活体多重检测方法、装置、计算机设备及存储介质与流程

本发明涉及活体检测方法，更具体地说是指活体多重检测方法、装置、计算机设备及存储介质。

背景技术：

人脸识别技术广泛应用于安防和身份验证系统中。目前由于深度学习的发展，人脸比对技术越来越成熟，但是由于缺乏对图像来源的判定，单纯的比对无法判定被检测的对象是否为本人。当拿打印的照片、或者回放的视频攻击识别系统，系统无法判别比对的图像是否来自于真人拍摄还是制作的人脸素材，因此会存在冒充和欺骗等潜在危险。

目前存在一些系统，通过在识别之前加入人脸活体检测环节以解决素材攻击的问题，人脸活体检测方式主要分为动作和静默活体两种，一般动作活体通过指令引导用户做出张嘴、眨眼、摇头或者读数字等动作来判别比对个体是否为其本人，动作活体需要用户的配合，用户体验较差，同时无法防止视频的攻击；静默活体则通过图像的纹理、边缘特征来判别是否为活体，用户可以无感知的通过人脸活体检测及比对，但是静默活体容易受到光照的影响同时容易被高清显示介质欺骗，因此需要通过多种不同途径去防止攻击。

因此，有必要设计一种新的方法，实现防止不同方式与介质的活体攻击，以提高整个检测的准确率。

技术实现要素：

本发明的目的在于克服现有技术的缺陷，提供活体多重检测方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：活体多重检测方法，包括：

获取图像数据；

对图像数据进行筛选，以得到待检测图像；

将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；

判断所述红外检测结果是否为视频攻击红外图像；

若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；

判断所述完整性检测结果是否为面具攻击图像；

若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；

判断所述攻击检测结果是否为真人图像；

若是，则输出图像数据为真人图像的通知。

其进一步技术方案为：所述对图像数据进行筛选，以得到待检测图像，包括：

利用mtcnn算法筛选具有人脸的图像数据以及人脸关键点，以得到人脸图像；

根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；

计算初步待检测图像的拉普拉斯标准差；

筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。

其进一步技术方案为：所述红外检测模型是通过带有图像类型标签的真人红外图像和视频攻击红外图像作为样本数据集训练二分类的神经网络所得的。

其进一步技术方案为：所述完整性检测模型是通过带有正负标签的待检测图像训练神经网络所得的。

其进一步技术方案为：所述完整性检测模型是通过带有正负标签的待检测图像作为样本数据集训练神经网络所得的，包括：

根据待检测图像的人脸关键点截取两瞳孔之间的正负样本；

构建包含正负样本的数据集；

对数据集进行正负标签标定，以得到样本数据集；

构建神经网络；

将样本数据集的格式转换为lmdb数据格式；

将转换后的样本数据集输入至神经网络内进行训练，以得到完整性检测模型。

其进一步技术方案为：所述防纸张攻击模型是通过纸张攻击图像数据以及真人人脸图像数据作为样本数据集训练目标检测网络所得的。

本发明还提供了活体多重检测装置，包括：

数据获取单元，用于获取图像数据；

筛选单元，用于对图像数据进行筛选，以得到待检测图像；

红外检测单元，用于将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；

红外判断单元，用于判断所述红外检测结果是否为视频攻击红外图像；

完整性检测单元，用于若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；

完整性判断单元，用于判断所述完整性检测结果是否为面具攻击图像；

攻击检测单元，用于若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；

攻击判断单元，用于判断所述攻击检测结果是否为真人图像；

输出单元，用于若是，则输出图像数据为真人图像的通知。

其进一步技术方案为：所述筛选单元包括：

人脸图像形成子单元，用于利用mtcnn算法筛选具有人脸的图像数据以及人脸关键点，以得到人脸图像；

剔除子单元，用于根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；

计算子单元，用于计算初步待检测图像的拉普拉斯标准差；

差值筛选子单元，用于筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。

本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。

本发明与现有技术相比的有益效果是：本发明通过利用红外检测模型对图像数据进行红外检测，避免视频攻击；利用完整性检测模型进行完整性检测，避免面具攻击；利用防纸张攻击模型进行防纸张攻击检测，避免防纸张攻击；先对图像数据进行预处理后，在经过三个模型进行多重检测，可实现防止不同方式与介质的活体攻击，以提高整个检测的准确率。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例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为本发明实施例提供的活体多重检测方法的应用场景示意图；

