CN116052285A - 活体检测方法和装置 - Google Patents

Abstract

本申请涉及机器视觉领域，尤其涉及一种活体检测方法和装置。一种活体检测方法，包括：采集待测物体的第一原始raw域图像；将所述第一raw域图像输入活体检测模型，得到所述待测物体的活体得分；根据所述活体得分确定所述待测物体是否为活体。通过直接利用raw域图像进行活体检测模型的训练和实际判别，达到了修改ISP处理参数后，活体检测模型的表现不受影响的目的，有效的提升了活体检测模型在不同应用场景下的鲁棒性。

Description

活体检测方法和装置

【技术领域】

本申请涉及机器视觉领域，尤其涉及一种活体检测方法和装置。

【背景技术】

人脸活体检测技术是人脸解锁系统中的一个重要环节，可以判断当前进行人脸识别的操作者是否为活体用户，防止不法分子使用照片等非活体数据进行非法解锁，保证了人脸解锁系统的安全性。

目前，人脸活体检测技术主要分为两大类：交互式人脸活体检测和静默式人脸活体检测。与交互式人脸活体检测相比，静默式人脸活体检测不需要用户配合完成指定的活体动作，用户体验较好。

在相关技术中，静默式人脸活体检测首先需要采集大量经过图像信号处理流程(Image Signal Processor pipeline，ISP pipeline)处理后得到的RGB活体人脸数据进行训练，得到活体检测模型。在实际应用中，通过将实时采集的单帧RGB图像信息输入活体检测模型，以执行静默式人脸活体检测。但是，活体检测模型作为一个算法模块，可以集成于不同的设备，如不同型号类型的手机、考勤机、ATM机等。在不同的应用场景下，根据需求用到的成像设备和设置的ISP参数可能都有所不同，导致在更换成像设备和ISP参数时，捕捉到的RGB图像在亮度、对比度、颜色等各方面也会存在差异，所以获取到的RGB图像的成像特征在一定程度上受到影响，从而造成活体检测模型由于成像的变化而导致的检测能力下降的问题。

【发明内容】

有鉴于此，本发明实施例提供了一种活体检测方法和装置，通过采集raw域图像进行活体检测模型的训练和实际判别，解决了RGB图像经ISP图像处理后，部分人脸特征丢失的问题。

第一方面，本发明实施例提供了一种活体检测方法，所述方法包括：

采集待测物体的第一原始raw域图像；

将所述第一raw域图像输入活体检测模型，得到所述待测物体的活体得分；

根据所述活体得分确定所述待测物体是否为活体。

可选的，所述采集待测物体的第一原始raw域图像，包括：

调用成像设备采集所述待测物体的初始raw域图像；

将所述初始raw域图像输入降噪模块执行降噪，得到所述第一raw域图像。

可选的，所述将所述第一raw域图像输入活体检测模型之前，所述方法还包括：训练所述活体检测模型；

获取raw域人脸数据集，所述raw域人脸数据集包括若干活体人脸图像和若干非活体人脸图像，所述活体人脸图像和所述非活体人脸图像均标注有是否是活体人脸的标签；

使用所述raw域人脸数据集对初始模型进行训练，得到所述活体检测模型，所述活体检测模型具有从raw域图像识别人脸并对识别的人脸进行活体打分的能力。

可选的，所述非活体人脸图像，包括以下中的一种或多种：照片人脸数据图像、屏幕人脸数据图像和3d面具人脸数据图像。

可选的，所述使用所述raw域人脸数据集对初始模型进行训练之前，还包括：

对所述raw域人脸数据集中的人脸数据图像进行亮度增广；

将完成亮度增广的所述人脸数据图像缩放至第一图像尺寸。

可选的，所述将所述第一raw域图像输入活体检测模型，包括：

将所述第一raw域图像缩放至所述第一图像尺寸；

将所述第一图像尺寸的所述第一raw域图像输入所述活体检测模型。

可选的，所述根据所述活体得分确定所述待测物体是否为活体，包括：

当所述第一raw域图像的活体得分高于预设的得分阈值时，确定所述待测物体为活体；

否则，确定所述待测物体为非活体。

第二方面，本发明实施例提供了一种活体检测装置，包括：

采集模块，采集待测物体的第一原始raw域图像；

评分模块，将所述第一raw域图像输入活体检测模型，得到所述待测物体的活体得分；

确定模块，根据所述活体得分确定所述待测物体是否为活体。

第三方面，本发明实施例提供了一种活体检测设备，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如第一方面任一项所述的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面任一所述的方法。

