人体属性识别模型训练方法、识别方法、装置及设备

摘要

本发明公开了一种人体属性识别模型训练方法、识别方法、装置及设备，涉及图像识别技术领域，解决了现有人体属性识别模型在训练过程中限制数据集的属性集必须与模型的属性集对齐的技术问题。该模型训练方法包括：针对任一数据集，将其属性集与模型属性集进行解耦，分别配置数据集与属性集的映射；多个数据集的属性集并集得到属性合集，构建多个属性识别器和初始识别模型；初始识别模型对多个数据集进行迭代训练，识别模型满足训练约束条件时，确定为人体属性识别模型；其中，输入初始识别模型的数据集数据，只在其映射的属性集对应的属性识别器中进行训练和识别。本发明能够同时使用多种包含不同属性集的数据集进行人体属性识别模型训练。

权利要求

1.一种人体属性识别模型训练方法，其特征在于，包括步骤：S100：针对任一数据集，将其属性集与模型属性集进行解耦，分别配置所述数据集与所述属性集的映射；

S200：将多个所述数据集的属性集进行并集后得到属性合集，针对所述属性合集构建多个属性识别器和初始识别模型；

S300：所述初始识别模型对多个所述数据集的数据进行迭代训练，直到迭代的识别模型满足训练约束条件时，将满足所述训练约束条件时的识别模型确定为人体属性识别模型；

其中，输入所述初始识别模型的所述数据集的数据，只在其映射的所述属性集对应的属性识别器中进行训练和识别；

所述S300步骤中，所述初始识别模型对多个所述数据集的数据进行迭代训练的具体流程为：S310：从所有所述数据集的数据中批次提取训练样本，每个批次包括N个所述训练样本，所述训练样本均包括人体样本图像和真实标签；

S320：将一个批次的所述训练样本送入所述初始识别模型中进行训练，所述属性识别器对所述训练样本进行属性识别，得到M个属性分类，每个所述属性分类均包括N个属性输出；

S330：将所述属性输出根据不同所述训练样本进行分组，得到N个属性分组；其中，每个所述训练样本在分组过程中根据其所属的所述数据集分别进行细粒度配置；

S340：针对每一所述属性分组，在所述属性输出中提取其对应属性，将所述对应属性、真实标签送入损失函数中计算损失；

S350：将所述损失进行梯度回传，更新所述初始识别模型的参数，得到识别模型；

S360：判断所述识别模型是否达到所述训练约束条件；若否，返回S320步骤；若是，结束训练。

2.根据权利要求1所述的一种人体属性识别模型训练方法，其特征在于， 所述数据集均为异构数据集。

3.根据权利要求1所述的一种人体属性识别模型训练方法，其特征在于，所述S300步骤中，所述初始识别模型对多个所述数据集的数据进行迭代训练之前，还包括：针对任一所述数据集，所述初始识别模型为其映射的所述属性集中的任一属性，分别配置其训练所需的组件；所述组件包括属性名、损失函数和优化器。

4.根据权利要求1所述的一种人体属性识别模型训练方法，其特征在于，所述训练约束条件为：最大循环次数L和精度阈值T；

循环次数达到所述最大循环次数L或所述初始识别模型的精度达到所述精度阈值T时，所述初始识别模型停止训练。

5.根据权利要求1所述的一种人体属性识别模型训练方法，其特征在于，所述S320步骤中，所述属性识别器对所述训练样本进行属性识别之前，还包括：所述初始识别模型通过backbone网络对所述训练样本进行特征提取，得到人体属性特征；所述属性识别器对所述人体属性特征进行属性识别。

6.一种人体属性识别方法，其特征在于，所述人体属性识别方法应用了如权利要求1‑5任一项所述的人体属性识别模型训练方法得到的所述人体属性识别模型，包括：S10：获取待识别人体图像；

S20：将所述待识别人体图像输入所述人体属性识别模型，得出输出结果；

S30：根据所述输出结果得出识别结果；

其中，所述输出结果包括多个不同所述属性，每个所述属性均包括多个类别概率。

7.根据权利要求6所述的一种人体属性识别方法，其特征在于，所述人体属性识别模型包括一个特征处理层、多个全连接层、自适应参数调节函数层和损失函数层的人体属性识别网络；所述特征处理层对输入的所述待识别人体图像进行特征提取，得到人体属性特征；

