面部识别方法及装置、电子设备和存储介质与流程

本公开涉及计算机技术领域，尤其涉及一种面部识别方法及装置、电子设备和存储介质。

背景技术：

面部属性预测具有广泛的应用，例如，其是监控安防领域中极为重要的一环。有效地预测人的性别、年龄、是否佩戴危险物及其他的属性，对面部属性预测的应用起到极为重要的作用。正确的属性预测可以进一步提升面部识别的正确率，使面部识别能够更广泛地应用于各种应用场景。

技术实现要素：

本公开提出了一种面部识别技术方案。

根据本公开的一方面，提供了一种面部识别方法，包括：对包括目标对象的待处理图像进行属性特征提取，得到所述目标对象的n个属性特征，n为大于1的整数；基于注意力机制对所述待处理图像进行注意力特征提取，得到所述目标对象的n个注意力特征；对所述n个注意力特征进行聚类处理，得到m个聚类注意力特征，m为正整数且m<n；根据所述n个属性特征以及所述m个聚类注意力特征，确定所述目标对象的面部识别结果。

在一种可能的实现方式中，对所述n个注意力特征进行聚类处理，得到m个聚类注意力特征，包括：对所述n个注意力特征进行聚类处理，得到m个聚类集合，每个注意力特征与m个聚类集合中的一个聚类集合相对应；分别确定各个聚类集合的聚类注意力特征，得到m个聚类注意力特征。

在一种可能的实现方式中，所述方法还包括：将所述n个属性特征与所述n个注意力特征分别相乘，得到增强后的n个属性特征，

其中，根据所述n个属性特征以及所述m个聚类注意力特征，确定所述目标对象的面部识别结果，包括：根据所述m个聚类注意力特征对增强后的n个属性特征分别进行修正，得到所述目标对象的面部识别结果。

在一种可能的实现方式中，根据所述n个属性特征以及所述m个聚类注意力特征，确定所述目标对象的面部识别结果，包括：根据所述m个聚类注意力特征对所述n个属性特征分别进行修正，得到所述面部识别结果。

在一种可能的实现方式中，根据所述m个聚类注意力特征对增强后的n个属性特征分别进行修正，得到所述目标对象的面部识别结果，包括：将增强后的n个属性特征与各所述属性特征所对应的所述聚类注意力特征分别相乘，得到所述面部识别结果。

在一种可能的实现方式中，根据所述m个聚类注意力特征对所述n个属性特征分别进行修正，得到所述目标对象的面部识别结果，包括：将所述n个属性特征与各所述属性特征所对应的所述聚类注意力特征分别相乘，得到所述面部识别结果。

在一种可能的实现方式中，所述方法通过神经网络实现，所述神经网络包括多任务卷积网络、多个单独注意力网络以及聚类网络，所述多任务卷积网络用于对所述待处理图像进行属性特征提取，所述多个单独注意力网络用于对所述待处理图像进行注意力特征提取，所述聚类网络用于对所述n个注意力特征进行聚类处理。

在一种可能的实现方式中，所述方法还包括：在训练所述神经网络的过程中，根据所述聚类网络的网络损失，调整多个单独注意力网络的网络参数。

在一种可能的实现方式中，所述聚类处理包括谱聚类，所述m个聚类注意力特征分别是所述m个聚类集合的类中心。

根据本公开的另一方面，提供了一种面部识别装置，包括：属性提取模块，用于对包括目标对象的待处理图像进行属性特征提取，得到所述目标对象的n个属性特征，n为大于1的整数；注意力提取模块，用于基于注意力机制对所述待处理图像进行注意力特征提取，得到所述目标对象的n个注意力特征；聚类模块，用于对所述n个注意力特征进行聚类处理，得到m个聚类注意力特征，m为正整数且m<n；结果确定模块，用于根据所述n个属性特征以及所述m个聚类注意力特征，确定所述目标对象的面部识别结果。

在一种可能的实现方式中，所述聚类模块包括：聚类子模块，用于对所述n个注意力特征进行聚类处理，得到m个聚类集合，每个注意力特征与m个聚类集合中的一个聚类集合相对应；特征确定子模块，用于分别确定各个聚类集合的聚类注意力特征，得到m个聚类注意力特征。

