具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在各个领域中,针对用户所要进行的行为,例如交易、投资、评级等,需要通过用户上传的包含目标对象的图像,一般来说,该目标对象为证件,对用户的身份、权限、能力等进行识别,应理解,该用户可以为个人也可以为集体或者企业,示例性的,用户上传的证件可以是身份证、营业执照或者证书等。
目前,对于用户上传的图像,识别其中的证件,以得到证件中的文本等内容,然而,用户上传的图像的质量常常无法满足识别要求,例如,图像的清晰度较低、亮度较暗、曝光过度或者证件不完整等,对不满足识别要求的图像直接进行识别,无法确保识别结果的准确性。
针对上述问题,本申请实施例通过获取待识别的图像的图像特征,并基于图像特征确定该图像在成像质量或者目标对象的完整程度上是否满足识别条件,在确定图像满足识别条件后,对图像中的文本进行识别,得到文本信息。
作为一种示例而非限制性的,同时对于待识别的图像是否为翻拍、复印、无效对象(例如非正确证件或者不存在所需证件)或朝向正确等进行确认,在确认图像的状态正常,且图像满足识别条件时,对图像中的文本进行识别。
本申请实施例的技术方案可以应用于各种电子设备,用于实现对待识别的图像进行准确的识别。该电子设备可以是一种终端设备,例如手机(Mobile Phone)、平板电脑(Pad)、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)中的终端设备、无人驾驶(self driving)中的终端设备、远程医疗(remote medical)中的终端设备、智慧城市(smart city)中的终端设备或智慧家庭(smart home)中的终端设备等。本申请实施例中的终端设备还可以是可穿戴设备,可穿戴设备也可以称为穿戴式智能设备,是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。终端设备可以是固定的或者移动的。
示例性的,本申请实施例中的电子设备还可以是一种服务器,当电子设备为服务器时,可接收终端设备采集的图像,并对该图像进行图像处理,以实现对目标对象的准确识别。
图1为本申请实施例提供的一种电子设备100的结构示意图。如图1所示,电子设备100包括:图像获取单元101、图像确定单元102和图像识别单元103,图像确定单元102分别和图像获取单元101和图像识别单元103连接。
其中,图像获取单元102用于获取待识别的图像,示例性的,该图像应包含证件类对象。示例性的,可接收图像采集装置采集的图像,或者接收其他设备传输的图像,或者接收用户输入的图像,本申请实施例对此不做限制。
图像确定单元102接收图像获取单元101发送的待识别的图像,并对该图像的成像质量和/或图像中目标对象的完整程度进行确认,在图像满足识别条件时,即图像的成像质量满足质量条件和/或目标对象的完整程度满足完整度条件时,将该待识别的图像发送至图像识别单元103;示例性的,若图像的成像质量不满足识别条件,或者目标对象的完整程度不满足识别条件,或者图像的成像质量和目标对象的完整程度均不满足识别条件,则不对该图像进行识别。
在一些实施例中,电子设备100还包括信息发送单元104,信息发送单元104和图像确定单元102连接。在图像确定单元102确定图像不满足识别条件时,向信息发送单元104发送指令,信息发送单元104根据该指令生成指示信息,该指示信息用于指示该图像不符合要求,可选的,可进一步指示不符合要求的项目,并提示用户重新提供待识别的图像。
图像识别单元103在接收到待识别的图像后,对待识别的图像中的目标对象进行识别,以获取目标对象的信息,一般来说,所获取的目标对象的信息为文本信息,在一些实施例中还可以获取目标对象的图像信息,例如目标对象为身份证时,获取目标对象中的个人照片。
应理解,电子设备100还包括存储单元(图中未示出),该存储单元用于存储识别得到的目标对象的信息,示例性的,将每个目标对象的信息进行结构化存储,例如对身份证中的“姓名李某”以[key,value]的形式存储为[姓名,李某]。
下面通过几个实施例对本申请进行具体说明。
图2为本申请实施例提供的一种图像的处理方法200的流程示意图。
