用于呈现图像的方法、电子设备和存储介质与流程

1.本公开的实施例总体涉及信息处理领域，具体涉及用于呈现图像的方法、电子设备和计算机存储介质。


背景技术：

2.在5g背景下，增强现实和虚拟现实将成为未来用户获取内容资源的主要技术手段。如今中小学已有的教学方式已经有了很大的不同，在增强现实和虚拟现实等新技术的帮助下，能够让中小学生更加直接的投入到学习中。学生们可以“感受”他们正在学习的概念，通过虚实融合的实验环境，更安全更全面的理解所需的知识。
3.虽然如今只需借助集成的增强现实开发工具包，例如苹果公司发布的arkit，谷歌公司发布的arcore等，就可以帮助开发者实现增强现实环境的构建，虚拟场景交互等ar技术功能。然而，当前增强现实开发工具包中，其与虚拟空间或虚拟物体的交互能力仍具有一定的局限性，其原有的空间定位能力不能支持实时的虚实物体的关系建立，无法获得进一步的浸入式交互体验。


技术实现要素：

4.提供了一种用于呈现图像的方法、电子设备以及计算机存储介质，能够可实现实时构建虚实遮挡关系，实现真实物体与虚拟模型的深度交互。
5.根据本公开的第一方面，提供了一种用于呈现图像的方法。该方法包括：经由双目图像采集装置获取关于环境的、包括标志对象的双目图像对；从双目图像对中的第一图像识别标志对象，以用于基于双目图像采集装置相对于所识别的标志对象的位姿信息，确定与所识别的标志对象相对应的虚拟对象的深度信息；基于双目图像对，经由深度预测神经网络模型，生成关于环境的深度图；以及基于深度信息和深度图，确定虚拟对象未被环境遮挡的可见部分；以及将可见部分与第一图像进行融合，以便于呈现。
6.根据本公开的第二方面，提供了一种电子设备。该电子设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据第一方面所述的方法。
7.在本公开的第三方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。
8.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
9.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
10.图1是根据本公开的实施例的信息处理环境100的示意图。
11.图2是根据本公开的实施例的用于呈现图像的方法200的示意流程图。
12.图3是根据本公开实施例的深度预测神经网络模型300的示意框图。
13.图4是根据本公开的实施例的用于生成关于环境的深度图的方法400的示意流程图。
14.图5是根据本公开的实施例的用于生成具有当前尺度的最终视差图的方法500的示意流程图。
15.图6是根据本公开的实施例的用于生成具有下一尺度的视差图的方法600的示意流程图。
16.图7是根据本公开的实施例的上采样过程700的示意图。
17.图8是根据本公开的实施例的深度预测神经网络模型800的网络架构图。
18.图9是根据本公开的实施例的用于生成具有多个尺度的多个特征图对的方法900的示意流程图。
19.图10是根据本公开的实施例的用于生成残差视差图的方法1000的示意流程图。
20.图11是用来实现本公开实施例的用于呈现图像的方法的电子设备的框图。
具体实施方式
21.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
22.在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
23.如上所述，为了正确虚实关系的建立，需要实时计算真实环境的深度信息。在预测深度信息的方法中，深度学习有关的算法可以预测输入的真实环境图像所对应的深度信息，并且性能远远超过传统的深度预测系统。但是已有的深度学习算法因为其所需的算力需求远远大于移动设备的性能，对于在移动设备上实时的建立虚实遮挡关系有很大的挑战。已有的深度学习算法因为其所需的算力需求远远大于移动设备的性能，对于在移动设备上实时的建立虚实遮挡关系有很大的挑战。
24.为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于呈现图像的方案。在该方案中，计算设备经由双目图像采集装置获取关于环境的、包括标志对象的双目图像对，并从双目图像对中的第一图像识别标志对象，以用于基于双目图像采集装置相对于所识别的标志对象的位姿信息，确定与所识别的标志对象相对应的虚拟对象的深度信息。计算设备基于双目图像对，经由深度预测神经网络模型，生成关于环境的深度图，以及基于深度信息和深度图，确定虚拟对象未被环境遮挡的可见部分。计算设备将可见部分与第一图像进行融合，以便于呈现。以此方式，能够可实
现实时构建虚实遮挡关系，实现真实物体与虚拟模型的深度交互。
25.在下文中，将结合附图更详细地描述本方案的具体示例。
26.图1示出了根据本公开的实施例的信息处理环境100的示例的示意图。信息处理环境100可以包括计算设备110、环境120、标志对象130、与标志对象130相对应的虚拟对象140和融合结果150。
