一种基于深度学习的人数预测方法、装置、设备及介质与流程

1.本发明涉及深度学习领域，尤其是一种基于深度学习的人数预测方法、装置、设备及存储介质。


背景技术：

2.监控系统广泛应用于实际生活中，传统的监控系统只能起到简单的录像和报警作用，随着图像处理、计算机视觉和人工智能技术的融入，智能视频监控的概念越来越普及。现今，人工智能技术各大设计厂家针对人工智能算法专门设计了智能处理部件，然而智能处理部件对于部署平台的计算能力要求较高，边缘计算平台的处理能力可能会限制智能处理部件的处理性能，这样在监控视频处理过程中，上一阶段的跳帧处理会降低视频的连续性，影响智能处理部件分析结果，进而降低人数统计准确性。


技术实现要素：

3.有鉴于此，为了解决上述技术问题的至少之一，本发明的目的是提供一种基于深度学习的人数预测方法、装置、设备及存储介质，提高人数预测的准确性。
4.本发明实施例采用的技术方案是：
5.一种基于深度学习的人数预测方法，包括：
6.获取训练视频数据；
7.对所述训练视频数据进行第一处理，所述第一处理包括：对所述训练视频数据进行量化处理，得到时间连续的若干个第一图像；对所述第一图像进行预处理，并对预处理结果进行背景化处理，得到背景图像；根据所述预处理结果和所述背景图像的像素差确定第二图像，将所述第二图像与所述第一图像合并，得到合并数据；
8.将所述合并数据输入至神经网络模型进行训练，得到预测模型；
9.获取待检测视频数据，对所述待检测视频数据进行第二处理，并将第二处理结果输入至所述预测模型，得到人数预测结果；所述第二处理为将所述待检测视频数据作为所述训练视频数据进行的所述第一处理。
10.进一步，所述对所述第一图像进行预处理，包括：
11.对所述第一图像进行重采样处理至预设通道级别，得到若干个不同量化级别的量化图像。
12.进一步，所述对预处理结果进行背景化处理，得到背景图像，包括：
13.根据预设采用速率以及预设数量，通过循环图像缓冲器积累预处理结果，得到采样图像；
14.计算所述循环图像缓冲器中所述采样图像的每一像素的直方图；所述直方图包括若干个量化级别的元素，每一所述元素表征一个量化级别出现在所述采样图像中的像素位置的频率；
15.根据所述频率最高的像素位置的像素值得到背景图像。
16.进一步，所述方法还包括：
17.获取新的第一图像以得到新的采样图像；
18.根据所述背景图像计算新的直方图以得到新的元素和新的频率；
19.当所述新的频率的最大值大于等于预设阈值，根据新的所述频率最高的像素位置的像素值得到背景图像对应的像素值更新背景图像。
20.进一步，所述根据所述预处理结果和所述背景图像的像素差确定第二图像，包括：
21.计算所述预处理结果与所述背景图像的每一像素的像素差的绝对值；
22.通过灰度转换函数计算所述绝对值的转换值，当所述转换值大于等于二进制化阈值，将预设图像中对应的像素置1，否则置0，得到第二图像。
23.进一步，所述预测模型包括卷积层、递归层以及线性输出层；所述将所述合并数据输入至神经网络模型进行训练，得到预测模型，包括：
24.生成所述第二图像的人数标注，根据人数标注以及合并数据得到训练集；
25.将所述训练集输入所述卷积层进行卷积处理，得到若干特征图；
26.将所述特征图输入至所述递归层进行递归处理；所述递归层包括若干个依序连接的lstm层；
27.将递归处理结果输入至所述线性输出层，得到预测人数，根据所述预测人数以及所述人数标注修改神经网络模型的网络参数，得到预测模型。
28.进一步，所述方法还包括：
29.获取历史数据；所述历史数据包括时间、日期、天气、事件以及人数预测结果；
30.将所述历史数据输入至lstm模型进行训练，得到lstm网络模型；
31.将待处理数据输入至lstm网络模型，得到人流预测结果。
32.本发明实施例还提供一种基于深度学习的人数预测装置，包括：
33.获取模块，用于获取训练视频数据；
34.处理模块，用于对所述训练视频数据进行第一处理，所述第一处理包括：对所述训练视频数据进行量化处理，得到时间连续的若干个第一图像；对所述第一图像进行预处理，并对预处理结果进行背景化处理，得到背景图像；根据所述预处理结果和所述背景图像的像素差确定第二图像，将所述第二图像与所述第一图像合并，得到合并数据；
35.训练模块，用于将所述合并数据输入至神经网络模型进行训练，得到预测模型；
36.输出模块，用于获取待检测视频数据，对所述待检测视频数据进行第二处理，并将第二处理结果输入至所述预测模型，得到人数预测结果；所述第二处理为将所述待检测视频数据作为所述训练视频数据进行的所述第一处理。
