本发明涉及图像处理技术领域，具体而言，涉及一种人脸图像识别方法及装置。
背景技术：
人脸识别是一项通过人脸图像来确定未知人身份的新型智能技术，由于人脸图像较易采集和获取，成本低廉，因此具有很好的实用性。根据实际的使用场景，人脸识别可分为人脸验证和人脸辨识。人脸验证的目的是通过算法来判断两张图像中包含的人脸是否来自同一个人；而人脸辨识主要将采集到的人脸图像与已知的人脸库进行比对，确认人脸图像的真实身份。由于人脸识别的便捷性和高安全性，该项技术已经被应用于多个行业和领域。在应用过程中，身份证证件照常被用作已知身份的人脸图像与用户现场拍摄的生活照进行验证或比对，从而确认用户的合法身份和操作，图1为现有技术提供的基于身份证证件照的人脸比对流程示意图。如图1所示，利用证件照进行人脸识别的好处在于用户不再需要提前注册，因此进一步提高了人脸识别的便捷性和可用性。
现有技术中，通常使用深度神经网络对人脸进行识别。为了防止证件照滥用，同时保护用户的隐私安全，由政府相关部门(如公安部)提供的在线证件照查询服务通常会对证件照进行水印处理，其中随机波状网纹是最为常用的一种水印，带有这种水印的证件照片被称之为网纹人脸图像。网纹证件照破坏了图像中人脸的信息，因此直接利用这种网纹照片进行人脸识别会导致识别准确性低的问题。
技术实现要素：
有鉴于此，本发明实施例的目的在于提供一种人脸图像识别方法及装置，以解决上述技术问题。
第一方面，本发明实施例提供了一种人脸图像识别方法，包括：
获取网纹人脸图像和验证图像；
将所述网纹人脸图像输入深度循环残差网络模型中进行去网纹处理，获得修复人脸图像；
分别将所述修复人脸图像和所述验证人脸图像输入特征提取器中进行特征提取，获得所述修复人脸图像对应的第一特征和所述验证人脸图像对应的第二特征；
根据所述第一特征和所述第二特征进行人脸比对，获得识别结果。
进一步地，所述方法，还包括：
构建训练样本以及所述深度循环残差网络模型；
利用所述训练样本对所述深度循环残差网络模型进行训练。
进一步地，所述构建所述深度循环残差网络模型，包括：
通过预设个数的循环残差单元构建所述深度循环残差网络模型，各所述循环残差单元依次连接，其中，各所述循环残差单元包括卷积核大小为n*1的卷积层、卷积核大小为1*n的卷积层、修正线性单元层和批量归一化层，n为正整数。
进一步地，所述构建所述训练样本，包括：
获取多张原始人脸图像，根据各所述原始人脸图像的尺寸生成对应的带网纹的掩码图像；
将所述掩码图像与对应的所述原始人脸图像进行图像融合，获得混合人脸图像；
对所述混合人脸图像进行有损压缩处理，获得所述训练样本。
进一步地，所述利用所述训练样本对所述深度循环残差网络模型进行训练，包括：
将所述训练样本按照预设值进行划分，获得多组训练样本组，根据预设迭代次数依次将所述训练样本组中的所述训练样本输入所述深度循环残差网络模型中；
根据所述深度循环残差网络模型的损失函数计算当前迭代的所述训练样本对应的损失值；
根据所述损失值计算所述损失函数对于所述深度循环残差网络模型中所有权重参数的梯度值，各个所述权重参数根据所述梯度值进行参数更新。
进一步地，所述损失函数为：
l＝lpixel+αlgrad；
其中，lpixel为所述修复人脸图像与所述原始人脸图像之间的像素差异值，且
且
其中，
进一步地，所述根据所述第一特征和所述第二特征进行人脸比对，获得识别结果，包括：
根据所述第一特征和所述第二特征计算相似度，若所述相似度大于预设阈值，则所述验证人脸图像识别成功；若所述相似度小于等于所述预设阈值，则所述验证人脸图像识别失败。
第二方面，本发明实施例提供了一种人脸图像识别装置，包括：
获取模块，用于获取网纹人脸图像和验证人脸图像；
修复模块，用于将所述网纹人脸图像输入深度循环残差网络模型中进行去网纹处理，获得修复人脸图像；
特征提取模块，用于分别将所述修复人脸图像和所述验证人脸图像输入特征提取器中进行特征提取，获得所述修复人脸图像对应的第一特征和所述验证人脸图像对应的第二特征；
识别模块，用于根据所述第一特征和所述第二特征进行人脸比对，获得识别结果。
进一步地，所述装置，还包括：
构建模块，用于构建训练样本以及所述深度循环残差网络模型；
模型训练模块，用于利用所述训练样本对所述深度循环残差网络模型进行模型训练。
