一种用于辅助驾驶的车外环境视觉检测方法及装置与流程

1.本发明属于自动驾驶领域技术领域，具体涉及一种用于辅助驾驶的车外环境视觉检测方法及装置。


背景技术：

2.自动驾驶系统，是近年来工业界研究的热门领域，其依靠机器学习、图像处理、雷达和定位系统等信息采集分析系统协同合作，让系统可以在没有人类主动操作的环境下，自动、安全地操控机动车辆。
3.在自动驾驶过程中需要多种传感器感受周围的环境，然后通过驾驶车辆的控制系统控制设备启动或者关闭实现控制。而往往传感器越多导致驾驶车辆的控制系统约复杂。控制系统在获取传感器的传感参数后，往往需要较多的时间查找对应的被控设备。并且传感器的多种多样导致控制器在处理传感参数的过程较为复杂，往往达不到自动驾驶实时辅助的目的。
4.在现有技术中也有通过神经网络模型进行检测，输出控制被控设备开始或者关闭的辅助驾驶策略。由于传感器输入的传感参数多样性，神经网络模型的内部结构较为复杂，且神经网络模型中的各层结构在识别传感参数特征时，其识别效果不佳。


技术实现要素：

5.本发明提供了一种用于辅助驾驶的车外环境视觉检测方法及装置，以提高车外环境视觉检测方法的准确性以及高效性。具体的技术方案如下。
6.第一方面.本发明提供的一种用于辅助驾驶的车外环境视觉检测方法包括：
7.获取描述车辆状态的原始数据组成集合；
8.其中，所述集合包括多个元素，每个元素为离散图像，所述离散图像按照时间形成序列，每张离散图像由三个通道组成，每个通道表示为一个二维矩阵；
9.对所述集合中的每张离散图像进行规范化，以使每张离散图像的值映射到在固定范围内，获得规范化后的离散图像；
10.根据图像的灰度能量分布，计算每张规范化后的离散图像的能量梯度；
11.将每张离散图像的能量梯度作为训练后的神经网络模型的输入，以使所述神经网络模型对每张离散图像的能量梯度进行特征提取以及检测，获得所述神经网络模型输出的多个或者多组控制变量；
12.其中，所述神经网络模型各个隐藏层的卷积窗口结构和卷积方向不同，所述神经网络模型的卷积层的激励函数为线性函数，所述控制变量对应被控设备；
13.根据所述控制变量的数值与阈值的大小关系，控制所述控制变量对应的被控设备执行相应的操作。
14.可选的，所述对所述集合中的每张离散图像进行规范化，以使每张离散图像的值映射到在固定范围内包括：
15.使用第一规范化公式对每张离散图像中每个通道的二维矩阵进行规范化，以使每张离散图像的值映射到在固定范围内；
16.其中，第一规范化公式为：
[0017][0018]
其中，i
t
(
·
,
·
,c)表示每个通道的二维矩阵，表示规范化后的每个通道的二维矩阵，mean表示矩阵i
t
(
·
,
·
,c)的均值，std为标准差，c＝{red,green,blue}表示离散图像中的三原色通道，i、j表示离散图像的二维空间坐标。
[0019]
可选的，所述根据图像的灰度能量分布计算每张规范化后的离散图像的能量梯度包括：
[0020]
将以二维矩阵的二维空间坐标为中心的矩形窗口设置在归一化后的离散图像中，将矩形窗口所在区域的像素点按照像素值进行排序，确定中位像素值；
[0021]
针对每张规范化的离散图像的每个通道，计算该通道的每个像素值与所述中位像素值的偏差，确定差值最大的像素值；
[0022]
将差值最大的像素值确定为离散图像该空间位置上的能量梯度。
[0023]
其中，所述能量梯度表示为：
[0024][0025]
其中，表示能量梯度，i(i,j,c)表示规范后的离散图像，c＝{red,green,blue}表示图像中的三原色通道，i、j表示图像的二维空间坐标，median(w
ij
(u,v))表示中位像素值，w
ij
(u,v)表示二维矩阵中以(i,j)为中心、(u,v)为高和宽的一个矩形窗口。
[0026]
可选的，所述训练后的神经网络模型通过如下步骤得到：
[0027]
设置每个隐藏层的卷积窗口尺寸，以使各个隐藏层的卷积窗口结构以及卷积方向不同；
[0028]
