文本序列的识别方法及装置、电子设备和存储介质与流程

本公开涉及数据处理技术领域，尤其涉及一种文本序列的识别方法及装置、电子设备和存储介质。

背景技术：

在文本序列的识别场景中，识别不规则文字在诸如视觉理解、自动驾驶等领域有着重要的作用。不规则文字大量存在于交通标志、店面招牌等自然场景中，由于视角变化、光照变化等因素，导致识别难度相较于对规则文字的识别更高，识别精度低，然而，相关技术中未存在有效的解决方案。

技术实现要素：

本公开提出了一种文本序列识别的技术方案。

根据本公开的一方面，提供了一种文本序列的识别方法，所述方法包括：

获取包含文本序列的待处理图像；

根据识别网络对所述待处理图像中的文本序列进行识别，得到构成所述文本序列的多个单字符，对所述多个单字符进行字符并行处理，得到识别结果。

采用本公开，获取包含文本序列的待处理图像，由于根据识别网络对文本序列进行识别，可以得到构成该文本序列的多个单字符，不依赖于字符之间的语义关系，则对多个单字符进行字符并行处理，得到识别结果，可以提高识别精度，且并行处理可以提高处理效率。

可能的实现方式中，所述根据识别网络对所述待处理图像中的文本序列进行识别，得到构成所述文本序列的多个单字符，包括：

根据所述识别网络中设置的二叉树，识别出所述待处理图像中构成所述文本序列的所述多个单字符。

采用本公开，基于二叉树的处理可以达到对多个单字符并行编码和解码的作用，使单字符的识别精度大大提高。

可能的实现方式中，所述根据所述识别网络中设置的二叉树，识别出所述待处理图像中构成所述文本序列的所述多个单字符，包括：

根据所述二叉树对所述待处理图像中的文本序列进行编码处理，得到文本序列中对应文本片段的二叉树节点特征；

根据所述二叉树对所述二叉树节点特征进行解码处理，识别出构成所述文本片段的所述多个单字符。

采用本公开，基于二叉树编码的过程中，可以对所述待处理图像中的文本序列进行编码处理，以得到文本序列中对应文本片段的二叉树节点特征，即将一段文本序列通过编码转换为二叉树的节点特征，以便于后续基于该二叉树进行解码处理。

可能的实现方式中，所述获取包含文本序列的待处理图像之后，所述方法还包括：

通过所述识别网络，提取所述待处理图像中的文本序列的图像特征，得到特征图，以根据所述特征图识别所述文本序列，得到构成所述文本序列的多个单字符。

采用本公开，可以通过所述识别网络，提取所述待处理图像中的文本序列的图像特征，得到特征图，由于根据图像特征去处理，以便后续进行语义分析，而不是直接提取语义，相比较而言，语义分析的结果更为准确，从而提高了识别精度。

可能的实现方式中，所述通过所述识别网络，提取所述待处理图像中的文本序列的图像特征，得到特征图，包括：

将所述待处理图像中的文本序列输入特征提取模块；

经所述特征提取模块的特征提取，得到所述特征图。

采用本公开，可以通过识别网络中的特征提取模块进行特征提取，由于网络是自适应调参的，因此，特征提取所得到的特征图更为精确，从而提高了识别精度。

可能的实现方式中，所述根据所述二叉树对所述待处理图像中的文本序列进行编码处理，得到文本序列中对应文本片段的二叉树节点特征，包括：

将所述特征图输入基于序列分割注意力规则的序列分割注意力模块；

根据所述序列分割注意力模块包含的所述二叉树对所述特征图进行多通道选择，得到多个目标通道组；

根据所述多个目标通道组进行文本分割，得到文本序列中对应文本片段的二叉树节点特征。

采用本公开，基于二叉树编码的过程中，可以通过识别网络中的序列分割注意力模块进行编码，以得到文本序列中对应文本片段的二叉树节点特征，即将一段文本序列通过序列分割注意力模块中二叉树的编码转换为二叉树的节点特征，以便于后续基于该二叉树进行解码处理。由于网络是自适应调参的，因此，通过序列分割注意力模块所得到的编码结果更为精确，从而提高了识别精度。

可能的实现方式中，所述根据所述序列分割注意力模块包含的所述二叉树对所述特征图进行多通道选择，包括：

对所述特征图基于所述序列分割注意力规则进行处理，得到注意力特征矩阵后，根据所述二叉树对所述注意力特征矩阵进行多通道选择。

采用本公开，通过序列分割注意力模块中二叉树编码的过程中，可以得到注意力特征矩阵后，根据所述二叉树对所述注意力特征矩阵进行多通道选择，以便得到用于文本分割的多个目标通道组。

