车牌图像筛选模型的构建方法与车牌图像筛选方法与流程

1.本申请涉及图像处理技术领域，特别是涉及一种车牌图像筛选模型的构建方法、装置、存储介质和计算机设备以及车牌图像筛选方法、装置、存储介质和计算机设备。


背景技术：

2.随着车辆的普及以及现代交通技术的发展，车牌识别技术广泛应用于城市道路、高速公路、停车场、各大商场、物流等场景。车牌作为车辆的重要标识信息，在车辆检测与识别中十分重要，车牌识别是车辆检测与识别的重要组成部分，具有重要现实意义。
3.传统的车牌识别方法，一般是通过车辆监控系统采集车牌图像，再对采集到的车牌图像进行车牌识别。而由于复杂的人流、车流、车速较快、光照不好等因素的影响，导致采集到的车牌图像的质量千差万别，存在遮挡、反光、运动模糊等情况，基于上述车牌图像进行车牌识别时，存在车牌识别误差大的问题。


技术实现要素：

4.基于此，针对上述技术问题，提供一种可以支持降低车牌识别误差的车牌图像筛选模型的构建方法、装置、存储介质和计算机设备以及车牌图像筛选方法、装置、存储介质和计算机设备。
5.一种车牌图像筛选模型的构建方法，所述方法包括：
6.获取车牌图像的误差分布样本数据；
7.对所述车牌图像的误差分布样本数据进行特征提取，通过提取的特征对预设的鉴别网络进行模型训练；
8.根据模型训练结果调整所述鉴别网络的交叉熵损失函数，直至所述交叉熵损失函数最小化，得到车牌图像筛选模型。
9.一种车牌图像筛选模型的构建装置，所述装置包括：
10.样本获取模块，用于获取车牌图像的误差分布样本数据，所述误差分布样本数据包括车牌字符识别正确数据和车牌字符识别错误数据；
11.模型训练模块，用于基于所述车牌字符识别正确数据以及所述车牌字符识别错误数据对预设的鉴别网络进行模型训练；
12.模型生成模块，用于根据模型训练结果调整所述鉴别网络的参数，直至满足预设的停止条件，得到车牌图像筛选模型。
13.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述方法的步骤。
15.上述车牌图像筛选模型的构建方法、装置、存储介质和计算机设备，通过获取车牌图像的误差分布样本数据，对车牌图像的误差分布样本数据进行特征提取，通过提取的特
征对预设的鉴别网络进行模型训练，根据模型训练结果调整鉴别网络的交叉熵损失函数，直至交叉熵损失函数最小化，得到车牌图像筛选模型，通过车牌图像的误差分布样本数据学习车牌图像的误差分布，后续在进行车牌识别时，先将车牌图像通过车牌图像筛选模型进行筛选，通过前置筛选的方式过滤车牌图像中异常数据，支持后期车牌高精度识别。
16.一种车牌图像筛选方法，所述方法包括：
17.获取待识别的车牌图像；
18.读取预设的车牌图像筛选模型，所述车牌图像筛选模型由车牌图像筛选模型的构建方法构建；
19.将所述待识别的车牌图像输入至所述车牌图像筛选模型；
20.根据所述车牌图像筛选模型的输出结果，对所述待识别的车牌图像进行筛选，获得筛选后的车牌图像。
21.一种车牌图像筛选装置，所述装置包括：
22.图像获取模块，用于获取待识别的车牌图像；
23.模型读取模块，用于读取预设的车牌图像筛选模型，所述车牌图像筛选模型由车牌图像筛选模型的构建方法构建；
24.数据导入模块，用于将所述待识别的车牌图像输入至所述车牌图像筛选模型；
25.数据筛选模块，用于根据所述车牌图像筛选模型的输出结果对所述待识别的车牌图像进行筛选，获得筛选后的车牌图像。
26.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。
27.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述方法的步骤。
28.上述车牌图像筛选方法、装置、存储介质和计算机设备，通过车牌图像筛选模型对待识别的车牌图像进行筛选，获得筛选后的车牌图像，在后续基于筛选后的车牌图像对待识别的车牌图像进行车牌识别时，可以支持降低车牌识别的误差，实现高精度的车牌识别。
附图说明
29.图1为一个实施例中车牌图像筛选模型的构建方法的应用环境图；
30.图2为一个实施例中车牌图像筛选模型的构建方法的流程示意图；
31.图3为一个实施例中误差分布样本数据获取步骤的流程示意图；
32.图4为一个实施例中车牌图像筛选模型训练过程的流程示意图；
33.图5为一个实施例中车牌图像筛选方法的流程示意图；
34.图6为一个实施例中车牌图像识别的流程示意图；
35.图7为一个实施例中车牌图像筛选模型的构建装置的结构框图；