37.本发明实施例还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现所述方法。
38.本发明实施例还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现所述方法。
39.本发明的有益效果是：通过对所述训练视频数据进行第一处理，所述第一处理包括：对所述训练视频数据进行量化处理，得到时间连续的若干个第一图像；对所述第一图像
进行预处理，并对预处理结果进行背景化处理，得到背景图像；根据所述预处理结果和所述背景图像的像素差确定第二图像，将所述第二图像与所述第一图像合并，得到合并数据，将所述合并数据输入至神经网络模型进行训练，得到预测模型，使得输入至神经网络模型进行训练的合并数据是时间上连续的图像，能够利用空间和时间上的合成表示，即使出现某一阶段的跳帧也只会丢失其中的某个第一图像，从而降低跳帧对训练视频数据的连续性的影响，使得后续对所述待检测视频数据进行第二处理，并将第二处理结果输入至所述预测模型，得到人数预测结果更加准确。
附图说明
40.图1为本发明基于深度学习的人数预测方法的步骤流程示意图；
41.图2为本发明具体实施例神经网络模型的训练示意图。
具体实施方式
42.为了使本技术领域的人员更好地理解本技术方案，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，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
43.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
44.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
45.如图1所示，本发明实施例提供一种基于深度学习的人数预测方法，包括步骤s100-s400：
46.s100、获取训练视频数据。
47.本发明实施例中，可以通过边缘端智能处理部件获取训练视频数据。可选地，训练视频数据为彩色视频的数据，即rgb训练视频数据。
48.s200、对训练视频数据进行第一处理，第一处理包括：对训练视频数据进行量化处理，得到时间连续的若干个第一图像；对第一图像进行预处理，并对预处理结果进行背景化处理，得到背景图像；根据预处理结果和背景图像的像素差确定第二图像，将第二图像与第一图像合并，得到合并数据。
49.可选地，步骤s200中的对训练视频数据进行量化处理，得到时间连续的若干个第一图像，具体地：对训练视频数据进行量化处理，以将训练视频数据拆分成时间连续的若干个第一图像所构成的序列，其中第一图像记为
50.需要说明的是，由于环境会因物品移动、光照等发生变化，不适合采用简单的方法，如使用单个静态图像作为背景参考。因此，我们需要对第一图像进行量化，利用量化后的图像进行前景和背景的检测，并且采用动态的方式更新背景。
51.可选地，步骤s200中对第一图像进行预处理，包括步骤s211：
52.s211、对第一图像进行重采样处理至预设通道级别，得到若干个不同量化级别的量化图像。
53.具体地，对采集到的每一幅第一图像进行重采样，以适应后续神经网络模型输入的空间维度，示例性地尺寸大小设置为400
×
225像素；同时，为了减轻照明问题，重采样处理至预设通道级别(每个通道λc级别)，示例性地设置λc＝4，从而得到λ＝43＝64个不同量化级别的量化图像即预处理结果。
54.可选地，步骤s200中对预处理结果进行背景化处理，得到背景图像，包括背景初始化步骤，具体包括步骤s221-s223：
55.s221、根据预设采用速率以及预设数量，通过循环图像缓冲器积累预处理结果，得到采样图像。
56.本发明实施例中，为了产生初始背景，通过循环图像缓冲器c实时地积累了预设数量η个预处理结果(即量化图像)。示例性地，将预设数量η设置为100，将预设采样速率设置为每秒一帧，以积累100个连续秒的信息作为采样图像。需要说明的是，通过预设采用速率以及预设数量的设置，使得在实践中能够将变动不大的人物(例如在座位上或者站立等人物)从背景中移除，而不会被分类为背景从而影响人数预测结果。
57.s222、计算循环图像缓冲器中采样图像的每一像素的直方图。