可能的实现方式中，所述根据所述多个目标通道组进行文本分割，得到文本序列中对应文本片段的二叉树节点特征，包括：

根据所述多个目标通道组进行文本分割，得到多个注意力特征图；

对所述特征图进行卷积处理，得到卷积处理结果；

将所述多个注意力特征图与所述卷积处理结果进行加权，根据加权结果得到文本序列中对应文本片段的二叉树节点特征。

采用本公开，通过序列分割注意力模块中二叉树编码的过程中，根据所述多个目标通道组进行文本分割，得到多个注意力特征图，将多个注意力特征图与对特征图进行卷积处理得到的卷积处理结果进行加权，则可以根据加权结果得到文本序列中对应文本片段的二叉树节点特征，以便于后续基于该二叉树进行解码处理。

可能的实现方式中，所述根据所述二叉树对所述二叉树节点特征进行解码处理，识别出构成所述文本片段的所述多个单字符，包括：

将所述二叉树和所述二叉树节点特征输入分类模块进行节点分类，得到分类结果；

根据所述分类结果，识别出构成所述文本片段的所述多个单字符。

采用本公开，基于二叉树的解码过程可以采用分类模块进行分类处理。分类处理可以将二叉树和之前编码得到的二叉树节点特征输入识别网络中的分类模块进行节点分类，得到分类结果，根据所述分类结果，识别出构成所述文本片段的所述多个单字符。基于二叉树的解码处理也是并行的，且网络是自适应调参的，因此，通过分类模块所得到的解码结果更为精确，从而提高了识别精度。

可能的实现方式中，所述根据所述分类结果，识别出构成所述文本片段的所述多个单字符，包括：

所述分类结果为单字符对应特征的情况下，判断所述单字符对应特征的文本语义，以识别出所述单字符特征对应的语义分类。

采用本公开，基于二叉树的解码过程可以采用分类模块进行分类处理。分类处理得到的分类结果为单字符对应特征的情况下，通过判断出单字符对应特征的文本语义，可以识别出单字符特征对应的语义分类，由于不是直接提取语义，而是通过分析得到语义分类，从而提高了识别精度。

根据本公开的一方面，提供了一种文本序列的识别装置，所述装置包括：

获取单元，用于获取包含文本序列的待处理图像；

识别单元，用于根据识别网络对所述待处理图像中的文本序列进行识别，得到构成所述文本序列的多个单字符，对所述多个单字符进行字符并行处理，得到识别结果。

可能的实现方式中，所述识别单元，用于：

根据所述识别网络中设置的二叉树，识别出所述待处理图像中构成所述文本序列的所述多个单字符。

可能的实现方式中，所述识别单元，用于：

根据所述二叉树对所述待处理图像中的文本序列进行编码处理，得到文本序列中对应文本片段的二叉树节点特征；

根据所述二叉树对所述二叉树节点特征进行解码处理，识别出构成所述文本片段的所述多个单字符。

可能的实现方式中，所述识别单元，用于：

通过所述识别网络，提取所述待处理图像中的文本序列的图像特征，得到特征图，以根据所述特征图识别所述文本序列，得到构成所述文本序列的多个单字符。

可能的实现方式中，所述识别单元，用于：

将所述待处理图像中的文本序列输入特征提取模块；

经所述特征提取模块的特征提取，得到所述特征图。

可能的实现方式中，所述识别单元，用于：

将所述特征图输入基于序列分割注意力规则的序列分割注意力模块；

根据所述序列分割注意力模块包含的所述二叉树对所述特征图进行多通道选择，得到多个目标通道组；

根据所述多个目标通道组进行文本分割，得到文本序列中对应文本片段的二叉树节点特征。

可能的实现方式中，所述识别单元，用于：

对所述特征图基于所述序列分割注意力规则进行处理，得到注意力特征矩阵后，根据所述二叉树对所述注意力特征矩阵进行多通道选择。

可能的实现方式中，所述识别单元，用于：

根据所述多个目标通道组进行文本分割，得到多个注意力特征图；

对所述特征图进行卷积处理，得到卷积处理结果；

将所述多个注意力特征图与所述卷积处理结果进行加权，根据加权结果得到文本序列中对应文本片段的二叉树节点特征。

可能的实现方式中，所述识别单元，用于：

将所述二叉树和所述二叉树节点特征输入分类模块进行节点分类，得到分类结果；

根据所述分类结果，识别出构成所述文本片段的所述多个单字符。

可能的实现方式中，所述识别单元，用于：

所述分类结果为单字符对应特征的情况下，判断所述单字符对应特征的文本语义，以识别出所述单字符特征对应的语义分类。

根据本公开的一方面，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：执行上述文本序列的识别方法。

根据本公开的一方面，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文本序列的识别方法。

在本公开实施例中，通过获取包含文本序列的待处理图像，根据识别网络对所述待处理图像中的文本序列进行识别，得到构成所述文本序列的多个单字符，对所述多个单字符进行字符并行处理，得到识别结果。采用本公开，获取包含文本序列的待处理图像，由于根据识别网络对文本序列进行识别，可以得到构成该文本序列的多个单字符，不依赖于字符之间的语义关系，则对多个单字符进行字符并行处理，得到识别结果，可以提高识别精度，且并行处理可以提高处理效率。

