基于加速后视频的目标片段实时提取方法、系统及装置与流程

电子通信装置的制造及其应用技术1.本发明涉及视频处理技术领域，特别是涉及一种基于加速后视频的目标片段实时提取方法、一种基于加速后视频的目标片段实时提取系统、一种基于加速后视频的目标片段实时提取装置。背景技术：2.对于视频图像的实时识别提取目标片段，通常是将视频进行分帧处理，然后将视频的每一帧图片送进深度学习模型中进行处理识别，再将识别成功的视频帧图像合帧为识别视频。然而对于高清晰度和高帧率的加速后视频进行实时识别时，需要显卡将每一帧的图片进行识别处理，然后将识别好的图片再合成视频进行实时显示。3.目前对于高清晰度和高帧率的加速后视频的处理，通常使用多显卡进行多线程同时处理，这对于硬件的要求是非常高的，提高了目标片段提取的设备成本。而如果仅采用单显卡的单线程处理，则会降低视频识别处理的效率，难以及时提取出目标片段。技术实现要素：4.基于此，有必要针对现有的加速后视频难以在低成本条件下实现高效率提取目标片段的问题，提供一种基于加速后视频的目标片段实时提取方法、系统及装置。5.一种基于加速后视频的目标片段实时提取方法，其包括如下步骤：6.s1：将待处理的原始视频复制为两个待处理视频。对其中一个待处理视频做分帧处理，得到包含多个连续的高清晰度图片的图像集。对另一个待处理视频做压缩处理，得到低清晰度低帧率的压缩视频。7.s2：对压缩视频进行分帧处理，得到多个低清晰度图片。8.s3：将多个低清晰度图片输入一个图像识别模型进行识别。对识别成功的图片进行标记，并记录该图片在压缩视频中的时间轴信息。其中，图像识别模型用于识别具有目标特征的图像；9.s4：根据标记的时间轴信息从图像集中提取对应时刻的高清晰度图片。10.s5：对提取的多个高清晰度图片做合帧处理，得到高清晰度的识别视频。11.本发明通过将原始视频进行压缩，并对压缩后的视频与原始视频分别分帧，通过对压缩视频的视频帧图像进行逐一识别，代替原始视频的视频帧图像识别，降低了识别过程对识别工具的硬件质量要求，同时提高了图像识别的效率。在此过程中，通过压缩视频与原始视频的映射关系，根据识别出的低清晰度图片对相应的高清晰度图片进行标记并提取，保持了识别的精确度。12.在其中一个实施例中，对待处理视频做分帧处理的方法如下：13.a1：获取原始视频的特性信息，包括原始视频的帧率和时长。14.a2：根据帧率和时长信息对原始视频进行逐帧提取，得到原始视频的逐帧图像。15.a3：按照时刻信息对逐帧图像进行标记，并得到包含所有逐帧图像的图像集。图像集中的每个图像均包含对应的时刻标记。16.在其中一个实施例中，对待处理视频压缩处理的方法如下：17.b1：获取原始视频的码率。18.b2：根据预设的码率计算压缩比例。19.b3：根据压缩比例将原始视频压缩为低清晰度低帧率的压缩视频。20.在其中一个实施例中，图像识别模型的建立方法如下：21.s31：获取现有的初始图像识别模型。22.s32：采集多个特征图片，将多个特征图片按照预设的比例划分为训练集和测试集。其中，特征图片为具有目标特征的图片。23.s33：将训练集中的特征图片依次输入初始图像识别模型对初始图像识别模型进行训练，通过训练过程对图像识别模型的参数进行迭代更新。24.s34：训练完成后，将测试集中的特征图片输入优化的图像识别模型进行测试，保留满足识别精度要求的图像识别模型的参数，得到最终的图像识别模型。25.在其中一个实施例中，提取高清晰度图片的方法如下：26.s41：获取标记的低清晰度图片在压缩视频中的时间轴信息。27.s42：根据时间轴信息中低清晰度图片在压缩视频中的时间与压缩视频总时间的比值，计算相应的高清晰度图片在图像集中的序号。28.s43：根据序号提取出相应的高清晰度图片。29.本发明还提供一种基于加速后视频的目标片段实时提取系统，其包括：采集模块、压缩模块、分帧模块、识别模块、提取模块和合帧模块。30.采集模块用于采集输入的原始视频的特性信息，包括视频的帧率、时长和码率。31.压缩模块用于将输入的待处理视频压缩为低清晰度低帧率的压缩视频。32.分帧模块用于将原始待处理视频进行分帧得到包含多个连续的高清晰度图片的图像集。分帧模块还用于将压缩视频分帧得到多个低清晰度图片。33.