图像处理方法、装置、设备及计算机可读存储介质

摘要

本发明提供一种图像处理方法、装置、设备及计算机可读存储介质。本发明实施例通过利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征，进而利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数，使得能够利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像，由于采用神经网络对原始图像进行光照变换处理，使得能够针对不同场景的原始图像进行光照变换处理，从而提高了图像识别的可靠性。

权利要求

1.一种图像处理方法，其特征在于，包括：

利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征；

利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数；

利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像；

利用所述原始图像、所述调节图像和所述调节图像经过图像识别网络之后的识别图像，对所述第一神经网络、所述第二神经网络和所述图像识别网络，进行联合模型训练。

2.根据权利要求1所述的方法，其特征在于，所述第一神经网络或所述第二神经网络包括深度卷积网络或注意力网络。

3.根据权利要求1所述的方法，其特征在于，所述利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像，包括：获取原始图像上指定区域的原始像素值；

利用所述特征变换参数，对所述指定区域的原始像素值进行Gamma变换处理，以获得所述指定区域的变换像素值；

根据所述原始图像上除了所述指定区域之外的其它区域的原始像素值和所述指定区域的变换像素值，获得所述调节图像。

4.根据权利要求3所述的方法，其特征在于，所述指定区域包括所述原始图像的全部区域或部分区域。

5.一种图像处理装置，其特征在于，包括：

亮度提取单元，用于利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征；

亮度变换单元，用于利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数；

图像调节单元，用于利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像；

模型训练单元，用于利用所述原始图像、所述调节图像和所述调节图像经过图像识别网络之后的识别图像，对所述第一神经网络、所述第二神经网络和所述图像识别网络，进行联合模型训练。

6.根据权利要求5所述的装置，其特征在于，所述第一神经网络或所述第二神经网络包括深度卷积网络或注意力网络。

7.根据权利要求5所述的装置，其特征在于，所述图像调节单元，具体用于获取原始图像上指定区域的原始像素值；

利用所述特征变换参数，对所述指定区域的原始像素值进行Gamma变换处理，以获得所述指定区域的变换像素值；以及根据所述原始图像上除了所述指定区域之外的其它区域的原始像素值和所述指定区域的变换像素值，获得所述调节图像。

8.根据权利要求7所述的装置，其特征在于，所述指定区域包括所述原始图像的全部区域或部分区域。

9.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1～4中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～4中任一所述的方法。

说明书

图像处理方法、装置、设备及计算机可读存储介质

【技术领域】

[0001] 本发明涉及图像技术，尤其涉及一种图像处理方法、装置、设备及计算机可读存储介质。【背景技术】

[0002] 随着科技的发展，人们对图像有着越来越多的应用需求，这就需要对原始获取的原始图像进行一些识别处理。在实际场景中，拍摄图像的场景情况比较复杂，因此，原始图像可能会存在光照过强或过弱等情况。通常，可以利用预先设置的光照调节算法，对原始图像进行光照变换处理，以获得光照满足识别要求的变换图像。

[0003] 然而，由于每种光照调节算法只能针对固定场景的原始图像进行光照变换处理，无法针对不同场景的原始图像进行光照变换处理，从而导致了图像识别的可靠性的降低。【发明内容】

[0004] 本发明的多个方面提供一种图像处理方法、装置、设备及计算机可读存储介质，用以提高图像识别的可靠性。

[0005] 本发明的一方面，提供一种图像处理方法，包括：

[0006] 利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征；

[0007] 利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数；

[0008] 利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像。

[0009] 如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一神经网络或所述第二神经网络包括深度卷积网络或注意力网络。

[0010] 如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像，包括：

[0011] 获取原始图像上指定区域的原始像素值；

[0012] 利用所述特征变换参数，对所述指定区域的原始像素值进行Gamma变换处理，以获得所述指定区域的变换像素值；

[0013] 根据所述原始图像上除了所述指定区域之外的其它区域的原始像素值和所述指定区域的变换像素值，获得所述调节图像。

[0014] 如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述指定区域包括所述原始图像的全部区域或部分区域。

[0015] 如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像之后，还包括：

[0016] 利用所述原始图像、所述调节图像和所述调节图像经过图像识别网络之后的识别图像，对所述第一神经网络、所述第二神经网络和所述图像识别网络，进行联合模型训练。

[0017] 本发明的另一方面，提供一种图像处理装置，包括：

[0018] 亮度提取单元，用于利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征；

[0019] 亮度变换单元，用于利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数；

[0020] 图像调节单元，用于利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像。

[0021] 如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一神经网络或所述第二神经网络包括深度卷积网络或注意力网络。

[0022] 如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述图像调节单元，具体用于

[0023] 获取原始图像上指定区域的原始像素值；

[0024] 利用所述特征变换参数，对所述指定区域的原始像素值进行Gamma变换处理，以获得所述指定区域的变换像素值；以及

[0025] 根据所述原始图像上除了所述指定区域之外的其它区域的原始像素值和所述指定区域的变换像素值，获得所述调节图像。

[0026] 如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述指定区域包括所述原始图像的全部区域或部分区域。

