CN108600775A - 直播视频的监控方法、装置、服务器和存储介质 - Google Patents

Abstract

本发明实施例公开了一种直播视频的监控方法、装置、服务器和存储介质。该方法包括：获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧；将所述至少一个视频帧输入视频类别确定模型，获得所述各直播视频流的第二视频类别；获取所述第一视频类别与所述第二视频类别不同的直播视频流，确定为目标直播视频流；将所述目标直播视频流对应的直播间移出所述第一视频类别。本发明实施例提供的直播视频的监控方法，利用视频类别确定模型对第一视频类别下的直播视频流进行识别，并将与第一视频类别不对应的直播视频流移出第一视频类别，无需人工对直播视频流所属的视频类别进行识别，可以提高直播视频监控的效率，降低人工成本。

Description

直播视频的监控方法、装置、服务器和存储介质

技术领域

本发明实施例涉及视频直播技术领域，尤其涉及一种直播视频的监控方法、装置、服务器和存储介质。

背景技术

随着网络技术的快速发展，移动直播技术已经成为时下的社会热点之一。用户可以通过终端设备中的直播软件做直播，通过直播的方式介绍一款产品、分享当前所处的旅游景点或者一种料理的制作过程等。

每个直播视频流在直播平台播放时，都会被分配在直播视频流对应的视频类别下播放。有些主播为了增加自己直播视频流的点击量，会故意将直播视频流分到与直播视频的类别不同的视频类别下播放，从而破坏了直播平台的运营规则。

现有技术中，利用人工的方式对直播视频流进行监控，一旦发现与当前视频类别不符的直播视频流，将其移出当前视频类别。采用人工的方式，不仅成本高，且效率低下。

发明内容

本发明实施例提供一种直播视频的监控方法、装置、服务器和存储介质，可以提高直播视频监控的效率，降低人工成本。

第一方面，本发明实施例提供了一种直播视频的监控方法，该方法包括：

获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧；

将所述至少一个视频帧输入视频类别确定模型，获得所述各直播视频流的第二视频类别；其中，所述视频类别确定模型用于确定视频帧对应的视频类别；

获取所述第一视频类别与所述第二视频类别不同的直播视频流，确定为目标直播视频流；

将所述目标直播视频流对应的直播间移出所述第一视频类别。

进一步地，所述获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧，包括：

获取第一视频类别下从设定时间起点开始已经连续播放设定时长的直播视频流；

获取所述设定时长的直播视频流对应的至少一个视频帧。

进一步地，所述将所述目标直播视频流对应的直播间移出所述第一视频类别，包括：

将所述目标直播视频流对应的直播间转移至与所述目标直播视频的类别信息相符的第二视频类别下。

进一步地，所述将所述目标直播视频流对应的直播间移出所述第一视频类别，包括：

将所述目标直播视频流对应的直播间移出所述第一视频类别，并按照设定处理机制对与所述目标直播视频流匹配的主播账号进行处理。

进一步地，在将所述至少一个视频帧输入视频类别确定模型，获得所述各直播视频流的第二视频类别之前，还包括：

获取标注有视频类别标签的多张视频帧样本；

使用所述多张视频帧样本，对设定深度学习模型进行训练，得到所述视频类别确定模型。

进一步地，所述获取标注有视频类别标签的多张视频帧样本，包括：

调用搜索引擎接口搜索并下载与各视频类别分别对应的多个直播视频流；

从所述多个直播视频流中分别提取至少一帧视频帧，获得多张视频帧；

根据各视频帧对应的视频类别对各视频帧标注视频类别标签，获得多张视频帧样本。

第二方面，本发明实施例还提供了一种直播视频的监控装置，该装置包括：

视频帧获取模块，用于获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧；

类别信息获取模块，用于将所述至少一个视频帧输入视频类别确定模型，获得所述各直播视频流的第二视频类别；其中，所述视频类别确定模型用于确定视频帧对应的视频类别；

目标直播视频流确定模块，用于获取所述第一视频类别与所述第二视频类别不同的直播视频流，确定为目标直播视频流；

直播间移出模块，用于将所述目标直播视频流对应的直播间移出所述第一视频类别。

进一步地，所述视频帧获取模块，还用于：

获取第一视频类别下从设定时间起点开始已经连续播放设定时长的直播视频流；

获取所述设定时长的直播视频流对应的至少一个视频帧。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例所述的直播视频的监控方法。

