商标识别方法、装置与电子设备与流程

1.本公开涉及机器学习技术领域，具体而言，涉及一种商标识别方法、装置与电子设备。


背景技术：

2.随着电子商务的蓬勃发展，海量商品通过电子商务网站陈列，为防止商家采用与正品商标极度近似的“山寨”商标来诱骗消费者，电子商务平台提出对商家提供的商品图片以及相关资质材料进行商标检测，以避免消费者上当受骗。
3.由于商品数量巨大，通常应用训练好的图像识别模型来对商标进行识别。但是，由于“山寨”商标通常仅在图案、形状、颜色上与正品商标有细微差别，字符信息的图案相似度也极高(例如“老干妈”和“老于妈”商标仅在汉字上有区别、“adidas”与“adibas”仅在字符上有区别)，因此现有的商标识别技术通常很难准确识别出高度相似的“山寨”商标，识别准确度亟需提高。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开的目的在于提供一种商标识别方法、装置与电子设备，用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的商标识别准确率有待提高的问题。
6.根据本公开实施例的第一方面，提供一种商标识别方法，包括：获取目标商标的第一图案特征向量与第一字符串；计算所述第一图案特征向量与多个样本商标的多个第二图案特征向量的第一相似度，以及所述第一字符串与所述多个样本商标的多个第二字符串的第二相似度；根据所述第一相似度与所述第二相似度确定所述目标商标与所述多个样本商标的匹配结果。
7.在本公开的一种示例性实施例中，所述获取所述第一图案特征向量与多个样本商标的多个第二图案特征向量的第一相似度，以及所述第一字符串与所述多个样本商标的多个第二字符串的第二相似度包括：
8.计算所述第一图案特征向量与n个样本商标的n个第二图案特征向量的n个欧式距离，n≥1；
9.计算所述第一字符串与所述n个样本商标的n个第二字符串的n个莱温斯特距离。
10.在本公开的一种示例性实施例中，所述根据所述第一相似度与所述第二相似度确定所述目标商标与所述多个样本商标的匹配结果包括：
11.根据所述n个欧式距离与所述n个莱温斯特距离确定n个评估值；
12.在所述n个评估值中数值最大的第i个评估值不为零时，确定第i个样本商标为所述目标商标信息的检测结果，1≤i≤n。
13.在本公开的一种示例性实施例中，所述根据所述n个欧式距离与所述n个莱温斯特
距离确定n个评估值包括：
14.在第j个欧式距离小于第一阈值且第j个莱温斯特距离小于第二阈值时，将所述第j个欧式距离与所述第j个莱温斯特距离带入预设公式以得到第j个评估值，1≤j≤n；
15.在所述第j个欧式距离大于等于所述第一阈值或者所述第j个莱温斯特距离大于等于所述第二阈值时，将第j个评估值设置为零。
16.在本公开的一种示例性实施例中，所述预设公式为包括sj＝a*(th1/ej)+b*(th2/lj)，其中a与b均为权重值，a+b＝1，sj为第j个评估值，ej为第j个欧式距离，lj为第j个莱温斯特距离，th1为所述第一阈值，th2为所述第二阈值。
17.在本公开的一种示例性实施例中，所述第一阈值的确定方法包括：
18.获取m个预设商标与所述n个样本商标之间的m个最小欧式距离；
19.在所述m个最小欧式距离中的最大值与零之间确定k个假设第一阈值；
20.根据所述m个预设商标与所述n个样本商标的对应关系，以及所述m个最小欧式距离，确定所述k个假设第一阈值对应的k个f1分数；
21.将f1分数最大的所述假设第一阈值确定为所述第一阈值。
22.在本公开的一种示例性实施例中，所述获取目标商标的第一图案特征向量与第一字符串包括：
23.使用预设商标检测模型获取一或多个所述目标商标；
24.获取所述目标商标中的预设值个图案特征，根据所述预设值个图案特征生成所述第一图案特征向量；
25.检测所述目标商标中的字符，在检测到所述目标商标中存在字符时，根据检测到的字符在所述目标商标中的位置生成所述第一字符串。
26.根据本公开实施例的第二方面，提供一种商标识别装置，包括：
27.特征提取模块，设置为获取目标商标的第一图案特征向量与第一字符串；
28.相似度计算模块，设置为计算所述第一图案特征向量与多个样本商标的多个第二图案特征向量的第一相似度，以及所述第一字符串与所述多个样本商标的多个第二字符串的第二相似度；
29.目标匹配模块，设置为根据所述第一相似度与所述第二相似度确定所述目标商标与所述多个样本商标的匹配结果。
30.根据本公开的第三方面，提供一种电子设备，包括：存储器；以及耦合到所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上述任意一项所述的方法。
