一种行人重识别方法、行人重识别训练方法及装置与流程

1.本发明涉及图像识别技术领域，具体涉及一种行人重识别方法、行人重识别训练方法及装置。


背景技术：

2.随着监控技术的不断发展，行人重识别的应用越来越广泛。行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。因此，如何能够准确地对图像或视频进行行人重识别已成为一个亟待解决的技术问题。目前，为了提高行人重识别的准确性，可以提高行人重识别网络的复杂度。然而，行人重识别网络复杂度的提高，会降低人重识别网络的识别效率。


技术实现要素：

3.本发明实施例提供一种行人重识别方法、行人重识别训练方法及装置，可以在不影响训练的行人重识别网络的识别准确性的情况下提高其识别效率。
4.第一方面提供一种行人重识别训练方法，包括：
5.获取训练数据，所述训练数据包括第一图像集以及所述第一图像集中每张图像包括的人的第一分类标签；
6.截取所述第一图像集中每张图像包括的人所在位置的图像片段，得到图像片段集；
7.将第一图像片段输入待训练行人重识别网络，得到第一特征图、第一特征和第二分类标签，所述第一图像片段为所述图像片段集中的任一图像片段；
8.将所述第一图像片段输入所述第一行人重识别网络，得到第二特征图和第二特征，所述第一行人重识别网络是训练好的行人重识别网络，所述第一行人重识别网络的复杂度大于所述待训练行人重识别网络的复杂度；
9.根据所述第一分类标签、所述第二分类标签、所述第一特征图、所述第二特征图、所述第一特征和所述第二特征，计算总损失；
10.根据所述总损失优化所述待训练行人重识别网络的参数，得到所述第二行人重识别网络。
11.本发明实施例中，在训练时由准确性较高的第一行人重识别网络作为教师网络，由复杂度较小的待训练行人重识别网络作为学生网络按照蒸馏训练得到，在训练过程中教师网络保持训练好的参数不变，对学生网络的参数进行优化，在训练收敛后，保留训练好的学生网络，即第二行人重识别网络，可以得到一个准确性与教师网络差不多但速度更快的学生网络，从而可以在不影响行人重识别网络的识别准确性的情况下提高其识别效率。此外，计算损失的时候不仅使用了真实的分类标签，还使用了待训练行人重识别网络输出的分类标签、特征图、特征以及第一行人重识别网络输出的特征图和特征，信息量比较丰富，因此，虽然第二行人重识别网络的复杂度小于第一行人重识别网络的复杂度，但第二行人
重识别网络的精度可以达到第一行人重识别网络的精度，从而可以进一步在不影响训练的行人重识别网络的识别准确性的情况下提高训练的行人重识别网络的识别效率。
12.作为一种可能的实施方式，所述待训练行人重识别网络包括特征图模块、特征模块和分类模块，所述将第一图像片段输入待训练行人重识别网络，得到第一特征图、第一特征和第二分类标签包括：
13.通过所述特征图模块提取第一图像片段的特征图，得到第一特征图；
14.通过所述特征模块提取所述第一特征图的特征，得到第一特征；
15.通过所述分类模块对所述第一特征进行分类，得到第二分类标签。
16.本发明实施例中，在蒸馏训练过程中，不仅考虑了特征图蒸馏，而且还考虑了特征蒸馏，蒸馏信息较多，因此，可以进一步提高训练的准确性，进而可以进一步保证训练的行人重识别网络的精度，即准确性。
17.作为一种可能的实施方式，所述根据所述第一分类标签、所述第二分类标签、所述第一特征图、所述第二特征图、所述第一特征和所述第二特征，计算总损失包括：
18.根据所述第一特征图和所述第二特征图，计算第一损失；
19.根据所述第一特征和所述第二特征，计算第二损失；
20.根据所述第一分类标签和所述第二分类标签，计算第三损失；
21.根据所述第一损失、所述第二损失和所述第三损失，计算总损失。
22.本发明实施例中，总损失是由特征图损失、特征损失和分类损失得到的，考虑的损失较多，可以保证所有影响网络准确性的因素均考虑到，从而可以保证训练的行人重识别网络的准确性。
23.作为一种可能的实施方式，所述待训练行人重识别网络还包括转换模块，所述根据所述第一特征图和所述第二特征图，计算第一损失包括：