为了能够准确识别图像中的目标对象,本申请实施例在对图像进行识别之前,首先对图像的成像质量和完整程度进行确认,在基于成像质量和完整程度确认该图像满足识别条件时,对该图像中的目标对象进行识别。
如图2所示,本申请实施例提供的图像的处理方法包括:
S201:获取待识别的图像的至少一个图像特征。
应理解,待识别的图像中包含有目标对象,可选的,该目标对象可以为证件类对象,例如身份证、营业执照或证书等,或者可以为文档类对象。
其中,图像特征用于表征图像的成像质量或图像中目标对象的完整程度。
示例性的,图像特征包括用于表征图像成像质量的至少一个第一特征,和/或用于表征目标对象的完整程度的第二特征。相应的,获取待识别的图像的至少一个图像特征包括:获取图像的至少一个第一特征,和/或,获取图像的第二特征。应理解,可仅获取图像的至少一个第一特征或者仅获取图像的第二特征,也可以分别获取图像的至少一个第一特征和第二特征。
可选的,第一特征可以为方差特征、均值特征、第一像素数量特征或第二像素数量特征中的任意一种。其中,第一素数量为像素值大于第一预设像素值的相邻像素的数量,第二像素数量为像素值小于第二预设像素值的相邻像素的数量,可选的,第一预设像素值大于第二预设像素值。
S202:基于至少一个图像特征,确定图像是否满足识别条件。
在本步骤中,结合所获取的至少一个图像特征,确定图像是否满足识别条件。例如,基于方差特征,确定图像的清晰度是否满足要求,在图像的清晰度满足要求时,确定图像满足识别条件;再例如,基于方差特征,确定图像的清晰度是否满足要求,并基于均值确定图像的亮度是否满足要求,在清晰度满足要求且亮度满足要求时,确定图像满足识别条件。
S203:在图像满足识别条件时,对图像中的目标对象进行识别,得到目标对象的信息。
若图像满足识别条件,则表示图像易于被准确识别,即对满足识别条件的图像进行识别,将得到更加准确的识别结果。进一步地,通过对图像中的目标对象进行识别,得到目标对象的信息,一般来说,目标对象的信息包括文本信息,例如身份证中的姓名、住址、出生日期等,在一些实施例中,目标对象还包括图像信息,例如身份证中的个人照片。
示例性的,将得到的目标对象的信息进行存储以便于后续查询或者使用。
本申请实施例基于获取的待识别的图像的至少一个图像特征,对该图像在成像质量和/或目标对象的完整程度上是否满足识别条件进行确认,并在图像满足确认条件时对图像中的目标对象进行识别,以得到准确的识别结果。
图3为本申请实施例提供的一种图像的处理方法300的流程示意图。
为了能够对图像是否符合识别条件进行准确的确认,本申请实施例提出如图3所示的实现方式,来确定图像是否符合识别条件,包括:
S301:针对至少一个图像特征中的每个图像特征,基于图像特征和对应的阈值,得到图像特征是否满足对应的预设条件的评估结果。
示例性的,若图像特征为图像的方差,则在方差大于清晰度阈值时,确定图像特征满足对应的预设条件,应理解,图像的方差为基于图像中每个像素点的像素值计算得到的方差,图像的方差越大,则图像具有较广的频响范围,表示该图像聚焦准确,即图像的清晰度越高,而图像的方差越小,则图像具有较窄的频响范围,表示该图像的边缘数量很少,即图像的清晰度就越低。其中,清晰度阈值为预设的满足清晰度要求的方差的值。
若图像特征为图像的均值,则在均值大于亮度阈值时,确定图像特征满足对应的预设条件,应理解,此处的图像的均值为基于图像中每个像素点的像素值计算得到的平均值,图像的均值越大,则图像的亮度越高,图像的均值越小,则图像的亮度越低。其中,亮度阈值为满足亮度要求时,对应均值的值。
若图像特征为第一像素数量,则在第一像素数量小于第一数量阈值时,确定图像特征满足对应的预设条件,其中,第一像素数量为像素值大于第一预设像素值的相邻像素的数量。首先,确定图像中大于第一预设像素值的且相邻的像素的数量,即第一像素数量,在第一像素数量小于第一数量阈值时,表明图像中没有亮斑,或称作光斑。
若图像特征为第二像素数量,则在第二像素数量小于第二数量阈值时,确定图像特征满足对应的预设条件,其中,第二像素数量为像素值小于第二预设像素值的相邻像素的数量。首先,确定图像中小于第二预设像素值的向量像素的数量,即第二像素数量,在第二像素数量小于第二数量阈值时,表明图像中没有暗影,或称作阴影。
需要说明的是,第一预设像素值大于第二预设像素值;第一数量阈值和第二数量阈值可以相同也可以不同,本申请对此不做限制。
