一种遥感图像桥梁检测方法、装置、电子设备及存储介质与流程

1.本发明属于信号与信息处理技术领域，具体涉及一种遥感图像桥梁检测方法、装置、电子设备及存储介质。


背景技术：

2.随着电子和信息技术的发展，大规模机载星载遥感数据的获取越来越容易，遥感图像的质量也越来越高。桥梁是交通运输网络中的关键节点，获取遥感图像中桥梁的精确位置与数量对于城市监测，灾害评估和军事侦察具有重要意义。
3.针对桥梁检测问题，国内外学者开展了大量研究，现有成果可归纳为两类，分别是知识驱动检测方法和数据驱动检测方法。知识驱动检测方法依赖人为设定的关于目标的先验知识，该方法通常首先分析场景，人为定义桥梁出现的情况与桥梁的特点，并将其作为判决规则。之后使用数学形态学等技术对遥感图像进行处理，依据判决规则提取相应特征，获取最终的桥梁目标。该方法通常物理意义清晰，实时性高，对数据量要求不高。但是实际应用场景下，桥梁形态尺度各异，背景环境也各不相同，人为定义的先验知识难以涵盖所有实际情况。数据驱动检测方法通常首先从数据集中广泛提取特征。之后通过优化算法将提取到的众多特征与目标类别进行匹配，这一过程称之为训练过程。训练后的模型即具备从各类特征中抽取桥梁相关特征，实现桥梁检测的能力。该方法不需要人为定义关于桥梁的先验知识，但特征提取是否充分，优化算法是否合适将直接影响模型的表现。近些年热门的基于深度学习的目标检测方法即属于数据驱动检测方法，典型桥梁检测器网络模型有两阶段faster r-cnn网络模型和单阶段yolo算法族。
4.但是，大部分基于深度学习的桥梁检测器网络模型均依靠常规卷积神经网络提取特征，然而常规卷积神经网络感受野均为固定正方形，应用到桥梁检测任务中，存在桥梁特征提取不充分和不相关背景信息干扰的问题。


技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明提供了一种遥感图像桥梁检测方法、装置、电子设备及存储介质。本发明要解决的技术问题通过以下技术方案实现：
6.第一方面，本发明实施例提供了一种遥感图像桥梁检测方法，包括：
7.获取待检测的遥感图像；
8.将所述待检测的遥感图像输入至预先训练得到的桥梁检测器网络模型中，得到所述遥感图像的桥梁位置信息；
9.其中，所述桥梁检测器网络模型包括fpn网络和改进型的faster r-cnn网络；所述改进型的faster r-cnn网络包括改进型的backbone网络、rpn网络和roihead网络；所述改进型的backbone网络是在常规backbone网络的基础上，在所述常规backbone网络中引入调制可变形卷积模块形成；所述桥梁检测器网络模型是根据训练图像集预先训练得到的，其中，所述训练图像集中的每一训练图像均带有位置标注信息。
10.在本发明的一个实施例中，在所述桥梁检测器网络模型中，
11.所述改进型的backbone网络，用于对输入的所述待检测的遥感图像进行特征提取，得到若干特征信息；
12.所述fpn网络，用于将所述若干特征信息进行特征融合，得到多尺度特征图；
13.所述rpn网络，用于对所述多尺度特征图进行候选区域选择，得到候选推荐区域；
14.所述roihead网络，用于根据所述多尺度特征图和所述候选推荐区域进行位置信息的调整，输出所述遥感图像的桥梁位置信息。
15.在本发明的一个实施例中，所述改进型的backbone网络包括依次连接的预处理卷积层、4个stage模块；每个stage模块包括若干依次连接的block模块，且每一block模块的输入端和输出端连接，每个block模块包括依次连接的第一卷积层、第二卷积层和第三卷积层；其中，所述预处理卷积层，以及在所有的stage模块中的第一卷积层和第三卷积层均为常规卷积层；在第一个stage模块中，所有的第二卷积层为常规卷积层，在其他三个stage模块中，所有的第二卷积层为调制可变形卷积模块。
16.在本发明的一个实施例中，所述预处理卷积层的卷积核的大小为7
×
7，所有所述第一卷积层和所述第三卷积层的卷积核的大小均为3
×
3。
17.在本发明的一个实施例中，所述调制可变形卷积模块的卷积核的大小为3
×
3。
18.在本发明的一个实施例中，所述调制可变形卷积模块的计算过程表示为：
[0019][0020]
其中，n为卷积过程中的采样点总数，x和f分别表示输入特征图和输出特征图，k表示所有采样点的中心位置，k kn表示常规卷积的第n个采样点，kn∈(-1,1),(-1,0),...,(1,1)，δkn与δmn分别表示调制可变形卷积模块在第n个采样点所添加的自适应偏差与自适应调制系数，x(k kn δkn)利用双线性插值方法获得。
[0021]
第二方面，本发明实施例提供了一种遥感图像桥梁检测装置，包括：
[0022]
数据获取模块，用于获取待检测的遥感图像；
[0023]
数据检测模块，用于将所述待检测的遥感图像输入至预先训练得到的桥梁检测器网络模型中，得到所述遥感图像的桥梁位置信息；
