⽔位尺读数识别python_⼀种基于虚拟⽔尺的⽔位识别⽅法及 系统与流程
本发明涉及⽔位识别技术领域，尤其涉及⼀种基于虚拟⽔尺的⽔位识别⽅法及系统。
背景技术：
燃料棒
随着计算机视觉与信息技术的发展以及视频、图像等多媒体数据的⼤量增长。⼈们可以通过挖掘视频、图像中的信息，进⼀步为决策做出依据。⽽在进⾏数据挖掘之前，⾸先要对这些庞⼤的视频、图像数据进⾏有效的分类管理。图像识别是⼀个基础⼯作，在信息提取、信息识别和信息检索⽅⾯都有重要的意义和价值。深度学习(DeepLearning)尤其是卷积神经⽹络(CNN)作为近⼏年来图像处理及模式识别中的研究重点，受到⼈们越来越多的关注，它是机器学习研究中的⼀个新的领域，其动机在于建⽴、模拟⼈脑进⾏分析学习的神经⽹络，它模仿⼈脑的机制来解释数据，例如图像，声⾳和⽂本。基于虚拟⽔尺的⽔位图像识别是⾯向⽔⾏业及能源⾏业特定的⽔位图像的⾃动识别产品，通过卷积神经⽹络及视觉标定与校准技术，能够⾃动识别⽔位读数，并在图像中画出对应刻度的虚拟⽔尺。在⼀些复杂场景中，只需要得到⽔位分别在两个时刻的⾼度，便可计算出当前⽔位⾼度。替代了传统的⼈⼯观测计数，从⽽提⾼⽤户⼯作效率，减少⼈⼯操作。
现有的基于虚拟⽔尺的⽔位图像识别通常包括以下两种：⼀是基于hough变换与harris检测的标尺识别⽅法，算法使⽤中值滤波去除噪声和灰度均衡之后，再使⽤形态学的细化和轮廓提取技术计算刻线的位置。这种识别⽅法采⽤的是传统的图像处理⽅法，只在少量图像上表现好，不能够很好的适应各种⽔尺型号(如⽔尺颜⾊、刻度、尺⼨等)及复杂环境(如光照、⾓度等)的变化；⼆是基于⽬标检测的⽔标尺识别算法，该算法采⽤深度学习与卷积神经⽹络结构进⾏训练，提取图像中⽔标尺的位置信息，通过计算⽔标尺像素⾼度与刻度信息⽐例得到⽔标尺读数。这种基于⽬标检测的⽔标尺识别算法的缺点在于不能很好的适应场景多变的复杂环境，当标尺上⾯存在污痕、斑点、损坏或刻度颜⾊多样时，导致⽔标尺边缘框及刻度识别不准，使算法的准确度明显降低，同时对多样化的⾃然场景鲁棒性很差。 技术实现要素：
本发明的⼀个⽬的在于提供⼀种基于虚拟⽔尺的⽔位识别⽅法，通过⽔域识别得到⾃然⽔域的当前⽔位，可提⾼⽔位识别准确度。本发明的另⼀个⽬的在于提供⼀种基于虚拟⽔尺的⽔位识别系统。本发明的再⼀个⽬的在于提供⼀种计算机设备。本发明的还⼀个⽬的在于提供⼀种可读介质。
为了达到以上⽬的，本发明⼀⽅⾯公开了⼀种基于虚拟⽔尺的⽔位识别⽅法，包括：
选取⾃然⽔域中已知实际位置的两个初始点以及两个初始点在与所述⾃然⽔域对应的⽔域图像中的图像坐标；
通过⽔域分割模型识别所述⽔域图像中的⽔域区域；
根据所述⽔域区域以及所述两个初始点的实际位置和图像坐标确定所述⾃然⽔域当前⽔⾯的⽔⾯⾼程。
优选地，所述两个初始点为所述⾃然⽔域中实际⽔尺的顶部⾼程和初始⽔⾯⾼程两个点。
优选地，所述⽅法进⼀步包括形成所述⽔域分割模型的步骤。
优选地，所述形成所述⽔域分割模型具体包括：
形成图像⽔域分割⽹络模型；
根据所述⽹络模型通过图像分割算法对多张⽔域图像进⾏训练得到所述⽔域分割模型。
优选地，所述根据所述⽔域区域以及所述两个初始点分别在所述⾃然⽔域的实际位置和在所述⽔域图像的图像坐标确定所述⾃然⽔域当前⽔⾯的⽔⾯⾼程具体包括：
根据所述⽔域区域和所述两个初始点在所述⽔域图像的图像坐标得到当前⽔⾯在所述⽔域图像中的⽔位位置坐标；
根据两个初始点在所述⾃然⽔域的实际位置和在所述⽔域图像的图像坐标以及当前⽔⾯的所述⽔位位置坐标得到所述⽔⾯⾼程。
优选地，所述⽅法进⼀步包括在所述⽔域图像上形成虚拟⽔尺图像的步骤。
优选地，所述在所述⽔域图像上形成虚拟⽔尺图像具体包括：