若图像特征为交并比,则在交并比大于交并比阈值时,确定该图像特征满足对应的预设条件,其中,交并比为对图像进行图像分割后得到的前景图像和背景图像的交集和并集的比值,前景图像包含目标对象,背景图像不包含目标对象,一般来说,前景对象仅包括目标对象。应理解,交并比为1时,则图像中目标对象是完整的,交并比小于1时,图像中目标对象存在缺边、缺角或遮挡的情况,交并比越小,则目标对象缺边、缺角或遮挡的情况就越严重,交并比阈值为根据能够接受的目标对象不完整的程度对目标对象是否满足预设条件进行区分。
S302:基于每个图像特征的评估结果,确定图像是否满足识别条件。
在实际的应用场景中,可对每个图像特征的评估结果进行加权运算,确定图像是否满足识别条件;或者可在多于半数的评估结果指示图像特征满足对应的预设条件时,确定图像满足识别条件,否则不满足识别条件;或者在每个图像特征的评估结果均指示相应的图像特征满足与之对应的预设条件时,确定图像满足识别条件,存在任一评估结果指示图像特征不满足对应的预设条件时,确定图像不满足识别条件。
图4为本申请实施例提供的一种图像的处理方法400的流程示意图。
在上述任一实施例的基础上,本申请实施例结合图4,对如何获取图像的至少一个第一特征进行说明。
如图4所示,该方法包括:
S401:将图像转换为灰度图像。
一般来说,待识别的图像为彩色图像,例如RGB图像,本步骤中,需要通过色彩控件转换,将彩色图像转换为灰度图像。可选的,灰度图像中每个像素点的像素值介于0-255之间。
S402:基于灰度图像,确定图像的至少一个第一特征。
基于灰度图像中每个像素点的像素值,得到图像的至少一个第一特征,例如图像的方差、图像的均值、第一像素数量或第二像素数量等。
结合图5所示,为基于灰度图像,确定图像的至少一个第一特征,提供一种可能的实现方式。
S501:通过拉普拉斯算法,将灰度图像转换为拉普拉斯图像。
应理解,拉普拉斯是一种微分算子,它的应用可增强灰度图像中灰度突变的区域,减弱灰度的缓慢变化区域。
在本步骤中,通过拉普拉斯算法,将灰度图像转换为拉普拉斯图像,可以基于任意拉普拉斯算子进行运算。
示例性的,通过预设的拉普拉斯掩模对灰度图像进行卷积运算,得到拉普拉斯图像。
该拉普拉斯掩模为预设的一种卷积模版,优选的,可将该拉普拉斯掩模设置为表1所示的3乘3的掩模。
表1
S502:基于拉普拉斯图像,确定图像的至少一个第一特征。
示例性的,基于拉普拉斯图像中各像素点的像素值,计算得到拉普拉斯图像的方差、均值、第一像素数量或第二像素数量中的至少一种。
其中,第一像素数量为像素值大于第一预设像素值的相邻像素的数量,第二像素数量为像素值小于第二预设像素值的相邻像素的数量,第一预设像素值大于第二预设像素值。
图6为本申请实施例提供的一种图像的处理方法600的流程示意图。
在上述任一实施例的基础上,本申请实施例结合图6,对如何获取图像的第二特征进行说明。
如图6所示,该方法包括:
S601:通过分割算法,将图像进行图像分割,得到前景图像和背景图像。
在本步骤中,通过分割算法,对图像进行分割,例如采用GrabCut分割算法对图像进行分割,以得到包含目标对象的前景图像和不包含目标对象的背景图像。
S602:基于前景图像和预设图像,计算得到二者的交并比(Intersection-over-Union,IoU)。
需要说明的是,预设图像为与目标对象具有相同横纵比的图像。作为一种示例,在用户对目标对象进行图像采集时,将预设图像或者预设图像的轮廓显示在取景框或预览框中的,使用户能够基于预设图像采集得到包含目标对象的图像;作为另一种示例,在获取待识别图像后,将图像中的目标对象按照预设图像进行校准,例如将目标对象的中心点与预设图像的中心点进行对准,并将目标对象缩放至预设图像的大小。
在本步骤中,将前景图像和预设图像的交集,即图7a中的四边形ABCD的面积,比前景图像和预设图像的并集,即图7a中的不规则多边形EFBGHD的面积,得到交并比。交并比用于表征前景图像和预设图像的交集与并集的比值。示例性的,再结合图7b所示,四边形A’B’C’D’为被遮挡的区域,则该区域属于背景图像,那么交并比则为四边形ABCD减去四边形A’B’C’D’后的面积比不规则多边形EFBGHD的面积。
应理解,第二特征包括该交并比。
