基于二维人脸图像的种族判断方法、装置、介质及设备

摘要

本发明公开了一种基于二维人脸图像的种族判断方法、装置、介质及设备，属于模式识别领域。该方法包括：使用人脸检测和关键点定位方法，获得人脸图像的关键点；将关键点对齐到指定的坐标位置，在对齐后的图像上，截取指定宽度和指定高度的图像，并进行归一化，得到脸部图像；将脸部图像输入卷积神经网络，提取脸部特征，并对所述脸部特征进行多元回归，得到黑色人种、白色人种和黄色人种的概率。本发明使用二维图像进行人种分类，结合深度学习方法，具有较高的准确率和较强的稳定性，同时输入数据获取较为方便，解决了三维图像获取困难，采集设备成本高的缺点。

说明书

技术领域

本发明涉及模式识别领域，特别是指一种基于二维人脸图像的种族判断方法、装置、计算机可读存储介质及设备。

背景技术

随着对深度学习研究的深入，人脸识别和人脸比对算法的精度不断地提高。但在一些实际应用场景中发现，使用某些数据库训练获得的深度模型，在黑色人种的人脸识别中会出现误识现象，出现该问题的主要原因是数据不同源。这里的数据不同源指的是训练的数据集和测试使用的数据集不同分布，举例说明，若使用黄皮肤的中国人数据来训练深度网络，使用黑色皮肤的人进行测试，就会出现数据不同源的问题，此时的算法性能将会较大程度的降低。

目前解决数据不同源的方法一是可以引入与测试样例同源的训练数据，使得算法在该数据分布上也具有较好的泛化性，但该操作需要较多的训练样本，并且训练样本之间需要较好的平衡。另一种方法是在使用人脸比对算法前对数据分布进行一个估计，简单来说是对人种进行一个简单的判断，如果测试的人种与训练数据中的人种不一致，就不采用机器比对而使用人工审核，或进行其他操作。所以人种判断对人脸识别或人脸比对算法的使用具有重要的意义。

目前，对种族的判断大体上可以分为基于肤色的方法和基于三维图像的方法。

(1)基于肤色的种族判断方法

基于肤色的种族判断方法指的是对人脸图像的肤色进行分析，进而判断该图像的人脸是偏黑色，偏白色或是偏黄色等。通过肤色判断种族的方法是一种基于图像处理的方法，该方法容易受到外界环境的干扰，尤其是光照的变化对肤色的判断影响较大。

所以，使用基于肤色的方法判断种族容易受到光照等外界环境的影响，鲁棒性较差。

(2)基于三维图像的种族判断方法

该方法是通过人脸的三维点云描述人脸信息，尤其是人脸器官的信息，根据不同人种的五官等特点进行种族识别。该步骤首先获取人脸点云，然后按照深度信息将获得的原始三维点云映射为深度图像，使用滤波器进行相应的噪声去除。然后根据获取的深度图像结合不同人种的特点进行特征编码描述或者分类。

基于三维图像的种族判断方法，首先需要3D图像采集设备等获取三维人脸点云图像，采集设备获取较难，造价较高，并且3D人脸模型较难获得。

发明内容

为解决上述技术问题，本发明提供一种基于二维人脸图像的种族判断方法、装置、介质及设备，本发明使用二维图像进行人种分类，结合深度学习方法，具有较高的准确率和较强的稳定性，同时输入数据获取较为方便，解决了三维图像获取困难，采集设备成本高的缺点。

本发明提供技术方案如下：

第一方面，本发明提供一种基于二维人脸图像的种族判断方法，所述方法包括：

使用人脸检测和关键点定位方法，获得人脸图像的关键点；

将关键点对齐到指定的坐标位置，在对齐后的图像上，截取指定宽度和指定高度的图像，并进行归一化，得到脸部图像；

将脸部图像输入卷积神经网络，提取脸部特征，并对所述脸部特征进行多元回归，得到黑色人种、白色人种和黄色人种的概率。

进一步的，所述卷积神经网络包括依次连接的第一提取模块、第二提取模块、第三提取模块、第四提取模块、第五提取模块、第六提取模块、第七提取模块、第八提取模块、第九提取模块和第十提取模块；

所述脸部图像依次经过第一提取模块至第十提取模块，并经过一个池化层和Inner Product层，得到所述脸部特征；

其中，所述第一提取模块包括若干卷积层、激活层和Eltwise层；所述第二提取模块包括若干卷积层、BN层、池化层、Concat层和Eltwise层；所述第三提取模块至第十提取模块均包括若干卷积层、池化层、Concat层和Eltwise层。

