基于深度图像的对象识别方法及装置、设备、存储介质与流程

本发明涉及图像识别技术，尤其涉及一种基于深度图像的对象识别方法及装置、设备、存储介质。

背景技术：

现有技术中，识别室内人数一般是通过在室内安装摄像头采集图像或视频，通过神经网络等机器学习算法对采集数据进行解析，进行多人行为的识别。对于室内人员定位则通常采用无线通讯、基站定位和惯导定位等多项技术。

现有方案有以下缺点在于：1)普通摄像头破坏个人隐私；2)多人行为识别算法复杂，易受室内光线干扰，抗干扰能力差。3)定位精度、性能和通用性差，且定位成本高。鉴于上述缺点，利用普通视频图像解析进行多人行为识别监测的方法以及利用无线通讯、基站定位和惯导定位等技术实现室内定位在现实应用中很难进行广泛推广。

技术实现要素：

有鉴于此，本发明实施例为解决现有技术中存在的至少一个问题而提供一种基于深度图像的对象识别方法及装置、设备、存储介质，能够保护个人隐私，不受光线干扰且能实现精确定位。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种基于深度图像的对象识别方法，所述方法包括：

获取采集的目标区域中待识别对象的深度图像；

对所述深度图像进行预处理，得到所述深度图像对应的直方图；

根据所述直方图识别所述目标区域中待识别对象。

本发明实施例提供一种基于深度图像的对象识别装置，所述装置包括：

获取单元，用于获取采集的目标区域中待识别对象的深度图像；

预处理单元，用于对所述深度图像进行预处理，得到所述深度图像对应的直方图；

识别单元，用于根据所述直方图识别所述目标区域中待识别对象。

本发明实施例提供一种基于深度图像的对象识别设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的基于深度图像的对象识别方法。

本发明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上述的基于深度图像的对象识别方法。

本发明实施例中，获取采集的目标区域中待识别对象的深度图像；对所述深度图像进行预处理，得到所述深度图像对应的直方图；根据所述直方图识别所述目标区域中待识别对象；如此，能够保护个人隐私，不受光线干扰且能实现精确定位的优点。

附图说明

图1为本发明实施例基于深度图像的对象识别方法的实现流程示意图；

图2为本发明实施例kinect前景深度图像进行分组的示意图；

图3为本发明实施例基于kinect的室内定位原理的示意图；

图4为本发明实施例直方图的示意图；

图5为本发明实施例基于kinect的深度图像的对象识别方法的实现流程示意图；

图6为本发明实施例基于深度图像的对象识别装置的组成结构示意图；

图7为本发明实施例中计算设备的一种硬件实体示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。

本发明实施例提供一种基于深度图像的对象识别方法，该方法应用于计算设备，该方法所实现的功能可以通过计算设备的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算设备至少包括处理器和存储介质。

图1为本发明实施例基于深度图像的对象识别方法的实现流程示意图，如图1所示，该方法包括：

步骤s101，获取采集的目标区域中待识别对象的深度图像；

这里，深度图像在实现的过程中可以通过深度摄像头来采集，深度摄像头例如应用较为广泛的kinect摄像头。目标区域是指一个或多个深度摄像头所采集的范围，例如一个房间或广场或道路上安装一个深度摄像头，那么目标区域即为这一个深度摄像头的采集范围；如果一个房间安装了多个摄像头，能够完全采集该房间，那么目标区域即为该房间。

这里，待识别对象是设置的某种目标对象，例如本实施例应用在人数识别和定位中，那么待识别对象即为人。如果本实施例应用在一个农场，该农场中用于识别羊群、牛群或鸡鸭群，那么待识别对象即为牛羊鸡鸭等。

步骤s102，对所述深度图像进行预处理，得到所述深度图像对应的直方图；

在其他的实施例中，预处理包括对深度图像进行归一化的过程，例如将深度图像转化为灰度图像，然后将转化为灰度图像的深度图像表示为直方图。

这里，所述直方图是按照深度图像的像素数目来形成的，在实现的过程中，可以对深度图像进行分区域(分组)，然后统计每个分组上的像素点数目，从而形成的立体直方图。

步骤s103，根据所述直方图识别所述目标区域中待识别对象。

这里，在实现的过程中可以将直方图的特征信息作为待识别对象的特征信息，例如直方图中的峰值可以确定为待识别对象的个数，峰值的位置信息可以确定待识别对象的位置，这样一个直方图中有几个峰值就有几个待识别对象，那么峰值的位置即这几个待识别对象的位置。