所述多个全连接层对所述人体属性特征进行识别，得到所述待识别人体图像为多个所述属性的多个所述类别概率；所述自适应参数调节函数层用于在所述人体属性识别模型的训练过程中更新所述人体属性识别网络的参数；所述损失函数层用于计算所述人体属性识别网络的损失。

8.一种人体属性识别处理装置，其特征在于，所述人体属性识别处理装置用于对权利要求6‑7任一项所述的一种人体属性识别方法进行处理，包括：获取模块，用于获取所述待识别人体图像；

识别模块，用于将所述待识别人体图像输入所述人体属性识别模型，得出所述输出结果；

处理模块，用于根据所述输出结果得出所述识别结果。

9.一种人体属性识别处理设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个计算机程序，一个或多个所述处理器用于执行所述存储器存储的一个或多个计算机程序，以使一个或多个所述处理器执行如权利要求1‑5任一项所述的一种人体属性识别模型训练方法、如权利要求6‑7任一项所述的一种人体属性识别方法。

说明书

人体属性识别模型训练方法、识别方法、装置及设备

技术领域

[0001] 本发明涉及图像识别技术领域，尤其涉及一种人体属性识别模型训练方法、识别方法、装置及设备。

背景技术

[0002] 人体属性识别是指基于人体图像，检测出人体后再判断人体具备哪种属性的过程。人体属性大多为与个体相关的语义特征，比较常见的人体属性包括性别、年龄、服饰的颜色款式及是否有背包、帽子等附属物品。

[0003] 现有的人体属性识别方案中，通常只用单一的数据集进行训练，且训练集的属性集与模型支持的属性集相同。然而，这种方式得到的模型仅适用于与该数据集相似的场景，而无法泛化到更多未知场景，这大大限制了模型的性能。

[0004] 进一步的，为了利用多种数据集来共同训练训练模型，通常使用人工补全或缺失值补全缺失的属性。人工补全是指人工标注补全数据集中的缺失属性，如数据集A没有年龄属性，人工标注其中的年龄。这种方式的优点是能够获取更多属性且效果好，缺点是需要耗费大量人力，对于很多小型项目是无法承受的。缺失值补全是指，直接用一个默认值（如‑1）补全缺失的属性，这种方式优点是不需要耗费人力，但缺点是容易引入歧义，影响训练的收敛，最终导致模型精度不高。这两种方式都是为了使所有数据集的属性集都和模型支持的属性集对齐。

[0005] 在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

[0006] 现有的人体属性识别模型在训练过程中限制数据集的属性集必须与模型的属性集对齐。

发明内容

[0007] 本发明的目的在于提供一种人体属性识别模型训练方法、识别方法、装置及设备，以解决现有技术中存在的人体属性识别模型在训练过程中限制数据集的属性集必须与模型的属性集对齐的技术问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。

[0008] 为实现上述目的，本发明提供了以下技术方案：

[0009] 本发明提供的一种人体属性识别模型训练方法，包括步骤：

[0010] S100：针对任一数据集，将其属性集与模型属性集进行解耦，分别配置所述数据集与所述属性集的映射；

[0011] S200：将多个所述数据集的属性集进行并集后得到属性合集，针对所述属性合集构建多个属性识别器和初始识别模型；

[0012] S300：所述初始识别模型对多个所述数据集的数据进行迭代训练，直到迭代的识别模型满足训练约束条件时，将满足所述训练约束条件时的识别模型确定为人体属性识别模型；

[0013] 其中，输入所述初始识别模型的所述数据集的数据，只在其映射的所述属性集对应的属性识别器中进行训练和识别。

[0014] 优选的，所述数据集均为异构数据集。

[0015] 优选的，所述S300步骤中，所述初始识别模型对多个所述数据集的数据进行迭代训练的具体流程为：

[0016] S310：从所有所述数据集的数据中批次提取训练样本，每个批次包括N个所述训练样本，所述训练样本均包括人体样本图像和真实标签；

[0017] S320：将一个批次的所述训练样本送入所述初始识别模型中进行训练，所述属性识别器对所述训练样本进行属性识别，得到M个属性分类，每个所述属性分类均包括N个属性输出；