进一步地，所述识别模块，具体用于：
根据所述第一特征和所述第二特征计算相似度，若所述相似度大于预设阈值，则所述验证比对图像识别成功；若所述相似度小于等于所述预设阈值，则所述验证比对图像识别失败。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法步骤。
本发明实施例通过将带网纹的网纹人脸图像通过深度循环残差网络模型进行去网纹，获得修复人脸图像，将修复人脸图像与验证人脸图像进行特征比对，判断修复人脸图像与验证人脸图像是否匹配，获得识别结果，由于修复人脸图像是经过去网纹后的，所以减少了识别过程中的噪音，提高了识别准确性。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
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。
图1为现有技术提供的基于身份证证件照的人脸比对流程示意图；
图2为本发明实施例提供的一种人脸图像识别方法流程示意图；
图3为本发明实施例提供的深度循环残差网络模型结构图；
图4为本发明实施例提供的rru单元结构示意图；
图5为本发明实施例提供的基于网纹证件照的人脸比对流程示意图；
图6为本发明实施例提供的一种人脸图像识别装置结构示意图；
图7为本发明实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中附图，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。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。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
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。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图2为本发明实施例提供的一种人脸图像识别方法流程示意图，如图2所示，该方法，包括：
步骤201：获取网纹人脸图像和验证人脸图像。
在具体的实施过程中，若要判断一个人是否是张三本人，装置需要首先获取张三已注册的证件照片和验证人脸图像，应当说明的是，已注册的证件照片带有网纹噪声，验证人脸照片可以是张三生活照，即不带有网纹的照片，可以理解的是，注册人脸照片也可以是带网纹的其他人脸图像，并不一定是证件照，且验证人脸图像也并不一定为生活照，不带网纹的清晰照片即可。
步骤202：将所述网纹人脸图像输入深度循环残差网络模型中进行去网纹处理，获得修复人脸图像。
在具体的实施过程中，由于网纹人脸图像带有网纹噪声，其破坏了图像中张三的面部信息，因此，在进行人脸图像识别之前，需要对该图像进行去网纹处理，可以将网纹人脸图像输入到预先构建并训练好的深度循环残差网络模型中，深度循环残差网络模型将输入的网纹人脸图像进行去网纹处理，获得修复人脸图像，可以理解的是，修复人脸图像是不带网纹的，将被网纹破坏的人脸信息重新恢复出来。
步骤203：分别将所述修复人脸图像和所述验证人脸图像输入特征提取器中进行特征提取，获得所述修复人脸图像对应的第一特征和所述验证人脸图像对应的第二特征。
在具体的实施过程中，分别将修复人脸图像和验证人脸图像输入到预先构建的特征提取器中，特征提取器将修复人脸图像进行特征提取，获得修复人脸图像对应的第一特征，以及，特征提取器将验证人脸图像进行特征提取，获得验证人脸图像对应的第二特征，应当说明的是，特征提取器可以为预先训练好的深度神经网络模型，专门用于提取人脸特征。
步骤204：根据所述第一特征和所述第二特征进行人脸特征比对，获得识别结果。
在具体的实施过程中，装置在提取到修复人脸图像对应的第一特征和验证人脸图像对应的第二特征后，将第一特征和第二特征进行匹配，判断修复人脸图像中的人脸与验证人脸图像中的人脸是否为同一个人，从而实现图像的识别。
本发明实施例通过将带网纹的网纹人脸图像通过深度循环残差网络模型进行去网纹，获得修复人脸图像，将修复人脸图像与验证人脸图像进行特征比对，判断修复人脸图像与验证人脸图像中的人脸是否匹配，获得识别结果，由于修复人脸图像是经过去网纹后的，所以减少了识别过程中的噪音，提高了识别准确性。
