一种活体人脸检测的方法及装置、终端设备和存储介质与流程

1.本技术涉及人工智能领域，具体涉及图像处理和深度学习技术，尤其涉及一种活体人脸检测的方法及装置、终端设备和存储介质。


背景技术：

2.随着人工智能领域下计算机视觉和深度学习技术的应用范围越来越广，在人脸识别场景下，由于近红外图像是以遥感器接收目标物反射或辐射近红外谱段所形成的图像，具有不受可见光影响的特性，从而在人脸识别场景下的人脸活体检测领域的应用日渐广泛。然而，在基于近红外图像进行的人脸活体检测的过程中，由于近红外图像对数据的分布比较敏感，从而应用于不同场景或不同模组时会影响人脸活体检测的结果，导致在不同场景或不同模组下进行人脸活体检测的灵活性较低，因此，如何更为灵活地对进行人脸活体检测成为一个亟需解决的问题。


技术实现要素：

3.本技术实施例提供了一种活体人脸检测的方法及装置、终端设备和存储介质，通过对近红外图像进行处理，得到包括目标人脸的轮廓结构化信息的待处理人脸图像，然后对人脸的轮廓结构化信息进行处理，得到包括假体特征的目标人脸图像，使得活体人脸检测模型可以关注更局部更细节的假体特征，进而增强体人脸检测模型的泛化能力，因此所获取的活体人脸检测结果能够适用于更为泛化的场景或模组之下，从而提升进行人脸活体检测的灵活性。
4.有鉴于此，本技术第一方面提供了一种活体人脸检测的方法，包括：
5.获取第一近红外图像，其中，所述第一近红外图像包括目标人脸；
6.对所述第一近红外图像进行处理，得到所述目标人脸的轮廓结构化信息；
7.基于所述目标人脸的轮廓结构化信息对所述第一近红外图像进行抠图处理，得到仅包括所述目标人脸的待处理人脸图像；
8.根据所述目标人脸的轮廓结构化信息切割所述待处理人脸图像，并对切割后的图像进行随机拼接得到目标人脸图像；
9.基于所述目标人脸本技术第二方面提供了一种活体人脸检测装置，包括：
10.第一获取模块，用于获取第一近红外图像，其中，所述第一近红外图像包括目标人脸；
11.第一处理模块，用于对所述第一近红外图像进行处理，得到所述目标人脸的轮廓结构化信息；
12.第二处理模块，用于基于所述目标人脸的轮廓结构化信息对所述第一近红外图像进行抠图处理，得到仅包括目标人脸的待处理人脸图像；
13.第三处理模块，用于根据所述目标人脸的轮廓结构化信息切割所述待处理人脸图像，并对切割后的图像进行随机拼接得到目标人脸图像；
14.第二获取模块，用于基于所述目标人脸图像和预设活体人脸检测模型，确定所述目标人脸的活体人脸检测结果。
15.本技术的第三方面提供了一种终端设备，包括：存储器及处理器；其中，存储器用于存储计算机程序；处理器用于执行存储器中的计算机程序，以实现上述各方面所述的方法。
16.本技术的第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述各方面所提供的方法。
17.从以上技术方案可以看出，本技术实施例具有以下优点：
18.通过对近红外图像进行处理，得到包括目标人脸的轮廓结构化信息的待处理人脸图像，然后对人脸的轮廓结构化信息进行处理，得到包括假体特征的目标人脸图像，使得活体人脸检测模型可以关注更局部更细节的假体特征，进而增强体人脸检测模型的泛化能力，因此所获取的活体人脸检测结果能够适用于更为泛化的场景或模组之下，从而提升进行人脸活体检测的灵活性。
附图说明
19.图1为本技术实施例中活体人脸检测的系统的一个系统架构示意图；
20.图2为本技术实施例提供的活体人脸检测的方法的一个实施例示意图；
21.图3为本技术实施例提供的预设人脸位置检测模型的一个架构示意图；
22.图4为本技术实施例提供的待处理人脸图像的一个实施例示意图；
23.图5为本技术实施例提供的切割并随机拼接后的待处理人脸图像的一个实施例示意图；
24.图6为本技术实施例提供的目标人脸图像的一个实施例示意图；
25.图7为本技术实施例提供的预设活体人脸检测模型的一个架构示意图；
26.图8为本技术实施例提供的预设活体人脸检测装置的一种结构示意图；
27.图9为本技术实施例中终端设备一个实施例的结构示意图。
具体实施方式