[0024]
其中，所述桥梁检测器网络模型包括fpn网络和改进型的faster r-cnn网络；所述改进型的faster r-cnn网络包括改进型的backbone网络、rpn网络和roihead网络；所述改进型的backbone网络是在常规backbone网络的基础上，在所述常规backbone网络中引入调制可变形卷积模块形成；所述桥梁检测器网络模型是根据训练图像集预先训练得到的，其中，所述训练图像集中的每一训练图像均带有位置标注信息。
[0025]
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互相的通信；
[0026]
所述存储器，用于存放计算机程序；
[0027]
所述处理器，用于执行所述存储器上所存放的程序时，实现本发明实施例所提供的遥感图像桥梁检测方法步骤。
[0028]
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储
介质内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例所提供的遥感图像桥梁检测方法步骤。
[0029]
本发明的有益效果：
[0030]
本发明提出的遥感图像桥梁检测方法，利用带有fpn网络的改进型的faster r-cnn进行桥梁检测，由于改进型的faster r-cnn中引入了调制可变形卷积模块，使得改进型的faster r-cnn网络的感受野更加多样，感受野形状能够自适应的拟合各类桥梁形状，桥梁特征提取更加充分，桥梁检测性能得到有效提升，更加适应实际的桥梁检测应用场景。
[0031]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0032]
图1是本发明实施例提供的一种遥感图像桥梁检测方法的流程示意图；
[0033]
图2是本发明实施例提供的桥梁检测器网络模型的结构示意图；
[0034]
图3是本发明实施例提供的桥梁检测器网络模型的具体结构示意图；
[0035]
图4是本发明实施例提供的一种改进型的backbone网络中每个block模块的具体结构示意图；
[0036]
图5是本发明实施例提供的每个block模块中调制可变形卷积模块的具体卷积过程示意图；
[0037]
图6a～图6e是本发明实施例提供的多目标场景下原始模型和本发明模型的桥梁检测结果示意图；
[0038]
图7a～图7e是本发明实施例提供的密集目标场景下原始模型和本发明模型的桥梁检测结果示意图；
[0039]
图8是本发明实施例提供的一种遥感图像桥梁检测装置的结构示意图；
[0040]
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0041]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0042]
实施例一
[0043]
目标检测的主要任务是在输入的场景图像中寻找指定类别目标，并获取其精确位置。本发明实施例重点关注遥感图像中的桥梁检测问题，引入调制可变形卷积模块，改进现有数据驱动的基于深度学习的检测方法，重点解决桥梁检测器网络模型主干网络感受野固定，无法充分提取各类桥梁特征的问题。
[0044]
第一方面，本发明实施例提供了一种遥感图像桥梁检测方法，包括以下步骤：
[0045]
s101、获取待检测的遥感图像。
[0046]
s102、将待检测的遥感图像输入至预先训练得到的桥梁检测器网络模型中，得到遥感图像的桥梁位置信息。
[0047]
具体而言，请参见图2，本发明实施例在进行遥感图像桥梁检测时，采用的桥梁检测器网络模型为包括特征金字塔网络(feature pyramid network，简称fpn)和改进型的faster r-cnn网络的网络结构；改进型的faster r-cnn网络包括改进型的backbone网络、
区域选取网络(region proposal network，简称rpn)和roihead网络；改进型的backbone网络是在常规backbone网络的基础上，在常规backbone网络中引入调制可变形卷积模块形成。
[0048]
在桥梁检测器网络模型中，具体地：改进型的backbone网络，用于对输入的待检测的遥感图像进行特征提取，得到若干特征信息；fpn网络，采用一条自顶向下的通路，用于将若干特征信息进行特征融合，得到多尺度特征图；rpn网络，用于对多尺度特征图进行候选区域选择，得到候选推荐区域；roihead网络，用于根据多尺度特征图和候选推荐区域进行位置信息的调整，输出遥感图像的桥梁位置信息。
[0049]
