技术领域
[0001] 本
发明涉及
图像处理技术领域，具体而言，涉及一种车脸受损程度检测方法及装置。
背景技术
[0002] 随着
汽车的普及以及国民经济的快速增长，越来越多的家庭拥有私家车。由于车辆数目剧增，发生车祸的概率也直线飙升，2017年丧生车祸高达6.3万人。由于视频监控目前没有做到全道路
覆盖，部分司机在无监控覆盖道路肇事后逃逸，给受害人家属带来巨大的悲痛及损失。
[0003]
现有技术中，无监控覆盖道路发生肇事逃逸案件后，公安需要调取现场附近道路的监控点位，形成封闭的包围圈，根据车辆速度及距离推算出大致时间段，再查看对应时间段内的录像，这是一个相当耗费精
力的工作；即使部分路口安装了专业卡口，排查多个路口多个小时内的过车图片，巨大的数据量仍给公安的调查工作带来诸多不便。
发明内容
[0004] 有鉴于此，本发明的目的在于提供一种车脸受损程度检测方法及装置，以解决上述问题。
[0005] 为了实现上述目的，本发明
实施例采用的技术方案如下：
[0006] 第一方面，本发明实施例提供了一种车脸受损程度检测方法，所述车脸受损程度检测方法包括：
[0007] 对获取的车辆图像进行预处理，以获得第一图像及第二图像，其中，所述第二图像为与所述第一图像以车牌中心所在垂线为对称轴而对称的图像或者为将与所述第一图像以车牌中心所在垂线为对称轴而对称的图像进行镜像翻转后的图像；
[0008] 利用预设定的特征提取
算法分别提取所述第一图像包含的第一特征点信息，以及所述第二图像包含的第二特征点信息；
[0009] 依据所述第一特征点信息与所述第二特征点信息确定所述第一图像与所述第二图像的匹配程度；
[0010] 依据所述匹配程度确定车脸受损程度。
[0011] 第二方面，本发明实施例还提供了一种车脸受损程度检测装置，
[0012] 所述车脸受损程度检测装置包括：
[0013] 预处理单元，用于对获取的车辆图像进行预处理，以获得第一图像及第二图像，其中，所述第二图像为与所述第一图像以车牌中心所在垂线为对称轴而对称的图像或者为将与所述第一图像以车牌中心所在垂线为对称轴而对称的图像进行镜像翻转后的图像；
[0014] 特征点提取单元，用于利用预设定的特征提取算法分别提取所述第一图像包含的第一特征点信息，以及所述第二图像包含的第二特征点信息；
[0015] 匹配单元，用于依据所述第一特征点信息与所述第二特征点信息确定所述第一图像与所述第二图像的匹配程度；
[0016] 受损程度确定单元，用于依据所述匹配程度确定车脸受损程度。
[0017] 本发明实施例提供的车脸受损程度检测方法及装置，通过对获取的车辆图像进行预处理，以获得第一图像及第二图像，并利用预设定的特征提取算法分别提取第一图像包含的第一特征点信息以及第二图像包含的第二特征点信息，然后依据第一特征点信息与第二特征点信息确定第一图像与第二图像的匹配程度，接着依据匹配程度确定车脸受损程度；由于第一图像与第二图像分别为车脸的左边及右边，将车脸的左边和右边进行比对从而确定车脸的受损程度，能够提前确定道路上的受损严重车辆，以减少在排查肇事车辆时花费的时间，为案件侦破节约时间。
[0018] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附
附图，作详细说明如下。
附图说明
[0019] 为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，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。
[0020] 图1示出了本发明实施例提供的
服务器的方框示意图。
[0021] 图2示出了本发明实施例提供的车脸受损程度检测方法的
流程图。
[0022] 图3示出了图2中步骤S201的具体流程图。
[0023] 图4示出了划分车脸
位置区域的示意图。
[0024] 图5示出了图2中步骤S202的具体流程图。
[0025] 图6示出了用于表征第一图像的线段示意图。
[0026] 图7示出了图2中步骤S203的一种具体流程图。
[0027] 图8示出了图2中步骤S203的另一种具体流程图。
[0028] 图9示出了本发明实施例提供的车脸受损程度检测装置的功能模
