1.本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于人脸识别等场景。
背景技术：2.活体识别是指区分一张图像是否为通过拍摄真实对象得到的，现有的活体识别方式，通常是采用基于深度学习技术的活体识别方法进行对图像中的检测对象进行活体识别。然而，这些主流的活体识别方法均存在各自的缺陷，在一些应用场景无法较准确地判断出检测对象是否为活体。
技术实现要素：3.本公开提供了一种活体识别方法、装置、电子设备以及存储介质。
4.根据本公开的第一方面，提供了一种活体识别方法，包括：
5.获取待检测图像，待检测图像包括检测对象；
6.通过将待检测图像输入到第一识别模型，确定出检测对象的第一初始活体识别结果；
7.对待检测图像依次进行滤波和差分，得到差分图像；
8.通过将差分图像输入到第二识别模型，确定出检测对象的第二初始活体识别结果；
9.基于第一初始活体识别结果和第二初始活体识别结果，确定出检测对象的目标活体识别结果。
10.根据本公开的第二方面，提供了一种活体识别装置，包括：
11.待检测图像获取模块，用于获取待检测图像，待检测图像包括检测对象；
12.第一结果确定模块，用于通过将待检测图像输入到第一识别模型，确定出检测对象的第一初始活体识别结果；
13.差分图像获取模块，用于对待检测图像依次进行滤波和差分，得到差分图像；
14.第二结果确定模块，用于通过将差分图像输入到第二识别模型，确定出检测对象的第二初始活体识别结果；
15.目标结果确定模块，用于基于第一初始活体识别结果和第二初始活体识别结果，确定出检测对象的目标活体识别结果。
16.根据本公开的第三方面，提供了一种电子设备，包括：
17.至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
18.其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的活体识别方法。
19.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的活体识别方法。
20.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的活体识别方法。
21.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。
22.本公开提供的技术方案带来的有益效果是：
23.在本公开的技术方案中，将待检测图像进行滤波和差分后得到差分图片，将待检测图像和差分图片分别输入到对应的模型以得到两个初始活体识别结果，基于两个初始活体识别结果得到最终的目标初始活体识别结果。上述方法充分考虑了待检测图像本身的特征以及对应的差分图像的特征，综合了两种特征对应的初始活体识别结果来获得最终的活体识别结果，提高了活体识别的准确性和可靠性。
附图说明
24.附图用于更好地理解本方案，不构成对本公开的限定。其中：
25.图1示出了本公开实施例提供的一种活体识别方法的流程示意图；
26.图2示出了本公开实施例提供的另一种活体识别方法的流程示意图；
27.图3示出了本公开实施例提供的一种活体识别装置的结构示意图；
28.图4示出了可以用来实施本公开实施例提供的活体识别方法的示例电子设备的示意性框图。
具体实施方式
29.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。
30.活体识别是指区分一张图像是否为通过拍摄真实对象得到的，现有的活体识别方式，通常是采用基于深度学习技术的活体识别方法进行对图像中的检测对象进行活体识别。然而，这些主流的活体识别方法均存在各自的缺陷，在一些应用场景无法较准确地判断出检测对象是否为活体。
31.本公开实施例提供的活体识别方法、装置、电子设备以及存储介质，旨在解决现有技术的如上技术问题中的至少一个。
32.图1示出了本公开实施例提供的一种活体识别方法的流程示意图，如图1所示，该方法主要可以包括以下步骤：
33.s110：获取待检测图像。
34.在本公开实施例中，待检测图像包括检测对象，其中，检测对象可以是任一种类型的被检测物。例如，检测对象可以是人物、动物、植物、自然景观和建筑物等。
35.在本公开实施例中，若待检测图像是基于拍摄真实的检测对象而获得的，则待检测图像中的检测对象可以被认定为是活体；若待检测图像是基于拍摄非真实的检测对象而获得的，则待检测图像中的检测对象可以被认定为是非活体。例如，若待检测图像是基于拍摄的检测对象的照片而获得的，则待检测图像中的检测对象可以被认定为是非活体，该照
片可能是检测对象的实物照片，也可能是基于电子设备的屏幕所展示的电子照片。