图2为本发明实施例提供的活体多重检测方法的流程示意图；

图3为本发明实施例提供的活体多重检测方法的子流程示意图；

图4为本发明实施例提供的活体多重检测方法的子流程示意图；

图5为本发明实施例提供的人脸关键点的布置示意图；

图6为本发明实施例提供的真人人脸截取的红外示意图；

图7为本发明实施例提供的视频攻击截取的红外示意图；

图8为本发明实施例提供的正样本的示意图；

图9为本发明实施例提供的负样本的示意图；

图10为本发明实施例提供的活体多重检测装置的示意性框图；

图11为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

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，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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的活体多重检测方法的应用场景示意图。图2为本发明实施例提供的活体多重检测方法的示意性流程图。该活体多重检测方法应用于服务器中。该服务器与终端进行数据交互，该终端获取图像数据，输入至服务器中进行防视频攻击的红外检测、完整性检测以及防纸张攻击检测，以对图像数据进行真人图像与否的检测，实现防止不同方式与介质的活体攻击，以提高整个检测的准确率。

图2是本发明实施例提供的活体多重检测方法的流程示意图。如图2所示，该方法包括以下步骤s110至s190。

s110、获取图像数据。

在本实施例中，图像数据是指需要进行活体检测的图像，一般由带有摄像功能的终端获取。

s120、对图像数据进行筛选，以得到待检测图像。

在本实施例中，待检测图像是指出现人脸且清晰度满足要求的图像数据。

在一实施例中，请参阅图3，上述的步骤s120可包括步骤s121～s124。

s121、利用mtcnn算法筛选具有人脸的图像数据以及人脸关键点，以得到人脸图像。

在本实施例中，人脸图像是指具备人脸关键点以及带有人脸的图像数据。

上述的mtcnn算法由3个网络结构组成，包括p-net(生成网络，proposalnetwork)，r-net(再细化网络，refinenetwork)，o-net(输出网络，outputnetwork)；p-net该网络结构主要获得了人脸区域的候选窗口和边界框的回归向量。并用该边界框做回归，对候选窗口进行校准，然后通过非极大值抑制来合并高度重叠的候选框。r-net该网络结构还是通过边界框回归和非极大值抑制来去掉那些false-positive区域。只是由于该网络结构和p-net网络结构有差异，多了一个全连接层，所以会取得更好的抑制误报的作用。o-net该层比r-net层又多了一层卷基层，所以处理的结果会更加精细。作用和r-net层作用一样。但是该层对人脸区域进行了更多的监督，同时还会输出5个地标。

另外，人脸关键点的布置如图5所示。

s122、根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像。

在本实施例中，初步待检测图像是指带有满足设定条件的人脸的图像，该设定条件是正脸的人脸出现。

可根据人脸关键点p1、p2、p3的位置关系即向左转头的时候x轴方向p1与p3绝对距离变小，p2与p3绝对距离变大；向右转头p1与p3绝对距离变大，p2与p3绝对距离变小，以此判断人脸是不是正脸，剔除掉不是正脸的图，当要求有完整的人脸时，即当前的人脸图像所呈现的人脸处于正脸状态，以提高后续的检测准确性。

s123、计算初步待检测图像的拉普拉斯标准差。

在一实施例中，上述的步骤s123还包括：

对初步待检测图像进行灰度化，以得到灰度图像。

灰度图像是指图像的彩色转化成为灰度后所形成的图像。

在rgb模型中，如果r＝g＝b时，则彩色表示一种灰度颜色，其中r＝g＝b的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255，一般有分量法，最大值法平均值法加权平均法四种方法对彩色图像进行灰度化。在本实施例中，具体是采用opencv函数cvtcolor将图片进行灰度化。