根据所述⽔⾯⾼程和所述⽔域区域得到虚拟⽔尺的像素⼤⼩；
通过逆透视变换得到虚拟⽔尺的起始位置和终⽌位置；
根据所述起始位置、所述终⽌位置以及所述像素⼤⼩形成所述虚拟⽔尺并显⽰所述⽔⾯⾼程。
本发明还公开了⼀种基于虚拟⽔尺的⽔位识别系统，包括：
初始参数模块，⽤于选取⾃然⽔域中已知实际位置的两个初始点；
⽔域识别模块，⽤于通过⽔域分割模型识别与所述⾃然⽔域对应的⽔域图像中的⽔域区域；
⽔位识别模块，⽤于根据所述⽔域区域以及所述两个初始点分别在所述⾃然⽔域的实际位置和在所述⽔域图像的图像坐标确定所述⾃然⽔域当前⽔⾯的⽔⾯⾼程。
本发明还公开了⼀种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运⾏的计算机程序，
NFJ防静电不发火地面
所述处理器执⾏所述程序时实现如上所述⽅法。
本发明还公开了⼀种计算机可读介质，其上存储有计算机程序，
该程序被处理器执⾏时实现如上所述⽅法。
本发明通过选取⾃然⽔域中已知实际位置的两个初始点以及该两个初始点在⽔域图像中的图像坐标，通过基于深度学习的⽔域分割模型识别⽔域图像中的⽔域区域，并通过该⽔域区域与两个初始点的图像坐标确定当前⽔⾯的⽔⾯⾼程。本发明通过识别⽔域图像中的⽔域区域，⽆需对实际⽔尺进⾏图像识别，可适应不同⽔尺型号及复杂环境下的⽔位识别，当实际⽔尺存在污痕、斑点、损坏或刻度颜⾊多样⽽导致⽔域图像中的⽔尺⽆法识别时，能够⽣成准确的虚拟⽔尺，以提⾼⽔位识别的准确度，代替传统⼈眼判断读数，从⽽降低⼈⼯投⼊，提⾼⼯作效率。
附图说明
为了更清楚地说明本发明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简单地介绍，显⽽易见地，下⾯描述中的附图仅仅是本发明的⼀些实施例，对于本领域
普通技术⼈员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1⽰出本发明⼀种基于虚拟⽔尺的⽔位识别⽅法⼀个具体实施例的流程图之⼀；
图2⽰出本发明⼀种基于虚拟⽔尺的⽔位识别⽅法⼀个具体实施例的流程图之⼆；
图3⽰出本发明⼀种基于虚拟⽔尺的⽔位识别⽅法⼀个具体实施例的流程图之三；
图4⽰出本发明⼀种基于虚拟⽔尺的⽔位识别⽅法⼀个具体实施例的流程图之四；
图5⽰出本发明⼀种基于虚拟⽔尺的⽔位识别⽅法⼀个具体实施例的流程图之五；
图6⽰出本发明⼀种基于虚拟⽔尺的⽔位识别系统⼀个具体实施例的结构图之⼀；
图7⽰出本发明⼀种基于虚拟⽔尺的⽔位识别系统⼀个具体实施例的结构图之⼆；
图8⽰出本发明⼀种基于虚拟⽔尺的⽔位识别系统⼀个具体实施例的结构图之三；
图9⽰出适于⽤来实现本发明实施例的计算机设备的结构⽰意图。
具体实施⽅式
下⾯将结合本发明实施例中的附图，对本发明实施例中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。基于本发明中的实施例，本领域普通技术⼈员在没有做出创造性劳动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。
根据本发明的⼀个⽅⾯，本实施例公开了⼀种基于虚拟⽔尺的⽔位识别⽅法。如图1所⽰，本实施例中，所述⽔位识别⽅法包括：
S100：选取⾃然⽔域中已知实际位置的两个初始点以及两个初始点在与所述⾃然⽔域对应的⽔域图像中的图像坐标。
S200：通过⽔域分割模型识别所述⽔域图像中的⽔域区域。
S300：根据所述⽔域区域以及所述两个初始点的实际位置和图像坐标确定所述⾃然⽔域当前⽔⾯的⽔⾯⾼程。
