具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

人工智能(ArtificialIntelligence，简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。

图像处理(Image Processing)是用计算机对图像进行分析以达到所需结果的技术。图像处理是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为，应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等。

深度学习(Deep Learning，简称DL)，是机器学习(Machine Learning，简称ML)领域中一个新的研究方向，学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。就具体研究内容而言，主要包括基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。

下面结合附图描述本公开实施例的招牌拓扑关系的构建方法、装置、电子设备和存储介质。

图1是根据本公开第一实施例的招牌拓扑关系的构建方法的流程示意图。

如图1所示，本公开实施例的招牌拓扑关系的构建方法具体可包括以下步骤：

S101，获取多个街景图像。

具体的，本公开实施例的招牌拓扑关系的构建方法的执行主体可为本公开实施例提供的招牌拓扑关系的构建装置，该招牌拓扑关系的构建装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。

在本公开实施例中，获取的街景图像可以是由图像捕捉装置拍摄的包含一个或多个招牌的街景图像。其中，图像捕捉装置具体可包括但不限于专门的摄像机、智能手机、具有摄像功能的眼镜和头盔等。

S102，根据街景图像中的招牌信息生成对应的第一招牌拓扑关系。

具体的，根据步骤S101获取的单个街景图像的招牌信息生成对应的单个图像招牌拓扑关系，即第一招牌拓扑关系。其中，招牌信息具体可包括招牌框中心点以及各条边之间的相对位置。例如根据图2所示的街景图像中各个招牌框中心点以及各条边之间的相对位置关系，可得到如表1所示的单个图像招牌拓扑关系，该招牌拓扑关系中包括图2中各招牌的相对位置关系。

表1图2的街景图像对应的第一招牌拓扑关系

此处需要说明的是，表1中的空白格表示当前不涉及的招牌拓扑关系，例如基于历史图像得到的招牌拓扑关系，或者基于当前图像和历史图像尚未得到的招牌拓扑关系，后续各表中的空白格与表1中的空白格意义相同，不再赘述。

S103，根据多个街景图像对应的多个第一招牌拓扑关系，生成多个街景图像对应的第二招牌拓扑关系。

具体的，根据步骤S102中生成的多个街景图像对应的多个第一招牌拓扑信息，生成多个街景图像对应的多个图像融合招牌拓扑关系，即第二招牌拓扑关系。

综上，本公开实施例的招牌拓扑关系的构建方法，获取多个街景图像，根据街景图像中的招牌信息生成对应的第一招牌拓扑关系，以及根据多个街景图像对应的多个第一招牌拓扑关系，生成多个街景图像对应的第二招牌拓扑关系。本公开实施例的招牌拓扑关系的构建方法，通过获取多个街景图像并生成单个街景图像对应的单张图的拓扑结构图，并融合多个街景图像对应的多个单张图的拓扑结构图以进行拓扑关系的扩展，构建线状的招牌拓扑关系，可以准确详细地描述招牌间的拓扑关系。

图3是根据本公开第二实施例的招牌拓扑关系的构建的流程示意图。如图3所示，在上述图1所示的实施例的基础上，本公开实施例的招牌拓扑关系的构建具体可包括以下步骤：

S301，获取多个街景图像。

具体的，本公开实施例中的步骤S301与上述实施例中步骤S101相同，此处不再赘述。

S302，对街景图像进行图像矫正，以将街景图像矫正为视角为正视的街景图像。

具体的，通过对步骤S301中获取的单张街景图像进行图像矫正，以将街景图像矫正为视角为正视的街景图像。由于采集的街景图像来源各不相同，以及采集位置、角度、方向等因素的影响，如果直接使用原图进行拓扑关系的构建，结果会存在较大的偏差，可以通过图像矫正算法将不同角度、不同位置的图像转换到统一的正视的视角。例如图2所示的街景图像通过图像矫正后得到图4所示的视角为正视的街景图像。

S303，根据街景图像中的招牌信息生成对应的第一招牌拓扑关系。

具体的，本公开实施例中的步骤S303与上述实施例中步骤S102相同，此处不再赘述。

上述实施例中的步骤S103“根据多个街景图像对应的多个第一招牌拓扑关系，生成多个街景图像对应的第二招牌拓扑关系”具体可包括以下步骤S304和S305。

S304，将具有相同招牌的两个街景图像对应的两个第一招牌拓扑关系进行融合，得到连续的招牌拓扑关系。

具体的，每个招牌都代表着现实中一个唯一的店铺，可利用不同图像中的同一店铺作为基准点，将具有相同招牌的任意两个街景图像对应的两个第一招牌拓扑关系进行融合，得到连续的招牌拓扑关系。

