异常行为识别方法、装置、电子设备及存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种异常行为识别方法、装置、电子设备及存储介质。

背景技术：

随着人口的密集程度越来越高，在社区以及园区经常会出现很多聚集性的异常事件，比如打架斗殴等行为，这给社会安全带来了极大威胁。目前，在对异常行为进行识别时，通常采取的算法是基于姿态估计，根据提取的关键点再训练分类器，这种方法强烈依赖于人体关键点的识别准确度，但打架行为发生时，会产生很多遮挡的情况，特别是人群聚集的时候，造成识别不准。

因此，如何提高异常行为的识别率是一个亟待解决的技术问题。

技术实现要素：

鉴于以上内容，有必要提供一种异常行为识别方法、装置、电子设备及存储介质，能够提高异常行为的识别率。

本发明的第一方面提供一种异常行为识别方法，所述异常行为识别方法包括：

获取图像数据集；

基于预先训练好的行人目标检测器，对所述图像数据集中的每张图像进行行人检测，获得行人坐标框；

根据设定的类间距离，对所述行人坐标框进行聚类，以及对聚类后的行人坐标框进行合并，获得新坐标框；

根据所述新坐标框，对所述图像进行截取，获得多个截图样本；

基于所述多个截图样本，训练卷积神经网络，获得异常行为分类器模型；

根据所述行人目标检测器和所述异常行为分类器模型，对待检测图像进行识别，获得异常行为概率；

根据所述异常行为概率，确定异常行为识别结果。

在一种可能的实现方式中，所述获取图像数据集之前，所述异常行为识别方法还包括：

获取训练集和验证集；

设置初始学习率以及调整学习率，其中，所述初始学习率大于所述调整学习率；

基于所述初始学习率以及adam优化算法，使用所述训练集对yolov3框架进行训练，获得中间模型；

将所述验证集输入至所述中间模型，当所述验证集的损失函数达到收敛时，基于所述调整学习率以及随机梯度下降sgd算法，对所述中间模型进行训练；

当所述验证集的损失函数达到收敛时，确定当前收敛时的模型为行人目标检测器。

在一种可能的实现方式中，所述根据设定的类间距离，对所述行人坐标框进行聚类包括：

按照每个行人坐标框的概率从高到低的顺序，对所述行人坐标框进行排序，获得排序框；

将概率最高的行人坐标框确定为基准框；

依次遍历所述排序框中排序在所述基准框之后的剩余框，并计算所述基准框与每个所述剩余框的欧式距离；

根据设定的类间距离以及所述欧式距离，对所述行人坐标框进行聚类。

在一种可能的实现方式中，所述对聚类后的行人坐标框进行合并，获得新坐标框包括：

对聚类后的行人坐标框进行合并，获得第一坐标框；

判断所述第一坐标框的宽是否小于第一阈值，以及判断所述第一坐标框的高是否小于第二阈值；

若所述第一坐标框的宽小于第一阈值，且所述第一坐标框的高小于第二阈值，获取所述第一坐标框的中心点，以及获取预先设置的预设宽和预设高；

判断基于所述中心点、所述预设宽以及所述预设高的第二坐标框是否超过所述图像的边界坐标；

若基于所述中心点、所述预设宽以及所述预设高的第二坐标框未超过所述图像的边界坐标，确定所述第二坐标框为新坐标框。

在一种可能的实现方式中，所述异常行为识别方法还包括：

若基于所述中心点、所述预设宽以及所述预设高的第二坐标框超过所述图像的边界坐标，基于所述中心点以及所述边界坐标，确定新坐标框。

在一种可能的实现方式中，所述基于所述多个截图样本，训练卷积神经网络，获得异常行为分类器模型包括：

接收针对所述多个截图样本进行人工标注的正样本和负样本，其中，所述正样本为存在异常行为的样本，所述负样本为不存在异常行为的样本；

设置学习率、随机梯度下降sgd算法以及训练次数阈值；

使用所述正样本和所述负样本，基于所述学习率、所述sgd算法对resnet18框架进行训练；

当训练次数达到所述训练次数阈值时，确定训练结束，并将结束时的模型确定为异常行为分类器模型。

在一种可能的实现方式中，所述根据所述行人目标检测器和所述异常行为分类器模型，对待检测图像进行识别，获得异常行为概率包括：

使用所述行人目标检测器对待检测图像进行检测，获得每个行人在所述待检测图像中的目标坐标框；

对所述目标坐标框进行聚类以及合并处理，获得待检测坐标框；

从所述待检测图像中截取与所述待检测坐标框对应的待检测截图；

对所述待检测截图进行预处理，获得预处理图像；

使用所述异常行为分类器模型，对所述预处理图像进行识别，获得异常行为概率。

本发明的第二方面提供一种异常行为识别装置，所述异常行为识别装置包括：

获取模块，用于获取图像数据集；

检测模块，用于基于预先训练好的行人目标检测器，对所述图像数据集中的每张图像进行行人检测，获得行人坐标框；