将输入层、卷积层以及输出层中的神经元依次，从而构建初始神经网络模型；
[0029]
获取训练数据集；
[0030]
其中，所述训练数据集包括多个样本，一个样本包括离散图像能量梯度以及人工标注的该梯度能量对应的被控设备的标号；
[0031]
将每个样本输入所述初始神经网络中，将梯度能量对应的被控设备的标号所对应的控制变量作为学习目标，迭代训练所述初始神经网络模型，直至达到学习目标或者达到迭代次数；
[0032]
将达到学习目标或者达到迭代次数的初始神经网络，作为训练后的神经网络模型。
[0033]
其中，所述激励函数为：
[0034][0035]
其中，x表示输入，α表示使函数在x＝0点处产生一个不连续断点，r表示实数集。
[0036]
其中，所述固定范围为[0,1]，所述控制变量的取值位于[0,1]之间。
[0037]
可选的，所述按照所述控制变量的数值，控制所述控制变量对应的被控设备执行相应的操作包括：
[0038]
当控制变量的取值大于阈值时，控制该控制变量对应的被控设备开启；
[0039]
当控制变量的取值不大于阈值时，控制该控制变量对应的被控设备关闭。
[0040]
可选的，所述被控制备包括：灯光类设备、空调类设备以及制动类设备。
[0041]
第二方面，本发明提供的一种基于双模神经网络模型的驾驶环境评估装置，包括：
[0042]
获取模块，用于获取描述车辆状态的原始数据组成集合；
[0043]
其中，所述集合包括多个元素，每个元素为离散图像，所述离散图像按照时间形成序列，每张离散图像由三个通道组成，每个通道表示为一个二维矩阵；
[0044]
规范模块，用于对所述集合中的每张离散图像进行规范化，以使每张离散图像的值映射到在固定范围内，获得规范化后的离散图像；
[0045]
计算模块，用于根据图像的灰度能量分布，计算每张规范化后的离散图像的能量梯度；
[0046]
检测模块，用于将每张离散图像的能量梯度作为训练后的神经网络模型的输入，以使所述神经网络模型对每张离散图像的能量梯度进行特征提取以及检测，获得所述神经网络模型输出的多个或者多组控制变量；
[0047]
其中，所述神经网络模型各个隐藏层的卷积窗口结构和卷积方向不同，所述神经网络模型的卷积层的激励函数为线性函数，所述控制变量对应被控设备；
[0048]
控制模块，用于根据所述控制变量的数值与阈值的大小关系，控制所述控制变量对应的被控设备执行相应的操作。
[0049]
本发明实施例的创新点包括：
[0050]
1、本发明提供的一种用于辅助驾驶的车外环境视觉检测方法，只需通过图像采集设备采集描述车辆状态的图像，即可完成对灯光、空调、制动等随车系统的有效控制，大大降低了辅助驾驶系统所需要的外部传感器数量，减轻了辅助驾驶系统的载荷，降低了系统复杂度。
[0051]
2、本发明提供的一种用于辅助驾驶的车外环境视觉检测方法，通过对离散图像进行规范化处理，可以提高神经网络模型的可靠度。
[0052]
3、本发明提供的一种用于辅助驾驶的车外环境视觉检测方法，通过计算离散图像的能量梯度作为神经网络模型的输入，可以克服灰度加权平均带来的信息弱化，能够更好的保留彩色图像局部通道的特征信息，使得神经网络模型取得更好检测效果。
[0053]
4、本发明提供的一种用于辅助驾驶的车外环境视觉检测方法，通过多隐藏层的卷积窗口，使得神经网络模型的全向卷积窗口组合，从而检测各个方向各种形态的特征，并且设计非线性函数作为神经网络模型的激励函数，改善神经网络模型的检测能力，输出控制变量，实现对多个被控制备的智能辅助控制。
附图说明
[0054]
为了更清楚地说明本发明实施例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简单介绍。显而易见地，下面描述中的附图仅仅是本发
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的前提下，还可以根据这些附图获得其他的附图。
[0055]
图1为本发明实施例提供的一种用于辅助驾驶的车外环境视觉检测方法的流程示意图；
