表情确定方法、装置及电子设备
技术领域
本公开涉及数据处理技术领域,尤其涉及一种表情确定方法、装置及电子设备。
背景技术
在包含人物头像的图片或视频中,通常含有任务的各种表情,例如,高兴、气愤、难过等各种表情。通过识别图片或视频中人物的表情,能够获知人物当时的心情,从而针对不同的心情执行进一步的操作。例如,应用程序可以在用户处于沮丧的心情时,给用户推送一些平静的背景音乐。
对于表情的确定通常是采用人工标注的方式进行,这种确定表情的方式一方面会导致人工成本的增加,同时人工标注也存在效率低下的问题,不能够对海量的表情图片进行及时的处理。
还存在采用识别模型对表情所在的图片序列进行判断,最终确定表情的方式,这种方式需要借助较多的图片来得到一个表情,会占用较多的资源,对于表情识别的场景具有较为严格的限定。不能够基于单个图片快速准确的判断出图片中任务的表情。
发明内容
有鉴于此,本公开实施例提供一种表情确定方法、装置及电子设备,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种表情确定方法,包括:
获取包含不同表情的多个图像;
基于包含运动编码的基底向量,确定所述多个图像中不同表情的表情程度;
利用所述多个图像、所述基底向量以及所述表情程度,构建最小化目标函数,所述最小化目标函数用于训练预测表情程度的预测模型;
通过训练完成后的预测模型,确定新获取图像的表情。
根据本公开的一种具体实现方式,所述获取包含不同表情的多个图像,包括:
获取预先定义的所有表情分类,搜集与所有表情分类对应的图像,使每一表情分类中至少存在一个图像。
根据本公开的一种具体实现方式,所述基于包含运动编码的基底向量,确定所述多个图像中不同表情的表情程度之前,所述方法还包括:
预先设置与所述不同表情相关的基底向量,所述基底向量能够描述所述多个表情元素的状态。
根据本公开的一种具体实现方式,所述预先设置与所述不同表情相关的基底向量,包括:
基于所述多个图像上的表情元素的关键点,将所述多个图像中的人脸重建为3D模型;
将所述3D模型拆分为多个三维网格,其中每一三维网格表征一个表情元素的一种表情状态;
对所述多个三维网格设置运动编码,形成包含运动编码的基底向量。
根据本公开的一种具体实现方式,所述基于包含运动编码的基底向量,确定所述多个图像中不同表情的表情程度,包括:
为所述基底向量设定基底向量系数;
为所述多个图像中每一图像中的表情设定匹配的基底向量系数;
将匹配后的基底向量系数,作为所述表情程度的参数值。
根据本公开的一种具体实现方式,所述利用所述多个图像、所述基底向量以及所述表情程度,构建最小化目标函数,还包括:
设置所述预测模型所对应的神经网络模型g,所述神经网络模型g包括卷积层、池化层和采样层;
利用所述神经网络模型g产生针对所述多个图像中的每个图像的表情程度预测值g(x,z),其中,x表示所述多个图像中的每个图像,Z表示每个图像的基底向量。
根据本公开的一种具体实现方式,所述利用所述多个图像、所述基底向量以及所述表情程度,构建最小化目标函数,还包括
针对所述多个图像中每一图像的表情程度y及每个图像的表情程度预测值g(x,z),构建最小化目标函数f(x,z,y)=||g(x,z)-y||^2;
利用所述最小化目标函数对神经网络模型g进行多次迭代,求取所述最小化目标函数的最小值。
根据本公开的一种具体实现方式,所述通过训练完成后的预测模型,确定新获取图像的表情,包括:
对新获取的图像进行基于关键点的3D建模;
基于3D建模后形成的模型,确定新获取图像的基底向量系数;
利用新获取图像的基底向量系数和所述预测模型,确定所述新获取图像的表情程度。
第二方面,本公开实施例提供了一种表情确定装置,包括:
获取模块,用于获取包含不同表情的多个图像;
确定模块,用于基于包含运动编码的基底向量,确定所述多个图像中不同表情的表情程度;
构建模块,用于利用所述多个图像、所述基底向量以及所述表情程度,构建最小化目标函数,所述最小化目标函数用于训练预测表情程度的预测模型;
执行模块,用于通过训练完成后的预测模型,确定新获取图像的表情。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的表情确定方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的表情确定方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的表情确定方法。
