一种翻拍图像的识别方法、系统及终端设备与流程

本发明属于计算机技术领域，尤其涉及一种翻拍图像的识别方法、系统及终端设备。

背景技术：

图像认证技术作为信息安全领域的重要组成部分，用于对图像的真实性进行验证。翻拍图像即为二次获取的图像，是指图像经过了两次以上的数字图像成像过程而得到的新图像，例如将图片现实与lcd屏幕或经过激光打印后，再由数码相机拍摄成像，即图片的图像。在零售场景中，零售厂商会安排巡查人员定期前往门店进行巡查，需要巡查人员现场拍摄图片并上传至验证系统以作证明，然而巡查人员通常会存在作假的现象，即上传到验证系统的图像是翻拍图像而非现场真实拍摄的图片，而验证系统无法准确区分翻拍图像和实际拍摄的图像，因此无法准确判断巡查人员是否真实到店进行巡查。

因此，亟需一种能够准确识别图像是否为翻拍图像的方法，以避免巡查人员的作假行为。

技术实现要素：

有鉴于此，本发明实施例提供了一种翻拍图像的识别方法、系统及终端设备，以解决目前验证系统无法准确区分翻拍图像和实际拍摄的图像的问题。

本发明的第一方面提供了一种翻拍图像的识别方法，包括：

根据多个训练样本构建翻拍图像分类器，所述训练样本包括训练图像以及对应的分类结果，所述分类结果为真实图像或翻拍图像；

提取待分类图像的特征值，所述特征值包括所述待分类图像的y通道亮度转换率及所述待分类图像的表面梯度特征值；

通过所述翻拍图像分类器对所述待分类图像的特征值进行分类判别，基于分类结果识别所述待分类图像是否为翻拍图像。

本发明的第二方面提供了一种翻拍图像的识别系统，包括：

分类器构建模块，用于根据多个训练样本构建翻拍图像分类器，所述训练样本包括训练图像以及对应的分类结果，所述分类结果为真实图像或翻拍图像；

特征提取模块，用于提取待分类图像的特征值，所述特征值包括所述待分类图像的y通道亮度转换率及所述待分类图像的表面梯度特征值；

识别模块，用于通过所述翻拍图像分类器对所述待分类图像的特征值进行分类判别，基于分类结果判断所述待分类图像是否为翻拍图像。

本发明的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

根据多个训练样本构建翻拍图像分类器，所述训练样本包括训练图像以及对应的分类结果，所述分类结果为真实图像或翻拍图像；提取待分类图像的特征值，所述特征值包括所述待分类图像的y通道亮度转换率及所述待分类图像的表面梯度特征值；

通过所述翻拍图像分类器对所述待分类图像的特征值进行分类判别，基于分类结果识别所述待分类图像是否为翻拍图像。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

根据多个训练样本构建翻拍图像分类器，所述训练样本包括训练图像以及对应的分类结果，所述分类结果为真实图像或翻拍图像；

提取待分类图像的特征值，所述特征值包括所述待分类图像的y通道亮度转换率及所述待分类图像的表面梯度特征值；

通过所述翻拍图像分类器对所述待分类图像的特征值进行分类判别，基于分类结果识别所述待分类图像是否为翻拍图像。

本发明提供的一种翻拍图像的识别方法、系统及终端设备，通过训练好的翻拍图像分类器根据待分类图像的y通道亮度转换率和表面梯度特征值对待分类图像是否为翻拍图像进行识别，能够高效地、智能地判别出图像是真实图像还是翻拍图像，有效地避免了作假行为，解决了目前无法准确区分翻拍图像和实际拍摄的图像的问题。

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是本发明实施例一提供的一种翻拍图像的识别方法的实现流程示意图；

图2是本发明实施例二提供的对应实施例一步骤s101的实现流程示意图；

图3是本发明实施例三提供的对应实施例一步骤s102的实现流程示意图；

图4是本发明实施例四提供的对应实施例一步骤s102的实现流程示意图；

图5是本发明实施例五提供的一种翻拍图像的识别系统的结构示意图；

图6是本发明实施例六提供的对应实施例五中分类器构建模块101的结构示意图；

图7是本发明实施例七提供的对应实施例五中特征提取模块102的结构示意图；

图8是本发明实施例八提供的对应实施例五中特征提取模块102的结构示意图；

图9是本发明实施例九提供的终端设备的示意图。

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、系统、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。