块图。
[0029] 图标：100-服务器；110-
存储器；120-处理器；130-通信单元；200-车脸受损程度检测装置；210-预处理单元；220-特征点提取单元；230-匹配单元；240-受损程度确定单元。
具体实施方式
[0030] 下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0031] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的
选定实施例。基于本发明的实施例，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，都属于本发明保护的范围。
[0032] 需要说明的是，术语“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。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0033] 请参照图1，是服务器100的方框示意图。所述服务器100包括车脸受损程度检测装置200、存储器110、处理器120及通信单元130。
[0034] 所述存储器110、处理器120以及通信单元130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或
信号线实现电性连接。所述车脸受损程度检测装置200包括至少一个可以
软件或
固件(Firmware)的形式存储于所述存储器110中或
固化在所述服务器100的
操作系统(Operating System，OS)中的软件功能模块。所述处理器120用于执行所述存储器110中存储的可执行模块，例如所述车脸受损程度检测装置200所包括的软件功能模块及
计算机程序等。
[0035] 其中，所述存储器110可以是，但不限于，
随机存取存储器110(Random Access Memory，RAM)，
只读存储器110(Read Only Memory，ROM)，可编程只读存储器110(Programmable Read-Only Memory，PROM)，可擦除只读存储器110(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器110(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器110用于存储程序或者数据。所述通信单元130用于通过所述网络建立所述服务器100与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
[0036] 应当理解的是，图1所示的结构仅为服务器100的结构示意图，所述服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用
硬件、软件或其组合实现。
[0037] 第一实施例
[0038] 本发明实施例提供了一种车脸受损程度检测方法，应用于上述服务器100，用于确定车脸受损程度，从而提前确定道路上的受损严重车辆。请参阅图2，为本发明实施例提供的车脸受损程度检测方法的流程图。该车脸受损程度检测方法包括：
[0039] 步骤S201：对获取的车辆图像进行预处理，以获得第一图像及第二图像。
[0040] 需要说明的是，该车辆图像为标准卡扣相机抓拍并传输的标准卡口图片。此外，由于卡口相机的安装位置，其拍摄到的车辆图像大多为车辆的
正面。
[0041] 在一种优选的实施例中，第二图像为将与第一图像信息以车牌中心所在垂线为对称轴而对称的图像进行镜像翻转后的图像。
[0042] 请参阅图3，为步骤S201的具体流程图。该步骤S201包括：
[0043] 子步骤S2011：利用预设定的车牌
定位算法确定车辆图像中的车牌位置。
[0044] 例如，该车牌定位算法包括：对车辆图像进行压缩，然后对压缩后的车辆图像进行RGB彩色图像灰度转换为灰度图像，接着对灰度图像进行拉伸后，进行局部增强，以突出车牌位置，接着进行车辆图像二值化处理以及
边缘检测，从而确定车辆图像中的车牌位置。
[0045] 子步骤S2012：判断基于车牌位置确定的车辆倾斜
