一种景点图片识别的方法及相关装置

摘要

本申请公开了一种景点图片识别的方法及相关装置，该方法包括：将目标景点图片输入预先根据训练样本采用基于注意力机制的卷积神经网络训练得到的景点局部特征模型，获得包括N个目标特征点的目标景点局部特征；从特征点索引获得对应N个目标特征点的多个相似特征点；基于N个目标特征点的多个相似特征点和特征点索引从景点图片数据库获得候选景点图片；基于候选景点图片对应的景点词条确定目标景点图片的景点识别结果。可见，采用景点局部特征模型获得景点局部特征，能够更好挖掘目标景点图片中景点特征，结合景点图片的特征点索引获得相似的候选景点图片，能够提高搜索速度和准确度，提升用户自行拍摄的景点图片的识别效果显著。

权利要求

1.一种景点图片识别的方法，其特征在于，包括：

根据目标景点图片和景点局部特征模型获得目标景点局部特征，所述景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，所述目标景点局部特征包括N个目标特征点；

根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点；

基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片；

基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点，包括：基于所述每个目标特征点与所述特征点索引中每个特征点的相似度，获得对应所述每个目标特征点的多个相似特征点；

对于所述N个目标特征点，基于所述每个目标特征点的多个相似特征点间的重合关系过滤所述每个目标特征点的多个相似特征点，综合获得对应所述N个目标特征点的多个相似特征点。

3.根据权利要求2所述的方法，其特征在于，所述基于所述每个目标特征点与所述特征点索引中每个特征点的相似度，获得对应所述每个目标特征点的多个相似特征点，包括：计算所述每个目标特征点与所述特征点索引中每个特征点的相似度；

根据所述相似度和相似度阈值，从所述特征点索引中获得对应所述每个目标特征点的多个相似特征点。

4.根据权利要求1所述的方法，其特征在于，所述基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片，包括：基于所述N个目标特征点的多个相似特征点和所述特征点索引，搜索所述景点图片数据库获得多个相似景点图片；

根据所述目标景点图片、所述多个相似景点图片和抽样一致性验证算法，过滤所述多个相似景点图片获得候选景点图片。

5.根据权利要求4所述的方法，其特征在于，所述基于所述N个目标特征点的多个相似特征点和所述特征点索引，搜索所述景点图片数据库获得多个相似景点图片，包括：基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

将所述多个景点图片直接确定为所述多个相似景点图片。

6.根据权利要求4所述的方法，其特征在于，所述基于所述N个目标特征点的多个相似特征点和所述特征点索引，搜索所述景点图片数据库获得多个相似景点图片，包括：基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

确定所述多个景点图片中每个景点图片包括的相似特征点数量；

根据所述每个景点图片包括的相似特征点数量，筛选所述多个景点图片获得所述多个相似景点图片。

7.根据权利要求4所述的方法，其特征在于，所述抽样一致性验证算法为预设抽样一致性验证算法，其中，预设初始样本点是根据所述相似景点图片包括的所述相似特征点对应的相似度确定的；所述迭代次数为预设迭代次数。

8.根据权利要求1所述的方法，其特征在于，若所述候选景点图片为多个候选景点图片，所述基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果，包括：根据所述多个候选景点图片对应的景点词条获得候选景点词条；

基于所述多个候选景点图片与所述候选景点词条的对应关系和/或所述多个候选景点图片中每个候选景点图片包括的相似特征点数量，从所述候选景点词条中确定所述景点识别结果。

9.根据权利要求1-8任意一项所述的方法，其特征在于，所述特征点索引是针对所述景点图片数据库中景点图片的景点局部特征包括的特征点以及所述特征点与所述景点图片的对应关系预先构建的。

10.一种景点图片识别的装置，其特征在于，包括：

第一获得单元，用于根据目标景点图片和景点局部特征模型获得目标景点局部特征，所述景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，所述目标景点局部特征包括N个目标特征点；

第二获得单元，用于根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点；

第三获得单元，用于基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片；

确定单元，用于基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

11.一种用于景点图片识别的装置，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：根据目标景点图片和景点局部特征模型获得目标景点局部特征，所述景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，所述目标景点局部特征包括N个目标特征点；

根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点；

基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片；

基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

12.一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如权利要求1至9中一个或多个所述景点图片识别的方法。

说明书

一种景点图片识别的方法及相关装置

技术领域

[0001] 本申请涉及图片识别技术领域，尤其涉及一种景点图片识别的方法及相关装置。

背景技术

[0002] 随着图像识别技术的快速发展，图像识别技术越来越普遍地应用于日常生活和工作中。尤其在某些场景下，比如看图识景场景，对于景点图片而言，需要识别其中的景点。

[0003] 现有技术中识别景点图片中景点，一般是基于待识别景点图片，在网络上搜索召回与之相似或相近的景点图片，获得该相似或相近的景点图片对应的景点信息，确定其对应的景点名称作为上述待识别景点图片的景点识别结果。

