基于特征更新的人员轨迹追踪方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于特征更新的人员轨迹追踪方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.目标人员现有的人员轨迹追踪方法多采用图像比对的方法，例如，将现有的目标人员的图像与监控中的图像进行比对，以判断是否为目标人员，若是，则追踪该人员的轨迹，但若目标人员的特征发生变化时(例如，衣物发生变动，或发型发生改变等)，会对图像比对的结果产生较大影响，导致人员轨迹追踪的精确度较低。


技术实现要素：

3.本发明提供一种基于特征更新的人员轨迹追踪方法、装置及计算机可读存储介质，其主要目的在于解决进行轨迹追踪的精确度较低的问题。
4.为实现上述目的，本发明提供的一种基于特征更新的人员轨迹追踪方法，包括：
5.获取监控画面，利用预设的识别模型判断所述监控画面中是否包含目标人员；
6.当所述监控画面中不包含所述目标人员，则返回所述利用预设的识别模型判断监控画面中是否包含目标人员的步骤；
7.当所述监控画面中包含所述目标人员，提取所述监控画面中所述目标人员的画面特征；
8.将所述画面特征与预设的人员特征进行差异性比对，得到所述画面特征相对于所述人员特征的增量特征；
9.利用所述增量特征对所述人员特征进行更新，并利用更新后的人员特征对所述目标人员进行轨迹追踪。
10.可选地，所述利用预设的识别模型判断所述监控画面中是否包含目标人员，包括：
11.利用所述识别模型对所述监控画面进行卷积、池化处理，得到池化图像；
12.对所述池化图像进行全连接处理，得到全连接特征图；
13.对所述全连接特征图进行多尺度的特征提取，得到多重图像特征；
14.利用预设激活函数分别计算所述多重图像特征属于所述目标人员的概率值；
15.当所述概率值大于预设的概率阈值，则确定所述监控画面中包含目标人员；
16.当所述概率值小于或等于所述概率阈值，则确定所述监控画面中不包含目标人员。
17.可选地，所述对所述池化图像进行全连接处理，得到全连接特征图，包括：
18.利用第一全连接层对所述池化图像进行全连接处理，得到中间图像；
19.利用第二全连接层对所述中间图像进行全连接处理，得到全连接特征图。
20.可选地，所述提取所述监控画面中所述目标人员的画面特征，包括：
21.统计所述监控画面中每一个像素的像素梯度；
22.根据所述像素梯度生成所述监控画面的全局特征；
23.利用预设的滑动窗口对所述监控画面中的区域进行逐一框选，得到像素窗口；
24.根据每一个所述像素窗口中的像素值生成所述监控画面的局部特征；
25.汇集所述全局特征与所述局部特征为所述画面特征。
26.可选地，所述根据所述像素梯度生成所述监控画面的全局特征，包括：
27.统计所述监控画面中每个像素点的像素值；
28.将所述像素值中最大像素值与最小像素值作为预设的映射函的参数，并利用所述预设函数将所述监控画面中每个像素点的像素值映射至预设范围内；
29.计算映射后的所述监控画面中每一行像素的像素梯度，将每一行像素的像素梯度转换为行向量，将所述行向量拼接为所述监控画面的全局特征。
30.可选地，所述根据每一个所述像素窗口中的像素值生成所述监控画面的局部特征，包括：
31.从所述像素窗口中逐个选取其中一个像素点为目标像素点；
32.判断所述目标像素点的像素值在所述像素窗口内是否为极值；
33.当所述目标像素点的像素值在所述像素窗口内不是极值时，返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤；
34.当所述目标像素点的像素值在所述像素窗口内是极值时，则确定所述目标像素点为关键点；
35.将所有像素窗口内的所有关键点的像素值进行向量化，并将得到的向量汇集为所述监控画面的局部特征。
36.可选地，所述将所述画面特征与预设的人员特征进行差异性比对，得到所述画面特征相对于所述人员特征的增量特征，包括：
37.依次从所述画面特征中逐个选取其中一个画面特征为目标特征；
38.分别计算所述目标特征与所述人员特征中每一个特征的距离值；
39.当所述人员特征中存在距离值大于预设距离阈值的特征时，返回依次从所述画面特征中逐个选取其中一个画面特征为目标特征的步骤；
40.当所述人员特征中不存在距离值大于所述预设距离阈值的特征时，确定所述目标特征为增量特征。
41.为了解决上述问题，本发明还提供一种基于特征更新的人员轨迹追踪装置，所述装置包括：
