文本识别方法、装置、电子设备和介质与流程

1.本公开涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于ocr等场景，更具体地，涉及一种文本识别方法、装置、电子设备、介质和程序产品。


背景技术：

2.在一些场景下，需要对图像进行识别，以便得到图像中的文本内容。例如，针对快递单，可以采集快递单的图像，并对图像进行识别得到快递单的文本内容。相关技术在识别图像中的文本内容时，识别效果不佳。


技术实现要素：

3.本公开提供了一种文本识别方法、装置、电子设备、存储介质以及程序产品。
4.根据本公开的一方面，提供了一种文本识别方法，包括：响应于确定针对信息凭证的候选图像的第一图像清晰度大于预设阈值，根据所述候选图像的图像采集模式，从所述候选图像中确定目标图像；确定所述目标图像中的候选文本子区域的第二图像清晰度；基于所述第二图像清晰度，从所述候选文本子区域中选择目标文本子区域；对所述目标文本子区域进行文本识别。
5.根据本公开的另一方面，提供了一种文本识别装置，包括：第一确定模块、第二确定模块、选择模块以及识别模块。第一确定模块，用于响应于确定针对信息凭证的候选图像的第一图像清晰度大于预设阈值，根据所述候选图像的图像采集模式，从所述候选图像中确定目标图像；第二确定模块，用于确定所述目标图像中的候选文本子区域的第二图像清晰度；选择模块，用于基于所述第二图像清晰度，从所述候选文本子区域中选择目标文本子区域；识别模块，用于对所述目标文本子区域进行文本识别。
6.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的文本识别方法。
7.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述的文本识别方法。
8.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述文本识别方法的步骤。
9.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
10.附图用于更好地理解本方案，不构成对本公开的限定。其中：
11.图1示意性示出了一实施例的文本识别的应用场景；
12.图2示意性示出了根据本公开一实施例的文本识别方法的流程图；
13.图3示意性示出了根据本公开一实施例的文本识别方法的原理图；
14.图4示意性示出了根据本公开另一实施例的文本识别方法的流程图；
15.图5示意性示出了根据本公开另一实施例的文本识别方法的流程图；
16.图6示意性示出了根据本公开一实施例的文本识别装置的框图；以及
17.图7是用来实现本公开实施例的用于执行文本识别的电子设备的框图。
具体实施方式
18.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
19.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
20.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
21.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
22.随着电商和交通运输的蓬勃发展，快递行业欣欣向荣。对快递单的文本识别功能集成到手机、把枪、高拍仪等电子设备中，通过电子设备可以实时提取快递单中的文本内容，在保证较高的识别精度的同时又能够较大地减少人工核算的成本。
23.在实际场景中，电子设备在采集快递单的图像时，由于电子设备存在移动模糊、相机未聚焦等原因，采集的图像很可能是模糊图像。另外，图像本身也可能存在涂抹、破损等情况。因此，对低质量的图像进行文本识别，文本识别的精度较低，错误识别增加了计算成本，甚至会增加人工审核的成本。
24.在一示例中，可以采用传统机器学习算法检测图像是否存在运动模糊、失焦模糊等。比如对图像进行拉普拉斯变换得到图像的方差值，以此判断图像的边缘信息，从而确定图像是否是模糊图像。另外，可以通过计算图像的横向、纵向的差分来判断图像是否失焦。在通过传统机器学习算法检测图像清晰度时，通常需要预先定义阈值，清晰度低于阈值的图像被分类为模糊图像，清晰度高于阈值的图像被分类为清晰图像。
25.然而，阈值的选取与应用场景有关。在实际场景中，阈值难以准确地设定，不合适的阈值会导致图像的错误分类。
26.在另一示例中，可以采用深度学习算法对图像进行分类。例如，利用深度学习模型对采集的图像进行整体清晰度二分类，将图像整体分类为清晰图像或模糊图像。