本实施例中利用深度摄像头采集目标对象的深度信息，然后利用目标独享的深度信息进行目标对象的识别，由于深度信息中并不涉及目标对象的隐私数据，因此，即使采集目标对象的深度信息被泄露，也不会造成目标对象的隐私泄露；然而，利用普通摄像头进行目标对象识别时，例如识别人数时，往往通过采集人脸等隐私数据进行目标对象的识别，一方面采集图像即为对个人隐私的破坏，另一方面，如果采集的图像遭到泄露，则造成个人隐私的泄露。

其次，深度信息一般是基于红外线cmos摄像头而实现的，不会受到光线的干扰，而利用普通摄像头时，容易受到光线的干扰，例如普通摄像头在夜间往往需要额外的光源才能保证采集到清晰的可识别的图像，而红外线摄像头却没有这方面的缺点。普通摄像头采集的是二维信息，在定位方面往往精度比较差，然而深度信息自带目标对象的位置信息，从而可以得到精确的位置。因此基于深度信息的目标对象的识别，具有保护个人隐私，不受光线干扰且能实现精确定位。

下面介绍一下深度摄像头，又称为三维(3d)传感器，从视觉数据获取的角度提升机器感知能力。一般的厂商包括国外的苹果、微软、谷歌、intel、oculus、索尼(sony)，国内的奥比中光、华捷艾米、图漾、乐行天下等。3维视觉相比于2维视觉，多了一个维度，可以实现更加正确的物体分割，合适精度的三维测量，三维数据的模型重建以及智能视觉识别和分析。目前应用较多是微软kinect摄像头。深度摄像头的三种主要技术方法和代表公司分别为：一是单目结构光，代表公司有苹果、微软kinect-1、英特尔realsense、谷歌(google)projecttango等；二是双目可见光，代表公司leapmotion；三是飞行时间法(tof)，代表公司微软kinect-2。

深度摄像头最知名的消费级应用是体感摄像头，如微软xbox游戏机的体感摄像头kinect。微软的hololense也大量采用了深度摄像头。本实施例中将利用深度摄像头进行目标对象(待识别对象)的识别。

深度检测主要技术方法包括以下几种：

1)双目匹配(双rgb摄像头+可选的照明系统)，双rgb摄像头+可选的照明系统是利用三角测量原理，即视差d与目标点到成像平面的距离ft成反比例的关系：z＝ft/d，得到深度信息z。其中视差(disparity)d为目标点在左右两幅视图中成像的横坐标之间存在的差异。

双目匹配采用三角测量原理完全基于图像处理技术，通过寻找两个图像中的相同的特征点得到匹配点，从而得到深度值。双目测距中光源是环境光或者白光这种没有经过编码的光源，图像识别完全取决于被拍摄的物体本身的特征点，因此匹配一直是双目的一个难点。匹配的精度和正确性很难保证，因此出现了结构光技术来解决匹配问题。双目匹配的技术点：立体匹配算法，一般步骤：匹配代价计算，匹配代价叠加，视差获取，视差细化(亚像素级)；因为结构光光源带有很多特征点或者编码，因此提供了很多的匹配角点或者直接的码字，可以很方便的进行特征点的匹配。换句话说，不需要使用被摄物体本身的特征点，因此能提供很好的匹配结果。

2)一般结构光(一个rgb摄像头+结构光投射器(红外)+结构光深度感应器(cmos))，结构光测距的不同点在于，对投射光源进行了编码或者说特征化。这样拍摄的是被编码的光源投影到物体上被物体表面的深度调制过的图像。

结构光基本原理：通过投影一个预先设计好的图案作为参考图像(编码光源)，将结构光投射至物体表面，再使用摄像机接收该物体表面反射的结构光图案，这样，同样获得了两幅图像，一幅是预先设计的参考图像，另外一幅是相机获取的物体表面反射的结构光图案，由于接收图案必会因物体的立体型状而发生变形，故可以通过该图案在摄像机上的位置和形变程度来计算物体表面的空间信息。普通的结构光方法仍然是部分采用了三角测距原理的深度计算。同样是进行图像匹配，这种方法比双目匹配好的地方在于，参考图像不是获取的，而是经过专门设计的图案，因此特征点是已知的，而且更容易从测试图像中提取。

