一种倾斜文本行识别方法、系统及设备与流程

1.本技术涉及文本识别方法技术领域，具体而言，涉及一种倾斜文本行识别方法、系统及设备。


背景技术：

2.随着科学技术的发展，目前大量的信息都是通过使用计算机进行记录、编辑、整理、存储和传输的。随着信息数量的增加，就需要有效的方法将信息快速准确地输入计算机中，依靠人工处理大量的文字资料很难提高效率，使用计算机自动识别文字便可以解决这一问题。文字识别技术是一项涉及学科较为广泛的综合性技术，涉及到模式识别、数字信号处理、图像处理、计算机视觉、模糊数学等学科，目前在文字识别技术领域中，文本行识别也日益重要。
3.在文本行识别过程的实现中，常常通过单个卷积神经网络进行特征提取，并结合深度学习模型进行文本行识别。深度学习广泛应用于工业视觉，其在复杂场景的表现明显优于传统图像处理算法，深度学习由数据驱动，将图像映射到高维特征空间，而后根据不同任务做不同处理。
4.然而，由于图像中形成文本的字体可能是带旋转角的斜体字，也可能是水平方向的斜体字，进而导致通过简单的文本行识别过程无法对图像中的文本信息进行有效识别，单个卷积神经网络提取的特征有限，往往无法提取文字的走向信息，导致无法准确地识别出文本行中的倾斜字体。


技术实现要素：

5.为了解决在识别文本行时无法准确地识别出文本行中倾斜字体的问题，本技术提供了一种倾斜文本行识别方法、系统及设备。
6.本技术的实施例是这样实现的：
7.本技术实施例的第一方面提供一种倾斜文本行识别方法，所述方法包括：
8.获取待识别图像，所述图像包含文本行；
9.提取所述图像的多尺度特征并解码所述多尺度特征，获取解码后的多尺度特征；并基于所述解码后的多尺度特征，获取共享特征；
10.基于所述共享特征，获得九通道特征图，并读取所述特征图中文本框的四个顶点坐标；其中，所述特征图中的第一个通道为分数图，所述分数图中的置信度高的区域对应所述图像中的文本行区域；所述特征图中剩余八个通道分别表示所述文本框顺时针四个顶点的坐标值；
11.基于所述文本框四个顶点坐标逐通道地对所述共享特征做透视变换，以得到所述特征图中文本区域特征；
12.基于文本区域特征，获得最终识别字符串，并输出所述字符串。
13.在一些实施例中，在所述提取所述图像的多尺度特征并解码所述多尺度特征，获
取解码后的多尺度特征步骤中，进一步包括：
14.提取所述图像中的第一尺度特征，第二尺度特征，第三尺度特征和第四尺度特征；其中，第一尺度，第二尺度，第三尺度，第四尺度分别表示所述尺度特征中图像尺寸占所述待识别图像尺寸的比例；
15.将所述多尺度特征中的第一尺度特征作为共享特征。
16.在一些实施例中，在所述提取所述图像的多尺度特征并解码所述多尺度特征，获取解码后的多尺度特征步骤中，进一步包括：
17.提取所述图像中的第一尺度特征，第二尺度特征，第三尺度特征和第四尺度特征；其中，第一尺度，第二尺度，第三尺度，第四尺度分别表示所述尺度特征中图像尺寸占所述待识别图像尺寸的比例；
18.基于对所述解码后的多尺度特征在通道维度的融合生成第一尺度特征图，所述第一尺度特征图为共享特征。
19.在一些实施例中，在所述基于共享特征，获得第一尺度的九通道特征图，并读取所述文本行中文本框的四个顶点坐标步骤中，进一步包括：
20.通过卷积层对所述共享特征进行处理，生成九通道的第一尺度特征图，所述特征图中剩余八个通道中，置信度高的区域表征坐标值，其中，包括多个置信度大于第一阈值的像素值的区域被表征为置信度高的区域，其余区域像素值为0。
21.在一些实施例中，在所述基于所述文本框四个顶点坐标逐通道地对所述共享特征做透视变换步骤中，进一步包括：
22.以所述文本框左上角顶点为起始点，将所述顶点顺时针排序，并依次获取四个顶点坐标；
