工作服穿戴检测方法和装置与流程

1.本技术涉及智能识别领域，具体而言，涉及一种工作服穿戴检测方法和装置。


背景技术：

2.在一些工作场景(例如加油站)中，需时刻要求工作人员穿上工作服进行工作，然而有些工作人员为了舒适性等原因经常不按要求进行穿着，因此需要对工作人员的工作服穿戴进行监督。然而，目前通常是通过聘用专员来对工作服穿戴进行监管，但这样的方式存在着效率低、及时性低以及人工成本高的缺陷。


技术实现要素：

3.本技术实施例的目的在于提供一种工作服穿戴检测方法和装置，用以解决目前工作服穿戴专员监管方式存在的效率低、及时性低以及人工成本高的问题。
4.第一方面，本发明提供一种工作服穿戴检测方法，包括：获取目标图像；其中，目标图像中包括多个人物；将目标图像输入第一深度学习模型中，获得第一深度学习模型输出的多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果；采用第二深度学习模型，根据所述多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对所述目标图像中的多个人物进行工作服穿戴检测；其中，第一深度学习模型包括预先训练完成的人脸特征以及工作服穿戴检测模型，第二深度学习模型包括预先训练完成的人脸识别模型。
5.上述设计的工作服穿戴检测方法，本方案首先采用第一深度学习模型输出目标图像中每个人物的人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果，然后采用第二深度学习模型，基于每个人物的人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对所述目标图像中的多个人物进行工作服穿戴检测，由此可以得出，本方案级联两个深度学习模型不仅完成工作服穿戴检测还基于人脸识别出人脸身份信息，可以有效识别没有穿戴工作服的人员身份，从而便于违规统计，方便管理，提高及时性和效率并且可降低成本。
6.在第一方面的可选实施方式中，采用第二深度学习模型，根据多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测，包括：将工作服穿戴结果中属于没有穿戴工作服的结果对应的人脸特征信息输入所述第二深度学习模型中，获得所述第二深度学习模型输出的没有穿戴工作服的人脸特征信息对应的人脸识别结果；根据没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息。
7.在第一方面的可选实施方式中，根据没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息，包括：判断没有穿戴工作服的人脸识别结果中是否具有工作人员的人脸识别结果；若是，则提取没有穿戴工作服的工作人员的人脸识别结果，并将没有穿戴工作服的工作人员的人脸识别结果发送给预设地址。
8.在第一方面的可选实施方式中，采用第二深度学习模型，根据多个人脸特征信息
以及每个人脸特征信息对应的工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测，包括：将每个人脸特征信息分别输入第二深度学习模型中，获得第二深度学习模型输出的每个人脸特征信息对应的人脸识别结果；根据多个人脸识别结果和多个工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测。
9.在第一方面的可选实施方式中，根据多个人脸识别结果和多个工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测，包括：提取多个工作服穿戴结果中没有穿戴工作服的人物对应的人脸特征信息；根据没有穿戴工作服的人脸特征信息在多个人脸识别结果中查找对应的人脸识别结果；根据查找到的没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息。
10.在第一方面的可选实施方式中，根据查找到的没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息，包括：判断没有穿戴工作服的人脸识别结果中是否具有工作人员的人脸信息；若是，则提取没有穿戴工作服的工作人员的人脸信息，并将没有穿戴工作服的工作人员的人脸信息发送给预设地址。
11.在第一方面的可选实施方式中，获取目标图像，包括：获取视频流信息，所述视频流信息包括多帧图像；提取视频流信息中的图像，获得目标图像。
12.第二方面，本发明提供一种工作服穿戴检测装置，包括：获取模块，用于获取目标图像；其中，所述目标图像中包括多个人物；输入模块，用于将目标图像输入第一深度学习模型中，获得第一深度学习模型输出的多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果；检测模块，用于采用第二深度学习模型，根据多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测；其中，第一深度学习模型包括预先训练完成的人脸特征以及工作服穿戴检测模型，第二深度学习模型包括预先训练完成的人脸识别模型。