42.特征提取模块，用于获取监控画面，利用预设的识别模型判断所述监控画面中是否包含目标人员，当所述监控画面中不包含所述目标人员，则返回所述利用预设的识别模型判断监控画面中是否包含目标人员的步骤，当所述监控画面中包含所述目标人员，提取所述监控画面中所述目标人员的画面特征；
43.特征筛选模块，用于将所述画面特征与预设的人员特征进行差异性比对，得到所述画面特征相对于所述人员特征的增量特征；
44.特征更新模块，用于利用所述增量特征对所述人员特征进行更新，并利用更新后的人员特征对所述目标人员进行轨迹追踪。
45.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
46.至少一个处理器；以及，
47.与所述至少一个处理器通信连接的存储器；其中，
48.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于特征更新的人员轨迹追踪方法。
49.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于特征更新的人员轨迹追踪方法。
50.本发明实施例能够对监控画面进行分析，以提取出该监控画面中目标人员的画面特征，并将画面特征与预设的人员特征进行比对，得到该目标人员的增量特征，进而利用该增量特征对该人员特征进行更新，实现对人员特征的动态调整，有利于提高利用该人员特征进行轨迹追踪的精确度。因此本发明提出的基于特征更新的人员轨迹追踪方法、装置、电子设备及计算机可读存储介质，可以解决进行产品推荐时的精确度较低的问题。
附图说明
51.图1为本发明一实施例提供的基于特征更新的人员轨迹追踪方法的流程示意图；
52.图2为本发明一实施例提供的提取监控画面中目标人员的画面特征的流程示意图；
53.图3为本发明一实施例提供的提取增量特征的流程示意图；
54.图4为本发明一实施例提供的基于特征更新的人员轨迹追踪装置的功能模块图；
55.图5为本发明一实施例提供的实现所述基于特征更新的人员轨迹追踪方法的电子设备的结构示意图。
56.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
57.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
58.本技术实施例提供一种基于特征更新的人员轨迹追踪方法。所述基于特征更新的人员轨迹追踪方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于特征更新的人员轨迹追踪方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
59.参照图1所示，为本发明一实施例提供的基于特征更新的人员轨迹追踪方法的流程示意图。在本实施例中，所述基于特征更新的人员轨迹追踪方法包括：
60.s1、利用预设的识别模型判断所述监控画面中是否包含目标人员。
61.本发明实施例中，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的存储区域抓取预先存储的监控画面，所述存储区域包括但不限于数据
库、网络缓存；所述监控画面可以为摄像头、录像机等具有监控抓拍功能的设备抓拍到的画面。
62.本发明实施例中，可采用具有图像特征提取功能的卷积神经网络作为所述识别模型判断所述监控画面中是否包含目标人员，其中所述卷积神经网络包括但不限于segnet网络、e
‑
net网络、v
‑
net网络和resnet50网络。
63.本发明其中一实施例中，所述识别模型采用resnet50网络作，并在所述识别模型中添加了fpn特征金字塔结构，以实现对监控画面的多重特征提取，得到监控画面对应的多重图像特征，进而根据多重图像特征对所述监控画面中是否存在目标人员进行判断，有利于提高判断结果的精确性。
64.本发明其中一实施例中，利用该识别模型对监控画面进行卷积、池化、全连接等处理，得到该监控画面对应的全连接特征图，再利用所述识别模型中的fpn特征金字塔结构对该全连接特征图进行不同尺度的特征输出，得到多重尺度下的多重图像特征。
65.通过对监控画面进行多重特征提取，可实现获取多种尺度的图像特征，有利于提高后续对监控画面中是否存在目标人员进行判断的精确度。
66.本发明另一实施例中，所述利用预设的识别模型判断所述监控画面中是否包含目标人员，包括：
67.利用所述识别模型对所述监控画面进行卷积、池化处理，得到池化图像；
68.对所述池化图像进行全连接处理，得到全连接特征图；
69.对所述全连接特征图进行多尺度的特征提取，得到多重图像特征；
70.利用预设激活函数分别计算所述多重图像特征属于所述目标人员的概率值；
