跨年龄人脸识别方法及装置与流程

本发明涉及计算机技术领域，更具体地，涉及一种跨年龄人脸识别方法及装置。

背景技术：

人脸识别作为一种重要的生物特征识别技术，得到越来越广泛的应用。但目前人脸识别的识别率受年龄的影响较大，在人脸识别中,不同个体之间的人脸差异往往小于相同个体在不同情况(如不同年龄0下的人脸差异。

目前的跨年龄人脸识别一般通过合成人脸的方式，将不同年龄的人脸转化到固定的一个或多个年龄下的表征，然后再进行人脸识别。由于不同年龄之间的跨度长达几年甚至几十年，基于上述方法训练人脸识别模型需要非常大数据量，人脸数据采集不能满足同时满足数据量大而年龄跨度大的两个要求，多维度人脸特征和年龄特征混合在一起很难区分开，高维人脸特征不具有可解释性导致特征匹配方法的选择困难性。深度神经网络是基于大量训练数据而达到高的识别准确率，但跨年龄人脸训练数据量有限，训练的人脸识别网络对每一个年龄段：儿童，成人和老人缺乏泛化能力。数据量有限不足够训练神经网络达到高识别准确率，

综上，现有跨年龄人脸识别方法的识别准确率不高。

技术实现要素：

本发明实施例提供一种跨年龄人脸识别方法及装置，用以解决或者至少部分地解决现有技术存在的识别准确率不高的缺陷。

第一方面，本发明实施例提供一种跨年龄人脸识别方法，包括：

将待识别人脸图片输入至图片生成模型，获取所述待识别人脸图片对应的多个年龄段的生成图片；

将所述待识别人脸图片和各所述生成图片分别输入至基本特征提取模型和各所述年龄段的特征提取模型，输出基本人脸特征和各年龄段人脸特征；

根据所述基本人脸特征和各年龄段人脸特征，获取特征向量；

根据所述特征向量和预先获取的人脸库，获取所述待识别人脸图片的识别结果；

其中，所述图片生成模型，是根据人脸的样本数据进行训练获得的；所述基本特征提取模型，是根据所述人脸的样本数据进行训练获得的；各所述年龄段的特征提取模型，是基于所述基本特征提取模型进行迁移学习获得的。

优选地，所述将所述待识别人脸图片和各所述生成图片分别输入至基本特征提取模型和各所述年龄段的特征提取模型，输出基本人脸特征和各年龄段人脸特征之前，还包括：

根据所述人脸的样本数据进行训练，获得所述基本特征提取模型；

对于每一所述年龄段，根据所述人脸的样本数据中所述年龄段的人脸数据，对所述基本特征提取模型进行微调，获取所述年龄段的特征提取模型。

优选地，所述将待识别人脸图片输入至图片生成模型，获取所述待识别人脸图片对应的多个年龄段的生成图片之前，还包括：

根据所述人脸的样本数据进行对抗训练，获取判别器和图片生成模型；

其中，所述判别器，用于判断输入的人脸图片是所述人脸的样本数据或所述图片生成模型生成的人脸数据。

优选地，所述图片生成模型包括编码器和生成器；

相应地，所述将待识别人脸图片输入至图片生成模型，获取所述待识别人脸图片对应的多个年龄段的生成图片的具体步骤包括：

将所述待识别人脸图片输入至所述编码器，分别根据每一所述年龄段，将所述待识别人脸图片投影至所述年龄段对应的特征空间中；

所述生成器对所述待识别人脸图片在所述年龄段对应的特征空间中的特征进行上采样，获取所述年龄段的生成图片。

优选地，所述根据所述基本人脸特征和各年龄段人脸特征，获取特征向量的具体步骤包括：

根据所述基本人脸特征和各年龄段人脸特征，以及预设的权重，获取所述特征向量。

优选地，所述将待识别人脸图片输入至生成器，获取所述待识别人脸图片对应的多个年龄段的生成图片之前，还包括：

对原始图片进行人脸关键点检测和人脸对齐，获取所述待识别人脸图片。

优选地，所述年龄段包括：儿童、成年和老年。

第二方面，本发明实施例提供一种跨年龄人脸识别装置，包括：

图片生成模块，用于将待识别人脸图片输入至图片生成模型，获取所述待识别人脸图片对应的多个年龄段的生成图片；

特征提取模块，用于将所述待识别人脸图片和各所述生成图片分别输入至基本特征提取模型和各所述年龄段的特征提取模型，输出基本人脸特征和各年龄段人脸特征；

特征融合模块，用于根据所述基本人脸特征和各年龄段人脸特征，获取特征向量；

人脸识别模块，用于根据所述特征向量和预先获取的人脸库，获取所述待识别人脸图片的识别结果；

其中，所述图片生成模型，是根据人脸的样本数据进行训练获得的；所述基本特征提取模型，是根据所述人脸的样本数据进行训练获得的；各所述年龄段的特征提取模型，是基于所述基本特征提取模型进行迁移学习获得的。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，执行所述程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的跨年龄人脸识别方法的步骤。

