水位高度识别方法、装置、电子设备以及存储介质与流程

1.本技术涉及数据处理技术领域，具体而言，涉及一种水位高度识别方法、装置、电子设备以及存储介质。


背景技术：

2.水位是河流湖库的基本水文要素，实时水位是防汛相关部门在山洪灾害防治、流域防洪、城市防洪指挥决策的重要参考依据，同时，水位监测数据也是水资源环境监管、开发利用的重要指标。河流、湖库水位，除了人工观察读值外，还有自动水位计监测，自动水位计监测主要包括浮子式、压力式、气泡式、超声波式、雷达式，以及会采用传统的图像识别方法对水位进行监测。这些方法存在诸多缺陷，比如人工监测，存在安全问题，劳动强度大且自动化程度低；各种自动水位计成本高，易受环境影响，安装难度大，维护成本较高。而传统的图像识别方法由于刻度识别不准确等原因误差较大。


技术实现要素：

3.为解决上述技术问题，本技术的实施例提供了一种水位高度识别方法、水位高度识别装置、电子设备以及计算机可读存储介质，能够提高水位高度识别的精度。
4.本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。
5.根据本技术实施例的一个方面，提供了一种水位高度识别方法，包括：从采集到的水尺视频流中提取待识别图像；对待识别图像进行目标检测，得到水平面上方的图像区域，将图像区域获取为水尺图像；识别水尺图像中水平面上方的刻度信息，基于刻度信息确定水平面的初始水位高度信息，刻度信息包括临近刻度，临近刻度为距离水平面最近的刻度；确定临近刻度距离水平面的像素高度，将确定出的像素高度作为临近像素高度，并基于临近像素高度占水尺刻度的平均像素高度的比例确定出初始水位高度信息对应的测量误差；根据测量误差对初始水位高度信息进行调整，得到水位高度信息。
6.根据本技术实施例的一个方面，提供了一种水位高度识别装置，包括：提取模块，用于从采集到的水尺视频流中提取待识别图像；目标检测模块，用于对待识别图像进行目标检测，得到水平面上方的图像区域，将图像区域获取为水尺图像；识别模块，用于识别水尺图像中水平面上方的刻度信息，基于刻度信息确定水平面的初始水位高度信息，刻度信息包括临近刻度，临近刻度为距离水平面最近的刻度；第一确定模块，用于确定临近刻度距离水平面的像素高度，将确定出的像素高度作为临近像素高度，并基于临近像素高度占水尺刻度的平均像素高度的比例确定出初始水位高度信息对应的测量误差；调整模块，用于根据测量误差对初始水位高度信息进行调整，得到水位高度信息。
7.根据本技术实施例的一个方面，提供了一种电子设备，包括处理器及存储器，存储器上存储有计算机可读指令，计算机可读指令被处理器执行时实现如上水位高度识别方法。
8.根据本技术实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当计算机可读指令被计算机的处理器执行时，使计算机执行如前提供的水位高度识别方法。
9.根据本技术实施例的一个方面，提供了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上述各种可选实施例中提供的水位高度识别方法。
10.本技术的实施例所提供的技术方案基于临近刻度距离水平面的临近像素高度占水尺刻度的平均像素高度的比例，确定出初始水位高度信息对应的测量误差，根据测量误差对初始水位高度信息进行调整，得到水位高度信息，通过这种方式可消除在水平面的水位位于水尺的两个刻度之间或者在距离水平面最近的刻度未被识别为临近刻度的情况下对水位高度的测量误差，从而提高水位高度的识别精度。
11.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
12.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术者来讲，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的附图。在附图中：
13.图1是本技术一个示例性实施例示出的本发明所涉及的实施环境的示意图；
14.图2是本技术另一示例性实施例示出的本发明所涉及的实施环境的示意图；
15.图3是本技术的一示例性实施例示出的水位高度识别方法的流程图；
16.图4是在图3所示实施例中的基础上提出的一示例性实施例示出的水位高度识别方法的流程示意图；
17.图5是在图4所示实施例中的基础上提出的一示例性实施例示出的水位高度识别方法的流程示意图；
18.图6是在图5所示实施例中的基础上提出的一示例性实施例示出的水位高度识别方法的流程示意图；
19.图7是在图6所示实施例中的基础上提出的一示例性实施例示出的水位高度识别方法的流程示意图；
20.图8是图3所示实施例中的步骤s103在一示例性实施例的流程图；
21.图9是图3所示实施例中的步骤s103在一示例性实施例的流程图；
22.图10是图3所示实施例中的步骤s103在另一示例性实施例的流程图；
23.图11是本技术一示例性实施例示出水位高度识别方法的示意图；
24.图12是本技术一示例性实施例示出水位高度识别方法的示意图；
25.图13是本技术一示例性实施例示出的水位高度识别装置的框图；
26.图14示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
27.这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
28.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
29.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
30.还需要说明的是：在本技术中提及的“多个”是指两个或者两个以上。“和/或”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：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
31.可以理解的是，在本技术的具体实施方式中，涉及到游戏对局的结果数据以及第一类候选账号与待推荐账号在游戏对局中的互动数据等与用户相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
