一种基于人工智能的智慧校园自动结账方法及系统

1.本发明涉及数据处理技术领域，具体而言，涉及一种基于人工智能的智慧校园自动结账方法及系统。


背景技术：

2.随着时代的发展和科技的进步，智慧校园的建设越来越受到广泛的关注。作为智慧校园中的重要组成部分，校园自动结账系统可以为师生提供巨大的便利，但是现有的校园自动结账系统存在商品错误识别、身份错误识别等问题，显著降低了校园自动结账系统的实际应用价值。
3.近几年，随着人工智能领域中的多项技术不断更新换代，其可以为智慧校园的自动结账系统建设提供直接的支持。因此，如何结合人工智能技术提高智慧校园自动结账的精准度，促进智慧校园建设成为一个新的问题。


技术实现要素：

4.为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于人工智能的智慧校园自动结账方法及系统，可大大提高商品和人脸识别精度，进而保证自动结账的精准度和有效性。
5.本发明的实施例是这样实现的：第一方面，本发明实施例提供一种基于人工智能的智慧校园自动结账方法，包括以下步骤：采集并根据校园在售商品图像建立商品模板图像库，并记录商品模板图像库中对应的各个商品的价格信息；获取待结账商品图像，并利用图像增强方法对待结账商品图像进行优化，以得到待检测商品图像；采用实例分割方法对待检测商品图像进行实例分割，以得到多个待检测商品分割区域图像；利用基于图像金字塔的稀疏匹配相似度检测方法分别计算各个待检测商品分割区域图像和商品模板图像库中的所有商品图像的相似度，以筛选得到各个待检测商品分割区域图像对应的初步商品模板图像；采用多尺度的ocr识别方法分别对各个待检测商品分割区域图像对应的初步商品模板图像进行文字识别，以得到并根据各个尺度下的各个待检测商品分割区域图像的文字识别结果和初步商品模板的文字识别结果确定目标待结账商品；获取并统计各个目标待结账商品的价格信息，以得到总消费金额；获取并导入目标人脸图像至预置的人脸识别模型中，生成身份识别结果；根据身份识别结果在对应的智慧校园结账系统中提取对应的结账账户，并根据总消费金额在对应的结账账户中的进行扣款，完成自动结账。
6.为了解决现有技术中存在商品错误识别、身份错误识别等问题，导致自动结账存在差错的问题，本发明利用图像增强技术、实例分割技术，对待检测多件商品图像进行了深度优化和商品实例分割处理，为每件商品的精准识别提供了有效支持；还利用了基于图像金字塔的稀疏匹配相似度检测方法，计算待检测商品分割区域图像和模板商品图像的相似度，可以更加精准地检索到与待检测商品分割区域图像相似度最高的模板商品图像，即初步商品模板图像。同时，利用多尺度的ocr技术对待检测商品分割区域图像和初步商品模板图像进行了文字识别，显著地提升了文字识别及比对的精度；利用自动提取式人脸识别模型，完成对结账人身份的识别，不仅让结账人无需额外花费人脸图像采集的时间，而且保证了人脸识别的精准度。本发明可大大提高商品和人脸识别精度，进而保证自动结账的精准度和有效性。
7.基于第一方面，在本发明的一些实施例中，上述利用基于图像金字塔的稀疏匹配相似度检测方法分别计算各个待检测商品分割区域图像和商品模板图像库中的所有商品图像的相似度的方法包括以下步骤：分别将各个待检测商品分割区域图像和商品模板图像库中的各个商品图像进行稀疏编码，以得到对应的待检测商品图像编码和模板图像编码；根据各个待检测商品图像编码和各个模板图像编码计算各个待检测商品分割区域图像和商品模板图像库中的各个商品图像的相似度，以确定各个待检测商品分割区域图像对应的第一商品模板图像；分别将各个待检测商品分割区域图像和对应的第一商品模板图像进行多等分处理，以得到对应的多个等分区域的待检测商品图像和第一商品模板区域图像；分别对各个等分区域的待检测商品图像和第一商品模板区域图像进行稀疏编码，以得到对应的多个等分区域的待检测商品图像编码和第一模板图像编码；根据各个等分区域的待检测商品图像编码和各个模板图像编码计算各个待检测商品分割区域图像和对应的第一商品模板图像的相似度，以确定各个待检测商品分割区域图像对应的初步商品模板图像。