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，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如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的跨年龄人脸识别方法的步骤。

本发明实施例提供的跨年龄人脸识别方法及装置，通过生成不同年龄段的人脸，通过多个特征提取模型分别提取待识别人脸图片中的人脸和生成的不同年龄段的人脸的特征并进行融合，根据融合后的人脸特征进行人脸识别，能提高跨年龄人脸识别的识别准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例提供的跨年龄人脸识别方法的流程示意图；

图2为根据本发明实施例提供的跨年龄人脸识别装置的结构示意图；

图3为根据本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。

为了克服现有技术的上述问题，本发明实施例提供一种跨年龄人脸识别方法及装置，其发明构思是，根据待识别人脸图片生成待识别人脸图片中的人脸对应的不同年龄段的人脸，基于迁移学习获得分别用于提取不同年龄段的人脸特征的多个特征提取模型，将各个特征提取模型所提取的人脸特征进行融合得到更强的人脸特征，从而提升跨年龄人脸识别任务的识别准确率。

图1为根据本发明实施例提供的跨年龄人脸识别方法的流程示意图。如图1所示，该方法包括：步骤s101、将待识别人脸图片输入至图片生成模型，获取待识别人脸图片对应的多个年龄段的生成图片。

其中，图片生成模型，是根据人脸的样本数据进行训练获得的。

具体地，图片生成模型，用于根据每一年龄段和待识别人脸图片，生成待识别人脸图片对应的该年龄段的生成图片。

上述多个年龄段是预先确定的。

待识别人脸图片中的人脸和待识别人脸图片对应的任一年龄段的生成图片中的人脸，为同一人的人脸。

因此，生成图片，为待识别人脸图片中的人在上述预先确定的某一年龄段的人脸图片。

步骤s102、将待识别人脸图片和各生成图片分别输入至基本特征提取模型和各年龄段的特征提取模型，输出基本人脸特征和各年龄段人脸特征。

其中，基本特征提取模型，是根据人脸的样本数据进行训练获得的；各年龄段的特征提取模型，是基于基本特征提取模型进行迁移学习获得的。

具体地，各特征提取模型，包括基本特征提取模型和各年龄段的特征提取模型。

将待识别人脸图片输入至基本特征提取模型，输出基本人脸特征。

将待识别人脸图片对应的每一年龄段的生成图片，输入至该年龄段的特征提取模型，输出该年龄段人脸特征。

可以理解的是，基本人脸特征和任一年龄段人脸特征所包括的参数相同，但同一参数的数值可以不同。

步骤s103、根据基本人脸特征和各年龄段人脸特征，获取特征向量。

具体地，对基本人脸特征和各年龄段人脸特征进行融合或拼接，获得特征向量。

步骤s104、根据特征向量和预先获取的人脸库，获取待识别人脸图片的识别结果。

具体地，可以对特征向量与预先获取的人脸库进行1:1匹配，得到人脸库中与待识别人脸图片最像的人脸和对应的相似度。

计算获得的特征向量与预先获取的人脸库中每一人脸的特征向量之间的距离。

根据上述距离获取待识别人脸图片中的人脸与人脸库中的该人脸之间的相似度。

判断相似度的最大值是否大于预设的相似度阈值。

若大于，则将相似度的最大值对应的人脸库中的人脸，作为待识别人脸图片的人脸识别结果，待识别人脸图片中的人脸是人脸库中的人脸。

若小于，则说明待识别人脸图片中的人脸不是人脸库中的人脸，人脸库中的人脸与待识别人脸图片均不匹配。

根据待识别人脸图片生成每个年龄段的人脸可以有效的逼近一个人的不同年龄人脸样本，结合每个年龄段对应的人脸识别模型，提取出来的特征更加有效，从而能提高整个算法的泛化能力

本发明实施例通过生成不同年龄段的人脸，通过多个特征提取模型分别提取待识别人脸图片中的人脸和生成的不同年龄段的人脸的特征并进行融合，根据融合后的人脸特征进行人脸识别，能提高跨年龄人脸识别的识别准确率。并且，步骤更加简单、方便。

