跟踪方法、装置、设备及存储介质与流程

1.本技术涉图像处理技术领域，具体而言，涉及一种跟踪方法、装置、设备及存储介质。


背景技术：

2.自动驾驶汽车(autonomous vehicles)又称无人驾驶汽车、跟踪设备、电脑驾驶汽车、轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。
3.目前，在视觉跟踪场景中，跟踪设备通常采用超宽带(ultra wide band，uwb)测算目标方位方案，或者采用实时差分定位(real-time kinematic，rtk)或者全球定位系统(global positioning system，gps)打点跟踪方案实现视觉跟踪。
4.然而，上述视觉跟踪方案的硬件成本较高，并且跟踪精度不佳。


技术实现要素：

5.本技术的目的在于，针对上述现有技术中的不足，提供一种跟踪方法、装置、设备及存储介质，以解决现有技术中硬件成本较高，且跟踪精度不佳的问题。
6.为实现上述目的，本技术实施例采用的技术方案如下：
7.第一方面，本技术一实施例提供了一种跟踪方法，包括：
8.对跟踪设备采集的当前一帧图像进行对象识别，并为识别的对象分别生成对应的识别框，所述对象位于所述识别框内；
9.根据各识别框对应的图像特征以及至少一个历史识别框对应的图像特征，从各所述识别框中确定目标识别框，所述历史识别框为待跟踪的目标对象在所述跟踪设备采集的历史图像中的识别框；
10.根据所述目标识别框的属性信息和基准识别框的属性信息，确定所述跟踪设备的运动控制参数，其中，所述基准识别框基于各所述历史识别框得到；
11.根据所述运动控制参数控制所述跟踪设备移动，以跟踪所述目标对象。
12.可选地，所述根据各识别框对应的图像特征的以及至少一个历史识别框对应的图像特征，从各所述识别框中确定目标识别框，包括：
13.根据所述识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述识别框与各所述历史识别框进行特征比对，得到比对结果，所述比对结果用于指示所述识别框与各所述历史识别框是否同属于所述目标对象；
14.若所述比对结果指示所述识别框与各所述历史识别框同属于所述目标对象，则将所述识别框作为所述目标识别框。
15.可选地，所述若所述比对结果指示所述识别框与各所述历史识别框同属于所述目标对象，则将所述识别框作为所述目标识别框，包括：
16.若所述比对结果指示所述识别框与各所述历史识别框同属于所述目标对象，且，所述识别框与各所述历史识别框的数量之和大于或等于预设数量阈值，则将所述识别框作
为所述目标识别框。
17.可选地，所述根据所述识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述识别框与各所述历史识别框进行特征比对，得到比对结果，包括：
18.确定所述识别框对应的图像特征与各所述历史识别框对应的图像特征的各相似度；
19.根据各相似度得到所述比对结果。
20.可选地，所述根据各相似度得到所述比对结果，包括：
21.若各所述相似度均超过预设相似度阈值，且各相似度的偏差均不超过预设偏差，则确定所述识别框与各所述历史识别框同属于所述目标对象。
22.可选地，所述根据所述识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述识别框与各所述历史识别框进行特征比对，得到比对结果之后，还包括：
23.若所述比对结果指示所述识别框与各所述历史识别框属于不同对象，则调整所述跟踪设备的工作参数，所述工作参数包括：拍摄角度。
24.可选地，所述根据所述识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述识别框与各所述历史识别框进行特征比对，得到比对结果之后，还包括：
25.若所述比对结果指示所述识别框与各所述历史识别框属于不同对象，则调整跟踪丢失标识的值；
26.若所述跟踪丢失标识的值大于预设阈值，则调整所述跟踪设备的工作参数，所述工作参数包括：拍摄角度。
27.可选地，所述根据所述识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述识别框与各所述历史识别框进行特征比对之前，还包括：
28.根据各所述识别框的属性信息，从各所述识别框中筛选出可选识别框，所述属性信息包括：长度、宽度和面积中的至少一种；
29.所述根据所述识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述识别框与各所述历史识别框进行特征比对，得到比对结果，包括：
30.根据所述可选识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述可选识别框与各所述历史识别框进行特征比对，得到所述比对结果，所述比对结果用于指示所述可选识别框与各所述历史识别框是否同属于所述目标对象。
31.可选地，所述根据各所述识别框的属性信息，从各所述识别框中筛选出可选识别框，包括：
32.从各所述识别框中选择出面积最大的识别框作为所述可选识别框。
33.可选地，所述根据各所述识别框的属性信息，从各所述识别框中筛选出可选识别框，包括：
34.确定各所述识别框中面积最大的识别框；
35.若所述面积最大的识别框的面积大于或等于预设面积阈值，则确定所述面积最大的识别框为所述可选识别框。
36.可选地，所述根据各所述识别框的属性信息，从各所述识别框中筛选出可选识别框，包括：
37.若所述当前一帧图像中的各所述识别框的数量在预设的数量区间内，则根据各所
述识别框的属性信息，从各所述识别框中筛选出可选识别框。
38.可选地，所述根据所述目标识别框的属性信息和基准识别框的属性信息，确定所述跟踪设备的运动控制参数，包括：
39.根据所述目标识别框的尺寸和所述基准识别框的尺寸，确定所述基准识别框和所述目标识别框的尺寸差；