第四方面，本发明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，其特征在于，该程序被处理器执行时实现如本发明实施例所述的直播视频的监控方法。

本发明实施例，首先获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧，然后将至少一个视频帧输入视频类别确定模型，获得各直播视频流的第二视频类别，对比第一视频类别与第二视频类别，对比不一致的直播视频流，确定为目标直播视频流，最后将目标直播视频流对应的直播间移出第一视频类别。本发明实施例提供的直播视频的监控方法，利用视频类别确定模型对第一视频类别下的直播视频流进行识别，并将与第一视频类别不对应的直播视频流移出第一视频类别，无需人工对直播视频流所属的视频类别进行识别，可以提高直播视频监控的效率，降低人工成本。

附图说明

图1是本发明实施例一中的一种直播视频的监控方法的流程图；

图2是本发明实施例二中的一种直播视频的监控方法的流程图；

图3是本发明实施例三中的一种直播视频的监控装置的结构示意图；

图4是本发明实施例四中的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明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仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种直播视频的监控方法的流程图，本实施例可适用于对直播视频进行监控的情况，该方法可以由直播视频的监控装置来执行，该装置可由硬件和/或软件组成，并一般可集成在电脑、服务器以及所有包含直播视频监控功能的终端中。如图1所示，该方法具体包括如下步骤。

步骤110，获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧。

其中，直播视频流可以是当前正在直播平台中直播的视频流或者直播完成后形成的完整视频流。视频类别可以是根据直播视频流中的内容而进行的分类，例如可以包括美食类、竞技游戏类、唱歌类、旅游类、美妆类等。示例性的，当直播视频流中出现各种食材的内容时，则为美食类，若直播视频流中出现的是游戏画面，则为竞技游戏类等。

若直播视频流是直播完成后的完整视频流，获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧的过程可以是，首先提取第一视频类别下直播完成后的所有完整视频流，然后从各完整直播视频流中分别截取至少一个视频帧。

可选的，获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧还可通过下述方式实施：获取第一视频类别下从设定时间起点开始已经连续播放设定时长的直播视频流，获取设定时长的直播视频流对应的至少一个视频帧。

其中，设定时间起点可以是直播开始时的时间起点或者直播开始后一定时长对应的时间点。直播开始时的时间起点可记为0分0秒，一定时长可以设置为10秒-30秒之间的任意时间，例如将直播开始后10秒设置为时间起点。设定时长可以设置为1-3分钟之间的任意时间。

本实施例中，主播在直播平台中的第一视频类别下做直播时，对当前直播视频流进行实时检测，当直播视频流从设定时间起点开始已经连续播放设定时长，则获取由时间起点及设定时长确定的时间段内的视频流，并提取该时间段的视频流对应的至少一个视频帧。示例性的，假设设定时间起点设置为0分0秒，设定时长设置为1分钟，当直播播放到第1分钟时，从0-1分钟之间的视频流中提取3个视频帧。本实施例的技术方案，获取从设定时间起点开始连续播放设定时长中的直播视频流对应的至少一个视频帧，可以及时对直播视频流的类别信息进行识别，同时可以避免重复的获取同一直播视频流中的视频帧，从而减少工作量，提高效率。

步骤120，将至少一个视频帧输入视频类别确定模型，获得各直播视频流的第二视频类别。

其中，视频类别确定模型用于确定视频帧对应的视频类别。第二视频类别可以包括美食类、竞技游戏类、唱歌类、旅游类、美妆类等。视频类别确定模型可以是基于设定深度学习模型，通过大量标注有视频类别标签的样本进行不断训练而获得的模型。