计算灰度图像的梯度和散度，以形成拉普拉斯标准差。

s124、筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。

灰度化处理后，可更好的计算灰度图像的梯度和散度，利用laplacian函数计算灰度图的梯度和散度，计算后得到图片矩阵的均值，即拉普拉斯标准差，值越小图片越模糊，值越大图像越清晰，剔除掉不清晰的图。

s130、将待检测图像输入至红外检测模型进行检测，以得到红外检测结果。

在本实施例中，红外检测结果是指待检测图像是真人人脸红外图像还是视频攻击红外图像。

所述红外检测模型是通过带有图像类型标签的真人红外图像和视频攻击红外图像作为样本数据集训练二分类的神经网络所得的。

通过真人人脸彩色图像与视频的红外图成像的特点来区分检测待检测图像内的主体是否为活体，首先设计一个二分类的神经网络c1，loss函数选择softmaxwithloss，利用检测出的人脸的图像，通过彩色图人脸坐标定位到相应的红外图人脸位置，截取真人与视频攻击的红外图，构建一个数据集dataset01，每个样本对应标签(0，1)，其中，0表示视频攻击红外图像，1表示真人人脸红外图像，将数据集按照4:1的比例分成训练集和测试集，转成3通道lmdb数据格式，将lmdb数据格式的图像作为输入送入神经网络c1，对数据进行归一化后进行训练，真人人脸红外图像如图6所示，视频攻击红外图像如图7所示。

s140、判断所述红外检测结果是否为视频攻击红外图像。

在确认当前的待检测图像并非视频攻击的图像的情况下，在进入下一层检测，以提高整个检测的准确率。

若是，则进入结束步骤；

s150、若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果。

在本实施例中，完整性检测结果是指脸部是否完整的检测结果。针对常用的一些抠掉人眼、嘴巴等部位进行攻击的方式，对人脸完整性进行验证。

在一实施例中，所述完整性检测模型是通过带有正负标签的待检测图像训练神经网络所得的。请参阅图4，具体包括步骤s151～s156。

s151、根据待检测图像的人脸关键点截取两瞳孔之间的正负样本。

在本实施例中，正样本是指带有眼睛的图像数据，如图8所示，负样本是指去除眼睛的人脸图像数据，如图9所示。

s152、构建包含正负样本的数据集。

s153、对数据集进行正负标签标定，以得到样本数据集。

在本实施例中，样本数据集是指带有标签的正负样本集成的数据集。

s154、构建神经网络；

s155、将样本数据集的格式转换为lmdb数据格式；

s156、将转换后的样本数据集输入至神经网络内进行训练，以得到完整性检测模型。

设计神经网络，也就是类别数为2且这两类分别的概率之和为1的神经网络模型，将构建好的数据集dataset02按照7:3的正负样本比例转成图像size为64*64的3通道的lmdb数据格式，并送入构建好的神经网络进行训练。

s160、判断所述完整性检测结果是否为面具攻击图像。

在确认当前的待检测图像并非面具攻击的图像的情况下，在进入下一层检测，以提高整个检测的准确率。

s170、若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果。

在本实施例中，攻击检测结果是指图像数据的类别，其中包括纸张攻击图像类别以及真人图像类别。

在一实施例中，上述的防纸张攻击模型是通过纸张攻击图像数据以及真人人脸图像数据作为样本数据集训练目标检测网络所得的。

具体地，根据纸张的边缘与周围环境的非连续性设计目标检测网络c3来解决纸张的攻击，具体如下：根据实际的生产环境采集数据，整理纸张攻击图像数据、真人人脸图像数据，标注出纸张边缘及人脸位置，制作voc2007数据集，将voc数据集转成lmdb格式类型。格式转换后的数据输入目标检测网络c3，目标检测网络c3会先对图像数据格式进行归一化到[-1,1]的区间，再进行图像数据增广，resize到不同尺寸以及做损失处理，网络包含两个loss函数，一个用来衡量分类损失的分类采用交叉熵损失函数，另一个用来衡量定位框损失的平方和损失函数。