32.可以理解的是，在本技术的具体实施方式中，涉及到用户信息例如源视频、客户端解码能力等相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
33.可以理解的是，在本技术的具体实施方式中，涉及到例如水尺图像、待识别图像等相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得有关机构的许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
34.首先对本技术涉及的一些名词进行解释：
35.水尺：水尺广泛应用于软土地基处理、港口码头等工程中，用以观测地下水位和海洋潮汐水位的变化。
36.水深：水面离河底的距离。
37.绝对基面：以某处特征海平面高程作为零点水准基面。
38.测站基面：以特定点高程作为参证计算水位的零点。
39.水位：水位是指自由水面相对于某一基面的高程，计算水位所用基面可以是绝对基面，常用的是黄海基面。也可以用测站基面。
40.需要说明的是，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决
策的功能。
41.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
42.计算机视觉技术(computer vision，cv)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
43.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
44.本技术实施例提出的水位高度识别方法及装置、电子设备、计算机可读存储介质涉及人工智能技术以及计算机视觉技术，以下将对这些实施例进行详细说明。
45.图1是本技术一个示例性实施例示出的本发明所涉及的实施环境的示意图。如图1所示，本发明所涉及的实施环境至少包括安装于水体中的水尺13、图像采集装置12以及终端设备11，其中，水尺13用于对水体进行水位高度的测量，水尺13可以为电子水尺(其中包括超声波或雷达等测量技术的水尺，造价较高)、不锈钢水尺、不锈钢组合型水尺、高分子水尺、铝板反光水尺、搪瓷水尺等，在此不做具体限定。图像采集装置12用于采集包含水尺13的信息的水体图像，并将采集的水体图像通过数据通信链路发送至终端设备11，以使得终端设备11对水体图像进行分析，进而得到水体的水位高度。
46.示例性地，终端设备11用于识别水尺图像中水平面上方的刻度信息，基于刻度信息确定水平面的初始水位高度信息，刻度信息包括距离水平面最近的临近刻度；确定临近刻度距离水平面的临近像素高度；基于临近像素高度占水尺刻度的平均像素高度的比例确定出初始水位高度信息对应的测量误差；根据测量误差对初始水位高度信息进行调整，得到水位高度信息。
47.终端设备11可以是智能手机、平板电脑、pc(personal computer，个人计算机)、智能语音交互设备、智能家电、车載终端、飞行器或者其它电子设备，本处不进行限制。服务器30可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器，在此也不进行限制。
48.图2是本技术另一个示例性实施例示出的本发明所涉及的实施环境的示意图。如图2所示，本发明所涉及的实施环境至少包括安装于水体中的水尺23、中心图像采集装置22、边缘图像采集装置23以及终端设备21，其中，中心图像采集装置22与边缘图像采集装置23通信连接，中心图像采集装置22与终端设备21通信连接，中心图像采集装置22与边缘图像采集装置23用于从不同角度或者方向对包含水尺23的信息的水体进行摄像，得到不同角度的水体图像，边缘图像采集装置23通过通信链路将采集到的水体图像传输给中心图像采集装置22，中心图像采集装置22再次将其采集到的水体图像以及接收到来自边缘图像采集装置23发送的水体图像一并发送给终端设备21，可以理解的是，本实施例并不限制图像采集装置的个数，可以根据实际应用场景灵活改变。
49.在本实施例中，水尺23用于对水体进行水位高度的测量，水尺23可以为电子水尺、不锈钢水尺、不锈钢组合型水尺、高分子水尺、铝板反光水尺、搪瓷水尺等，在此不做具体限定。中心图像采集装置22和边缘图像采集装置23用于采集包含水尺23的信息的不同角度的水体图像，并将采集的水体图像通过数据通信链路发送至终端设备21，以使得终端设备21对水体图像进行分析，进而得到水体的水位高度。
50.本实施例通过设置中心图像采集装置22和边缘图像采集装置23的方式，从不同的角度对包含水尺23的信息的水体图像进行采集，能够提高对水体的水位高度测量的精度。
51.近年来，随着边缘设备以及数据仓库等技术的发展，水利部门积累了大量的河道以及闸门等地点的视频或图片数据，闸门的开闭程度以及河道泄洪的防控都依赖于对水位的识别以及监测。
52.现有对水位的识别主要分为传统方法以及数据方法，传统的水位识别又分为人工识别以及传感器识别两种。人工识别依赖工作人员在现场对水尺以及水位进行观测、识别与记录，传感器识别主要依靠内置水位感应硬件的水尺等设备进行远程感应与识别。数据驱动的识别方法主要通过目标检测、图像分割、ocr(optical character recognition，光学字符识别)、图像处理等人工智能技术，结合摄像头等边缘设备，在边缘侧按一定频率对水尺或水位图像进行处理、识别、监测以及上报云端存储，辅助工作人员及时进行闸门开闭以及泄洪防汛等策略的执行。目标检测也叫目标提取，是一种基于目标几何和统计特征的图像分割方法。
53.本技术发明人经过长期研究发现，现有对水位的识别方法存在以下缺点：
54.人工统计方法依赖工作人员的经验，消耗大量的工作时间，并且在极端天气下安全性无法保障；
55.传感器识别的硬件方法运维困难，往往在恶劣环境下会出现识别精度过低、时效性降低等故障，依然依赖大量的人力物力进行维护才能长时间使用；
56.一般一段式或两段式的图像分割、ocr或目标检测等人工智能方法无法对水面上方的小刻度进行识别，误差一般在5cm左右，无法达到2cm等更为精细的识别需求；
57.至少基于上述缺陷，本技术给出一种基于图像分割、目标检测以及刻度处理的三段式水位识别方式，通过目标检测以及刻度稀疏性处理等技术构建了水位精细化识别模型，克服了传统方法耗费人力物力以及图像处理识别误差过大等问题。
