本发明实施例涉及计算机技术领域，尤其涉及一种火情监测方法及装置。
背景技术：
近年来，随着手机、平板电脑等移动终端的普及，移动终端在人们的生活中越来越重要，一方面，由于移动终端方便携带，用户可以随时随地带在身边，另一方面，由于移动终端功能丰富，用户可以通过移动终端享受多种多样的网络服务。与此同时，随着生活水平的提高，用户对于所处环境安全性的关注度也越来越高，如何通过移动终端确定该移动终端用户所处环境的火情状况，已成为本领域技术人员亟待解决的技术问题。
技术实现要素：
本发明实施例提供一种火情监测方法及装置，以解决现有技术中移动终端不能确定所处环境火情状况的技术问题。
为解决上述技术问题，本发明实施例是这样实现的：
第一方面，本发明实施例还提供了一种火情监测方法，应用于移动终端，所述方法包括：
当满足预设火情监测触发条件时，获取所述移动终端当前所处环境的红外数据；
从所述红外数据中提取与火情相关的红外特征；
根据所述红外特征和预设火情预测模型，预测所述移动终端当前所处环境的火情；
当预测到所述移动终端当前所处环境有火情时，触发预设类型的安全预警；
其中，所述预设火情预测模型为使用特定机器学习算法对训练样本的与火情相关的红外特征进行训练所得到的模型，所述预设火情预测模型用于建立红外特征与火情之间的映射关系。
第二方面，本发明实施例还提供了一种火情监测装置，应用于移动终端，所述装置包括：
获取单元，用于在满足预设火情监测触发条件的条件下，获取所述移动终端当前所处环境的红外数据；
提取单元，用于从所述红外数据中提取与火情相关的红外特征；
预测单元，用于根据所述红外特征和预设火情预测模型，预测所述移动终端当前所处环境的火情；
预警单元，用于在预测到所述移动终端当前所处环境有火情的情况下，触发预设类型的安全预警；
其中，所述预设火情预测模型为使用特定机器学习算法对训练样本的与火情相关的红外特征进行训练所得到的模型，所述预设火情预测模型用于建立红外特征与火情之间的映射关系。
第三方面，本发明实施例还提供了一种移动终端，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火情监测程序，所述火情监测程序被所述处理器执行时实现上述火情监测方法的步骤。
第四方面，本发明实施例还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火情监测程序，所述火情监测程序被处理器执行时实现上述火情监测方法的步骤。
在本发明实施例中，可以使用特定机器学习算法及训练样本训练用于预测火情的模型，当需要预测移动终端所处环境的火情时，该移动终端可以获取当前所处环境的红外数据，从该红外数据中提取与火情相关的红外特征，并根据该红外特征和模型，预测移动终端当前所处环境的火情，当预测到发生火情时，输出火情提醒，以便用户能够及时做出应对措施。由于与火情相关的红外特征，在很大程度上可以反映出火情发生的可能性，因此本发明实施例可以比较准确地预测出移动终端所处环境的火情。此外，利用移动终端做火情监测，也提高了移动终端的内置红外设备的利用效率，同时具有便捷性、实时性，深度融入用户生活中的各个场景，可以提供全方位的安全防护。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明的一个实施例的火情监测方法的流程图；
图2是本发明的一个实施例的火情预测模型训练方法的流程图；
图3是本发明的一个实施例的火情监测装置的结构示意图；
图4是实现本发明各个实施例的一种移动终端的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例提供了一种火情监测方法及装置。
下面首先对本发明实施例提供的一种火情监测方法进行介绍。
需要说明的是，本发明实施例提供的方法适用于移动终端，在实际应用中，该移动终端可以包括：手机、平板电脑、智能手表、智能手环、个人数字助理等等，本发明实施例对此不作限定。
图1是本发明的一个实施例的火情监测方法的流程图，如图1所示，该方法可以包括以下步骤：
在步骤101中，当满足预设火情监测触发条件时，获取移动终端当前所处环境的红外数据。
红外线是波长介于微波与可见光之间的电磁波，波长在1毫米到760纳米之间，比红光长的非可见光。高于绝对零度(-273.15℃)的物体都可以产生红外线。
考虑到物体对外辐射出的红外线强度，和物体自身的温度有关，温度越高，辐射的能量愈大，反之，辐射的能量愈小，因此，环境中红外光线的分布，基本上反映了环境的温度分布，而温度又和火情密切相关。基于上述情况，本发明实施例中，通过移动终端中内置的红外检测模块，检测该移动终端周边环境中的红外线，这些红外线由物体自身发出，根据物体温度不同，发出的红外线的强度也不同。
本发明实施例中，预设火情监测触发条件可以包括：接收到用户触发的火情监测指令、达到预先设定的火情检测时间、移动终端所在位置属于预设类型的位置、或进入移动终端的特定模式。
例如，在休息或外出等情况下，用户可以手动触发的火情监测指令，当接收到用户触发的火情监测指令时，移动终端获取当前所处环境的红外数据，即开启红外探测；或者，用户可以设定定时任务，当移动终端的系统时间达到预先设定的火情检测时间时，该移动终端获取当前所处环境的红外数据；或者，当检测到当前所在位置为酒店等预设类型的位置时，移动终端获取当前所处环境的红外数据；或者，当进入儿童模式等特定模式时，移动终端获取当前所处环境的红外数据。
在步骤102中，从红外数据中提取与火情相关的红外特征。
本发明实施例中，可以将与火情相关的红外特征，分为静态特征和动态特征，静态特征包括红外光强和红外光范围分布等，动态特征包括红外光强变化和红外光范围变化等。
