目标跟踪方法和装置与流程

本发明涉及图像跟踪算法领域，具体而言，涉及一种目标跟踪方法和装置。

背景技术：

随着机器学习、图像处理技术的发展，基于视觉的跟踪技术越来越多的应用到各行各业，如智能安防，智能机器人，自动驾驶等。目前建立模型的方法可以分为在线学习和离线学习两大类。对于特定的目标，可以通过离线学习方法，建立一个较为可靠的模型，但是其局限性在于该跟踪方法仅限于该特定目标，不能有效的扩展。而在大多数在线学习跟踪方法中，由于视觉环境的复杂性，很难得到一个模型完成长时间稳定的跟踪。

基于在线学习的跟踪技术一直是视觉跟踪的热点，基于视觉的跟踪主要通过一个建立好的模型，在新一帧图像中去定位需要跟踪的目标，因此模型的建立与跟踪效果密切相关，该技术不受限于特定的跟踪目标，可以通过用户指定或者任一的检测器来对跟踪目标进行初始化，并且，该类方法能够一定程度的满足跟踪目标的旋转，形变，以及光照的变化。然而由于自然环境的复杂性以及应用场景的多样性，，通用的基于在线学习的视觉跟踪方法面临许多挑战，例如：如何有效的对跟踪目标进行准确的学习，如何判断和处理跟丢目标、目标遮挡、目标出视野等情况，这些因素之间互相关联，更是增加了在线学习跟踪该类方法的复杂性。

针对通过在线学习方法建立模型的跟踪方法跟踪效果稳定性较低的技术问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种目标跟踪方法和装置，以至少解决通过在线学习方法建立模型的跟踪方法跟踪效果稳定性较低的技术问题。

根据本发明实施例的一个方面，提供了一种目标跟踪方法，该方法应用于具有图像传感器的电子设备，电子设备用于对目标执行跟踪，该方法包括：通过图像传感器获取当前帧图像；通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置，其中，跟踪模型用于作为在当前帧图像中跟踪目标的位置的依据；确定当前帧图像中的目标与当前使用的跟踪模型的相似度；根据相似度更新当前使用的跟踪模型。

进一步地，在确定当前帧图像中的目标与当前使用的跟踪模型的相似度之后，该方法还包括：判断相似度是否小于预设阈值；若是，则判断目标丢失，并执行目标再检测处理；若否，则根据相似度更新当前使用的跟踪模型。

进一步地，确定当前帧图像中的目标与当前使用的跟踪模型的相似度包括：提取当前帧图像中跟踪到的目标的多个特征的值；根据每个特征值与当前使用的跟踪模型中对应的特征值之间的区别确定每个特征值的置信度；将各个特征值的置信度进行加权融合以确定当前帧图像中的目标与当前使用的跟踪模型的相似度。

进一步地，特征至少包括：轮廓特征、颜色特征、深度特征、距离特征。

进一步地，根据相似度更新当前使用的跟踪模型包括：根据相似度确定模型更新参数，其中，模型更新参数用于表征当前使用的跟踪模型对更新后的跟踪模型的影响程度；根据模型更新参数调整预设的更新算法，其中，更新算法为用于更新跟踪模型的算法，更新算法的参数中包括模型更新参数；通过调整后的更新算法对当前使用的跟踪模型进行更新，得到更新后的跟踪模型。

进一步地，通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置包括：根据当前使用的跟踪模型确定位置跟踪匹配特征；在当前帧图像中根据位置跟踪匹配特征搜索匹配度最高的位置区域；根据搜索结果确定当前帧图像中目标的位置。

进一步地，目标再检测处理包括：根据记录的预设数量的历史相似度计算本次目标再检测处理的相似度阈值；根据当前使用的跟踪模型在图像传感器获取的后续帧图像中跟踪目标的位置；确定在后续帧图像中跟踪到的目标与当前使用的跟踪模型的相似度，并判断是否大于或等于相似度阈值，其中，如果判断结果为是，则确定目标再检测成功，如果判断结果为否，则确定目标再检测失败并继续在图像传感器获取的下一帧图像中跟踪目标的位置，直至确定目标再检测成功。

