一种宠物牵绳检测方法、设备及计算机可读存储介质与流程

1.本发明涉及图像处理技术领域，特别是涉及一种宠物牵绳检测方法、设备及计算机可读存储介质。


背景技术：

2.随着人们休闲方式和情感寄托的多样化，饲养宠物成为众多家庭的消遣方式。随着饲养宠物的群体加速扩大，城市小区宠物也逐渐增多，小区内遛狗频繁，于是文明养宠物成为众多人的诉求，但目前城市小区内不文明的养宠物行为时有发生。
3.而目前对公共场所违法遛宠物行为的判断与监管主要通过人工监测来完成，监测不及时、漏监测、取证困难。


技术实现要素：

4.本发明主要解决的技术问题是提供一种宠物牵绳检测方法、设备及计算机可读存储介质，能够避免进行重复检测，能够节约资源，降低计算量。
5.为解决上述技术问题，本发明采用的一个技术方案是：提供一种宠物牵绳检测方法，该宠物牵绳检测方法包括：获取待检测图像；对待检测图像进行宠物和人形检测，响应于检测到宠物和人形，获取宠物位置坐标和人形位置坐标；获取组合图像，每个组合图像中包括任意一只宠物与任意一个人形的组合，对所有组合图像进行牵绳识别；响应于组合图像的识别结果为已牵绳，对组合图像中的宠物及人形进行标记关联，并中止对带有关联标记的宠物进行牵绳检测。
6.其中，中止对带有关联标记的宠物进行检测包括：分别对带有关联标记的宠物和人形进行跟踪；响应于带有关联标记的人形离开监控区域，不再将带有关联标记的宠物与其他人形进行图像组合；和/或响应于带有关联标记的宠物离开监控区域，不再将带有关联标记的人形与其他宠物进行图像组合。
7.其中，分别对带有关联标记的宠物和人形进行跟踪包括：基于特征提取和搜索算法对带有关联标记的宠物和人形进行跟踪。
8.其中，以待检测图像左上角顶点坐标为原点建立坐标系，对待检测图像进行宠物和人形检测，响应于检测到宠物和人形，获取宠物位置坐标和人形位置坐标包括：获取宠物区域图像，宠物区域图像为包含宠物的矩形区域图像，将宠物区域图像的左上角顶点坐标和右下角顶点坐标的组合作为宠物的位置坐标；获取人形区域图像，人形区域图像为包含人形的矩形区域图像，将人形区域图像的左上角顶点坐标和右下角顶点坐标的组合作为人形的位置坐标。
9.其中，获取组合图像包括：比较宠物区域图像的左上角横坐标与人形区域图像的左上角横坐标的大小，将较小的一个作为组合图像的左上角横坐标；比较宠物区域图像的左上角纵坐标与人形区域图像的左上角纵坐标的大小，将较小的一个作为组合图像的左上角纵坐标；比较宠物区域图像的右下角横坐标与人形区域图像的右下角横坐标的大小，将
较大的一个作为组合图像的右下角横坐标；比较宠物区域图像的右下角纵坐标与人形区域图像的右下角纵坐标的大小，将较大的一个作为组合图像的右下角纵坐标。
10.其中，利用卷积神经网络识别组合图像中人形和宠物是否牵绳；卷积神经网络包括alexnet、resnet、inception、vgg中的任一种或多种组合。
11.其中，响应于检测到宠物且未检测到人形，则获取宠物区域图像并输出宠物区域图像对应的宠物未牵绳；或响应于同一宠物对应的多个组合图像中均检测为未牵绳，输出宠物未牵绳。
12.其中，响应于检测到宠物未牵绳，输出未牵绳宠物的宠物区域图像和待检测图像，并进行信息提醒。
13.为解决上述技术问题，本发明采用的另一个技术方案是：提供一种宠物牵绳检测设备，该宠物牵绳检测设备包括处理器，处理器用于执行以实现上述的宠物牵绳检测方法。
14.为解决上述技术问题，本发明采用的另一个技术方案是：提供一种计算机可读存储介质，计算机可读存储介质用于存储指令/程序数据，指令/程序数据能够被执行以实现上述的宠物牵绳检测方法。
15.本发明的有益效果是：区别于现有技术的情况，本发明通过自动对监控视频中的宠物和人形进行检测，将其两两组合判断是否牵绳，不仅仅判断宠物是否系绳，考虑了系绳但绳脱离人手的情况，结合判断使得使用场景更加广泛，准确性更高；同时，将判断为已牵绳的宠物和人形进行标记，后续不进行牵绳检测，避免进行重复检测，能够节约资源，降低计算量。
附图说明
16.图1是本技术实施方式中一宠物牵绳检测方法的流程示意图；
