软件的下载方法及装置与流程

本发明属于图像识别技术领域，尤其涉及软件的下载方法及装置。

背景技术：

随着互联网和智能手机技术的发展，人们在日常生活中越来越多的使用到各类手机应用软件，这些手机应用软件极大的丰富了人们的生活，也在一定程度上使我们的生活更加的便利。当前，手机用户在希望下载一款应用软件时，往往需要在应用软件平台上输入关键字，应用软件平台再根据用户输入的关键字搜索相应的应用软件，并显示出这些相应的应用软件以供用户下载。

由此可见，当前通过手机下载应用软件的操作步骤比较繁琐，用户需要手动输入关键字才能下载应用软件。除此之外，当前的软件下载方法在很多情况下无法查找以及下载用户感兴趣的方法。例如在某种情况下，用户发现了一款感兴趣的应用软件的图标，但是却不知道该应用软件的名称，就无法下载该感兴趣的应用软件。

综上，当前软件的下载方法，存在操作步骤繁琐，对于不同的实际情况适应性差的问题。

技术实现要素：

有鉴于此，本发明实施例提供了软件的下载方法及装置，以解决现有软件的下载方法操作步骤繁琐的问题。

本发明实施例的第一方面提供了一种软件的下载方法，包括：获取目标软件图标；通过图像识别算法，计算所述目标软件图标所对应的目标软件标签；根据所述目标软件标签，将目标软件下载至终端设备。

本发明实施例的第二方面提供了一种软件的下载装置，包括：

图标获取模块，用于获取目标软件图标；计算模块，用于通过图像识别算法，计算所述目标软件图标所对应的目标软件标签；下载模块，用于根据所述目标软件标签，将目标软件下载至终端设备。

本发明实施例与现有技术相比存在的有益效果是：通过获取目标软件图标；使用图像识别算法识别所述目标软件图标，得到与目标软件图标对应的目标软件标签；在搜索目标软件标签之后，将目标软件下载至终端设备，以简化软件下载的操作步骤，以及在用户不知道目标软件名称的情况下，下载目标软件。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的软件的下载方法的实现流程图；

图2是本发明实施例提供的软件的构建卷积神经网络的具体实现流程图；

图3是本发明实施例提供的软件的下载方法s205的具体实现流程图；

图4是本发明实施例提供的软件的下载方法s103的具体实现流程图；

图5是本发明实施例提供的软件数据库列表的示意图；

图6是本发明实施例提供的软件的下载装置的结构框图；

图7是本发明实施例提供的软件的下载装置的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明实施例提供的软件的下载方法的实现流程，详述如下：

在s101中，获取目标软件图标。

在本发明实施例中，用户首先需要采集自己希望下载的软件图标，作为目标软件图标。

可选地，目标软件图标由终端设备采集，可以作为单独的待处理对象发送至服务器，这时服务器可以直接获取该软件图标，并进行后续的计算和下载。

可选地，目标软件图标可以作为下载请求的一部分，通过下载请求文件发送至服务器，此时服务器需要解析下载请求文件，从而提取出目标软件图标。

值得注意地，服务器获取的目标软件图标可能存在图像噪音，因此在后续计算之前，为了使后续识别更加准确，可以采用均值滤波、中值滤波、自适应维纳滤波、小波去噪等方式对目标软件图标进行降噪处理。

可选地，在本发明实施例中，获取的目标软件图标的周边可能存在非软件图标的部分，我们可以采用抠像的方式去除掉非软件图标部分，也可以不进行抠像处理。由于在本发明实施例中，后续将采用图像识别的的方法对获取的目标软件图标进行识别，因此尽管获取的图像可能存在非软件图标的部分，但是通过本发明实施例提供的图像识别算法可以准确识别出目标软件图标，具体的图像识别算法将在下文详述。

可选地，在本发明实施例中，目标软件图标可以是icon图标。可以理解地，由于不同的应用软件对应不同的icon图标，因此应用软件的icon图标就可以成为用于识别一款应用软件的标识。可以理解地，icon图标是一种图标的类型，本发明实施例所涉及的技术方案不限于对icon图标的识别，其他格式的图标都可以使用本发明实施例涉及的技术方案处理。

