区域信息生成方法、装置、电子设备和计算机可读介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及区域信息生成方法、装置、电子设备和计算机可读介质。


背景技术：

2.区域信息生成，是计算机视觉领域中的一项基本技术。目前，关于区域信息生成的方法通常是对图像进行处理并提取特征信息，然后，对提取的特征信息进行处理以生成区域信息。
3.然而，当采用上述方法时往往会存在如下技术问题：
4.第一，由于计算机直接对图像进行处理，从而，占用了大量的计算机显存空间和内存空间，造成计算机的图像处理时间增加，进而，导致计算机的图像处理效率降低；
5.第二，由于未能综合考虑空间向量信息生成的影响因素，从而，使得生成的空间向量信息不够精确。


技术实现要素：

6.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
7.本公开的一些实施例提出了区域信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
8.第一方面，本公开的一些实施例提供了一种区域信息生成方法，该方法包括：获取目标物体的图像作为目标图像；基于上述目标图像和预先部署的特征提取模型，生成特征向量集合；根据上述特征向量集合，生成空间向量信息集合，其中，上述空间向量信息表征上述特征向量集合中与上述空间向量信息对应的特征向量之间的空间结构；将上述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。
9.第二方面，本公开的一些实施例提供了一种区域信息生成装置，装置包括：获取单元，被配置成获取目标物体的图像作为目标图像；第一生成单元，被配置成基于上述目标图像和预先部署的特征提取模型，生成特征向量集合；第二生成单元，被配置成根据上述特征向量集合，生成空间向量信息集合，其中，上述空间向量信息表征上述特征向量集合中与上述空间向量信息对应的特征向量之间的空间结构；输入单元，被配置成将上述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。
10.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中所描述的方法。
11.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中所描述的方法。
12.本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的区域信息生成方法得到目标物体的区域信息，提高了计算机的图像处理效率。具体来说，造成计算机的图像处理效率降低的原因在于：由于计算机直接对图像进行处理，从而，占用了大量的计算机显存空间和内存空间，造成计算机的图像处理时间增加。基于此，本公开的一些实施例的区域信息生成方法，首先，获取目标物体的图像作为目标图像。通过获取包括目标物体的图像，从而，便于对目标物体进行处理。其次，基于上述目标图像和预先部署的特征提取模型，生成特征向量集合。由此，使得后续的图像处理不需要对整张图像进行处理，可以对提取的特征向量进行处理。从而，降低了计算机显存和内存的占用空间，进而，提高了计算机显存和内存空间的可利用空间。接着，根据上述特征向量集合，生成空间向量信息集合，其中，上述空间向量信息表征上述特征向量集合中各个特征向量之间的空间结构。由此，可以所得到的特征向量集合转化为空间向量信息，从而，可以构建关于特征向量集合的空间结构。进而，可以确定各个特征向量之间的空间关系。最后，将上述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。由于对目标图像进行了特征向量的提取，并通过预先训练的嵌入式神经网络模型得到目标物体的区域信息。从而，减少了计算机的显存空间和内存空间的占用，降低了计算机的图像处理时间。进而，提高了计算机的图像处理效率。
附图说明
13.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
14.图1是根据本公开的一些实施例的区域信息生成方法的一个应用场景的示意图；
15.图2是根据本公开的区域信息生成方法的一些实施例的流程图；
16.图3是根据本公开的区域信息生成装置的一些实施例的结构示意图；
17.图4是根据本公开的区域信息生成方法的电子设备的结构示意图。
具体实施方式
18.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
19.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
20.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
21.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
22.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
23.下面将参考附图并结合实施例来详细说明本公开。
24.图1是根据本公开的一些实施例的区域信息生成方法的一个应用场景的示意图。
25.在图1的应用场景中，首先，计算设备101可以获取目标物体的图像作为目标图像102。然后，计算设备101可以基于上述目标图像102和预先部署的特征提取模型103，生成特征向量集合104。之后，根据上述特征向量集合104，生成空间向量信息集合105。其中，上述空间向量信息表征上述特征向量集合104中与上述空间向量信息对应的特征向量之间的空间结构。最后，将上述空间向量信息集合105输入至预先训练的嵌入式神经网络模型106中，得到目标物体的区域信息107。
26.需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
27.应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
28.继续参考图2，示出了根据本公开的区域信息生成方法的一些实施例的流程200。该区域信息生成方法，包括以下步骤：
29.步骤201，获取目标物体的图像作为目标图像。