17.图2是本技术实施方式中另一宠物牵绳检测方法的流程示意图；
18.图3是本技术实施方式中宠物牵绳检测具体方法的流程示意图；
19.图4是本技术实施方式中一犬只检测框和人形检测框的示意图；
20.图5是图4中犬只检测框和人形检测框的组合图像的示意图；
21.图6是本技术实施方式中宠物牵绳检测装置的结构示意图；
22.图7是本技术实施方式中宠物牵绳检测设备的结构示意图；
23.图8是本技术实施方式中计算机可读存储介质的结构示意图。
具体实施方式
24.为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。
25.本技术提供一种宠物牵绳检测方法，通过自动对监控视频中的宠物和人形进行检测，结合宠物和人形检测是否牵绳，考虑宠物系绳但绳脱离人手的情况，将判断为已牵绳的宠物和人形进行标记，后续不进行检测，避免进行重复检测，能够节约资源，降低计算量。
26.请参阅图1，图1是本技术实施方式中一宠物牵绳检测方法的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施方式包括：
27.s110：获取待检测图像。
28.在需要进行宠物监管的场所都设置有监控摄像头，可以利用监控摄像头拍摄的监控视频获取图像，获取监控摄像头拍摄的监控视频，并对视频进行抽帧处理，获得每一帧监控视频图像作为待检测图像。
29.s130：对待检测图像进行宠物和人形检测，响应于检测到宠物和人形，获取宠物位置坐标和人形位置坐标。
30.对待检测图像进行检测，分别使用不同的检测算法检测图像中的宠物和人形，分别得到各个宠物和各个人形的位置坐标，即获取各个宠物和各个人形的检测框的位置坐标。
31.s150：获取组合图像，对所有组合图像进行牵绳识别。
32.将每个宠物分别和所有的人形组合，一个宠物和一个人形作为一个组合，基于各个宠物和各个人形的检测框的位置坐标，获取包含一个组合里的宠物和人形的组合图像。
33.对所有组合图像进行牵绳识别，识别宠物和人形之间是否有绳。
34.s170：响应于组合图像的识别结果为已牵绳，对组合图像中的宠物及人形进行标记关联，并中止对带有关联标记的宠物进行牵绳检测。
35.若对组合图像牵绳识别的识别结果是已牵绳，则说明该组合图像中的人形和宠物为对应牵绳的人和对应的宠物。则将该人形和宠物进行关联标记，以使该人形和宠物匹配，并将该人形和宠物排除在后续检测外，中止对带有关联标记的宠物进行牵绳检测，其中，终止对该宠物的牵绳检测是指后续检测过程中仍然可以对该宠物进行识别检测，但已确认该宠物为已牵绳，则并不需要对该宠物和其他人形匹配进行牵绳检测。
36.该实施方式中，通过自动对监控视频中的宠物和人形进行检测，将其两两组合判断是否牵绳，不仅仅判断宠物是否系绳，考虑了系绳但绳脱离人手的情况，结合判断使得使用场景更加广泛，准确性更高；同时，将判断为已牵绳的宠物和人形进行标记，后续不进行牵绳检测，避免进行重复检测，能够节约资源，降低计算量。
37.请参阅图2，图2是本技术实施方式中另一宠物牵绳检测方法的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图2 所示的流程顺序为限。如图2所示，本实施方式包括：
38.s210：获取待检测图像。
39.在需要进行宠物监管的场所都设置有监控摄像头，可以利用监控摄像头拍摄的监控视频获取图像，获取监控摄像头拍摄的监控视频，并对视频进行抽帧处理，获得每一帧监控视频图像作为待检测图像。
40.s220：对待检测图像进行宠物检测，获取宠物区域图像；对待检测图像进行人形检测，获取人形区域图像。
41.对待检测图像进行检测，分别使用不同的检测算法检测图像中的宠物和人形。将待检测图像输入宠物检测模型中，对宠物进行检测，在一实施方式中，利用yolo深度学习算法对宠物进行检测，获取宠物区域图像，输出宠物位置的坐标。将待检测图像输入人形检测模型中，对人形进行检测，在一实施方式中，利用yolo深度学习算法对人形进行检测，获取人形区域图像，输出人形位置的坐标。其中，yolo深度学习算法包括但不限于yolov1、yolov2、yolov3、yolov4、yolov5 以及其他yolo相关算法。