例如，图5所示的街景图像对应的第一招牌拓扑关系如表2所示，图5和图2中有同一个店铺招牌“A”，根据表2所示的第一招牌拓扑关系可知招牌“EA”的拓扑关系，又由表1可知招牌“ABCD”的拓扑关系，则可通过表2和表1融合得到如表3所示的招牌“EABCD”的连续的拓扑关系，利用这种方式，可将多张连续图像中招牌拓扑关系构建成一条完整的线状招牌关系的拓扑结构。

表2图5的街景图像对应的第一招牌拓扑关系

表3招牌“EABCD”的连续的拓扑关系

S305，对于和多个街景图像中的其他街景图像均不具有相同招牌的街景图像，根据该街景图像的采集位置对应的采集轨迹的历史采集位置、路网、拍摄方向和基础地物，确定采集轨迹采集的是同一基础地物同一侧的图像，则将历史采集位置对应的街景图像融合后的连续的招牌拓扑关系和该街景图像的第一招牌拓扑关系进行融合，得到不连续的招牌拓扑关系。

具体的，对于和多个街景图像中的其他街景图像均不具有相同招牌的街景图像，无法采用步骤S304所示的方法进行招牌关系的拓扑，可以采用本步骤所示的方法进行招牌关系的拓扑，即根据该街景图像的采集位置对应的采集轨迹的历史采集位置、路网、拍摄方向和基础地物，确定采集轨迹采集的是否是同一基础地物同一侧的图像，若是，则将历史采集位置对应的街景图像融合后的连续的招牌拓扑关系和该街景图像的第一招牌拓扑关系进行融合，得到不连续的招牌拓扑关系。例如图6所示的连续采集轨迹图，A’、B’、C’是连续采集轨迹中的轨迹点，轨迹点“A’”是图2街景图像的采集位置，轨迹点“B’”是图5街景图像的采集位置，轨迹点“C’”是图7街景图像的采集位置，由图2对应表1和图5对应的表2可得表3所示的拓扑关系“EABCD”，由轨迹点的连续信息可知，图7是A’、B’下一个轨迹点采集到的街景图像，结合路网、拍摄方向和基础地物，可知点“A’”、“B’”和“C’”拍摄的是同一基础地物的同一侧的图像，进而可知招牌“F”是在招牌“E”的左侧，再由图5和图7得到招牌“F”和招牌“E”缺乏直接的相邻关系，因此在拓扑关系空出一定的空间，仅表示招牌“F”和招牌“E”的左右关系，得到如表4所示的不连续的招牌拓扑关系。

表4由图5和图7得到的不连续的招牌拓扑关系

S306，获取与不连续的招牌拓扑关系中的端点招牌对应的人采图像或行车记录仪图像。

具体的，当获取的街景图像生成的多个街景图像对应的第二招牌拓扑关系为不连续的招牌拓扑关系时，则继续获取与不连续的招牌拓扑关系中的端点招牌对应的人采图像或行车记录仪图像，其中，端点招牌具体可为空位两侧的招牌，例如根据表4所示的通过连续轨迹挖掘的不连续的招牌拓扑关系采集如图8所示的端点招牌“E”对应的人采图像。

S307，根据人采图像或行车记录仪图像中的招牌信息生成对应的第一招牌拓扑关系。

具体的，根据步骤S306中获取的人采图像或行车记录仪图像中的招牌信息生成对应的第一招牌拓扑关系。例如根据图8所示的人采图像可生成表5所示的招牌“GE”的第一招牌拓扑关系。

S308，将人采图像或行车记录仪图像和端点招牌对应的街景图像，对应的两个第一招牌拓扑关系进行融合，得到连续的招牌拓扑关系。

具体的，将人采图像或行车记录仪图像和端点招牌对应的街景图像，，对应的两个第一招牌拓扑关系进行融合，例如图8对应的招牌“GE”的第一招牌拓扑关系和图5对应的招牌“EA”的第一招牌拓扑关系进行融合，可得到连续的招牌拓扑关系“GEA”，结合之前得到的招牌“F EABCD”的拓扑关系进而得到表5所示的招牌“FGEABCD”的拓扑关系。

表5招牌“FGEABCD”的拓扑关系

作为第一种可行的实施方式，如图9所示，在上述图3所示的实施例的基础上，步骤S302“对街景图像进行图像矫正”具体可包括：

S901，确定街景图像中的灭点。

具体的，通过直线检测和线段聚类确定街景图像中的灭点。其中，灭点是两条或多条代表平行线线条向远处地平线伸展直至聚合的那一点。

S902，根据灭点计算街景图像的透视变换矩阵。

具体的，根据步骤S901确定的街景图像中的灭点，利用垂直方向的灭点和水平方向的灭点构建计算透视变换矩阵的像素点，将通过灭点找到的平行点代入透视变换矩阵计算公式，计算出街景图像的透视变换矩阵。

