票据图像快速红章检测方法、系统、装置

摘要

本发明属于图像处理、文字识别技术领域，具体涉及一种票据图像快速红章检测方法、系统、装置，旨在解决现有的红章检测方法严重依赖于候选框且候选框的设置难度大，导致检测实时性和准确性较差的问题。本系统方法包括：获取待检测的票据图像，作为输入图像；提取输入图像中各像素点的多颜色空间特征；基于多颜色空间特征，通过SVM分类器对像素点进行分类，得到红章像素点的分类结果图，作为第一结果图；将第一结果图进行形态学膨胀，并进行连通域标记；依次判断各标记的连通域宽、高、以及宽高比是否在设定的阈值范围内，若是，则将其在票据图像中的位置及其对应的第一结果图作为检测结果进行输出。本发明提高了红章检测的实时性和准确性。

权利要求

1.一种票据图像快速红章检测方法，其特征在于，该方法包括：步骤S100，获取待检测的票据图像，作为输入图像；

步骤S200，提取所述输入图像中各像素点的多颜色空间特征；所述多颜色空间特征包括Lab颜色特征、HSV颜色特征、RGB颜色特征；

步骤S300，基于各像素点的多颜色空间特征，通过预训练的SVM分类器对像素点进行分类，得到红章像素点的分类结果图，作为第一结果图；

步骤S400，将所述第一结果图进行形态学膨胀，并进行连通域标记；

步骤S500，对各标记的连通域，依次判断其宽、高、以及宽高比是否在设定的阈值范围内，若是，则将其在所述输入图像中的位置及其对应的第一结果图作为检测结果进行输出。

2.根据权利要求1所述的票据图像快速红章检测方法，其特征在于，步骤S300中“通过预训练的SVM分类器对像素点进行分类，得到红章像素点的分类结果图”，其方法为：对所述输入图像，基于其各像素点的多颜色空间特征，结合预训练的SVM分类器学习的线性参数，得到其对应的预测图像；

将所述预测图像中的各像素点进行归一化处理，并判断归一化结果是否大于等于设定的阈值，若是，则将其对应的分类结果图标记为1，作为红章像素点。

3.根据权利要求2所述的票据图像快速红章检测方法，其特征在于，“将所述预测图像中的各像素点进行归一化处理”，其方法为：其中，y(i,j)表示预测图像YImg中坐标(i,j)处的像素值，min(y)表示YImg中最小像素值，max(y)表示YImg中最大像素值，M(i,j)表示归一化后的预测图像在(i,j)处的像素值。。

4.根据权利要求1所述的票据图像快速红章检测方法，其特征在于，步骤S400中“将所述第一结果图进行形态学膨胀”，其方法为：将所述第一结果图进行二值化；

通过最近邻差值法将二值化后的第一结果图进行设定尺寸的缩放，并通过矩形核进行形态学膨胀。

5.根据权利要求1所述的票据图像快速红章检测方法，其特征在于，步骤S400中的连通域标记的方法为：采用基于行程的标记法实现连通域的提取。

6.根据权利要求1所述的票据图像快速红章检测方法，其特征在于，步骤S500中“对各标记的连通域，依次判断其宽、高、以及宽高比是否在设定的阈值范围内”，其方法为：

0.1*H＜h＜0.6*H

0.1*W＜w＜0.6*W

1/3＜w/h＜3

其中，w、h表示各标记的连通域的宽、高，W、h表示待检测的票据图像的宽、高。

7.一种票据图像快速红章检测系统，其特征在于，该系统包括：待检测图像获取模块、多颜色空间特征提取模块、分类模块、连通域标记模块、输出模块；

所述待检测图像获取模块，配置为获取待检测的票据图像，作为输入图像；

所述多颜色空间特征提取模块，配置为提取所述输入图像中各像素点的多颜色空间特征；所述多颜色空间特征包括Lab颜色特征、HSV颜色特征、RGB颜色特征；

所述分类模块，配置为基于各像素点的多颜色空间特征，通过预训练的SVM分类器对像素点进行分类，得到红章像素点的分类结果图，作为第一结果图；

所述连通域标记模块，配置为将所述第一结果图进行形态学膨胀，并进行连通域标记；

所述输出模块，配置为对各标记的连通域，依次判断其宽、高、以及宽高比是否在设定的阈值范围内，若是，则将其在所述输入图像中的位置及其对应的第一结果图作为检测结果进行输出。