42.具体地，在该实施方式中，实际获取的是包含宠物区域图像和人形区域图像的矩形框坐标，但在实际处理过程中先获取的的宠物区域图像和人形区域图像。宠物位置和人形位置的坐标可以为矩形框坐标，以矩形坐标框的左上角和右下角的坐标作为矩形框坐标，如矩形坐标框的左上角的坐标为(a1,b1)，矩形坐标框的右下角的坐标为(a2,b2)，则该矩形坐标框的坐标为[(a1,b1),(a2,a2)]。首先，建立坐标系，以待检测图像左上角顶点坐标为原点(0,0)建立坐标系x-y。
[0043]
利用宠物检测模型对宠物进行检测，获取包含宠物的矩形区域图像的宠物区域图像，将宠物区域图像的左上角顶点坐标和右下角顶点坐标的组合作为宠物的位置坐标。利用人形检测模型对人形进行检测，获取包含人形的矩形区域图像的人形区域图像，将人形区域图像的左上角顶点坐标和右下角顶点坐标的组合作为人形的位置坐标。通过智能检测，共检测到n只宠物和m个人形。
[0044]
s230：获取组合图像，对所有组合图像进行牵绳识别。
[0045]
将每个宠物分别和所有的人形组合，一个宠物和一个人形作为一个组合，即将每个宠物区域图像分别和所有的人形区域图像组合，获取包含对应一个宠物区域图像和人形区域图像的组合图像。利用同样的坐标获取方法获取组合图像的坐标。在一实施方式中，将包含对应一个宠物区域图像和人形区域图像的最小矩形框图像作为组合图像。比较宠物区域图像的左上角横坐标与人形区域图像的左上角横坐标的大小，将较小的一个作为组合图像的左上角横坐标；比较宠物区域图像的左上角纵坐标与人形区域图像的左上角纵坐标的大小，将较小的一个作为组合图像的左上角纵坐标；比较宠物区域图像的右下角横坐标与人形区域图像的右下角横坐标的大小，将较大的一个作为组合图像的右下角横坐标；比较宠物区域图像的右下角纵坐标与人形区域图像的右下角纵坐标的大小，将较大的一个作为组合图像的右下角纵坐标，以得到组合图像的坐标。
[0046]
通过上述方法，对n只宠物和m个人形进行分别组合得到n
×
m个组合图像，每个宠物对应有m个组合图像。分别对n
×
m个组合图像进行牵绳检测，识别宠物和人形之间是否有绳连接。在该实施方式中，将组合图像输入卷积神经网络，利用卷积神经网络识别组合图像中人形和宠物是否牵绳，卷积神经网络包括但不限于alexnet、resnet、inception、 vgg中的任一种或多种组合，以及以这些网络为基础所改进而来的网络。
[0047]
s240：响应于检测到宠物且未检测到人形或同一宠物对应的多个组合图像中均检测为未牵绳，输出宠物未牵绳。
[0048]
在一实施方式中，上述宠物检测和人形检测过程中只检测到了宠物且未检测到人形，则认为该宠物未牵绳。
[0049]
在另一实施方式中，若同一宠物对应的m个组合图像的识别结果均为未牵绳，则也认为该宠物未牵绳。
[0050]
当输出结果为宠物未牵绳，则同时输出未牵绳宠物的宠物区域图像和待检测图像，将待检测图像上叠加该宠物区域图像，作为取证图片，将取证图片保存，并向场所监管人员发送信息提醒。
[0051]
s250：响应于组合图像的识别结果为已牵绳，对组合图像中的宠物及人形设置关联标记，分别对所述带有关联标记的宠物和人形进行跟踪。
[0052]
在一实施方式中，若组合图像的识别结果为已牵绳，则认为该宠物已牵绳，并且说
明该组合图像中的人形和宠物为对应牵绳的人和对应的宠物。则将该人形和宠物进行关联标记，以使该人形和宠物匹配，并将该人形和宠物排除在后续检测外，中止对带有关联标记的宠物进行检测。
[0053]
在另一实施方式中，若同一宠物对应的m个组合图像的识别结果均为未牵绳，则再次检测该宠物是否有和人形的关联标记，若带有关联标记，则认为该宠物已牵绳。若未带有关联，则认为该宠物未牵绳。
[0054]
基于特征提取和搜索算法对带有关联标记的宠物和人形进行跟踪，持续输出带有关联标记的宠物和人形的信息。
[0055]
