图像检索方法、装置、设备、存储介质以及计算机程序产品

摘要

本公开公开了一种图像检索方法、装置、设备、存储介质以及计算机程序产品，涉及人工智能技术领域，具体为计算机视觉和深度学习。该方法的一具体实施方式包括：获取包含目标对象的目标图像；基于目标图像提取目标对象的对象特征向量与属性信息；将对象特征向量与属性信息进行融合，得到目标特征向量；基于目标特征向量进行检索，得到检索结果。该实施方式将对象特征向量与目标对象的属性信息进行融合，基于融合后得到的目标特征向量进行检索，在保证了检索召回率的前提下，提高了检索的准确率效率。

说明书

技术领域

本公开实施例涉及计算机领域，具体涉及计算机视觉、深度学习等人工智能技术领域，尤其涉及图像检索方法、装置、设备、存储介质以及计算机程序产品。

背景技术

随着深度学习技术的不断发展，深度学习技术在各个领域得到了广泛应用。比如，将深度学习技术应用于图像检索领域，而人脸检索是图像检索领域的一项重要技术。人脸检索是一项融合了计算机图像处理知识以及生物统计学知识的新兴生物识别技术，具有广阔的应用前景。当下人脸检索技术在诸如公园、工厂、广场、会议中心、体育场馆、学校、医院、商业街、酒店、餐饮娱乐场所、办公楼、电梯等场所均有应用。

发明内容

本公开实施例提出了一种图像检索方法、装置、设备、存储介质以及计算机程序产品。

第一方面，本公开实施例提出了一种图像检索方法，包括：获取包含目标对象的目标图像；基于目标图像提取目标对象的对象特征向量与属性信息；将对象特征向量与属性信息进行融合，得到目标特征向量；基于目标特征向量进行检索，得到检索结果。

第二方面，本公开实施例提出了一种图像检索装置，包括：获取模块，被配置成获取包含目标对象的目标图像；提取模块，被配置成基于目标图像提取目标对象的对象特征向量与属性信息；融合模块，被配置成将对象特征向量与属性信息进行融合，得到目标特征向量；检索模块，被配置成基于目标特征向量进行检索，得到检索结果。

第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开实施例提供的图像检索方法，在保证了检索召回率的前提下，提高了检索的准确率和效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的图像检索方法的一个实施例的流程图；

图3是根据本公开的图像检索方法的另一个实施例的流程图；

图4是根据本公开的图像检索方法的又一个实施例的流程图；

图5是根据本公开的图像检索装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的图像检索方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的图像检索方法或图像检索装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送目标图像等。终端设备101、102、103上可以安装有各种客户端应用，例如拍摄应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取到的目标图像进行分析和处理，并生成处理结果(例如检索结果)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的图像检索方法一般由服务器105执行，相应地，图像检索装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的图像检索方法的一个实施例的流程200。该图像检索方法包括以下步骤：

步骤201，获取包含目标对象的目标图像。

在本实施例中，图像检索方法的执行主体(例如图1所示的服务器105)可以获取包含目标对象的目标图像。其中，目标图像可以为通过图像传感器采集的，图像传感器即能够采集图像的传感器，本实施例中的图像传感器为摄像头传感器(以下简称为摄像头)，也可根据实际情况采用其他的图像传感器，本公开对此不做限定。

图像传感器采集的目标图像中包含有目标对象，目标对象即为需要进行检索的对象。

在实际应用中，本公开提供的图像检索方法可以应用在智慧城市中，上述目标图像可为固定摄像头采集的，固定摄像头为智慧城市中遍布在任意地方的摄像头，例如道路上、小区内等等。固定摄像头实时采集到图像后，会将采集的图像上传至图像数据库中，图像数据库中存储了所有固定摄像头采集的图像。

需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

步骤202，基于目标图像提取目标对象的对象特征向量与属性信息。

在本实施例中，上述执行主体可以基于目标图像来提取目标对象的对象特征向量与属性信息。由于目标图像中包含目标对象，所以可以提取目标图像中目标对象的对象特征向量与属性信息，其中，对象特征向量可以为目标对象的人脸特征向量，属性信息为目标图像中目标对象的其他相关信息，例如目标对象的衣着颜色、目标对象所处的地点等信息。

可选地，目标对象的人脸特征向量可通过预先训练好的卷积神经网络(Convolutional Neural Networks，CNN)模型得到，将包含目标对象人脸的目标图像输入至预先训练好的CNN模型中输出得到目标对象的人脸特征向量。

可选地，上述CNN模型可通过如下步骤训练得到：获取训练样本集，其中，训练样本集中的训练样本包括：包含目标对象人脸的样本图像和目标对象的人脸特征向量；将包含目标对象人脸的样本图像作为输入，将目标对象的人脸特征向量作为输出，通过训练得到该CNN模型。