8.基于第一方面，在本发明的一些实施例中，上述筛选得到各个待检测商品分割区域图像对应的初步商品模板图像的方法包括以下步骤：统计并根据各个待检测商品分割区域图像对应的初步商品模板图像中的相似度等分区域数量将对应的初步商品模板图像进行排序，以筛选得到最优初步商品模板图像。
9.基于第一方面，在本发明的一些实施例中，上述采用多尺度的ocr识别方法分别对各个待检测商品分割区域图像对应的初步商品模板图像进行文字识别的方法包括以下步骤：对各个待检测商品分割区域图像对应的初步商品模板图像进行多尺度划分，以得到对应的多个尺度下的初步商品模板图像；采用ocr识别方法对各个尺度下的初步商品模板图像进行文字识别。
10.基于第一方面，在本发明的一些实施例中，上述根据各个尺度下的各个待检测商品分割区域图像的文字识别结果和初步商品模板的文字识别结果确定目标待结账商品的方法包括以下步骤：统计各个尺度下的各个待检测商品分割区域图像的文字识别结果以确定第一识
别结果；统计各个尺度下的初步商品模板的文字识别结果以确定第二识别结果；根据第一识别结果和第二识别结果确定目标待结账商品。
11.基于第一方面，在本发明的一些实施例中，该基于人工智能的智慧校园自动结账方法还包括以下步骤：获取目标人员的多张人脸图像，并利用基于超分辨率重建的峰值信噪比检测方法对多张人脸图像进行处理，以筛选得到初始目标人脸图像；利用多区域精准匹配校验方法将初始目标人脸图像与预置的标准人脸模板图像进行对比匹配，以筛选得到目标人脸图像。
12.基于第一方面，在本发明的一些实施例中，上述实例分割方法包括mask-rcnn算法、panet实例分割模型、yolact模型、polarmask算法和centermask实例分割算法中的一种或多种。
13.第二方面，本发明实施例提供一种基于人工智能的智慧校园自动结账系统，包括基础记录模块、图像优化模块、实例分割模块、相似度检测模块、文字识别模块、金额统计模块、身份识别模块以及结账模块，其中：基础记录模块，用于采集并根据校园在售商品图像建立商品模板图像库，并记录商品模板图像库中对应的各个商品的价格信息；图像优化模块，用于获取待结账商品图像，并利用图像增强方法对待结账商品图像进行优化，以得到待检测商品图像；实例分割模块，用于采用实例分割方法对待检测商品图像进行实例分割，以得到多个待检测商品分割区域图像；相似度检测模块，用于利用基于图像金字塔的稀疏匹配相似度检测方法分别计算各个待检测商品分割区域图像和商品模板图像库中的所有商品图像的相似度，以筛选得到各个待检测商品分割区域图像对应的初步商品模板图像；文字识别模块，用于采用多尺度的ocr识别方法分别对各个待检测商品分割区域图像对应的初步商品模板图像进行文字识别，以得到并根据各个尺度下的各个待检测商品分割区域图像的文字识别结果和初步商品模板的文字识别结果确定目标待结账商品；金额统计模块，用于获取并统计各个目标待结账商品的价格信息，以得到总消费金额；身份识别模块，用于获取并导入目标人脸图像至预置的人脸识别模型中，生成身份识别结果；结账模块，用于根据身份识别结果在对应的智慧校园结账系统中提取对应的结账账户，并根据总消费金额在对应的结账账户中的进行扣款，完成自动结账。
14.为了解决现有技术中存在商品错误识别、身份错误识别等问题，导致自动结账存在差错的问题，本系统通过基础记录模块、图像优化模块、实例分割模块、相似度检测模块、文字识别模块、金额统计模块、身份识别模块以及结账模块等各个模块的配合，利用图像增强技术、实例分割技术，对待检测多件商品图像进行了深度优化和商品实例分割处理，为每件商品的精准识别提供了有效支持；还利用了基于图像金字塔的稀疏匹配相似度检测方法，计算待检测商品分割区域图像和模板商品图像的相似度，可以更加精准地检索到与待
检测商品分割区域图像相似度最高的模板商品图像，即初步商品模板图像。同时，利用多尺度的ocr技术对待检测商品分割区域图像和初步商品模板图像进行了文字识别，显著地提升了文字识别及比对的精度；利用自动提取式人脸识别模型，完成对结账人身份的识别，不仅让结账人无需额外花费人脸图像采集的时间，而且保证了人脸识别的精准度。本发明可大大提高商品和人脸识别精度，进而保证自动结账的精准度和有效性。
15.第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