40.根据所述尺寸差，确定所述运动控制参数。
41.可选地，所述属性信息还包括：位置；
42.所述根据所述尺寸差，确定所述运动控制参数，包括：
43.根据所述尺寸差、所述目标识别框的位置以及所述基准识别框的位置，确定所述运动控制参数。
44.可选地，所述根据所述尺寸差、所述目标识别框的位置以及所述基准识别框的位置，确定所述运动控制参数，包括：
45.根据目标识别框的位置以及所述基准识别框的位置，确定所述基准识别框和所述目标识别框的位置差；
46.从预设的角速度控制曲线中确定所述位置差对应的角速度，所述角速度控制曲线是根据预设最大角速度、预设最大位置差、预设最小位置差确定的；
47.从预设的线速度控制曲线中确定所述尺寸差对应的线速度，所述线速度控制曲线是根据预设最大线速度、预设最大尺寸度差、预设最小尺寸差确定的；
48.将所述线速度和所述角速度作为所述运动控制参数。
49.可选地，所述基准识别框的中心点位置为所述当前一帧图像的中心点位置。
50.可选地，所述对跟踪设备采集的当前一帧图像进行对象识别，包括：
51.根据预先训练得到的识别网络对所述当前一帧图像进行对象识别，并为所述识别的对象分别生成对应的识别框，其中，所述识别网络是根据多个图像样本训练得到的，所述多个图像样本分别标注有各样本对象对应的样本识别框。
52.可选地，所述根据所述目标识别框的属性信息和基准识别框的属性信息，确定所述跟踪设备的运动控制参数之前，所述方法还包括：
53.对各所述历史识别框进行拟合处理，得到所述基准识别框。
54.第二方面，本技术另一实施例提供了一种跟踪装置，包括：
55.识别模块，用于对跟踪设备采集的当前一帧图像进行对象识别，并为识别的对象分别生成对应的识别框，所述对象位于所述识别框内；
56.确定模块，用于根据各识别框对应的图像特征的以及至少一个历史识别框对应的图像特征，从各所述识别框中确定目标识别框，所述历史识别框为待跟踪的目标对象在所述跟踪设备采集的历史图像中的识别框；
57.所述确定模块，还用于根据所述目标识别框的属性信息和基准识别框的属性信息，确定所述跟踪设备的运动控制参数，其中，所述基准识别框基于各所述历史识别框得到；
58.控制模块，用于根据所述运动控制参数控制所述跟踪设备移动，以跟踪所述目标对象。
59.可选地，所述确定模块，具体用于：
60.根据所述识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述识别框与各所述历史识别框进行特征比对，得到比对结果，所述比对结果用于指示所述识别框与各所述历史识别框是否同属于所述目标对象；
61.若所述比对结果指示所述识别框与各所述历史识别框同属于所述目标对象，则将所述识别框作为所述目标识别框。
62.可选地，所述确定模块，具体用于：
63.若所述比对结果指示所述识别框与各所述历史识别框同属于所述目标对象，且，所述识别框与各所述历史识别框的数量之和大于或等于预设数量阈值，则将所述识别框作为所述目标识别框。
64.可选地，所述确定模块，具体用于：
65.确定所述识别框对应的图像特征与各所述历史识别框对应的图像特征的各相似度；
66.根据各相似度得到所述比对结果。
67.可选地，所述确定模块，具体用于：
68.若各所述相似度均超过预设相似度阈值，且各相似度的偏差均不超过预设偏差，则确定所述识别框与各所述历史识别框同属于所述目标对象。
69.可选地，还包括：
70.调整模块，用于若所述比对结果指示所述识别框与各所述历史识别框属于不同对象，则调整所述跟踪设备的工作参数，所述工作参数包括：拍摄角度。
71.可选地，所述调整模块，还用于：
72.若所述比对结果指示所述识别框与各所述历史识别框属于不同对象，则调整跟踪丢失标识的值；
73.若所述跟踪丢失标识的值大于预设阈值，则调整所述跟踪设备的工作参数，所述工作参数包括：拍摄角度。
74.可选地，所述确定模块，还用于：
75.根据各所述识别框的属性信息，从各所述识别框中筛选出可选识别框，所述属性信息包括：长度、宽度和面积中的至少一种；
76.所述确定模块，具体用于：
77.根据所述可选识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述可选识别框与各所述历史识别框进行特征比对，得到所述比对结果，所述比对结果用于指示所述可选识别框与各所述历史识别框是否同属于所述目标对象。
78.可选地，所述确定模块，具体用于：
79.从各所述识别框中选择出面积最大的识别框作为所述可选识别框。
80.可选地，所述确定模块，具体用于：
81.确定各所述识别框中面积最大的识别框；
82.若所述面积最大的识别框的面积大于或等于预设面积阈值，则确定所述面积最大的识别框为所述可选识别框。
83.可选地，所述确定模块，具体用于：
84.若所述当前一帧图像中的各所述识别框的数量在预设的数量区间内，则根据各所
述识别框的属性信息，从各所述识别框中筛选出可选识别框。
85.可选地，所述确定模块，具体用于：
86.根据所述目标识别框的尺寸和所述基准识别框的尺寸，确定所述基准识别框和所述目标识别框的尺寸差；
87.根据所述尺寸差，确定所述运动控制参数。
88.可选地，所述属性信息还包括：位置；所述确定模块，具体用于：
89.根据所述尺寸差、所述目标识别框的位置以及所述基准识别框的位置，确定所述运动控制参数。
90.可选地，所述确定模块，具体用于：
91.根据目标识别框的位置以及所述基准识别框的位置，确定所述基准识别框和所述目标识别框的位置差；
92.从预设的角速度控制曲线中确定所述位置差对应的角速度，所述角速度控制曲线是根据预设最大角速度、预设最大位置差、预设最小位置差确定的；
93.从预设的线速度控制曲线中确定所述尺寸差对应的线速度，所述线速度控制曲线是根据预设最大线速度、预设最大尺寸度差、预设最小尺寸差确定的；
94.将所述线速度和所述角速度作为所述运动控制参数。
95.可选地，所述基准识别框的中心点位置为所述当前一帧图像的中心点位置。
