基于图像识别的面部皮肤分析方法及系统与流程

[0001]
本发明涉及肤质检测技术领域，尤其是一种基于图像识别的面部皮肤分析方法及系统。


背景技术：

[0002]
随着生活水平的提高，医学美容的飞速发展，人们越来越开始注重自身皮肤的健康状况。在对皮肤进行护理时，往往需要对面部皮肤进行合理的评价。为了根据每个人的皮肤状态来提供化妆品，医学美容领域已经做出了精确检测出现在面部上的不同皮肤问题的尝试，例如斑点、毛孔、黑头和皱纹等等。
[0003]
目前使用的基于图像识别的面部皮肤分析方法分为生物阻抗分析法和图像数据分析处理法，其中生物阻抗分析法主要用于检测身体脂肪和水分，对被检测者造成负担且检测参数较少；图像数据分析处理法则是通过摄影然后对图像进行分析处理，从而得出各种肤质参数，对被测试者负担极少，该方法还可以与云服务器进行信息交互，用户可以通过移动终端随时进行测试，但是现有基于图像数据分析处理法的肤质检测系统的测试参数并不全面，测量精度也不够精准。


技术实现要素：

[0004]
本发明的目的是克服现有在线人脸皮肤测试系统存在测试参数不全面且侧梁精度不够精准的缺陷。
[0005]
为实现上述目的，本发明公开一种基于图像识别的面部皮肤分析方法，包括以下步骤：
[0006]
s100、远程获取待测图像，调取预置的图像训练集，根据所述图像训练集内的训练图像对所述待测图像进行人脸几何轮廓识别，获得人脸特征图像；
[0007]
s200、将所述人脸特征图像划分为若干个检测区域，分别对各个检测区域进行人脸皮肤机理分析，包括以下步骤s211～s215：
[0008]
s211、对人脸特征图像进行gabor滤波处理以及将人脸特征图像转化为灰度图像；
[0009]
s212、根据人脸特征图像的滤波响应情况，通过阈值化对所述灰度图像进行二值化处理，从而获取高梯度特征，然后对所述高梯度特征进行偏心化处理，进而排除夹杂其中的斑点特征和非曲线特征；
[0010]
s213、反复执行步骤s212，每次执行均采用不同的阈值参数，获得一组二值化图像。
[0011]
s214、利用图像扩张法和逻辑“或”运算对输出的二值化图像进行整合，获得皱纹检测关键区域；
[0012]
s215、检测所述皱纹检测关键区域内的临近特征以及交叉特征，对分别临近特征和交叉特征进行几何约束，获得最终皱纹位置和皱纹数量；
[0013]
s300、根据上述步骤s200的分析结果对人脸特征图像进行量化评分。
[0014]
作为优选，上述步骤s100还包括以下步骤：
[0015]
s101、对每张所述的训练图像进行特征点标定，形成7个用于描述人脸几何轮廓的感兴趣区域；
[0016]
s102、统计特征点的分布范围信息，根据特征点的分布范围信息对所述待测图像进行感兴趣区域搜索。
[0017]
作为优选，上述步骤s200还包括以下步骤：
[0018]
s216、建立皱纹评测模型评估人脸特征图像的皱纹度评分；所述皱纹评测模型为r＝β1+β2*n，其中，r表示皱纹度评分，n表示通过上述步骤s201～s203得到的皱纹数量，β1和β2为评估参数。
[0019]
作为优选，上述步骤s200还包括以下步骤：
[0020]
s221、生成局部问题训练集，对局部问题训练集的图像进行局部问题特征标记和正常特征标记，训练出针对局部问题特征的局部问题分类器，所述局部问题特征包括不规则色块特征、深色圆形特征、黑点特征和局部发红凸起特征；
[0021]
s222、将各个所述的检测区域进一步划分为若干个检测单元，使用局部问题分类器判断每个检测单元内是否存在局部问题特征以及局部问题特征的种类，通过边缘检测算法统计存在局部问题的检测单元数量。
[0022]
作为优选，上述步骤s200还包括以下步骤：
[0023]
s231、将所述人脸特征图像转化为hsv颜色空间；
[0024]
s232、对转换后的人脸特征图像中的亮区域和暗区域进行分割；使用最大类间方差法获取转换后人脸特征图像的分割阈值，并对转换后人脸特征图像的s空间和v空间进行二值化处理，标记s空间和v空间中符合亮区域或暗区域的像素点；