在一种可能的实现方式中，所述装置还包括：属性增强模块，用于将所述n个属性特征与所述n个注意力特征分别相乘，得到增强后的n个属性特征，其中，所述结果确定模块包括：

第一修正子模块，用于根据所述m个聚类注意力特征对增强后的n个属性特征分别进行修正，得到所述目标对象的面部识别结果。

在一种可能的实现方式中，所述结果确定模块包括：第二修正子模块，用于根据所述m个聚类注意力特征对所述n个属性特征分别进行修正，得到所述面部识别结果。

在一种可能的实现方式中，所述第一修正子模块包括：第一相乘子模块，用于将增强后的n个属性特征与各所述属性特征所对应的所述聚类注意力特征分别相乘，得到所述面部识别结果。

在一种可能的实现方式中，所述第二修正子模块包括：第二相乘子模块，用于将所述n个属性特征与各所述属性特征所对应的所述聚类注意力特征分别相乘，得到所述面部识别结果。

在一种可能的实现方式中，所述装置通过神经网络实现，所述神经网络包括多任务卷积网络、多个单独注意力网络以及聚类网络，所述多任务卷积网络用于对所述待处理图像进行属性特征提取，所述多个单独注意力网络用于对所述待处理图像进行注意力特征提取，所述聚类网络用于对所述n个注意力特征进行聚类处理。

在一种可能的实现方式中，所述装置还包括：参数调整模块，用于在训练所述神经网络的过程中，根据所述聚类网络的网络损失，调整多个单独注意力网络的网络参数。

在一种可能的实现方式中，所述聚类处理包括谱聚类，所述m个聚类注意力特征分别是所述m个聚类集合的类中心。

根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述方法。

根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，能够对待处理图像分别进行属性特征提取及注意力特征提取，得到多个属性特征及注意力特征；对注意力特征聚类得到聚类注意力特征，并根据多个属性特征及聚类注意力特征确定面部识别结果，通过多注意力机制提取注意力特征并通过聚类来聚集相似的注意力特征，从而优化不同的局部特征，提高面部属性的识别效果。

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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的面部识别方法的流程图。

图2示出根据本公开实施例的面部识别方法的应用示例的示意图。

图3示出根据本公开进行优化前后唇部注意力特征的对比图。

图4示出根据本公开实施例的面部识别装置的框图。

图5示出根据本公开实施例的一种电子设备的框图。

图6示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的面部识别方法100的流程图。该面部识别方法100包括：在步骤102中，对包括目标对象的待处理图像进行属性特征提取，得到所述目标对象的n个属性特征，n为大于1的整数。在步骤104中，基于注意力机制对所述待处理图像进行注意力特征提取，得到所述目标对象的n个注意力特征。在步骤106中，对所述n个注意力特征进行聚类处理，得到m个聚类注意力特征，m为正整数且m<n。在步骤108中，根据所述n个属性特征以及所述m个聚类注意力特征，确定所述目标对象的面部识别结果。

根据本公开的实施例，能够对待处理图像分别进行属性特征提取及注意力特征提取，得到多个属性特征及注意力特征；对注意力特征聚类得到聚类注意力特征，并根据多个属性特征及聚类注意力特征确定面部识别结果，通过多注意力机制提取注意力特征并通过聚类来聚集相似的注意力特征，从而优化不同的局部特征，提高面部属性的识别效果。

在面部识别(例如人脸识别)的过程中，不同任务所需要的特征可能不是整个面部的特征，而仅是面部的局部特征。例如，如果预测人是否佩戴眼镜，则可能只需要单独的眼部信息，而多余的信息可能对结果造成干扰。因此，可通过添加注意力特征以提升预测的精度。

在识别面部属性(例如人的性别、年龄、佩戴物等多个与面部相关的属性)时，可以多属性共同识别及共享特征。在单独的属性上，可以通过添加注意力机制(attentionmechanism)，以使重要的特征(如耳朵、口、鼻等)被更好地学习，也就是使得局部特征能够被强调，从而更好地学习整体属性特征。

在一种可能的实现方式中，可以在步骤102中对包括目标对象的待处理图像进行属性特征提取，得到所述目标对象的n个属性特征。其中，目标对象可以例如为图像中的人物等，待处理图像可以例如为包括目标对象的人脸图像。可以通过例如卷积神经网络cnn作为基础网络(basenet)，对待处理图像进行特征提取以得到面部特征图；再通过例如多任务卷积神经网络(multi-taskconvolutionneuralnet,mtcnn)，对所得到的面部特征图进行属性特征提取，从而得到目标对象的n个属性特征。其中，多任务卷积神经网络可以使用vgg16、残差网络等不同类型的网络，本公开对多任务卷积神经网络的网络类型不作限制。