23.对四个所述顶点坐标作透视变换，四个顶点透视变换后的坐标分别为(0，0)、(w，0)、(w，h)、(0，h)，其中，h为第一高度值，w是所述文本框宽高比在透视变化前后保持不变时，宽度缩放后的值。
24.在一些实施例中，在所述基于文本区域特征，获得最终识别字符串的步骤中，进一步包括：
25.基于文本区域特征，通过卷积神经网络、循环神经网络及全连接层生成特征序列，以输出后验概率矩阵；
26.基于后验概率矩阵，获得最终识别字符串。
27.本技术实施例的第二方面提供一种倾斜文本行识别系统，包括：
28.图像获取单元，用于获取待识别图像，所述图像包含文本行；
29.获取共享特征单元，用于提取所述图像的多尺度特征并解码所述多尺度特征，获取解码后的多尺度特征；并基于所述解码后的多尺度特征，获取共享特征；
30.获取顶点坐标单元，用于基于所述共享特征，获得九通道特征图，并读取所述特征图中文本框的四个顶点坐标；其中，所述特征图中的第一个通道为分数图，所述分数图中的置信度高的区域对应所述图像中的文本行区域；所述特征图中剩余八个通道分别表示所述文本框顺时针四个顶点的坐标值；
31.透视变换单元，用于基于所述文本框四个顶点坐标逐通道地对所述共享特征做透视变换，以得到所述特征图中文本区域特征；
32.输出后验概率矩阵单元，用于基于文本区域特征，通过卷积神经网络、循环神经网络及全连接层生成特征序列，以输出后验概率矩阵；
33.字符串输出单元：用于基于后验概率矩阵，获得最终识别字符串，并输出所述字符串。
34.在一些实施例中，在所述提取所述图像的多尺度特征并解码所述多尺度特征，获取解码后的多尺度特征步骤中，所述获取共享特征单元还用于：
35.提取所述图像中的第一尺度特征，第二尺度特征，第三尺度特征和第四尺度特征；其中，第一尺度，第二尺度，第三尺度，第四尺度分别表示所述尺度特征中图像尺寸占所述待识别图像尺寸的比例；
36.将所述多尺度特征中的第一尺度特征作为共享特征。
37.在一些实施例中，在所述基于共享特征，获得第一尺度的九通道特征图，并读取所述文本行中文本框的四个顶点坐标步骤中，所述获取顶点坐标单元还用于：
38.通过卷积层对所述共享特征进行处理，生成九通道的第一尺度特征图，所述特征图中剩余八个通道中，置信度高的区域表征坐标值，其中，包括多个置信度大于第一阈值的像素值的区域被表征为置信度高的区域，其余区域像素值为0。
39.本技术实施例的第三方面提供一种倾斜文本行识别设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
40.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述第一方面中任一所述的倾斜文本行识别方法的操作。
41.本技术的有益效果：通过获取共享特征，并基于所述共享特征，获得九通道特征图，能够快速得到文本框顺时针四个顶点的坐标值，能适应各种形状的文本行，有助于精确识别倾斜文本行；进一步通过透视变换，能够高效得到文本区域特征，进而有助于精确识别文本行；进一步通过基于文本区域特征获得最终识别字符串的过程高效便捷，能够准确输出字符串。
附图说明
42.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
43.图1为根据本技术一个或多个实施例的倾斜文本行识别方法的流程示意图；
44.图2为根据本技术一个或多个实施例的倾斜文本行识别系统工作前后的文本内容示意图；
45.图3为根据本技术一个或多个实施例的倾斜文本行识别系统的结构示意图；
46.图4为根据本技术一个或多个实施例的倾斜文本行识别设备的结构示意图。
具体实施方式
47.为使本技术的目的、实施方式和优点更加清楚，下面将结合本技术示例性实施例
