3D体素模型的分类方法、装置、电子设备及存储介质

摘要

本申请公开了一种3D体素模型的分类方法、装置、电子设备及存储介质，其中，所述分类方法包括：获取到待分类的体素模型的各个方块的元素识别信息以及状态信息；利用多个方块的元素识别信息以及状态信息获取到各个方块的体素分类信息；通过各个方块的体素分类信息构建体素模型的体素分类矩阵；通过神经网络模型利用体素分类矩阵对体素模型的类型进行识别。实现体素模型的自动分类，减少或者不需要人工参与，就可以实现体素模型的类型确定和分类，且本申请的分类方法能够快速处理大量的体素模型识别和分类，方便且高效。

说明书

技术领域

本申请涉及计算机技术领域，特别是涉及一种3D体素模型的分类方法、装置、电子设备及存储介质。

背景技术

沙盒游戏是一种自由度极高的游戏类型，允许玩家利用游戏中的资源创造各种结构。而体素类沙盒游戏则是沙盒游戏的一个重要子类，它的特点是整个游戏世界被抽象为3D网格，游戏用户可以在网格中的任意位置添加或删除材料块，实现3D体素模型的创建。而在体素类沙盒游戏中，随着创建的3D体素模型的数量越来越多，模型作品创建的速度也在加快中，如何对已创建出的3D体素模型进行分类、管理和查询成为了难题。

目前一般通过3D体素模型的数据中附带的标签信息来对模型进行分类，这些标签信息中包含有模型类型。其中，模型类型可以是游戏用户在创建模型时确定的，而如果创建者没有确定模型类型，就需要人工后期对模型的类型进行确定。

但是随着模型数据的大量增加以及3D体素模型的类型多样化程度不断加大，人工对3D体素模型进行确定模型类型以进行分类的难度极大，不仅需要投入较大的人力成本和时间成本，且对人员识别模型的能力要求极高。因此，急需一种方便且高效的方法实现3D体素模型的分类。

发明内容

本申请主要解决的技术问题是提供一种3D体素模型的分类方法、装置、电子设备及存储介质，能够方便且高效的方法实现3D体素模型的分类。

为了解决上述问题，本申请第一方面提供了一种3D体素模型的分类方法，所述方法包括：获取到待分类的体素模型的各个方块的元素识别信息以及状态信息；利用所述多个方块的元素识别信息以及状态信息获取到所述各个方块的体素分类信息；通过所述各个方块的体素分类信息构建所述体素模型的体素分类矩阵；通过神经网络模型利用所述体素分类矩阵对所述体素模型的类型进行识别。

为了解决上述问题，本申请第二方面提供了一种3D体素模型的分类装置，包括：数据获取模块，用于获取到待分类的体素模型的各个方块的元素识别信息以及状态信息；以及用于利用所述多个方块的元素识别信息以及状态信息获取到所述各个方块的体素分类信息；构建模块，用于通过所述各个方块的体素分类信息构建所述体素模型的体素分类矩阵；识别模块，用于通过神经网络模型利用所述体素分类矩阵对所述体素模型的类型进行识别。

为了解决上述问题，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现上述第一方面的3D体素模型的分类方法。

为了解决上述问题，本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现上述第一方面的3D体素模型的分类方法。

本发明的有益效果是：区别于现有技术的情况，本申请提供的3D体素模型的分类方法，先获取到待分类的体素模型的各个方块的元素识别信息以及状态信息；利用多个方块的元素识别信息以及状态信息获取到各个方块的体素分类信息；通过各个方块的体素分类信息构建体素模型的体素分类矩阵；通过神经网络模型利用体素分类矩阵对体素模型的类型进行识别。本申请通过对体素模型的各个方块的数据进行处理，得到了包括有各个方块体素分类信息的体素分类矩阵，并通过神经网络模型实现了对体素模型的分类，可以减少或者不需要人工参与，就可以实现体素模型的类型确定和分类，且本申请的分类方法能够快速处理大量的体素模型识别和分类，方便且高效。