请参见图3，本发明实施例提供了一种可选改进型的backbone网络的结构，该改进型的backbone网络包括依次连接的预处理卷积层、4个stage模块；每个stage模块包括若干依次连接的block模块，且每一block模块的输入端和输出端连接，每一block模块的输入端和输出端通过加法器做加法操作；请参见图4，每个block模块包括依次连接的第一卷积层、第二卷积层和第三卷积层，第一卷积层、第二卷积层和第三卷积层分别连接一激活层，比如采用relu激活函数；其中，预处理卷积层，以及在所有的stage模块中的第一卷积层和第三卷积层均为常规卷积层；在第一个stage模块中，所有的第二卷积层为常规卷积层，在其他三个stage模块中，所有的第二卷积层为调制可变形卷积模块(modulated deformable convolutional module，简称md conv)。
[0050]
优选地，预处理卷积层的卷积核的大小为7
×
7，所有第一卷积层和第三卷积层的卷积核的大小均为3
×
3。
[0051]
优选地，调制可变形卷积模块的卷积核的大小为3
×
3。
[0052]
本发明实施例调制可变形卷积模块的计算过程可以表示为：
[0053][0054]
其中，n为卷积过程中的采样点总数，x和f分别表示输入特征图和输出特征图，k表示所有采样点的中心位置，k kn表示常规卷积的第n个采样点，kn∈(-1,1),(-1,0),...,(1,1)，δkn与δmn分别表示调制可变形卷积模块在第n个采样点所添加的自适应偏差与自适应调制系数。其中，x(k kn δkn)可以利用双线性插值方法获得。
[0055]
以图5来说明调制可变形卷积模块的卷积实现过程，图5展示了当k＝3时k
×
k调制可变形卷积模块的具体实现过程：维度为h
×w×
c的输入特征图输入到调制可变形卷积模块中，其中，h、w、c分别为输入特征图的高、宽、通道数，通过一个额外的常规卷积分支获得一个h
×w×
3k的三维张量，该张量任意(h,w)位置对应的3k个变量值控制以(h,w)为采样点中心位置的调制可变形卷积操作感受野范围，0《h≤h，0《w≤w。其中，2k个变量为k个采样点的自适应偏差(offset)，剩下的k个变量为k个采样点的自适应调制系数(modulation scale)。
[0056]
本发明实施例通过引入调制可变形卷积分支，自适应的获取每一个采样点的偏差与调制系数，实现感受野形状能够自适应的拟合各类桥梁形状，桥梁特征提取更加充分，桥梁检测性能得到有效提升。
[0057]
同时，请再参见图3，分别示意性的给出了fpn网络、rpn网络和roihead网络的具体网络结构，这里只是示意性的给出了网络结构，对应具体地网络结构分别可以采用现有fpn
网络、rpn网络和roihead网络来实现，在此不再详细说明fpn网络、rpn网络和roihead网络的网络结构。
[0058]
针对上述桥梁检测器网络模型，本发明实施例根据训练图像集进行训练来确定，训练图像集中的每一训练图像均带有位置标注信息，标注中可以使用矩形框来标注，但不局限于矩形框。训练过程中，利用随机梯度下降法(stochastic gradient descent，简称sgd)优化器优化桥梁检测器网络模型参数，进行桥梁检测器网络模型训练，得到训练好的桥梁检测器网络模型。其中，训练过程中采用的损失函数可以为交叉熵损失函数、均方误差损失函数。
[0059]
训练完成得到训练好的桥梁检测器网络模型，将待检测的遥感图像输入至该训练好的桥梁检测器网络模型，即可得到遥感图像的桥梁目标位置信息，实现桥梁检测。
[0060]
为了验证本发明实施例提出的遥感图像桥梁检测方法的有效性，通过以下实验进行说明。
[0061]
1、实验条件
[0062]
利用公开的桥梁遥感图像集对本发明提出的方法进行验证，该桥梁遥感图像集中每幅桥梁遥感图像的分辨率为1m～4m，每幅桥梁遥感图像至少包含一个桥梁目标，桥梁遥感图像集共有2000幅桥梁遥感图像和3706个桥梁实例。对桥梁遥感图像集进行桥梁遥感图像训练集和桥梁遥感图像测试集的划分：随机选择80％用于桥梁检测器网络模型的训练，20％用于桥梁检测器网络模型的测试。以带有fpn网络的faster r-cnn网络模型为基础架构，对本发明提出的方法进行验证。实验运行平台使用nvidia gtx1660super gpu和16gb ram，基于python3.8和pytorch1.7进行实验验证。
[0063]
2、实验内容与结果分析
[0064]
本发明实施例重点解决现有基于深度学习的桥梁检测器网络模型中主干网络感受野固定，无法有效提取各类桥梁特征的问题。通过对比在几种backbone网络中是否使用调制可变形卷积模块，保证各组桥梁检测器网络模型的训练条件一致，定量和定性分析各组桥梁检测器网络模型的检测表现，验证本发明提出方法的有效性。
[0065]
第一组实验：基于带有fpn网络的faster r-cnn网络框架，具体使用resnet作为backbone网络，分别训练以原始resnet为常规backbone网络的模型和以引入mdconv的resnet为改进型的backbone网络的模型，使用预先训练好后的模型对桥梁遥感图像测试集(待检测的遥感图像)中所有测试图像进行测试，分别使用平均精度(average precision，简称ap)、召回率(recall)两种指标对测试结果进行定量分析，实验结果如表1所示。
