CN110781957B - 图像处理方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：对当前聚类周期获取的多个第一图像进行特征提取处理，获得第一图像的第一特征；对第一特征进行聚类处理，获得各第一图像的类别以及各类别的第一聚类中心；分别确定各第一聚类中心和参考特征库中各类别的第二聚类中心之间的第一特征相似度；将第一特征相似度满足阈值条件的第一聚类中心所属类别的第一特征添加至所述参考特征库。根据本公开的实施例的图像处理方法，可将满足阈值条件的第一特征添加至参考特征库，无需对所有图像加载至内存中进行聚类处理，使内存能够进行数据规模较小的聚类处理，并且可自动区分各第一图像的类别，减小了标注的工作量。

Description

图像处理方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。

背景技术

基于深度学习的技术已广泛应用于安防监控，智能客服，无人驾驶等各个方面，现有的深度学习都需要大量的标注的数据进行训练，才能取得更好的性能。然而，标注数据即手动区分图像的类别，需要耗费大量人力和物力，同时对于百万量级的数据，依靠人工进行标注则变得非常的耗时和不现实。在相关技术中，可通过聚类的方式确定样本的类别，但对于数据规模较大的情况，是无法将全部数据加载到内存中的，因而无法直接将现有的聚类方法直接应用于实际使用中。

发明内容

本公开提出了一种图像处理方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种图像处理方法，包括：

对当前聚类周期获取的多个第一图像进行特征提取处理，获得所述第一图像的第一特征；

对所述第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心；

分别确定各所述第一聚类中心和参考特征库中各类别的第二聚类中心之间的第一特征相似度；

将所述第一特征相似度满足阈值条件的第一聚类中心所属类别的第一特征添加至所述参考特征库。

根据本公开的实施例的图像处理方法，可对当前聚类周期获取的第一图像的第一特征进行聚类处理，并将满足阈值条件的第一特征添加至参考特征库，无需对所有图像加载至内存中进行聚类处理，使内存能够进行数据规模较小的聚类处理，便于实际使用，并且可自动区分各第一图像的类别，减小标注工作量，减小人力和和物力消耗。

在一种可能的实现方式中，所述阈值条件包括第一特征相似度大于或等于预设相似度阈值，

其中，将所述第一特征相似度满足阈值条件的第一聚类中心所属类别的第一特征添加至参考特征库，包括：

在所述第二聚类中心中存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将添加至参考特征库中的第一特征的类别确定为所述第二目标聚类中心所属的类别，其中，所述第一目标聚类中心为所述第一聚类中心中的任意一个。

通过这种方式，可在每个聚类周期中对新获得的第一特征进行聚类，无需将所有第一特征加载至内存或磁盘中进行聚类处理，提高了聚类处理的效率和实用性。且可确定第一聚类中心和参考特征库中的第二聚类中心的第一特征相似度，无需分别计算每个第一特征与参考特征库中的特征之间的特征相似度，减少了运算量，提高了处理效率。

在一种可能的实现方式中，所述方法还包括：

在所述第二聚类中心中不存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心，且所述第一目标聚类中心所属类别的第一特征的数量满足数量条件的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将第一目标聚类中心确定为参考特征库中的第二聚类中心。

在一种可能的实现方式中，对所述第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心，包括：

对前一聚类周期未添加至参考特征库的第一特征以及当前聚类周期获取的第一图像的第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心。

在一种可能的实现方式中，所述方法还包括：

根据添加至参考特征库中的第一特征以及所述参考特征库中的第二目标聚类中心所属类别的第一特征，更新所述第二目标聚类中心。

在一种可能的实现方式中，所述方法还包括：

在当前聚类周期为第一个聚类周期的情况下，将第一个聚类周期获取的第一图像的第一特征添加至所述参考特征库，并将所述第一样本集中各类别的第一聚类中心确定为所述第二聚类中心。