在一种可能的实现方式中，可以在步骤104中基于注意力机制对所述待处理图像进行注意力特征提取，得到所述目标对象的n个注意力特征。可以例如通过基础网络对待处理图像进行特征提取以得到面部特征图，从而实现特征共享；再通过多个单独注意力网络(individualattentionnetwork，ian)对所述面部特征图进行注意力特征的提取。需要说明的是，多个单独注意力网络中的每个网络是针对一个单独的注意力点进行训练，例如分别针对人的眼镜、唇部等。针对ian。多个单独注意力网络可以使用简单的卷积神经网络，或者采用相关技术的注意力机制，例如残差注意力(residualattention)等，本公开对多个单独注意力网络的网络类型不作限制。

在一种可能的实现方式中，可以在步骤106中对所述n个注意力特征进行聚类处理，得到m个聚类注意力特征。

举例来说，部分面部特征能够比较好地学习，例如眼镜、鼻子等。相对的，例如耳环、眉毛等的一些细粒度特征却并不好学习。因此，可以通过聚类方式让所有注意力特征中相似的部分可以聚在一起，并优化、尤其是修正一部分学习效果不好的原有注意力特征。

在一种可能的实现方式中，步骤106可包括：

对所述n个注意力特征进行聚类处理，得到m个聚类集合，每个注意力特征与m个聚类集合中的一个聚类集合相对应；

分别确定各个聚类集合的聚类注意力特征，得到m个聚类注意力特征。

举例来说，可以将n个注意力特征聚类成m类(m<n)，进行聚类处理后，每个注意力特征都对应于m类中的一类。经聚类后，可得到m个聚类集合。分别提取各个聚类集合的聚类注意力特征，可得到m个聚类注意力特征。这样，可以m个聚类注意力特征作为n个注意力特征的代表，进而根据n个属性特征和m个聚类注意力特征来确定目标对象的面部识别结果。

在一种可能的实现方式中，聚类处理可以是谱聚类，m个聚类注意力特征是所述m个聚类集合中每一个聚类集合的类中心。在m个聚类集合中取出类中心的方法可以有多种。在一种实现中，可以在每个聚类集合中对所有值取平均值以得到类中心。在另一实现中，可以通过预设训练集进行训练，以学习得出每个注意力特征的相应权重，对聚类集合中的每个注意力特征进行加权平均，以得到该聚类结合的类中心。本公开对聚类的具体方式不作限制。

通过这种方式，可以通过好学习的注意力特征来帮助到其它不好学习的注意力特征，通过相关注意力特征的互相帮助来提升注意力机制的效果。

在一种可能的实现方式中，可在步骤108中根据所述n个属性特征以及所述m个聚类注意力特征，确定所述目标对象的面部识别结果。可以通过相乘等方式综合考虑所得到的n个属性特征和m个聚类注意力特征，也可以采用其他方式进一步处理，以确定目标对象的面部识别结果。

在一种可能的实现方式中，步骤108可包括：

根据所述m个聚类注意力特征对所述n个属性特征分别进行修正，得到所述面部识别结果。也就是说，可以采用m个聚类注意力特征直接对n个属性特征分别进行修正。

在一种可能的实现方式中，根据m个聚类注意力特征对n个属性特征进行修正的步骤可包括：将n个属性特征与各属性特征所对应的聚类注意力特征分别相乘，得到所述面部识别结果。

通过这种方式，可使得面部识别结果更好地聚焦于单个注意力特征。

在一种可能的实现方式中，所述方法还可包括：将所述n个属性特征与所述n个注意力特征分别相乘，得到增强后的n个属性特征；

步骤108可包括：根据所述m个聚类注意力特征对增强后的n个属性特征分别进行修正，得到所述目标对象的面部识别结果。

举例来说，可以先将n个注意力特征与n个属性特征分别相乘，得到增强后的n个属性特征，从而使得需要被强调的属性特征得到增强。进而，根据m个聚类注意力特征对增强后的n个属性特征分别进行修正，得到目标对象的面部识别结果。

在一个具体实现中，根据m个聚类注意力特征对增强后的n个属性特征进行修正的步骤可包括：将增强后的n个属性特征与各属性特征所对应的聚类注意力特征分别相乘，得到面部识别结果。