71.当所述概率值大于预设的概率阈值，则确定所述监控画面中包含目标人员；
72.当所述概率值小于或等于所述概率阈值，则确定所述监控画面中不包含目标人员。
73.例如，存在监控画面a，利用识别模型对所述监控画面a进行卷积、池化及全连接处理，得到该监控画面a对应的全连接特征图，再利用识别模型中的包含5层输出的fpn特征金字塔结构对该全连接特征图进行多重特征提取，可得到该监控画面a对应的5种不同尺寸的多重图像特征。
74.本发明又一实施例中，所述对所述池化图像进行全连接处理，得到全连接特征图，包括：
75.利用第一全连接层对所述池化图像进行全连接处理，得到中间图像；
76.利用第二全连接层对所述中间图像进行全连接处理，得到全连接特征图。
77.详细地，对所述池化图像进行两次全连接处理可对所述监控画面中的特征进行更精细的保留，有利于提高后续对监控画面中是否存在目标人员进行判断的精确度。
78.具体地，所述预设激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数。
79.本发明实施例中，当所述概率值大于预设的概率阈值，则确定所述监控画面中包含目标人员，当所述概率值小于或等于所述概率阈值，则确定所述监控画面中不包含目标人员。
80.当所述监控画面中不包含所述目标人员，则返回s1。
81.本发明实施例中，当所述当所述监控画面中不包含所述目标人员时，则该监控画面无法用于对所述目标人员进行轨迹追踪，因此，返回步骤s1所述利用预设的识别模型判断监控画面中是否包含目标人员。
82.当所述监控画面中包含所述目标人员，则执行s2、提取所述监控画面中所述目标人员的画面特征。
83.本发明实施例中，当所述监控画面中包含所述目标人员，则该监控画面可用于对所述目标人员进行轨迹追踪，因此，可从所述监控画面中提取出所述目标人员的画面特征。
84.详细地，所述画面特征包括所述监控画面内包含的所述目标人员的全局特征与局部特征，分别对所述监控画面提取全局特征与局部特征，有利于提高后续利用所述图像特征实现轨迹追踪的精确度。
85.本发明实施例中，参图2所示，所述提取所述监控画面中所述目标人员的画面特征，包括：
86.s21、统计所述监控画面中每一个像素的像素梯度；
87.s22、根据所述像素梯度生成所述监控画面的全局特征；
88.s23、利用预设的滑动窗口对所述监控画面中的区域进行逐一框选，得到像素窗口；
89.s24、根据每一个所述像素窗口中的像素值生成所述监控画面的局部特征；
90.s25、汇集所述全局特征与所述局部特征为所述画面特征。
91.本发明其中一个实施例中，可采用hog(histogram of oriented gradient，方向梯度直方图)、dpm(deformable part model，可变性组件模型)、lbp(local binary patterns，局部二值模式)等方式来提取所述监控画面的全局特征，或者，可采用预先训练的具体画面特征提取功能的人工智能模型来提取所述监控画面的全局特征，所述人工智能模型包括但不限于vgg
‑
net模型、u
‑
net模型。
92.本发明另一实施例中，所述根据所述像素梯度生成所述监控画面的全局特征，包括：
93.统计所述监控画面中每个像素点的像素值；
94.将所述像素值中最大像素值与最小像素值作为预设的映射函的参数，并利用所述预设函数将所述监控画面中每个像素点的像素值映射至预设范围内；
95.计算映射后的所述监控画面中每一行像素的像素梯度，将每一行像素的像素梯度转换为行向量，将所述行向量拼接为所述监控画面的全局特征。
96.示例性地，所述预设的映射函可以为：
[0097][0098]
其中，y
i
为监控画面中第i个像素点映射至预设范围内后的像素值，x
i
为监控画面中第i个像素点的像素值，max(x)为监控画面中最大像素值，min(x)为监控画面中最小像素值。
[0099]
进一步地，可利用预设的梯度算法计算映射后的所述监控画面中每一行像素的像素梯度，所述梯度算法包括但不限于二维离散求导算法、soble算子等。
[0100]
本技术实施例中，可将每一行像素的像素梯度转换为行向量，并拼接为所述监控
画面的全局特征。
[0101]
例如，选取的监控画面中包括三行像素，第一行像素的像素梯度为a,b,c，第二行像素的像素梯度为d,e,f，第三行像素的像素梯度为g,h,i，则可分别将每一行像素的像素梯度作为行向量，拼接为如下全局特征：
[0102][0103]
进一步地，所述根据每一个所述像素窗口中的像素值生成所述监控画面的局部特征，包括：
[0104]
从所述像素窗口中逐个选取其中一个像素点为目标像素点；