[0018] S330：将所述属性输出根据不同所述训练样本进行分组，得到N个属性分组；其中，每个所述训练样本在分组过程中根据其所属的所述数据集分别进行细粒度配置；

[0019] S340：针对每一所述属性分组，在所述属性输出中提取其对应属性，将所述对应属性、真实标签送入损失函数中计算损失；

[0020] S350：将所述损失进行梯度回传，更新所述初始识别模型的参数，得到识别模型；

[0021] S360：判断所述识别模型是否达到所述训练约束条件；若否，返回S320步骤；若是，结束训练。

[0022] 优选的，所述S300步骤中，所述初始识别模型对多个所述数据集的数据进行迭代训练之前，还包括：

[0023] 针对任一所述数据集，所述初始识别模型为其映射的所述属性集中的任一属性，分别配置其训练所需的组件；所述组件包括属性名、损失函数和优化器。

[0024] 优选的，所述训练约束条件为：

[0025] 最大循环次数L和精度阈值T；

[0026] 循环次数达到所述最大循环次数L或所述初始识别模型的精度达到所述精度阈值T时，所述初始识别模型停止训练。

[0027] 优选的，所述S320步骤中，所述属性识别器对所述训练样本进行属性识别之前，还包括：

[0028] 所述初始识别模型通过backbone网络对所述训练样本进行特征提取，得到人体属性特征；所述属性识别器对所述人体属性特征进行属性识别。

[0029] 本发明还提供一种人体属性识别方法，所述人体属性识别方法应用了所述人体属性识别模型训练方法得到的所述人体属性识别模型，包括：

[0030] S10：获取待识别人体图像；

[0031] S20：将所述待识别人体图像输入所述人体属性识别模型，得出输出结果；

[0032] S30：根据所述输出结果得出识别结果；

[0033] 其中，所述输出结果包括多个不同所述属性，每个所述属性均包括多个类别概率。

[0034] 优选的，所述人体属性识别模型包括一个特征处理层、多个全连接层、自适应参数调节函数层和损失函数层的人体属性识别网络；所述特征处理层对输入的所述待识别人体图像进行特征提取，得到人体属性特征；所述多个全连接层对所述人体属性特征进行识别，得到所述待识别人体图像为多个所述属性的多个所述类别概率；所述自适应参数调节函数层用于在所述人体属性识别模型的训练过程中更新所述人体属性识别网络的参数；所述损失函数层用于计算所述人体属性识别网络的损失。

[0035] 此外，本发明还提供一种人体属性识别处理装置，所述人体属性识别处理装置用于对人体属性识别方法进行处理，包括：

[0036] 获取模块，用于获取所述待识别人体图像；

[0037] 识别模块，用于将所述待识别人体图像输入所述人体属性识别模型，得出所述输出结果；

[0038] 处理模块，用于根据所述输出结果得出所述识别结果。

[0039] 此外，本发明还提供一种人体属性识别处理设备，包括：

[0040] 一个或多个处理器；

[0041] 存储器，用于存储一个或多个计算机程序，一个或多个所述处理器用于执行所述存储器存储的一个或多个计算机程序，以使一个或多个所述处理器执行如一种人体属性识别模型训练方法、识别方法。

[0042] 实施本发明上述技术方案中的一个技术方案，具有如下优点或有益效果：

[0043] 本发明提供了一种可以同时使用多种包含不同属性集的数据集进行人体属性识别模型训练的方法，通过将数据集与目标模型的属性集进行解耦，配置一个“数据集‑属性集”的映射，再将数据集所映射的属性集的合集均进行细粒度配置后构建初始识别模型，通过对初始识别模型迭代训练后，得到能够对各种人体属性的数据集都可以使用的人体属性识别模型，这无疑会增加数据多样性，最终提升模型的泛化能力。此外，还可以灵活增加自定义数据集，且仅需配置一次数据集的属性集即可，增加了模型迭代的便利性。