合并模块，用于根据设定的类间距离，对所述行人坐标框进行聚类，以及对聚类后的行人坐标框进行合并，获得新坐标框；

截取模块，用于根据所述新坐标框，对所述图像进行截取，获得多个截图样本；

训练模块，用于基于所述多个截图样本，训练卷积神经网络，获得异常行为分类器模型；

识别模块，用于根据所述行人目标检测器和所述异常行为分类器模型，对待检测图像进行识别，获得异常行为概率；

确定模块，用于根据所述异常行为概率，确定异常行为识别结果。

本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的异常行为识别方法。

本发明的第四方面提供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有计算机程序，所述计算机程序被处理器执行时实现所述的异常行为识别方法。

由以上技术方案可知，本发明可应用在智慧安防、智慧交通、智慧社区及智慧生活等需要进行异常行为识别的领域，从而推动智慧城市的发展。本发明中，通过较易获取的图像数据集而非视频数据集，并通过模型处理来获得多个截图样本，训练卷积神经网络，可以为模型训练提供更多更全的数据支撑，同时，由于减少了现有技术中人为设计的关键点特征，使得训练出来的模型更精准，能够提高异常行为识别的准确率。

附图说明

图1是本发明公开的一种异常行为识别方法的较佳实施例的流程图。

图2是本发明公开的一种异常行为识别装置的较佳实施例的功能模块图。

图3是本发明实现异常行为识别方法的较佳实施例的电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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用以解释本发明，并不用于限定本发明。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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(asic)、现场可编程门阵列(fpga)、数字信号处理器(dsp)、嵌入式设备等。所述电子设备还可包括网络设备和/或用户设备。其中，所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloudcomputing)的由大量主机或网络服务器构成的云。所述用户设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理pda等。

请参见图1，图1是本发明公开的一种异常行为识别方法的较佳实施例的流程图。其中，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

s11、获取图像数据集。

其中，所述图像数据集包括多张图像。

具体的，所述获取图像数据集包括：

从视频监控设备获取视频流，对所述视频流进行抽帧，获得抽帧后的多张图像，并构建图像数据集；或

通过爬虫技术从网络上获取多张图像，并构建图像数据集。

在该可选的实施方式中，可以从视频监控设备中获取视频流，其中，该视频流通常是url(uniformresourcelocator，统一资源定位符)形式的rtsp(realtimestreamingprotocol，实时流传输协议流)，服务器可以解析该rtsp流，通过循环读取的方式转化为一帧帧的视频图像，以构建图像数据集；或者，可选的，还可以通过爬虫技术从网络上获取多张图像，并构建图像数据集。该实施例中获取的图像数据集相较于传统的视频数据集而言，获取更容易，可以为后续的模型训练提供更多更全的数据支撑，有利于提高模型训练的准确度。

s12、基于预先训练好的行人目标检测器，对所述图像数据集中的每张图像进行行人检测，获得行人坐标框。

具体的，可以将图像数据集中的每张图像缩放至固定大小(比如416*416)，并输入至训练好的行人目标检测器，得到数万的基于锚点的原始坐标框，每个原始坐标框均有相应的概率值。根据这些原始坐标框的概率值进行筛选，保留概率值大于预设阈值的原始坐标框，去除概率值小于预设阈值的原始坐标框，并对保留的原始坐标框进行非极大值抑制，比如采用nms(non-maximumsuppression，非极大值抑制算法)算法进行抑制。将保留的原始坐标框按照概率从高到低进行排序，选择当前概率最高的原始坐标框为基准框，遍历排序在基准框之后的原始坐标框，比较排序在基准框之后的每个原始坐标框与基准框的交并比，去除掉有高度重合的原始坐标框，重复遍历，得到最终图像中对应每个人的行人坐标框。