31.根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任意一项所述的商标识别方法。
32.本公开实施例通过提取目标商标的图案特征和字符特征，通过对图案特征和字符特征一同进行目标匹配来识别目标商标，可以有效提高对商标的识别准确度，避免“山寨”商品对商标的正常使用造成损害。
33.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
34.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。
35.图1是本公开示例性实施例中商标识别方法的流程图。
36.图2是本公开一个实施例中步骤s1的子流程图。
37.图3是本公开一个实施例中步骤s3的子流程图。
38.图4是本公开一个实施例中确定第一阈值的流程图。
39.图5是本公开一个应用场景中商标识别过程的流程图。
40.图6是本公开一个示例性实施例中一种商标识别装置的方框图。
41.图7是本公开一个示例性实施例中一种电子设备的方框图。
具体实施方式
42.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
43.此外，附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
44.下面结合附图对本公开示例实施方式进行详细说明。
45.图1示意性示出本公开示例性实施例中商标识别方法的流程图。参考图1，商标识别方法100可以包括：
46.步骤s1，获取目标商标的第一图案特征向量与第一字符串；
47.步骤s2，计算所述第一图案特征向量与多个样本商标的多个第二图案特征向量的第一相似度，以及所述第一字符串与所述多个样本商标的多个第二字符串的第二相似度；
48.步骤s3，根据所述第一相似度与所述第二相似度确定所述目标商标与所述多个样本商标的匹配结果。
49.本公开实施例通过提取目标商标的图案特征和字符特征，通过对图案特征和字符特征一同进行目标匹配来识别目标商标，可以有效提高对商标的识别准确度，避免“山寨”商品对商标的正常使用造成损害。
50.下面，对商标识别方法100的各步骤进行详细说明。
51.在步骤s1，获取目标商标的第一图案特征向量与第一字符串。
52.图2是本公开一个实施例中步骤s1的子流程图。
53.参考图2，步骤s1可以包括：
54.步骤s11，使用预设商标检测模型获取一或多个所述目标商标；
55.步骤s12，获取所述目标商标中的预设值个图案特征，根据所述预设值个图案特征生成所述第一图案特征向量；
56.步骤s13，检测所述目标商标中的字符，在检测到所述目标商标中存在字符时，根据检测到的字符在所述目标商标中的位置生成所述第一字符串。
57.在本公开实施例中，可以首先运用目标检测算法训练一个商标检测模型，以从图像(照片、视频帧或其他视觉展示方式)中检测出商标图案(0个、1个或多个)，本公开将这些商标图案称为目标商标。目标检测模型的种类例如可以为faster rcnn(faster region
‑
convolutional neural networks，快速局部卷积神经网络)模型、ssd(single shot multibox detector，单点多框检测)模型、refinedet模型等，本公开实施例对此不作特殊限制。
58.在步骤s12，可以使用预先使用图像分类算法训练的图案特征提取模型对一个目标商标进行图案特征提取，以根据得到的预设值个图案特征生成第一图案特征向量，图像分类算法例如可以为resnet(residual network，残差网络)算法、densenet(dense convolutional network，深度卷积网络)算法等。在一个实施例中，一个目标商标对应的图案特征的预设值数量为128个，第一图案特征向量为128维。在其他实施例中，预设值数量也可以更多，本领域技术人员可以根据实际需求自行设置。
59.在步骤s13，可以使用预先训练好的字符提取模型提取目标商标的全部字符，并将提取出的字符合并为一个字符串。合并方式例如可以为按字符位置从上向下、从左向右顺序排列。
60.在一个实施例中，字符提取模型例如可以为mask textspotter v3模型。mask textspotter v3是一种ocr(optical character recognition，光学字符识别)检测识别模型，可以检测识别任意形状字符串的端到端模型。在其他实施例中，字符提取模型也可以为其他种类，本领域技术人员可以根据实际需求自行设置。
61.此外，还可以使用一个训练好的神经网络模型完成商标检测、图案特征提取、字符提取，将该神经网络模型的输入设置为待检测图片，输出设置为第一图案特征向量和第一字符串。