在s102中，通过图像识别算法，计算所述目标软件图标所对应的目标软件标签，所述图像识别算法包括：将所述目标软件图标输入至卷积神经网络中，以识别所述目标软件图标对应的软件标签。

在本发明实施例中，通过图像识别算法对目标软件图标进行识别。在不同的图像识别算法中，都需要对大量的软件图标进行训练，这些用于训练的软件图标，必须已知该软件图标与一个软件标签的对应关系。例如，根据一个“微信”的图标，已知该软件图标对应的软件标签是“微信”。可以理解地，通过对大量的软件图标进行训练，可以得到一个相应的分类器。此后，我们将待识别的目标软件图标进行特征提取后，对其特征通过相应的分类器进行分类，以计算出该目标软件图标所对应的目标软件标签。

可选地，在本发明实施例中，采用卷积神经网络进行图像识别。

可选地，由于本发明实施例采用卷积神经网络进行图像识别，因此在识别所述目标软件图标对应的软件标签之前，需要对卷积神经网络进行训练。

可以理解地，在本发明实施例中，构建卷积神经网络的过程就是对软件图标进行训练的过程。构建卷积神经网络实际上是构建一个卷积神经网络公式，根据这个公式，将一个目标软件图标作为卷积神经网络公式的输入值，就可以判断出该目标软件图标对应的软件标签。

可以理解地，构建一个卷积神经网络公式的过程，实际上是确定该公式中的各个参数的权值的过程。

图2示出了本发明实施例提供的软件的构建卷积神经网络的具体实现流程，详述如下：

在s201中，获取样本软件图标集合，所述样本软件图标集合包括软件图标与软件标签的对应关系。

可选地，在本发明实施例中，软件标签可以是该应用软件的名称。

可以理解地，由于每个用于训练卷积神经网络的软件图标，我们必须已知这些软件图标所对应的软件标签，因此需要已知软件图标与软件标签的对应关系。在本发明实施例中，将大量的具有软件标签的软件图标组成样本软件图标集合，这里的样本软件图标集合作为训练集，是后续构建卷积神经网络的输入数据。

在s202中，计算所述样本软件图标集合中各个软件图标的特征，生成各个软件图标对应的第一特征矩阵，所述软件图标的特征包括软件图标的颜色特征。

可选地，可以采用基于软件图标的rgb像素值以及空间结构，计算各个软件图标对应的第一特征矩阵。可以理解地，为了同时保护图像的颜色和结构信息，本发明实施例使用3维卷积核和样本软件图标进行卷积，以生成第一特征矩阵。

具体地：三维卷积核分为r,g,b三个维度，每一维的卷积运算过程与一维卷积运算过程类似。值得注意地，卷积核的数值为预先设定的数值，且可以直接加入到整个训练过程中，不需要每次训练得到。

可选地，也可以采用无颜色特征的样本图标的灰度图，结合轮廓特征提取的方法计算第一特征矩阵。

在本发明实施例中，将计算样本软件图标集合中各个软件图标的轮廓特征，作为对软件图标特征提取的第一个步骤。可以理解地，轮廓特征提取可以快速的将原始的软件图标进行降维处理，在保持软件图标的基本图像特征的同时，大大减少用于描述软件图标的矩阵的维数。

在本发明实施例中，将一个原始的软件图标进行常规的灰度变换后，进行降噪处理，最后采用轮廓检测算子提取软件图标的轮廓特征。

具体地，首先将原始的软件图标进行灰度变换后进行灰度校正，以扩大软件图标的扩展对比度再采用均值滤波算法消除图像噪声。可以理解地，在消除图像噪声的同时，可能使软件图标的轮廓模糊，因此可以采用罗伯茨算子对降噪后的软件图标进行锐化处理，以突出软件图标的轮廓。

具体地，在对软件图标进行锐化处理后，软件图标的轮廓是以局部特征不连续的形式出现的。可以理解地，采用一个一阶导数的轮廓检测算子对软件图标进行运算，若一个像素点对应的一阶导数高于一个预设的阈值，则确定该像素点为轮廓点。可以理解地，在依次计算经锐化处理后的软件图标的各个像素点，可以获得软件图标的轮廓特征。值得注意地，可以作为轮廓检测的轮廓检测算子有很多，例如logo边缘检测算子等。

