一种文字识别方法、装置、电子设备及存储介质与流程

1.本技术涉及人工智能、深度学习和文字识别的技术领域，具体而言，涉及一种文字识别方法、装置、电子设备及存储介质。


背景技术：

2.目前，对文字进行识别大都是采用端到端(end-to-end)的识别方式，具体例如：针对场景文本检测或者识别的单个、两个或者两个以上的文字识别任务，可以在剔除非文字区域之后获得文字区域图像，然后采用端到端的文字识别模型lenet-5对文字区域图像进行文本识别，获得文字文本作为识别结果。
3.在具体的实践过程中发现，在极端光照情况下的复杂场景中,由于文字区域图像(例如广告牌)的损耗导致图像中的文字断裂粘连时，难以识别出文字区域图像中的文字文本。因此，目前对文字进行识别的准确率较低。


技术实现要素：

4.本技术实施例的目的在于提供一种文字识别方法、装置、电子设备及存储介质，用于改善对文字进行识别的准确率较低的问题。
5.本技术实施例提供了一种文字识别方法，包括：获取待识别图像；使用可差分二值化dbnet模型对待识别图像进行文字区域检测和裁剪，获得文字区域图像；使用选择性上下文注意力场景文字识别器scatter模型对文字区域图像进行文字识别，获得文字文本。在上述方案的实现过程中，通过使用可差分二值化网络dbnet模型对待识别图像进行文字区域检测和裁剪，获得文字区域图像，并使用选择性上下文注意力场景文字识别器scatter对文字区域图像进行文字识别，也就是说，通过结合可差分二值化网络dbnet模型的文字检测过程和选择性上下文注意力场景文字识别器scatter的文字识别过程，从而有效地提高了对文字进行识别的准确率。
6.可选地，在本技术实施例中，scatter模型包括：空间变形网络、特征提取网络和文字识别网络；使用选择性上下文注意力场景文字识别器scatter模型对文字区域图像进行文字识别，获得文字文本，包括：使用空间变形网络对文字区域图像进行变形矫正，获得变形矫正图像；使用特征提取网络对变形矫正图像进行特征提取，获得图像表示特征；使用文字识别网络对图像表示特征进行文字识别，获得文字文本。在上述方案的实现过程中，通过使用空间变形网络对文字区域图像进行变形矫正，获得变形矫正图像，并使用特征提取网络对变形矫正图像进行特征提取，然后根据图像表示特征进行文字识别，从而避免了没有矫正导致识别失败的情况，有效地提高了对文字进行识别的准确率。
7.可选地，在本技术实施例中，特征提取网络包括：卷积网络和残差网络；使用特征提取网络对变形矫正图像进行特征提取，获得图像表示特征，包括：使用卷积网络对变形矫正图像进行特征提取，获得图像卷积特征；使用残差网络对图像卷积特征进行残差处理，获得图像表示特征。在上述方案的实现过程中，通过使用卷积网络对变形矫正图像进行特征
提取，获得图像卷积特征，并使用残差网络对图像卷积特征进行残差处理，从而避免了训练时梯度消失的问题，有效地提高了对文字进行识别的准确率。
8.可选地，在本技术实施例中，特征提取网络包括：特征编码模块和文本注意力模块；使用特征提取网络对变形矫正图像进行特征提取，获得图像表示特征，包括：使用特征编码模块对变形矫正图像进行特征编码，获得特征编码图；使用文本注意力模块对特征编码图进行注意力处理，获得图像表示特征。在上述方案的实现过程中，通过使用特征编码模块对变形矫正图像进行特征编码，获得特征编码图，并使用文本注意力模块对特征编码图进行注意力处理，从而加入了注意力机制来提取图像表示特征，有效地提高了对文字进行识别的准确率。
9.可选地，在本技术实施例中，文字识别网络包括：视觉特征优化网络和选择性上下文解码模块；使用文字识别网络对图像表示特征进行文字识别，获得文字文本，包括：使用视觉特征优化网络对图像表示特征进行转译优化，获得优化视觉特征；使用选择性上下文解码模块对优化视觉特征进行特征解码，获得文字文本。在上述方案的实现过程中，通过使用视觉特征优化网络对图像表示特征进行转译优化，获得优化视觉特征，并使用选择性上下文解码模块对优化视觉特征进行特征解码，从而避免了没有使用上下文相关信息导致识别失败的情况，有效地提高了对文字进行识别的准确率。
10.可选地，在本技术实施例中，dbnet模型包括：自适应阈值模块、可微二值化模块和特征金字塔；使用可差分二值化dbnet模型对待识别图像进行文字区域检测和裁剪，获得文字区域图像，包括：使用特征金字塔对待识别图像进行特征提取，获得图像特征；使用自适应阈值模块对图像特征进行自适应阈值预测，获得阈值特征图；使用可微二值化模块对图像特征和阈值特征图进行可微分二值化、标记和裁剪，获得文字区域图像。在上述方案的实现过程中，通过使用自适应阈值模块对图像特征进行自适应阈值预测，获得阈值特征图，并使用可微二值化模块对图像特征和阈值特征图进行可微分二值化、标记和裁剪，从而避免了没有自适应阈值导致获得的区域中没有文字的情况，有效地提高了对文字进行识别的准确率。