分类采用交叉熵损失函数：

检测框定位使用平方和损失函数：

其中，上述的图像数据格式归一化而言，每一个像素点包含三通道(bgr)，每一个通道用一个无符号8位二进制表示即值为[0，255]，图片归一化是将每个像素点的每一个通道变为[-1，1]这个区间，转化公式如下：(x-127.5)*0.0078125；图像数据增广是指对原始图片做scale或者增加噪声，增加训练图片量。

若是，则进入结束步骤；

s180、判断所述攻击检测结果是否为真人图像；

s190、若是，则输出图像数据为真人图像的通知。

在通过三个模型的检测后输出的是真人图像，于其他实施例，三个模型的检测顺序基于每个模块的检测时间以及检测精度来确定，这种排序方法可以给用户更好的用户体验，便于第一时间检测出攻击同时缩短用户整体活体检测通过时间。本方法可以运用在超市、食堂刷脸支付系统；银行自助系统的人脸验证系统；公司或者教育机构人脸签到系统等多个系统中。

上述的活体多重检测方法，通过利用红外检测模型对图像数据进行红外检测，避免视频攻击；利用完整性检测模型进行完整性检测，避免面具攻击；利用防纸张攻击模型进行防纸张攻击检测，避免防纸张攻击；先对图像数据进行预处理后，在经过三个模型进行多重检测，可实现防止不同方式与介质的活体攻击，以提高整个检测的准确率。

图10是本发明实施例提供的一种活体多重检测装置300的示意性框图。如图10所示，对应于以上活体多重检测方法，本发明还提供一种活体多重检测装置300。该活体多重检测装置300包括用于执行上述活体多重检测方法的单元，该装置可以被配置于服务器中。

具体地，请参阅图10，该活体多重检测装置300包括：

数据获取单元301，用于获取图像数据；

筛选单元302，用于对图像数据进行筛选，以得到待检测图像；

红外检测单元303，用于将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；

红外判断单元304，用于判断所述红外检测结果是否为视频攻击红外图像；

完整性检测单元305，用于若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；

完整性判断单元306，用于判断所述完整性检测结果是否为面具攻击图像；

攻击检测单元307，用于若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；

攻击判断单元308，用于判断所述攻击检测结果是否为真人图像；

输出单元309，用于若是，则输出图像数据为真人图像的通知。

在一实施例中，所述筛选单元302包括：

人脸图像形成子单元，用于利用mtcnn算法筛选具有人脸的图像数据以及人脸关键点，以得到人脸图像；

剔除子单元，用于根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；

计算子单元，用于计算初步待检测图像的拉普拉斯标准差；

差值筛选子单元，用于筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。

在一实施例中，所述装置还包括：

完整性模型训练单元，用于通过带有正负标签的待检测图像作为样本数据集训练神经网络，以得到完整性检测模型。

在一实施例中，完整性模型训练单元包括：

正负样本子单元，用于根据待检测图像的人脸关键点截取两瞳孔之间的正负样本；

数据集构建子单元，用于构建包含正负样本的数据集；

标定子单元，用于对数据集进行正负标签标定，以得到样本数据集；

网络构建子单元，用于构建神经网络；

转换子单元，用于将样本数据集的格式转换为lmdb数据格式；

输入子单元，用于将转换后的样本数据集输入至神经网络内进行训练，以得到完整性检测模型。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述活体多重检测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述活体多重检测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。

