鸟情检测方法、装置、计算机设备及存储介质与流程

本发明涉及鸟情探测方法，更具体地说是指鸟情检测方法、装置、计算机设备及存储介质。

背景技术：

在一些特殊的场合会由于鸟类的存在，导致灾难的发生，比如机场，在这些特殊的场合配备了一些比较常见的基础驱鸟设备，例如超声波，煤气炮，激光等设备，但这些设备的驱动方式包括比较传统的定时驱动或者人工驱动。

现有的解决方式是对鸟情进行检测，以进行针对性的驱赶鸟类，目前采用采用监控设备检测鸟的方式是通过检测单只鸟，通过累加统计出总体检测鸟的数目，如果一旦出现多只鸟重叠或者鸟与鸟之间互相遮挡，导致无法检测出鸟，或者检测出的鸟数量不准确，导致对鸟情误判，从而影响驱赶效果。

因此，有必要设计一种新的方法，实现大概估算鸟群的数量，准确检测当前情况的鸟情，以便于提高驱赶效果。

技术实现要素：

本发明的目的在于克服现有技术的缺陷，提供鸟情检测方法、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：鸟情检测方法，包括：

获取实时图像，以得到待检测图像；

将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；

根据所述检测结果进行鸟情分析，以得到分析结果；

根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作；

其中，所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络所得的。

其进一步技术方案为：所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据集训练深度学习神经网络所得的，包括：

获取鸟类图像；

对鸟类图像进行鸟类位置标签以及表示鸟类数量的等级标签的标注，以得到样本数据集；

采用样本数据集训练深度学习神经网络，以得到鸟情检测模型。

其进一步技术方案为：所述采用样本数据集训练深度学习神经网络，以得到鸟情检测模型，包括：

将样本数据集划分为训练集以及测试集；

设置yolov4算法训练的参数；

使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型；

采用测试集对初始模型进行测试，以得到测试结果；

判断所述测试结果是否符合要求；

若所述测试结果不符合要求，则执行所述设置yolov4算法训练的参数；

若所述测试结果符合要求，则将所述初始模型作为鸟情检测模型。

其进一步技术方案为：所述检测结果包括鸟群的数量所对应的等级以及鸟群所在的位置信息。

其进一步技术方案为：根据所述检测结果进行鸟情分析，以得到分析结果，包括：

根据所述检测结果截取实时图像，以得到中间图像；

将所述中间图像输入鸟类识别模型进行鸟类识别，以得到类别；

根据所述类别建立对应的鸟情数据库；

对鸟情数据库进行鸟类生态环境的分析，以得到分析结果。

其进一步技术方案为：所述鸟类识别模型是通过若干个带有鸟类别标签的图像作为样本数据训练卷积神经网络所得的。

本发明还提供了鸟情检测装置，包括：

实时图像获取单元，用于获取实时图像，以得到待检测图像；

检测单元，用于将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；

分析单元，用于根据所述检测结果进行鸟情分析，以得到分析结果；

发送单元，用于根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作。

其进一步技术方案为：所述分析单元包括：

截取子单元，用于根据所述检测结果截取实时图像，以得到中间图像；

识别子单元，用于将所述中间图像输入鸟类识别模型进行鸟类识别，以得到类别；

建立子单元，用于根据所述类别建立对应的鸟情数据库；

环境分析子单元，用于对鸟情数据库进行鸟类生态环境的分析，以得到分析结果。

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：本发明通过获取实时图像，再将图像输入至鸟情检测模型内进行鸟情检测，该鸟情检测模型可对单只鸟、多只鸟以及重叠的鸟群进行检测，并估算出整个实时图像内的鸟数量，再根据得到检测结果进行鸟情分析，再根据鸟情分析结果进行对应的驱鸟操作，实现大概估算鸟群的数量，准确检测当前情况的鸟情，以便于提高驱赶效果。

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鸟情检测方法的应用场景示意图；

图2为本发明实施例提供的鸟情检测方法的流程示意图；

图3为本发明实施例提供的鸟情检测方法的子流程示意图；

图4为本发明实施例提供的鸟情检测方法的子流程示意图；

图5为本发明实施例提供的鸟情检测方法的子流程示意图；

图6为本发明实施例提供的鸟情检测装置的示意性框图；

图7为本发明实施例提供的鸟情检测装置的分析单元的示意性框图；

图8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鸟情检测方法的应用场景示意图。图2为本发明实施例提供的鸟情检测方法的示意性流程图。该鸟情检测方法应用于服务器中。该服务器与摄像设备、驱鸟设备进行数据交互，从摄像设备获取到实时图像，利用训练完毕的鸟情检测模型进行检测，在根据检测结果进行分析，依据分析结果驱动对应的驱鸟设备进行驱鸟操作。