[0004] 但是，上述景点图片识别方法仅仅针对网络景点图片识别效果较好，针对用户自行拍摄的景点图片识别效果较差，主要是用户自行拍摄的景点图片包含非景点区域或只包含部分景点区域，与网络景点图片相差较大，导致景点识别不准确，然而大多景点识别任务中的景点图片多是用户自行拍摄的，采用上述景点图片识别方法，景点识别效率和识别准确率较低。

发明内容

[0005] 本申请所要解决的技术问题是，提供一种景点图片识别的方法及相关装置，能够更好挖掘景点图片中景点特征，提高搜索速度和准确度，从而使得景点识别效率和识别准确率升高，用户自行拍摄的景点图片的识别效果显著提升。

[0006] 第一方面，本申请实施例提供了一种景点图片识别的方法，该方法包括：

[0007] 根据目标景点图片和景点局部特征模型获得目标景点局部特征，所述景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，所述目标景点局部特征包括N个目标特征点；

[0008] 根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点；

[0009] 基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片；

[0010] 基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

[0011] 可选的，所述根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点，包括：

[0012] 基于所述每个目标特征点与所述特征点索引中每个特征点的相似度，获得对应所述每个目标特征点的多个相似特征点；

[0013] 对于所述N个目标特征点，基于所述每个目标特征点的多个相似特征点间的重合关系过滤所述每个目标特征点的多个相似特征点，综合获得对应所述N个目标特征点的多个相似特征点。

[0014] 可选的，所述基于所述每个目标特征点与所述特征点索引中每个特征点的相似度，获得对应所述每个目标特征点的多个相似特征点，包括：

[0015] 计算所述每个目标特征点与所述特征点索引中每个特征点的相似度；

[0016] 根据所述相似度和相似度阈值，从所述特征点索引中获得对应所述每个目标特征点的多个相似特征点。

[0017] 可选的，所述基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片，包括：

[0018] 基于所述N个目标特征点的多个相似特征点和所述特征点索引，搜索所述景点图片数据库获得多个相似景点图片；

[0019] 根据所述目标景点图片、所述多个相似景点图片和抽样一致性验证算法，过滤所述多个相似景点图片获得候选景点图片。

[0020] 可选的，所述基于所述N个目标特征点的多个相似特征点和所述特征点索引，搜索所述景点图片数据库获得多个相似景点图片，包括：

[0021] 基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

[0022] 将所述多个景点图片直接确定为所述多个相似景点图片。

[0023] 可选的，所述基于所述N个目标特征点的多个相似特征点和所述特征点索引，搜索所述景点图片数据库获得多个相似景点图片，包括：

[0024] 基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

[0025] 确定所述多个景点图片中每个景点图片包括的相似特征点数量；

[0026] 根据所述每个景点图片包括的相似特征点数量，筛选所述多个景点图片获得所述多个相似景点图片。

[0027] 可选的，所述抽样一致性验证算法为预设抽样一致性验证算法，其中，预设初始样本点是根据所述相似景点图片包括的所述相似特征点对应的相似度确定的；所述迭代次数为预设迭代次数。

[0028] 可选的，若所述候选景点图片为多个候选景点图片，所述基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果，包括：

[0029] 根据所述多个候选景点图片对应的景点词条获得候选景点词条；

[0030] 基于所述多个候选景点图片与所述候选景点词条的对应关系和/或所述多个候选景点图片中每个候选景点图片包括的相似特征点数量，从所述候选景点词条中确定所述景点识别结果。

[0031] 可选的，所述特征点索引是针对所述景点图片数据库中景点图片的景点局部特征包括的特征点以及所述特征点与所述景点图片的对应关系预先构建的。

[0032] 第二方面，本申请实施例提供了一种景点图片识别的装置，该装置包括：

[0033] 第一获得单元，用于根据目标景点图片和景点局部特征模型获得目标景点局部特征，所述景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，所述目标景点局部特征包括N个目标特征点；

[0034] 第二获得单元，用于根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点；

[0035] 第三获得单元，用于基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片；

[0036] 确定单元，用于基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

[0037] 可选的，所述第二获得单元包括：

[0038] 第一获得子单元，用于基于所述每个目标特征点与所述特征点索引中每个特征点的相似度，获得对应所述每个目标特征点的多个相似特征点；

[0039] 第二获得子单元，用于对于所述N个目标特征点，基于所述每个目标特征点的多个相似特征点间的重合关系过滤所述每个目标特征点的多个相似特征点，综合获得对应所述N个目标特征点的多个相似特征点。