s260：响应于带有关联标记的人形离开监控区域，不再将带有关联标记的宠物与其他人形进行图像组合；或响应于带有关联标记的宠物离开监控区域，不再将带有关联标记的人形与其他宠物进行图像组合。
[0056]
在一实施方式中，当跟踪检测过程中，带有关联标记的人形离开监控区域，则后续进行宠物和人形组合时，不将该宠物与其他人形进行图像组合，直接输出该宠物已牵绳。在另一实施方式中，当跟踪检测过程中，带有关联标记的宠物离开监控区域，不再将对应的人形与其他宠物进行图像组合。
[0057]
该实施方式中，通过利用深度学习算法自动对监控视频中的宠物和人形进行检测，将其两两组合判断是否牵绳，结合判断考虑了宠物系绳，但绳脱离人手的情况，使得使用场景更加广泛，准确性更高；同时，将判断为已牵绳的宠物和人形进行标记，不进行后续检测，避免进行重复检测，能够节约资源，降低计算量。在后续对宠物和人形继续跟踪，当宠物或人形离开监控范围内时，不对其对应的人形或宠物进行检测，避免因行人走出监控范围而所牵宠物还在范围内所造成的误报，以及避免因宠物走出监控范围而其主人还在范围内所造成的误报。而且，本技术可以利用监控进行全天不间断监测，记录并输出抓拍图像与提醒信息，避免了人工监测存在的监测不及时、漏监测、取证困难的问题。
[0058]
请参阅图3，图3是本技术实施方式中宠物牵绳检测具体方法的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图3 所示的流程顺序为限。犬只是生活中常见宠物，在该具体实施方式中，以宠物为犬只为例进行说明。如图3所示，在一具体实施方式中，该宠物牵绳检测方法包括六个模块，分别为犬只检测模块、人体检测模块、犬只和人体图像匹配裁剪模块、牵绳分类模块、跟踪模块和抓拍模块。
[0059]
首先，利用摄像机获取监控场景的实时图像，以图像左上角为原点 (0,0)建立坐标系x-y。将当前帧图像作为待检测图像，并输入犬只检测模块中，犬只检测模块利用yolo深度学习算法检测待检测图像中是否包含犬只，若没有检测到犬只，则直接输出并不对该帧待检测图像进行处理；若检测到犬只，则获取包含犬只的矩形框，以矩形框的左上角坐标和右下角坐标作为矩形框坐标，输出犬只位置的矩形框坐标，如 [(x1,y1),(x2,y2)]，其中，犬只检测框左上角的坐标为(x1,y1)，右下角的坐标为(x2,y2)，并将待检测图像输入到人体检测模块中。在该实施方式中，检出犬只共n只，则输出的犬只检测框坐标分别为：[(x
11
,y
11
),(x
12
,y
12
)]、 [(x
21
,y
21
),(x
22
,y
22
)]、
……
[(x
n1
,y
n1
),(x
n2
,y
n2
)]。
[0060]
人体检测模块利用yolo深度学习算法检测待检测图像中是否包含人体，若没有检测到人体，则将待检测图像和犬只检测框坐标输入到抓拍模块中。若检测到人体，则获取包含人体的矩形框，以矩形框的左上角坐标和右下角坐标作为矩形框坐标，输出人体位置的
矩形框坐标，如[(a1,b1),(a2,a2)]，其中，人体检测框左上角的坐标为(a1,b1)，右下角的坐标为(a2,b2)，并将待检测图像、犬只检测框坐标和人体检测框坐标输入犬只和人体图像匹配裁剪模块。在该实施方式中，检出人体共m个，则输出的人体检测框坐标分别为：[(a
11
,b
11
),(a
12
,b
12
)]、[(a
21
,b
21
),(a
22
,b
22
)]、
……ꢀ
[(a
m1
,b
m1
),(a
m2
,b
m2
)]。请参阅图4，图4是本技术实施方式中一犬只检测框和人形检测框的示意图。其中，对犬只和人形进行检测得到的犬只检测框的坐标为[x
11
,y
11
),(x
12
,y
12
)]，人形检测框的坐标为[a
11
,b
11
),(a12,b
12
)]。
[0061]
在犬只和人体图像匹配裁剪模块中，对输入的犬只检测框和人体检测框进行分别两两组合，根据犬只检测框坐标和人体检测框坐标剪裁得到包含犬只检测框和人体检测框的组合图像。将得到的n个犬只检测框和m个人体检测框组合得到n
×