96.可选地，所述识别模块，具体用于：
97.根据预先训练得到的识别网络对所述当前一帧图像进行对象识别，并为所述识别的对象分别生成对应的识别框，其中，所述识别网络是根据多个图像样本训练得到的，所述多个图像样本分别标注有各样本对象对应的样本识别框。
98.可选地，还包括：
99.处理模块，用于对各所述历史识别框进行拟合处理，得到所述基准识别框。
100.第三方面，本技术另一实施例提供了一种跟踪设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当跟踪设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面任一项所述的方法。
101.第四方面，本技术另一实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面任一项所述的方法。
102.本技术的有益效果是：
103.本技术提供了一种跟踪方法、装置、设备及存储介质，其中，该方法包括：对跟踪设备采集的当前一帧图像进行对象识别，并为识别的对象分别生成对应的识别框，对象位于识别框内，根据各识别框对应的图像特征的以及至少一个历史识别框对应的图像特征，从各所述识别框中确定目标识别框，历史识别框为待跟踪的目标对象在跟踪设备采集的历史图像中的识别框，根据目标识别框的属性信息和基准识别框的属性信息，确定跟踪设备的运动控制参数，其中，基准识别框基于历史识别框得到，根据运动控制参数控制跟踪设备移动，以跟踪目标对象。降低了跟踪的成本，提升了跟踪实时性和跟踪精度。
附图说明
104.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
105.图1示出了本技术实施例提供的跟踪方法的流程示意图一；
106.图2示出了本技术实施例提供的跟踪方法的流程示意图二；
107.图3示出了本技术实施例提供的跟踪方法的流程示意图三；
108.图4示出了本技术实施例提供的当前一帧图像的示意图一；
109.图5示出了本技术实施例提供的跟踪方法的流程示意图四；
110.图6示出了本技术实施例提供的跟踪方法的流程示意图五；
111.图7示出了本技术实施例提供的跟踪方法的流程示意图六；
112.图8示出了本技术实施例提供的当前一帧图像的示意图二；
113.图9示出了本技术实施例提供的线速度控制曲线的示意图；
114.图10示出了本技术实施例提供的角速度控制曲线的示意图；
115.图11示出了本技术实施例提供的跟踪装置的结构示意图；
116.图12示出了本技术实施例提供的跟踪设备的结构示意图。
具体实施方式
117.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
118.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
119.需要说明的是，本技术实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
120.现有技术提供了两种视觉跟踪方案，一种是采用超宽带(ultra wide band，uwb)测算目标方位方案，但该方案硬件成本极高，至少需要4个uwb基站，误差较大，另一种是采用实时差分定位(real-time kinematic，rtk)或者全球定位系统(global positioning system，gps)打点跟踪方案，但rtk设备一套价格高昂，成本较高，并且精度受限，遮挡了定位信号就差，而gps的精度较差，这两个打点方案的频率均为5hz，所以实时性均不佳，其中，精度差可能导致跟踪设备撞上跟踪对象。
121.基于此，本技术提供了一种跟踪方法，通过对跟踪设备采集的当前一帧图像进行对象识别，并为识别的对象分别生成对应的识别框，然后根据各识别框对应的图像特征和至少一个历史识别框对应的图像特征，从各识别框中确定目标识别框，再根据目标识别框的属性信息和基准识别框的属性信息，确定跟踪设备的运动控制参数，进而根据运动控制参数控制跟踪设备移动，以跟踪目标对象。无需额外的硬件设备，降低了跟踪的成本，提升了跟踪实时性和跟踪精度。实现一种低成本，强鲁棒性的单目视觉跟踪。
122.本技术中的跟踪设备可以为无人车、无人机等设备，在一些场景中，跟踪设备需要对某个对象进行跟踪，该对象例如可以为人、动物等，以该对象为人为例，在农业运输场景中，跟踪设备装载有运输物，跟踪设备通过跟踪人，以将运输物运输至人所经过的地点，从而减轻了人力运输成本。或者，在路线重现场景中，跟踪设备通过跟踪人以记录人所行走的轨迹，以便后续基于记录的轨迹进行路线重现。
123.以农业运输场景为例，在跟踪准备阶段，跟踪设备可以提示待跟踪的目标对象(如待跟踪的人)站在距离设备预设距离(如距离跟踪设备1米)的位置，跟踪设备上设有拍摄相机，以采集至少一帧目标对象图像(历史图像)，然后对各历史图像中的目标对象进行识别，并生成对应的历史识别框，跟踪设备根据至少一个历史识别框进行拟合处理，得到基准识别框，在获取待基准识别框之后，就可以执行本技术提供的跟踪方案，基于基准识别框动态调整跟踪设备的运动控制参数，避免跟踪设备距离目标对象过近或过远，以提升跟踪精度。
124.其中，预设距离可以为跟踪设备跟踪目标对象的最佳距离，若大于该预设距离，则有可能跟丢目标对象，若小于该预设距离，则有可能撞上目标对象，本实施例中的预设距离可以根据经验选取，本实施例对此不做特别限定。
125.下面结合几个具体实施例对本技术的跟踪方法的技术方案进行详细说明。
126.图1示出了本技术实施例提供的跟踪方法的流程示意图一，本实施例的执行主体可以为跟踪设备，例如无人车、无人机等设备。如图1所示，该方法包括：
127.s101、对跟踪设备采集的当前一帧图像进行对象识别，并为识别的对象分别生成对应的识别框。