[0056]
图2是构建的跟踪模型的结构示意图；
[0057]
图3a是卷积层卷积的映射图；
[0058]
图3b是卷积层连接方式示意图；
[0059]
图4为本发明实施例提供的一种用于辅助驾驶的车外环境视觉检测装置的结构示意图。
具体实施方式
[0060]
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、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，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付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。
[0061]
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0062]
图1为本发明实施例提供的一种用于辅助驾驶的车外环境视觉检测方法的流程示意图。该方法应用于自动驾驶车辆。该方法具体包括以下步骤。
[0063]
s1，获取描述车辆状态的原始数据组成集合；
[0064]
其中，集合包括多个元素，每个元素为离散图像，离散图像按照时间形成序列，每张离散图像由三个通道组成，每个通道表示为一个二维矩阵；
[0065]
本发明可以从随车辆安装的图像采集装置采集原始数据，原始数据是离散的按时间采样的图像序列。
[0066]
假设图像传感器采集到的原始图像数据序列形成一个集合v，其每一个元素是一幅图像i，该图像由3个通道组成(rgb)，即c＝{red,green,blue}，定义图像i＝i(i,j,c)，其中i、j是二维空间坐标，图像序列的集合v＝{i1,i2,
…
,i
t
,
…
}，t表示图像获取的时间顺序。图像i
t
的每一个通道i(
·
,
·
,red),i(
·
,
·
,green),i(
·
,
·
,blue)是一个二维矩阵。
[0067]
s2，对集合中的每张离散图像进行规范化，以使每张离散图像的值映射到在固定范围内，获得规范化后的离散图像；
[0068]
s3，根据图像的灰度能量分布，计算每张规范化后的离散图像的能量梯度；
[0069]
s4，将每张离散图像的能量梯度作为训练后的神经网络模型的输入，以使神经网络模型对每张离散图像的能量梯度进行特征提取以及检测，获得神经网络模型输出的多个或者多组控制变量；
[0070]
其中，神经网络模型各个隐藏层的卷积窗口结构和卷积方向不同，神经网络模型的卷积层的激励函数为线性函数，控制变量对应被控设备；固定范围为[0,1]，控制变量的取值位于[0,1]之间。
[0071]
神经网络模型的非线性单元称为激励函数σ，用于使网络具有对非线性数据集分类的能力。
[0072]
其中，激励函数为：
[0073][0074]
其中，x表示输入，α表示使函数在x＝0点处产生一个不连续断点，r表示实数集。
[0075]
s5，根据控制变量的数值与阈值的大小关系，控制控制变量对应的被控设备执行相应的操作。
[0076]
其中，被控制备包括：灯光类设备、空调类设备以及制动类设备。
[0077]
本发明提供的一种用于辅助驾驶的车外环境视觉检测方法及装置，通过图像采集设备采集描述车辆状态的图像，通过对离散图像进行规范化处理，在计算规范化后的离散图像的能量梯度之后输入神经网络模型，可以克服灰度加权平均带来的信息弱化，能够更好的保留彩色图像局部通道的特征信息。设计多隐藏层的卷积窗口，使得神经网络模型的全向卷积窗口组合，从而检测各个方向各种形态的特征，并设计非线性函数作为神经网络模型的激励函数，改善神经网络模型的检测能力，输出控制变量，实现对多个被控制备的智能辅助控制。本发明可以降低辅助驾驶系统所需要的外部传感器数量，减轻辅助驾驶系统的载荷，降低系统复杂度。
[0078]
作为本发明一种可选的实施方式，对集合中的每张离散图像进行规范化，以使每张离散图像的值映射到在固定范围内包括：