具体的，视频类别确定模型的工作原理可以是，当输入视频帧时，视频类别确定模型对输入的视频帧进行图像识别，对识别到的图像信息进行分析，获得视频帧对应直播视频流的类别信息。本实施例中，将获得的各视频帧分别输入至视频类别确定模型后，视频类别确定模型分别对各视频帧进行图像识别及图像分析，获得视频帧对应的直播视频流的第二视频类别。示例性的，假设，第一视频类别下当前从设定时间起点开始已经连续播放设定时长的直播视频流有5个，从这5个直播视频流中分别提取2个视频帧，将获得的10个视频帧分别输入视频类别确定模型，从而获得5个直播视频流的第二视频类别。例如：5个直播视频流都是属于美食类；或者，其中4个直播视频流属于美食类，1个直播视频流属于美妆类。

步骤130，获取第一视频类别与第二视频类别不同的直播视频流，确定为目标直播视频流。

本实施例中，在获得各直播视频流的第二视频类别后，将获得的第二视频类别与第一视频类别进行比较，将其中与第一视频类别不同的直播视频流确定为目标直播视频流。示例性的，假设，第一视频类别为美食类，5个直播视频流被视频类别确定模型识别后，其中4个直播视频流属于美食类，有1个直播视频流属于游戏类，则将属于游戏类的直播视频流确定为目标直播视频流。

步骤140，将目标直播视频流对应的直播间移出第一视频类别。

具体的，将直播间移出第一视频类别的过程可以是，获取直播间在第一视频类别下所处的位置，然后将该位置中的直播间移出第一视频类别。

本实施例中，在获得目标直播视频流后，获取目标直播视频流对应的直播间在第一视频类别中的位置，然后将该位置中的直播间移出第一视频类别。

可选的，将目标直播视频流对应的直播间移出第一视频类别，可通过下述方式实施：将目标直播视频流对应的直播间转移至与目标直播视频的类别信息相符的第二视频类别下。

具体的，启动与目标直播视频流的类别信息相符的第二视频类别的参与入口，通过该参与入口将目标直播视频流对应的直播间转移至与目标直播视频流的类别信息相符的第二视频类别下。示例性，假设在美妆类下识别到1个美食类直播视频流和1个竞技游戏类直播视频流，则分别启动美食类和竞技类游戏的参与入口，通过参与入口分别将美食类直播视频流和竞技游戏类直播视频流对应的直播间转移到与其类别信息对应的视频类别下。

可选的，将目标直播视频流对应的直播间移出第一视频类别，还可通过下述方式实施：将目标直播视频流对应的直播间移出第一视频类别，并按照设定处理机制对与目标直播视频流匹配的主播账号进行处理。

其中，预设处理机制可以包括对目标直播视频流匹配的主播账号封号预设时间或者禁言等。预设时间可以是3-5天之间的任意值。例如：将目标直播视频流匹配的主播账号封号4天。

本实施例中，在获得目标直播视频流后，获取目标直播视频流对应的直播间在第一视频类别中的位置，然后将该位置中的直播间移出第一视频类别，并对目标直播视频流匹配的主播账号按照设定处理机制进行处理。

按照设定处理机制对与目标直播视频流匹配的主播账号进行处理，可以进一步的预防主播将直播视频流对应的直播间分到与直播视频的类别不同的视频类别下播放，可以提高对直播视频监控的可靠性。

本实施例的技术方案，首先获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧，然后将至少一个视频帧输入视频类别确定模型，获得各直播视频流的第二视频类别，再然后获取第一视频类别与第二视频类别不同的直播视频流，确定为目标直播视频流，最后将目标直播视频流对应的直播间移出第一视频类别。本发明实施例提供的直播视频的监控方法，利用视频类别确定模型对第一视频类别下的直播视频流进行识别，并将与第一视频类别不对应的直播视频流移出第一视频类别，无需人工对直播视频流的类别信息进行识别，可以提高直播视频监控的效率，降低人工成本。

实施例二

图2为本发明实施例二提供的一种直播视频的监控方法的流程图，以上述实施例为基础，如图2所示，该方法包括如下步骤。

步骤210，获取标注有视频类别标签的多张视频帧样本。

其中，视频类别标签可以包括美食类标签、竞技游戏类标签、唱歌类标签、旅游类标签、美妆类标签等。视频帧可以从直播平台中的各直播视频流中提取，视频帧样本可以由大量的直播视频流中的视频帧组成。

