一种服饰识别方法、装置、终端及存储介质与流程

1.本发明涉及计算机技术领域，特别是涉及一种服饰识别方法、装置、终端及存储介质。


背景技术：

2.服饰是人们日常生活中比不可少的物品。随着网络购物平台的出现，人们经常在网络购物平台上购买服饰，这极大地方便了人们的生活。相关技术中，为了进一步地为人们提供便利，可以通过服饰识别技术对人们提供的图像中的服饰进行识别，为人们提供相关服饰的信息。
3.服饰属性，比如服饰的纹理、材质、领型、剪裁版型等，是理解服装样式、用于服饰相似度排序的重要信息。现有技术在进行服饰识别以向用户推荐相关信息(例如相似款服饰)的过程中，通常只考虑单个服饰属性，导致推荐结果与理想偏差较大。


技术实现要素：

4.本发明提供一种服饰识别方法、装置、终端及计算机可读存储介质，以便在一定程度上解决现有技术中服饰识别准确率低的问题。
5.依据本发明的第一方面，提供了一种服饰识别方法，所述方法包括：
6.获取待识别的服饰图像，所述服饰图像包含待识别的目标服饰；
7.将所述服饰图像输入服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并根据提取出的服饰特征得到所述待识别的目标服饰的多种服饰属性；
8.基于所述待识别的目标服饰对应的多种服饰属性，得到所述待识别的目标服饰的识别结果。
9.可选地，在将所述服饰图像输入服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并根据提取出的服饰特征得到所述目标服饰的多种服饰属性之前，所述方法还包括：
10.采用用于提取服饰特征的教师模型指导所述服饰识别模型中用于提取服饰特征的学生模型进行训练，其中，教师模型的参数数量大于所述学生模型的参数数量；
11.根据所述教师模型基于第一训练图像输出的第一服饰特征和所述学生模型基于所述第一训练图像输出的第二服饰特征之间的特征相似性度量，对所述学生模型的参数进行修正。
12.可选地，所述服饰识别模型包括多个对应不同服饰属性的属性分类器，所述将所述服饰图像输入服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并根据提取出的服饰特征得到所述目标服饰的多种服饰属性，包括：
13.将所述服饰图像输入服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并将提取出的服饰特征输入多个所述属性分类器，以根据多个所述属性分类器输出的属性标签确定所述目标服饰的多种服饰属性。
14.可选地，所述在将所述服饰图像输入服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并根据提取出的服饰特征得到所述目标服饰的多种服饰属性之前，所述方法还包括：
15.将第二训练图像的服饰特征输入所述属性分类器；
16.根据所述属性分类器输出的属性标签与所述第二训练图像对应的原始属性标签之间的损失信息，对所述属性分类器进行训练。
17.可选地，所述基于所述待识别的目标服饰对应的多种服饰属性，得到所述待识别的目标服饰的识别结果，包括：
18.将所述多种服饰属性与预设数据库中的各个预设服饰信息对应的预设多种服饰属性进行匹配；
19.将与所述多种服饰属性匹配成功的目标预设多种服饰属性对应的目标预设服饰信息，作为所述待识别的目标服饰的识别结果。
20.可选地，所述服饰识别模型还包括对应服饰类别的类别分类器，所述将所述服饰图像输入训练好的服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并根据提取出的服饰特征得到所述待识别的目标服饰的多种服饰属性，还包括：
21.将所述服饰图像输入训练好的服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并将提取出的服饰特征输入所述类别分类器，以得到所述待识别的目标服饰的服饰类别。
22.可选地，所述方法还包括：
23.将所述服饰类别以及所述多种服饰属性与预设数据库中的各个预设服饰信息对应的预设服饰类别以及预设多种服饰属性分别进行匹配；
24.将预设服饰类别与所述服饰类别匹配成功，并且预设多种服饰属性与所述多种服饰属性匹配成功的目标预设服饰信息，作为所述待识别的目标服饰的识别结果。
25.依据本发明的第二方面，提供了一种服饰识别装置，所述装置包括：
26.服饰图像获取模块，用于获取待识别的服饰图像，所述服饰图像包含待识别的目标服饰；
27.服饰图像处理模块，用于将所述服饰图像输入服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并根据提取出的服饰特征得到所述待识别的目标服饰的多种服饰属性；
28.识别结果确定模块，用于基于所述待识别的目标服饰对应的多种服饰属性，得到所述待识别的目标服饰的识别结果。
29.可选地，所述装置还包括：
30.第一训练模块，用于采用用于提取服饰特征的教师模型指导所述服饰识别模型中用于提取服饰特征的学生模型进行训练，其中，教师模型的参数数量大于所述学生模型的参数数量；
31.第二训练模块，用于根据所述教师模型基于第一训练图像输出的第一服饰特征和所述学生模型基于所述第一训练图像输出的第二服饰特征之间的特征相似性度量，对所述学生模型的参数进行修正。
32.可选地，所述服饰识别模型包括多个对应不同服饰属性的属性分类器，所述服饰