58.请参阅图3，图3是本技术的一示例性实施例示出的水位高度识别方法的流程图，如图3所示，本实施例提供的水位高度识别方法包括步骤s101-步骤s105，详细描述参考如
下：
59.步骤s101：从采集到的水尺视频流中提取待识别图像。
60.图像采集装置采集得到多张包含水尺信息的待识别图像的水尺视频流，记录每张图像对应的采集时间，从多张图像中选取与待分析的采集时间对应的目标待识别图像。在本实施例中，视频流为图像采集装置采集的包括水尺信息的水体的图像序列，例如，包含水尺的河道、江流、湖泊等等，在此不做具体限定。
61.步骤s102：对待识别图像进行目标检测，得到水平面上方的图像区域，将图像区域获取为水尺图像。
62.由于待识别图像中包括对水位高度识别无关的信息，这些信息可能会对水位高度识别过程产生干扰，因此，本实施例对待识别图像进行目标检测，得到水平面上方的图像区域，水平面上方的图像区域包括水尺信息。
63.示例性地，本实施例可以基于机器学习的方式对待识别图像进行目标检测，得到水平面上方的图像区域。例如，预先训练deeplabv3+图像分割模型，将待识别图像输入训练好的deeplabv3+图像分割模型，输出水平面上方的图像区域。示例性地，利用labelme标注工具分别对多张包含水尺信息的待识别图像进行水尺轮廓描绘，并保存为训练样本对图像分割模型进行训练。deeplabv3+算法采用了resnet作为分类网络，通过带有空洞卷积的dcnn(dynamic convolution neural network，动态卷积神经网络)以及金字塔池化引入了更多尺度信息。通过对多张标注训练图像的训练，构建精准的deeplabv3+图像分割模型。
64.步骤s103：识别水尺图像中水平面上方的刻度信息，基于刻度信息确定水平面的初始水位高度信息。
65.水尺是设立在岸边用以观测水面升降情况的各种标尺。水尺广泛应用于软土地基处理，港口码头等工程中，用以观测地下水位和海洋潮汐水位的变化，具有读数稳、抗干扰、寿命长等特点。水尺表面通常印有多个刻度，每个刻度对应有字符标识，水尺精度一般以厘米计(最小刻度1cm)，水利上一般以1米为一节。水尺图像为图像采集装置对包括水尺信息的河流等进行图像采集得到的图像。
66.示例性地，由于水平面下方的刻度信息通常被遮掩，且确定水平面的初始水位高度信息无需用到水平面下方的刻度信息，因此本实施例仅识别水平面上方的刻度信息，本实施例不限制识别水尺图像中水平面上方的刻度信息的方式，例如，采用人工识别方式或传感器识别的方式识别水尺图像中水平面上方的刻度信息。示例性地，本实施例识别得到的水尺图像中水平面上方的刻度信息包括刻度的位置信息以及每个刻度对应的字符标识信息。
67.在水位初步识别之前，需对水尺图像的刻度信息进行识别，本实施例可以基于机器学习的方式识别水尺图像的刻度信息，例如，采用yolov5算法训练预先构建的刻度识别模型，将水尺图像输入训练好的刻度识别模型中，即可输出刻度信息。yolov5算法是一种单阶段目标检测算法，该算法在yolov4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示:输入端:在模型训练阶段，提出了一些改进思路，主要包括mosaic数据增强、自适应锚框计算、自适应图片缩放；基准网络:融合其它检测算法中的一些新思路，主要包括:focus结构与csp结构；neck网络:目标检测网络在backbone与最后的head输出层之间往往会插入一些层。
68.示例性地，若临近像素高度大于水尺的水尺刻度的平均像素高度，确定水尺刻度识别模型未识别出距离水平面最近的刻度，存在较大的识别误差，因此发送通知信息至服务平台以使得服务平台基于通知信息对水尺刻度识别模型的模型参数进行调整。
69.在本实施例中，刻度信息包括距离水平面最近的临近刻度。临近刻度为距离水平面最近的刻度，具体地，在识别出水平面上方的多个刻度之后，从多个刻度中筛选出距离水平面最近的刻度并将其识别为临近刻度。示例性地，基于每个刻度对应的字符表示确定临近刻度，例如，一共识别出来四个刻度，分别为第一刻度、第二刻度、第三刻度以及第四刻度，其中，第一刻度对应的字符标识为20，第二刻度对应的字符标识为25，第三刻度对应的字符标识为30，第四刻度对应的字符标识为35，则基于这四个刻度对应的字符标识可以确定临近刻度为第一刻度。
70.在本实施例中，基于刻度信息确定出来的水平面的初始水位高度信息极有可能存在误差，一方面由于水平面在实际应用场景中不一定准确与水尺的刻度齐平，在这种情况下，水平面至水平面上方第一个识别出来的刻度之间高度会造成识别误差，事实上若水尺的刻度越大，基于刻度信息得到的初始水位高度信息的误差越大；另外，通常情况下水平面上方的刻度相比于其他刻度而言不容易被识别出来，因此也可能造成识别误差。
71.基于刻度信息确定水平面的初始水位高度信息，示例性地，刻度信息包括临近刻度对应的字符标识，将临近刻度对应的字符标识作为初始水位高度信息。示例性地，若能够识别出临近刻度对应的字符标识，则将该临近刻度对应的字符标识作为初始水位高度信息。
72.步骤s104：确定临近刻度距离水平面的像素高度，将确定出的像素高度作为临近像素高度，并基于临近像素高度占水尺刻度的平均像素高度的比例确定出初始水位高度信息对应的测量误差。
73.在本实施例中，临近像素高度表示水尺图像中临近刻度与水平面之间的像素距离，本实施例可以通过多种方式确定临近像素高度，例如，人为测量或基于构建的坐标系计算临近刻度距离水平面的像素高度，在此不做具体限定。示例性地，首先确定临近刻度所在的像素，再确定水尺图像中水平面与水尺相交的像素，利用上述两个像素之间的像素的数目乘以单位像素的高度，即可得到临近刻度距离水平面的像素高度。
74.示例性地，若水尺标示有多种精度的刻度，为了减小识别水位高度的误差，水尺刻度的平均像素高度指水尺标示的最小精度的刻度，例如，水尺标示有两种精度的刻度，刻度精度分别为1分米和1米，那么该水尺刻度的平均像素高度为1分米。
75.事实上，在基于刻度信息确定初始水位高度信息时，将临近像素高度对应的实际高度误认为水位高度的一部分，因此，本实施例基于临近像素高度确定初始水位高度信息对应的测量误差，本实施例可以通过计算临近像素高度对应的实际高度的方式确定测量误差。
