车牌类型识别方法、装置及计算机可读存储介质与流程

本发明涉及车牌识别技术领域，具体而言，涉及一种车牌类型识别方法、装置及计算机可读存储介质。

背景技术：

随着社会的进步，我国车辆保有量和交通出行量不断增长，随之也加重了地面交通管理任务。为了应对地面交通管理工作的日渐繁重，智能交通系统应运而生，并逐步取代人工，成为当前交通监管的主流系统。于智能交通系统而言，车牌识别无疑是最重要的工作之一。但随着对车辆的精细化管理，对不同类型车辆的管理标准不同，同时，针对不同管理标准的车辆通常配置不同类型的车牌(例如，绿牌的新能源车无需限行)。显然，单纯识别车牌号已经不能满足业务需求了。

相关技术中提出采用训练好的学习模型来对车牌进行识别，并直接输出车牌类型，其学习模型中所具备的对每一类车牌类型的识别能力不仅需要通过大量的样本训练，而且准确率也并不理想。然而，随着车辆精细化管理的进一步推进，车牌类型会逐步增多，每当增加一种新的车牌类型时，均需要综合考虑其他车辆类型，并需要重新进行样本训练，将无疑会大大增加开发的成本。

技术实现要素：

本发明的目的在于提供一种车牌类型识别方法、装置及计算机可读存储介质，用以改善上述问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种车牌类型识别方法，应用于电子设备，所述电子设备内预先存储一深度学习模型，所述方法包括：依据从待处理图像中确定的车牌边界，确定车牌送检图像区域；利用所述深度学习模型识别所述车牌送检图像区域对应的车牌底色特征参数、正反色特征参数及层数特征参数；基于所述车牌底色特征参数、正反色特征参数及层数特征参数，判定所述待处理图像中出现车牌的车牌类型。

第二方面，本发明实施例提供了一种车牌类型识别装置，应用于电子设备，所述电子设备内预先存储一深度学习模型，所述装置包括：确定模块，用于依据从待处理图像中确定的车牌边界，确定车牌送检图像区域；特征识别模块，用于利用所述深度学习模型识别所述车牌送检图像区域对应的车牌底色特征参数、正反色特征参数及层数特征参数；判断模块，用于基于所述车牌底色特征参数、正反色特征参数及层数特征参数，判定所述待处理图像中出现车牌的车牌类型。

第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该些计算机指令被处理器执行时实现前述方法的步骤。

与现有技术的区别在于，本发明实施例提供的一种车牌类型识别方法在获取到车牌送检图像区域后，利用预设的深度学习模型对该车牌送检图像区域进行车牌底色特征参数、正反色特征参数及层数特征参数的提取。此时，仅利用深度学习模型识别车牌送检图像区域的元素特征参数，而不直接识别车牌类型，以便新增由可识别的元素特征组合而成的车牌类型时，无需基于新增类型的车牌样本重新进行模型训练，减少模型的训练工作量，有效控制维护成本。进一步地，再利用提取的车牌底色特征参数、正反色特征参数及层数特征参数，判定所述待处理图像中出现车牌的车牌类型。也就是，利用车牌中多个元素特征参数的组合进行车牌类型判别，从而提高判别的准确性。

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

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。

图1示出了本发明实施例提供的一种电子设备的机构示意图。

图2示出了本发明实施例提供的一种车牌类型识别方法的步骤流程图。

图3示出了本发明实施例提供的一种车牌类型识别方法的步骤流程图的另一部分。

图4示出了本发明实施例提供的一种车牌类型识别方法的应用示例的步骤流程图。

图5示出了本发明实施例提供的车牌类型识别装置的功能模块示意图。

图标：100-电子设备；111-存储器；112-处理器；113-通信单元；200-车牌类型识别装置；201-识别模块；202-融合模块；203-筛选模块；204-获取模块；205-确定模块；206-特征识别模块；207-判断模块。

具体实施方式

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。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参考图1，本发明实施例提供的一种电子设备100。上述电子设备100可以是手机、电脑、服务器、可移动智能终端等。可选地，上述电子设备100包括车牌类型识别装置200、存储器111、处理器112及通信单元113。

所述存储器111、处理器112以及通信单元113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。存储器111用于固化在电子设备100的操作系统(operatingsystem，os)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如，存储器111内存储的车牌类型识别装置200的程序段，以实现本实施例中提供的车牌类型识别方法。

其中，所述存储器111可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。可选地，该电子设备100的存储器111中可以预先存储训练好的深度学习。