36.图8为一个实施例中车牌图像筛选装置的结构框图；
37.图9为一个实施例中计算机设备的结构框图。
具体实施方式
38.为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
39.本申请提供的车牌图像筛选模型的构建方法，可以应用于如图1所示的应用环境中。其中，客户终端102通过网络与服务器104进行通信。用户通过客户终端102输入车牌图像的误差分布样本数据。服务器104获取车牌图像的误差分布样本数据，对车牌图像的误差分布样本数据进行特征提取，通过提取的特征对预设的鉴别网络进行模型训练，根据模型训练结果调整鉴别网络的交叉熵损失函数，直至交叉熵损失函数最小化，得到车牌图像筛选模型。其中，客户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
40.在一个实施例中，如图2所示，提供了一种车牌图像筛选模型的构建方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
41.步骤202，获取车牌图像的误差分布样本数据。
42.车牌图像的误差分布样本数据是指基于预设的车牌识别模型对车牌图像样本数据进行处理，产生的误差分布数据。其中，误差分布样本数据包括车牌字符识别正确数据和车牌字符识别错误数据。车牌字符识别正确数据是指样本数据中，车牌图像经过预设的车牌识别模型输出的识别结果与该车牌图像的真实情况一致的数据。比如，实际标签为
‘
真’的车牌图像经过预设的车牌识别模型输出的标签结果为
‘
真’；实际标签为
‘
假’的车牌图像经过预设的车牌识别模型输出的标签结果为
‘
假’。车牌字符识别错误数据是指样本数据中，车牌图像经过预设的车牌识别模型输出的识别结果与该车牌图像的真实情况不一致的数据。比如，实际标签为
‘
真’的车牌图像经过预设的车牌识别模型输出的标签结果为
‘
假’，实际标签为
‘
假’的车牌图像经过预设的车牌识别模型输出的标签结果为
‘
真’。
43.步骤204，对车牌图像的误差分布样本数据进行特征提取，通过提取的特征对预设的鉴别网络进行模型训练。
44.将预先人工标注的车牌图像数据集，比如20万张，输入至预设的车牌识别模型，得到该数据集的误差分布数据，分别是被识别正确的样例和被识别错误的样例。具体可以根据模型算法的召回率和准确率数据得到被识别正确的样例和被识别错误的样例。比如，recall(召回率)＝a％，precision(准确率)＝b％，其中，precision是指正确被检索的结果占所有实际被检索到的结果的比例，recall是指正确被检索的结果占所有应该检索到的结果的比例。对被识别正确的样例和被识别错误的样例进行特征提取，通过提取的特征对预设的鉴别网络进行模型训练，比如基于车牌图像的误差分布样本数据对googlenet算法进行模型训练。
45.步骤206，根据模型训练结果调整鉴别网络的交叉熵损失函数，直至交叉熵损失函数最小化，得到车牌图像筛选模型。
46.假设输入为x，模型计算得到类别为k的概率假设真实分布为q(k)，交叉熵损失函数最小化交叉熵损失函数即最大化
似然函数，交叉熵损失函数对逻辑输出求导比如，通过googlenet算法对车牌图像的误差分布样本数据中被识别正确的样例和被识别错误的样例这两个数据块进行特征提取，并利用交叉熵进行评价，最终达到分类的效果，由此生成了车牌图像筛选模型。
47.上述车牌图像筛选模型的构建方法，通过获取车牌图像的误差分布样本数据，对车牌图像的误差分布样本数据进行特征提取，通过提取的特征对预设的鉴别网络进行模型训练，根据模型训练结果调整鉴别网络的交叉熵损失函数，直至交叉熵损失函数最小化，得到车牌图像筛选模型，通过车牌图像的误差分布样本数据学习车牌图像的误差分布，后续在进行车牌识别时，先将车牌图像通过车牌图像筛选模型进行筛选，通过前置筛选的方式过滤车牌图像中异常数据，支持后期车牌高精度识别。