基于此情况，本发明实施例中，与火情相关的红外特征可以包括下述至少一种：红外光强、红外光范围分布、红外光强变化及红外光范围变化。
在步骤103中，根据红外特征和预设火情预测模型，预测移动终端当前所处环境的火情。
本发明实施例中，预设火情预测模型为使用特定机器学习算法对训练样本的与火情相关的红外特征进行训练所得到的模型，该预设火情预测模型用于建立红外特征与火情之间的映射关系。
本发明实施例中，在使用预设火情预测模型预测火情时，预设火情预测模型的输入为移动终端当前所处环境的红外特征，预设火情预测模型的输出为移动终端当前所处环境发生火情的概率值，通常情况下，移动终端当前所处环境发生火情的概率值越接近1，说明移动终端所处环境发生火灾的可能性越大，移动终端当前所处环境发生火情的概率值越接近0，说明移动终端所处环境发生火灾的可能性越小。在此情况下，上述步骤103具体可以包括以下步骤：根据移动终端当前所处环境的红外特征和预设火情预测模型，确定该移动终端当前所处环境发生火情的概率值；当该概率值大于预设阈值时，确定该移动终端当前所处环境有火情。
为了便于理解，结合图2所示的火情预测模型训练方法的流程图对本发明实施例中的火情预测过程进行介绍。图2是本发明的一个实施例的火情预测模型训练方法的流程图，如图2所示，该方法可以包括以下步骤：
在步骤201中，获取训练样本集，其中，该训练样本集中包括用于训练模型的训练样本，该训练样本包括与火情相关的红外特征。
本发明实施例中，训练样本包括正样本和负样本，正样本包括：火灾状态下环境中的红外数据对应的红外特征，负样本包括：非火灾状态下环境中的红外数据对应的红外特征。
本发明实施例中，与火情相关的红外特征可以包括下述至少一种：红外光强、红外光范围分布、红外光强变化及红外光范围变化。
考虑到参考的红外特征越多，训练出的模型预测效果越好，优选的，与火情相关的红外特征包括：红外光强、红外光范围分布、红外光强变化和红外光范围变化。
在步骤202中，根据特定机器学习算法对该训练样本的与火情相关的红外特征进行训练，得到火情预测模型，其中，该火情预测模型用于建立环境的红外特征与火情之间的映射关系。
本发明实施例中，特定机器学习算法可以为神经网络算法。
当使用神经网络算法对该训练样本的与火情相关的红外特征进行训练时，以训练样本包括正样本和负样本，正样本包括：火灾状态下环境中的红外数据对应的红外特征，负样本包括：非火灾状态下环境中的红外数据对应的红外特征为例，使用现有的神经网络算法，分别将正样本的与火情相关的红外特征进行量化(具体可以量化为0～1之间的数值)，将负样本的与火情相关的红外特征进行量化；对于正样本，将正样本的与火情相关的红外特征量化后的数值作为神经网络算法的输入，将神经网络算法的输出值设置为1；对于负样本，将负样本的与火情相关的红外特征量化后的数值作为神经网络算法的输入，将神经网络算法的输出值设置为0；通过上述运算，不断调整神经网络的参数，最终得到最佳的参数，从而获得由前述最佳的参数构成的函数，即火情预测模型。
在使用该火情预测模型(函数)时，将移动终端当前所处环境的与火情相关的红外特征进行量化(即将各红外特征进行数值化)，将各红外特征量化后的数值带入到前述函数中，该函数的计算结果即为该移动终端当前所处环境发生火情的概率值；若移动终端当前所处环境发生火情的概率值达到预设阈值(例如0.7)，则确定所述移动终端当前所处环境有火情，若移动终端当前所处环境发生火情的概率值未达到预设阈值，则确定所述移动终端当前所处环境没有火情。
需要说明的是，预设阈值涉及召回率和查准率两者的平衡，该预设阈值可以由用户自行设定或根据模型的训练结果和实际环境中的使用效果进行调整，也可以通过算法计算得到，本发明实施例对此不作限定。
此外，本发明实施例中，特定机器学习算法也可以逻辑回归算法，其模型训练过程与基于神经网络算法的模型训练过程类似，在此不再赘述。
考虑到机器学习算法已经在图像、文本等多个模式识别领域证明了其有效性，因此，本发明实施例中，利用机器学习算法进行火情监测，具有通用性强、准确率高、使用方便的特点，有较高的实用价值。
在步骤104中，当预测到移动终端当前所处环境有火情时，触发预设类型的安全预警。
本发明实施例中，预设类型的安全预警可以包括下述至少一种：响铃、震动、自动拨号、及显示特定用户界面。例如，特定用户界面可以为“119”、“120”或紧急联系人等快捷拨号界面，以方便用户快速求助。
可见，移动终端在预测出所处环境有火情时，可以通过触发多种类型的安全预警来提醒用户，方便用户快速做出应对措施或者求助，从而保护用户的人身安全。
由上述实施例可见，该实施例中，可以使用特定机器学习算法及训练样本训练用于预测火情的模型，当需要预测移动终端所处环境的火情时，该移动终端可以获取当前所处环境的红外数据，从该红外数据中提取与火情相关的红外特征，并根据该红外特征和模型，预测移动终端当前所处环境的火情，当预测到发生火情时，输出火情提醒，以便用户能够及时做出应对措施。由于与火情相关的红外特征，在很大程度上可以反映出火情发生的可能性，因此本发明实施例可以比较准确地预测出移动终端所处环境的火情。此外，利用移动终端做火情监测，也提高了移动终端的内置红外设备的利用效率，同时具有便捷性、实时性，深度融入用户生活中的各个场景，可以提供全方位的安全防护。
图3是本发明的一个实施例的火情监测装置的结构示意图，该火情监测装置应用于移动终端，如图3所示，火情监测装置300可以包括：获取单元301、提取单元302、预测单元303和预警单元304，其中，
获取单元301，用于在满足预设火情监测触发条件的条件下，获取所述移动终端当前所处环境的红外数据；
提取单元302，用于从所述红外数据中提取与火情相关的红外特征；
预测单元303，用于根据所述红外特征和预设火情预测模型，预测所述移动终端当前所处环境的火情；