附图说明

图1是本申请提供的3D体素模型的分类方法一实施例的流程示意图；

图2是图1中步骤S14一具体实施例的架构图；

图3是步骤S12一具体实施例的示意图；

图4是本申请提供的3D体素模型的分类方法另一实施例的流程示意图；

图5是本申请提供的3D体素模型的分类方法又一实施例的流程示意图；

图6a-6e是本申请提供的样本扩充处理方式一实施例对应的的示意图；

图7是本申请提供的3D体素模型的分类装置一实施例的框架示意图；

图8是本申请电子设备一实施例的框架示意图；

图9是本申请计算机可读存储介质一实施例的框架示意图。

具体实施方式

下面结合说明书附图，对本申请实施例的方案进行详细说明。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。

本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。

本申请中，

请参阅图1，图1是本申请提供的3D体素模型的分类方法一实施例的流程示意图。具体而言，可以包括如下步骤：

步骤S11：获取到待分类的体素模型的各个方块的元素识别信息以及状态信息。

其中，体素(Voxel)是体积像素(Volume Pixel)的简称。概念上类似二维空间的最小单位像素，是三维空间分割上的最小单位。而方块则是体素模型的构建单元。游戏用户可以通过添加或删除方块，以及选择和使用不同种类的方块来创建体素模型。每个方块都具有元素识别信息以及状态信息。元素识别信息可以包括方块的种类信息、材料信息、材质信息等可以识别不同种类方块的信息。而状态信息具体可以包括方块的方向信息、完整度信息、透明度信息、颜色信息等。

具体地，体素模型可以通过三维矩阵来描述，元素识别信息矩阵和状态信息矩阵。体素模型的元素识别信息矩阵包括每个方块的元素识别信息，状态信息矩阵包括元素识别信息矩阵中每个方块对应的状态信息。

在获取到待分类的体素模型的各个方块的元素识别信息以及状态信息后，进行步骤S12。

步骤S12：利用多个方块的元素识别信息以及状态信息获取到各个方块的体素分类信息。

在已经获取到每个方块的元素识别信息以及状态信息后，基于元素识别信息以及状态信息，获取得到体素模型的每个方块的体素分类信息。其中，方块的体素分类信息可以为方块的类别，或者说可以为与方块类别对应的代号。

在一个具体实施例中，在步骤S12之前，还需要：搭建方块的元素识别信息、状态信息与所述方块的体素分类的对应表。然后基于各个方块的元素识别信息以及状态信息，从对应表中查找各个方块的体素分类信息。在此对应表中，包括有体素模型中所有种类的方块的元素识别信息，和对应种类方块可能出现的所有状态信息，并对每一种方块的元素识别信息及状态信息的组合，对应有方块体素分类。可以理解的是，多个方块的元素识别信息及状态信息的组合，可以对应的是相同的方块体素分类。其中，方块的体素分类是预定义的类别，可以根据体素模型的特点来确定的。比如，若体素模型为建筑体素模型，则预定义类别根据建筑体素模型的特点，可以分为普通方块、楼梯或屋顶方块、空气方块和特殊方块。若体素模型为体素车辆模型，那么预定义类别则根据体素车辆模型的模型，可以分为轮胎方块、车体方块等。在搭建好方块的元素识别信息、状态信息与所述方块的体素分类的对应表之后，通过方块的元素识别信息和状态信息，在对应表中获取到方块对应的体素分类信息。

步骤S13：通过各个方块的体素分类信息构建体素模型的体素分类矩阵。

获取到各个方块的体素分类信息之后，构建体素模型的体素分类矩阵。对一个特定的体素模型而言，体素分类矩阵中包括有此体素模型的所有方块的体素分类信息。在其他实施例中，体素分类矩阵还可以包括有体素模型中各个方块的位置信息。

步骤S14：通过神经网络模型利用体素分类矩阵对体素模型的类型进行识别。

在得到体素模型的方块的体素分类矩阵后，通过神经网络模型对体素模型的类型进行识别，得到体素模型的分类。

参阅图2，图2是图1中步骤S14一具体实施例的架构图。在此实施例中，神经网络模型为多层神经网络模型，与一般神经网络模型的区别在于，采用了多层3D卷积层来进行特征提取，其中3D卷积是2D卷积在维度上的扩展。