27.计算设备110例如包括但不限于智能手机、个人数字助理、可穿戴设备。可穿戴设备例如包括但不限于增强现实(augmented reality)眼镜、增强现实头盔等。计算设备110可以包括双目图像采集装置111或者可以与双目图像采集装置111耦合，以获取关于环境120的双目图像对。
28.环境120为真实环境，其中包括真实物体。如图1所示，包括实验铁架台。应当理解，实验铁架台只是示例，环境120也可以包括其他物体。
29.虚拟对象140可以包括虚拟三维模型。如图1所示虚拟对象为虚拟的托盘和锥形漏斗三维模型，但是这仅是示例，虚拟对象40可以是任何其他虚拟三维模型。
30.计算设备110用于经由双目图像采集装置111获取关于环境120的、包括标志对象130的双目图像对；从双目图像对中的第一图像识别标志对象130，以用于基于双目图像采集装置相对于所识别的标志对象130的位姿信息，确定与所识别的标志对象相对应的虚拟对象140的深度信息；基于双目图像对，经由深度预测神经网络模型，生成关于环境120的深度图；以及基于深度信息和深度图，确定虚拟对象140未被环境120遮挡的可见部分；以及将可见部分与第一图像进行融合，以便于呈现。
31.由此，能够在实时识别和跟踪真实图像的基础上，可实现实时构建虚实遮挡关系，实现真实物体与虚拟模型的深度交互，从而产生令人信服的展示效果。
32.图2示出了根据本公开的实施例的用于呈现图像的方法200的流程图。例如，方法200可以由如图1所示的计算设备110来执行。应当理解的是，方法200还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
33.在框202处，计算设备110经由双目图像采集装置111获取关于环境120的、包括标志对象130的双目图像对。
34.双目图像对可以包括第一图像和第二图像。第一图像可以为双目图像采集装置111采集的左目图像，而第二图像可以为双目图像采集装置111采集的右目图像，或者反之亦然。在一些实施例中，双目图像对为双目视频图像对。
35.环境120可以为教学环境，例如化学实验教学环境、物理实验教学环境等。环境120也可以为其他环境，例如培训环境等。本公开的范围在此不受限制。
36.在一些实施例中，标志对象为人工标志物，例如方形标志图案。方形标志图案具有预定大小，其包括黑色方框和白色边缘，以提高识别度。黑色方框内可编码有标注物的标识。在另一些实施例中，标志对象为自然标志物。
37.在框204处，计算设备110从双目图像对中的第一图像识别标志对象130，以用于基于双目图像采集装置111相对于所识别的标志对象130的位姿信息，确定与所识别的标志对象130相对应的虚拟对象的深度信息。
38.可以通过任何合适的图像识别算法，来识别标志对象130，例如包括但不限于基于特征检测的图像识别、基于神经网络的图像识别等，确定标志对象130的像素坐标。
39.例如，以所识别的标志对象为世界坐标平面，原点为标志对象中的预定点，基于双目图像采集装置的内参矩阵、畸变参数矩阵和所识别的标志对象的像素坐标，通过任何合适的位姿估计算法，确定双目图像采集装置111相对于所识别的标志对象130的位姿信息。位姿信息例如可以采用位姿矩阵的形式(例如，旋转矩阵r和平移矩阵t)或任何其他合适的形式。
40.例如，可以识别标志对象中编码的标志对象标识，基于该标志对象标识，确定相对应的虚拟对象。该虚拟对象预先经注册与该标志对象标识相关联。
41.对应的虚拟对象可以被预先设置在以所识别的标志对象130为世界坐标平面的世界坐标系中的预定位置，例如原点。通过双目图像采集装置111相对于所识别的标志对象130的位姿信息，可以确定该对象在基于双目图像采集装置111的视图坐标系中的位置坐标，从而确定该虚拟对象相对于视图坐标系中的视图平面(x-y平面)的深度信息(z)。
42.在一些实施例中，虚拟对象包括关于虚拟教学资源的三维模型，例如关于虚拟化学实验资源的三维模型、关于虚拟物理实验资源的三维模型、关于虚拟生物实验资源的三维模型等。
43.在框206处，计算设备110基于双目图像对，经由深度预测神经网络模型，生成关于环境120的深度图。
44.参照图3，其示出了根据本公开实施例的深度预测神经网络模型300的示意框图。如图3所示，深度预测神经网络模型300包括特征提取模型310、双目匹配模型320和上采样模型330。特征提取模型310用于基于输入的双目图像对生成具有多个尺度的多个特征图对(也称为特征金字塔)。双目匹配模型320用于基于输入的特征图对，生成视差图。上采样模型330用于对视差图进行上采样，生成更大尺度的视差图。
45.下文结合图3和图4详细描述用于生成关于环境120的深度图的方法。
46.回到图2，在框208处，计算设备110基于深度信息和深度图，确定虚拟对象未被环境遮挡的可见部分。