本公开实施例中的表情确定方案,包括获取包含不同表情的多个图像;基于包含运动编码的基底向量,确定所述多个图像中不同表情的表情程度;利用所述多个图像、所述基底向量以及所述表情程度,构建最小化目标函数,所述最小化目标函数用于训练预测表情程度的预测模型;通过训练完成后的预测模型,确定新获取图像的表情。通过本公开的处理方案,提高了表情计算速度及表情预测的准确性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例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公开的一些实施例,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。
图1为本公开实施例提供的一种表情确定流程示意图;
图2为本公开实施例提供的一种神经网络模型示意图;
图3为本公开实施例提供的另一种表情确定流程示意图;
图4为本公开实施例提供的另一种表情确定流程示意图;
图5为本公开实施例提供的表情确定装置结构示意图;
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种表情确定方法。本实施例提供的表情确定方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,本公开实施例提供的一种表情确定方法,包括如下步骤:
S101,获取包含不同表情的多个图像。
表情是人或动物在表达感情、情意时呈现出的外在表现,可以通过表现在面部或姿态上来表达特定的感情(例如,高兴、难过等)。表情是情绪的主观体验的外部表现模式。人的表情包括面部表情、语言声调表情和身体姿态表情。在此本公开的方案主要解决的面部表情的自动识别问题。
为了能够通过模型自动的对图片进行表情识别,需要对模型进行训练,使得模型能够准确的对表情进行识别。为此需要设置训练样本,训练样本的目的是使模型的参数,经过训练之后,使模型能够稳定下来。
作为训练样本的组成部分,需要获取包含不同表情的多个图像,通过该多个图像,能够表达出所有种类的面部表情。其中,在选取训练样本是,要保证作为训练样本的多个图像中包含多个表情元素(例如,鼻子,眼睛,嘴巴等)。
S102,基于包含运动编码的基底向量,确定所述多个图像中不同表情的表情程度。
基底向量通过向量的形式来描述人脸表情元素的不同状态,对于任意的含有表情的图像x,其均存在对应的基底向量z,根据实际表情元素的数目及状态,基底向量的数目可以是n个,即:z=[z1,z2,…zn],n为自然数。
不同的基底向量可以代表不同的含义,例如基底向量z1=[10000000…],用来表示眼睛完全张开时的状态,基底向量z2=[01000000…]用来表示嘴巴完全张开时的状态,则通过基底向量z1和z2就可以描述人眼睛完全张开、嘴巴完全张开的状态。
可以给不同的基底向量设置不同的程度系数,例如,基底向量z1和z2的程度系数分别设置为1和0.5,即z=1*z1+0.5*z2表示眼睛完全张开、嘴巴半张开的状态。当然,还可以通过设置表征更多表情元素的基底向量及相应的程度系数,来表示由不同表情元素的不同状态构成的不同表情。
为了方便对多个基底向量进行管理,可以对基底向量设置运动编码,例如眼睛相关的基底向量的运动编码为1,嘴巴相关的基底向量的运动编码为2。
作为一个具体的例子,可以设定51个运动编码基底向量,通过基于2D人脸关键点的3D人脸重建技术,能够得到51个基底向量的程度系数。基底向量乘上程度系数后便可以得到任意表情的三维网格。因此这些程度系数可以作为表情程度的特征来回归表情程度值。
S103,利用所述多个图像、所述基底向量以及所述表情程度,构建最小化目标函数,所述最小化目标函数用于训练预测表情程度的预测模型。
为了能够对多个图像中的每个图像的表情进行预测,构建神经网络模型g,参见图2,神经网络模型g包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入表情图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入表情图像具有较好的鲁棒性。
为了加快神经网络模型g的训练速度,在卷积层后面还设置有池化层,池化层采用最大池化的方式对卷积层的输出结果进行处理,能够更好的提取输入图像的不变性特征。
全连接层将经过多个卷积层和池化层的表情图像的特征进行整合,获取输入表情图像特征具有的表情图像特征,以用于区分表情图像。在神经网络模型g中,全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入表情图像所有特征的组合信息,该特征向量将图像中含有最具有特点的表情图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入表情图像具体数值。例如,通过全连接层的计算之后,可以将输入表情图像输出为参数为P的表情程度。