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，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文本序列的识别方法的流程图。

图2示出根据本公开实施例的文本序列的识别方法的流程图。

图3示出根据本公开实施例的基于注意力机制的卷积神经网络的示意图。

图4a-图4d示出根据本公开实施例的基于注意力机制的卷积神经网络中所包含二叉树的示意图。

图5示出根据本公开实施例的基于注意力机制的卷积神经网络中序列分割注意力模块的示意图。

图6示出根据本公开实施例的处理装置的框图。

图7示出根据本公开实施例的电子设备的框图。

图8示出根据本公开实施例的电子设备的框图。

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，为了更好的说明本公开，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。

文本序列的识别场景中，可以对规则文字进行识别，也可以对不规则文字进行识别。以识别不规则文字为例，如店铺上的店名或标识是不规则文字，交通标识是不规则文字，对不规则文字的识别在诸如视觉理解、自动驾驶等领域有着重要的作用。

虽然对于规则文字的识别，例如文档解析等任务已经在相关技术中得到较好的解决。然而，不同于对规则文字的识别，对于不规则文字的识别来说，由于不规则文字大量存在于交通标志、店面招牌等自然场景中，由于视角变化、光照变化等因素，其识别难度远远大于规则文字，因而，规则文字的识别技术并不能满足不规则文字识别的应用需求。

不规则文字识别技术可以使用编码-解码框架，其中，编码器和解码器部分可以使用递归神经网络。递归神经网络是一个串行处理的网络，其本质是每一步进行一次输入，相应的得到一个输出结果。不管是针对规则文字还是不规则文字，使用递归神经网络的编码和解码都必须一个字符一个字符的编码及解码输出。

将递归神经网络应用于规则文字识别中，可以采用一个卷积神经网络，对输入图像进行降采样，最终得到一个高度为1像素，宽度为w像素的一个特征图，然后采用长短期记忆(lstm，longshorttermmemory)等递归神经网络，从左到右对文本序列中的字符进行编码，得到一个特征向量，随后使用连接时序分类器(ctc，connectionisttemporalclassification)算法进行解码操作，从而得到最终的字符输出。

将递归神经网络应用于不规则文字识别中，可以从左到右对文本序列中的字符进行编码，为了更好的提取图像特征，可以采用注意力模块与递归神经网络结合的方式来对图像特征进行提取，该网络可以为卷积神经网络结构，采用卷积神经网络结构与上述对规则文字识别的做法基本相同，但是控制了降采样的倍率，使得最后的特征图的高度不为1而为h。之后，采用一个最大池化层来让特征图的高度变为1，然后依然采用递归神经网络进行编码，取递归神经网络的最后一个输出作为编码结果。解码器被替换成另外一个递归神经网络，第一次的递归输入为编码器的输出，之后每次递归的输出会被输入到注意力模块对该特征图进行加权，从而得到每一步的文字输出。每一步的文字输出对应一个字符，并且最后一次的输出为结束字符。

综上所述，不论是规则文字识别，还是不规则文字识别，都采用了递归神经网络作为编码器或解码器，而文字识别本质上是一个序列化的任务，如果采用递归神经网络编码或解码，由于该递归神经网络只能串行处理的特性，其每一次递归的输出往往依赖之前的输出，容易造成累计误差，导致对文字识别的精度低，且串行处理在很大程度上也限制了文字识别的处理效率。可见，递归神经网络的串行处理特性应用于序列化的文字识别任务，并不适用。尤其对于不规则文字的识别，很大程度上依赖于解码器对上下文语义的编码，而非图像特征编码，这对于一些有重复字符或文字无语义的场景例如车牌号识别等来说，会导致识别精度更低。

采用本公开的识别网络(可以是基于注意力机制的卷积神经网络)对所述待处理图像中的文本序列进行识别，得到构成所述文本序列的多个单字符，可以根据识别网络对所述多个单字符进行字符并行处理，得到识别结果(如包含由多个单字符构成的上述文本序列)。从而，通过该识别网络和并行处理的方式，提高了对文本序列识别任务的识别精度和识别效率。其中，通过识别网络进行识别的过程中，可以包括：基于二叉树进行编码，以得到文本序列中文本片段的二叉树节点特征；以及，基于二叉树进行解码情况下，根据二叉树节点特征进行单字符识别。基于二叉树进行编码和解码也是并行处理的机制，从而，可以进一步提高了对文本序列识别任务的识别精度和识别效率。

需要指出的是：本公开基于二叉树的并行处理，可以把一个串行处理的任务分解开来，并将其分配给一个或多个二叉树同时处理，二叉树是树形连接方式的数据结构。本公开不限于基于二叉树的编码和解码，还可以是三叉树等树形的网络结构，及其他非树形的网络结构，只要可以实现并行编码和解码的网络结构都在本公开的保护范围之内。