预警单元304，用于在预测到所述移动终端当前所处环境有火情的情况下，触发预设类型的安全预警；
其中，所述预设火情预测模型为使用特定机器学习算法对训练样本的与火情相关的红外特征进行训练所得到的模型，所述预设火情预测模型用于建立红外特征与火情之间的映射关系。
由上述实施例可见，该实施例中，可以使用特定机器学习算法及训练样本训练用于预测火情的模型，当需要预测移动终端所处环境的火情时，该移动终端可以获取当前所处环境的红外数据，从该红外数据中提取与火情相关的红外特征，并根据该红外特征和模型，预测移动终端当前所处环境的火情，当预测到发生火情时，输出火情提醒，以便用户能够及时做出应对措施。由于与火情相关的红外特征，在很大程度上可以反映出火情发生的可能性，因此本发明实施例可以比较准确地预测出移动终端所处环境的火情。此外，利用移动终端做火情监测，也提高了移动终端的内置红外设备的利用效率，同时具有便捷性、实时性，深度融入用户生活中的各个场景，可以提供全方位的安全防护。
可选的，作为一个实施例，所述预设火情监测触发条件可以包括：
接收到用户触发的火情监测指令、达到预先设定的火情检测时间、移动终端所在位置属于预设类型的位置、或进入移动终端的特定模式。
可选的，作为一个实施例，所述红外特征可以包括下述至少一种：红外光强、红外光范围分布、红外光强变化及红外光范围变化。
可选的，作为一个实施例，所述训练样本包括正样本和负样本，所述正样本包括：火灾状态下环境中的红外数据对应的红外特征，所述负样本包括：非火灾状态下环境中的红外数据对应的红外特征。
可选的，作为一个实施例，所述预测单元304可以包括：
火情发生概率确定子单元，用于根据所述红外特征和预设火情预测模型，确定所述移动终端当前所处环境发生火情的概率值；
火情确定子单元，用于在所述概率值大于预设阈值的情况下，确定所述移动终端当前所处环境有火情。
可选的，作为一个实施例，所述预设类型的安全预警包括下述至少一种：响铃、震动、自动拨号、及显示特定用户界面。
可选的，作为一个实施例，所述特定机器学习算法可以为神经网络算法。
图4是实现本发明各个实施例的一种移动终端的硬件结构示意图，如图4所示，该移动终端400包括但不限于：射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、处理器410、以及电源411等部件。本领域技术人员可以理解，图4中示出的移动终端结构并不构成对移动终端的限定，移动终端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。在本发明实施例中，移动终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中，处理器410，用于当满足预设火情监测触发条件时，获取移动终端当前所处环境的红外数据；从所述红外数据中提取与火情相关的红外特征；根据所述红外特征和预设火情预测模型，预测所述移动终端当前所处环境的火情；当预测到所述移动终端当前所处环境有火情时，触发预设类型的安全预警；其中，所述预设火情预测模型为使用特定机器学习算法对训练样本的与火情相关的红外特征进行训练所得到的模型，所述预设火情预测模型用于建立红外特征与火情之间的映射关系。
本发明实施例中，可以使用特定机器学习算法及训练样本训练用于预测火情的模型，当需要预测移动终端所处环境的火情时，该移动终端可以获取当前所处环境的红外数据，从该红外数据中提取与火情相关的红外特征，并根据该红外特征和模型，预测移动终端当前所处环境的火情，当预测到发生火情时，输出火情提醒，以便用户能够及时做出应对措施。由于与火情相关的红外特征，在很大程度上可以反映出火情发生的可能性，因此本发明实施例可以比较准确地预测出移动终端所处环境的火情。此外，利用移动终端做火情监测，也提高了移动终端的内置红外设备的利用效率，同时具有便捷性、实时性，深度融入用户生活中的各个场景，可以提供全方位的安全防护。
可选的，作为一个实施例，所述预设火情监测触发条件包括：
接收到用户触发的火情监测指令、达到预先设定的火情检测时间、移动终端所在位置属于预设类型的位置、或进入移动终端的特定模式。
可选的，作为一个实施例，所述红外特征包括下述至少一种：红外光强、红外光范围分布、红外光强变化及红外光范围变化。
可选的，作为一个实施例，所述训练样本包括正样本和负样本，所述正样本包括：火灾状态下环境中的红外数据对应的红外特征，所述负样本包括：非火灾状态下环境中的红外数据对应的红外特征。
可选的，作为一个实施例，所述根据所述红外特征和预设火情预测模型，预测所述移动终端当前所处环境的火情的步骤，包括：
根据所述红外特征和预设火情预测模型，确定所述移动终端当前所处环境发生火情的概率值；
当所述概率值大于预设阈值时，确定所述移动终端当前所处环境有火情
可选的，作为一个实施例，所述预设类型的安全预警包括下述至少一种：响铃、震动、自动拨号、及显示特定用户界面。
可选的，作为一个实施例，所述特定机器学习算法为神经网络算法。
应理解的是，本发明实施例中，射频单元401可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器410处理；另外，将上行的数据发送给基站。通常，射频单元401包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元401还可以通过无线通信系统与网络和其他设备通信。
移动终端通过网络模块402为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元403可以将射频单元401或网络模块402接收的或者在存储器409中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元403还可以提供与移动终端400执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元403包括扬声器、蜂鸣器以及受话器等。