中的附图，对本技术示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本技术一部分实施例，而不是全部的实施例。
48.需要说明的是，本技术中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本技术的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
49.本技术中说明书和权利要求书及上述附图中的术语
″
第一
″
、
″
第二
″
、
″
第三
″
等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
50.术语
″
包括
″
和
″
具有
″
以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
51.图1为一种倾斜文本行识别方法的流程示意图。
52.如图1所示，倾斜文本行识别方法包括以下步骤：
53.步骤100中，获取待识别图像，图像包含文本行。
54.步骤200中，提取图像的多尺度特征并解码多尺度特征，获取解码后的多尺度特征；并基于解码后的多尺度特征，获取共享特征。
55.其中，通过主流骨干网络提取图像中的第一尺度特征，第二尺度特征，第三尺度特征和第四尺度特征，第一尺度，第二尺度，第三尺度，第四尺度分别表示尺度特征中图像尺寸占待识别图像尺寸的比例。
56.在一些实施例中，第一尺度为1/4，第二尺度为1/8，第三尺度为1/16，第四尺度为1/32，然后逐层解码特征，得到解码后的[1/4，1/8，1/16，1/32]多尺度特征。此时，在一些实施例中，直接将1/4尺度特征作为共享特征，有助于在保证模型具有较好的表达能力的基础上，简化整个处理过程。在另一些实施例中，解码出的[1/4，1/8，1/16，1/32]多尺度特征通过在通道维度进一步融合生成[1/4]尺度特征图，得到共享特征。此时，1/8，1/16，1/32各自上采样到1/4，再与1/4拼接，融合后共享特征更加完善。
[0057]
综上，通过主流骨干与多尺度特征融合提取图像高维特征，更能使最终文本行识别结果精确。
[0058]
步骤300中，基于共享特征，获得九通道特征图，并读取特征图中文本框的四个顶点坐标；其中，特征图中的第一个通道为分数图，分数图中的置信度高的区域对应图像中的文本行区域；特征图中剩余八个通道分别表示文本框顺时针四个顶点的坐标值。
[0059]
需要说明的是，由于文本行的文本框的形状可为矩形、梯形或者平行四边形，因此，基于共享特征，通过卷积层将图像生成九通道[1/4]尺度特征图并得到文本框四个顶点坐标，该[1/4]尺度特征图中，第一个通道为分数图，置信度高的区域表征文本行区域，且一般将置信度值大于0.5时认定为置信度高。余下八个通道则分别表示文本框顺时针四个顶点横纵坐标值，该九个通道仅在分数图置信度高的区域表征坐标值，其余区域像素值为0。通过检测框回归的方式在共享特征基础上进行密集预测，得到文本框四个顶点坐标的过程简单高效。
[0060]
步骤400中，基于文本框四个顶点坐标逐通道地对共享特征做透视变换，以得到文本区域特征。其中，透视变换具体包括如下步骤：
[0061]
以文本框左上角顶点为起始点，将顶点顺时针排序，并依次获取四个顶点坐标；
[0062]
对四个顶点坐标作透视变换，四个顶点透视变换后的坐标分别为(0，0)、(w，0)、(w，h)、(0，h)，其中，h为第一高度值，w是文本框宽高比在透视变化前后保持不变时，宽度缩放后的值。
[0063]
需要说明的是，采样按照文本框四个顶点坐标做透视变换裁剪特征，而后裁剪出的特征作为文本区域特征时，文本区域特征高度可固定为8，即第一高度值为8，将文本框的宽度等比例缩放，有助于后续在裁剪共享特征的基础上进行序列建模，精确得到最终文本行识别结果。
