一种指纹识别方法及指纹识别装置与流程

1.本发明涉及指纹识别技术领域，具体涉及一种指纹识别方法及指纹识别装置。


背景技术：

2.指纹识别技术是一种较成熟的身份信息识别技术，并广泛应用于公共安防和个人信息保护等领域。目前，应用较多的指纹识别技术，主要是采集全指纹信息，一般指纹图像面积大，结构完整，特征提取易实现，但所用指纹采集传感器体积也较大。随着应用需求的变化，尤其是手机等微型设备的广泛普及，指纹采集传感器的体积逐渐要求微型化，而体积的缩小导致采集指纹面积明显变小，因此采集的指纹的结构完整性较差，且特征信息不充分，这就导致小面积指纹识别准确率较低。


技术实现要素：

3.有鉴于此，本发明提供了一种指纹识别方法及指纹识别装置，解决了小面积指纹识别准确率较低的问题。
4.本发明一实施例提供的一种指纹识别方法包括：获取待识别指纹的指纹图像；对所述指纹图像进行细化处理，以使得所述指纹图像中的纹理走向得到增强；对细化处理后的所述指纹图像提取关键点，基于所述关键点得到关键点图像；将所述指纹图像、细化处理后的所述指纹图像、所述关键点图像输入卷积神经网络，输出所述待识别指纹的特征向量；基于所述待识别指纹的特征向量，判断所述待识别指纹是否为目标指纹。
5.在一种实施方式中，所述对所述指纹图像进行细化处理的步骤包括：对所述指纹图像进行增强处理；采用膨胀腐蚀算法对增强后的指纹图像进行细化处理。在一种实施方式中，所述对细化处理后的所述指纹图像提取关键点的步骤包括：建立一像素模版；在所述细化处理后的指纹图像中选取一个像素作为像素模版的中心点；基于所述像素模版采集所述像素模版的中心点周围的像素；基于所述像素模版的中心点周围的像素得到目标像素的个数，基于所述目标像素的个数确定所述像素模版的中心点为所述关键点，提取所述关键点，基于所述关键点得到所述关键点图像。
6.在一种实施方式中，所述对细化处理后的所述指纹图像提取关键点，基于所述关键点得到关键点图像的步骤包括：建立nxm矩阵像素模版，其中，n≥1，m≥1；在所述细化处理后的指纹图像中选取一个黑色像素作为所述nxm矩阵像素模版的中心点；基于所述nxm矩阵像素模版采集所述像素模版的中心点周围的nxm
‑
1个像素；计算采集到的所述nxm
‑
1个像素中黑色像素的个数，若所述nxm
‑
1个像素中黑色像素的个数为1个，则所述像素模版的中心点为断点；若所述nxm
‑
1个像素中黑色像素的个数为3个，则所述像素模版的中心点为交叉点。
7.在一种实施方式中，所述将所述指纹图像、所述细化的指纹图像、所述关键点图像输入卷积神经网络，输出所述待识别指纹的特征向量的步骤包括：将所述指纹图像、所述增强后的指纹图像、细化处理后的所述指纹图像以及所述关键点图像输入卷积神经网络，输
出所述待识别指纹的特征向量。
8.在一种实施方式中，所述将所述指纹图像、所述细化的指纹图像、所述关键点图像输入卷积神经网络之前，还包括训练所述卷积神经网络；所述训练所述卷积神经网络的步骤包括：将训练数据集中的指纹图像进行分类形成多个子数据集，并在所述训练数据集中选取输入样本图像、正样本图像和负样本图像；将所述输入样本图像、所述正样本图像和所述负样本图像输入所述卷积神经网络，获得所述输入样本图像的特征向量、所述正样本图像的特征向量和所述负样本图像的特征向量；将所述输入样本的特征向量、所述正样本图像的特征向量和所述输入负样本的特征向量带入损失函数以对所述卷积神经网络进行评估，并利用随机梯度下降算法对所述卷积神经网络进行优化。
9.在一种实施方式中，所述基于所述待识别指纹的特征向量判断所述待识别指纹是否为目标指纹的步骤包括：获取目标指纹的特征向量；将所述待识别指纹的特征向量和所述目标指纹的特征向量进行欧式距离计算，得到向量距离；检测所述向量距离是否小于预设距离阈值，若是，则确定所述待识别指纹为所述目标指纹。
10.一种指纹识别装置，包括：获取模块，用于获取待识别指纹的指纹图像；细化模块，用于对所述指纹图像进行细化处理，以使得所述指纹图像中的纹理走向得到增强；提取模块，用于对细化处理后的所述指纹图像提取关键点，基于所述关键点得到关键点图像；计算模块，所述计算模块包括所述卷积神经网络；所述计算模块用于将所述指纹图像、细化处理后的所述指纹图像、所述关键点图像输入卷积神经网络输出所述待识别指纹的特征向量；判断模块，用于基于所述待识别指纹的特征向量判断所述待识别指纹是否为目标指纹。