62.当目标商标中不存在字符信息时(即字符提取模型返回的字符信息为空)时，则在后续步骤中不进行对字符以及字符串的相关处理。
63.在步骤s2，计算所述第一图案特征向量与多个样本商标的多个第二图案特征向量的第一相似度，以及所述第一字符串与所述多个样本商标的多个第二字符串的第二相似度。
64.在本公开实施例中，第一相似度例如可以通过欧式距离表示，第二相似度例如可以通过莱温斯特距离表示。欧式距离也称欧几里得距离，是最常见的距离度量，衡量的是多维空间中两个点之间的绝对距离。也可以理解为：m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的
实际距离。莱温斯特距离即编辑距离，是指将一个字符串变换为另一个字符串所需的最少操作次数，操作包括：增加一个字符、删除一个字符、修改一个字符。
65.在本公开一个实施例中，首先可以计算所述第一图案特征向量与n个样本商标的n个第二图案特征向量的n个欧式距离，n≥1，然后计算所述第一字符串与所述n个样本商标的n个第二字符串的n个莱温斯特距离。
66.其中，可以将n个欧式距离写入一个float(浮点)类型的第一数组，将该n个莱温斯特距离写入一个int(整)型的第二数组，其中该第一数组与该第二数组的元素数量均为n，两个数组中的第i个元素均对应第i个样本商标，1≤i≤n。
67.在步骤s3，根据所述第一相似度与所述第二相似度确定所述目标商标与所述多个样本商标的匹配结果。
68.图3是本公开一个实施例中步骤s3的子流程图。
69.参考图3，步骤s3可以包括：
70.步骤s31，根据所述n个欧式距离与所述n个莱温斯特距离确定n个评估值；
71.步骤s32，在所述n个评估值中数值最大的第i个评估值不为零时，确定第i个样本商标为所述目标商标信息的检测结果，1≤i≤n。
72.其中，步骤s31例如可以为在第j个欧式距离小于第一阈值且第j个莱温斯特距离小于第二阈值时，将第j个欧式距离与第j个莱温斯特距离带入预设公式以得到第j个评估值，其中j≤n；在第j个欧式距离大于等于第一阈值或者第j个莱温斯特距离大于等于第二阈值时，将第j个评估值设置为零。
73.通过对第一数组和第二数组中的元素进行归一化，然后取倒数并进行加权求和，可以得到目标商标对每个样本商标的评估分。
74.一个实施例中，预设公式为：
75.sj＝a*(th1/ej)+b*(th2/lj)
ꢀꢀꢀ
(1)
76.其中a与b均为权重值，a+b＝1，sj为第j个评估值，ej为第j个欧式距离，即第一数组的第j个元素；lj为第j个莱温斯特距离，即第二数组的第j个元素；th1为第一阈值，th2为第二阈值。在一个实施例中，a＝b＝0.5。权重的取值可以根据调试结果自行确定，本公开不以此为限。
77.当目标商标不存在字符时，可以仅利用以下公式进行判别：
78.sj＝a*(th1/ej)
ꢀꢀꢀ
(2)
79.经过步骤s31的处理，当目标商标中的n个欧式距离均大于第一阈值，或者n个莱温斯特距离均大于第二阈值时，第一数组和第二数组的全部元素均为零。即此时n个评估值中的最大值为零，说明目标商标与样本商标无法匹配。当n个评估值中的最大值为第i个评估值，且第i个评估值不为零时，判断目标商标匹配第i个样本商标。
80.输出商标识别结果的功能同样可以与前述的检测商标的功能集合于同一神经网络中，即可以通过一个训练好的神经网络实现商标检测、图案特征向量提取、字符向量提取、欧式距离计算、莱温斯特距离计算、评估值计算、匹配结果输出。
81.为了实现模型功能，需要预先对模型的各参数进行训练，其中，需要合理确定第一阈值与第二阈值，以实现更准确的商标检测。
82.图4是本公开一个实施例中确定第一阈值的流程图。
83.参考图4，确定第一阈值的过程可以包括：
84.步骤s41，获取m个预设商标与所述n个样本商标之间的m个最小欧式距离；
85.步骤s42，在所述m个最小欧式距离中的最大值与零之间确定k个假设第一阈值；
86.步骤s43，根据所述m个预设商标与所述n个样本商标的对应关系，以及所述m个最小欧式距离，确定所述k个假设第一阈值对应的k个f1分数；
87.步骤s44，将f1分数最大的所述假设第一阈值确定为所述第一阈值。
88.可以首先搜集多个商标图像作为样本商标，使用图案特征提取模型生成并记录每个样本商标的第二图案特征向量，人工标注样本商标中的字符信息，生成并记录每个样本商标的第二字符串。
89.然后，获取多个参与训练的预设商标，预设商标既可以包括样本商标也可以包括非样本商标。在一些实施例中，可以使用样本商标中的一部分作为参与训练的预设商标，对作为预设商标的样本商标进行标注，从而提高对该样本商标验证最终识别结果的效率。
