数据处理方法、装置、存储介质和处理器与流程

1.本发明涉及数据处理领域，具体而言，涉及一种数据处理方法、装置、存储介质和处理器。


背景技术：

2.目前，针对人脸识别，一般正脸无遮挡等简单样本准确率较高，但是训练过程的图像种类丰富，大量的场景丰富的图片泛化性能较差。
3.在相关技术中，人脸稠密关键点检测多基于面部深度信息和相对单一的损失函数设计，在局限的场景下不能得到较好的效果，从而存在模型可靠性低的技术问题。
4.针对上述模型可靠性低的技术问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种数据处理方法、装置、存储介质和处理器，以至少解决了模型可靠性低的技术问题。
6.根据本发明实施例的一个方面，提供了一种数据处理方法，包括：从图像集中获取待识别图像，其中，图像集包括用于表征人脸的图像；确定待识别图像对应的至少一损失误差；基于至少一损失误差和待识别图像的类型权重，确定待识别图像的目标损失误差，其中，类型权重用于表征待识别图像对原始模型中参数的影响程度，原始模型用于对人脸图像的关键区域进行检测；基于目标损失误差，对原始模型的参数进行调整，得到目标模型。
7.可选地，基于至少一损失误差和待识别图像的类型权重，确定待识别图像的目标损失误差，包括：基于至少一损失误差确定待识别图像的实际损失误差；基于实际损失误差和类型权重确定目标损失误差。
8.可选地，基于至少一损失误差确定待识别图像的实际损失误差，包括：计算至少一损失误差的和，确定为实际损失误差。
9.可选地，基于实际损失误差和类型权重确定目标损失误差，包括：计算类型权重和实际损失误差二者之间的商，确定为目标损失误差。
10.可选地，确定图像集中与待识别图像的图像类型相同的第一图像数量，其中，图像类型用于表征图像集中人脸的情况；基于第一图像数量与第二图像数量二者之间的比值，确定为待识别图像的类型权重，其中，第二图像数量用于表征图像集中的图像总量。
11.可选地，确定待识别图像的至少一损失误差，包括：对待识别图像进行特征位置提取，确定待识别图像的检测位置，其中，检测位置用于表征待识别图像中面部关键区域位置；基于检测位置和真实位置，确定待识别图像的至少一损失误差，其中，真实位置用于表征待识别图像预先确认的面部关键区域位置。
12.根据本发明实施例的另一方面，还提供了一种数据处理装置。该装置包括：获取单元，用于从图像集中获取待识别图像，其中，图像集包括用于表征人脸的图像；第一确定单元，用于确定待识别图像对应的至少一损失误差；第二确定单元，用于基于至少一损失误差
和待识别图像的类型权重，确定待识别图像的目标损失误差，其中，类型权重用于表征待识别图像对原始模型中参数的影响程度，原始模型用于对人脸图像的关键区域进行检测；生成单元，用于基于目标损失误差，对原始模型的参数进行调整，得到目标模型。
13.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行本发明实施例的数据处理方法。
14.根据本发明实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的数据处理方法。
15.在本发明实施例中，从图像集中获取待识别图像，其中，图像集包括用于表征人脸的图像；确定待识别图像对应的至少一损失误差；基于至少一损失误差和待识别图像的类型权重，确定待识别图像的目标损失误差，其中，类型权重用于表征待识别图像对原始模型中参数的影响程度，原始模型用于对人脸图像的关键区域进行检测；基于目标损失误差，对原始模型的参数进行调整，得到目标模型。也就是说，本发明在模型训练的过程中，通过不同类别的待识别图像对应不同的权重，得到目标损失函数，基于目标损失函数训练得到目标模型，从而充分考虑出现情况少的图像，进而实现了提高模型可靠性的技术效果，解决模型可靠性低的技术问题。
附图说明
16.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1是根据本发明实施例的数据处理的方法的流程图；
18.图2是根据本发明实施例的一种人脸稠密关键点检测系统的示意图；
19.图3是根据本发明实施例的一种样本分类结果的示意图；
