为视频自动打标签的方法及装置、介质和电子设备与流程

本公开涉及视频处理技术领域，具体而言，涉及一种为视频自动打标签的方法及装置、介质和电子设备。

背景技术：

视频标签是按照视频属性进行分类而设定的标签，是对视频内容进行排序以及向用户提供个性化推荐等的重要依据。

近年来，通过视频进行传播信息、表现自我等具有很高的热度。用户寻找自己感兴趣的视频及某些商家或者平台推荐视频都需要依据视频的标签。尤其，通常视频中有很大部分是没有语音和字幕信息的。按照常规通过视频语音和字幕来给视频打标签的方法并不可行。而依赖人工标定的方式会造成对这部分视频打标签的低效率、低准确度问题。

因此，需要提供一种新的为视频自动打标签的方法和装置、介质和电子设备。

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为视频自动打标签的方案，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为视频打标签的低效率、低准确率问题。

根据本公开的一个方面，提供一种为视频自动打标签的方法，包括：

响应于获取到视频，将所述视频分解成帧；

将分解成的帧按照预定规则分组；

将每一组的帧串联成视频帧序列；

将所述视频帧序列输入机器学习模型，由所述机器学习模型输出视频帧序列的标签；

基于视频帧序列的标签，为所述视频打标签，

其中，所述机器学习模型按照如下方式训练：将视频帧序列样本集合中的各视频帧序列样本输入所述机器学习模型，所述视频帧序列样本是将各种已知标签的视频按照所述预定规则分组，并将每一组的帧串联而成的，所述机器学习模型输出视频帧序列样本所来自的视频的标签，与视频已知标签进行比较，如果不一致，则调整所述机器学习模型中的系数，使所述机器学习模型输出的标签与该视频已知标签一致。

在本公开的一种示例性实施例中，将分解成的帧按照预定规则分组包括：

将连续预定数目个帧作为一组。

在本公开的一种示例性实施例中，将分解成的帧按照预定规则分组包括：

从分解的帧中随机取预定数目个帧作为一组。

在本公开的一种示例性实施例中，将分解成的帧按照预定规则分组包括：

将所述视频分解成的帧等分为n组，n为正整数，视频帧序列的数目也是n，将帧号为an+i的帧组成第i个组，其中，a和i为正整数，0≦a≦n-1，1≦i≦n。

在本公开的一种示例性实施例中，所述将每一组的帧串联成视频帧序列包括：

按照每一帧的帧号的先后顺序将每一组的帧串联成视频帧序列。

在本公开的一种示例性实施例中，所述基于视频帧序列的标签，为所述视频打标签，包括：

将得到的视频帧序列的标签中概率权重占比最大的标签作为视频最终标签。

在本公开的一种示例性实施例中，所述基于视频帧序列的标签，为所述视频打标签，包括：

将得到的视频帧序列的标签中数目最大的前n个标签都作为为视频打的标签。

在本公开的一种示例性实施例中，将得到的视频帧序列的标签中数目最大的标签作为为视频打的标签，包括：

如果所述数目最大的标签有多个，增加分解成的帧分组的数目。

在本公开的一种示例性实施例中，所述增加分解成的帧分组的数目包括：

如果预定规则包括将连续预定数目个帧作为一组，则增加组的数目，使至少一部分组包含的帧部分重叠。

在本公开的一种示例性实施例中，将分解成的帧按照预定规则分组包括：

将分解成的帧按照第一预定规则分组，并按照第二预定规则分组，第一预定规则与第二预定规则不同。

根据本公开的一个方面，提供一种为视频自动打标签的装置，包括：

分解模块，用于响应于获取到视频，将所述视频分解成帧；

分组模块，用于将分解成的帧按照预定规则分组；

叠加模块，用于将每一组的帧串联成视频帧序列；

第一标定模块，用于将所述视频帧序列输入机器学习模型，由所述机器学习模型输出视频帧序列的标签；

第二标定模块，用于基于视频帧序列的标签，为所述视频打标签。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，其特征在于，所述计算机程序被处理器执行时实现上述任一项所述的方法。