实施例一：

如图1所示，本实施例提供了一种翻拍图像的识别方法，其具体包括：

步骤s101：根据多个训练样本构建翻拍图像分类器，所述训练样本包括训练图像以及对应的分类结果，所述分类结果为真实图像或翻拍图像。

在具体应用中，由于翻拍图像是对图像的二次成像，因此翻拍图像的y通道亮度转换率与真实图像(现场拍摄的图像)的y通道亮度转换率存在差异，且翻拍图像的表面梯度特征值与真实图像的表面梯度特征值也存在差异，因此将图像的y通道亮度转换率和表面梯度特征值作为判断图像是否为翻拍图像的判定因子，综合图像的y通道亮度转换率和表面梯度特征值进行统一判断，就能够识别出图像是否为翻拍图像。

在具体应用中，通过构建基于图像的y通道亮度转换率和表面梯度特征值为判断因子的翻拍图像分类器，并基于大量的训练图像对该分类器进行训练，得到训练完成的翻拍图像分类器。

步骤s102：提取待分类图像的特征值，所述特征值包括所述待分类图像的y通道亮度转换率及所述待分类图像的表面梯度特征值。

在具体应用中，对于上传系统的待分类图像，先对该待分类图像进行特征值提取，提取该待分类图像的y通道亮度转换率和该待分类图像的表面梯度特征值。

在具体应用中，通过对上传系统的待分类图像进行初始化处理，并计算得到该待分类图片的y通道去处镜面反射部分的通道亮度值和y通道的镜面反射部分的通道亮度值，基于y通道去处镜面反射部分的通道亮度值和y通道的镜面反射部分的通道亮度值计算得到该待分类图像的y通道亮度转换率。

在具体应用中，通过提取待分类图像的g通道，并计算待分类图像的g通道的表面梯度特征值，并根据g通道的表面梯度特征值绘制出直方图，通过直方图定量表示g通道的表面梯度特征值，获取该直方图的特征值，则该直方图的特征值为该待分类图像的表面梯度特征值。

在具体应用中，为了更方便快捷地对图像进行识别，可以通过构建深度神经网络来实现特征值提取。通过构建和训练能够输出图像特征值的深度神经网络模型，将上传系统的待分类图像输入到该深度神经网络模型中，该深度神经网络模块自动输出该待分类图像的y通道亮度转换率和表面梯度特征值。需要说明的是，上述深度神经网络可以是vgg19神经网络模型。由于vgg19神经网络为现有技术，因此，暂不对其具体结构和训练方式进行赘述。

步骤s103：通过所述翻拍图像分类器对所述待分类图像的特征值进行分类判别，基于分类结果识别所述待分类图像是否为翻拍图像。

在具体应用中，将提取到的待分类图像的y通道亮度转换率和表面梯度特征值输入到翻拍图像分类器中，上述翻拍图像分类器会根据待分类图像的y通道亮度转换率和表面梯度特征值进行分类，得出分类结果，根据分类结果就能够识别出该待分类图像是否为翻拍图像。

在具体应用中，翻拍图像分类器结合输入的y通道亮度转换率和表面梯度特征值这两个判断因子，若待分类图像的y通道亮度转换率和表面梯度特征值满足真实图像的参数条件，则翻拍图像分类器将该待分类图像的分类结果标识为真实图像，若待分类图像的y通道亮度转换率和表面梯度特征值满足翻拍图像的参数条件，则翻拍图像分类器将该待分类图像的分类结果标识为翻拍图像。