11.在一种实施方式中，还包括：训练模块，用于训练所述卷积神经网络。
12.一种电子装置，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如上述任意一项所述的指纹识别方法。
13.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如上述任意一项所述的指纹识别方法。
14.本发明实施例提供的一种指纹识别方法及指纹识别装置，首先获取待识别指纹图像后对其进行细化和关键点提取操作，之后将提取到的关键点图像输入卷积神经网络得到待识别指纹的特征向量，再根据该特征向量识别指纹。通过上述方法对指纹进行识别，与传统的匹配算法相比，卷积神经网络可以提取高维特征，且可结合全局特征信息和局部特征信息，更有利于小面积指纹的特征匹配，提高小面积指纹识别的准确性。
附图说明
15.图1所示为本发明一实施例提供的一种指纹识别方法的流程图。
16.图2所示为本发明一实施例提供的一种指纹识别方法的结构示意图。
17.图3a～图3c所示为本发明一实施例提供的一种指纹图像细化处理前后的对比示意图。
18.图4所示为本发明一实施例提供的一种指纹关键点提取方法的流程图。
19.图5a～图5b所示为本发明一实施例提供的一种指纹关键点图像的示意图。
20.图6所示为本发明一实施例提供的一种卷积神经网络训练方法的流程图。
21.图7所示为本发明一实施例提供的一种指纹识别装置的结构示意图。
具体实施方式
22.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，都属于本发明保护的范围。
23.深度学习技术如今已取得了突飞猛进的发展。google、facebook、百度等企业投入了巨大资本和人力进行深度学习技术研究，不断推出其特有的产品和技术。其他诸如ibm、微软、亚马逊等企业也在不断进军深度学习领域，并取得了一定的成果。深度学习技术在人类数据感知领域取得了突破性的进展，例如描述图像内容、识别图像中的复杂环境下的物体以及在嘈杂环境中进行语音识别。同时，深度学习技术还可以解决图像生成和融合的问题。
24.为解决小面积指纹识别具有较好的准确率的问题，本发明采用指纹特征计算与深度学习相结合的方案，利用算法对指纹进行细化，并提取关键细节点，然后将指纹特征提取过程中产生的结果(如指纹增强图，指纹细化图，关键的位置信息等)，输入到深度学习网络，通过深度学习网络推理生成的特征向量进行指纹匹配，卷积神经网络可以提取高维特征，且可结合全局特征信息和局部特征信息，更有利于小面积指纹的特征匹配，提高小面积指纹识别的准确性。具体实施方式如下述实施例中所述。
25.本实施例提供一种指纹识别方法，如图1和图2所示，所述指纹识别方法包括：
26.步骤01:获取待识别指纹的指纹图像。
27.步骤02:对所述指纹图像进行细化处理，以使得所述指纹图像中的纹理走向得到增强。指纹细化是将指纹原图像中的纹理走向进行增强，便于后续的关键点提取。对所述指纹图像进行细化处理的步骤包括：对所述指纹图像进行增强处理；采用膨胀腐蚀算法对增强后的指纹图像进行细化处理。
28.可选的，可通过带通(garbor)滤波器将指纹图像(如图3a所示)中的脊线进行粗增强处理，然后对脊线粗增强处理后的指纹图像(如图3b所示)通过膨胀腐蚀的方法进行细化(细化处理后的图像如图3c所示)。其中，garbor滤波器对指纹图像中的脊线进行粗增强处理的公式见公式一。经过garbor滤波器处理后的图像已将指纹进行一定程度的增强并处理成二值图，在此基础上通过图形学的开闭运算进行处理，可得到进一步细化的指纹二值图。其中，腐蚀是指在固定像素滑窗内，取所有像素最小值，覆盖滑窗中心像素；膨胀是指在固定像素滑窗内，取所有像素最大值，覆盖滑窗中心像素。开运算是指先腐蚀再膨胀的运算；闭运算是指先膨胀再腐蚀的运算；
[0029][0030]
其中，λ为波长，λ的值以像素为单位指定，可选地，λ的值大于等于2，但不能大于输入图像尺寸的五分之一；θ为方向，θ指定了gabor函数并行条纹的方向，可选地，θ的取值范围为0到2π；φ为相位偏移，可选地，φ的取值范围为