在一种可能的实现方式中，所述方法还包括：

对待处理图像进行特征提取处理，获得待处理图像的目标特征；

分别确定所述目标特征与参考特征库中各第二聚类中心的第二特征相似度；

根据所述第二特征相似度，确定所述待处理图像的类别。

在一种可能的实现方式中，所述方法还包括：

对所述参考特征库中各类别的第一特征分别添加类别标注。

根据本公开的一方面，提供了一种图像处理装置，包括：

第一提取模块，用于对当前聚类周期获取的多个第一图像进行特征提取处理，获得所述第一图像的第一特征；

聚类模块，用于对所述第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心；

第一确定模块，用于分别确定各所述第一聚类中心和参考特征库中各类别的第二聚类中心之间的第一特征相似度；

第一添加模块，用于将所述第一特征相似度满足阈值条件的第一聚类中心所属类别的第一特征添加至所述参考特征库。

在一种可能的实现方式中，所述阈值条件包括第一特征相似度大于或等于预设相似度阈值，

其中，所述第一添加模块被配置为：

在所述第二聚类中心中存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将添加至参考特征库中的第一特征的类别确定为所述第二目标聚类中心所属的类别，其中，所述第一目标聚类中心为所述第一聚类中心中的任意一个。

在一种可能的实现方式中，所述装置还包括：

第二添加模块，用于在所述第二聚类中心中不存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心，且所述第一目标聚类中心所属类别的第一特征的数量满足数量条件的情况下，将所述第一目标聚类中心所属类别的第一特征添加至所述参考特征库，并将第一目标聚类中心确定为参考特征库中的第二聚类中心。

在一种可能的实现方式中，所述聚类模块被配置为：

对前一聚类周期未添加至参考特征库的第一特征以及当前聚类周期获取的第一图像的第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心。

在一种可能的实现方式中，所述装置还包括：

更新模块，用于根据添加至参考特征库中的第一特征以及所述参考特征库中的第二目标聚类中心所属类别的第一特征，更新所述第二目标聚类中心。

在一种可能的实现方式中，所述装置还包括：

第三添加模块，用于在当前聚类周期为第一个聚类周期的情况下，将第一个聚类周期获取的第一图像的第一特征添加至所述参考特征库，并将所述第一样本集中各类别的第一聚类中心确定为所述第二聚类中心。

在一种可能的实现方式中，所述装置还包括：

第二提取模块，用于对待处理图像进行特征提取处理，获得待处理图像的目标特征；

第二确定模块，用于分别确定所述目标特征与参考特征库中各第二聚类中心的第二特征相似度；

第三确定模块，用于根据所述第二特征相似度，确定所述待处理图像的类别。

在一种可能的实现方式中，所述装置还包括：

标注模块，用于对所述参考特征库中各类别的第一特征分别添加类别标注。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述图像处理方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像处理方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的图像处理方法的流程图；

图2示出根据本公开的实施例的参考特征库的示意图；

图3示出根据本公开实施例的图像处理方法的应用示意图；

图4示出根据本公开实施例的图像处理装置的框图；

图5示出根据本公开实施例的电子装置的框图；

图6示出根据本公开实施例的电子装置的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述方法包括：

在步骤S11中，对当前聚类周期获取的第一图像进行特征提取处理，获得所述第一图像的第一特征；

在步骤S12中，对所述第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心；

在步骤S13中，分别确定各所述第一聚类中心和参考特征库中各类别的第二聚类中心之间的第一特征相似度；

在步骤S14中，将所述第一特征相似度满足阈值条件的第一聚类中心所属类别的第一特征添加至所述参考特征库。

根据本公开的实施例的图像处理方法，可对当前聚类周期获取的第一图像的第一特征进行聚类处理，并将满足阈值条件的第一特征添加至参考特征库，无需对所有图像加载至内存中进行聚类处理，使内存能够进行数据规模较小的聚类处理，便于实际使用，并且可自动区分各第一图像的类别，减小标注工作量，减小人力和和物力消耗。