11.可选地，在本技术实施例中，在使用选择性上下文注意力场景文字识别器scatter模型对文字区域图像进行文字识别之前，还包括：获取多个样本图像和多个样本标签，样本图像是包含文字的区域图像，样本标签是样本图像中对应的文字文本；以多个样本图像为训练数据，以多个样本标签为训练标签，对scatter网络进行训练，获得scatter模型。
12.本技术实施例还提供了一种文字识别装置，包括：识别图像获取模块，用于获取待识别图像；区域图像获得模块，用于使用可差分二值化dbnet模型对待识别图像进行文字区域检测和裁剪，获得文字区域图像；图像文字识别模块，用于使用选择性上下文注意力场景文字识别器scatter模型对文字区域图像进行文字识别，获得文字文本。
13.可选地，在本技术实施例中，scatter模型包括：空间变形网络、特征提取网络和文字识别网络；图像文字识别模块，包括：图像变形矫正模块，用于使用空间变形网络对文字区域图像进行变形矫正，获得变形矫正图像；表示特征获得模块，用于使用特征提取网络对变形矫正图像进行特征提取，获得图像表示特征；文字文本获得模块，用于使用文字识别网络对图像表示特征进行文字识别，获得文字文本。
14.可选地，在本技术实施例中，特征提取网络包括：卷积网络和残差网络；表示特征
获得模块，包括：卷积特征获得模块，用于使用卷积网络对变形矫正图像进行特征提取，获得图像卷积特征；特征残差处理模块，用于使用残差网络对图像卷积特征进行残差处理，获得图像表示特征。
15.可选地，在本技术实施例中，特征提取网络包括：特征编码模块和文本注意力模块；表示特征获得模块，包括：图像特征编码模块，用于使用特征编码模块对变形矫正图像进行特征编码，获得特征编码图；特征编码处理模块，用于使用文本注意力模块对特征编码图进行注意力处理，获得图像表示特征。
16.可选地，在本技术实施例中，文字识别网络包括：视觉特征优化网络和选择性上下文解码模块；文字文本获得模块，包括：视觉特征获得模块，用于使用视觉特征优化网络对图像表示特征进行转译优化，获得优化视觉特征；视觉特征解码模块，用于使用选择性上下文解码模块对优化视觉特征进行特征解码，获得文字文本。
17.可选地，在本技术实施例中，dbnet模型包括：自适应阈值模块、可微二值化模块和特征金字塔；区域图像获得模块，包括：图像特征获得模块，用于使用特征金字塔对待识别图像进行特征提取，获得图像特征；自适应阈值模块，用于使用自适应阈值模块对图像特征进行自适应阈值预测，获得阈值特征图；文字标记裁剪模块，用于使用可微二值化模块对图像特征和阈值特征图进行可微分二值化、标记和裁剪，获得文字区域图像。
18.可选地，在本技术实施例中，文字识别装置，还包括：图像标签获得模块，用于获取多个样本图像和多个样本标签，样本图像是包含文字的区域图像，样本标签是样本图像中对应的文字文本；网络模型训练模块，用于以多个样本图像为训练数据，以多个样本标签为训练标签，对scatter网络进行训练，获得scatter模型。
19.本技术实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
20.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如上面描述的方法。
附图说明
21.为了更清楚地说明本技术实施例的技术方案，下面将对本技术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实施例中的某些实施例，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。
22.图1示出的本技术实施例提供的文字识别方法的流程示意图；
23.图2示出的本技术实施例提供的dbnet模型的网络结构示意图；
24.图3示出的本技术实施例提供的scatter模型的网络结构示意图；
25.图4示出的本技术实施例提供的训练dbnet模型的流程示意图；
26.图5示出的本技术实施例提供的训练scatter模型的流程示意图；
27.图6示出的本技术实施例提供的文字识别装置的结构示意图。
具体实施方式