8.一种存储装置，其中存储有多条程序，其特征在于，所述程序应用由处理器加载并执行以实现权利要求1-6任一项所述的票据图像快速红章检测方法。

9.一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-6任一项所述的票据图像快速红章检测方法。

说明书

票据图像快速红章检测方法、系统、装置

技术领域

[0001] 本发明属于图像处理、文字识别技术领域，具体涉及一种票据图像快速红章检测方法、系统、装置。

背景技术

[0002] 票据图像中的文字能表达丰富的财务信息，而传统人工录入财务信息速度慢，错误率高，而且需要大量的人力物力。近年来，人工智能的热潮日渐高涨，相关的技术如图像处理、模式识别、计算机视觉等也得到了迅速的发展，智能报销系统逐步兴起。

[0003] 随着社会的不断发展，智能报销系统对票据图像中的文字进行自动检测和识别的需求越来越大，文档识别技术具有极大的经济效益和广泛的社会价值，通过文字识别技术能够实现文字信息的高速、自动地输入，节约了大量的人力资源。其中，红色印章广泛存在于各类票据图像，涉及交通、金融、物流、税务、行政管理等各个领域。但票据图像种类繁多，印章出现位置随机、大小多变，严重影响后期票据图像版面分析与字符识别，因此对红章的检测对后期票据图像的快速识别有着重要的意义，同时票据中的红色印章对于票据图像辨伪也有着关键的作用。因此，如何准确有效地检测红章对于票据的智能录入有着关键性的作用。

[0004] 现有的红章检测方法主要通过候选框的分类进行印章检测，当候选框多时，检测准确度提高，但大量的候选框的存在导致检测速度变慢；当减少候选框增加速度，又难以保证检测的准确度，严重依赖于候选框的数量。而且，红章在图像中的大小和形状变化较大，候选框的设置难度大，候选框分类需要大量样本，对于新型印章的出现难以做出快速响应。

[0005] 因此，本发明提出了一种基于颜色分离和连通域检测的票据图像快速红章检测方法。

发明内容

[0006] 为了解决现有技术中的上述问题，即为了解决现有的红章检测方法严重依赖于候选框且候选框的设置难度大，导致检测实时性和准确性较差的问题，本发明第一方面，提出了一种票据图像快速红章检测方法，该方法包括：

[0007] 步骤S100，获取待检测的票据图像，作为输入图像；

[0008] 步骤S200，提取所述输入图像中各像素点的多颜色空间特征；所述多颜色空间特征包括Lab颜色特征、HSV颜色特征、RGB颜色特征；

[0009] 步骤S300，基于各像素点的多颜色空间特征，通过预训练的SVM分类器对像素点进行分类，得到红章像素点的分类结果图，作为第一结果图；

[0010] 步骤S400，将所述第一结果图进行形态学膨胀，并进行连通域标记；

[0011] 步骤S500，对各标记的连通域，依次判断其宽、高、以及宽高比是否在设定的阈值范围内，若是，则将其在所述输入图像中的位置及其对应的第一结果图作为检测结果进行输出。

[0012] 在一些优选的实施方式中，步骤S300中“通过预训练的SVM分类器对像素点进行分类，得到红章像素点的分类结果图”，其方法为：

[0013] 对所述输入图像，基于其各像素点的多颜色空间特征，结合预训练的SVM分类器学习的线性参数，得到其对应的预测图像；

[0014] 将所述预测图像中的各像素点进行归一化处理，并判断归一化结果是否大于等于设定的阈值，若是，则将其对应的分类结果图标记为1，作为红章像素点。

[0015] 在一些优选的实施方式中，“将各像素点的预测图像进行归一化处理”，其方法为：

[0016]

[0017] 其中，y(i,j)表示预测图像YImg中坐标(i,j)处的像素值，min(y)表示YImg中最小像素值，max(y)表示YImg中最大像素值，M(i,j)表示归一化后的预测图像在(i,j)处的像素值。