识别模块用于在多个低清晰度图片中提取具有目标特征的图片作为待标记图片。34.提取模块用于对每个待标记图片进行标记，并根据标记的低清晰度图片的时间轴信息在图像集中提取出相应的高清晰度图片。35.合帧模块用于将多个标记图片按照顺序进行合帧，得到包含目标特征的视频片段。36.在其中一个实施例中，压缩模块采用视频编码器。视频编码器用于转换视频的格式，在格式转换的过程中，视频的清晰度和帧率均随之改变。37.在其中一个实施例中，识别模块采用图像识别模型对低清晰度图片进行识别。图像识别模型通过以下方法获取：38.获取现有的初始图像识别模型。采集多个特征图片，将多个特征图片按照预设的比例划分为训练集和测试集。将训练集中的图片输入初始图像识别模型对初始图像识别模型进行训练，通过训练过程对图像识别模型的参数进行迭代更新。将测试集中的图片输入优化的图像识别模型进行测试，保留满足识别精度要求的图像识别模型的参数，得到最终的图像识别模型。39.在其中一个实施例中，提取模块通过一个预存的映射关系找出用于标记的高清晰度图片。其中，映射关系表达为：40.ti/ta＝oj/os41.其中，ti为第i张待标记图片在低清晰度低帧率视频中的时间，ta为低清晰度低帧率视频中的总时长，oj为高清晰度图片在图片集中的序号，os为图片集中的图片总数量。42.本发明还提供一种基于加速后视频的目标片段实时提取装置，其包括存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机程序。43.基于加速后视频的目标片段实时提取装置中的各功能模块采用上述的识别处理系统的方式完成部署，处理器执行计算机程序时，实现如上述的基于加速后视频的目标片段实时提取方法的步骤，进而在高清晰度高帧率的加速后视频中提取出包含目标特征的视频片段。44.相较于现有技术，本发明具有如下有益效果：45.1.本发明通过将原始视频进行压缩，并对压缩后的视频与原始视频分别分帧，通过对压缩视频的视频帧图像进行逐一识别，代替原始视频的视频帧图像识别，降低了识别过程对识别工具的硬件质量要求，同时提高了图像识别的效率。46.2.本发明通过计算压缩视频与原始视频的映射关系，根据识别出的低清晰度图片对相应的高清晰度图片进行标记并提取，保持了识别的精确度。47.3.本发明通过对现有的图像识别模型进行特征训练，强化目标特征，通过测试集对优化的图像识别模型进行验证，进而得到满足识别精确度要求的最终图像识别模型，提高目标物体识别的精确度。附图说明48.图1为本发明实施例1的基于加速后视频的目标片段实时提取方法的步骤图；49.图2为图1中基于加速后视频的目标片段实时提取方法的流程图；50.图3为采用图1中目标片段实时提取方法的基于加速后视频的目标片段实时提取模块的结构示意图。具体实施方式51.下面将结合本发明实施例中的附图，对本发明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他实施例，都属于本发明保护的范围。52.需要说明的是，当组件被称为“安装于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。当一个组件被认为是“固定于”另一个组件，它可以是直接固定在另一个组件上或者可能同时存在居中组件。53.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。54.实施例155.请参阅图1和图2，图1为本实施例的基于加速后视频的目标片段实时提取方法的步骤图；图2为图1中基于加速后视频的目标片段实时提取方法的流程图。基于加速后视频的目标片段实时提取方法包括如下步骤：56.s1：将待处理的原始视频复制为两个待处理视频。对其中一个待处理视频做分帧处理，得到包含多个连续的高清晰度图片的图像集。对另一个待处理视频做压缩处理，得到低清晰度低帧率的压缩视频。57.原始视频为高清晰度高帧率的加速后视频。这种视频由于帧率高，其包含的视频帧图像的数量也更多。且每个视频帧图像均为高清晰度的图像，占用的存储空间更大。因此，在对原始视频处理时，若采用逐帧识别的方法，对于识别工具的硬件质量要求非常高，且识别速率也相对较低。58.