图像处理模块，用于将所述服饰图像输入服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并将提取出的服饰特征输入多个所述属性分类器，以根据多个所述属性分类器输出的属性标签确定所述目标服饰的多种服饰属性。
33.可选地，所述装置还包括：
34.第三训练模块，用于将第二训练图像的服饰特征输入所述属性分类器；
35.第四训练模块，用于根据所述属性分类器输出的属性标签与所述第二训练图像对应的原始属性标签之间的损失信息，对所述属性分类器进行训练。
36.可选地，所述识别结果确定模块，包括：
37.第一匹配模块，用于将所述多种服饰属性与预设数据库中的各个预设服饰信息对应的预设多种服饰属性进行匹配；
38.第一确定模块，用于将与所述多种服饰属性匹配成功的目标预设多种服饰属性对应的目标预设服饰信息，作为所述待识别的目标服饰的识别结果。
39.可选地，所述服饰识别模型还包括对应服饰类别的类别分类器，所述服饰图像处理模块，还用于将所述服饰图像输入训练好的服饰识别模型，由所述服饰识别模型对所述服饰图像进行服饰特征提取，并将提取出的服饰特征输入所述类别分类器，以得到所述待识别的目标服饰的服饰类别。
40.可选地，所述装置还包括：
41.第二匹配模块，用于将所述服饰类别以及所述多种服饰属性与预设数据库中的各个预设服饰信息对应的预设服饰类别以及预设多种服饰属性分别进行匹配；
42.第二确定模块，用于将预设服饰类别与所述服饰类别匹配成功，并且预设多种服饰属性与所述多种服饰属性匹配成功的目标预设服饰信息，作为所述待识别的目标服饰的识别结果。
43.依据本发明的第三方面，提供了一种终端，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述任一所述的服饰识别方法。
44.依据本发明的第四方面，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上存储计算机程序，所述计算机程序被处理器执行时实现上述任一所述的服饰识别方法。
45.与背景技术相比，本发明实施例包括以下优点：
46.本发明实施例，通过获取待识别的服饰图像，服饰图像包含待识别的目标服饰；将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到待识别的目标服饰的多种服饰属性；基于待识别的目标服饰对应的多种服饰属性，得到待识别的目标服饰的识别结果；本发明实施例通过服饰识别模型对服饰图像进行特征提取，并根据提取出的服饰特征得到多种服饰属性，以基于多种服饰属性得到服饰的识别结果，可以提高服饰识别结果的准确性，在服饰相关信息推荐的场景中，可以减少推荐结果与理想推荐结果的偏差。
47.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
48.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
49.图1是本发明实施例提供的一种服饰识别方法的步骤流程示意图；
50.图2是本发明实施例中的一种示例性的服饰识别模型的结构示意图；
51.图3是本发明实施例提供的一种服饰识别装置的示意性结构框图。
具体实施方式
52.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
53.针对现有技术通过服饰识别来推荐相似信息的过程中，存在准确率低的问题，本发明实施例提供了一种服饰识别方法，该方法通过服饰识别模型对服饰图像进行特征提取，并根据提取出的服饰特征得到多种服饰属性，以基于多种服饰属性得到服饰的识别结果，可以提高服饰识别结果的准确性，在服饰相关信息推荐的场景中，可以减少推荐结果与理想推荐结果的偏差。
54.图1是本发明实施例提供的一种示例性的服饰识别方法的流程图。该方法可以应用于电子设备中，以实现准确识别出待识别的目标服饰。其中，电子设备可以是硬件，也可以是软件。当电子设备为硬件时，可以体现为多个服务器或终端设备组成的集群，也可以体现为单个服务器或单个终端设备。当电子设备是软件时，可以安装在上述列举的硬件设备中。如图1所示，本实施例提供的服饰识别方法，可以包括如下步骤：
55.步骤101，获取待识别的服饰图像，服饰图像包含待识别的目标服饰。
56.其中，获取待识别的服饰图像的过程可以包括从视频中提取目标帧图像作为待识别的服饰图像，或者，接收用户发送的图像作为待识别的服饰图像，或者，从指定的图像库中获取待识别的服饰图像等，具体服饰图像来源不做限定。其中，从视频中提取目标帧图像，该目标帧图像是指按照设定的规则从视频中提取的帧图像。目标服饰可以认为是待识别的服饰图像中的主要服饰，一般地，当待识别的服饰图像中仅包含一种服饰时，则待识别的目标服饰即为服饰图像中包含的服饰；当待识别的服饰图像中包含多种服饰时，待识别的目标服饰可以是服饰图像中占像素最多的服饰，或者，也可以是图像中清晰度最高的服饰，或者，还可以是服饰图像中位于前景区域的服饰，也可以人为定义等，不做具体限定。
57.步骤102，将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到待识别的目标服饰的多种服饰属性。
58.其中，服饰特征是指可以表征服饰标识的特征，可以理解，根据提取出的服饰特征可以唯一确定待识别的目标服饰的服饰标识。也就是说，当两个服饰完全相同时，提取出的服饰特征也是相同的；或者，当针对两个服饰图像提取出的服饰特征完全相同时，可以说明这两个服饰图像中的待识别的目标服饰是完全相同的。服饰属性是指服饰中某个部位(比如领型、袖型等)的特征，或者服饰在某个方面(比如材质、纹理等)上的特征。本实施例中采
