基于服饰多属性识别的时尚趋势预测方法、系统以及设备

摘要

本发明提供了一种基于服饰多属性识别的时尚趋势预测方法，包括以下步骤：设置用于识别和预测的服饰时尚属性元数据集；按日采集多个电商网站售卖的服饰对应图片数据；标注服饰图片属性并按属性比例执行重采样；执行图像预处理；执行服饰多属性分类神经网络AttrNet模型训练；判断服饰多属性分类神经网络AttrNet模型的准确率是否大于阈值；基于训练后的服饰多属性分类神经网络AttrNet模型，识别每日各电商平台售卖服饰对应图像执行服饰属性识别，生成对应的各电商平台服饰属性变化序列；执行双层LSTM属性趋势预测模型的训练；判断双层LSTM属性趋势预测模型的曲线拟合程度的平均困惑度是否小于阈值；以及双层LSTM属性趋势预测模型输出后续时尚趋势属性关键词。

说明书

技术领域

本发明涉及计算机领域，尤其涉及一种基于服饰多属性识别的时尚趋势预测方法、系统以及设备。

背景技术

当前服装行业的时尚趋势预测主要由一些国际知名公司，如WGSN等通过雇佣大量员工在世界各地收集时尚相关的视觉信息，包括街拍、博客、时装秀等，之后由专业的时尚从业人员再对这些信息进行手工的编辑和分类来完成相应的标注工作，设计师们依据这些标注好的大量时尚信息进行抽象形成自己的时尚趋势判断，最后完成相应的服装成衣设计。在这一过程中，需要大量专业从业者花费较长时间来完成，而且随着当下时尚趋势的变化越来越快，这一依靠人工完成时尚趋势预测的整体成本以及从业人员的工作强调还在不断上升。

发明内容

本发明的目的之一在于提供一种基于服饰多属性识别的时尚趋势预测方法、系统以及设备，使用了自动化的服饰图像收集以及属性标注方案，在实时获取当下消费者服饰穿搭数据的同时大幅减少了人工投入。

本发明的目的之一在于提供一种基于服饰多属性识别的时尚趋势预测方法、系统以及设备，构建了专用的服饰多属性分类神经网络AttrNet，在无需人工的情况下该网络模型即可快速识别图像中服饰所含时尚属性。

本发明的目的之一在于提供一种基于服饰多属性识别的时尚趋势预测方法、系统以及设备，通过双层LSTM模型来对时尚属性趋势的后续变化进行预测，该消费者端挖掘出相应时尚趋势变化，提供了低成本的时尚趋势预测能力。

为了实现上述至少一个发明目的，本发明提供了一种基于服饰多属性识别的时尚趋势预测方法，所述基于服饰多属性识别的时尚趋势预测方法包括以下步骤：

设置用于识别和预测的服饰时尚属性元数据集；

按日采集多个电商网站售卖的服饰对应图片数据；

标注服饰图片属性并按属性比例执行重采样；

执行图像预处理；

执行服饰多属性分类神经网络AttrNet模型训练；

判断服饰多属性分类神经网络AttrNet模型的准确率是否大于阈值，当该准确率不大于阈值时，重复执行服饰多属性分类神经网络AttrNet模型训练，直至该准确率大于阈值；

基于训练后的服饰多属性分类神经网络AttrNet模型，识别每日各电商平台售卖服饰对应图像执行服饰属性识别，生成对应的各电商平台服饰属性变化序列；

执行双层LSTM属性趋势预测模型的训练；

判断双层LSTM属性趋势预测模型的曲线拟合程度的平均困惑度是否小于阈值，当该拟合曲线困惑度不小于阈值时，重复执行标注服饰图片属性并按属性比例执行重采样，直至该拟合曲线困惑度被判断为小于阈值；

以及

双层LSTM属性趋势预测模型输出后续时尚趋势属性关键词。

在一些实施例中，其中服饰时尚属性元数据集中包括多个类别，各类别下包括不同属性，其中对于任一服饰，在一个类别下设置的属性数量不多于一个，不同类别之间属性各自独立。

在一些实施例中，其中所述基于服饰多属性识别的时尚趋势预测方法还包括以下步骤：获取爬虫系统按日收集的多个电商网站售卖的服饰对应图片数据，执行重采样，对每个属性提取出图像，再为这些图像标注服装位置的矩形框，构建服饰属性数据集。

