1.本技术涉及计算机技术领域，特别是涉及一种应用于银行网点的排队优化方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术：
2.如今科技的快速发展，部分银行业务可以通过网上银行和自助atm机办理，但仍存在许多必须要去网点人工窗口办理业务，比如：查询详细征信报告、外币换取、纪念币换取等。由于人工窗口需要排队，会让客户等待较长时间，这就给部分客户带来了部分不便。
3.目前，为了方便客户在网点有序地办理业务，通常会提供排队取号功能，客户通过取号号码，能够预知当前的排队人数。然而，网点通过排队取号，无法针对客户类型进行合理排序。
技术实现要素：
4.基于此，有必要针对上述技术问题，提供一种能够针对客户类型进行合理排序的排队优化方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种应用于银行网点的排队优化方法。所述方法包括：
6.获取客户的步态视频序列；
7.通过步态识别算法，获取步态周期内所述步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量；
8.根据所述步态特征向量，获取客户的年龄类型；
9.根据所述客户的年龄类型获取客户对应的队列优先级、并基于所述队列优先级对初始客户队列进行优化。
10.在其中一个实施例中，应用于银行网点的排队优化方法还包括：
11.获取客户预期等待时间；
12.若所述客户预期等待时间大于预设时间阈值，则通过步态识别算法，获取步态周期内所述步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量。
13.在其中一个实施例中，所述通过步态识别算法，获取步态周期内所述步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量之前，还包括：
14.根据所述步态视频序列，得到步态轮廓图序列；
15.根据所述步态轮廓图序列，计算步态周期。
16.在其中一个实施例中，所述根据所述步态视频序列，得到步态轮廓图序列包括：
17.对所述步态视频序列进行背景建模，通过背景减除方法，得到运动目标图像；
18.提取所述运动目标图像中的前景图像、并消除所述前景图像的空洞以及对所述前景图像进行降噪；
19.利用边缘检测算子，提取消除空洞及降噪的前景图像边缘，得到步态轮廓图序列。
20.在其中一个实施例中，所述通过步态识别算法，获取步态周期内所述步态视频序
列中人骨骼的关节点，并提取关节点特征，生成步态特征向量包括：
21.通过步态识别算法，获取步态周期内所述步态视频序列中人上下肢骨骼的关节点、并提取人上下肢骨骼关节点特征；
22.定位人腿部关节点，通过遗传算法，提取人腿部关节角度特征；
23.根据所述人上下肢骨骼关节点特征、及所述人腿部关节角度特征，生成步态特征向量。
24.在其中一个实施例中，所述通过步态识别算法，获取步态周期内所述步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量之后，还包括：
25.对同一所述步态周期内的所述步态特征向量进行归一化处理。
26.第二方面，本技术还提供了一种应用于银行网点的排队优化装置。所述装置包括：
27.步态视频序列获取模块，用于获取客户的步态视频序列；
28.步态特征向量生成模块，用于通过步态识别算法，获取步态周期内所述步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量；
29.年龄类型获取模块，用于根据所述步态特征向量，获取客户的年龄类型；
30.队列优化模块，用于根据所述客户的年龄类型获取客户对应的队列优先级、并基于所述队列优先级对初始客户队列进行优化。
31.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
32.获取客户的步态视频序列；
33.通过步态识别算法，获取步态周期内所述步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量；
34.根据所述步态特征向量，获取客户的年龄类型；
35.根据所述客户的年龄类型获取客户对应的队列优先级、并基于所述队列优先级对初始客户队列进行优化。
36.第四方面，本技术还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，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以下步骤：
37.获取客户的步态视频序列；
38.通过步态识别算法，获取步态周期内所述步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量；