[0027] 如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述装置还包括模型训练单元，用于

[0028] 利用所述原始图像、所述调节图像和所述调节图像经过图像识别网络之后的识别图像，对所述第一神经网络、所述第二神经网络和所述图像识别网络，进行联合模型训练。

[0029] 本发明的另一方面，提供一种设备，所述设备包括：

[0030] 一个或多个处理器；

[0031] 存储装置，用于存储一个或多个程序，

[0032] 当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述一方面所提供的图像处理方法。

[0033] 本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一方面所提供的图像处理方法。

[0034] 由上述技术方案可知，本发明实施例通过利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征，进而利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数，使得能够利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像，由于采用神经网络对原始图像进行光照变换处理，使得能够针对不同场景的原始图像进行光照变换处理，从而提高了图像识别的可靠性。

[0035] 另外，采用本发明所提供的技术方案，通过对用于光照变换处理的神经网络，以及用于图像识别的识别网络进行联合模型训练，无需单独进行模型训练，能够有效提高模型训练的效率和可靠性。

[0036] 另外，采用本发明所提供的技术方案，能够有效地提高用户的体验。【附图说明】

[0037] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

[0038] 图1为本发明一实施例提供的图像处理方法的流程示意图；

[0039] 图2为本发明另一实施例提供的图像处理装置的结构示意图；

[0040] 图3为本发明另一实施例提供的图像处理装置的结构示意图；

[0041] 图4为适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。【具体实施方式】

[0042] 为使本发明实施例的目的、技术方案和优点更加清楚，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作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。

[0043] 需要说明的是，本发明实施例中所涉及的终端可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)、个人电脑(Personal Computer，PC)、MP3播放器、MP4播放器、可穿戴设备(例如，智能眼镜、智能手表、智能手环等)等。

[0044] 另外，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。

[0045] 本发明的主要思想是通过神经网络对原始图像中不同位置(像素)的亮度值进行调节。并通过学习机制，使得生成的模型能够根据实际中不同的业务场景需求自适应得调节亮度，以达到光照调节和识别需求的无缝衔接，进而提升系统的整体性能。

[0046] 图1为本发明一实施例提供的图像处理方法的流程示意图，如图1所示。

[0047] 101、利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征。

[0048] 102、利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数。

[0049] 103、利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像。

[0050] 需要说明的是，101～103的执行主体的部分或全部可以为位于本地终端即服务提供商的终端设备的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，本实施例对此不进行特别限定。

[0051] 可以理解的是，所述应用可以是安装在终端上的本地程序(nativeApp)，或者还可以是终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行特别限定。

[0052] 这样，通过利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征，进而利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数，使得能够利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像，由于采用神经网络对原始图像进行光照变换处理，使得能够针对不同场景的原始图像进行光照变换处理，从而提高了图像识别的可靠性。

[0053] 可选地，在本实施例的一个可能的实现方式中，所述第一神经网络或所述第二神经网络可以包括但不限于深度卷积网络或注意力网络，本实施例对此不进行特别限定。

[0054] 采用本发明实施例所提供的方法，根据不用的识别任务，设计不同的神经网络进行学习亮度变换方式，大大提高识别系统对暗光和过度曝光场景下的识别准确率，有助于提升识别系统的鲁棒性和应用场景。例如，有利于提升细粒度识别车辆识别系统对夜晚图像的识别准确率，以及其他人工智能(Artificial Intelligence，AI)产品的相关识别率，带来更多的流量和更好的用户体验等。

[0055] 可选地，在本实施例的一个可能的实现方式中，在103中，具体可以获取原始图像上指定区域的原始像素值，进而，则可以利用所述特征变换参数，对所述指定区域的原始像素值进行Gamma变换处理，以获得所述指定区域的变换像素值。然后，则可以根据所述原始图像上除了所述指定区域之外的其它区域的原始像素值和所述指定区域的变换像素值，获得所述调节图像。

[0056] 其中，所述指定区域可以为所述原始图像的全部区域，可以用来进行全局变换处理，或者还可以为所述原始图像的或部分区域，可以用来进行局部变换处理，本实施例对此不进行特别限定。

[0057] 可选地，在本实施例的一个可能的实现方式中，在103之后，还可以进一步利用所述原始图像、所述调节图像和所述调节图像经过图像识别网络之后的识别图像，对所述第一神经网络、所述第二神经网络和所述图像识别网络，进行联合模型训练。