其中，对待处理视频做分帧处理的方法如下：59.a1：获取原始视频的特性信息，包括原始视频的帧率和时长。每个视频在初始获取的过程中，根据获取视频的工具规格可以得到初始的特性信息。在视频加速后，根据加速的倍率以及采用的加速方法可以计算出视频加速后的特性信息。其中，视频的帧率、时长以及码率等均是视频处理所需的关键信息。60.a2：根据帧率和时长信息对原始视频进行逐帧提取，得到原始视频的逐帧图像。视频的帧率即视频每秒显示的帧数。根据视频的帧率与总时长可以计算出视频中的总帧数。根据视频的帧率或总帧数在视频的时间轴上进行时刻标记，进而将每个标记时刻对应的视频帧图像导出，得到原始视频的逐帧图像。61.a3：按照时刻信息对逐帧图像进行标记，并得到包含所有逐帧图像的图像集。图像集中的每个图像均包含对应的时刻标记。在每个视频帧图像的提取过程中，保留每个视频帧图像标记的时刻信息，根据时刻信息对所有视频帧图像进行排序，进而得到包含逐帧图像的图像集，且图像集中的视频帧图像顺序与原始视频中的显示顺序一致。62.对待处理视频压缩处理的方法如下：63.b1：获取原始视频的码率。视频码率也是视频特性信息之一。码率是数据传输时单位时间传送的数据位数，也称为取样率。单位时间内取样率越大，精度就越高，码率越高则视频越清晰，反之则画面粗糙。原始视频具有高清晰度，即码率相对较高。64.b2：根据预设的码率计算压缩比例。为了便于视频的识别处理，降低识别过程对于硬件的质量要求，本实施例采用降低码率的方式，将高清晰度的视频转换为低清晰度的视频。为了保证用于识别的视频帧图像符合识别处理的要求，需要预设一个码率阈值，以使视频帧图像的存储容量满足最低的硬件质量要求。则原始视频的码率与码率阈值的比例即为实际压缩的比例。65.b3：根据压缩比例将原始视频压缩为低清晰度低帧率的压缩视频。视频压缩一般包括调节帧率和调节分辨率两种方法。由于原始视频经过加速，帧率高，可以将帧率调整到一个预设的帧率。而为了使压缩视频的视频帧图像能够满足识别要求，还需要对原视频的分辨率进行调节，即降低原始视频的清晰度。66.s2：对压缩视频进行分帧处理，得到多个低清晰度图片。压缩视频的分帧方法与原始视频的分帧方法一致，即先计算压缩视频的帧率、码率和时长，进而对压缩视频进行逐帧提取得到多个低清晰度图片，记录每个低清晰度图片在压缩视频中的时间轴信息。67.s3：将多个低清晰度图片输入一个图像识别模型进行识别。对识别成功的图片进行标记，并记录该图片在压缩视频中的时间轴信息。其中，图像识别模型用于识别具有目标特征的图像。低清晰度图片具有相对较低的存储容量，对低清晰度图片识别的硬件质量要求较低。采用多显卡多线程的处理可以提高识别速率。68.其中，图像识别模型的建立方法如下：69.s31：获取现有的初始图像识别模型。根据目标特征选择相应的初始图像识别模型，如基于crnn的ocr文字识别模型，基于face_recognition算法的人脸识别模型，或者基于yolo v5的物体识别模型等。70.s32：采集多个特征图片。将多个特征图片按照预设的比例划分为训练集和测试集。其中，特征图片为具有目标特征的图片。特征图片可以通过对目标物体进行多角度拍摄获取。如以人脸为目标特征时，可以对人脸从多角度、不同姿态及不同面目表情等进行拍摄，进而获得多种具有人脸特征的图片。这些图片中，可以根据比例进行分配，得到训练集和测试集。如选择其中80％作为训练接，余下的20％作为测试集。当然，在其他实施例中，训练集和测试集还可以根据其他比例进行划分。71.s33：将训练集中的特征图片依次输入初始图像识别模型对初始图像识别模型进行训练，通过训练过程对图像识别模型的参数进行迭代更新。初始图像识别模型具有同类普遍的特征，不能直接用于目标特征的识别。通过将多个具有目标特征的图片输入初始图像模型，进而对目标物体更精确的特征进行提取。在此过程中，初始图像识别模型的参数进行迭代更新。72.s34：训练完成后，将测试集中的特征图片输入优化的图像识别模型进行测试，保留满足识别精度要求的图像识别模型的参数，得到最终的图像识别模型。由于用于训练的特征图片中，每个图片中的目标特征均有区别，对于初始图像识别模型的更新方向也各有不同，因此，图像识别模型的更新并非持续优化的过程。