图2是本发明实施例提供的鸟情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s140。

s110、获取实时图像，以得到待检测图像。

在本实施例中，待检测图像是指摄像设备拍摄所得的某一区域的图像。

s120、将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果。

在本实施例中，检测结果是指鸟情检测模型对待检测图像进行检测所得的鸟群所在的位置以及该位置对应的鸟群数量等级。具体地，所述检测结果包括鸟群的数量所对应的等级以及鸟群所在的位置信息。

其中，所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络所得的。

在一实施例中，请参阅图3，上述的鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络所得的，可包括步骤s121～s123。

s121、获取鸟类图像。

在本实施例中，鸟类图像是指采用摄像头或者网络收集，随手抓拍等各种方式收集不同天气，不同时间的鸟类照片。

s122、对鸟类图像进行鸟类位置标签以及表示鸟类数量的等级标签的标注，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鸟类图像且可用于训练深度学习神经网络的数据。

通过网络上收集和人工拍摄到鸟类图像，尽可能的收集到各种环境背景下的鸟类图像，使用对鸟类图像进行标注，保存为xml数据格式文件。

将采集到的鸟类图像中的鸟群用矩形框标出来，鸟群标注分为6个等级，分别为红，橙，黄，绿，青，蓝表示。对于鸟类图像中只有单只鸟则标注为蓝级，对于多只鸟相互遮挡或者重叠，无法标出单只鸟数据的情况，则根据数量情况分别按2-10、1-30、31-60、61-100、大于100数量标注为青，绿，黄，橙，红，不同数量范围对应着不同等级，等级的区分按照标注颜色来区别，另外，还需要标注出鸟群所在的位置信息，以便于后续进行鸟类识别，将标注的鸟类图像按比例9:1随机分为训练集和测试集，当然，还可以按照实际需求设定不同比例划分样本数据集。

s123、采用样本数据集训练深度学习神经网络，以得到鸟情检测模型。

在本实施例中，鸟情检测模型是指已训练且可用于直接对输入的图像进行鸟情检测以得到鸟群数量对应等级以及鸟群所在的位置的模型。

在一实施例中，请参阅图4，上述的步骤s123可包括步骤s1231～s1236。

s1231、将样本数据集划分为训练集以及测试集。

在本实施例中，训练集是用于训练yolov4算法的图像数据；测试集是用于测试已训练的yolov4算法的图像数据。

s1232、设置yolov4算法训练的参数；

s1233、使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型。

在本实施例中，初始模型是指使用深度学习神经网络中的yolov4算法训练，采用随机梯度下降算法训练，当损失函数值降到趋于稳定时，即当损失函数的loss值趋于稳定后停止训练，保存训练得到的模型。

针对已经标注的训练集，设计9组预选框，分别为(10，15)、(18，35)、(43，20)、(33，75)、(70，50)、(65，135)、(120，80)、(186，223)、(333，260)，作为训练模型的初始化参数。利用开源的大型可视化化数据库预训练模型作为yolov4算法的参数初始化，同时，设置训练批处理大小为128，学习率为0.001，迭代次数为100000，数据旋转角度为45度。

s1234、采用测试集对初始模型进行测试，以得到测试结果。

在本实施例中，测试结果是指采用测试集对初始模型进行测试所得的结果。

s1235、判断所述测试结果是否符合要求；

若所述测试结果不符合要求，则执行所述步骤s1232；

s1236、若所述测试结果符合要求，则将所述初始模型作为鸟情检测模型。

具体地，使用map(均值平均精度，meanaverageprecision)指标来判断测试集对初始模型的测试结果，如果map小于0.95，则修改训练参数设置或者增加数据集重新训练，直到满足map大于0.95的要求。map指标是对一个类别内求平均精确度，然后对所有类别的平均精确度再求平均。