90.由于输入的目标商标可能不在样本商标中，因此需要确定一个第一阈值，以将目标商标与n个样本商标的n个欧式距离中，大于该第一阈值(即非常不相似)的结果剔除。如果第一阈值设置过大，则一些与样本商标并不很相似的目标商标会被判断为符合相似标准，降低识别准确率；如果第一阈值设置过小，则不同拍摄条件对图片的影响可能会造成目标商标明明是样本商标之一，却无法被识别为与该样本商标匹配。
91.为了设置合适的第一阈值，本公开实施例首先确定m个预设商标对应的m个最小欧式距离(即用于进行检测的距离)。接下来，使用这m个最小欧式距离验证假设阈值的检测效果。
92.首先，可以在0与m个最小欧式距离的最大值之间选取k个假设预设值。在一个实施例中，可以在0与m个最小欧式距离的最大值之间以0.1为步长获取假设预设值，例如当该最大值为5时，可以分别取预设阈值为0.1、0.2、
……
4.8、4.9等作为假设第一阈值。
93.然后，获取在每个假设第一阈值下检测结果的f1分数，以评估每个假设第一阈值的检测效果。
94.f1分数(f1 score)又称为平衡f分数(balanced f score)，是统计学中用来衡量二分类模型精确度的一种指标，它的最大值是1，最小值是0，可以看作是模型精确率和召回率的一种调和平均数，同时兼顾了分类模型的精确率和召回率。
95.f1分数的计算公式为：
96.f1＝2*p*r/(p+r)
ꢀꢀꢀ
(3)
97.其中，p是一个假设第一阈值对应的检测准确率，即当将欧式距离大于该假设第一阈值的预设商标判定为在n个样本商标中无匹配商标、将欧式距离小于该假设第一阈值的预设商标判定为在n个样本商标中有匹配商标时，被判断正确的预设商标的数量与全部预设商标的数量的比值；r是一个假设第一阈值对应的召回率，即当将欧式距离大于该假设第一阈值的预设商标判定为在n个样本商标中无匹配商标、将欧式距离小于该假设第一阈值的预设商标判定为在n个样本商标中有匹配商标时，被判断为有匹配商标的预设商标的数量与全部预设商标的数量的比值。
98.由于f1分数越高说明阈值设置合理性越高，因此可以在获取每个假设第一阈值对应的f1分数后，将对应最高f1分数的假设第一阈值设置为第一阈值。
99.第二阈值的确定与第二阈值相同，即获取m个预设商标与n个样本商标之间的m个最小莱温斯特距离；在m个最小莱温斯特距离中的最大值与零之间确定k个假设第二阈值；根据m个预设商标与n个样本商标的对应关系，以及m个最小莱温斯特距离，确定k个假设第二阈值对应的k个f1分数；将f1分数最大的假设第二阈值确定为第二阈值。
100.通过设置合理的第一阈值与第二阈值，可以提高检测准确率。
101.图5是本公开一个应用场景中商标识别过程的流程图。
102.参考图5，商标识别过程500可以包括：
103.步骤s51，获取待检测图片；
104.步骤s52，使用商标检测模型在待检测图片中检测目标商标；
105.步骤s53，获取目标商标的第一图案特征向量；
106.步骤s54，获取第一图案特征向量与n个第二图案特征向量之间的n个欧式距离；
107.步骤s55，判断是否能获取目标商标的第一字符串，如果是，进入步骤s56，如果否，进入步骤s58；
108.步骤s56，获取第一字符串与n个第二字符串之间的n个莱温斯特距离；
109.步骤s57，根据n个欧式距离与n个莱温斯特距离确定n个评估值；
110.步骤s58，根据n个欧式距离确定n个评估值；
111.步骤s59，判断n个评估值中的最大值是否等于零，如果是，进入步骤s510输出目标匹配失败信息，如果否，进入步骤s511，将n个评估值中的最大值对应的样本商标作为检测结果输出。
112.对应于上述方法实施例，本公开还提供一种商标识别装置，可以用于执行上述方法实施例。
113.图6示意性示出本公开一个示例性实施例中一种商标识别装置的方框图。
114.参考图6，商标识别装置600可以包括：
115.特征提取模块61，设置为获取目标商标的第一图案特征向量与第一字符串；
116.相似度计算模块62，设置为计算所述第一图案特征向量与多个样本商标的多个第二图案特征向量的第一相似度，以及所述第一字符串与所述多个样本商标的多个第二字符串的第二相似度；
117.目标匹配模块63，设置为根据所述第一相似度与所述第二相似度确定所述目标商标与所述多个样本商标的匹配结果。
118.在本公开的一种示例性实施例中，相似度计算模块62设置为：计算所述第一图案特征向量与n个样本商标的n个第二图案特征向量的n个欧式距离，n≥1；计算所述第一字符串与所述n个样本商标的n个第二字符串的n个莱温斯特距离。
119.在本公开的一种示例性实施例中，目标匹配模块63设置为：根据所述n个欧式距离与所述n个莱温斯特距离确定n个评估值；在所述n个评估值中数值最大的第i个评估值不为零时，确定第i个样本商标为所述目标商标信息的检测结果，1≤i≤n。
