活体检测方法、装置及人脸识别方法和人脸检测系统与流程

本公开涉及人脸识别技术领域，特别是一种活体检测方法、装置及人脸识别方法和人脸检测系统。

背景技术：

随着生物识别技术的发展，人脸识别技术已经有了较好的进展，在良好的光照条件和姿态的情况下，人脸识别系统已经可以较为准确的进行人脸检测与识别。

相关的人脸识别系统能够在不区分照片、视频等非活体信息的情况下确认图像中用户的身份并通过安全验证。在网络信息高速发展的今天，用户的照片视频等信息的获取成本越来越低，这导致人脸识别系统的安全性降低。

为了增强人脸识别系统的安全性，需要在识别之前增加活体识别的安全系统。

技术实现要素：

发明人发现，相关的活体检测技术中往往需要用户主动配合做出指定的动作，操作繁琐且甄别效率低，或者只能够甄别静态照片的非活体图像，准确度较低。

本公开的一个目的在于保证活体检测便捷程度的前提下，提高活体检测的效率和准确度。

根据本公开的一些实施例的一个方面，提出一种活体检测方法，包括：通过深度学习获取人脸图像中的人脸图片特征数据；通过基于通道域的注意力机制处理人脸图片特征数据，确定活体识别结果，活体识别结果包括人脸图像为活体图像或非活体图像。

在一些实施例中，人脸图片特征数据为通过人脸识别系统的神经网络模型从人脸图像中提取。

在一些实施例中，通过基于通道域的注意力机制处理人脸图片特征数据包括：根据人脸图片特征数据，通过神经网络卷积层获取生物特征和非生物特征；通过池化层获取池化特征；根据池化特征，通过全连接神经网络关联生物特征和非生物特征，获取处理结果。

在一些实施例中，通过全连接神经网络关联生物特征和非生物特征，获取处理结果包括：将池化特征输入第一全连接层，并依次通过relu(rectifiedlinearunit，线性整流函数)、第二全连接层和s型生长曲线sigmoid函数，获取处理结果，以便根据处理结果确定活体识别结果。

在一些实施例中，通过基于通道域的注意力机制处理人脸图片特征数据包括：将人脸图片特征数据通过基于通道域的注意力机制处理，获取一次处理数据；将一次处理数据通过卷积神经网络后再次通过基于通道域的注意力机制处理，获取活体识别结果。

在一些实施例中，通过基于通道域的注意力机制处理人脸图片特征数据包括：将人脸图片特征数据通过基于通道域的注意力机制处理；将处理结果通过卷积神经网络后循环通过基于通道域的注意力机制处理，直至通过基于通道域的注意力机制处理的次数达到预定循环次数时，根据确定处理结果确定活体识别结果。

在一些实施例中，活体检测方法还包括：利用sigmoid函数的输出对人脸图片特征数据中每个通道进行尺度缩放处理，获取优化人脸图片特征数据，以便根据优化人脸图片特征数据执行人脸识别。

在一些实施例中，活体检测方法还包括：利用通过基于通道域的注意力机制处理人脸图片特征数据的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；根据优化人脸图片特征数据执行人脸识别。

通过这样的方法，能够将深度学习中提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度。

根据本公开的另一些实施例的一个方面，提出一种人脸识别方法，包括：通过神经网络模型从人脸图像中提取人脸图片特征数据；通过上文中任意一种活体检测方法确定活体识别结果；利用通过基于通道域的注意力机制处理人脸图片特征数据的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；根据优化人脸图片特征数据执行人脸识别。

通过这样的方法，能够将人脸识别中利用深度学习提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度；能够加强人脸图片特征数据中的生物特征，提高了人脸识别的准确度。

根据本公开的又一些实施例的一个方面，提出一种活体检测装置，包括：特征获取模块，被配置为通过深度学习获取人脸图像中的人脸图片特征数据；特征处理模块，被配置为通过基于通道域的注意力机制处理人脸图片特征数据；活体识别模块，被配置为根据特征处理模块的处理结果确定活体识别结果，活体识别结果包括人脸图像为活体图像或非活体图像。