在上述实施例的基础上，所述方法，还包括：
构建训练样本以及所述深度循环残差网络模型；
利用所述训练样本对所述深度循环残差网络模型进行训练。
在具体的实施过程中，用于网纹人脸图像进行修复的深度循环残差网络模型是需要预先进行构建及训练的，因此，需要分别构建训练样本和深度循环残差网络模型，通过训练样本对该深度循环残差网络模型进行训练，在训练过程中为了得到一个能够较为准确的网纹人脸图像的修复，需要不断的对深度循环残差网络模型中的参数进行更新。
本发明实施例通过构建训练样本对深度循环残差网络模型进行训练，从而能够避免网纹对人脸图像造成的干扰，得到更为精准的修复人脸图像。
在上述实施例的基础上，所述构建所述深度循环残差网络模型，包括：
通过预设个数的循环残差单元构建所述深度循环残差网络模型，各所述循环残差单元依次连接，其中，各所述循环残差单元包括卷积核大小为n*1的卷积层、卷积核大小为1*n的卷积层、修正线性单元层和批量归一化层，n为正整数。
在具体的实施过程中，采用深度循环残差网络作为基本的模型结构，目的是学习一个从网纹证件照到清晰证件照片的非线性映射关系。图3为本发明实施例提供的深度循环残差网络模型结构图，如图3所示。该深度循环残差网络模型内部全采用卷积层对输入的网纹图像进行处理，与常规全卷积网络不同的是，该深度循环残差网络模型内部包含了多个由卷积操作组成的循环残差单元(recursiveresidualunits,rru)，每个rru单元包含两组卷积操作，卷积操作由标准的卷积层、修正线性单元层和批量规一化层组成。每个rru单元将输入的信息进行非线性映射后，其输出信息将再次与首个rru单元的输入信息相加，相加的结果作为下一个rru单元的输入作进一步的处理。
应当说明的是，深度循环残差网络模型共采用了6个rru单元，图4为本发明实施例提供的rru单元结构示意图，如图4所示，rru单元内部通过串联1个卷积核大小为3*1的卷积层和1个卷积核大小为1*3的卷积层来实现原始的3*3卷积操作，较原始的3*3卷积层相比，这种串联卷积结构能够节省30％以上的运算时间。
在上述实施例的基础上，所述构建所述训练样本，包括：
获取多张原始人脸图像，根据各所述原始人脸图像的尺寸生成对应的带网纹的掩码图像；
将所述掩码图像与对应的所述原始人脸图像进行图像融合，获得混合人脸图像；
对所述混合人脸图像进行有损压缩处理，获得所述训练样本。
在具体的实施过程中，收集清晰的原始人脸图像n张，对每张清晰的原始人脸图像进行网纹水印处理，从而生成与原始人脸图像对应的带网纹的训练样本，具体步骤如下：
步骤1：对于清晰证件照(原始人脸图像)ik，生成一张等尺寸大小的空白图像，在该空白图像上添加随机的正弦波纹，波纹线的幅度、相位、频率、亮度和线宽等属性由随机函数生成，该步骤生成的图像被称之为掩码图mk；
步骤2：将掩码图mk与对应的清晰证件照ik按如下方式进行混合：
ik(x,y)和mk(x,y)分别表示图像在(x,y)坐标处的像素值，λ由随机函数生成，取值范围为[0.1,0.8]；
步骤3：对混合人脸图像i'k进行jpeg压缩处理，生成最终的训练样本。
本发明实施例通过在清晰的原始人脸图像的基础上添加网纹，构建获得训练样本，从而获得到的训练样本的质量比较高，降低后续通过训练样本对深度循环残差网络模型的训练的复杂度。
在上述实施例的基础上，所述利用所述训练样本对所述深度循环残差网络模型进行训练，包括：
将所述训练样本按照预设值进行划分，获得多组训练样本组，根据预设迭代次数依次将所述训练样本组中的所述训练样本输入所述深度循环残差网络模型中；
根据所述深度循环残差网络模型的损失函数计算当前迭代的所述训练样本对应的损失值；
根据所述损失值计算损失函数对于所述深度循环残差网络模型中所有权重参数的梯度值，各个权重参数根据所述梯度值进行参数更新。
在具体的实施过程中，为训练上述设计的深度循环残差网络模型，本发明实施例提出了一种结合梯度信息的多任务训练方法。为方便描述，将训练样本表示为四元组
在上述公式中，lpixel为所述修复人脸图像与所述原始人脸图像之间的像素差异值，||·||表示矩阵的f-范数，用于计算修复人脸图像f(xi)和真实清晰照片yi之间的欧式距离。