[0064]
可以理解的是，在深度学习训练阶段，需要对文本进行标注，此时标注作为参考真值，以约束深度学习优化方向，因此为了便于后续的精确识别，要标注出倾斜文本行的最小面积四边形，此时，即可令深度学习模型输出也为倾斜文本行的最小面积四边形，从而保证此处透视变换可以将其对应的共享特征校正为正体字文本特征。
[0065]
步骤500中，基于文本区域特征，获得最终识别字符串，并输出字符串，具体包括以下步骤：
[0066]
步骤510中，基于文本区域特征，通过卷积神经网络、循环神经网络及全连接层生成特征序列，以输出后验概率矩阵；
[0067]
需要说明的是，通过卷积层仅在高度维度再做三次下采样，生成宽高尺度分别为[1/4，1/32]的特征向量，此时，特征向量高度为1。然后，经由长短时记忆、全连接分类输出后验概率矩阵。后验概率矩阵记录不同时序不同字符出现的概率，是神经网络识别模型识别文本过程中产生的辅助信息。后验概率行数表示可识别字符集的总数(另有一个占位符)，列数则表示裁剪文本图像下采样后的宽度。
[0068]
步骤520中，基于后验概率矩阵，在后验概率矩阵执行贪婪搜索、去重操作获得最终识别字符串。
[0069]
可以理解的是，由于后验概率矩阵中的每一列是一个one-hot向量，故通过贪婪搜索选取每一列最大值对应的字符，之后经过去重操作，将识别过程中的重复字符集站位符去掉，以得到准确的字符串。例如，在识别过程中，
″
state
″
可能被识别成
″‑
s-t-aatte
″
，去重操作则可把重复的字符及
″‑″
去掉，得到最终识别字符串。
[0070]
需要说明的是，如图2所示，当待识别图像中的文本行为方框内的倾斜文本行时，经过上述倾斜文本行识别步骤处理后，输出的图像中文本行为方框上方的字符串，且经过上述倾斜文本行识别步骤后，在输出字符串的同时，还会输出文本框顺时针四个顶点的坐标值，以供后期使用。
[0071]
综上，通过共享特征层，在特征域桥接文本检测、文本识别两个任务，加速深度学习字符识别执行效率；其次，检测框回归直接得到文本框四个顶点坐标，而后透视变换则根据顶点坐标校正倾斜文本行，较其余预测左上顶点、宽高、旋转角度的方法对倾斜文本行识别方法的适应性更好，且方法应用面较广。
[0072]
第二方面，本技术还公开了一种倾斜文本行识别系统，如图3所示，倾斜文本行识别系统包括：
[0073]
图像获取单元，用于获取待识别图像，图像包含文本行；
[0074]
获取共享特征单元，用于提取图像的多尺度特征并解码多尺度特征，获取解码后
的多尺度特征；并基于解码后的多尺度特征，获取共享特征；
[0075]
获取顶点坐标单元，用于基于共享特征，获得九通道特征图，并读取特征图中文本框的四个顶点坐标；其中，特征图中的第一个通道为分数图，分数图中的置信度高的区域对应图像中的文本行区域；特征图中剩余八个通道分别表示文本框顺时针四个顶点的坐标值；
[0076]
透视变换单元，用于基于文本框四个顶点坐标逐通道地对共享特征做透视变换，以得到特征图中文本区域特征；
[0077]
输出后验概率矩阵单元，用于基于文本区域特征，通过卷积神经网络、循环神经网络及全连接层生成特征序列，以输出后验概率矩阵；
[0078]
字符串输出单元：用于基于后验概率矩阵，获得最终识别字符串，并输出字符串。
[0079]
在一些实施例中，在提取图像的多尺度特征并解码多尺度特征，获取解码后的多尺度特征步骤中，获取共享特征单元还用于：
[0080]
提取图像中的第一尺度特征，第二尺度特征，第三尺度特征和第四尺度特征；其中，第一尺度，第二尺度，第三尺度，第四尺度分别表示尺度特征中图像尺寸占待识别图像尺寸的比例；将多尺度特征中的第一尺度特征作为共享特征。在另一些实施例中，基于对解码后的多尺度特征在通道维度的融合生成第一尺度特征图，第一尺度特征图为共享特征。