图1示出根据本公开实施例的文本序列识别方法的流程图，该方法应用于文本序列识别装置，例如，该装置部署于终端设备或服务器或其它处理设备执行的情况下，可以执行图像分类、图像检测和视频处理等等。其中，终端设备可以为用户设备(ue，userequipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(pda，personaldigitalassistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该流程包括：

步骤s101、获取包含文本序列的待处理图像。

一示例中，可以通过对目标对象(如某家店铺店名)进行图像采集，得到包含文本序列(如不规则文本序列)的待处理图像，当然，也可以接收外部设备传输的待处理图像。不规则文本序列可以是店铺上的店名或标识，还可以是各类交通标识等等。文字序列是否规则，可以通过文字行的形状来判断，比如，单行水平是规则的。而弯曲文字行，比如星巴克的标识是不规则的。

步骤s102、根据识别网络对所述待处理图像中的文本序列进行识别，得到构成所述文本序列的多个单字符，对所述多个单字符进行字符并行处理，得到识别结果。

一示例中，可以根据所述识别网络中设置的二叉树，对所述待处理图像中的文本序列中的所述多个单字符进行识别。识别网络可以是：基于注意力机制的卷积神经网络，本公开不局限该具体的网络结构，可以设置有二叉树并基于该二叉树识别多个单字符的神经网络都在本公开的保护范围之内。

一示例中，根据所述识别网络对所述多个单字符进行字符并行处理，得到包含由多个单字符构成的文本序列。该文本序列即为该识别结果。应用本公开识别网络中设置的二叉树进行如下的编码及解码，可以将文本序列切割为文本片段，以识别出该文本片段中的多个单字符。识别出多个单字符后，继续应用该识别网络进行字符并行处理，由于识别网络的本质是基于人工神经网络的神经网络模型，而神经网络模型的特性之一是可以实现并行分布处理，因此，可以将多个单字符基于神经网络模型进行并行分别处理，从而得到由多个单字符构成的文本序列。

该识别过程可以包括：1)基于二叉树进行编码，以得到文本序列中文本片段的二叉树节点特征；以及，2)基于二叉树进行解码情况下，根据二叉树节点特征进行单字符识别。比如，可以通过特征提取模块得到特征图，之后，将该特征图输入基于注意力机制的序列分割注意力模块进行编码，以产生二叉分割树对应节点的特征，即上述文本片段的二叉树节点特征，然后，将文本片段的二叉树节点特征输出给分类模块进行解码，可以在解码过程中执行两次分类，以识别得到文本片段中单字符的含义。

相关技术中，采用递归神经网络进行串行处理，比如，对于不规则文字，是从左到右对字符进行编码，编码依赖字符之间的语义关系，而采用本公开，获取包含文本序列的待处理图像后，可以通过识别网络(如基于注意力机制的卷积神经网络)得到构成该文本序列的多个单字符，对多个单字符进行字符并行处理，得到识别结果，由于不需要依赖于字符之间的语义关系，得到多个单字符后并行处理即可，从而提高了文字识别任务的识别精度和处理效率。

图2示出根据本公开实施例的文本序列识别方法的流程图，如图2所示，该流程包括：

步骤s201、对目标对象进行图像采集，得到包含文本序列的待处理图像。

可以通过包含采集处理器(如摄像头)的采集装置对目标图象进行图像采集，以得到包含文本序列，如不规则文本序列的待处理图像。

步骤s202、通过所述识别网络，提取所述待处理图像中的文本序列的图像特征，得到特征图。

一示例中，通过所述识别网络(如基于注意力机制的卷积神经网络)，提取所述待处理图像中的文本序列的图像特征，可以得到图像卷积特征图。相关技术中，通过递归神经网络由于只能进行串行处理，比如，对于不规则文字，是从左到右对字符进行编码，采用这种方式不能很好的提取图像特征，且提取的通常是上下文语义，而采用本公开的识别网络提取的是图像卷积特征图，相比之上下文语义包含了更多特征信息，有助于后续的识别处理。

一示例中，该基于注意力机制的卷积神经网络，其注意力机制可以为序列分割注意力规则。

其中，注意力机制，被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中，其目的是为了从众多信息中选择出对当前任务目标更关键的信息，提高了从大量信息中筛选出高价值信息的准确度和处理效率。通俗来说，与人类的注意力机制类似，比如，人类是通过快速扫描文本来获得需要重点关注的区域，即注意力焦点，之后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，从而抑制其他无用信息，达到筛选出高价值信息的目的。

其中，所述序列分割注意力规则，用于表征单字符在所述文本序列中的位置。由于该规则可以表征单字符在所述文本序列中的位置，且通过二叉树编码的目的是不依赖字符间的语义，是将文本序列拆分成文本片段，进而识别出文本片段中的多个单字符，并且为了对应二叉树的编码和后续的解码，是通过该编码将文本片段以文本序列中文本片段的二叉树节点特征进行描述，因此，遵循该规则并根据该规则进行二叉树的宽度优先遍历，从而，在编码不依赖字符间语义的情况下实现了并行编码，提高了识别精度和处理效率。也就是说，输入文本序列或语音信号序列等到本公开的识别网络中，可以通过序列分割注意力规则和二叉树，将这些序列转换成一个中间层的描述(比如，文本片段的二叉树节点特征进行描述)，然后基于该中间层的描述所提供的信息得到最终的识别结果。

