图片识别方法、装置、设备及存储介质与流程

本发明涉及数据处理技术领域，尤其涉及一种图片识别方法、装置、设备及计算机可读存储介质。

背景技术：

目前大部分智能终端会装载有具有图像匹配功能的软件，例如汽车事故理赔软件，当车主发生车辆事故的时候，车主可以使用智能终端中的汽车事故理赔软件对车辆受损部位进行拍摄，然后智能终端会拍摄到的事故图像与数据库中预存的理赔图片进行匹配。上述软件在进行图像匹配过程中，一般是采用crossentropyloss函数训练出来的模型作为分类模型。采用这种模型应用到图像匹配过程中，通常是单独使用局部sift特征进行图像查询，对更精细的图片的区分度效果不是很理想；同时需要引入较多的图像特征参数进行比较，有些图像参数属于一些冗余信息，增大了计算量。因此，如何解决现有图像识别精确度以及识别效率低下的技术问题，成为了目前亟待解决的技术问题。

技术实现要素：

本发明的主要目的在于提供一种图片识别方法、装置、设备及计算机可读存储介质，旨在解决现有图像识别精确度以及识别效率低下的技术问题。

为实现上述目的，本发明提供一种图片识别方法，所述图片识别方法包括以下步骤：

在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图；

提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型；

基于预设分类损失函数arcfaceloss提取所述相关图片类型对应的各个图片特征，作为各个第二图像特征；

计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德jaccard距离，并基于所述各个jaccard距离以及预设检测局部特征算法，输出所述待处理图像对应的识别结果。

可选地，所述在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图的步骤具体包括：

在接收到图像识别指令时，获取待处理图像，基于预设卷积神经网络模型，对所述待处理图像进行傅里叶变换，生成所述待处理图像的频谱图；

基于所述卷积神经网络模型，对所述待处理图像的频谱图进行八度卷积操作octconv处理，生成所述待处理图像的高频图像信息以及低频图像信息；

获取所述待处理图像的低频图像信息，作为所述图像采样图。

可选地，所述在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图的步骤之前，还包括：

预先通过卷积神经网络公式、多张训练图像以及各训练图像对应的特征点训练生成卷积神经网络模型。

可选地，所述预先通过卷积神经网络公式、多张训练图像以及各训练图像对应的特征点训练生成卷积神经网络模型的步骤之后，还包括：

基于所述卷积神经网络模型的预处理层以及特征提取层，提取输入图像的图像特征；

基于所述卷积神经网络模型的全连接层，对所述输入图像的图像特征进行分类。

可选地，所述基于所述卷积神经网络模型的预处理层以及特征提取层，提取输入图像的图像特征的步骤具体包括：

基于所述预处理层或特征提取层中的膨胀卷积公式，提取所述输入图像在多个尺度感受野的图像特征，其中，所述膨胀卷积公式为：

xj+1＝xj*2^jkj，j＝0，1，…n-2，其中，x0、x1、…、xn-1为输入的图像，k0、k1、…、kn-1为一系列滤波器，2^j为以指数j增长的膨胀卷积。

可选地，所述基于预设分类损失函数arcfaceloss提取所述相关图片类型对应的各个图片特征，作为各个第二图像特征的步骤具体包括：

在数据库的预存图片中，基于所述分类损失函数arcfaceloss确定所述相关图片类型对应的图像分类组，并基于所述图像分类组以及所述图像分类组中的图片，确定全局损失代价函数值；

根据所述全局损失代价函数值及预设训练参数在训练集上训练多层图像对象验证神经网络；

基于所述卷积神经网络模型的测试集对所述多层图像对象验证神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述多层图像对象验证神经网络确定目标多层图像对象验证特征提取模型；

基于所述目标多层图像对象验证特征提取模型，提取所述图像分类组对应的图片的特征，作为各个第二图像特征。

此外，为实现上述目的，本发明还提供一种图片识别装置，所述图片识别装置包括：

低频图像采样模块，用于在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图；

第一特征提取模块，用于提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型；

第二特征提取模块，用于基于预设分类损失函数arcfaceloss提取所述相关图片类型对应的各个图片特征，作为各个第二图像特征；

目标图片识别模块，用于计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德jaccard距离，并基于所述各个jaccard距离以及预设检测局部特征算法，输出所述待处理图像对应的识别结果。