28.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本技术的实施例。此外，术语“包括”和“对应于”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。
29.本技术实施例提供了一种活体人脸检测的方法，通过增强体人脸检测模型的泛化能力，使得所获取的活体人脸检测结果能够应用于更为泛化的场景或模组之下，由此提升进行人脸活体检测的灵活性。
30.可以理解的，本技术实施例中活体人脸检测的方法可以由终端设备来执行，也可以由服务器来执行。首先，先对本技术实施例的系统架构进行介绍。图1为本技术实施例中活体人脸检测的系统的一个系统架构示意图，该活体人脸检测的系统中包括终端设备。具
体地，当活体人脸检测的方法部署于服务器上时，可以实时从终端设备处获取包括目标人脸的第一近红外图像，然后通过本技术实施例所提供的方法得到活体人脸检测结果。另外，当活体人脸检测的方法部署于终端设备时，终端设备获取目标人脸的第一近红外图像进行处理，并基于本技术实施例所提供的方法得到活体人脸检测结果，以提升活体人脸检测的灵活性。
31.在一个实施例中，终端设备中可包括采集模组，用于采集第二近红外图像，终端设备通过对第二近红外图像进行归一化处理得到第一近红外图像，从而执行本技术的活体人脸检测方法。需要说明的是，采集模组可为终端设备的组成部分，或为独立于终端设备的外接设备；采集模组可通过有线或无线方式与终端设备通信；采集模组可包括红外相机、深度相机及彩色相机等其他相机的任意一种或多种组合，此处不作限制。
32.需要说明的是，前述终端设备和服务器之间通过无线网络、有线网络或可移动存储介质进行通信。还需要说明的是，图1中的服务器可以是一台服务器或多台服务器组成的服务器集群或云计算中心等，具体此处均不限定。终端设备可以为图1中示出的平板电脑、笔记本电脑、门锁以及手机或其他终端设备。上述的无线网络使用标准通信技术和/或协议。无线网络通常为因特网、但也可以是任何网络，包括但不限于蓝牙、局域网(local area network，lan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、移动、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，可以使用定制或专用数据通信技术取代或者补充上述数据通信技术。可移动存储介质可以为通用串行总线(universal serial bus，usb)闪存盘、移动硬盘或其他可移动存储介质等。
33.虽然图1中仅示出了4个终端设备和一个服务器，但应当理解，图1中的示例仅用于理解本方案，终端设备和服务器的具体数量均应当结合实际情况灵活确定。
34.结合上述介绍，下面以执行主体为终端设备为例，对本技术中活体人脸检测的方法进行介绍，图2为本技术实施例提供的活体人脸检测的方法的一个实施例示意图，该方法包括：
35.步骤201、获取第一近红外图像。
36.本实施例中，通过利用与终端设备有通信连接的采集模组获取第一近红外图像，该第一近红外图像包括目标人脸。具体地，获取第二近红外图像，且第二近红外图像包括目标人脸，通常情况下，近红外(infrared radiationir)图像是10位的，即第二近红外图像为0-1024的图像数据，而进行图像处理的标准图像通常为8位，为了提升对图像的处理效率，因此需要对第二近红外图像进行归一化处理，得到第一近红外图像，此时第一近红外图像为8位图像，即第一近红外图像具体为0-256的图像数据。
37.步骤202、对第一近红外图像进行处理，得到目标人脸的轮廓结构化信息。
38.本实施例中，基于步骤201所获取的第一近红外图像，通过人脸位置检测模型获取第一近红外图像中目标人脸的轮廓结构化信息，即将第一近红外图像作为预设人脸位置检测模型的输入，预设人脸位置检测模型输出第一近红外图像中目标人脸的轮廓结构化信息，第一近红外图像中目标人脸的轮廓结构化信息可以包括脸的左耳位置、人脸的右耳位置、人脸的左眼位置、人脸的右眼位置、人脸的鼻子位置以及人脸的嘴巴位置等能够指示人脸轮廓信息的位置，具体此处不做作限定。
39.具体地，预设人脸位置检测模型包括第一卷积层、第一批归一化层、第一激活层以