就宽度优先遍历而言，从根结点开始沿着二叉树的宽度进行搜索遍历，深度遍历树的各个节点，以便搜索到该二叉树的各个分支。比如，从二叉树的一个节点(可以是根节点，也可以是叶子节点)开始，检查与这个节点相连的其他节点，以得到该各个访问分支。

从网络结构来说，该基于注意力机制的卷积神经网络至少包括：用于提取特征图的特征提取模块(可以由图卷积神经网络来实现)，以及结合二叉树实现的序列分割注意力规则的序列分割注意力模块。可以将所述待处理图像中的文本序列输入特征提取模块进行特征提取以得到特征图，所述特征提取模块为所述识别网络前端的主干(backbone)模块。可以将所述特征图输入包含所述二叉树的序列分割注意力模块，通过该序列分割注意力模块对输入的特征图进行编码处理，以产生二叉分割树每个节点对应的特征，即文本序列中文本片段的二叉树节点特征，所述序列分割注意力模块为该基于序列分割注意力规则的卷积神经网络的字符位置判别模块。所述序列分割注意力模块还可以与分类模块连接，以便将文本序列中文本片段的二叉树节点特征输入该分类模块进行解码处理。

图3示出根据本公开实施例的基于注意力机制的卷积神经网络的示意图，包括：特征提取模块11、序列分割注意力模块12和分类模块13。序列分割注意力模块12中包含预设的二叉树(也可以称为二叉分割树或二叉选择树)，通过特征提取模块11可以根据输入的图像产生对应的特征图(如图像卷积特征图)。通过序列分割注意力模块12可以将特征提取模块输出的特征图作为输入，根据序列分割注意力模块中包含的二叉树进行编码，对文本序列不同位置的文字片段进行特征提取，以产生每个二叉树节点对应的特征，如文本序列中对应文本片段的二叉树节点特征。通过分类模块13可以对序列分割注意力模块的输出结果121进行分类，以得到最终的识别结果，即分类处理后识别得到由文本片段构成的该文本序列并将其作为识别结果。其中，特征提取模块可以是卷积神经网络(cnn，convolutionalneuralnetwork)或图卷积网络(gcn，graphconvolutionalnetwork)。序列分割注意力模块可以是序列分割注意力网络(spa2net，sequencepartition-awareattentionnetwork)

其中，通过序列分割注意力模块中设置的二叉树进行编码的过程中，由于二叉树每个节点都是与图像卷积特征图通道数量相同维度的一个向量，则通过二叉树对图像卷积特征图的每个通道进行选择时，可以由选择出的通道组得到目前关注的字符序列部分的注意力位置，其中，选择出的通道所对应在二叉树的节点通道值为1，其他为0，比如，可以将“连续的一段1”来表示一组通道。而二叉树每个节点都是一个向量，通过1和0可以表示二叉树节点特征，如图4a-图4d所示，通过基于节点特征的编码来描述目前关注的字符序列部分的注意力位置。还可以根据图像卷积特征图得到注意力矩阵后进行所述每个通道进行选择的处理。执行所述每个通道进行选择的处理之后，将由此得到的不同注意力特征图与所述图像卷积特征图进行加权，根据得到的加权和可以进行基于神经网络全连接层(fullconnectedlayer，fc层)(如图3中的fc层)的两次分类。其中，根据第一次分类可以判断该字符序列位置是否只包含一个文字，否的话，进行下一次文本片段基于二叉树的文本分割编码处理，是的话，进行第二次分类，根据第二次分类对单字符类别进行分类，以获知其语义特征，从而根据语义特征识别出单字符所代表的含义。

由于序列分割注意力模块中设置的二叉树的每个节点都可以并行的进行计算，且每个字符的预测并不依赖于其前后字符的预测，因此，通过二叉树的叶子节点来编码得到多个单字符后，遵循序列分割注意力模块所基于的上述序列分割注意力规则进行二叉树的宽度优先遍历，即可拿到所有的字符输出，从而，在编码不依赖字符间语义的情况下实现并行编码，提高了识别精度和处理效率。图4a-图4d示出根据本公开实施例的基于注意力机制的卷积神经网络中所包含二叉树的示意图。图4a-图4d所采用的编码格式，分别根据不同二叉树对于不同长度的字符串进行编码，可以得到经图4a所示二叉树对文本片段进行编码，该文本片段中包含单字符“a”；以及经图4b所示二叉树对文本片段进行编码，该文本片段为“ab”，包含多个单字符“a”和“b”；以及，经图4c所示二叉树对文本片段进行编码，该文本片段为“abc”，包含多个单字符“a”、“b”和“c”；以及，经图4d所示二叉树对文本片段进行编码，该文本片段为“abcd”，包含多个单字符“a”、“b”、“c”和“d”。各个二叉树中针对每个节点都是并行计算的，在具体应用时可以如上添加一个宽度优先遍历，以得到各个访问分支。