S903，根据透视变换矩阵对街景图像进行图像矫正。

具体的，根据步骤S902计算得到的街景图像的透视变换矩阵对街景图像进行图像矫正，将单张街景图像原图中所有的招牌框通过透视变换矩阵转换到正视视角。

作为第二种可行的实施方式，如图10所示，在上述图3所示的实施例的基础上，步骤S302“对街景图像进行图像矫正”具体还可包括：

S1001，将街景图像输入至图像矫正模型中，得到街景图像的透视变换矩阵。

具体的，根据上述灭点方法构建数据集，数据集中包括多个街景图像和对应的多个透视变换矩阵。图像矫正模型具体可通过空间变换网络(Spacial TransformerNetwork，STN)等方式训练得到。将步骤S301获取的街景图像输入至图像矫正模型中，通过模型预测得到街景图像的透视变换矩阵。

S1002，根据透视变换矩阵对街景图像进行图像矫正。

具体的，本公开实施例中的步骤S1002与上述实施例中步骤S903相同，此处不再赘述。

综上，本公开实施例的招牌拓扑关系的构建方法，获取多个街景图像，根据街景图像中的招牌信息生成对应的第一招牌拓扑关系，以及根据多个街景图像对应的多个第一招牌拓扑关系，生成多个街景图像对应的第二招牌拓扑关系。本公开实施例的招牌拓扑关系的构建方法，通过获取多个街景图像并生成单个街景图像对应的单张图的拓扑结构图，并融合多个街景图像对应的多个单张图的拓扑结构图以进行拓扑关系的扩展，构建线状的招牌拓扑关系，可以准确详细地描述招牌间的拓扑关系。通过图像矫正算法将图像统一转换到统一的正视视角，结合人采图像信息补充缺乏直接相邻关系的拓扑关系，提高了描述招牌间拓扑关系的准确度。

图11是根据本公开第五方面实施例的招牌拓扑关系的构建的整体流程图。如图11所示，本公开实施例的招牌拓扑关系的构建具体包括以下步骤：

S1101，获取多个街景图像。

S1102，选择图像矫正算法进行图像矫正。

若选择检测灭点方法则执行步骤S1103～S1104；若选择深度学习算法则执行步骤S1105～S1106。

S1103，确定街景图像中的灭点。

S1104，根据灭点计算街景图像的透视变换矩阵。继续执行S1106。

S1105，将街景图像输入至图像矫正模型中，得到街景图像的透视变换矩阵。

S1106，根据透视变换矩阵对街景图像进行图像矫正。

S1107，根据街景图像中的招牌信息生成对应的第一招牌拓扑关系。

S1108，将具有相同招牌的两个街景图像对应的两个第一招牌拓扑关系进行融合，得到连续的招牌拓扑关系。

S1109，对于和多个街景图像中的其他街景图像均不具有相同招牌的街景图像，根据该街景图像的采集位置对应的采集轨迹的历史采集位置、路网、拍摄方向和基础地物，确定采集轨迹采集的是同一基础地物同一侧的图像，则将历史采集位置对应的街景图像融合后的连续的招牌拓扑关系和该街景图像的第一招牌拓扑关系进行融合，得到不连续的招牌拓扑关系。

S1110，获取与不连续的招牌拓扑关系中的端点招牌对应的人采图像或行车记录仪图像。

S1111，根据人采图像或行车记录仪图像中的招牌信息生成对应的第一招牌拓扑关系。

S1112，将人采图像或行车记录仪图像和端点招牌对应的街景图像，对应的两个第一招牌拓扑关系进行融合，得到连续的招牌拓扑关系。

图12是根据本公开第一实施例的招牌拓扑关系的构建装置的框图。

如图12所示，本公开实施例的招牌拓扑关系的构建装置1200，包括：第一获取模块1201、第一生成模块1202、第二生成模块1203。

第一获取模块1201，用于获取多个街景图像。

第一生成模块1202，用于根据街景图像中的招牌信息生成对应的第一招牌拓扑关系。

第二生成模块1203，用于根据多个街景图像对应的多个第一招牌拓扑关系，生成多个街景图像对应的第二招牌拓扑关系。

需要说明的是，上述对招牌拓扑关系的构建方法实施例的解释说明，也适用于本公开实施例的招牌拓扑关系的构建装置，具体过程此处不再赘述。

综上，本公开实施例的招牌拓扑关系的构建装置，获取多个街景图像，根据街景图像中的招牌信息生成对应的第一招牌拓扑关系，以及根据多个街景图像对应的多个第一招牌拓扑关系，生成多个街景图像对应的第二招牌拓扑关系。本公开实施例的招牌拓扑关系的构建装置，通过获取多个街景图像并生成单个街景图像对应的单张图的拓扑结构图，并融合多个街景图像对应的多个单张图的拓扑结构图以进行拓扑关系的扩展，构建线状的招牌拓扑关系，可以准确详细地描述招牌间的拓扑关系。