20.图4是根据本发明实施例的一种数据增强结果的示意图；
21.图5是根据本发明实施例的一种特征提取模块的示意图；
22.图6是根据本发明实施例的一种数据处理的装置的示意图。
具体实施方式
23.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
24.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
25.实施例1
26.根据本发明实施例，提供了一种数据处理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
27.图1是根据本发明实施例的数据处理的方法的流程图。如图1所示，该方法包括如下步骤：
28.步骤s102，从图像集中获取待识别图像，其中，图像集包括用于表征人脸的图像。
29.在本发明上述步骤s102提供的技术方案中，从图像集中获取待识别的图像，其中，图像集可以用于表征人脸的图像，可以为预先获得的训练集；待识别图像可以为训练样本，可以包括正脸(class1)、侧脸(class2)、遮挡(class3)、模糊(classn)等状态的训练样本。
30.可选地，从图像集中选取一张图像，可以对选取的图片进行增强处理，得到待识别图像，其中，增强处理可以包括：平面内随机翻转、三维旋转以及贴图遮挡等处理，此处仅对增强处理举例说明，不做具体限制。
31.举例而言，从图像集中选取一张图片，得到训练数据，可以通过数据增强模块对训练数据进行数据增强，可以通过平面内随机翻转、三维旋转以及贴图遮挡等操作进行数据增强处理，得到待识别图像，在经过上述增强处理后，可以有效增加样本的多样性，有助于帮助模型学习更加鲁棒的深度图像特征。
32.步骤s104，确定待识别图像对应的至少一损失误差。
33.在本发明上述步骤s104提供的技术方案中，可以通过计算不同损失函数的损失误差，达到确定待识别图像对应的至少一损失误差的目的，其中，损失误差可以用于表征检测框和真值框的相似程度。
34.可选地，可以根据实际情况任意选取至少之一损失函数进行损失计算，得到至少一损失误差，可以对均方差(mean square error，简称为mse)损失函数、wingloss损失函数、awingloss损失函数、heatmaploss损失函数和boundaryloss损失函数等多个损失函数进行损失计算。
35.步骤s106，基于至少一损失误差和待识别图像的类型权重，确定待识别图像的目标损失误差，其中，类型权重用于表征待识别图像对原始模型中参数的影响程度，原始模型用于对人脸图像的关键区域进行检测。
36.在本发明上述步骤s106提供的技术方案中，基于至少一损失误差和待识别图像的类型权重，确定待识别图像的目标损失误差，其中，类型权重可以用于表征待识别图像对原始模型中参数的影响程度，原始模型可以为深度学习网络模型，可以用于对人脸图像的关键区域进行检测。
37.在本发明实施例中，由于待识别图像的种类存在多样性，部分类别样本占比较少，比如，大角度样本、遮挡样本等困难样本，在进行模型训练时，可以将每个样本进行类别标注，得到待识别图像的类型权重，在进行损失计算时可根据图像所在类别的样本数量进行权重分配，从而增加大角度等极端样本的类型权重，进而提高模型对大角度等极端图像定位的准确性。
38.步骤s108，基于目标损失误差，对原始模型的参数进行调整，得到目标模型。
39.在本发明上述步骤s108提供的技术方案中，基于目标损失误差，对原始模型的参数进行调整，得到目标模型。
40.在本发明实施例中，可以根据目标损失误差(融合的损失)计算梯度并更新模型参数，从而提高模型的可靠性。
41.本技术上述步骤s102至步骤s108，从图像集中获取待识别图像，其中，图像集包括用于表征人脸的图像；确定待识别图像对应的至少一损失误差；基于至少一损失误差和待识别图像的类型权重，确定待识别图像的目标损失误差，其中，类型权重用于表征待识别图像对原始模型中参数的影响程度，原始模型用于对人脸图像的关键区域进行检测；基于目标损失误差，对原始模型的参数进行调整，得到目标模型。也就是说，本发明在模型训练的过程中，通过不同类别的待识别图像对应不同的权重，得到目标损失函数，基于目标损失函数训练得到目标模型，从而充分考虑出现情况少的图像，进而实现了提高模型可靠性的技术效果，解决模型可靠性低的技术问题。