角度是否小于或等于预设定角度
阈值，如果是，则执行子步骤S2013；如果否，则退出循环。
[0046] 需要说明的是，在确定车牌位置后，可以利用字符矫正算法确定车牌的倾斜角度，以此确定车辆的倾斜角度。
[0047] 由于对于车辆倾斜角度过大的车辆图像特征比对结果的错误率较高，因此首先将车辆倾斜角度过大的车辆图像筛选出来，剔除车辆倾斜角度大于或等于预设定角度阈值的车辆图像，以减少不必要的计算量；从而当车牌位置确定的车辆倾斜角度大于预设定角度阈值时，没有必要进行后续流程，直接退出循环，停止对当前的车辆图像检测。
[0048] 子步骤S2013：以车牌位置为中心向四周扩展预设长度以确定车脸位置区域。
[0049] 对于车辆倾斜角度小于或等于预设定角度阈值的车辆图像，可以准确地提取特征点信息并进行比对，因此保留。
[0050] 需要说明的是，向不同方向扩展的预设长度可以不同。且每个方向所扩展的预设长度应当依据车脸与车牌的实际比例决定。
[0051] 例如，在本实施例中，以车牌位置为中心，分别向左、右两个方向扩展1.5个车牌长度，向下扩展1个车牌长度，向上扩展2.5个车牌长度，以此确定的车脸位置区域，更加贴合实际应用。
[0052] 子步骤S2014：以车牌位置信息确定的车牌的两侧边所在直线为分割线，将车脸位置区域划分为第一图像以及第三图像。
[0053] 请参阅图4，具体地，第一图像及第三图像分别为车脸位置区域中车牌左侧边所在直线以左的图像及车脸位置区域中车牌右侧边所在直线以右的图像。
[0054] 可以理解的是，第一图像及第三图像可以分别为车脸位置区域中车牌右侧边所在直线以右的图像及车脸位置区域中车牌左侧边所在直线以左的图像。
[0055] 可以理解地，在车脸完好的情况下，第一图像以及第三图像应当以车牌中心所在垂线为对称轴而对称。
[0056] 子步骤S2015：对第三图像进行镜像翻转以获得第二图像。
[0057] 从而，第二图像为将与第一图像信息以车牌中心所在垂线为对称轴而对称的图像进行镜像翻转后的图像。
[0058] 在另一种优选的实施例中，第二图像为将与第一图像信息以车牌中心所在垂线为对称轴而对称的图像。可以理解地，依据车辆图像获得第二图像的具体预处理过程可参阅子步骤S2011～子步骤S2014，即：将子步骤S2014中的第三图像替换为第二图像，不再进行子步骤S2015即可。
[0059] 步骤S202：利用预设定的特征提取算法分别提取第一图像包含的第一特征点信息以及第二图像包含的第二特征点信息。
[0060] 请参阅图5，为步骤S202的具体流程图。该步骤S202包括：
[0061] 子步骤S2021：利用预存储的高斯卷积核分别与第一图像、第二图像构建第一尺度空间函数及第二尺度空间函数。
[0062] 具体地，第一尺度空间函数为：L1(x，y，σ)＝G(x，y，σ)*I1(x，y)[0063] 第二尺度空间函数为：L2(x，y，σ)＝G(x，y，σ)*I2(x，y)
[0064] 其中，G(x，y，σ)为预存储的高斯卷积核，I1(x，y)为第一图像，I2(x，y)为第二图像，σ为图像尺度参数。
[0065] 图像尺度参数即为模糊系数，其大小决定图像的平滑程度，大尺度对应图像的样貌特征，小尺度对应图像的细节特征。一般地，大的σ值对应粗糙尺度，即低
分辨率，小的σ值对应精细尺度，即高分辨率。
[0066] 子步骤S2022：确定第一尺度空间函数中包括的多个第一特征点以及第二尺度空间函数中包括的多个第二特征点。
[0067] 首先，需要利用不同尺度的高斯差分核与图像卷积生成DOG尺度空间，具体地，算式如下所示：
[0068] D1(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I1(x，y)
[0069] ＝L1(x，y，kσ)-L1(x，y，σ)
[0070] D2(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I2(x，y)
[0071] ＝L2(x，y，kσ)-L2(x，y，σ)
[0072] 接着检测DOG尺度空间极值点，以确定第一特征点及第二特征点。
[0073] 具体地，每一个