24.通过所述转换模块调整所述第一特征图的维度，得到第三特征图，所述第三特征图与所述第二特征图的维度相同；
25.根据所述第二特征图和所述第三特征图，计算第一损失。
26.本发明实施例中，由于待训练行人重识别网络与第一行人重识别网络的网络结构不同，相应地，输出的特征图的维度，以致计算结果的准确性较低，而转换模块可以保证特征图的维护相同，从而可以提高损失的准确性，进而可以保证训练的行人重识别网络的准确性。
27.作为一种可能的实施方式，所述根据所述第二特征图和所述第三特征图，计算第一损失包括：
28.根据所述第二特征图、所述第三特征图和第一损失函数，计算第一损失；
29.所述第一损失函数可以表示如下：
[0030][0031]
l1表示所述第一损失，n为所述图像片段集包括的图像片段的数量，y1表示所述第二特征图，y2表示所述第三特征图。
[0032]
本发明实施例中，上述损失函数为均方误差，可以保证教师网络与学生网络之间
的精度尽可能相近，从而可以进一步提高行人重识别的准确性。
[0033]
第二方面提供一种行人重识别方法，包括：
[0034]
获取包括第一人的查询图像和包括至少一张图像的第二图像集；
[0035]
将所述查询图像输入第二行人重识别网络，得到查询特征，所述第二行人重识别网络通过上述第一方面提供的行人重识别训练方法训练得到；
[0036]
将所述第二图像集输入所述第二行人重识别网络，得到至少一个特征；
[0037]
确定所述查询特征与所述至少一个特征中每个特征的相似度；
[0038]
将所述第二图像集中相似度大于阈值的图像确定为包括所述第一人的图像。
[0039]
本发明实施例中，由于第二行人重识别网络的复杂度较低，因此，第二行人重识别网络的网络结构比较简单，可以提高行人重识别效率；此外，虽然第二行人重识别网络的网络结构比较简单，但由于第二行人重识别网络为根据复杂度较高的第一行人重识别网络训练得到的，因此，不会影响第二行人重识别网络的检测精度，从而可以在保证行人重识别准确性的情况下提高行人重识别效率，即在提高行人重识别效率的同时不会影响行人重识别准确性。
[0040]
作为一种可能的实施方式，所述将所述查询图像输入第二行人重识别网络，得到查询特征包括：
[0041]
通过第二行人重识别网络中的特征图模块提取所述查询图像的特征图，得到查询特征图；
[0042]
通过所述第二行人重识别网络中的特征模块提取所述查询特征图的特征，得到查询特征。
[0043]
第三方面提供一种行人重识别训练装置，包括用于执行第一方面或第一方面的任一种实施方式提供的行人重识别训练方法的单元。
[0044]
第四方面提供一种行人重识别装置，包括用于执行第二方面或第二方面的任一种实施方式提供的行人重识别方法的单元。
[0045]
第五方面提供一种行人重识别训练装置，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于调用所述程序指令执行第一方面或第一方面的任一种实施方式提供的行人重识别训练方法。
[0046]
第六方面提供一种行人重识别装置，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于调用所述程序指令执行第二方面或第二方面的任一种实施方式提供的行人重识别方法。
[0047]
第七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，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行第一方面或第一方面的任一种实施方式提供的行人重识别训练方法，或者第二方面或第二方面的任一种实施方式提供的行人重识别方法。
[0048]
第八方面提供了一种应用程序，该应用程序用于在运行时执行第一方面或第一方面的任一种实施方式提供的行人重识别训练方法，或者第二方面或第二方面的任一种实施方式提供的行人重识别方法。
附图说明
[0049]
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。
[0050]