在一些实施例中，其中所述执行图像预处理步骤还包括以下步骤：对服饰属性数据集中的图像执行图像增广以及去均值。

在一些实施例中，其中所述执行服饰多属性分类神经网络AttrNet模型训练步骤还包括以下步骤：随机初始化服饰多属性分类神经网络AttrNet的权重参数，获取重采样后的服饰属性数据集，作为训练集训练初始化服饰多属性分类神经网络AttrNet，执行迭代，获取相应的服饰多属性分类神经网络AttrNet模型。

在一些实施例中，其中所述基于服饰多属性识别的时尚趋势预测方法还包括以下步骤：基于各电商平台服饰属性变化序列，执行迭代后获取对应的双层LSTM属性趋势预测模型。

在一些实施例中，其中所述基于服饰多属性识别的时尚趋势预测方法还包括以下步骤：获取原始图片，通过所述图像预处理步骤后执行图像特征提取，生成特征图；确定服装所在位置后生成不同大小的预测框，各个预测框被映射至特征图，并执行最大值池化转化为相同大小的特征图，最后在该特征图上通过连接全连接层的方式转换为2048维向量，之后连接各类别分类器，从而实现在多个类别上的服饰属性预测。

在一些实施例中，其中双层LSTM属性趋势预测模型中，设置X为输入的服饰属性变化序列，H为双层LSTM属性趋势预测模型中的隐藏层单元，O为输出，其中对于每个时间步的输入X

其中，Cell为LSTM单元的计算函数，第一个隐藏层状态变量

根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时执行所述的基于服饰多属性识别的时尚趋势预测方法的步骤。

根据本发明的另一方面，还提供了一种基于服饰多属性识别的时尚趋势预测设备，所述基于服饰多属性识别的时尚趋势预测设备包括：软件应用程序、用于存储软件应用程序的存储器，以及处理器，用于执行所述软件应用程序，其中所述软件应用程序的各程序相对应地执行所述的基于服饰多属性识别的时尚趋势预测方法中的步骤。

根据本发明的另一方面，还提供了一种基于服饰多属性识别的时尚趋势预测系统，所述基于服饰多属性识别的时尚趋势预测系统包括服饰属性元数据集子系统、服饰多属性分类神经网络AttrNet模型训练子系统、属性变化序列子系统、双层LSTM属性趋势预测模型训练子系统以及时尚趋势属性预测输出子系统，

其中所述服饰属性元数据集子系统被配置为：获取爬虫系统存储的按日采集的电商网站售卖的服饰图像及对应的描述信息，标注服饰图片属性并按属性比例执行重采样，构建服饰属性元数据集；其中所述服饰多属性分类神经网络AttrNet模型训练子系统被配置为：基于所述服饰属性元数据集子系统构建的服饰属性元数据集，执行服饰多属性分类神经网络AttrNet模型训练；其中所述属性变化序列子系统被配置为：基于训练完成的服饰多属性分类神经网络AttrNet模型，识别每日各电商平台售卖服饰对应图像执行服饰属性识别，生成对应的各电商平台服饰属性变化序列；其中所述双层LSTM属性趋势预测模型被配置为：获取生成的服饰属性变化序列，执行双层LSTM属性趋势预测模型的训练；其中所述时尚趋势属性预测输出子系统被配置为：基于训练后的双层LSTM属性趋势预测模型，对各电商网站上的后续时尚趋势属性关键词执行预测，输出预测结果。

在一些实施例中，其中所述服饰多属性分类神经网络AttrNet模型训练子系统还被配置为：判断服饰多属性分类神经网络AttrNet模型的准确率是否大于阈值，当该准确率不大于阈值时，重复执行服饰多属性分类神经网络AttrNet模型训练，直至该准确率大于阈值。