47.具体来说，计算设备110确定虚拟对象与环境的重合部分。接着，计算设备110在重合部分中确定虚拟对象被环境120遮挡的不可见部分，在该不可见部分中环境的深度小于虚拟对象的深度。随后，计算设备110从虚拟对象中裁剪该不可见部分，剩余可见部分。
48.在框210处，计算设备110将可见部分与第一图像进行融合，以用于呈现。
49.如图1所示，融合结果150中，在真实的实验铁架台中融合了虚拟的托盘和锥形漏斗140，锥形漏斗中被实验铁架台的圆环遮挡的部分不可见，从而获得了具有真实遮挡效果的虚拟实验资源展示。
50.由此，在实时识别和跟踪真实图像的基础上，可实现实时构建虚实遮挡关系，实现真实物体与虚拟模型的深度交互，从而产生令人信服的展示效果。
51.图4示出了根据本公开的实施例的用于生成关于环境的深度图的方法400的流程图。例如，方法400可以由如图1所示的计算设备110来执行。应当理解的是，方法400还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
52.在框402处，计算设备110基于双目图像对，经由特征提取模型310，生成具有多个尺度的多个特征图对。
53.尺度例如可以通过1/2
l
来表示，尺度的数量例如包括但不限于2、3、4、5等等。特征
提取模型310例如可以包括但不限于mobilenetv3等轻量级特征提取模型。
54.下文结合图9详细描述用于生成具有多个尺度的多个特征图对的方法。
55.对于多个尺度按照从小到大的顺序迭代执行框404和406。
56.在框404处，计算设备110基于当前尺度的特征图对和具有当前尺度的初始视差图，经由双目匹配模型320，生成具有当前尺度的最终视差图。
57.现在参照图5描述根据本公开的实施例的用于生成具有当前尺度的最终视差图的方法500。
58.如图5所示，在框502处，计算设备110基于具有当前尺度的初始视差图，对具有当前尺度的特征图对中的第一特征图进行形变，以生成经形变的第一特征图。
59.例如，形变可以采用如下公式(1)来实现。
[0060][0061]
其中，表示经形变的第一特征图(本例中为右目，也可以为左目)，表示第一特征图，表示初始视差图，x和y表示图像平面中的水平和垂直坐标，上标l表示尺度1/2
l
。应当理解，对于最小尺度而言，由于没有先前处理阶段，初始视差图可以为全零，也就是
[0062]
在框504处，计算设备110基于具有当前尺度的特征图对中的第二特征图和经形变的第一特征图，经由双目匹配模型，生成残差视差图。下文结合图10详细描述用于生成残差视差图的方法。
[0063]
在框506处，计算设备110基于残差视差图和具有当前尺度的初始视差图，生成具有当前尺度的最终视差图。
[0064]
具体来说，可以将残差视差图和具有当前尺度的初始视差图相加，以生成具有当前尺度的最终视差图。
[0065]
由此，利用在低分辨率阶段中得到的视差经过上采样的结果，对更高分辨率阶段的特征图之一做形变，抵消了部分视差，从而使得更高分辨率阶段的视差搜索更加高效。
[0066]
回到图4，在框406处，计算设备110基于具有当前尺度的最终视差图和具有多个尺度中大于当前尺度的下一尺度的特征图对中的任一特征图，经由上采样模型330，生成具有下一尺度的初始视差图。
[0067]
现在参照图6，描述用于生成具有下一尺度的初始视差图的方法600的流程图。
[0068]
如图6所示，在框602处，计算设备110基于具有多个尺度中大于当前尺度的下一尺度的特征图对中的任一特征图，经由卷积层，生成具有下一尺度的卷积核矩阵。卷积核具有预定大小，例如包括但不限于2x2，也就是4个通道，在此情况下，卷积核矩阵的大小为4x2hx2w。
[0069]
卷积层例如包括但不限于大小为3x3、步长为1的2维卷积。
[0070]
在框604处，计算设备110对于具有下一尺度的初始视差图中的每个像素，基于具有当前尺度的最终视差图中与像素对应的预定大小窗口内的多个像素以及卷积核矩阵中与像素对应的卷积核，生成像素的值。
[0071]
预定大小窗口例如包括但不限于2x2大小窗口。窗口的大小与卷积核的大小相同。如图7所示，具有下一尺度的初始视差图710(下一尺度例如为2hx2w)中的像素711的值为具有当前尺度的最终视差图720(当前尺度例如为hxw)中与之对应的2x2窗口721内的多个像素与卷积核矩阵730中与之对于的卷积核731的加权和。
[0072]
由此，通过基于更大尺度(更高分辨率)生成的卷积核，在上采样中能够恢复视差图的更精细的细节，从而以较小的开销显著提升准确率。
[0073]
回到图4，在框408处，计算设备110确定下一尺度是否为多个尺度中的最大尺度。
[0074]
如果在框408处计算设备110确定下一尺度不是多个尺度中的最大尺度，则将下一尺度作为当前尺度回到框404。
[0075]
如果在框408处计算设备110确定下一尺度为多个尺度中的最大尺度，则在框410处将具有最大尺度的初始视图差转换为深度图。
[0076]