76.示例性地，本实施例可以利用比例法确定临近像素高度对应的实际高度，在待测水体测量位置布设图像采集装置和标识物，图像采集装置对标识物进行图像采集，得到带有标识物的水尺图像，并计算出标识物在图片中的坐标位置及空间几何尺寸等参数，将标识物实际空间距离与水尺图像中像素距离相除得到水尺比例尺，利用水尺比例尺乘以临近像素高度即可得到测量误差。
77.示例性地，本实施例首先计算临近像素高度占水尺刻度的平均像素高度的比例，然后再基于该比例确定出初始水位高度信息对应的测量误差。示例性地，将将临近像素高度占水尺刻度的平均像素高度的比例与单位刻度对应的实际高度之积作为测量误差。
78.步骤s105：根据测量误差对初始水位高度信息进行调整，得到水位高度信息。
79.在本实施例中，利用述初始水位高度信息中包括的初始水位高度减去测量误差即可得到真实的水位高度信息。
80.本实施例提供的水位高度识别方法基于临近刻度距离水平面的临近像素高度占水尺刻度的平均像素高度的比例，确定出初始水位高度信息对应的测量误差，根据测量误差对初始水位高度信息进行调整，得到水位高度信息，通过这种方式可消除在水平面的水位位于水尺的两个刻度之间或者在距离水平面最近的刻度未被识别为临近刻度的情况下对水位高度的测量误差，从而提高水位高度的识别精度。
81.考虑到待识别图像在形成、传输和接受过程中会受到噪声的影响，这些噪声会降低图像质量，噪声在待识别图像中会使原本均匀和连续变化的灰度值产生突变，形成虚假的边缘或者轮廓，为消除待识别图像的噪声，本实施例在图3所示实施例中的基础上提出的一示例性实施例示出的水位高度识别方法。
82.示例性地，参阅图4，图4是在图3所示实施例中的基础上提出的一示例性实施例示出的水位高度识别方法的流程示意图，如图4所示，本实施例提供的水位高度识别方法还包括步骤s201-步骤s202，详细描述参考如下：
83.步骤s201：确定待识别图像中各个像素对应的临近像素区域。
84.在本实施例中，临近像素区域包括对应像素的预设数目个周围像素。本实施例通过确定与对应像素距离最近的预设数目个像素的方式确定对应像素的临近像素区域。
85.本实施例可以根据实际应用场景确定预设数目的值，在此不做任何限制，例如，预设数目为8，则像素的预设数目个周围像素包括距离对应像素最近的八个像素。
86.在本实施例中，各个像素对应的临近像素区域包括的像素数目可以相同或不同，在此不做具体限定。
87.步骤s202：计算临近像素区域中包含的像素的平均像素值，并将对应像素的像素值替换为平均像素值，以将得到的处理后图像作为进行目标检测的待识别图像。
88.本实施例通过上述方式能够减弱、抑制或者消除待识别图像中的噪声。
89.示例性地，对待识别图像进行高斯滤波处理，高斯滤波是一种线性滤波器，取滤波器窗口范围内的像素加权平均值作为变换结果，能使图像变得平滑，有效抑制噪声。高斯滤波器需要通过对高斯函数的离散化得到模板系数，从而生成滤波器模板，遍历图像窗口进行处理。
90.对于一个窗口大小为2k+l的模板，输出值计算公式如下：
[0091][0092]
其中，i和j待识别图像中的像素坐标的横坐标像素和纵坐标像素，σ为像素标准差。经过高斯滤波处理的待识别图像服从正态分布的白噪声会被去除，可以更准确的进行下一步识别。
[0093]
示例性地，参阅图5，图5是在图4所示实施例中的基础上提出的一示例性实施例示
出的水位高度识别方法的流程示意图，如图5所示，本实施例提供的水位高度识别方法还包括步骤301-步骤s302，详细描述参考如下：
[0094]
步骤s301：对处理后图像进行灰度化处理，得到对应的灰度图像。
[0095]
在本实施例中，处理后图像是经过图4所示实施例的去噪处理过程的待识别图像。将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。
[0096]
本实施例可以采用多种灰度化处理方式对处理后图像进行灰度化处理，得到对应的灰度图像，例如分量法、最大值法、平均值法、加权平均法等，在此不做具体限定。分量法就是将彩色图像中的像素的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像作为图片的灰度化处理结果。最大值法就是将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。平均值法就是将彩色图像中的三分量亮度求平均得到一个灰度值。加权平均法就是根据重要性及其它指标，将三个分量以不同的权值进行加权平均。
[0097]
步骤s302：基于预设的线性变换公式对灰度图像进行灰度线性变换，得到对应的线性灰度图像，以将线性灰度图像作为进行目标检测的待识别图像。
[0098]
由于直接进行灰度化处理之后得到的灰度图像可能存在特征不明显的问题，需要对灰度图像进行灰度增强(也即灰度变换)，本实施例对灰度图像再次进行线性灰度变换得到增强的灰度图像。
[0099]
灰度线性变换即是利用线性变换公式来建立灰度映射关系来调整灰度图像的灰度，从而达到图像增强的目的。
[0100]
该线性公式为：
[0101]
f(c)＝a*c+b
[0102]
其中，f(c)为线性变换后灰度图像的像素点的灰度值，c为线性变換前原始的灰度图像的对应像素点的灰度值，a为线性变换的斜率，b为线性变换的截距。
[0103]
灰度线性变换的线性变换公式随着斜率和截距的改变也会随之改变，对于同一张灰度图像基于不同线性公式进行不同的灰度线性变换，不同的参数对应的线性公式不同，其对图像的改善程度也不一样，不同的参数即为线性斜率和截距。本发明实施需找到个灰度线性变换后图像增强效果最好的图像，需要不断的遍历线性公式中的截距和斜率，而不同的参数代入线性公式，再根据线性公式得到线性灰度图像。
[0104]
在本实施例中，线性变换公式中截距的取值范围由灰度图像的灰度均值确定。
[0105]
本技术发明人发现，现有技术在对图像进行灰度线性变换时，通过遍历预先设置的斜率取值区间和截距取值区间，获取相应的斜率和截距组成线性变换公式，进而基于线性变换公式对图像进行线性变换，通常，斜率和截距的取值范围太大，导致的遍历次数过大计算量过大的问题，本技术方案通过缩小截距的取值范围的方式对图像进行灰度线性变换，也即，由灰度图像的灰度均值确定线性变换公式中截距的取值范围，通过这种方式，不但可以节省算力资源，提高线性灰度变换的效率，还可以使得图像亮度清晰可见，且符合人眼观察特征。
