人群密度分析方法、装置、设备及存储介质与流程

1.本发明涉及目标检测技术领域，尤其涉及一种人群密度分析方法、装置、设备及存储介质。


背景技术：

2.随着社会的发展和人民生活水平的不断提高，在节假日外出游玩已经成了社会常态，然而，在一些热门景点或者商场等公众场所由于人群密度过高而存在的安全隐患却不容忽视。
3.目前，随着目标检测技术和深度学习技术的不断发展，基于人头检测的人群密度分析方法被广泛应用于安全监测、交通控制等领域，可以通过图像或者视频来进行人群密度的分析。
4.然而由于密集人群存在严重遮挡以及人头在图像中尺寸较小，携带的信息少，由此所导致特征表达能力弱，能提取到的特征信息非常少，所以现有技术再对人头进行检测时容易丢失相关目标，又或者是无法获得很好的语义表达，以致于检测结果精准度较低，使得所计算出的人群密度数据可靠性不高。
5.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是相关技术。


技术实现要素：

6.本发明的主要目的在于提供了一种人群密度分析方法、装置、设备及存储介质，旨在解决现有技术中基于人头检测的人群密度数据可靠性不高的技术问题。
7.为实现上述目的，本发明提供了一种人群密度分析方法，所述方法包括以下步骤：
8.获取视频监控采集的当前人群图像；
9.通过预设yolov5检测模型对所述当前人群图像进行人头检测，获得检测结果，所述预设yolov5检测模型包括预设骨干模块和预设颈部模块，所述预设骨干模块和所述预设颈部模块均包含代替了原始下采样组件的无损下采样组件，所述无损下采样组件用于保留输入图像全部的通道信息并基于所述通道信息对输入图像进行下采样处理；
10.根据所述检测结果进行人群密度的计算，获得当前人群密度。
11.可选地，所述预设yolov5检测模型还包括输入模块和探测头模块，所述输入模块与所述预设骨干模块连接，所述预设骨干模块与所述预设颈部模块连接，所述预设颈部模块与所述探测头模块连接；
12.所述通过预设yolov5检测模型对所述当前人群图像进行人头检测，获得检测结果的步骤，包括：
13.将所述当前人群图像发送至所述输入模块进行预处理，获得待测图像；
14.通过所述预设骨干模块对所述待测图像进行特征提取，获得初始特征图；
15.通过所述预设颈部模块对所述初始特征图进行特征融合，获得待测特征图；
16.通过所述检测头模块对所述待测特征图进行人头检测，获得检测结果。
17.可选地，所述预设骨干模块包括：所述下采样组件、卷积层、瓶颈层以及池化层；
18.所述通过所述预设骨干模块对所述待测图像进行特征提取，获得初始特征图，包括：
19.通过所述无损下采样组件对所述待测图像进行下采样，获得下采样后的特征图；
20.通过所述卷积层对所述下采样后的特征图依次进行卷积处理、归一化处理和激活处理，获得第一特征图；
21.通过所述无损下采样组件对所述第一特征图进行下采样，获得第二特征图；
22.通过所述瓶颈层对所述第二特征图进行残差处理，获得第三特征图；
23.将所述第三特征图依次通过所述卷积层、所述无损下采样组件和所述瓶颈层进行预设次数的循环处理后再进行池化操作，获得初始特征图。
24.可选地，所述无损下采样组件，包括：切片映射层、网络连接层以及无下采样滤波器；
25.所述通过所述无损下采样组件对所述待测图像进行下采样，获得下采样后的特征图的步骤，包括：
26.通过所述切片映射层基于所述通道信息对输入图像在预设维度上进行切片映射，获得映射特征图；
27.通过所述网络连接层基于所述通道信息对所述映射特征图在通道方向上进行连接，获得连接后的特征图；
28.通过所述无下采样滤波器对所述连接后的特征图进行预设步长的卷积处理，获得下采样后的特征图。
29.可选地，所述获取视频监控采集的当前人群图像之前，还包括：
30.获取图像训练集；
31.根据所述图像训练集对所述待训练的初始yolov5检测模型进行迭代训练，获得预设yolov5检测模型。
32.可选地，所述根据所述图像训练集对所述待训练的初始yolov5检测模型进行迭代训练，获得预设yolov5检测模型，包括：