[0025]
s233、对阈值分割后的s空间和v空间进行逻辑运算，计算s空间和v空间中标记为亮区域的像素点占s空间和v空间内总像素点的比例。
[0026]
作为优选，上述步骤s200还包括以下步骤：
[0027]
s241、将所述人脸特征图像转化为l*a*b*颜色空间；
[0028]
s242、统计人脸特征图像在每个分量空间中的颜色信息，剔除极端像素后计算每个分量空间的颜色均值；
[0029]
s243、将肤色对照卡的肤色等级转化为l*a*b*颜色空间描述，计算所述颜色均值与转化后肤色等级的色差，输出与颜色均值色差最小的肤色等级信息作为肤色检测结果。
[0030]
作为优选，上述步骤s200还包括以下步骤：
[0031]
s251、将所述人脸特征图像转化为灰度图像；
[0032]
s252、分别计算灰度图像的共生矩阵在0
°
、45
°
、90
°
、135
°
四个方向的四个灰度特征值，对每个特征值求均值，得到一个用于描述人脸特征图像平均粗糙度的平均粗糙度向量；
[0033]
所述灰度特征值包括角二阶矩、熵、对比度和相关性；
[0034]
s253、将所述平均粗糙度向量与预置的粗糙等级尺进行比对，计算平均粗糙度四维向量与粗糙等级尺各等级四维向量的欧式距离，输出与平均粗糙度向量差异程度最小的粗糙度等级作为粗糙度检测结果；
[0035]
所述粗糙等级尺为若干个分等级的四维向量，所述四维向量的维度分别为角二阶
矩、熵、对比度和相关性。
[0036]
本发明还公开一种基于图像识别的面部皮肤分析系统，包括检测模块，检测模块包括：
[0037]
第一检测模块，用于根据人脸特征图像的gabor滤波响应情况，使用连续阈值化对由人脸特征图像转化的灰度图像进行二值化处理和几何约束，确定皱纹位置和计算皱纹数量；
[0038]
第二检测模块，用于通过由图像训练集训练出的局部问题分类器分类筛选并统计存在于人脸特征图像中的局部皮肤问题；
[0039]
第三检测模块，用于通过hsv颜色空间对人脸特征图像进行描述，计算人脸特征图像中检测为亮区域的像素点占比；
[0040]
第四检测模块，用于通过l*a*b*颜色空间对人脸特征图像和肤色对照卡的肤色等级进行描述，对比人脸特征图像的颜色均值与肤色对照卡上肤色等级的色差；
[0041]
第五检测模块，用于通过灰度共生矩阵法描述所述人脸特征图像和粗糙等级尺的粗糙等级进行描述，对比人脸特征图像的平均粗糙度与粗糙等级尺上粗糙等级的差值。
[0042]
检测模块还包括量化评分模块，用于对各项检测结果进行量化评分并将评分结果反馈给用户；第一检测模块、第二检测模块、第三检测模块、第四检测模块和第五检测模块分别对各自的检测结果进行量化评定，量化评分模块对各项检测结果的量化评定作进一步的加权求和得出最终评分；
[0043]
基于图像识别的面部皮肤分析系统还包括云服务器和人机交互平台，人机交互平台实时采集待测图像并通过云服务器上传至检测模块，量化评分模块通过云服务器将最终评分传送至人机交互平台。
[0044]
本发明的有益效果：在线远程获取待测图像，通过对图像的处理和分析，分别对皱纹数量、局部皮肤问题、皮肤油性比例、肤色和皮肤粗糙度进行量化测评，精准且全面地反馈皮肤的健康状况，为用户提供皮肤保养参考或妆后效果测评。
附图说明
[0045]
图1：本发明基于图像识别的面部皮肤分析方法的流程示意图。
[0046]
图2：本发明基于图像识别的面部皮肤分析方法中皮肤机理分析的流程示意图。
[0047]
图3：本发明基于图像识别的面部皮肤分析系统的结构示意图。
具体实施方式
[0048]
为使本发明实施例的目的、技术方案和优点更加清晰，下面将结合实施例和附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0049]
请参照图1-2，本发明的基于图像识别的面部皮肤分析方法的实施流程，包括以下步骤：
