人体行为的识别方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及一种人体行为的识别方法及装置。


背景技术：

2.人体行为识别应用广泛，是人工智能领域的热点问题，是智能监控、人机交互、机器人等诸多应用的一项基础技术。
3.相关技术中，人体行为识别技术大多需要摄像头作为数据获取工具，通过摄像头来拍摄人体行为的图像，以便对拍摄到的图像进行分析，来识别图像中的人体行为。
4.然而，由于摄像头被遮挡以及环境的光线等问题，通常无法保证摄像头拍摄到的人体行为的图像的质量，并且与摄像头连接的电子设备的硬件配置通常不高（例如，不具备较大内存和较快的处理器），从而导致现有的人体行为的识别方法无法实现对人体行为的实时性识别。


技术实现要素：

5.本技术实施例提供一种人体行为的识别方法及装置，以解决现有技术中无法实现对人体行为的实时性识别的问题。
6.第一方面，本技术实施例提供一种人体行为的识别方法，所述方法包括：获取信道状态数据；对所述信道状态数据进行采样，确定所述信道状态数据对应的信道状态相位差数据；根据所述信道状态数据和所述信道状态相位差数据，确定所述信道状态数据的特征图；将所述信道状态数据的特征图输入人体行为识别模型，并获取所述人体行为识别模型输出的所述人体行为的类别标签，所述人体行为识别模型是通过样本集训练后生成的，所述样本集包括历史信道状态数据和标注的人体行为的类别标签。
7.一种可选的实施方式中，所述确定所述信道状态数据的特征图，包括：对所述信道状态数据进行小波变换，得到所述信道状态数据的小波变换特征图；根据所述信道状态数据和所述信道状态相位差数据，确定所述信道状态数据的局部显著性特征图；将所述局部显著性特征图和所述小波变换特征图进行融合，确定所述信道状态数据的特征图。
8.一种可选的实施方式中，所述确定所述信道状态数据的局部显著性特征图，包括：将所述信道状态数据和所述信道状态相位差数据组合成信道状态矩阵；对所述信道状态矩阵进行显著性特征提取，确定所述信道状态矩阵的显著性特征图；对所述信道状态矩阵的著性特征图进行归一化处理；
对归一化处理后的著性特征图进行空域滤波，确定所述信道状态数据的局部显著性特征图。
9.一种可选的实施方式中，所述对所述信道状态矩阵进行显著性特征提取，确定所述信道状态矩阵的显著性特征图，包括：将所述信道状态矩阵划分为多个宏块；计算所述多个宏块量化后的范数，生成所述信道状态矩阵的显著性特征图。
10.一种可选的实施方式中，所述归一化处理包括最大值最小值归一化处理。
11.一种可选的实施方式中，所述信道状态相位差数据，包括同一子载波天线对的信道状态相位差数据和/或不同信道状态样本的相同子载波之间的相位差。
12.一种可选的实施方式中，所述样本集中的历史信道状态数据为批归一化处理后的数据。
13.一种可选的实施方式中，所述人体行为识别模型包括分组卷积层和损失层；所述分组卷积层用于进行特征提取，所述损失层用于确定所述人体行为识别模型 每次迭代中预测的人体行为的类别标签和标注的人体行为的类别标签之间的差距。
14.一种可选的实施方式中，所述人体行为识别模型包括深度卷积神经网络。
15.第二方面，本技术实施例提供一种人体行为的识别装置，所述装置包括：获取模块，用于获取信道状态数据；采样模块，用于对所述信道状态数据进行采样，确定所述信道状态数据对应的信道状态相位差数据；特征提取模块，用于根据所述信道状态数据和所述信道状态相位差数据，确定所述信道状态数据的特征图；识别模块，用于将所述信道状态数据的特征图输入人体行为识别模型，并获取所述人体行为识别模型输出的所述人体行为的类别标签，所述人体行为识别模型是通过样本集训练后生成的，所述样本集包括历史信道状态数据和标注的人体行为的类别标签。
16.一种可选的实施方式中，所述特征提取模块，具体用于对所述信道状态数据进行小波变换，得到所述信道状态数据的小波变换特征图；根据所述信道状态数据和所述信道状态相位差数据，确定所述信道状态数据的局部显著性特征图；将所述局部显著性特征图和所述小波变换特征图进行融合，确定所述信道状态数据的特征图。