48.在一个实施例中，如图3所示，获取车牌图像的误差分布样本数据包括：步骤302，获取车牌图像样本数据；步骤304，对车牌图像样本数据进行卷积处理，根据卷积处理后的特征图进行特征向量边框回归处理，得到车牌字符定位数据；步骤306，提取车牌字符定位数据的统计特征图，根据统计特征图进行非线性特征提取处理，得到车牌字符识别正确数据和车牌字符识别错误数据；步骤308，根据车牌字符识别正确数据和车牌字符识别错误数据，得到车牌图像的误差分布样本数据。其中，车牌图像样本数据是指已知真实车牌字符区域和真实车牌字符的车牌图像。可以通过车牌字符定位模型实现车牌字符的定位，可以通过车牌字符识别模型实现车牌字符的分类。比如，可以将车牌图像样本数据输入至车牌字符定位模型，由车牌字符定位模型对车牌图像样本数据进行卷积处理、特征图转化为特征向量、特征向量回归处理等操作，获得车牌字符定位数据。再将车牌字符定位数据输入至车牌字符识别模型，由车牌字符识别模型对车牌字符定位数据进行统计特征提取、降维处理、非线性特征提取等操作，获得车牌字符识别正确数据和车牌字符识别错误数据。
49.在一个实施例中，对车牌图像样本数据进行卷积处理，根据卷积处理后的特征图进行特征向量边框回归处理，得到车牌字符定位数据之前，还包括：获取车牌图像训练数据，对训练数据中的每张车牌图像分别进行归一化处理，获得归一化处理后的车牌图像；分别通过预设不同大小的卷积核对归一化处理后的车牌图像进行卷积操作，得到特征图集合；将特征图集合中的特征图转化为特征向量，基于特征向量进行边框回归处理确定车牌字符预测框，计算车牌字符预测框与车牌字符真实框之间的距离；基于距离计算结果调整预设神经网络的损失函数，直至距离计算结果满足预设条件，得到车牌字符定位模型；对车牌图像样本数据进行卷积处理，根据卷积处理后的特征图进行特征向量边框回归处理，得到车牌字符定位数据包括：将车牌图像样本数据输入至车牌字符定位模型，获得车牌字符定位数据。归一化处理是指为了在分割字符时，由于字符大小可能不同，因此，需要将字符归一化为同一像素大小的图像。可以通过卷积核来实现车牌图像的特征提取，车牌字符一般由粗的直线或曲线组成，形状特征明显，经过卷积之后，可以检测到字符图像的边缘、线段、角点等视觉特征。通过不同大小的卷积核实现对字符图像的所有位置上的特征进行提取。特征图是指某一类对象区别于其他类对象的相应特点或特性，或是这些特点和特性的集合。将某一类对象的多个或多种特性组合在一起，形成一个特征向量来代表该类对象，如果只有单个数值特征，则特征向量为一个一维向量，如果是n个特性的组合，则为一个n维特
征向量。比如对于窗口一般使用四维向量(x，y，w，h)来表示，分别表示窗口的中心点坐标和宽高。边框回归是指寻找一种映射关系使得原始窗口经过映射得到一个与真实窗口接近的回归窗口，可以通过平移和尺度放缩来实现边框回归。基于特征向量进行回归处理具体可以是寻找一种映射关系，使得基于特征向量构建的车牌字符原始框经过映射得到一个与车牌字符真实框接近的车牌字符预测框。
50.在车牌图像训练数据中，可以预先对每张车牌图像的车牌字符区域进行标定，比如坐标点(x，y)的像素属于字符，每张车牌图像对应一个包含该图像内所有字符像素的矩形。以对ssd(single shot multibox detector)目标检测算法进行训练得到车牌字符定位模型为例，通过不同大小的卷积核对归一化处理后的车牌图像进行卷积操作，得到特征图，然后将特征图转化为特征向量，再利用该向量进行回归处理得到一个外接矩形。最后通过欧式距离评价生成的外接矩形和预先标定的矩形之间的距离，当两个距离在预设的合适范围内时，该外接矩形包含的像素即为字符像素，该外接矩形即为该车牌图像对应的车牌字符区域。
51.在一个实施例中，提取车牌字符定位数据的统计特征图，根据统计特征图进行非线性特征提取处理，得到车牌字符识别正确数据和车牌字符识别错误数据之前，还包括：获取车牌字符识别训练数据，提取训练数据中车牌字符区域的统计特征图集合；对统计特征图集合进行降维处理，对降维处理后的统计特征图进行非线性特征提取，获得车牌字符识别结果；当车牌字符识别结果与实际车牌字符不一致时，调整预设神经网络的损失函数，直至车牌字符识别结果与实际车牌字符一致，得到车牌字符识别模型；提取车牌字符定位数据的统计特征图，根据统计特征图进行非线性特征提取处理，得到车牌字符识别正确数据和车牌字符识别错误数据包括：将车牌字符定位数据输入至车牌字符识别模型，获得车牌字符识别正确数据和车牌字符识别错误数据。统计特征图通过对车牌字符区域中字符特征进行提取得到，比如通过统计字符笔画斜率特征、字符侧面深度等特征作为字符提取的特征。特征向量的维度过高会增加计算的复杂度，给后续的分类问题带来不利影响，维数过高的特征向量对于分类性能会造成负面影响，因此，需要对获取的统计特征进行降维处理，具体可以通过特征选择或特征抽取的方式进行降维。降维处理使得可以通过卷积层提取高维特征，非线性特征包括高维特征，非线性特征从另外一个维度描述字符特征，使得字符特征更全面，从而使字符分类更准确。
