一种视频分类方法和装置与流程

本申请涉及计算机领域，尤其涉及一种视频分类方法和装置。

背景技术：

视频分类是计算机视觉与自然语言处理领域中一项重要的研究课题，也是目前非常有挑战性的热点问题。随着视频数据的急速增长，视频分类吸引了人们的大量关注。为了满足不同用户的需求，需要对视频内容进行分类。

现有技术视频分类主要是基于视觉信息，即需要对视频的每一帧进行特征提取，随后基于传统机器学习方法如：支持向量机，朴素贝叶斯等模型进行视频分类。具体来说在进行视频分类时，需要确定该视频中的每个视频帧的关键区域，随后对该关键区域进行分类预测，获得所述待分类视频的分类结果，随后比较不同视频帧的类别以确定最后分类结果。

这样导致需要识别的视频帧数量较多，分类效率低下。

技术实现要素：

本申请实施例提供了一种视频分类方法和装置，用于提高视频帧分类效率。

第一方面，本申请实施例提供一种视频分类方法，具体包括：视频分类装置获取待分类视频的标题数据和封面图；然后该视频分类装置根据对该标题数据进行切分生成特征词，并将该特征词输入宽度网络模型得到第一分类结果；然后该视频分类装置将所述标题数据转换成深度网络的输入样本，并将所述输入样本输入所述深度网络得到第二分类结果；然后该视频分类装置对该封面图进行特征提取得到特征数据，并将所述特征数据输入所述深度网络得到第三分类结果；最后该视频分类装置根据所述第一分类结果、第二分类结果以及所述第三分类结果确定目标分类结果。

本申请实施例中，该视频分类装置利用待分类视频的标题数据和封面图提取特征，然后利用宽度和深度相结合的视频分类模型，实现特征交叉互补，从而提高了视频分类的准确率，增强视频分类的效率。

可选的，该视频分类装置在将该输入样本输入深度网络得到第二分类结果可以采用如下技术方案：该视频分类装置将该输入样本依次进行特征提取和特征压缩得到语义表示向量；然后通过注意力机制激活该语义表示向量中的预设部分从而得到文本表示向量；最后对该文本表示向量进行softmax分类得到所述第二分类结果。

可选的，该视频分类装置在将该特征数据输入该深度网络得到第三分类结果可以采用如下技术方案：该视频分类装置将该特征数据依次通过至少两个前馈神经网络后进行softmax分类得到所述第三分类结果。

可选的，该视频分类装置在对该标题数据进行切分生成特征词时具体可以采用如下技术方案：该视频分类装置去除该标题数据中的非文本数据，得到文本数据；统一该文本数据的格式，并按照预设长度生成该待识别文本数据；对该待识别文本数据进行切分生成n元模子特征，该n元模子特征作为该特征词。

同理，可选的，该视频分类装置在将该标题数据转换为深度网络的输入样本时具体可以采用如下技术方案：该视频分类装置去除该标题数据中的非文本数据，得到文本数据；统一该文本数据的格式，并按照预设长度生成该待识别文本数据；将该待识别文本数据转换成深度网络的输入样本。

可选的，该视频分类装置将该待识别文本数据转换成深度网络的输入样本的具体操作可以如下：该视频分类装置对该待识别文本数据采用词嵌入的方法转换成该深度网络的输入样本。

可以理解的是，该视频分类装置可以利用预训练的resnet-50模型提取所述封面图的图像特征生成该特征数据。当然实际应用中，可以采用多种模型进行图像特征的提取。

本实施例中，该视频分类装置统一该文本数据的格式具体来说可以是将字符格式进行统一，比如将英文字母全部统一为小写或大写，汉字格式全部统一为简体汉字或者繁体汉字，将字符格式全部统一为全角或者半角。而该视频分类装置按照固定长度生成该待识别文本数据具体实现方式为：该视频分类装置预先设置该待识别文本数据的长度，即相当于该固定长度；然后该视频分类装置将文本数据依次填充固定长度，直至填满该固定长度。比如，该视频分类装置设置该待识别文本数据的固定长度为25个字符，而提取的文本数据的长度为26个字符，则该视频分类装置将文本数据的最后一个字符丢弃，生成该待识别文本数据；若该提取的文本数据的长度为20个字符，则该视频分类装置将最后5个字符以0代替，从而补足25个字符生成该待识别文本数据。