[0050]
1、人脸特征识别
[0051]
s100、获取待测图像，调取预置的图像训练集，根据所述图像训练集内的训练图像对所述待测图像进行人脸几何轮廓识别，获得人脸特征图像。
[0052]
s101、对每张所述的训练图像进行特征点标定，形成7个用于描述人脸几何轮廓的
感兴趣区域；
[0053]
s102、统计特征点的分布范围信息，根据特征点的分布范围信息对所述待测图像进行感兴趣区域搜索。
[0054]
在步骤s101～s102中，识别人脸几何轮廓从而获得人脸特征图像的原理是基于主动形状模型算法(asm)的人脸特征定位器实现的。
[0055]
特征点的标定是人工识别训练图像中的人脸特征后进行标定，每张训练图像均标定有67个特征点，从而形成额头、眼睛、鼻子、嘴唇、下巴、左脸颊和右脸颊7个感兴趣区域。人脸特征定位器记录各张训练图像内的特征点并获得各训练图像的特征点分布信息情况以及各特征点的可接受偏移范围，进而通过确定待测图像中特征点的数量和各特征点的落位情况进行感兴趣区域搜索，判断待测图像中是否包含完整的人脸信息，若判断为包含完整的人脸信息，则称为人脸特征图像并执行步骤s200，若判断为不包含完整的人脸信息，则向用户反馈待测图像未包含完整人脸信息。
[0056]
2、皮肤机理分析
[0057]
s200、将所述人脸特征图像划分为若干个检测区域，分别对各个检测区域进行人脸皮肤机理分析。
[0058]
2.1、皱纹检测
[0059]
s211、对人脸特征图像进行gabor滤波处理以及将人脸特征图像转化为灰度图像；
[0060]
s212、根据人脸特征图像的滤波响应情况，通过阈值化对所述灰度图像进行二值化处理，从而获取高梯度特征，然后对所述高梯度特征进行偏心化处理，进而排除夹杂其中的斑点特征和非曲线特征；
[0061]
s213、反复执行步骤s212，每次执行均采用不同的阈值参数，获得一组二值化图像。
[0062]
s214、利用图像扩张法和逻辑“或”运算对输出的二值化图像进行整合，获得皱纹检测关键区域；
[0063]
s215、检测所述皱纹检测关键区域内的临近特征以及交叉特征，对分别对临近特征和交叉特征进行几何约束，获得最终皱纹位置和皱纹数量；
[0064]
s216、建立皱纹评测模型评估人脸特征图像的皱纹度评分；所述皱纹评测模型为r＝β1+β2*n，其中，r表示皱纹度评分，n表示通过上述步骤s201～s203得到的皱纹数量，β1和β2为评估参数。
[0065]
步骤s211～s215是基于皱纹在人脸图像中的几种特征：(1)皱纹明显区别于周围平滑的皮肤，皱纹产生处的图像梯度较高；(2)皱纹通常为曲线形，而非斑点状或片状；(3)皱纹通常是连续的曲线，不是一系列断开的曲线；(4)在小概率情况下，皱纹会在一个小区域内互相交叉集中。
[0066]
需要说明的是，上述步骤s211～s212使用gabor滤波响应作为图像特征，用于提取皱纹的曲线特征。gabor变换属于加窗傅立叶变换，可以在频域不同方向和不同尺度上抽取相关特征，因此可以看成是方向、尺度可调的线条检测器。而皱纹则可被看作是某一方向上的“窄带信号”，因此本实施例的gabor滤波器包含六个方向(0
°
、45
°
、60
°
、90
°
、120
°
、135
°
)和4个频段(0.05至0.4)共24个gabor滤波器，每个gabor滤波器只允许与其频率和方向相对应的纹理顺利通过，通过对各gabor滤波器输出的幅度响应应用特定阈值进行二值化处理，
获得图像的背景信息(像素值为0)和线条信息(像素值为1)。
[0067]
其中，高梯度特征的获取原理具体为：提取二值化输出图像的连通区域，计算连通区域的偏心率；当偏心率为0时，该连通区域为一个完美的圆形；当偏心率为接近1时，该连通区域接近于直线。本实施例中，计算得出偏心率小于0.98的连通区域，判断为斑点特征或非曲线特征，需要从中剔除。在多次迭代(n＝m)过程中使用一系列连续阈值重复上述步骤，获得一组偏心化处理后的二值图像{i1,i2,i3…