输入单元404用于接收音频或视频信号。输入单元404可以包括图形处理器(Graphics Processing Unit，GPU)4041和麦克风4042，图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元406上。经图形处理器4041处理后的图像帧可以存储在存储器409(或其它存储介质)中或者经由射频单元401或网络模块402进行发送。麦克风4042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元401发送到移动通信基站的格式输出。
移动终端400还包括至少一种传感器405，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板4061的亮度，接近传感器可在移动终端400移动到耳边时，关闭显示面板4061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器405还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元406用于显示由用户输入的信息或提供给用户的信息。显示单元406可包括显示面板4061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板4061。
用户输入单元407可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板4071上或在触控面板4071附近的操作)。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器410，接收处理器410发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板4071。除了触控面板4071，用户输入单元407还可以包括其他输入设备4072。具体地，其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板4071可覆盖在显示面板4061上，当触控面板4071检测到在其上或附近的触摸操作后，传送给处理器410以确定触摸事件的类型，随后处理器410根据触摸事件的类型在显示面板4061上提供相应的视觉输出。虽然在图4中，触控面板4071与显示面板4061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板4071与显示面板4061集成而实现移动终端的输入和输出功能，具体此处不做限定。
接口单元408为外部装置与移动终端400连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元408可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端400内的一个或多个元件或者可以用于在移动终端400和外部装置之间传输数据。
存储器409可用于存储软件程序以及各种数据。存储器409可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器409可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器410是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器409内的软件程序和/或模块，以及调用存储在存储器409内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器410可包括一个或多个处理单元；优选的，处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。
移动终端400还可以包括给各个部件供电的电源411(比如电池)，优选的，电源411可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，移动终端400包括一些未示出的功能模块，在此不再赘述。
优选的，本发明实施例还提供一种移动终端，包括处理器410，存储器409，存储在存储器409上并可在所述处理器410上运行的火情监测程序，该火情监测程序被处理器410执行时实现上述火情监测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。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有火情监测程序，该火情监测程序被处理器执行时实现上述应用于移动终端的火情监测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。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。
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ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(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。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。