42.下面对该实施例的上述方法进行进一步介绍。
43.作为一种可选的实施方式，作为一种可选的实施方式，基于至少一损失误差和待识别图像的类型权重，确定待识别图像的目标损失误差，包括：基于至少一损失误差确定待识别图像的实际损失误差；基于实际损失误差和类型权重确定目标损失误差。
44.在该实施例中，确定待识别图像的至少一损失误差，可以基于至少一损失误差确定待识别图像的实际损失误差，基于得到的实际损失函数和待识别对象对应的类型权重，确定目标损失误差。
45.可选地，获取待识别图像的至少一损失误差，当待识别图像只有一个损失误差时，该损失误差为待识别图像的实际损失误差，当待识别图像有多个损失函数时，可以根据实际需求，选择求和或加权平均等计算方式，基于选择的计算方式对多个损失函数进行计算，得到实际损失误差，此处的计算方式仅为举例说明，不对实际损失误差的计算方式做具体限制。
46.可选地，获取待识别图像的实际损失误差，基于实际损失误差和类型权重，确定目标损失误差，比如，目标损失误差可以为实际损失误差乘以(1-类型权重)的积，也可以为实际损失误差和类型权重二者之间的商。
47.现有的人脸稠密关键点检测多基于面部深度信息和相对单一的损失函数进行模型的训练，该方法只是在局限的场景下能得到较好的效果，比如，对于正脸无遮挡等简单样本准确率较高，但是对于大量的场景丰富的图片泛化性能较差，难以达到理想的效果，而在本发明实施例中，考虑到部分类型样本占比较小，为提高模型训练的均衡性，在进行模型训练时，对数量较少的样本分配更大的类型权重，从而增强极端样本的关键点定位准确性。
48.作为一种可选的实施方式，基于至少一损失误差确定待识别图像的实际损失误差，包括：计算至少一损失误差的和，确定为实际损失误差。
49.在该实施例中，计算至少一损失误差的和，将计算得到的和确定为实际损失误差。
50.可选地，可以通过多损失融合模块计算至少一损失误差的和，多损失融合模块可以根据特征提取模块提取的图像特征进行关键点位置学习，可以根据实际情况任意选取至少之一损失函数进行损失融合得到实际损失误差，比如，可以采用mse损失函数、wingloss
损失函数、awingloss损失函数、heatmaploss损失函数和boundaryloss损失函数等多个损失函数的函数误差进行融合损失计算，得到实际损失误差。
51.举例而言，可以通过多损失融合模块，分别计算mse损失函数、wingloss损失函数和awingloss损失函数的损失误差，得到三个损失函数对应的损失误差，计算三个函数对应的损失误差的和，将计算得到的和确定为实际损失误差。
52.在相关技术中，人脸稠密关键点检测多基于面部深度信息和相对单一的损失函数进行模型的训练，该方法只是在局限的场景下能得到较好的效果，比如，对于正脸无遮挡等简单样本准确率较高，但是对于大量的场景丰富的图片泛化性能较差，难以达到理想的效果。而在本发明实施例中，可以通过多损失融合模块融合多个损失的结果，相当于多个任务之间进行相互促进模型学习，相比以单一损失作为模型学习目标的方案，有效的提升了人脸关键点的定位精度，从而实现了提高模型可靠性的技术效果，解决了模型可靠性低的技术问题。
53.作为一种可选的实施方式，基于实际损失误差和类型权重确定目标损失误差，包括：计算类型权重和实际损失误差二者之间的商，确定为目标损失误差。
54.在该实施例中，可以计算类型权重和实际损失误差二者之间的商，将计算得到的商，确定为目标损失误差。
55.作为一种可选的实施方式，确定图像集中与待识别图像的图像类型相同的第一图像数量，其中，图像类型用于表征图像集中人脸的情况；基于第一图像数量与第二图像数量二者之间的比值，确定为待识别图像的类型权重，其中，第二图像数量用于表征图像集中的图像总量。
56.在该实施例中，确定图像集中图像的图像类型，确定与待识别图像的图像类型相同的图像数量，得到第一图像数量，确定图像集中图像的数量，得到第二图像数量，确定第一图像数量和第二图像数量二者之间的比值，得到待识别图像的类型权重，其中，在本实施例中，图像类型可以包括正脸、侧脸、遮挡、模糊等7大类，需要说明的是，此处图像的类型分类表征只为举例说明，不对图像类型和分类情况做具体限制，只要是为了提高数量少的样本对模型参数的影响，都应该在本发明的保护范围之内。