33.通过所述待训练的初始yolov5检测模型对所述图像训练集进行检测，获得边界框，所述图像训练集包括大量待检测样本图像，所述待检测样本图像中包含有人工标注的gt框；
34.对所述边界框和所述gt框分别进行二维高斯分布建模；
35.基于建模结果计算所述边界框和所述gt框的相似度；
36.基于所述相似度和预设损失函数对所述待训练的初始yolov5检测模型的网络参数进行迭代优化，获得预设yolov5检测模型。
37.可选地，所述基于建模结果计算所述边界框和所述gt框的相似度，包括：
38.基于所述建模结果，获取所述边界框和所述gt框之间的高斯分布距离；
39.对所述高斯分布距离进行归一化处理，获得所述边界框和所述gt框的相似度。
40.此外，为实现上述目的，本发明还提出一种人群密度分析装置，所述装置包括：
41.图像获取模块，用于获取视频监控采集的当前人群图像；
42.人头检测模块，用于通过预设yolov5检测模型对所述当前人群图像进行人头检测，获得检测结果，所述预设yolov5检测模型包括预设骨干模块和预设颈部模块，所述预设骨干模块和所述预设颈部模块均包含代替了原始下采样组件的无损下采样组件，所述无损下采样组件用于保留输入图像全部的通道信息并基于所述通道信息对输入图像进行下采样处理；
43.密度计算模块，用于根据所述检测结果进行人群密度的计算，获得当前人群密度。
44.此外，为实现上述目的，本发明还提出一种人群密度分析设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人群密度分析程序，所述人群密度分析程序配置为实现如上文所述的人群密度分析方法的步骤。
45.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有人群密度分析程序，所述人群密度分析程序被处理器执行时实现如上文所述的人群密度分析方法的步骤。
46.本发明通过获取视频监控采集的当前人群图像；通过预设检测模型对当前人群图像进行人头检测，获得检测结果，预设检测模型包括预设骨干模块和预设颈部模块，预设骨干模块和预设颈部模块均包含代替了原始下采样组件的无损下采样组件，无损下采样组件用于保留输入图像全部的通道信息并基于所述通道信息对输入图像进行下采样处理；根据检测结果进行人群密度的计算，获得当前人群密度。由于本发明通过预设检测模型对当前人群图像进行人头检测，在人头检测中采用无损下采样组件对输入图像进行下采样处理，有利于保留输入图像中的特征信息，可以提高人头检测的精准度，从而提升所计算出的人群密度数据的可靠性。
附图说明
47.图1是本发明实施例方案涉及的硬件运行环境的人群密度分析设备的结构示意图；
48.图2为本发明人群密度分析方法第一实施例的流程示意图；
49.图3为本发明人群密度分析方法第二实施例的流程示意图；
50.图4为本发明人群密度分析方法第二实施例中lds组件(lossless downsampling，无损下采样)无损下采样的结构示意图；
51.图5为本发明人群密度分析方法第三实施例的流程示意图；
52.图6为本发明人群密度分析方法中基于lds组件搭建的预设检测模型的网络结构图；
53.图7为本发明人群密度分析装置第一实施例的结构框图。
54.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
55.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
56.参照图1，图1为本发明实施例方案涉及的硬件运行环境的人群密度分析设备结构示意图。
57.如图1所示，该人群密度分析设备可以包括：处理器1001，例如中央处理器
(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
58.本领域技术人员可以理解，图1中示出的结构并不构成对人群密度分析设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
59.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及人群密度分析程序。