用服饰识别模型对服饰图像进行多种服饰属性的识别，可以确保高效地识别出待识别服饰图像中待识别的目标服饰的多种服饰属性。并且服饰识别模型在得到待识别的目标服饰的多种服饰属性的过程中，先得到服饰特征，不仅可以提高得到的服饰属性的准确性，还可以使得服饰识别模型还具有识别服饰标识的功能。
59.步骤103，基于待识别的目标服饰对应的多种服饰属性，得到待识别的目标服饰的识别结果。
60.在得到待识别的目标服饰对应的多种服饰属性后，可以基于多种服饰属性，得到待识别的目标服饰的识别结果。即基于待识别的目标服饰的多种服饰属性，确定出具有与该多种服饰属性中各种服饰属性均相同或相似的服饰对应的服饰信息，作为待识别的目标服饰的识别结果。该服饰信息可以包括与服饰的展示图片、尺寸信息、搭配推荐、购买链接等。
61.本发明实施例通过获取待识别的服饰图像，服饰图像包含待识别的目标服饰；将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到待识别的目标服饰的多种服饰属性；基于待识别的目标服饰对应的多种服饰属性，得到待识别的目标服饰的识别结果；本发明实施例通过服饰识别模型来得到多种服饰属性，可以提高得到多种服饰属性的效率；由于多种服饰属性是根据提取出的服饰特征得到的，因此，而服饰特征是用于表示服饰标识的特征，因此，可以提高得到的多种服饰属性的准确性；最后，基于多种服饰属性得到服饰的识别结果，相比于现有技术中只考虑单个服饰属性而言，可以提高服饰识别结果的准确性，在服饰相关信息推荐的场景中，可以减少推荐结果与理想推荐结果的偏差。
62.下面，将对本示例性实施例中服饰识别方法作进一步地说明。
63.在步骤101中，获取待识别的服饰图像，服饰图像包含待识别的目标服饰。
64.其中，获取待识别的服饰图像的过程可以包括从视频中提取目标帧图像作为待识别的服饰图像，或者，接收用户发送的图像作为待识别的服饰图像，或者，从指定的图像库中获取待识别的服饰图像等，具体服饰图像来源不做限定。目标服饰可以认为是待识别的服饰图像中的主要服饰，一般地，当待识别的服饰图像中仅包含一种服饰时，则待识别的目标服饰即为服饰图像中包含的服饰；当待识别的服饰图像中包含多种服饰时，待识别的目标服饰可以是服饰图像中占像素最多的服饰，或者，也可以是图像中清晰度最高的服饰，或者，还可以是服饰图像中位于前景区域的服饰，也可以人为定义等，不做具体限定。
65.在一示例中，上述获取待识别的服饰图像，服饰图像包含待识别的目标服饰的过程，可以包括：
66.从待识别视频中提取目标帧图像；
67.当目标帧图像中包含服饰时，将目标帧图像确定为待识别的服饰图像。
68.其中，待识别视频为待进行服饰识别的视频，示例性地，待识别视频可以是时装秀、电视剧、电影、综艺等类型的视频，视频中应该存在人物和/或服装，以便采用本发明实施例提供的服饰识别方法对视频中出现的服装进行识别，进而向用户提供该服装的相关信息，相关信息可以包括与该服装的多种服饰属性相关的服饰的展示图片、尺寸信息、搭配推荐、购买链接等。
69.目标帧图像是指按照设定的规则从视频中提取的帧图像。从待识别视频中提取目
标帧图像，具体可以按照预设时间间隔，从待识别视频中提取目标帧图像，还可以按照待识别视频中所包含的镜头，从待识别视频中提取目标帧图像；还可以在待识别视频播放过程中，当检测到暂停操作时，获取暂停界面中显示的目标帧图像等。
70.在获取到目标帧图像后，针对每个目标帧图像，需要判断其是否包含服饰，如果不包含，则可以直接丢弃，若包含，则将该目标帧图像作为待识别的服饰图像，以将待识别的服饰图像输入服饰识别模型进行处理，最终得到该服饰图像中的待识别的目标服饰的识别结果。
71.示例性地，在判断目标帧图像是否包含服饰的过程，可以通过检测目标帧图像是否存在服饰区域的方式，当存在服饰区域时，则认为目标帧图像包含服饰，当不存在服饰区域时，则认为目标帧图像不包含服饰。
72.在另一示例中，上述获取待识别的服饰图像，服饰图像包含待识别的目标服饰的过程，可以包括：
73.接收用户输入的图像；
74.当图像中包含服饰时，将图像确定为待识别的服饰图像。
75.在本示例中，可以向用户展示待识别服饰图像的输入界面，由用户选择需要进行服饰识别的图像，并输入到该输入界面中。其中，用户输入的图像可以是多张。当检测到用户输入图像后，或者，当检测到开始识别的指令后，针对输入界面中的每张图像，分别检测其是否包含服饰，若是，则将图像确定为待识别的服饰图像，将待识别的服饰图像输入服饰识别模型进行处理，最终得到该服饰图像中的待识别的目标服饰的识别结果；若否，则可以丢弃。可选地，当图像中不包含服饰时，还可以显示提示信息，以提示用户重新输入等。
76.可选地，在上述输入界面中还可以包括摄像头启动控件，当用户触发摄像头启动控件后，可以启动摄像头，将摄像头拍摄得到的图像输入到输入界面中。当摄像头拍摄得到的是视频时，则可以按照与上述从待识别视频中提取目标帧图像相似的方式，从拍摄得到的视频中确定出待识别的图像。
77.在步骤102中，将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到待识别的目标服饰的多种服饰属性。