可选的，所述方法还包括：

获取训练集和验证集；

设置初始学习率以及调整学习率，其中，所述初始学习率大于所述调整学习率；

基于所述初始学习率以及adam优化算法，使用所述训练集对yolov3框架进行训练，获得中间模型；

将所述验证集输入至所述中间模型，当所述验证集的损失函数达到收敛时，基于所述调整学习率以及随机梯度下降sgd算法，对所述中间模型进行训练；

当所述验证集的损失函数达到收敛时，确定当前收敛时的模型为行人目标检测器。

在该可选的实施方式中，预先获取行人数据集，该行人数据集包括图像和标签，图像为jpg或png等常见格式。其中，以图像横向为x轴，纵向为y轴，图像左上角为原点，标签用于标识每张图像中包含每个行人的矩形框的中心点坐标与矩形框的宽/高。其中，标签的格式可以为xml或者txt文件。进一步地，将行人数据集划分为训练集与验证集，训练集用于训练行人目标检测器，验证集用于判断何时结束训练。可选的，训练阶段优化方法设计为adam+sgd，即训练前期使用adam算法提升收敛速度，后期使用随机梯度下降法(stochasticgradientdescent，sgd)算法保证模型收敛。其中，设定概率损失为交叉熵损失函数，设定坐标损失为均方差损失函数，并设置l2正则化以抑制过拟合，设定数据增强方式，可选的，数据增强方式可以包括但不限于随机水平翻转、图像色温饱和度调节与随机旋转。设定学习率递减方式，具体的，设定初始学习率，比如0.001，设定调整学习率为0.0001。当使用初始学习率进行训练时，所述验证集的损失函数达到第一次收敛时，损失值为第一最小值，之后，使用调整学习率进行训练时，所述验证集的损失函数会从收敛状态发生变化，随着训练的进行，慢慢再次收敛，当所述验证集的损失函数达到第二次收敛时，损失值为第二最小值，此时结束训练。其中，第一最小值大于第二最小值。

s13、根据设定的类间距离，对所述行人坐标框进行聚类，以及对聚类后的行人坐标框进行合并，获得新坐标框。

具体的，所述根据设定的类间距离，对所述行人坐标框进行聚类包括：

按照每个行人坐标框的概率从高到低的顺序，对所述行人坐标框进行排序，获得排序框；

将概率最高的行人坐标框确定为基准框；

依次遍历所述排序框中排序在所述基准框之后的剩余框，并计算所述基准框与每个所述剩余框的欧式距离；

根据设定的类间距离以及所述欧式距离，对所述行人坐标框进行聚类。

在该可选的实施方式中，不需要设定聚类的类别数量，只需要设定类间距离即可。其中，可以根据图像大小与图像中的行人大小，将图像面积的开方的五分之一设置为类间距离，当某一剩余框的中心点与基准框的中心点的欧式距离小于设定的类间距离，则确定该剩余框与基准框属于同一类别。重复遍历剩余框并根据设定的类间距离以及所述欧式距离，对所述行人坐标框进行聚类，直至所有的行人坐标框均被归属为某一类。

具体的，所述对聚类后的行人坐标框进行合并，获得新坐标框包括：

对聚类后的行人坐标框进行合并，获得第一坐标框；

判断所述第一坐标框的宽是否小于第一阈值，以及判断所述第一坐标框的高是否小于第二阈值；

若所述第一坐标框的宽小于第一阈值，且所述第一坐标框的高小于第二阈值，获取所述第一坐标框的中心点，以及获取预先设置的预设宽和预设高；

判断基于所述中心点、所述预设宽以及所述预设高的第二坐标框是否超过所述图像的边界坐标；

若基于所述中心点、所述预设宽以及所述预设高的第二坐标框未超过所述图像的边界坐标，确定所述第二坐标框为新坐标框。

在该可选的实施方式中，对于归为一类的行人坐标框，需要将其合并为一个新坐标框，该新坐标框设定为包含这一类框的面积最小的框。具体的，对于每一类，从该类的所有框的左上角顶点中分别寻找最小的横坐标/纵坐标，记为x1与y1，从该类的所有框的右下角顶点中分别寻找最大的横坐标/纵坐标，记为x2与y2，(x1，y1)、(x2，y2)即为第一坐标框的左上角顶点与右下角顶点。此外，还可以预先设置第一阈值和第二阈值，比如均设置为224像素，如果第一坐标框的的宽小于第一阈值，且所述第一坐标框的高小于第二阈值，还需要判断基于所述中心点、所述预设宽以及所述预设高的第二坐标框是否超过所述图像的边界坐标，如果未超过所述图像的边界坐标，则可以确定所述第二坐标框为新坐标框。其中，预设宽和预设高可以根据第一阈值、第二预设来设定，比如预设宽以及预设高均为224像素。通过这种方式，可以提高后续模型识别异常行为的准确率。