图1是本发明实施例提供的一种行人重识别训练方法的流程示意图；
[0051]
图2是本发明实施例提供的一种截取图像片段的示意图；
[0052]
图3是本发明实施例提供的一种训练的示意图；
[0053]
图4是本发明实施例提供的另一种训练的示意图；
[0054]
图5是本发明实施例提供的一种行人重识别方法的流程示意图；
[0055]
图6是本发明实施例提供的一种行人重识别训练装置的结构示意图；
[0056]
图7是本发明实施例提供的一种行人重识别装置的结构示意图；
[0057]
图8是本发明实施例提供的一种装置的结构示意图。
具体实施方式
[0058]
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做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。
[0059]
本发明实施例提供一种行人重识别方法、行人重识别训练方法及装置，可以在不影响训练的行人重识别网络的识别准确性的情况下提高其识别效率。以下分别进行详细说明。
[0060]
请参阅图1，图1是本发明实施例提供的一种行人重识别训练方法的流程示意图。根据不同的需求，图1所示的流程图中的某些步骤可以拆分为几个步骤。如图1所示，该行人重识别训练方法可以包括以下步骤。
[0061]
101、获取训练数据。
[0062]
当需要训练待训练行人重识别网络时，可以获取用于训练的训练数据。训练数据可以包括第一图像集以及第一图像集中每张图像包括的人的第一分类标签。第一图像集中每张图像可以只包括一个人，也可以包括多个人。待训练行人重识别网络包括多个行人，即多个类别。第一分类标签为第一图像集中每张图像包括的人为上述多个类别中每个类别的概率。当第一图像集中一张图像包括的一个人为上述多个类别中的一个类别时，这个人为这个类别的概率为1，这个人为其它类别的概率为0。待训练行人重识别网络包括多少个类别，第一分类标签包括多少个值，即每个类别对应一个值。
[0063]
102、截取第一图像集中每张图像包括的人所在位置的图像片段得到图像片段集。
[0064]
获取到训练数据之后，可以截取第一图像集中每张图像包括的人所在位置的图像片段得到图像片段集。可以先识别第一图像集中每张图像包括的人所在位置，之后可以根据上述位置截取第一图像集中每张图像包括的人所在位置的图像片段得到图像片段集。可以使用人体识别网络识别第一图像集中每张图像包括的人所在位置。人所在位置即人体在图像中的位置。
[0065]
图像片段集中每张图像片段包括一个人。当第一图像集中每张图像包括一个人
时，第一图像集包括的图像的数量等于图像片段集包括的图像片段的数量。当第一图像集中存在包括多个人的图像时，第一图像集包括的图像的数量小于图像片段集包括的图像片段的数量。
[0066]
请参阅图2，图2是本发明实施例提供的一种截取图像片段的示意图。如图2所示，当人占据整张图像时，截取后的图像片段与截取前的图像的大小尺寸可以相同，即不需要截取图像，可以直接将图像确定为图像片段。当人只占据部分图像时，截取后的图像片段的尺寸小于截取前的图像的尺寸，即需要截取图像，可以将图像中包括人的那部分区域确定为图像片段。
[0067]
103、使用图像片段集和第一行人重识别网络训练待训练行人重识别网络，得到第二行人重识别网络。
[0068]
截取第一图像集中每张图像包括的人所在位置的图像片段得到图像片段集之后，可以使用图像片段集和第一行人重识别网络训练待训练行人重识别网络，得到第二行人重识别网络。可以将第一图像片段输入待训练行人重识别网络，得到第一特征图、第一特征和第二分类标签，将第一图像片段输入第一行人重识别网络，得到第二特征图和第二特征，根据第一分类标签、第二分类标签、第一特征图、第二特征图、第一特征和第二特征，计算总损失，根据总损失优化待训练行人重识别网络的参数，得到第二行人重识别网络。第一图像片段为图像片段集中的任一图像片段，第一行人重识别网络是训练好的行人重识别网络，第一行人重识别网络的复杂度大于待训练行人重识别网络的复杂度。当将图像片段集中全部图像片段输入第一行人重识别网络和待训练行人重识别网络之后，可以计算一次总损失，可以优化一次待训练行人重识别网络的参数，直到总损失不再减少或验证集的准确率不再增加的情况下，才停止训练。