78.服饰特征是指可以表征服饰标识的特征，可以理解，根据提取出的服饰特征可以唯一确定待识别的目标服饰的服饰标识。服饰属性是指服饰中某个部位(比如领型、袖型等)的特征，或者服饰在某个方面(比如材质、纹理等)上的特征。本实施例中采用服饰识别模型对服饰图像进行多种服饰属性的识别，可以确保高效地识别出待识别服饰图像中待识别的目标服饰的多种服饰属性。并且服饰识别模型在得到待识别的目标服饰的多种服饰属性的过程中，先得到服饰特征，不仅可以提高得到的服饰属性的准确性，还可以使得服饰识别模型还具有识别服饰标识的功能。
79.在本发明一些可选实施例中，服饰识别模型可以包括用于提取服饰特征的特征提取模型(即后文完成训练的学生模型)和多个对应不同服饰属性的属性分类器。将服饰图像输入服饰识别模型，通过服饰识别模型中的特征提取模型来提取服饰图像的服饰特征，再通过多个属性分类器对服饰特征进行服饰属性分类识别，以得到待识别的目标服饰的多种服饰属性。
80.其中，特征提取模型提取出的服饰特征是指可以表征服饰标识的特征，每个属性
分类器用于识别一种服饰属性，并输出该服饰属性的属性标签。示例性地，对于上衣来说，服饰属性可以包括服饰纹理、服饰领型、服饰袖型、服饰材质、服饰版型这五种属性类别；其中，服饰纹理是指服饰的图案，例如，服饰纹理可以包括动物纹理、植物纹理等；服饰领型是指服饰领口类型，例如服饰领型可以包括圆领、v领等；服饰袖型是指服饰衣袖类型，例如服饰袖型可以包括喇叭袖、灯笼袖等；服饰材质是指服饰材料质地，例如服饰材质可以包括皮革、丝绸等；服饰版型是指服饰的轮廓形态，比如服饰版型包括宽松版、修身版等。在该示例中，服饰识别模型可以包括5个属性分类器，分别为用于识别服饰纹理的第一属性分类器，用于识别服饰领型的第二属性分类器，用于识别服饰袖型的第三属性分类器，用于识别服饰材质的第四属性分类器，用于识别服饰版型的第五属性分类器。
81.在得到服饰识别模型之前，需要构建初始服饰识别模型，并对初始服饰识别模型进行训练。本实施例中使用的服饰识别模型是指训练完成的服饰识别模型。
82.在本发明一些实施例中，在上述将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到目标服饰的多种服饰属性之前，还包括：
83.采用用于提取服饰特征的教师模型指导服饰识别模型中用于提取服饰特征的学生模型进行训练，其中，教师模型的参数数量大于学生模型的参数数量；
84.根据教师模型基于第一训练图像输出的第一服饰特征和学生模型基于第一训练图像输出的第二服饰特征之间的特征相似性度量，对学生模型的参数进行修正。
85.本实施例中，教师模型是预先训练好的用于提取服饰特征的模型，为了确保对学生模型训练结果的准确性，需要保证教师模型的准确率达到指定要求，理想状态下，教师模型的准确率应当达到100％。示例性地，教师模型可以通过训练集对初始教师模型进行训练得到，其中，训练集中包含一定数量的不同服饰的服饰图像，初始教师模型为卷积神经网络模型。教师模型的准确率验证过程可以采用验证集来进行验证，验证集也是包含一定数量的不同服饰的服饰图像，当验证结果的准确率达到指定值时，则确定教师模型的准确率达到指定要求。
86.教师模型的参数数量大于学生模型的参数数量，采用教师模型指导学生模型进行训练，可以实现学生模型在具有相对较少的参数数量的情况下，达到与教师模型相同的提取服饰特征的功能。可以理解，本实施例采用知识蒸馏技术对服饰识别模型中用于提取服饰特征的学生模型进行训练。知识蒸馏技术体现对模型能力的迁移，即学生模型具有教师模型的能力。
87.示例性地，教师模型包括多个卷积层；学生模型的原始参数包括对教师模型的参数进行迁移得到的第一类参数和随机初始化的第二类参数。
88.在采用教师模型对学生模型进行训练的过程中，将第一训练图像分别输入教师模型和学生模型，由教师模型对第一训练图像进行处理，得到第一服饰特征，学生模型对第一训练图像进行处理，得到第二服饰特征；通过计算第一服饰特征和第二服饰特征之间的特征相似性度量，来对学生模型的参数进行修正。
89.示例性地，根据第一服饰特征和第二服饰特征之间的特征相似性度量，来对学生模型的参数进行修正的过程，可以包括：
90.判断特征相似性度量是否大于预设特征度量阈值；
91.若否，则对学生模型的参数进行修正。
92.在本示例中，当第一服饰特征和第二服饰特征之间的特征相似性度量大于预设特征度量阈值时，说明学生模型提取出的服饰特征与教师模型提取出的服饰特征一致性较好，可以认为学生模型已经具有教师模型提取服饰特征的功能。当第一服饰特征和第二服饰特征之间的特征相似性度量没有大于预设特征度量阈值时，则说明学生模型提取出的服饰特征与教师模型提取出的服饰特征一致性较差，需要对学生模型的参数进行修正，一般地，可以只修正学生模型中的第二类参数。具体的参数修正过程可以基于预先设置的修正规则进行，而修正规则则可以由工作人员根据经验进行设置，本技术实施例对此不作限制。
93.需要说明的是，为了提高学生模型提取服饰特征的准确性，第一训练图像的数量应当达到一定的值。在对学生模型的参数进行修正的过程中，可以根据教师模型基于每个第一训练图像输出的第一服饰特征和学生模型基于相同的第一训练图像输出的第二服饰特征之间的特征相似性度量，对学生模型的参数进行修正；也可以根据教师模型基于所有第一训练图像输出的第一服饰特征和学生模型基于相同的第一训练图像输出的第二服饰特征之间的特征相似性度量的平均值，对学生模型的参数进行修正等，本技术对此不作限制。
94.本实施例中，采用教师模型指导服饰识别模型中的学生模型进行训练，可以使得参数数量较小的学生模型具有参数数量较多的教师模型的功能，不仅可以简化服饰识别模型的构建过程，还可以提高服饰识别模型的训练效率，以及，使得服饰识别模型具有相对较小的规模，以减少服饰识别模型使用过程中对设备内存的占用，以及可以提高服饰识别模型的处理效率。