[0106]
具体的：首先获取灰度图像中各灰度级像素点数量的占比，将各灰度级像素点数量的占比和对应的灰度级相乘得到灰度级占比，计算多个灰度级占比之和，即可得到灰度均值。
[0107]
当设定线性斜率时，由于想要将灰度线性变换前后的灰度图像和线性灰度图像的
灰度值范围保持在正常的范围内，所以截距的最大取值范围为[-255，255]，而最大的取值范围内有很多无用范围，当大部分灰度值和截距相加减后得到的灰度值不在[0，255]，这个范围内时则该截距的值不再考虑，因此本实施例根据线性灰度变换前的灰度图像的灰度均值来缩放截距的范围
[0108]
在本实施例中，灰度线性变换的线性公式中截距的取值范围为:[-255+μ，255-μ]，其中μ为灰度图像的灰度均值。
[0109]
本发明实施例利用灰度图像的灰度均值来缩小灰度线性变换的线性公式中的截距的取值范围，该取值范围已经相对较小，遍历取值范围内的截距得到多张线性灰度图像，并根据线性灰度图像的灰度直方图的特征从多张线性灰度图像中选取出灰度增强图像，达到了减少遍历次数、提高计算速度的目的。
[0110]
示例性地，参阅图6，图6是在图5所示实施例中的基础上提出的一示例性实施例示出的水位高度识别方法的流程示意图，如图6所示，本实施例提供的水位高度识别方法还包括步骤401-步骤s403，详细描述参考如下：
[0111]
步骤401：统计线性灰度图像中各灰度级的直方图分布信息。
[0112]
各灰度级的直方图分布信息是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。
[0113]
步骤402：确定直方图分布信息对应的累积灰度概率分布函数。
[0114]
在本实施例中，假设线性灰度图像的像元数为n，共有l个灰度级，n＿k代表灰度级别为r＿k的像元数目，则第k个灰度级出现的概率如下：
[0115][0116]
因此，确定直方图分布信息对应的累积灰度概率分布函数如下：
[0117][0118]
步骤403：将累积灰度概率分布函数作为变换公式对待识别图像进行直方图均衡化，以将得到的修正后图像作为进行目标检测的待识别图像。
[0119]
在本实施例中，将线性灰度图像各个像素的像素值带入以下累积灰度概率分布函数能够得到修正后图像：
[0120][0121]
对图形采用直方图均衡化后可使图像的灰度间距拉开或使灰度分布均匀，从而增大反差，使图像细节清晰，从而增强图像。因此本实施例对经过灰度变换之后的待识别图像进行直方图均衡化，为水尺以及刻度抓取的后续分析提供了良好的基础。
[0122]
示例性地，参阅图7，图7是在图6所示实施例中的基础上提出的一示例性实施例示出的水位高度识别方法的流程示意图，如图7所示，水位高度识别方法还包括步骤501-步骤s503，详细描述参考如下：
[0123]
步骤501：获取修正后图像中各个像素的梯度幅值。
[0124]
本实施例利用一阶偏导的有限差分计算方法计算出修正后图像中每个像素的像素灰度的梯度幅值。示例性地，可以先通过二维的一阶有限差分方法近似计算出修正后图像在水平和垂直方向上的偏导数，分别用gx，gy表示，具体的计算方式如下：
[0125][0126][0127]
则其像素梯度的幅度和方位角可以用如下公式计算：
[0128][0129]
θ(x，y)＝arctan(g
x
/gy)
[0130]
其中，a(x，y)表示梯度幅值，反映修正后图像的边缘强度，θ(x，y)表示梯度的方向角，反映边缘的方向。
[0131]
步骤502：对各个梯度幅值进行非极大值抑制，基于得到的梯度幅值确定非极大值抑制图像。
[0132]
在本实施例中，沿着梯度线对修正后图像中每个像素的梯度幅值与其对应的相邻像素的梯度幅值进行大小关系的比较，若比较结果为修正后图像中像素的梯度幅值大于相邻像素的梯度幅值，则保留该像素的梯度幅值；若比较结果为修正后图像中像素的梯度幅值不大于相邻像素的梯度幅值，将该像素的梯度幅值置0，根据比较结果生成非极大值抑制图像。
[0133]
需要理解的是，该非极大值抑制图像上的梯度幅值与修正后图像中像素是一一对应的，通过上述处理后，在非极大值抑制图像上，梯度幅值小于相邻像素梯度幅值的像素梯度幅值被置为0，梯度幅值大于相邻像素梯度值的像素梯度幅值被保留下来。
[0134]
s503：基于非极大值抑制图像检测修正后图像的边缘信息，以基于边缘信息对修正后图像进行目标检测。
[0135]
在该步骤中，由于得到的非极大值抑制图像拥有图像中每个主体边缘信息，所以需要对有用边缘信息进行筛选，示例性地，将非极大值抑制图像中的像素的梯度幅值与预设阈值进行比较；若非极大值抑制图像中的像素的梯度幅值小于预设阈值，则将像素对应于修正后图像中的各像素的像素灰度置为0，将若非极大值抑制图像中的像素的梯度幅值大于或等于预设阈值，则保持像素对应于修正后图像中的各像素的像素灰度不变，得到修正后图像的边缘信息，以基于边缘信息对修正后图像进行目标检测。
[0136]
示例性地，参阅图8，图8是图3所示实施例中的步骤s103在一示例性实施例的流程图，如图8所示，步骤s104包括步骤s601-步骤s602，详细描述参考如下：
[0137]
步骤s601：计算临近像素高度与平均像素高度的比值，将比值确定为临近像素高度占水尺的平均像素高度的比例。
[0138]
在实际应用场景中，临近像素高度与水尺刻度的平均像素高度的比值可能大于1、等于1或者小于1，若临近像素高度与水尺刻度的平均像素高度的比值等于1，说明初始水位
高度信息没有测量误差，若临近像素高度与水尺刻度的平均像素高度的比值大于1，则说明在对水尺图像的刻度信息进行识别的时候，没有识别出距离水平面最近的刻度；若临近像素高度与水尺刻度的平均像素高度的比值小于1，则说明已经识别出距离水平面最近的刻度，且水平面位于临近刻度与水平面下方的距离水平面最近的刻度之间，若刻度信息识别情况为前者，则误差相对过大，若为后者，则误差相对较小，因此本实施例可以基于临近像素高度占水尺刻度的平均像素高度的比例确定基于刻度信息对水位高度进行初步测量得到的水位高度信息是否存在误差以及存在误差的程度高低。
[0139]
步骤s602：计算比例与水尺刻度对应的实际平均高度之间的乘积，将计算出的乘积值确定为初始水位高度信息对应的测量误差。
[0140]