在本发明实施例中，在对各个软件图标提取轮廓特征后，生成各个软件图标对应的第一特征矩阵。

在s203中，对所述第一特征矩阵与一预设的卷积核进行卷积计算，生成第二特征矩阵。

可选地，在本发明实施例中，根据用户对于训练精度的要求和服务器的计算能力的不同，可以选择不同的卷积核，以及选择进行卷积计算的次数。一般地，卷积计算的次数越多，获取的特征矩阵的维数就越小，对于后续计算的计算压力也就越小。可以理解地，在本发明实施例中，卷积核为预先设定的，作为卷积计算中系数的矩阵，对卷积结果有直接的影响，而且这个卷积核为预先设定的。

在本发明实施例中，将经过卷积计算生成的矩阵，称为第二特征矩阵。

可以理解地，当第一特征矩阵经过一次或多次卷积计算后，会产生和软件图标相关性更强的更精确的第二特征矩阵。

在s204中，对所述第二特征矩阵进行池化，生成第三特征矩阵，所述第三特征矩阵的行数和列数均为一个预设值。

可选地，由于根据不同的软件图标计算出的第二特征矩阵可能存在不同的维数，因此需要将第二特征矩阵进行池化处理，将各个软件图标对应的不同维数的第二特征矩阵，转换成相同维数的第三特征矩阵。可以理解地，第三特征矩阵的行数和列数均为一个预设值。

具体地，将第二特征矩阵划分为维数相同的各个区域，各个区域可以通过平均池化或者最大池化的方法对各个区域的数值进行聚合统计，将聚合统计的结果作为该区域池化后的数值。其中平均池化指计算每个区域数据的平均值作为该区域的代表值；最大池化指将每个区域数据的最大值作为该区域的代表值。

例如，第二特征矩阵是一个20*20的矩阵，而如果预设的第三特征矩阵的行数和列数均为2，则显然可以将第二特征矩阵分为4个区域，每个区域的行数和列数均为10，分别统计每个区域中的最大值或者平均值作为该区域的代表值，将20*20的矩阵转换为2*2的矩阵。

值得注意地，第二特征矩阵的维数和第三特征矩阵的维数，并不一定是整除的关系，由于在对第二特征矩阵进行划分的过程中，允许各个区域有重叠部分，因此对于第三特征矩阵的维数没有特别的限制，如上文所述，第三特征矩阵的行数和列数均为一个预设值。

在s205中，根据所述样本软件图标集合中各个软件图标所对应的第三特征矩阵以及软件标签，计算所述卷积神经网络的权值，以构建所述卷积神经网络的公式。

在本发明实施例中，每一个软件图标的第三特征矩阵都是软件图标经过轮廓提取、卷积计算以及池化计算后生成的矩阵，将作为后续构建卷积神经网络的训练数据。

在本发明实施例中，对卷积神经网络构建的实质是对卷积神经网络公式各个权值的计算。

图3示出了本发明实施例提供的软件的下载方法s205的具体实现流程，详述如下：

在s301中，为所述卷积神经网络的权值赋予预设的初始值，以构建初始卷积神经网络公式。

可选地，将公式一作为卷积神经网络公式，以计算软件图标的分类概率。

hθ(α(i))＝p(β(i)＝1|α(i)；θ)p(β(i)＝2|α(i)；θ)...p(β(i)＝k|α(i)；θ))公式一

其中hθ(α)表示卷积神经网络公式，α表示卷积神经网络中输出的特征向量，β表示与卷积神经网络中输出的特征向量α相对应的软件标签，p(β＝t|α；θ)表示卷积神经网络输出的特征向量为α时，软件标签β等于t的概率，θ表示权值。

在本发明实施例中，首先为卷积神经网络的权值赋予预设的初始值，将各个权值带入公式一，以得到初始卷积神经网络公式。

在s302中，将所述第三特征矩阵作为输入值，根据卷积神经网络公式，计算实际输出值。

在本发明实施例中，从样本软件图标集合中选取一个软件图标，将该软件图标对应的第三特征矩阵作为卷积神经网络公式的输入值，计算该软件图标所对应的软件标签，将输出结果作为实际输出值。