在一种可能的实现方式中，所述图像处理方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

在一种可能的实现方式中，所述图像处理方法可应用于门禁系统、监控系统等具有图像获取装置的系统中，图像获取装置可用于获取目标对象的图像，例如，人像图像(例如，人脸图像或人体图像)。该图像获取装置的系统可具有数据库，用于保存图像获取装置获取的图像，以及图像的特征。例如，可通过神经网络等方法提取图像的特征，并将特征保存在数据库中。

在一种可能的实现方式中，图像获取装置获取的图像可以包括一张或多张图像或视频帧，其中，图像或视频帧中包括人脸或人体。对于多个待处理图像，可以根据人脸特征、时间、地点等要素将其归入为一个或多个簇(即，分为一个或多个类)，其中，簇是对图像的初步分类，一个簇中可包含一个或多个图像。例如，分别在不同的时间对同一个人进行了多次图像采集，根据采集时间不同，可以将同一个人的图像分为多个簇，又例如，在同一地点进行了多次图像采集，可根据人脸，对图像进行分类，将多个图像划分为一个或多个簇，每个簇中包括同一个人的至少一张图像。

在一种可能的实现方式中，可定期更新上述数据库中的图像及特征，例如，图像获取装置可不断获取新图像，并将新图像的特征保存在该数据库中，也可定期对新特征进行聚类，并与数据库中的各类别的特征进行比较，以将新特征合并至数据库中的某个类别中(即，确定新特征属于数据库中的某个类别)，或者为新特征设立新的类别(即，确定新特征不属于数据库中的某个类别)。例如，可以每天或每周进行一次更新，或在采集了一定数量的图像后进行更新，或在进行图像搜索或检索前进行更新，又或者可手动更新(即，在接收到用户的更新命令时更新，而不自动更新)。本公开对更新的时机不作限制。

在一种可能的实现方式中，在步骤S11中，当前聚类周期可以是从上一次更新数据库中的图像及特征并对新特征进行聚类之后，到当前时刻之间的时间段。在当前聚类周期内，可获得多个图像(第一图像)，例如，包括人脸或人体的图像。在示例中，可对获得的多个第一图像进行预处理，例如，可对第一图像进行归一化、放缩、剪裁等处理，并对预处理后的第一图像进行特征提取处理，获得第一图像的第一特征。例如，可通过神经网络对预处理后的第一图像进行特征提取，也可根据像素、关键点等获得第一特征，例如，根据像素值提取图像中人物的轮廓等特征信息，或根据关键点提取图像中人物面部的五官相对位置等特征信息，本公开对获取第一特征的方式不做限制。

在一种可能的实现方式中，在步骤S12中，可对当前聚类周期的第一特征进行聚类处理。例如，可使用k-均值算法、DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，具有噪声的基于密度的聚类方法)算法、均值漂移算法、层次聚类算法等对多个第一特征进行聚类处理，获得第一图像的类别以及各类别的第一聚类中心。即，通过聚类处理，可将聚类周期的第一特征聚集成一个或多个簇，每个簇为一类，每个簇的中心为第一聚类中心。其中，聚类算法不同，其对应的类中心特征的计算方式也不同。本领域技术人员可根据实际情况确定类中心特征的确定方式，本公开对此不作限制。

在一种可能的实现方式中，在确定出第一图像各类别的第一聚类中心后，可根据第一图像的第一特征以及参考特征库中的第二聚类中心，确定各类别的第一特征是否可被添加至参考特征库，作为图像检索的参考特征。即，可将各第一聚类中心与参考特征库中的各第二聚类中心进行比对，确定第一聚类中心所属类别的第一特征与参考特征库中的特征是否属于同一类。