[0079]
使用第一规范化公式对每张离散图像中每个通道的二维矩阵进行规范化，以使每张离散图像的值映射到在固定范围内；
[0080]
其中，第一规范化公式为：
[0081][0082]
其中，i
t
(
·
,
·
,c)表示每个通道的二维矩阵，表示规范化后的每个通道的二维矩阵，mean表示矩阵i
t
(
·
,
·
,c)的均值，std为标准差，c＝{red,green,blue}表示离散图像中的三原色通道，i、j表示离散图像的二维空间坐标。
[0083]
对时间t采集到图像的每个通道i_t(
·
,
·
,c)，其中每一个元素为i_t(i,j,c)，宽度为w，高度为h，对每个通道单独使用第一规范化公式进行处理，规范化后的矩阵进行下一步处理。
[0084]
作为本发明一种可选的实施方式，根据图像的灰度能量分布计算每张规范化后的离散图像的能量梯度包括：
[0085]
步骤一：将以二维矩阵的二维空间坐标为中心的矩形窗口设置在归一化后的离散图像中，将矩形窗口所在区域的像素点按照像素值进行排序，确定中位像素值；
[0086]
步骤二：针对每张规范化的离散图像的每个通道，计算该通道的每个像素值与中位像素值的偏差，确定差值最大的像素值；
[0087]
步骤三：将差值最大的像素值确定为离散图像该空间位置上的能量梯度。
[0088]
在本发明中，图像的能量梯度定义为图像能量变化的一种度量，具体的，定义如下：
[0089]
定义w
ij
(u,v)表示二维矩阵(图像)中以(i,j)为中心、(u,v)为高和宽的一个矩形窗口。median(w
ij
(u,v))表示窗口的中值，即对窗口中所有像素按值大小进行排序后，位于中间的那个值。则能量梯度可以表示为：
[0090][0091]
其中，表示能量梯度，i(i,j,c)表示规范后的离散图像，c＝{red,green,blue}表示图像中的三原色通道，i、j表示图像的二维空间坐标，median(w
ij
(u,v))表示中位像素值对于一幅三通道rgb图像，该图像的能量梯度是一个二维矩阵，首先对每个通道计算像素与其周围像素中位值的偏差，再取各通道偏差最大的那个值作为图像该空间位置上的能量梯度。
[0092]
本发明使用图像的能量梯度代替原始图像像素来表达环境特征，一方面降低了数据的维度，另一方面可以克服灰度加权平均带来的信息弱化，能够更好的保留彩色图像局部通道的特征信息，取得更好的环境识别效果。
[0093]
作为本发明一种可选的实施方式，训练后的神经网络模型通过如下步骤得到：
[0094]
步骤一：设置每个隐藏层的卷积窗口尺寸，以使各个隐藏层的卷积窗口结构以及卷积方向不同；
[0095]
步骤二：将输入层、卷积层以及输出层中的神经元依次，从而构建初始神经网络模型；
[0096]
参考图2，神经网络模型的基本模型由输入层、输出层和隐藏层组成，每一层包含若干个节点，称为神经元，神经元、神经元之间的连接组成了神经网络，该网络由激励函数、权重和神经元之间的连接方式所确定。
[0097]
图2中，最左侧三个节点x1，x2，1为输入层节点，右侧节点y为输出层节点，h1,h2,h3为隐藏层节点，σ表示激励函数，作用是使神经网络具备非线性分类能力。神经网络的输出与输入之间的关系由下面式子定义：
[0098]
a1＝w1‑
11
x1 w1‑
21
x2 b1‑1[0099]
a2＝w1‑
12
x1 w1‑
22
x2 b1‑2[0100]
a3＝w1‑
13
x1 w1‑
23
x2 b1‑3[0101]
y＝σ(w2‑1σ(a1) w2‑2σ(a2) w2‑3σ(a3))
[0102]
其中，a1表示h1节点的输入与输出的关系，a2表示h2节点输入与输出关系，a3表示h3节点输入与输出关系，w带下角标表示节点之间的通道权重。b带下角标表示节点1与激励函数之间的参数。σ带括号表示括号内表示的通道的激励函数。
[0103]