采样点和它所有相邻点比较，看起是否比它的图像域和尺度域的相邻点大或者小；中间的监测点和它同尺度的8个相邻点和上下相邻点尺度对应的9*2个点共26个点比较，已确保在尺度空间和二维
图像空间都检测到极值点。
[0074] 子步骤S2023：获取每个第一特征点的第一位置信息、第一尺度信息以及每个第二特征点的第二位置信息及第二尺度信息。
[0075] 具体地，通过拟合三维二次函数以精确确定极值点的位置和尺度，同时还能去除低
对比度的极值点和不稳定的边缘相应点。
[0076] 空间尺度函数泰勒展开式：
[0077] 对上式求导，并令其为0，得到关键点的位置：
[0078] 将上式带入空间尺度函数泰勒展开式得：
[0079] 需要说明的是，在本实施例中，仅保留 的极值点。
[0080] 子步骤S2024：确定每个第一特征点的第一方向信息以及每个第二特征点的第二方向信息。
[0081] 具体地，每个特征点的方向是通过求每个特征点的梯度来实现的。
[0082] 其中，对于任一关键点，其梯度幅值表述为：
[0083]
[0084] 梯度方向为：
[0085] θ(x,y)＝tan-1((L(x+1,y)-L(x-1,y))/(L(x,y+1)-L(x,y-1))
[0086] 子步骤S2025：基于同一个第一特征点的第一位置信息、第一尺度信息及第一方向信息确定第一特征点的第一特征描述子。
[0087] 首先，利用将第一特征点附近的区域划分为4×4个子区域，每个子区域作为一个
种子点，每个种子点有8个方向，则每个第一特征点具备4×4×8＝128维的方向参数。
[0088] 其次，由于车脸的大部分方向趋于直线，因此还能以直线特征的方式表述第一特征点。所以以第一特征点为起点，确定128条线段的表达式，赋予每个第一特征点128维的方向参数。
[0089] 其中，每条线段的表达式如下：
[0090] F(X,Y)＝[f(x,y)+f(i,j)-f(s,t)-f(l,m)]-[f(s,t)+f(l,m)-f(h,k)-f(n,o)]其中，(x,y)、(i,j)、(s,t)、(l,m)、(h,k)、(n,o)均为
像素坐标，F(X,Y)表示(s,t)、(l,m)两点形成的直线，用以表征第一图像。
[0091] 因此，综合两个128维特征、第一位置信息、第一尺度信息以及第一方向信息便能确定每个第一特征点的第一特征描述子。
[0092] 子步骤S2026：基于同一个第二特征点的第二位置信息、第二尺度信息及第二方向信息确定第二特征点的第二特征描述子。
[0093] 相应地，第二特征点的第二特征描述子的确定方式请参考子步骤S2026中的具体流程。
[0094] 步骤S203：依据多组第一特征点信息与多组第二特征点信息确定第一图像与第二图像的匹配程度。
[0095] 当所述第二图像为将与所述第一图像以车牌中心所在垂线为对称轴而对称的图像进行镜像翻转后的图像时，请参阅图7，为步骤S203的具体流程图。该步骤S203包括：
[0096] 子步骤S2031：基于具有相同位置信息的第一特征点的第一特征描述子及第二特征点的第二特征描述子，确定第一特征点与第二特征点的欧式距离。
[0097] 由于第二图像为将与所述第一图像以车牌中心所在垂线为对称轴而对称的图像进行镜像翻转后的图像，因此，一组疑似匹配的第一特征点及第二特征点之间应当具备相同的位置信息。
[0098] 从而直接依据位置信息确定与第一特征点可能匹配的疑似特征点，无需再额外计算该第一特征点与每个第二特征点的欧式距离，可以节约计算量，提升运算速度。
[0099] 子步骤S2032：判断欧式距离是否小于或等于预设定的第一距离阈值，如果是，则执行子步骤S2033。
[0100] 子步骤S2033：将第一特征点与第二特征点确定为一组匹配点。
[0101] 可以理解地，依次对每个第一特征点及其对应的第二特征点执行子步骤S2031～子步骤S2033的操作，可以确定多个第一特征点中具备匹配点的数量。
[0102] 子步骤S2034：基于匹配点的数量及第一特征点的数量确定匹配程度。
[0103] 具体地，匹配点的数量与第一特征点的数量的比值即为匹配程度。
[0104] 当所述第二图像为将与所述第一图像以车牌中心所在垂线为对称轴而对称的图像时，请参阅图8，为步骤S203的具体流程图。该步骤S203包括：