52.车牌字符识别训练数据可以是通过车牌字符定位模型对已知车牌字符的车牌图像进行处理，获得的车牌字符定位数据。以对deep ocr(optical characterrecognition，光学字符识别)算法进行训练得到车牌字符识别模型为例，deepocr算法是包括3个卷积层、2个池化层、2个激活函数和1个损失函数的小型神经网络。其中，卷积层主要是提取每个字符的边缘特征；池化层主要是对图像降维，使得通过卷积层提取高维特征成为可能；激活函数主要是提高该神经网络的非线性拟合能力，使得该网络适应不同字符的特征，并对不同特征进行表达；损失函数主要是评价神经网络生成的字符特征和预先分类的字符特征之间的差距，是该网络的优化目标。通过梯度下降的方法，使得该神经网络学习到车牌图像中每个车牌字符的特征，最后经过损失函数对其进行评价，使得该神经网络具有分类车牌字符的能力。
53.在一个实施例中，利用ssd目标检测算法和deep ocr算法产生车牌图像的误差分
布数据，利用googlenet算法对误差分布数据进行学习。利用网络a(ssd算法+deep ocr算法)和网络b(googlenet算法)进行对抗训练，网络a为可以识别车牌字符的车牌图像识别系统，通过网络b学习系统的误差。其中，利用ssd算法对车牌字符进行定位，再利用deep ocr算法对字符进行分类。如图4所示，将ssd算法+deep ocr算法应用于20万张人工预先标注好的车牌图像，得到该数据集的误差分布数据，包括识别正确数据集和识别错误数据集。利用googlenet算法对数据集的误差分布数据进行特征提取，并利用交叉熵进行评价，最终使googlenet算法达到分类的效果。将具有分类效果的googlenet算法应用于上述20万张车牌图像，产生新的两个数据块a和b，a为被判定为能被车牌识别算法识别正确的数据集，b为被判定为不能被车牌识别算法识别正确的数据集。利用数据集a训练ssd算法+deep ocr算法组合成的车牌字符识别算法，然后重复对车牌字符识别算法进行模型训练，直至车牌字符识别算法的recall>99％，precision>99％。
54.在一个实施例中，如图5所示，提供了一种车牌图像筛选方法，该方法包括：步骤502，获取待识别的车牌图像；步骤504，读取预设的车牌图像筛选模型，车牌图像筛选模型由车牌图像筛选装置的构建方法构建；步骤506，将待识别的车牌图像输入至车牌图像筛选模型；步骤508，根据车牌图像筛选模型的输出结果，对待识别的车牌图像进行筛选，获得筛选后的车牌图像。其中，车牌图像筛选方法还包括读取预设的车牌图像识别模型；将筛选后的车牌图像输入至车牌图像识别模型，获得待识别车牌图像的识别结果。
55.上述车牌图像筛选方法，通过车牌图像筛选模型对待识别的车牌图像进行筛选，获得筛选后的车牌图像，在后续基于筛选后的车牌图像对待识别的车牌图像进行车牌识别时，可以支持降低车牌识别的误差，实现高精度的车牌识别。
56.在一个实施例中，如图6所示，将待识别的车牌图像输入至具有分类效果的googlenet算法，筛选出不符合车牌字符识别算法的车牌图像，再将筛选后的车牌图像通过ssd算法进行车牌字符定位以及通过deep ocr算法对车牌字符进行字符分类，获得车牌字符串结果。这样在复杂的场景中能够较好地挑选出质量较高的车牌图像，极大提高了车牌图像的字符识别率，使复杂背景下也能运用车牌识别系统进行车辆管理，提高了车辆的监控和管理能力。
57.应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
58.基于与上述方法相同的思想，图7示出了一个实施例的车牌图像筛选模型的构建装置的结构示意图，该实施例中的车牌图像筛选模型的构建装置包括：
59.样本获取模块702，用于获取车牌图像的误差分布样本数据，所述误差分布样本数据包括车牌字符识别正确数据和车牌字符识别错误数据；
60.模型训练模块704，用于基于所述车牌字符识别正确数据以及所述车牌字符识别错误数据对预设的鉴别网络进行模型训练；
61.模型生成模块706，用于根据模型训练结果调整所述鉴别网络的参数，直至满足预设的停止条件，得到车牌图像筛选模型。
62.在一个实施例中，样本获取模块还用于获取车牌图像样本数据；对车牌图像样本数据进行卷积处理，根据卷积处理后的特征图进行特征向量边框回归处理，得到车牌字符定位数据；提取车牌字符定位数据的统计特征图，根据统计特征图进行非线性特征提取处理，得到车牌字符识别正确数据和车牌字符识别错误数据；根据车牌字符识别正确数据和车牌字符识别错误数据，得到车牌图像的误差分布样本数据。