本发明通过选取⾃然⽔域中已知实际位置的两个初始点以及该两个初始点在⽔域图像中的图像坐标，通过基于深度学习的⽔域分割模型识别⽔域图像中的⽔域区域，并通过该⽔域区域与两个初始点的图像坐标确定当前⽔⾯的⽔⾯⾼程。本发明通过识别⽔域图像中的⽔域区域，⽆需对实际⽔尺进⾏图像识别，可适应不同⽔尺型号及复杂环境下的⽔位识别，当实际⽔尺存在污痕、斑点、损坏或刻度颜⾊
解子征多样⽽导致⽔域图像中的⽔尺⽆法识别时，能够⽣成准确的虚拟⽔尺，以提⾼⽔位识别的准确度，代替传统⼈眼判断读数，从⽽降低⼈⼯投⼊，提⾼⼯作效率。
在⼀个具体例⼦中，在对⾃然⽔域进⾏监控时，可通过图像采集设备采集⾃然⽔域的监控视频或监控图像，可通过提取图像采集设备将采集的视频或图像数据，形成⽔域图像，分析所述⽔域图像得到选取的两个初始点在⽔域图像上的坐标位置。可以理解的是，图像采集设备的位置和⾓度在监控过程中不发⽣变化，从⽽⾃然⽔域中两个初始点在⽔域图像上的坐标位置对应的不发⽣变化。当图像采集设备的位置或⾓度发⽣变化，需要重新确定两个预选的初始点在⽔域图像上的坐标位置。
在优选的实施⽅式中，所述两个初始点为所述⾃然⽔域中实际⽔尺的顶部⾼程和初始⽔⾯⾼程两个点。通过选取实际⽔尺的顶部⾼程和初始⽔⾯⾼程两个点作为初始点，⼀⽅⾯可以确定根据两个初始点在⾃然⽔域的实际距离和在⽔域图像上的图像距离确定虚拟⽔尺的像素⼤⼩，从⽽可在⽔域图像上⽣成虚拟⽔尺。
在优选的实施⽅式中，所述⽅法进⼀步包括形成所述⽔域分割模型的步骤。通过深度学习技术形成⽔域分割模型，通过⽔域分割模型不断迭代和优化，能够准确识别⽔域图像上的⽔域区域，根据⽔域区域的范围可进⼀步确定⽔⾯的当前⽔位，以实现对⾃然⽔域的实时监控。
在优选的实施⽅式中，如图2所⽰，所述形成所述⽔域分割模型具体可包括：
S210：形成图像⽔域分割⽹络模型。在⼀个优选实施⽅式中，可通过空间⾦字塔模块在输⼊的特征图谱(feature)上采取多采样率扩张卷积、多接收野卷积或池化，探索多尺度上下⽂信息。通过编码器解码(encoder-decoder)逐渐恢复空间信息来捕捉清晰的⽔域边界，并将深度可分卷积(xception)算法⽤于⽔域分割任务中，获得到强⼤⼜快速的⽹络模型。在其他实施⽅式中，也可采⽤其他深度学习算法形成图像⽔域分割⽹络模型，本发明对此并不作限定。
塑料水嘴
S220：根据所述⽹络模型通过图像分割算法对多张⽔域图像进⾏训练得到所述⽔域分割模型。具体的，在⼀个优选的实施⽅式中，可采⽤deeplabv3+图像分割算法对⾃然场景中的多张⽔域图像形成的数据集进⾏训练，设置初始学习率lr为1e-7，动量momentum为0.9，在迭代300个epochs之后得到⽔域分割模型。在其他实施⽅式中，也可通过其他图像分割算法对多张⽔域图像进⾏训练得到⽔域分割模型，本发明对此并不作限定。
在优选的实施⽅式中，如图3所⽰，所述步骤S300具体可包括：
推杆锁
S310：根据所述⽔域区域和所述两个初始点在所述⽔域图像的图像坐标得到当前⽔⾯在所述⽔域图像中的⽔位位置坐标。
S320：根据两个初始点在所述⾃然⽔域的实际位置和在所述⽔域图像的图像坐标以及当前⽔⾯的所述⽔位位置坐标得到所述⽔⾯⾼程。
具体的，在⼀个优选的实施⽅式中，两个初始点分别为实际⽔尺的顶部⾼程Hg和初始⽔⾯⾼程Hc，其中，顶部⾼程Hg在⽔域图像上的坐标为(x1,y1)，初始⽔⾯⾼程Hc在⽔域图像上的坐标为(x2,y2)。
所述⽔域区域可以是通过⽔域分割模型得到的Mask掩码矩阵，根据掩码矩阵与两个初始点计算得到当前⽔位在⽔域图像上的⽔位位置坐标ynow，ynow可通过对Mask掩码矩阵执⾏ynow＝Mask[:,(x1+x2)/2].min()算法计算得到。进⼀步地，通过两个初始的在⾃然⽔域的实际位置得到当前⽔⾯在⾃然⽔域在⽔⾯⾼程Hw，Hw可通过以下公式计算得到：Hw＝Hg-[(Hg-Hc)/(y2-y1)]*(ynow-y1)。本发明通过对⽔域图像进⾏⽔域区域识别得到当前⽔位，从⽽能够根据当前⽔位情况对⾃然⽔域进⾏监控，提升监控的⽔域图像识别条件较差情况下识别准确度，更好的发挥⽔位变化视频图像识别监控能⼒，发现异常更加及时准确。减轻⼈⼯监控资源投⼊，提升整体防汛能⼒及⼯作效率。