[0040] 可选的，所述第一获得子单元包括：

[0041] 第一获得模块，用于计算所述每个目标特征点与所述特征点索引中每个特征点的相似度；

[0042] 第二获得模块，用于根据所述相似度和相似度阈值，从所述特征点索引中获得对应所述每个目标特征点的多个相似特征点。

[0043] 可选的，所述第三获得单元包括：

[0044] 第三获得子单元，用于基于所述N个目标特征点的多个相似特征点和所述特征点索引，搜索所述景点图片数据库获得多个相似景点图片；

[0045] 第四获得子单元，用于根据所述目标景点图片、所述多个相似景点图片和抽样一致性验证算法，过滤所述多个相似景点图片获得候选景点图片。

[0046] 可选的，所述第三获得子单元包括：

[0047] 第一搜索模块，用于基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

[0048] 第一确定模块，用于将所述多个景点图片直接确定为所述多个相似景点图片。

[0049] 可选的，所述第三获得子单元包括：

[0050] 第二搜索模块，用于基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

[0051] 第二确定模块，用于确定所述多个景点图片中每个景点图片包括的相似特征点数量；

[0052] 第三获得模块，用于根据所述每个景点图片包括的相似特征点数量，筛选所述多个景点图片获得所述多个相似景点图片。

[0053] 可选的，所述抽样一致性验证算法为预设抽样一致性验证算法，其中，预设初始样本点是根据所述相似景点图片包括的所述相似特征点对应的相似度确定的；所述迭代次数为预设迭代次数。

[0054] 可选的，若所述候选景点图片为多个候选景点图片，所述确定单元包括：

[0055] 第五获得子单元，用于根据所述多个候选景点图片对应的景点词条获得候选景点词条；

[0056] 确定子单元，用于基于所述多个候选景点图片与所述候选景点词条的对应关系和/或所述多个候选景点图片中每个候选景点图片包括的相似特征点数量，从所述候选景点词条中确定所述景点识别结果。

[0057] 可选的，所述特征点索引是针对所述景点图片数据库中景点图片的景点局部特征包括的特征点以及所述特征点与所述景点图片的对应关系预先构建的。

[0058] 第三方面，本申请实施例提供了一种用于景点图片识别的装置，该装置包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

[0059] 根据目标景点图片和景点局部特征模型获得目标景点局部特征，所述景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，所述目标景点局部特征包括N个目标特征点；

[0060] 根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点；

[0061] 基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片；

[0062] 基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

[0063] 第四方面，本申请实施例提供了一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如上述第一方面中一个或多个所述景点图片识别的方法。

[0064] 与现有技术相比，本申请至少具有以下优点：

[0065] 采用本申请实施例的技术方案，首先，将目标景点图片输入预先根据训练样本采用基于注意力机制的卷积神经网络训练得到的景点局部特征模型，获得包括N个目标特征点的目标景点局部特征；其次，针对N个目标特征点，从特征点索引获得对应N个目标特征点的多个相似特征点；然后，基于N个目标特征点的多个相似特征点和特征点索引从景点图片数据库获得候选景点图片；最后，基于候选景点图片对应的景点词条确定目标景点图片的景点识别结果。由此可见，采用景点局部特征模型获得景点局部特征，能够更好挖掘目标景点图片中景点特征，结合景点图片的特征点索引获得相似的候选景点图片，能够提高搜索速度和准确度，从而使得景点识别效率和识别准确率升高，用户自行拍摄的景点图片的识别效果显著提升。

附图说明

[0066] 为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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申请中记载的一些实施例，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它的附图。

[0067] 图1为本申请实施例中一种应用场景所涉及的系统框架示意图；

[0068] 图2为本申请实施例提供的一种景点图片识别的方法的流程示意图；

[0069] 图3为本申请实施例提供的目标景点图片识别界面示意图；

[0070] 图4为本申请实施例提供的另一种景点图片识别的方法的流程示意图；

[0071] 图5为本申请实施例提供的一种景点图片识别的装置的结构示意图；

[0072] 图6为本申请实施例提供的一种用于景点图片识别的装置的结构示意图；

[0073] 图7为本申请实施例提供的一种服务器的结构示意图。

具体实施方式

[0074] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

[0075] 传统的景点图片识别方法是指在网络上搜索召回与待识别景点图片相似或相近的景点图片，基于该相似或相近的景点图片对应的景点信息，确定其景点名称作为待识别景点图片的景点识别结果。但是，发明人经过研究发现，用户自行拍摄的景点图片包含较多非景点区域，与网络景点图片相差较大，上述景点图片识别方法针对用户自行拍摄的景点图片景点识别不准确、识别效果较差。然而，大多景点识别任务中的景点图片多是用户自行拍摄的，采用上述景点图片识别方法，导致景点识别效率和识别准确率较低。

[0076] 为了解决这一问题，在本申请实施例中，首先，将目标景点图片输入预先根据训练样本采用基于注意力机制的卷积神经网络训练得到的景点局部特征模型，获得包括N个目标特征点的目标景点局部特征；其次，针对N个目标特征点，从特征点索引获得对应N个目标特征点的多个相似特征点；然后，基于N个目标特征点的多个相似特征点和特征点索引从景点图片数据库获得候选景点图片；最后，基于候选景点图片对应的景点词条确定目标景点图片的景点识别结果。由此可见，采用景点局部特征模型获得景点局部特征，能够更好挖掘目标景点图片中景点特征，结合景点图片的特征点索引获得相似的候选景点图片，能够提高搜索速度和准确度，从而使得景点识别效率和识别准确率升高，用户自行拍摄的景点图片的识别效果显著提升。