36.可选的，本公开实施例在获取待检测图像时，可以从包含检测对象的原始图像中，识别出检测对象的关键特征区域；在原始图像中分割出包含关键特征区域的有效图像，并将有效图像作为待检测图像。这里，待检测图像的尺寸为关键特征区域的尺寸的预设倍数。
37.s120：通过将待检测图像输入到第一识别模型，确定出检测对象的第一初始活体识别结果。
38.在本公开实施例中，为了便于表述和理解，将第一识别模型针对待检测图像确定出的检测对象的活体识别结果称为第一初始活体识别结果。待检测图像可以是rgb图像，第一识别模型可以是任意一种能够针对rgb图像确定出检测对象的活体识别结果的模型，例如，第一识别模型可以是针对rgb图像确定出检测对象的活体识别结果的神经网络模型，当然，第一识别模型也可以是其他类型的模型，此处不再列举。
39.可选地，本公开实施例可以利用第一识别模型从待检测图像中确定出检测对象的至少一个维度的深层特征；基于至少一个维度的深层特征，确定出检测对象的第一初始活体识别结果。
40.s130：对待检测图像依次进行滤波和差分，得到差分图像。
41.可以理解，对待检测图像进行滤波，即在尽量保留待检测图像细节特征的条件下对待检测图像的噪声进行抑制。在对待检测图像依次进行滤波之后可以得到滤波图像，之后通过将待检测图像与滤波图像相减，即可得到差分图像。
42.本公开的发明人经研究发现，如果待检测图像是基于拍摄非真实的检测对象而获得的，那么待检测图像中通常会存在较多的噪声，经进一步研究发现，上述的待检测图像通常是基于拍摄的检测对象的照片(如检测对象的实物照片或电子照片)而获得的，由于照片上会存在反光，这就会导致待检测图像出现较多的噪声。待检测图像上的噪声通常会表现为引起较强视觉效果的孤立像素点或像素块，对于数字图像信号，噪声表现为或大或小的极值，这些极值通过加减作用于图像像素的真实灰度值上，对图像造成亮、暗点干扰。对待检测图像进行滤波能有效地去除目标和背景中的噪声，同时能很好地保护图像目标的形状、大小及特定的几何和拓扑结构特征。
43.本公开实施例所采用的滤波方式可以根据实际的设计需要而定，例如可以采用自适应中值滤波、高斯滤波、双边滤波和导向滤波等滤波方式。可选地，本公开实施例在对待检测图像依次进行滤波和差分时，可以对待检测图像进行双边滤波，得到滤波图像；基于待检测图像和滤波图像进行图像差分，得到差分图像。
44.s140：通过将差分图像输入到第二识别模型，确定出检测对象的第二初始活体识别结果。
45.在本公开实施例中，为了便于表述和理解，将第二识别模型针对差分图像确定出的检测对象的活体识别结果称为第二初始活体识别结果。可以理解，第二识别模型可以是任意一种能够针对差分图像确定出检测对象的活体识别结果的模型，例如，第二识别模型可以是针差分图像确定出检测对象的活体识别结果的二分类模型，当然，第二识别模型也可以是其他类型的模型，此处不再列举。
46.s150：基于第一初始活体识别结果和第二初始活体识别结果，确定出检测对象的目标活体识别结果。
47.本公开实施例综合了基于待检测图像本身所确定的活体识别结果和基于待检测图像对应的差分图像所确定活体识别结果，从而最终确定出目标活体识别结果。可以理解，目标活体识别结果可以包括“检测对象是活体”和“检测对象不是活体”，针对每个待检测图像，步骤s150可以输入两种检测结果中的其中一个。
48.本公开实施例提供的活体识别方法，将待检测图像进行滤波和差分后得到差分图片，将待检测图像和差分图片分别输入到对应的模型以得到两个初始活体识别结果，基于两个初始活体识别结果得到最终的目标初始活体识别结果。上述方法充分考虑了待检测图像本身的特征以及对应的差分图像的特征，综合了两种特征对应的初始活体识别结果来获得最终的活体识别结果，提高了活体识别的准确性和可靠性。
49.可选地，第一初始活体识别结果为检测对象属于活体的第一初始概率，第二初始活体识别结果为检测对象属于活体的第二初始概率。本公开实施例在确定检测对象的目标活体识别结果时，可以对第一初始概率和第二初始概率进行加权求和，得到目标概率；基于目标概率和预设的概率阈值，确定检测对象的目标活体识别结果。
50.图2示出了本公开实施例提供的另一种活体识别方法的流程示意图，如图2所示，该方法主要可以包括以下步骤：
51.s210：从包含检测对象的原始图像中，识别出检测对象的关键特征区域。
52.本公开实施例中，可以从原始图像获取待检测图像，其中，原始图像可能是拍摄真实的检测对象而获得的图像，也可能是拍摄非真实的检测对象而获得的图像。原始图像的获取途径可以根据实际的应用场景而定，以检测对象是人物为例，在考勤、门禁、安防、金融支付等场景中，需要通过拍摄设备来获取包含人物的人脸区域的图像，该场景中拍摄设备所拍摄的图像即可以被视为包含检测对象的原始图像。