基于上述各实施例的内容，将待识别人脸图片和各生成图片分别输入至基本特征提取模型和各年龄段的特征提取模型，输出基本人脸特征和各年龄段人脸特征之前，还包括：根据人脸的样本数据进行训练，获得基本特征提取模型。

需要说明的是，人脸的样本数据为不区分年龄段的无年龄跨度人脸数据。例如，可以采用ms_celeb或casia等人脸数据库进行模型训练。

每一个年龄段的人脸特征由于年龄老化的影响而变化非常大。通常情况下儿童脸类间方差小，成年人人脸特征比较稳定能够最大程度体现身份特征，老年人人脸存在类内方差大问题，与儿童的类间方差小矛盾。如果将多个年龄段放在一起训练则会导致模型不能同时对多个年龄都达到最优性能。所以每一个年龄段都需要进行训练对应的特征提取模型。

由于跨年龄人脸数据集非常小而且很难采集，所以不能直接训练出好的特征提取模型，可以采用迁移学习方式得到各特征提取模型。

训练基本特征提取模型时，可以采用softmaxloss和contrastiveloss损失函数作为训练的目标函数。

softmax优化类间的距离，使不同类的距离尽可能大，而contrastiveloss优化类内的方差，使得类内方差尽可能小。

基本特征提取模型，可以基于神经网络构建。

对于每一年龄段，根据人脸的样本数据中年龄段的人脸数据，对基本特征提取模型进行微调，获取年龄段的特征提取模型。

具体地，迁移学习时，将基本特征提取模型的各参数与各年龄段的特征提取模型共享，即将基本特征提取模型作为微调前的各年龄段的特征提取模型。

对于每一年龄段，基于人脸的样本数据中该年龄段的人脸数据，对该年龄段的特征提取模型微调，保持基本特征提取模型，使得训练好的该年龄段的特征提取模型不但从大数据中学习到更强的特征，还可以自己该每个年龄段的人脸数据分布，从而提取出与年龄无关的人脸特征，可以减少年龄变化对人脸识别的影响，可以提高跨年龄人脸识别的识别准确率。

本发明实施例通过迁移学习克服单一年龄段的人脸样本数据较少的问题，针对预设的各年龄段和待识别人脸图片分别训练特征提取模型，扩充稀少的训练数据，从而能融合多年龄段的人脸特征得到更强的人脸特征，能提高跨年龄人脸识别的识别准确率。

基于上述各实施例的内容，将待识别人脸图片输入至图片生成模型，获取待识别人脸图片对应的多个年龄段的生成图片之前，还包括：根据人脸的样本数据进行对抗训练，获取判别器和图片生成模型。

其中，判别器，用于判断输入的人脸图片是人脸的样本数据或图片生成模型生成的人脸数据。

具体地，图片生成模型的训练采用对抗训练模式，对抗训练判别器和图片生成模型。

判别器的输入是人脸的样本数据(即真实样本)和图片生成模型根据人脸的样本数据生成的人脸图片(即生成样本)，在输入年龄段条件下，输出对输入是真实样本还是生成样本的判决结果。生成样本和真实样本对应的标签可以分别为0和1。

图片生成模型的输入是人脸的样本数据，输入年龄段条件下，输出该样本数据中的人在该年龄段的人脸图片。

判别器尽可能区分输入的是生成样本还是真实样本，图片生成模型尽可能生成逼真的生成样本来欺骗判别器，这样的对抗机制使得最终判别器和图片生成模型都达到很好的性能。

本发明实施例通过对抗训练获取判别器和图片生成模型，能获得性能更好的图片生成模型，从而能保留了更多生物特征的生成图片，能根据生成图片提取出与年龄无关的人脸特征，能减少年龄变化对人脸识别的影响，能提高跨年龄人脸识别的识别准确率。

基于上述各实施例的内容，图片生成模型包括编码器和生成器。

相应地，将待识别人脸图片输入至图片生成模型，获取待识别人脸图片对应的多个年龄段的生成图片的具体步骤包括：将待识别人脸图片输入至编码器，分别根据每一年龄段，将待识别人脸图片投影至年龄段对应的特征空间中。