58.具体地，当循环图像缓冲器c被填满，例如到达预设数量时，计算循环图像缓冲器c中采样图像的空间域的每一像素(i,j)的直方图每个直方图包括若干(λ)个量化级别的元素(bin),每一元素(bin)表征一个量化级别出现在循环图像缓冲器c中采样图像的像素位置(i,j)的频率，即：其中，#为运算符，为采样图像的(i,j)对应的量化级别l的直方图，代表一个元素(bin)。
59.s223、根据频率最高的像素位置的像素值得到背景图像。
60.具体地，频率最高的像素位置的像素值即该像素位置中最常见的颜色，即频率最高的像素位置的像素值的模式为其中，mode表示函数，表示背景图像中像素位置(i,j)的像素值，从而得到初始的背景图像b。
61.可选地，本发明实施例的基于深度学习的人数预测方法在步骤s223之后，还可以包括背景更新步骤，由于实际应用场景中背景中可能会出现物体的位置和光线等发生变化，因此进行定期或者实时的背景更新，有利于提高后续的人数预测的准确率。具体地，背景更新步骤包括步骤s224-s226：
62.s224、获取新的第一图像以得到新的采样图像。
63.s225、根据背景图像计算新的直方图以得到新的元素和新的频率。
64.可选地，假设生成背景图像b的时间步数为t-1，即背景图像为生成时
利用的直方图实则为当时间步数从t-1到t的需要利用循环图像缓冲器c、以及进行更新，循环图像缓冲器c中的缓冲区不断地被获取的新的第一图像所更新得到新的采样图像。具体地，在用新的第一图像(n代表数量)覆盖c中最旧的图像之前，要从直方图中删除其数据，并用的数据来更新，从而根据步骤s221-s223相同的方式得到新的直方图新的元素和新的频率，用于后续将更新为
65.s226、当新的频率的最大值大于等于预设阈值，根据新的频率最高的像素位置的像素值得到背景图像对应的像素值更新背景图像。
66.本发明实施例中，采用与初始化不同的处理策略，增加一个约束条件：
[0067][0068]
其中，τ
·
η为预设阈值，τ是第一阈值，η为预设数量，当新的频率的最大值大于等于预设阈值时，即确保只有新的直方图的样本高度集中在一个bin中时才会发生更新，根据新的频率最高的像素位置的像素值得到背景图像对应的像素值从而更新背景图像，得到新的背景图像即否则采用更新前背景图像即需要说明的是，通过设置约束条件能够避免一些情况下静止的人被错误地识别为背景；示例性地τ＝0.8。
[0069]
可选地，步骤s200中根据预处理结果和背景图像的像素差确定第二图像，包括步骤s231-s232：
[0070]
s231、计算预处理结果与背景图像的每一像素的像素差的绝对值。
[0071]
s232、通过灰度转换函数计算绝对值的转换值，当转换值大于等于二进制化阈值，将预设图像中对应的像素置1，否则置0，得到第二图像。
[0072]
本发明实施例中，每个背景图像被用来计算一个第二图像p，第二图像为二进制图像，其表示第一图像中人的空间分布。具体地：
[0073][0074]
其中，p
i,j
为第二图像p中像素(i，j)的像素值，grey是一个灰度转换函数，为预处理结果(量化图像)与背景图像的每一像素(i，j)的像素差的绝对值，β是二进制化阈值，示例性地设置为0.1。需要说明的是，在被人占据的图像区域中，p
i,j
有可能为1，从而为神经网络提供更高层次的信息。
[0075]
具体地，步骤s200中将将第二图像与第一图像合并，得到合并数据，具体地，将第二图像p与第一合并图像，得到四通道的合并数据rgbp图像。
[0076]
s300、将合并数据输入至神经网络模型进行训练，得到预测模型。
[0077]
如图2所示，可选地，神经网络模型采用cnn回归模型，包括卷积层、递归层以及线性输出层。具体地，步骤s300包括步骤s311-s314：
[0078]
s311、生成第二图像的人数标注，根据人数标注以及合并数据得到训练集。
[0079]
可选地，生成对于最后一个的第二图像的人数标注，然后根据人数标注以及合并数据得到训练集，合并数据rgbp图像为时间连续的若干个(例如t-1个)第一图像以及第二图像构成t个连续图像的序列而不是单个图像，训练集中的每一图像记为一张rgbp图像。然后，把人数问题作为一个回归分析过程，采用监督学习方法训练深度的神经网络模型，对训练集，进行评估，并输出一个估计近似人数的实数。
[0080]
s312、将训练集输入卷积层进行卷积处理，得到若干特征图。
[0081]
具体地，卷积层中具有多个卷积单元以及最大池化层(max pooling)，卷积单元与最大池化层构成一个block，卷积层接收由t个rgbp图像组成的序列，空间分辨率固定为400