60.在图1所示的人群密度分析设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明人群密度分析设备中的处理器1001、存储器1005可以设置在人群密度分析设备中，所述人群密度分析设备通过处理器1001调用存储器1005中存储的人群密度分析程序，并执行本发明实施例提供的人群密度分析方法。
61.本发明实施例提供了一种人群密度分析方法，参照图2，图2为本发明人群密度分析方法第一实施例的流程示意图。
62.本实施例中，所述人群密度分析方法包括以下步骤：
63.步骤s10：获取视频监控采集的当前人群图像。
64.需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的其他电子设备。以下以人群密度分析设备(以下简称分析设备)为例，对本实施例及下述各实施例进行举例说明。
65.可以理解的是，所述当前人群图像可以是当前时刻视频监控采集的一帧图像或多帧图像。
66.步骤s20：通过预设yolov5检测模型对所述当前人群图像进行人头检测，获得检测结果，所述预设yolov5检测模型包括预设骨干模块和预设颈部模块，所述预设骨干模块和所述预设颈部模块均包含代替了原始下采样组件的无损下采样组件，所述无损下采样组件用于保留输入图像全部的通道信息并基于所述通道信息对输入图像进行下采样处理。
67.需要说明的是，所述预设yolov5检测模型可以是预先经过优化构建的yolov5检测模型，所谓优化构建的yolov5检测模型即能在yolov5检测模型原有的目标检测性能的基础上，通过优化的网络结构进一步提升小目标检测精准度的检测模型。
68.可以理解的是，所述原始下采样组件为yolov5检测模型中原始的下采样组件，所述无损下采样组件为预设yolov5检测模型中新设计的下采样组件，对于小目标特征信息的保留效果更好，有利于小目标的检测，所述通道信息可以是图像的颜色信息，所述预设骨干模块可以是在yolov5检测模型原始的骨干模块上，基于无损下采样组件新搭建的骨干模块，所述预设颈部模块可以是在yolov5检测模型原始的颈部模块上，基于无损下采样组件新搭建的颈部模块，本实施例中所述预设yolov5检测模型还包括输入模块和探测头模块，
其中输入模块与所述预设骨干模块连接，所述预设骨干模块与所述预设颈部模块连接，所述预设颈部模块与所述探测头模块连接。
69.进一步地，为了提升人群密度分析数据的可靠性，步骤s20还包括：
70.步骤s201：将所述当前人群图像发送至所述输入模块进行预处理，获得待测图像。
71.可以理解的是，所述输入模块可以是用于图像输入的模块，输入图像的参数包括尺寸大小和通道数量，例如：输入的图像尺寸可以是608
×
608、640
×
640、768
×
768等，本实施例对此不加以限制，输入图像的通道数量可以是三通道图像，所述预处理可以是对输入图像进行数据增强的处理。
72.步骤s202：通过所述预设骨干模块对所述待测图像进行特征提取，获得初始特征图。
73.在具体实现中，通过所述预设骨干模块对所述待测图像按照预设方式进行下采样处理、卷积处理、残差处理和池化处理后，获得初始特征图。
74.步骤s203：通过所述预设颈部模块对所述初始特征图进行特征融合，获得待测特征图。
75.步骤s204：通过所述检测头模块对所述待测特征图进行人头检测，获得检测结果。
76.可以理解的是，所述检测结果是置信度大于或等于预设阈值的人头检测结果，所述预设阈值可以由用户预先设置或者是系统自动设置，用户可以自行调整，本实施例对此不加以限制，例如：当设置的预设阈值为0.75时，系统会将置信度大于或者等于0.75的检测目标判定为最终的人头检测结果。
77.步骤s30：根据所述检测结果进行人群密度的计算，获得当前人群密度。
78.在具体实现中，根据所述检测结果对人头进行计数，得到检测人数，根据预设比例关系获取所述视频监控的实际面积，将所述检测人数除以所述实际面积，获得当前人群密度。