在本实施例中，临近像素高度占水尺刻度的平均像素高度的比例与水尺刻度对应的实际平均高度之间的乘积即为临近刻度距离水平面的真实高度。
[0141]
在本实施例中，水尺刻度对应的实际平均高度与水尺刻度的平均像素高度这两者中的单位刻度均指水尺上标识的最小单位刻度。水尺刻度对应的实际平均高度为水尺的属性参数，可以直接获取，也可以基于水尺的刻度信息获取，在此不做具体限定。
[0142]
示例性地，参阅图9，图9是图3所示实施例中的步骤s103在一示例性实施例的流程图，如图9所示，步骤s103包括步骤s701-步骤s703，详细描述参考如下：
[0143]
步骤s701：确定非临近刻度和临近刻度之间间隔的刻度数目。
[0144]
在本实施例中，刻度信息还包括每个刻度的字符标识。通常情况下，刻度的字符标识为数字，刻度的字符标识表示若水位到达该刻度，则该刻度的高度就是当前水位的高度，例如，水尺图像上方的刻度信息包括第一刻度和第二刻度，其中，非临近刻度对应的字符标识为20，第二刻度对应的字符表示为25。
[0145]
本实施例考虑到在实际应用场景中，在对水尺图像进行识别进而得到刻度信息的过程中，由于种种原因可能无法完整地识别出临近刻度对应的字符标识，例如，临近刻度对应的字符标识被泥土遮盖或者刻度识别模型的识别效果太差以至于未能识别出临近刻度对应的字符标识等，在此不做具体限定。在这种情况下，若能够识别出除了临近刻度以外的其他刻度对应的字符标识，同样可以基于临近刻度与其他刻度的字符标识水平面的初始水位高度信息。
[0146]
在本实施例中，刻度信息还包括非临近刻度对应的字符标识，非临近刻度与水平面之间的距离大于临近刻度与水平面之间的距离。在本实施例中，若未识别出临近刻度对应的字符标识，而识别出了多个其他刻度对应的字符标识，将识别出对应的字符标识的刻度中距离临近刻度最近的刻度作为非临近刻度。确定非临近刻度和临近刻度之间间隔的刻度数目，其中，刻度数目包括非临近刻度。
[0147]
步骤s702：计算刻度数目与单位刻度的实际高度的乘积。
[0148]
在本实施例中，刻度数目与单位刻度的实际高度的乘积就是非临近刻度和临近刻度之间的距离。
[0149]
步骤s703：确定非临近刻度的字符标识与计算得到的乘积值之间的差值，将得到的差值作为初始水位高度信息。
[0150]
事实上，非临近刻度的字符标识与计算得到的乘积值之间的差值等价于临近刻度对应的刻度值，通过这种方式，提高本技术提供的水位高度识别方法的容错性。
[0151]
示例性地，参阅图10，图10是图3所示实施例中的步骤s103在另一示例性实施例的流程图，如图10所示，步骤s101包括步骤s801-步骤s802，详细描述参考如下：
[0152]
步骤s801：计算水尺的单位刻度对应的实际平均高度与刻度总数的乘积。
[0153]
在实际应用场景中，若使用没有字符标识的水尺进行水位高度测量或者对刻度信息进行识别的时候未识别出刻度对应的字符标识的情况下，可以通过本实施例提供的方法来确定初始水位高度信息。
[0154]
在本实施例中，刻度信息还包括水平面上方的刻度总数，水尺的单位刻度对应的实际平均高度与刻度总数的乘积就是临近刻度以上水尺的剩余实际高度。
[0155]
步骤s802：将水尺的总长度与计算出的乘积值之间的第三差值作为初始水位高度信息。
[0156]
水尺的总长度与计算出的乘积值之间的第三差值为临近刻度以下水尺的剩余实际高度，本实施例将这部分高度作为初始水位高度信息。
[0157]
参与图11，图11是本技术一示例性实施例示出水位高度识别方法的示意图，如图11所示，本实施例提供的水位高度识别方法包括步骤s901-步骤s906，详细描述参考如下：
[0158]
步骤s901：视频流输入。
[0159]
在本实施例中，视频流为图像采集装置采集的包括水尺信息的水体的图像序列，例如，包含水尺的河道、江流、湖泊等等，在此不做具体限定。
[0160]
步骤s902：图像预处理。
[0161]
在本实施例中，图像预处理包括对待识别图像进行线性平滑滤波处理、灰度线性变换、直方图修正以及二值化处理等，以便于后续对预处理之后的水尺图像的刻度信息进行准确识别。
[0162]
步骤s903：水尺识别。
[0163]
在本实施例中，对待识别图像进行目标检测以定位水尺，由于待识别图像中包括对水位高度识别无关的信息，这些信息可能会对水位高度识别过程产生干扰，因此，本实施例对待识别图像进行目标检测，得到水平面上方的图像区域，水平面上方的图像区域包括水尺信息。
[0164]
本实施例可以基于机器学习的方式对待识别图像进行目标检测，得到水平面上方的图像区域。例如，预先训练deeplabv3+图像分割模型，将待识别图像输入训练好的deeplabv3+图像分割模型，输出水平面上方的图像区域。示例性地，利用labelme标注工具分别对多张包含水尺的训练图像进行水尺轮廓描绘，并保存为训练样本。deeplabv3+算法采用了resnet作为分类网络，通过带有空洞卷积的dcnn以及金字塔池化引入了更多尺度信息。通过对多张标注训练图像的训练，构建精准的deeplabv3+图像分割模型。
[0165]
步骤s904：水位初步识别。
[0166]
在本实施例中，水位初步识别即对水尺图像中的水位进行初步测量。在水位初步识别之前，需对水尺图像的刻度信息进行识别，本实施例可以基于机器学习的方式识别水尺图像的刻度信息，例如，采用yolov5算法训练刻度识别模型，将水尺图像输入训练好的刻度识别模型中，即可输出刻度信息。yolov5算法是一种单阶段目标检测算法，该算法在yolov4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示:输入端:在模型训练阶段，提出了一些改进思路，主要包括mosaic
数据增强、自适应锚框计算、自适应图片缩放；基准网络:融合其它检测算法中的一些新思路，主要包括:focus结构与csp结构；neck网络:目标检测网络在backbone与最后的head输出层之间往往会插入一些层。
[0167]
本实施例可以根据刻度识别情况确定对水尺图像中的水位进行初步测量方法，例如，若识别出临近刻度对应的字符标识，则将临近刻度对应的字符标识作为水位出不去识别的结果；例如，若未能识别出临近刻度对应的字符标识，但是识别出了其他刻度对应的字符标识，其他刻度与水平面之间的距离大于临近刻度与水平面之间的距离。在这种情况下，通过首先确定非临近刻度和临近刻度之间间隔的刻度数目；计算刻度数目与单位刻度的实际高度的乘积；确定非临近刻度的字符标识与计算得到的乘积值之间的差值，将得到的差值作为初始水位高度信息。