[0018] 在一些优选的实施方式中，步骤S400中“将所述第一结果图进行形态学膨胀”，其方法为：

[0019] 将所述第一结果图进行二值化；

[0020] 通过最近邻差值法将二值化后的第一结果图进行设定尺寸的缩放，并通过矩形核进行形态学膨胀。

[0021] 在一些优选的实施例中，所步骤S400中的连通域标记的方法为：采用基于行程的标记法实现连通域的提取。

[0022] 在一些优选的实施例中，步骤S500中“对各标记的连通域，依次判断其宽、高、以及宽高比是否在设定的阈值范围内”，其方法为：

[0023] 0.1*H＜h＜0.6*H

[0024] 0.1*W＜w＜0.6*W

[0025] 1/3＜w/h＜3

[0026] 其中，w、h表示各标记的连通域的宽、高，W、H表示待检测的票据图像的宽、高。

[0027] 本发明的第二方面，提出了一种票据图像快速红章检测系统，该系统包括待检测图像获取模块、多颜色空间特征提取模块、分类模块、连通域标记模块、输出模块；

[0028] 所述待检测图像获取模块，配置为获取待检测的票据图像，作为输入图像；

[0029] 所述多颜色空间特征提取模块，配置为提取所述输入图像中各像素点的多颜色空间特征；所述多颜色空间特征包括Lab颜色特征、HSV颜色特征、RGB颜色特征；

[0030] 所述分类模块，配置为基于各像素点的多颜色空间特征，通过预训练的SVM分类器对像素点进行分类，得到红章像素点的分类结果图，作为第一结果图；

[0031] 所述连通域标记模块，配置为将所述第一结果图进行形态学膨胀，并进行连通域标记；

[0032] 所述输出模块，配置为对各标记的连通域，依次判断其宽、高、以及宽高比是否在设定的阈值范围内，若是，则将其在所述输入图像中的位置及其对应的第一结果图作为检测结果进行输出。

[0033] 本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序应用由处理器加载并执行以实现上述的票据图像快速红章检测方法。

[0034] 本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的票据图像快速红章检测方法。

[0035] 本发明的有益效果：

[0036] 本发明提高了红章检测的实时性和准确性。本发明通过提取票据图像中各像素点的多颜色空间的颜色特征，并通过分类器进行分类，实现了票据数据中红章与其他部分的分离。基于分类的结果图，通过连通域的提取，得到了红色印章的对应的连通域，并对得到的连通域进行大小尺寸的筛选，最终得到票据数据中的红章检测框，减少了对候选框的数量的依赖，能够快速准确地检测到票据图像中的红色印章。而且，该方法适用于多种类型的票据图像，对于后期票据辨伪、票据版面分析和票据识别有重要的意义。

附图说明

[0037] 通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。

[0038] 图1是本发明一种实施例的票据图像快速红章检测方法的流程示意图；

[0039] 图2是本发明一种实施例的票据图像快速红章检测系统的框架示意图；

[0040] 图3是本发明一种实施例的票据图像快速红章检测方法的详细流程示意图；

[0041] 图4是本发明一种实施例的含有印章的发票图像的示例图；

[0042] 图5是本发明一种实施例的用于训练SVM算法标注的印章图像的示例图；

[0043] 图6是本发明一种实施例的分类结果图的示例图；

[0044] 图7是本发明一种实施例的票据图像中印章位置的检测结果的示意图；

[0045] 图8是本发明一种实施例的得到的印章位置与分类结果图的示例图；

[0046] 图9是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。

具体实施方式

[0047] 为使本发明的目的、技术方案和优点更加清楚，下面将结合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。

