对图像中的文本信息进行识别的方法及相关设备与流程

本发明涉及图像识别领域，特别是涉及对图像中的文本信息进行识别的方法及相关设备。

背景技术：

光学字符识别，简称ocr(opticalcharacterrecognition)，是对输入图像进行电子扫描并从中提取文字的过程，相比人工手打文字速度快，出错率低，能节省大量人力资源，还可用于各种领域的自动化识别如车牌识别、身份证识别、银行卡识别等。

相应的，ocr识别率，即从图像中识别出文字的准确率。未识别出文字，已识别出文字的顺序，识别出来的文字是否正确都会对其产生影响。现有技术的缺陷在于，由于待识别图像的来源存在多方面的客观差异性，会出现难以识别待识别图像的情况，导致对待识别图像中的文本信息的识别造成一定困难。

技术实现要素：

基于此，为解决相关技术中的ocr识别率低所面临的技术问题，本发明提供了一种对图像中的文本信息进行识别的方法及相关设备。

第一方面，提供了一种对图像中的文本信息进行识别的方法，包括：

获取用户端发送的待识别图像；

提取所述图像的色阶图；

将所述色阶图输入第一机器学习模型，获取由所述第一机器学习模型输出的优化后的色阶图；

基于所述优化后的色阶图及相应的所述图像，获取优化的图像；

基于光学字符识别ocr，获取所述优化的图像中包含的文本信息。

在本公开的一示例性实施例中，在所述获取用户端发送的待识别图像之前包括：

接收用户端发送的识别所述图像中的文本信息的请求；

向用户端发送对所述待识别图像的预设要求。

在本公开的一示例性实施例中，在所述提取所述图像的色阶图之前包括：

将所述图像的输入第二机器学习模型，由第二机器学习模型输出所述图像是否曝光异常的判断结果，若第二机器学习模型输出的判断结果为曝光异常，则提取所述图像的色阶图，若第二机器学习模型输出的判断结果为曝光正常则将所述图像确定为所述优化的图像。

在本公开的一示例性实施例中，所述第二机器学习模型通过以下方式训练：

将预先识别出是否曝光异常的图像样本，输入第二机器学习模型，由第二机器学习模型输出是否曝光异常的判断结果，将第二机器学习模型输出的判断结果与预先识别出的结果相比较，如不一致则调整第二机器学习模型，使第二机器学习模型输出的判断结果与预先识别出的是否曝光异常的结果一致。

在本公开的一示例性实施例中，所述提取所述图像的色阶图包括：

将所述图像切分为预定数目个同等大小的区域；

确定所述各区域的图像对应的色阶值；

确定色阶值相同的所述区域的数目；

将基于所述色阶值相同的所述区域数目和相应的色阶值得到的直方图、确定为所述图像的色阶图，所述直方图横轴方向表示色阶值、纵轴方向表示色阶值相同的所述区域数目。

在本公开的一示例性实施例中，所述第一机器学习模型通过以下方式训练：

将预先调好的图像色阶图及相应的未调整的图像色阶图样本，输入第一机器学习模型，由机器学习模型输出优化后的图像色阶图，将第一机器学习模型输出的优化后的图像色阶图与预先调好的图像色阶图相比较，如不一致，则调整第一机器学习模型，使第一机器学习模型输出的优化后的图像色阶图与预先调好的图像色阶图一致。

在本公开的一示例性实施例中，所述基于所述优化后的色阶图及相应的所述图像，获取优化的图像包括：

将所述图像的色阶按照所述优化后的色阶图进行调整，得到所述优化的图像。

根据本公开的第二方面，提供了一种对图像中的文本信息进行识别的装置包括：

第一获取模块：用于获取用户终端发送的待识别图像；

第二获取模块：用于提取所述图像的色阶图；

色阶图优化模块：用于将所述色阶图输入第一机器学习模型，获取由所述第一机器学习模型输出的优化后的色阶图；

图像优化模块：用于基于所述优化后的色阶图及相应的所述图像，获取优化的图像；

ocr识别模块：用于基于光学字符识别ocr，获取所述优化的图像中包含的文本信息。

根据本公开的第三方面，提供了一种对图像中的文本信息进行识别的电子设备，包括：

存储器，配置为存储可执行指令。

处理器，配置为执行所述存储器中存储的可执行指令，以执行以上所述的方法。

根据本公开的第四方面，提供一种计算机可读存储介质，其存储有计算机程序指令，当所述计算机指令被计算机执行时，使计算机执行以上所述的方法。

与传统技术中通过提高获取图像质量的方式来提高ocr的识别率相比，本公开的实施例通过获取用户端发送的待识别图像，提取所述图像的色阶图，将所述色阶图输入第一机器学习模型，获取由所述第一机器学习模型输出的优化后的色阶图，基于所述优化后的色阶图及相应的所述图像，获取优化的图像，基于光学字符识别ocr，获取所述优化的图像中包含的文本信息，提高了ocr对图像中文本信息的识别率。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