步骤203，将对象特征向量与属性信息进行融合，得到目标特征向量。

在本实施例中，上述执行主体可以将对象特征向量与属性信息进行融合，得到目标特征向量。在一些情况下，图像传感器采集的目标图像可能会由于光照不足、拍摄角度不佳、目标对象被遮挡等原因，导致从目标图像的质量、清晰度及完整性不高，从该目标图像中提取的目标对象的人脸特征向量无法很准确地表示目标对象的人脸特征。所以，本实施例中通过将目标对象的对象特征向量与其属性信息进行融合，得到目标特征向量，该目标特征向量可以更全面地表征目标对象的特征。

步骤204，基于目标特征向量进行检索，得到检索结果。

在本实施例中，上述执行主体可以基于目标特征向量进行检索，从而得到检索结果。由于目标特征向量中融合了目标对象的人脸特征向量与相关的属性信息，所以使用目标特征向量进行检索，能够使得检索结果更准确，提高检索的准确率和效率。

可选地，上述执行主体会将目标特征向量与图像数据库中图像的人脸特征向量进行相似度检索，得到高相似度的图像，再进一步通过上述高相似度的图像来锁定目标。

本公开实施例提供的图像检索方法，首先获取包含目标对象的目标图像；然后基于目标图像提取目标对象的对象特征向量与属性信息；之后将对象特征向量与属性信息进行融合，得到目标特征向量；最后基于目标特征向量进行检索，得到检索结果。本公开提供了一种图像检索方法，该方法通过将目标对象的对象特征向量与属性信息进行融合，得到目标特征向量，再使用目标特征向量进行检索，能在保证召回率的前提下，提高检索结果的准确率。

继续参考图3，图3示出了根据本公开的图像检索方法的另一个实施例的流程300。该图像检索方法包括以下步骤：

步骤301，获取包含目标对象的目标图像。

在本实施例中，图像检索方法的执行主体(例如图1所示的服务器105)可以获取包含目标对象的目标图像。步骤301与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤302，基于目标图像提取目标对象的对象特征向量与属性信息。

在本实施例中，上述执行主体可以基于目标图像提取目标对象的对象特征向量与属性信息。步骤302与前述实施例的步骤202基本一致，具体实现方式可以参考前述对步骤202的描述，此处不再赘述。

在本实施例的一些可选实现方式中，属性信息包括但不限于以下至少一项：目标图像的时空属性信息、目标对象的个性化属性信息、目标对象所在车辆的车辆属性信息。其中，目标图像的时空属性信息为采集目标图像的摄像头的相关信息，目标对象的个性化属性信息为目标对象的相关信息，例如目标对象的衣着颜色、年龄、性别、是否戴眼镜、是否戴帽子、是否戴口罩等，目标对象所在车辆的车辆属性信息为目标图像中的目标对象在乘坐车辆的情况下，其所乘车辆的相关信息。由于有些情况下，摄像头可能无法完整地采集到目标对象的人脸特征，所以，可以获取目标对象的相关属性信息，从而更全面地表征该目标对象。

在本实施例的一些可选实现方式中，时空属性信息包括但不限于以下至少一项：拍摄的时间信息、拍摄的图像传感器的标识信息、图像传感器的经纬度信息。目标图像是由图像传感器(摄像头)采集的，现在的摄像头一般为IP(Internet Protocol，网际互连协议)摄像头，IP摄像头一般指的就是网络摄像机，它包括一个普通摄像机、视频服务器、网卡、应用软件等，有的还包括云台和变倍镜头。IP摄像头在采集图像时，会产生采集的时间信息、该摄像头的标识信息、该摄像头的经纬度信息。通过获取拍摄的时间信息、拍摄的图像传感器的标识信息、图像传感器的经纬度信息，可以得到目标对象的时空属性信息，也即目标对象相关的地理位置信息、行动轨迹信息等。

在本实施例的一些可选实现方式中，车辆属性信息包括但不限于以下至少一项：车牌信息、车辆颜色信息、目标对象在车辆中的位置信息。当目标图像中的目标对象乘坐车辆时，可以获取其所在车辆的车辆属性信息，如车牌号码、车辆的颜色以及目标对象在车辆中的位置信息，例如目标对象是在主驾驶位置还是在副驾驶的位置上。从而得到与目标对象相关的车辆属性信息。