16.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
17.本发明实施例至少具有如下优点或有益效果：本发明实施例提供一种基于人工智能的智慧校园自动结账方法及系统，解决了现有技术中存在商品错误识别、身份错误识别等问题，导致自动结账存在差错的问题，本发明利用图像增强技术、实例分割技术，对待检测多件商品图像进行了深度优化和商品实例分割处理，为每件商品的精准识别提供了有效支持；还利用了基于图像金字塔的稀疏匹配相似度检测方法，计算待检测商品分割区域图像和模板商品图像的相似度，可以更加精准地检索到与待检测商品分割区域图像相似度最高的模板商品图像，即初步商品模板图像。同时，利用多尺度的ocr技术对待检测商品分割区域图像和初步商品模板图像进行了文字识别，显著地提升了文字识别及比对的精度；利用自动提取式人脸识别模型，完成对结账人身份的识别，不仅让结账人无需额外花费人脸图像采集的时间，而且保证了人脸识别的精准度。本发明可大大提高商品和人脸识别精度，进而保证自动结账的精准度和有效性。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，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。
19.图1为本发明实施例一种基于人工智能的智慧校园自动结账方法的流程图；图2为本发明实施例一种基于人工智能的智慧校园自动结账方法中相似度检测的流程图；图3为本发明实施例一种基于人工智能的智慧校园自动结账方法中文字识别的流程图；图4为本发明实施例一种基于人工智能的智慧校园自动结账系统的原理框图；图5为本发明实施例提供的一种电子设备的结构框图。
20.附图标记说明：100、基础记录模块；200、图像优化模块；300、实例分割模块；400、相似度检测模块；500、文字识别模块；600、金额统计模块；700、身份识别模块；800、结账模块；101、存储器；102、处理器；103、通信接口。
具体实施方式
21.为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
22.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
23.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
24.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
25.实施例：如图1-图3所示，第一方面，本发明实施例提供一种基于人工智能的智慧校园自动结账方法，包括以下步骤：s1、采集并根据校园在售商品图像建立商品模板图像库，并记录商品模板图像库中对应的各个商品的价格信息；对于校园中每个在售的商品，拍摄每个在售商品的模板图像存入系统中，以得到全面的商品模板图像库，并在系统中记录各个商品的价格。
26.s2、获取待结账商品图像，并利用图像增强方法对待结账商品图像进行优化，以得到待检测商品图像；校园师生在购物过程中可挑选多件商品，在师生结账过程中，结账系统直接拍摄多件商品放在一起的图片，作为待结账商品图像；利用图像增强技术对各个待结账商品图像进行深度优化，以得到更为清晰的图像。
27.s3、采用实例分割方法对待检测商品图像进行实例分割，以得到多个待检测商品分割区域图像；上述实例分割方法包括mask-rcnn算法、panet实例分割模型、yolact模型、polarmask算法和centermask实例分割算法中的一种或多种。本发明采用的实例分割方法为现有常规图像实例分割方法，在此不做赘述。对各个待检测商品图像进行实例分割，得多个待检测商品分割区域图像（每件商品对应一个待检测商品分割区域图像）。
28.s4、利用基于图像金字塔的稀疏匹配相似度检测方法分别计算各个待检测商品分割区域图像和商品模板图像库中的所有商品图像的相似度，以筛选得到各个待检测商品分割区域图像对应的初步商品模板图像；进一步地，如图2所示，包括：s41、分别将各个待检测商品分割区域图像和商品模板图像库中的各个商品图像进行稀疏编码，以得到对应的待检测商品图像编码和模板图像编码；s42、根据各个待检测商品图像编码和各个模板图像编码计算各个待检测商品分割区域图像和商品模板图像库中的各个商品图像的相似度，以确定各个待检测商品分割区