27.在确定图像整体的清晰度时，如果图像中不重要的局部区域模糊，通常会将图像被划分为模糊图像，但是，图像中重要的局部区域可能是清晰的，由此导致图像分类错误。
28.图1示意性示出了一实施例的文本识别的应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
29.如图1所示，根据该实施例的应用场景100例如包括电子设备110。
30.示例性地，针对信息凭证101，电子设备110可以对信息凭证101进行图像采集，得到针对信息凭证101的图像102。
31.示例性地，信息凭证例如包括物流凭证、单据等等。物流凭证可以是快递单。
32.电子设备110例如具有数据处理功能，在采集到图像102之后，电子设备110可以对图像102进行处理，以便识别得到信息凭证101中的文本内容，文本内容可以包括文字，图1中的a、b、c例如表示文字。
33.示例性地，电子设备110包括但不限于电脑、手机、把枪、高拍仪。
34.下面结合图1的应用场景，参考图2～图5来描述根据本公开示例性实施方式的文本识别方法。
35.图2示意性示出了根据本公开一实施例的文本识别方法的流程图。
36.如图2所示，本公开实施例的文本识别方法200例如可以包括操作s210～操作s240。
37.在操作s210，响应于确定针对信息凭证的候选图像的第一图像清晰度大于预设阈值，根据候选图像的图像采集模式，从候选图像中确定目标图像。
38.示例性地，对信息凭证进行图像采集，得到候选图像，候选图像中包括信息凭证。确定候选图像整体的图像清晰度，如果图像清晰度大于预设阈值，表示候选图像为非明显模糊的图像。预设阈值可以设置为较大数值。
39.候选图像中可以包括一个或多个候选图像，可以基于候选图像的图像采集模式来从一个或多个候选图像中确定目标图像。候选文本子区域包括信息凭证中的文本内容，信息凭证例如包括物流凭证。
40.在操作s220，确定目标图像中的候选文本子区域的第二图像清晰度。
41.示例性地，目标图像中包括信息凭证，信息凭证中包括文字。可以对目标图像进行识别，定位出文字所在的区域，将文字所在的区域提取出来得到一个或多个候选文本子区域。在一示例中，每个候选文本子区域可以包括信息凭证中的一行文字。
42.在操作s230，基于第二图像清晰度，从候选文本子区域中选择目标文本子区域。
43.由于一个或多个候选文本子区域中每个候选文本子区域的第二图像清晰度不同，有些候选文本子区域的第二图像清晰度较高，有些候选文本子区域的第二图像清晰度较低，对第二图像清晰度较低的候选文本子区域进行识别的识别结果通常较差，为了提高识别准确性和节省计算资源，可以从一个或多个候选文本子区域中确定第二图像清晰度较高的目标文本子区域。
44.在操作s240，对目标文本子区域进行文本识别。
45.在确定目标文本子区域之后，可以对目标文本子区域进行识别，得到文本内容。
46.根据本公开的实施例，首先利用较大的预设阈值筛选出候选图像，然后根据候选
图像的图像采集模式从候选图像中确定目标图像，基于目标图像的候选文本子区域的第二图像清晰度确定目标文本子区域，并对目标文本子区域进行文本识别得到针对信息凭证的文本内容。可以理解，利用较大的预设阈值初步筛选得到候选图像后再进行文本识别，提高了识别准确性，节省计算资源。另外，本公开的技术方案可以适用于不同的图像采集模式，提高了适用场景。
47.图3示意性示出了根据本公开一实施例的文本识别方法的原理图。
48.如图3所示，在一示例中，图像采集模式包括连续多帧图像采集模式，通过连续多帧图像采集模式采集的多个候选图像310a例如包括多个候选图像，每个候选图像包括至少一个待定文本子区域。以一个候选图像为例，该候选图像例如包括三个待定文本子区域，三个待定文本子区域分别用虚线指示，三个待定文本子区域中的文本内容例如分别为“aaa”、“bbbbb”、“ccc”。
49.针对多个候选图像310a，可以从多个候选图像310a中确定目标图像320a。
50.例如，针对多个候选图像310a中的每个候选图像，每个候选图像对应至少一个待定文本子区域，基于至少一个待定文本子区域中每个待定文本子区域的第三图像清晰度和信息凭证在该候选图像中的目标位置，确定候选图像的图像质量。然后，基于每个候选图像的图像质量，从多个候选图像310a中确定目标图像320a，例如从多个候选图像310a中确定图像质量最高的一个候选图像作为目标图像320a。
51.例如，以一个候选图像为例，基于信息凭证在该候选图像中的目标位置确定位置分值，位置分值例如表征了信息凭证是否处于候选图像的中心区域。