[0069]
请参阅图3，图3是本发明实施例提供的一种训练的示意图。如图3所示，待训练行人重识别网络可以包括特征图模块、特征模块和分类模块，第一行人重识别网络可以包括特征图模块和特征模块。可以通过待训练行人重识别网络中的特征图模块提取第一图像片段的特征图得到第一特征图，可以通过待训练行人重识别网络中的特征模块提取第一特征图的特征得到第一特征，可以通过待训练行人重识别网络中的分类模块对第一特征进行分类得到第二分类标签。可以通过第一行人重识别网络中的特征图模块提取第一图像片段的特征图得到第二特征图，可以第一行人重识别网络中的特征模块提取第二特征图的特征得到第二特征。
[0070]
可以根据第一特征图和第二特征图计算第一损失，可以根据第一特征和第二特征计算第二损失，可以根据第一分类标签和第二分类标签计算第三损失，可以根据第一损失、第二损失和第三损失计算总损失。
[0071]
如图3所示，待训练行人重识别网络还可以包括转换模块，可以通过待训练行人重识别网络中的转换模块调整第一特征图的维度得到第三特征图，可以根据第二特征图和第三特征图计算第一损失。第三特征图与第二特征图的维度相同。可以根据第二特征图、第三特征图和第一损失函数计算第一损失。第一损失函数可以表示如下：
[0072]
[0073]
其中，l1表示第一损失，n为图像片段集包括的图像片段的数量，y1表示第二特征图，y2表示第三特征图。
[0074]
可以根据第一特征和第二特征计算第二损失。可以根据第一特征、第二特征和第二损失函数计算第二损失。第二损失函数可以表示如下：
[0075][0076]
其中，l2表示第二损失，x1表示第二特征，x2表示第一特征。
[0077]
可以根据第一分类标签和第二分类标签计算第三损失l3。可以根据第一分类标签、第二分类标签和第三损失函数计算第三损失。第三损失函数可以为分类损失函数。
[0078]
总损失l可以表示如下：
[0079]
l＝c1l1+c2l2+c3l3[0080]
总损失可以为第一损失、第二损失和第三损失的和，也可以为第一损失、第二损失和第三损失的加权和。c1、c2和c3为加权系数。
[0081]
特征图模块可以包括(backbone)骨干网络，骨干网络的数量可以为一个，也可以为多个。当特征图模块包括多个骨干网络的情况下，第一损失可以为多个骨干网络中每个骨干网络输入的特征图对应的损失的和或加权和。特征模块也可以包括骨干网络和特征转换网络，特征转换网络用于将特征图转换为2维的特征。特征转换网络可以为池化层，也可以为其它可以将特征图转换为特征的功能层、单元或模块。分类模块可以包括全连接层和softmax函数。转换模块可以包括卷积层和归一化层，卷积层可以对第一特征图进行升维，以便使升维后的第一特征图的通道数与第二特征图的通道相同。
[0082]
请参阅图4，图4是本发明实施例提供的另一种训练的示意图。如图4所示，特征图模块包括两个骨干网络，特征模块包括一个骨干网络和一个池化层，分类模块可以包括全连接层和softmax函数，转换模块可以包括1*1的卷积层和归一化层，第一损失函数和第二损失函数为均方误差。
[0083]
在图像片段集中的图像的尺寸不同的情况下，为了保证第二行人重识别网络能够正常识别，可以先将图像片段集中的图像的尺寸转换为相同的尺寸，再使用转换后的图像片段集和第一行人重识别网络训练待训练行人重识别网络，得到第二行人重识别网络。
[0084]
请参阅图5，图5是本发明实施例提供的一种行人重识别方法的流程示意图。根据不同的需求，图5所示的流程图中的某些步骤可以拆分为几个步骤。如图1所示，该行人重识别方法可以包括以下步骤。
[0085]
501、获取包括第一人的查询图像和包括至少一张图像的第二图像集。
[0086]
当需要进行行人重识别时，可以获取包括第一人的查询图像和包括至少一张图像的第二图像集。查询图像可以只包括第一人，也可以包括第一人和其他人。第二图像集中的每张图像可以包括一个人，也可以包括多个人。查询图像和第二图像集可以是本地存储的图像，也可以是从网络或服务器获取的图像，还可以是通过图像采集装置采集的图像，在此不作限定。