128.跟踪设备上可以设有拍摄相机，通过拍摄相机可以采集当前一帧图像，然后对采集的当前一帧图像进行对象识别，并为识别的对象分别生成对应的识别框，该对象位于识别框内，其中，当前一帧图像中可以包括但不限于一个对象，各对象分别对应一个识别框，其中，该对象例如可以为人、动物、建筑、道路等。
129.s102、根据各识别框对应的图像特征以及至少一个历史识别框对应的图像特征，从各识别框中确定目标识别框。
130.历史识别框为待跟踪的目标对象在跟踪设备采集的历史图像中的识别框，目标识别框为目标对象在当前一帧图像中的识别框，也即，历史识别框和目标识别框均为目标对象所对应的识别框，其中，历史图像可以为跟踪设备在当前一帧图像之前采集的至少一帧历史图像。
131.各识别框对应的图像特征可以为各识别框中图像数据的图像特征，历史识别框对应的图像特征可以为历史识别框中图像数据的图像特征。
132.在一些实施例中，采用特征提取算法可以提取各识别框对应的图像特征，以及至少一个历史识别框对应的图像特征，然后根据各识别框对应的图像特征以及至少一个历史
识别框对应的图像特征，从各识别框中确定目标识别框，其中，可以通过比对各识别框对应的图像特征以及至少一个历史识别框对应的图像特征，从各识别框中确定目标识别框，其中，目标识别框与各历史识别框同属于目标对象，也即目标识别框对应的图像特征与各历史识别框对应的图像特征之间的相似度可以超过一定的预设阈值。
133.s103、根据目标识别框的属性信息和基准识别框的属性信息，确定跟踪设备的运动控制参数。
134.s104、根据运动控制参数控制跟踪设备移动，以跟踪目标对象。
135.基准识别框基于各历史识别框得到，根据目标识别框的属性信息和基准识别框的属性信息可以确定目标识别框相对于基准识别框的差距，从而可以根据该差距确定跟踪设备的运动控制参数，然后根据运动控制参数控制跟踪设备移动，以跟踪目标对象，其中，属性信息可以包括：尺寸和/或面积。其中，识别框可以为矩形识别框，识别框的尺寸包括长度和宽度。
136.由于在跟踪过程中，跟踪设备与目标对象的距离是动态变化的，通常距离越远，生成的目标识别框的尺寸和面积越小，距离越近，生成的目标识别框的尺寸和面积越大，这样，在跟踪过程中，根据目标识别框相对于基准识别框的尺寸差距或面积差距，动态调整跟踪设备的运动控制参数，使得跟踪过程中跟踪设备与目标对象的距离尽可能地趋近基准识别框对应的跟踪设备与目标对象的距离，避免跟踪设备距离目标对象过近(可能会撞上)，或过远(可能会跟丢)，提升了跟踪精度。
137.本实施例的跟踪方法，对跟踪设备采集的当前一帧图像进行对象识别，并为识别的对象分别生成对应的识别框，对象位于识别框内，根据各识别框对应的图像特征的以及至少一个历史识别框对应的图像特征，从各所述识别框中确定目标识别框，历史识别框为待跟踪的目标对象在跟踪设备采集的历史图像中的识别框，根据目标识别框的属性信息和基准识别框的属性信息，确定跟踪设备的运动控制参数，其中，基准识别框基于历史识别框得到，根据运动控制参数控制跟踪设备移动，以跟踪目标对象。降低了跟踪的成本，提升了跟踪实时性和跟踪精度。
138.可选地，步骤s103，根据目标识别框的属性信息和基准识别框的属性信息之前，该方法还包括：
139.对各历史识别框进行拟合处理，得到基准识别框。
140.历史识别框为待跟踪的目标对象在跟踪设备采集的历史图像中的识别框，对各历史识别框进行拟合处理，得到基准识别框，基准识别框和目标识别框均可以显示在当前一帧图像中。
141.可选地，基准识别框的中心点位置为当前一帧图像的中心点位置。
142.下面结合一个示例对拟合得到基准识别框的过程进行说明。
143.假设各历史识别框有i个，i大于1，各历史识别框的中心点在像素坐标系下的坐标为(xn,yn)，n为(1，i]中的整数，假设基准识别框的中心点为(x,y)，则有最小化目标函数：
[0144][0145]
为了使目标函数最优，对x、y分别求偏导数，得到：
[0146][0147]
因此，可以得到基准识别框的中心点(x,y)，且该中心点距离各历史识别框的中心点的距离最短。
[0148]
若各历史识别框的长宽为(wn,hn)，则基准识别框的长宽为(w,h)，则有公式：
[0149][0150][0151]
可选地，步骤s101，对跟踪设备采集的当前一帧图像进行对象识别，包括：
[0152]
根据预先训练得到的识别网络对当前一帧图像进行对象识别，并为识别的对象分别生成对应的识别框。
[0153]
其中，识别网络是根据多个图像样本训练得到的，多个图像样本分别标注有各样本对象对应的样本识别框。该识别网络由yolox网络改进而来，将yolox网络中的上采样替换为反卷积，提升了识别精度。
[0154]
图2示出了本技术实施例提供的跟踪方法的流程示意图二，如图2所示，步骤s102，根据各识别框对应的图像特征以及至少一个历史识别框对应的图像特征，从各识别框中确定目标识别框，包括：
[0155]
s201、根据识别框对应的图像特征以及各历史识别框对应的图像特征，对可选识别框与各历史识别框进行特征比对，得到比对结果。
[0156]
提取各识别框对应的图像特征以及各历史识别框对应的图像特征，然后进行特征比对，得到比对结果，其中，比对结果用于指示进行特征比对的识别框与各历史识别框是否同属于目标对象。
[0157]
可选地，可以确定识别框对应的图像特征与各历史识别框对应的图像特征的各相似度，根据各相似度得到比对结果，其中，若各相似度均超过一定的预设相似度阈值时，或者，预设比例的相似度(如各相似度中90％的相似度)均超过一定的预设相似度阈值，说明识别框和历史识别框同属于目标对象，否则，说明识别框和历史识别框属于不同对象。其中，识别框对应的图像特征与各历史识别框对应的图像特征的各相似度可以通过余弦距离计算得到。
[0158]
可选地，根据各相似度得到比对结果，包括：
[0159]
若各相似度均超过预设相似度阈值，且各相似度的偏差均不超过预设偏差，则确定识别框与各历史识别框同属于目标对象。
[0160]