可选的，获取标注有视频类别标签的多张视频帧样本，可通过下述方式实施：调用搜索引擎接口搜索并下载与各视频类别分别对应的多个直播视频流，从多个直播视频流中分别提取至少一帧视频帧，获得多张视频帧，根据各视频帧对应的视频类别对各视频帧标注视频类别标签，获得多张视频帧样本。

具体的，调用搜索引擎接口从直播平台中搜索各视频类别下的多个直播视频流，然后从多个直播视频流中分别提取至少一张视频帧，对提取到的多张视频帧标注视频类别标签，从而获得视频帧样本。可选的，对多张视频帧标注视频类别标签的方式可以是人工进行标注，人工对视频帧的图像进行分析，确定视频帧对应的视频类别，然后按照视频类别对视频帧进行标注。示例性的，从直播平台的各视频类别下共搜索1000个直播视频，从这1000个直播视频中分别提取5张视频帧，获得5000张视频帧，然后对5000张视频帧分别按照其对应的视频类别标注视频类别标签，获得5000张视频帧样本。

步骤220，使用多张视频帧样本，对设定深度学习模型进行训练，得到视频类别确定模型。

其中，设定深度学习模型是基于人工神经网络算法建立的训练模型。人工神经网络的基本结构由非线性变化单元构成，神经网络参数可以包括中间层数、各层之间的处理单元数以及学习系数。对深度学习模型训练的过程可以是调整各神经网络参数的过程，经过不断的训练，获得最优的神经网络参数，具有最优神经网络参数的设定深度学习模型即为最终要获得的模型。具体的，在获得多张视频帧样本后，使用多张视频帧样本对设定深度学习模型进行训练，不断调整设定深度学习中的神经网络参数，使得设定深度学习模型具有在输入的视频帧中准确识别出视频帧类别信息的能力，从而获得视频类别确定模型。

步骤230，获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧。

步骤240，将至少一个视频帧输入视频类别确定模型，获得各直播视频流的第二视频类别。

步骤250获取第一视频类别与第二视频类别不同的直播视频流，确定为目标直播视频流。

步骤260，将目标直播视频流对应的直播间移出第一视频类别。

本实施例的技术方案，使用多张标注有视频类别标签的视频帧样本，对设定深度学习模型进行训练，得到视频类别确定模型。可以提高视频类别确定模型识别的准确性。

实施例三

图3为本发明实施例三提供的一种直播视频的监控装置的结构示意图。如图3所示，该装置包括：视频帧获取模块310，类别信息获取模块320，目标直播视频流确定模块330和直播间移出模块340。

视频帧获取模块310，用于获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧；

类别信息获取模块320，用于将至少一个视频帧输入视频类别确定模型，获得各直播视频流的第二视频类别；其中，视频类别确定模型用于确定视频帧对应的视频类别；

目标直播视频流确定模块330，获取第一视频类别与第二视频类别不同的直播视频流，确定为目标直播视频流；

直播间移出模块340，用于将目标直播视频流对应的直播间移出第二视频类别。

可选的，视频帧获取模块310，还用于：

获取第一视频类别下从设定时间起点开始已经连续播放设定时长的直播视频流；

获取设定时长的直播视频流对应的至少一个视频帧。

可选的，直播间移出模块340，还用于：

将目标直播视频流对应的直播间转移至与目标直播视频的类别信息相符的第二视频类别下。

可选的，直播间移出模块340，还用于：

将目标直播视频流对应的直播间移出第一视频类别，并按照设定处理机制对与目标直播视频流匹配的主播账号进行处理。

可选的，还包括：

视频帧样本获取模块，用于获取标注有视频类别标签的多张视频帧样本；

视频类别确定模型获取模块，用于使用多张视频帧样本，对设定深度学习模型进行训练，得到视频类别确定模型。

可选的，视频帧样本获取模块，还用于：

调用搜索引擎接口搜索并下载与各视频类别分别对应的多个直播视频流；

从多个直播视频流中分别提取至少一帧视频帧，获得多张视频帧；

根据各视频帧对应的视频类别对各视频帧标注视频类别标签，获得多张视频帧样本。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