39.根据所述步态特征向量，获取客户的年龄类型；
40.根据所述客户的年龄类型获取客户对应的队列优先级、并基于所述队列优先级对初始客户队列进行优化。
41.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
42.获取客户的步态视频序列；
43.通过步态识别算法，获取步态周期内所述步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量；
44.根据所述步态特征向量，获取客户的年龄类型；
45.根据所述客户的年龄类型获取客户对应的队列优先级、并基于所述队列优先级对
初始客户队列进行优化。
46.上述应用于银行网点的排队优化方法、装置、计算机设备、存储介质和计算机程序产品，通过获取客户的步态视频序列；通过步态识别算法，获取步态周期内所述步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量；根据所述步态特征向量，获取客户的年龄类型；根据所述客户的年龄类型获取客户对应的队列优先级、并基于所述队列优先级对初始客户队列进行优化。本方案中，通过步态识别算法，提取关节点特征，生成步态特征向量，得到客户的年龄类型，能根据客户年龄类型，对初始客户队列进行优化，调整排队情况，以针对客户年龄情况进行合理队列排序优化。
附图说明
47.图1为一个实施例中应用于银行网点的排队优化方法的应用环境图；
48.图2为一个实施例中应用于银行网点的排队优化方法的流程示意图；
49.图3为另一个实施例中应用于银行网点的排队优化方法的流程示意图；
50.图4为一个实施例中应用于银行网点的排队优化装置的结构框图；
51.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
52.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
53.本技术实施例提供的应用于银行网点的排队优化方法，可以应用于如图1所示的应用环境中。其中，终端设备102内设置有视频采集模块，采集客户的步态视频序列，终端设备102将采集的步态视频序列发送给客户排队系统104，客户排队系统104获取步态视频序列，通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量，根据步态特征向量，获取客户的年龄类型，根据客户的年龄类型获取客户对应的队列优先级、并基于队列优先级对初始客户队列进行优化。
54.在一个实施例中，如图2所示，提供了一种应用于银行网点的排队优化方法，以该方法应用于图1中的客户排队系统104为例进行说明，包括以下步骤：
55.s200，获取客户的步态视频序列。
56.其中，步态视频序列是银行网点摄像头拍摄的人行走的视频图像序列。
57.具体地，在银行网点安装摄像头，当客户进入银行后，采集人行走的视频图像，得到客户的步态视频序列，监测进入银行网点的客户人数。
58.s400，通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量。
59.其中，步态周期是指行走时，同一只脚从脚跟离地跨出，到再次脚跟着地的行进过程；步态特征向量根据人骨骼的关节点提取生成的，包括人骨骼关节点特征和预测的人的年龄。
60.具体地，步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优
点。步态识别中通过得到的客户的步态视频序列，计算步态周期，即同一只脚从脚跟离地跨出，到再次脚跟着地所需的时间，然后定位人肢体骨骼关节点和腿部的关节点，利用基于深度学习的骨骼关节点提取技术，对步态的关节点特征进行提取，生成步态特征向量。
61.s600，根据步态特征向量，获取客户的年龄类型。
62.其中，年龄类型可以包括老年人类型、青年人类型以及儿童类型等，其中老年人具体可以是60岁以上的客户、青年人具体可以是18岁～40岁的客户、儿童可以是0岁～6岁的客户。
63.具体地，由于通过人肢体骨骼关节点特征和腿部的关节点特征，可以预测出人的年龄，所以利用步态识别算法生成步态特征向量，得到客户的年龄类型，其中，生成的步态特征向量中包括人肢体骨骼关节点特征和腿部的关节点特征，以及人的年龄，然后使用分类器根据步态特征向量中的融合特征，将客户的年龄进行分类，将客户划分为老年人、青年人、儿童。
64.s800，根据客户的年龄类型获取客户对应的队列优先级、并基于队列优先级对初始客户队列进行优化。
65.其中，初始客户队列是根据客户进入银行网点时的顺序而形成的队列。