28.下面将结合本技术实施例中附图，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实施例中的一部分实施例，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实施例的详细描述并非旨在限制要求保护的本技术实施例的范围，而是仅仅表示本技术实施例中的选定实施例。基于本技术实施例，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，都属于本技术实施例保护的范围。
29.可以理解的是，本技术实施例中的“第一”、“第二”用于区别类似的对象。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
30.在介绍本技术实施例提供的文字识别方法之前，先介绍本技术实施例中所涉及的一些概念：
31.注意力机制(attention mechanism)源于对人类视觉的研究；在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息；上述机制通常被称为注意力机制。
32.场景文本识别(scene text recognition，str)，在复杂图像背景下，识别文本任务中的一个活跃的研究领域，例如：从路边的广告牌中识别出以任意形状(arbitrary shapes)绘制的文本。
33.双向长短记忆(bidirectional long short-term memory，bi-lstm，或者bilstm)网络，是指一种与lstm类似的神经网络结构，这里的bilstm网络模型相比与lstm模型来说，区别在于不同于lstm模型隐藏层的单向传播，bi-lstm模型包含两个相互独立的隐藏层，这里的两个相互独立的隐藏层就是前向lstm网络和后向lstm网络，前向lstm网络传播方向和后向lstm网络的传播方向是相反的。
34.残差网络(residual network，resnet)，又被称为残差神经网络，是指微软研究院的学者提出的卷积神经网络，resnet的特点是容易优化，并且能够通过增加相当的深度来提高准确率；resnet内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
35.需要说明的是，本技术实施例提供的文字识别方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和unix服务器。
36.下面介绍该文字识别方法适用的应用场景，这里的应用场景包括但不限于：票据识别、图片文字识别、邮政信封识别、车牌识别、手稿文书识别等等应用场景。为了便于理解和说明，这里以图片文字识别的应用场景为例进行说明，具体例如：使用文字识别方法来识别手写字体图像、使用文字识别方法来识别象形文字的图像等等场景；这里的象形文字例如汉字、埃及文字、赫梯象形文、苏美尔文、古印度文等等。
37.请参见图1示出的本技术实施例提供的文字识别方法的流程示意图；该文字识别方法的主要思路是，通过结合可差分二值化网络dbnet模型的文字检测过程和选择性上下文注意力场景文字识别器scatter的文字识别过程，从而提高对文字进行识别的准确率。上
述的文字识别方法的实施方式可以包括：
38.步骤s110：获取待识别图像。
39.上述步骤s110中的待识别图像的获得方式包括：第一种获得方式，使用摄像机、录像机或彩色照相机等终端设备对目标对象进行拍摄，获得待识别图像；然后该终端设备向电子设备发送待识别图像，然后电子设备接收终端设备发送的待识别图像，电子设备可以将待识别图像存储至文件系统、数据库或移动存储设备中；第二种获得方式，获取预先存储的待识别图像，具体例如：从文件系统、数据库或移动存储设备中获取待识别图像；第三种获得方式，使用浏览器等软件获取互联网上的待识别图像，或者使用其它应用程序访问互联网获得待识别图像。
40.步骤s120：使用可差分二值化dbnet模型对待识别图像进行文字区域检测和裁剪，获得文字区域图像。
41.可差分二值化(differentiable binarization network，dbnet)模型，是一种优化执行的二值化过程的神经网络模型。由于标准的二值化函数是不可差分(又称微分)的(differentiable)，因此，dbnet中采用了近似于阶跃函数的且可微二值化的近似二值化函数，从而使用该近似二值化函数来代替标准的二值化函数，该函数被称作可差分二值化(differentiable binarization，db)函数，使得网络在训练的时候能端对端的学习文本分割的阈值，从而能够达到完全可微分地自动调节阈值的效果。与此同时，自动调节阈值不仅带来模型精度的提升，也简化了模型的后处理过程，提高了文本检测的准确率和性能。