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的，并不能限制本公开。

附图说明

图1示出根据本公开一示例实施方式的对图像中的文本信息进行识别的流程图。

图2示出根据本公开一示例实施方式的对图像中的文本信息进行识别的装置。

图3示出根据本公开一示例实施方式的在获取用户端发送的待识别图像之前的详细流程图。

图4示出根据本公开一示例实施方式的在提取所述图像的色阶图之前的详细流程图。

图5示出根据本公开一示例实施方式的提取所述图像的色阶图的详细流程图。

图6示出根据本公开一示例实施方式的对图像中的文本信息进行识别的系统架构图。

图7示出根据本公开一示例实施方式的对图像中的文本信息进行识别的电子设备图。

图8示出根据本公开一示例实施方式的对图像中的文本信息进行识别的计算机可读存储介质图。

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。

本公开的目的在于从技术方面提高ocr识别率。根据本公开一实施例的对图像中的文本信息进行识别的方法，包括：获取用户端发送的待识别图像；提取所述图像的色阶图；将所述色阶图输入第一机器学习模型，获取由所述第一机器学习模型输出的优化后的色阶图；基于所述优化后的色阶图及相应的所述图像，获取优化的图像；基于光学字符识别ocr，获取所述优化的图像中包含的文本信息。与传统技术中通过提高获取图像的质量来提高ocr的识别率相比，本公开的实施例通过提取待识别图像的色阶图；将所述色阶图输入第一机器学习模型，获取由所述第一机器学习模型输出的优化后的色阶图；基于所述优化后的色阶图及相应的所述图像，获取优化的图像；基于光学字符识别ocr，获取所述优化的图像中包含的文本信息，提高了ocr的识别率。

图1示出根据本公开一示例实施方式的对图像中的文本信息进行识别的流程图：

步骤s100：获取用户端发送的待识别的图像；

步骤s110：提取所述图像的色阶图；

步骤s120：将所述色阶图输入第一机器学习模型，获取由所述第一机器学习模型输出的优化后的色阶图；

步骤s130：基于所述优化后的色阶图及相应的所述图像，获取优化的图像；

步骤s140：基于光学字符识别ocr，获取所述优化的图像中包含的文本信息。

下面，将结合附图对本示例实施方式中上述对图像中的文本信息进行识的各步骤进行详细的解释以及说明。

在步骤s100中，获取用户端发送的待识别的图像。

通过获取用户端发送的待识别的图像，使得服务器可以将所述待识别的图像中包含的文本信息识别出来。

在一实施例中，待识别的图像还可通过与服务器相连的其他终端采集获得，例如：通过与服务器连接的无人服务终端，获取用户放入该无人服务终端信息采集区域内的证件的图像。

在一实施例中，如图3所示，在步骤s100之前包括：

步骤s80：接收用户端发送的识别所述图像中的文本信息的请求；

步骤s90：向所述用户端发送对所述待识别图像的预设要求。

向用户端发送待识别图像的预设要求，相关用户看到待识别图像的预设要求后会发送满足预设要求的图像供服务器识别，从而提高服务器的对图像中包含的文本信息的识别率。

在一实施例中，所述预设要求可以是待识别图像的分辨率大于300dpi，图像大小不大于2mb。

在一实施例中，用户通过手机app向服务器发送识别图像中的文本信息的请求，服务器响应识别图像中的文本信息的请求发送待识别图像分辨率不得小于300dpi，图像大小不得大于2mb的预设要求，用户通过手机app查看到相关待识别图像的预设要求后，会对要发送的待识别图像进行调整，以使要发送的待识别图像的分辨率大于300dpi，小于2mb。