[0048] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

[0049] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

[0050] 本发明的票据图像快速红章检测方法，如图1所示，包括以下步骤：

[0051] 步骤S100，获取待检测的票据图像，作为输入图像；

[0052] 步骤S200，提取所述输入图像中各像素点的多颜色空间特征；所述多颜色空间特征包括Lab颜色特征、HSV颜色特征、RGB颜色特征；

[0053] 步骤S300，基于各像素点的多颜色空间特征，通过预训练的SVM分类器对像素点进行分类，得到红章像素点的分类结果图，作为第一结果图；

[0054] 步骤S400，将所述第一结果图进行形态学膨胀，并进行连通域标记；

[0055] 步骤S500，对各标记的连通域，依次判断其宽、高、以及宽高比是否在设定的阈值范围内，若是，则将其在所述输入图像中的位置及其对应的第一结果图作为检测结果进行输出。

[0056] 为了更清晰地对本发明票据图像快速红章检测方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。

[0057] 步骤S100，获取待检测的票据图像，作为输入图像。

[0058] 在本实施例中，获取待检测的票据图像，可以为用户拍摄上传的票据图像或者从其他途径获取的票据图像，如图4所示，图中的印章为红章，为符合专利中附图的规定，将其转换为灰度图。

[0059] 步骤S200，提取所述输入图像中各像素点的多颜色空间特征；所述多颜色空间特征包括Lab颜色特征、HSV颜色特征、RGB颜色特征。

[0060] 在本实施例中，提取获取的票据图像中各像素点的多颜色空间的颜色特征，即多颜色空间特征。本发明中优选提取票据图像中各像素点的Lab颜色空间特征、HSV颜色空间特征、RGB颜色空间特征，分别表示为(xL,xa,xb)、(xH,xS,xV)、(xR,xG,xB)，也可简洁的表示为(L,a,b,H,S,V,R,G,B)。因此，对于票据图像中每一个像素点的多颜色空间特征可以表示为式(1)：

[0061] x＝[xR,xG,xB,xL,xa,xb,xH,xS,XV]T  (1)

[0062] 其中，x表示像素点的多颜色空间特征，T表示转置。

[0063] 步骤S300，基于各像素点的多颜色空间特征，通过预训练的SVM分类器对像素点进行分类，得到红章像素点的分类结果图，作为第一结果图。

[0064] 在本实施例中，先对SVM分类器进行预训练，训练过程如下：

[0065] 获取带有红章的票据图像，标注图像中红章上的像素点为类别1，其余像素点为类别0，作为训练样本，如图5所示；

[0066] 使用像素点标注为是否为红章像素点的训练样本训练线性SVM分类器，线性分类器如式(2)所示：

[0067] y＝θxT  (2)

[0068] 其中，θ表示SVM分类器学习的线性参数，y表示像素点分类的结果。

[0069] 基于预训练得到的线性参数θ，结合待检测票据图像Img的提取的多颜色空间特征XImg，通过公式(3)可得到对应的预测图像。

[0070] YImg＝θXImgT  (3)

[0071] 其中，YImg表示待检测票据图像对应的预测图像。

[0072] 通过公式(4)将得到的预测图像进行归一化，得到红章预测概率图M。

[0073]

[0074] 其中，y(i,j)表示YImg中坐标(i,j)处的像素值，min(y)表示YImg中最小像素值，max(y)表示YImg中最大像素值，M(i,j)表示归一化后的预测图在(i,j)处的像素值。

[0075] 通过设定的阈值Ω对红章预测概率图进行比对，得到初步的红章像素点的分类结果图(或分类图图像)C，如图6，比对如式(5)所示：

[0076]

[0077] 其中，C(i,j)表示红章预测概率图M在(i,j)处的分类结果。

[0078] 步骤S400，将所述第一结果图进行形态学膨胀，并进行连通域标记。

[0079] 在本实施例中，将分类结果图C进行二值化，并进行连通域的提取，本发明中优选采用基于行程的标记法实现8连通域提取。在其他实施例中，也可以根据实际情况选择其他方法提取不同大小的连通域。

[0080] 考虑到图像大小对连通域分析和检测的影响并考虑计算效率，首先将二值化后的图的大小resize(调整大小，即缩放)到宽800像素，resize采用最近邻插值。为融合距离较近的连通域，本发明优选采用大小为3的矩形核对调整大小后的分类结果图进行了形态学膨胀操作，然后进行连通域的提取。其中，连通域的提取过程据图如下：