可以通过公式z＝f*b/d来将视差图转换为深度图，其中z为深度，f为双目图像采集装置111的焦距，b为双目图像采集装置111的光心间距(基线长度)。
[0077]
由此，通过从最小尺度(低分辨率)特征图开始匹配，随后上采样并调节先前视差图，直至最大尺度，允许按照需要实现实时性和准确性之间的平衡。一方面，通过首先在低分辨率阶段中搜索初步视差值，随后在更高分辨率阶段中在先前值的小范围邻居中搜索残差视差，实现了等级化的对应搜索，从而避免了耗时的全范围搜索。另一方面，对低分辨率阶段的结果进行上采样用于更高分辨率阶段中的初始化，相当于将像素结果传播到其邻居，与完全尺度中的等级搜索相比，降低了计算开销。
[0078]
下面结合图8描述根据本公开的实施例的深度预测神经网络模型800的网络架构图。如图8所示，深度预测神经网络模型800包括特征提取模型810和用于双目匹配和上采样的3个阶段。应当理解，3个阶段只是举例说明，可以具有更多或更少的阶段，本公开的范围在此不受限制。
[0079]
深度预测神经网络模型800接收双目图像对811和812作为输入，顺序输出具有不同准确度的6个视差图其中d
l
表示分辨率为完整分辨率的1/2
l
，st表示双目匹配模块输出的视差图(也称为最终视差图)，up表示上采样模块输出的视差图(也称为初始视差图)。
[0080]
对于每个输入图像，特征提取模型810生成具有多个尺度(完全尺度的1/16，1/8，1/4，1)的多个特征图。为了更好的平衡准确性和实时性，上述计算可以按需执行。例如，如果在第1阶段中开始双目匹配，仅计算尺度1/16的特征图。该阶段的双目匹配模块820生成视差图作为深度预测神经网络模型800的第一个输出。如果时间允许，可以继续第1阶段中的上采样模块830。此时，可以继续特征提取模型810中的特征计算，并输出尺度1/8的特征图。上采样模块830基于尺度1/8的两个特征图中的第二特征图对进行上采样，生成具有尺度1/8的视差图其具有更高分辨率和准确度。
[0081]
第2阶段的处理过程与第1结果类似，除了它使用来自前一阶段的视差图作为
初始化，这通过形变模块840来实现。具体来说，形变模块840基于前一阶段的视差图对具有尺度1/8的两个特征图中的第一特征图进行形变后输出到第2阶段中的双目匹配模块850。第2阶段中的双目匹配模块850还接收具有尺度1/8的两个特征图中的第二特征图作为输出，并输出具有尺度1/8的残差视差图。具有尺度1/8的残差视差图被加到初始视差图以获得最终视差图第3阶段的处理过程相同，其中，最终视差图被上采样到最大尺度，以生成具有最大尺度的初始视差图
[0082]
深度预测神经网络模型800依次输出通过双线性插值对这些输出上采样到最大尺度(例如完全尺度1)，并对于每个输出视差图计算以下损失。
[0083][0084]
其中d表示基准真实视差，表示预测的视差，n表示带有标签的像素的数量，smooth
l1
表示平滑l1损失函数。通过上述损失经由梯度下降可以完成深度预测神经网络模型800的训练。
[0085]
图9示出了根据本公开的实施例的用于生成具有多个尺度的多个特征图对的方法900的流程图。例如，方法900可以由如图1所示的计算设备110来执行。应当理解的是，方法900还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。方法900可以包括对于双目图像对中的每个图像执行以下步骤。
[0086]
在框902处，计算设备110基于图像，经由初始特征提取模型，生成具有多个尺度的多个初始特征图。
[0087]
初始特征提取模型例如可以包括但不限于mobilenetv3等轻量级特征提取模型。
[0088]
对于多个尺度按照从小到大的顺序迭代执行框904和906。
[0089]
在框904处，计算设备110对具有多个尺度中小于当前尺度的上一尺度的最终特征图进行上采样，以生成具有当前尺度的中间特征图。
[0090]
例如对具有上一尺度的初始特征图进行2x双线性上采样，以生成具有当前尺度的中间特征图。应当理解，对于最小尺度而言，其没有更小的上一尺度，因而无需生成中间特征图直接将其初始特征图直接作为最终特征图。
[0091]
在框906处，计算设备110基于中间特征图和具有当前尺度的初始特征图，经由卷积层，生成具有当前尺度的最终特征图。
[0092]
卷积层例如包括但不限于大小为3x3的、步长为1的2维卷积层。例如，将中间特征图和具有当前尺度的初始特征图拼接后的结果输入上述卷积层，生成具有当前尺度的特征图。
[0093]
在框908处，计算设备110确定当前尺度是否为多个尺度中的最大尺度。
[0094]
如果在框908处计算设备110确定当前尺度为多个尺度中的最大尺度，则结束。
[0095]
如果在框908处计算设备110确定当前尺度不是多个尺度中的最大尺度，则将多个尺度中比当前尺度大的下一尺度作为当前尺度回到步骤904。
[0096]
由此，通过聚合大尺度特征和小尺度特征，能够利用来自更大感受域的上下文信息并获得更多语义含义。
[0097]