52.例如，候选图像的图像宽度为w，w大于0，候选图像的中心区域例如为宽度大于等于w/4且小于等于w*3/4的部分区域，该中心区域占候选图像的一半宽度，如果信息凭证处于该中心区域，则候选图像的位置分值例如为1，否则为0。可以理解，在另一示例中，除了基于宽度确定中心区域，还可以基于高度确定中心区域，基于高度确定中心区域与基于宽度确定中心区域的方式类似。在另一示例中，还可以同时基于宽度和高度确定中心区域。
53.每个候选图像包括至少一个待定文本子区域，针对与至少一个待定文本子区域一一对应的至少一个第三图像清晰度，可以基于至少一个第三图像清晰度的均值和候选图像的位置分值，确定候选图像的图像质量。例如，将至少一个第三图像清晰度的均值和位置分值之和，作为候选图像的图像质量得分。该图像质量表征了候选图像的整体质量。
54.针对至少一个待定文本子区域中每个待定文本子区域，可以对每个待定文本子区域进行分类，得到针对每个待定文本子区域的第一分类结果，然后基于第一分类结果，确定每个待定文本子区域的第三图像清晰度。
55.例如，将每个待定文本子区域输入分类模型中，输出第一分类结果。分类模型包括二分类模型。二分类模型通过训练后，可以识别文本子区域的清晰程度，第一分类结果例如包括数值，数值的取值范围例如为0～1。在一示例中，可以将数值作为待定文本子区域的第三图像清晰度，数值越大，清晰度越高。
56.在另一示例中，图像采集模式包括单帧图像采集模式，通过单帧图像采集模式采集的候选图像310b包括一个候选图像。可以将候选图像310b确定为目标图像320b。
57.在得到目标图像320a或目标图像320b之后，针对目标图像320a和目标图像320b中的任意一个，可以获取目标图像中的候选文本子区域330。
58.候选文本子区域330例如包括多个，可以对每个候选文本子区域进行分类，得到针对每个候选文本子区域的第二分类结果，然后基于第二分类结果，确定候选文本子区域的第二图像清晰度。
59.例如，将每个候选文本子区域输入分类模型340中，输出第二分类结果。分类模型340包括二分类模型。二分类模型通过训练后，可以识别候选文本子区域的清晰程度，第二分类结果例如包括数值，数值的取值范围例如为0～1，可以将数值作为候选文本子区域的第二图像清晰度，数值越大，清晰度越高。可以理解，在从多个候选图像310a选择目标图像320a的过程中，如果候选文本子区域和上述的待定文本子区域相同，则已经基于上述的第一分类结果确定了待定文本子区域的第三图像清晰度，此处可以不用重复基于第二分类结果确定候选文本子区域的第二图像清晰度的操作，可以将第三图像清晰度作为第二图像清晰度。当然，也可以重新计算候选文本子区域的第二图像清晰度。
60.示例性地，基于分类模型340得到候选文本子区域330的第二图像清晰度，然后从候选文本子区域330中选择清晰度高的候选文本子区域作为目标文本子区域350。例如，“aaa”、“bbbbb”所处的候选文本子区域的清晰度较高，“aaa”所处的候选文本子区域的清晰度较低，将“aaa”、“bbbbb”所处的候选文本子区域作为目标文本子区域350。
61.接下来，将目标文本子区域350输入识别模型360中进行文本识别，得到文本识别结果370。识别模型360可以包括神经网络模型。
62.在本公开的实施例中，分类模型和识别模型包括深度学习模型。首先通过传统机器学习算法处理图像，以确定第一图像清晰度大于预设阈值的候选图像，然后利用深度学习模型识别得到文本内容。传统机器学习算法例如包括高斯模糊过滤算法、运动模糊过滤算法等等，在利用深度学习模型进行文本识别时，可以结合光学字符识别(optical character recognition，ocr)技术进行识别。可以理解，通过利用传统机器学习算法结合深度学习模型进行文本识别，兼顾了效率和精度，提高了文本识别效果。
63.图4示意性示出了根据本公开另一实施例的文本识别方法的流程图。
64.如图4所示，本公开实施例的文本识别方法400例如可以包括操作s401～操作s413。
65.在操作s401，获取候选图像。
66.例如，连续多帧图像采集模式包括视频流模式，在视频流模式下可以连续采集多个候选图像，操作s401可以一次获取一个候选图像。
67.在操作s402，利用传统机器学习算法处理候选图像，得到候选图像的第一图像清晰度。
68.在操作s403，确定第一图像清晰度是否大于预设阈值。
69.如果是，则执行操作s404或操作s406；如果否，则返回执行操作s401继续获取另一候选图像。