上述方案直接利用raw域图像进行活体检测模型的训练和实际判别，避免了raw域图像在不同终端设备进行ISP处理所造成的个性化差异，达到了修改ISP处理参数后，活体检测模型的表现不受影响的目的。同时对成像设备采集到的raw域图像进行降噪和亮度增广，尽可能避免不同成像设备在噪声和亮度上所造成的影响，有效的提升了活体检测模型在不同应用场景下的鲁棒性。

【附图说明】

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它的附图。

图1为本发明实施例提供的一种活体检测设备的结构示意图；

图2为本发明实施例提供的一种活体检测方法的流程图；

图3为本发明实施例提供的一种活体检测装置的结构示意图；

图4为本发明实施例提供的一种电子设备的结构示意图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。

目前，基于RGB图像的静默式人脸活体检测方法，大多采集一些经过ISP处理后的RGB活体人脸图像和RGB非活体人脸图像进行模型训练。在实际的检测判别过程中，也同样以经过ISP处理后的RGB图像作为参考，输入完成训练的活体检测模型，执行活体判别。

但是在不同应用场景下，各类不同终端设备所搭载的成像设备，以及设置的ISP处理参数可能均不相同。将人脸活体检测模型集成于不同的终端设备时，通过不同的成像设备和ISP处理参数所采集并最终处理得到的RGB图像在亮度、对比度、饱和度、颜色等诸多方面都会存在差异，从而对人脸活体检测模型的判别造成影响。而在预先对活体检测模型进行训练时，又很难覆盖到所有应用场景下的成像设备和ISP处理参数。所以在实际判别过程中，当遇到新的成像设备或ISP参数所获取的RGB图像时，活体检测模型很容易出现过拟合的现象，而如果使用差异较大的成像设备、ISP参数进行模型训练，又会造成活体检测模型的识别能力变差，无法准确获取人脸特征。

本发明实施例通过采集未经过ISP处理的原始图像，即raw域图像进行模型训练和实际判别，避免了ISP图像处理流程对图像造成变化所带来的实际影响。同时在采集图像的过程中，对采集的raw域图像进行降噪和亮度增广等处理，以减少不同成像设备间噪声和亮度所带来的影响。

如图1所示，为本发明实施例提供的一种活体检测设备的结构示意图，参见图1，活体检测设备内部包括控制部件110、成像设备120、预处理模块130和活体检测模型140。预处理模块130内又具体包括降噪模块131和缩放模块132。

控制部件110用于处理活体检测设备的指令，控制成像设备完成第一raw域图像采集，控制预处理设备对第一raw域图像进行预处理，并控制活体检测模型对第一raw域图像进行活体检测。

成像设备120用于在待测物体执行活体检测时，完成对待测物体第一raw域图像的采集。一般的，成像设备为终端设备所搭载的成像镜头模组。

预处理设备130内具体包括降噪模块131和缩放模块132，用于对成像设备采集到的第一raw域图像进行预处理。其中，降噪模块对第一raw域图像进行降噪处理，以减少不同成像设备在获取第一raw域图像时，噪声差异所造成的影响。缩放模块用于将第一raw域图像缩放至固定尺寸，便于活体检测模型进行识别。

活体检测模型140用于对第一raw域图像中的人脸特征进行识别，并输出待测物体的活体得分。输出的活体得分用于确定待测物体是否为活体。

结合图1所示的活体检测设备，本发明实施例提供了一种活体检测方法，该方法应用于活体检测设备的控制部件，参见图2，该方法的处理步骤包括：

DD224405I

201，训练活体检测模型。

在训练活体检测模型时，需要通过搜集大量的活体人脸图像和非活体人脸图像作为人脸数据集，对初始模型进行训练，以得到用于进行人脸活体识别，并可以进行活体打分的活体检测模型。在训练过程中为了丰富人脸数据集中的数据多样性，采集的活体人脸图像和非活体人脸图像需要包含不同成像设备所采集的数据，同时应尽可能包含更多种类的非活体人脸图像，如照片人脸数据图像、屏幕人脸数据图像和3d面具人脸数据图像等。用于训练的初始模型一般为卷积神经网络模型。

其中，人脸数据集中包括的活体人脸图像和非活体人脸图像，均为原始采集的raw域图像。raw域图像未通过ISP模块执行后续的图像处理，保留了图像的原始信息，可以较好的展现人脸图像中的人脸特征，供初始模型进行学习。