42.步骤s130：使用选择性上下文注意力场景文字识别器scatter模型对文字区域图像进行文字识别，获得文字文本。
43.选择性上下文注意力场景文字识别器(selective context attentional scene text recognizer，scatter)模型，是一种利用堆叠块体系结构来介入(intermediate)训练监督的神经网络模型，以此成功地训练了更深层次的选择性上下文解码模块(例如bilstm编码器)，从而改进了上下文依赖的编码过程。
44.在上述的实现过程中，通过使用可差分二值化网络dbnet模型对待识别图像进行文字区域检测和裁剪，获得文字区域图像，并使用选择性上下文注意力场景文字识别器scatter对文字区域图像进行文字识别，也就是说，通过结合可差分二值化网络dbnet模型的文字检测过程和选择性上下文注意力场景文字识别器scatter的文字识别过程，从而有效地提高了对文字进行识别的准确率。
45.请参见图2示出的本技术实施例提供的dbnet模型的网络结构示意图；作为步骤s120的一种可选实施方式，上述的dbnet模型可以包括：自适应阈值模块、可微二值化模块和特征金字塔；可以使用自适应阈值模块、可微二值化模块和特征金字塔进行文字区域检测和裁剪，获得文字区域图像的实施方式可以包括：
46.步骤s121：使用特征金字塔对待识别图像进行特征提取，获得图像特征。
47.上述步骤s121的实施方式例如：使用dbnet模型中的特征金字塔对待识别图像进行提取同尺度的(same scale)上采样(up-sample)特征，并级联(cascade)来生成获得图像特征。
48.步骤s122：使用自适应阈值模块对图像特征进行自适应阈值预测，获得阈值特征图。
decoder，scd)模块；使用视觉特征优化网络和选择性上下文解码模块对图像表示特征进行文字识别，获得文字文本的具体过程可以包括：使用文字识别网络中的视觉特征优化(vfr)网络对图像表示特征进行选择性上下文优化(selective-contextual refinement，scr)和转译优化，获得优化视觉特征；其中，视觉特征优化(vfr)网络可以为视觉功能中的每个列提供直接监督(supervision)，并细化每个特征中的表示列，然后将它们分类为单独的符号标签。
61.使用文字识别网络中的选择性上下文解码(scd)模块对优化视觉特征进行特征解码，获得文字文本。其中，选择性上下文优化(scr)是使用由两层bilstm编码器组成的网络块提取上下文特征，并使用卷积神经网络(cnn)将上下文特征拼接(concatenate)成视觉特征上的文字文本。可以理解的是，在特征解码的过程中，可以通过基于序列的方法来选择性上下文解码(scd)模块对优化视觉特征进行特征解码，基于序列的方法是指依赖连接主义时间分类(connectionist temporal classification，ctc)和注意力机制(attention-based mechanisms)的神经网络方法。
62.请参见图4示出的本技术实施例提供的训练dbnet模型的流程示意图；作为文字识别方法的一种可选实施方式，在使用可差分二值化dbnet模型之前或者之后，还可以对dbnet模型进行训练，训练dbnet模型的具体过程可以包括：
63.步骤s210：获取多个样本文字图像和多个样本文字标签，样本文字图像是包含完整文字的样本图像，样本文字标签是对样本图像进行文字区域检测和裁剪，获得包含文字部分的文字区域图像。
64.上述的多个样本文字图像和多个样本文字标签可以分开获取，具体例如：人工的搜集多个样本文字图像，并人工地识别多个样本文字图像的多个样本文字标签；当然，也可以将多个样本文字图像和多个样本文字标签打包为第一训练数据集一起获取，这里以第一训练数据集一起获取为例进行说明。
65.上述步骤s210的实施方式例如：第一种获得方式，使用摄像机、录像机或彩色照相机等终端设备对目标对象进行拍摄，获得第一训练数据集；然后该终端设备向电子设备发送第一训练数据集，然后电子设备接收终端设备发送的第一训练数据集，电子设备可以将第一训练数据集存储至文件系统、数据库或移动存储设备中；第二种获得方式，获取预先存储的第一训练数据集，具体例如：从文件系统、数据库或移动存储设备中获取第一训练数据集；第三种获得方式，使用浏览器等软件获取互联网上的第一训练数据集，或者使用其它应用程序访问互联网获得第一训练数据集。