在训练的过程中,每张表情图像用x表示,表情图像对应基底向量用z表示。图像的表情程度用y表示,即每张图像及其表情程度可以通过(x,z,y)表示。
在所有训练样本图像上,利用最小化目标函数f(x,z,y)=||g(x,z)-y||^2来求取神经网络模型g的训练,其中g(x,z)得到的预测值为表情程度P。训练过程需要多次迭代求取目标函数的最小值。重复迭代直到测试精度趋于稳定。测试精度指在另外一份不参与模型训练的图像数据中测试的模型精度。
S104,通过训练完成后的预测模型,确定新获取图像的表情。
预测模型训练完成之后,便可以基于该预测模型对新输入(获取)的图像进行表情预测,并基于预测的结果对新输入的图像进行自动表情标注。具体的,可以基于新获取的图像作为输入,利用现有基于2D人脸关键点的3D人脸重建技术求取基底向量的系数,基于基底向量系数通过该预测模型回归出表情程度值。
在获取包含不同表情的多个图像的过程中,为了保证作为训练样本的多个图像能够涵盖所有的表情,可以预先对所有的表情进行预先分类,通过获取预先定义的所有表情分类,搜集与所有表情分类对应的图像,使每一表情分类中至少存在一个图像。通过这种方式,保证了训练样本中含有足够的表情图像。
通过不通过基底向量的组合设置,能够准确的描述不同的表情。为此,在基于包含运动编码的基底向量,确定所述多个图像中不同表情的表情程度之前,还需要预先设置与所述不同表情相关的基底向量,通过基底向量来描述所述多个表情元素的状态。作为一种可选的实施方式,参见图3,预先设置与所述不同表情相关的基底向量,可以包括如下步骤:
S301,基于所述多个图像上的表情元素的关键点,将人脸重建为3D模型。
基底向量通过向量的形式来描述人脸表情元素的不同状态,对于任意的含有表情的图像x,其均存在对应的基底向量z。为了能够获得基底向量,可以预先建立人脸3D模型,通过将人脸3D模型进行拆分的方式,获得基底向量。具体的,可以获取图像上的表情元素上的关键点,通过关键点来描述表情元素,并通过所有的表情元素构建人脸3D模型。
S302,将所述3D模型拆分为多个三维网格,其中每一三维网格表征一个表情元素的一种表情状态。
3D模型可以用三维网格进行描述,通过对3D模型进行拆分,可以将3D模型拆分成多个三维网格,每一三维网格表征一个表情元素的一种表情状态。
S303,对所述多个三维网格设置运动编码,形成包含运动编码的基底向量。
不同的三维表格代表不同表情元素,为此,对三维网格设置运动编码,通过编码的方式,能够方便的对三维网格进行调用,最终形成基底向量。
通过基底向量便可以确定所述多个图像中不同表情的表情程度,具体的,可以为所述基底向量设定基底向量系数,为多个图像中每一图像中的表情设定匹配的基底向量系数,通过匹配后的基底向量系数,建立所述基底向量与所述表情程度之间的映射关系。例如,可以给不同的基底向量设置不同的程度系数,例如,基底向量z1和z2的程度系数分别设置为1和0.5,即z=1*z1+0.5*z2表示眼睛完全张开、嘴巴半张开的状态。当然,还可以通过设置表征更多表情元素的基地向量及相应的程序系数,来表示有不同表情元素的不同状态构成的不同表情
参见图4,根据本公开的一种具体实现方式,通过训练完成后的预测模型,确定新获取图像的表情,包括:
S401,对新获取的图像进行基于关键点的3D建模。
新获取的图像中包含表情元素,通过对表情元素进行关键点提取的方式,可以获得新获取图像上的关键点,关键点的获取和检测属于现有技术,在此不作限定。基于检测到的关键点,可以进行针对人脸进行3D建模。
S402,基于3D建模后形成的模型,确定新获取图像的基底向量系数。
建立完包含表情元素的3D模型之后,可以通过回归的方式确定新获取图像的基底向量系数(基底向量的程度系数),通过该基底向量系数,能够进一步的确定图像的表情程度。
S403,利用新获取图像的基底向量系数和所述预测模型,确定所述新获取图像的表情程度。
与上面的方法实施例相对应,参见图5,本公开实施例还提供了一种表情确定装置50,包括:
获取模块501,用于获取包含不同表情的多个图像。
表情是人或动物在表达感情、情意时呈现出的外在表现,可以通过表现在面部或姿态上来表达特定的感情(例如,高兴、难过等)。表情是情绪的主观体验的外部表现模式。人的表情包括面部表情、语言声调表情和身体姿态表情。在此本公开的方案主要解决的面部表情的自动识别问题。
为了能够通过模型自动的对图片进行表情识别,需要对模型进行训练,使得模型能够准确的对表情进行识别。为此需要设置训练样本,训练样本的目的是使模型的参数,经过训练之后,使模型能够稳定下来。