13.上述设计的工作服穿戴检测装置，本方案首先采用第一深度学习模型输出目标图像中每个人物的人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果，然后采用第二深度学习模型，基于每个人物的人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对所述目标图像中的多个人物进行工作服穿戴检测，由此可以得出，本方案级联两个深度学习模型不仅完成工作服穿戴检测还基于人脸识别出人脸身份信息，可以有效识别没有穿戴工作服的人员身份，从而便于违规统计，方便管理，提高及时性和效率并且可降低成本。
14.在第二方面的可选实施方式中，该检测模块，具体用于将工作服穿戴结果中属于没有穿戴工作服的结果对应的人脸特征信息输入所述第二深度学习模型中，获得所述第二深度学习模型输出的没有穿戴工作服的人脸特征信息对应的人脸识别结果；根据没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息。
15.在第二方面的可选实施方式中，该检测模块，还具体用于判断没有穿戴工作服的人脸识别结果中是否具有工作人员的人脸识别结果；若是，则提取没有穿戴工作服的工作人员的人脸识别结果，并将没有穿戴工作服的工作人员的人脸识别结果发送给预设地址。
16.在本实施例的可选实施方式中，该检测模块，还具体用于将每个人脸特征信息分别输入第二深度学习模型中，获得第二深度学习模型输出的每个人脸特征信息对应的人脸识别结果；根据多个人脸识别结果和多个工作服穿戴结果对目标图像中的多个人物进行工
作服穿戴检测。
17.在本实施例的可选实施方式中，该检测模块，还具体用于提取多个工作服穿戴结果中没有穿戴工作服的人物对应的人脸特征信息；根据没有穿戴工作服的人脸特征信息在多个人脸识别结果中查找对应的人脸识别结果；根据查找到的没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息。
18.在本实施例的可选实施方式中，该获取模块，具体用于获取视频流信息，所述视频流信息包括多帧图像；提取视频流信息中的图像，获得目标图像。
19.第三方面，本技术提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行第一方面、第一方面中任一可选的实现方式中的所述方法。
20.第四方面，本技术提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时执行第一方面、第一方面中任一可选的实现方式中的所述方法。
21.第五方面，本技术提供了一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面、第一方面中任一可选的实现方式中的所述方法。
22.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
23.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
24.图1为本技术实施例提供的工作服穿戴检测方法的第一流程图；
25.图2为本技术实施例提供的工作服穿戴检测方法的第二流程图；
26.图3为本技术实施例提供的工作服穿戴检测方法的第三流程图；
27.图4为本技术实施例提供的工作服穿戴检测装置的结构示意图；
28.图5为本技术实施例提供的电子设备的结构示意图。
29.图标：400-获取模块；410-输入模块；420-检测模块；5-电子设备；501-处理器；502-存储器；503-通信总线。
具体实施方式
30.下面将结合附图对本技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本技术的技术方案，因此只作为示例，而不能以此来限制本技术的保护范围。
31.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
32.在本技术实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本技术实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
33.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
34.在本技术实施例的描述中，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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