具体地，编码器根据输入人脸和对应的年龄段，将输入的人脸图片中的人脸投影到隐藏空间(即特征空间)中。

生成器对待识别人脸图片在年龄段对应的特征空间中的特征进行上采样，获取年龄段的生成图片。

具体地，生成器从隐藏空间中和该年龄段进行上采样，将隐藏空间中的特征映射到图像空间中从而得到该年龄段的人脸样本，作为该年龄段的生成图片。

需要说明的是，图片生成模型和判决器构成对抗网络。

对抗网络学习目标是把输入的真实人脸照片位于人脸特征空间的流形面m的正确位置。

编码器将输入图片映射到特征空间中。映射的公式为e(x)＝z∈rⁿ

其中，n表示特征空间的维度；z表示特征，即待识别人脸图片在特征空间中的投影结果；x表示对抗网络的输入，即真实样本。

在给定特征z和年龄标签l的情况下，图片生成模型输出生成样本的上采样公式为

对抗网络的优化目标是生成人脸样本也在流形面上，共享输入人脸的身份特征和年龄标签。

优化目标函数可以为

人脸身份特征通过dz控制，保证特征服从均匀分布，和编码器进行对抗学习。

将数据分布记为pdata(x),特征分布q(z|x)。假设p(z)是已知的分布，z*～p(z)代表从p(z)随机采样过程。

可以通过极小极大优化函数训练e和dz网络。

用同一个思路，在年龄l标签条件下，dimage和s的训练通过优化下述表达式

本发明实施例通过编码器和生成器进行对抗学习，能获得性能更好的图片生成模型，从而能保留了更多生物特征的生成图片，能根据生成图片提取出与年龄无关的人脸特征，能减少年龄变化对人脸识别的影响，能提高跨年龄人脸识别的识别准确率。

基于上述各实施例的内容，根据基本人脸特征和各年龄段人脸特征，获取特征向量的具体步骤包括：根据基本人脸特征和各年龄段人脸特征，以及预设的权重，获取特征向量。

具体地，可以对基本人脸特征和各年龄段人脸特征赋予不同的权重。

可以理解的是，由于待识别人脸图片是实际人脸，因此，基本人脸特征的权重最大，各年龄段人脸特征的权重可以根据实际情况设置，但均小于基本人脸特征的权重。

可以根据基本人脸特征和各年龄段人脸特征，以及预设的权重，对上述各人脸特征进行融合和拼接，例如采用加权和或者加权平均等方法，获得最终的人脸特征。

还可以对融合和拼接的结果进行归一化，例如采用l2归一化，获得最终的人脸特征。

最终的人脸特征，可以为向量的形式，即特征向量。

本发明实施例根据基本人脸特征和各年龄段人脸特征，以及预设的权重，获取特征向量，能获得更强的人脸特征，能减少年龄变化对人脸识别的影响，能提高跨年龄人脸识别的识别准确率。

基于上述各实施例的内容，将待识别人脸图片输入至生成器，获取待识别人脸图片对应的多个年龄段的生成图片之前，还包括：对原始图片进行人脸关键点检测和人脸对齐，获取待识别人脸图片。

具体地，可以对原始图片进行人脸关键点检测定位人脸的多个关键点，得到仿射变换矩阵。

可以理解的是，原始图片为包括人脸的图片。

根据仿射变换矩阵对原始图片进行人脸对齐，进而得到对齐的人脸图片，作为待识别人脸图片。

本发明实施例通过进行人脸关键点检测和人脸对齐，得到对齐的人脸图片，能提高跨年龄人脸识别的识别准确率。

基于上述各实施例的内容，年龄段包括：儿童、成年和老年。

具体地，儿童、成年和老年是具有较强代表性的年龄段，因而可以采用儿童、成年和老年三个年龄段获得生成图片和进行各年龄段人脸特征的提取。

本发明实施例根据儿童、成年和老年三个年龄段获得生成图片和进行各年龄段人脸特征的提取，从而能对不同年龄段的人脸的特征并进行融合，根据融合后的人脸特征进行人脸识别，能提高跨年龄人脸识别的识别准确率。

图2为根据本发明实施例提供的跨年龄人脸识别装置的结构示意图。基于上述各实施例的内容，如图2所示，该装置包括图片生成模块201、特征提取模块202、特征融合模块203和人脸识别模块204，其中：

图片生成模块201，用于将待识别人脸图片输入至图片生成模型，获取待识别人脸图片对应的多个年龄段的生成图片；

特征提取模块202，用于将待识别人脸图片和各生成图片分别输入至基本特征提取模型和各年龄段的特征提取模型，输出基本人脸特征和各年龄段人脸特征；

特征融合模块203，用于根据基本人脸特征和各年龄段人脸特征，获取特征向量；

人脸识别模块204，用于根据特征向量和预先获取的人脸库，获取待识别人脸图片的识别结果；

其中，图片生成模型，是根据人脸的样本数据进行训练获得的；基本特征提取模型，是根据人脸的样本数据进行训练获得的；各年龄段的特征提取模型，是基于基本特征提取模型进行迁移学习获得的。