m个组合图像。在一实施方式中，剪裁得到包含犬只检测框和人体检测框的最小图像作为组合图像。具体地，请参阅图5，图5是图4中犬只检测框和人形检测框的组合图像的示意图。比较犬只检测框左上角横坐标x
11
和人体检测框左上角横坐标a
11
的大小，选择最小的横坐标作为组合图像左上角的横坐标，即 u
11
＝min(x
11
,a
11
)；比较犬只检测框左上角纵坐标x
12
和人体检测框左上角纵坐标a
12
的大小，选择最小的横坐标作为组合图像左上角的横坐标，即u
12
＝max(x
12
,a
12
)；比较犬只检测框右下角横坐标y
11
和人体检测框右下角横坐标b
11
的大小，选择最小的横坐标作为组合图像左上角的横坐标，即v
11
＝min(y
11
,b
11
)；比较犬只检测框右下角纵坐标y
12
和人体检测框右下角纵坐标b
12
的大小，选择最小的横坐标作为组合图像左上角的横坐标，即v
12
＝max(y
12
,b
12
)。根据得到的坐标，对待检测图像进行检测，得到组合图像的坐标为[u
11
,v
11
),(u
12
,v
12
)]。将得到的组合图像输入到牵绳分类模块中。
[0062]
牵绳分类模块先将各个组合图像分组，将同一犬只对应的n个组合图像分为一组，并将每组的组合图像与对应的犬只检测框绑定。利用卷积神经网络对每一个组合图像进行二分类，检测图像属于“牵绳类”或者“未牵绳类”。可选择的卷积神经网络包括但不限于alexnet、resnet、 inception系列网络、vgg系列网络等卷积神经网络，以及以这些网络为基础所改进而来的网络。当检测到一组图像中同一犬只对应的n个组合图像均被分类为“未牵绳类”，则判断该犬只为“未牵绳类”，记录检测结果并将待检测图像和犬只检测框输入到抓拍模块。而当检测到一组图像中同一犬只对应的n个组合图像至少有一张被分类为“牵绳类”，则判断该犬只为“牵绳类”。并将犬只检测框和对应的人体检测框输入到跟踪模块。
[0063]
抓拍模块对当前帧图像进行抓拍，并保存该帧图像，然后在当前帧图像中叠加被分类为“未牵绳类”的犬只检测框行程最终的抓拍取证图片。将该取证图片输出并发送信息提醒消息给场所监管人员，以使场所监管人员对未牵绳犬只的行为进行监管。
[0064]
在跟踪模块中，对被分类为“牵绳类”的犬只和人体进行跟踪。具体地，首先为输入到跟踪模块中的犬只和人体设置id，将同一组犬只和人体的id进行绑定标记。并对犬只和人体的目标状态进行标记，共有三种目标状态，分别为“目标创建”、“目标更新”和“目标隐藏”。对刚输入跟踪模块中的犬只和人体的目标状态标记为“目标创建”。犬只和人体在监控区域内活动时则目标状态为“目标更新”。基于特征提取和滤波类搜素算法对状态为“目标创建”和“目标更新”的犬只和人体进行目标跟踪，并持续输出目标信息。其中，特征提取方法包括但不限于基于局部特征、全局特征、模板、直方图、binary pattern、pca、sparsepca、sr(sparse representation)、discriminative model、generative model 的方法。对于搜索机制包括但不限于：csk、kcf/dcf、cn、粒子滤波、马尔可夫链蒙特卡罗法、局部最优
搜索、密集抽样搜索等。当检测到犬只和/或人体离开监控区域时，将对应的犬只和/或人体的状态标记为“目标隐藏”。当人体的状态为“目标隐藏”时，在之后的监控视频帧中不再将对应关联标记的犬只与其他人人体进行图像组合，即不进行牵绳检测；或当犬只的状态为“目标隐藏”时，在之后的监控视频帧中不再将对应关联标记的人形与其他犬只进行图像组合，即不进行牵绳检测。
[0065]
当前帧图像的处理完成之后，继续使用上述方法对之后的监控视频帧图像进行处理。
[0066]