[0066]
表1第一组实验的检测结果评价对比
[0067]
模型ap(％)recall(％)原始模型93.773.7本发明模型95.774.4
[0068]
从表1的实验结果可以看出，本发明实施例提出方法的ap、recall指标均优于原始模型，特别是ap指标改进幅度为2％，说明在以resnet网络为backbone网络的桥梁检测器网络模型中，使用md conv能够有效提升桥梁的检测精度，侧面反映改进型的backbone网络的桥梁目标特征提取能力得到有效改善。
[0069]
第二组实验：基于带有fpn网络的faster r-cnn网络框架，具体使用resnext作为
backbone网络，分别训练以原始resnext为常规backbone网络的模型和以引入md conv的resnext为改进型的backbone网络的模型，使用训练好的桥梁检测器网络模型对测试图像集中所有测试图像进行测试，分别使用ap、recall两种指标对测试结果进行定量分析，实验结果如表2所示。
[0070]
表2第二组实验的检测结果评价对比
[0071]
模型ap(％)recall(％)原始模型94.474.5本发明模型95.875.6
[0072]
从表2的实验结果可以看出，本发明实施例提出方法在以resnext为backbone的桥梁检测器网络模型中，能够明显提升桥梁检测器网络模型性能。ap指标提升1.4％，recall指标提升1.1％，说明除了明显提升桥梁检测器网络模型的检测精度外，桥梁检测器网络模型的漏检情况也更少，再次侧面反映了改进型的backbone网络的桥梁目标特征提取能力得到有效改善。
[0073]
请参见图6a～图6e，图6a～6e分别展示了一种多目标场景下的真实桥梁分布和对应的桥梁检测结果，具体从左到右依次为多目标场景下的真实桥梁分布与桥梁位置标注情况、第一组实验中使用原始模型的桥梁检测结果、第一组实验中使用本发明模型的桥梁检测结果、第二组实验中使用原始模型的桥梁检测结果和第二组实验中使用本发明模型的桥梁检测结果。图6a中黑色矩形框标注的是原始场景下存在的多个目标，图6b～6e中灰色矩形框标注的是经过检测器网络模型检测出的多个目标，可以看出多目标场景下，两组实验中使用本发明提出的桥梁检测器网络模型，对应得到图6c和图6e的桥梁检测结果的桥梁目标的边界框位置更加拟合真实标注情况。值得注意的是，第二组实验中使用原始模型对应得到的桥梁检测结果如图6d所示出现漏检情况，而本发明模型在多目标场景下较好地检测出了所有桥梁目标。
[0074]
请参见图7a～图7e，图7a～7e分别展示了密集目标场景下真实桥梁分布和对应的桥梁检测结果，具体从左到右依次为密集目标场景下的真实桥梁分布与位置标注情况、第一组实验中使用原始模型的桥梁检测结果、第一组实验中使用本发明模型的桥梁检测结果、第二组实验中使用原始模型的桥梁检测结果和第二组实验中使用本发明模型的桥梁检测结果。同图6a～图6e，图7a中黑色矩形框标注的是原始密集目标场景下存在的多个目标，
[0075]
图7b～7e中灰色矩形框标注的是经过检测器网络模型检测出的多个目标，可以看出密集多目标场景下，两组实验中使用本发明提出的桥梁检测器网络模型，本发明模型较好地检测出所有桥梁目标，同时位置回归更加精确。同样值得注意的是，第一组实验中使用原始模型对应得到的桥梁检测结果如图7b所示出现漏检情况，而本发明模型在密集目标场景下较好地检测出了所有桥梁目标。
[0076]
由图6a～6e和图7a～7e可以看出，不管是针对多目标桥梁检测场景，还是密集多目标桥梁检测场景，本发明提出的桥梁检测器模型均可以更好的检测出所有桥梁目标，更加适应实际的桥梁检测应用场景。
[0077]
综上所述，本发明实施例提出的遥感图像桥梁检测方法，利用带有fpn网络的改进型的faster r-cnn进行桥梁检测，由于改进型的faster r-cnn中引入了调制可变形卷积模块，使得改进型的faster r-cnn网络的感受野更加多样，感受野形状能够自适应的拟合各
类桥梁形状，桥梁特征提取更加充分，桥梁检测性能得到有效提升，更加适应实际的桥梁检测应用场景。
[0078]
另外，本发明实施例提出的方法不需要人为设定的关于目标的先验知识，能够自适应地完成桥梁检测任务；本发明实施例提出的桥梁检测改进方法(引入调制可变形卷积)可以用于各类基于深度学习的检测模型，包括两阶段检测器网络模型和单阶段检测器网络模型，通用性强，易于嵌入。
[0079]
第二方面，本发明实施例提供了一种遥感图像桥梁检测装置，请参见图7，包括：
[0080]
数据获取模块801，用于获取待检测的遥感图像。
[0081]
数据检测模块802，用于将待检测的遥感图像输入至预先训练得到的桥梁检测器网络模型中，得到遥感图像的桥梁位置信息；