及第一输出层，第一输出层包括第一分类层以及第一回归层，第一分类层的目标损失函数为交叉熵损失函数，第二回归层的目标损失函数为smooth l1损失函数。为便于理解，图3为本技术实施例提供的人脸位置检测模型的一个架构示意图，将第一近红外图像输入至第一卷积层，然后第一卷积层对第一近红外图像进行卷积处理，并且将卷积处理后的第一近红外图像输入至第一批归一化层。基于此，第一批归一化层对卷积处理后的第一近红外图像进行批归一化处理，再将批归一化处理后的第一近红外图像输入至第一激活层，与前述类似，第一激活层对批归一化处理后的第一近红外图像进行激活处理，再将激活处理后的第一近红外图像输入至第一分类层以及第一回归层，最后基于第一分类层以及第一回归层输出目标人脸的位置。应理解，图3的示例仅用于理解本方案，在实际应用中，人脸位置检测模型还可以包括多个第一卷积层、多个第一批归一化层以及多个第一激活层，因此图3的示例并不构成本方案的唯一限定。
40.在一个实施例中，预设人脸位置检测模型为预先训练获取的，具体的训练方式为：获取第一近红外图像样本集合以及目标人脸的位置集合，该目标人脸的位置集合包括每个第一近红外图像样本的目标人脸的位置，且第一近红外图像样本均为8位图像。基于此，将第一近红外图像样本集合作为待训练人脸位置检测模型的输入，通过待训练人脸位置检测模型输出每个第一近红外图像样本的目标人脸的预测位置，然后基于每个第一近红外图像样本的目标人脸的预测位置，以及每个第一近红外图像样本的目标人脸的位置，根据目标损失函数更新待训练人脸位置检测模型的模型参数，以得到人脸位置检测模型。
41.下面详细说明更新模型参数的过程，将每个第一近红外图像样本的目标人脸的位置作为目标进行迭代训练，即根据每个第一近红外图像样本的目标人脸的位置以及每个第一近红外图像样本的目标人脸的预测位置之间的差异确定目标损失函数的损失值，根据目标损失函数的损失值判断损失函数是否达到收敛条件，若未达到收敛条件，则利用目标损失函数的损失值更新待训练人脸位置检测模型的模型参数。直至目标损失函数达到收敛条件，从而得到最优的人脸位置检测模型。前述目标损失函数的收敛条件可以为目标损失函数的值小于或等于第一预设阈值，作为示例，例如第一预设阈值的取值可以为0.005、0.01、0.02或其它趋近于0的数值；也可以为目标损失函数的相邻两次的值的差值小于或等于第二预设阈值，第二阈值的取值可以与第一阈值的取值相同或不同，作为示例，第二预设阈值的取值可以为0.005、0.01、0.02或其它趋近于0的数值等，终端设备还可以采用其它收敛条件等，此处不做限定。
42.进一步地，下列公式(1)所示为本实施方式的smooth l1损失函数：
[0043][0044]
其中，x指的是smooth l1损失函数的损失值，该损失值是根据每个第一近红外图像样本的目标人脸的位置以及每个第一近红外图像样本的目标人脸的预测位置之间的差异确定。
[0045]
由于本方案中第一输出层包括第一分类层以及第一回归层，因此前述步骤具体为根据第一分类层的目标损失函数以及第一回归层的目标损失函数，更新待训练人脸位置检测模型中第一分类层以及第一回归层的模型参数，直至第一分类层的目标损失函数以及第一回归层的目标损失函数达到收敛条件，则得到最佳的待训练人脸位置检测模型的模型参
数，从而得到本方案中的人脸位置检测模型。
[0046]
步骤203、基于目标人脸的轮廓结构化信息对第一近红外图像进行抠图处理，得到仅包括目标人脸的待处理人脸图像。
[0047]
本实施例中，终端设备基于目标人脸的位置在第一近红外图像中进行抠图处理，得到目仅包括标人脸的待处理人脸图像。为了便于理解，图4为本技术实施例提供的待处理人脸图像的一个实施例示意图，此时待处理人脸图像a1中包括目标人脸的轮廓结构化信息a2，应理解，图4的示例仅用于理解本方案，而不应理解为本技术的限定。
[0048]
步骤204、根据目标人脸的轮廓结构化信息切割待处理人脸图像，并对切割后的图像进行随机拼接得到目标人脸图像。
[0049]
本实施例中，终端设备对待处理人脸图像进行处理，得到目标人脸图像。具体地，根据目标人脸的轮廓结构化信息对待处理人脸图像按预设比例进行平均切割，得到切割后待处理人脸图像。为了便于理解，图5为本技术实施例提供的切割后的待处理人脸图像的一个实施例示意图，图5中(a)所示出的是包括目标人脸的轮廓结构化信息的待处理人脸图像，图5中(b)所示出的是切割后的待处理人脸图像。
