签与上述的第二枝节点之间的枝距离小于或等于预设的第一差异阈值时，叶距离判断模块413可以执行步骤s413、s414、s415以及s417。

存入模块414，用于当第一枝标签与其中一个第二叶节点之间的叶距离值小于或等于第二差异阈值时，将第一枝标签存储于该第二叶节点。具体地，存入模块414可以执行步骤s418。

存入模块414还用于当第一枝标签与该第二枝节点中已有的每一个叶节点之间的叶距离值均大于第二差异阈值时，将第一枝标签存储于新建的第二新叶节点中。具体地，存入模块414还可以执行步骤s416。

叶标签更新单元1042，用于依据当前第二叶节点所存储的第一枝标签的数量及第一枝标签对应的枝特征值更新表征第二叶节点综合信息的第二叶标签。具体地，叶标签更新单元1042可以执行步骤s50。

其中，第二叶标签包含第二叶节点中存储的所有第一枝标签的第一枝特征值的平均值、第二叶节点中存储的第一枝标签的总数量。

枝标签更新单元1043，用于依据第二枝节点包括的每个第二叶节点分别对应的第二叶标签更新表征第二枝节点综合信息的第二枝标签。具体地，枝标签更新单元1043可以执行步骤s60。

其中，第二枝标签包括第二枝特征值、第二枝节点中的所有第二叶节点存储的第一枝标签的总数量，第二枝特征值为第二枝节点中的所有第二叶标签的特征值的平均值。

综上所述，本发明较佳实施例提供的图像数据存储的方法及装置：当第一数据库中已存储的图像数据总数量等于预设的第一数量上限时，依据层次聚类算法依次将每个第一枝标签存储于第二数据库中至少的一个第二枝节点包含的至少一个第二叶节点中，依据当前第二叶节点所存储的第一枝标签的数量及第一枝标签对应的枝特征值更新表征第二叶节点综合信息的第二叶标签，依据第二枝节点包括的每个第二叶节点分别对应的第二叶标签更新表征第二枝节点综合信息的第二枝标签，同时在多个内存中聚类图像数据分别存储于第一数据库中，再通过二次聚类将第一数据库中的第一枝标签聚类存储于第二数据库，提升了分类存储的效率，节省时间，降低各个内存的运算量，避免内存溢出，并且通过二次聚类进行去重，有效降低重复存储，降低同一个人被打多个标签的情况发生的概率。

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。

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。