[0077] 举例来说，本申请实施例的场景之一，可以是应用到如图1所示的场景中，该场景包括用户终端101、处理器102和景点图片数据库103，其中，用户终端101可以是PC机，也可以是其它移动终端，如手机或平台电脑等，用户通过用户终端101确认待识别的目标景点图片发送至处理器102。其中，景点图片数据库103包括景点图片和对应的景点词条，景点图片的景点局部特征所包括的特征点构建成特征点索引。

[0078] 处理器102根据目标景点图片和根据训练样本采用基于注意力机制的卷积神经网络预先训练得到的景点局部特征模型获得包括N个目标特征点的目标景点局部特征；处理器102根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点；处理器102基于所述N个目标特征点的多个相似特征点和特征点索引从景点图片数据库103中获得候选景点图片；处理器102基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

[0079] 可以理解的是，在上述应用场景中，虽然将本申请实施方式的动作描述由处理器102执行，但是，本申请在执行主体方面不受限制，只要执行了本申请实施方式所公开的动作即可。

[0080] 可以理解的是，上述场景仅是本申请实施例提供的一个场景示例，本申请实施例并不限于此场景。

[0081] 下面结合附图，通过实施例来详细说明本申请实施例中景点图片识别的方法及相关装置的具体实现方式。

[0082] 示例性方法

[0083] 参见图2，示出了本申请实施例中一种景点图片识别的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：

[0084] 步骤201：根据目标景点图片和景点局部特征模型获得目标景点局部特征，所述景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，所述目标景点局部特征包括N个目标特征点。

[0085] 当目标景点图片是用户自行拍摄的景点图片时，该目标景点图片包含非景点区域，无法准确获得该目标景点图片中景点区域的景点特征。在本申请实施例中，首先，可以获得大量包括训练景点图片和景点标识的训练样本，基于大量训练样本采用基于注意力机制的卷积神经网络进行训练，预先获得用于提取获得景点图片中景点局部特征的景点局部特征模型。然后，在确定目标景点图片后，将目标景点图片输入上述预先训练获得的景点局部特征模型，即可获得对应目标景点图片的N个目标特征点组成的目标景点局部特征。

[0086] 其中，需要说明的是，上述获得景点局部特征模型的过程中运用了注意力机制和卷积神经网络，该景点局部特征模型相较于其他特征提取方式提取准确性更高，即，利用该景点局部特征模型获得目标景点局部特征准确性较高。

[0087] 步骤202：根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点。

[0088] 可以理解的是，在步骤201获得包括N个目标特征点的目标景点局部特征之后，需要基于N个目标特征点搜索与目标景点图片相似或相近的景点图片。由于本申请实施例中大量景点图片和景点词条对应存储在数据库中，记为景点图片数据库，则需要基于N个目标特征点在景点图片数据库中搜索相似的景点图片。实际应用中，首先，需要基于N个目标特征点搜索与N个目标特征点相似的多个特征点，然后，在景点图片数据库中搜索包括N个目标特征点相似的特征点的景点图片。因此，基于N个目标特征点搜索与N个目标特征点相似的多个特征点，实际上是从景点图片数据库中各个景点图片的景点局部特征所包括的特征点中搜索与N个目标特征点相似的相似多个特征点，为了实现快速、便捷搜索，可以预先基于各个景点图片的景点局部特征所包括的特征点以及特征点与景点图片的对应关系构建特征点索引。

[0089] 其中，景点图片数据库中各个景点词条包括的景点名称之间关系比较复杂，父景点一般包括多个子景点，为了避免同一景点图片既对应表示父景点名称的景点词条，又对应表示子景点名称的景点词条，不便于后续判断对应情况，景点词条采用树状结构进行存储。因此，在本申请实施例的一些实施方式中，所述景点图片数据库是包括景点图片和对应的景点词条，各个所述景点词条采用树状结构进行存储；所述特征点索引是针对所述景点图片数据库中景点图片的景点局部特征包括的特征点以及所述特征点与所述景点图片的对应关系预先构建的。具体地，综合景点图片数据库中各个景点图片的景点局部特征包括的特征点得到多个特征点；基于每个特征点所属景点图片确定每个特征点与其所属景点图片的对应关系；以特征点为单位，基于多个特征点以及每个特征点与景点图片的对应关系预先构建特征点索引。

[0090] 基于上述说明，可以理解的是，N个目标特征点的多个相似特征点实际上是需要从特征点索引中获得每个目标特征点的多个相似特征点并综合形成的，其中，每个目标特征点的多个相似特征点是根据每个目标特征点与特征点索引中每个特征点的相似度从特征点索引中选取得到的，且由于每个目标特征点的多个相似特征点之间存在一定的重合关系，在进行综合之前需要基于该重合关系进行过滤。因此，在本申请实施例的一些实施方式中，所述步骤202例如可以包括以下步骤：