其中，参考特征库可以是以簇的形式保存各聚类周期的第一特征的存储空间，例如，从第一个聚类周期开始，可向该存储空间中存入多个类别的第一特征(例如，各类别的第一特征分别聚类成簇)，之后，在后续的各聚类周期中，分别将满足阈值条件第一聚类中心所属类别的第一特征添加至所述参考特征库，即，在参考特征库中加入新的类别(例如，如果新获取的第一特征的第一聚类中心与参考特征库中的第二聚类中心的特征相似度较小，不属于同一类，且第一特征满足数量条件等其他条件，则可将这些第一特征作为新特征添加至参考特征库，即，加入新的簇)，或者将第一特征与参考特征库中原有的类别合并(例如，如果新获取的第一特征的第一聚类中心与参考特征库中的第二聚类中心的特征相似度较高，属于同一类，可将这些第一特征的特征确认为该第二聚类中心所述的类别，并将这些第一特征与第二聚类中心的簇合并，使该簇包含的特征数量增加)。

在一种可能的实现方式中，所述方法还包括：在当前聚类周期为第一个聚类周期的情况下，将第一个聚类周期获取的第一图像的第一特征添加至所述参考特征库，并将所述第一样本集中各类别的第一聚类中心确定为所述第二聚类中心。

图2示出根据本公开的实施例的参考特征库的示意图，如图2所示，在第一个聚类周期中，参考特征库中为空。在该周期中可获取到多个第一图像(如图2左侧)，可对这些第一图像进行特征提取并进行聚类处理，获得这些第一图像的类别以及第一聚类中心，即，将这些第一图像的第一特征聚类成为一个或多个簇，并可将这些簇添加至参考特征库中(如图2右侧)。这些簇的第一聚类中心可作为第一个聚类周期中的第二聚类中心。

在一种可能的实现方式中，从第二个聚类周期开始，新获取的第一图像的第一特征可在满足阈值条件的情况下被添加至参考特征库。在示例中，在第二个聚类周期中，可对第二个聚类周期获取的第一图像进行特征提取处理，获得第一特征，并可对这些第一特征进行聚类处理，获得各第一特征的类别以及各类别的第一聚类中心。进一步地，可分别确定各第一聚类中心以及参考特征库中各第二聚类中心之间的第一特征相似度(例如，欧氏距离、余弦距离等)，例如，第二个聚类周期中获得的第一图像的第一特征经过聚类获得三个第一聚类中心，参考特征库中的第二聚类中心中有四个第二聚类中心，可分别计算各第一聚类中心和各第二聚类中心之间的第一特征相似度，即，可计算12次第一特征相似度。

在一种可能的实现方式中，阈值条件包括第一特征相似度大于或等于预设相似度阈值，其中，步骤S14可包括：在所述第二聚类中心中存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将添加至参考特征库中的第一特征的类别确定为所述第二目标聚类中心所属的类别，其中，所述第一目标聚类中心为所述第一聚类中心中的任意一个。

在示例中，可依次针对每个第一聚类中心，在参考特征库中的第二聚类中心中寻找与第一聚类中心的第一特征相似度大于或等于预设相似度阈值第二目标聚类中心。例如，第二个聚类周期中获得的第一图像的第一特征经过聚类获得三个第一聚类中心，参考特征库中的第二聚类中心中有四个第二聚类中心，针对第一个第一聚类中心，可分别确定四个第二聚类中心与第一个第一聚类中心之间的第一特征相似度是否大于或等于预设相似度阈值。如果在四个第二聚类中心中，存在与该第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心，则该第一目标聚类中心所属类别的第一特征可被添加至参考特征库，并将添加至参考特征库中的第一特征的类别确定为第二目标聚类中心所属的类别，即，将这些第一特征与第二目标聚类中心所属类别的簇合并。

在示例中，所述第一特征相似度可通过特征距离来确定，例如，如果第二聚类中心与第一聚类中心之间的特征距离小于或等于距离阈值，可认为第二聚类中心与第一聚类中心之间的特征相似度大于或等于相似度阈值。所述特征距离可包括余弦距离、欧氏距离等，本公开对特征距离不做限制。在另一示例中，所述特征相似度可包括余弦相似度等，本公开对特征相似度不做限制。