[0050]
在一个实施例中，目标人脸的轮廓结构化信息可包括68个或98个关键人脸特征点，根据人脸特征点在图像上的坐标信息按比例对待处理人脸图像进行切割得到切割后的图像。需要说明的是，上述预设比例可为1:3、1:4、1:5等，此处不作限制。
[0051]
进一步地，对切割后的待处理人脸图像进行随机拼接处理，得到目标人脸图像，其中，随机拼接后得到的目标人脸图像需与待处理人脸图像保持尺寸相同。为了便于理解，图6为本技术实施例提供的目标人脸图像的一个实施例示意图，图6中(a)图所示出的是切割后的待处理人脸图像，图6中(b)所示出的是进行随机拼接处理后得到的一种目标人脸的目标人脸图像，图6中(c)所示出的是进行随机拼接处理得到的另一种目标人脸的目标人脸图像。
[0052]
应理解，图5和图6的示例仅用于理解本方案，而不应理解为本技术的限定。
[0053]
步骤205、基于目标人脸图像和预设活体人脸检测模型，确定目标人脸的活体人脸检测结果。
[0054]
本实施例中，终端设备将目标人脸图像输入预设活体人脸检测模型，获取活体人脸检测结果，活体人脸检测结果包括：目标人脸图像为活体人脸图像，或，目标人脸图像为非活体人脸图像。
[0055]
具体地，终端设备基于目标人脸图像，通过预设活体人脸检测模型获取目标人脸图像的特征图，本实施例中特征图的大小为15*15，然后对目标人脸图像的特征图进行均值计算处理，得到目标人脸图像中目标人脸的活体数据分值，该活体数据分值指示目标人脸为真人的概率。基于此，若目标人脸的活体数据分值大于预设阈值，则确定活体人脸检测结果指示目标人脸图像为活体人脸图像，反之，若目标人脸的活体数据分值小于或等于预设阈值，则确定活体人脸检测结果指示目标人脸图像为非活体人脸图像。示例性地，以预设阈值为0.5作为示例进行说明，若目标人脸的活体数据分值大于0.5，则说明目标人脸为真人的概率大于0.5，此时目标人脸图像为活体人脸图像。反之，若目标人脸的活体数据分值小于或等于0.5，则说明目标人脸为真人的概率小于或等于0.5，此时目标人脸图像为非活体人脸图像。
[0056]
进一步地，本实施例中的活体人脸检测模型包括第二卷积层、第一池化层、特征融合层以及第三卷积层，活体人脸检测模型的目标损失函数为均方误差损失函数(mean squared error loos，mse loss)。为便于理解，图7为本技术实施例提供的活体人脸检测模型的一个架构示意图，将目标人脸图像输入至第二卷积层，然后第二卷积层对目标人脸图像进行卷积处理，并且将卷积处理后的目标人脸图像输入至第一池化层。基于此，第一池化层对卷积处理后的目标人脸图像进行池化处理，再将池化处理后的目标人脸图像输入至特征融合层，与前述类似，特征融合层对池化处理后的目标人脸图像进行特征融合处理，再将特征融合处理后的目标人脸图像输入至第三卷积层，第三卷积层对特征融合处理后的目标人脸图像进行卷积处理，并输出活体人脸检测结果。应理解，图7的示例仅用于理解本方案，在实际应用中，活体人脸检测模型还可以包括多个第二卷积层以及多个第一池化层，并且是进行一次第二卷积层到第一池化层后，再将结果输入至下一第二卷积层以及第一池化层，也就是一个第二卷积层与一个第一池化层之间需要连续处理，不经过其它处理层。
[0057]
在一个实施例中，预设活体人脸检测模型为预先训练获取并部署于终端设备中的，具体训练方法包括：获取目标人脸图像样本集合以及活体人脸检测结果集合，该活体人脸检测结果集合包括每个目标人脸图像样本的活体人脸检测结果，通过前述实施例可知，由于目标人脸图像是对切割后的目标人脸的轮廓结构化信息进行随机重组处理后得到的，因此该目标人脸图像样本为同一个待处理人脸图像中目标人脸的轮廓结构化信息，进行多次随机重组后得到的，这样可以保证每次输入待训练活体人脸检测模型的目标人脸图像样本都是随机重组的，且图像像素值分布无规则，使得对同一个待处理人脸图像所得到的样本数据的丰富程度大幅提升，使活体检测模型更关注待处理人脸中更局部更细节的假体特征，增加模型泛化能力，使得最后得到的活体人脸检测模型收敛的效果更好。基于此，将目标人脸图像样本集合作为待训练活体人脸检测模型的输入，通过待训练活体人脸检测模型输出每个目标人脸图像样本的活体人脸预测结果，然后基于每个目标人脸图像样本的活体人脸预测结果，以及每个目标人脸图像样本的活体人脸检测结果，根据目标损失函数更新待训练活体人脸检测模型的模型参数，以得到活体人脸检测模型。