[0168]
例如，若使用没有字符标识的水尺进行水位高度测量或者对刻度信息进行识别的时候未识别出刻度对应的字符标识的情况下，可以通过本实施例提供的方法来确定初始水位高度信息；首先计算水尺的单位刻度对应的实际高度与刻度总数的乘积。将水尺的总长度与计算出的乘积值之间的第三差值作为初始水位高度信息。
[0169]
步骤s905：水位精细化处理。
[0170]
通过步骤s904的水位初步识别得到的识别结果可能会存在较大的误差，例如，若水平面位于临近刻度与水平面下方的刻度之间，在这种情况下极易忽略水平面到临近刻度之间的高度，造成识别误差；或者在对水尺图像的刻度信息识别不准确。
[0171]
本实施例通过以下方式对初始水位高度信息进行精细化处理，示例性地，计算临近像素高度与水尺刻度的平均像素高度的比值，将比值确定为临近像素高度占水尺刻度的平均像素高度的比例。计算比例与水尺的单位刻度对应的实际高度之间的乘积，将计算出的乘积值确定为初始水位高度信息对应的测量误差，基于测量误差对初始数位高度信息进行调整。
[0172]
步骤s906：水位识别。
[0173]
本实施例利用初始数位高度信息减去测量误差即可得到最终的，水位高度。
[0174]
参阅图12，图12是本技术一示例性实施例示出水位高度识别方法的示意图，如图12所示，本实施例提供的水位高度识别方法包括步骤s1-步骤s6，详细描述参考如下：
[0175]
步骤s1：计算刻度的平均像素高度。
[0176]
在本实施例中，利用水尺的总长度除以水尺的刻度总数即可得到刻度的平均像素高度。
[0177]
步骤s2：计算水面上第一个刻度像素高度。
[0178]
步骤s3：比较水平面上方第一个刻度像素高度与平均像素高度的大小关系。
[0179]
步骤s4：若水平面上方第一个刻度像素高度大于刻度的平均像素高度，利用水平面上方第一个刻度像素高度减去平均像素高度，然后再按比例计算水平面上方第一个刻度与水平面之间的实际高度。
[0180]
在本实施例中，若水平面上方第一个刻度像素高度大于刻度的平均像素高度，说明在对水尺进行刻度识别时，未能将距离水平面最近的刻度识别出来，因此，在计算水平面上方第一个刻度与水平面之间的实际高度时，先减去平均像素高度，再利用按比例计算水平面上方第一个刻度与水平面之间的实际高度，具体地，计计算临近像素高度与水尺刻度
的平均像素高度的比值，将比值确定为临近像素高度占水尺刻度的平均像素高度的比例；计算比例与水尺的单位刻度对应的实际高度之间的乘积，将计算出的乘积值加上单位刻度的高度确定为初始水位高度信息对应的测量误差。
[0181]
步骤s5：基于水平面上方第一个刻度与水平面之间的实际高度对初始水位高度信息进行调整。
[0182]
步骤s6：若水平面上方第一个刻度像素高度小于刻度的平均像素高度，按比例计算水平面上方第一个刻度与水平面之间的实际高度。
[0183]
参与图13，图13是本技术一示例性实施例示出的水位高度识别装置的框图，如图13所示，水位高度识别装置2000包括提取模块2001、目标检测模块2002、识别模块2003、第一确定模块2004以及调整模块2005。
[0184]
其中，提取模块2001用于从采集到的水尺视频流中提取待识别图像；目标检测模块2002用于对待识别图像进行目标检测，得到水平面上方的图像区域，将图像区域获取为水尺图像；识别模块2003用于识别水尺图像中水平面上方的刻度信息，基于刻度信息确定水平面的初始水位高度信息，刻度信息包括临近刻度，临近刻度为距离水平面最近的刻度；第一确定模块2004用于确定临近刻度距离水平面的像素高度，将确定出的像素高度作为临近像素高度，并基于临近像素高度占水尺刻度的平均像素高度的比例确定出初始水位高度信息对应的测量误差；调整模块2005用于根据测量误差对初始水位高度信息进行调整，得到水位高度信息。
[0185]
在另一示例性实施例中，水位高度识别装置2000还包括第二确定模块、计算模块，第二确定模块用于确定待识别图像中各个像素对应的临近像素区域，临近像素区域包括对应像素的预设数目个周围像素；计算模块用于计算临近像素区域中包含的像素的平均像素值，并将平均像素值替换为对应像素的像素值，以将得到的处理后图像作为进行目标检测的待识别图像。
[0186]
另一示例性实施例中，水位高度识别装置2000还包括灰度化处理模块、灰度线性变换模块，灰度化处理模块用于对处理后图像进行灰度化处理，得到对应的灰度图像；灰度线性变换模块用于基于预设的线性变换公式对灰度图像进行灰度线性变换，得到对应的线性灰度图像，以将线性灰度图像作为进行目标检测的待识别图像，其中，线性变换公式中截距的取值范围由灰度图像的灰度均值确定。
[0187]
另一示例性实施例中，水位高度识别装置2000还包括统计模块、均衡化模块和第三确定模块，统计模块用于统计线性灰度图像中各灰度级的直方图分布信息；第三确定模块用于确定直方图分布信息对应的累积灰度概率分布函数；均衡化模块用于将累积灰度概率分布函数作为变换公式对待识别图像进行直方图均衡化，以将得到的修正后图像作为进行目标检测的待识别图像另一示例性实施例中，水位高度识别装置2000还包括第二计算模块、抑制模块、第四确定模块，其中，第二计算模块用于通过一阶偏导有限差分的方式计算修正后图像的梯度幅值；抑制模块用于对梯度幅值进行非极大值抑制，得到抑制后的梯度幅值；第四确定模块用于根据抑制后的梯度幅值以及抑制前的梯度幅值确定修正后图像的边缘像素点，以基于边缘像素点对修正后图像进行目标检测。
[0188]
另一示例性实施例中，识别模块2003包括第一计算单元和第二计算单元，第一计算单元用于计算临近像素高度与平均像素高度的比值，将比值确定为临近像素高度占平均
像素高度的比例；第二计算单元用于计算比例与水尺刻度对应的实际平均高度之间的乘积，将计算出的乘积值确定为初始水位高度信息对应的测量误差。
[0189]
另一示例性实施例中，识别模块2003包括第一确定单元、第三计算单元第二确定单元，第一确定单元用于确定非临近刻度和临近刻度之间间隔的刻度数目；第三计算单元用于计算刻度数目与单位刻度的实际高度的乘积；第二确定单元用于确定非临近刻度的字符标识与计算得到的乘积值之间的差值，将得到的差值作为初始水位高度信息。