可选地，所述低频图像采样模块具体包括：

第一图像处理单元，用于在接收到图像识别指令时，获取待处理图像，基于预设卷积神经网络模型，对所述待处理图像进行傅里叶变换，生成所述待处理图像的频谱图；

第二图像处理单元，用于基于所述卷积神经网络模型，对所述待处理图像的频谱图进行八度卷积操作octconv处理，生成所述待处理图像的高频图像信息以及低频图像信息；

低频图像采样单元，用于获取所述待处理图像的低频图像信息，作为所述图像采样图。

此外，为实现上述目的，本发明还提供一种图片识别设备，所述图片识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的图片识别程序，其中所述图片识别程序被所述处理器执行时，实现如上述的图片识别方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图片识别程序，其中所述图片识别程序被处理器执行时，实现如上述的图片识别方法的步骤。

本发明提供一种图片识别方法，通过在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图；提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型；基于预设分类损失函数arcfaceloss提取所述相关图片类型对应的各个图片特征，作为各个第二图像特征；

计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德jaccard距离，并基于所述各个jaccard距离以及预设检测局部特征算法，输出所述待处理图像对应的识别结果。通过上述方式，本发明基于训练后的卷积神经网络模型，确定待处理图像卷积后的低频图像信息，基于低频图像信息进行图像识别，减少了图像识别的参数量，降低低频图像信息的冗余，减少数据计算量，基于分类损失函数arcfaceloss提取图像特征，减小图像分类的方差，提升了图像识别的效率以及精确度，解决了现有图像识别精确度以及识别效率低下的技术问题。

附图说明

图1为本发明实施例方案中涉及的图片识别设备的硬件结构示意图；

图2为本发明图片识别方法第一实施例的流程示意图；

图3为本发明图片识别方法第二实施例的流程示意图；

图4为本发明图片识别方法第三实施例的流程示意图；

图5为本发明图片识别装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例涉及的图片识别方法主要应用于图片识别设备，该图片识别设备可以是pc、便携计算机、移动终端等具有显示和处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的图片识别设备的硬件结构示意图。本发明实施例中，图片识别设备可以包括处理器1001(例如cpu)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)；存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的硬件结构并不构成对图片识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及图片识别程序。

在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的图片识别程序，并执行本发明实施例提供的图片识别方法。

本发明实施例提供了一种图片识别方法。

参照图2，图2为本发明图片识别方法第一实施例的流程示意图。

本实施例中，所述图片识别方法包括以下步骤：

步骤s10,在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图；

目前大部分智能终端会装载有具有图像匹配功能的软件，例如汽车事故理赔软件，当车主发生车辆事故的时候，车主可以使用智能终端中的汽车事故理赔软件对车辆受损部位进行拍摄，然后智能终端会拍摄到的事故图像与数据库中预存的理赔图片进行匹配。上述软件在进行图像匹配过程中，一般是采用crossentropyloss函数训练出来的模型作为分类模型。采用这种模型应用到图像匹配过程中，通常是单独使用局部sift特征进行图像查询，对更精细的图片的区分度效果不是很理想；同时需要引入较多的图像特征参数进行比较，有些图像参数属于一些冗余信息，增大了计算量。为了解决上述问题，本实施例基于训练后的卷积神经网络模型，确定待处理图像卷积后的低频图像信息，基于低频图像信息进行图像识别，减少了图像识别的参数量，降低低频图像信息的冗余，减少数据计算量，基于分类损失函数arcfaceloss提取图像特征，减小图像分类的方差，提升了图像识别精确度。本实施例中以车辆发生事故使用智能终端中的汽车事故理赔软件对车辆受损部分进行拍摄确定理赔信息为例进行说明。可理解的是，当前待匹配图像可以理解为当车主发生车辆事故的时候，由于车主缺乏车辆理赔知识，可以使用智能终端中的汽车事故理赔软件对车辆受损部位进行拍摄的一张图像，然后智能终端会将此当前待匹配图像与结构化特征数据库(即卷积神经网络模型)中预存的理赔图片的特征进行匹配。需要说明的是，本发明已有的理赔图片大约存在300万张，这300万张理赔图片能够表征了不同的理赔类型、理赔等级等信息；因此需要预先对这300万张理赔图片进行特征提取，提取到的图像特征会与原始的理赔图片存在关联，可以用一个标签表示两者之间的关系。需要说明的是，所述卷积神经网络模型为预先通过多张训练图像和各张训练图像所包括的特征点进行训练得到的模型(即结构化特征数据库)。基于预设卷积神经网络模型，将所述待处理图像进行卷积操作，得到所述待处理图像对应的高频图像信息和低频图像信息，并将所述待处理图像的低频图像确定为所述待处理图像的低频图像。