判断各相似度是否均超过预设相似度阈值，且各相似度之间的偏差是否超过预设偏差，若各相似度均超过预设相似度阈值，且各相似度的偏差(两两相似度的偏差)均不超过预设偏差，则确定识别框与各历史识别框同属于目标对象，也即，若识别框也属于目标对象，该识别框与各历史识别框的各相似度均超过预设相似度阈值，并且各相似度的偏差均不超过预设偏差。
[0161]
若各相似度中存在未超过预设相似度阈值的相似度，且各相似度中存在偏差超过
预设偏差的相似度，则该识别框和历史识别框属于不同对象。
[0162]
需要说明的是，可以采用特征提取网络对识别框中的图像数据进行提取，得到识别框对应的图像特征，以及采用特征提取网络对各历史识别框中的图像数据进行提取，得到各历史识别框对应的图像特征，其中，特征提取网络可以为行人重识别(person re-identification，reid)网络，该网络可以根据各样本识别框训练得到，各样本识别框预先标注有对应的样本图像特征。
[0163]
另外，在跟踪设备的嵌入式神经网络处理器(neural-network processing unit，npu)不支持reid网络中的全连接层dense10时，还可以将全连接层dense10修改为平均池化层(avgpool)。
[0164]
s202、若比对结果指示识别框与各历史识别框同属于目标对象，则将该识别框作为目标识别框。
[0165]
若比对结果指示该识别框与各历史识别框同属于目标对象，则将该识别框作为目标识别框，也即，在后续跟踪过程中跟踪该目标识别框对应的目标对象。
[0166]
可选地，步骤s202，若比对结果指示识别框与各历史识别框同属于目标对象，则将该识别框作为目标识别框，包括：
[0167]
若比对结果指示该识别框与各历史识别框同属于目标对象，且，该识别框与各历史识别框的数量之和大于或等于预设数量阈值，则将该识别框作为目标识别框。
[0168]
由于各历史识别框为目标对象的识别框，那么通过比对结果确定该识别框与各历史识别框同属于目标对象的同时，考虑到识别框数量，在该识别框与各历史识别框的数量之和大于或等于预设数量阈值时，将该识别框作为目标识别框。从而保证了目标对象为稳定跟踪的对象，避免在目标对象为不稳定跟踪对象时，出现跟丢的情况。
[0169]
本实施例的跟踪方法，根据识别框对应的图像特征以及各历史识别框对应的图像特征，对识别框与各历史识别框进行特征比对，得到比对结果，若比对结果指示识别框与各历史识别框同属于目标对象，则将识别框作为目标识别框。实现了单目标跟踪，降低了跟踪的成本，保证了目标识别框的精确度，提升了跟踪精度。
[0170]
图3示出了本技术实施例提供的跟踪方法的流程示意图三，如图3所示，步骤s201，根据识别框对应的图像特征以及各历史识别框对应的图像特征，对可选识别框与各历史识别框进行特征比对，得到比对结果之前，该方法还包括：
[0171]
s301、根据各识别框的属性信息，从各识别框中筛选出可选识别框。
[0172]
其中，属性信息包括：长度、宽度和面积中的至少一种，根据各识别框的属性信息，从各识别框中确定面积满足预设面积条件的识别框为可选识别框，预设面积条件可以包括：面积大于预设面积阈值，或者面积最大。或者满足预设长度条件的识别框为可选识别框，预设长度条件可以包括：长度大于预设长度，或者长度最大，或者满足预设宽度条件的为可选识别框，预设宽度条件可以包括：宽度大于预设宽度，或者宽度最大。
[0173]
由于识别框的面积、长度、宽度越大，说明该识别框对应的对象与跟踪设备越近，识别框的面积、长度、宽度越小，说明该识别框对应的对象与跟踪设备越远，为避免过远出现跟丢的情况，因此，这里可以选择面积满足预设面积条件，或者满足预设长度条件或者满足预设宽度条件的识别框为可选识别框。
[0174]
可选地，步骤s301，根据各识别框的属性信息，从各识别框中筛选出可选识别框，
包括：
[0175]
从各识别框中选择出面积最大的识别框作为可选识别框。
[0176]
在一些实施例中，可以对当前一帧图像中各识别框的面积进行由大到小的排序，然后将排名第一位的识别框作为可选识别框，也即各识别框中面积最大的识别框为可选识别框。
[0177]
图4示出了本技术实施例提供的当前一帧图像的示意图一，如图4所示，当前一帧图像中包括四个识别框(识别框1、识别框2、识别框3、识别框4)，确定各识别框的面积，对各识别框的面积进行由大到小的排序，将面积最大的识别框(识别框1)作为可选识别框。
[0178]
可选地，步骤s301，根据各识别框的属性信息，从各识别框中筛选出可选识别框，包括：
[0179]
确定各识别框中面积最大的识别框；
[0180]
若面积最大的识别框的面积大于或等于预设面积阈值，则确定面积最大的识别框为可选识别框。
[0181]
在一些实施例中，计算各识别框的面积，并确定各识别框中面积最大的识别框，并判断面积最大的识别框的面积是否大于或等于预设面积阈值，若大于或等于预设面积阈值，则将该面积最大的识别框作为可选识别框。也即，可选识别框同时满足在各识别框中的面积最大，且可选识别框的面积大于或等于预设面积阈值。由于识别框的面积越大，说明该识别框对应的对象与跟踪设备越近，识别框的面积越小，说明该识别框对应的对象与跟踪设备越远，因此采用该方式可以避免过远出现跟丢的情况。
[0182]
需要说明的是，预设面积阈值可以根据经验或者实际情况选取，本实施例对此不做特别限定。
[0183]
可选地，步骤s301，根据各识别框的属性信息，从各识别框中筛选出可选识别框，包括：
[0184]
若当前一帧图像中的各识别框的数量在预设的数量区间内，则根据各识别框的属性信息，从各识别框中筛选出可选识别框。
[0185]
基于跟踪设备性能的考虑，在当前一帧图像中的各识别框的数量在预设的数量区间内时，才执行从各识别框中筛选出可选识别框的步骤，若当前一帧图像中的各识别框的数量在预设的数量区间外，如大于预设的数量区间的上限，例如，各识别框的数量为25，该上限为20，可能由于跟踪设备的板卡计算资源的限制，无法执行该步骤，如小于预设的数量区间的下限，例如，各识别框的数量为1，该下限为2，则无需执行该方案，直接将该识别框对应的对象作为跟踪目标即可。