所述通信单元113用于通过所述网络建立所述电子设备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。

第一实施例

请参考图2，图2示出本发明较佳实施例提供的车牌类型识别方法。上述车牌类型识别方法可以应用于图1示出的电子设备100中。可选地，所述方法包括：

步骤s101，依据从待处理图像中确定的车牌边界，确定车牌送检图像区域。

在本发明实施例中，上述待处理图像可以是电子设备100获得的出现车辆的图像数据，其可以是由电子设备100自行采集得到，也可以是接收到外界发送的出现车辆的图像数据。进一步地，电子设备100基于从待处理图像中确定的车牌边界，确定车牌送检图像区域，以使车牌边界完整的出现在车牌送检图像区域内。

作为一种实施方式，先从待处理图像中初步确定一车牌送检图像区域，依次检测车牌送检图像区域的左边界与车牌的左边界之间的间距是否在20个像素点以内，车牌送检图像区域的右边界与车牌的右边界之间的间距是否在20个像素点以内，车牌送检图像区域的上边界与车牌的上边界之间的间距是否在10个像素点以内，车牌送检图像区域的下边界与车牌的下边界之间的间距是否在10个像素点以内。如果上述条件均满足(即左右边界的间距均在20个像素点内，上下边界的间距均在10个像素点以内)，则无需对车牌送检图像区域的范围进行调整，将其作为最终的车牌送检图像区域。如果上述条件存在不满足的情况，则需要对初步确定的车牌送检图像区域进行调整，直至得到的车牌送检图像区域与车牌边界之间满足上述条件。具体地，调整方式可以是将车牌送检图像区域外扩0.2倍区域宽度或0.4倍区域高度。需要说明的是，前述实施方式中提到的各类具体数值(例如，“20个像素点”、“10个像素点”、“外扩0.2倍”及“外扩0.4倍”等)仅仅是为了更直观地描述该实施方式的实现过程，并不代表对各类取值范围的限定。可以理解的，其仅为举例。

需要说明的是，本实施例中提到的左、右、上、下等指示的方位或位置关系为相对的四个方位或位置关系，或者是对车牌送检图像区域及车牌边界进行展示时，惯常呈现的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示具有特定的方位。

步骤s102，利用深度学习模型识别车牌送检图像区域对应的车牌底色特征参数、正反色特征参数及层数特征参数。

在本发明实施例中，将最终确定的车牌送检图像区域进行尺寸调节处理，以符合深度学习模型的输入要求，再利用该深度学习模型对车牌送检图像区域进行处理，从而输出对应的车牌底色特征参数、正反色特征参数及层数特征参数等车牌的元素特征。

可选地，上述车牌底色特征参数可以是表征从车牌中提取到的车牌底部的颜色种类的特征信息，上述正反色特征参数可以是表征从车牌中提取到的车牌上字符颜色的特征信息，上述层数特征参数可以表征从车牌中提取到的字符排数的特征信息。

可以理解的，本发明实施例中提到的车牌底色可以是指车牌上除了字符以外的区域的颜色，提到的正反色可以是指车牌上字符的颜色，提到的层数可以是指车牌上字符排列的排数。

需要说明的是，车牌底色特征参数取不同的参数值时，可表征不同的车牌底部颜色种类。可选地，车牌底色可对应的颜色种类可以预先定义，例如，可以定义底色对应的颜色种类可以包括蓝色、黄色、白色、新能源绿色、民航绿色等。蓝色对应的参数值为0，黄色对应的参数值为1，白色对应的参数值为2，新能源绿色对应的参数值为3，民航绿色对应的参数值为4，以此类推。也就是，此时车牌底色特征参数可取的参数值包括0、1、2、3、4，若提取到的车牌底色特征参数可表征车牌为蓝色，则该车牌底色特征参数所取的参数值为0；若提取到的车牌底色特征参数可表征车牌为黄色，则该车牌底色特征参数所取的参数值为1，以此类推。

需要说明的是，上述正反色特征参数取不同的参数值时，可表征不同的字体颜色种类。可选地，字符的颜色种类可以预先定义。例如，可以定义字符的颜色种类包括白色字符和黑色字符等。黑色字符对应的参数值为0，白色字符对应的参数值为1。也就是，此时正反色参数可取的参数值包括0、1，若提取到的正反色特征参数可表征车牌上字符为黑色，则该正反色特征参数所取的参数值为0；若提取到的正反色特征参数可表征车牌上字符为白色，则该正反色特征参数所取的参数值为1。