95.另外，在构建服饰识别模型的过程中，也可以不采用知识蒸馏技术来构建和训练服饰识别模型，但该过程与本发明上述优选实施例相比，构建出的服饰识别模型一般更大，即服饰识别模型所占的内存更大，并且在训练过程中，为了确保服饰识别模型的准确率，需要更多的训练样本，但该构建和训练服饰识别模型的方式也应当在本发明保护的范围内。
96.上述将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到目标服饰的多种服饰属性，包括：
97.将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并将提取出的服饰特征输入多个属性分类器，以根据多个属性分类器输出的属性标签确定目标服饰的多种服饰属性。
98.本实施例采用多个属性分类器，可以实现多服饰属性的识别。每个属性分类器用于识别一类服饰属性，可以降低对分类器泛化性能的要求，减轻分类器训练难度；从而可以通过收集少量训练样本，来实现准确性符合要求的多种服饰属性识别效果。
99.在本发明一些可选实施例中，上述将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到目标服饰的多种服饰属性之前，还包括：
100.将第二训练图像的服饰特征输入属性分类器；
101.根据属性分类器输出的属性标签与第二训练图像对应的原始属性标签之间的损失信息，对属性分类器进行训练。
102.本实施例中，各个属性分类器均是对服饰特征进行处理，以输出相应的属性标签，
也就是说，属性分类器是将服饰特征映射为指定维度进行输出。示例性地，将服饰特征输入用于识别领型的领型属性分类器，领型属性分类器可以输出对应的领型属性特征，比如当领型属性分类器输入的是领型1(领型是编码为1的领型)袖型1(袖型是编码为1的袖型)版型1(版型是编码为1的版型)纹理1(纹理是编码为1的纹理)材质1(材质是编码为1的材质)的服饰对应的服饰特征时，该领型属性分类器理想输出结果应该是100％领型1标签，与该服饰特征对应的原始领型属性标签是领型1标签完全一致。若该领型属性分类器输出结果为60％是领型2标签，40％是领型1标签，与该服饰特征对应的原始领型属性标签是100％领型1标签之间误差较大，显然该领型属性分类器的识别准确性没有达到要求，需要继续对该领型属性分类器进行训练。
103.本实施例可以使用相同的第二训练图像的服饰特征对多个属性分类器分别进行训练，根据各个属性分类器输出的属性标签与第二训练图像对应的原始属性标签之间的损失信息，对对应的属性分类器进行参数调整。可以理解，在确定第二训练图像的服饰特征时，同时需要确定第二训练图像对应的原始属性标签。
104.示例性地，以第二训练图像是领型1(领型是编码为1的领型)袖型1(袖型是编码为1的袖型)版型1(版型是编码为1的版型)纹理1(纹理是编码为1的纹理)材质1(材质是编码为1的材质)的服饰图像为例，可以确定该第二训练图像的原始属性标签包括原始领型1标签，原始袖型1标签，原始版型1标签，原始纹理1标签，原始材质1标签；多个属性分类器包括领型属性分类器、袖型属性分类器、版型属性分类器、纹理属性分类器、材质属性分类器，将该第二训练图像的服饰特征分别输入多个属性分类器中，领型属性分类器可以输出其识别出的领型标签，袖型属性分类器可以输出其识别出的袖型标签，版型属性分类器可以输出其识别出的版型标签，纹理属性分类器可以输出其识别出的纹理标签，材质属性分类器可以输出其识别出的材质标签；然后通过分类学习损失函数(例如交叉熵函数)计算领型属性分类器输出的领型标签与原始领型1标签的损失信息，袖型属性分类器输出的袖型标签与原始袖型1标签的损失信息，版型属性分类器输出版型标签与原始版型1标签的损失信息，纹理属性分类器输出纹理标签与原始纹理1标签的损失信息，材质属性分类器输出材质标签与原始材质1标签的损失信息；根据各个损失信息对对应的属性分类器进行参数调整。
105.示例性地，根据属性分类器输出的属性标签与第二训练图像对应的原始属性标签之间的损失信息，对属性分类器进行参数调整的过程，可以包括：
106.判断损失信息是否大于预设损失阈值；
107.若是，则对对应的属性分类器的参数进行修正。
108.在本示例中，当损失信息大于预设损失阈值时，说明该属性分类器识别出的属性标签准确性较低，需要对该属性分类器的参数进行修正，具体的参数修正过程可以基于预先设置的修正规则进行，而修正规则则可以由工作人员根据经验进行设置，本技术实施例对此不作限制。当损失信息没有大于预设属性度量阈值时，则说明该属性分类器识别出的属性标签准确性较高，可以投入使用。
109.需要说明的是，为了提高各个属性分类器的准确性，第二训练图像的数量应当达到一定的值。
110.在本发明一些可选实施例中，上述输入属性分类器的第二训练图像的服饰特征，可以由已经训练好的学生模型输出，也就是说，可以将第二训练图像输入已经训练好的学
生模型，由训练好的学生模型对第二训练图像进行服饰特征提取，并将提取出的服饰特征作为待训练的属性分类器的输入，可以体现服饰识别模型的整体准确率。