[0105] 步骤S801：基于任意一个第一特征描述子及所有第二特征描述子从所有的第二特征点中提取第一疑似特征点及第二疑似特征点。
[0106] 需要说明的是，第一疑似特征点与任意一个第一特征描述子对应的第一特征点的欧式距离为第一欧式距离，第二疑似特征点与第一特征描述子对应的第一特征点的欧式距离为第二欧式距离，且第一欧式距离及第二欧式距离分别为所有第二特征点中与第一特征点形成的欧式距离最小的两个第二特征点的欧式距离；第一欧式距离小于第二欧式距离。
[0107] 步骤S802：判断第一欧式距离与第二欧式距离的商是否小于或等于预设定的第二距离阈值，如果是，则执行步骤S804。
[0108] 步骤S803：将第一特征点与第一疑似特征点确定为一组匹配点。
[0109] 步骤S804：基于匹配点的数量及第一特征点的数量确定匹配程度。
[0110] 步骤S204：依据匹配程度确定车脸受损程度。
[0111] 具体地，当匹配程度大于或等于第一匹配阈值时，确定车脸受损程度为零；当匹配程度大于或等于预设定的第二匹配阈值且小于第一匹配阈值时，确定车脸受损程度为第一程度；当匹配程度小于第二匹配阈值时，确定车脸受损程度为第二程度。需要说明的是，第二程度对应的车脸受损程度高于第一程度所对应的车脸受损程度。
[0112] 可以理解地，当匹配程度大于或等于第一匹配阈值时，表明第一图像与第二图像的相似度非常高，一般地，只有车脸的左边及右边均未受损时，才会出现两边的相似度非常高的情形。
[0113] 当匹配程度小于第二匹配阈值时，表明第一图像与第二图像的相似度很低，表明车脸的左边或是右边发生了较为严重的碰撞，造成两边的相似度很低。
[0114] 在一种优选的实施例中，该第一匹配阈值为94％，该第二匹配阈值为86％。需要说明的是，在其他实施例中，第一匹配阈值及第二匹配阈值也可根据用户的实际需求进行更改。
[0115] 第二实施例
[0116] 请参阅图9，图9为本发明较佳实施例提供的一种车脸受损程度检测装置200的功能模块图。需要说明的是，本实施例所提供的车脸受损程度检测装置200，应用于上述服务器100，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该车脸受损程度检测装置200包括：预处理单元210、特征点提取单元220、匹配单元230以及受损程度确定单元240。
[0117] 其中，预处理单元210用于对获取的车辆图像进行预处理，以获得第一图像及第二图像。
[0118] 具体地，预处理单元210用于利用预设定的车牌定位算法确定车辆图像中的车牌位置，并当基于车牌位置确定的车辆倾斜角度小于或等于预设定角度阈值时，以车牌位置信息确定的车牌的两侧边所在直线为分割线，将车脸位置区域划分为第一图像以及第三图像，然后对第三图像进行镜像翻转以获得第二图像。
[0119] 可以理解地，在一种优选的实施例中，该预处理单元210可用于执行步骤S201、子步骤S2011、子步骤S2012、子步骤S2013、子步骤S2014以及子步骤S2015。
[0120] 特征点提取单元220用于利用预设定的特征提取算法分别提取第一图像包含的第一特征点信息以及第二图像包含的第二特征点信息。
[0121] 具体地，特征点提取单元220用于利用预存储的高斯卷积核分别与第一图像、第二图像构建第一尺度空间函数及第二尺度空间函数；特征点提取单元220还用于确定第一尺度空间函数中包括的多个第一特征点以及第二尺度空间函数中包括的多个第二特征点；特征点提取单元220还用于获取每个第一特征点的第一位置信息、第一尺度信息以及每个第二特征点的第二位置信息及第二尺度信息；特征点提取单元220还用于确定每个第一特征点的第一方向信息以及每个第二特征点的第二方向信息；特征点提取单元220还用于基于同一个第一特征点的第一位置信息、第一尺度信息及第一方向信息确定第一特征点的第一特征描述子；特征点提取单元220还用于基于同一个第二特征点的第二位置信息、第二尺度信息及第二方向信息确定第二特征点的第二特征描述子。
[0122] 需要说明的是，第一特征描述子及第二特征描述子均采用256维向量进行表征。