进一步的，在第二提取模块至第十提取模块中，当前提取模块输入的特征图经过多个分支处理，得到多个分支特征图；将所有分支特征图和输入的特征图整体中的一部分进行Concat操作，得到Concat特征图，将所有分支特征图和输入的特征图整体中的另一部分与Concat特征图进行Eltwise操作，得到输出的特征图，作为下一个提取模块的输入。

进一步的，所述卷积神经网络训练的损失函数为交叉熵损失；在训练时，对训练集中的样本进行数据扩充，所述数据扩充包括对样本进行平移、旋转或随机亮度调整。

第二方面，本发明提供一种基于二维人脸图像的种族判断装置，所述装置包括：

人脸检测和关键点定位模块，用于使用人脸检测和关键点定位方法，获得人脸图像的关键点；

脸部图像获取模块，用于将关键点对齐到指定的坐标位置，在对齐后的图像上，截取指定宽度和指定高度的图像，并进行归一化，得到脸部图像；

种族判断模块，用于将脸部图像输入卷积神经网络，提取脸部特征，并对所述脸部特征进行多元回归，得到黑色人种、白色人种和黄色人种的概率。

进一步的，所述卷积神经网络包括依次连接的第一提取模块、第二提取模块、第三提取模块、第四提取模块、第五提取模块、第六提取模块、第七提取模块、第八提取模块、第九提取模块和第十提取模块；

所述脸部图像依次经过第一提取模块至第十提取模块，并经过一个池化层和Inner Product层，得到所述脸部特征；

其中，所述第一提取模块包括若干卷积层、激活层和Eltwise层；所述第二提取模块包括若干卷积层、BN层、池化层、Concat层和Eltwise层；所述第三提取模块至第十提取模块均包括若干卷积层、池化层、Concat层和Eltwise层。

进一步的，在第二提取模块至第十提取模块中，当前提取模块输入的特征图经过多个分支处理，得到多个分支特征图；将所有分支特征图和输入的特征图整体中的一部分进行Concat操作，得到Concat特征图，将所有分支特征图和输入的特征图整体中的另一部分与Concat特征图进行Eltwise操作，得到输出的特征图，作为下一个提取模块的输入。

进一步的，所述卷积神经网络训练的损失函数为交叉熵损失；在训练时，对训练集中的样本进行数据扩充，所述数据扩充包括对样本进行平移、旋转或随机亮度调整。

第三方面，本发明提供一种用于种族判断的计算机可读存储介质，包括用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现第一方面所述的基于二维人脸图像的种族判断方法的步骤。

第四方面，本发明提供一种用于种族判断的设备，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现第一方面所述的基于二维人脸图像的种族判断方法的步骤。

本发明具有以下有益效果：

本发明使用二维图像进行人种分类，结合深度学习方法，具有较高的准确率和较强的稳定性，同时输入数据获取较为方便，解决了三维图像获取困难，采集设备成本高的缺点。

附图说明

图1为本发明的基于二维人脸图像的种族判断方法流程图；

图2为本发明的基于二维人脸图像的种族判断方法示意图；

图3为获取脸部图像的示意图；

图4为黑色人种、白色人种和黄色人种的示意图；

图5为本发明的基于二维人脸图像的种族判断装置示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

本发明实施提供了一种基于二维人脸图像的种族判断方法，如图1-2所示，该方法包括：

步骤S100：使用人脸检测和关键点定位方法，获得人脸图像的关键点。

本步骤首先需要对输入人脸图像使用SSD人脸检测器进行人脸检测，接着在获取的人脸图像上使用TDCNN方法进行关键点定位，可以获得人脸图像的关键点。需要说明的是，该步骤中，人脸检测器不仅限于SSD，也可以使用CRAFT，ADABOOST等。同理，人脸关键点定位方法也不仅限于使用TDCNN，也可以使用SDM等。该步骤只需要获取人脸图像的关键点的坐标即可。

示例性的，人脸图像的关键点包括左眼中心点，右眼中心点，鼻尖点，左嘴角点和右嘴角点五个关键点。

步骤S200：将关键点对齐到指定的坐标位置，在对齐后的图像上，截取指定宽度和指定高度的图像，并进行归一化，得到脸部图像。

该步骤是将步骤S100获取的5个人脸关键点对齐到指定的位置，整张图像根据映射的矩阵进行相似变化，得到对齐后的图像。然后对上述对齐后图像进行归一化即获得人的脸部图像。