79.本实施例通过获取视频监控采集的当前人群图像；通过预设检测模型对当前人群图像进行人头检测，获得检测结果，预设检测模型包括预设骨干模块和预设颈部模块，预设骨干模块和预设颈部模块均包含代替了原始下采样组件的无损下采样组件，无损下采样组件用于保留输入图像全部的通道信息并基于所述通道信息对输入图像进行下采样处理；根据检测结果进行人群密度的计算，获得当前人群密度。由于本发明通过预设检测模型对当前人群图像进行人头检测，在人头检测中采用无损下采样组件对输入图像进行下采样处理，有利于保留输入图像中的特征信息，可以提高人头检测的精准度，从而提升所计算出的人群密度数据的可靠性。
80.参考图3，图3为本发明人群密度分析方法第二实施例的流程示意图。
81.基于上述第一实施例，为了提高人头检测的精准度，提出第二实施例，上述预设骨干模块包括：上述下采样组件、卷积层、瓶颈层以及池化层，在本实施例中，上述步骤s202具体包括：
82.步骤s100：通过所述无损下采样组件对所述待测图像进行下采样，获得下采样后的特征图。
83.在具体实现中，通过所述无损下采样组件对所述待测图像间隔像素点进行取样，获得下采样后的特征图，所述下采样组件具体包括：切片映射层、网络连接层以及无下采样
滤波器。
84.进一步地，参考图4，为了更好的保留待测图像的特征信息，上述步骤s100包括：
85.步骤s1001：通过所述切片映射层基于所述通道信息对输入图像在预设维度上进行切片映射，获得映射特征图。
86.需要说明的是，所述输入图像的形状可以用(n,c
in
,h,w)四个维度参数进行表征，其中n可以是抓取的最大图像样本数量，c
in
可以是输入图像的通道数量，h可以是输入图像的高，w可以是输入图像的宽，所述第一预设维度可以是输入图像的高和宽。
87.在具体实现中，通过所述切片映射层基于所述通道信息对输入图像在h和w的方向上进行切片映射，即间隔像素采样，获得映射特征图，例如：当输入图像的形状为x
in
(n,c
in
,h,w)时，在h和w的方向上进行切片映射后，此时，所得到的映射特征图的形状为x
in
(n,c
in
,h/2,w/2)。
88.步骤s1002：通过所述网络连接层基于所述通道信息对所述映射特征图在通道方向上进行连接，获得连接后的特征图；
89.可以理解的是，所述通道方向可以是通道信息中输入图像的初始方向。
90.在具体实现中，通过所述网络连接层基于所述通道信息对所述映射特征图在通道方向上进行连接，获得连接后的特征图，例如：可参考图4，当映射特征图的形状为x
in
(n,c
in
,h/2,w/2)时，对生成的四份特征图延通道方向进行拼接后，所获得的连接后的特征图的形状为x
out1
(n,4c
in
,h/2,w/2)。
91.步骤s1003：通过所述无下采样滤波器对所述连接后的特征图进行预设步长的卷积处理，获得下采样后的特征图。
92.可以理解的是，所述无下采样滤波器为卷积步长为1的滤波器。
93.在具体实现中，通过所述无下采样滤波器对所述连接后的特征图进行步长为1的卷积处理，获得下采样后的特征图，这样可以保留更多的特征信息，例如：可参考图4，当连接后的特征图的形状为x
out1
(n,4c
in
,h/2,w/2)时，经过步长为1的卷积处理后，获得的下采样后的特征图的形状为x
out2
(n,c
out
,h/2,w/2)。
94.步骤s200：通过所述卷积层对所述下采样后的特征图依次进行卷积处理、归一化处理和激活处理，获得第一特征图；
95.需要说明的是，所述卷积处理的步长可以是1、2、3等，本实施例不加以限制，所述归一化处理可以是基于正态分布的归一化处理，所述激活处理所采用的激活函数可以是sigmoid激活函数、tanh激活函数或者relu激活函数，本实施例不再加以限制。
96.步骤s300：通过所述无损下采样组件对所述第一特征图进行下采样，获得第二特征图；
97.步骤s400：通过所述瓶颈层对所述第二特征图进行残差处理，获得第三特征图；
98.在具体实现中，所述瓶颈层通过yolov5检测模型中的csp组件对所述第二特征图进行残差处理，获得第三特征图，所述csp组件可以是csp1-x组件、其中x代表残差组件的数量，可以是1个、2个、3个等，本实施例不加以限制。