35.在本技术实施例的描述中，术语“多个”指的是两个以上(包括两个)，同理，“多组”指的是两组以上(包括两组)，“多片”指的是两片以上(包括两片)。
36.在本技术实施例的描述中，技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术实施例的限制。
37.在本技术实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术实施例中的具体含义。
38.在一些重要工作场景中，例如加油站等，工作人员需严格穿戴工作服进行工作，然而实际情况下有一些工作人员由于舒适性等原因经常不穿戴工作服进行工作。目前常用的方式是通过专员监管，但这种方式效率低、及时性低以及人力成本高。
39.为了解决上述问题，发明人发现随着深度学习的发展，目前也有对于着装检测的深度学习模型的应用，例如，根据人体结构大致估计安全帽、上衣和裤子在人体区域图像中的比例，然后统计每个子区域的梯度分布(hog)和颜色直方图(hoc)的特征，最后采用径向基神经网络(rbfnn)进行着装检测识别。但这种检测方式只能检测图像中的人物是否穿戴工作服，无法得知没有穿戴工作服的人员身份以及无法确定没有穿戴工作服的人员是否属于工作人员的缺陷。
40.在上述基础上，发明人发现可将两个深度学习模型进行级联，通过一个深度学习模型检测工作服穿戴的情况下，同时可以提取人脸特征信息，然后将该深度学习模型提取的人脸特征信息作为另一深度学习模型的特征输入，从而在完成工作服穿戴检测的同时，对于人脸也进行相应的识别，这样便于对于没有穿戴工作服的人员信息进行识别，从而便于违规统计，方便管理，提高及时性和效率并且可降低成本。
41.本技术实施例提供一种工作服穿戴检测方法，该方法可应用于计算设备中，该计算设备包括但不限于芯片、计算机和服务器等等，如图1所示，该工作服穿戴检测方法可通
过如下方式实现，包括：
42.步骤s100：获取目标图像；其中，该目标图像中包括多个人物。
43.步骤s110：将目标图像输入第一深度学习模型中，获得第一深度学习模型输出的多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果。
44.步骤s120：采用第二深度学习模型，根据多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测。
45.在步骤s100中，目标图像可为拍摄的对应场景的图像，例如，以加油站场景为例，该目标图像可为拍摄的加油站实际场景的图像。该目标图像中可包括多个人物，作为一种可能的实施方式，该目标图像可为加油站的全景图像，在此基础上，目标图像中的人物可包含加油站工作人员、驱车加油人员、行人等等；作为另一种可能的实施方式，该目标图像可为预设角度拍摄的图像，该图像中可仅包含工作人员。
46.作为一种可能的实施方式，该目标图像可通过对视频流信息中的图像进行提取获得，例如，本方案可获取摄像头拍摄的加油站实时视频信息，然后提取加油站实时视频信息中的每帧图像。作为一种可能的实施方式，提取的每帧图像均可作为本方案步骤s100中的目标图像；作为另一种可能的实施方式，本方案可将提取的多帧图像融合为一张图像后，将融合图像作为该目标图像。
47.在步骤s110中，第一深度学习模型可包括预先训练完成的人脸特征以及工作服穿戴检测模型，该第一深度学习模型可提取目标图像中的每个人脸的人脸特征，以及对于目标图像中的每个人物是否穿戴工作服进行检测，从而生成人脸特征对应的穿戴检测结果。其中，该第一深度学习模型可提前采用多张图像样本信息对yolov5深度学习模型进行提前训练获得，当然，除了采用yolov5深度学习模型以外，本方案还可采用其他的深度学习模型，如yolov4深度学习模型等。
48.在上述基础上，本方案将获取的目标图像输入第一深度学习模型中，即可获得该第一深度学习模型输出的该目标图像中每个人物的人脸特征信息，以及每个人脸特征信息对应的工作服穿戴结果。其中，人脸特征信息可包含人物标识、人物的瞳孔信息、人脸上各个器官的轮廓信息等；工作服穿戴结果包括穿戴工作服和没有穿戴工作服两种结果，每种结果与人物标识对应。
49.在第一深度学习模型输出的参数基础上，本方案可采用第二深度学习模型，基于多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测。其中，第二深度学习模型可为预先训练完成的人脸识别模型，该第二深度学习模型可基于人脸特征信息对人脸进行识别，从而识别出人脸特征信息对应人物的人员身份信息。
50.具体的，本方案可提前对加油站的工作人员进行面部图像采集，然后将采集的面部图像输入到训练完成的第一深度学习模型中，使得第一深度学习模型输出工作人员的人脸特征信息，然后将第一深度学习模型输出的工作人员的人脸特征信息和对应工作人员的人员身份信息(如姓名、工号)作为训练样本对第二深度学习模型进行训练从而获得训练完成的第二深度学习模型。其中，第二深度学习模型可采用mobilefacenet深度学习模型，当然也可以采用其他可对人脸进行检测的深度学习模型。