需要说明的是，上述层数特征参数取不同的参数值时，可表征车牌上对应的字符排数种类不同。可选地，字符排数种类可以预先定义。例如，可以定义字符排数种类包括一排字符(即单层)和两排字符(及双层)等。一排字符对应的参数值为0，两排字符对应的参数值为1。也就是，此时层数特征参数可取的参数值包括0、1，若提取到的层数特征参数可表征车牌上字符仅排列了一排，则该层数特征参数所取的参数值为0；若提取到的层数特征参数可表征车牌上字符排列了二排，则该层数特征参数所取的参数值为1。当然，也可以根据实际投入使用的车牌类型的变化(例如，新增的车牌类型的独有元素特征)选择更多或者更少的车牌元素特征作为被深度学习模型输出的特征参数。为了便于说明，本发明实施例中，以深度学习模型可输出的特征参数为车牌底色特征参数、正反色特征参数及层数特征参数进行描述，即使变更了可输出的特征参数的种类和数量，原理均相同。

进一步地，上述深度学习模型可以是卷积神经网络模型，优选地，该卷积神经网络模型包括三层卷积层、pooling层及softmax层，三层卷积层对车牌送检图像区域进行处理后，通过pooling层输出多个分支，分支数量与最终需输出的特征参数类别数量一致。例如，可以是三个分支，第一分支输出1*n的向量，第二个分支输出1*m的向量，第三个分支输出1*s的向量。第一分支输出的向量通过softmax层得到车牌底色特征参数取各参数值所对应的概率，第二分支输出的向量通过softmax层得到正反色特征参数取各参数值时所对应的概率，第三分支输出的向量通过softmax层得到层数特征参数取各参数值时所对应的概率。上述n的取值为车牌底色特征参数的可取的参数值的数量，m的取值为正反色特征参数可取的参数值的数量，s的取值为层数特征参数可取的参数值的数量。可以理解的，由于本方案是基于车牌底色特征参数、正反色特征参数及层数特征参数三类车牌元素特征进行描述，因此，仅提到三个分支，若新增其他特征参数配合识别车牌类型，则上述深度学习模型还可以包括第四分支、第五分支等。

进一步地，将softmax层输出的车牌底色特征参数取各参数值时所对应的概率中最高的那一取值作为该深度学习模型输出的车牌送检图像区域的车牌底色特征参数的参数值。将softmax层输出的正反色特征参数取各参数值时所对应的概率中最高的那一取值作为该深度学习模型输出的车牌送检图像区域对应的正反色特征参数的参数值。将softmax层输出的层数特征参数取各参数值时所对应的概率中最高的那一取值作为该深度学习模型输出的车牌送检图像区域对应的层数特征参数的参数值。

需要说明的是，采用深度学习模型识别车牌对于的单双层，替代了传统中采用上下边界确定单双层的方式，也避免了由于污损而导致的单双层车牌判断不准的问题。

步骤s103，基于车牌底色特征参数、正反色特征参数及层数特征参数，判定待处理图像中出现车牌的车牌类型。

在本发明实施例中，依据输出的车牌底色特征参数、正反色特征参数及层数特征参数确定车牌送检图像区域展示的车牌类型。

可选地，可以预先存储每一所述车牌底色、正反色及层数之间的组合与各类所述车牌类型之间的对应关系。以下表为一个示例：

当然上表仅为一个示例，当新增车牌类型后，可以对应进行调整。

再基于通过该深度学习模型输出的车牌底色特征参数的参数值、正反色特征参数的参数值及层数特征参数的参数值，判断对应的车牌类型。

通过海量实验论证，采用深度学习模型输出特征参数(即车牌底色特征参数、正反色特征参数及层数特征参数)，并基于输出的特征参数进一步判定所对应的车牌类型的准确率可达到99％以上，明显高于直接采用深度学习模型直接输出车牌类型的准确率。同时，当需要增加车牌类型时，只需要将新增类型的车牌样本加入到训练集和测试集中，并修改对应标签即可支持新类型车牌的判断。无需考虑对其他已可以识别的车牌类型的影响，减少更新深度学习模型的工作量，节约开发成本。

进一步地，本发明实施例中，在从待处理图像确定车牌边界的过程中，为了避免光线或者车牌上污迹的影响，导致车牌边界确定出现较大误差，进而影响后续进行车牌类型识别的准确性。因此，在本发明实施例中，如图3所示，上述车牌类型识别还可以包括以下步骤：