[0091] 步骤A：基于所述每个目标特征点与所述特征点索引中每个特征点的相似度，获得对应所述每个目标特征点的多个相似特征点。

[0092] 对步骤A而言，由于每个目标特征点与每个特征点的相似度一般不相同，相似度越高表示目标特征点与特征点越相似；则先计算每个目标特征点与特征点索引中每个特征点的相似度后，在计算完成后需要设定一个用于区分相似度高低的相似度阈值，再基于计算得到的各个相似度与相似度阈值的高低，获得对应每个目标特征点的多个相似特征点。对于每个目标特征点，为了获得较为相似的特征点，任意一个目标特征点的多个相似特征点与该目标特征点的相似度均应该高于相似度阈值。因此，在本申请实施例的一些实施方式中，所述步骤A例如可以包括以下步骤：

[0093] 步骤A1：计算所述每个目标特征点与所述特征点索引中每个特征点的相似度；

[0094] 步骤A2：根据所述相似度和相似度阈值，从所述特征点索引中获得对应所述每个目标特征点的多个相似特征点。

[0095] 步骤B：对于所述N个目标特征点，基于所述每个目标特征点的多个相似特征点间的重合关系过滤所述每个目标特征点的多个相似特征点，综合获得对应所述N个目标特征点的多个相似特征点。

[0096] 其中，每个目标特征点的多个相似特征点间的重合关系是指每个目标特征点的多个相似特征点中任意对应的同一景点图片两个相似特征点具有重合关系，需要过滤其中与目标特征点相似度较低的相似特征点。例如，目标特征点u的多个相似特征点中相似特征点a和相似特征点b对应同一景点图片，则相似特征点a和相似特征点b具有重合关系，若目标特征点u与相似特征点a的相似度大于目标特征点u与相似特征点b的相似度，则需要过滤目标特征点u的多个相似特征点中的相似特征点b。

[0097] 步骤203：基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片。

[0098] 可以理解的是，由于步骤202获得的N个目标特征点的多个相似特征点是指与N个目标特征点中每个目标特征点相似度较高的多个相似特征点的综合，则在步骤202之后，基于N个目标特征点的多个相似特征点和特征点索引，即可在景点图片数据库中搜索到与目标景点图片较为相似的景点图片，记为候选景点图片。

[0099] 在本申请实施例中，至少可以通过以下两种方式基于N个目标特征点的多个相似特征点和特征点索引从景点图片数据库中获得候选景点图片。

[0100] 第一种可选的步骤203的实施方式中，由于N个目标特征点的多个相似特征点与N个目标特征点中对应的目标特征点相似度均较高，则基于特征点索引从景点图片数据库中搜索得到的上述每个相似特征点对应的景点图片均可以作为候选景点图片。

[0101] 作为一种示例，利用N个目标特征点的多个相似特征点和特征点索引从景点图片数据库中搜索得到的20个景点图片，直接将20个景点图片均作为候选景点图片。

[0102] 第二种可选的步骤203的实施方式中，对于N个目标特征点的多个相似特征点中任意一个相似特征点，基于特征点索引搜索景点图片数据库得到景点图片，虽然该景点图片的该相似特征点(或其他相似特征点)与目标景点图片的对应的目标特征点(或其他目标特征点)相似度较高，但是该景点图片与目标景点图片实质上并不相似。比如目标景点图片为鸟巢图片，其N个目标特征点的多个相似特征点中某个相似特征点对应的景点图片为埃菲尔铁塔图片，两个图片仅仅是某个或某些特征点相似实质上并不相似。则将基于N个目标特征点的多个相似特征点和特征点索引从景点图片数据库中搜索获得的景点图片先记为相似景点图片，后续采用抽样一致性验证算法验证其与目标景点图片的实质相似性，可过滤仅仅某个或某些特征点相似实质不相似的景点图片，将过滤后的相似景点图片作为上述候选景点图片。因此，在本申请实施例的一些实施方式中，所述步骤203例如可以包括以下步骤：

[0103] 步骤C：基于所述N个目标特征点的多个相似特征点和所述特征点索引，搜索所述景点图片数据库获得多个相似景点图片。

[0104] 本申请实施例中，至少可以通过以下两种方式基于N个目标特征点的多个相似特征点和特征点索引搜索景点图片数据库获得多个相似景点图片。

[0105] 第一种实施方式，N个目标特征点的多个相似特征点中每个相似特征点对应的景点图片均可以作为与目标景点图片的相似景点图片，则基于特征点索引和N个目标特征点的多个相似特征点搜索到多个景点图片直接确定为相似景点图片。因此，在本申请实施例的一些实施方式中，所述步骤C例如可以包括以下步骤：

[0106] 步骤C1：基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

[0107] 步骤C2：将所述多个景点图片直接确定为所述多个相似景点图片。

[0108] 作为一种示例，利用N个目标特征点的多个相似特征点和特征点索引从景点图片数据库中搜索得到的20个景点图片，直接将20个景点图片均作为相似景点图片。

[0109] 第二种实施方式，N个目标特征点的多个相似特征点中每个相似特征点对应的景点图片包括的相似特征点数量很有可能不同，搜索到的景点图片包括相似特征点数量越多，表示其与目标景点图片越相似，则可以基于搜索到的N个目标特征点的多个相似特征点对应的多个景点图片，筛选出包括相似特征点数量较多的景点图片。因此，在本申请实施例的一些实施方式中，所述步骤C例如可以包括以下步骤：