111.进一步地，在本发明一些可选实施例中，上述服饰识别模型还可以包括对应服饰类别的类别分类器，该服饰类别识别模型用于识别服饰所属的服饰类别，输出类别标签，其中，服饰类别用于对服饰的整体进行的分类。示例性地，服饰类别可以包括：长袖上衣、短袖上衣、长裤、短裤、半身裙、连衣裙、其它等类别。该类别分类器可以和属性分类器实现任务信息共享。具体地，类别分类器的输入与属性分类器的输入相同，即特征提取模型输出的结果可以同时作为类别分类器的输入和属性分类器的输出，或者说，特征提取模型输出的结果经过一定的网络层处理后，可以同时作为类别分类器的输入和属性分类器的输入。由类别分类器识别服饰图像中待识别的目标服饰对应的服饰类别，并输出对应的类别标签，可以进一步提高服饰识别效果。也就是说，在对待识别的目标服饰进行识别和相关信息推荐的过程中，通过增加服饰类别的判定，可以提高最终识别得到的、与待识别的目标服饰相关的服饰信息的准确性。
112.其中，对服饰类别识别模型的训练过程与属性分类模型的训练过程类似，可采用交叉损失熵函数作为约束进行学习，具体可以参见上文对属性分类模型的训练过程的描述。
113.上述将服饰图像输入训练好的服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到待识别的目标服饰的多种服饰属性，还包括：
114.将服饰图像输入训练好的服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并将提取出的服饰特征输入类别分类器，以得到待识别的目标服饰的服饰类别。
115.可以理解，在本实施例中，将服饰图像输入训练好的服饰识别模型，可以获取到服饰识别模型对服饰图像中待识别的目标服饰处理得到的多种服饰属性以及服饰类别，后续可以基于待识别的目标服饰对应的多种服饰属性和服饰类别，得到待识别的目标服饰的识别结果。
116.图2是本发明一实施例中的一种示例性的服饰识别模型的结构示意图。如图2所示，服饰识别模型包括特征提取模型(也就是训练好的学生模型)和多个属性分类器以及类别分类器，特征提取模型输出的隐含空间特征受教师模型的约束，也就是说，由教师模型对待训练的特征提取模型(也就是学生模型)进行训练以确保特征提取模型输出结果的准确性，教师模型依次包括卷积层1/2/3/4、卷积层5、池化层1。特征提取模型依次包含卷积层1’、卷积层2’/3’/4’、卷积层5-1、池化层2，其中的卷积层1’、卷积层2’/3’/4’的参数由教师模型的卷积层1/2/3/4中的参数迁移得到，卷积层5-1、池化层2的参数是在对待训练的特征提取模型(即学生模型)进行训练的过程中，对随机初始化的参数进行修正得到。特征提取模型输出的隐含空间特征作为各个属性分类器的输入，由多个属性分类器输出多种服饰属性；并且，属性分类器输出的多种服饰属性受训练图像的原始属性标签(即训练图像的原始服饰属性)约束，也就是说，采用标记有原始属性标签的训练图像对属性分类器进行训练，以保证属性分类器输出结果的准确性。其中，每个属性分类器依次包括卷积层5-2、bn(归一化)层1、fc(全连接)层，也就是说，不同的属性分类器仅fc层不同，fc层之前的网络层可以相同，实现底层参数共用，可以减小服饰识别模型整体的占用空间。如图中，fc层1、fc层2、fc层3、fc层4、fc层5分别对应不同服饰属性类别的属性分类器，例如，fc层1用于输出服饰
纹理属性，fc层2用于输出服饰领型属性，fc层3用于输出服饰袖型属性，fc层4用于输出服饰材质属性，fc层5用于输出服饰版型属性。同时，特征提取模型输出的隐含空间特征还作为类别分类器的输入，由类别分类器输出服饰类别；类别分类器输出的服饰类别受训练图像的类别标签(即训练图像的原始服饰类别)约束，也就是说，采用标记有原始服饰类别的训练图像对类别分类器进行训练，以保证类别分类器输出结果的准确性。类别分类器可以与属性分类器共享卷积层5-2、bn层1，并通过fc层6输出服饰类别。属性分类器和类别分类器中的fc层参数均是在训练过程中，对随机初始化的参数进行修正得到；可选地，多个属性分类器以及类别分类器的训练过程可以包括两个阶段，第一阶段可以同时对多个属性分类器和类别分类器进行同时训练，在训练过程中，可以同时修改卷积层5-1以及bn层1的参数，在达到特定要求后，再进入第二阶段；第二阶段可以分别训练各个属性分类器以及类别分类器，在第二阶段训练过程中，仅通过修改各个分类器的fc层来提高各个分类器的准确性。
117.本实施例提供的服饰识别模型基于教师模型获得学生模型(即待训练的特征提取模型)的第一类参数，以及采用教师模型指导学生模型进行训练，同时使用属性识别误差、类别识别误差(即损失信息)、特征相似度误差(即特征相似性度量)共同约束服饰识别模型学习，可以改善模型学习过程中的样本不均衡程度，使得服饰识别模型具有服饰类别识别以及多种服饰属性识别的多项功能，进而可以确保基于服饰识别模型的输出结果来进行服饰识别的准确性，在相关信息推荐场景中，可以有效避免推荐结果与理想结果之间的偏差。本实施例中服饰识别模型通过多个全连接层输出不同的服饰属性，实现了服饰属性层面的多种属性标签输出，提升服饰识别模型的泛化能力。
118.在步骤103中，基于待识别的目标服饰对应的多种服饰属性，得到待识别的目标服饰的识别结果。
119.在得到待识别的目标服饰对应的多种服饰属性后，可以基于多种服饰属性，得到待识别的目标服饰的识别结果。即基于待识别的目标服饰对应的多种服饰属性，确定出具有与该多种服饰属性中各个服饰属性均相同或相似的服饰对应的服饰信息。
120.在本发明一可选实施例中，上述基于待识别的目标服饰对应的多种服饰属性，得到待识别的目标服饰的识别结果，可以包括：
121.将多种服饰属性与预设数据库中的各个预设服饰信息对应的预设多种服饰属性进行匹配；
122.将与多种服饰属性匹配成功的目标预设多种服饰属性对应的目标预设服饰信息，作为待识别的目标服饰的识别结果。