本实施例中，通过对体素模型的各个方块的数据进行处理，得到了包括有各个方块体素分类信息的体素分类矩阵，并通过神经网络模型实现了对体素模型的分类，可以减少或者不需要人工参与，就可以实现体素模型的类型确定和分类，且本申请的分类方法能够快速处理大量的体素模型识别和分类，方便且高效。

在一个具体实施场景中，体素模型为建筑体素模型，方块为材料块或者建材方块。通过使用不同的方块以及在不同位置处进行搭建，可以创建出不同的建筑体素模型。建筑体素模型用一组等大的三维矩阵描述，具体为所有方块的元素识别信息矩阵(Block_ID

将Block_ID

参阅图3，图3是步骤S12一具体实施例的示意图。在一体素游戏中，建筑体素模型中所有的Block_ID及其与Block_Data的组合，都预先有对应的体素分类信息Category_ID。搭建如表1形式的映射表。对于待分类的建筑体素模型，通过其Block_ID

表1：

通过本实施例中的矩阵转换处理，3D建筑体素模型分类的过程由：

c＝f(Block_ID

变成：

c＝f(Category_ID

其中，c为模型的类型，f为分类算法。

将建筑体素模型的体素分类矩阵Category_ID

本实施例可以实现建筑体素模型的自动分类，实现建筑体素模型分类任务自动化，且具有较高的分类性能(ROC-AUC＝0.85)。同时，本实施例的分类方法，能够避免依赖软件渲染以及减小人工依赖，减小人工主观判断对分类准确性的影响，且随着体素模型的不断增加，人工和时间投入不会呈线性增长，节约了成本。

请参阅图4，图4是本申请提供的3D体素模型的分类方法另一实施例的流程示意图。具体而言，可以包括如下步骤：

步骤S41：将体素模型映射到预设空间。

在本实施例中，预设空间能够单独容纳每一个体素模型，即预设空间的大小应该大于或者等于任意一个体素模型。

一般而言，在一个游戏中，预设空间大小可以设置为固定的大小。将每一个体素模型映射到预设空间中，然后进行步骤S22的信息采集。

步骤S42：采集预设空间的每个单元的位置信息，以及每个单元对应的体素模型的方块的元素识别信息以及状态信息。

当一个体素模型映射到预设空间之后，预设空间中包括有体素模型的所有方块。除了体素模型的方块之外，预设空间中的其他部分均为空气元素。与方块对应，则空气元素可以对应为空气方块。对预设空间中的所有单元进行信息采集，包括每个单元的位置信息、方块的元素识别信息以及状态信息。上述所有单元包括预设空间中的体素模型的所有方块以及除体素模型之外的其他单元。

步骤S43：利用多个方块的元素识别信息以及状态信息获取到每个单元的体素分类信息。

预设空间中每个单元都对应为方块，多个方块的元素识别信息以及状态信息获取到每个单元的体素分类信息，也即获取到每个方块的体素分类信息。

步骤S44：利用每个单元的体素分类信息，构建预设空间相对于体素模型的体素分类矩阵。

获取到预设空间中的每个单元的体素分类信息后，构建预设空间相对于体素模型的体素分类矩阵，即构建体素模型在预设空间的体素分类矩阵。在预设空间大小相同时，不同的体素模型在相同大小的预设空间中，能够保证不同的体素模型对应的体素分类矩阵的格式相同，以方便进行步骤S45，通过神经网络模型来对体素模型的类型进行识别。

具体地，按照预设空间的各个单元的排列顺序构建预设空间相对于体素模型的体素分类矩阵，从而使得体素分类矩阵中不仅包括有每个单元的体素分类信息，还包括有预设空间中每个单元的位置信息。包括有每个单元的体素分类信息和位置信息的体素分类矩阵，能够通过步骤S45实现预设空间中体素模型的类型识别和分类。