根据本公开的一个方面，提供一种电子设备，其特征在于，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一项所述的方法。

本公开一种为视频自动打标签的方案。该方案中，响应于获取到视频，将所述视频分解成帧；将分解成的帧按照预定规则分组；将每一组的帧串联成视频帧序列；将所述视频帧序列输入机器学习模型，由所述机器学习模型输出视频帧序列的标签；基于视频帧序列的标签，为所述视频打标签。本公开通过机器学习模型自动为视频打标签，提高了打标签的准确率和效率，而且为了避免一帧一帧输入机器学习模型带来机器学习模型的低效率，采取分组后串联的方式，使输入机器学习模型的帧具有规律性，输入的高效性，进一步提高打标签的准确率。

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示意性示出一种为视频自动打标签的方法的流程图。

图2示意性示出一种为视频自动打标签的方法的应用场景示例图。

图3示意性示出一种为视频自动打标签的装置的方框图。

图4示意性示出一种用于实现上述为视频自动打标签方法的电子设备示例框图。

图5示意性示出一种用于实现上述为视频自动打标签方法的计算机可读存储介质。

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为视频自动打标签的方法。该方法的一种应用场景中，首先根据用户视频使用的需求获取一些视频，这些使用的需求可以包括商业目的的推荐、视频展示平台的分类展示等；这些视频可以爬取自公共网络，也可以来自具有拍摄功能的拍摄设备，同时这些视频可以是具有字幕或者语音的，也可以不具有字幕或者语音，本示例性实施例中对此不做特殊限定。然后利用机器学习模型为这些视频自动标定标签，视频在推荐或者分类等过程中可以按照为视频标定的标签进行推荐或者分类。在利用机器学习模型为这些视频自动标定标签之前，通过将视频分解成帧后按照预定的规则将这些帧分组，然后将分组得到的各组帧分别按照帧号的顺序串联成视频帧序列，将视频帧序列输入机器学习模型标定标签，这样可以减少机器学习模型的压力、提高输入模型的输入速率。最后，基于机器学习模型对视频帧序列标定的标签获得视频的标签。本公开实施方式一般用于在视频上线前为视频打标签。打标签的作用是当视频上线后，可以根据这些标签向用户推荐视频，也可以在用户搜索视频时通过这些标签实现快速搜索。这一方式可以在一定程度上提高没有字幕和语音的视频的标定的准确率和速率，同样也可以适用于有字幕和语音的视频。该为视频自动打标签的方法可以运行于服务器，也可以运行于服务器集群或云服务器等，当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该为视频自动打标签的方法可以包括以下步骤：

步骤s110.响应于获取到视频，将所述视频分解成帧。

步骤s120.将分解成的帧按照预定规则分组。

步骤s130.将每一组的帧串联成视频帧序列。

步骤s140.将所述视频帧序列输入机器学习模型，由所述机器学习模型输出视频帧序列的标签。

步骤s150.基于视频帧序列的标签，为所述视频打标签，

其中，所述机器学习模型按照如下方式训练：将视频帧序列样本集合中的各视频帧序列样本输入所述机器学习模型，所述视频帧序列样本是将各种已知标签的视频按照所述预定规则分组，并将每一组的帧串联而成的，所述机器学习模型输出视频帧序列样本所来自的视频的标签，与视频已知标签进行比较，如果不一致，则调整所述机器学习模型中的系数，使所述机器学习模型输出的标签与该视频已知标签一致。