步骤s201，识别所述待处理图像中的多个连通域。

作为一种实施方式，可以采用大津算法确定待处理图像中的多个连通域。具体地，可以是先构建所述待处理图像中前景像素与背景像素之间的方差函数，即g＝w0*w1*(u0-u1)*(u0-u1)，其中，g是基于变量阈值的方差，w0代表在变量阈值下前景像素点数量占待处理图像的总像素点的比例，w1代表在变量阈值下背景像素点数量占待处理图像的总像素点的比例，u0代表前景像素点的平均灰度值，u1代表背景像素点的平均灰度值。需要说明的是，上述前景像素可以是确定的感兴趣区域的像素点，例如，本发明实施例中感兴趣区域是车牌所处区域，则待处理图像中出现的车牌的图像区域的像素点为前景像素。上述背景像素则可以是待处理图像中除感兴趣区域以外的图像区域所对应的像素点。

再基于该方差函数，确定所述待处理图像对应的全图ostu阈值。具体地，可以将利用方差函数得到最大方差时，对应的变量阈值作为全图ostu阈值。

再将待处理图像划分为多个区域块，可选地，可以依次待处理图像的尺寸进行划分，例如m*n的待处理图像，则可以均匀划分为m*n个区域块。再依次计算每个区域块的区域ostu阈值。具体地，计算区域块的区域ostu阈值的原理与计算全图ostu阈值的相同，在此不再赘述。

再根据每个所述区域块、对应的所述区域ostu阈值及所述全图ostu阈值，确定每个所述区域块的二值化阈值。作为一种实施方式，可以是根据每个所述区域块、对应的所述区域ostu阈值及所述全图ostu阈值利用公式：thi＝w0*th0+wi*thi，计算每个所述区域块的二值化阈值，其中，公式中，thi代表第i个区域块的二值化阈值，th0代表全图ostu阈值，thi代表第i个区域块的区域ostu阈值，w0+wi＝1，i的取值范围为1到m*n。

基于对应的所述二值化阈值，依次对每个所述区域块进行二值化处理。

最后，在二值化处理后的所述待处理图像上，基于预选选定的连通域规格，确定所述连通域。例如，选择的连通域规格是4连通区域，则对二值化处理后得到的待处理图像进行4连通区域计算。

步骤s202，对所述多个连通域进行融合处理，以得到多个待选连通域。

在本发明实施例中，对多个连通域进行融合处理可以对识别出需要进行融合的连通域之间进行排序融合。可选地，可以是在待处理图像上选定一指定方向，在选定的指定方向上至少两个连通域真实相邻，例如，在待处理图像可以选择x轴为指定方向。

可选地，依次检测在指定方向上每一组相邻的两个连通域是否存在边界衔接，例如，可以是检测每一组相邻的两个连通域中是否存在一个连通域的上边界和另一连通的下边界衔接。当然上述仅为距离，也就是，可以不限于仅检测上下边界之间是否衔接，还可以是相邻的两个连通域任意边界是否衔接。若存在边界衔接，则将该相邻的两个连通域进行融合。

进一步地，通过融合处理后得到多个待选连通域。需要说明的是，如仅对部分连通域进行了融合，则待选连通域中可以包括未被融合的连通域及已融合得到的新连通域；如原连通域中没有需要进行融合的连通域，则待选连通域为原确定的连通域。

步骤s203，利用预设的参考标准信息对待选连通域进行筛选。

在本发明实施例中，参考标准信息可以是预设的连通域宽高比、高度、边界坐标的允许区间。需要说明的是，上述宽度是待选连通域在指定方向上所占长度，上述高度是指在垂直于指定方向的方向上所占长度，例如，指定方向为x轴方向时，垂直于指定方向的方向则是指y轴方向。进一步地，将对应的宽高比、高度、边界坐标不属于参考标准信息中对应的允许区间的待选连通域筛除。

步骤s204，依据筛选后的所述待选连通域的平均高度值，从筛选后的待选连通域中确定至少一个目标连通域。

在本发明实施例中，先计算筛选后的待选连通域的平均高度值。再一次计算每一个所述待选连通域与指定方向上相邻下一个待选连通域之间的高度差。将每一个所述待选连通域对应的所述高度差与所述平均高度值进行比较。若对应的高度差不超过所述平均高度值，则将所述待选连通域作为目标连通域。

进一步地，为了进一步提高准确度，若存在对应的高度差超过所述平均高度值的待选连通域，则还需要对超过所述平均高度值的待选连通域进行拆分，以重新确定所述待选连通域。可选地，对超过所述平均高度值的待选连通域进行拆分的方式包括：判断超过平均高度值的待选连通域是否为前述融合后得到连通域。如果是融合后的连通域，则取消之前的融合，恢复为至少两个连通域，以替换超过平均高度值的待选连通域，作为新增待选连通域。如果是没有融合过的连通域，查找该待选连通域中宽度最窄处，并进行拆解分为两个替换原超过平均高度值的待选连通域的新待选连通域。从而，得到重新确定的待选连通域，需要说明的是，待选连通域中可以包括未被拆分的待选连通域。基于重新确定的待选连通域重复进行筛选及从筛选后的待选连通域中重新确定至少一个所述目标连通域。即流程回到步骤s203。