70.在操作s404，对候选图像进行文字检测，得到待定文本子区域。
71.通过文字检测定位候选图像中的文字，然后对文字所在的区域进行提取得到待定文本子区域。
72.在操作s405，对待定文本子区域进行分类，得到待定文本子区域的第三图像清晰度。
73.在操作s406，确定信息凭证在候选图像中的目标位置。
74.在操作s407，基于目标位置确定候选图像的位置分值。
75.可以理解，对操作s404和操作s406的执行顺序不作具体限制，可以先执行操作s404再执行操作s406，或者先执行操作s406再执行操作s404，或者同时执行操作s404和操作s406。
76.在操作s408，确定候选图像的图像质量。
77.例如，基于待定文本子区域的第三图像清晰度和位置分值，确定候选图像的图像质量。
78.在操作s409，将候选图像的图像个数加1。
79.当候选图像为视频中的帧图像时，每次处理一个候选图像，将帧数加1。
80.在操作s410，确定当前的候选图像是否为第n个图像。
81.如果是，则执行操作s411；如果否，则返回执行操作s401继续获取另一候选图像。
82.例如，n为大于0的整数，n例如为3、4等等，可以根据实际需求进行设定。
83.在操作s411，基于图像质量，从n个候选图像中选择目标图像。
84.当处理的候选图像的图像个数累计到达n时，基于每个候选图像的图像质量，从n个候选图像中选择图像质量高的目标图像。
85.在操作s412，从目标图像的候选文本子区域中选择目标文本子区域。
86.例如，基于候选文本子区域的第二图像清晰度，从候选文本子区域中选择清晰度大的目标文本子区域。
87.在操作s413，对目标文本子区域进行文本识别。
88.根据本公开的实施例，在视频流模式下，基于信息凭证在候选图像中的目标位置和待定文本子区域的第三图像清晰度，确定候选图像的整体图像质量，基于图像质量选择质量分数高的候选图像作为目标图像，并对目标图像进行文本识别，降低了摄像头移动、模糊、未聚焦等带来的识别误差。
89.图5示意性示出了根据本公开另一实施例的文本识别方法的流程图。
90.如图5所示，本公开实施例的文本识别方法500例如可以包括操作s501～操作s508。
91.在操作s501，获取候选图像。
92.例如，单帧图像采集模式包括拍照模式，在拍照模式下可以每次采集一个候选图像。
93.在操作s502，利用传统机器学习算法处理候选图像，得到候选图像的第一图像清晰度。
94.在操作s503，确定第一图像清晰度是否大于预设阈值。
95.如果是，则执行操作s504；如果否，则结束。
96.在操作s504，将候选图像作为目标图像。
97.在操作s505，对目标图像进行文字检测，得到候选文本子区域。
98.通过文字检测定位目标图像中的文字，然后对文字所在的区域进行提取得到候选文本子区域。
99.在操作s506，对候选文本子区域进行分类，得到候选文本子区域的第二图像清晰
度。
100.在操作s507，从候选文本子区域中选择目标文本子区域。
101.例如，基于候选文本子区域的第二图像清晰度，从候选文本子区域中选择清晰度大的目标文本子区域。
102.在操作s508，对目标文本子区域进行文本识别。
103.根据本公开的实施例，通过文字检测方式定位文字所在的候选文本子区域，基于候选文本子区域的清晰度选择目标文本子区域，对目标文本子区域进行文本识别，提高了文本识别的准确率。
104.图6示意性示出了根据本公开一实施例的文本识别装置的框图。
105.如图6所示，本公开实施例的文本识别装置600例如包括第一确定模块610、第二确定模块620、选择模块630和识别模块640。
106.第一确定模块610可以用于响应于确定针对信息凭证的候选图像的第一图像清晰度大于预设阈值，根据候选图像的图像采集模式，从候选图像中确定目标图像。根据本公开实施例，第一确定模块610例如可以执行上文参考图2描述的操作s210，在此不再赘述。
107.第二确定模块620可以用于确定目标图像中的候选文本子区域的第二图像清晰度。根据本公开实施例，第二确定模块620例如可以执行上文参考图2描述的操作s220，在此不再赘述。
108.选择模块630可以用于基于第二图像清晰度，从候选文本子区域中选择目标文本子区域。根据本公开实施例，选择模块630例如可以执行上文参考图2描述的操作s230，在此不再赘述。
109.识别模块640可以用于对目标文本子区域进行文本识别。根据本公开实施例，识别模块640例如可以执行上文参考图2描述的操作s240，在此不再赘述。