在一些实施例中，其中所述双层LSTM属性趋势预测模型还被配置为：判断双层LSTM属性趋势预测模型的拟合曲线困惑度是否小于阈值，当该拟合曲线困惑度不小于阈值时，重复执行标注服饰图片属性并按属性比例执行重采样，直至该拟合曲线困惑度被判断为小于阈值。

在一些实施例中，其中对服饰属性数据集中的图像执行图像增广以及去均值。

在一些实施例中，其中获取原始图片，对图像预处理后提取图像特征，生成特征图；确定服装所在位置后生成不同大小的预测框，各个预测框被映射至特征图，并执行最大值池化转化为相同大小的特征图，最后在该特征图上通过连接全连接层的方式转换为2048维向量，之后连接各类别分类器，从而实现在多个类别上的服饰属性预测。

在一些实施例中，其中双层LSTM属性趋势预测模型中，设置X为输入的服饰属性变化序列，H为双层LSTM属性趋势预测模型中的隐藏层单元，O为输出，其中对于每个时间步的输入X

其中，Cell为LSTM单元的计算函数，第一个隐藏层状态变量

根据本发明的另一方面，还提供了一种基于服饰多属性识别的时尚趋势预测设备，所述基于服饰多属性识别的时尚趋势预测设备包括爬虫模块、服饰多属性识别的AttrNet模块以及双层LSTM模型时尚趋势属性关键词预测模块，其中，所述爬虫模块执行数据采集，每日爬取不同电商网站上售卖的服饰图像并存储，之后从该服饰的描述信息中自动提取相应属性词，并通过重采样生成相应的服饰属性数据集；其中所述服饰多属性识别模块获取生成的服饰属性数据集，进行服饰多属性分类神经网络AttrNet模型的训练，并且基于训练后的服饰多属性分类神经网络AttrNet模型对各电商网站上的服饰图像执行属性识别，生成各电商网站的属性时间序列，所述双层LSTM模型时尚趋势属性关键词预测模块获取生成的属性时间序列，构建并训练双层LSTM属性趋势预测模型；基于训练后的双层LSTM属性趋势预测模型，所述双层LSTM模型时尚趋势属性关键词预测模块输出后续时尚趋势属性关键词预测结果。

附图说明

图1是根据本发明的一个实施例的一种基于服饰多属性识别的时尚趋势预测方法的同步控制软件流程图。

图2是根据本发明的一个实施例的一种基于服饰多属性识别的时尚趋势预测系统的结构示意图。

图3是根据本发明的上述实施例的所述基于服饰多属性识别的时尚趋势预测系统的AttrNet网络结构图。

图4是根据本发明的上述实施例的所述基于服饰多属性识别的时尚趋势预测系统使用的双层LSTM网络结构图。

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

本发明为涉及计算机程序的发明。如图1所示为基于本发明的一种基于服饰多属性识别的时尚趋势预测方法的流程图，阐述了为解决本发明提出的问题，以计算机程序处理流程为基础，通过计算机执行按上述流程编制的计算机程序，对计算机外部对象或者内部对象进行控制或处理的解决方案。通过本发明的所述基于服饰多属性识别的时尚趋势预测方法，能够利用计算机系统，综合人工经验和机器学习结果，提高分析效率、准确率以及普适性，可以理解的是，本发明所称“计算机”不仅仅指台式电脑、笔记本电脑、平板等设备，还包括其他能够按照程序运行，处理数据的智能电子设备。

具体地，如图1所示，所述基于服饰多属性识别的时尚趋势预测方法包括以下步骤：

S100：设置服饰属性元数据集；

S200：按日采集多个电商网站售卖的服饰对应图片数据；

S300：标注服饰图片属性并按属性比例执行重采样；

S400：执行图像预处理；

S500：执行服饰多属性分类神经网络AttrNet模型训练；

S600：判断服饰多属性分类神经网络AttrNet模型的准确率是否大于阈值，当该准确率不大于阈值时，重复执行服饰多属性分类神经网络AttrNet模型训练，直至该准确率大于阈值；

S700：识别各电商平台近期服饰图片，生成属性变化序列；

S800：执行双层LSTM属性趋势预测模型的训练；

S900：判断双层LSTM属性趋势预测模型的拟合曲线困惑度是否小于阈值，当该拟合曲线困惑度不小于阈值时，重复执行标注服饰图片属性并按属性比例执行重采样，直至该拟合曲线困惑度被判断为小于阈值；