请参阅图11，图11是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器。

参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种活体多重检测方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种活体多重检测方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

获取图像数据；

对图像数据进行筛选，以得到待检测图像；

将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；

判断所述红外检测结果是否为视频攻击红外图像；

若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；

判断所述完整性检测结果是否为面具攻击图像；

若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；

判断所述攻击检测结果是否为真人图像；

若是，则输出图像数据为真人图像的通知。

其中，所述红外检测模型是通过带有图像类型标签的真人红外图像和视频攻击红外图像作为样本数据集训练二分类的神经网络所得的。

所述完整性检测模型是通过带有正负标签的待检测图像训练神经网络所得的。

所述防纸张攻击模型是通过纸张攻击图像数据以及真人人脸图像数据作为样本数据集训练目标检测网络所得的。

在一实施例中，处理器502在实现所述对图像数据进行筛选，以得到待检测图像步骤时，具体实现如下步骤：

利用mtcnn算法筛选具有人脸的图像数据以及人脸关键点，以得到人脸图像；

根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；

计算初步待检测图像的拉普拉斯标准差；

筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。

在一实施例中，处理器502在实现所述完整性检测模型是通过带有正负标签的待检测图像作为样本数据集训练神经网络所得的步骤时，具体实现如下步骤：

根据待检测图像的人脸关键点截取两瞳孔之间的正负样本；

构建包含正负样本的数据集；

对数据集进行正负标签标定，以得到样本数据集；

构建神经网络；

将样本数据集的格式转换为lmdb数据格式；

将转换后的样本数据集输入至神经网络内进行训练，以得到完整性检测模型。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：

获取图像数据；

对图像数据进行筛选，以得到待检测图像；

将待检测图像输入至红外检测模型进行检测，以得到红外检测结果；

判断所述红外检测结果是否为视频攻击红外图像；

若否，则将红外检测结果输入至完整性检测模型进行检测，以得到完整性检测结果；

判断所述完整性检测结果是否为面具攻击图像；

若否，则将完整性检测结果输入至防纸张攻击模型进行检测，以得到攻击检测结果；

判断所述攻击检测结果是否为真人图像；

若是，则输出图像数据为真人图像的通知。

其中，所述红外检测模型是通过带有图像类型标签的真人红外图像和视频攻击红外图像作为样本数据集训练二分类的神经网络所得的。

所述完整性检测模型是通过带有正负标签的待检测图像训练神经网络所得的。

所述防纸张攻击模型是通过纸张攻击图像数据以及真人人脸图像数据作为样本数据集训练目标检测网络所得的。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对图像数据进行筛选，以得到待检测图像步骤时，具体实现如下步骤：

利用mtcnn算法筛选具有人脸的图像数据以及人脸关键点，以得到人脸图像；

根据人脸关键点剔除非正脸的人脸图像，以得到初步待检测图像；

计算初步待检测图像的拉普拉斯标准差；

筛选拉普拉斯标准差满足设定条件的初步待检测图像，以得到待检测图像。

在一实施例中，所述处理器在执行所述计算机程序而实现所述完整性检测模型是通过带有正负标签的待检测图像作为样本数据集训练神经网络所得的步骤时，具体实现如下步骤：

根据待检测图像的人脸关键点截取两瞳孔之间的正负样本；

构建包含正负样本的数据集；

对数据集进行正负标签标定，以得到样本数据集；

构建神经网络；

将样本数据集的格式转换为lmdb数据格式；

将转换后的样本数据集输入至神经网络内进行训练，以得到完整性检测模型。

所述存储介质可以是u盘、移动硬盘、只读存储器(read-onlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明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。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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。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。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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，也可以是两个或两个以上单元集成在一个单元中。

该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，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，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。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到各种等效的修改或替换，这些修改或替换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以权利要求的保护范围为准。