[0186]
由此可知，在从各识别框中确定目标识别框时，可以综合考虑当前一帧图像中的各识别框的数量、以及各识别框的面积，在当前一帧图像中的各识别框的数量在预设的数量区间内时，确定各识别框中面积最大的识别框为可选识别框，或者，在当前一帧图像中的各识别框的数量在预设的数量区间内时，确定各识别框中面积最大的识别框，并在面积最大的识别框的面积大于或等于预设面积阈值时，确定面积最大的识别框为可选识别框。
[0187]
相应地，步骤s201，根据识别框对应的图像特征以及各历史识别框对应的图像特征，对可选识别框与各历史识别框进行特征比对，得到比对结果，包括：
[0188]
s302、根据可选识别框对应的图像特征以及各历史识别框对应的图像特征，对可
选识别框与各历史识别框进行特征比对，得到比对结果。
[0189]
提取可选识别框对应的图像特征以及各历史识别框对应的图像特征，然后进行特征比对，得到比对结果，比对结果用于指示可选识别框与各历史识别框是否同属于目标对象。
[0190]
可选地，可以确定可选识别框对应的图像特征与各历史识别框对应的图像特征的各相似度，根据各相似度得到比对结果，例如，若各相似度均超过预设相似度阈值，且各相似度的偏差均不超过预设偏差，则确定可选识别框与各历史识别框同属于目标对象，若各相似度中存在未超过预设相似度阈值的相似度，且各相似度中存在偏差超过预设偏差的相似度，则可选识别框和历史识别框属于不同对象。
[0191]
相应地，步骤s202，若比对结果指示识别框与各历史识别框同属于目标对象，则将识别框作为目标识别框，包括：
[0192]
s303、若比对结果指示可选识别框与各历史识别框同属于目标对象，则将可选识别框作为目标识别框。
[0193]
若比对结果指示该可选识别框与各历史识别框同属于目标对象，则将该可选识别框作为目标识别框，在一些实施例中，若比对结果指示可选识别框与各历史识别框同属于目标对象，且可选识别框与各历史识别框的数量之和大于或等于预设数量阈值，则将可选识别框作为目标识别框。
[0194]
由于各历史识别框为目标对象的识别框，那么通过比对结果确定可选识别框与各历史识别框同属于目标对象的同时，考虑到识别框数量，在该可选识别框与各历史识别框的数量之和大于或等于预设数量阈值时，将可选识别框作为目标识别框。从而保证了目标对象为稳定跟踪的对象，避免在目标对象为不稳定跟踪对象时，出现跟丢的情况。
[0195]
图5示出了本技术实施例提供的跟踪方法的流程示意图四，如图5所示，步骤s201，根据识别框对应的图像特征以及各历史识别框对应的图像特征，对识别框与各历史识别框进行特征比对，得到比对结果之后，该方法还包括步骤s401或者步骤s402-s403。
[0196]
s401、若比对结果指示识别框与各历史识别框属于不同对象，则调整跟踪设备的工作参数。
[0197]
若对比结果指示识别框与各历史识别框属于不同对象，即识别框对应的对象不是目标对象，则可以调整跟踪设备的工作参数，工作参数包括：拍摄角度。
[0198]
也就是说，目标对象临时丢失了，则跟踪设备可以左右摆动，以调整拍摄角度，跳过当前一帧图像，采集下一帧图像，并识别下一帧图像中的对象，并为该对象分别生成对应的识别框，重复执行图1实施例，直至确定出的识别框与各历史识别框均属于目标对象，即重新搜索到目标对象。
[0199]
若在当前一帧图像之后的预设时间内，均未重新搜索到目标对象，则确定目标对象永久丢失，或者，在当前一帧图像之后采集预设数量的帧图像，均未重新搜索到目标对象，则确定目标对象永久丢失。
[0200]
s402、若比对结果指示识别框与各历史识别框属于不同对象，则调整跟踪丢失标识的值。
[0201]
s403、若跟踪丢失标识的值大于预设阈值，则调整跟踪设备的工作参数。
[0202]
若比对结果指示识别框与各历史识别框属于不同对象，说明目标对象临时丢失，
跳过当前一帧图像，并将跟踪丢失标识的值加1，跟踪设备采集下一帧图像，重复执行图1实施例，若跟踪丢失标识的值大于预设阈值，则调整跟踪设备的工作参数，工作参数包括：拍摄角度，以使跟踪设备根据调整后的工作参数重新搜索目标对象。
[0203]
在一些实施例中，步骤s302，根据可选识别框对应的图像特征以及各历史识别框对应的图像特征，对可选识别框与各历史识别框进行特征比对，得到比对结果之后，该方法还可以包括：
[0204]
若比对结果指示可选识别框与各历史识别框属于不同对象，则调整跟踪设备的工作参数，或者调整跟踪丢失标识的值，并在跟踪丢失标识的值大于预设阈值时，调整跟踪设备的工作参数。具体实现过程与步骤s401-s403类似，在此不再赘述。
[0205]
本实施例的跟踪方法，若比对结果指示识别框与各历史识别框属于不同对象，则调整跟踪设备的工作参数，若比对结果指示识别框与各历史识别框属于不同对象，则调整跟踪丢失标识的值，若跟踪丢失标识的值大于预设阈值，则调整跟踪设备的工作参数。若目标对象临时丢失，则可以调整跟踪设备的工作参数以便重新搜索目标对象。
[0206]
图6示出了本技术实施例提供的跟踪方法的流程示意图五，如图6所示，步骤s103，根据目标识别框的属性信息和基准识别框的属性信息，确定跟踪设备的运动控制参数，包括：
[0207]
s501、根据目标识别框的尺寸和基准识别框的尺寸，确定基准识别框和目标识别框的尺寸差。
[0208]
s502、根据尺寸差，确定运动控制参数。
[0209]
其中，属性信息可以包括尺寸，目标识别框的尺寸包括长度和宽度，基准识别框的尺寸包括长度和宽度。由于跟踪过程中，跟踪设备与目标对象的距离是动态变化的，通常距离越远，生成的目标识别框的尺寸越小，距离越近，生成的目标识别框的尺寸越大，因此，可以计算基准识别框和目标识别框的尺寸差，该尺寸差包括长度差和/或宽度差，然后根据尺寸差确定运动控制参数，这样，在跟踪过程中，可以根据尺寸差动态调整运动控制参数，使得跟踪过程中跟踪设备与目标对象的距离尽可能地趋近基准识别框对应的跟踪设备与目标对象的距离，避免跟踪设备距离目标对象过近(可能会撞上)，或过远(可能会跟丢)，提升了跟踪精度。