可选的，所述方法还包括：

若基于所述中心点、所述预设宽以及所述预设高的第二坐标框超过所述图像的边界坐标，基于所述中心点以及所述边界坐标，确定新坐标框。

在该可选的实施方式中，如果超过所述图像的边界坐标，则需要以图像边界坐标为界限进行截断，即基于所述中心点以及所述边界坐标，确定新坐标框。通过这种方式，可以提高后续模型识别异常行为的准确率。

s14、根据所述新坐标框，对所述图像进行截取，获得多个截图样本。

其中，可以从所述图像中截取所述新坐标框对应位子图像为截图样本。

s15、基于所述多个截图样本，训练卷积神经网络，获得异常行为分类器模型。

具体的，所述基于所述多个截图样本，训练卷积神经网络，获得异常行为分类器模型包括：

接收针对所述多个截图样本进行人工标注的正样本和负样本，其中，所述正样本为存在异常行为的样本，所述负样本为不存在异常行为的样本；

设置学习率、随机梯度下降sgd算法以及训练次数阈值；

使用所述正样本和所述负样本，基于所述学习率、所述sgd算法对resnet18框架进行训练；

当训练次数达到所述训练次数阈值时，确定训练结束，并将结束时的模型确定为异常行为分类器模型。

在该可选的实施方式中，在获取多个截图样本后，可以通过人工标注的方式独一截图样本进行分类，将存在异常行为的截图样本划分为正样本，将不存在异常行为的截图样本划分为负样本。可以选取卷积神经网络比如resnet18，加载在imagenet上预训练模型参数。可以设定训练参数，比如设定输入图像缩放大小为300*300，设定随机裁剪为224*224，设定随机翻转，设定学习率为0.001，设定优化方法为sgd，设定训练次数阈值，当训练达到预定的训练次数阈值时将学习率降为0.0001。对所述正样本和所述负样本进行去均值和方差之后，开启模型训练，至训练达到预定的训练次数阈值时结束训练。

s16、根据所述行人目标检测器和所述异常行为分类器模型，对待检测图像进行识别，获得异常行为概率。

具体的，所述根据所述行人目标检测器和所述异常行为分类器模型，对待检测图像进行识别，获得异常行为概率包括：

使用所述行人目标检测器对待检测图像进行检测，获得每个行人在所述待检测图像中的目标坐标框；

对所述目标坐标框进行聚类以及合并处理，获得待检测坐标框；

从所述待检测图像中截取与所述待检测坐标框对应的待检测截图；

对所述待检测截图进行预处理，获得预处理图像；

使用所述异常行为分类器模型，对所述预处理图像进行识别，获得异常行为概率。

在该可选的实施方式中，所述预处理可以包括将待检测截图缩放至训练时随机裁剪的尺寸，比如缩放至224*224的固定尺寸，并进行去均值和方差处理，其中，去均值、和方差处理与训练时的数据保持一致。

s17、根据所述异常行为概率，确定异常行为识别结果。

其中，所述异常行为概率的范围为[0，1]，概率值越高，待检测图像存在打架的概率就越高。

可选的，所述方法还包括：

若所述异常行为概率超过预设概率阈值，将所述待检测坐标框、所述待检测截图以及所述异常行为概率包装为结构化数据；

将所述结构化数据发送至安全预警设备。

在该可选的实施方式中，可以在异常行为概率超过预设概率阈值(比如0.5)的情况下，将所述待检测坐标框、所述待检测截图以及所述异常行为概率包装为结构化数据，并发送至安全预警设备，这有利于安全预警设备的用户及时地发现异常，并采取相应的预防或制止措施，比如报警，从而可以提高社会的安全性，确保人身安全。

可选的，为了数据的私密性和安全性，还可以把异常行为识别结果上传至区块链。

在图1所描述的方法流程中，通过较易获取的图像数据集来训练卷积神经网络，可以为模型训练提供更多更全的数据支撑，有利于提高模型训练的准确度，同时，通过训练好的行人目标检测器和异常行为分类器模型来对待检测图像进行识别，大大减少了人为设定的特征，从而使得异常行为被识别的准确率更高，提高了异常行为的识别率。