53.本公开实施例可以基于检测对象的类型，预先定义检测对象的关键特征区域。继续以检测对象是人物为例，人物的关键特征区域可以是人脸区域，因此，步骤s210可以从原始图像中识别出人物的人脸区域。可选地，本公开实施例可以针对检测对象的关键特征区域预先定义多个预设类型的关键点，在识别检测对象的关键特征区域时，可以在包含检测对象的原始图像中，确定出检测对象上的多个预设类型的关键点的位置信息；基于多个预设类型的关键点的位置信息，从原始图像中识别出检测对象的关键特征区域。以多个预设类型的关键点的位置信息来确定关键特征区域，可以提升关键特征区域识别过程的效率和准确度。
54.以检测对象是人物、关键特征区域是人脸区域为例，可针对人脸区域预先定义多个预设类型的关键点，例如，可以针对人脸区域预先定义72个类型的关键点。在本公开实施例中，可以将原始图像输入到预先训练好的人脸关键点检测模型，通过人脸关键点检测模型确定出多个预设类型的关键点的位置信息，具体来说，可以在原始图像上设置一个坐标系，关键点的位置信息可用坐标来表示，例如，72个关键点的位置信息可以分别表示为(x1,y1)
…
(x
72
,y
72
)。
55.在确定出检测对象上的多个预设类型的关键点的坐标之后；基于多个坐标从原始图像中识别出人脸区域。以原始图像和待检测图形均为矩形为例，可以将原始图像上的坐标系的原点设置在原始图像的左下顶点上，在所有关键点的坐标值中确定出最小横坐标值x
min
、最大横坐标值x
max
、最小纵坐标值y
min
，最大纵坐标值y
max
。将(x
min
，y
min
)和(x
ma
，y
max
)这两
个点作为人脸区域的两个对角点，从而确定出人脸区域。
56.s220：在原始图像中分割出包含关键特征区域的有效图像，并将有效图像作为待检测图像。
57.在本公开实施例中，可以基于关键特征区域的尺寸确定出有效图像的尺寸，具体来说，待检测图像的尺寸为关键特征区域的尺寸的预设倍数，也就是说，待检测图像的尺寸为关键特征区域的尺寸的预设倍数。以关键特征区域是矩形区域为例，当要求待检测图像的长宽尺寸为关键特征区域的长宽尺寸的3倍时，可以确定过出一个长宽尺寸分别是关键特征区域的长宽尺寸的3倍、且包含该关键特征区域的有效区域，在原始图像中分割出该有效区域作为待检测图像。当待检测图像是基于拍摄的检测对象的照片而获得的时，以对应的尺寸是待检测图像的尺寸的预设倍数的有效图像作为待检测图像，可以确保待检测图像包含更多的反光，有助于后续步骤得到的第二特征图包含更多的高频分量，提升活体识别结果的准确性。
58.s230：利用第一识别模型从待检测图像中确定出检测对象的至少一个维度的深层特征。
59.在本公开实施例中，这里，深层特征的具体类型可以根据检测对象的类型而定。为了便于表述和理解，将第一识别模型针对待检测图像确定出的检测对象的活体识别结果称为第一初始活体识别结果。待检测图像可以是rgb图像，第一识别模型可以是任意一种能够针对rgb图像确定出检测对象的活体识别结果的模型，例如，第一识别模型可以是针对rgb图像确定出检测对象的活体识别结果的神经网络模型，当然，第一识别模型也可以是其他类型的模型，此处不再列举。
60.s240：基于至少一个维度的深层特征，确定出检测对象的第一初始活体识别结果。
61.在本公开实施例中，第一初始活体识别结果为检测对象属于活体的第一初始概率，第一初始概率越高，表明检测对象属于活体的概率越大。
62.s250：对待检测图像进行双边滤波，得到滤波图像。
63.双边滤波是一种非线性滤波方法，是结合了图像的邻近度和像素值相似度的一种折中，在滤除噪声的同时可以保留原图的边缘信息，较大程度上确保了待检测图像的信息完整性。可选地，本公开实施例可以将待检测图像输入到双边滤波器，利用双边滤波器对待检测图像进行双边滤波，从而得到滤波图像。
64.s260：基于待检测图像和滤波图像进行图像差分，得到差分图像。
65.在本公实施例中，针对待检测图像和滤波图像进行图像差分的过程，实际上就是对待检测图像与滤波图像相减。具体来说，可以计算出待检测图像中每个像素点的像素值与滤波图像对应像素点的像素值的差值的绝对值，将每个绝对值作为差分图像的对应像素点的像素值。
66.可以理解，每个像素点通常有红绿蓝3个通道，每个通道具有一个对应的像素值，计算出待检测图像中一个像素点的像素值与滤波图像对应像素点的像素值的差值时，可以计算像素点中每个通道对应的差值。
67.基于图像中的每个像素点的各通道的像素值，可以确定出该像素对应的灰度值，灰度值可以表征该像素点的亮度。如前文所述，对待检测图像进行滤波是在尽量保留待检测图像细节特征的条件下对待检测图像的噪声进行抑制，具体来说，对待检测图像进行滤
波就是调低待检测图像中过高的灰度值。
68.在一种情况下，如果待检测图像是基于拍摄真实的检测对象而获得的，那么待检测图像中通常不会出现过高的灰度值，因此待检测图像的滤波图像中每个像素点的灰度值，与待检测图像中对应的像素点的灰度值基本是一致的；因此，在基于待检测图像及其对应的滤波图像所得到的差分图像中，每个像素点的灰度值接近于0，差分图像接近于全黑。