在具体应用中，翻拍图像分类器可以先基于y通道亮度转换率进行判断，也可以先基于表面梯度特征值进行判断，还可以同时基于y通道亮度和表面梯度特征值进行判断。即翻拍图像分类器先判断待分类图像的y通道亮度转换率是否满足翻拍图像的y通道亮度转换率要求，若是，则翻拍图像分类器将待分类图像的分类结果标识为翻拍图像；否则判断待分类图像的表面梯度特征值是否满足翻拍图像的表面梯度特征值要求，若是，则翻拍图像分类器将待分类图像的分类结果标识为翻拍图像；否则翻拍图像分类器将待分类图像的分类结果标识为真实图像。或者，翻拍图像分类器先判断待分类图像的表面梯度特征值是否满足翻拍图像的表面梯度特征值要求，若是，则翻拍图像分类器将待分类图像的分类结果标识为翻拍图像；否则判断待分类图像的y通道亮度转换率是否满足翻拍图像的y通道亮度转换率要求，若是，则翻拍图像分类器将待分类图像的分类结果标识为翻拍图像；否则翻拍图像分类器将待分类图像的分类结果标识为真实图像。又或者，翻拍图像分类器判断待分类图像的y通道亮度转换率是否满足翻拍图像的y通道亮度转换率要求并判断待分类图像的表面梯度特征值是否满足翻拍图像的表面梯度特征值要求，若待分类图像的y通道亮度转换率满足翻拍图像的y通道亮度转换率要求且待分类图像的表面梯度特征值满足翻拍图像的表面梯度特征值要求，则翻拍图像分类器将图像的分类结果标识为翻拍图像；否则翻拍图像分类器将图像的分类结果标识为真实图像。需要说明的是，翻拍图像分类器能够自动输出分类结果，并且基于多个特征值参数(y通道亮度转换率和表面梯度特征值)进行判断，能够精准快速地判断出待分类图像是否为翻拍图像。

本实施例提供的翻拍图像的识别方法，通过训练好的翻拍图像分类器根据待分类图像的y通道亮度转换率和表面梯度特征值对图像是否为翻拍图像进行识别，能够高效地、智能地判别出待分类图像是真实图像还是翻拍图像，有效地避免了作假行为，解决了目前无法准确区分翻拍图像和实际拍摄的图像的问题。

实施例二：

如图2所示，在本实施例中，实施例一中的步骤s101具体包括：

步骤s201：获取训练图像，将所述训练图像分为真实图像组和翻拍图像组。

在具体应用中，通过验证系统获取大量的训练图像，并基于图像时真实图像或翻拍图像，将大量的训练图像分为真实图像组和翻拍图像组。

步骤s202：分别提取所述真实图像组的特征值和所述翻拍图像组的特征值。

在具体应用中，通过将真实图像组的多张图像输入到预先构建好的用于获取图像特征值的深度神经网络中，获取该真实图像组的多张图像的特征值，并将每张图像与获取到的图像的特征值进行关联保存。

在具体应用中，通过将翻拍图像组的多张图像输入到预先构建好的用于获取图像特征值的深度神经网络中，获取该翻拍图像组的多张图像的特征值，并将每张图像与获取到的图像的特征值进行关联保存。

在具体应用中，上述特征值包括图像的y通道亮度转换率和表面梯度特征值。

步骤s203：将所述真实图像组的特征值作为输入参数对翻拍图像分类器进行训练，以使所述翻拍图像分类器输出的分类结果为所述图像为真实图像。

在具体应用中，将真实图像组中的每张图片的特征值输入到翻拍图像分类器中，使得翻拍图像分类器输出的分类结果为该图像为真实图像，完成对真实图像的识别训练。

步骤s204：将所述翻拍图像组的特征值作为输入参数对翻拍图像分类器进行训练，以使所述翻拍图像分类器输出的结果为所述图像为翻拍图像。

在具体应用中，将翻拍图像组中的每张图片的特征值输入到翻拍图像分类器中，使得翻拍图像分类器输出的分类结果为该图像为翻拍图像，完成对翻拍图像的识别训练。

实施例三：

如图3所示，在本实施例中，实施例一中的步骤s102具体包括：

步骤s301：对所述待分类图像进行初始化处理，获得所述待分类图像的y通道去除镜面反射部分的通道亮度值。

在具体应用中，对待分类图像进行色彩空间转换，得到待分类图像的y通道的亮度直方图，对y通道的亮度直方图进行归一化处理、均衡化处理以及多项式转换处理后，得到待分类图像的y通道去除镜面反射部分的通道亮度值。