附图说明

[0044] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见，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，附图中：

[0045] 图1是本发明实施例一的方法流程图；

[0046] 图2是本发明实施例一中S300步骤的具体流程图；

[0047] 图3是本发明实施例二的方法流程图；

[0048] 图4是本发明实施例三的结构示意图。

具体实施方式

[0049] 为了使本发明的目的、技术方案及优点更加清楚明白，下文将要描述的各种示例性实施例将要参考相应的附图，这些附图构成了示例性实施例的一部分，其中描述了实现本发明可能采用的各种示例性实施例。除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。应明白，它们仅是与如所附权利要求书中所详述的、本发明公开的一些方面相一致的流程、方法和装置等的例子，还可使用其他的实施例，或者对本文列举的实施例进行结构和功能上的修改，而不会脱离本发明的范围和实质。

[0050] 在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”等指示的是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的元件必须具有的特定的方位、以特定的方位构造和操作。术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。术语“多个”的含义是两个或两个以上。术语“相连”、“连接”应做广义理解，例如，可以是固定连接、可拆卸连接、一体连接、机械连接、电连接、通信连接、直接相连、通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

[0051] 为了说明本发明所述的技术方案，下面通过具体实施例来进行说明，仅示出了与本发明实施例相关的部分。

[0052] 实施例一：

[0053] 如图1所示，本发明提供了一种人体属性识别模型训练方法，包括步骤：S100：针对任一数据集，将其属性集与模型属性集进行解耦，分别配置数据集与属性集的映射；S200：将多个数据集的属性集进行并集后得到属性合集，针对属性合集构建多个属性识别器和初始识别模型；S300：初始识别模型对多个数据集的数据进行迭代训练，直到迭代的识别模型满足训练约束条件时，将满足训练约束条件时的识别模型确定为人体属性识别模型；其中，输入初始识别模型的数据集的数据，只在其映射的属性集对应的属性识别器中进行训练和识别。具体的，本发明提供了一种可以同时使用多种包含不同属性集的数据集进行人体属性识别模型训练的方法，通过将数据集与目标模型的属性集进行解耦，配置一个“数据集‑属性集”的映射，再将数据集所映射的属性集的合集均进行细粒度配置后构建初始识别模型，通过对初始识别模型迭代训练后，得到能够对各种人体属性的数据集都可以使用的人体属性识别模型，这无疑会增加数据多样性，最终提升模型的泛化能力。此外，还可以灵活增加自定义数据集，且仅需配置一次数据集的属性集即可，增加了模型迭代的便利性。

[0054] 人体属性识别是一个多标签的分类任务，输入一个行人的图像，模型输出结果为该行人各种属性的类别，如：{性别：男，年龄段：老人，上衣颜色：红色，下装颜色：黑色，袖长：长袖......}，这个例子中的属性就是性别、年龄等，每个属性都有多个类别（如性别分为“男性、女性”，年龄段分为“小孩、年轻人、中年人、老人”......）。为了实现人体属性识别的效果，通常都会设计这样一个网络：1个backbone+多个head，backbone用于特征提取，每个head对应一个属性的分类，如head1用于分类性别、head2用于分类年龄段。因此，需要对多少个属性进行分类，则需要多少个head。然后需要利用数据集进行模型训练。而传统训练方法，需要数据集中包含的属性集与模型设定好的属性集完全匹配，否则无法训练得到所需模型。

[0055] 与传统训练方法不同，本发明中最突出的特点即为将数据集与目标模型的属性集进行解耦。即对“数据集的属性集—模型的属性集”进行解耦，解耦的目的是使人体属性模型训练时不必严格要求“数据集的属性集=目标数据集”。进一步的，在将数据集与模型属性集解耦后，会配置一个“数据集‑属性集”的映射，即：每个数据集包含哪些属性。

[0056] 在构造人体属性模型时，根据所有数据集的属性集的并集构造heads，即属性合集。也即，在所有数据集中有多少属性，就构造多少个属性识别器。以上述属性集A、B为例，其set_A与set_B的并集为{性别，年龄段，上衣颜色}，人体属性模型里面就包含3个head，分别代表3个属性的识别器。在人体属性模型训练过程中，根据训练数据所属的数据集，将训练数据应用到对应head的训练上，同时保持其他head不变。