66.步骤s220：以多个样本文字图像为训练数据，以多个样本文字标签为训练标签，对dbnet网络进行训练，获得dbnet模型。
67.上述步骤s220的实施方式例如：使用dbnet网络预测样本文字图像中的文字区域图像，并计算文字区域图像和样本文字标签之间的损失值，再根据该损失值更新神经网络的网络权重参数，直到神经网络的正确率不再升高或者迭代次数(epoch)数量大于预设阈值时，即可获得训练后的dbnet模型。其中，上述的预设阈值可以根据具体情况进行设置，例如设置为100或者1000等等。
68.请参见图5示出的本技术实施例提供的训练scatter模型的流程示意图；scatter使用了两个注意力机制阶段完成，第一个注意力机制阶段，将卷积神经网络
(convolutional neural networks，cnn)主干中的视觉特征与选择性上下文解码模块(例如bilstm编码器)计算出来的上下文特征进行重新加权，第二个注意力机制阶段，是将图像特征作为一个序列，并对序列之间的关系进行注意力计算。因此，scatter可以将文本识别的问题转换为序列预测的问题，从而达到简化了文本识别的效果。
69.作为文字识别方法的一种可选实施方式，在使用选择性上下文注意力场景文字识别器scatter模型之前或者之后，还可以对scatter模型进行训练，训练scatter模型的具体过程可以包括：
70.步骤s310：获取多个样本图像和多个样本标签，样本图像是包含文字部分的文字区域图像，样本标签是样本图像中对应的文字文本。
71.上述的多个样本图像和多个样本标签可以分开获取，具体例如：人工的搜集多个样本图像，并人工地识别多个样本图像的多个样本标签；当然，也可以将多个样本图像和多个样本标签打包为第二训练数据集一起获取，这里以第二训练数据集一起获取为例进行说明。
72.上述步骤s210的实施方式例如：第一种获得方式，接收其它终端设备发送的第二训练数据集，将第二训练数据集存储至文件系统、数据库或移动存储设备中；第二种获得方式，获取预先存储的第二训练数据集，具体例如：从文件系统、数据库或移动存储设备中获取第二训练数据集；第三种获得方式，使用浏览器等软件获取互联网上的第二训练数据集，或者使用其它应用程序访问互联网获得第二训练数据集。
73.步骤s320：以多个样本图像为训练数据，以多个样本标签为训练标签，对scatter网络进行训练，获得scatter模型。
74.上述步骤s220的实施方式例如：使用dbnet网络预测样本图像对应的预测文本，计算预测文本和样本标签之间的损失值，再根据该损失值更新神经网络的网络权重参数，直到神经网络的正确率不再升高或者迭代次数(epoch)数量大于预设阈值时，即可获得训练后的scatter模型。其中，上述的预设阈值也可以根据具体情况进行设置，例如设置为200或者2000等等。
75.请参见图6示出的本技术实施例提供的文字识别装置的结构示意图。本技术实施例提供了一种文字识别装置400，包括：
76.识别图像获取模块410，用于获取待识别图像。
77.区域图像获得模块420，用于使用可差分二值化dbnet模型对待识别图像进行文字区域检测和裁剪，获得文字区域图像。
78.图像文字识别模块430，用于使用选择性上下文注意力场景文字识别器scatter模型对文字区域图像进行文字识别，获得文字文本。
79.可选地，在本技术实施例中，scatter模型包括：空间变形网络、特征提取网络和文字识别网络；图像文字识别模块，包括：
80.图像变形矫正模块，用于使用空间变形网络对文字区域图像进行变形矫正，获得变形矫正图像。
81.表示特征获得模块，用于使用特征提取网络对变形矫正图像进行特征提取，获得图像表示特征。
82.文字文本获得模块，用于使用文字识别网络对图像表示特征进行文字识别，获得
文字文本。
83.可选地，在本技术实施例中，特征提取网络包括：卷积网络和残差网络；表示特征获得模块，包括：
84.卷积特征获得模块，用于使用卷积网络对变形矫正图像进行特征提取，获得图像卷积特征。
85.特征残差处理模块，用于使用残差网络对图像卷积特征进行残差处理，获得图像表示特征。
86.可选地，在本技术实施例中，特征提取网络包括：特征编码模块和文本注意力模块；表示特征获得模块，包括：