3)激光散斑(lightcoding)光源，与结构光不同，lightcoding技术理论是利用连续光(近红外线)对测量空间进行编码，净感应器读取编码的光线，交由晶片运算进行解码后，产生一张具有深度的图像；lightcoding技术的关键是镭射光散斑，，是激光(镭射光)照射到粗糙物体或穿透毛玻璃后随机形成的衍射斑点。这些散斑具有高度的随机性，而且会随着距离的不同而变换图案。也就是说空间中任意两处的散斑图案都是不同的。只要在空间中打上这样的光，整个空间都被做了标记，把一个物体放进这个空间，只要看看物体上面的散斑图案，就可以知道这个物体在什么位置了。当然在这之前要把整个空间的散斑图案都记录下来，所以要先做一次光源标定。lightcoding不是通过空间几何关系求解的，它的测量精度只和标定时取得参考面的密度有关，参考面越密测量越精确。不用为了提高精度而将基线拉宽。

下面介绍一下应用较为广泛的kinect深度摄像头，kinect共有三个并排设置的摄像头，中间的摄像头是红绿蓝(rgb)彩色摄像头，左右两边的摄像头分比为共外线发射器和红外线cmos摄像头。kinect具有追焦技术，底座马达会随着对焦物体(目标对象)移动而跟着转动，kinect还内置用于语音识别的阵列麦克风系统；红外线cmos摄像头以每秒30帧的速度生成景深图像流，实时3d地再现周围环境。在寻找移动物体时，kinect采用分割策略将目标对象从背景环境中去人出来，得到目标对象的景深图像；

基于前述的实施例，本发明实施例提供一种基于深度图像的对象识别方法，该方法应用于计算设备，该方法所实现的功能可以通过计算设备的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算设备至少包括处理器和存储介质。该方法包括：

步骤s201，获取采集的目标区域中待识别对象的深度图像；

这里，深度图像在实现的过程中可以通过深度摄像头来采集，深度摄像头例如应用较为广泛的kinect摄像头。待识别对象是设置的某种目标对象，

步骤s202，将所述深度图像中的待识别对象和背景进行提取，得到具有所述待识别对象的前景深度图像；

在其他的实施例中，可以利用运动目标检测算法，如样本一致性(sacon，sampleconsensus)算法，得到待识别对象的前景深度图像，例如室内人员的运动像素。

步骤s203，对所述前景深度图像进行分组，得到所述直方图。

这里，步骤s202和步骤s203实际上提供一种实现上述步骤s102“对所述深度图像进行预处理，得到所述深度图像对应的直方图”的方法。

这里，所述直方图是按照深度图像的像素数目来形成的，在实现的过程中，可以对深度图像进行分区域(分组)，然后统计每个分组上的像素点数目，从而形成的立体直方图。

步骤s204，根据所述直方图识别所述目标区域中待识别对象。

基于前述的实施例，本发明实施例提供一种基于深度图像的对象识别方法，该方法应用于计算设备，该方法所实现的功能可以通过计算设备的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算设备至少包括处理器和存储介质。该方法包括：

步骤s301，获取采集的目标区域中待识别对象的深度图像；

步骤s302，将所述深度图像中的待识别对象和背景进行提取，得到具有所述待识别对象的前景深度图像；

步骤s303，对所述前景深度图像进行分组，统计每一所述分组中像素点的个数，并按照每一分组的位置对应记录每一所述分组的像素点个数；

步骤s304，按照每一分组的位置和对应的像素点个数绘制所述深度图像对应的直方图。

这里，步骤s303和步骤s304实际上提供一种实现上述“步骤s203，对所述前景深度图像进行分组，得到所述直方图”的方法。

这里，所述直方图是按照深度图像的像素数目来形成的，在实现的过程中，可以对深度图像进行分区域(分组)，然后统计每个分组上的像素点数目，从而形成的立体直方图。

步骤s305，识别所述直方图中的峰值的个数和位置；

步骤s306，将所述峰值的个数确定所述待识别对象的个数，将所述峰值的位置确定为所述待识别对象的位置。

这里，步骤s305和步骤s306实际上提供一种实现上述“步骤s204，根据所述直方图识别所述目标区域中待识别对象”的方法。

这里，所述将所述峰值的个数确定所述待识别对象的个数，将所述峰值的位置确定为所述待识别对象的位置，包括：将所述峰值满足预设阈值条件的个数确定所述待识别对象的个数；将大于所述预设阈值的峰值的位置确定为所述待识别对象的位置。