17.一种可选的实施方式中，所述特征提取模块，具体用于将所述信道状态数据和所述信道状态相位差数据组合成信道状态矩阵；对所述信道状态矩阵进行显著性特征提取，确定所述信道状态矩阵的显著性特征图；对所述信道状态矩阵的著性特征图进行归一化处理；对归一化处理后的著性特征图进行空域滤波，确定所述信道状态数据的局部显著性特征图。
18.一种可选的实施方式中，所述特征提取模块，具体用于将所述信道状态矩阵划分为多个宏块；计算所述多个宏块量化后的范数，生成所述信道状态矩阵的显著性特征图。
19.一种可选的实施方式中，所述归一化处理包括最大值最小值归一化处理。
20.一种可选的实施方式中，所述信道状态相位差数据，包括同一子载波天线对的信道状态相位差数据和/或不同信道状态样本的相同子载波之间的相位差。
21.一种可选的实施方式中，所述样本集中的历史信道状态数据为批归一化处理后的
数据。
22.一种可选的实施方式中，所述人体行为识别模型包括分组卷积层和损失层；所述分组卷积层用于进行特征提取，所述损失层用于确定所述人体行为识别模型 每次迭代中预测的人体行为的类别标签和标注的人体行为的类别标签之间的差距。
23.一种可选的实施方式中，所述人体行为识别模型包括深度卷积神经网络。
24.第三方面，本技术还提供一种电子设备，包括：处理器，以及存储器；所述存储器用于存储所述处理器的计算机程序；所述处理器被配置为通过执行所述计算机程序来实现第一方面中任意一种可能的方法。
25.第四方面，本技术还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任意一项所述的方法。
26.第五方面，本发明还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任意一种可能的方法。
27.本技术实施例提供的一种人体行为的识别方法及装置，首先获取信道状态数据，其次，对信道状态数据进行采样，确定信道状态数据对应的信道状态相位差数据。再次，根据信道状态数据和信道状态相位差数据，确定信道状态数据的特征图。最后，将信道状态数据的特征图输入人体行为识别模型，并获取人体行为识别模型输出的人体行为的类别标签，人体行为识别模型是通过样本集训练后生成的，样本集包括历史信道状态数据和标注的人体行为的类别标签。通过该方式，从而实现对人体行为的实时性识别。
附图说明
28.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
29.图1为本技术实施例提供的一种人体行为的识别方法的应用场景示意图；图2为本技术实施例提供的一种人体行为的识别方法的流程示意图；图3为本技术实施例提供的另一种人体行为的识别方法的流程示意图；图4为本技术实施例提供的一种人体行为的识别装置的结构示意图；图5为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
30.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
31.人体行为识别应用广泛，是人工智能领域的热点问题，是智能监控、人机交互、机器人等诸多应用的一项基础技术。相关技术中，人体行为识别技术大多需要摄像头作为数据获取工具，通过摄像头来拍摄人体行为的图像，以便对拍摄到的图像进行分析，来识别图
像中的人体行为。
32.然而，由于摄像头被遮挡以及环境的光线等问题，通常无法保证摄像头拍摄到的人体行为的图像的质量，并且与摄像头连接的电子设备的硬件配置通常不高（例如，不具备较大内存和较快的处理器），从而导致现有的人体行为的识别方法无法实现对人体行为的实时性识别。
33.为解决上述问题，本技术实施例提供一种人体行为的识别方法及装置，通过信道状态数据来实现对人体行为的识别，从而避免了通过图像来识别人体行为，避免了存储图像所需的内存和分析图像所需的算力，降低了硬件要求，从而实现了对人体行为的实时性识别。