作为训练样本的组成部分,需要获取包含不同表情的多个图像,通过该多个图像,能够表达出所有种类的面部表情。其中,在选取训练样本是,要保证作为训练样本的多个图像中包含多个表情元素(例如,鼻子,眼睛,嘴巴等)。
确定模块502,用于基于包含运动编码的基底向量,确定所述多个图像中不同表情的表情程度。
基底向量通过向量的形式来描述人脸表情元素的不同状态,对于任意的含有表情的图像x,其均存在对应的基底向量z,根据实际表情元素的数目及状态,基底向量的数目可以是n个,即:z=[z1,z2,…zn],n为自然数。
不同的基底向量可以代表不同的含有,例如基底向量z1=[10000000…],用来表示眼睛完全张开时的状态,基底向量z2=[01000000…]用来表示嘴巴完全张开时的状态,则通过基底向量z1和z2就可以描述人眼睛完全张开、嘴巴完全张开的状态。
可以给不同的基底向量设置不同的程度系数,例如,基底向量z1和z2的程度系数分别设置为1和0.5,即z=1*z1+0.5*z2表示眼睛完全张开、嘴巴半张开的状态。当然,还可以通过设置表征更多表情元素的基地向量及相应的程序系数,来表示有不同表情元素的不同状态构成的不同表情。
为了方便对多个基底向量进行管理,可以对基底向量设置运动编码,例如眼睛相关的基底向量的运动编码为1,嘴巴相关的基底向量的运动编码为2。
作为一个具体的例子,可以设定51个运动编码基底向量,通过基于2D人脸关键点的3D人脸重建技术,能够得到51个基底向量的程度系数。基底向量乘上程度系数后便可以得到任意表情的三维网格。因此这些程度系数可以作为表情程度的特征来回归表情程度值。
构建模块503,用于利用所述多个图像、所述基底向量以及所述表情程度,构建最小化目标函数,所述最小化目标函数用于训练预测表情程度的预测模型。
为了能够对多个图像中的每个图像的表情进行预测,构建神经网络模型g,参见图2,神经网络模型g包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入表情图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入表情图像具有较好的鲁棒性。
为了加快神经网络模型g的训练速度,在卷积层后面还设置有池化层,池化层采用最大池化的方式对卷积层的输出结果进行处理,能够更好的提取输入图像的不变性特征。
全连接层将经过多个卷积层和池化层的表情图像的特征进行整合,获取输入表情图像特征具有的表情图像特征,以用于区分表情图像。在神经网络模型g中,全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入表情图像所有特征的组合信息,该特征向量将图像中含有最具有特点的表情图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入表情图像具体数值。例如,通过全连接层的计算之后,可以将输入表情图像输出为参数为P的表情程度。
在训练的过程中,每张表情图像用x表示,表情图像对应基底向量用z表示。图像的表情程度用y表示,即每张图像及其表情程度可以通过(x,z,y)表示。
在所有训练样本图像上,利用最小化目标函数f(x,z,y)=||g(x,z)-y||^2来求取神经网络模型g的训练,其中g(x,z)得到的预测值为表情程度P。训练过程需要多次迭代求取目标函数的最小值。重复迭代直到测试精度趋于稳定。测试精度指在另外一份不参与模型训练的图像数据中测试的模型精度。
执行模块504,用于通过训练完成后的预测模型,确定新获取图像的表情。
预测模型训练完成之后,便可以基于该预测模型对新输入(获取)的图像进行表情预测,并基于预测的结果对新输入的图像进行自动表情标注。具体的,可以基于新获取的图像作为输入,利用现有基于2D人脸关键点的3D人脸重建技术求取基底向量的系数,基于基底向量系数通过该预测模型回归出表情程度值。
图5所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中表情确定方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的表情确定方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
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公开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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。