步骤s203、根据识别网络中设置的二叉树，对待处理图像中的文本序列进行编码处理，得到文本序列中对应文本片段的二叉树节点特征。

一示例中，可以根据识别网络中设置的二叉树，对待处理图像中的文本序列进行用于对文本序列文本分割的编码处理，可以简称文本分割的编码处理。

步骤s204、根据识别网络中设置的二叉树，对文本序列中对应文本片段的二叉树节点特征进行解码处理，识别出该文本片段中的多个单字符。

一示例中，根据该二叉树对该二叉树节点特征进行解码处理的过程，可以通过分类模块来实现，本公开不局限通过分类处理来实现解码处理和具体的模块结构，可以基于二叉树实现解码的处理模块都在本公开的保护范围之内。

比如，通过分类模块的第一次分类来判断文本序列中对应文本片段是否只包含单字符，如只包含单字符，则进行第二次分类；如果不只包含单字符，则进行下一次文本分割的编码处理。对于第二次分类，是对单个字符的语义特征进行识别。最终，对文本片段中的该多个单字符都进行了识别。

通过上述步骤s203-步骤s204，可以实现根据识别网络对待处理图像中的文本序列进行识别，以得到构成文本序列的多个单字符。

步骤s205、根据所述识别网络对所述多个单字符进行字符并行处理，得到识别结果。

一示例中，根据所述识别网络(如基于注意力机制的卷积神经网络)对所述多个单字符进行字符并行处理，得到包含由多个单字符构成的文本序列。该文本序列即为该识别结果。

采用本公开，可以根据识别网络中设置的二叉树，对待处理图像中的文本序列进行编码处理及对应的解码处理，该识别网络可以基于序列分割注意力规则进行并行处理，也就是说，本公开基于包含二叉树的该识别网络进行的编码和解码处理也是并行的，且通过该识别网络中的二叉树可以使用固定比例的通道来编码相同比例长度的文字行位置。

其中，二叉树所基于的二分法的实现原理如下：二分法是对一文本序列，每次以“1/2的固定比例”取文本序列中间的一个数进行比较，以确定出将该文本序列如何分割成两个文本片段，及对分割得到的文本片段继续以“1/2的固定比例”比较，以得到比较结果，直到只剩一个单字符，结束分割处理。将二分法应用于二叉树情况下，由于二叉树的结构包括：根节点、根节点下面的叶子节点、叶子节点下面还可以有叶子节点的子节点等，且连接各个节点的通道称之为节点通道，因此，从二叉树的编码角度可以理解为：将文本序列每次以“1/2的固定比例通道”分割并确定每次如何去掉一半的文本片段作为下一节点对应该文本片段的节点特征，及对分割得到的文本片段继续以“1/2的固定比例通道”比较，以得到比较结果，直到只剩一个单字符，结束分割处理。比如，采用二叉树的根节点表示整个文本序列“abcdf”，该根节点编码了5个字符。该根节点之后的左右孩子(左右孩子指根节点的叶子节点，叶子节点下面还可以有叶子节点的子节点等)分别对应该根节点所表示的文本序列“abcdf”的前一半文本片段“abc”与后一半文本片段“df”。然后，继续对前一半文本片段“abc”继续以“1/2的固定比例通道”分割，得到前一半文本片段“ab”与后一半文本片段“c”，对于包含后一半文本片段“c”的节点通道，由于只剩单字符，因此，对该节点通道分割结束；继续对前一半文本片段“ab”以“1/2的固定比例通道”分割，得到前一半文本片段“a”与后一半文本片段“b”由于只剩单字符，因此，对该节点通道分割结束。同理，对文本片段“df”以“1/2的固定比例通道”分割，得到前一半文本片段“d”与后一半文本片段“f”，由于只剩单字符，因此，对该节点通道分割结束。虽然二叉树基于二分法，在分割的编码处理时都是基于“1/2的固定比例通道”予以分割，但是，对于字符处于无论文字序列中哪个具体文字行位置，都是采用相同比例长度来编码，比如，可以采用4bit长度的编码“1000”表示“a”，采用4bit长度的编码“0011”表示“c”，采用4bit长度的编码“1100”表示“ab”，采用4bit长度的编码“1111”表示“abc”等等。也就是说，编码的长度是相同比例长度，但是通过不同“1”和“0”的编码组合可以描述文本序列中位于不同文字行位置的字符。