在示例中，在将第一特征与第二目标聚类中心所属类别的簇合并后，该簇的聚类中心可能发生变化。所述方法还包括：根据添加至参考特征库中的第一特征以及所述参考特征库中的第二目标聚类中心所属类别的第一特征，更新所述第二目标聚类中心。例如，可对参考特征库中的第二目标聚类中心所属类别的第一特征以及添加至参考特征库中的第一特征共同进行聚类处理，以确定该簇的更新后的第二目标聚类中心。

在一种可能的实现方式中，如果参考特征库中不存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心，则可通过判断数量条件等其他条件，来确定第一目标聚类中心所属类别的第一特征是否可添加至参考特征库中。所述方法还包括：在所述第二聚类中心中不存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心，且所述第一目标聚类中心所属类别的第一特征的数量满足数量条件的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将第一目标聚类中心确定为参考特征库中的第二聚类中心。

在示例中，如果第二聚类中心中不存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心，则参考特征库中不存在与第一目标聚类中心所属类别相同的类别，则可通过确定第一目标聚类中心所属类别的第一特征是否满足数量条件，来确定是否可将该类别的第一特征添加至参考特征库中。例如，所述数量条件可以是该类别的第一特征的数量大于或等于第一数量阈值且小于或等于第二数量阈值，即，该类别第一特征的数量处于第一数量阈值与第二数量阈值的区间中。

在示例中，可预设第一数量阈值和第二数量阈值，当该类别的第一特征的数量大于第二数量阈值时，可认为该类别的第一特征的数量过大，类别划分错误，或者可能未划分彻底(即，将多个类别的第一特征聚为一类)。当该类别的第一特征的数量小于第一数量阈值时，可认为该类别的第一特征的数量过少，可能是噪声图像等。因此，可将第一特征的数量处于第一数量阈值与第二数量阈值的区间中的类别添加至参考特征库中，作为参考特征库中的新类别。

在一种可能的实现方式中，当前聚类周期获得的第一图像的第一特征中，可能存在既不满足阈值条件，又不满足数量条件的第一聚类中心。则该第一聚类中心所属类别的第一特征可在下一聚类周期中，与下一聚类周期获得的第一图像的第一特征共同进行聚类处理。例如，在N(N为大于或等于3的整数)个聚类周期，步骤S12可包括：对前一聚类周期未添加至参考特征库的第一特征以及当前聚类周期获取的第一图像的第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心。

在示例中，在N＝3时，可对当前聚类周期获取的第一图像进行特征提取处理，获得第三个聚类周期的第一特征，并可将在第二个聚类周期中未添加至参考特征库的第一特征以及第三个聚类周期的第一特征共同进行聚类处理，获得这些第一特征的第一聚类中心。

进一步地，可分别确定这些第一聚类中心与参考特征库中的第二聚类中心的第一特征相似度，并将满足阈值条件或数量条件的类别的第一特征添加至参考特征库。然后，可更新参考特征库中的聚类中心。还可将当前聚类周期中未添加至参考特征库中的第一特征(可能包括当前聚类周期获得的第一图像的第一特征以及之前的聚类周期中未添加至参考特征库中的第一特征)与下一个聚类周期获得的第一图像的第一特征共同进行聚类处理。

在示例中，在第三个聚类周期的后续的聚类周期(例如，第四个聚类周期、第五个聚类周期……)中，可采用上述方式进行聚类处理，并将获得的第一特征中满足阈值条件或数量条件的第一特征添加至参考特征库中。

通过这种方式，可在每个聚类周期中对新获得的第一特征进行聚类，无需将所有第一特征加载至内存或磁盘中进行聚类处理，提高了聚类处理的效率和实用性。且可确定第一聚类中心和参考特征库中的第二聚类中心的第一特征相似度，无需分别计算每个第一特征与参考特征库中的特征之间的特征相似度，减少了运算量，提高了处理效率。