在一些实施例中，特征获取模块为人脸识别系统的神经网络模型。

在一些实施例中，特征处理模块包括：卷积层，被配置为根据人脸图片特征数据获取生物特征和非生物特征；池化层，被配置为获取池化特征；全连接处理单元，被配置为根据池化特征，通过全连接神经网络关联生物特征和非生物特征，获取处理结果。

在一些实施例中，全连接处理单元被配置为：将池化特征输入第一全连接层，并依次通过relu、第二全连接层和sigmoid函数，获取处理结果，以便根据处理结果确定活体识别结果。

在一些实施例中，活体检测装置中包括通过卷积神经网络相间隔、串行连接的两个以上的特征处理模块；活体识别模块被配置为根据串联的最后一个特征处理模块的处理结果确定活体识别结果。

在一些实施例中，特征处理模块还被配置为利用sigmoid函数的输出对人脸图片特征数据中每个通道进行尺度缩放处理，获取优化人脸图片特征数据，以便根据优化人脸图片特征数据执行人脸识别。

在一些实施例中，特征处理模块还被配置为利用特征处理模块的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；活体检测装置还包括：人脸识别模块，被配置为根据优化人脸图片特征数据执行人脸识别。

根据本公开的再一些实施例的一个方面，提出一种活体检测装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行上文中任意一种活体检测方法。

这样的活体检测装置能够将深度学习中提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度。

根据本公开的其中一些实施例的一个方面，提出一种人脸检测系统，包括：上文中任意一种活体检测装置；和，人脸识别装置，被配置为：从人脸图像中提取人脸图片特征数据；利用活体检测装置通过基于通道域的注意力机制处理人脸图片特征数据的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；根据优化人脸图片特征数据执行人脸识别。

根据本公开的其中一些实施例的一个方面，提出一种人脸检测系统，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行的人脸识别方法。

这样的活体检测系统能够将人脸识别中利用深度学习提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度；能够加强人脸图片特征数据中的生物特征，提高了人脸识别的准确度。

另外，根据本公开的一些实施例的一个方面，提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上文中任意一种方法的步骤。

通过执行这样的计算机可读存储介质上的指令，能够将深度学习中提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度。

附图说明

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

图1为本公开的活体检测方法的一个实施例的流程图。

图2为本公开的活体检测方法中基于通道域的注意力机制处理的一个实施例的流程图。

图3为本公开的活体检测方法的另一个实施例的流程图。

图4为本公开的人脸识别方法的一个实施例的流程图。

图5为本公开的活体检测装置的一个实施例的示意图。

图6为本公开的活体检测装置中特征处理模块的一个实施例的示意图。

图7为本公开的活体检测装置的处理过程的另一个实施例的示意图。

图8为本公开的人脸检测系统的一个实施例的示意图。

图9为本公开的活体检测装置或人脸检测系统的一个实施例的示意图。

图10为本公开的活体检测装置或人脸检测系统的另一个实施例的示意图。

具体实施方式

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

发明人发现，相关的活体检测方法有几种思路：

1、利用共生矩阵和小波分析进行活体人脸检测。将人脸区域的灰度图像进行灰度压缩，之后分别计共生矩阵，然后在灰度共生矩阵的基础上再提取四个纹理特征量求均值和方差；同时对原始图像利用haar小波基进行二级分解，提取子带系数矩阵后求均值和方差；最后将所有的特征值作为待检测样本送入训练后的svm(supportvectormachine,支持向量机)中进行检测，分类识别真实和假冒人脸图像。但是，这样的方式只能甄别照片欺骗，对视频欺骗的情况无能为力。

2、输入连续的人脸图像(若相邻两幅人脸图像不为同一状态则予以丢弃，重新多幅连续的人脸图像)，对每幅人脸图像确定瞳孔位置并裁出人眼区域；通过支持向量机训练方法和迭代算法adaboost对睁眼和闭眼样本进行训练，最后判断眼珠睁闭状态，若存在眨眼过程则通过活体判别，但是这样的方式需用户主动配合，使用繁琐且效率低。