S1000：双层LSTM属性趋势预测模型输出后续时尚趋势属性关键词。

具体地，在所述步骤S100中，设置用于识别和预测的时尚属性元数据集M，元数据集M中共包含A个类别(A>0)，每个类别A

具体地，在所述步骤S200中，利用爬虫系统按日收集多个电商网站售卖的服饰对应图片。

具体地，在所述步骤S300中，在收集的图片中，通过重采样的方式对每个属性M

具体地，在所述步骤S400中，对服饰属性数据集中的图像进行预处理，包括图像增广(例如随机翻转与随机裁剪等)和去均值等操作。

具体地，在所述步骤S500中，随机初始化服饰多属性分类神经网络AttrNet的权重参数，将服饰数据集D中80％的数据作为训练集训练该网络，通过迭代N

具体地，在所述步骤S600中，如果服饰多属性分类神经网络AttrNet模型在测试集上准确率大于预设置的准确率阈值，则获得训练好的模型，执行步骤S700，否则重新执行步骤S500。

具体地，在所述步骤S700中，利用训练好的服饰多属性分类神经网络AttrNet模型对收集的每日各电商网站售卖服饰对应图像进行服饰属性识别，生成相应的各网站服饰属性变化序列。

具体地，在所述步骤S800中，利用各网站的属性变化序列训练双层LSTM网络，迭代N

具体地，在所述步骤S900中，如果双层LSTM属性趋势预测模型在测试集上，其曲线拟合程度的平均困惑度(实际序列曲线与预测序列曲线均方差的指数)低于预设置的要求值时，获得训练好的模型，执行步骤S1000，否制说明本次收集构造数据集存在问题，返回重新执行步骤S300。

具体地，在所述步骤S1000中，利用双层LSTM属性趋势预测模型对各电商网站上消费者的后续时尚趋势属性关键词进行预测，输出预测结果，例如反馈给设计师。

本发明的所述基于服饰多属性识别的时尚趋势预测方法使用了自动化的服饰图像收集以及属性标注方案，在实时获取当下消费者服饰穿搭数据的同时大幅减少了人工投入；构建了专用的服饰多属性分类神经网络AttrNet，在无需人工的情况下该网络模型即可快速识别图像中服饰所含时尚属性；通过双层LSTM模型来对时尚属性趋势的后续变化进行预测，该消费者端挖掘出相应时尚趋势变化，提供了低成本的时尚趋势预测能力。

在本发明的优选实施例中，本发明的所述基于服饰多属性识别的时尚趋势预测方法能够进行时尚趋势预测。更具体地，在具体的实施例中，电商网站以Forever-21与蘑菇街为例，通过爬虫系统Forever-21与蘑菇街两个网站的采集电商网站数据并进行相应趋势预测。可以理解的是，Forever-21电商网站与蘑菇街电商网站在这里仅仅作为举例阐释本发明的所述基于服饰多属性识别的时尚趋势预测方法能够进行时尚趋势预测。本发明的所述基于服饰多属性识别的时尚趋势预测方法具体方法步骤如下：

在所述步骤S100中，首先设置属性元数据集M，其中共包括六大类(A)，30个属性，分别为服装图案类(例如floral,striped,plaid,leopard,camo,graphic)，领口设计类(例如crew neck,square neck,v-neck)，裙摆设计类(例如maxi dress,midi dress,minidress)，服装材质类(例如denim,knit,faux leather,cotton,chiffon,satin)，服装样式类(例如mesh,ruched,cutout,lace,frayed,wrap)，服装风格类(例如tropical,peasant,swim,bikini,active,cargo)；

在所述步骤S200中，通过爬虫系统收集了Forever-21电商网站及蘑菇街电商网站共120天的服装售卖对应的图像与描述信息数据；

在所述步骤S300中，对这120天采集的图像数据进行重采样，为每个属性采样出4800(k)张图片，最终构造出包含89274张服饰图像及属性标签的数据集，并利用服饰检测网络标注出各服饰的bounding box框，完成数据集的构建；其中，如果一张服饰图像包含多个属性，则这多个属性对应图像数均+1。