63.在一个实施例中，车牌图像筛选模型的构建装置还包括车牌字符定位模型训练模块，用于获取车牌图像训练数据，对训练数据中的每张车牌图像分别进行归一化处理，获得归一化处理后的车牌图像；分别通过预设不同大小的卷积核对归一化处理后的车牌图像进行卷积操作，得到特征图集合；将特征图集合中的特征图转化为特征向量，基于特征向量进行边框回归处理确定车牌字符预测框，计算车牌字符预测框与车牌字符真实框之间的距离；基于距离计算结果调整预设神经网络的损失函数，直至距离计算结果满足预设条件，得到车牌字符定位模型；样本获取模块还用于将车牌图像样本数据输入至车牌字符定位模型，获得车牌字符定位数据。
64.在一个实施例中，车牌图像筛选模型的构建装置还包括车牌字符识别模型训练模块，用于获取车牌字符识别训练数据，提取训练数据中车牌字符区域的统计特征图集合；对统计特征图集合进行降维处理，对降维处理后的统计特征图进行非线性特征提取，获得车牌字符识别结果；当车牌字符识别结果与实际车牌字符不一致时，调整预设神经网络的损失函数，直至车牌字符识别结果与实际车牌字符一致，得到车牌字符识别模型；样本获取模块还用于将车牌字符定位数据输入至车牌字符识别模型，获得车牌字符识别正确数据和车牌字符识别错误数据。
65.图8示出了一个实施例的车牌图像筛选装置的结构示意图，该实施例中的车牌图像筛选装置包括：
66.图像获取模块802，用于获取待识别的车牌图像；
67.模型读取模块804，用于读取预设的车牌图像筛选模型，所述车牌图像筛选模型由车牌图像筛选模型的构建方法构建；
68.数据导入模块806，用于将所述待识别的车牌图像输入至所述车牌图像筛选模型；
69.数据筛选模块808，用于根据所述车牌图像筛选模型的输出结果对所述待识别的车牌图像进行筛选，获得筛选后的车牌图像。
70.在一个实施例中，车牌图像筛选装置还包括车牌识别模块，用于读取预设的车牌图像识别模型；将筛选后的车牌图像输入至车牌图像识别模型，获得待识别车牌图像的识别结果。
71.图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置、显示屏、摄像头、声音采集装置和扬声器。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现车牌图像筛选模型的构建方法或者车牌图像筛选方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，
可使得处理器执行车牌图像筛选模型的构建方法或者车牌图像筛选方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
72.本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
73.在一个实施例中，本申请提供的车牌图像筛选模型的构建装置或者车牌图像筛选装置可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该的各个程序模块，各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的车牌图像筛选模型的构建方法或者车牌图像筛选方法中的步骤。
74.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述车牌图像筛选模型的构建方法或者车牌图像筛选方法的步骤。此处车牌图像筛选模型的构建方法或者车牌图像筛选方法的步骤可以是上述各个实施例的车牌图像筛选模型的构建方法或者车牌图像筛选方法中的步骤。
75.在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述车牌图像筛选模型的构建方法或者车牌图像筛选方法的步骤。此处车牌图像筛选模型的构建方法或者车牌图像筛选方法的步骤可以是上述各个实施例的车牌图像筛选模型的构建方法或者车牌图像筛选方法中的步骤。
76.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
77.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
78.以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。