通过这种方式，可以进一步强调注意力特征，提高面部识别的效果。

图2示出根据本公开实施例的面部识别方法的应用示例的示意图。方法200是面部识别方法100的一个应用示例。如图2所示，在方法200中，可通过基础网络对待处理图像进行特征提取，得到面部特征图；对面部特征图进行属性特征提取，可得到n个属性特征202；对面部特征图进行注意力特征提取，得到n个注意力特征204；对n个注意力特征204进行聚类处理，了得到m个聚类集合。该n个注意力特征中的每个注意力特征与m个聚类集合中的一个聚类集合相对应；分别确定各个聚类集合的聚类注意力特征，可得到m个聚类注意力特征。

在面部识别方法200的一个变形中，根据由n个注意力特征204所得到的m个聚类注意力特征，直接对n个属性特征202进行修正(s208)，可确定目标对象的面部识别结果。这样，可以利用ian聚类的前导对目标对象的面部识别结果进行修正，通过容易学习的注意力特征来优化不容易的注意力特征。

在面部识别方法200的一个变形中，如图2中的虚线箭头s206所示，可进一步将n个注意力特征204与n个属性特征202分别相乘，得到增强后的n个属性特征。进而，根据m个聚类注意力特征对增强后的n个属性特征分别进行修正，得到目标对象的面部识别结果。由此，可以进一步强调注意力特征，通过容易学习的注意力特征来优化不容易的注意力特征。

通过面部识别方法200的上述变形，可以通过相关属性的互相帮助来提升注意力机制。

在一种可能的实现方式中，所述方法可通过神经网络实现，所述神经网络包括多任务卷积网络、多个单独注意力网络以及聚类网络，所述多任务卷积网络用于对所述待处理图像进行属性特征提取，所述多个单独注意力网络用于对所述待处理图像进行注意力特征提取，所述聚类网络用于对所述n个注意力特征进行聚类处理。

多任务卷积网络(mtcnn)用于对待处理图像(面部特征图)进行属性特征202的提取。关于具体使用的多任务卷积网络，可以使用类似vgg16、残差网络(residualnetwork)等不同大小的网络来应对不同的应用场景。

多个单独注意力网络(ian)用于对待处理图像(面部特征图)进行注意力特征204的提取。需要说明的是，多个单独注意力网络中的每个网络是针对一个单独的注意力点进行训练，例如分别针对人的眼镜、唇部等。针对ian，可以使用简单的卷积神经网络进行学习，或者采用注意力机制、例如残差注意力(residualattention)等。

聚类网络用于对n个注意力特征进行聚类处理，得到m个聚类注意力特征。本公开对聚类网络的网络类型不作限制。

在一种可能的实现方式中，所述方法还包括：在训练所述神经网络的过程中，根据所述聚类网络的网络损失，调整多个单独注意力网络的网络参数。

上述各个神经网络可根据预设的训练集进行训练。在本发明采用的各网络中，采用组合任务来进行优化，在组合过程中可以不涉及人工涉及的环节，而全部采用自主学习来实现优化。

在训练所述神经网络的过程中，可根据所述聚类网络的网络损失，调整多个单独注意力网络的网络参数，从而利用神经网络的反向传播对单独注意力网络进行优化，

在一个具体实现方式中，可以利用mtcnn为基础的多任务属性学习网络，同时训练面部特征图的n个属性(attribute)，得到n个属性特征202。经由mtcnn得到的n个属性特征202为特征张量，可以表示为(n,c,w,h)。(n,c,w,h)的数值由具体的神经网络来决定。其中n、c、w、h均为自然数，n表示特征张量的个数；c表示得到的特征图的数量、又称通道数，通常远大于3；w表示特征图的宽度；h表示特征图的长度。也就是说，n个属性特征202可以表示为n个属性特征(c,w,h)，即n个属性特征张量(通道数，宽度，长度)。后续可以利用n个属性特征202对作为面部识别结果的n个面部属性进行预测。

在一个具体实现方式中，可以利用例如ian来训练来自面部特征图的n个属性，使用注意力图(attentionmap)来学习n个属性，从而得到n个注意力特征204。由于每个注意力特征对应于1个二维注意力特征图像(mask)，因此得到的注意力特征204的特征张量a可以表示为(n,1,w,h)，即此处通道数为1。因此，n个注意力特征204可以表示为n个特征张量a(w,h)，即n个特征张量a(宽度，长度)。

在一个具体实现中，如图2的虚线箭头s206所示例的，可以将n个注意力特征张量a(宽度，长度)与n个属性特征张量进行相乘处理，从而使得n个属性特征张量中的相关特征被强调。