具体的，首先获取raw域人脸数据集。raw域人脸数据集中包括若干活体人脸图像和若干非活体人脸图像。对raw域人脸数据集中的人脸图像进行预处理，以消除不同成像设备造成的部分干扰，增加模型训练的准确性。在完成对raw域人脸数据集中的人脸图像进行预处理后，分别为每张人脸图像标注是否是活体人脸的标签。使用标注标签的raw域人脸数据集对初始模型进行训练，初始模型分别对活体人脸图像中的特征，以及非活体人脸图像中的特征进行学习，以实现活体检测模型的训练，得到活体检测模型。

其中，在为raw域人脸数据集添加标签之前，需要对raw域人脸数据集中的人脸图像进行预处理。在执行预处理时，需要对raw域人脸数据集中的人脸图像进行降噪、亮度增广和尺寸缩放等步骤。

通过降噪模块对人脸数据进行降噪，以防止不同成像设备在获取人脸图像时噪声差异所造成的干扰。将人脸图像输入预先集成的降噪模块，以实现对人脸数据的降噪。

完成对人脸图像的降噪后，需要对人脸图像进行亮度增广，以获取包含更多亮度可能的数据，减小不同成像设备在获取人脸图像时亮度对活体模型产生训练所造成的影响。在进行亮度增广时，可以对人脸图像中的全部像素点增加或减少一个相同的像素值，或是对人脸图像中的全部像素点乘以一个相同的像素系数，实现亮度增广。

完成对人脸图像的亮度增广后，需要将raw域人脸数据集中的人脸图像缩放至预设的第一图像尺寸。一般的，将人脸图像缩放至256*256。

完成对人脸图像的预处理后，需要分别为每张人脸图像添加标注标签，以帮助初始模型对人脸图像为活体人脸图像或是非活体人脸图像进行识别。为人脸图像添加的标签包括00或01。00表示与标签对应的人脸图像为非活体人脸图像，01表示与标签对应的人脸图像为活体人脸图像，供初始模型在训练时进行识别。

202，采集待测物体的第一raw域图像。

具体的，调用成像设备采集待测物体的第一raw域图像。第一raw域图像为待测物体的原始图像，并未通过ISP对其进行后续图像处理，更多保留了待测物体的人脸特征，不会受到后续ISP处理所造成的影响。

对采集到的第一raw域图像进行预处理。将第一raw域图像输入预处理模块中的降噪模块执行降噪，并通过预处理模块中的缩放模块将第一raw域图像缩放至第一图像尺寸。

203，将第一raw域图像输入活体检测模型，得到待测物体的活体得分。

具体的，不再对第一raw域图像执行ISP图像处理，而是直接将完成预处理的第一raw域图像输入活体检测模型进行活体检测。活体检测模型对第一raw域图像中的人脸特征进行识别，并输出第一raw域图像的活体得分。

204，根据活体得分确定待测物体是否为活体。

具体的，根据预设的得分阈值判断待测物体是否为活体。当输出的第一raw域图像的活体得分高于预设的得分阈值时，确定待测物体为活体人脸；当输出的第一raw域图像的活体得分低于或等于预设的得分阈值时，确定待测物体为非活体人脸，即确定终端设备正在遭到非法攻击。

可选的，当判定待测物体为非活体人脸时，可以控制对应的硬件模块，如警示灯、扬声器等执行告警操作。

本发明实施例直接利用raw域图像进行活体检测模型的训练和实际判别，避免了raw域图像在不同终端设备进行ISP处理所造成的个性化差异，达到了修改ISP处理参数后，活体检测模型的表现不受影响的目的。同时对成像设备采集到的raw域图像进行降噪和亮度增广，尽可能避免不同成像设备在噪声和亮度上所造成的影响，有效的提升了活体检测模型在不同应用场景下的鲁棒性。

对应上述活体检测方法，本发明实施例还提供了一种活体检测装置。参见图3，为本发明实施例提供的一种活体检测装置的结构示意图。如图3所示，该装置可以包括：采集模块301、评分模块302、和确定模块303。