步骤S45：通过神经网络模型利用体素分类矩阵对体素模型的类型进行识别。

此步骤与步骤S14步骤相同，具体请参阅图1、图2以及步骤S14的相关文字描述，在此不再赘述。

本实施例通过将体素模型映射到预设空间，采集预设空间的每个单元的位置信息，以及每个单元对应的体素模型的方块的元素识别信息以及状态信息，利用多个方块的元素识别信息以及状态信息获取到每个单元的体素分类信息，利用每个单元的体素分类信息，构建预设空间相对于体素模型的体素分类矩阵，得到了包括体素模型在内的预设空间的体素分类矩阵，也即体素模型的体素分类矩阵。排除了不同体素模型因为形状、大小不同，方块数目的不同等导致体素分类矩阵的格式不同这一因素。使得体素模型的离散矩阵进过数据处理得到格式相同的体素分类矩阵，统一格式的体素分类矩阵通过神经网络模型实现类型进行识别，从而实现体素模型分类的自动化。

请参阅图5，图5是本申请提供的3D体素模型的分类方法又一实施例的流程示意图。具体步骤包括：

步骤S51：获取到已标注类型的样本体素模型。

样本体素模型对应有类型标注信息。比如，建筑体素模型中具有房屋、塔、城堡或神庙等类型标注信息。现有的样本体素模型数量有限，为了提高3D体素模型的分类方法的的泛化能力，可以通过对样本体素模型进行样本扩充处理，实现样本数据增广。

其中，对样本体素模型进行样本扩充处理的方式包括对样本体素模型进行缩放、平移、翻折以及旋转中的至少一种方式，具体包括对样本体素模型进行缩放、平移、翻折以及旋转中其中任意一种，或者其中多种的组合。在对某一个已标注类型的样本体素模型进行扩充处理时，其尺寸或者坐标会改变，但其类型保持不变。

在一个具体实施例中，通过对样本体素模型进行缩放、平移、翻折以及旋转等方式进行样本扩充处理，参阅图6a-6e，图6a-6e是本申请提供的样本扩充处理方式一实施例对应的的示意图。其中图6a为未进行扩充处理的样品体素模型的示意图，图6b是样本体素模型进行缩放处理的示意图，图6c是样本体素模型进行平移处理的示意图，图6d是样本体素模型进行翻折处理的示意图，图6e是样本体素模型进行旋转处理的示意图。

在本实施例中，样本体素模型映射到预设空间中，样本体素模型的尺寸大小不大于预设空间的尺寸大小，在预设空间内对样本体素模型进行扩充处理。假设预设空间在三个维度的大小分别为W、L、H，样本体素模型在三个维度的大小为w、l和h，那么w≤W、l≤L、h≤H。且在样本扩充处理的过程中，在样本体素模型在三个维度的尺寸小于等于预设空间的尺寸。

在一个具体实施方式中，结合图6b，缩放过程可包括：将体素模型放缩放，使得缩放后的尺寸为[wi,li,hi]，其中wi∈[min(a，w),W]，min表示求最小值。那么长度方向上缩放的取值范围，下限值为常数a与样本体素模型在长度维度的大小w两值之间的最小值，上限值则为预设空间在长度维度上的大小W。对于长度维度大于常数a，则样本体素模型将在常数a和预设空间尺寸之间进行缩放。而对于长度维度小于等于常数a的样本体素模型，将不会进行缩小操作，只能对此样本体素模型进行放大操作。常数a的取值可以根据实际需要进行设置，比如，可以为5、10、15等。常数a主要是为了控制缩放后的体素模型的尺寸不至于过小，使样本扩充处理后的体素模型的尺寸在合理的大小范围。另外两个维度上的缩放过程，参考长度方向上的缩放过程。

具体地，缩放可以通过对样本体素模型进行矩阵线性变换实现。对于每一个非空气元素或非空气方块，其在预设空间矩阵中的位置为[pw,pl,ph]，将根据缩放比例[vw,vl,wh]进行变换，变换方式如下：