‑
π到π，其中，0、π度分别对应中心对称
的center
‑
on函数和center
‑
off函数，而
‑
π/2和π/2对应反对称函数；γ为空间纵横比，γ决定了gabor函数形状的椭圆率，当γ＝1时，形状是圆的，当γ<1时，形状随着平行条纹方向而拉长，可选地，γ为0.5；b为宽带，gabor滤波器的半响应空间频率与带宽b和σ/λ的比率有关，其中σ表示gabor函数的高斯因子的标准差，σ的值不能直接设置，它仅随着带宽b变化，带宽值必须是正实数，通常为1，此时，标准差和波长的关系为：σ＝0.56λ。
[0031]
步骤03:对细化处理后的所述指纹图像提取关键点，基于所述关键点得到关键点图像。关键点提取是通过设计像素模版，对细化图中的关键点的形态进行判别。可选地，采用简易的crossing number方法对主要的关键点进行提取，所述关键点包括“断点”和“交叉点”中的至少一种。其中，如图4所示，所述对细化处理后的所述指纹图像提取关键点的步骤包括：
[0032]
步骤031:建立一像素模版；
[0033]
步骤032:在所述细化处理后的指纹图像中选取一个像素作为像素模版的中心点。
[0034]
步骤033:基于所述像素模版采集所述像素模版的中心点周围的像素。
[0035]
步骤034:基于所述像素模版的中心点周围的像素得到目标像素的个数，基于所述目标像素的个数确定所述像素模版的中心点为所述关键点，提取所述关键点，基于所述关键点得到所述关键点图像。
[0036]
上述方法，优选地，建立nxm矩阵像素模版，其中，n≥1，m≥1；在所述细化处理后的指纹图像中选取一个黑色像素作为所述nxm矩阵像素模版的中心点；基于所述nxm矩阵像素模版采集所述像素模版的中心点周围的nxm
‑
1个像素；计算采集到的所述nxm
‑
1个像素中黑色像素的个数，若所述nxm
‑
1个像素中黑色像素的个数为1个，则所述像素模版的中心点为断点；若所述nxm
‑
1个像素中黑色像素的个数为3个，则所述像素模版的中心点为交叉点。以3x3矩阵像素模版为例，以任一黑色像素点作为3x3矩阵像素模版的中心点，基于该3x3像素模版采集3x3矩阵像素模版的中心点周围的8邻域像素。若3x3矩阵像素模版中，除3x3矩阵像素模版的中心点外有1个像素为黑色，则该3x3矩阵像素模版的中心点为“断点”(如图5a所示)；若3x3矩阵像素模版中，除像3x3矩阵像素模版的中心点外有3个像素为黑色，则该3x3矩阵像素模版的中心点为“交叉点”(如图5b所示)。若判定该黑色像素为关键细节点(例如“断点”或“交叉点”)，则记录该黑色像素的位置作为关键点信息，并根据关键点信息制作关键点掩膜图，其中，可将关键点掩膜图中非关键点区域的灰度值设为255，关键点及其周围8邻域的灰度值设为0。所述关键点掩膜图即为关键点图像。
[0037]
步骤04:将所述指纹图像、细化处理后的所述指纹图像、所述关键点图像输入卷积神经网络，输出所述待识别指纹的特征向量。可选地，将所述指纹图像、所述增强后的指纹图像、细化处理后的所述指纹图像以及所述关键点图像输入卷积神经网络，输出所述待识别指纹的特征向量。
[0038]
所述将所述指纹图像、所述细化的指纹图像、所述关键点图像输入卷积神经网络之前，还包括训练所述卷积神经网络；如图6所示，所述训练所述卷积神经网络的步骤包括：
[0039]
步骤041:将训练数据集中的指纹图像进行分类形成多个子数据集，并在所述训练数据集中选取输入样本图像、正样本图像和负样本图像。可选地，将训练数据集中的指纹图像按照不同人和不同手指进行分类，形成多个子数据集，并将多个子数据集打上标签标识。
[0040]
在多个子数据集中选取第一子数据集，在第一子数据集中选取输入样本图像，以
及正样本图像。在训练数据集除了第一子数据集以为的子数据集中选取负样本图像。例如，在训练数据集中选取某一人的某一根手指的指纹图像数据集作为第一子数据集；在选取的该人的第一子数据集中选取任意一个指纹图像作为输入样本图像；选取该人的第一子数据集中除输入样本图像外的任意n个指纹图像作为正样本图像，其中n≥1；从其他人或该人的其它手指数据集中随机选取n个指纹图像作为负样本图像，其中n≥1。