[0110] 步骤C3：基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

[0111] 步骤C4：确定所述多个景点图片中每个景点图片包括的相似特征点数量；

[0112] 步骤C5：根据所述每个景点图片包括的相似特征点数量，筛选所述多个景点图片获得所述多个相似景点图片。

[0113] 作为一种示例，利用N个目标特征点的多个相似特征点和特征点索引从景点图片数据库中搜索得到的20个景点图片，确定20个景点图片中每个景点图片包括的相似特征点数量，筛选包括相似特征点数量由大到小排名前10个景点图片为相似景点图片。

[0114] 步骤D：根据所述目标景点图片、所述多个相似景点图片和抽样一致性验证算法，过滤所述多个相似景点图片获得候选景点图片。

[0115] 还需要说明的是，抽样一致性验证算法是指利用相似景点图片中的某些相似特征点作为初始样本点，结合目标景点图片中对应的目标特征点进行多次迭代，以验证相似景点图片与目标景点图片的实质相似性。当随机选取相似景点图片中的某些相似特征点作为初始样本点时，初始样本点可能选取不够准确，需要进行很多次迭代，导致验证过程比较复杂、速度效率较慢，则基于相似景点图片包括的各个相似特征点与对应的目标特征点的相似度不同，选取其中对应相似度较高的相似特征点作为初始样本点，以较少迭代次数。因此，在本申请实施例的一些实施方式中，所述抽样一致性验证算法为预设抽样一致性验证算法，其中，预设初始样本点是根据所述相似景点图片包括的所述相似特征点对应的相似度确定的；所述迭代次数为预设迭代次数。

[0116] 作为一种示例，若直接利用N个目标特征点的多个相似特征点和特征点索引从景点图片数据库中搜索得到的20个景点图片均作为相似景点图片；对于20个相似景点图片中每个相似景点图片，根据目标景点图片、相似景点图片和抽样一致性验证算法判断是否需要过滤，若20个候选景点图片过滤后仅剩余10个相似景点图片，则将10个相似景点图片作为候选景点图片。

[0117] 作为一种示例，若利用N个目标特征点的多个相似特征点和特征点索引从景点图片数据库中搜索到20个景点图片，基于20个景点图片中每个景点图片包括的相似特征点数量筛选获得10个相似景点图片；对于10个相似景点图片中每个相似景点图片，根据目标景点图片、相似景点图片和抽样一致性验证算法判断是否需要过滤，若10个候选景点图片过滤后仅剩余5个相似景点图片，则将5个相似景点图片作为候选景点图片。

[0118] 步骤204：基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

[0119] 可以理解的是，步骤203获得的候选景点图片与目标景点图片相似性较高，则基于候选景点图片对应的景点词条可以表示目标景点图片的景点识别结果。

[0120] 需要说明的是，若候选景点图片为一个候选景点图片，则直接将该候选景点图片对应的景点词条确定为目标景点图片的景点识别结果。若候选景点图片为多个候选景点图片，首先，将多个候选景点图片对应的景点词条记为候选景点词条。然后，由于多个候选景点图片中每个候选景点图片与候选景点词条的对应关系已知，可以将对应的候选景点图片数量最多的候选景点词条作为目标景点图片的景点识别结果；由于多个候选景点图片中每个候选景点图片包括相似特征点数量已知，也可以将包括相似特征点数量最多的候选景点图片对应的候选景点词条作为目标景点图片的景点识别结果，当然还可以将上述两种方式结合确定目标景点图片的景点识别结果。因此，在本申请实施例的一些实施方式中，若所述候选景点图片为多个候选景点图片，所述步骤204例如可以包括以下步骤：

[0121] 步骤E：根据所述多个候选景点图片对应的景点词条获得候选景点词条；

[0122] 步骤F：基于所述多个候选景点图片与所述候选景点词条的对应关系和/或所述多个候选景点图片中每个候选景点图片包括的相似特征点数量，从所述候选景点词条中确定所述景点识别结果。

[0123] 作为一种示例，步骤203获得5个候选景点图片，其中，2个候选景点图片对应的景点词条为A，另外3个候选景点图片对应的景点词条分别为B、C和D，则候选景点词条为A、B、C和D。由于候选景点词条A对应2个候选景点图片，候选景点词条为B、C和D仅仅分别对应1个候选景点图片，则将候选景点词条A确定为目标景点图片的景点识别结果。

[0124] 作为一种示例，步骤203获得6张候选景点图片，其中，2个候选景点图片对应的景点词条为A，2个候选景点图片对应的景点词条为B，2个候选景点图片对应的景点词条为C，则候选景点词条为A、B和C。由于其中包括的相似特征点数量最多的选景点图片对应的景点词条为A，则将候选景点词条A确定为目标景点图片的景点识别结果。