步骤s205，根据所述至少一个目标连通域，确定所述车牌边界。

在本发明实施例中，获取确定的目标连通域的边界坐标值，依据所述边界坐标值，确定车牌边界。

通过上述步骤得到的车牌边界，改善车牌上存在污迹而对车牌边界确定的准确度的影响，也改善了在确定边界时对颜色提取的依赖，增强场景适应性，提高鲁棒性。一定程度上也改善了后面对车牌单双层识别的影响。

下面为了对本发明实施例提供的车牌识别方法进一步的描述，以如图4所示出的一个运行实例进行说明，如图4所示，车牌识别方法可以包括：

s1，获取待处理图像内的连通域。

s2，对得到的连通域进行排序融合处理。

s3，对融合后的连通域进行筛选，并从筛选后得到的待选连通域中确定目标连通域。

s4，基于确定的目标连通域的边界坐标确定车牌边界。

s5，在待处理图像上确定车牌送检图像区域，并检测车牌送检图像区域内的车牌边界是否完整？如果不完整流程进入步骤s6，如果完整流程进入步骤s7。

s6，对车牌送检图像区域进行扩边处理，并重复检测扩边后的车牌送检图像区域内的车牌边界是否完整，直至车牌送检图像区域内的车牌边界完整。流程进入步骤s7。

s7，将车牌送检图像区域调整到符合预设的卷积神经网络模型的输入尺寸。

s8，将车牌送检图像区域输入卷积神经网络模型进行处理，以输出特征图。

s9，经过卷积神经网络模型输出车牌底色特征参数、正反色特征参数及层数特征参数。

s10，基于车牌底色特征参数、正反色特征参数及层数特征参数，判定车牌类型。

第二实施例

请参照图5，本发明实施例提供的一种车牌类型识别装置200。该车牌类型识别装置200应用于电子设备100中。可选地，如图5所示，该车牌类型识别装置200包括：识别模块201、融合模块202、筛选模块203、获取模块204、确定模块205、特征识别模块206及判断模块207。

识别模块201，用于识别所述待处理图像中的多个连通域。

融合模块202，用于对所述多个连通域进行融合处理，以得到多个待选连通域。

筛选模块203，用于利用预设的参考标准信息对所述待选连通域进行筛选。

获取模块204，用于依据筛选后的所述待选连通域的平均高度值，从筛选后的所述待选连通域中确定至少一个目标连通域。

确定模块205，用于根据所述至少一个目标连通域，确定所述车牌边界。

所述确定模块205，还用于依据从待处理图像中确定的车牌边界，确定车牌送检图像区域。

特征识别模块206，用于利用所述深度学习模型识别所述车牌送检图像区域对应的车牌底色特征参数、正反色特征参数及层数特征参数。

判断模块207，用于基于所述车牌底色特征参数、正反色特征参数及层数特征参数，判定所述待处理图像中出现车牌的车牌类型。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的车牌类型识别装置200的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明实施例还揭示了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器112执行时实现本发明前述实施例揭示的车牌类型识别方法。

综上所述，本发明实施例提供了一种车牌类型识别方法、装置及计算机可读存储介质。该车牌类型识别方法、装置及计算机可读存储介质应用于电子设备，所述电子设备内预先存储一深度学习模型。其中，所述方法包括：依据从待处理图像中确定的车牌边界，确定车牌送检图像区域；利用所述深度学习模型识别所述车牌送检图像区域对应的车牌底色特征参数、正反色特征参数及层数特征参数；基于所述车牌底色特征参数、正反色特征参数及层数特征参数，判定所述待处理图像中出现车牌的车牌类型。通过车牌中多个元素特征的组合进行车牌类型，可提高识别准确性。利用深度学习模型仅输出车牌送检图像区域的元素特征，而不用直接输出车牌类型，这样对于由已可以识别的元素特征组合的新增车牌类型则无需重复训练对应包含新的元素特征的新增车牌类型，仅需针对新增元素特征进行训练学习即可，无需考虑其他已可被识别的车牌类型，减少训练工作量，有效控制维护成本。

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。

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。

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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，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。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。

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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。