损失函数的另一任务是降低模型输出照片与真实清晰照片在梯度层面的差异性，其数学表达形式为：
式中，lgrad为所述修复人脸图像与所述原始人脸图像之间的梯度差异值，
最终的损失函数为上述两部分损失函数之和：
l＝lpixel+αlgrad(4)
参数α用于平衡损失函数之间的相对重要性。
基于上述对数据、模型、损失函数的描述和定义，本发明实施例按如下步骤对上述定义的深度循环神经网络模型进行训练：
步骤一：将收集和生成的证件照样本
步骤二：深度循环残差网络模型根据输入的图像进行前向运算，同时根据公式(4)计算该次迭代的损失；
步骤三：根据损失函数反向计算网络参数的梯度值，将梯度值进行反向传播，网络的卷积层根据反传的梯度值对参数进行更新；
步骤四：返回步骤一，进入下一轮迭代，直到达到预设迭代次数或收敛条件。
本发明实施例通过在损失函数中结合像素和梯度的相似度，网络模型将学习如何从网纹证件照中同时恢复人脸图像的像素值和梯度值，进而避免人脸区域的边缘信息被模糊和损坏，既提升人脸区域的视觉效果，同时还能有助于提升人脸比对的性能。
在上述各实施例的基础上，所述根据所述第一特征和所述第二特征进行人脸比对，获得识别结果，包括：
根据所述第一特征和所述第二特征计算相似度，若所述相似度大于预设阈值，则所述验证人脸图像识别成功；若所述相似度小于等于所述预设阈值，则所述验证人脸图像识别失败。
在具体的实施过程中，装置通过特征提取器分别将修复人脸图像对应的第一特征和验证人脸图像对应的第二特征提取出来后，将第一特征与第二特征进行匹配，计算二者的相似度，如果相似度大于预设阈值，则说明修复人脸图像与验证人脸图像相似度很高，可以判定为修复人脸图像与验证人脸图像中的人脸为同一个人，反之，则说明修复人脸图像与验证人脸图像相似度低，可以判定为修复人脸图像与验证人脸图像中的人脸不是同一个人。
图5为本发明实施例提供的基于网纹证件照的人脸比对流程示意图，如图5所示，为验证本发明的有效性，收集了真实的证件照数据并按上述步骤进行训练，并将训练好的模型应用于真实的人脸比对系统。具体地，采集了20000张清晰证件照片，对每张清晰照片，生成40张带有随机波纹的网纹证件照，从而得到一个具有80万张网纹证件照及对应清晰照片的数据集。通过网纹证件照清晰照片对深度循环神经网络模型进行训练，待训练收敛后得到最终的深度循环神经网络模型。基于该模型，按如下流程进行基于网纹证件照的人脸识别：
如图5所示，人脸特征提取器为预先训练好的深度神经网络模型，专门用于提取人脸特征。为量化测试结果，我们邀请了586位测试人员按图5所示流程进行了测试，即利用本发明所述的深度循环神经网络模型对用户的网纹水印照片进行恢复，利用修复后的照片与生活照片进行人脸比对。为了形成对比结果，我们同时也利用了586位测试人员的网纹证件照和清晰证件照直接进行人脸比对实验，表1展示了这三种照片进行人脸比对的效果，tpr@fpr＝0.1％表示错误通过率为0.1％时的正确通过率，tpr@fpr＝0.01％和tpr@fpr＝0.001％的定义可类推。从表1可看出，直接利用网纹证件照进行人脸比对时，人脸比对的正确通过率普遍较低，经过本发明提出的方法进行修复后，人脸比对的正确通过率有了大幅度的提升，与利用清晰证件照进行人脸比对的性能非常接近。
表1
本发明实施例通过将带网纹的网纹人脸图像通过深度循环残差网络模型进行去网纹，获得修复人脸图像，将修复人脸图像与验证人脸图像进行识别，判断修复人脸图像与验证人脸图像是否匹配，获得识别结果，由于修复人脸图像是经过去网纹后的，所以减少了识别过程中的噪音，提高了识别准确性。
图6为本发明实施例提供的一种人脸图像识别装置结构示意图，如图6所示，该装置包括：获取模块601、修复模块602、特征提取模块603和识别模块604，其中，
获取模块601用于获取网纹人脸图像和验证人脸图像；修复模块603用于将所述网纹人脸图像输入深度循环残差网络模型中进行去网纹处理，获得修复人脸图像；特征提取模块603用于分别将所述修复人脸图像和所述验证人脸图像输入特征提取器中进行特征提取，获得所述修复人脸图像对应的第一特征和所述验证人脸图像对应的第二特征；识别模块604用于根据所述第一特征和所述第二特征进行人脸比对，获得识别结果。