在一个具体实现中，对n个注意力特征进行聚类处理，得到m个聚类集合，可以表示为c1,…,cm。其中，m个聚类集合各自取出的类中心可以表示为第1个聚类注意力特征(ax1,ay1),…,第m个聚类注意力特征(axm,aym)。上述m个聚类注意力特征可以表示为(m,1,w,h)，即m个二维张量x_1(宽度，长度),…,x_m(宽度，长度)。对经过n个注意力特征a的修正所得到的n个属性特征张量f(通道数，宽度，长度)，确定各自所对应的聚类类中心，然后使用m个二维张量x中相应的类中心对n个属性特征f进行最后的修正。由于这m个张量x来自于之前ian的输出，所以通过这样的学习，也可以同时优化ian，还可以同时使用多个注意力特征对n个属性特征f进行修正。

在一个具体示例中，修正的方式是，将n个属性特征f(通道数，宽度，长度)同时乘上m个已经聚类好的张量x_m，其中m是在[1,m]范围内的自然数。由此可以得到相乘后的张量fx(m，通道数，宽度，长度)。将相乘后的张量fx(m，通道数，宽度，长度)展开成(m×通道数，宽度，长度)，最后使用该展开的结果对特征进行预测，以得到最终的面部识别结果。

根据上述方法，可以使得多任务下的注意力特征的面部识别效果得到整体的提升。图3示出了根据本公开进行优化前后唇部注意力特征的对比图。如图3上半部分所示，优化前的唇部注意力特征图像有较多噪声。如图3下半部分所示，按照本公开优化之后，唇部注意力特征能更好的集中在唇部，噪声有所减少。

根据本公开实施例的面部识别方法，能够在训练及预测人脸属性时，通过自主优化注意力特征，提升训练模型的强度来提升预测的精度，从而更好的预测人脸上的细粒度属性，比如是否配到帽子，项链，是否携带耳机等。根据本公开的实施例，可应用于监控安防等领域中进行人脸属性识别，提升人脸属性识别率，提高识别效果。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了面部识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种面部识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图4示出根据本公开实施例的面部识别装置的框图，如图4所示，所述装置包括：

属性提取模块41，用于对包括目标对象的待处理图像进行属性特征提取，得到所述目标对象的n个属性特征，n为大于1的整数；

注意力提取模块42，用于基于注意力机制对所述待处理图像进行注意力特征提取，得到所述目标对象的n个注意力特征；

聚类模块43，用于对所述n个注意力特征进行聚类处理，得到m个聚类注意力特征，m为正整数且m<n；

结果确定模块44，用于根据所述n个属性特征以及所述m个聚类注意力特征，确定所述目标对象的面部识别结果。

在一种可能的实现方式中，所述聚类模块包括：聚类子模块，用于对所述n个注意力特征进行聚类处理，得到m个聚类集合，每个注意力特征与m个聚类集合中的一个聚类集合相对应；特征确定子模块，用于分别确定各个聚类集合的聚类注意力特征，得到m个聚类注意力特征。

在一种可能的实现方式中，所述装置还包括：属性增强模块，用于将所述n个属性特征与所述n个注意力特征分别相乘，得到增强后的n个属性特征，其中，所述结果确定模块包括：

第一修正子模块，用于根据所述m个聚类注意力特征对增强后的n个属性特征分别进行修正，得到所述目标对象的面部识别结果。

在一种可能的实现方式中，所述结果确定模块包括：第二修正子模块，用于根据所述m个聚类注意力特征对所述n个属性特征分别进行修正，得到所述面部识别结果。

在一种可能的实现方式中，所述第一修正子模块包括：第一相乘子模块，用于将增强后的n个属性特征与各所述属性特征所对应的所述聚类注意力特征分别相乘，得到所述面部识别结果。

在一种可能的实现方式中，所述第二修正子模块包括：第二相乘子模块，用于将所述n个属性特征与各所述属性特征所对应的所述聚类注意力特征分别相乘，得到所述面部识别结果。

在一种可能的实现方式中，所述装置通过神经网络实现，所述神经网络包括多任务卷积网络、多个单独注意力网络以及聚类网络，所述多任务卷积网络用于对所述待处理图像进行属性特征提取，所述多个单独注意力网络用于对所述待处理图像进行注意力特征提取，所述聚类网络用于对所述n个注意力特征进行聚类处理。

在一种可能的实现方式中，所述装置还包括：参数调整模块，用于在训练所述神经网络的过程中，根据所述聚类网络的网络损失，调整多个单独注意力网络的网络参数。

在一种可能的实现方式中，所述聚类处理包括谱聚类，所述m个聚类注意力特征分别是所述m个聚类集合的类中心。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图6示出根据本公开实施例的电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。