上述为视频自动打标签的方法中，通过响应于获取到视频，将所述视频分解成帧后将分解成的帧按照预定规则分组，然后将每一组的帧串联成视频帧序列，同时将所述视频帧序列输入机器学习模型，由所述机器学习模型输出视频帧序列的标签，最后基于所述视频帧序列的标签，为所述视频打标签，解决了对获取的视频按照视频属性、分类需求等进行自动标定的问题。通过机器学习模型自动为视频打标签，提高了打标签的准确率和效率，而且为了避免一帧一帧输入机器学习模型带来机器学习模型的低效率，采取分组后串联的方式，使输入机器学习模型的帧具有规律性，输入的高效性，进一步提高打标签的准确率。

下面，将结合附图对本示例实施方式中上述为视频自动打标签的方法中的各步骤进行详细的解释以及说明。

在步骤s110中，响应于获取到视频，将所述视频分解成帧。

在本示例实施方式中，参考图2所示，首先，服务器201从用户终端202或者其它服务器203获取视频。在从用户终端202获取视频时，获取视频是由用户对视频的上传实现的。在从其它服务器203获取视频时，可以通过定期或不定期对其它同样展示视频的网站进行爬取而获得。当然，在爬取的情况下，要获取该其它同样展示视频的网站的授权。

该用户终端可以是移动终端设备(例如可以是手机)，也可以是其他具有存储或者拍摄视频功能的终端设备(例如可以是相机、手表等等)，本示例对此不做特殊限制。进一步的，该用户终端可以包括一个，也可以包括多个，本示例对此不做特殊限制；该其它服务器可以是来自互联网的任何可以存储有视频的服务器或者其它存储设备，该其它服务器可以包括一个，也可以包括多个，本示例对此不做特殊限制。然后，将所述视频分解成帧可以根据每个帧的帧头标识来进行。每个帧，即视频的一个画面，在传输时会加入帧头，该帧头带有帧头标识。通过该帧头标识，可以准确地将视频分解成帧。

在步骤s120中，将分解成的帧按照预定规则分组。

在本示例的一种实施方式中，将分解成的帧按照预定规则分组中的预定规则是将连续预定数目个帧作为一组，包括：将视频分解成帧后，根据机器学习模型的适配帧数将连续的多个帧分为一组，例如用于标定标签的机器学习模型识别的每个叠加帧中包含的视频最佳帧数为12个，则将视频分解得到的帧中连续的12个帧分为一组；进一步的，每组含有的帧数可以不是必须为最佳帧数。

将连续预定数目个帧作为一组的好处是简化处理，方便易行。

在本示例的一种实施方式中，将分解成的帧按照预定规则分组中的预定规则是从分解的帧中随机取预定数目个帧作为一组，包括：将分解后得到的视频帧根据机器学习模型的适配帧数随机抽取m个作为一组；进一步的，每组含有的帧数可以不是必须为最佳帧数。

抽取随机帧的方案的好处是，将各个帧打乱后分组，能够防止时间上比较靠近的帧分到一个组内，使得在一个组中的帧可能反映各个时间点的帧的情况，使每组的帧更有代表性，从而提高视频打标签的效果。

在本示例的一种实施方式中，将分解成的帧按照预定规则分组中的预定规则是将所述视频分解成的帧等分为n组，n为正整数，叠加帧的数目也是n，将帧号为an+i的帧组成第i个组，其中，a和i为正整数，0≦a≦n-1，1≦i≦n。例如，将视频分解为100个帧后等分为5组，其中将帧号为1、6、11、16、21、26等帧组合为一组，将帧号为2、7、12、17、22、27等帧组合为一组，后面各组依次类推，这样的组合方式即可以使得组内的帧在视频中分布均匀，又可以带来一部分随机性，在一定程度提高机器学习模型标定标签的准确性和扩大机器学习模型标定视频的范围。