其中缩放比例通过vw＝wi/w，vl＝li/l，vh＝hi/h得到。而通过变换后得到新的坐标[v

在一个具体实施方式中，结合图6c，平移过程可包括：将建筑实体的原点平移到建筑矩阵中的位置为[pw,pl,ph]，其中pw∈[0,W-w]，pl∈[0,L-l]，ph＝0。即在保证样本体素模型的尺寸大小不超过预设空间大小，且样本体素模型位于地面，或者说样本体素模型在高度维度上的高度为0的条件下对样本体素模型进行平移操作。

在一个具体实施方式中，结合图6d，翻折过程可包括：对于样本体素模型矩阵中的每一个元素，其在建筑矩阵的位置为[pw,pl,ph]，将根据平面w＝W/2，翻折到[W-pw,pl,ph]。

在一个具体实施方式中，结合图6e，旋转过程可包括：对于样本体素模型中的每一个元素，设其在建筑矩阵的位置为[pw,pl,ph]，对样本体素模型进行三种直角旋转：θ＝90°,180°,270°，以矩阵的形式表示，变换方式如下：

通过旋转后得到新的坐标[cosθp

可以理解的是，本申请的本实施例中的缩放、平移、翻折以及旋转的具体过程，不限于上述具体实施例中的过程。通过本实施例中的缩放、平移、翻折以及旋转四种样本扩充处理，使样本体素模型的数量提高约3个数量级，即10的三次幂。丰富了样本体素模型的数据量，提高了3D体素模型的分类方法的的泛化能力。

步骤S52：获取样本体素模型的的各个方块的元素识别信息以及状态信息。

此步骤与步骤S11步骤相同，具体请参阅图1以及步骤S11的相关文字描述，在此不再赘述。

步骤S53：利用多个方块的元素识别信息以及状态信息获取到各个方块的体素分类信息。

此步骤与步骤S12步骤相同，具体请参阅图1以及步骤S12的相关文字描述，在此不再赘述。

步骤S54：通过各个方块的体素分类信息构建样本体素模型的体素分类矩阵。

此步骤与步骤S13步骤相同，具体请参阅图1以及步骤S13的相关文字描述，在此不再赘述。

在上一具体实施例中，通过对样本体素模型进行缩放、平移、翻折以及旋转等方式进行样本扩初处理。在其他具体实施例中，基于样本体素模型进行缩放、平移、翻折以及旋转等方式进行样本扩充处理，样本体素模型的类型不变的原理，还可以通过对样本体素模型对应的体素分类矩阵进行相应的变换处理，得到多个体素分类矩阵，即对体素分类矩阵的数量进行扩充处理，得到更多数量级的体素分类矩阵，且每一个体素分类矩阵对应有体素模型的标注类型。

步骤S55：通过样本体素模型的体素分类矩阵以及标注的类型对神经网络模型进行训练。

此步骤结合图2，每一个样本体素模型的体素分类矩阵都存在对应的标注的类型。基于样本体素模型的体素分类矩阵，通过多层神经网络模型，得到预测类型。通过预测类型与标注的类型进行比较，计算误差，通过误差对多层神经网络模型进行反向优化权重，从而得到优化后的权重，实现对神经网络模型的训练。大量的样本体素模型的体素分类矩阵对神经网络模型进行训练，不断对权重进行优化，提高了整个分类方法的分类性能。训练及优化后的神经网络模型可以进行体素模型的自动识别和分类。

步骤S56：通过神经网络模型利用体素分类矩阵对体素模型的类型进行识别。

通过样本体素模型的体素分类矩阵进行训练后得到的神经网络模型，具有优化后的权重。对于类型未知的体素模型，可以通过此训练后的神经网络模型利用其体素分类矩阵对体素模型的类型进行识别，得到类型未知的体素模型的类型。本实施例在对体素模型进行数据采集和入数据库时，就可以实现自动对体素模型进行分类，减少人工依赖，提高工作效率以及节约成本。

请参阅图7，图7是本申请提供的3D体素模型的分类装置一实施例的框架示意图。3D体素模型的分类装置70包括：数据获取模块71，用于获取到待分类的体素模型的各个方块的元素识别信息以及状态信息，还用于利用多个方块的元素识别信息以及状态信息获取到各个方块的体素分类信息；构建模块72，用于通过各个方块的体素分类信息构建体素模型的体素分类矩阵；识别模块73，用于通过神经网络模型利用体素分类矩阵对所述体素模型的类型进行识别。