i
m
}。
[0068]
步骤s213使用图像扩张发(扩张卷积)和逻辑“或”运算合并图像。具体地，我们首先合并i1和i2得到图像i
{1,2}
,，随后将输出图像i
{1,2}
,同i3合并得到图像i
{1,2,3}
，如此类推，直至输出图像与最后一副图像i
m
合并，以获得最终的图像i
{1,2..m}
，最终图像中的线条区域即为皱纹检测关键区。
[0069]
皱纹评测模型的建立基于一元线性回归原理：通过在线问卷调查方式投放10000张调查图像，受访者分别对若干张图像进行主观评分(满分10分，分值越高代表主观认为越年轻)，每张调查图像均为不同性别、年龄或面孔衰老程度不同的人脸图像；分别获得10000张调查图像的主观评分r，然后对各张调查图像进行皱纹检测，获得皱纹数量n，分别将10000组评分r和皱纹数量n代入皱纹评测模型为r＝β1+β2*n，确定β1和β2的值。
[0070]
2.2、局部皮肤问题检测(包括斑点、毛孔粗大、黑头和红肿痘)
[0071]
s221、生成局部问题训练集，对局部问题训练集的图像进行局部问题特征标记和正常特征标记，训练出针对局部问题特征的局部问题分类器，所述局部问题特征包括不规则色块特征、深色圆形特征、黑点特征和局部发红凸起特征；
[0072]
s222、将各个所述的检测区域进一步划分为若干个检测单元，使用局部问题分类器判断每个检测单元内是否存在局部问题特征以及局部问题特征的种类，通过边缘检测算法统计存在局部问题的检测单元数量。
[0073]
步骤s221～s222是基于人皮肤中的斑点、毛孔粗大、黑头和红肿痘均为区别于正常光滑皮肤的局部性瑕疵。其中，斑点(包括痘印)是脸部表皮上出现的一种颜色区别于正常皮肤表层颜色的不规则色块区域；毛孔是指汗腺导管的圆形表面开口，由于阴影，毛孔粗大看起来比周围的肤色更暗，表现为深色的圆形形状识别；黑头的特征表现为明显扩大的毛孔中的黑点，顶端发黑；红肿痘主要表现为局部皮肤凸起、发红，有明显的圆形边界。
[0074]
局部问题特征识别的原理人脸特征识别的原理相仿，在实际应用中，分别标记局部问题特征和正常特征，以便局部问题分类器更准确地识别局部问题；由于局部问题面积较小，检测前会先将各个检测区域进一步划分为若干个约为4mm*4mm的检测单元，并在每个检测单元上应用局部问题分类器，识别各种局部问题，并通过边缘检测算法统计存在局部问题的检测单元数量。
[0075]
2.3、肤质检测(油性、干性和中性)
[0076]
s231、将所述人脸特征图像转化为hsv颜色空间；
[0077]
s232、对转换后的人脸特征图像中的亮区域和暗区域进行分割；使用最大类间方差法获取转换后人脸特征图像的分割阈值，并对转换后人脸特征图像的s空间和v空间进行二值化处理，标记s空间和v空间中符合亮区域或暗区域的像素点；
[0078]
s233、对阈值分割后的s空间和v空间进行逻辑运算，计算s空间和v空间中标记为亮区域的像素点占s空间和v空间内总像素点的比例。
[0079]
人的肤质可以分为油性、中性和干性三种，三种肤质的区别在于人脸在图像中的油光程度，其中，油性肤质在图像中最为光亮，步骤s231～s233通过获取人脸中亮度信息分布，评估油性区域的比例。
[0080]
需要说明的是，将人脸特征图像转化为hsv颜色空间的目的是在hsv空间中，色调(h)、饱和度(s)和亮度(v)等信息被独立存放，饱和度(s)接近0且亮度(v)接近1的像素点即可理解为图像中的亮区域，反之则可理解为暗区域；因此分割亮区域和暗区域时，分割标准是：s空间中，像素值为0的像素点为区域为亮区域，像素值为1的像素点区域为暗区域；v空间中，像素值为1的像素点区域为亮区域，像素值为0的像素点区域为暗区域。
[0081]
2.4、肤色检测
[0082]
s241、将所述人脸特征图像转化为l*a*b*颜色空间；
[0083]
s242、统计人脸特征图像在每个分量空间中的颜色信息，剔除极端像素后计算每个分量空间的颜色均值；
[0084]