进一步地,在交并比大于交并比阈值时,确定该图像特征满足对应的预设条件。
本实施例中,通过计算交并比,来确定图像中的目标对象是否完整,防止目标对象存在缺边、缺角或者被遮挡,以确定图像满足识别条件。
图8为本申请实施例提供的一种图像的处理方法800的流程示意图。
在上述任一实施例的基础上,结合图8所示,图像的处理方法还包括:
S801:将待识别的图像输入图像分类模型,得到图像的分类结果。
其中,图像分类模型为基于第一网络模型训练得到的,例如inception系列的网络模型,优选的,可采用inception v3作为主干网络。
分类结果用于表征目标对象的状态为正常状态或者异常状态,可选的,异常状态至少包括翻拍、复印或无效对象中的一种,以目标对象为身份证为例,无效对象包括目标对象为临时身份证、图像中不包含身份证或目标对象非身份证等。可选的,异常状态还包括目标对象的正反面是否满足要求,例如,需要上传身份证的正面时,图像中的目标对象为身份证的反面,则为异常状态,而为身份证的正面,则为正常状态。
示例性的,可将待识别的图像输入图像分类模型,或者对待识别的图像进行预处理,将处理后的图像输入图像分类模型,例如可以将待识别的图像转换为灰度图像。
S802:在分类结果指示目标对象的状态为正常状态时,且在图像满足识别条件时,对图像中的目标对象进行识别,得到目标对象的信息。
需要说明的是,基于分类结果,确定图像的状态是否正常,与确定图像是否满足识别条件,对于二者的执行顺序,本实施例不做限制,即基于分类结果,确定图像的状态是否正常,可在确定图像是否满足识别条件之前或者之后执行,或者与确定图像是否满足识别条件同时执行。
本实施例中,还对图像中目标对象进行分类判断,在确定目标对象为正常状态时,再对图像中的目标对象进行识别,防止误识别,导致获取的目标对象的信息错误。
图9为本申请实施例提供的一种图像的处理方法900的流程示意图。
在上述任一实施例的基础上,结合图9所示,在图像满足识别条件时,如何对图像中的目标对象进行识别,得到目标对象的信息,提供如下实现方式:
S901:获取目标对象的至少一个文本行图像。
在本步骤中,对图像中目标对象的文本行进行识别,得到至少一个文本行图像。
示例性的,可通过任意图像分割算法,对目标对象的每个文本行进行边缘检测,并通过形态学运算(也称作开闭运算)结合连通域提取文本行的二值化掩模,得到文本行图像。
S902:将至少一个文本行图像输入文本识别模型,得到目标对象的文本信息。
其中,文本识别模型为基于第二网络模型训练得到的。
可选的,第二网络模型为基于卷积神经网络CNN模型和联结主义时间分类CTC设置的网络模型。相比于传统的包含循环神经网络RNN的网络模型,能够准确识别文本行的内容,并提升对文本行的内容的识别速度,CTC用于客服输出序列长度和输入序列长度不一致的问题,通过在中间补空格,形成新的序列,解码时再使用一定规则把空格去掉。可选的,第二网络模型的主干网络可采用DenseNet算法的网络。
应理解,本步骤中文本识别模型针对每个文本行图像,所输出的目标对象的文本信息为结构化信息,即以[key,Value]的形式输出文本信息。
在图9所示实施例的基础上,作为一种示例,在获取目标对象的至少一个文本行图像之前,还需要对待识别的图像进行预处理。
示例性的,在对目标对象进行图像采集的过程中,图像采集装置,例如相机的镜头,与目标对象之间存在一定的相对角度,使得目标对象存在一定程度的畸变,结合图10所示,图10-(a)中目标对象为1234四个顶点表示的四边形,该四边形为不规则四边形,因此需要将该四边形转换为图10-(b)中由1234四个顶点表示的规则四边形。
示例性的,可基于任意边缘检测算法来从待识别的图像中获取目标对象的图像,例如,通过图像分割算法对目标对象进行边缘检测,并基于形态学运算(也称作开闭运算)结合连通域分析提取目标对象的二值化边界(也称作二值化掩模),基于二值化边界取最大外接矩形,同时结合目标对象区域和待识别的图像的区域的面积比,排除误检的可能,例如,面积比小于面积阈值时,认为存在误检,即识别得到的目标对象的图像不正确。进一步地,通过连通域分析得到四边形的四个顶点,基于四个顶点的位置坐标,通过透视变换,得到转换后的规则四边形范围内的目标对象,并基于包含该目标对象的图像进行识别,以得到目标对象的信息。