基于上述方案，该视频分类装置在对该待识别文本数据进行切分生成n元模子特征时可以采用如下技术方案：该视频分类装置对该待识别文本数据进行分词得到连续字串；对预设长度为n的连续字中进行统计提取是得到该n元模子特征。可以理解的是，该视频分类装置对该待识别文本数据进行分词是根据语义将该待识别文本数据分成连续的单词字串。比如某一个视频的标题为：“做好下面四个步骤，半小时完成电脑维修不是梦”，分词得到的连续字串为“做好下面四个步骤半小时完成电脑维修不是梦”。该预设长度为n的连续字串是指n个连续的单词字串作为长度。比如在n取3时，该(完成-电脑-维修)则为一个具体的连续单词字串。

可选的，该视频分类装置将该封面图进行特征提取得到特征数据时具体可以采用如下技术方案：该视频分类装置将该封面图的尺寸调整至预设值得到预设尺寸的封面图；然后提取该预设尺寸的硕图的图像特征得到该特征数据。

第二方面，本申请实施例提供一种视频分类装置，具体如下：

一种可能实现方式中，该视频分类装置包括：

获取模块，用于获取待分类视频的标题数据和封面图；

处理模块，用于对所述标题数据进行切分生成特征词，并将所述特征词输入宽度网络模型得到第一分类结果；将所述标题数据转换成深度网络的输入样本；将所述输入样本输入所述深度网络得到第二分类结果；将所述封面图进行特征提取得到特征数据；将所述特征数据输入所述深度网络得到第三分类结果；根据所述第一分类结果、第二分类结果以及所述第三分类结果确定目标分类结果。

可选的，所述处理模块，具体用于将所述输入样本依次进行特征提取和特征压缩得到语义表示向量；通过注意力机制激活所述语义表示向量中的预设部分从而得到文本表示向量；对所述文本表示向量进行softmax分类得到所述第二分类结果。

可选的，该处理模块，具体用于将所述特征数据依次通过至少两个前馈神经网络后进行softmax分类得到所述第三分类结果。

可选的，该处理模块，具体用于去除所述标题数据中的非文本数据，得到文本数据；统一所述文本数据的格式，并按照预设长度生成所述待识别文本数据；对所述待识别文本数据进行切分生成n元模子特征，所述n元模子特征作为所述特征词。

可选的，该处理模块，具体用于去除所述标题数据中的非文本数据，得到文本数据；统一所述文本数据的格式，并按照预设长度生成所述待识别文本数据；将所述待识别文本数据转换成深度网络的输入样本。

可选的，该处理模块，具体用于对所述待识别文本数据进行分词得到连续字串；对预设长度为n的连续字串进行统计提取得到所述n元模子特征。

可选的，该处理模块，具体用于对所述待识别文本数据采用词嵌入的方法转换成所述深度网络的输入样本。

可选的，该处理模块，具体用于将该封面图的尺寸调整至预设值得到预设尺寸的封面图；提取该预设尺寸的封面图的图像特征生成该特征数据。

另一种实现方式中，该视频数据装置，包括：处理器和存储器，其中，所述存储器中存有计算机可读程序，所述处理器通过运行所述存储器中的程序，以用于完成上述任一项所述的方法。

第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令用于执行上述任一项所述的方法。

第四方面，本申请实施例提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一项所述的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：该视频分类装置利用待分类视频的标题数据和封面图提取特征，然后利用宽度和深度相结合的视频分类模型，实现特征交叉互补，从而提高了视频分类的准确率，增强视频分类的效率。

附图说明

图1为本申请实施例中视频分类方法的系统架构示意图；

图2为本申请实施例中视频分类方法的一个实施例示意图；

图3为本申请实施例中深度网络的一个子网络的流程示意图；

图4为本申请实施例中深度网络的另一个子网络的流程示意图；

图5为本申请实施例中视频分类装置的一个实施例示意图；

图6为本申请实施例中视频分类装置的另一个实施例示意图。

具体实施方式

本申请实施例提供了一种视频分类方法和装置，用于提高视频帧分类效率。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

视频分类是计算机视觉与自然语言处理领域中一项重要的研究课题，也是目前非常有挑战性的热点问题。随着视频数据的急速增长，视频分类吸引了人们的大量关注。为了满足不同用户的需求，需要对视频内容进行分类。现有技术视频分类主要是基于视觉信息，即需要对视频的每一帧进行特征提取，随后基于传统机器学习方法如：支持向量机，朴素贝叶斯等模型进行视频分类。具体来说在进行视频分类时，需要确定该视频中的每个视频帧的关键区域，随后对该关键区域进行分类预测，获得所述待分类视频的分类结果，随后比较不同视频帧的类别以确定最后分类结果。这样导致需要识别的视频帧数量较多，分类效率低下。