[0190]
另一示例性实施例中，识别模块2003包括第三计算单元和高度获取单元，其中，第三计算单元用于计算水尺刻度对应的实际平均高度与刻度总数的乘积；高度获取单元用于将水尺的总长度与计算出的乘积值之间的第三差值作为初始水位高度信息。
[0191]
需要说明的是，上述实施例所提供的装置与上述实施例所提供的方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。
[0192]
在另一示例性实施例中，本技术提供一种电子设备，包括处理器和存储器，其中，存储器上存储有计算机可读指令，该计算机可读指令被处理器执行时实现如前的游戏账号推荐方法。在本实施例中，电子设备包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
[0193]
图14示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
[0194]
需要说明的是，图14示出的电子设备的计算机系统1000仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0195]
如图14所示，计算机系统1000包括中央处理单元(central processing unit，cpu)1001，其可以根据存储在只读存储器(read-only memory，rom)1002中的程序或者从存储部分1008加载到随机访问存储器(random access memory，ram)1003中的程序而执行各种适当的动作和处理，例如执行上述实施例中的信息推荐方法。在ram 1003中，还存储有系统操作所需的各种程序和数据。cpu 1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(input/output，i/o)接口1005也连接至总线1004。
[0196]
以下部件连接至i/o接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如lan(local area network，局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至i/o接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
[0197]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(cpu)1001执行时，执行本技术的系统中限定的各种功能。
[0198]
需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质
或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0199]
可以理解的是，在本技术的具体实施方式中，涉及到用户信息***等相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0200]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、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。其中，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，上述模块、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中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示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，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0201]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0202]
本技术的另一方面还提供了一种计算机可读存储介质，其上存储有计算机可读指令，该计算机可读指令被处理器执行时实现如前实施例中任一项的游戏账号推荐方法。
[0203]
本技术的另一方面还提供了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上述各个实施例中提供的游戏账号推荐方法。
[0204]
需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算
机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0205]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、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。其中，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，上述模块、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中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示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，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0206]
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0207]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0208]
上述内容，仅为本技术的较佳示例性实施例，并非用于限制本技术的实施方案，本领域普通技术人员根据本技术的主要构思和精神，可以十分方便地进行相应的变通或修改，故本技术的保护范围应以权利要求书所要求的保护范围为准。