图11为本申请实施例提供的一种图像的处理方法1100的流程示意图。
在上述任一实施例的基础上,本实施例提供一种可能的实现方式,具体包括:
首先进行图像采集,在一种应用场景中,当用户通过手持图像采集装置对目标对象进行图像采集时,电子设备通过显示装置向用户提供图像预览框,在一些实施例中,图像预览框中显示有预设图像的轮廓,该预设图像与要采集的目标对象具有相同的横纵比,用户可将目标对象与预设图像的轮廓对齐并将目标对象放置于预设图像的轮廓内,进行对目标对象的采集。
进一步地,对包含目标对象的待识别图像进行成像质量评估,例如确定待识别的图像的清晰度、亮度是否满足预设条件的要求,以及是否存在亮斑或阴影,经过成像质量评估后,若合格则继续进行完整程度检测,若不合格,则重新进行图像采集。
对成像质量评估为合格的待识别图像,进行完整度检测,确定目标对象是否存在缺边、缺角或被遮挡的情况,若完整度的检测结果为合格,则进行下一步风险类型评估,若不合格则重新进行图像采集。
进而,通过预训练得到的图像分类模型,对待识别的图像进行风险类型评估,得到分类结果,当分类结果指示目标对象的状态为正常状态时,对目标对象进行检测,当分类结果指示目标对象的状态为异常状态时,则重新进行图像采集。
经过上述过程对待识别的图像所进行的评估以及检测均通过时,表明该图像易于被准确识别,进而,本实施例对图像中的目标对象进行检测,例如通过图像分割算法得到目标对象的图像,进一步地,对目标对象的图像进行文本行检测,例如通过图像分割算法,得到至少一个文本行图像,再将至少一个文本行图像输入预训练得到的文本识别模型,由文本识别模型输出结构化的文本信息。
图12为本申请实施例提供的一种电子设备1200的结构示意图,如图12所示,该电子设备1200包括:
获取单元1210,用于获取待识别的图像的至少一个图像特征,图像包含目标对象,图像特征用于表征图像的成像质量或目标对象的完整程度;
处理单元1220,用于基于至少一个图像特征,确定图像是否满足识别条件;
处理单元1220还用于在图像满足识别条件时,对图像中的目标对象进行识别,得到目标对象的信息。
本实施例提供的一种电子设备1200包括获取单元1210和处理单元1220,基于获取的待识别的图像的至少一个图像特征,对该图像在成像质量和/或目标对象的完整程度上是否满足识别条件进行确认,并在图像满足确认条件时对图像中的目标对象进行识别,以得到准确的识别结果。
在一种可能的设计中,获取单元1210具体用于:
获取图像的至少一个第一特征,第一特征用于表征图像的成像质量;
和/或,
获取图像的第二特征,第二特征用于表征目标对象的完整程度。
在一种可能的设计中,处理单元1220具体用于:
针对至少一个图像特征中的每个图像特征,基于图像特征和对应的阈值,得到图像特征是否满足对应的预设条件的评估结果;
基于每个图像特征的评估结果,确定图像是否满足识别条件。
在一种可能的设计中,处理单元1220具体用于:
在每个图像特征的评估结果均指示图像特征满足对应的预设条件时,确定图像满足识别条件。
在一种可能的设计中,获取单元1210具体用于:
将图像转换为灰度图像;
基于灰度图像,确定图像的至少一个第一特征。
在一种可能的设计中,获取单元1210具体用于:
通过拉普拉斯算法,将灰度图像转换为拉普拉斯图像;
基于拉普拉斯图像,确定图像的至少一个第一特征。
在一种可能的设计中,获取单元1210具体用于:
通过预设的拉普拉斯掩模对灰度图像进行卷积运算,得到拉普拉斯图像。
在一种可能的设计中,获取单元1210具体用于:
基于拉普拉斯图像中各像素点的像素值,计算得到拉普拉斯图像的方差、均值、第一像素数量或第二像素数量中的至少一种;
其中,第一像素数量为像素值大于第一预设像素值的相邻像素的数量,第二像素数量为像素值小于第二预设像素值的相邻像素的数量,第一预设像素值大于第二预设像素值。
在一种可能的设计中,处理单元1220具体用于:
若图像特征为图像的方差,则在方差大于清晰度阈值时,确定图像特征满足对应的预设条件;
若图像特征为图像的均值,则在均值大于亮度阈值时,确定图像特征满足对应的预设条件;
若图像特征为第一像素数量,则在第一像素数量小于第一数量阈值时,确定图像特征满足对应的预设条件,第一像素数量为像素值大于第一预设像素值的相邻像素的数量;