[0081] 步骤S411，逐行扫描形态学膨胀处理后的第一结果图，将每一行中连续的白色像素组成一个序列，作为一个域，start、它的终点end以及它所在的行号；

[0082] 步骤S412，对于除了第一行外的所有域，如果它与前一行中的所有域都没有重合区域，则赋值给它一个新的标号；如果它仅与上一行中一个域有重合区域，则将上一行的那个域的标号赋值给它；如果它与上一行的2个以上的域有重合区域，则给当前域赋一个相连域(与当前域重合的域)的最小标号，并将上一行的这几个域的标记写入等价对，说明它们属于一类；

[0083] 步骤S413，将等价对转换为等价序列，每一个序列需要给一个相同的标号，因为它们都是等价的。从1开始，给每个等价序列一个标号；

[0084] 步骤S414，将每个域的标号填入标记图像(与第一结果图膨胀后大小相等的图像)中，完成连通域标记。

[0085] 步骤S500，对各标记的连通域，依次判断其宽、高、以及宽高比是否在设定的阈值范围内，若是，则将其在所述输入图像中的位置及其对应的第一结果图作为检测结果进行输出。

[0086] 在本实施例中，先对红章的连通域进行判断。因为票据中的红章大小满足一定的长宽比，红章在图像中占据的大小也在一定的范围。本发明针对各类票据图像中的红章检测，具体采用的筛选标准如式(6)(7)(8)所示：

[0087] 0.1*H＜h＜0.6*H  (6)

[0088] 0.1*W＜w＜0.6*W  (7)

[0089] 1/3＜w/h＜3  (8)

[0090] 其中，W,H为待检测票据图像的高和宽，w,h为标记的连通域的宽和高。

[0091] 筛选的具体过程如图3所示，其中i为自然数，表示下标，N为标记的连通域的数量。

[0092] 基于上述满足筛选标准的连通域，将其在的待检测图像中的位置保存，最终输出红章位置与红章像素点分类结果图。图7为检测到的票据图像中红色印章的位置，图8为最终得到的红章位置与红章像素点的分类结果图。

[0093] 本发明第二实施例的一种票据图像快速红章检测系统，如图2所示，包括：待检测图像获取模块100、多颜色空间特征提取模块200、分类模块300、连通域标记模块400、输出模块500；

[0094] 所述待检测图像获取模块100，配置为获取待检测的票据图像，作为输入图像；

[0095] 所述多颜色空间特征提取模块200，配置为提取所述输入图像中各像素点的多颜色空间特征；所述多颜色空间特征包括Lab颜色特征、HSV颜色特征、RGB颜色特征；

[0096] 所述分类模块300，配置为基于各像素点的多颜色空间特征，通过预训练的SVM分类器对像素点进行分类，得到红章像素点的分类结果图，作为第一结果图；

[0097] 所述连通域标记模块400，配置为将所述第一结果图进行形态学膨胀，并进行连通域标记；

[0098] 所述输出模块500，配置为对各标记的连通域，依次判断其宽、高、以及宽高比是否在设定的阈值范围内，若是，则将其在所述输入图像中的位置及其对应的第一结果图作为检测结果进行输出。

[0099] 所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0100] 需要说明的是，上述实施例提供的票据图像快速红章检测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

[0101] 本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并实现上述的票据图像快速红章检测方法。

[0102] 本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的票据图像快速红章检测方法。

[0103] 所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。

[0104] 下面参考图9其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图9出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

[0105] 如图9所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)901，其可以根据存储在只读存储器(ROM，Read Only Memory)902中的程序或者从存储部分908加载到随机访问存储器(RAM，Random Access Memory)903中的程序而执行各种适当的动作和处理。在RAM903中，还存储有系统操作所需的各种程序和数据。CPU 901、ROM902以及RAM 903通过总线904彼此相连。输入/输出(I/O，Input/Output)接口905也连接至总线904。

[0106] 以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，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910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

[0107] 特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含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909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中，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。而在本申请中，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。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。

[0108] 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申请的操作的计算机程序代码，上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)。

[0109] 附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0110] 术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

[0111] 术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

[0112] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。