69.在另一种情况下，如果待检测图像通常是基于拍摄的检测对象的照片(如检测对象的实物照片或电子照片)而获得的，由于照片上会存在反光，那么待检测图像中就会出现过高的灰度值。当这样的待检测图像在进行滤波时，过高的灰度值会被调小，这会导致所得到的滤波图像中不会存在过高的灰度值，这会导致待检测图像和滤波图像相减之后出现一些大于0的灰度值远，也就是说，在基于待检测图像及其对应的滤波图像所得到的差分图像中，一些像素点的灰度值会远大于0，差分图像中会出现引起较强视觉效果的较明亮的区域。
70.s270：通过将差分图像输入到第二识别模型，确定出检测对象的第二初始活体识别结果。
71.在本公开实施例中，为了便于表述和理解，将第二识别模型针对差分图像确定出的检测对象的活体识别结果称为第二初始活体识别结果。可以理解，第二识别模型可以是任意一种能够针对差分图像确定出检测对象的活体识别结果的模型，例如，第二识别模型可以是针差分图像确定出检测对象的活体识别结果的二分类模型，当然，第二识别模型也可以是其他类型的模型，此处不再列举。上述步骤s260的上述两种情况所得到的差分图像所包含的特征是不同的，二分类模型针对不同情况的差分图像可以输出不同的活体识别结果。其中，第二初始活体识别结果为检测对象属于活体的第二初始概率，第二初始概率越高，表明检测对象属于活体的概率越大。
72.s280：对第一初始概率和第二初始概率进行加权求和，得到目标概率。
73.本公开实施例可以为第一初始概率和第二初始概率设置对应的权重，基于第一初始概率和第二初始概率及其对应权重进行加权求和，得到目标概率。假设第一初始概率为x，第一初始概率对应的权重为a、第二初始概率为y，第二初始概率对应的权重为b，则目标概率z可以通过以下公式求取：z＝ax by。
74.第一初始概率和第二初始概率设置对应的权重的具体数值可以根据实际的设计需要而定，可选地，可以设置第一识别模型所输出的活体识别结果的可信度大于第二识别模型所输出的活体识别结果的可信度，因此可以设置，第一初始概率对应的权重大于第二初始概率对应的权重，例如，可以将第一初始概率设置为0.6，将第二初始概率设置为0.4。
75.s290：基于目标概率和预设的概率阈值，确定检测对象的目标活体识别结果。
76.如前文所述，目标活体识别结果可以包括“检测对象是活体”和“检测对象不是活体”。本公开实施例可以根据实际的设计需要设置一个概率阈值，当目标概率大于或等于概率阈值时，可以确定活体识别结果为“检测对象是活体”；当目标概率小于概率阈值时，可以确定活体识别结果为“检测对象不是活体”。通过概率比较的方式确定目标活体识别结果，可以确保目标活体识别结果的准确性和客观性。
77.基于与上述的活体识别方法相同的原理，图3示出了本公开实施例提供的一种活体识别装置的结构示意图。如图3所示，活体识别装置300包括待检测图像获取模块310、第
一结果确定模块320、差分图像获取模块330、第二结果确定模块340和目标结果确定模块350。
78.待检测图像获取模块310用于获取待检测图像，待检测图像包括检测对象。
79.第一结果确定模块320用于通过将待检测图像输入到第一识别模型，确定出检测对象的第一初始活体识别结果。
80.差分图像获取模块330用于对待检测图像依次进行滤波和差分，得到差分图像。
81.第二结果确定模块340用于通过将差分图像输入到第二识别模型，确定出检测对象的第二初始活体识别结果。
82.目标结果确定模块350，用于基于第一初始活体识别结果和第二初始活体识别结果，确定出检测对象的目标活体识别结果。
83.本公开实施例提供的活体识别装置，将待检测图像进行滤波和差分后得到差分图片，将待检测图像和差分图片分别输入到对应的模型以得到两个初始活体识别结果，基于两个初始活体识别结果得到最终的目标初始活体识别结果。上述方法充分考虑了待检测图像本身的特征以及对应的差分图像的特征，综合了两种特征对应的初始活体识别结果来获得最终的活体识别结果，提高了活体识别的准确性和可靠性。
84.在本公开实施例中，差分图像获取模块330在用于对待检测图像依次进行滤波和差分，得到差分图像时，具体用于：
85.对待检测图像进行双边滤波，得到滤波图像；
86.基于待检测图像和滤波图像进行图像差分，得到差分图像。
87.在本公开实施例中，差分图像获取模块330在用于基于待检测图像和滤波图像进行图像差分，得到差分图像时，具体用于：
88.计算出待检测图像中每个像素点的像素值与滤波图像对应像素点的像素值的差值的绝对值；
89.将每个绝对值作为差分图像的对应像素点的像素值。
90.在本公开实施例中，第一结果确定模块320在用于确定出检测对象的第一初始活体识别结果时，具体用于：
91.利用第一识别模型从待检测图像中确定出检测对象的至少一个维度的深层特征；