[0125] 综上所述，如图3所示的目标景点图片识别界面示意图，其中，目标景点图片是用户自行拍摄的景点图片，将目标景点图片输入根据训练样本采用基于注意力机制的卷积神经网络训练得到的景点局部特征模型，获得包括N个目标特征点的目标景点局部特征；对于N个目标特征点，基于特征点索引中对应每个目标特征点的多个相似特征点间的重合关系，过滤每个目标特征点的多个相似特征点，综合获得对应N个目标特征点的多个相似特征点；从景点图片数据库中基于N个目标特征点的多个相似特征点和特征点索引获得候选景点图片；基于候选景点图片对应的景点词条，确定贵州黄果树瀑布为目标景点图片的景点识别结果；显示在界面上显示景点识别结果为贵州黄果树瀑布。

[0126] 通过本实施例提供的各种实施方式，首先，将目标景点图片输入预先根据训练样本采用基于注意力机制的卷积神经网络训练得到的景点局部特征模型，获得包括N个目标特征点的目标景点局部特征；其次，针对N个目标特征点，从特征点索引获得对应N个目标特征点的多个相似特征点；然后，基于N个目标特征点的多个相似特征点和特征点索引从景点图片数据库获得候选景点图片；最后，基于候选景点图片对应的景点词条确定目标景点图片的景点识别结果。由此可见，采用景点局部特征模型获得景点局部特征，能够更好挖掘目标景点图片中景点特征，结合景点图片的特征点索引获得相似的候选景点图片，能够提高搜索速度和准确度，从而使得景点识别效率和识别准确率升高，用户自行拍摄的景点图片的识别效果显著提升。

[0127] 参见图4，示出了本申请实施例中另一种景点图片识别的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：

[0128] 步骤401：根据目标景点图片和景点局部特征模型获得目标景点局部特征，景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，目标景点局部特征包括N个目标特征点。

[0129] 步骤402：计算每个目标特征点与特征点索引中每个特征点的相似度。

[0130] 步骤403：根据相似度和相似度阈值，从特征点索引中获得对应每个目标特征点的多个相似特征点。

[0131] 步骤404：对于N个目标特征点，基于每个目标特征点的多个相似特征点间的重合关系过滤每个目标特征点的多个相似特征点，综合获得对应N个目标特征点的多个相似特征点。

[0132] 步骤405：基于特征点索引从景点图片数据库中搜索N个目标特征点的多个相似特征点对应的多个景点图片。

[0133] 步骤406：确定多个景点图片中每个景点图片包括的相似特征点数量。

[0134] 步骤407：根据每个景点图片包括的相似特征点数量，筛选多个景点图片获得多个相似景点图片。

[0135] 步骤408：根据目标景点图片、多个相似景点图片和抽样一致性验证算法，过滤多个相似景点图片获得候选景点图片。

[0136] 其中，抽样一致性验证算法为预设抽样一致性验证算法，预设初始样本点是根据相似景点图片包括的相似特征点对应的相似度确定的；迭代次数为预设迭代次数。

[0137] 步骤409：根据多个候选景点图片对应的景点词条获得候选景点词条。

[0138] 步骤410：基于多个候选景点图片与候选景点词条的对应关系和/或多个候选景点图片中每个候选景点图片包括的相似特征点数量，从候选景点词条中确定景点识别结果。

[0139] 通过本实施例提供的各种实施方式，首先，将目标景点图片输入预先根据训练样本采用基于注意力机制的卷积神经网络训练得到的景点局部特征模型，获得包括N个目标特征点的目标景点局部特征；其次，针对N个目标特征点，从特征点索引获得对应N个目标特征点的多个相似特征点；然后，基于N个目标特征点的多个相似特征点和特征点索引从景点图片数据库获得候选景点图片；最后，基于候选景点图片对应的景点词条确定目标景点图片的景点识别结果。由此可见，采用景点局部特征模型获得景点局部特征，能够更好挖掘目标景点图片中景点特征，结合景点图片的特征点索引获得相似的候选景点图片，能够提高搜索速度和准确度，从而使得景点识别效率和识别准确率升高，用户自行拍摄的景点图片的识别效果显著提升。

[0140] 示例性装置

[0141] 参见图5，示出了本申请实施例中一种景点图片识别的装置的结构示意图。在本实施例中，所述装置例如具体可以包括：

[0142] 第一获得单元501，用于根据目标景点图片和景点局部特征模型获得目标景点局部特征，所述景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，所述目标景点局部特征包括N个目标特征点；

[0143] 第二获得单元502，用于根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点；

[0144] 第三获得单元503，用于基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片；

[0145] 确定单元504，用于基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

[0146] 在本申请实施例的一种可选的实施方式中，所述第二获得单元502包括：

[0147] 第一获得子单元，用于基于所述每个目标特征点与所述特征点索引中每个特征点的相似度，获得对应所述每个目标特征点的多个相似特征点；

[0148] 第二获得子单元，用于对于所述N个目标特征点，基于所述每个目标特征点的多个相似特征点间的重合关系过滤所述每个目标特征点的多个相似特征点，综合获得对应所述N个目标特征点的多个相似特征点。