34.下面对于本技术涉及的人体行为的识别方法的应用场景进行说明。
35.图1为本技术实施例提供的一种人体行为的识别方法的应用场景示意图。如图1所示，终端设备101和路由器设备102连接，当人体改变姿态时，终端设备101可以采集路由器设备102的信道状态（channel state information，csi）数据，并确定csi数据对应的csi相位差数据。通过csi数据和csi相位差数据，可以确定csi数据的特征图，从而基于csi数据的特征图确定csi数据对应的人体行为的类别标签。
36.其中，终端设备101可以为平板电脑（pad）、带无线收发功能的电脑、虚拟现实（virtual reality，vr）终端设备、增强现实（augmented reality，ar）终端设备、工业控制（industrial control）中的无线终端、无人驾驶（self driving）中的无线终端、远程手术（remote medical surgery）中的无线终端、智能电网（smart grid）中的无线终端、智慧家庭（smart home）中的无线终端等。本技术实施例中，用于实现终端的功能的装置可以是终端，也可以是能够支持终端实现该功能的装置，例如芯片系统，该装置可以被安装在终端中。本技术实施例中，芯片系统可以由芯片构成，也可以包括芯片和其他分立器件。
37.路由器设备102是连接两个或多个电子设备，在网络间起网关的作用。示例性的，路由器设备102可以为行动热点（wifi）。
38.应理解，本技术技术方案的应用场景可以是图1中的场景，但不限于此，还可以应用于其他需要进行人体行为的识别场景中。
39.可以理解，上述人体行为的识别方法可以通过本技术实施例提供的人体行为的识别装置实现，人体行为的识别装置可以是某个设备的部分或全部，例如为终端设备或服务器。
40.下面以集成或安装有相关执行代码的终端设备为例，以具体地实施例对本技术实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
41.图2为本技术实施例提供的一种人体行为的识别方法的流程示意图，本实施例的执行主体为终端设备，涉及的是如何识别人体行为的过程。如图2所示，该方法包括：s201、获取信道状态数据。
42.在本技术中，当需要对人体行为进行识别时，终端设备可以获取信道状态数据。
43.应理解，本技术实施例对于csi数据的类型不做限制，在一些实施例中，可以为wifi csi数据。
44.应理解，本技术实施例对于如何获取csi数据也不做限制，在一些实施例中，可以
通过csi工具（tool）获取csi数据。示例性的，可以通过无线网卡，使用霍尔珀林（halperin）提出的linux 802.11 csi tool开源软件包，得到csi数据。
45.s202、对信道状态数据进行采样，确定信道状态数据对应的信道状态相位差数据。
46.在本步骤中，当获取信道状态数据后，终端设备可以对信道状态数据进行采样，确定信道状态数据对应的信道状态相位差数据。
47.应理解，本技术实施例对于采样频率不做限制，在一些实施例中，采样频率可以为100hz。
48.示例性的，可以以100hz 的采样频率对csi数据进行采样，得到csi数据大小为m*n*l。其中 m为子载波信息个数（m=30），n为天线对的csi相位差的个数，l为csi样本个数。通过采样得到的csi数据大小，可以计算出csi数据对应的csi相位差数据。
49.应理解，本技术实施例对于信道状态相位差数据的类型不做限制，在一些实施例中，信道状态相位差数据，包括同一子载波天线对的信道状态相位差数据和/或不同信道状态样本的相同子载波之间的相位差。
50.s203、根据信道状态数据和信道状态相位差数据，确定信道状态数据的特征图。
51.在本步骤中，当确定信道状态数据对应的信道状态相位差数据后，终端设备可以根据信道状态数据和信道状态相位差数据，确定信道状态数据的特征图。