根据本发明实施例的一个方面，提供了一种目标跟踪装置，该装置应用于具有图像传感器的电子设备，电子设备用于对目标执行跟踪，该装置包括：获取单元，用于通过图像传感器获取当前帧图像；跟踪单元，用于通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置，其中，跟踪模型用于作为在当前帧图像中跟踪目标的位置的依据；确定单元，用于确定当前帧图像中的目标与当前使用的跟踪模型的相似度；更新单元，用于根据相似度更新当前使用的跟踪模型。

进一步地，该装置还包括：判断单元，用于在确定单元确定当前帧图像中的目标与当前使用的跟踪模型的相似度之后，判断相似度是否小于预设阈值；目标再检测单元，用于在相似度小于预设阈值时，判断目标丢失，其中，更新单元还用于执行目标再检测处理，并在判断出相似度不小于预设阈值的情况下，根据相似度更新当前使用的跟踪模型。

进一步地，确定单元包括：提取模块，用于提取当前帧图像中跟踪到的目标的多个特征的值；第一确定模块，用于根据每个特征值与当前使用的跟踪模型中对应的特征值之间的区别确定每个特征值的置信度；第二确定模块，用于将各个特征值的置信度进行加权融合以确定当前帧图像中的目标与当前使用的跟踪模型的相似度。

进一步地，特征至少包括：轮廓特征、颜色特征、深度特征、距离特征。

进一步地，更新单元包括：第一更新模块，用于根据相似度确定模型更新参数，其中，模型更新参数用于表征当前使用的跟踪模型对更新后的跟踪模型的影响程度；调整模块，用于根据模型更新参数调整预设的更新算法，其中，更新算法为用于更新跟踪模型的算法，更新算法的参数中包括模型更新参数；第二更新模块，用于通过调整后的更新算法对当前使用的跟踪模型进行更新，得到更新后的跟踪模型。

进一步地，跟踪单元包括：第三确定模块，用于根据当前使用的跟踪模型确定位置跟踪匹配特征；搜索模块，用于在当前帧图像中根据位置跟踪匹配特征搜索匹配度最高的位置区域；第四确定模块，用于根据搜索结果确定当前帧图像中目标的位置。

进一步地，目标再检测单元包括：阈值计算模块，用于根据记录的预设数量的历史相似度计算本次目标再检测处理的相似度阈值；位置跟踪模块，用于根据当前使用的跟踪模型在图像传感器获取的后续帧图像中跟踪目标的位置；第五确定模块，用于确定在后续帧图像中跟踪到的目标与当前使用的跟踪模型的相似度，并判断是否大于或等于相似度阈值，其中，如果判断结果为是，则确定目标再检测成功，如果判断结果为否，则确定目标再检测失败并继续在图像传感器获取的下一帧图像中跟踪目标的位置，直至确定目标再检测成功。

根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行本发明的目标跟踪方法。

根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行本发明的目标跟踪方法。

在本发明实施例中，通过图像传感器获取当前帧图像；通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置，其中，跟踪模型用于作为在当前帧图像中跟踪目标的位置的依据；确定当前帧图像中的目标与当前使用的跟踪模型的相似度；根据相似度更新当前使用的跟踪模型，解决了通过在线学习方法建立模型的跟踪方法跟踪效果稳定性较低的技术问题，进而实现了提高在线学习方法建立模型的跟踪方法的跟踪效果稳定度的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的目标跟踪方法的流程图；

图2是根据本发明实施例的另一种可选的目标跟踪方法的流程图；

图3是根据本发明实施例的一种可选的目标跟踪装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本申请实施例，提供了一种目标跟踪方法。需要说明的是，该方法应用于具有图像传感器的电子设备，电子设备用于对目标执行跟踪，该电子设备可以是智能机器人，例如，地面机器人等，也可以是应用在其它任何需要对目标执行跟踪的电子设备，本发明对此不作限定。

图1是根据本发明实施例的一种可选的目标跟踪方法的流程图，如图1所示，该方法包括如下步骤：

步骤s101，通过图像传感器获取当前帧图像。

图像传感器是一帧一帧的获取的图像，该步骤获取当前帧图像，对当前帧图像中的目标进行跟踪。当前帧图像可以是图像传感器获得的每一帧图像，也可以是图像传感器获取的图像中每一帧用于目标跟踪的图像，例如，确定图像传感器获取到的图像中每间隔5帧图像得到一帧用于目标跟踪的图像。