步骤s302：提取所述待分类图像的y通道的镜面反射部分的通道亮度值，根据所述y通道去除镜面反射部分的通道亮度值及所述待分类图像的y通道的镜面反射部分的通道亮度值计算y通道亮度转换率。

在具体应用中，获取待分类图像的y通道的原始亮度值，基于y通道的原始亮度值和y通道去除镜面反射部分的通道亮度值计算y通道的镜面反射部分的通道亮度值，计算公式为：ys＝y0-yd，其中，ys为y通道的镜面反射部分的通道亮度值，y0为y通道的原始亮度值，yd为y通道去除镜面反射部分的通道亮度值。

在具体应用中，当计算得到y通道的镜面反射部分的通道亮度值后，根据y通道的原始亮度值及待分类图像的y通道的镜面反射部分的通道亮度值计算y通道亮度转换率，计算公式为：yt＝ys/y0，其中，ys为y通道的镜面反射部分的通道亮度值，y0为y通道的原始亮度值，yt为y通道亮度转换率。

需要说明的是，如何提取待分类图像的y通道的原始亮度值是本领域技术人员所熟知，在此不加以赘述。

步骤s303：计算所述待分类图像的g通道的表面梯度值，并根据所述表面梯度值绘制直方图，获取所述直方图的特征值。

需要说明的是，提取待分类图像的g通道以及计算g通达的表面梯度特征值是本领域技术人员所熟知的，在此不在加以赘述。另外，如何根据g通道的表面梯度特征值绘制直方图以及获取直方图的特征值也是本领域技术人员所熟知的，因此不加以赘述。

在一个实施例中，上述步骤s301具体包括：

步骤s3011：对所述待分类图像进行色彩空间转换，提取所述待分类图像的y通道的亮度直方图；

步骤s3012：对所述待分类图像的y通道的亮度直方图进行归一化处理，得到所述待分类图像的y通道的原始直方图；

步骤s3013：对所述原始直方图进行均衡化处理，获取所述待分类图像的y通道的亮度均衡直方图；

步骤s3014：通过多项式转换函数对通道y的亮度均衡直方图进行映射，获得所述待分类图像的y通道去除镜面反射部分的通道亮度值。

在具体应用中，上述多项式转换函数为：

f(x)＝p0x⁴+p1x³+p2x²+p3x+p4；

其中，p为系数矩阵。

实施例四：

如图4所示，区别于上述实施例三，在本实施例中，实施例一中的步骤s102具体包括：

步骤s401：获取大量训练图像和所述训练图像的y通道亮度转换率及表面梯度特征值。

在具体应用中，通过验证系统获取大量的训练图像，并根据实施例三提供的方法计算训练图像的y通道亮度转换率和表面梯度特征值。

步骤s402：将所述训练图像作为vgg19神经网络模型的输入，将y通道亮度转换率和表面梯度特征值作为vgg19神经网络模型的输出，对vgg19神经网络进行训练，以使vgg19神经网络的收敛函数收敛。

步骤s403：将所述待分类图像输入到所述vgg19神经网络中，得到所述待分类图像的y通道亮度转换率及所述图像的表面梯度特征值。

在具体应用中，通过大量的训练图像来vgg19神经网络进行训练，得到通过输入待分类图像就能得到该待分类图像的y通道亮度转换率和表面梯度特征值的vgg19神经网络，通过训练完成的vgg19神经网络能够快速提取出图像的特征值。

实施例五：

如图5所示，本实施例提供一种翻拍图像的识别系统100，用于执行实施例一中的方法步骤，其包括分类器构建模块101、特征提取模块102以及识别模块103。

分类器构建模块101用于根据多个训练样本构建翻拍图像分类器，训练样本包括训练图像以及对应的分类结果，所述分类结果为真实图像或翻拍图像。

特征提取模块102用于提取待分类图像的特征值，所述特征值包括所述待分类图像的y通道亮度转换率及所述待分类图像的表面梯度特征值。

识别模块103用于通过所述翻拍图像分类器对所述待分类图像的特征值进行分类判别，基于分类结果判断所述待分类图像是否为翻拍图像。

需要说明的是，本发明实施例提供的图片处理系统，由于与本发明图1所示方法实施例基于同一构思，其带来的技术效果与本发明图1所示方法实施例相同，具体内容可参见本发明图1所示方法实施例中的叙述，此处不再赘述。