在一种可能的实现方式中，还可根据参考特征库中第一特征的类别，自动为各类别的第一特征添加标注，进而实现自动为第一特征对应的第一图像进行标注，以减小标注工作量，减小人力和和物力消耗。所述方法还包括：对所述参考特征库中各类别的第一特征分别添加类别标注。

在示例中，参考特征库中的第一特征已聚类成簇，可为每个簇添加标注，例如，第一图像为人像图像，标注可以是人像图像中的人的身份信息，每个簇中的第一特征对应的第一图像为同一个人的图像。可为同一个簇中的人像图像添加同一标注信息，无需对每张图像进行逐一标注，从而减小标注工作量。

在一种可能的实现方式中，还可利用参考特征库中已聚类成簇的第一特征，来确定待处理图像的类别。例如，待处理图像为人像图像，可根据参考特征库中的第一特征来确定该人像图像中的人物的身份信息。

在一种可能的实现方式中，所述方法还包括：对待处理图像进行特征提取处理，获得待处理图像的目标特征；分别确定所述目标特征与参考特征库中各第二聚类中心的第二特征相似度；根据所述第二特征相似度，确定所述待处理图像的类别。

在示例中，待处理图像可以是门禁系统、监控系统等获取的图像，可通过神经网络等方法提取待处理图像的目标特征。并分别确定目标特征与参考特征库中各第二聚类中心的第二特征相似度(例如，欧氏距离、余弦距离等)，以确定与目标特征的第二特征相似度最高的第二聚类中心。进一步地，可将该第二聚类中心所属的类别确定为待处理图像的类别。例如，待处理图像为人像图像，可根据与待处理图像的目标特征的第二特征相似度最近的第二聚类中心所属类别的标注确定人像图像中的人物的身份信息，例如可将该类别标注的身份信息确定为该人物的身份信息。

根据本公开的实施例的图像处理方法，可对当前聚类周期获取的第一图像的第一特征进行聚类处理，无需对所有图像加载至内存中进行聚类处理，使内存能够进行数据规模较小的聚类处理，便于实际使用，并且可确定第一聚类中心和参考特征库中的第二聚类中心的第一特征相似度，无需分别计算每个第一特征与参考特征库中的特征之间的特征相似度，减少了运算量，提高了处理效率。进一步地，可自动确定各第一特征的类别，减小标注工作量，减小人力和和物力消耗。

图3示出根据本公开实施例的图像处理方法的应用示意图，如图3所示，在当前聚类周期(例如，第N个聚类周期)中可获得多个第一图像，可通过神经网络对第一图像进行特征提取处理，获得第N个聚类周期的第一特征。

在一种可能的实现方式中，可对第N个聚类周期的第一特征以及上一周期未添加至参考特征库的第一特征进行聚类处理，获得各类别的第一聚类中心。进一步地，可确定各第一聚类中心与参考特征库中的第二聚类中心之间的第一特征相似度。并将满足阈值条件的第一聚类中心所属类别的第一特征合并至参考特征库中，即，将第一聚类中心所属类别的簇与参考特征库中相同类别的簇合并，并更新合并后的簇的第二聚类中心。

在一种可能的实现方式中，如果第一聚类中心不满足阈值条件，则可判断第一聚类中心所属类别的第一特征的数量是否满足数量条件，并将满足数量条件的类别的第一特征添加至参考特征库中，作为参考特征库中的新类别。

在一种可能的实现方式中，如果第一聚类中心不满足阈值条件，且该类别的第一特征的数量不满足数量条件，则将该类别的第一特征与下一个聚类周期(第N+1个聚类周期)获得的第一图像的第一特征共同进行聚类处理。并可按照上述方式将满足阈值条件或数量条件的类别的第一特征添加至参考特征库中。

在一种可能的实现方式中，参考特征库中的第一特征已聚类成簇，可为每个簇添加标注，以减小标注工作量，减小人力和和物力消耗。还可根据参考特征库中的第二聚类中心确定获取的待处理图像的类别，例如，可确定待处理图像的目标特征与各类别的第二聚类中心的第二特征相似度，并将与目标特征的第二特征相似度最高的第二聚类中心所属的类别确定为待处理图像的类别。