52.应理解，本技术实施例对于如何确定信道状态数据的特征图不做限制，在一些实施例中，终端设备可以首先对信道状态数据进行小波变换，得到信道状态数据的小波变换特征图。随后，终端设备可以根据信道状态数据和信道状态相位差数据，确定信道状态数据的局部显著性特征图。最后，终端设备可以将局部显著性特征图和小波变换特征图进行融合，确定信道状态数据的特征图。
53.需要说明的是，本技术实施例对于先确定小波变换特征图还是先确定局部显著性特征图不做限制，可以根据实际情况具体设置。
54.下面对于如何确定信道状态数据的局部显著性特征图进行说明。
55.在一些实施例中，终端设备可以先将信道状态数据和信道状态相位差数据组合成信道状态矩阵。其次，对信道状态矩阵进行显著性特征提取，确定信道状态矩阵的显著性特征图。再次，对信道状态矩阵的著性特征图进行归一化处理。最后，对归一化处理后的著性特征图进行空域滤波，确定信道状态数据的局部显著性特征图。
56.应理解，本技术实施例对于如何确定信道状态矩阵的显著性特征图不做限制，在一些实施例中，可以将信道状态矩阵划分为多个宏块，再计算多个宏块量化后的范数，生成信道状态矩阵的显著性特征图。
57.示例性的，若csi数据大小为m*n*l，可以将l个csi数据和n个csi相位差数据组成一个二维矩阵。通过组合可以得到m个n*l大小的矩阵，将每个矩阵划分为多个宏块，计算每个宏块量化后的范数，得到第m个矩阵中的显著性特征图。通过计算每个矩阵的显著性特征图，从而判断csi相位差较为明显的区域，加速数据的处理。其中，显著性特征图的范数的计算方式如公式（1）所示：
=
ꢀꢀꢀꢀꢀꢀꢀ
（1）其中，rdcn为跨天线对的csi相位差数据的范数，为第i行第j列宏块里的第m行第n列跨天线对的csi相位差数据，宏块的大小为m
×
n，p为常数，例如，可以取m=n=8，p=2。
58.应理解，本技术实施例对于如何进行归一化处理不做限制，在一些实施例中，归一化处理可以包括最大值最小值归一化处理。
59.示例性的，当终端设备确定显著性特征图后，可以对显著性特征图进行最大值最小值归一化。利用当前帧前面的m帧进行运动中值滤波，得到第m帧的局部显著性特征图srdcn。其中，局部显著性特征图srdcn的计算方式如公式（2）所示：
ꢀꢀꢀ
（2）其中，为所有特征值的中间值，为第m-t帧的第i行第j列个宏块空域滤波后的rdcn特征值，。
60.下面对于如何确定小波变换特征图进行说明。
61.在本技术中，由于wifi 调制信号使用ofdm的调制方式，而小波变换对分析瞬时时变信号是非常有用的。若直接对csi数据进行处理，包含较多的干扰信息，影响模型对类别的判断。因此，可以采用小波变换，提前滤除干扰信息，帮助检测模型准确判断。其中，对csi数据进行小波变换可以如公式（3）所示，得到小波变换特征图：
ꢀꢀꢀꢀ
（3）其中，为ofdm系统下解码的子载波，尺度控制小波函数的伸缩，平移量 控制小波函数的平移。
62.在本技术实施例中，当确定小波变换特征图和局部显著性特征图srdcn后，可以将小波变换特征图和局部显著性特征图srdcn融合，得到去除噪声后并具有显著性特征的csi 数据信息特征图，融合的方式如公式（4）所示：
ꢀꢀꢀꢀꢀꢀ
（4）s204、将信道状态数据的特征图输入人体行为识别模型，并获取人体行为识别模型输出的人体行为的类别标签，人体行为识别模型是通过样本集训练后生成的，样本集包括历史信道状态数据和标注的人体行为的类别标签。
63.在本步骤中，当终端设备确定信道状态数据的特征图后，可以将信道状态数据的
特征图输入人体行为识别模型，并获取人体行为识别模型输出的人体行为的类别标签。
64.应理解，本技术实施例对于人体行为识别模型不做限制，示例性的，人体行为识别模型可以为深度卷积神经网络，例如crnet。
65.其中，深度卷积神经网络可以包括分组卷积层（resnext）和损失层（softmax loss）。分组卷积层用于进行特征提取，损失层用于确定人体行为识别模型每次迭代中预测的人体行为的类别标签和标注的人体行为的类别标签之间的差距。