步骤s20，提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型；

本实施例中，提取上述待处理图像对应的采样图(低频图像部分)的特征，即为第一图像特征，以基于所述卷积神经网络模型识别所述待处理图像，即根据第一图像特征在所述卷积神经网络模型中确定所述待处理图像对应的相关图片类型，如理赔类型。

步骤s30，基于预设分类损失函数arcfaceloss提取所述相关图片类型对应的各个图片特征，作为各个第二图像特征；

本实施例中，从卷积神经网络模型中随机获取与待处理图像相关的相关图片类型，即理赔类型，对应的图片，将理赔类型对应的图片以及对应分类(包括一种、两种或多种类型)等作为多层图像对象验证神经网络的输入，确定全局损失代价函数值；根据所述全局损失代价函数值及训练参数在所述训练集上训练所述多层图像对象验证神经网络；通过所述卷积神经网络模型的测试集对所述多层图像对象验证神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述多层图像对象验证神经网络确定目标多层图像对象验证特征提取模型。这样最终提取的第二图像特征是与所述待处理图像最相关的图像特征。

步骤s40，计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德jaccard距离，并基于所述各个jaccard距离以及预设检测局部特征算法，输出所述待处理图像对应的识别结果。

本实施例中，将所述第一图像特征与各个第二图像特征按照杰卡德距离进行匹配，即使用jaccard距离度量查询图片局部的sift特征与查找出的top10图片局部的sift特征，选出最相似的图片，即匹配成功，最相似的图片即为目标图片，然后根据所述目标图片对应关联的理赔信息，确定待处理图像对应的理赔信息，从而快速准确地获取当前待匹配图像所表征的车辆理赔信息。

本实施例提供一种图片识别方法，通过在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图；提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型；基于预设分类损失函数arcfaceloss提取所述相关图片类型对应的各个图片特征，作为各个第二图像特征；

计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德jaccard距离，并基于所述各个jaccard距离以及预设检测局部特征算法，输出所述待处理图像对应的识别结果。通过上述方式，本发明基于训练后的卷积神经网络模型，确定待处理图像卷积后的低频图像信息，基于低频图像信息进行图像识别，减少了图像识别的参数量，降低低频图像信息的冗余，减少数据计算量，基于分类损失函数arcfaceloss提取图像特征，减小图像分类的方差，提升了图像识别精确度，解决了现有图像识别精确度以及识别效率低下的技术问题。

参照图3，图3为本发明图片识别方法第二实施例的流程示意图。

基于上述图2所示实施例，本实施例中，所述步骤s10具体包括：

步骤s11，在接收到图像识别指令时，获取待处理图像，基于预设卷积神经网络模型，对所述待处理图像进行傅里叶变换，生成所述待处理图像的频谱图；

步骤s12，基于所述卷积神经网络模型，对所述待处理图像的频谱图进行八度卷积操作octconv处理，生成所述待处理图像的高频图像信息以及低频图像信息；

步骤s13，获取所述待处理图像的低频图像信息，作为所述图像采样图。

本实施例中，用傅里叶变换可以得到图像的频谱图，不同频率信息在图像结构中有不同的作用。图像的主要成分是低频信息，它形成了图像的基本灰度等级，对图像结构的决定作用较小；中频信息决定了图像的基本结构，形成了图像的主要边缘结构；高频信息形成了图像的边缘和细节，是在中频信息上对图像内容的进一步强化。在具体实现中，卷积操作的核心原理就是利用空间尺度化理论将图像高频低频部分分开，确定所述待处理图像的高频图像信息和低频图像部分；并以所述低频图像部分作为所述图像采样图，下采样低频部分，可以大大减少参数量，降低低频信息的冗余，并减少工程上的计算量，以达到效率最大化目的。