3、预先定义了一个动作集(包括眨眼、扬眉、闭眼、瞪眼、微笑等)，用户在进行活体检测时，系统每次都从动作集中选择一种或若干种动作，随机指定完成动作的次数，要求用户在规定的时间内完成它们。这样的方式同样需用户主动配合，使用繁琐、效率低，且容易受外部环境影响，检测通过的成功率低。

本公开的活体检测方法的一个实施例的流程图如图1所示。

在步骤101中，通过深度学习获取人脸图像中的人脸图片特征数据。在一个实施例中，人脸图片特征数据可以通过人脸识别系统的神经网络模型从人脸图像中提取。

假设为人脸图片特征，h表示图片的高，w表示图片的长度，c表示图片的通道数量(例如一张标准的rgb图片的通道数量是3)。深度神经网络的卷积层通过使用卷积核与上一层图片特征卷积计算得到新的图片特征，每一个卷积核都能在已有的通道上产生一个新的通道。人脸图片特征i经过有n个卷积核的卷积层之后，会产生新的特征，这个图片特征表示为卷积保持图片原有大小，c′＝n·c是新特征的通道数量。通过池化层后，人脸图片数据特征会被采样成新的图片特征

因此，人脸图片数据特征在经过若干层深度学习神经网络之后，会被提取出特征h’表示经过深度学习神经网络后图片的高，w’表示深度学习神经网络后图片的长度，c’表示深度学习神经网络图片的通道数量。

在步骤102中，通过基于通道域的注意力机制处理人脸图片特征数据，确定活体识别结果。活体识别结果包括人脸图像为活体图像或非活体图像。在一个实施例中，采用基于通道域的注意力机制能够将人脸图片特征内部转化成生物特征和非生物特征其中，cp为生物特征的通道数量，cn为非生物特征的通道数量，将这两种特征互相作用，在人脸图像为非活体图像的情况下，生物特征会被抑制从而无法识别，则确定为非活体图像。

通过这样的方法，能够将深度学习中提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度。

本公开的活体检测方法中基于通道域的注意力机制处理的一个实施例的流程图如图2所示。

在步骤201中，根据人脸图片特征数据，通过神经网络卷积层获取生物特征和非生物特征

在步骤202中，通过池化层将所有的特征全局池化，得到池化特征

在步骤203中，根据池化特征，通过全连接神经网络关联生物特征和非生物特征，获取处理结果。

在一个实施例中，可以将池化特征输入第一全连接层，并依次通过relu、第二全连接层。这两层全连接层将生物特征与非生物特征关联起来，共同决定该图片特征是否是活体特征，经过sigmoid函数单元获取处理结果依据该处理结果能够确定图片中的信息是否是活体信息。

通过这样的方法，能够通过卷积层提取出生物特征和非生物特征，通过全连接层将生物特征与非生物特征关联起来，实现基于通道域的注意力机制处理人脸图片特征数据。

本公开的活体检测方法的另一个实施例的流程图如图3所示。

在步骤301中，通过深度学习获取人脸图像中的人脸图片特征数据。

在步骤302中，通过基于通道域的注意力机制处理人脸图片特征数据，获得处理结果。

在步骤303中，将处理结果在通过卷积神经网络处理后再次通过基于通道域的注意力机制处理，并获得新的处理结果。

在步骤304中，判断对步骤303的执行次数是否已经达到预定循环次数。若达到预定循环次数，则执行步骤305；若未达到预定循环次数，则执行步骤303。在一个实施例中，每次基于通道域的注意力机制处理的参数可以不同，可以根据需要设置不同的通道次数等参数。

在步骤305中，根据最后一次循环处理的处理结果确定活体识别结果。

通过这样的方法，特征通过基于通道域的注意力机制处理之后，图片特征会被进行激活，再次进行处理能够实现特征的反复交互识别与检测，提高检测的准确度。

在一个实施例中，预定循环次数可以为1次，即通过基于通道域的注意力机制处理人脸图片特征数据后得到一次处理数据，将一次处理数据在通过卷积神经网络处理后再次通过基于通道域的注意力机制处理人脸图片特征数据并获得处理结果，根据该处理结果确定活体识别结果，从而在提高准确度的前提下保证了识别效率。