实施例四

图4为本发明实施例五提供的一种计算机设备的结构示意图，如图4所示，本实施例提供的一种计算机设备，包括：处理器41和存储器42。该计算机设备中的处理器可以是一个或多个，图4中以一个处理器41为例，所述计算机设备中的处理器41和存储器42可以通过总线或其他方式连接，图4中以通过总线连接为例。

本实施例中计算机设备的处理器41中集成了上述实施例提供的直播视频的监控装置。此外，该计算机设备中的存储器42作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中直播视频的监控方法对应的程序指令/模块。处理器41通过运行存储在存储器42中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述方法实施例中直播视频的监控方法。

存储器42可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器41通过运行存储在存储器42中的程序，从而执行各种功能应用以及数据处理，实现例本发明实施例提供的直播视频的监控方法。

实施例5

本发明实施例的计算机存储介质，其上存储有计算机程序，该程序被数据备份装置执行时实现如本发明实施例提供的直播视频的监控方法。

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。

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。

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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种直播视频的监控方法，其特征在于，包括：

获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧；

将所述至少一个视频帧输入视频类别确定模型，获得所述各直播视频流的第二视频类别；其中，所述视频类别确定模型用于确定视频帧对应的视频类别；

获取所述第一视频类别与所述第二视频类别不同的直播视频流，确定为目标直播视频流；

将所述目标直播视频流对应的直播间移出所述第一视频类别。

2.根据权利要求1所述的方法，其特征在于，所述获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧，包括：

获取第一视频类别下从设定时间起点开始已经连续播放设定时长的直播视频流；

获取所述设定时长的直播视频流对应的至少一个视频帧。

3.根据权利要求1所述的方法，其特征在于，所述将所述目标直播视频流对应的直播间移出所述第一视频类别，包括：

将所述目标直播视频流对应的直播间转移至与所述目标直播视频的类别信息相符的第二视频类别下。

4.根据权利要求1所述的方法，其特征在于，所述将所述目标直播视频流对应的直播间移出所述第一视频类别，包括：

将所述目标直播视频流对应的直播间移出所述第一视频类别，并按照设定处理机制对与所述目标直播视频流匹配的主播账号进行处理。

5.根据权利要求1-4任一所述的方法，其特征在于，在将所述至少一个视频帧输入视频类别确定模型，获得所述各直播视频流的第二视频类别之前，还包括：

获取标注有视频类别标签的多张视频帧样本；

使用所述多张视频帧样本，对设定深度学习模型进行训练，得到所述视频类别确定模型。

6.根据权利要求5所述的方法，其特征在于，所述获取标注有视频类别标签的多张视频帧样本，包括：

调用搜索引擎接口搜索并下载与各视频类别分别对应的多个直播视频流；

从所述多个直播视频流中分别提取至少一帧视频帧，获得多张视频帧；

根据各视频帧对应的视频类别对各视频帧标注视频类别标签，获得多张视频帧样本。

7.一种直播视频的监控装置，其特征在于，包括：

视频帧获取模块，用于获取第一视频类别下各直播间的直播视频流对应的至少一个视频帧；

类别信息获取模块，用于将所述至少一个视频帧输入视频类别确定模型，获得所述各直播视频流的第二视频类别；其中，所述视频类别确定模型用于确定视频帧对应的视频类别；

目标直播视频流确定模块，用于获取所述第一视频类别与所述第二视频类别不同的直播视频流，确定为目标直播视频流；

直播间移出模块，用于将所述目标直播视频流对应的直播间移出所述第一视频类别。

8.根据权利要求7所述的装置，其特征在于，所述视频帧获取模块，还用于：

获取第一视频类别下从设定时间起点开始已经连续播放设定时长的直播视频流；

获取所述设定时长的直播视频流对应的至少一个视频帧。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6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1-6中任一所述的方法。