51.上述设计的工作服穿戴检测方法，本方案首先采用第一深度学习模型输出目标图
像中每个人物的人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果，然后采用第二深度学习模型，基于每个人物的人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对所述目标图像中的多个人物进行工作服穿戴检测，由此可以得出，本方案级联两个深度学习模型不仅完成工作服穿戴检测还基于人脸识别出人脸身份信息，可以有效识别没有穿戴工作服的人员身份，从而便于违规统计，方便管理，提高及时性和效率并且可降低成本。
52.作为一种可能的实施方式，对于步骤s120，如图2所示，本方案可通过如下方式实现，包括：
53.步骤s200：将工作服穿戴结果中属于没有穿戴工作服的结果对应的人脸特征信息输入第二深度学习模型中，获得第二深度学习模型输出的没有穿戴工作服的人脸特征信息对应的人脸识别结果。
54.步骤s210：根据没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息。
55.在上述实施方式中，本方案首先根据工作服穿戴结果判断每个人物是否穿戴工作服，若该人物没有穿戴工作服，则将没有穿戴工作服的人脸特征信息输入第二深度学习模型中，该第二深度学习模型可对没有穿戴工作服的人物进行人脸识别，从而获得没有穿戴工作服的人脸识别结果，最后可根据没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息。
56.作为一种可能的实施方式，假设摄像头为前述的只对准工作人员的工作场地进行拍摄的方式，那么目标图像中的所有任务均可为工作人员，在此基础上，对于步骤s220，第二深度学习模型输出的人脸识别结果可包含人脸对应的姓名、工号等信息，在此基础上，本方案可根据没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员的姓名和工号，从而确定没有穿戴工作服的工作人员信息。
57.作为另一种可能的实施方式，摄像头可为全景摄像头，获取的目标图像可为加油站的全景图像，目标图像中的人物难免存在工作人员以外的其他人员(如驱车加油人员、行人等)，在此基础上，没有穿戴工作服的人物可能为工作人员以外的其他人员，因此，本方案可首先在第二深度学习模型输出的多个人脸识别结果中判断是否具有工作人员的人脸信息，例如，第二深度学习模型输出，人脸a-无姓名、无工号；人脸b-姓名c、工号d，在此基础上，可提取出没有没有穿戴工作服的工作人员的人脸识别结果，从而确定没有穿戴工作服的工作人员信息。
58.作为一种可能的实施例，本方案可将没有穿戴工作服的工作人员的人脸识别结果或工作人员信息发送给预设地址，从而可对没有穿戴工作服的工作人员的违规操作进行统计。
59.在本实施例的可选实施方式中，除了上述方式以外，对于步骤s120，如图3所示，本方案还可通过如下方式实现，包括：
60.步骤s300：将每个人脸特征信息分别输入第二深度学习模型中，获得第二深度学习模型输出的每个人脸特征信息对应的人脸识别结果。
61.步骤s310：根据多个人脸识别结果和多个工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测。
62.上述实施方式中，本方案将目标图像中的每个人物的人脸特征信息均输入到第二深度学习模型中，获得第二深度学习模型输出的每个人脸特征信息对应的人脸识别结果，然后基于第二深度学习模型输出的多个人脸识别结果和第一深度学习模型输出的多个工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测。其中，工作服穿戴结果包括穿戴工作服和没有穿戴工作服两种结果。
63.具体的，本实施方式可在多个工作服穿戴结果中提取没有穿戴工作服的人物对应的人脸特征信息，然后根据没有穿戴工作服的人脸特征信息在多个人脸识别结果中查找对应的人脸识别结果，最后根据查找到的没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息。其中，根据查找到的没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息的方式与前述实施方式描述的两种场景一致，其可分为目标图像中只包含工作人员以及目标图像为全景图像的两种方式，在这里不再赘述。
64.图4出示了本技术提供一种工作服穿戴检测装置的示意性结构框图，应理解，该装置与图1至图3中执行的方法实施例对应，能够执行前述的方法涉及的步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，os)中的软件功能模块。具体地，该装置包括：获取模块400，用于获取目标图像；其中，目标图像中包括多个人物；输入模块410，用于将目标图像输入第一深度学习模型中，获得第一深度学习模型输出的多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果；检测模块420，用于采用第二深度学习模型，根据多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测；其中，第一深度学习模型包括预先训练完成的人脸特征以及工作服穿戴检测模型，第二深度学习模型包括预先训练完成的人脸识别模型。