在一个实施例中，如图3所示，还可以包括步骤306：利用最后一次循环处理的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据，以便根据优化人脸图片特征数据执行人脸识别。

在一个实施例中，可以利用sigmoid函数的输出对人脸图片特征数据中每个通道进行尺度缩放处理，如利用如下公式：

是一个尺度算子，能够将图片特征中每一个通道i的通道信息对应放大或缩小相应的尺度，即：

f′{i}＝f{i}*m{i}

通过这样的方法，能够在图像为活体图像的情况下，加强特征中的生物特征，得到优化人脸图片特征数据，从而能够提高人脸识别的准确度。

本公开的人脸识别方法的一个实施例的流程图如图4所示。

在步骤401中，通过神经网络模型从人脸图像中提取人脸图片特征数据。在一个实施例中，可以利用相关的人脸识别技术中特征提取功能获取人脸图片特征数据。

在步骤402中，采用上文中提到的任意一种人脸识别方法确定活体识别结果。

在步骤403中，利用步骤402中通过基于通道域的注意力机制处理人脸图片特征数据的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据。

在步骤404中，根据优化人脸图片特征数据执行人脸识别。

通过这样的方法，能够将人脸识别中利用深度学习提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度；能够加强人脸图片特征数据中的生物特征，提高了人脸识别的准确度。

在一个实施例中，可以根据需要设定只在确定人脸图像为活体图像的情况下才进行人脸识别，提高处理效率，降低运行负担。在另一个实施例中，可以分别进行人脸识别和活体判断，并同步输出结果，从而在实现人脸识别的同时也提供活体识别结果，能够丰富输出结果，以方便根据需要应用于不同应用场景。

本公开的活体检测装置的一个实施例的示意图如图5所示。特征获取模块502能够通过深度学习获取人脸图像中的人脸图片特征数据。在一个实施例中，人脸图片特征数据可以通过人脸识别系统的神经网络模型从人脸图像中提取。特征处理模块502能够通过基于通道域的注意力机制处理人脸图片特征数据，获取处理结果。在一个实施例中，活体识别结果包括人脸图像为活体图像或非活体图像。活体识别模块503能够根据特征处理模块的处理结果确定活体识别结果，活体识别结果包括人脸图像为活体图像或非活体图像。在一个实施例中，根据特征处理模块的处理结果确定活体识别结果，活体识别结果包括人脸图像为活体图像或非活体图像能够采用基于通道域的注意力机制能够将人脸图片特征内部转化成生物特征和非生物特征，并将这两种特征互相作用，得到处理结果。在人脸图像为非活体图像的情况下，生物特征会被抑制从而无法识别。活体识别模块503能够利用处理结果确定人脸图像为活体或非活体图像。

这样的活体检测装置能够将深度学习中提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度。

在一个实施例中，活体检测装置中可以包括通过卷积神经网络相间隔的串行连接的两个以上的特征处理模块，活体识别模块根据串联的最后一个特征处理模块的处理结果确定活体识别结果。采用这样的装置，特征通过基于通道域的注意力机制处理之后，图片特征会被进行激活，再次进行处理能够实现特征的反复交互识别与检测，提高检测的准确度。在一个实施例中，每个特征处理模块的参数可以不同，可以根据需要设置不同的通道次数等参数。在一个实施例中，串联的特征处理模块可以为两个，从而在提高准确度的前提下保证了识别效率。

在一个实施例中，特征处理模块还可以根据特征处理模块的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据。如图5所示，活体检测装置还可以包括人脸识别模块504，能够根据串联的最后一个特征处理模块的处理结果确定活体识别结果。这样的装置能够加强人脸图片特征数据中的生物特征，从而提高了人脸识别的准确度。