123.在本实施例中，预设数据库用于存储有多个预设服饰信息对应的预设多种服饰属性，其中，预设多种服饰属性可以采用上述步骤101-102方式对预设服饰图像进行处理得到，也可以通过接收相关人员输入的预设服饰图像对应的预设多种服饰属性得到。而预设服饰图像可以理解为预先确定的服饰图像。预设服饰图像可以根据使用场景来确定。示例性地，当使用场景为向用户推荐待识别的目标服饰的多种服饰属性对应的商品信息时，预设服饰图像可以是商品库中各个商品的图像；当使用场景为向用户推荐待识别的目标服饰的多种服饰属性对应的搭配推荐信息时，预设服饰图像可以是在搭配推荐节目或平台等与搭配推荐相关信息中出现的服饰图像。
124.本实施例在得到待识别的目标服饰对应的多种服饰属性后，将该目标服饰对应的
多种服饰属性与预设数据库中存储的各个服饰信息对应的多种服饰属性进行一一匹配，当匹配成功时，将对应的预设服饰信息记为目标预设服饰信息，该目标预设服饰信息即为待识别的目标服饰的识别结果。其中，目标预设服饰信息可以理解为目标预设服饰图像的相关信息，相关信息可以包括与该服饰图像中的主要服饰相关的其他展示图片、尺寸信息、搭配推荐、购买链接等。
125.上述将多种服饰属性与预设数据库中的各个预设服饰信息对应的预设多种服饰属性进行匹配的过程，具体可以是计算多种服饰属性中的各个服饰属性，与数据库中各个预设服饰信息对应的预设多种服饰属性之间的相似度。当相似度满足预设条件时，认为匹配成功；示例性地，当各个服饰属性的相似度都大于0.8时，则认为匹配成功。
126.示例性地，针对每个预设服饰信息，可以计算预设服饰信息中的各个预设服饰属性与待识别的目标服饰对应的服饰属性之间的子相似度的平均相似度，将平均相似度作为该预设服饰信息对应的预设多种服饰属性，与待识别的目标服饰对应的多种服饰属性的相似度，当相似度达到指定值时，认为匹配成功。假设多种服饰属性包括服饰属性1、服饰属性2、服饰属性3、服饰属性4、服饰属性5，分别计算服饰属性1与预设服饰信息对应的预设服饰属性1之间的子相似度1，服饰属性2与预设服饰信息对应的预设服饰属性2之间的子相似度2，服饰属性3与预设服饰信息对应的预设服饰属性3之间的子相似度3，服饰属性4与预设服饰信息对应的预设服饰属性4之间的子相似度4，服饰属性5与预设服饰信息对应的预设服饰属性5之间的子相似度5，最后计算子相似度1、子相似度2、子相似度3、子相似度4、子相似度5的平均相似度，当平均相似度大于0.8时，认为多种服饰属性与多种预设服饰属性匹配，则将与多种服饰属性匹配的目标预设服饰属性对应的预设服饰信息作为待识别的目标服饰属性的识别结果。
127.示例性地，在播放待识别视频过程中，当接收到用户暂停操作时，将暂停界面中显示的、包含服饰的图像确定为待识别的服饰图像；或者，在播放待识别视频过程中，可以将页面中实时显示的、包含服饰的图像确定为待识别的服饰图像；采用服饰识别模型对待识别的服饰图像中待识别的目标服饰进行服饰属性识别，以得到待识别的目标服饰对应的多种服饰属性，进而基于多种服饰属性得到待识别的目标服饰的识别结果，并将识别结果在界面中展示出来，识别结果包括待识别的目标服饰的相关信息，具体可以包括待识别的目标服饰的商品信息、搭配信息、尺寸信息、购买链接等。
128.以上述包含类别分类器的服饰识别模型相对应，在本发明一些可选实施例中，将服饰图像输入服饰识别模型，可以获取到服饰识别模型对服饰图像中待识别的目标服饰处理得到的多种服饰属性以及服饰类别，并基于待识别的目标服饰对应的多种服饰属性和服饰类别，得到待识别的目标服饰的识别结果。
129.本实施例中，得到待识别的目标服饰的识别结果的过程可以包括：
130.将服饰类别以及多种服饰属性与预设数据库中的各个预设服饰信息对应的预设服饰类别以及预设多种服饰属性分别进行匹配；
131.将预设服饰类别与服饰类别匹配成功，并且预设多种服饰属性与多种服饰属性匹配成功的目标预设服饰信息，作为待识别的目标服饰的识别结果。
132.可以理解，在本实施例中，在得到待识别的目标服饰的识别结果的过程中，需要基于待识别的目标服饰对应的多种服饰属性以及服饰类别，确定出具有与该多种服饰属性中
各个服饰属性均相同或相似，且与服饰类别相同的服饰信息。也就是说，在上述基于待识别的目标服饰对应的多种服饰属性，得到待识别的目标服饰的识别结果的实施例的基础上，增加服饰类别的匹配过程。
133.示例性地，在本实施例中，预设数据库用于存储有多个预设服饰信息对应的预设多类别服饰属性以及预设服饰类别，通过将待识别的目标服饰的多种服饰属性和服饰类别，与预设数据库中的各个预设服饰信息对应的预设多类别服饰属性以及预设服饰类别进行匹配，当匹配成功时，将对应的目标预设服饰信息，作为待识别的目标服饰的识别结果。其中，多类别服饰属性的匹配过程可以参见上文描述，不再赘述。
134.本发明实施例通过获取待识别的服饰图像，服饰图像包含待识别的目标服饰；将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到待识别的目标服饰的多种服饰属性；基于待识别的目标服饰对应的多种服饰属性，得到待识别的目标服饰的识别结果；此外，本发明实施例采用用于提取服饰特征的教师模型指导服饰识别模型中用于提取服饰特征的学生模型进行训练，使得服饰识别模型在实现服饰特征提取功能的同时，具有较小的网络层级，从而提升了服饰识别模型的表达能力。此外，通过联合服饰类别信息对服饰识别模型进行约束学习，通过多个属性分类器的多任务学习的方式，可以进一步提升服饰识别模型输出结果的准确性，从而提高服饰识别结果的准确性，在服饰相关信息推荐的场景中，可以减少推荐结果与理想结果的偏差。