使用深度学习神经网络训练，采用随机梯度下降算法训练，带损失函数值降到趋于稳定时，将初始模型进行测试和评估，选择最佳模型，由此形成鸟情检测模型。

举个例子：如果一张图片中检测出了20个青等级矩形框，即鸟数量一只的矩形框有20个，一个绿等级即鸟数量在10-30只之间的矩形框有一个，则该图片的当前检测等级就是黄色等级，即鸟数量在30-60之间，输出的检测结果为黄色等级。

s130、根据所述检测结果进行鸟情分析，以得到分析结果。

在本实施例中，分析结果是指根据检测结果进行鸟类识别以及鸟类生态环境的分析后所形成的结果。

在一实施例中，请参阅图5，上述的步骤s130可包括步骤s131～s134。

s131、根据所述检测结果截取实时图像，以得到中间图像；

s132、将所述中间图像输入鸟类识别模型进行鸟类识别，以得到类别。

在本实施例中，类别是指拍摄所得的实时图像内的鸟群的类别。

其中，所述鸟类识别模型是通过若干个带有鸟类别标签的图像作为样本数据训练卷积神经网络所得的。具体地，鸟类识别模型的训练过程可参照上述鸟情检测模型的训练过程，此处不再赘述。

s133、根据所述类别建立对应的鸟情数据库。

如果出现鸟情，则保存当前的中间图像，进行鸟类识别和统计。当出现鸟情，截取出鸟的位置图片，输入鸟类识别模型进行鸟类识别，统计在指定区域出现的鸟的种类以及出现的次数、天气，建立鸟情数据库。

s134、对鸟情数据库进行鸟类生态环境的分析，以得到分析结果。

通过鸟情数据库分析，判断鸟类生态环境，进行生态驱鸟。比如，可以根据一段时间出现鸟的种类、数量、季节等，进行分析该鸟是属于食虫鸟，还是季节迁移鸟，可以根据这些数据，进行针对性的进行驱鸟措施。对于在机场觅食的鸟，可以采用灭虫的方法进行生态驱鸟，从而减少鸟在机场的出现几率。

s140、根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作。

根据鸟情等级，驱动不同的驱鸟设备进行驱鸟，否则不驱动驱鸟设备。比如：如果是青级等级，可以驱动超声波设备驱鸟，如果是红色等级，可以联动超声波发出特定的声波频率，以达到更好的驱鸟效果。

针对鸟情进行分类数据标注，而不仅仅是标注单只鸟，采用多尺度的方式对数据进行训练，不但解决了鸟的目标太小导致无法检出，同时也解决了多只鸟重叠遮挡无法检出的情况，对于没有鸟类重叠的，能对当前鸟数量进行精确统计，对于有大量重叠的鸟，也能估算鸟类数量范围，从而更准确的输出当前情况的鸟情。另外还能抓拍保存当前鸟情图像，为后续证据查询提供依据，并且经过鸟类识别，更有利于鸟类生态环境的研究，进一步做好生态驱鸟防范，同时根据鸟情情况驱动不同的驱鸟设备，以达到更好的驱鸟效果。

上述的鸟情检测方法，通过获取实时图像，再将图像输入至鸟情检测模型内进行鸟情检测，该鸟情检测模型可对单只鸟、多只鸟以及重叠的鸟群进行检测，并估算出整个实时图像内的鸟数量，再根据得到检测结果进行鸟情分析，再根据鸟情分析结果进行对应的驱鸟操作，实现大概估算鸟群的数量，准确检测当前情况的鸟情，以便于提高驱赶效果。

图6是本发明实施例提供的一种鸟情检测装置300的示意性框图。如图6所示，对应于以上鸟情检测方法，本发明还提供一种鸟情检测装置300。该鸟情检测装置300包括用于执行上述鸟情检测方法的单元，该装置可以被配置于服务器中。具体地，请参阅图6，该鸟情检测装置300包括实时图像获取单元301、检测单元302、分析单元303以及发送单元304。

实时图像获取单元301，用于获取实时图像，以得到待检测图像；检测单元302，用于将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；分析单元303，用于根据所述检测结果进行鸟情分析，以得到分析结果；发送单元304，用于根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作。

在一实施例中，如图7所示，所述分析单元303包括截取子单元3031、识别子单元3032、建立子单元3033以及环境分析子单元3034。

截取子单元3031，用于根据所述检测结果截取实时图像，以得到中间图像；识别子单元3032，用于将所述中间图像输入鸟类识别模型进行鸟类识别，以得到类别；建立子单元3033，用于根据所述类别建立对应的鸟情数据库；环境分析子单元3034，用于对鸟情数据库进行鸟类生态环境的分析，以得到分析结果。

所述鸟类识别模型是通过若干个带有鸟类别标签的图像作为样本数据训练卷积神经网络所得的。

在一实施例中，上述的鸟情检测装置300还包括检测模型构建单元，所述检测模型构建单元，用于通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络，以得到鸟情检测模型。