在s303中，获取预设的各个软件标签对应的理论输出值。

可以理解地，在构建卷积神经网络之前，已经存在各个软件图标对应的理论输出值，该理论输出值可以是软件图标对应的软件标签。

在s304中，通过预设的权值更新公式，反复更新所述卷积神经网络的权值，直至所述实际输出值与所述理论输出值的误差，小于或等于预设的误差阈值。

可选地，在本发明实施例中，采取以下三个步骤更新卷积神经网络的权值：

第一步，在获取到各个软件图标所对应的第三特征矩阵，以及各个软件图标所对应的软件标签后，利用预设的公式一，使用当前更新的权值，计算样本软件图标集合中某一个软件图标的分类概率，选出概率最高的软件标签作为实际输出值。

第二步，通过公式二计算实际输出值与理论输出值之间的误差，公式二如下：

j(θ)＝mβ(i)loghθ(α(i))+(1-β(i))log(1-hθ(α(i))公式二

j(θ)表示误差函数，m表示构建卷积神经网络时使用软件图标的数量，hθ(α)表示卷积神经网络公式，α表示卷积神经网络中输出的特征向量，β表示与卷积神经网络中输出的特征向量α相对应的软件标签，θ表示权值。

可选地，通过极小化误差的方法，反向调整卷积神经网络的权值。

第三步，反复进行第一步与第二步操作，直至实际输出值与理论输出值之间的误差小于或等于误差阈值，则将此时的权值作为最终的卷积神经网络的权值。

可以理解地，上述三个步骤利用了极小化误差的思想，在对初始权值进行反复更新后，得到了卷积神经网络公式，该公式可以用于对一个新输入的软件图标进行识别。

可以理解地，上述三个步骤可以概括为：若所述实际输出值与所述理论输出值的误差大于预设的误差阈值，更新所述卷积神经网络公式中的权值，并返回执行所述将所述第三特征矩阵作为输入值，根据卷积神经网络公式，计算实际输出值的操作。

若所述实际输出值与所述理论输出值的误差小于或等于预设的误差阈值，则完成对所述卷积神经网络的构建。

可以理解地，在本发明实施例中，将目标软件图标输入至根据上文所述计算出的卷积神经网络公式中，即可计算出该目标软件图标所对应的软件标签。

在s103中，根据所述目标软件标签，将目标软件下载至终端设备。

在本发明实施例中，目标软件标签可以作为关键字，用于在服务器中或第三方搜索平台中搜索相应的目标软件以及下载地址。

图4示出了本发明实施例提供的软件的下载方法s103的具体实现流程，详述如下：

在s401中，检测终端设备的操作系统。

可以理解地，当前常用的终端设备的操作系统包括：android和ios系统，不同的操作系统对于同一软件标签却对应不同的应用软件，因此需要首先确定终端设备正在使用的是何种操作系统。

在s402中，获取软件数据库列表。

可选地，软件数据库列表包括软件标签、操作系统类型以及下载地址三者的对应关系。如图5所示，同一个软件标签，由于操作系统不同，下载地址也不同。

在s403中，在所述软件数据库列表中，查找与所述软件标签以及所述操作系统对应的软件下载地址，作为目标下载地址。

在s404中，从所述目标下载地址，将所述目标软件下载至所述终端设备。

可以理解地，本发明实施例通过对目标软件图标的图像识别，自动得到该目标软件图标的目标软件标签，并自动查找到与该目标软件标签对应的下载地址，以达到将目标软件下载至终端设备的目的。本发明实施例涉及的方法，不仅简化了用户下载应用软件的流程，而且实现了用户在不知道目标软件名称的情况下，下载目标软件的目的。

可以理解地，由于移动终端用户可能下载了众多的软件，因此会出现一种情况：用户看到一款自己感兴趣的软件，准备扫描该软件图标后下载，但是可能之前已经下载了该软件。

为了应对上述这个情况，在目标软件已存在于移动终端时，尽量节省计算时间和操作步骤，本发明实施例在将所述目标软件图标输入至卷积神经网络中，以识别所述目标软件图标对应的软件标签之前，还包括：

将所述目标软件图标与所述移动终端已下载的软件图标进行图像匹配，以判断所述目标软件图标是否已存于所述移动终端中；若所述目标软件图标已存在于所述移动终端中，则启动所述目标软件。

可以理解地，图像匹配技术相比于图像识别技术而言，不需要进行模型训练的步骤，因此在数据量不多的情况下，计算量更小。由于移动终端中已存在的软件的数据量并不会非常多，因此，特别适合通过图像匹配技术判断目标软件图标是否已存在于移动终端中。