57.可选地，可以根据图像预分类分配模块对图像进行分类，在进行模型训练时，可以将每个样本进行类别标注，从而确定每种图像类型的图像的类型权重。
58.可选地，由于样本存在多样性，部分类别样本占比较少，比如，大角度样本、遮挡样本等困难样本，在进行模型训练时，可以将每个样本进行类别标注，在进行损失计算时可根据样本所在类别的样本数量进行权重分配，从而增加大角度等极端样本的类型权重，进而达到提高模型对大角度等极端样本定位准确性的目的。
59.作为一种可选的实施方式，确定待识别图像的至少一损失误差，包括：对待识别图像进行特征位置提取，确定待识别图像的检测位置，其中，检测位置用于表征待识别图像中面部关键区域位置；基于检测位置和真实位置，确定待识别图像的至少一损失误差，其中，真实位置用于表征待识别图像预先确认的面部关键区域位置。
60.在该实施例中，可以对待识别图像进行特征位置提取，确定待识别图像的检测位置，基于确定的检测位置和预先确定的真实位置，确定待识别图像的至少一损失误差，其中，检测位置可以用于表征待识别图像中面部关键区域位置，比如，可以通过检测框进行表
示，真实位置可以为预先在待识别图像中确定的位置，可以用于表征待识别图像预先确认的面部关键区域位置；检测位置与真实位置中每个关键点所在的位置匹配的值可以用1进行表示，不匹配的位置的值可以用0进行表示。
61.可选地，可以通过特征提取模块对待识别图像进行深层的图像特征提取，其中，特征提取模块可以为用于提取特征的卷积神经网络，比如，可以为深层卷积神经网络模块，也可以为alexnet、densenet、senet等用于提取图像特征的卷积神经网络模块，此处不对特征提取模块进行具体限制。
62.可选地，可以采用深度学习网络模型中的残差网络模型(residual neural network，简称为resnet)，并在残差网络模型的基础上添加注意力(attention)模块和特征融合空洞空间卷积池化金字塔(atrous spatial pyramid pooling，简称为aspp)模块对待识别图像进行特征位置提取，从而确定待识别图像的检测位置，其中，aspp模块可以对所给定待识别的输入图像以不同采样率的空洞卷积并行采样，resnet模型本身具有较强的特征学习能力，attention模块和aspp模块通过增加权重监督以及对给定的输入特征以不同采样，多个比例捕捉图像的，从而提高人脸关键点定位精度。
63.在本发明实施例中，可以通过特征提取模块的卷积神经网络加入多种模块，比如，可以为attention和aspp模块后可以自动提取多维度的、深层次的人脸图像特征，用于后续的人脸关键点，从而达到了提高模型的可靠性的效果。
64.本发明实施例，在模型训练的过程中，通过不同类别的待识别图像对应不同的权重，得到目标损失函数，基于目标损失函数训练得到目标模型，从而充分考虑出现情况少的图像，进而实现了提高模型可靠性的技术效果，解决模型可靠性低的技术问题。
65.实施例2
66.下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
67.目前，人脸稠密关键点检测是指给定人脸图像，定位出人脸面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等，随着深度学习技术发展以及人脸数据的增多，人脸关键点的检测数量也由5个点，经由29个点、68个点、106个点逐步扩展到1000个点以上，精度也取得了很大进展。然而，由于受到脸部角度和遮挡等因素的影响，公开数据集中的样本多样性有限且与实际场景下的样本存在分布偏差，和稠密关键点标注困难等原因，对后续的人脸对齐、人脸美颜、人脸表情分析等都造成了一定的影响，从而导致人脸关键点检测仍然存在准确性低的问题。