135.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
136.参照图3，示出了本发明一个实施例的一种服饰识别装置的示意性结构框图，与上述服饰识别方法实施例相对应，该服饰识别装置具体可以包括如下模块：
137.服饰图像获取模块301，用于获取待识别的服饰图像，服饰图像包含待识别的目标服饰；
138.服饰图像处理模块302，用于将服饰图像输入服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并根据提取出的服饰特征得到待识别的目标服饰的多种服饰属性；
139.识别结果确定模块303，用于基于待识别的目标服饰对应的多种服饰属性，得到待识别的目标服饰的识别结果。
140.在本发明一些可选实施例中，装置还包括：
141.第一训练模块，用于采用用于提取服饰特征的教师模型指导服饰识别模型中用于提取服饰特征的学生模型进行训练，其中，教师模型的参数数量大于学生模型的参数数量；
142.第二训练模块，用于根据教师模型基于第一训练图像输出的第一服饰特征和学生模型基于第一训练图像输出的第二服饰特征之间的特征相似性度量，对学生模型的参数进行修正。
143.在本发明一些可选实施例中，服饰识别模型包括多个对应不同服饰属性的属性分类器，服饰图像处理模块302，用于将服饰图像输入服饰识别模型，由服饰识别模型对服饰
图像进行服饰特征提取，并将提取出的服饰特征输入多个属性分类器，以根据多个属性分类器输出的属性标签确定目标服饰的多种服饰属性。
144.在本发明一些可选实施例中，装置还包括：
145.第三训练模块，用于将第二训练图像的服饰特征输入属性分类器；
146.第四训练模块，用于根据属性分类器输出的属性标签与第二训练图像对应的原始属性标签之间的损失信息，对属性分类器进行训练。
147.在本发明一些可选实施例中，识别结果确定模块303，包括：
148.第一匹配模块，用于将多种服饰属性与预设数据库中的各个预设服饰信息对应的预设多种服饰属性进行匹配；
149.第一确定模块，用于将与多种服饰属性匹配成功的目标预设多种服饰属性对应的目标预设服饰信息，作为待识别的目标服饰的识别结果。
150.在本发明一些可选实施例中，服饰识别模型还包括对应服饰类别的类别分类器，服饰图像处理模块302，还用于将服饰图像输入训练好的服饰识别模型，由服饰识别模型对服饰图像进行服饰特征提取，并将提取出的服饰特征输入类别分类器，以得到待识别的目标服饰的服饰类别。
151.在本发明一些可选实施例中，装置还包括：
152.第二匹配模块，用于将服饰类别以及多种服饰属性与预设数据库中的各个预设服饰信息对应的预设服饰类别以及预设多种服饰属性分别进行匹配；
153.第二确定模块，用于将预设服饰类别与服饰类别匹配成功，并且预设多种服饰属性与多种服饰属性匹配成功的目标预设服饰信息，作为待识别的目标服饰的识别结果。
154.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
155.本发明实施例还提供了一种终端，可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上所述的服饰识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
156.本发明实施例还提供了计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上所述的服饰识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
157.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
158.本领域技术人员易于想到的是：上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本发明的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。
159.在此提供的服饰识别方法不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造具有本发明方案的系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描
述是为了披露本发明的最佳实施方式。
160.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
161.类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
162.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
163.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
164.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的服饰识别方法中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
165.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。