99.步骤s500：将所述第三特征图依次通过所述卷积层、所述无损下采样组件和所述瓶颈层进行预设次数的循环处理后再进行池化操作，获得初始特征图。
100.可以理解的是，所述预设次数可以2次、3次等，由所述预设骨干模块在搭建时的网
络结构决定，例如：当预设次数为2次时，所述特征图将依次通过卷积层、无损下采样组件、瓶颈层、卷积层、无损下采样组件、瓶颈层再进行池化操作，获得初始特征图。
101.本实施例通过所述无损下采样组件对所述待测图像进行下采样后，再将下采样后的特征图依次通过所述卷积层、所述无损下采样组件和所述瓶颈层进行预设次数的循环处理后再进行池化操作，有利于保留人头特征信息，降低冗余数据，从而更好的提取人头特征，可以进一步提高人头检测的精准度。
102.参考图5，图5为本发明人群密度分析方法第三实施例的流程示意图。
103.基于上述第二实施例，为了提升预设yolov5检测模型的训练效果，提出第三实施例，在上述步骤s10之前包括：
104.步骤s01：获取图像训练集。
105.可以理解的是，所述图像训练集可以是包含了大量待检测样本图像的数据集合。
106.步骤s02：通过所述待训练的初始yolov5检测模型对所述图像训练集进行检测，获得边界框，所述图像训练集包括大量待检测样本图像，所述待检测样本图像中包含有人工标注的gt框。
107.可以理解的是，所述边界框可以是用于预测目标位置的矩形框，所述gt框(ground truth box，标准框)可以是人为标注的代表预测目标位置的矩形框。
108.步骤s03：对所述边界框和所述gt框分别进行二维高斯分布建模。
109.需要说明的是，在所述边界框和所述gt框中，一般情况下，前景像素集中在框的中间位置，背景像素集中在框的沿边位置，所以可以矩形框建模成二维的高斯分布。
110.在具体实现中，可以应用nwd(normalized gaussian wasserstein distance)度量方法，例如：对于矩形框r＝(cx,cy,w,h)，cx，cy表示矩形框的中心顶坐标，w，h表示矩形框的宽高。则内接椭圆方程可表示为：
[0111][0112]
其中，μ
x
，μy是内接椭圆的中心点坐标，σ
x
，σy是内接椭圆在x轴和y轴的半径。对应到矩形框中，μ
x
＝cx，μy＝cy，σ
x
＝w/2，σy＝h/2。二维高斯分布的概率密度函数可以表示为：
[0113][0114]
其中，x表示坐标(x,y)，μ表示均值，σ表示方差。当按照公式3计算结果等于1时：
[0115]
(x-μ)
t
∑-1
(x-μ)＝1，
ꢀꢀꢀ
(3)
[0116]
这个内接椭圆可以表示为二维高斯分布的一个分布轮廓，因此，上述矩形框r＝(cx，cy，w，h)可以建模为一个二维的高斯分布模型：
[0117][0118]
由此，两个矩形框之间的相似度便可以基于这两个高斯分布模型的高斯分布距离来表示。
[0119]
步骤s04：基于建模结果计算所述边界框和所述gt框的相似度。
[0120]
可以理解的是，所述建模结果可以是基于上述矩形框进行二维的高斯分布建模后的高斯分布模型。
[0121]
进一步地，为了获得更精准的高斯分布距离，步骤s04还包括：
[0122]
步骤s04a：基于所述建模结果，获取所述边界框和所述gt框之间的高斯分布距离；
[0123]
在具体实现中，基于所述建模结果，可以使用最优传输理论中的wasserstein距离来计算两个高斯分布的距离。对于两个二维的高斯分布，其2阶wasserstein距离可以定义为：
[0124][0125]
其中公式5可以简化为：
[0126][0127]
其中公式6可以进一步简化为：
[0128][0129]
步骤s04b：对所述高斯分布距离进行归一化处理，获得所述边界框和所述gt框的相似度。
[0130]
需要说明的是，对于两个矩形框而言，上述公式7所得到的是一个距离度量，还不能直接用于表征两个矩形框之间的相似度，因此还需要对高斯分布距离进行归一化处理。
[0131]
在具体实现中，通过公式8对所述高斯分布距离进行归一化处理，获得归一化高斯距离。
[0132][0133]