[0041]
步骤042:将所述输入样本图像、所述正样本图像和所述负样本图像输入所述卷积神经网络，获得所述输入样本图像的特征向量、所述正样本图像的特征向量和所述负样本图像的特征向量。可选地，输入样本图像的特征向量、所述正样本图像的特征向量和所述负样本图像的特征向量均为1x128维向量特征图像。
[0042]
其中，将所有所述负样本图像输入所述卷积神经网络，获得所有所述负样本图像的特征向量；选取与输入样本的特征向量之间欧式距离最小的负样本图像的特征向量作为步骤043中的负样本图像的特征向量。
[0043]
可选地，可选地，采用三元组l2距离作为损失函数，并利用该损失函数对网络进行训练优化。该损失函数定义如下：
[0044][0045]
其中，为输入样本的1x128维图像，为正样本的1x128维图像，为负样本的1x128维图像；α为强制边界参数，i为样本数。
[0046]
可从中选取最小l2距离所对应的作为负样本特征向量。其中，α为强制边界参数，可根据经验设定；i为样本数。
[0047]
步骤043:将所述输入样本的特征向量、所述正样本图像的特征向量和所述输入负样本的特征向量带入损失函数以对所述卷积神经网络进行评估，并利用随机梯度下降算法对所述卷积神经网络进行优化。
[0048]
步骤05:基于所述待识别指纹的特征向量判断所述待识别指纹是否为目标指纹。获取目标指纹的特征向量；将所述待识别指纹的特征向量和所述目标指纹的特征向量进行欧式距离计算，得到向量距离；检测所述向量距离是否小于预设距离阈值，若是，则确定所述待识别指纹为所述目标指纹；若否，则匹配不成功。
[0049]
本实施例提供一种指纹识别装置100，如图7所示，该指纹识别装置100包括获取模块10、细化模块20、提取模块30、计算模块40、判断模块50。
[0050]
获取模块10，用于获取待识别指纹的指纹图像；
[0051]
细化模块20，用于对所述指纹图像进行细化处理，以使得所述指纹图像中的纹理走向得到增强；
[0052]
提取模块30，用于对细化处理后的所述指纹图像提取关键点，基于所述关键点得到关键点图像；
[0053]
计算模块40，所述计算模块包括所述卷积神经网络；所述计算模块用于将所述指纹图像、细化处理后的所述指纹图像、所述关键点图像输入卷积神经网络输出所述待识别指纹的特征向量；
[0054]
判断模块50，用于基于所述待识别指纹的特征向量判断所述待识别指纹是否为目
标指纹。
[0055]
获取模块10获取待识别指纹的指纹图像后传送给细化模块20；细化模块20对接收到的指纹图像进行细化处理，以使得所述指纹图像中的纹理走向得到增强，具体的细化过程参照上述实施例中所述，在此不再赘述；细化模块20将细化处理后的指纹图像传输给提取模块30，提取模块30对细化处理后的所述指纹图像提取关键点，基于所述关键点得到关键点图像；提取模块30将关键点图像传输给计算模块40，计算模块40中包括所述卷积神经网络，计算模块40将所述指纹图像、细化处理后的所述指纹图像、所述关键点图像输入卷积神经网络进行计算后，输出所述待识别指纹的特征向量后输送给判断模块50，判断模块50基于所述待识别指纹的特征向量判断所述待识别指纹是否为目标指纹，可选地，判断过程为获取目标指纹的特征向量；将所述待识别指纹的特征向量和所述目标指纹的特征向量进行欧式距离计算，得到向量距离；检测所述向量距离是否小于预设距离阈值，若是，则确定所述待识别指纹为所述目标指纹。
[0056]
本发明一实施例中，指纹识别装置100还包括训练模块60，其中训练模块60用于训练所述卷积神经网络，训练模块60用于训练所述卷积神经网络的方法可参考上述实施例中所述，在此不再赘述。
[0057]
本实施例提供一种电子设备，本实施例提供了一种电子设备，该电子设备可以包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被处理器执行时实现如上述实施例种所述的指纹识别方法。可以理解，电子设备还可以包括，输入/输出(i/o)接口，以及通信组件。
[0058]