步骤s102，通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置。

其中，跟踪模型用于作为在当前帧图像中跟踪目标的位置的依据，具体而言，跟踪模型可以由至少一种特征来描述，例如，通过颜色特征、轮廓特征、深度特征、距离特征等等来描述跟踪模型，这些特征可以是通过电子设备中的图像传感器获取到的，也可以是通过电子设备中的其它传感器获取到的，例如，提取图像传感器获取到的图像中目标的一种或多种图像特征，可以包括颜色特征、轮廓特征等，或者，电子设备还可以设置有深度传感器和红外测距传感器等，分别获取目标的深度特征和距离特征。

在获取到当前帧图像之后，通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置，例如：在获取到当前帧图像后，根据当前使用的跟踪模型的轮廓特征在所述当前帧图像中计算各轮廓与所述跟踪模型的轮廓特征之间的相似度，从当前帧图像中选择相似度最大的那个轮廓为跟踪目标在当前帧图像中的位置。本发明实施例也可以根据跟踪模型的其他特征在当前帧图像中跟踪目标的位置，如：颜色特征等等，本发明实施例不做限制。该实施例提供的目标跟踪方法是一种在线学习跟踪模式的系统，跟踪模型在经过对每一帧图像的学习之后需要更新，当前使用的跟踪模型是最近更新的跟踪模型，该模型可以是对上一帧能够跟踪到目标的跟踪模型进行学习得到的模型。

步骤s103，确定当前帧图像中的目标与当前使用的跟踪模型的相似度。

该实施例提供的目标跟踪方法通过确定当前帧图像中的目标与当前使用的跟踪模型的相似度来进行在线学习，因此，需要确定当前帧图像中的目标与当前使用的跟踪模型的相似度，可选的，由于在通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置的过程中可以通过相似度来判定是否跟踪到目标，因此，步骤s103的相似度可以通过读取执行步骤s102之后所存储的相似度确定。

具体而言，用于确定当前帧图像中的目标与跟踪模型的相似度的比对特征，与步骤s102中用于跟踪目标的位置的特征，可以相同，也可以不同，例如，在步骤s102中用轮廓特征跟踪目标的位置，在步骤s103中用颜色特征确定相似度；或者，步骤s103中用到的特征也可以包含步骤s102中用到的特征，并包含除步骤s102中用到的特征之外的其他特征，例如，步骤s102中用轮廓特征跟踪目标的位置，步骤s103中用颜色特征和轮廓特征确定相似度。

可选的，确定当前帧图像中的目标与当前使用的跟踪模型的相似度包括：提取当前帧图像中跟踪到的目标的多个特征的值；根据每个特征值与当前使用的跟踪模型中对应的特征值之间的区别确定每个特征值的置信度；将各个特征值的置信度进行加权融合以确定当前帧图像中的目标与当前使用的跟踪模型的相似度。

例如，目标的特征包括在图像中目标的颜色和位置，确定当前帧图像中目标的颜色与前一帧图像中目标的颜色的区别以作为颜色置信度，确定当前帧图像中目标的位置与前一帧图像中目标的位置的距离计算位移置信度，根据两个置信度进行加权计算得到相似度。可选的，对于颜色特征，除了环境因素影响目标的颜色在图像中并不会发生变化，因此，颜色特征可以不与前一帧图像中的目标颜色进行对比，而是与第一帧图像中的目标颜色进行对比以计算颜色置信度。

或者，电子设备除图像传感器之外还可以搭载有其它传感器，通过其它传感器获取到的特征信息与图像中的目标特征信息进行融合，得到相似度，例如，电子设备还搭载有红外测距仪，根据红外测距仪获取到的目标在当前时刻的位置与在前一帧图像对应时刻的位置确定目标的距离差，对距离差进行如归一化等数据处理得到红外置信度s红外，两个时刻获取到的目标的位置的距离差越短，置信度越高，反之亦然。另一个置信度为颜色置信度s颜色，融合红外置信度s红外和颜色置信度s颜色通过如下公式得到相似度s：

s＝σ1*s颜色+σ1*s红外

其中，σ1、σ2是和为1的两个常数，表征两个置信度的重要程度。

步骤s104，根据相似度更新当前使用的跟踪模型。

在确定当前帧图像中的目标与当前使用的跟踪模型的相似度之后，根据相似度更新当前使用的跟踪模型，可以得到在下一帧图像中跟踪目标所使用的跟踪模型。

可选的，根据相似度更新当前使用的跟踪模型的具体步骤可以是：根据相似度确定模型更新参数，其中，模型更新参数用于表征当前使用的跟踪模型对更新后的跟踪模型的影响程度；根据模型更新参数调整预设的更新算法，其中，更新算法为用于更新跟踪模型的算法，更新算法的参数中包括模型更新参数；通过调整后的更新算法对当前使用的跟踪模型进行更新，得到更新后的跟踪模型。