[0149] 在本申请实施例的一种可选的实施方式中，所述第一获得子单元包括：

[0150] 第一获得模块，用于计算所述每个目标特征点与所述特征点索引中每个特征点的相似度；

[0151] 第二获得模块，用于根据所述相似度和相似度阈值，从所述特征点索引中获得对应所述每个目标特征点的多个相似特征点。

[0152] 在本申请实施例的一种可选的实施方式中，所述第三获得单元503包括：

[0153] 第三获得子单元，用于基于所述N个目标特征点的多个相似特征点和所述特征点索引，搜索所述景点图片数据库获得多个相似景点图片；

[0154] 第四获得子单元，用于根据所述目标景点图片、所述多个相似景点图片和抽样一致性验证算法，过滤所述多个相似景点图片获得候选景点图片。

[0155] 在本申请实施例的一种可选的实施方式中，所述第三获得子单元包括：

[0156] 第一搜索模块，用于基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

[0157] 第一确定模块，用于将所述多个景点图片直接确定为所述多个相似景点图片。

[0158] 在本申请实施例的一种可选的实施方式中，所述第三获得子单元包括：

[0159] 第二搜索模块，用于基于所述特征点索引从所述景点图片数据库中搜索所述N个目标特征点的多个相似特征点对应的多个景点图片；

[0160] 第二确定模块，用于确定所述多个景点图片中每个景点图片包括的相似特征点数量；

[0161] 第三获得模块，用于根据所述每个景点图片包括的相似特征点数量，筛选所述多个景点图片获得所述多个相似景点图片。

[0162] 在本申请实施例的一种可选的实施方式中，所述抽样一致性验证算法为预设抽样一致性验证算法，其中，预设初始样本点是根据所述相似景点图片包括的所述相似特征点对应的相似度确定的；所述迭代次数为预设迭代次数。

[0163] 在本申请实施例的一种可选的实施方式中，若所述候选景点图片为多个候选景点图片，所述确定单元504包括：

[0164] 第五获得子单元，用于根据所述多个候选景点图片对应的景点词条获得候选景点词条；

[0165] 确定子单元，用于基于所述多个候选景点图片与所述候选景点词条的对应关系和/或所述多个候选景点图片中每个候选景点图片包括的相似特征点数量，从所述候选景点词条中确定所述景点识别结果。

[0166] 在本申请实施例的一种可选的实施方式中，所述特征点索引是针对所述景点图片数据库中景点图片的景点局部特征包括的特征点以及所述特征点与所述景点图片的对应关系预先构建的。

[0167] 通过本实施例提供的各种实施方式，首先，将目标景点图片输入预先根据训练样本采用基于注意力机制的卷积神经网络训练得到的景点局部特征模型，获得包括N个目标特征点的目标景点局部特征；其次，针对N个目标特征点，从特征点索引获得对应N个目标特征点的多个相似特征点；然后，基于N个目标特征点的多个相似特征点和特征点索引从景点图片数据库获得候选景点图片；最后，基于候选景点图片对应的景点词条确定目标景点图片的景点识别结果。由此可见，采用景点局部特征模型获得景点局部特征，能够更好挖掘目标景点图片中景点特征，结合景点图片的特征点索引获得相似的候选景点图片，能够提高搜索速度和准确度，从而使得景点识别效率和识别准确率升高，用户自行拍摄的景点图片的识别效果显著提升。

[0168] 图6是根据一示例性实施例示出的一种用于景点图片识别的装置600的框图。例如，装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

[0169] 参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。

[0170] 处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理部件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

[0171] 存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

[0172] 电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。

[0173] 多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

[0174] 音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

[0175] I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

[0176] 传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置300接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

[0177] 通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。
在一个示例性实施例中，所述通信部件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

[0178] 在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现，用于执行上述方法。

[0179] 在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

[0180] 一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种对话回复的方法，所述方法包括：

[0181] 根据目标景点图片和景点局部特征模型获得目标景点局部特征，所述景点局部特征模型是根据训练样本采用基于注意力机制的卷积神经网络训练得到的，所述目标景点局部特征包括N个目标特征点；

[0182] 根据所述N个目标特征点和特征点索引获得对应所述N个目标特征点的多个相似特征点；

[0183] 基于所述N个目标特征点的多个相似特征点和所述特征点索引从景点图片数据库中获得候选景点图片；

[0184] 基于所述候选景点图片对应的景点词条，确定所述目标景点图片的景点识别结果。

[0185] 图7是本申请实施例中服务器的结构示意图。该服务器700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)722(例如，一个或一个以上处理器)和存储器732，一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器
722可以设置为与存储介质730通信，在服务器700上执行存储介质730中的一系列指令操作。

[0186] 服务器700还可以包括一个或一个以上电源726，一个或一个以上有线或无线网络接口450，一个或一个以上输入输出接口758，一个或一个以上键盘756，和/或，一个或一个以上操作系统741，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

[0187] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0188] 专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0189] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0190] 以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。