[0105]
判断所述目标像素点的像素值在所述像素窗口内是否为极值；
[0106]
当所述目标像素点的像素值在所述像素窗口内不是极值时，返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤；
[0107]
当所述目标像素点的像素值在所述像素窗口内是极值时，则确定所述目标像素点为关键点；
[0108]
将所有像素窗口内的所有关键点的像素值进行向量化，并将得到的向量汇集为所述监控画面的局部特征。
[0109]
本技术实施例中，所述滑动窗口可以为预先构建的具有一定面积的选择框，可用于对所述监控画面中的像素进行框选，例如，以10像素为高度，10像素为宽度构建的方形选择框。
[0110]
详细地，所述极值包括极大值与极小值，当所述目标像素点的像素值在所述像素窗口内为极大值或极小值时，即确定所述目标像素点为所述像素窗口的关键点。
[0111]
具体地，所述将所述像素窗口内所有关键点的像素值进行向量化的步骤，和所述计算映射后的所述监控画面中每一行像素的像素梯度，将每一行像素的像素梯度转换为行向量的步骤一致，再次不做赘述。
[0112]
s3、将所述画面特征与预设的人员特征进行差异性比对，得到所述画面特征相对于所述人员特征的增量特征。
[0113]
本发明实施例中，所述预设的人员特征为预先获取的所述目标人员的特征，所述人员特征包括但不限于身体形态特征、轮廓特征、人脸特征。
[0114]
详细地，可比对所述画面特征与预设的人员特征之间的差异性，进而从所述画面特征中筛选出与所述人员特征不相同的特征为增量特征，其中，所述增量特征是指存在于所述画面特征中，但不存在于所述人员特征中的特征。
[0115]
本发明实施例中，参图3所示，所述将所述画面特征与预设的人员特征进行差异性比对，得到所述画面特征相对于所述人员特征的增量特征，包括：
[0116]
s31、依次从所述画面特征中逐个选取其中一个画面特征为目标特征；
[0117]
s32、分别计算所述目标特征与所述人员特征中每一个特征的距离值；
[0118]
s33、判断所述人员特征中是否存在距离值大于预设距离阈值的特征；
[0119]
当所述人员特征中存在距离值大于预设距离阈值的特征时，返回s31、；
[0120]
当所述人员特征中不存在距离值大于所述预设距离阈值的特征时，则执行s34、确
定所述目标特征为增量特征。
[0121]
详细地，所述分别计算所述目标特征与所述人员特征中每一个特征的距离值，包括：
[0122]
利用如下距离值算法分别计算所述目标特征与所述人员特征中每一个特征的距离值：
[0123][0124]
其中，l
k
为所述目标特征与所述人员特征中第k个特征之间的距离值，a
k
为所述人员特征中第k个特征，b为所述目标特征。
[0125]
具体地，可通过所述距离值判断所述目标特征是否为增量特征。
[0126]
例如，所述人员特征中存在特征a和特征b，其中，特征a与目标特征之间的距离值为95，特征b与目标特征之间的距离值为50，当预设距离阈值为90时，则可确认目标特征与特征a相同，该目标特征不是增量特征，返回依次从所述画面特征中逐个选取其中一个画面特征为目标特征的步骤；
[0127]
或者，所述人员特征中存在特征c和特征d，其中，特征c与目标特征之间的距离值为60，特征d与目标特征之间的距离值为50，当预设距离阈值为90时，则可确认人员特征中不存在距离值大于所述预设距离阈值的特征，则该目标特征与所述人员特征中任一特征均不相同，确定所述目标特征为增量特征。
[0128]
s4、利用所述增量特征对所述人员特征进行更新，并利用更新后的人员特征对所述目标人员进行轨迹追踪。
[0129]
本发明其中一个实际应用场景中，由于所述目标人员的特征可能会随时间发生变化。例如，该目标人员穿着的衣物发生变化，或者该目标人员的发型发生变化等；因此，若一直不变地使用所述人员特征对所述目标人员进行轨迹追踪，会导致追踪结果的不精确。
[0130]
本发明实施例中，可利用所述增量特征对所述人员特征进行更新，例如，将所述增量特征加入所述人员特征中，或获取所述增量特征后，利用所述增量特征对所述人员特征中的旧特征进行替换等，实现对所述人员特征的更新，进而利用更新后的人员特征对目标人员进行轨迹追踪，可提高轨迹追踪的精确度。
[0131]
本发明实施例中，可根据更新后的人员特征，利用yolov5网络对获取掉的监控画面进行分析，并利用deepsort(追踪)技术对该目标人员进行追踪，以实现获取所述预人员的运动轨迹。
[0132]