[0058]
下面继续对前述模型参数的更新过程进行详细说明，终端设备将每个目标人脸图像样本的活体人脸检测结果作为目标进行迭代训练，即根据每个目标人脸图像样本的活体人脸检测结果以及每个目标人脸图像样本的活体人脸预测结果之间的差异确定目标损失函数的损失值，根据目标损失函数的损失值判断损失函数是否达到收敛条件，若未达到收敛条件，则利用目标损失函数的损失值更新待训练活体人脸检测模型的模型参数，直至目标损失函数达到收敛条件。此时将得到最佳的待训练活体人脸检测模型的模型参数，从而得到最优的活体人脸检测模型。
[0059]
应理解，前述目标损失函数的收敛条件可以为目标损失函数的值小于或等于第一预设阈值，作为示例，例如第一预设阈值的取值可以为0.005、0.01、0.02或其它趋近于0的数值；也可以为目标损失函数的相邻两次的值的差值小于或等于第二预设阈值，第二阈值的取值可以与第一阈值的取值相同或不同，作为示例，例如第二预设阈值的取值可以为0.005、0.01、0.02或其它趋近于0的数值等，终端设备还可以采用其它收敛条件等，此处不做限定。进一步地，由于本方案中活体人脸检测模型的目标损失函数为均方误差损失函数，因此前述步骤具体为根据第三卷积层的目标损失函数更新待训练活体人脸检测模型中第
三卷积层的模型参数，直至第三卷积层的目标损失函数达到收敛条件，则得到最佳的待训练活体人脸检测模型的模型参数，从而得到本方案中的活体人脸检测模型。
[0060]
以上对本方案中活体人脸检测的方法进行了详细介绍，下面介绍本方案所提供的活体人脸检测装置，图8为本技术实施例提供的活体人脸检测装置的一种结构示意图，如图8所示，该活体人脸检测装置包括：
[0061]
第一获取模块801，用于获取第一近红外图像，其中，第一近红外图像包括目标人脸；
[0062]
第一处理模块802，用于对第一近红外图像进行处理，得到目标人脸的轮廓结构化信息；
[0063]
第二处理模块803，用于基于目标人脸的轮廓结构化信息对第一近红外图像进行抠图处理，得到仅包括目标人脸的待处理人脸图像；
[0064]
第三处理模块804，用于根据目标人脸的轮廓结构化信息切割待处理人脸图像，并对切割后的图像进行随机拼接得到目标人脸图像。
[0065]
第二获取模块805，用于基于目标人脸图像和预设活体人脸检测模型获取活体人脸检测结果，其中，活体人脸检测结果指示目标人脸图像为活体人脸图像，或，目标人脸图像为非活体人脸图像。
[0066]
可选地，在上述图8所对应的实施例的基础上，本技术实施例提供的活体人脸检测装置的另一实施例中，第一获取模块801具体用于：获取第二近红外图像，其中，第二近红外图像包括目标人脸；对第二近红外图像进行归一化处理，得到第一近红外图像，其中，第一近红外图像为8位图像。
[0067]
可选地，在上述图8所对应的实施例的基础上，本技术实施例提供的活体人脸检测装置的另一实施例中，第一处理模块802具体用于：基于第一近红外图像，通过人脸位置检测模型获取第一近红外图像中目标人脸的位置；基于目标人脸的位置对第一近红外图像进行抠图处理，得到目标人脸的待处理人脸图像。
[0068]
可选地，在上述图8所对应的实施例的基础上，本技术实施例提供的活体人脸检测装置的另一实施例中，人脸位置检测模型包括第一卷积层、第一批归一化层、第一激活层以及第一输出层，第一输出层包括第一分类层以及第一回归层，第一分类层的目标损失函数为交叉熵损失函数，第二回归层的目标损失函数为smooth l1损失函数。
[0069]
可选地，在上述图8所对应的实施例的基础上，本技术实施例提供的活体人脸检测装置的另一实施例中，第二获取模块805具体用于：基于目标人脸图像，通过活体人脸检测模型获取目标人脸图像的特征图；对目标人脸图像的特征图进行均值计算处理，得到目标人脸图像中目标人脸的活体数据分值；将活体数据分值与预设阈值进行比较，并根据比较结果确定活体人脸检测结果；其中，在目标人脸的活体数据分值大于预设阈值时，活体人脸检测结果指示目标人脸图像为活体人脸图像；在目标人脸的活体数据分值小于或等于预设阈值时，活体人脸检测结果指示目标人脸图像为非活体人脸图像。