虽然，上面示出了三个分组的实施方式，但本领域技术人员应当理解，本公开不限于以上三种分组方式。

在本示例的一种实施方式中，将分解成的帧按照第一预定规则分组，并按照第二预定规则分组，其中，所述第一预定规则和第二预定规则是本示例前3个实施方式中的预定规则中的任意一种或者是上述未公开但本领域技术人员受益于上述教导能够构想出来的其它实施方式的规则，且第一预定规则与第二预定规则是不相同的，例如，第一预定规则是第1个实施方式中的预定规则，即将连续预定数目个帧作为一组，第二预定规则是第2个实施方式中的预定规则，将分解后得到的视频帧根据机器学习模型的适配帧数随机抽取m个作为一组，但是第一预定规则和第二预定规则不能同时是第1个实施方式中的预定规则或者第2个实施方式中的预定规则。同时，将分解后得到的视频帧通过第一预定规则和第二预定规则同时进行分组时，最后得到的组的组数可以是与通过第一预定规则或者第二预定规则单独分组得到的组数一致，也可以是单独分组的组数的两倍。

在一个实施例中，最后得到的组的组数与通过第一预定规则或者第二预定规则单独分组得到的组数一致可以这样实现：

将分解成的所有帧分成第一部分帧和第二部分帧；

将第一部分帧采用第一预定规则分组，将第二部分帧采用第一预定规则分组，按照第一预定规则分成的组与第二预定规则分成的组合在一起作为分解成的帧分成的组。

例如，第一部分是分解成的所有帧的前一半，例如分解出100个帧，前50个帧为第一部分。将分解成的帧数的前一半施加第一预定规则，即将连续预定数目个帧作为一组，例如10个帧一组，分成5组；第二部分是分解成的所有帧的后一半，例如分解出100个帧，后50个帧为第二部分。将分解成的帧数的后一半施加第二预定规则，即将连续预定数目个帧作为一组，例如10个帧一组，分成5组。总共加起来10组，作为分解成的100个帧分成的组。

在一个实施例中，最后得到的组的组数是通过第一预定规则或者第二预定规则单独分组得到的组数的2倍可以这样实现：

将分解出的所有帧采用第一预定规则分组，将分解出的所有帧采用第二预定规则分组，按照第一预定规则分成的组与第二预定规则分成的组合在一起作为分解成的帧分成的组。

例如，将分解成的100个帧施加第一预定规则，即将连续预定数目个帧作为一组，例如10个帧一组，分成10组；再将分解成的100个帧重新施加第二预定规则，即将连续预定数目个帧作为一组，例如10个帧一组，分成10组。总共加起来20组，作为分解成的100个帧分成的组。

通过这种分组方式可以提高分组的随机性，从而在一定程度上提高视频标定的准确率。

在步骤s130中，将每一组的帧串联成视频帧序列。

在本示例的实施方式中，将所有视频帧分组后的每一组中的视频帧串联起来成为视频帧序列，分解后得到的视频帧是单个分开的，输入机器学习模型效率会比较低，将视频帧序列输入可以有效提高输入效率，进而提高标定效率。

在本示例的一种实施方式中，将每一组的帧串联成视频帧序列包括：按照每一帧的帧号的先后顺序将每一组的帧串联成视频帧序列。例如，在一个分组中，包括帧号为11、1、6、26、16、21等的帧，就可以按照1、6、11、16、21、26等的顺序将所有帧串联起来。这样就可以使得帧的顺序与原视频中保持一致，有效提高标定的准确率。

在步骤s140中，将所述视频帧序列输入机器学习模型，由所述机器学习模型输出视频帧序列的标签。

在本示例的实施方式中，将所述视频帧序列输入机器学习模型，由所述机器学习模型输出视频帧序列的标签。首先将视频帧序列输入预先训练好的机器学习模型中，由预先训练好的机器学习模型根据视频帧序列标定视频的标签。

在本示例的实施方式中，包括进行机器学习模型的训练方法。该训练方法包括：首先将视频帧序列样本集合中的各视频帧序列样本输入所述机器学习模型，所述视频帧序列样本是将各种已知标签的视频按照所述预定规则分组，并将每一组的帧串联而成的，所述机器学习模型输出视频帧序列样本所来自的视频的标签，与视频已知标签进行比较，如果不一致，则调整所述机器学习模型中的系数，使所述机器学习模型输出的标签与该视频已知标签一致。。