66.具体地，查询客户是否为老年人及是否带有儿童，若识别出客户是老年人，则排队系统中将客户的排队优先级提升，位于队伍的最前列；若是青年人，排队序列正常，将客户排在队伍最后，若此青年人带有儿童，排队序列优先级提升(队伍前方无老年人，提升至最前；队伍前方有老年人，提升至老年人之后)；若是儿童，则不参与排队。最后将客户的排队顺序实时展示在银行网点的排队系统上。
67.上述应用于银行网点的排队优化方法中，获取客户的步态视频序列，通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量，根据步态特征向量，获取客户的年龄类型，根据客户的年龄类型获取客户对应的队列优先级、并基于队列优先级对初始客户队列进行优化，能针对客户年龄情况进行合理队列排序优化。
68.在一个实施例中，应用于银行网点的排队优化方法还包括：
69.获取客户预期等待时间；若客户预期等待时间大于预设时间阈值，则通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量。
70.具体地，通过监测到的进入银行网点的客户人数以及客户办理业务平均所需的时间，计算得到客户预期等待时间，若客户预期等待时间小于预设时间阈值，则根据初始客户队列进行排队，若客户预期等待时间大于预设时间阈值，其中，则预设时间阈值可以是30分钟，通过客户的步态视频序列，计算步态周期，然后定位人肢体骨骼关节点和腿部的关节点，利用基于深度学习的骨骼关节点提取技术，提取关节点特征，生成步态特征向量。
71.本实施例中，通过获取客户预期等待时间，若客户预期等待时间大于预设时间阈值，则通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量，能根据步态特征向量，得到客户的年龄类型。
72.在一个实施例中，通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量之前，还包括：
73.根据步态视频序列，得到步态轮廓图序列；根据步态轮廓图序列，计算步态周期。
74.具体地，当收集到步态数据之后，需要对数据进行必要处理，在步态识别方法中，一般选取原始步态视频序列作为输入，需要对步态视频序列进行预处理，包括目标检测、去噪、消除空洞等，得到步态轮廓图序列，通过步态轮廓图序列，可以查询到同一只脚从脚跟离地跨出，到再次脚跟着地所需的时间，从而得到步态周期。
75.本实施例中，通过根据步态视频序列，得到步态轮廓图序列，根据步态轮廓图序列，计算步态周期，能根据步态周期，定位到一个步态周期内的人骨骼关节点。
76.在一个实施例中，根据步态视频序列，得到步态轮廓图序列包括：
77.对步态视频序列进行背景建模，通过背景减除方法，得到运动目标图像；提取运动目标图像中的前景图像、并消除前景图像的空洞以及对前景图像进行降噪；利用边缘检测算子，提取消除空洞及降噪的前景图像边缘，得到步态轮廓图序列。
78.其中，背景建模是针对摄像头固定场景，对场景中的所有运动的动目标进行分割的一种方法，可以从静止的背景中提取出移动的前景；前景图像是指运动目标图像的正面图像；边缘检测算子是局部图像预处理方法，能标识前景图像中亮度变化明显的点。
79.具体地，对步态视频序列进行背景建模，通过背景减除方法，将步态视频序列图像与重建背景相减，把移动的目标从静止的背景当中提取出来，得到运动目标图像，再提取运动目标图像中的前景图像，利用数学形态学方法消除前景图像的空洞以及对前景图像进行降噪，减少前景图像的特征损失，利用边缘检测算子，进行边缘检测，提取消除空洞及降噪的前景图像边缘，得到步态轮廓图序列。
80.本实施例中，通过对步态视频序列进行背景建模，通过背景减除方法，得到运动目标图像，提取运动目标图像中的前景图像、并消除前景图像的空洞以及对前景图像进行降噪，利用边缘检测算子，提取消除空洞及降噪的前景图像边缘，得到步态轮廓图序列，能对步态视频序列进行预处理，以便定位骨骼关节点。
81.在一个实施例中，如图3所示，s400包括：
82.s420，通过步态识别算法，获取步态周期内步态视频序列中人上下肢骨骼的关节点、并提取人上下肢骨骼关节点特征；
83.s440，定位人腿部关节点，通过遗传算法，提取人腿部关节角度特征；
84.s460，根据人上下肢骨骼关节点特征、及人腿部关节角度特征，生成步态特征向量。
85.具体地，由于人的行走具有一定的周期性，提取步态轮廓图序列的一个步态周期，通过步态识别算法，定位一个步态周期内步态视频序列中人上肢及下肢骨骼的关节点、并提取人上肢及下肢骨骼关节点特征，并保存到特征数据库中，然后对步态轮廓边界进行线性拟合；定位人腿部关节点，同时利用遗传算法以及人体骨架空间位置的约束关系，通过腿部关节点的定位提取腿部关节角度特征，生成步态特征向量。