采集模块301，采集待测物体的第一原始raw域图像；

评分模块302，将所述第一raw域图像输入活体检测模型，得到所述待测物体的活体得分；

确定模块303，根据所述活体得分确定所述待测物体是否为活体。

图3所示实施例提供的活体检测装置可用于执行本说明书所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。

图4为本说明书电子设备一个实施例的结构示意图。电子设备可以实现为执行本发明实施例中活体检测方法的终端设备。如图4所示，上述电子设备可以包括至少一个处理器；以及与上述处理单元通信连接的至少一个存储器，其中：存储器存储有可被处理单元执行的程序指令，上述处理器调用上述程序指令能够执行本实施例提供的活体检测方法。

其中，上述电子设备可以为能够与用户进行智能对话的设备，本说明书实施例对上述电子设备的具体形式不作限定。可以理解的是，这里的电子设备即为方法实施例中提到的机器。

图4示出了适于用来实现本说明书实施方式的示例性电子设备的框图。图4显示的电子设备仅仅是一个示例，不应对本说明书实施例的功能和使用范围带来任何限制。

如图4所示，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器410、通信接口420、存储器430，连接不同系统组件(包括存储器430、通信接口420和处理器410)的通信总线440。

通信总线440表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。

电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器430可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。存储器430可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本说明书各实施例的功能。

具有一组(至少一个)程序模块的程序/实用工具，可以存储在存储器430中，这样的程序模块包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本说明书所描述的实施例中的功能和/或方法。

处理器410通过运行存储在存储器430中的程序，从而执行各种功能应用以及数据处理，例如实现本说明书所示实施例提供的活体检测方法。

本说明书实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本说明书所示实施例提供的活体检测方法。

上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。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(ReadOnly Memory；以下简称：ROM)、可擦式可编程只读存储器(Erasable Programmable ReadOnly Memory；以下简称：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说明书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(LocalArea Network；以下简称：LAN)或广域网(Wide Area Network；以下简称：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)。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

此外，术语“第一”、“第二”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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本说明书的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本说明书的实施例所属技术领域的技术人员所理解。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

需要说明的是，本说明书实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer；以下简称：PC)、个人数字助理(Personal Digital Assistant；以下简称：PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。

在本说明书所提供的实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本说明书各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本说明书各个实施例所述方法的部分步骤。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (10)

1.一种活体检测方法，其特征在于，所述方法包括：

采集待测物体的第一原始raw域图像；

将所述第一raw域图像输入活体检测模型，得到所述待测物体的活体得分；

根据所述活体得分确定所述待测物体是否为活体。

2.根据权利要求1所述的方法，其特征在于，所述采集待测物体的第一原始raw域图像，包括：

调用成像设备采集所述待测物体的初始raw域图像；

将所述初始raw域图像输入降噪模块执行降噪，得到所述第一raw域图像。

3.根据权利要求1所述的方法，其特征在于，所述将所述第一raw域图像输入活体检测模型之前，所述方法还包括：训练所述活体检测模型；

获取raw域人脸数据集，所述raw域人脸数据集包括若干活体人脸图像和若干非活体人脸图像，所述活体人脸图像和所述非活体人脸图像均标注有是否是活体人脸的标签；

使用所述raw域人脸数据集对初始模型进行训练，得到所述活体检测模型，所述活体检测模型具有从raw域图像识别人脸并对识别的人脸进行活体打分的能力。

4.根据权利要求3所述的方法，其特征在于，所述非活体人脸图像，包括以下中的一种或多种：照片人脸数据图像、屏幕人脸数据图像和3d面具人脸数据图像。

5.根据权利要求3所述的方法，其特征在于，所述使用所述raw域人脸数据集对初始模型进行训练之前，还包括：

对所述raw域人脸数据集中的人脸数据图像进行亮度增广；

将完成亮度增广的所述人脸数据图像缩放至第一图像尺寸。

6.根据权利要求1所述的方法，其特征在于，所述将所述第一raw域图像输入活体检测模型，包括：

将所述第一raw域图像缩放至所述第一图像尺寸；

将所述第一图像尺寸的所述第一raw域图像输入所述活体检测模型。

7.根据权利要求1所述的方法，其特征在于，所述根据所述活体得分确定所述待测物体是否为活体，包括：

当所述第一raw域图像的活体得分高于预设的得分阈值时，确定所述待测物体为活体；

否则，确定所述待测物体为非活体。

8.一种活体检测装置，其特征在于，包括：

采集模块，采集待测物体的第一原始raw域图像；

评分模块，将所述第一raw域图像输入活体检测模型，得到所述待测物体的活体得分；

确定模块，根据所述活体得分确定所述待测物体是否为活体。

9.一种活体检测设备，其特征在于，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7任一所述的方法。

Images