具体地，图片生成模块201、特征提取模块202、特征融合模块203和人脸识别模块204依次电连接。

图片生成模块201根据每一年龄段和待识别人脸图片，生成待识别人脸图片对应的该年龄段的生成图片。

特征提取模块202将待识别人脸图片输入至基本特征提取模型，输出基本人脸特征，并将待识别人脸图片对应的每一年龄段的生成图片，输入至该年龄段的特征提取模型，输出该年龄段人脸特征。

特征融合模块203对基本人脸特征和各年龄段人脸特征进行融合或拼接，获得特征向量。

人脸识别模块204对特征向量与预先获取的人脸库进行1:1匹配，得到人脸库中与待识别人脸图片最像的人脸和对应的相似度，判断该相似度是否大于预设的相似度阈值。

若大于，则将相似度的最大值对应的人脸库中的人脸，作为待识别人脸图片的人脸识别结果，待识别人脸图片中的人脸是人脸库中的人脸。

若小于，则说明待识别人脸图片中的人脸不是人脸库中的人脸，人脸库中的人脸与待识别人脸图片均不匹配。

本发明实施例提供的跨年龄人脸识别装置，用于执行本发明上述各实施例提供的跨年龄人脸识别方法，该跨年龄人脸识别装置包括的各模块实现相应功能的具体方法和流程详见上述跨年龄人脸识别方法的实施例，此处不再赘述。

该跨年龄人脸识别装置用于前述各实施例的跨年龄人脸识别方法。因此，在前述各实施例中的跨年龄人脸识别方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。

本发明实施例通过生成不同年龄段的人脸，通过多个特征提取模型分别提取待识别人脸图片中的人脸和生成的不同年龄段的人脸的特征并进行融合，根据融合后的人脸特征进行人脸识别，能提高跨年龄人脸识别的识别准确率。并且，步骤更加简单、方便。

图3为根据本发明实施例提供的电子设备的实体结构示意图。基于上述实施例的内容，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302和总线303；其中，处理器301和存储器302通过总线303完成相互间的通信；处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令，以执行上述各方法实施例所提供的跨年龄人脸识别方法，例如包括：将待识别人脸图片输入至图片生成模型，获取待识别人脸图片对应的多个年龄段的生成图片；将待识别人脸图片和各生成图片分别输入至基本特征提取模型和各年龄段的特征提取模型，输出基本人脸特征和各年龄段人脸特征；根据基本人脸特征和各年龄段人脸特征，获取特征向量；根据特征向量和预先获取的人脸库，获取待识别人脸图片的识别结果；其中，图片生成模型，是根据人脸的样本数据进行训练获得的；基本特征提取模型，是根据人脸的样本数据进行训练获得的；各年龄段的特征提取模型，是基于基本特征提取模型进行迁移学习获得的。

本发明另一实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的跨年龄人脸识别方法，例如包括：将待识别人脸图片输入至图片生成模型，获取待识别人脸图片对应的多个年龄段的生成图片；将待识别人脸图片和各生成图片分别输入至基本特征提取模型和各年龄段的特征提取模型，输出基本人脸特征和各年龄段人脸特征；根据基本人脸特征和各年龄段人脸特征，获取特征向量；根据特征向量和预先获取的人脸库，获取待识别人脸图片的识别结果；其中，图片生成模型，是根据人脸的样本数据进行训练获得的；基本特征提取模型，是根据人脸的样本数据进行训练获得的；各年龄段的特征提取模型，是基于基本特征提取模型进行迁移学习获得的。

此外，上述的存储器302中的逻辑指令可以通过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。

本发明另一实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的跨年龄人脸识别方法，例如包括：将待识别人脸图片输入至图片生成模型，获取待识别人脸图片对应的多个年龄段的生成图片；将待识别人脸图片和各生成图片分别输入至基本特征提取模型和各年龄段的特征提取模型，输出基本人脸特征和各年龄段人脸特征；根据基本人脸特征和各年龄段人脸特征，获取特征向量；根据特征向量和预先获取的人脸库，获取待识别人脸图片的识别结果；其中，图片生成模型，是根据人脸的样本数据进行训练获得的；基本特征提取模型，是根据人脸的样本数据进行训练获得的；各年龄段的特征提取模型，是基于基本特征提取模型进行迁移学习获得的。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行上述各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上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。