本发明实施例能够对监控画面进行分析，以提取出该监控画面中目标人员的画面特征，并将画面特征与预设的人员特征进行比对，得到该目标人员的增量特征，进而利用该增量特征对该人员特征进行更新，实现对人员特征的动态调整，有利于提高利用该人员特征进行轨迹追踪的精确度。因此本发明提出的基于特征更新的人员轨迹追踪方法，可以解决进行产品推荐时的精确度较低的问题。
[0133]
如图4所示，是本发明一实施例提供的基于特征更新的人员轨迹追踪装置的功能模块图。
[0134]
本发明所述基于特征更新的人员轨迹追踪装置100可以安装于电子设备中。根据
architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0145]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0146]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0147]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
[0148]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0149]
所述电子设备1中的所述存储器11存储的基于特征更新的人员轨迹追踪程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0150]
获取监控画面，利用预设的识别模型判断所述监控画面中是否包含目标人员；
[0151]
当所述监控画面中不包含所述目标人员，则返回所述利用预设的识别模型判断监控画面中是否包含目标人员的步骤；
[0152]
当所述监控画面中包含所述目标人员，提取所述监控画面中所述目标人员的画面特征；
[0153]
将所述画面特征与预设的人员特征进行差异性比对，得到所述画面特征相对于所述人员特征的增量特征；
[0154]
利用所述增量特征对所述人员特征进行更新，并利用更新后的人员特征对所述目标人员进行轨迹追踪。
[0155]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0156]
进一步地，所述电子设备1集成的模块/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，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
[0157]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，
所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0158]
获取监控画面，利用预设的识别模型判断所述监控画面中是否包含目标人员；
[0159]
当所述监控画面中不包含所述目标人员，则返回所述利用预设的识别模型判断监控画面中是否包含目标人员的步骤；
[0160]
当所述监控画面中包含所述目标人员，提取所述监控画面中所述目标人员的画面特征；
[0161]
将所述画面特征与预设的人员特征进行差异性比对，得到所述画面特征相对于所述人员特征的增量特征；
[0162]
利用所述增量特征对所述人员特征进行更新，并利用更新后的人员特征对所述目标人员进行轨迹追踪。
[0163]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
[0164]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0165]
另外，在本发明各个实施例中的各功能模块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，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0166]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0167]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0168]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0169]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0170]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。