120.在本公开的一种示例性实施例中，目标匹配模块63设置为：在第j个欧式距离小于第一阈值且第j个莱温斯特距离小于第二阈值时，将所述第j个欧式距离与所述第j个莱温斯特距离带入预设公式以得到第j个评估值，1≤j≤n；在所述第j个欧式距离大于等于所述第一阈值或者所述第j个莱温斯特距离大于等于所述第二阈值时，将第j个评估值设置为
零。
121.在本公开的一种示例性实施例中，所述预设公式为包括sj＝a*(th1/ej)+b*(th2/lj)，其中a与b均为权重值，a+b＝1，sj为第j个评估值，ej为第j个欧式距离，lj为第j个莱温斯特距离，th1为所述第一阈值，th2为所述第二阈值。
122.在本公开的一种示例性实施例中，还包括阈值确定模块64，设置为：获取m个预设商标与所述n个样本商标之间的m个最小欧式距离；在所述m个最小欧式距离中的最大值与零之间确定k个假设第一阈值；根据所述m个预设商标与所述n个样本商标的对应关系，以及所述m个最小欧式距离，确定所述k个假设第一阈值对应的k个f1分数；将f1分数最大的所述假设第一阈值确定为所述第一阈值。
123.在本公开的一种示例性实施例中，特征提取模块61设置为：使用预设商标检测模型获取一或多个所述目标商标；获取所述目标商标中的预设值个图案特征，根据所述预设值个图案特征生成所述第一图案特征向量；检测所述目标商标中的字符，在检测到所述目标商标中存在字符时，根据检测到的字符在所述目标商标中的位置生成所述第一字符串。
124.由于装置600的各功能已在其对应的方法实施例中予以详细说明，本公开于此不再赘述。
125.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
126.在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
127.所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
128.下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
129.如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
130.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元710可以执行如上所示的步骤。
131.存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(rom)7203。
132.存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
133.总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构
的局域总线。
134.电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
135.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
136.在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
137.根据本发明的实施方式的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(cd
‑
rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
138.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
139.计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
140.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
141.可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序
代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
142.此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
143.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和构思由权利要求指出。