[0087]
502、将查询图像输入第二行人重识别网络得到查询特征。
[0088]
获取到查询图像和第二图像集之后，可以使用第二行人重识别网络提取查询图像
中第一人的特征，即将待查询图像输入第二行人重识别网络，第二行人重识别网络输出第一人的特征。第一人的特征可以为第一人的人体的特征。第二行人重识别网络为通过图1对应的行人重识别训练方法预先训练好的行人重识别网络。可以将查询图像输入第二行人重识别网络中的特征图模块得到查询特征图，之后可以将查询特征图输入第二行人重识别网络中的特征模块得到查询特征，即通过第二行人重识别网络中的特征图模块提取查询图像的特征图得到查询特征图，通过第二行人重识别网络中的特征模块提取查询特征图的特征得到查询特征。
[0089]
503、将第二图像集输入第二行人重识别网络得到至少一个特征。
[0090]
获取到查询图像和第二图像集之后，可以使用第二行人重识别网络提取第二图像集中每张图像包括的人的特征，即将第二图像集中每张图像输入第二行人重识别网络，第二行人重识别网络输出至少一个特征。第二图像集中每张图像可以对应一个特征。当图像包括一个人时，一个特征可以包括一个人的特征。当图像包括多个人时，一个特征可以包括多个人的特征。
[0091]
步骤502与步骤503可以并行执行，也可以串行执行。
[0092]
504、确定查询特征与至少一个特征中每个特征的相似度。
[0093]
得到查询特征和至少一个特征之后，可以确定查询特征与至少一个特征中每个特征的相似度，即计算查询特征与至少一个特征中每个特征的相似度。相似度可以通过余弦距离计算，也可以通过余弦相似度计算，还可以通过欧氏距离，还可以通过其它方式计算得到，在此不加限定。
[0094]
505、将第二图像集中相似度大于阈值的图像确定为包括第一人的图像。
[0095]
确定出查询特征与至少一个特征中每个特征的相似度之后，可以将第二图像集中相似度大于阈值的图像确定为包括第一人的图像。当图像包括多个人时，这张图像对应的相似度可以包括多个相似度，相似度大于阈值，可以理解为这多个相似度中存在一个相似度大于阈值。
[0096]
请参阅图6，图6是本发明实施例提供的一种行人重识别训练装置的结构示意图。如图6所示，该行人重识别训练装置可以包括：
[0097]
获取单元601，用于获取训练数据，训练数据包括第一图像集以及第一图像集中每张图像包括的人的第一分类标签；
[0098]
截取单元602，用于截取第一图像集中每张图像包括的人所在位置的图像片段，得到图像片段集；
[0099]
输入单元603，用于将第一图像片段输入待训练行人重识别网络，得到第一特征图、第一特征和第二分类标签，第一图像片段为图像片段集中的任一图像片段；
[0100]
输入单元603，还用于将第一图像片段输入第一行人重识别网络，得到第二特征图和第二特征，第一行人重识别网络是训练好的行人重识别网络，第一行人重识别网络的复杂度大于待训练行人重识别网络的复杂度；
[0101]
计算单元604，用于根据第一分类标签、第二分类标签、第一特征图、第二特征图、第一特征和第二特征，计算总损失；
[0102]
优化单元605，用于根据总损失优化待训练行人重识别网络的参数，得到第二行人重识别网络。
[0103]
在一个实施例中，待训练行人重识别网络包括特征图模块、特征模块和分类模块，输入单元603将第一图像片段输入待训练行人重识别网络，得到第一特征图、第一特征和第二分类标签包括：
[0104]
通过特征图模块提取第一图像片段的特征图，得到第一特征图；
[0105]
通过特征模块提取第一特征图的特征，得到第一特征；
[0106]
通过分类模块对第一特征进行分类，得到第二分类标签。
[0107]
在一个实施例中，计算单元604具体用于：
[0108]
根据第一特征图和第二特征图，计算第一损失；
[0109]
根据第一特征和第二特征，计算第二损失；
[0110]
根据第一分类标签和第二分类标签，计算第三损失；