[0082]
其中，桥梁检测器网络模型包括fpn网络和改进型的faster r-cnn网络；改进型的faster r-cnn网络包括改进型的backbone网络、rpn网络和roihead网络；改进型的backbone网络是在常规backbone网络的基础上，在常规backbone网络中引入调制可变形卷积模块形成；桥梁检测器网络模型是根据训练图像集预先训练得到的，其中，训练图像集中的每一训练图像均带有位置标注信息。
[0083]
进一步地，本发明实施例数据检测模块802中，具体在桥梁检测器网络模型中，
[0084]
改进型的backbone网络，用于对输入的待检测的遥感图像进行特征提取，得到若干特征信息；
[0085]
fpn网络，用于将若干特征信息进行特征融合，得到多尺度特征图；
[0086]
rpn网络，用于对多尺度特征图进行候选区域选择，得到候选推荐区域；
[0087]
roihead网络，用于根据多尺度特征图和候选推荐区域进行位置信息的调整，输出遥感图像的桥梁位置信息。
[0088]
进一步地，本发明实施例数据检测模块802中，具体改进型的backbone网络包括依次连接的预处理卷积层、4个stage模块；每个stage模块包括若干依次连接的block模块，且每一block模块的输入端和输出端连接，每个block模块包括依次连接的第一卷积层、第二卷积层和第三卷积层；其中，预处理卷积层，以及在所有的stage模块中的第一卷积层和第三卷积层均为常规卷积层；在第一个stage模块中，所有的第二卷积层为常规卷积层，在其他三个stage模块中，所有的第二卷积层为调制可变形卷积模块。
[0089]
进一步地，本发明实施例数据检测模块802中，具体预处理卷积层的卷积核的大小为7
×
7，所有第一卷积层和第三卷积层的卷积核的大小均为3
×
3。
[0090]
进一步地，本发明实施例数据检测模块802中，具体调制可变形卷积模块的卷积核的大小为3
×
3。
[0091]
进一步地，本发明实施例数据检测模块802中，具体调制可变形卷积模块的计算过程表示为：
[0092][0093]
其中，n为卷积过程中的采样点总数，x和f分别表示输入特征图和输出特征图，k表示所有采样点的中心位置，k kn表示常规卷积的第n个采样点，kn∈(-1,1),(-1,0),...,(1,1)，δkn与δmn分别表示调制可变形卷积模块在第n个采样点所添加的自适应偏差与自适应
调制系数，x(k kn δkn)利用双线性插值方法获得。
[0094]
第三方面，本发明实施例还提供了一种电子设备，请参见图8，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信，
[0095]
存储器903，用于存放计算机程序；
[0096]
处理器901，用于执行存储器903上所存放的程序时，实现如第一方面的遥感图像桥梁检测方法的步骤。
[0097]
该电子设备可以为：台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。
[0098]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0099]
通信接口用于上述电子设备与其他设备之间的通信。
[0100]
存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory，简称nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0101]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0102]
第四方面，相应于第一方面所提供的遥感图像桥梁检测方法，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现本发明实施例所提供的遥感图像桥梁检测方法的步骤。
[0103]
需要说明的是，本发明实施例的装置、电子设备及存储介质分别是应用上述遥感图像桥梁检测方法的装置、电子设备及存储介质，则上述遥感图像桥梁检测方法的所有实施例均适用于该装置、电子设备及存储介质，且均能达到相同或相似的有益效果。
[0104]
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0105]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0106]
尽管在此结合各实施例对本技术进行了描述，然而，在实施所要求保护的本技术
过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0107]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。