在其他实施例中，数据获取模块71在利用多个方块的元素识别信息以及状态信息获取到各个方块的体素分类信息的步骤之前，还用于搭建方块的元素识别信息、状态信息与所述方块的体素分类的对应表，以及用于基于各个方块的元素识别信息以及状态信息，从对应表中查找各个方块的体素分类信息。

在其他实施例中，数据获取模块71还用于将体素模型映射到预设空间，还用于采集预设空间的每个单元的位置信息，以及每个单元对应的体素模型的方块的元素识别信息以及状态信息，用于利用多个方块的元素识别信息以及状态信息获取到每个单元的体素分类信息。构建模块72还用于利用每个单元的体素分类信息，构建预设空间相对于体素模型的体素分类矩阵。构建模块72用于按照预设空间的各个单元的排列顺序构建预设空间相对于体素模型的体素分类矩阵。

在一具体实施例中，数据获取模块71用于获取到已标注类型的样本体素模型，还用于获取样本体素模型的的各个方块的元素识别信息以及状态信息，以及用于利用多个方块的元素识别信息以及状态信息获取到各个方块的体素分类信息。构建模块72用于通过各个方块的体素分类信息构建样本体素模型的体素分类矩阵。识别模块73用于通过样本体素模型的体素分类矩阵以及标注的类型对神经网络模型进行训练。

进一步的，数据获取模块71还用于对样本体素模型进行样本扩充处理；其中，扩充处理的方式包括对样本体素模型进行缩放、平移、翻折以及旋转中的至少一种方式。具体地，样本体素模型的尺寸大小不大于所预设空间的尺寸大小，数据获取模块71用于在预设空间内对样本体素模型进行样本扩充处理。另外，数据获取模块71还可以用于对体素分类矩阵的数量进行扩充处理。

在上述实施例中，体素模型包括建筑体素模型，数据获取模块71获取到待分类的体素模型的各个方块的元素识别信息以及状态信息，然后利用多个方块的元素识别信息以及状态信息获取到各个方块的体素分类信息；构建模块72通过各个方块的体素分类信息构建体素模型的体素分类矩阵；识别模块过神经网络模型利用体素分类矩阵对体素模型的类型进行识别。3D体素模型的分类装置70实现对体素模型的自动分类，可以减少或者不需要人工参与就能够实现体素模型的类型确定和分类，且本申请的分类方法能够快速处理大量的体素模型识别和分类，方便且高效。

请参阅图8，图8是本申请电子设备一实施例的框架示意图。电子设备80包括相互耦接的存储器81和处理器82，处理器82用于执行存储器81中存储的程序指令，以实现上述任一背景替换方法实施例的步骤。在一个具体的实施场景中，电子设备80可以包括但不限于：微型计算机、服务器。

具体而言，处理器82用于控制其自身以及存储器81以实现上述任一图数据划分方法实施例的步骤。处理器82还可以称为CPU(Central Processing Unit，中央处理单元)。处理器82可能是一种集成电路芯片，具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器82可以由集成电路芯片共同实现。

上述方案，处理器82在获取到待分类的体素模型的各个方块的元素识别信息以及状态信息，然后利用多个方块的元素识别信息以及状态信息获取到各个方块的体素分类信息；通过各个方块的体素分类信息构建体素模型的体素分类矩阵；通过神经网络模型利用体素分类矩阵对体素模型的类型进行识别，实现对体素模型的自动分类，可以减少或者不需要人工参与就能够实现体素模型的类型确定和分类，且本申请的分类方法能够快速处理大量的体素模型识别和分类，方便且高效。

请参阅图9，图9是本申请计算机可读存储介质一实施例的框架示意图。计算机可读存储介质90存储有能够被处理器运行的程序指令900，程序指令900用于实现上述任一3D体素模型的分类方法实施例的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，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。

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，或者也可以分布到网络单元上。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方式方案的目的。

另外，在本申请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。

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，本申请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(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。