在优选的实施⽅式中，所述⽅法进⼀步包括在所述⽔域图像上形成虚拟⽔尺图像的步骤S400，如图4所⽰。通过在⽔域图像上形成虚拟⽔尺图像可在⽔尺破损或光线不⾜导致实际⽔尺看不清的时候，使⽤户可根据虚拟⽔尺监测当前⽔位，可更直观、⽅便地对⽔域⽔位进⾏监测。
在优选的实施⽅式中，如图5所⽰，所述S400具体可包括：
S410：根据所述⽔⾯⾼程和所述⽔域区域得到虚拟⽔尺的像素⼤⼩。具体的，可根据⽔域分割模型得到的⽔域区域的Mask掩码矩阵，确定需要显⽰的虚拟⽔尺的位置范围，例如在⼀个实施⽅式中，虚拟
⽔尺从⾄少位于⽔域区域范围内延伸⾄实际⽔尺的顶部⾼程Hg，在其他实施⽅式中，也可根据实际需求灵活选择形成的虚拟⽔尺的像素⼤⼩，确定形成的虚拟⽔尺的位置。
S420：通过逆透视变换得到虚拟⽔尺的起始位置和终⽌位置。根据确定的虚拟⽔尺的像素⼤⼩通过逆透视变换得到虚拟⽔尺的起始位置(x1’,y1’)和终⽌位置(x2’,y2’)，例如，起始位置可以是实际⽔尺的顶部⾼程在⽔域图像上的对应点或对应点旁边的点，终⽌位置可以是当前⽔位在⽔域图像上的对应点或对应点旁边的点。
S430：根据所述起始位置、所述终⽌位置以及所述像素⼤⼩形成所述虚拟⽔尺并显⽰所述⽔⾯⾼程。具体的，在⽔域图像上从起始位置到终⽌位置根据虚拟⽔尺的像素⼤⼩形成虚拟⽔尺。通过逆透视变换形成虚拟⽔尺，可使形成的虚拟⽔尺更⽴体，形成具有空间显⽰效果的虚拟⽔尺，提升显⽰效果和⽤户体验。
基于相同原理，本实施例还公开了⼀种基于虚拟⽔尺的⽔位识别系统。如图6所⽰，本实施例中，所述系统包括初始参数模块11、⽔域识别模块12和⽔位识别模块13。
其中，所述初始参数模块11⽤于选取⾃然⽔域中已知实际位置的两个初始点。所述⽔域识别模块12⽤于通过⽔域分割模型识别与所述⾃然⽔域对应的⽔域图像中的⽔域区域。所述⽔位识别模块13⽤于根据所述⽔域区域以及所述两个初始点分别在所述⾃然⽔域的实际位置和在所述⽔域图像的图像坐标确
定所述⾃然⽔域当前⽔⾯的⽔⾯⾼程。
本发明通过选取⾃然⽔域中已知实际位置的两个初始点以及该两个初始点在⽔域图像中的图像坐标，通过基于深度学习的⽔域分割模型识别⽔域图像中的⽔域区域，并通过该⽔域区域与两个初始点的图像坐标确定当前⽔⾯的⽔⾯⾼程。本发明通过识别⽔域图像中的⽔域区域，⽆需对实际⽔尺进⾏图像识别，可适应不同⽔尺型号及复杂环境下的⽔位识别，当实际⽔尺存在污痕、斑点、损坏或刻度颜⾊多样⽽导致⽔域图像中的⽔尺⽆法识别时，能够⽣成准确的虚拟⽔尺，以提⾼⽔位识别的准确度，代替传统⼈眼判断读数，从⽽降低⼈⼯投⼊，提⾼⼯作效率。
在⼀个具体例⼦中，在对⾃然⽔域进⾏监控时，可通过图像采集设备采集⾃然⽔域的监控视频或监控图像，可通过提取图像采集设备将采集的视频或图像数据，形成⽔域图像，分析所述⽔域图像得到选取的两个初始点在⽔域图像上的坐标位置。可以理解的是，图像采集设备的位置和⾓度在监控过程中不发⽣变化，从⽽⾃然⽔域中两个初始点在⽔域图像上的坐标位置对应的不发⽣变化。当图像采集设备的位置或⾓度发⽣变化，需要重新确定两个预选的初始点在⽔域图像上的坐标位置。
在优选的实施⽅式中，所述两个初始点为所述⾃然⽔域中实际⽔尺的顶部⾼程和初始⽔⾯⾼程两个点。通过选取实际⽔尺的顶部⾼程和初始⽔⾯⾼程两个点作为初始点，⼀⽅⾯可以确定根据两个初始点在⾃然⽔域的实际距离和在⽔域图像上的图像距离确定虚拟⽔尺的像素⼤⼩，从⽽可在⽔域图像上⽣成虚拟⽔尺。