110.根据本公开实施例，图像采集模式包括连续多帧图像采集模式，候选图像的数量为多个；其中，第一确定模块610包括：第一确定子模块和第二确定子模块。第一确定子模块，用于基于候选图像中的待定文本子区域的第三图像清晰度和信息凭证在候选图像中的目标位置，确定候选图像的图像质量；第二确定子模块，用于基于图像质量，从候选图像中确定目标图像。
111.根据本公开实施例，第一确定子模块包括：第一确定单元和第二确定单元。第一确定单元，用于基于目标位置，确定位置分值，其中，位置分值表征了信息凭证是否处于候选图像的中心区域；第二确定单元，用于基于各第三图像清晰度的均值和位置分值，确定图像质量。
112.根据本公开实施例，装置600还可以包括：分类模块和第三确定模块。分类模块，用于对待定文本子区域进行分类，得到第一分类结果；第三确定模块，用于基于第一分类结果，确定第三图像清晰度。
113.根据本公开实施例，图像采集模式包括单帧图像采集模式，候选图像的数量为1个；其中，第一确定模块610还用于：将候选图像确定为目标图像。
114.根据本公开实施例，第二确定模块620包括：分类子模块和第三确定子模块。分类子模块，用于对候选文本子区域进行分类，得到第二分类结果；第三确定子模块，用于基于第二分类结果，确定第二图像清晰度。
115.根据本公开实施例，候选文本子区域包括信息凭证中的文本内容，信息凭证包括物流凭证。
116.在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
117.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
118.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
119.根据本公开实施例，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上文所描述的文本识别方法。
120.根据本公开实施例，提供了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上文所描述的文本识别方法。
121.图7是用来实现本公开实施例的用于执行文本识别的电子设备的框图。
122.图7示出了可以用来实施本公开实施例的示例电子设备700的示意性框图。电子设备700旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
123.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
124.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
125.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如文本识别方法。例如，在一些实施例中，文本识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的文本识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本识别方法。
126.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
127.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程文本识别装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
128.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
129.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
130.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
131.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
132.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例
如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
133.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。