为了解决这一问题，本申请实施例提供如下技术方案：视频分类装置获取待分类视频的标题数据和封面图；然后该视频分类装置根据对该标题数据进行切分生成特征词，并将该特征词输入宽度网络模型得到第一分类结果；然后该视频分类装置将所述标题数据转换成深度网络的输入样本，并将所述输入样本输入所述深度网络得到第二分类结果；然后该视频分类装置对该封面图进行特征提取得到特征数据，并将所述特征数据输入所述深度网络得到第三分类结果；最后该视频分类装置根据所述第一分类结果、第二分类结果以及所述第三分类结果确定目标分类结果。

下面结合图1所示的系统架构进行说明：该视频分类装置在接收到待分类视频集之后，该视频分类装置分别获取该待分类视频集中的待分类视频的标题和封面图；然后该视频分类装置利用词嵌入方法将该标题生成输入文本，然后将该输入文本通过深度网络的子网络1生成分类结果2；同时该视频分类装置将该标题生成n元模子特征，并将该n元模子特征输入宽度网络模型得到分类结果1；同时该视频分类装置可以利用预训练的resnet-50模型提取所述封面图的图像特征生成所述特征数据，并将该特征数据通过该深度网络的子网络2生成分类结果3；最后根据该分类结果1、分类结果2和分类结果3得到最终的预测分类结果。

具体请参阅图2所示，本申请实施例中视频分类方法中的一个实施例包括：

201、该视频分类装置获取待分类视频的标题数据和封面图。

在接收到上传的待分类视频时，该视频分类装置获取该待分类视频的标题作为标题数据，获取该待分类视频的封面图。

可以理解的，该待分类视频的封面图可以是用户选择的该待分类视频中具有代表性的一个视频帧；也可以是用户上传的一个静态画面，具体形式此处不做限定，即只要是用户设置的用于描述该待分类视频的内容的画面即可。该标题数据可以是直接获取用户设置的标题，也可以是从网页的html文件中获取。比如用户设置的标题是“一秒搞定电脑故障，请仔细看一下”，而在html文件中可以是“<head>一秒搞定电脑故障，请仔细看一下</head>”。

202、该视频分类装置预处理该标题数据生成待识别文本数据，并预处理该封面图生成特征数据。

该视频分类装置去除所述标题数据中的非文本数据，得到文本数据，所述非文本数据包括htm1标签、特殊符号；该视频分类装置统一所述文本数据的格式，并按照预设长度生成所述待识别文本数据；该视频分类装置利用预训练的resnet-50模型提取所述封面图的图像特征生成所述特征数据。

本实施例中，该视频分类装置统一该文本数据的格式具体来说可以是将字体格式进行统一，比如将英文字母全部统一为小写或大写，汉字格式全部统一为简体汉字或者繁体汉字，将字符格式全部统一为全角或者半角。而该视频分类装置按照固定长度生成该待识别文本数据具体实现方式为：该视频分类装置预先设置该待识别文本数据的长度，即相当于该固定长度；然后该视频分类装置将文本数据依次填充固定长度，直至填满该固定长度。比如，该视频分类装置设置该待识别文本数据的固定长度为25个字符，而提取的文本数据的长度为26个字符，则该视频分类装置将文本数据的最后一个字符丢弃，生成该待识别文本数据；若该提取的文本数据的长度为20个字符，则该视频分类装置将最后5个字符以0代替，从而补足25个字符生成该待识别文本数据。而该视频分类装置利用预训练的resnet-50模型提取所述封面图的图像特征生成所述视频特征数据时，该图像特征可以是2048维的视频图像特征。其中，该视频分类装置在提取该封面图的图像特征时，可以先将该封面图调整为预设大小，然后再利用预训练的resnet-50模型提取所述封面图的图像特征。可以理解的是，该视频分类装置可以利用预训练的resnet-50模型提取所述封面图的图像特征生成该特征数据。当然实际应用中，可以采用多种模型进行图像特征的提取。

203、该视频分类装置根据所述待识别文本数据生成n元模子特征，并将所述n元模子特征输入宽度网络模型得到第一分类结果。

该视频分类装置根据该待识别文本数据生成n元模子特征的具体方式可以如下：该视频分类装置对所述待识别文本数据进行分词得到连续字串；对预设长度为n的连续字串进行统计提取得到所述n元模子特征；最后该视频分类装置将该n元模子特征输入宽度网络从而得到该第一分类结果。