87.图像特征编码模块，用于使用特征编码模块对变形矫正图像进行特征编码，获得特征编码图。
88.特征编码处理模块，用于使用文本注意力模块对特征编码图进行注意力处理，获得图像表示特征。
89.可选地，在本技术实施例中，文字识别网络包括：视觉特征优化网络和选择性上下文解码模块；文字文本获得模块，包括：
90.视觉特征获得模块，用于使用视觉特征优化网络对图像表示特征进行转译优化，获得优化视觉特征。
91.视觉特征解码模块，用于使用选择性上下文解码模块对优化视觉特征进行特征解码，获得文字文本。
92.可选地，在本技术实施例中，dbnet模型包括：自适应阈值模块、可微二值化模块和特征金字塔；区域图像获得模块，包括：
93.图像特征获得模块，用于使用特征金字塔对待识别图像进行特征提取，获得图像特征。
94.自适应阈值模块，用于使用自适应阈值模块对图像特征进行自适应阈值预测，获得阈值特征图。
95.文字标记裁剪模块，用于使用可微二值化模块对图像特征和阈值特征图进行可微分二值化、标记和裁剪，获得文字区域图像。
96.可选地，在本技术实施例中，文字识别装置，还包括：
97.图像标签获得模块，用于获取多个样本图像和多个样本标签，样本图像是包含文字的区域图像，样本标签是样本图像中对应的文字文本。
98.网络模型训练模块，用于以多个样本图像为训练数据，以多个样本标签为训练标签，对scatter网络进行训练，获得scatter模型。
99.应理解的是，该装置与上述的文字识别方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，os)中的软件功能模块。
100.本技术实施例提供的一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上的方法。
101.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如上的方法。
102.其中，计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(static random access memory,简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory,简称eeprom)，可擦除可编程只读存储器(erasable programmable read only memory,简称eprom)，可编程只读存储器(programmable read-only memory,简称prom)，只读存储器(read-only memory,简称rom)，磁存储器，快闪存储器，磁盘或光盘。
103.需要说明的是，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。对于装置类实施例而言，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。
104.本技术实施例提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的，例如，附图中的流程图和框图显示了根据本技术实施例的多个实施例的装置、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、程序段或代码的一部分，模块、程序段或代码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。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以和附图中所标注的发生顺序不同。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，这主要根据所涉及的功能而定。
105.另外，在本技术实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
106.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
107.以上的描述，仅为本技术实施例的可选实施方式，但本技术实施例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实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术实施例的保护范围之内。