68.针对人脸稠密关键点检测方法中，包含传统方法和基于深度学习的方法，传统方法提取图像的局部描述符、梯度直方图等边缘特征，从这些特征进行关键点坐标的估计，但这些浅层的特征提取过程限制了关键点的准确性；基于深度学习的方法利用卷积神经网络(convolutional neutral network，简称为cnn)提取深度特征，能够得到更深层的语义特征，从而更佳精确的定位关键点位置，但是，该方法受到场景、姿态、表情等多方面的影响，使得关键点定位坐标的准确性有所下降。
69.进一步讲，现有的人脸稠密关键点检测多基于面部深度信息和相对单一的损失函数进行模型的训练，该方法只是在局限的场景下能得到较好的效果，比如，对于正脸无遮挡等简单样本准确率较高，但是对于大量的场景丰富的图片泛化性能较差，难以达到理想的效果。
70.为了提高模型的可靠性，从而提升人脸关键点定位的准确率，以及在多种场景下的模型泛化能力，本发明实施例提出了一种多损失融合的人脸稠密关键点检测方法，以更加精确的定位人脸关键点，下面结合优选的实施方式对该方法进一步说明。
71.图2是根据本发明实施例的一种人脸稠密关键点检测系统的示意图，如图2所示，一种人脸稠密关键点检测系统可以包括以下：图像预分类分配模块201、数据增强模块202、特征提取模块203、多损失融合模块204四个模块。
72.在本发明实施例中，图像预分类分配模块201可以用于训练数据的分类，由于样本存在多样性，部分类别样本占比较少，比如，大角度样本、遮挡样本等困难样本，在进行模型训练时，可以将每个样本进行类别标注，在进行损失计算时可根据样本所在类别的样本数量进行权重分配，增加大角度等极端样本的类型权重，从而提高模型对大角度等极端样本定位准确性。
73.图3是根据本发明实施例的一种样本分类结果的示意图，如图3所示，可以按照图像的类型，将所有的训练样本分成正脸(class1)、侧脸(class2)、遮挡(class3)、模糊(classn)等7大类(即n＝7)。
74.在本发明实施例中，数据增强模块202可以用于对训练数据进行数据增强，在人脸图像提取深度特征之前，识别图像可以通过平面内随机翻转、三维旋转以及贴图遮挡等操作进行数据增强处理，图4是根据本发明实施例的一种数据增强结果的示意图，如图4所示，对图像进行遮挡和翻转处理，得到遮挡图像和翻转图像，在经过上述数据增强后，可以有效增加样本的多样性，有助于帮助模型学习更加鲁棒的深度图像特征。
75.在本发明实施例中，特征提取模块203可以为深层卷积神经网络模块，可以用于从人脸图像中提取深层的图像特征。
76.可选地，图5是根据本发明实施例的一种特征提取模块的示意图，如图5所示，在本发明实施例中，可以采用深度学习网络模型中的残差网络模型(residual neural network，简称为resnet)，并在残差网络模型的基础上添加注意力(attention)模块和特征融合空洞空间卷积池化金字塔(atrous spatial pyramid pooling，简称为aspp)模块，其中，aspp模块可以对所给定待识别的输入图像以不同采样率的空洞卷积并行采样，resnet模型本身具有较强的特征学习能力，attention模块和aspp模块通过增加权重监督以及对给定的输入特征以不同采样，多个比例捕捉图像的，从而提高人脸关键点定位精度。
77.可选地，特征提取模块可以为其他用于提取特征的卷积神经网络，如alexnet、densenet、senet等用于提取图像特征的卷积神经网络模块，此处不对特征提取模块进行具体限制。
78.在本发明实施例中，多损失融合模块204可以根据特征提取模块提取的图像特征进行关键点位置学习，可以根据实际情况任意选取至少之一损失函数进行损失融合得到实际损失误差，可以采用mse损失、wingloss损失、awingloss损失、heatmaploss损失和boundaryloss损失等多个损失的融合进行损失计算。
79.可选地，均方差损失可以通过将每个关键点构成的热力图(landmark heatmap)和关键点通过椭圆拟合等算法得到的关键点边界图(face boundary)计算得到均方差损失函数的结果，其中，真实的标签中每个关键点所在的位置的值可以为1，其他位置的值可以为0。
80.需要说明的是，损失计算模块可根据其在不同数据分布上的模型效果进行损失函数的组合选择，也可选择交叉熵等损失计算方式，可以根据融合的损失计算梯度并更新模型参数，从而提高模型的可靠性。