其中，c是一个常数，和数据集有关。
[0134]
步骤s05：基于所述相似度和预设损失函数对所述待训练的初始yolov5检测模型的网络参数进行迭代优化，获得预设yolov5检测模型。
[0135]
需要说明的是，yolov5检测模型在矩形框的信息回归中使用了iou损失，并且会将计算的iou值作为置信度的真值进行训练。使用iou损失可以减少训练和测试时的差距，但是iou-loss在矩形框没有重叠或者完全重叠时无法提供梯度来优化网络参数。
[0136]
可以理解的是，所述预设损失函数是使用nwd-loss结合iou损失共同作为回归损失的损失函数。
[0137]
在具体实现中，基于所述相似度和预设损失函数对所述待训练的初始yolov5检测模型的网络参数进行迭代优化，并将其和作为置信度真值进行置信度损失使用，获得预设yolov5检测模型。
[0138][0139]
其中，n
p
是上述边界框的高斯分布，ng是上述gt框的高斯分布。
[0140]
本实施例通过使用nwd度量方式把边界框和gt框建成二维的高斯分布模型，然后
使用wasserstein距离来度量这两个高斯分布之间的相似度，相较于iou度量方法，即使两个矩形框不重叠，或者重叠很少，依然可以进行有效度量，再对上述预设检测模型进行训练时，有利于正负样本的分配，有助于小的边界框的回归，可以减少nms时的误检和漏检，极大地提升预设yolov5检测模型的训练效果。
[0141]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有人群密度分析程序，所述人群密度分析程序被处理器执行时实现如上文所述的人群密度分析方法的步骤。
[0142]
参照图7，图7为本发明人群密度分析装置第一实施例的结构框图。
[0143]
如图7所示，本发明实施例提出的人群密度分析装置包括：图像获取模块701、人头检测模块702和密度计算模块703。
[0144]
所述图像获取模块701，用于获取视频监控采集的当前人群图像；
[0145]
所述人头检测模块702，用于通过预设yolov5检测模型对所述当前人群图像进行人头检测，获得检测结果，所述预设yolov5检测模型包括预设骨干模块和预设颈部模块，所述预设骨干模块和所述预设颈部模块均包含代替了原始下采样组件的无损下采样组件，所述无损下采样组件用于保留输入图像全部的通道信息并基于所述通道信息对输入图像进行下采样处理；
[0146]
所述密度计算模块703，用于根据所述检测结果进行人群密度的计算，获得当前人群密度。
[0147]
本实施例通过获取视频监控采集的当前人群图像；通过预设检测模型对当前人群图像进行人头检测，获得检测结果，预设检测模型包括预设骨干模块和预设颈部模块，预设骨干模块和预设颈部模块均包含代替了原始下采样组件的无损下采样组件，无损下采样组件用于保留输入图像全部的通道信息并基于所述通道信息对输入图像进行下采样处理；根据检测结果进行人群密度的计算，获得当前人群密度。由于本发明通过预设检测模型对当前人群图像进行人头检测，在人头检测中采用无损下采样组件对输入图像进行下采样处理，有利于保留输入图像中的特征信息，可以提高人头检测的精准度，从而提升所计算出的人群密度数据的可靠性。
[0148]
本发明人群密度分析装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
[0149]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0150]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0151]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可
以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0152]
以上仅为本发明的优选实施例，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。