在步骤s110中，提取所述图像的色阶图。

色阶图是表明一张图像中不同亮度的分布图。

通过提取图像的色阶图，基于所述色阶图对所述图像进行调整，以使所述图像更清晰更便于识别所述图像中的文本信息，进而提高图像中包含的文本信息的识别率。

在一实施例中，如图4所示，步骤s110之前包括：

步骤s109：将所述图像的输入第二机器学习模型，由第二机器学习模型输出所述图像是否曝光异常的判断结果，若第二机器学习模型输出的判断结果为曝光异常，则提取所述图像的色阶图，若第二机器学习模型输出的判断结果为曝光正常则将所述图像确定为所述优化的图像。

通过第二机器学习模型判断所述图像是否曝光异常，若第二机器学习模型输出所述图像曝光正常，则可直接将所述图像作为所述优化的图像进行ocr识别，提高了服务器对图像中文本信息的识别速度，同时也节省了时间避免了不必要的运算。

在一实施例中，所述第二机器学习模型通过以下方式进行训练：

将预先识别出是否曝光异常的图像样本，输入第二机器学习模型，由第二机器学习模型输出是否曝光异常的判断结果，将第二机器学习模型输出的判断结果与预先识别出的结果相比较，如不一致则调整第二机器学习模型，使第二机器学习模型输出的判断结果与预先识别出的是否曝光异常的结果一致。

在一实施例中，用户端发送一张待识别图像，将待识别图像输入第二机器学习模型，第二机器学习模型输出的判断结果为曝光正常，则待识别图像确定为优化的图像，由ocr直接对优化的图像中包含的文本信息进行识别。

在一实施例中，用户端发送一张待识别图像，将待识别图像输入第二机器学习模型，第二机器学习模型输出的判断结果为曝光正常，则待识别图像确定为优化的图像，再对优化的图像进行二值化处理，得到二值化后的图像，由ocr对二值化后的图像中包含的文本信息进行识别。

在一实施例中，如图5所示，步骤s110包括：

步骤s1101：将所述图像切分为预定数目个同等大小的区域；

步骤s1102：确定所述各区域的图像对应的色阶值；

步骤s1103：确定色阶值相同的所述区域的数目；

步骤s1104：将基于所述色阶值相同的所述区域数目和相应的色阶值得到的直方图确定为所述图像的色阶图，所述直方图横轴方向表示色阶值、纵轴方向表示色阶值相同的所述区域数目。

通过将所述图像切分为预定数目个同等大小的区域，再确定所述区域对应的色阶值，确定色阶值相同的所述区域的数目，将基于所述色阶值相同的所述区域数目和相应的色阶值得到的直方图确定为所述图像的色阶图，可通过对所述色阶图进行调整进而获得更清晰的所述优化后的图像，来让ocr进行识别，从而提高ocr的识别率。

在一实施例中，提取所述图像的色阶图还包括：将基于所述色阶值相同的所述区域数目和相应的色阶值得到的饼状图或折线图确定为所述图像的色阶图。

在一实施例中，提取所述图像的色阶图还包括：将所述图像输入机器学习模型由机器学习模型输出所述图像的色阶图，所述机器学习模型通过以下方式进行训练，将预先画好的色阶图及相应的图像样本输入机器学习模型，将机器学习模型输出的色阶图与预先画好的色阶图相比对，若机器学习模型输出的色阶图与预先画好的色阶图不一致，则调整机器学习模型使机器学习模型输出的色阶图与预先画好的色阶图相一致。

在步骤s120中：将所述色阶图输入第一机器学习模型，获取由所述第一机器学习模型输出的优化后的色阶图。

通过第一机器学习模型输出所述图像对应的优化后的色阶图，相对于现有的通过人工的方式对所述色阶图进行调整获得优化后的色阶图相比，通过机器学习模型输出优化后的色阶图更加快速准确，也可避免不同人之间因主观上的因素导致获得的优化后的色阶图相差较大。

在一实施例中，所述第一机器学习模型通过以下方式进行训练：

将预先调好的图像色阶图及相应的未调整的图像色阶图样本，输入第一机器学习模型，由机器学习模型输出优化后的图像色阶图，将第一机器学习模型输出的优化后的图像色阶图与预先调好的图像色阶图相比较，如不一致，则调整第一机器学习模型，使第一机器学习模型输出的优化后的图像色阶图与预先调好的图像色阶图一致。

在一实施例中，获取优化后的色阶图的方法还包括：将曝光异常图像提取出的色阶图中预设色阶值范围内的色阶值调整为预设色阶值，如所述预设色阶值范围为100—150，将色阶值为100—120范围内的色阶值对应的图像区域的色阶值调整为100，将色阶值为121—150范围内的色阶值对应的图像区域的色阶值调整为150，依此获得优化后的色阶图。