可以理解地，当通过图像匹配技术发现在移动终端已有的软件图标中含有目标软件图标，则直接打开该目标软件图标对应的目标软件，不需要进行后续的图像识别及下载的步骤。

本发明实施例避免了可能出现的重复下载一款软件的情况发生，而且有利于用户及时发现和启动自己感兴趣的目标软件。

对应于上文的定位方法，图6示出了本发明实施例提供的软件的下载装置的结构框图。

参照图6，该装置包括：

图标获取模块601，用于获取目标软件图标；

识别模块602，用于通过图像识别算法，计算所述目标软件图标所对应的目标软件标签，所述图像识别算法包括：将所述目标软件图标输入至卷积神经网络中，以识别所述目标软件图标对应的软件标签；

下载模块603，用于根据所述目标软件标签，将目标软件下载至终端设备。

进一步地，所述装置还包括：

第一获取模块，用于获取样本软件图标集合，所述样本软件图标集合包括软件图标与软件标签的对应关系；

计算模块，用于计算所述样本软件图标集合中各个软件图标的特征，生成各个软件图标对应的第一特征矩阵，所述软件图标的特征包括软件图标的颜色特征；

第一生成模块，用于对所述第一特征矩阵与一预设的卷积核进行卷积计算，生成第二特征矩阵；

第二生成模块，用于对所述第二特征矩阵进行池化，生成第三特征矩阵，所述第三特征矩阵的行数和列数均为一个预设值；

第三生成模块，用于根据所述样本软件图标集合中各个软件图标所对应的第三特征矩阵以及软件标签，计算所述卷积神经网络的权值，以构建所述卷积神经网络的公式。

所述第三生成模块，具体用于：

为所述卷积神经网络的权值赋予预设的初始值，以构建初始卷积神经网络公式；

将所述第三特征矩阵作为输入值，根据卷积神经网络公式，计算实际输出值；

获取预设的各个软件图标对应的理论输出值；

反复更新所述卷积神经网络的权值，直至所述实际输出值与所述理论输出值的误差，小于或等于预设的误差阈值。

进一步地，所述下载模块包括：

检测子模块，用于检测终端设备的操作系统类型；

获取子模块，用于获取软件数据库列表；

查找子模块，用于在所述软件数据库列表中，查找与所述软件标签以及所述操作系统类型对应的软件下载地址，作为目标下载地址；

执行子模块，用于从所述目标下载地址，将所述目标软件下载至所述终端设备。

所述装置还包括：

匹配模块，用于判断所述目标软件图标是否已存于所述移动终端中；

若所述目标软件图标已存在于所述移动终端中，则启动所述目标软件。

图7是本发明一实施例提供的软件的下载装置的示意图。如图7所示，该实施例的软件的下载装置包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如软件的下载程序。所述处理器70执行所述计算机程序72时实现上述各个软件的下载方法实施例中的步骤，例如图1所示的步骤s101至s103。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块601至603的功能。

示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述软件的下载装置7中的执行过程。例如，所述计算机程序72可以被分割成读取模块、选择模块、确定模块，各模块具体功能如下：

图标获取模块601，用于获取目标软件图标；

识别模块602，用于通过图像识别算法，计算所述目标软件图标所对应的目标软件标签，所述图像识别算法包括：将所述目标软件图标输入至卷积神经网络中，以识别所述目标软件图标对应的软件标签；

下载模块603，用于根据所述目标软件标签，将目标软件下载至终端设备。

所述软件的下载装置7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述软件的下载装置可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是软件的下载装置7的示例，并不构成对软件的下载装置7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述软件的下载装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、图形处理器(graphicsprocessingunit，gpu)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。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。

所述存储器71可以是所述软件的下载装置的内部存储单元，例如软件的下载装置7的硬盘或内存。所述存储器71也可以是所述软件的下载装置/装置7的外部存储设备，例如所述软件的下载装置/装置7上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器71还可以既包括所述软件的下载装置/装置7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述软件的下载装置/装置所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

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、或者计算机软件和电子硬件的结合来实现。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。

在本发明所提供的实施例中，应该理解到，所揭露的装置/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/装置实施例仅仅是示意性的，例如，所述模块或单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

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取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。