可以理解的是，该视频分类装置对该待识别文本数据进行分词是根据语义将该待识别文本数据分成连续的单词字串。比如某一个视频的标题为：“做好下面四个步骤，半小时完成电脑维修不是梦”，分词得到的连续字串为“做好下面四个步骤半小时完成电脑维修不是梦”。该预设长度为n的连续字串是指n个连续的单词字串作为长度。比如在n取3时，该(完成-电脑-维修)则为一个具体的连续单词字串。该n元模子特征中还包括该连续单词字串在所有视频中的词频。在该n为3时，该n元模子特征称为3元文法，该3元文法中的一个示例性为(完成-电脑-维修，6)，其中6用于指示所有视频中该(完成-电脑-维修)的出现频率。同时该视频分类装置还可以设置预设阈值，该预设阈值用于指示特征的词频阈值，在特征的词频低于该预设阈值时，该视频分类装置删除该特征。

204、该视频分类装置将所述待识别文本数据转换成深度网络的输入样本，并将所述输入样本输入所述深度网络得到第二分类结果。

由于标题数据长度受限，包含的词语数量少，语义信息有限，因此该视频分类装置需要利用词嵌入的方法扩充该待识别文本数据的语义信息，从而生成输入样本；然后该视频分类装置将该输入样本输入该深度网络；然后视频分类装置将所述输入样本依次通过卷积层(进行特征提取)、池化层(进行特征压缩)得到语义表示向量；视频分类装置通过注意力机制激活所述语义表示向量中的预设部分从而得到文本表示向量；视频分类装置对所述文本表示向量进行softmax分类得到所述第二分类结果。具体来说，该深度网络可以包括两个子网络，其中一个如图3所示，该视频分类装置将该待识别文本数据通过该子网络中的输入层(即词嵌入层)得到输入样本，然后该输入样本通过该子网络中的卷积层进行卷积(特征提取)，然后再通过池化层(特征压缩)学习得到相应的语义表示向量；再利用注意力模块中的注意力机制激活该语义表示向量中的特定部分，并获取到该输入样本的最终表示向量；最后再通过该softmax分类得到所述第二分类结果。

205、该视频分类装置将所述特征数据输入所述深度网络得到第三分类结果。

该视频分类装置将封面图提取出的视频特征数据输入该深度网络，依次通过m个前馈神经网络后进行softmax分类得到所述第三分类结果，所述m大于或等于2。具体来说，该深度网络可以包括两个子网络，其中一个如图4所示，该视频分类装置将该视频特征数据依次通过该子网络中的至少两个前馈神经网络，最后进行softmax分类得到所述第三分类结果。

可以理解的是，本申请实施例中，该步骤203、步骤204以及步骤205之间并不限定时间顺序，此三个步骤之间可以同时发生，也可以选择任意的时间顺序发生，具体此处不做限定。

206、该视频分类装置根据所述第一分类结果、第二分类结果以及所述第三分类结果确定目标分类结果。

该视频分类装置将该第一分类结果、该第二分类结果和该第三分类结果进行综合考虑，最后确定目标分类结果。

本申请实施例中，该视频分类装置利用待分类视频的标题数据和封面图提取特征，然后利用宽度和深度相结合的视频分类模型，实现特征交叉互补，从而提高了视频分类的准确率，增强视频分类的效率。

上面描述了本申请实施例是视频分类方法，下面描述本申请实施例中视频分类装置。

具体请参阅图5所示，本申请实施例中视频分类装置的一个实施例包括：

获取模块501，用于获取待分类视频的标题数据和封面图；

处理模块502，用于对所述标题数据进行切分生成特征词，并将所述特征词输入宽度网络模型得到第一分类结果；将所述标题数据转换成深度网络的输入样本；将所述输入样本输入所述深度网络得到第二分类结果；将所述封面图进行特征提取得到特征数据；将所述特征数据输入所述深度网络得到第三分类结果；根据所述第一分类结果、第二分类结果以及所述第三分类结果确定目标分类结果。

可选的，所述处理模块502，具体用于将所述输入样本依次进行特征提取和特征压缩得到语义表示向量；通过注意力机制激活所述语义表示向量中的预设部分从而得到文本表示向量；对所述文本表示向量进行softmax分类得到所述第二分类结果。