图5示出根据本公开实施例的基于注意力机制的卷积神经网络中序列分割注意力模块的示意图。通过特征提取模块(如cnn或gcn)，可以根据输入的图像产生对应的特征图(如图像卷积特征图)，如图5中的x为该特征图。序列分割注意力模块(如spa2net)将特征提取模块输出的特征图作为输入，根据序列分割注意力模块中包含的二叉树进行编码，对文本序列不同位置的文字片段进行特征提取，以产生每个二叉树节点对应的特征，如文本序列中对应文本片段的二叉树节点特征，具体的，可以是根据一个文本片段得到一个二叉树，也可以是根据一个文本序列得到一个二叉树，然后一个二叉树节点是一个文本片段。

其中，序列分割注意力模块中的a模块和b模块可以分别为卷积神经网络，比如可以为分别包含两个卷积层的cnn，可以分别用来预测注意力和对特征图进行变化。比如，a模块用于获得特征图x后获取注意力的输出，例如可以根据图5中相对位置自注意模块采用如transformer算法运算得到输出特征，将该输出特征通过至少一个卷积模块的运算及激活函数如sigmoid的非线性运算，以得到注意力矩阵xa，而b模块用于继续提取特征，来更新该特征图；xa为a模块输出的注意力矩阵，xa会被c模块(如包含二叉树的模块)来进行多通道选择，例如图5中使用c模块对xa逐通道进行乘法运算，得到每个通道的注意力特征图d，所选择出的不同注意力特征图d会用来对b模块的输出进行加权和，从而提取每一部分的特征e，将该特征e作为通过序列分割注意力模块得到的输出结果121并提供给分类模块进行分类处理。其中，该特征e用于表征整个序列文本中某文本片段的特征，可以称之为每个二叉树节点对应的特征，如文本序列中对应文本片段的二叉树节点特征。通过分类模块进行分类处理的过程中，该特征首先会被分类出是否为单个字符识别的特征，如果是的话，会直接被分类出字的类别，以获知其语义特征，从而根据语义特征识别出单字符所代表的含义。

上述序列分割注意力模块的处理主要通过如下公式(1)-公式(3)实现，其中，公式(1)用于计算a模块输出的注意力矩阵xa；公式(2)用于计算注意力矩阵xa被c模块(如包含二叉树的模块)进行多通道选择后所选择出的不同注意力特征图d；公式(3)用于计算不同注意力特征图d用来对b模块的输出进行加权和，以提取每一部分的特征e，并将该特征e作为通过序列分割注意力模块得到的输出结果121。

xa＝δ(t(x)*wa1*wa2)(1)

其中，公式(1)中，x为输入的图像通过特征提取模块得到的卷积特征图；wa1及wa2分别为卷积运算的卷积核，*为卷积运算符；t(x)为对特征图x通过相对位置自注意力模块进行运算得到的输出特征，δ为采用激活函数如sigmoid函数运算，最终得到a模块输出的注意力矩阵xa。公式(2)中，xa为a模块输出的注意力矩阵；⊙为逐通道乘法运算符，pt为基于二叉树将文本序列分割为对应文本片段的编码过程中第t个二叉树节点特征，即对应文本片段的字符位置编码，其中，t为二叉树的节点序号，如图4a-图4d所示的节点序号0-节点序号6；maxpool为沿通道方向的最大池化运算符；d为多通道选择后所选择出的不同注意力特征图。公式(3)中，x为输入的图像通过特征提取模块得到的特征图；wf1及wf2分别为卷积运算的卷积核；h及w分别为注意力特征图d的高度信息和宽度信息；d为进行多通道选择后所选择出的不同注意力特征图；e为由不同注意力图d与卷积特征图(b模块的输出)进行加权得到的特征向量；公式(2)-公式(3)中的i皆为基于二叉树进行宽度优先遍历所采用的遍历参数。需要指出的是，d和e都是通用表达，d可以为di，di特指遍历到二叉树节点i位置对应的某特征图，e可以为ei，ei特指根据di得到的特征向量。

对本公开的编码部分描述如下：

可能的实现方式中，对于根据所述二叉树对所述待处理图像中的文本序列进行文本分割的编码处理，得到文本序列中对应文本片段的二叉树节点特征，包括：将所述特征图输入包含所述二叉树的序列分割注意力模块，所述序列分割注意力模块为所述识别网络的字符位置判别模块；根据所述二叉树对所述特征图进行多通道(如每个通道)选择，得到多个目标通道组；根据所述多个目标通道组进行文本分割的编码，得到文本序列中对应文本片段的二叉树节点特征。

可能的实现方式中，对于根据所述二叉树对所述特征图进行多通道选择，包括：对所述特征图基于所述序列分割注意力规则进行处理，得到注意力特征矩阵(如图5中的xa)后，根据所述二叉树对所述注意力特征矩阵进行多通道选择。比如，通过序列分割注意力规则进行预测后得到了注意力矩阵，然后，将该注意力矩阵提供给二叉树做多通道选择，最终输出多个不同注意力特征图(如图5中的d)。