81.在本发明实施例中，提出了多损失融合的人脸稠密关键点检测方法，通过图像预分类分配模块对待识别的数据进行分类；部分类别样本如大角度、遮挡等困难样本占比较少，为提高模型训练的均衡性，在进行模型训练时，对数量较少的样本分配更大的类型权重，从而增强极端样本的关键点定位准确性；且通过数据增强模块增加样本多样性，从而提高模型的泛化性；同时，特征提取模块的卷积神经网络加入attention和aspp模块后可以自动提取多维度的、深层次的人脸图像特征，用于后续的人脸关键点；通过多损失融合模块融合多个损失的结果，相当于多个任务之间进行相互促进模型学习，相比以单一损失作为模型学习目标的方案，本发明实施例有效的提升了人脸关键点的定位精度，从而实现了提高模型可靠性的技术效果，解决模型可靠性低的技术问题。
82.实施例3
83.根据本发明实施例，还提供了一种数据处理装置。需要说明的是，该数据处理装置可以用于执行实施例1中的数据处理的方法。
84.图6是根据本发明实施例的一种数据处理的装置的示意图。如图6所示，该数据处理的装置600可以包括：获取单元601、第一确定单元602、第二确定单元603和生成单元604。
85.获取单元601，用于从图像集中获取待识别图像，其中，图像集包括用于表征人脸的图像。
86.第一确定单元602，用于确定待识别图像对应的至少一损失误差。
87.第二确定单元603，用于基于至少一损失误差和待识别图像的类型权重，确定待识别图像的目标损失误差，其中，类型权重用于表征待识别图像对原始模型中参数的影响程度，原始模型用于对人脸图像的关键区域进行检测。
88.生成单元604，用于基于目标损失误差，对原始模型的参数进行调整，得到目标模型。
89.在该实施例的数据处理的装置中，通过获取单元，从图像集中获取待识别图像，其中，图像集包括用于表征人脸的图像；通过第一确定单元，确定待识别图像对应的至少一损失误差；通过第二确定单元，基于至少一损失误差和待识别图像的类型权重，确定待识别图像的目标损失误差，其中，类型权重用于表征待识别图像对原始模型中参数的影响程度，原始模型用于对人脸图像的关键区域进行检测；通过生成单元，基于目标损失误差，对原始模型的参数进行调整，得到目标模型。也就是说，本发明实施例在模型训练的过程中，通过不同类别的待识别图像对应不同的权重，得到目标损失函数，基于目标损失函数训练得到目标模型，从而充分考虑出现情况少的图像，进而实现了提高模型可靠性的技术效果，解决模型可靠性低的技术问题。
90.实施例4
91.根据本发明实施例，还提供了一种存储介质，该存储介质包括存储的程序，其中，程序被处理器运行时控制该计算机可读存储介质所在设备执行本发明实施例1中的数据处理的方法。
92.实施例5
93.根据本发明实施例，还提供了一种处理器，该处理器用于运行程序，其中，所述程序运行时执行实施例1中所述的数据处理的方法。
94.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
95.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
96.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
97.所述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，或者也可以分布到多个单元上。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。
98.另外，在本发明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。
99.所述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，本发明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计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
100.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。