图10示出了根据本公开的实施例的用于生成残差视差图的方法1000的流程图。例如，方法1000可以由如图1所示的计算设备110来执行。应当理解的是，方法1000还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
[0098]
在框1002处，计算设备110基于第二特征图、经形变的第一特征图和预定视差搜索范围，生成初始代价矩阵。
[0099]
可以通过以下公式(2)生成初始代价矩阵。
[0100][0101]
其中，表示初始代价(也可以称为初始匹配代价)，表示第二特征图(本例中为左目)，表示经形变的第一特征图，c表示特征通道的索引，d表示视差，x和y表示2维图像平面上的水平和垂直坐标。所生成的初始代价矩阵为4维矩阵，大小为c
×d×h×
w，其中c表示特征图中的特征通道的数量，d表示预定视差搜索范围的大小(所考虑的视差的数量)，h
×
w是特征图的尺度。条目为描述两个像素和之间的匹配代价的距离向量。
[0102]
预定视差搜索范围对于阶段1例如为0-11，对于阶段2和3例如为-2到2。
[0103]
在框1004处，计算设备110经由三维卷积层，对初始代价矩阵进行聚合，以生成聚合代价矩阵。
[0104]
三维卷积层的一个示例为conv3d(3x3x3)、conv3d x3(3x3x3)和conv3d(3x3x3)的级联。所生成的聚合代价矩阵的大小为d
×h×
w，其中的条目可表示为c
l
(d，x，y)。
[0105]
在框1006处，计算设备110基于聚合代价矩阵，经由预定激活函数进行视差预测，以生成残差视差图。
[0106]
预定激活函数的一个示例为soft argmin，公式如下所示。
[0107][0108]
其中，为生成的残差视差，d和d’表示视差。
[0109]
由此，通过利用3d卷积层对初始代价矩阵进行聚合，能够利用上下文信息通过本地聚合由于输入图像中的匹配歧义和模糊等造成的噪声来减少初始代价矩阵中的噪声。
[0110]
图11示出了可以用来实施本公开内容的实施例的示例设备800的示意性框图。例如，如图1所示的计算设备110可以由设备800来实施。如图所示，设备1100包括中央处理单元(cpu)1101，其可以根据存储在只读存储器(rom)1102中的计算机程序指令或者从存储单元1108加载到随机存取存储器(ram)1103中的计算机程序指令，来执行各种适当的动作和处理。在随机存取存储器1103中，还可存储设备1100操作所需的各种程序和数据。中央处理单元1101、只读存储器1102以及随机存取存储器1103通过总线1104彼此相连。输入/输出
(i/o)接口1105也连接至总线1104。
[0111]
设备1100中的多个部件连接至输入/输出接口1105，包括：输入单元1106，例如键盘、鼠标、麦克风等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0112]
上文所描述的各个过程和处理，例如方法200、400、500、600、900和1000，可由中央处理单元1101执行。例如，在一些实施例中，方法200、400、500、600、900和1000可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由只读存储器1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序被加载到随机存取存储器1103并由中央处理单元1101执行时，可以执行上文描述的方法200、400、500、600、900和1000的一个或多个动作。
[0113]
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
[0114]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0115]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0116]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令
的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0117]
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0118]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0119]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0120]
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0121]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。