[0070]
可选地，在上述图8所对应的实施例的基础上，本技术实施例提供的活体人脸检测装置的另一实施例中，活体人脸检测模型包括第二卷积层、第一池化层、特征融合层以及第三卷积层，活体人脸检测模型的目标损失函数为均方误差损失函数。
[0071]
接下来，将继续对本技术实施例中的终端设备进行描述。具体地，图9为本技术实
施例中终端设备一个实施例的结构示意图，如图9所示，终端设备包括处理器910以及与处理器910耦接的存储器920。一些实现方式下，它们可以通过总线耦合在一起。其中，处理器910可以是中央处理器(central processing unit，cpu)，网络处理器(network processor，np)或者cpu和np的组合。处理器还可以是专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)或其组合。存储器920中存储有计算机程序930，计算机程序930可执行前文描述的可能实施方式中的任一种方法。处理器910执行计算机程序930后可以按照计算机程序930的指示进行相应的操作。此外，处理器910执行存储器920中的计算机程序930后，可以按照计算机程序930的指示，执行可以执行的全部操作。
[0072]
另外，本技术实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如前述实施例描述的任一方法中的步骤。
[0073]
本技术实施例中还提供一种包括程序的计算机程序产品，当其在计算机上运行时，使得计算机执行如前述实施例描述的任一方法中服务器所执行的步骤。
[0074]
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。
[0075]
在本技术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，单元的划分，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，例如至少两个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0076]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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，或者也可以分布到至少两个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0077]
另外，在本技术各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
[0078]
集成的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，本技术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全部或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终端设备(可以是个人计算机，或者网络设备等)执行本技术各个实施例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(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0079]
以上所述，以上实施例仅用以示例性说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：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；
而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。