可选的，该处理模块502，用于将所述特征数据依次通过至少两个前馈神经网络后进行softmax分类得到所述第三分类结果。

可选的，该处理模块502，具体用于去除所述标题数据中的非文本数据，得到文本数据；统一所述文本数据的格式，并按照预设长度生成所述待识别文本数据；对所述待识别文本数据进行切分生成n元模子特征，所述n元模子特征作为所述特征词。

可选的，该处理模块502，具体用于去除所述标题数据中的非文本数据，得到文本数据；统一所述文本数据的格式，并按照预设长度生成所述待识别文本数据；将所述待识别文本数据转换成深度网络的输入样本。

可选的，该处理模块502，具体用于对所述待识别文本数据进行分词得到连续字串；对预设长度为n的连续字串进行统计提取得到所述n元模子特征。

可选的，该处理模块502，具体用于对所述待识别文本数据采用词嵌入的方法转换成所述深度网络的输入样本。

可选的，该处理模块502，具体用于将该封面图的尺寸调整至预设值得到预设尺寸的封面图；提取该预设尺寸的封面图的图像特征生成该特征数据。

请参阅图6所示，本申请实施例中视频分类装置的另一个实施例包括：

收发器601、处理器602、总线603；

该收发器601与该处理器602通过该总线603连接；

该总线603可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器602可以是中央处理器(centralprocessingunit，cpu)，网络处理器(networkprocessor，np)或者cpu和np的组合。

处理器602还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specificintegratedcircuit，asic)，可编程逻辑器件(programmablelogicdevice，pld)或其组合。上述pld可以是复杂可编程逻辑器件(complexprogrammablelogicdevice，cpld)，现场可编程逻辑门阵列(field-programmablegatearray，fpga)，通用阵列逻辑(genericarraylogic,gal)或其任意组合。

参见图6所示，该视频分类装置还可以包括存储器604。该存储器604可以包括易失性存储器(volatilememory)，例如随机存取存储器(random-accessmemory，ram)；存储器也可以包括非易失性存储器(non-volatilememory)，例如快闪存储器(flashmemory)，硬盘(harddiskdrive，hdd)或固态硬盘(solid-statedrive，ssd)；存储器604还可以包括上述种类的存储器的组合。

可选地，存储器604还可以用于存储程序指令，处理器602调用该存储器604中存储的程序指令，可以执行上述多个实施例中的一个或多个步骤，或其中可选的实施方式，实现上述方法中该视频分类装置的功能。

该处理器602，执行如下步骤：

获取待分类视频的标题数据和封面图；对所述标题数据进行切分生成特征词，并将所述特征词输入宽度网络模型得到第一分类结果；将所述标题数据转换成深度网络的输入样本；将所述输入样本输入所述深度网络得到第二分类结果；将所述封面图进行特征提取得到特征数据；将所述特征数据输入所述深度网络得到第三分类结果；根据所述第一分类结果、第二分类结果以及所述第三分类结果确定目标分类结果。

可选的，处理器602，具体执行如下步骤：将所述输入样本依次进行特征提取和特征压缩得到语义表示向量；通过注意力机制激活所述语义表示向量中的预设部分从而得到文本表示向量；对所述文本表示向量进行softmax分类得到所述第二分类结果。

可选的，该处理器602，具体执行如下步骤：将所述特征数据依次通过至少两个前馈神经网络后进行softmax分类得到所述第三分类结果。

可选的，处理器602，具体执行如下步骤：去除所述标题数据中的非文本数据，得到文本数据；统一所述文本数据的格式，并按照预设长度生成所述待识别文本数据；对所述待识别文本数据进行切分生成n元模子特征，所述n元模子特征作为所述特征词。

可选的，该处理器602，具体执行如下步骤：去除所述标题数据中的非文本数据，得到文本数据；统一所述文本数据的格式，并按照预设长度生成所述待识别文本数据；将所述待识别文本数据转换成深度网络的输入样本。

可选的，该处理器602，具体执行如下步骤：对所述待识别文本数据进行分词得到连续字串；对预设长度为n的连续字串进行统计提取得到所述n元模子特征。

可选的，该处理器602，具体执行如下步骤：对所述待识别文本数据采用词嵌入的方法转换成所述深度网络的输入样本。

可选的，该处理器602，具体执行如下步骤：将该封面图的尺寸调整至预设值得到预设尺寸的封面图；提取该预设尺寸的封面图的图像特征生成该特征数据。

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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，在本申请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，本申请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全部或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)执行本申请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，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。