在训练完成后，通过将测试集的特征图片在多个优化的图像识别模型中进行识别，根据识别精度选择最佳的图像识别模型参数，进而得到最终的图像识别模型。当然，也可以在对图像识别模型训练的同时进行测试，只要测试结果满足识别精度的要求即可保留相应的参数，进而得到符合要求的图像识别模型。73.通过图像识别模型对每个低清晰度图片进行特征比对，进而对具有目标特征的低清晰度图片进行标记，同时获取对应的时间轴信息。74.s4：根据标记的时间轴信息从图像集中提取对应时刻的高清晰度图片。由于压缩视频是由原始视频按一定比例压缩而成，因此，从压缩视频中分帧获取的低清晰度图片与从原始视频中分帧获取的高清晰度图片之间存在一一映射的关系。通过对每个低清晰度图片的识别，可以映射到高清晰度图片上，进而将具有目标特征的高清晰度图片提取出来。75.提取高清晰度图片的方法如下：76.s41：获取标记的低清晰度图片在压缩视频中的时间轴信息。压缩视频在分帧过程中，记录每个低清晰度图片的时间轴信息，在识别成功后，保留低清晰度图片的时间轴信息。77.s42：根据时间轴信息中低清晰度图片在压缩视频中的时间与压缩视频总时间的比值，计算相应的高清晰度图片在图像集中的序号。根据低清晰度图片与高清晰度图片的映射关系，找出用于标记的高清晰度图片。其中，映射关系表达为：78.ti/ta＝oj/os79.其中，ti为第i张待标记图片在低清晰度低帧率视频中的时间，ta为低清晰度低帧率视频中的总时长，oj为高清晰度图片在图片集中的序号，os为图片集中的图片总数量。80.s43：根据序号提取出相应的高清晰度图片。81.s5：对提取的多个高清晰度图片做合帧处理，得到高清晰度的识别视频。将提取的多个高清晰度图片按照序号进行排序，随后设置合成视频的帧率，将多个高清晰度图片合成为识别视频。识别视频的帧率既可以与原始视频的帧率一致，也可以与压缩视频的帧率一致，当然，还可以根据需求自行设定。识别视频中的每个视频帧图像均包含目标特征。82.本实施例通过将原始视频进行压缩，并对压缩后的视频与原始视频分别分帧，通过对压缩视频的视频帧图像进行逐一识别，代替原始视频的视频帧图像识别，降低了识别过程对识别工具的硬件质量要求，同时提高了图像识别的效率。在此过程中，通过压缩视频与原始视频的映射关系，根据识别出的低清晰度图片对相应的高清晰度图片进行标记并提取，保持了识别的精确度。83.请结合图3，其为采用图1中目标片段实时提取方法的基于加速后视频的目标片段实时提取模块的结构示意图。为了实现上述基于加速后视频的目标片段实时提取方法，本实施例还提供一种基于加速后视频的目标片段实时提取系统。目标片段实时提取系统包括：采集模块、压缩模块、分帧模块、识别模块、提取模块和合帧模块。84.采集模块用于采集输入的原始视频的特性信息，包括视频的帧率、时长和码率。每个视频在初始获取的过程中，根据获取视频的工具规格可以得到初始的特性信息。在视频加速后，根据加速的倍率以及采用的加速方法可以计算出视频加速后的特性信息。而对于未知来源的原始视频，可以采用以二进制方式打开媒体文件，通过媒体文件结构来获取特性信息。也可以通过视频识别工具，如pymediainfo工具，对原始视频进行特征信息识别，进而得到原始视频的特性信息。85.压缩模块用于将输入的待处理视频压缩为低清晰度低帧率的压缩视频。压缩模块可以采用视频编码器。视频编码器用于转换视频的格式，在格式转换的过程中，视频的清晰度和帧率均随之改变。视频压缩技术是计算机处理视频的前提。视频信号数字化后数据带宽很高，通常在20mb/秒以上，因此计算机很难对之进行保存和处理。采用压缩技术通常数据带宽降到1-10mb/秒，这样就可以将视频信号保存在计算机中并作相应的处理。常见的视频编码有mpeg系列，包括mpeg1、mpeg2、mpeg4、mpeg4 avc等，以及h.26x系列，包括h.261、h.262、h.263、h.263+、h.263++、h.264等。86.分帧模块，其用于将原始待处理视频进行分帧得到包含多个连续的高清晰度图片的图像集。分帧模块还用于将压缩视频分帧得到多个低清晰度图片。连续的图像变化每秒超过24帧(frame)画面以上时，根据视觉暂留原理，人眼无法辨别单幅的静态画面，看上去是平滑连续的视觉效果，这样连续的画面叫做视频。