域图像对应的第一商品模板图像；s43、分别将各个待检测商品分割区域图像和对应的第一商品模板图像进行多等分处理，以得到对应的多个等分区域的待检测商品图像和第一商品模板区域图像；s44、分别对各个等分区域的待检测商品图像和第一商品模板区域图像进行稀疏编码，以得到对应的多个等分区域的待检测商品图像编码和第一模板图像编码；s45、根据各个等分区域的待检测商品图像编码和各个模板图像编码计算各个待检测商品分割区域图像和对应的第一商品模板图像的相似度，以确定各个待检测商品分割区域图像对应的初步商品模板图像。
29.进一步地，统计并根据各个待检测商品分割区域图像对应的初步商品模板图像中的相似度等分区域数量将对应的初步商品模板图像进行排序，以筛选得到最优初步商品模板图像。
30.在本发明的一些实施例中，对特定一个待检测商品分割区域图像，利用基于图像金字塔的稀疏匹配相似度检测方法，计算它和所有模板商品图像的相似度，并找到它和相似度最高的那个模板商品图像，即初步商品模板图像。
31.具体地，基于图像金字塔的稀疏匹配相似度检测方法如下：（a）将特定一个待检测商品分割区域图像和特定一个模板商品图像进行稀疏编码，利用欧式距离计算它们之间的相似度。如果相似度较低，直接认定为两幅图像不相似；如果相似度较高，继续进行下一步。
32.（b）将该待检测商品分割区域图像和该模板商品图像进行4等分，每个等分区域分别进行稀疏编码，分别计算4个对应区域的相似度（左上对应左上，右下对应右下等）。如果4个区域中相似度较高的低于3个，直接认定为两幅图像不相似；如果4个区域中相似度较高的不低于3个，继续进行下一步。
33.（c）将该待检测商品分割区域图像和该模板商品图像进行16等分，每个等分区域分别进行稀疏编码，分别计算16个对应区域的相似度（左上对应左上，右下对应右下等）。如果16个区域中相似度较高的低于12个，直接认定为两幅图像不相似；如果16个区域中相似度较高的不低于12个，认定该待检测商品分割区域图像和该模板商品图像相似度较高。
34.利用上述步骤，计算特定一个待检测商品分割区域图像和所有模板商品图像的相似度。将所有被认定与该待检测商品分割区域图像相似度较高的模板商品图像进行排序，把（c）步骤中与待检测商品分割区域图像相似区域最多的模板商品图像（例如16个区域有15区域相似），认定为与该待检测商品分割区域图像相似度最高的模板商品图像，将其称为初步商品模板图像。
35.s5、采用多尺度的ocr识别方法分别对各个待检测商品分割区域图像对应的初步商品模板图像进行文字识别，以得到并根据各个尺度下的各个待检测商品分割区域图像的文字识别结果和初步商品模板的文字识别结果确定目标待结账商品；进一步地，如图3所示，包括：s51、对各个待检测商品分割区域图像对应的初步商品模板图像进行多尺度划分，以得到对应的多个尺度下的初步商品模板图像；s52、采用ocr识别方法对各个尺度下的初步商品模板图像进行文字识别。
36.进一步地，统计各个尺度下的各个待检测商品分割区域图像的文字识别结果以确
定第一识别结果；统计各个尺度下的初步商品模板的文字识别结果以确定第二识别结果；根据第一识别结果和第二识别结果确定目标待结账商品。
37.在本发明的一些实施例中，对该待检测商品分割区域图像和初步匹配模板商品图像，利用多尺度的ocr技术进行文字识别，并将识别出的文字结果进行比对。如果文字相似性很高，大于预置的相似性匹配阈值，最终认定为同一商品，确定好目标待结账商品，并得到该待检测商品分割区域图像中目标待结账商品的价格。在多种图像尺度下利用ocr技术完成文字识别。如果多个尺度下文字的识别结果不一致，利用少数服从多数的原则，例如绝大多数的尺度下将某一文字识别为
‘
王’，少部分的尺度下将某一文字识别为
‘
玉’,最后将该文字识别为
‘
王’。
38.s6、获取并统计各个目标待结账商品的价格信息，以得到总消费金额；利用上述方法将所有的待检测商品分割区域图像进行识别，获取所有商品的价格，并对总消费价格进行计算。