[0081]
在一些实施例中，在基于共享特征，获得第一尺度的九通道特征图，并读取文本行中文本框的四个顶点坐标步骤中，获取顶点坐标单元还用于：
[0082]
通过卷积层对共享特征进行处理，生成九通道的第一尺度特征图，特征图中剩余八个通道中，置信度高的区域表征坐标值，其中，包括多个置信度大于第一阈值的像素值的区域被表征为置信度高的区域，其余区域像素值为0。
[0083]
在一些实施例中，在基于文本框四个顶点坐标逐通道地对共享特征做透视变换步骤中，透视变换单元还用于：
[0084]
以文本框左上角顶点为起始点，将顶点顺时针排序，并依次获取四个顶点坐标；
[0085]
对四个顶点坐标作透视变换，四个顶点透视变换后的坐标分别为(0，0)、(w，0)、(w，h)、(0，h)，其中，h为第一高度值，w是文本框宽高比在透视变化前后保持不变时，宽度缩放后的值。
[0086]
第三方面，本技术还公开了一种倾斜文本行识别设备，如图4所示，包括处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
[0087]
存储器用于存放至少一可执行指令，可执行指令使处理器执行如下的倾斜文本行识别方法的操作。
[0088]
获取待识别图像，图像包含文本行；
[0089]
提取图像的多尺度特征并解码多尺度特征，获取解码后的多尺度特征；并基于解码后的多尺度特征，获取共享特征；
[0090]
基于共享特征，获得九通道特征图，并读取特征图中文本框的四个顶点坐标；其中，特征图中的第一个通道为分数图，分数图中的置信度高的区域对应图像中的文本行区域；特征图中剩余八个通道分别表示文本框顺时针四个顶点的坐标值；
[0091]
基于文本框四个顶点坐标逐通道地对共享特征做透视变换，以得到特征图中文本区域特征；
[0092]
基于文本区域特征，获得最终识别字符串，并输出字符串。
[0093]
在一些实施例中，在提取图像的多尺度特征并解码多尺度特征，获取解码后的多尺度特征步骤中，提取图像中的第一尺度特征，第二尺度特征，第三尺度特征和第四尺度特征；其中，第一尺度，第二尺度，第三尺度，第四尺度分别表示尺度特征中图像尺寸占待识别图像尺寸的比例；将多尺度特征中的第一尺度特征作为共享特征。
[0094]
在一些实施例中，在提取图像的多尺度特征并解码多尺度特征，获取解码后的多尺度特征步骤中，提取图像中的第一尺度特征，第二尺度特征，第三尺度特征和第四尺度特征；其中，第一尺度，第二尺度，第三尺度，第四尺度分别表示尺度特征中图像尺寸占待识别图像尺寸的比例；基于对解码后的多尺度特征在通道维度的融合生成第一尺度特征图，第一尺度特征图为共享特征。
[0095]
在一些实施例中，在基于共享特征，获得第一尺度的九通道特征图，并读取文本行中文本框的四个顶点坐标步骤中，通过卷积层对共享特征进行处理，生成九通道的第一尺度特征图，特征图中剩余八个通道中，置信度高的区域表征坐标值，其中，包括多个置信度大于第一阈值的像素值的区域被表征为置信度高的区域，其余区域像素值为0。
[0096]
在一些实施例中，在基于文本框四个顶点坐标逐通道地对共享特征做透视变换步骤中，以文本框左上角顶点为起始点，将顶点顺时针排序，并依次获取四个顶点坐标；对四个顶点坐标作透视变换，四个顶点透视变换后的坐标分别为(0，0)、(w，0)、(w，h)、(0，h)，其中，h为第一高度值，w是文本框宽高比在透视变化前后保持不变时，宽度缩放后的值。
[0097]
在一些实施例中，在基于文本区域特征，获得最终识别字符串的步骤中，基于文本区域特征，通过卷积神经网络、循环神经网络及全连接层生成特征序列，以输出后验概率矩阵；基于后验概率矩阵，获得最终识别字符串。
[0098]