[0057] 如此，既可以避免因填充缺失值而造成的影响，同时又可以利用各种不同的数据集来训练模型。这种做法的可扩展性也非常强，后续有了新的数据集加入训练，只需要利用该数据集训练其所拥有的的属性对应的heads即可，而不会影响其缺失的属性所对应的heads。

[0058] 作为可选的实施方式，数据集均为异构数据集。具体的，异构数据集为本发明定义的名词，异构的概念指不同数据集包含的属性集不同。也即，异构数据集为包含不同属性集的不同数据集，如数据集A包含属性1、2、3，数据集B包含属性2、3、4，数据集C包含属性5、6，等等。本发明使用的异构数据集在进行模型训练时，不需要对数据集所属的属性集和模型属性集进行对齐，也不需要每个数据集都包含所有属性，只要数据的属性属于总的属性集即可。进一步的，这更利于灵活增加数据集，提高模型迭代训练的便利性。

[0059] 如图2所示，作为可选的实施方式，S300步骤中，初始识别模型对多个数据集的数据进行迭代训练的具体流程为：S310：从所有数据集的数据中批次提取训练样本，每个批次包括N个训练样本，训练样本均包括人体样本图像和真实标签。具体的，S310步骤中，不同数据集所包含的属性集可以有以下三种情况：完全相同、不完全相同、完全不相同。这也意味着，不同数据集之间的属性集是可以随意配置的，而本发明的训练过程可以完全兼容。其中，在所有数据集中每次随机抽取一个批次的训练样本，每批次能提取N个样本。训练样本来自多少个数据集是不一定的，因为有可能某个数据集中的样本没有出现在当前批次，也有可能当前批次抽取了某个数据集的多个样本。每个训练样本均包括人体样本图像和真实标签，人体样本图像用于提取人体属性特征，真实标签用于与样本识别结果进行对比，判断人体属性识别模型的识别精度。S320：将一个批次的训练样本送入初始识别模型中进行训练，属性识别器对训练样本进行属性识别，得到M个属性分类，每个属性分类均包括N个属性输出。需要说明的是，样本数与属性分类的数据并不相同，在实际意义中，输入的样本数肯定比识别的属性分类数多很多。每个样本都在每个属性分类上有属性输出的判断，因此样本数与属性输出数是一致的。S330：将属性输出根据不同训练样本进行分组，得到N个属性分组；其中，每个训练样本在分组过程中根据其所属的数据集分别进行细粒度配置。更具体的，分组的意义在于对每个训练样本按照其所属数据集进行细粒度配置：属性集（仅更新数据集对应的属性集，比如某个样本属于数据集A，而A仅有属性1、2、3，那么这个样本就仅对属性1、2、3进行配置）、每个属性对应的损失函数和优化器。需要说明的是，传统的训练过程，都是一个模型里面仅包含有限个数的损失函数和优化器，而本发明可以对每个数据集的每个属性都分配一个损失函数和优化器。S340：针对每一属性分组，在属性输出中提取其对应属性，将对应属性、真实标签送入损失函数中计算损失；S350：将损失进行梯度回传，更新初始识别模型的参数，得到识别模型；S360：判断识别模型是否达到训练约束条件；若否，返回S320步骤；若是，结束训练。

[0060] 本发明的训练方法主要是针对各种异构数据集进行了细粒度的配置，使其能够在网络训练过程中互不影响，从而最大限度的提升了数据利用率。训练过程中的N、M值均可根据实际需求灵活配置，将每个属性输出根据其所属的数据集进行细粒度配置，即针对每种数据集的每个属性，都独立配置损失函数、优化器等组件，能够得到N个属性分组，每个属性分组均在内部进行loss计算及网络参数的更新。这种做法，可以将每种数据集中的每个属性都利用起来，且互不干扰。这主要得益于训练过程中对“数据集的属性集—模型的属性集”进行了解耦，意味着训练过程中数据集的每个属性集之间是相互独立的，使得在同一个训练过程中可以利用各种不同构的数据集。