在该具体实施方式中，该实施方式中，通过利用深度学习算法自动对监控视频中的犬只和人体进行检测，将其两两组合判断是否牵绳，结合判断考虑了犬只系绳，但绳脱离人手的情况，使得使用场景更加广泛，准确性更高；同时，将判断为已牵绳的取值和人体进行标记，不进行后续检测，避免进行重复检测，能够节约资源，降低计算量。在后续对犬只和人体继续跟踪，当犬只或人体离开监控范围内时，不对其对应的人体或犬只进行检测，避免因行人走出监控范围而所牵犬只还在范围内所造成的误报，以及避免因犬只走出监控范围而其主人还在范围内所造成的误报。而且，本技术可以利用监控进行全天不间断监测，记录并输出抓拍图像与提醒信息，避免了人工监测存在的监测不及时、漏监测、取证困难的问题。
[0067]
请参阅图6，图6是本技术实施方式中宠物牵绳检测装置的结构示意图。该实施方式中，宠物牵绳检测装置包括获取模块61、检测模块 62、组合模块63和关联模块64。
[0068]
其中获取模块61用于获取待检测图像；检测模块62用于对待检测图像进行宠物和人形检测，响应于检测到宠物和人形，获取宠物位置坐标和人形位置坐标；组合模块63用于获取组合图像，每个组合图像中包括任意一只宠物与任意一个人形的组合，对所有组合图像进行牵绳识别；关联模块64用于响应于组合图像的识别结果为已牵绳，对组合图像中的宠物及人形进行标记关联，并中止对带有关联标记的宠物进行检测。该宠物牵绳检测装置用于自动对监控视频中的宠物和人体进行检测，将其两两组合判断是否牵绳，不仅仅判断宠物是否系绳，考虑了系绳但绳脱离人手的情况，结合判断使得使用场景更加广泛，准确性更高；同时，将判断为已牵绳的宠物和人形进行标记，避免进行重复检测，能够节约资源，降低计算量。
[0069]
请参阅图7，图7是本技术实施方式中宠物牵绳检测设备的结构示意图。该实施方式中，宠物牵绳检测设备71包括处理器72。
[0070]
处理器72还可以称为cpu(central processing unit，中央处理单元)。处理器72可能是一种集成电路芯片，具有信号的处理能力。处理器72 还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器72也可以是任何常规的处理器等。
[0071]
宠物牵绳检测设备71可以进一步包括存储器(图中未示出)，用于存储处理器72运行所需的指令和数据。
[0072]
处理器72用于执行指令以实现上述本技术宠物牵绳检测方法任一实施例及任意不冲突的组合所提供的方法。
[0073]
请参阅图8，图8是本技术实施方式中计算机可读存储介质的结构示意图。本技术
实施例的计算机可读存储介质81存储有指令/程序数据 82，该指令/程序数据82被执行时实现本技术宠物牵绳检测方法任一实施例以及任意不冲突的组合所提供的方法。其中，该指令/程序数据82 可以形成程序文件以软件产品的形式存储在上述存储介质81中，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)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质81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，或者是计算机、服务器、手机、平板等终端设备。
[0074]
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。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，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，例如多个单元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接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0075]
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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0076]
以上所述仅为本发明的实施方式，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。