综上，整个倾斜文本行识别设备中各模块紧密配合，能够达到高效且精准识别倾斜文本行的效果。
[0099]
第四方面，本技术还公开一种计算机可读存储介质，一种计算机可读存储介质，存储介质中存储有至少一可执行指令，当其在计算机上运行时，使得倾斜文本行识别设备执行以下倾斜文本行识别方法的操作：
[0100]
获取待识别图像，图像包含文本行；
[0101]
提取图像的多尺度特征并解码多尺度特征，获取解码后的多尺度特征；并基于解码后的多尺度特征，获取共享特征；
[0102]
基于共享特征，获得九通道特征图，并读取特征图中文本框的四个顶点坐标；其中，特征图中的第一个通道为分数图，分数图中的置信度高的区域对应图像中的文本行区域；特征图中剩余八个通道分别表示文本框顺时针四个顶点的坐标值；
[0103]
基于文本框四个顶点坐标逐通道地对共享特征做透视变换，以得到特征图中文本区域特征；
[0104]
基于文本区域特征，获得最终识别字符串，并输出字符串。
[0105]
在一些实施例中，在提取图像的多尺度特征并解码多尺度特征，获取解码后的多尺度特征步骤中，提取图像中的第一尺度特征，第二尺度特征，第三尺度特征和第四尺度特征；其中，第一尺度，第二尺度，第三尺度，第四尺度分别表示尺度特征中图像尺寸占待识别图像尺寸的比例；将多尺度特征中的第一尺度特征作为共享特征。
[0106]
在一些实施例中，在提取图像的多尺度特征并解码多尺度特征，获取解码后的多尺度特征步骤中，提取图像中的第一尺度特征，第二尺度特征，第三尺度特征和第四尺度特征；其中，第一尺度，第二尺度，第三尺度，第四尺度分别表示尺度特征中图像尺寸占待识别图像尺寸的比例；基于对解码后的多尺度特征在通道维度的融合生成第一尺度特征图，第一尺度特征图为共享特征。
[0107]
在一些实施例中，在基于共享特征，获得第一尺度的九通道特征图，并读取文本行中文本框的四个顶点坐标步骤中，通过卷积层对共享特征进行处理，生成九通道的第一尺度特征图，特征图中剩余八个通道中，置信度高的区域表征坐标值，其中，包括多个置信度大于第一阈值的像素值的区域被表征为置信度高的区域，其余区域像素值为0。
[0108]
在一些实施例中，在基于文本框四个顶点坐标逐通道地对共享特征做透视变换步骤中，
[0109]
以文本框左上角顶点为起始点，将顶点顺时针排序，并依次获取四个顶点坐标；对四个顶点坐标作透视变换，四个顶点透视变换后的坐标分别为(0，0)、(w，0)、(w，h)、(0，h)，其中，h为第一高度值，w是文本框宽高比在透视变化前后保持不变时，宽度缩放后的值。
[0110]
在一些实施例中，在基于文本区域特征，获得最终识别字符串的步骤中，基于文本区域特征，通过卷积神经网络、循环神经网络及全连接层生成特征序列，以输出后验概率矩阵；基于后验概率矩阵，获得最终识别字符串。
[0111]
本部分实施例的有益效果在于，通过主流骨干与多尺度特征融合提取图像高维特征，继而通过检测框回归在共享特征基础上进行密集预测，得到文本框四个顶点坐标，并按照文本框四个顶点坐标做透视变换裁剪特征，而后在裁剪出的特征的基础上进行序列建模，得到最终文本行识别结果，使得对于倾斜文本行，无论是水平方向的斜体字，还是带旋转角的斜体字，均能精确识别，且整个倾斜文本行识别方法应用面较广。
[0112]
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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0113]
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。
[0114]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。