可能的实现方式中，根据所述多个目标通道组进行文本分割，得到文本序列中对应文本片段的二叉树节点特征，包括：根据所述二叉树对所述特征图进行多通道选择得到的该多个目标通道组进行文本分割的编码，得到多个注意力特征图(如图5中的d)；对初始输入该识别网络的所述特征图进行卷积处理，得到卷积处理结果(如图5中b模块的输出)；将所述多个注意力特征图与所述卷积处理结果进行加权，根据加权结果得到文本序列中对应文本片段的二叉树节点特征(如图5中的e)。

本公开的解码部分相对编码来说，相对简单，在分类模块中可以包括两个分类器(如节点分类器和字符分类器)以进行两次分类，通过节点分类器进行第一次分类，是对二叉树节点特征进行分类，得到根据节点分类器的输出，将输出结果(单字符)输入字符分类器进行第二次分类，是对单字符对应的文本语义进行分类。

对本公开的解码部分描述如下：

可能的实现方式中，根据所述二叉树对所述二叉树节点特征进行解码处理，以对所述文本片段中的所述多个单字符进行识别，包括：将所述二叉树和所述二叉树节点特征输入分类模块进行节点分类，得到分类结果；根据所述分类结果，对所述文本片段中的所述多个单字符进行识别。其中，根据所述分类结果，对所述文本片段中的所述多个单字符进行识别，包括：所述分类结果为单字符对应特征的情况下，说明该二叉树节点特征对应的所述文本片段中包含单字符，则判断所述单字符对应的文本语义(以获知单个字符对应的含义)，以识别出所述单字符对应的语义分类。

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而对实施过程构成任何限定，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。

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，本公开还提供了文本序列的识别装置、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文本序列的识别方法，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。

图6示出根据本公开实施例的文本序列的识别装置的框图，如图6所示，该装置，包括：获取单元31，用于获取包含文本序列的待处理图像；识别单元32，用于根据识别网络对所述待处理图像中的文本序列进行识别，得到构成所述文本序列的多个单字符，对所述多个单字符进行字符并行处理，得到识别结果。

可能的实现方式中，所述识别单元，用于：根据所述识别网络中设置的二叉树，识别出所述待处理图像中构成所述文本序列的所述多个单字符。

可能的实现方式中，所述识别单元，用于：根据所述二叉树对所述待处理图像中的文本序列进行编码处理，得到文本序列中对应文本片段的二叉树节点特征；根据所述二叉树对所述二叉树节点特征进行解码处理，识别出构成所述文本片段的所述多个单字符。

可能的实现方式中，所述识别单元，用于：通过所述识别网络，提取所述待处理图像中的文本序列的图像特征，得到特征图，以根据所述特征图识别所述文本序列，得到构成所述文本序列的多个单字符。

可能的实现方式中，所述识别单元，用于：将所述待处理图像中的文本序列输入特征提取模块；经所述特征提取模块的特征提取，得到所述特征图。

可能的实现方式中，所述识别单元，用于：将所述特征图输入基于序列分割注意力规则的序列分割注意力模块；根据所述序列分割注意力模块包含的所述二叉树对所述特征图进行多通道选择，得到多个目标通道组；根据所述多个目标通道组进行文本分割，得到文本序列中对应文本片段的二叉树节点特征。

可能的实现方式中，所述识别单元，用于：对所述特征图基于所述序列分割注意力规则进行处理，得到注意力特征矩阵后，根据所述二叉树对所述注意力特征矩阵进行多通道选择。

可能的实现方式中，所述识别单元，用于：根据所述多个目标通道组进行文本分割，得到多个注意力特征图；对所述特征图进行卷积处理，得到卷积处理结果；将所述多个注意力特征图与所述卷积处理结果进行加权，根据加权结果得到文本序列中对应文本片段的二叉树节点特征。

可能的实现方式中，所述识别单元，用于：将所述二叉树和所述二叉树节点特征输入分类模块进行节点分类，得到分类结果；根据所述分类结果，识别出构成所述文本片段的所述多个单字符。

可能的实现方式中，所述识别单元，用于：所述分类结果为单字符对应特征的情况下，判断所述单字符对应特征的文本语义，以识别出所述单字符特征对应的语义分类。

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易失性计算机可读存储介质或非易失性计算机可读存储介质。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的文本序列的识别指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的文本序列的识别方法的操作。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(sdk，softwaredevelopmentkit)等等。

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7是根据一示例性实施例示出的一种电子设备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7，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8是根据一示例性实施例示出的一种电子设备900的框图。例如，电子设备900可以被提供为一服务器。参照图8，电子设备900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932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922被配置为执行指令，以执行上述方法。

电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理，一个有线或无线网络接口950被配置为将电子设备900连接到网络，和一个输入输出(i/o)接口958。电子设备900可以操作基于存储在存储器932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括计算机程序指令的存储器932，上述计算机程序指令可由电子设备900的处理组件922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。

在不违背逻辑的情况下，本申请不同实施例之间可以相互结合，不同实施例描述有所侧重，为侧重描述的部分可以参见其他实施例的记载。

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技术的技术改进，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。