86.本实施例中，通过步态识别算法，获取步态周期内步态视频序列中人上下肢骨骼的关节点、并提取人上下肢骨骼关节点特征，定位人腿部关节点，通过遗传算法，提取人腿部关节角度特征，根据人上下肢骨骼关节点特征、及人腿部关节角度特征，生成步态特征向量，能步态特征向量，得到客户的年龄类型。
87.在一个实施例中，通过步态识别算法，获取步态周期内步态视频序列中人骨骼的
关节点，并提取关节点特征，生成步态特征向量之后，还包括：
88.对同一步态周期内的步态特征向量进行归一化处理。
89.具体地，为了消除步态特征向量中特征之间的量纲影响，需要进行标准化处理。对同一步态周期内的步态特征向量进行归一化处理，使得归一化处理的步态特征向量中的数据被限定在一定的范围内。
90.本实施例中，通过对同一步态周期内的步态特征向量进行归一化处理，能通过分类器得到客户的年龄类型。
91.为详细说明本技术应用于银行网点的排队优化方法的技术方案及其效果，下面将采用具体应用实例展开描述。在实际应用中，整个应用于银行网点的排队优化方法包括以下模块：
92.1、视频采集模块：在银行安装摄像头，当客户进入银行后，采集一段无遮挡的固定范围的步态视频序列，同时监测网点人数；
93.2、时间预测模块：利用时间预测模块计算等待时间。若预期等待时间大于30分钟，进入第3步；若小于30分钟，进入排队系统实时排序。
94.3、预处理模块：从步态视频序列中检测出步态并进行预处理得到步态轮廓图序列，并计算步态周期。具体包括以下步骤：
95.1)背景建模，将步态视频序列图像与重建背景相减，得到运动的目标。
96.2)提取前景图像并利用数学形态学方法消除空洞并去噪。
97.3)利用边缘检测算子提取图像边缘，得到步态轮廓图序列。
98.4)由于行人的行走具有一定的周期性，提取步态轮廓图序列的一个步态周期。
99.4、步态识别年龄分类模块：针对一个步态周期，基于人上肢及下肢的骨骼点对步态的特征进行提取，再综合腿部关节点的关节角度，生成步态特征向量，然后结合一个步态周期的时间长短将步态特征向量归一化。具体包括以下步骤：
100.1)在一个步态周期内，通过定位上肢及下肢的骨骼点对步态的特征进行提取，并保存到特征数据库中，然后对轮廓边界进行线性拟合，同时利用遗传算法以及人体骨架空间位置的约束关系，通过腿部关节点的定位提取腿部关节角度信息，生成步态特征向量。
101.2)结合一个步态周期的时间长短将步态特征向量归一化。
102.5、利用分类器根据提取的特征对客户的年龄区间分类：老年人、青年人、儿童。
103.6、排队系统：实施排序，根据步态识别年龄分类模块中得到的客户年龄，设计排队方案。若识别出客户是老年人，则排队系统中这位客户的排队优先级提升，位于队伍的最前列；若是青年人，排队序列正常，将客户排在队伍最后，若此青年人带有儿童，排队序列优先级提升(队伍前方无老年人，提升至最前；队伍前方有老年人，提升至老年人之后)；若是儿童，则不参与排队，不显示排队顺序。最后客户的排队顺序实时展示在网点的排队系统上。
104.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的
步骤或者阶段的至少一部分轮流或者交替地执行。
105.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的应用于银行网点的排队优化方法的排队优化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个排队优化装置实施例中的具体限定可以参见上文中对于应用于银行网点的排队优化方法的限定，在此不再赘述。
106.在一个实施例中，如图4所示，提供了一种应用于银行网点的排队优化装置，包括：步态视频序列获取模块200、步态特征向量生成模块400、年龄类型获取模块600和队列优化模块800，其中：
107.步态视频序列获取模块200，用于获取客户的步态视频序列；
108.步态特征向量生成模块400，用于通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量；
109.年龄类型获取模块600，用于根据步态特征向量，获取客户的年龄类型；
110.队列优化模块800，用于根据客户的年龄类型获取客户对应的队列优先级、并基于队列优先级对初始客户队列进行优化。
111.在一个实施例中，应用于银行网点的排队优化装置还包括判断模块，用于获取客户预期等待时间；若客户预期等待时间大于预设时间阈值，则通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量。
112.在一个实施例中，应用于银行网点的排队优化装置还包括步态周期计算模块，用于根据步态视频序列，得到步态轮廓图序列；根据步态轮廓图序列，计算步态周期。