s243、将肤色对照卡的肤色等级转化为l*a*b*颜色空间描述，计算所述颜色均值与转化后肤色等级的色差，输出与颜色均值色差最小的肤色等级信息作为肤色检测结果。
[0085]
需要说明的是，l*a*b*颜色模型与一般的物理设备(如rgb模型)不相同，l*a*b*颜色空间是模拟人类视觉感知的输出，能较好地反应肤色的心理感受效果，并有效地测量基于人类视觉感知的颜色距离。
[0086]
在实际应用中，l*a*b*颜色模型使用三个独立的值描述颜色属性，其中，l*表示从黑色(0)到白色(100)的亮度，皮肤l*值越大则肤色越白；a*值表示红绿色轴上颜色的饱和度，负值表示绿色，正值表示红色，a*值越大则肤色越红；b*值代表蓝黄色轴上颜色的饱和度，负值表示蓝色，正值表示黄色，b*值越大则肤色越黄。
[0087]
肤色对照卡上六个肤色等级的rgb色值分别为：
[0088]
透白(249，229，217)；白皙(242，213，195)；自然(39，194，167)；
[0089]
小麦(193，155，136)；暗沉(153，113，95)；黝黑(104，74，66)。
[0090]
将各个肤色等级的信息转换为l*a*b*描述后分别与肤色均值作色差对比，选择最小的颜色等级进行输出，色差对比的公式如下：
[0091][0092]
2.5、粗糙度检测
[0093]
s251、将所述人脸特征图像转化为灰度图像；
[0094]
s252、分别计算灰度图像的共生矩阵在0
°
、45
°
、90
°
、135
°
四个方向的四个灰度特征值，对每个特征值求均值，得到一个用于描述人脸特征图像平均粗糙度的平均粗糙度向量；所述灰度特征值包括角二阶矩、熵、对比度和相关性；
[0095]
s253、将所述平均粗糙度向量与预置的粗糙等级尺进行比对，计算平均粗糙度四维向量与粗糙等级尺各等级四维向量的欧式距离，输出与平均粗糙度向量差异程度最小的粗糙度等级作为粗糙度检测结果。
[0096]
所述粗糙等级尺为若干个分等级的四维向量，所述四维向量的维度分别为角二阶矩、熵、对比度和相关性。
[0097]
皮肤粗糙度检测的原理基于对图像纹理特征的分析来实现，其中，粗糙等级尺为
若干个分等级的四维向量，所述四维向量的维度分别为角二阶矩、熵、对比度和相关性，本实施例中采用纹理分析中的灰度共生矩阵法来对皮肤的粗糙度进行定量分析。
[0098]
需要说明的是，灰度共生矩阵用于描述图像中某一角度方向上邻近像素点的灰度相关性，反映了图像灰度分布关于局部邻域、方向、变化幅度的综合信息。在步骤s251～s253中，灰度共生矩阵中的4个特征分别是角二阶矩、熵、对比度和相关性。其中，角二阶矩用于反映灰度分布均一性，角二阶矩的值越小，皮肤越粗糙；熵用于反映灰度分布的随机性，熵的值越大，纹理越密集，皮肤表现越粗糙；对比度用于反映度量局部灰度变化的大小，对比度的值越大，纹理越深越密，皮肤表现越粗糙；相关性用于度量局部灰度的相关性，相关性的值越大，纹理越粗，皮肤越粗糙。
[0099]
粗糙等级尺构建方式如下：
[0100]
收集10000张不同性别年龄面孔正面2d图像，将每张人脸图像划分为若干个粗糙度检测区域，依照步骤s251～s252计算各粗糙度检测区域的平均粗糙度向量。量化各维度数值对应的得分，生成平均粗糙度向量在每一个维度(角二阶矩、熵、对比度和相关性)的得分分布。对于角二阶矩的分布，取第10、30、50、70、90百分位数作为一到五级的角二阶矩等级尺，等级越低，皮肤越粗糙；对于熵的分布，取第90、70、50、30、10百分位数作为一到五级的熵等级尺，等级越低，皮肤越粗糙；对于对比度的分布，取90、70、50、30、10百分位数作为一到五级的熵等级尺，等级越低，皮肤越粗糙；对于相关性的分布，取90、70、50、30、10百分位数作为一到五级的熵等级尺，等级越低，皮肤越粗糙。将四个维度在每一个等级尺的分数合并，生成每一个等级的四维数据，形成基于四维测量的粗糙等级尺。
[0101]
3、综合量化评分
[0102]