具体的，模型更新参数是更新算法中的参数，更新算法为用于更新跟踪模型的算法，在根据相似度调整更新算法中的模型更新参数之后，更新模型随之确定，根据调整后的更新算法对当前的跟踪模型进行更新，得到更新后的跟踪模型。

可选的，模型更新参数可以是学习率，如果目标未丢失，则根据相似度确定学习率，如果目标丢失，则可以设置学习率为0，不更新跟踪模型，执行目标再检测处理。该实施例提供的目标跟踪方法可以控制跟踪模型在线学习的学习率，根据相似度的大小调整学习率放大或减小，并确定何时停止学习不更新跟踪模型，相似度越大，越信任新一帧的跟踪结果，学习率越大，也即新一帧的跟踪结果在更新跟踪模型时所起的作用占的比重越大。

该实施例提供的目标跟踪方法通过图像传感器获取当前帧图像，通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置，其中，跟踪模型用于作为在当前帧图像中跟踪目标的位置的依据；确定当前帧图像中的目标与当前使用的跟踪模型的相似度，根据相似度更新当前使用的跟踪模型，解决了通过在线学习方法建立模型的跟踪方法跟踪效果稳定性较低的技术问题，进而实现了提高在线学习方法建立模型的跟踪方法的跟踪效果稳定度的技术效果。

可选的，在确定当前帧图像中的目标与当前使用的跟踪模型的相似度之后，可以通过相似度判断是否更新当前使用的跟踪模型，如果判断出相似度小于预设阈值，则判断目标丢失，并执行目标再检测处理，不更新当前使用的跟踪模型，如果判断出相似度大于等于预设阈值，则根据相似度更新当前使用的跟踪模型。通过这种处理方式，可以避免跟踪到的目标与跟踪模型相差过大时还根据当前帧图像中的跟踪目标更新跟踪模型带来的偏差。

可选的，目标再检测处理可以包括：根据记录的预设数量的历史相似度计算本次目标再检测处理的相似度阈值；根据当前使用的跟踪模型在图像传感器获取的后续帧图像中跟踪目标的位置；确定在后续帧图像中跟踪到的目标与当前使用的跟踪模型的相似度，并判断是否大于或等于相似度阈值，其中，如果判断结果为是，则确定目标再检测成功，如果判断结果为否，则确定目标再检测失败并继续在图像传感器获取的下一帧图像中跟踪目标的位置，直至确定目标再检测成功。

可选的，通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置可以包括：根据当前使用的跟踪模型确定位置跟踪匹配特征；在当前帧图像中根据位置跟踪匹配特征搜索匹配度最高的位置区域；根据搜索结果确定当前帧图像中目标的位置。

具体而言，位置跟踪匹配特征可以是目标的特征中任意之一或任意多种特征的融合，例如，可以通过目标的图像轮廓在当前帧图像中确定目标的位置。根据搜索结果确定当前帧图像中目标的位置可以是以匹配度最高的位置区域的中心点为中心，以预设的窗口大小作为跟踪窗口，确定该跟踪窗口为当前帧图像中目标的位置。

作为上述实施例的一种实施方式，目标跟踪方法的过程可以如图2所示，当获取到第一帧图像(frame1)时，可以通过用户交互指定或者任意的检测器给出需要跟踪的目标，然后基于该目标构建跟踪模型，该跟踪模型携带有跟踪目标的目标信息，目标信息可以包括颜色特征信息、轮廓特征信息，或通过其它传感器得到的信息，例如，通过深度传感器得到的深度信息、距离信息等。

在之后帧的图像输入(frame++)时，利用之前构建好的跟踪模型，在新获取的图像中搜寻跟踪目标的位置，并通过其相似度来判断目标是否丢失。

如果目标没有丢失，则根据该帧图像的跟踪目标构建并更新跟踪模型，并且利用相似度来动态调整模型更新参数，如学习率，如果目标丢失，跟踪模型不进行更新，学习率设置为0，进入目标再检测模块。