其中，处理器用于执行如实施例中的指纹识别方法。中的全部或部分步骤。存储器用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
[0059]
所述处理器可以是专用集成电路(application specific integrated cricuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例中的指纹识别方法。
[0060]
所述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memery，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，简称eeprom),可擦除可编程只读存储器(erasable programmable read
‑
only memory，简称eprom),可编程只读存储器(programmable read
‑
only memory，简称prom),只读存储器(read
‑
only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0061]
本实施例还提供一种计算机可读存储介质。在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
[0062]
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储
介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0063]
而前述的存储介质包括：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、服务器、app应用商城等等各种可以存储程序校验码的介质，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现如下方法步骤：
[0064]
步骤01:获取待识别指纹的指纹图像。
[0065]
步骤02:对所述指纹图像进行细化处理，以使得所述指纹图像中的纹理走向得到增强。
[0066]
步骤03:对细化处理后的所述指纹图像提取关键点。
[0067]
步骤04:将所述指纹图像、细化处理后的所述指纹图像、所述关键点图像输入卷积神经网络，输出所述待识别指纹的特征向量。
[0068]
步骤05:基于所述待识别指纹的特征向量判断所述待识别指纹是否为目标指纹。
[0069]
具体的实施方式和产生的效果可以参考上述实施例中所述，本发明在此不再赘述。
[0070]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0071]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0072]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0073]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。
[0074]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0075]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0076]
本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本技术实施例中所有方向性指示(诸如上、下、左、右、前、后、顶、底
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了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它步骤或单元。
[0077]
另外，在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0078]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。