因此，本实施例提供的一种翻拍图像的识别系统，同样能够通过训练好的翻拍图像分类器根据待分类图像的y通道亮度转换率和表面梯度特征值对待分类图像是否为翻拍图像进行识别，能够高效地、智能地判别出图像是真实图像还是翻拍图像，有效地避免了作假行为，解决了目前无法准确区分翻拍图像和实际拍摄的图像的问题。

实施例六：

如图6所示，在本实施例中，实施例五中的分类器构建模块101包括用于执行图2所对应的实施例中的方法步骤的结构，其包括图像获取单元201、特征值提取单元202、第一训练单元203以及第二训练单元204。

图像获取单元201用于获取训练图像，将所述训练图像分为真实图像组和翻拍图像组。

特征值提取单元202用于分别提取所述真实图像组的特征值和所述翻拍图像组的特征值。

第一训练单元203用于将所述真实图像组的特征值作为输入参数对翻拍图像分类器进行训练，以使所述翻拍图像分类器输出的分类结果为所述图像为真实图像。

第二训练单元204用于将所述翻拍图像组的特征值作为输入参数对翻拍图像分类器进行训练，以使所述翻拍图像分类器输出的结果为所述图像为翻拍图像。

实施例七：

如图7所示，在本实施例中，实施例五中的特征提取模块102包括用于执行图3所对应的实施例中的方法步骤的结构，其包括初始化单元301、转换率计算单元302以及特征值获取单元303。

初始化单元301用于对所述待分类图像进行初始化处理，获得所述待分类图像的y通道去除镜面反射部分的通道亮度值。

转换率计算单元302用于提取所述待分类图像的y通道的镜面反射部分的通道亮度值，根据所述y通道去除镜面反射部分的通道亮度值及所述待分类图像的y通道的镜面反射部分的通道亮度值计算y通道亮度转换率。

特征值获取单元303用于计算所述待分类图像的g通道的表面梯度值，并根据所述表面梯度值绘制直方图，获取所述直方图的特征值。

实施例八：

如图8所示，区别于实施例七，在本实施例中，实施例五中的特征提取模块102包括用于执行图4所对应的实施例中的方法步骤的结构，其包括获取单元401、训练单元402以及提取单元403。

获取单元401用于获取大量训练图像和所述训练图像的y通道亮度转换率及表面梯度特征值。

训练单元402用于将所述训练图像作为vgg19神经网络模型的输入，将y通道亮度转换率和表面梯度特征值作为vgg19神经网络模型的输出，对vgg19神经网络进行训练，以使vgg19神经网络的收敛函数收敛。

提取单元403用于将所述待分类图像输入到所述vgg19神经网络中，得到所述待分类图像的y通道亮度转换率及所述待分类图像的表面梯度特征值。

实施例九：

图9是本发明实施例九提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，例如程序。所述处理器90执行所述计算机程序92时实现上述各个图片处理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90执行所述计算机程序92时实现上述系统实施例中各模块/单元的功能，例如图5所示模块101至103的功能。

示例性的，所述计算机程序92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91中，并由所述处理器90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92在所述终端设备9中的执行过程。例如，所述计算机程序92可以被分割成分类器构建模块、特征提取模块以及识别模块，各模块具体功能如下：

分类器构建模块，用于根据多个训练样本构建翻拍图像分类器，所述训练样本包括训练图像以及对应的分类结果，所述分类结果为真实图像或翻拍图像；

特征提取模块，用于提取待分类图像的特征值，所述特征值包括所述待分类图像的y通道亮度转换率及所述待分类图像的表面梯度特征值；

识别模块，用于通过所述翻拍图像分类器对所述待分类图像的特征值进行分类判别，基于分类结果判断所述待分类图像是否为翻拍图像。

所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端管理服务器等计算设备。所述终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图8仅仅是终端设备9的示例，并不构成对终端设备9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，例如所述终端设备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90可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、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91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备，例如所述终端设备9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91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91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，即将所述系统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。上述无线终端中单元、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，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备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，系统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。

所述设置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，设置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设置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系统、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是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。