在一实施例中，所述检测模型构建单元包括鸟类图像获取子单元、标签标注子单元以及训练子单元。

鸟类图像获取子单元，用于获取鸟类图像；标签标注子单元，用于对鸟类图像进行鸟类位置标签以及表示鸟类数量的等级标签的标注，以得到样本数据集；训练子单元，用于采用样本数据集训练深度学习神经网络，以得到鸟情检测模型。

在一实施例中，所述训练子单元包括划分模块、参数设置模块、初始模型获取模块、测试模块以及结果判断模块。

划分模块，用于将样本数据集划分为训练集以及测试集；参数设置模块，用于设置yolov4算法训练的参数；初始模型获取模块，用于使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型；测试模块，用于采用测试集对初始模型进行测试，以得到测试结果；结果判断模块，用于判断所述测试结果是否符合要求；若所述测试结果不符合要求，则执行所述设置yolov4算法训练的参数；若所述测试结果符合要求，则将所述初始模型作为鸟情检测模型。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述鸟情检测装置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。

上述鸟情检测装置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8所示的计算机设备上运行。

请参阅图8，图8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是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图8，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执行一种鸟情检测方法。

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执行一种鸟情检测方法。

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8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：

获取实时图像，以得到待检测图像；将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；根据所述检测结果进行鸟情分析，以得到分析结果；根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作；其中，所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络所得的。

所述检测结果包括鸟群的数量所对应的等级以及鸟群所在的位置信息。

在一实施例中，处理器502在实现所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据集训练深度学习神经网络所得的步骤时，具体实现如下步骤：

获取鸟类图像；对鸟类图像进行鸟类位置标签以及表示鸟类数量的等级标签的标注，以得到样本数据集；采用样本数据集训练深度学习神经网络，以得到鸟情检测模型。

在一实施例中，处理器502在实现所述采用样本数据集训练深度学习神经网络，以得到鸟情检测模型步骤时，具体实现如下步骤：

将样本数据集划分为训练集以及测试集；设置yolov4算法训练的参数；使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型；采用测试集对初始模型进行测试，以得到测试结果；判断所述测试结果是否符合要求；若所述测试结果不符合要求，则执行所述设置yolov4算法训练的参数；若所述测试结果符合要求，则将所述初始模型作为鸟情检测模型。

在一实施例中，处理器502在实现所述根据所述检测结果进行鸟情分析，以得到分析结果步骤时，具体实现如下步骤：

根据所述检测结果截取实时图像，以得到中间图像；将所述中间图像输入鸟类识别模型进行鸟类识别，以得到类别；根据所述类别建立对应的鸟情数据库；对鸟情数据库进行鸟类生态环境的分析，以得到分析结果。

其中，所述鸟类识别模型是通过若干个带有鸟类别标签的图像作为样本数据训练卷积神经网络所得的。

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：

获取实时图像，以得到待检测图像；将待检测图像输入鸟情检测模型内进行鸟情检测，以得到检测结果；根据所述检测结果进行鸟情分析，以得到分析结果；根据所述分析结果发送驱动通知至驱鸟设备，以使驱鸟设备进行驱鸟操作；其中，所述鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据训练深度学习神经网络所得的。

所述检测结果包括鸟群的数量所对应的等级以及鸟群所在的位置信息。

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鸟情检测模型是通过若干个带有鸟类位置标签以及表示鸟类数量的等级标签的鸟类图像作为样本数据集训练深度学习神经网络所得的步骤时，具体实现如下步骤：

获取鸟类图像；对鸟类图像进行鸟类位置标签以及表示鸟类数量的等级标签的标注，以得到样本数据集；采用样本数据集训练深度学习神经网络，以得到鸟情检测模型。

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采用样本数据集训练深度学习神经网络，以得到鸟情检测模型步骤时，具体实现如下步骤：

将样本数据集划分为训练集以及测试集；设置yolov4算法训练的参数；使用训练集输入yolov4算法中进行网络模型训练，以得到初始模型；采用测试集对初始模型进行测试，以得到测试结果；判断所述测试结果是否符合要求；若所述测试结果不符合要求，则执行所述设置yolov4算法训练的参数；若所述测试结果符合要求，则将所述初始模型作为鸟情检测模型。

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根据所述检测结果进行鸟情分析，以得到分析结果步骤时，具体实现如下步骤：

根据所述检测结果截取实时图像，以得到中间图像；将所述中间图像输入鸟类识别模型进行鸟类识别，以得到类别；根据所述类别建立对应的鸟情数据库；对鸟情数据库进行鸟类生态环境的分析，以得到分析结果。

所述鸟类识别模型是通过若干个带有鸟类别标签的图像作为样本数据训练卷积神经网络所得的。

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。