图2所示的是一种全连接的神经网络(最完备形态)，即隐藏层的每一个节点都与前一层的任一个节点有连接(不考虑激励函数)，实际应用中，隐藏层可以有多个，每一层的节点数与前一层的连接关系在实现允许的前提下可以自由定义，即在全连接的基础上进行连接的合并或删减。
[0104]
建立一个输入层为图像能量梯度的神经网络n，并且定义隐藏层如下：
[0105]
(11)神经网络模型n第一个隐藏层h1定义如下。
[0106][0107]
h1是根据输入层数据通过卷积窗后的结果。
[0108]
图3a以及图3b给出了窗口尺寸为3x3时的连接情况，即1≤p,q≤3，每一个节点仅与其上一层(即输入层数据)对应位置的3x3个节点有连接；将这3x3个连接的权重按行
‑
列的顺序分别定义为并且h1的每一个节点v与输入连接的3x3个点，其在对应位置的权重均相同。b带下角标表示第几个隐藏层的参数，从下角标为0的第一个隐藏层开始，pq表示卷积核的尺寸。
[0109]
特别的，本发明定义h1层窗口尺寸为5x5，即1≤p,q≤5。
[0110]
(12)神经网络模型n第二个隐藏层h2定义如下。
[0111][0112]
h2是根据h1层的输出，通过卷积窗后的结果。
[0113]
同h1层结构类似，定义h2层的权重窗口也是一个矩形窗，尺寸为3x7，即1≤p≤3，1≤q≤7。
[0114]
(13)神经网络模型第三个隐藏层h3定义如下。
[0115][0116]
h3是根据h2层的输出，通过卷积窗后的结果。
[0117]
同h1、h2层结构类似，定义h3层的权重窗口也是一个矩形窗，尺寸为7x3，即1≤p≤7，1≤q≤3。
[0118]
(14)网络n第四个隐藏层h4定义如下。
[0119][0120]
h4层是根据h3层的输出，通过卷积窗后的结果。
[0121]
h4层的卷积窗口是一个对称矩阵，并且1≤p,q≤7。
[0122]
(15)网络n第五个隐藏层h5定义如下。
[0123][0124]
并且当p>q时，
[0125]
h5层是根据h4层的输出，通过卷积窗后的结果。
[0126]
h5层的卷积窗口是一个上(下)三角矩阵，并且1≤p,q≤7。
[0127]
(16)网络n第六个隐藏层h6定义如下。
[0128][0129]
并且当p<q时，
[0130]
h6层是根据h5层的输出，通过卷积窗口后的结果。
[0131]
h6层的卷积窗是一个与卷积窗相对的下(上)三角矩阵。并且1≤p,q≤7。
[0132]
h2
‑
h6层组合不同方向、不同结构的卷积窗口对特征进行检测，以便识别各个方向、各种形态的特征，这种多层全向检测窗口组合为本发明的另一重要特点。
[0133]
(17)网络n第七个隐藏层h7定义如下。
[0134][0135]
h7是隐藏层h6的输出在窗口pxq范围内的最大值，并且1≤p,q≤4。
[0136]
(18)网络n第八个隐藏层h8定义如下。
[0137][0138]
h8是根据h7层的输出，通过卷积窗后的结果。
[0139]
h8层窗口尺寸为5x5，即1≤p,q≤5。
[0140]
(19)网络n第九个隐藏层h9定义如下。
[0141][0142]
h9层是根据h8层的输出，通过卷积窗后的结果。
[0143]
h9层的卷积窗口w9的所有元素都相等，并且1≤p,q≤5。
[0144]
(110)网络n第十个隐藏层h10是形如全连接层，h10的每一个节点与h9的每一个节点之间均存在连接，且连接权重均独立。
[0145]
(111)网络n第十个隐藏层h10后，以全连接形式连接输出层y。
[0146]
输出层y表示若干个或若干组控制变量，取值在[0，1]之间，含义是对某个(或某组)开关的开启或关闭；当y的某个分量>0.66时，可认为开关开启，否则认为开关关闭。控制变量的个数与实际要控制的设备有关，根据设备在驾驶系统中的用途不同，分为“灯光类”、“空调类”、“制动类”等，每个类别又根据实际设备数目的不同对应一个或多个输出分量。
[0147]
输出y的维度是相互独立且有限的，但输出y的维数并不受实际设备类别或个数限制。同时，本发明中描述的模型也不受限于实际设备的类别或个数。