本公开的活体检测装置中特征处理模块的一个实施例的示意图如图6所示。卷积层601能够根据人脸图片特征数据获取生物特征和非生物特征池化层602能够将所有的特征全局池化，得到池化特征全连接处理单元603根据池化特征，通过全连接神经网络关联生物特征和非生物特征，获取处理结果。

这样的装置能够通过卷积层提取出生物特征和非生物特征，通过全连接层将生物特征与非生物特征关联起来，实现基于通道域的注意力机制处理人脸图片特征数据。

本公开的活体检测装置的处理过程的另一个实施例的示意图如图7所示。全连接处理单元603可以包括串行连接的第一全连接层、relu、第二全连接层以及sigmoid函数单元，两层全连接层将生物特征与非生物特征关联起来，共同决定该图片特征是否是活体特征，经过sigmoid函数单元获取处理结果以便依据该处理结果能够确定图片中的信息是否是活体信息。在一个实施例中，可以利用sigmoid函数的输出对人脸图片特征数据中每个通道进行尺度缩放处理，如利用公式：

进行尺度缩放，是一个尺度算子，能够将图片特征中每一个通道i的通道信息对应放大或缩小相应的尺度，即：

f′{i}＝f{i}*m{i}

从而能够在图像为活体图像的情况下加强特征中的生物特征，得到优化人脸图片特征数据，提高人脸识别的准确度。

本公开的人脸检测系统的一个实施例的示意图如图8所示。活体检测装置81可以为上文中提到的任意一种活体检测装置。人脸检测系统还可以包括人脸识别装置82，能够从人脸图像中提取人脸图片特征数据，并将该人脸图片特征数据提供给活体检测装置81；利用活体检测装置通过基于通道域的注意力机制处理人脸图片特征数据的处理结果加强人脸图片特征数据中的生物特征，获取优化人脸图片特征数据；根据优化人脸图片特征数据执行人脸识别。

这样的活体检测系统能够将人脸识别中利用深度学习提取的人脸图片特征数据应用于活体检测，并通过基于通道域的注意力机制处理特征数据，识别人脸图像为活体或非活体图像，无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度；能够加强人脸图片特征数据中的生物特征，提高了人脸识别的准确度。

本公开活体检测装置的一个实施例的结构示意图如图9所示。活体检测装置包括存储器901和处理器902。其中：存储器901可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储上文中活体检测方法的对应实施例中的指令。处理器902耦接至存储器901，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器902用于执行存储器中存储的指令，能够提高活体检测的便捷性和效率，且提高活体检测的准确度。

在一个实施例中，还可以如图10所示，活体检测装置1000包括存储器1001和处理器1002。处理器1002通过bus总线1003耦合至存储器1001。该活体检测装置1000还可以通过存储接口1004连接至外部存储装置1005以便调用外部数据，还可以通过网络接口1006连接至网络或者另外一台计算机系统(未标出)。此处不再进行详细介绍。

在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够无需用户配合做出指定动作，提高了便捷性和效率，且提高了活体检测的准确度。

本公开人脸检测系统的一个实施例的结构示意图如图9所示。人脸检测系统包括存储器901和处理器902。其中：存储器901可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储上文中人脸识别方法的对应实施例中的指令。处理器902耦接至存储器901，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器902用于执行存储器中存储的指令，能够提高活体检测的效率和准确度，且提高人脸识别的准确度。

在一个实施例中，还可以如图10所示，人脸检测系统1000包括存储器1001和处理器1002。处理器1002通过bus总线1003耦合至存储器1001。该人脸检测系统1000还可以通过存储接口1004连接至外部存储装置1005以便调用外部数据，还可以通过网络接口1006连接至网络或者另外一台计算机系统(未标出)。此处不再进行详细介绍。

在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够提高活体检测的效率和准确度，且提高人脸识别的准确度。

在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现活体检测方法或人脸识别方法对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

可能以许多方式来实现本公开的方法以及装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法以及装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

最后应当说明的是：以上实施例仅用以说明本公开的技术方案而非对其限制；尽管参照较佳实施例对本公开进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本公开的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本公开技术方案的精神，其均应涵盖在本公开请求保护的技术方案范围当中。