进一步地，所述步骤s10之前还包括：

预先通过卷积神经网络公式、多张训练图像以及各训练图像对应的特征点训练生成卷积神经网络模型，其中，所述卷积神经网络公式为：

y＝hp(x)，其中，hp()为卷积神经网络，p为网络参数，x为输入卷积神经网络模型的图像。

本实施例中，在步骤一中已经提到“需要预先对这300万张理赔图片进行特征提取，提取到的图像特征会与原始的理赔图片存在关联，可以用一个标签表示两者之间的关系。”因此本方案在建立卷积神经网络模型的改进点在于：

参考公式y＝hp(x)式中，hp(·)表示卷积神经网络，p表示网络参数，x表示输入图像，通过训练卷积神经网络，使得网络损失值达到最小，得到最优参数值p*，进而提高网络模型的检测性能，其中，图像经过卷积神经网络预处理层、特征提取层处理后，还需要全连接层来对提取出的特征进行分类，全连接层中softmax层对提取出的特征进行分类。

进一步地，所述预先通过卷积神经网络公式、多张训练图像以及各训练图像对应的特征点训练生成卷积神经网络模型的步骤之后，还包括：

基于所述卷积神经网络模型的预处理层以及特征提取层，提取输入图像的图像特征；

基于所述卷积神经网络模型的全连接层，对所述输入图像的图像特征进行分类。

其中，所述基于所述卷积神经网络模型的预处理层以及特征提取层，提取输入图像的图像特征的步骤具体包括：

基于所述预处理层或特征提取层中的膨胀卷积公式，提取所述输入图像在多个尺度感受野的图像特征，其中，所述膨胀卷积公式为：

xj+1＝xj*2^jkj，j＝0，1，…n-2，其中，x0、x1、…、xn-1为输入的图像，k0、k1、…、kn-1为一系列滤波器，2^j为以指数j增长的膨胀卷积。

本实施例中，对于xj+1中的元素p，它的感受野定义为形成xj+1(p)这个值所需要的x0中的所有元素，感受野的大小即为x0中这些元素的大小，所以在xj+1中，每个元素的感受野大小为(2j+2-1)×(2j+2-1)；利用膨胀卷积，提取不同尺度感受野的图像特征。其中，在卷积神经网络中，感受野(receptivefield)的定义是卷积神经网络每一层输出的特征图(featuremap)上每个像素点在原始图像上映射的区域大小，这里的原始图像是指网络的输入图像，是经过预处理(如resize，warp，crop)后的图像。

参照图4，图4为本发明图片识别方法第三实施例的流程示意图。

基于上述图3所示实施例，本实施例中，所述步骤s30具体包括：

步骤s31，在数据库的预存图片中，基于所述分类损失函数arcfaceloss确定所述相关图片类型对应的图像分类组，并基于所述图像分类组以及所述图像分类组中的图片，确定全局损失代价函数值；

步骤s32，根据所述全局损失代价函数值及预设训练参数在训练集上训练多层图像对象验证神经网络；

步骤s33，基于所述卷积神经网络模型的测试集对所述多层图像对象验证神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述多层图像对象验证神经网络确定目标多层图像对象验证特征提取模型；

步骤s34，基于所述目标多层图像对象验证特征提取模型，提取所述图像分类组对应的图片的特征，作为各个第二图像特征。

本实施例中，使用新的分类损失函数arcfaceloss作为图像提取方式，从卷积神经网络模型中随机获取与待处理图像相关的理赔类型对应的第一预存图片、第二预存图片、所述第一预存图片的第一分类及所述第预存二图片的第二分类，(还可以还包括第三、第四甚至更多理赔预存图片)。将所述第一预存图片、所述第一分类、所述第二预存图片及所述第二分类等作为多层图像对象验证神经网络的输入，确定全局损失代价函数值；根据所述全局损失代价函数值及训练参数在所述训练集上训练所述多层图像对象验证神经网络；通过所述卷积神经网络模型的测试集对所述多层图像对象验证神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述多层图像对象验证神经网络确定目标多层图像对象验证特征提取模型。这样最终提取的第二图像特征是与所述待处理图像最相关的图像特征。通过将分类的损失函数换成arcfaceloss，能够更大限度的分开不同类别。该损失函数的目标是尽可能增大类间之间的方差，减少类之间的方差。引入了分类间隔，以角度作为优化目标。大大的提高了分类器提取不同类别图片的全局特征。