图13是根据本公开第二实施例的招牌拓扑关系的构建装置的框图。

如图13所示，本公开实施例的招牌拓扑关系的构建装置1300，包括：第一获取模块1301、第一生成模块1302、第二生成模块1303。

其中，第一获取模块1301与上一实施例中的第一获取模块1201具有相同的结构和功能，第一生成模块1302与上一实施例中的第一生成模块1202具有相同的结构和功能，第二生成模块1303与上一实施例中的第二生成模块1203具有相同的结构和功能。

进一步的，本公开实施例的招牌拓扑关系的构建装置1300还包括：矫正模块1304，用于对街景图像进行图像矫正，以将街景图像矫正为视角为正视的街景图像。

进一步的，矫正模块1304具体可包括：确定单元13041，用于确定街景图像中的灭点；计算单元13042，用于根据灭点计算街景图像的透视变换矩阵；第一矫正单元13043，用于根据透视变换矩阵对街景图像进行图像矫正。

进一步的，矫正模块1304具体可包括：输入单元13044，将街景图像输入至图像矫正模型中，得到街景图像的透视变换矩阵；第二矫正单元13045，根据透视变换矩阵对街景图像进行图像矫正。

进一步的，第二生成模块1303具体可包括：第一融合单元13031，用于将具有相同招牌的两个街景图像对应的两个第一招牌拓扑关系进行融合，得到连续的招牌拓扑关系。

进一步的，第二生成模块1303具体还可包括：第二融合单元13032，用于对于和多个街景图像中的其他街景图像均不具有相同招牌的街景图像，根据该街景图像的采集位置对应的采集轨迹的历史采集位置、路网、拍摄方向和基础地物，确定采集轨迹采集的是同一基础地物同一侧的图像，则将历史采集位置对应的街景图像融合后的连续的招牌拓扑关系和该街景图像的第一招牌拓扑关系进行融合，得到不连续的招牌拓扑关系。

进一步的，本公开实施例的招牌拓扑关系的构建装置1300还包括：第二获取模块1305，用于获取与不连续的招牌拓扑关系中的端点招牌对应的人采图像或行车记录仪图像；第三生成模块1306，用于根据人采图像或行车记录仪图像中的招牌信息生成对应的第一招牌拓扑关系；融合模块1307，用于将人采图像或行车记录仪图像和端点招牌对应的街景图像，对应的两个第一招牌拓扑关系进行融合，得到连续的招牌拓扑关系。

综上，本公开实施例的招牌拓扑关系的构建装置，获取多个街景图像，根据街景图像中的招牌信息生成对应的第一招牌拓扑关系，以及根据多个街景图像对应的多个第一招牌拓扑关系，生成多个街景图像对应的第二招牌拓扑关系。本公开实施例的招牌拓扑关系的构建装置，通过获取多个街景图像并生成单个街景图像对应的单张图的拓扑结构图，并融合多个街景图像对应的多个单张图的拓扑结构图以进行拓扑关系的扩展，构建线状的招牌拓扑关系，可以准确详细地描述招牌间的拓扑关系。通过图像矫正算法将图像统一转换到统一的正视视角，结合人采图像信息补充缺乏直接相邻关系的拓扑关系，提高了描述招牌间拓扑关系的准确度。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图14示出了可以用来实施本公开的实施例的示例电子设备1400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图14所示，设备1400包括计算单元1401，其可以根据存储在只读存储器(ROM)1402中的计算机程序或者从存储单元1408加载到随机访问存储器(RAM)1403中的计算机程序，来执行各种适当的动作和处理。在RAM 1403中，还可存储设备1400操作所需的各种程序和数据。计算单元1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。

设备1400中的多个部件连接至I/O接口1405，包括：输入单元1406，例如键盘、鼠标等；输出单元1407，例如各种类型的显示器、扬声器等；存储单元1408，例如磁盘、光盘等；以及通信单元1409，例如网卡、调制解调器、无线通信收发机等。通信单元1409允许设备1400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1401执行上文所描述的各个方法和处理，例如图1至图11所示的招牌拓扑关系的构建方法。例如，在一些实施例中，招牌拓扑关系的构建方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1402和/或通信单元1409而被载入和/或安装到设备1400上。当计算机程序加载到RAM 1403并由计算单元1401执行时，可以执行上文描述的招牌拓扑关系的构建方法的一个或多个步骤。备选地，在其他实施例中，计算单元1401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行招牌拓扑关系的构建方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网以及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开上述实施例所示的招牌拓扑关系的构建方法。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。