66.本技术实施例提供的人体行为的识别方法，首先获取信道状态数据，其中，对信道状态数据进行采样，确定信道状态数据对应的信道状态相位差数据。再次，根据信道状态数据和信道状态相位差数据，确定信道状态数据的特征图。最后，将信道状态数据的特征图输入人体行为识别模型，并获取人体行为识别模型输出的人体行为的类别标签，人体行为识别模型是通过样本集训练后生成的，样本集包括历史信道状态数据和标注的人体行为的类别标签。通过该方式，从而实现对人体行为的实时性识别。
67.在上述实施例的基础上，下面对于人体行为识别模型的训练过程进行说明。图3为本技术实施例提供的一种人体行为识别模型的训练方法的流程示意图，本实施例的执行主体为终端设备，如图3所示，该方法包括：s301、获取人体行为识别模型的样本集。
68.其中，样本集训练中包含有历史信道状态数据和标注的人体行为的类别标签。
69.s302、对样本集中的历史信道状态数据进行批归一化处理。s303、使用样本集对人体行为识别模型进行训练。
70.应理解，本技术实施例对于如何对人体行为识别模型进行训练不做限制。
71.在一些实施例中，可以通过分组卷积层进行特征提取，通过损失层确定每次迭代中预测的人体行为的类别标签和标注的人体行为的类别标签之间的差距。损失层中的损失函数如公式（5）所示：其中，为损失函数，c为人体行为的类别标签个数，s为正确类别对应的逻辑回归（softmax）输入。
72.示例性的，可以将输入送入人体行为识别模型中，利用随机优化算法（adam）对模型人体行为识别模型进行训练。训练批次的大小batch =64，动量momentum = 0.9，学习率初始设定为lr = 0.001，训练循环次数epoch = 200，通过深度学习框架pytorch，结合显卡的数据计算能力对人体行为识别模型进行训练，得到能够对任意csi 数据进行分类识别的人体行为识别模型。
73.其中，人体行为识别模型包括深度卷积神经网络，例如crnet。体行为识别模型包括分组卷积层和损失层。分组卷积层用于进行特征提取，损失层用于确定人体行为识别模型每次迭代中预测的人体行为的类别标签和标注的人体行为的类别标签之间的差距。
74.本技术实施例，通过人体不同姿态的csi相位差数据，突破了基于摄像头识别人体姿态诸多不便，在没有光照，或者有物体遮挡的情况下仍能够准确分析人体的不同姿态。并
且，通过训练好的人体行为识别模型，可以更加快速、准确的识别人体各种行为，实现了对人体行为的实时性识别。
75.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
76.图4为本技术实施例提供的一种人体行为的识别装置的结构示意图。该人体行为的识别装置可以通过软件、硬件或者两者的结合实现，可例如上述实施例中的终端设备或终端设备的芯片，以执行上述实施例中的人体行为的识别方法。如图4，该人体行为的识别装置400包括：获取模块401，用于获取信道状态数据；采样模块402，用于对信道状态数据进行采样，确定信道状态数据对应的信道状态相位差数据；特征提取模块403，用于根据信道状态数据和信道状态相位差数据，确定信道状态数据的特征图；识别模块404，用于将信道状态数据的特征图输入人体行为识别模型，并获取人体行为识别模型输出的人体行为的类别标签，人体行为识别模型是通过样本集训练后生成的，样本集包括历史信道状态数据和标注的人体行为的类别标签。
77.一种可选的实施方式中，特征提取模块403，具体用于对信道状态数据进行小波变换，得到信道状态数据的小波变换特征图；根据信道状态数据和信道状态相位差数据，确定信道状态数据的局部显著性特征图；将局部显著性特征图和小波变换特征图进行融合，确定信道状态数据的特征图。
78.一种可选的实施方式中，特征提取模块403，具体用于将信道状态数据和信道状态相位差数据组合成信道状态矩阵；对信道状态矩阵进行显著性特征提取，确定信道状态矩阵的显著性特征图；对信道状态矩阵的著性特征图进行归一化处理；对归一化处理后的著性特征图进行空域滤波，确定信道状态数据的局部显著性特征图。