示例性的，五个关键点对齐到如下坐标：

左眼中心点横坐标对齐到38，左眼中心点纵坐标对齐到51；

右眼中心点横坐标对齐到73，右眼中心点纵坐标对齐到51；

鼻尖点横坐标对齐到56，鼻尖点纵坐标对齐到71；

左嘴角点横坐标对齐到41，左嘴角点纵坐标对齐到92；

右嘴角点横坐标对齐到70，右嘴角点纵坐标对齐到92。

示例性的，在对齐后的图像上，截取宽度和高度分别为112，112的人脸图像，然后对截取后的图像进行归一化，放缩到宽和高都为64，如图3所示。放缩后的图像作为卷积神经网络的输入，所以，卷积神经网络的输入为宽和高都为64的三通道RGB人脸图像。

步骤S300：将脸部图像输入卷积神经网络，提取脸部特征，并对脸部特征进行多元回归，得到黑色人种、白色人种和黄色人种的概率。

示例性的，经过上述2个步骤获得大小为64*64的3通道RGB脸部图像作为网络的输入，经过一系列操作后可以得到维数为1024的人脸特征，然后该特征进行多元回归，进而获得分别属于黑色人种，白色人种和黄色人种的概率，三个种族的示例如图4所示。本发明将种族划分为黑色人种，白色人种和黄色人种三类，目标明确，划分清晰明了，有利于最终目标的分类。

本发明的基于二维人脸图像的种族判断方法，使用常规的采集设备在可见光的条件下采集的二维人脸图像，数据获取相对于三维图像来说较容易，二维人脸图像经过预处理操作获得脸部图像，对脸部图像进行有效地特征编码和分类，可以有效地进行种族判断。并且本发明使用的是归一化后的脸部图像，可以有效地较少头部姿态和部分背景环境的干扰。

综上所述，本发明使用二维图像进行人种分类，结合深度学习方法，具有较高的准确率和较强的稳定性，同时输入数据获取较为方便，解决了三维图像获取困难，采集设备成本高的缺点。

作为本发明的一种改进，卷积神经网络包括依次连接的第一提取模块、第二提取模块、第三提取模块、第四提取模块、第五提取模块、第六提取模块、第七提取模块、第八提取模块、第九提取模块和第十提取模块。

脸部图像依次经过第一提取模块至第十提取模块，并经过一个池化层和InnerProduct层，得到脸部特征。

其中，第一提取模块包括若干卷积层、激活层和Eltwise层；第二提取模块包括若干卷积层、BN层、池化层、Concat层和Eltwise层；第三提取模块至第十提取模块均包括若干卷积层、池化层、Concat层和Eltwise层。

具体的：

在第二提取模块至第十提取模块中，当前提取模块输入的特征图经过多个分支处理，得到多个分支特征图；将所有分支特征图和输入的特征图整体中的一部分进行Concat操作，得到Concat特征图，将所有分支特征图和输入的特征图整体中的另一部分与Concat特征图进行Eltwise操作，得到输出的特征图，作为下一个提取模块的输入。

本发明中使用的网络对上述任务具有较好的分类效果，并且控制了网络的深度和宽度，保证了分类的准确性的同时，减小了时间复杂度，使得分类具有较快的速度。

本发明的卷积神经网络训练的损失函数为交叉熵损失；在训练时，对训练集中的样本进行数据扩充，数据扩充包括对样本进行平移、旋转或随机亮度调整。

在实际使用中，由于不同的人脸检测活人脸定位会导致头部图像的获取存在偏差，所以在训练时针对样本进行相应平移或旋转以扩充数据，并且由于光照的变化对基于二维图像的种族判断影响较大，所以需要针对光照进行数据扩充，对样本进行随机亮度调整。有效地提高算法的准确率，减小干扰带来的影响，使得算法具有更好的鲁棒性。

在实际训练中，为了加快训练速度，提高网络的收敛性能以及泛化能力，对其中一些层(如卷积层、Inner Product层等)的输出进行BN操作和/或ReLU操作。

综上述所述，本发明使用二维人脸图像对种族进行识别，该方法具有以下几个优势：

1、对种族类别进行划分，将待分类的种族分为黑色人种，白色人种和黄色人种，划分清晰明了，有利于最终目标的分类。

2、使用二维人脸图像实现人种分类任务，并在训练过程中进行了相应的数据扩充，既解决了通过肤色判断等数字图像处理方法导致的鲁棒性较差的问题，又解决了三维图像获取困难，采集设备成本高的缺点。