若图像特征为第二像素数量,则在第二像素数量小于第二数量阈值时,确定图像特征满足对应的预设条件,第二像素数量为像素值小于第二预设像素值的相邻像素的数量。
在一种可能的设计中,获取单元1210具体用于:
通过分割算法,将图像进行图像分割,得到前景图像和背景图像,前景图像包括目标对象,背景图像不包括目标对象;
基于前景图像和预设图像,计算得到二者的交并比,交并比用于表征前景图像和预设图像的交集与并集的比值。
在一种可能的设计中,处理单元1220具体用于:
在交并比大于交并比阈值时,确定图像特征满足对应的预设条件,交并比用于表征前景图像和预设图像的交集与并集的比值,前景图像为对图像进行图像分割得到的包含目标对象的图像。
在一种可能的设计中,获取单元1210还用于:将待识别的图像输入图像分类模型,得到图像的分类结果,图像分类模型为基于第一网络模型训练得到的,分类结果用于表征目标对象的状态为正常状态或者异常状态,异常状态至少包括翻拍、复印或无效对象中的一种;
处理单元1220还用于在分类结果指示目标对象的状态为正常状态时,执行在图像满足识别条件时,对图像中的目标对象进行识别,得到目标对象的信息的步骤。
在一种可能的设计中,处理单元具体用于:
获取目标对象的至少一个文本行图像;
将至少一个文本行图像输入文本识别模型,得到目标对象的文本信息,文本识别模型为基于第二网络模型训练得到的。
本实施例提供的一种电子设备可用于实现上述任一实施例中的方法,其实现效果与方法实施例类似,此处不再赘述。
图13为本申请一实施例提供的电子设备1300的硬件结构示意图。如图13所示,通常,电子设备1300包括有:处理器1310和存储器1320。
处理器1310可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1310可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器901也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1310可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1310还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1320可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1320还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1320中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1310所执行以实现本申请中方法实施例提供的方法。
可选地,如图10所示,电子设备1300还可以包括收发器1330,处理器1310可以控制该收发器1330与其他设备进行通信,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。
其中,收发器1330可以包括发射机和接收机。收发器1330还可以进一步包括天线,天线的数量可以为一个或多个。
可选地,该电子设备1300可以实现本申请实施例的各个方法中的相应流程,为了简洁,在此不再赘述。
本领域技术人员可以理解,图10中示出的结构并不构成对电子设备1300的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本申请实施例还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述实施例提供的方法。
本实施例中的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SSD)等。
本领域普通技术人员可以理解:实现上述各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,执行包括上述各方法实施例的步骤;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。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。