在步骤s150中，基于视频帧序列的标签，为所述视频打标签。

在本示例的一种实施方式中，将得到的视频帧序列的标签中概率权重占比最大的标签作为视频最终标签，例如最后得到的所有视频帧序列标签中有5个是搞笑，2个是生活，1个是脱口秀，则最后将搞笑作为视频的标签。

在本示例的一种实施方式中，将得到的视频帧序列的标签中数目最大的前n个标签作为为视频打的标签，例如预定n为3，同时得到的叠加帧标签中有5个旅游，4个户外，3个搞笑，2个生活，2个脱口秀，1个美食，则将旅游、户外、搞笑都作为视频的标签。

在本示例的一种实施方式中，如果所述数目最大的标签有多个，增加分解成的帧分组的数目，同时如果预定规则包括将连续预定数目个帧作为一组，则增加组的数目，使至少一部分组包含的帧部分重叠，例如，如果在初始获得的5个视频帧序列标定的标签有3个搞笑，3个旅游，2个户外，1个美景，则出现数目最大的标签搞笑和旅游都有3个，但是预定只选最大数目的标签作为视频标签，所以需要重新标定，因此进行第二次划分串联，在第一次获得的视频帧序列中重新取点，分组后串联视频帧序列；例如取第一次视频帧序列的二分之一处为新的划分点，如果第一次串联是将第1-20帧作为视频帧序列1，20-40帧作为视频帧序列2，……第80-100作为视频帧序列5，第二次可以采取不同的起点，例如将第10-30帧作为视频帧序列1，30-50帧作为视频帧序列2，……第90-10作为视频帧序列5，并对两次总共10个叠加帧进行贴标签，并取贴的镜头数最多的标签作为小视频的标签。这样的标定方式可以在一定程度上提高标定标签的准确性。

本公开还提供了一种为视频自动打标签的装置。参考图4所示，该视频自动打标签装置可以包括分解模块310、分组模块320、叠加模块330、第一标定模块340以及第二标定模块350。其中：

分解模块310，用于响应于获取到视频，将所述视频分解成帧；

分组模块320，用于将分解成的帧按照预定规则分组；

叠加模块330，用于将每一组的帧串联成视频帧序列；

第一标定模块340，用于将所述视频帧序列输入机器学习模型，由所述机器学习模型输出视频帧序列的标签；

第二标定模块350，用于基于视频帧序列的标签，为所述视频打标签，

上述为视频自动打标签的装置中各模块的具体细节已经在对应的为视频自动打标签的方法中进行了详细的描述，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。

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、移动终端、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4来描述根据本发明的这种实施方式的电子设备400。图4显示的电子设备400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4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430。

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410执行，使得所述处理单元410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410可以执行如图1中所示的步骤s110：响应于获取到视频，将所述视频分解成帧，步骤s120：将分解成的帧按照预定规则分组，步骤s130：将每一组的帧串联成视频帧序列，步骤s140：将所述视频帧序列输入机器学习模型，由所述机器学习模型输出视频帧序列的标签，步骤s150：基于视频帧序列的标签，为所述视频打标签，其中，所述机器学习模型按照如下方式训练：将视频帧序列样本集合中的各视频帧序列样本输入所述机器学习模型，所述视频帧序列样本是将各种已知标签的视频按照所述预定规则分组，并将每一组的帧串联而成的，所述机器学习模型输出视频帧序列样本所来自的视频的标签，与视频已知标签进行比较，如果不一致，则调整所述机器学习模型中的系数，使所述机器学习模型输出的标签与该视频已知标签一致。

存储单元420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)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(rom)4203。

存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205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430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400也可以与一个或多个外部设备600(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400交互的设备通信，和/或与使得该电子设备400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450进行。并且，电子设备400还可以通过网络适配器460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460通过总线430与电子设备400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400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5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500，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。