在具体的实施过程中，若要判断一个带有网纹的证件照是否是张三本人的，获取模块601需要首先获取网纹人脸图像和验证人脸图像，应当说明的是，网纹人脸图像上包括带有网纹的张三的人脸，验证照片可以是张三的生活照，即不带有网纹的照片，可以理解的是，网纹人脸图像也可以是带网纹的其他类型照片，并不一定是证件照，且验证人脸图像也并不一定为生活照，不带网纹的清晰人脸照片即可。由于网纹人脸图像带有网纹，其破坏了图像中张三的面部信息，因此，在进行人脸识别之前，需要修复模块603对网纹人脸图像进行去网纹处理，可以将网纹人脸图像输入到预先构建的深度循环残差网络模型中，深度循环残差网络模型将输入的网纹人脸图像进行去网纹处理，获得修复人脸图像，可以理解的是，修复人脸图像是不带网纹的，将被网纹破坏的人脸信息重新恢复出来。特征提取模块603分别将修复人脸图像和验证人脸图像输入到预先构建的特征提取器中，特征提取器将修复人脸图像进行特征提取，获得修复人脸图像对应的第一特征，以及，特征提取器将验证人脸图像进行特征提取，获得验证人脸图像对应的第二特征，识别模块604在提取到修复人脸图像对应的第一特征和验证人脸图像对应的第二特征后，将第一特征和第二特征进行匹配，判断修复人脸图像中的人脸与验证人脸图像中的人脸是否为同一个人，从而实现人脸的识别。
本发明实施例通过将带网纹的网纹人脸图像通过深度循环残差网络模型进行去网纹，获得修复人脸图像，将修复人脸图像与验证人脸图像进行特征比对，判断修复人脸图像与验证人脸图像中的人脸是否匹配，获得识别结果，由于修复人脸图像是经过去网纹后的，所以减少了识别过程中的噪音，提高了识别准确性。
在上述实施例的基础上，所述装置，还包括：
构建模块，用于构建训练样本以及所述深度循环残差网络模型；
模型训练模块，用于利用所述训练样本对所述深度循环残差网络模型进行训练。
在上述实施例的基础上，所述构建模块，具体用于：
通过预设个数的循环残差单元构建所述深度循环残差网络模型，各所述循环残差单元依次连接，其中，各所述循环残差单元包括卷积核大小为n*1的卷积层、卷积核大小为1*n的卷积层、修正线性单元层和批量归一化层，n为正整数。
在上述实施例的基础上，所述构建模块，还用于：
获取多张原始人脸图像，根据各所述原始人脸图像的尺寸生成对应的带网纹的掩码图像；
将所述掩码图像与对应的所述原始人脸图像进行图像融合，获得混合人脸图像；
对所述混合人脸图像进行有损压缩处理，获得所述训练样本。
在上述实施例的基础上，模型训练模块，具体用于：
将所述训练样本按照预设值进行划分，获得多组训练样本组，根据预设迭代次数依次将所述训练样本组中的所述训练样本输入所述深度循环残差网络模型中；
根据损失函数计算当前迭代的所述训练样本对应的损失值；
根据所述损失值计算损失函数对于所述深度循环残差网络模型中所有权重参数的梯度值，各个权重参数根据所述梯度值进行参数更新。
在上述实施例的基础上，所述损失函数为：
l＝lpixel+αlgrad；
其中，lpixel为所述修复人脸图像与所述原始人脸图像之间的像素差异值，且
其中，
在上述实施例的基础上，所述识别模块，具体用于：
根据所述第一特征和所述第二特征计算相似度，若所述相似度大于预设阈值，则所述验证人脸图像识别成功；若所述相似度小于等于所述预设阈值，则所述验证人脸图像识别失败。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上所述，本发明实施例通过将带网纹的网纹人脸图像通过深度循环残差网络模型进行去网纹，获得修复人脸图像，将修复人脸图像与验证人脸图像进行识别，判断修复人脸图像与验证人脸图像中的人脸是否匹配，获得识别结果，由于修复人脸图像是经过去网纹后的，所以减少了识别过程中的噪音，提高了识别准确性。
请参照图7，图7为本发明实施例提供的电子设备的结构框图。电子设备可以包括识别装置701、存储器702、存储控制器703、处理器704、外设接口705、输入输出单元706、音频单元707、显示单元708。