[0058] 在该实现方式中，具体可以将103所获得的调节图像作为识别网络的输入，这样，就可以获得该调节图像的识别结果。

[0059] 至此，原始图像的识别结果被获得。

[0060] 在获得原始图像的识别结果之后，则可以将所述原始图像、所述调节图像和所述调节图像经过图像识别网络之后的识别图像，组成训练样本，对所述第一神经网络、所述第二神经网络和所述图像识别网络，进行联合模型训练。这样，通过对用于光照变换处理的神经网络，以及用于图像识别的识别网络进行联合模型训练，无需单独进行模型训练，能够有效提高模型训练的效率和可靠性。

[0061] 将获取到的变换图像与后续的图像识别模块结合起来，通过端到端的训练方法，让网络自动学习针对特定的识别任务如何进行光照调节，能够使得最终的识别效果最优化。

[0062] 本实施例中，通过利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征，进而利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数，使得能够利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像，由于采用神经网络对原始图像进行光照变换处理，使得能够针对不同场景的原始图像进行光照变换处理，从而提高了图像识别的可靠性。

[0063] 另外，采用本发明所提供的技术方案，通过对用于光照变换处理的神经网络，以及用于图像识别的识别网络进行联合模型训练，无需单独进行模型训练，能够有效提高模型训练的效率和可靠性。

[0064] 另外，采用本发明所提供的技术方案，能够有效地提高用户的体验。

[0065] 需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

[0066] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0067] 图2为本发明另一实施例提供的图像处理装置的结构示意图，如图2所示。本实施例的图像处理装置可以包括亮度提取单元21、亮度变换单元22和图像调节单元23。其中，亮度提取单元21，用于利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征；亮度变换单元22，用于利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数；图像调节单元23，用于利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像。

[0068] 需要说明的是，本实施例所提供的图像处理装置的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的搜索引擎，或者还可以为位于网络侧的分布式系统，本实施例对此不进行特别限定。

[0069] 可以理解的是，所述应用可以是安装在终端上的本地程序(nativeApp)，或者还可以是终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行特别限定。

[0070] 可选地，在本实施例的一个可能的实现方式中，所述第一神经网络或所述第二神经网络可以包括但不限于深度卷积网络或注意力网络，本实施例对此不进行特别限定。

[0071] 可选地，在本实施例的一个可能的实现方式中，所述图像调节单元23，具体可以用于获取原始图像上指定区域的原始像素值；利用所述特征变换参数，对所述指定区域的原始像素值进行Gamma变换处理，以获得所述指定区域的变换像素值；以及根据所述原始图像上除了所述指定区域之外的其它区域的原始像素值和所述指定区域的变换像素值，获得所述调节图像。

[0072] 其中，所述指定区域可以为所述原始图像的全部区域，可以用来进行全局变换处理，或者还可以为所述原始图像的或部分区域，可以用来进行局部变换处理，本实施例对此不进行特别限定。

[0073] 可选地，在本实施例的一个可能的实现方式中，如图3所示，本实施例所提供的图像处理装置还可以进一步包括模型训练单元31，可以用于利用所述原始图像、所述调节图像和所述调节图像经过图像识别网络之后的识别图像，对所述第一神经网络、所述第二神经网络和所述图像识别网络，进行联合模型训练。

[0074] 这样，通过对用于光照变换处理的神经网络，以及用于图像识别的识别网络进行联合模型训练，无需单独进行模型训练，能够有效提高模型训练的效率和可靠性。

[0075] 需要说明的是，图1对应的实施例中方法，可以由本实施例提供的图像处理装置实现。详细描述可以参见图1对应的实施例中的相关内容，此处不再赘述。

[0076] 本实施例中，通过亮度提取单元利用第一神经网络，对原始图像进行亮度特征提取处理，以获得亮度特征，进而由亮度变换单元利用第二神经网络，对所述亮度特征进行变换处理，以获得特征变换参数，使得图像调节单元能够利用所述特征变换参数，对所述原始图像进行变换处理，以获得调节图像，由于采用神经网络对原始图像进行光照变换处理，使得能够针对不同场景的原始图像进行光照变换处理，从而提高了图像识别的可靠性。

[0077] 另外，采用本发明所提供的技术方案，通过对用于光照变换处理的神经网络，以及用于图像识别的识别网络进行联合模型训练，无需单独进行模型训练，能够有效提高模型训练的效率和可靠性。

[0078] 另外，采用本发明所提供的技术方案，能够有效地提高用户的体验。

[0079] 图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图4显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

[0080] 如图4所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储装置或者系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

[0081] 总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

[0082] 计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

[0083] 系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

[0084] 具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

[0085] 计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口44进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

[0086] 处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图1所对应的实施例所提供的图像处理方法。

[0087] 本发明另一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现图1所对应的实施例所提供的图像处理方法。

[0088] 具体来说，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

[0089] 计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

[0090] 计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

[0091] 可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

[0092] 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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0093] 在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，例如多个单元或页面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。

[0094] 所述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，或者也可以分布到多个网络单元上。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例方案的目的。

[0095] 另外，在本发明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，也可以采用硬件加软件功能单元的形式实现。

[0096] 上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一个计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0097] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。