92.基于至少一个维度的深层特征，确定出检测对象的第一初始活体识别结果。
93.在本公开实施例中，第一初始活体识别结果为检测对象属于活体的第一初始概率，第二初始活体识别结果为检测对象属于活体的第二初始概率；
94.目标结果确定模块350在用于基于第一初始活体识别结果和第二初始活体识别结果，确定出检测对象的目标活体识别结果时，具体用于：
95.对第一初始概率和第二初始概率进行加权求和，得到目标概率；
96.基于目标概率和预设的概率阈值，确定检测对象的目标活体识别结果。
97.在本公开实施例中，第一初始概率对应的权重大于第二初始概率对应的权重。
98.在本公开实施例中，待检测图像获取模块310在用于获取待检测图像时，具体用于：
99.从包含检测对象的原始图像中，识别出检测对象的关键特征区域；
100.在原始图像中分割出包含关键特征区域的有效图像，并将有效图像作为待检测图
像，待检测图像的尺寸为关键特征区域的尺寸的预设倍数。
101.可以理解的是，本公开实施例中的活体识别装置的上述各模块具有实现上述的活体识别方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述活体识别装置的各模块的功能描述具体可以参见上述的活体识别方法的对应描述，在此不再赘述。
102.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。
103.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。
104.图4示出了可以用来实施本公开实施例提供的活体识别方法的示例电子设备的示意性框图。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。
105.如图4所示，电子设备400包括计算单元401，其可以根据存储在只读存储器(rom)402中的计算机程序或者从存储单元408加载到随机访问存储器(ram)403中的计算机程序，来执行各种适当的动作和处理。在ram 403中，还可存储电子设备400操作所需的各种程序和数据。计算单元401、rom 402以及ram 403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
106.电子设备400中的多个部件连接至i/o接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400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。
107.计算单元401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401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401执行上文所描述的各个方法和处理，例如活体识别方法。例如，在一些实施例中，活体识别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408。在一些实施例中，计算机程序的部分或者全部可以经由rom 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到ram 403并由计算单元401执行时，可以执行上文描述的活体识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行活体识别方法。
108.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。
109.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。
110.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。
111.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。
112.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。
113.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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
114.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。
115.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。