在步骤s130中：基于所述优化后的色阶图及相应的所述图像，获取优化的图像。

通过优化后的色阶图，可快速的对所述图像进行调整，获得更加清晰的优化的图像，进而提高ocr的识别率。

在一实施例中，所述步骤s130包括：将所述图像的色阶按照所述优化后的色阶图进行调整，得到所述优化的图像。

在一实施例中，基于优化后的色阶图获取优化的图像还包括：确定原未优化的色阶图中阴影值、中间值、高光值，确定优化后的色阶图中阴影值、中间调值、高光值；确定优化后的色阶图中阴影值、中间调值、高光值与原未优化的色阶图中对应的阴影值、中间调值、高光值间范围内色阶值对应的区域；将所述区域的色阶值调整为相应的优化后的色阶图中阴影值、中间调值、高光值得到优化的图像，其中所述阴影值为所述阴影值为所述图像中色阶值最小的数值，原未调整色阶图中的中间调值为128色阶值，高光值为所述图像中色阶值最大的数值，所述阴影值、中间调值、高光值均可调，如原未调节的色阶图中阴影值为50，中间调值为128，高光值为210，优化后的色阶图中的阴影值为60，中间调值为140，高光值为230，则将所述图像中色阶值在50—60范围内的区域的色阶值调整为60，所述图像中色阶值为128—140范围内的区域的色阶值的区域的色阶值调整为140，所述图像中色阶值为210—230范围内的区域的色阶值调整为230，依此获得优化的图像。

在步骤s140中：基于光学字符识别ocr，获取所述优化的图像中包含的文本信息。

通过光学字符识别ocr将所述优化的图像识别为文本信息，使得图像信息转换为可被计算机使用的文本信息。

通过光学字符识别ocr(opticalcharacterrecognition)对输入图像进行电子扫描并从中提取文字的过程，相比人工手打文字速度快，出错率低，并节省大量的人力资源。

在一实施例中，当用户需要将一篇文章上的文字输入计算机时，可通过对该文章拍照的方式获得与该文章对应的图像，然后将与该文章对应的图像输出ocr进行识别的方式来将该文章上的内容输入计算机。

在一实施例中，当用户需要将一本书的文本内容输入计算机时，可通过具有ocr识别功能的电子仪器自动扫描该书本获得与该书本对应的图像，并经该电子仪器的ocr识别出与该书本对应的图像中包含的文本信息，进而获得与该书本对应的文字内容。

本公开还提供了一种对图像中的文本信息进行识别的装置。参考图2所示，所述对图像中的文本信息进行识别的装置200包括：第一获取模块210、第二获取模块220、色阶图优化模块230、图像优化模块240、ocr识别模块250。其中：

第一获取模块210，用于获取用户终端发送的待识别图像；

第二获取模块220，用于提取所述图像的色阶图；

色阶图优化模块230，用于将所述色阶图输入第一机器学习模型，获取由所述第一机器学习模型输出的优化后的色阶图；

图像优化模块240，用于基于所述优化后的色阶图及相应的所述图像，获取优化的图像；

ocr识别模块250：用于基于光学字符识别ocr，获取所述优化的图像中包含的文本信息。

上述对图像中的文本信息进行识别的装置中各模块的具体细节已经在对应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所述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，所述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。

图6示出根据本公开一示例实施方式的对图像中的文本信息进行识别的系统架构框图。所述系统架构包括：用户端310、服务器320。

在一实施例中，用户端310发送待识别图像给服务器320，服务器320提取所述待识别图像的色阶图并对所述色阶图进行调整获取优化后的色阶图，服务器320基于所述优化后的色阶图对所述待识别图像进行调整，获取优化的图像，服务器320对所述优化的图像进行识别，获取所述待识别图像中包含的文本信息。

通过以上对系统架构的描述，本领域的技术人员易于理解，这里描述的系统架构能够实现图2所示的对图像中的文本信息进行识别的装置中各个模块的功能。

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7来描述根据本发明的这种实施方式的电子设备400。图7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7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中所示步骤s100：获取对测试任务的测试任务描述；步骤s110：获取所述测试任务描述中的任务关键词；步骤s120：基于所述任务关键词与预设的配置表的匹配结果，确定测试动作，所述配置表中存储着关键词与测试动作的对应关系；步骤s130：基于所述确定的测试动作，配置测试动作。

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500(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8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600，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。