3、本发明中使用的网络对上述任务具有较好的分类效果，并且控制了网络的深度和宽度，使得分类具有较快的速度。

实施例2：

本发明实施例提供了一种基于二维人脸图像的种族判断装置，如图5所示，该装置包括：

人脸检测和关键点定位模块10，用于使用人脸检测和关键点定位方法，获得人脸图像的关键点。

脸部图像获取模块20，用于将关键点对齐到指定的坐标位置，在对齐后的图像上，截取指定宽度和指定高度的图像，并进行归一化，得到脸部图像。

种族判断模块30，用于将脸部图像输入卷积神经网络，提取脸部特征，并对脸部特征进行多元回归，得到黑色人种、白色人种和黄色人种的概率。

本发明使用二维图像进行人种分类，结合深度学习方法，具有较高的准确率和较强的稳定性，同时输入数据获取较为方便，解决了三维图像获取困难，采集设备成本高的缺点。

作为本发明的一种改进，卷积神经网络包括依次连接的第一提取模块、第二提取模块、第三提取模块、第四提取模块、第五提取模块、第六提取模块、第七提取模块、第八提取模块、第九提取模块和第十提取模块。

脸部图像依次经过第一提取模块至第十提取模块，并经过一个池化层和InnerProduct层，得到脸部特征。

其中，第一提取模块包括若干卷积层、激活层和Eltwise层；第二提取模块包括若干卷积层、BN层、池化层、Concat层和Eltwise层；第三提取模块至第十提取模块均包括若干卷积层、池化层、Concat层和Eltwise层。

具体的：

在第二提取模块至第十提取模块中，当前提取模块输入的特征图经过多个分支处理，得到多个分支特征图；将所有分支特征图和输入的特征图整体中的一部分进行Concat操作，得到Concat特征图，将所有分支特征图和输入的特征图整体中的另一部分与Concat特征图进行Eltwise操作，得到输出的特征图，作为下一个提取模块的输入。

本发明中使用的网络对上述任务具有较好的分类效果，并且控制了网络的深度和宽度，保证了分类的准确性的同时，减小了时间复杂度，使得分类具有较快的速度。

本发明的卷积神经网络训练的损失函数为交叉熵损失；在训练时，对训练集中的样本进行数据扩充，数据扩充包括对样本进行平移、旋转或随机亮度调整。

在实际使用中，由于不同的人脸检测活人脸定位会导致头部图像的获取存在偏差，所以在训练时针对样本进行相应平移或旋转以扩充数据，并且由于光照的变化对基于二维图像的种族判断影响较大，所以需要针对光照进行数据扩充，对样本进行随机亮度调整。有效地提高算法的准确率，减小干扰带来的影响，使得算法具有更好的鲁棒性。

综上述所述，本发明使用二维人脸图像对种族进行识别，该装置具有以下几个优势：

1、对种族类别进行划分，将待分类的种族分为黑色人种，白色人种和黄色人种，划分清晰明了，有利于最终目标的分类。

2、使用二维人脸图像实现人种分类任务，并在训练过程中进行了相应的数据扩充，既解决了通过肤色判断等数字图像处理方法导致的鲁棒性较差的问题，又解决了三维图像获取困难，采集设备成本高的缺点。

3、本发明中使用的网络对上述任务具有较好的分类效果，并且控制了网络的深度和宽度，使得分类具有较快的速度。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。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，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

实施例3：

本说明书提供的上述实施例所述的方法可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例1所描述方案的效果。因此，本发明还提供用于种族判断的计算机可读存储介质，包括用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括实施例1的基于二维人脸图像的种族判断方法的步骤。

本发明使用二维图像进行人种分类，结合深度学习方法，具有较高的准确率和较强的稳定性，同时输入数据获取较为方便，解决了三维图像获取困难，采集设备成本高的缺点。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

实施例4：

本发明还提供一种用于种族判断的设备，所述的设备可以为单独的计算机，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述用于种族判断的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器，处理器执行所述指令时实现上述任意一个或者多个实施例1中所述基于二维人脸图像的种族判断方法的步骤。

本发明使用二维图像进行人种分类，结合深度学习方法，具有较高的准确率和较强的稳定性，同时输入数据获取较为方便，解决了三维图像获取困难，采集设备成本高的缺点。

上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

需要说明的是，本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类、存储介质+程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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，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，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。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。