×
225像素，形成一个尺寸为400
×
225
×4×
t的4d张量，每张rgbp图像都被由尺寸为k
×
k的f个滤波器组成的卷积单元单独过滤(convolutional)，并且后面连接一个2
×
2的最大池化层，在两个空间维度上将输入图像减半并突出其特征，得到若干特征图。需要说明的是，卷积层采用标准的relu激活函数(activation)。
[0082]
s313、将特征图输入至递归层进行递归处理。
[0083]
可选地，递归层包括若干个依序连接的lstm层(lstm layer)。本发明实施例中，对卷积层输出的特征图输入至递归层进行递归处理，递归处理包括：对特征图进行扁平化处理后，将得到的阵列送入lstm层，每一个lstm层由单个数量的单元units(u1，
…
，ul)组成，从每个特征图中提取的特征按顺序输入到下一lstm层。需要说明的是，如果不是最后一个时间步，其输出流到下一个时间步，如果不是最后一个lstm层，可能流向随后的lstm层；如果它是最后一个lstm层并且在最后一个时间步，则会流向线性输出层，输出递归处理结果。
[0084]
s314、将递归处理结果输入至线性输出层，得到预测人数，根据预测人数以及人数标注修改神经网络模型的网络参数，得到预测模型。
[0085]
本发明实施例中，线性输出层(linear output layer)由一个具有线性激活的单一神经元组成，因此将人的计数任务看作一个回归问题，遵循多对一模式，即意味着线性输出层只在前几层处理的序列中的最后一幅图像之后才被输入数据，而最后一层的输出是该图像的估计计数，然后四舍五入到最近的整数作为预测人数(output:people count)，然后根据预测人数以、人数标注以及损失函数修改神经网络模型的网络参数，直至得到需求的准确度，得到预测模型。其中，网络参数包括但不限于数据处理(或预处理)相关参数、训练过程与训练相关的参数或者网络相关参数。本发明实施例中，线性输出层通过卷积层从训练视频数据的每个图像中提取的局部颜色和前景特征来估计人的数量，并通过递归层按时间顺序利用时间上的一致性。
[0086]
s400、获取待检测视频数据，对待检测视频数据进行第二处理，并将第二处理结果输入至预测模型，得到人数预测结果。
[0087]
具体地，当需要进行人数预测时，获取待检测视频数据，例如可以为室外地铁站台、商场场景下拍摄的待检测视频数据，对待检测视频数据进行第二处理，其中第二处理为将待检测视频数据作为训练视频数据进行的第一处理，即与第一处理的步骤原理相同对待检测视频数据进行量化处理、预处理、背景化处理等等确定一个待检测的合并数据，即第二处理结果，将第二处理结果输入至预测模型，即可以得到人数预测结果。需要说明的是，人数预测结果是待检测的合并数据中最后一帧的rgbp图像的人数。
[0088]
可选地，本发明实施例的基于深度学习的人数预测方法还包括步骤s500-s700：
[0089]
s500、获取历史数据。
[0090]
可选地，历史数据可以存储于数据库中，包括时间、日期、天气、事件以及人数预测结果，其中人数预测结果为通过预测模型输出的人数预测结果，进行若干不同日期、时间的预测后保存并且结合时间、日期、天气、事件等因素构成历史数据。一些实施例中，例如当一天具有多次人数预测结果时，历史数据中可以利用人数预测结果中的最大值。
[0091]
s600、将历史数据输入至lstm模型进行训练，得到lstm网络模型。
[0092]
可选地，利用基于lstm的长期序列的lstm模型进行预测，输入历史数据进行lstm模型的训练，得到lstm网络模型，可以用于预测预测未来一段时间的人流量，为拥堵提前做好准备，也避免空闲时的资源浪费。同时，在获取到新的数据天添加至数据库中时，作为新的历史数据训练集定期训练更新模型，得到更好的lstm网络模型。
[0093]
s700、将待处理数据输入至lstm网络模型，得到人流预测结果。
[0094]
具体地，当需要进行人流预测时，获取待处理数并输入至lstm网络模型，从而得到人流预测结果。需要说明的是，待处理数据包括但不限于时间、日期、天气、事件等。
[0095]