在一种可能的实现方式中，所述图像处理方法大量数据(例如，百万级数据)的增量聚类中，可将新获取的数据进行聚类，并与参考特征库中的簇进行合并，可将新获取的数据加载至内存中进行聚类处理，且支持并行和分布式处理，提升处理效率，无需将所有数据加载至内存中，提高聚类处理的效率和实用性。可用于监控、安防、智能客服、无人驾驶等领域，可对数据自动标注，以减小标注的工作量及成本，提高训练效率。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图4示出根据本公开实施例的图像处理装置的框图，如图4所示，所述装置包括：

第一提取模块11，用于对当前聚类周期获取的多个第一图像进行特征提取处理，获得所述第一图像的第一特征；

聚类模块12，用于对所述第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心；

第一确定模块13，用于分别确定各所述第一聚类中心和参考特征库中各类别的第二聚类中心之间的第一特征相似度；

第一添加模块14，用于将所述第一特征相似度满足阈值条件的第一聚类中心所属类别的第一特征添加至所述参考特征库。

在一种可能的实现方式中，所述阈值条件包括第一特征相似度大于或等于预设相似度阈值，

其中，所述第一添加模块14被进一步配置为：

在所述第二聚类中心中存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将添加至参考特征库中的第一特征的类别确定为所述第二目标聚类中心所属的类别，其中，所述第一目标聚类中心为所述第一聚类中心中的任意一个。

在一种可能的实现方式中，所述装置还包括：

第二添加模块，用于在所述第二聚类中心中不存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心，且所述第一目标聚类中心所属类别的第一特征的数量满足数量条件的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将第一目标聚类中心确定为参考特征库中的第二聚类中心。

在一种可能的实现方式中，所述聚类模块12被进一步配置为：

对前一聚类周期未添加至参考特征库的第一特征以及当前聚类周期获取的第一图像的第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心。

在一种可能的实现方式中，所述装置还包括：

更新模块，用于根据添加至参考特征库中的第一特征以及所述参考特征库中的第二目标聚类中心所属类别的第一特征，更新所述第二目标聚类中心。

在一种可能的实现方式中，所述装置还包括：

第三添加模块，用于在当前聚类周期为第一个聚类周期的情况下，将第一个聚类周期获取的第一图像的第一特征添加至所述参考特征库，并将所述第一样本集中各类别的第一聚类中心确定为所述第二聚类中心。

在一种可能的实现方式中，所述装置还包括：

第二提取模块，用于对待处理图像进行特征提取处理，获得待处理图像的目标特征；

第二确定模块，用于分别确定所述目标特征与参考特征库中各第二聚类中心的第二特征相似度；

第三确定模块，用于根据所述第二特征相似度，确定所述待处理图像的类别。

在一种可能的实现方式中，所述装置还包括：

标注模块，用于对所述参考特征库中各类别的第一特征分别添加类别标注。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800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，个人数字助理等终端。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800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802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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804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。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802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。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800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，通信组件816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，所述通信组件816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。

在示例性实施例中，电子设备800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元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图片搜索方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图片搜索方法的操作。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

图6是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (16)

1.一种图像处理方法，其特征在于，包括：

对当前聚类周期获取的多个第一图像进行特征提取处理，获得所述第一图像的第一特征；

对所述第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心；

分别确定各所述第一聚类中心和参考特征库中各类别的第二聚类中心之间的第一特征相似度；

将所述第一特征相似度满足阈值条件的第一聚类中心所属类别的第一特征添加至所述参考特征库；

其中，对所述第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心，包括：

对前一聚类周期未添加至参考特征库的第一特征以及当前聚类周期获取的第一图像的第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心。