在所述步骤S400中，对服装图像执行预处理，包括执行图像增广以及去均值；

在所述步骤S500中，在数据集中随机抽取80％的图像(即71419张服饰图像及其标签)作为训练集，输入服饰多属性分类神经网络AttrNet模型中，初始化网络权重参数后执行服饰多属性分类神经网络AttrNet模型训练，迭代30(N

在所述步骤S600中，对于迭代30(N

在所述步骤S700中，利用训练好的服饰多属性分类神经网络AttrNet模型对Forever-21及蘑菇街的全部120天图像数据执行属性识别，生成120天30个属性词的每日词频，将每日词频减去前五日词频的平均后构成115个属性变化序列；

在所述步骤S800中，将115个属性变化序列中前90个作为训练集输入双层LSTM网络，迭代1500(N

在所述步骤S900中，对于完成训练的双层LSTM属性趋势预测模型，将后续25个序列作为测试集输入至双层LSTM属性趋势预测模型中进行趋势预测判断，若模型预测的属性趋势值与真实值之间计算得到的平均困惑度小于1.1，则认为整个系统运行正确，执行所述步骤S1000，否则说明数据构造存在问题，返回执行所述步骤S300；

在所述步骤S1000中，将全部115个属性趋势序列输入至训练好的双层LSTM属性趋势预测模型，输出后续60天的属性趋势变化值，给出其中的top3属性值作为各电商网站后续的趋势属性关键词，在本发明的这个优选实施例中，Forever-21网站后续属性关键词为frayed，crew neck以及denim，而蘑菇街的后续属性关键词为frayed，crew neck以及satin。

本领域的技术人员能够理解的是，可以以方法、系统或计算机程序产品的形式提供本发明的实施例。因此，本发明可采取全硬件实施例、全软件实施例，或者组合软件和硬件的实施例的形式。

本发明可以嵌入在计算机程序产品中，它包括使此处描述的方法得以实施的所有特征。所述计算机程序产品被包含在一个或多个计算机可读存储介质中，所述计算机可读存储介质具有包含于其中的计算机可读程序代码。根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时能够执行本发明的所述基于服饰多属性识别的时尚趋势预测方法的步骤。计算机存储介质是计算机存储器中用于存储某种不连续物理量的媒体。计算机存储介质包括但不限于半导体、磁盘存储器、磁芯、磁鼓、磁带、激光盘等。本领域的技术人员可以理解的是，计算机存储介质并不局限于前述举例，前述例子仅仅作为举例而并不限于本发明。

根据本发明的另一方面，还提供了一种基于服饰多属性识别的时尚趋势预测设备，所述服饰多属性识别的时尚趋势预测设备包括：软件应用程序、用于存储软件应用程序的存储器，以及处理器，用于执行该软件应用程序。所述软件应用程序的各程序能够相对应地执行本发明的所述基于服饰多属性识别的时尚趋势预测方法中的步骤。

硬件和软件的典型的结合可以是带有计算机程序的通用计算机系统，当程序被加载并被执行时，控制计算机系统，从而可以执行本发明揭露的方法。

本领域的技术人员可以理解的是，本发明的方法可以通过硬件、软件，或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按方法运行。

如图2至图4所示，与本发明的所述基于服饰多属性识别的时尚趋势预测方法的实施例相对应地，根据本发明的另一方面，还提供了一种基于服饰多属性识别的时尚趋势预测系统，所述基于服饰多属性识别的时尚趋势预测系统为本发明的所述基于服饰多属性识别的时尚趋势预测方法在计算机程序改进上的应用。

具体地，所述基于服饰多属性识别的时尚趋势预测系统包括服饰属性元数据集子系统、服饰多属性分类神经网络AttrNet模型训练子系统、属性变化序列子系统、双层LSTM属性趋势预测模型训练子系统以及时尚趋势属性预测输出子系统。