所述预设阈值条件中的预设阈值为待识别对象的门限，一般认为大于门限的峰值才会认为是有效峰值，或者，认为小于门限的峰值才会认为是有效峰值，或者在门限范围内的峰值才会认为至有效峰值，例如在一个房间中，要识别的对象是人，那么猫猫狗狗将不能被识别为人，一般来说，人的身高比猫猫狗狗的身高高，那么在设置峰值时可以将大于预设门限的峰值确定为有效峰值，有效峰值的个人才被认为是人的数目；例如在一个房间中，要识别的对象是猫猫狗狗，那么人将不能被识别为目标对象，一般来说，人的身高比猫猫狗狗的身高高，那么在设置峰值时可以将小于预设门限的峰值确定为有效峰值，有效峰值的个数才被认为是猫猫狗狗的数目；再如，例如在一个房间中，要识别的对象是小孩，那么猫猫狗狗和人将不能被识别为目标对象，一般来说，人的身高比小孩子高，猫猫狗狗的身高却比小孩矮，那么在设置峰值时可以将在预设门限范围内的峰值确定为有效峰值，有效峰值的个数才被认为是猫猫狗狗的数目；

在其他的实施例中，所述对所述前景深度图像进行分组，包括：根据所述待识别对象在深度图像中所占的像素大小，确定用于进行分组的组距；根据所述组距对所述前景深度图像进行分组。

这里，组距可以一个表示二维面积的参数，例如，组距可以是表示圆的参数，也可以是表示矩形的参数，一般来说，为了比较好划分深度图像，组距采用表示矩形的参数，下面实施例中将以正方形为例，那么组距可以是一个边长，在划分深度图像的时候，还包括移动步距，为了保证对深度图像的全面划分，一般来说，移动步距要小于直径、最小边长等。

在其他的实施例中，所述对所述前景深度图像进行分组，还包括：确定移动步距或相邻分组之间的交叠比例，根据所述组距和所述交叠比例或根据所述组距和所述移动步距对所述前景深度图像进行分组，所述移动步距用于表征移动所述组距时移动距离。

基于前述的实施例，本发明实施例再提供一种基于深度图像的对象识别方法，该方法应用于计算设备，该方法所实现的功能可以通过计算设备的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算设备至少包括处理器和存储介质。

本实施例中将以kinect作为深度摄像头、以房间作为目标区域为例，进行说明，先介绍一下kinect前景图的转换，如图2所示，左图为kinect所摄图片经运动检测算法过滤后显示的人物前景图。其中分组b由四个像素点组成，即一个大方格21是由四个小方格组成的，其中一个大方格表示组距，该组距用于表示二维面积，一个小方格表示一个像素点。分组(b+1)也由四个像素点组成，即一个大方格22是由四个小方格组成的。分组(b+1)为分组b滑动一个像素点距离后所得，其中滑动一个像素点为移动步距。分组b和分组(b+1)之间共同的面积为2个像素点，而每个分组一共有四个像素点，那么交叠比例为共同的面积除以分割分组的共面积等于二分之一。直方图的组距是依据人在kinect俯视图中的大小而确定，其最佳取值为一个分组可以刚好包含一个人的图。在实现的过程，可以预先采集一定数量的目标对象的深度图像，然后分析出一个目标对象所占的像素点的个数，这些像素点如果采用矩形来表示时，那么矩形的场边即可以确定为组距。例如目标对象为人，可以预先采集100张包含有人的深度图像，然后分析出一个人所占像素点的个数，那么所占像素点的个数采用矩形表示时，矩形的边长即为组距。参见图2，图2中框23标出的分组分别与左图的包含人形24的分组对应。

下面极少一下基于kinect的室内定位原理，如图3所示，由深度图像31得到直方图32，分析直方图32得到峰值的位置和峰值的个数33，由峰值的位置和个数得到人员的定位和人数34。将滤去背景后的深度图像按一定大小进行分组，分组后统计每个分组内移动像素点的数目，由于分组b和分组(b+1)是有部分交叠的，所以相邻分组的像素点数的变化是连续的，如图4所示，三维直方图会有峰出现。通过寻峰算法确定峰的坐标位置，从而确定室内人员的具体位置。统计室内峰的个数来确定室内的人数。

下面介绍一下基于kinect的深度图像的对象识别方法，图5为本发明实施例基于kinect的深度图像的对象识别方法的实现流程示意图，如图5所示，该方法包括：

步骤s501，将kinect垂直安装于每个室内房间的天花板上，当检测到有移动人员通过实时拍摄得到深度图像。

步骤s502，利用运动目标检测算法，如sacon(sampleconsensus)算法，对深度图像进行提取，得到室内人员的运动像素，并将提取后的深度图像转换为灰度图像。

步骤s503，依据人在kinect镜头中的大小确定直方图的组距，并对灰度图像进行分组，统计每个分组中像素点个数。

步骤s504，运动目标的位置坐标和各分组的像素点数作三维直方图，运用寻峰算法，如npfinder(non-parametricpeakfinder)，确定每个峰值的位置，实现室内人员定位。