s300、根据上述步骤s200的分析结果对人脸特征图像进行量化评分。
[0103]
量化评分标准如下：
[0104]
皱纹情况评分a，调取皱纹评测模型的评分r；
[0105]
局部皮肤问题情况评分(斑点情况b、毛孔粗大情况c、黑头情况d、红肿痘情况e)，分别计算各种局部皮肤问题量超出正常范围的测评单元占比，例如，斑点情况b＝(1-斑点分析单元数/总体分析单元数)*100；
[0106]
肤质情况评分f，f＝亮区域像素点占比*100；
[0107]
肤色情况评分g，对6个肤色等级量化评分，选取输出颜色等级的分值；
[0108]
粗糙度情况评分h，平均粗糙度四维向量与粗糙等级尺各等级四维向量的欧式距离，输出最接近的粗糙度等级得分；
[0109]
综合量化评分，上述评分a～h上限为100，综合评分为y，综合评分y为各项得分a～h分别加权求和的结果(各项加权值分别是x1～x8)，即：
[0110]
综合评分y＝a*x1+b*x2+c*x3+d*x4+e*x5+f*x6+g*x7+h*x8。
[0111]
上面对本发明实施例中的基于图像识别的面部皮肤分析方法进行了描述。下面对本发明实施例中的基于图像识别的面部皮肤分析系统进行描述。
[0112]
请参阅图3，为本发明的基于图像识别的面部皮肤分析系统的一个实施例的结构示意图。本实施例中的基于图像识别的面部皮肤分析系统可以用于上述中的基于图像识别的面部皮肤分析方法。
[0113]
其中，基于图像识别的面部皮肤分析系统包括检测模块300、云服务器200和人机
交互平台100，其中检测模块300用于执行各项参数的检测，检测模块300包括：
[0114]
第一检测模块301，用于根据人脸特征图像的gabor滤波响应情况，通过连续阈值化对由人脸特征图像转化的灰度图像进行二值化处理和几何约束，确定皱纹位置和计算皱纹数量；
[0115]
第二检测模块302，用于通过由图像训练集训练出的局部问题分类器分类筛选并统计存在于人脸特征图像中的局部皮肤问题；
[0116]
第三检测模块303，用于通过hsv颜色空间对人脸特征图像进行描述，计算人脸特征图像中检测为亮区域的像素点占比；
[0117]
第四检测模块304，用于通过l*a*b*颜色空间对人脸特征图像和肤色对照卡的肤色等级进行描述，对比人脸特征图像的颜色均值与肤色对照卡上肤色等级的色差；
[0118]
第五检测模块305，用于通过灰度共生矩阵法描述所述人脸特征图像和粗糙等级尺的粗糙等级进行描述，对比人脸特征图像的平均粗糙度与粗糙等级尺上粗糙等级的差值；
[0119]
量化评分模块306用于对各项检测结果进行量化评分并反馈给用户；第一检测模块301、第二检测模块302、第三检测模块303、第四检测模块304和第五检测模块305分别对各自的检测结果进行量化评定。
[0120]
人机交互平台100将用户的待测图像通过云服务器200传送至后台的检测模块300，量化评分模块306对各项检测结果的量化评定作进一步的加权求和得出最终评分，最终评分结果通过云服务器200传送至人机交互平台100。
[0121]
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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0122]
另外，在本发明中的各个检测模块仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，可以全部集成在一起的物理存在，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一起，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0123]
以上所述仅为本发明的优选实施例，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。