79.一种可选的实施方式中，特征提取模块403，具体用于将信道状态矩阵划分为多个宏块；计算多个宏块量化后的范数，生成信道状态矩阵的显著性特征图。
80.一种可选的实施方式中，归一化处理包括最大值最小值归一化处理。
81.一种可选的实施方式中，信道状态相位差数据，包括同一子载波天线对的信道状态相位差数据和/或不同信道状态样本的相同子载波之间的相位差。
82.一种可选的实施方式中，样本集中的历史信道状态数据为批归一化处理后的数据。
83.一种可选的实施方式中，人体行为识别模型包括深度卷积神经网络。
84.一种可选的实施方式中，人体行为识别模型包括分组卷积层和损失层；分组卷积层用于进行特征提取，损失层用于确定人体行为识别模型每次迭代中预测的人体行为的类别标签和标注的人体行为的类别标签之间的差距。
85.需要说明的，图4示实施例提供的人体行为的识别装置，可用于执行上述任意实施例所提供的方法，具体实现方式和技术效果类似，这里不再进行赘述。
86.图5为本技术实施例提供的一种电子设备的结构示意图。如图5示，该电子设备可以包括：至少一个处理器501和存储器502。图5的是以一个处理器为例的电子设备，例如物流管理服务器、库存管理服务器或应用服务器。
87.存储器502，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
88.存储器502可能包含高速ram存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
89.处理器501用于执行存储器502存储的计算机执行指令，以实现上述人体行为的识别方法；其中，处理器501可能是一个中央处理器（central processing unit，简称为cpu），或者是特定集成电路（application specific integrated circuit，简称为asic），或者是被配置成实施本技术实施例的一个或多个集成电路。
90.可选的，在具体实现上，如果通信接口、存储器502和处理器501独立实现，则通信接口、存储器502和处理器501可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构（industry standard architecture，简称为isa）总线、外部设备互连（peripheral component，简称为pci）总线或扩展工业标准体系结构（extended industry standard architecture，简称为eisa）总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
91.可选的，在具体实现上，如果通信接口、存储器502和处理器501集成在一块芯片上实现，则通信接口、存储器502和处理器501可以通过内部接口完成通信。
92.本技术实施例还提供了一种芯片，包括处理器和接口。其中接口用于输入输出处理器所处理的数据或指令。处理器用于执行以上方法实施例中提供的方法。该芯片可以应用于人体行为的识别装置中。
93.本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序信息，程序信息用于上述人体行为的识别方法。
94.本技术实施例还提供一种程序，该程序在被处理器执行时用于执行以上方法实施例提供的人体行为的识别方法。
95.本技术实施例还提供一种程序产品，例如计算机可读存储介质，该程序产品中存储有指令，当其在计算机上运行时，使得计算机执行上述方法实施例提供的人体行为的识别方法。
96.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（dsl））或无线（例如
红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质（例如固态硬盘solid state disk (ssd)）等。
97.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。