步骤303，基于预先训练的特征融合模型将对象特征向量与属性信息进行融合，得到目标特征向量。

在本实施例中，上述执行主体可以基于预先训练的特征融合模型将对象特征向量与属性信息进行融合，得到目标特征向量。其中，特征融合模型为Wide&Deep模型中的Deep模型。Wide&Deep模型包括Wide层/模型和Deep层/模型，Wide模型为广义线性模型(WideLinear Model)，Deep模型为深度神经网络(Deep Neural Networks，DNN)模型。DNN模型可以将对象特征向量与属性信息进行融合，得到目标特征向量。本步骤通过特征融合模型将对象特征向量与属性信息进行融合，使得融合后的目标特征向量中包含了目标图像与目标对象的各个特征信息，该目标特征向量能够全面地表征目标对象。

作为一个示例，DNN模型可以将对象特征向量与目标图像的时空属性信息进行融合，得到目标特征向量。

作为另一个示例，DNN模型可以将对象特征向量与目标对象的个性化属性信息进行融合，得到目标特征向量。

作为又一个示例，DNN模型可以将对象特征向量、目标图像的时空属性信息与目标对象的个性化属性信息三者进行融合，得到融合后的目标特征向量。

步骤304，基于目标特征向量进行检索，得到检索结果。

在本实施例中，上述执行主体可以基于目标特征向量进行检索，得到检索结果。步骤304与前述实施例的步骤204基本一致，具体实现方式可以参考前述对步骤204的描述，此处不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的图像检索方法中会获取目标图像的时空属性信息、目标对象的个性化属性信息和/或目标对象所在车辆的车辆属性信息等属性信息，并基于预先训练的特征融合模型将对象特征向量与上述属性信息进行融合，并基于融合后的目标特征向量进行检索，得到检索结果。引入目标图像和目标对象的相关属性信息，能够解决由于光照不足、拍摄角度不佳、对象遮挡等问题导致的检索结果准确率低的问题，提高检索结果的准确率。

继续参考图4，图4示出了根据本公开的图像检索方法的又一个实施例的流程400。该图像检索方法包括以下步骤：

步骤401，获取包含目标对象的目标图像。

在本实施例中，图像检索方法的执行主体(例如图1所示的服务器105)可以获取包含目标对象的目标图像。步骤401与前述实施例的步骤301基本一致，具体实现方式可以参考前述对步骤301的描述，此处不再赘述。

步骤402，提取目标对象的人脸特征向量、个性化属性信息、目标图像的时空属性信息和目标对象所在车辆的车辆属性信息。

在本实施例中，上述执行主体可以从目标图像中提取目标对象的人脸特征向量和个性化属性信息、目标图像的时空属性信息及目标对象所在车辆的车辆属性信息。

其中，目标对象的人脸特征向量可通过预先训练的CNN模型得到；目标对象的个性化属性信息包括目标对象的衣着颜色、年龄、性别等信息；目标图像的时空属性信息为在采集目标图像时，IP摄像头记录的时间信息、经纬度信息和摄像头的名字；目标对象所在车辆的车辆属性信息包括车辆的颜色、车牌号码和目标对象在车辆中的位置等信息。

步骤403，利用特征融合模型分别对每个个性化属性信息、每个时空属性信息和每个车辆属性信息进行编码，并进行降维压缩，得到相对应的特征向量。

在本实施例中，上述执行主体可以利用预先训练好的特征融合模型分别对每个个性化属性信息、每个时空属性信息和每个车辆属性信息进行编码，并进行降维压缩，从而得到对应的特征向量。

个性化属性信息包括目标对象的衣着颜色、年龄、性别、是否戴眼镜、是否戴安全帽等，对个性化属性信息的处理过程包括：采用CNN模型对目标对象的个性化属性进行分析，得到对应的个性化特征向量。目标对象的衣着颜色、年龄、性别、是否戴眼镜、是否戴安全帽等这些属性输出本就是离散的One-Hot编码，所以只需对每一个属性分别使用Embedding建立向量空间，便可得到密集的个性化特征向量。

其中，One-Hot编码是分类变量作为二进制向量的表示，其将分类值映射到整数值，然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。

Embedding是将离散变量转为连续向量表示的一种方式。在神经网络中，Embedding它可以减少离散变量的空间维数，同时还可以有意义的表示该变量。

在使用Embedding时，需要先计算压缩后的Embedding维度，本实施例中可基于以下公式来计算压缩后的Embedding维度：

其中，dim表示压缩后的Embedding维度，vocab表示One-Hot编码后的值的长度。

时空属性信息包括拍摄的时间信息、IP摄像头的经纬度信息、IP摄像头的标识信息，所以，对时空属性信息的处理过程包括：

①对于采集目标图像时，IP摄像头记录的时间信息，抽取该时间信息中的年月日，分别对年月日进行One-Hot编码(独热编码)，编码后再使用Embedding对One-Hot编码后的值进行压缩，从而得到一个密集的时间向量。其中，压缩后的Embedding维度可通过公式(1)计算得到。