而视频分帧则是将构成视频的多个连续画面一一抽取出来，形成多个视频帧图像。采用视频工具如python、opencv或premiere等均可以完成视频的分帧。87.识别模块，其用于在多个低清晰度图片中提取具有目标特征的图片作为待标记图片。图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。图像识别一般包括三种类型，即文字识别、数字图像处理与识别、物体识别。本实施例中，采用数字图像处理与识别对视频帧图像进行识别。具体的，识别模块采用图像识别模型对低清晰度图片进行识别。图像识别模型是基于人工神经网络的识别方式，可以采用基于crnn的ocr文字识别模型，基于face_recognition算法的人脸识别模型，或者基于yolo v5的物体识别模型等。88.图像识别模型的获取方法如下：89.获取现有的初始图像识别模型。采集多个特征图片。将多个特征图片按照预设的比例划分为训练集和测试集。将训练集中的图片输入初始图像识别模型对初始图像识别模型进行训练，通过训练过程对图像识别模型的参数进行迭代更新。将测试集中的图片输入优化的图像识别模型进行测试，保留满足识别精度要求的图像识别模型的参数，得到最终的图像识别模型。90.提取模块，其用于对每个待标记图片进行标记，并根据标记的低清晰度图片的时间轴信息在图像集中提取出相应的高清晰度图片。由于压缩视频是由原始视频按一定比例进行压缩而获取的，因此，压缩视频的每帧图像与原始视频的每帧图像之间存在一一映射的关系。提取模块通过一个预存的映射关系可以找出用于标记的高清晰度图片。其中，映射关系表达为：91.ti/ta＝oj/os92.其中，ti为第i张待标记图片在低清晰度低帧率视频中的时间。ta为低清晰度低帧率视频中的总时长。oj为高清晰度图片在图片集中的序号。os为图片集中的图片总数量。93.合帧模块，其用于将多个标记图片按照顺序进行合帧，得到包含目标特征的视频片段。合帧与分帧刚好相反，是将连续的多个图像合成为视频。合成后的视频既可以与原始视频的帧率一致，也可以与压缩视频的帧率一致，当然，还可以根据需求自行设定。在实际操作中，可以采用如python、opencv或premiere等视频工具完成合帧。94.通过多个模块间的协作，可以将高清晰度高帧率的原始视频进行压缩和分帧的两步处理，进而在压缩后的低清晰度低帧率的压缩视频中分帧得到低清晰度图像，从而将对高清晰度视频帧图像的识别转换为对低清晰度视频帧图像的识别，降低实际检测中对于检测工具的硬件质量要求，降低识别装置的成本。根据识别成功的低清晰度图片提取出相应的高清晰度图片，进而合帧成为高清晰度的识别视频。识别视频可以直接输出显示，也可以保存在相应的存储介质中。95.为了便于使用者简便操作，本实施例将基于加速后视频的目标片段实时提取系统部署在计算机设备中，得到一种基于加速后视频的目标片段实时提取装置。目标片段实时提取装置包括存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机程序。基于加速后视频的目标片段实时提取装置中的各功能模块采用上述的识别处理系统的方式完成部署，处理器执行计算机程序时，实现如上述的基于加速后视频的目标片段实时提取方法的步骤，进而在高清晰度高帧率的加速后视频中提取出包含目标特征的视频片段。96.该计算机设备可以是可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器、处理器。97.本实施例中，存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。98.处理器在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据，进而实现上述的基于加速后视频的目标片段实时提取方法的步骤，进而在高清晰度高帧率的加速后视频中提取出包含目标特征的视频片段。99.以上所述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。100.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!