39.s7、获取并导入目标人脸图像至预置的人脸识别模型中，生成身份识别结果；进一步地，还包括：获取目标人员的多张人脸图像，并利用基于超分辨率重建的峰值信噪比检测方法对多张人脸图像进行处理，以筛选得到初始目标人脸图像；利用多区域精准匹配校验方法将初始目标人脸图像与预置的标准人脸模板图像进行对比匹配，以筛选得到目标人脸图像。
40.在本发明的一些实施例中，为了进一步提高人脸身份识别的精准度，对人脸图像先进行预处理，筛选得到更为精准的图像。在结账的过程中结账系统直接提取多张人脸图像（5-10张即可），利用基于超分辨率重建的峰值信噪比检测方法直接去掉高噪声人脸图像。具体地，对多张人脸图像分别进行超分辨率重建，在此基础上检测每张人脸图像的峰值信噪比，将峰值信噪比较低的人脸图像直接删除。利用多区域精准匹配校验方法，将多张人脸图像分别和标准人脸模板图像进行对比（标准人脸模板图像一张即可，需要正脸、无遮挡）。具体地，将所有人脸图像和标准人脸模板图像分别进行4等分。对任意一张人脸图像和标准人脸模板图像，在4个区域都进行匹配，最终保留一张和标准人脸模板图像匹配度最高的人脸图像，作为待识别人脸图像，即目标人脸图像，进行最终的人脸识别。
41.s8、根据身份识别结果在对应的智慧校园结账系统中提取对应的结账账户，并根据总消费金额在对应的结账账户中的进行扣款，完成自动结账。
42.为了解决现有技术中存在商品错误识别、身份错误识别等问题，导致自动结账存在差错的问题，本发明利用图像增强技术、实例分割技术，对待检测多件商品图像进行了深度优化和商品实例分割处理，为每件商品的精准识别提供了有效支持；还利用了基于图像金字塔的稀疏匹配相似度检测方法，计算待检测商品分割区域图像和模板商品图像的相似度，可以更加精准地检索到与待检测商品分割区域图像相似度最高的模板商品图像，即初步商品模板图像。同时，利用多尺度的ocr技术对待检测商品分割区域图像和初步商品模板图像进行了文字识别，显著地提升了文字识别及比对的精度；利用自动提取式人脸识别模型，完成对结账人身份的识别，不仅让结账人无需额外花费人脸图像采集的时间，而且保证了人脸识别的精准度。本发明可大大提高商品和人脸识别精度，进而保证自动结账的精准度和有效性。
43.如图4所示，第二方面，本发明实施例提供一种基于人工智能的智慧校园自动结账
系统，包括基础记录模块100、图像优化模块200、实例分割模块300、相似度检测模块400、文字识别模块500、金额统计模块600、身份识别模块700以及结账模块800，其中：基础记录模块100，用于采集并根据校园在售商品图像建立商品模板图像库，并记录商品模板图像库中对应的各个商品的价格信息；图像优化模块200，用于获取待结账商品图像，并利用图像增强方法对待结账商品图像进行优化，以得到待检测商品图像；实例分割模块300，用于采用实例分割方法对待检测商品图像进行实例分割，以得到多个待检测商品分割区域图像；相似度检测模块400，用于利用基于图像金字塔的稀疏匹配相似度检测方法分别计算各个待检测商品分割区域图像和商品模板图像库中的所有商品图像的相似度，以筛选得到各个待检测商品分割区域图像对应的初步商品模板图像；文字识别模块500，用于采用多尺度的ocr识别方法分别对各个待检测商品分割区域图像对应的初步商品模板图像进行文字识别，以得到并根据各个尺度下的各个待检测商品分割区域图像的文字识别结果和初步商品模板的文字识别结果确定目标待结账商品；金额统计模块600，用于获取并统计各个目标待结账商品的价格信息，以得到总消费金额；身份识别模块700，用于获取并导入目标人脸图像至预置的人脸识别模型中，生成身份识别结果；结账模块800，用于根据身份识别结果在对应的智慧校园结账系统中提取对应的结账账户，并根据总消费金额在对应的结账账户中的进行扣款，完成自动结账。