所述存储器702、存储控制器703、处理器704、外设接口705、输入输出单元706、音频单元707、显示单元708各元件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。所述识别装置701包括至少一个可以软件或固件(firmware)的形式存储于所述存储器702中或固化在识别装置701的操作系统(operatingsystem，os)中的软件功能模块。所述处理器704用于执行存储器702中存储的可执行模块，例如识别装置701包括的软件功能模块或计算机程序。
其中，存储器702可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器702用于存储程序，所述处理器704在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器704中，或者由处理器704实现。
处理器704可以是一种集成电路芯片，具有信号的处理能力。上述的处理器704可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器704也可以是任何常规的处理器等。
所述外设接口705将各种输入/输出装置耦合至处理器704以及存储器702。在一些实施例中，外设接口705，处理器704以及存储控制器703可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元706用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元706可以是，但不限于，鼠标和键盘等。
音频单元707向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元708在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元708可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器704进行计算和处理。
所述外设接口705将各种输入/输入装置耦合至处理器704以及存储器702。在一些实施例中，外设接口705，处理器704以及存储控制器703可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元706用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元706可以是，但不限于，鼠标和键盘等。
可以理解，图7所示的结构仅为示意，所述电子设备还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置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发明的多个实施例的装置、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。
另外，在本发明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。
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，本发明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)执行本发明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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、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。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。
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所述以权利要求的保护范围为准。
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”、“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。