[0061] 作为可选的实施方式，S300步骤中，初始识别模型对多个数据集的数据进行迭代训练之前，还包括：针对任一数据集，初始识别模型为其映射的属性集中的任一属性，分别配置其训练所需的组件；组件包括属性名、损失函数和优化器。具体的，针对每种数据集的每个属性，都独立配置损失函数、优化器等组件，能够对属性分组在内部进行loss计算及网络参数的更新。

[0062] 作为可选的实施方式，训练约束条件为：最大循环次数L和精度阈值T；循环次数达到最大循环次数L或初始识别模型的精度达到精度阈值T时，初始识别模型停止训练。具体的，训练约束条件有两个，分别是最大循环次数L和精度阈值T。当达到任一训练约束条件时，模型停止训练。

[0063] 作为可选的实施方式，S320步骤中，属性识别器对训练样本进行属性识别之前，还包括：初始识别模型通过backbone网络对训练样本进行特征提取，得到人体属性特征；属性识别器对人体属性特征进行属性识别。具体的，backbone网络为人体属性识别网络的骨干网络，可以是当前已开源的各种网络，（如ResNet、EfficientNet、RepVGG等）用于提取人体属性特征，然后将此特征送入后续多个heads，每个head代表一个属性（性别、年龄等）的分类器（使用线性层构建），最后每个head即可输出在该属性上各个类别的概率（如性别head输出[女性概率，男性概率]）。

[0064] 实施例仅是一个特例，并不表明本发明就这样一种实现方式。

[0065] 实施例二：

[0066] 如图3所示，本发明还提供一种人体属性识别方法，人体属性识别方法应用了人体属性识别模型训练方法得到的人体属性识别模型，包括：S10：获取待识别人体图像；S20：将待识别人体图像输入人体属性识别模型，得出输出结果；S30：根据输出结果得出识别结果；其中，输出结果包括多个不同属性，每个属性均包括多个类别概率。具体的，通过实施例一中人体属性识别模型训练方法所训练得到的人体属性识别模型，可以对输入该模型的待识别人体图像进行识别，能够输出该待识别人体图像中一共包含了几个属性，以及每个属性包含的多个类别概率。

[0067] 作为可选的实施方式，人体属性识别模型包括一个特征处理层、多个全连接层、自适应参数调节函数层和损失函数层的人体属性识别网络；特征处理层对输入的待识别人体图像进行特征提取，得到人体属性特征；多个全连接层对人体属性特征进行识别，得到待识别人体图像为多个属性的多个类别概率；自适应参数调节函数层用于在人体属性识别模型的训练过程中更新人体属性识别网络的参数；损失函数层用于计算人体属性识别网络的损失。具体的，特征处理层为backbone网络，可以选用当前已开源的各种网络，如ResNet、EfficientNet和RepVGG等网络。属性识别器能够对图像中的人体属性特征进行识别，得到待识别人体图像为某个属性的多个类别概率。每个属性识别器都代表一个属性，多个属性识别器构建的全连接层网络，能够识别得到待识别人体图像为多个属性的多个类别概率。本发明使用的损失函数有交叉熵和FocalLoss两种，针对不同的head设置对应的损失函数，如：有的使用交叉熵，有的使用FocalLoss等。

[0068] 实施例三：

[0069] 如图4所示，本发明还提供一种人体属性识别处理装置，用于对待识别人体图像进行处理，包括：获取模块，用于获取待识别人体图像；识别模块，用于将待识别人体图像输入人体属性识别模型，得出输出结果；处理模块，用于根据输出结果得出识别结果。具体的，对待识别图像的具体处理步骤如实施例二。

[0070] 实施例四：

[0071] 本发明还提供一种人体属性识别处理设备实施例，包括一个或多个处理器及存储器；其中，存储器用于存储一个或多个计算机程序，一个或多个处理器用于执行存储器存储的一个或多个计算机程序，以使处理器执行上述的实施例一和实施例二的特征/步骤。

[0072] 以上所述仅为本发明的较佳实施例而已，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等同替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。