2.根据权利要求1所述的方法，其特征在于，所述阈值条件包括第一特征相似度大于或等于预设相似度阈值，

其中，将所述第一特征相似度满足阈值条件的第一聚类中心所属类别的第一特征添加至参考特征库，包括：

在所述第二聚类中心中存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将添加至参考特征库中的第一特征的类别确定为所述第二目标聚类中心所属的类别，其中，所述第一目标聚类中心为所述第一聚类中心中的任意一个。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

在所述第二聚类中心中不存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心，且所述第一目标聚类中心所属类别的第一特征的数量满足数量条件的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将第一目标聚类中心确定为参考特征库中的第二聚类中心。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据添加至参考特征库中的第一特征以及所述参考特征库中的第二目标聚类中心所属类别的第一特征，更新所述第二目标聚类中心。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在当前聚类周期为第一个聚类周期的情况下，将第一个聚类周期获取的第一图像的第一特征添加至所述参考特征库，并将第一样本集中各类别的第一聚类中心确定为所述第二聚类中心。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：

对待处理图像进行特征提取处理，获得待处理图像的目标特征；

分别确定所述目标特征与参考特征库中各第二聚类中心的第二特征相似度；

根据所述第二特征相似度，确定所述待处理图像的类别。

7.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：

对所述参考特征库中各类别的第一特征分别添加类别标注。

8.一种图像处理装置，其特征在于，包括：

第一提取模块，用于对当前聚类周期获取的多个第一图像进行特征提取处理，获得所述第一图像的第一特征；

聚类模块，用于对所述第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心；

第一确定模块，用于分别确定各所述第一聚类中心和参考特征库中各类别的第二聚类中心之间的第一特征相似度；

第一添加模块，用于将所述第一特征相似度满足阈值条件的第一聚类中心所属类别的第一特征添加至所述参考特征库；

其中，所述聚类模块被配置为：

对前一聚类周期未添加至参考特征库的第一特征以及当前聚类周期获取的第一图像的第一特征进行聚类处理，获得各所述第一图像的类别以及各类别的第一聚类中心。

9.根据权利要求8所述的装置，其特征在于，所述阈值条件包括第一特征相似度大于或等于预设相似度阈值，

其中，所述第一添加模块被配置为：

在所述第二聚类中心中存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心的情况下，将所述第一目标聚类中心所属类别的第一特征添加至所述参考特征库，并将添加至所述参考特征库中的第一特征的类别确定为所述第二目标聚类中心所属的类别，其中，所述第一目标聚类中心为所述第一聚类中心中的任意一个。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

第二添加模块，用于在所述第二聚类中心中不存在与第一目标聚类中心的第一特征相似度大于或等于预设相似度阈值的第二目标聚类中心，且所述第一目标聚类中心所属类别的第一特征的数量满足数量条件的情况下，将所述第一目标聚类中心所属类别的第一特征添加至参考特征库，并将第一目标聚类中心确定为参考特征库中的第二聚类中心。

11.根据权利要求9所述的装置，其特征在于，所述装置还包括：

更新模块，用于根据添加至所述参考特征库中的第一特征以及所述参考特征库中的第二目标聚类中心所属类别的第一特征，更新所述第二目标聚类中心。

12.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第三添加模块，用于在当前聚类周期为第一个聚类周期的情况下，将第一个聚类周期获取的第一图像的第一特征添加至所述参考特征库，并将第一样本集中各类别的第一聚类中心确定为所述第二聚类中心。

13.根据权利要求8-12中任一项所述的装置，其特征在于，所述装置还包括：

第二提取模块，用于对待处理图像进行特征提取处理，获得待处理图像的目标特征；

第二确定模块，用于分别确定所述目标特征与参考特征库中各第二聚类中心的第二特征相似度；

第三确定模块，用于根据所述第二特征相似度，确定所述待处理图像的类别。

14.根据权利要求8-12中任一项所述的装置，其特征在于，所述装置还包括：

标注模块，用于对所述参考特征库中各类别的第一特征分别添加类别标注。

15.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。

16.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

Images