[0210]
可选地，属性信息还包括：位置；
[0211]
步骤s502，根据尺寸差，确定运动控制参数，包括：
[0212]
根据尺寸差、目标识别框的位置以及基准识别框的位置，确定运动控制参数。
[0213]
其中，基准识别框的中心点位置可以为当前一帧图像的中心点位置，也即基准识别框显示在当前一帧图像正中间，那么在考虑尺寸差的同时，确定基准识别框的位置和目标识别框的位置差，以确定运动控制参数，这样，控制跟踪设备根据运动参数移动时，使得跟踪过程中识别出的目标识别框的位置尽可能趋近基准识别框的位置，即尽可能地使目标识别框位于当前一帧图像正中间，避免当前一帧图像不显示目标识别框(跟丢目标对象)，提升了跟踪精度。
[0214]
其中，可以建立像素坐标系，横坐标对应识别框的长度，纵坐标对应识别框的宽度，基准识别框的位置和目标识别框的位置差可以为基准识别框和目标识别框在像素坐标系中横坐标上的距离差。
[0215]
本实施例的跟踪方法，根据目标识别框的尺寸和基准识别框的尺寸，确定基准识别框和目标识别框的尺寸差，根据尺寸差，确定运动控制参数。提升了跟踪精度。
[0216]
图7示出了本技术实施例提供的跟踪方法的流程示意图六，如图7所示，根据尺寸差、目标识别框的位置以及基准识别框的位置，确定运动控制参数，包括：
[0217]
s601、根据目标识别框的位置以及基准识别框的位置，确定基准识别框和目标识别框的位置差。
[0218]
图8示出了本技术实施例提供的当前一帧图像的示意图二，如图8所示，基准识别框的中心点位置为当前一帧图像的中心点位置，基准识别框和目标识别框的位置差(xerror)可以为像素坐标系中、基准识别框的中心点的横坐标(x_gt)，与目标识别框的中心点的横坐标(x_target)的距离，即xerror＝x_gt-x_target。
[0219]
基准识别框和目标识别框的尺寸差(herror)可以为基准识别框的宽度(h_gt)与目标识别框的宽度(h_target)的差值，即herror＝h_gt-h_target，其中，xerror、herror单位均为像素(pixel)。
[0220]
s602、从预设的角速度控制曲线中确定位置差对应的角速度。
[0221]
s603、从预设的线速度控制曲线中确定尺寸差对应的线速度。
[0222]
s604、将线速度和角速度作为运动控制参数。
[0223]
其中，角速度控制曲线是根据预设最大角速度、预设最大位置差、预设最小位置差确定的，线速度控制曲线是根据预设最大线速度、预设最大尺寸度差、预设最小尺寸差确定的。
[0224]
图9示出了本技术实施例提供的线速度控制曲线的示意图，如图9所示，线速度控制区域的斜率
[0225]
k_verlocity＝(max_verlocity-0)/(max_h_error-min_h_error)，其中，max_verlocity为预设最大线速度，根据用户的行走速度可以调节，根据成年人步速一般设置为1200mm/s，max_h_error为预设最大尺寸度差，min_h_error为预设最小尺寸差，可以根据经验选取，本实施例不做特别限定。其中，线速度(verlocity)单位为mm/s。
[0226]
图10示出了本技术实施例提供的角速度控制曲线的示意图，如图10所示
[0227]
k_anglespeed＝(max_anglespeed-0)/(max_x_error-min_x_erro r)，其中，max_anglespeed为预设最大角速度，max_x_error为预设最大位置差，min_x_error为预设最小位置差，可以根据经验选取，本实施例不做特别限定。其中，角速度(anglespeed)单位为deg/s。
[0228]
从预设的角速度控制曲线中可以确定位置差对应的角速度，并从预设的线速度控制曲线中确定尺寸差对应的线速度，之后将角速度和线速度作为跟踪设备的运动控制参数，其中，角速度用于控制跟踪设备的转向角度，线速度用于控制跟踪设备的前进速度，通过该线速度可以使跟踪过程中跟踪设备与目标对象的距离尽可能地趋近基准识别框对应的跟踪设备与目标对象的距离，避免跟踪设备距离目标对象过近(可能会撞上)，或过远(可能会跟丢)，通过角速度可以使尽可能地使目标识别框位于当前一帧图像正中间，避免当前一帧图像不显示目标识别框(跟丢目标对象)。
[0229]
本实施例的跟踪方法，根据目标识别框的位置以及基准识别框的位置，确定基准识别框和目标识别框的位置差，从预设的角速度控制曲线中确定位置差对应的角速度，从
预设的线速度控制曲线中确定尺寸差对应的线速度，将线速度和角速度作为运动控制参数。实现了单目标跟踪，降低了跟踪的成本，提升了跟踪精度。
[0230]
图11示出了本技术实施例提供的跟踪装置的结构示意图，该装置可以集成在跟踪设备中。如图11所示，该装置包括：
[0231]
识别模块701，用于对跟踪设备采集的当前一帧图像进行对象识别，并为识别的对象分别生成对应的识别框，所述对象位于所述识别框内；
[0232]
确定模块702，用于根据各识别框对应的图像特征的以及至少一个历史识别框对应的图像特征，从各所述识别框中确定目标识别框，所述历史识别框为待跟踪的目标对象在所述跟踪设备采集的历史图像中的识别框；
[0233]
所述确定模块702，还用于根据所述目标识别框的属性信息和基准识别框的属性信息，确定所述跟踪设备的运动控制参数，其中，所述基准识别框基于各所述历史识别框得到；
[0234]
控制模块703，用于根据所述运动控制参数控制所述跟踪设备移动，以跟踪所述目标对象。
[0235]
可选地，所述确定模块702，具体用于：
[0236]