所述服饰属性元数据集子系统被配置为：获取爬虫系统存储的按日采集的电商网站的服饰图像及相应描述信息，执行重采样，构建服饰属性元数据集。

所述服饰多属性分类神经网络AttrNet模型训练子系统被配置为：基于所述服饰属性元数据集子系统构建的服饰属性元数据集，执行服饰多属性分类神经网络AttrNet模型训练。所述服饰多属性分类神经网络AttrNet模型训练子系统还被配置为：判断服饰多属性分类神经网络AttrNet模型的准确率是否大于阈值，当该准确率不大于阈值时，重复执行服饰多属性分类神经网络AttrNet模型训练，直至该准确率大于阈值。

所述属性变化序列子系统被配置为：基于训练完成的服饰多属性分类神经网络AttrNet模型，识别各电商平台近期服饰图片，生成属性变化序列。

所述双层LSTM属性趋势预测模型被配置为：获取生成的属性变化序列，执行双层LSTM属性趋势预测模型的训练。所述双层LSTM属性趋势预测模型还被配置为：判断双层LSTM属性趋势预测模型的拟合曲线困惑度是否小于阈值，当该拟合曲线困惑度不小于阈值时，重复执行标注服饰图片属性并按属性比例执行重采样，直至该拟合曲线困惑度被判断为小于阈值。

所述时尚趋势属性预测输出子系统被配置为：基于训练后的双层LSTM属性趋势预测模型，对各电商网站上的后续时尚趋势属性关键词执行预测，输出预测结果。

更具体地，在这个实施例中，如图3所示，阐释了服饰多属性分类网络AttrNet模型的结构。对于原始图片，通过图像预处理后利用ResNet50_v2网络进行图像特征提取，生成14*14*1024大小的特征图，之后RPN网络进一步确定服装所在位置生成不同大小的预测框proposals，再通过RoI Pooling的方式将各个proposals映射至特征图并做最大值池化转化为相同大小的7*7*1024大小的特征图，最后在该特征图上通过连接全连接层的方式转换为2048维向量，之后连接各类别分类器，实现在多个类别上的服饰属性预测。

更具体地，在这个实施例中，如图4所示，进一步阐释了双层LSTM属性趋势预测模型。其中X为输入的属性变化序列，H为LSTM中的隐藏层单元，O为输出，对于每个时间步的输入X

其中，Cell为LSTM单元的计算函数，第一个隐藏层状态变量

与本发明的所述基于服饰多属性识别的时尚趋势预测方法相对应地，根据本发明的另一方面，还提供了一种基于服饰多属性识别的时尚趋势预测设备，所述时尚趋势预测设备包括爬虫模块、服饰多属性识别的AttrNet模块以及双层LSTM模型时尚趋势属性关键词预测模块。其中，所述爬虫模块执行数据采集，每日爬取不同电商网站上售卖的服饰图像并存储，之后从该服饰的描述信息中自动提取相应属性词，并通过重采样生成相应的服饰属性数据集。所述服饰多属性识别模块利用生成的数据集进行AttrNet网络的训练，基于训练好的服饰多属性识别的AttrNet模型对各电商网站上的服饰图像执行属性识别，生成各网站的属性时间序列，再以这些时间序列输入至最后的所述双层LSTM模型时尚趋势属性关键词预测模块，构建并训练双层LSTM属性趋势预测模型，所述双层LSTM模型时尚趋势属性关键词预测模块并输出对于各电商网站的后续时尚趋势预测。

本领域的技术人员可以理解的是，所述基于服饰多属性识别的时尚趋势预测设备可以被体现为台式电脑、笔记本、移动智能设备等，但是前述仅仅作为举例，还包括其他搭载有本发明的该软件应用程序的智能分析设备。

本领域的技术人员可以理解的是，已参考根据本发明的方法、系统及计算机程序产品的流程图和/或方框图说明了本发明。流程图和/或方框图中的每个方框，以及流程图和/或方框图中的方框的组合显然可由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、嵌入式处理器或者其他可编程的数据处理设备的处理器，以产生一台机器，从而指令(所述指令通过计算机或者其他可编程数据处理设备的处理器)产生用于实现在流程图和/或方框图的一个或多个方框中规定的功能的装置。

本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离该原理下，本发明的实施方式可以有任何变形或修改。