[0111]
根据第一损失、第二损失和第三损失，计算总损失。
[0112]
在一个实施例中，待训练行人重识别网络还包括转换模块，计算单元604根据第一特征图和第二特征图，计算第一损失包括：
[0113]
通过转换模块调整第一特征图的维度，得到第三特征图，第三特征图与第二特征图的维度相同；
[0114]
根据第二特征图和第三特征图，计算第一损失。
[0115]
在一个实施例中，计算单元604根据第二特征图和第三特征图，计算第一损失包括：
[0116]
根据第二特征图、第三特征图和第一损失函数，计算第一损失；
[0117]
第一损失函数可以表示如下：
[0118][0119]
l1表示第一损失，n为图像片段集包括的图像片段的数量，y1表示所述第二特征图，y2表示所述第三特征图。
[0120]
有关上述获取单元601、截取单元602、输入单元603、计算单元604和优化单元605更详细的描述可以直接参考上述图1所示的方法实施例中的相关描述直接得到，这里不加赘述。
[0121]
请参阅图7，图7是本发明实施例提供的一种行人重识别装置的结构示意图。如图7所示，该行人重识别装置可以包括：
[0122]
获取单元701，用于获取包括第一人的查询图像和包括至少一张图像的第二图像集；
[0123]
输入单元702，用于将查询图像输入第二行人重识别网络，得到查询特征，第二行人重识别网络通过上述行人重识别训练方法训练得到；
[0124]
输入单元702，还用于将第二图像集输入第二行人重识别网络，得到至少一个特征；
[0125]
确定单元703，用于确定查询特征与至少一个特征中每个特征的相似度；
[0126]
确定单元703，还用于将第二图像集中相似度大于阈值的图像确定为包括第一人的图像。
[0127]
在一个实施例中，输入单元702将查询图像输入第二行人重识别网络，得到查询特征包括：
[0128]
通过第二行人重识别网络中的特征图模块提取查询图像的特征图，得到查询特征图；
[0129]
通过第二行人重识别网络中的特征模块提取查询特征图的特征，得到查询特征。
[0130]
有关上述获取单元701、输入单元702和确定单元703更详细的描述可以直接参考上述图5所示的方法实施例中的相关描述直接得到，这里不加赘述。
[0131]
请参阅图8，图8是本发明实施例提供的一种装置的结构示意图。如图8所示，该装置可以包括处理器801、存储器802和总线803。处理器801可以是一个通用中央处理器(cpu)或多个cpu，单块或多块图形处理器(gpu),微处理器，特定应用集成电路(application-specific integrated circuit，asic)，或一个或多个用于控制本发明方案程序执行的集成电路。存储器802可以是只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器802可以是独立存在，也可以和处理器801集成在一起。总线803与处理器801相连接。总线803在上述组件之间传送信息。
[0132]
在一种情况下，该装置可以为行人重识别训练装置，存储器802中存储有一组程序代码，处理器801用于调用存储器802中存储的程序代码执行上述获取单元601、截取单元602、输入单元603、计算单元604和优化单元605执行的操作。
[0133]
在另一种情况下，该装置可以为行人重识别装置，存储器802中存储有一组程序代码，处理器801用于调用存储器802中存储的程序代码执行上述获取单元701、输入单元702和确定单元703执行的操作。
[0134]
在一个实施例中提供了一种计算机可读存储介质，该计算机可读存储介质用于存储应用程序，应用程序用于在运行时执行图1或图5对应的方法。
[0135]
在一个实施例中提供了一种应用程序，该应用程序用于在运行时执行图1或图5对应的方法。
[0136]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0137]
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。