此外，本发明实施例还提供一种图片识别装置。

参照图5，图5为本发明图片识别装置第一实施例的功能模块示意图。

本实施例中，所述图片识别装置包括：

低频图像采样模块10，用于在接收到图像识别指令时，获取所述图像识别指令中的待处理图像，基于预设卷积神经网络模型，提取所述待处理图像的低频图像信息，作为图像采样图；

第一特征提取模块20，用于提取所述图像采样图的特征，作为第一图像特征，基于所述卷积神经网络模型以及所述第一图像特征，确定所述待处理图像对应的相关图片类型；

第二特征提取模块30，用于基于预设分类损失函数arcfaceloss提取所述相关图片类型对应的各个图片特征，作为各个第二图像特征；

目标图片识别模块40，用于计算所述第一图像特征分别与所述各个第二图像特征对应的各个杰卡德jaccard距离，并基于所述各个jaccard距离以及预设检测局部特征算法，输出所述待处理图像对应的识别结果。

进一步地，所述低频图像采样模块具体包括：

第一图像处理单元，用于在接收到图像识别指令时，获取待处理图像，基于预设卷积神经网络模型，对所述待处理图像进行傅里叶变换，生成所述待处理图像的频谱图；

第二图像处理单元，用于基于所述卷积神经网络模型，对所述待处理图像的频谱图进行八度卷积操作octconv处理，生成所述待处理图像的高频图像信息以及低频图像信息；

低频图像采样单元，用于获取所述待处理图像的低频图像信息，作为所述图像采样图。

进一步地，所述图片识别装置还包括卷积模型训练模块，所述卷积模型训练模块用于：

预先通过卷积神经网络公式、多张训练图像以及各训练图像对应的特征点训练生成卷积神经网络模型。

进一步地，所述卷积模型训练模块还用于：

基于所述卷积神经网络模型的预处理层以及特征提取层，提取输入图像的图像特征；

基于所述卷积神经网络模型的全连接层，对所述输入图像的图像特征进行分类。

进一步地，所述卷积模型训练模块还用于：

基于所述预处理层或特征提取层中的膨胀卷积公式，提取所述输入图像在多个尺度感受野的图像特征，其中，所述膨胀卷积公式为：

xj+1＝xj*2^jkj，j＝0，1，…n-2，其中，x0、x1、…、xn-1为输入的图像，k0、k1、…、kn-1为一系列滤波器，2^j为以指数j增长的膨胀卷积。

进一步地，所述第二特征提取模块具体包括：

图片分类单元，用于在数据库的预存图片中，基于所述分类损失函数arcfaceloss确定所述相关图片类型对应的图像分类组，并基于所述图像分类组以及所述图像分类组中的图片，确定全局损失代价函数值；

模型训练单元，用于根据所述全局损失代价函数值及预设训练参数在训练集上训练多层图像对象验证神经网络；

模型生成单元，用于基于所述卷积神经网络模型的测试集对所述多层图像对象验证神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述多层图像对象验证神经网络确定目标多层图像对象验证特征提取模型；

特征提取单元，用于基于所述目标多层图像对象验证特征提取模型，提取所述图像分类组对应的图片的特征，作为各个第二图像特征。

其中，上述图片识别装置中各个模块与上述图片识别方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

此外，本发明实施例还提供一种计算机可读存储介质。

本发明计算机可读存储介质上存储有图片识别程序，其中所述图片识别程序被处理器执行时，实现如上述的图片识别方法的步骤。

其中，图片识别程序被执行时所实现的方法可参照本发明图片识别方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。