步骤s505，统计各房间直方图中封的个数，确定室内人员个数。

本实施例中，先在房间天花板上垂直安装kinect摄像头，利用运动目标检测算法将深度图中运动目标与背景剥离后，统计运动直方图每个分组中移动的像素点个数，通过寻峰算法确定每个峰值的位置从而实现室内人数的识别和定位，为后期用户行为识别和行为异常预警提供技术支持。

从本实施例可以看出，通过kinect设备及运动目标检测算法得到室内运动人员的像素图，通过对像素图分组统计取得运动目标的像素点数直方图；然后运用寻峰算法确定直方图中峰的个数和出现峰值的坐标位置。本实施例中，选择kinect为室内人员个数和位置的设备，通过运行目标检测算法得到前景人员运动像素，对运动目标像素图进行等距划分，统计每个分组中像素点个数最后得到运动直方图，利用寻峰算法取得室内人员位置和个数。

与现有技术相比，本实施例具有以下优点：采用kinect识别室内人数和室内定位，个人隐私不被破坏，不受室内光线强弱的影响，可同时完成人数识别和定位两个功能，简化的识别流程。

基于前述的实施例，本发明实施例提供一种基于深度图像的对象识别装置，该装置所包括的各单元，以及各单元所包括的各模块，都可以通过计算设备中的处理器来实现；当然也可通过逻辑电路实现；在实施的过程中，处理器可以为中央处理器(cpu)、微处理器(mpu)、数字信号处理器(dsp)或现场可编程门阵列(fpga)等。

图6为本发明实施例基于深度图像的对象识别装置的组成结构示意图，如图6所示，该装置600包括：

获取单元601，用于获取采集的目标区域中待识别对象的深度图像；

预处理单元602，用于对所述深度图像进行预处理，得到所述深度图像对应的直方图；

识别单元603，用于根据所述直方图识别所述目标区域中待识别对象。

在其他的实施例中，所述预处理单元，包括：

提取模块，用于将所述深度图像中的待识别对象和背景进行提取，得到具有所述待识别对象的前景深度图像；

分组模块，用于对所述前景深度图像进行分组，得到所述直方图。

在其他的实施例中，所述分组模块包括：

分组子模块，用于对所述前景深度图像进行分组；

统计子模块，用于统计每一所述分组中像素点的个数，并按照每一分组的位置对应记录每一所述分组的像素点个数；

绘制子模块，用于按照每一分组的位置和对应的像素点个数绘制所述深度图像对应的直方图。

在其他的实施例中，所述识别单元包括：

识别模块，用于识别所述直方图中的峰值的个数和位置；

确定模块，用于将所述峰值的个数确定所述待识别对象的个数，将所述峰值的位置确定为所述待识别对象的位置。

在其他的实施例中，所述确定模块，用于将所述峰值满足预设阈值条件的个数确定所述待识别对象的个数；将满足所述预设阈值条件的峰值的位置确定为所述待识别对象的位置。

在其他的实施例中，所述分组子模块，用于根据所述待识别对象在深度图像中所占的像素大小，确定用于进行分组的组距；根据所述组距对所述前景深度图像进行分组。

在其他的实施例中，所述分组子模块，还用于确定移动步距或相邻分组之间的交叠比例，根据所述组距和所述交叠比例或根据所述组距和所述移动步距对所述前景深度图像进行分组，所述移动步距用于表征移动所述组距时移动距离。

在实现的过程中，所述计算设备在具体实施例的过程中可以为各种类型的具有信息处理能力的设备，例如所述电子设备可以包括手机、平板电脑、台式机、个人数字助理等。

以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。

需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的基于深度图像的对象识别方法，并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(readonlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。

对应地，本发明实施例再提供一种基于深度图像的对象识别设备(计算设备)，包括存储器和处理器，还包括存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的基于深度图像的对象识别方法。

对应地，本发明实施例再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上述的基于深度图像的对象识别方法。

以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明存储介质和设备实施例的描述而理解。

需要说明的是，图7为本发明实施例中计算设备的一种硬件实体示意图，参见图7所示，该计算设备700的硬件实体包括：处理器701、通信接口702和存储器703，其中

处理器701通常控制计算设备700的总体操作。

通信接口702可以使计算设备通过网络与其他终端或服务器通信。

存储器703配置为存储由处理器701可执行的指令和应用，还可以缓存待处理器701以及计算设备700中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(flash)或随机访问存储器(randomaccessmemory，ram)实现。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(readonlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元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，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。