在优选的实施⽅式中，如图7所⽰，所述系统进⼀步包括⽤于形成⽔域分割模型的模型构建模块14。通过深度学习技术形成⽔域分割模型，通过⽔域分割模型不断迭代和优化，能够准确识别⽔域图像上的⽔域区域，根据⽔域区域的范围可进⼀步确定⽔⾯的当前⽔位，以实现对⾃然⽔域的实时监控。
在优选的实施⽅式中，所述模型构建模块14具体⽤于形成图像⽔域分割⽹络模型，根据所述⽹络模型通过图像分割算法对多张⽔域图像进⾏训练得到所述⽔域分割模型。
在⼀个优选实施⽅式中，可通过空间⾦字塔模块在输⼊的特征图谱(feature)上采取多采样率扩张卷积、多接收野卷积或池化，探索多尺度上下⽂信息。通过编码器解码(encoder-decoder)逐渐恢复空间信息来捕捉清晰的⽔域边界，并将深度可分卷积(xception)算法⽤于⽔域分割任务中，获得到强⼤⼜快速的⽹络模型。在其他实施⽅式中，也可采⽤其他深度学习算法形成图像⽔域分割⽹络模型，本发明对此并不作限定。
在⼀个优选的实施⽅式中，可采⽤deeplabv3+图像分割算法对⾃然场景中的多张⽔域图像形成的数据集进⾏训练，设置初始学习率lr为1e-7，动量momentum为0.9，在迭代300个epochs之后得到⽔域分割模型。在其他实施⽅式中，也可通过其他图像分割算法对多张⽔域图像进⾏训练得到⽔域分割模型，本发明对此并不作限定。
橄榄采摘机
在优选的实施⽅式中，所述⽔位识别模块13进⼀步⽤于根据所述⽔域区域和所述两个初始点在所述⽔
域图像的图像坐标得到当前⽔⾯在所述⽔域图像中的⽔位位置坐标，根据两个初始点在所述⾃然⽔域的实际位置和在所述⽔域图像的图像坐标以及当前⽔⾯的所述⽔位位置坐标得到所述⽔⾯⾼程。
具体的，在⼀个优选的实施⽅式中，两个初始点分别为实际⽔尺的顶部⾼程Hg和初始⽔⾯⾼程Hc，其中，顶部⾼程Hg在⽔域图像上的坐标为(x1,y1)，初始⽔⾯⾼程Hc在⽔域图像上的坐标为(x2,y2)。
所述⽔域区域可以是通过⽔域分割模型得到的Mask掩码矩阵，根据掩码矩阵与两个初始点计算得到当前⽔位在⽔域图像上的⽔位位置坐标ynow，ynow可通过对Mask掩码矩阵执⾏ynow＝Mask[:,(x1+x2)/2].min()算法计算得到。进⼀步地，通过两个初始的在⾃然⽔域的实际位置得到当前⽔⾯在⾃然⽔域在⽔⾯⾼程Hw，Hw可通过以下公式计算得到：Hw＝Hg-[(Hg-Hc)/(y2-y1)]*(ynow-y1)。本发明通过对⽔域图像进⾏⽔域区域识别得到当前⽔位，从⽽能够根据当前⽔位情况对⾃然⽔域进⾏监控，提升监控的⽔域图像识别条件较差情况下识别准确度，更好的发挥⽔位变化视频图像识别监控能⼒，发现异常更加及时准确。减轻⼈⼯监控资源投⼊，提升整体防汛能⼒及⼯作效率。
在优选的实施⽅式中，如图8所⽰，所述系统进⼀步包括在所述⽔域图像上形成虚拟⽔尺图像的虚拟⽔尺模块15。通过在⽔域图像上形成虚拟⽔尺图像可在⽔尺破损或光线不⾜导致实际⽔尺看不清的时候，使⽤户可根据虚拟⽔尺监测当前⽔位，可更直观、⽅便地对⽔域⽔位进⾏监测。
在优选的实施⽅式中，所述虚拟⽔尺模块15具体⽤于根据所述⽔⾯⾼程和所述⽔域区域得到虚拟⽔尺
的像素⼤⼩，通过逆透视变换得到虚拟⽔尺的起始位置和终⽌位置，并根据所述起始位置、所述终⽌位置以及所述像素⼤⼩形成所述虚拟⽔尺并显⽰所述⽔⾯⾼程。
具体的，可根据⽔域分割模型得到的⽔域区域的Mask掩码矩阵，确定需要显⽰的虚拟⽔尺的位置范围，例如在⼀个实施⽅式中，虚拟⽔尺从⾄少位于⽔域区域范围内延伸⾄实际⽔尺的顶部⾼程Hg，在其他实施⽅式中，也可根据实际需求灵活选择形成的虚拟⽔尺的像素⼤⼩，确定形成的虚拟⽔尺的位置。