根据所述识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述识别框与各所述历史识别框进行特征比对，得到比对结果，所述比对结果用于指示所述识别框与各所述历史识别框是否同属于所述目标对象；
[0237]
若所述比对结果指示所述识别框与各所述历史识别框同属于所述目标对象，则将所述识别框作为所述目标识别框。
[0238]
可选地，所述确定模块702，具体用于：
[0239]
若所述比对结果指示所述识别框与各所述历史识别框同属于所述目标对象，且，所述识别框与各所述历史识别框的数量之和大于或等于预设数量阈值，则将所述识别框作为所述目标识别框。
[0240]
可选地，所述确定模块702，具体用于：
[0241]
确定所述识别框对应的图像特征与各所述历史识别框对应的图像特征的各相似度；
[0242]
根据各相似度得到所述比对结果。
[0243]
可选地，所述确定模块702，具体用于：
[0244]
若各所述相似度均超过预设相似度阈值，且各相似度的偏差均不超过预设偏差，则确定所述识别框与各所述历史识别框同属于所述目标对象。
[0245]
可选地，还包括：
[0246]
调整模块704，用于若所述比对结果指示所述识别框与各所述历史识别框属于不同对象，则调整所述跟踪设备的工作参数，所述工作参数包括：拍摄角度。
[0247]
可选地，所述调整模块704，还用于：
[0248]
若所述比对结果指示所述识别框与各所述历史识别框属于不同对象，则调整跟踪丢失标识的值；
[0249]
若所述跟踪丢失标识的值大于预设阈值，则调整所述跟踪设备的工作参数，所述工作参数包括：拍摄角度。
[0250]
可选地，所述确定模块702，还用于：
[0251]
根据各所述识别框的属性信息，从各所述识别框中筛选出可选识别框，所述属性信息包括：长度、宽度和面积中的至少一种；
[0252]
所述确定模块702，具体用于：
[0253]
根据所述可选识别框对应的图像特征以及各所述历史识别框对应的图像特征，对所述可选识别框与各所述历史识别框进行特征比对，得到所述比对结果，所述比对结果用于指示所述可选识别框与各所述历史识别框是否同属于所述目标对象。
[0254]
可选地，所述确定模块702，具体用于：
[0255]
从各所述识别框中选择出面积最大的识别框作为所述可选识别框。
[0256]
可选地，所述确定模块702，具体用于：
[0257]
确定各所述识别框中面积最大的识别框；
[0258]
若所述面积最大的识别框的面积大于或等于预设面积阈值，则确定所述面积最大的识别框为所述可选识别框。
[0259]
可选地，所述确定模块702，具体用于：
[0260]
若所述当前一帧图像中的各所述识别框的数量在预设的数量区间内，则根据各所述识别框的属性信息，从各所述识别框中筛选出可选识别框。
[0261]
可选地，所述确定模块702，具体用于：
[0262]
根据所述目标识别框的尺寸和所述基准识别框的尺寸，确定所述基准识别框和所述目标识别框的尺寸差；
[0263]
根据所述尺寸差，确定所述运动控制参数。
[0264]
可选地，所述属性信息还包括：位置；所述确定模块702，具体用于：
[0265]
根据所述尺寸差、所述目标识别框的位置以及所述基准识别框的位置，确定所述运动控制参数。
[0266]
可选地，所述确定模块702，具体用于：
[0267]
根据目标识别框的位置以及所述基准识别框的位置，确定所述基准识别框和所述目标识别框的位置差；
[0268]
从预设的角速度控制曲线中确定所述位置差对应的角速度，所述角速度控制曲线是根据预设最大角速度、预设最大位置差、预设最小位置差确定的；
[0269]
从预设的线速度控制曲线中确定所述尺寸差对应的线速度，所述线速度控制曲线是根据预设最大线速度、预设最大尺寸度差、预设最小尺寸差确定的；
[0270]
将所述线速度和所述角速度作为所述运动控制参数。
[0271]
可选地，所述基准识别框的中心点位置为所述当前一帧图像的中心点位置。
[0272]
可选地，所述识别模块701，具体用于：
[0273]
根据预先训练得到的识别网络对所述当前一帧图像进行对象识别，并为所述识别的对象分别生成对应的识别框，其中，所述识别网络是根据多个图像样本训练得到的，所述多个图像样本分别标注有各样本对象对应的样本识别框。
[0274]
可选地，还包括：
[0275]
处理模块705，用于对各所述历史识别框进行拟合处理，得到所述基准识别框。
[0276]
本实施例的跟踪装置，实现过程和实现原理与上述方法实施例提供的跟踪方法类
似，在此不再赘述。
[0277]
图12示出了本技术实施例提供的跟踪设备的结构示意图，如图12所示，该设备包括：处理器801、存储器802和总线803，所述存储器802存储有所述处理器801可执行的机器可读指令，当跟踪设备运行时，所述处理器801与所述存储器802之间通过总线803通信，所述处理器执行所述机器可读指令，以执行上述方法实施例。
[0278]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例。
[0279]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本技术中不再赘述。在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0280]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以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所述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-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0281]
以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。