本发明实施例的基于深度学习的人数预测方法，利用了从边缘端智能视频监控部件获取的训练视频数据的时空一致性，将前景检测方法与cnn回归模型相结合，利用lrcn体系结构衍生的深度神经网络体系结构从一系列的图像预测人口数量，能够从边缘端智能视频监控拍摄的训练视频数据中准确预测人数。同时，解决了传统的监控视频处理过程中，上一阶段的跳帧处理会降低视频的连续性，影响分析结果，进而降低人数统计准确性的问题，基于时间连续的第一图像进行后续的处理，利用时空一致性，这种协同作用使生成的网络能够利用空间和时间上的合成表示，输入的视频实际上是时间上的连续图像的序列，即使某一阶段的跳帧，只会丢失序列中的某个第一图像，可降低对人数统计影响。我们为边缘端智能视频监控部件提供的rgb视频设计了通用的回归模型统计方法，具有很好的可扩展性和通用性。另外，兼顾了人工智能处理部件自身处理能力有限和产品成本定价等资源限制问题导致的行人结果信息出错使人数统计精度下降的问题，进行未来短期人流量预测，为拥堵提前做好准备，有利于避免空闲时的资源浪费。
[0096]
本发明实施例还提供一种基于深度学习的人数预测装置，包括：
[0097]
获取模块，用于获取训练视频数据；
[0098]
处理模块，用于对训练视频数据进行第一处理，第一处理包括：对训练视频数据进行量化处理，得到时间连续的若干个第一图像；对第一图像进行预处理，并对预处理结果进行背景化处理，得到背景图像；根据预处理结果和背景图像的像素差确定第二图像，将第二图像与第一图像合并，得到合并数据；
[0099]
训练模块，用于将合并数据输入至神经网络模型进行训练，得到预测模型；
[0100]
输出模块，用于获取待检测视频数据，对待检测视频数据进行第二处理，并将第二处理结果输入至预测模型，得到人数预测结果；第二处理为将待检测视频数据作为训练视频数据进行的第一处理。
[0101]
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0102]
本发明实施例还提供了一种电子设备，电子设备包括处理器和存储器，存储器中
存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现前述实施例的基于深度学习的人数预测方法。本发明实施例的电子设备包括但不限于手机、平板电脑、电脑及车载电脑等任意智能终端。
[0103]
上述方法实施例中的内容均适用于本设备实施例中，本设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0104]
本发明实施例还提供一种计算机可读存储介质，存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现前述实施例的基于深度学习的人数预测方法。
[0105]
本发明实施例还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述实施例的基于深度学习的人数预测方法。
[0106]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0107]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0108]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，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。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。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。
[0109]
集成的单元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，本技术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全部或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，包括多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)执行本技术各个实施例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(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0110]
以上，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。