[0148]
步骤三：获取训练数据集；
[0149]
其中，训练数据集包括多个样本，一个样本包括离散图像能量梯度以及人工标注的该梯度能量对应的被控设备的标号；
[0150]
步骤四：将每个样本输入初始神经网络中，将梯度能量对应的被控设备的标号所对应的控制变量作为学习目标，迭代训练初始神经网络模型，直至达到学习目标或者达到迭代次数；
[0151]
步骤五：将达到学习目标或者达到迭代次数的初始神经网络，作为训练后的神经网络模型。
[0152]
可以理解，对神经网络进行训练时，选取若干组视频数据，经过建立图像能量梯度并人工标注与该梯度图对应的各控制开关所处的位置(开/关：1/0)对初始神经网络模型进行训练。
[0153]
本发明中的神经网络模型，对输入图像数据进行了特殊处理，设计了特有的图像能量梯度特征和具备多层全向检测窗口的神经网络模型以及该模型的非线性处理单元。与经典算法相比，本发明的神经网络模型有效的提升了开关状态判断的正确率。
[0154]
作为本发明一种可选的实施方式，按照控制变量的数值，控制控制变量对应的被控设备执行相应的操作包括：
[0155]
步骤一：当控制变量的取值大于阈值时，控制该控制变量对应的被控设备开启；
[0156]
步骤二：当控制变量的取值不大于阈值时，控制该控制变量对应的被控设备关闭。
[0157]
下面以实际数据验证本发明的效果，参见表1。
[0158]
表1效果对比表
[0159][0160][0161]
从表1中可知，第一行是采用alex网络、relu非线性单元和加权灰度图像特征(r、g、b三通道的值取平均值)所得的判断正确率；第二行是采用本发明多层全向检测窗口神经网络模型、本发明提供的非线性单元和加权灰度图像特征所得的判断正确率；第三行是采用本发明多层全向检测窗口神经网络模型、本发明提供的新型非线性单元和图像能量梯度
特征所得的正确率。可见，本发明提出的一种基于双模神经网络模型的驾驶环境评估方法有效提升了开关状态判断正确率。
[0162]
如图4所示，本发明提供的一种基于双模神经网络模型的驾驶环境评估装置包括：
[0163]
获取模块41，用于获取描述车辆状态的原始数据组成集合；
[0164]
其中，集合包括多个元素，每个元素为离散图像，离散图像按照时间形成序列，每张离散图像由三个通道组成，每个通道表示为一个二维矩阵；
[0165]
规范模块42，用于对集合中的每张离散图像进行规范化，以使每张离散图像的值映射到在固定范围内，获得规范化后的离散图像；
[0166]
计算模块43，用于根据图像的灰度能量分布，计算每张规范化后的离散图像的能量梯度；
[0167]
检测模块44，用于将每张离散图像的能量梯度作为训练后的神经网络模型的输入，以使神经网络模型对每张离散图像的能量梯度进行特征提取以及检测，获得神经网络模型输出的多个或者多组控制变量；
[0168]
其中，神经网络模型各个隐藏层的卷积窗口结构和卷积方向不同，神经网络模型的卷积层的激励函数为线性函数，控制变量对应被控设备；
[0169]
控制模块45，用于根据控制变量的数值与阈值的大小关系，控制控制变量对应的被控设备执行相应的操作。
[0170]
上述装置实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。
[0171]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0172]
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0173]
最后应说明的是：以上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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分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实施例技术方案的精神和范围。