44.为了解决现有技术中存在商品错误识别、身份错误识别等问题，导致自动结账存在差错的问题，本系统通过基础记录模块100、图像优化模块200、实例分割模块300、相似度检测模块400、文字识别模块500、金额统计模块600、身份识别模块700以及结账模块800等各个模块的配合，利用图像增强技术、实例分割技术，对待检测多件商品图像进行了深度优化和商品实例分割处理，为每件商品的精准识别提供了有效支持；还利用了基于图像金字塔的稀疏匹配相似度检测方法，计算待检测商品分割区域图像和模板商品图像的相似度，可以更加精准地检索到与待检测商品分割区域图像相似度最高的模板商品图像，即初步商品模板图像。同时，利用多尺度的ocr技术对待检测商品分割区域图像和初步商品模板图像进行了文字识别，显著地提升了文字识别及比对的精度；利用自动提取式人脸识别模型，完成对结账人身份的识别，不仅让结账人无需额外花费人脸图像采集的时间，而且保证了人脸识别的精准度。本发明可大大提高商品和人脸识别精度，进而保证自动结账的精准度和有效性。
45.如图5所示，第三方面，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
46.还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口
103可用于与其他节点设备进行信令或数据的通信。
47.其中，存储器101可以是但不限于，随机存取存储器（random access memory，ram），只读存储器（read only memory，rom），可编程只读存储器（programmable read-only memory，prom），可擦除只读存储器（erasable programmable read-only memory，eprom），电可擦除只读存储器（electric erasable programmable read-only memory，eeprom）等。
48.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器（central processing unit，cpu）、网络处理器（network processor，np）等；还可以是数字信号处理器（digital signal processing，dsp）、专用集成电路（application specific integrated circuit，asic）、现场可编程门阵列（field－programmable gate array，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。
49.在本技术所提供的实施例中，应该理解到，所揭露的方法及系统和方法，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法及系统、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、程序段或代码的一部分，所述模块、程序段或代码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。也应当注意，在有些作为替换的实现方式中，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。
50.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
51.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本技术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，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
52.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
53.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。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，本技术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
变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。