②对于IP摄像头的经纬度信息，可使用GeoHash编码方法对经纬度信息进行编码。其中，GeoHash是一种地址编码方法，它能够把二维的空间经纬度数据编码成一个字符串。对经纬度信息进过编码后会得到对应的12位的编码值，该编码值是一个字符串。之后对该字符串进行One-Hot编码，并采用word2vec(word to vector，用来产生词向量的相关模型)进行特征压缩，从而得到一个密集的能表征该目标图像空间位置的向量。

③对于IP摄像头的名字信息，会先去除掉名字信息中的一些无关紧要的信息(例如生产厂商标识信息等)，然后对其进行分字处理，得到分字后的信息，之后对分字后的信息进行One-Hot编码，最后，采用word2vec对编码后的结果进行特征压缩，从而得到一个密集的特征向量。

车辆属性信息包括车牌号码、车辆的颜色和目标对象在车辆中的位置等信息，对车辆属性信息的处理过程包括：

①通过车牌识别引擎，可以获得目标对象所在车辆的车牌号码，对车牌号码按字进行One-Hot编码，编码后采用word2vec进行特征降维，从而得到车牌号码的特征向量。

②通过目标图像可以获得车辆的颜色信息对该颜色进行One-Hot编码，编码后采用word2vec进行特征降维，从而得到颜色的特征向量。

③通过采集的目标图像中目标对象的人脸位置信息以及车辆检测的位置信息，可以判断出目标对象在车辆中的位置信息(主驾驶位置或副驾驶位置)，对该位置信息进行One-Hot编码，从而得到目标对象的位置信息的特征向量。

通过上述步骤，可以对目标图像、目标对象各个的属性信息分别进行编码和降维压缩，从而得到与各个属性信息对应的特征向量。通过将各个属性信息转化为对应的特征向量，使得在后续步骤中可以进行融合。

步骤404，将人脸特征向量与上述特征向量进行融合，得到目标特征向量。

在本实施例中，上述执行主体可以将人脸特征向量与步骤403得到的所有特征向量进行融合，得到目标特征向量。

在本实施例中，基于以下公式对所有特征向量进行融合：

y

y

y

其中，x

从上述公式可以看出，特征融合模型将人脸特征向量与个性化属性信息、时空属性信息、车辆属性信息经过One-Hot编码和降维压缩后得到的特征向量的输出结果进行了融合，从而得到目标特征向量。

步骤405，基于目标特征向量进行检索，得到检索结果。

在本实施例中，上述执行主体会基于步骤404得到的目标特征向量进行检索，得到检索结果。步骤405与前述实施例的步骤304基本一致，具体实现方式可以参考前述对步骤304的描述，此处不再赘述。

从图4中可以看出，与图3对应的实施例相比，本实施例中的图像检索方法提取了目标对象的人脸特征向量、个性化属性信息、时空属性信息和车辆属性信息，并使用特征融合模型对各个属性信息进行编码及降维压缩，得到各个属性信息对应的特征向量，最后将人脸特征向量与各个属性信息对应的特征向量进行了融合，得到了目标特征向量，该目标特征向量能够全面、准确地表征目标对象的相关特征，使用该目标特征向量进行检索，能在保持检索召回率的前提下，提高检索结果的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种图像检索装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的图像检索装置500可以包括：获取模块501、提取模块502、融合模块503和检索模块504。其中，获取模块501，被配置成获取包含目标对象的目标图像；提取模块502，被配置成基于目标图像提取目标对象的对象特征向量与属性信息；融合模块503，被配置成将对象特征向量与属性信息进行融合，得到目标特征向量；检索模块504，被配置成基于目标特征向量进行检索，得到检索结果。

在本实施例中，图像检索装置500中：获取模块501、提取模块502、融合模块503和检索模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，属性信息包括以下至少一项：目标图像的时空属性信息、目标对象的个性化属性信息、目标对象所在车辆的车辆属性信息。

在本实施例的一些可选的实现方式中，时空属性信息包括以下至少一项：拍摄的时间信息、拍摄的图像传感器的标识信息、图像传感器的经纬度信息。

在本实施例的一些可选的实现方式中，车辆属性信息包括以下至少一项：车牌信息、车辆颜色信息、目标对象在车辆中的位置信息。

在本实施例的一些可选的实现方式中，融合模块包括：融合子模块，被配置成基于预先训练的特征融合模型将对象特征向量与属性信息进行融合，得到目标特征向量。

在本实施例的一些可选的实现方式中，融合子模块进一步配置成：利用特征融合模型对属性信息进行编码，并进行降维压缩，得到属性信息的属性特征向量；将对象特征向量与属性特征向量进行融合，得到目标特征向量。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如图像检索方法。例如，在一些实施例中，图像检索方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的图像检索方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像检索方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。