进⼀步地，根据确定的虚拟⽔尺的像素⼤⼩通过逆透视变换得到虚拟⽔尺的起始位置(x1’,y1’)和终⽌位置(x2’,y2’)，例如，起始位置可以是实际⽔尺的顶部⾼程在⽔域图像上的对应点或对应点旁边的点，终⽌位置可以是当前⽔位在⽔域图像上的对应点或对应点旁边的点。
进⼀步地，在⽔域图像上从起始位置到终⽌位置根据虚拟⽔尺的像素⼤⼩形成虚拟⽔尺。通过逆透视变换形成虚拟⽔尺，可使形成的虚拟⽔尺更⽴体，形成具有空间显⽰效果的虚拟⽔尺，提升显⽰效果和⽤户体验。
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设备，具体的，计算机设备例如可以为个⼈计算机、膝上型计算机、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。
在⼀个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运⾏的计算机程序，所述处理器执⾏所述程序时实现如上所述的由客户端执⾏的⽅法，或者，所述处理器执⾏所述程序时实现如上所述的由服务器执⾏的⽅法。
下⾯参考图9，其⽰出了适于⽤来实现本申请实施例的计算机设备600的结构⽰意图。
如图9所⽰，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序⽽执⾏各种适当的⼯作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603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。
以下部件连接⾄I/O接⼝605：包括键盘、⿏标等的输⼊部分606；包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的⽹络接⼝卡的通信部分609。通信部分609经由诸如因特⽹的⽹络执⾏通信处理。驱动器610也根据需要连接⾄I/O接⼝606。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地，根据本发明的实施例，上⽂参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括⼀种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括⽤于执⾏流程图所⽰的⽅法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从⽹络上被下载和安装，和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和⾮永久性、可移动和⾮可移动媒体可以由任何⽅法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例⼦包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他⾮传输介质，可⽤于存储可以被计算设备访问的信息。按照本⽂中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为了描述的⽅便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同⼀个或多个软件和/或硬件中实现。
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。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议