[0123] 可以理解地，在一种优选的实施例中，该特征点提取单元220可用于执行步骤S202、子步骤S2021、子步骤S2022、子步骤S2023、子步骤S2024以及子步骤S2025以及子步骤S2026。
[0124] 匹配单元230用于依据多组第一特征点信息与多组第二特征点信息确定第一图像与第二图像的匹配程度。
[0125] 在一种优选的实施例中，匹配单元230用于基于具有相同位置信息的第一特征点的第一特征描述子及第二特征点的第二特征描述子，确定第一特征点与第二特征点的欧式距离，并判断欧式距离是否小于或等于预设定的第一距离阈值，如果是则将第一特征点与第二特征点确定为一组匹配点，然后基于匹配点的数量及第一特征点的数量确定匹配程度。
[0126] 在另一种优选的实施例中，匹配单元230用于基于任意一个第一特征描述子及所有第二特征描述子从所有的第二特征点中提取第一疑似特征点及第二疑似特征点，并判断第一欧式距离与第二欧式距离的商是否小于或等于预设定的第二距离阈值，如果是，则将第一特征点与第一疑似特征点确定为一组匹配点，然后基于匹配点的数量及第一特征点的数量确定匹配程度。
[0127] 可以理解地，在一种优选的实施例中，该匹配单元230可用于执行步骤S203、子步骤S2031、子步骤S2032、子步骤S2033、子步骤S2034、步骤S801、步骤S802、步骤S803以及步骤S804。
[0128] 受损程度确定单元240用于依据匹配程度确定车脸受损程度。。
[0129] 具体地，受损程度确定单元240用于当匹配程度大于或等于第一匹配阈值时，确定车脸受损程度为零；当匹配程度大于或等于预设定的第二匹配阈值且小于第一匹配阈值时，确定车脸受损程度为第一程度；当匹配程度小于第二匹配阈值时，确定车脸受损程度为第二程度。
[0130] 可以理解地，在一种优选的实施例中，该受损程度确定单元240可用于执行步骤S204。
[0131] 综上所述，本发明实施例提供的车脸受损程度检测方法及装置，通过对获取的车辆图像进行预处理，以获得第一图像及第二图像，并利用预设定的特征提取算法分别提取第一图像包含的第一特征点信息以及第二图像包含的第二特征点信息，然后依据第一特征点信息与第二特征点信息确定第一图像与第二图像的匹配程度，接着依据匹配程度确定车脸受损程度；由于第一图像与第二图像分别为车脸的左边及右边，将车脸的左边和右边进行比对从而确定车脸的受损程度，能够提前确定道路上的受损严重车辆，以减少在排查肇事车辆时花费的时间，为案件侦破节约时间。
[0132] 在本
申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和
框图显示了根据本发明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，所述模块、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方式中，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，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
[0133] 另外，在本发明各个实施例中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。
[0134] 所述功能如果以软件功能模块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或者该技术方案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中，包括若干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)执行本发明各个实施例所述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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0135] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