如果目标丢失，则进入目标再检测模块。目标再检测模块首先通过之前训练好的跟踪模型对丢失之前的跟踪目标进行目标再检测，并确认目标是否同一个物体，可选的，执行目标再检测时可以在图像中较大的区域中执行。在目标再检测模块中，用于检测判断的参数可以由之前一段时间的跟踪状态来动态调整，例如，如果之前一段时间跟踪相似度都较高，那么检测判断参数可以更加严格，以免发生误检。如果目标再检测模块检测到跟踪目标，则利用检测到的跟踪目标构建并更新模型，如果没有检测到跟踪目标，则在下一帧图像中继续进行目标再检测。

该实施例提供的模板跟踪方法设计了一个通用的在线学习目标跟踪框架，该框架基于但不仅限于视觉传感器，可以加入其他主动传感器信号，如深度传感器，红外传感器，uwb，激光信号等，该跟踪框架不限于特定的跟踪目标，并确定了该框架主要的模块以及模块之间的跳转关系，在该实施例提供的目标跟踪方法中，可以根据不同的跟踪状态动态调整在线学习参数的方法，在线学习跟踪系统中，新生成的模型的比率，学习率越大，更新越快，新模型比重越大。

需要说明的是，在附图的流程图虽然示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行本发明实施例提供的目标跟踪方法。

根据本申请实施例，提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行本发明实施例提供的目标跟踪方法。

根据本申请实施例，提供了一种目标跟踪装置。

图3是根据本发明实施例的一种可选的目标跟踪装置的示意图。如图3所示，该装置包括获取单元10，跟踪单元20，确定单元30，更新单元40。其中，获取单元用于通过图像传感器获取当前帧图像；跟踪单元用于通过当前使用的跟踪模型在当前帧图像中跟踪目标的位置，其中，跟踪模型用于作为在当前帧图像中跟踪目标的位置的依据；确定单元用于确定当前帧图像中的目标与当前使用的跟踪模型的相似度；更新单元用于根据相似度更新当前使用的跟踪模型。

可选地，该装置还包括：判断单元，用于在确定单元确定当前帧图像中的目标与当前使用的跟踪模型的相似度之后，判断相似度是否小于预设阈值；目标再检测单元用于在相似度小于预设阈值时，判断目标丢失，并执行目标再检测处理，其中，更新单元还用于在相似度不小于预设阈值时，根据相似度更新当前使用的跟踪模型。

可选地，确定单元包括：提取模块，用于提取当前帧图像中跟踪到的目标的多个特征的值；第一确定模块，用于根据每个特征值与当前使用的跟踪模型中对应的特征值之间的区别确定每个特征值的置信度；第二确定模块，用于将各个特征值的置信度进行加权融合以确定当前帧图像中的目标与当前使用的跟踪模型的相似度。

可选地，特征至少包括：轮廓特征、颜色特征、深度特征、距离特征。

可选地，更新单元包括：第一更新模块，用于根据相似度确定模型更新参数，其中，模型更新参数用于表征当前使用的跟踪模型对更新后的跟踪模型的影响程度；调整模块，用于根据模型更新参数调整预设的更新算法，其中，更新算法为用于更新跟踪模型的算法，更新算法的参数中包括模型更新参数；第二更新模块，用于通过调整后的更新算法对当前使用的跟踪模型进行更新，得到更新后的跟踪模型。

可选地，跟踪单元包括：第三确定模块，用于根据当前使用的跟踪模型确定位置跟踪匹配特征；搜索模块，用于在当前帧图像中根据位置跟踪匹配特征搜索匹配度最高的位置区域；第四确定模块，用于根据搜索结果确定当前帧图像中目标的位置。

可选地，目标再检测单元包括：阈值计算模块，用于根据记录的预设数量的历史相似度计算本次目标再检测处理的相似度阈值；位置跟踪模块，用于根据当前使用的跟踪模型在图像传感器获取的后续帧图像中跟踪目标的位置；第五确定模块，用于确定在后续帧图像中跟踪到的目标与当前使用的跟踪模型的相似度，并判断是否大于或等于相似度阈值，其中，如果判断结果为是，则确定目标再检测成功，如果判断结果为否，则确定目标再检测失败并继续在图像传感器获取的下一帧图像中跟踪目标的位置，直至确定目标再检测成功。

上述的装置可以包括处理器和存储器，上述单元均可以作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。

上述本申请实施例的顺序不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。

其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

另外，在本申请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，也可以采用软件功能单元的形式实现。

所述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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。