113.在一个实施例中，步态周期计算模块还用于对所述步态视频序列进行背景建模，通过背景减除方法，得到运动目标图像；提取运动目标图像中的前景图像、并消除前景图像的空洞以及对前景图像进行降噪；利用边缘检测算子，提取消除空洞及降噪的前景图像边缘，得到步态轮廓图序列。
114.在一个实施例中，步态特征向量生成模块400还用于通过步态识别算法，获取步态周期内步态视频序列中人上下肢骨骼的关节点、并提取人上下肢骨骼关节点特征；定位人腿部关节点，通过遗传算法，提取人腿部关节角度特征；根据人上下肢骨骼关节点特征、及所述人腿部关节角度特征，生成步态特征向量。
115.在一个实施例中，应用于银行网点的排队优化装置还包括归一化处理模块，用于对同一步态周期内的步态特征向量进行归一化处理。
116.上述应用于银行网点的排队优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
117.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储步态数据。该计算机设备的网络接口用于与外部的终端通过网络连接通
信。该计算机程序被处理器执行时以实现一种应用于银行网点的排队优化方法。
118.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
119.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
120.获取客户的步态视频序列；通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量；根据步态特征向量，获取客户的年龄类型；根据客户的年龄类型获取客户对应的队列优先级、并基于队列优先级对初始客户队列进行优化。
121.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
122.获取客户预期等待时间；若客户预期等待时间大于预设时间阈值，则通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量。
123.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
124.根据步态视频序列，得到步态轮廓图序列；根据步态轮廓图序列，计算步态周期。
125.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
126.对步态视频序列进行背景建模，通过背景减除方法，得到运动目标图像；提取运动目标图像中的前景图像、并消除前景图像的空洞以及对前景图像进行降噪；利用边缘检测算子，提取消除空洞及降噪的前景图像边缘，得到步态轮廓图序列。
127.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
128.通过步态识别算法，获取步态周期内步态视频序列中人上下肢骨骼的关节点、并提取人上下肢骨骼关节点特征；定位人腿部关节点，通过遗传算法，提取人腿部关节角度特征；根据人上下肢骨骼关节点特征、及人腿部关节角度特征，生成步态特征向量。
129.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
130.对同一步态周期内的步态特征向量进行归一化处理。
131.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
132.获取客户的步态视频序列；通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量；根据步态特征向量，获取客户的年龄类型；根据客户的年龄类型获取客户对应的队列优先级、并基于队列优先级对初始客户队列进行优化。
133.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
134.获取客户预期等待时间；若客户预期等待时间大于预设时间阈值，则通过步态识别算法，获取步态周期内步态视频序列中人骨骼的关节点，并提取关节点特征，生成步态特征向量。
135.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
136.根据步态视频序列，得到步态轮廓图序列；根据步态轮廓图序列，计算步态周期。
137.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
157.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
158.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。