由以上实施例可知，本发明可应用在智慧安防、智慧交通、智慧社区及智慧生活等需要进行异常行为识别的领域，从而推动智慧城市的发展。

以上所述，仅是本发明的具体实施方式，但本发明的保护范围并不局限于此，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。

请参见图2，图2是本发明公开的一种异常行为识别装置的较佳实施例的功能模块图。

在一些实施例中，所述异常行为识别装置运行于电子设备中。所述异常行为识别装置可以包括多个由程序代码段所组成的功能模块。所述异常行为识别装置中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行图1所描述的异常行为识别方法中的部分或全部步骤，具体可以参照图1的相关描述，在此不再赘述。

本实施例中，所述异常行为识别装置根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、检测模块202、合并模块203、截取模块204、训练模块205、识别模块206及确定模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。

获取模块201，用于获取图像数据集。

检测模块202，用于基于预先训练好的行人目标检测器，对所述图像数据集中的每张图像进行行人检测，获得行人坐标框。

合并模块203，用于根据设定的类间距离，对所述行人坐标框进行聚类，以及对聚类后的行人坐标框进行合并，获得新坐标框。

截取模块204，用于根据所述新坐标框，对所述图像进行截取，获得多个截图样本。

训练模块205，用于基于所述多个截图样本，训练卷积神经网络，获得异常行为分类器模型。

识别模块206，用于根据所述行人目标检测器和所述异常行为分类器模型，对待检测图像进行识别，获得异常行为概率。

确定模块207，用于根据所述异常行为概率，确定异常行为识别结果。

在图2所描述的异常行为识别装置中，通过较易获取的图像数据集来训练卷积神经网络，可以为模型训练提供更多更全的数据支撑，有利于提高模型训练的准确度，同时，通过训练好的行人目标检测器和异常行为分类器模型来对待检测图像进行识别，大大减少了人为设定的特征，从而使得异常行为被识别的准确率更高，提高了异常行为的识别率。

如图3所示，图3是本发明实现异常行为识别方法的较佳实施例的电子设备的结构示意图。所述电子设备3包括存储器31、至少一个处理器32、存储在所述存储器31中并可在所述至少一个处理器32上运行的计算机程序33及至少一条通讯总线34。

本领域技术人员可以理解，图3所示的示意图仅仅是所述电子设备3的示例，并不构成对所述电子设备3的限定，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，例如所述电子设备3还可以包括输入输出设备、网络接入设备等。

所述至少一个处理器32可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。该处理器32可以是微处理器或者该处理器32也可以是任何常规的处理器等，所述处理器32是所述电子设备3的控制中心，利用各种接口和线路连接整个电子设备3的各个部分。

所述存储器31可用于存储所述计算机程序33和/或模块/单元，所述处理器32通过运行或执行存储在所述存储器31内的计算机程序和/或模块/单元，以及调用存储在存储器31内的数据，实现所述电子设备3的各种功能。所述存储器31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电子设备3的使用所创建的数据(比如音频数据)等。此外，存储器31可以包括非易失性和易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他存储器件。

结合图1，所述电子设备3中的所述存储器31存储多个指令以实现一种异常行为识别方法，所述处理器32可执行所述多个指令从而实现：

获取图像数据集；

基于预先训练好的行人目标检测器，对所述图像数据集中的每张图像进行行人检测，获得行人坐标框；

根据设定的类间距离，对所述行人坐标框进行聚类，以及对聚类后的行人坐标框进行合并，获得新坐标框；

根据所述新坐标框，对所述图像进行截取，获得多个截图样本；

基于所述多个截图样本，训练卷积神经网络，获得异常行为分类器模型；

根据所述行人目标检测器和所述异常行为分类器模型，对待检测图像进行识别，获得异常行为概率；

根据所述异常行为概率，确定异常行为识别结果。

具体地，所述处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在图3所描述的电子设备3中，通过较易获取的图像数据集来训练卷积神经网络，可以为模型训练提供更多更全的数据支撑，有利于提高模型训练的准确度，同时，通过训练好的行人目标检测器和异常行为分类器模型来对待检测图像进行识别，大大减少了人为设定的特征，从而使得异常行为被识别的准确率更高，提高了异常行为的识别率。

所述电子设备3集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器以及只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)等。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。系统权利要求中陈述的多个单元或装置也可以通过软件或者硬件来实现。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。