65.上述设计的工作服穿戴检测装置，本方案首先采用第一深度学习模型输出目标图像中每个人物的人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果，然后采用第二深度学习模型，基于每个人物的人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对所述目标图像中的多个人物进行工作服穿戴检测，由此可以得出，本方案级联两个深度学习模型不仅完成工作服穿戴检测还基于人脸识别出人脸身份信息，可以有效识别没有穿戴工作服的人员身份，从而便于违规统计，方便管理，提高及时性和效率并且可降低成本。
66.在本实施例的可选实施方式中，该检测模块420，具体用于将工作服穿戴结果中属于没有穿戴工作服的结果对应的人脸特征信息输入所述第二深度学习模型中，获得所述第二深度学习模型输出的没有穿戴工作服的人脸特征信息对应的人脸识别结果；根据没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息。
67.在本实施例的可选实施方式中，该检测模块420，还具体用于判断没有穿戴工作服的人脸识别结果中是否具有工作人员的人脸识别结果；若是，则提取没有穿戴工作服的工作人员的人脸识别结果，并将没有穿戴工作服的工作人员的人脸识别结果发送给预设地址。
68.在本实施例的可选实施方式中，该检测模块420，还具体用于将每个人脸特征信息分别输入第二深度学习模型中，获得第二深度学习模型输出的每个人脸特征信息对应的人
脸识别结果；根据多个人脸识别结果和多个工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测。
69.在本实施例的可选实施方式中，该检测模块420，还具体用于提取多个工作服穿戴结果中没有穿戴工作服的人物对应的人脸特征信息；根据没有穿戴工作服的人脸特征信息在多个人脸识别结果中查找对应的人脸识别结果；根据查找到的没有穿戴工作服的人脸识别结果确定没有穿戴工作服的工作人员信息。
70.在本实施例的可选实施方式中，该获取模块400，具体用于获取视频流信息，所述视频流信息包括多帧图像；提取视频流信息中的图像，获得目标图像。
71.根据本技术的一些实施例，如图5所示，本技术提供一种电子设备5，包括：处理器501和存储器502，处理器501和存储器502通过通信总线503和/或其他形式的连接机构(未标出)互连并相互通讯，存储器502存储有处理器501可执行的计算机程序，当计算设备运行时，处理器501执行该计算机程序，以执行时执行任一可选的实现方式中的方法，例如步骤s100至步骤s120：获取目标图像；其中，该目标图像中包括多个人物；将目标图像输入第一深度学习模型中，获得第一深度学习模型输出的多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果；采用第二深度学习模型，根据多个人脸特征信息以及每个人脸特征信息对应的工作服穿戴结果对目标图像中的多个人物进行工作服穿戴检测。
72.本技术提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述任一可选的实现方式中的方法。
73.其中，存储介质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(static random access memory,简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory,简称eeprom)，可擦除可编程只读存储器(erasable programmable read only memory,简称eprom)，可编程只读存储器(programmable red-only memory,简称prom)，只读存储器(read-only memory,简称rom)，磁存储器，快闪存储器，磁盘或光盘。
74.本技术提供一种计算机程序产品，该计算机程序产品在计算机上运行时，使得计算机执行任一可选的实现方式中的方法。
75.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，其均应涵盖在本技术的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本技术并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。