30.在一些实施例中，区域信息生成方法的执行主体(例如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式获取终端设备中的目标物体的图像，并将上述图像作为目标图像。其中，上述目标物体的图像可以是包括目标物体和背景图像的图像。上述背景图像可以是上述目标图像中不包括目标物体的图像。
31.步骤202，基于目标图像和预先部署的特征提取模型，生成特征向量集合。
32.在一些实施例中，上述执行主体可以基于上述目标图像和预先部署的特征提取模型，生成特征向量集合。其中，上述特征提取模型可以包括雷达特征提取模型、双目摄像机专有特征提取模型和空间特征提取模型。上述雷达特征提取模型可以是用来分析目标物体像素值的模型。上述双目摄像机专有特征提取模型可以是用来处理图像的模型。上述空间特征提取模型可以是用来建立空间向量信息的模型。上述空间向量信息可以表征上述特征向量集合中与上述空间向量信息对应的特征向量之间的空间结构。上述特征向量可以是从目标图像中提取的特征向量。其中，上述提取可以是通过cnn(convolutional neural networks，卷积神经网络)和rnn(recursive neural network，循环神经网络)进行特征向量的提取。
33.上述雷达特征提取模型、双目摄像机专有特征提取模型和空间特征提取模型可以由卷积神经网络和深度神经网络训练得到。
34.在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤，生成特征向量集合：
35.第一步，对上述目标图像进行图像灰度化处理，得到上述目标图像中的各个像素点的灰度值和与上述目标图像对应的背景图像中的各个背景像素点的灰度值。其中，上述灰度化处理可以是利用分量法、最大值法、平均值法或加权平均法得到上述目标图像中的
各个像素点的灰度值和与上述目标图像对应的背景图像中的各个背景像素点的灰度值。
36.第二步，基于上述目标图像中的每个像素点的灰度值和与上述目标图像对应的背景图像中与上述像素点对应的背景像素点的灰度值，生成差值，得到差值集合。
37.作为示例，上述目标图像中的一个像素点的灰度值可以是255。上述目标图像对应的背景图像中与上述像素点对应的背景像素点的灰度值可以是55。则生成的差值为200。
38.第三步，对上述差值集合中的每个差值进行差值检测处理以生成目标点，得到目标点集合。其中，上述差值检测处理可以是将上述大于200的差值对应的像素点确定为目标点。上述目标点可以是上述目标物体中的像素点。
39.第四步，对上述目标点集合进行聚合处理，生成特征向量集合。其中，上述聚合处理可以是将上述分散的目标点集合按照目标点之间的关系进行分类，并将同一类别的目标点进行连接，生成上述特征向量。
40.可选地，上述执行主体可以通过以下步骤，生成差值：
41.第一步，响应于上述像素点和上述背景像素点的差满足第一预定条件，将第一预定阈值确定为差值。其中，上述第一预设条件可以是上述像素点和上述背景像素点的差大于200。上述第一预定阈值可以是250。
42.第二步，响应于上述像素点和上述背景像素点的差满足第二预定条件，将第二预定阈值确定为差值。其中，上述第二预设条件可以是上述像素点和上述背景像素点的差小于等于200。上述第二预定阈值可以是0。
43.可选地，上述执行主体可以通过以下步骤，生成特征向量集合：
44.第一步，基于上述目标点集合，生成目标物体连通区域的中心点的坐标信息。其中，上述目标连通区域中心点可以是包括目标物体的区域的中心点。上述目标物体连通区域的中心点的坐标信息可以是包括目标物体的区域的中心点的坐标信息。
45.第二步，基于上述目标物体连通区域和上述目标物体连通区域的中心点的坐标信息，生成上述目标物体连通区域的参数信息。其中，上述执行主体可以将中心点的坐标信息对应的中心点坐标和上述目标物体连通区域的边界上的至少一个关键坐标点进行数据组合，以生成上述目标物体连通区域的参数信息。其中，可以通过将上述至少一个关键点坐标进行依次连接以生成上述目标物品连通区域的边界。
46.作为示例，上述中心点坐标可以是[1，2]。上述至少一个关键点坐标可以是(1，1)，(2，3)，(3，3)。上述参数信息可以是(2，3)，(1，1)，(3，3)。
[0047]
第三步，基于上述参数信息，生成特征向量集合。其中，生成特征向量可以是将上述参数信息包括的任意两个坐标构成的矢量作为特征向量。
[0048]
作为示例，上述特征向量集合可以是{(1，1)
→
(2，3)，(2，3)
→
(3，3)，(3，3)
→
(1，1)}。
[0049]
步骤203，根据特征向量集合，生成空间向量信息集合。
[0050]
在一些实施例中，上述执行主体可以根据上述特征向量集合，生成空间向量信息集合。其中，上述空间向量信息可以表征上述特征向量集合中与上述空间向量信息对应的特征向量之间的空间结构。上述生成空间向量信息可以是将每个特征向量包括的两个坐标进行坐标系转换，转换到世界坐标系下，生成两个空间坐标(使得二维坐标变成三维坐标)，然后，基于两个空间坐标，生成空间向量信息。
[0051]
作为示例，上述空间向量信息可以是(1，1)
→
(2，3)
→
(3，3)
→
(1，1)。
[0052]
在一些实施例的一些可选的实现方式中，上述根据上述特征向量集合，生成空间向量信息集合，可以包括以下步骤：
[0053]
基于上述特征向量集合，利用以下公式，生成空间向量信息集合：
[0054][0055]
其中，m
t
表示空间向量信息。v
ct
表示上述目标图像连通区域中心点的坐标信息。c表示上述目标图像连通区域的中心点。t表示上述目标图像在获取的图像集合中的帧数。α表示帧数间隔值。vc(t α)表示第t α帧的图像所对应的连通区域中心点的坐标信息。表示到v
ct
所构成的向量与到v
c(t α)
所构成的向量之间的夹角。表示第帧的图像所对应的连通区域中心点的坐标信息。m表示上述空间向量信息集合。n表示上述空间向量信息集合中所包括的空间向量信息的数量。
[0056]
上述公式作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于未能综合考虑空间向量信息生成的影响因素，从而，使得生成的空间向量信息不够精确”。导致生成的空间向量信息不精确的因素往往如下：未能综合考虑生成空间向量信息的影响因素。如果解决了上述因素，就可以达到提高生成的空间向量信息精确度的效果。为了达到这一效果，上述公式引入了目标图像的连通区域以初步确定目标物体的近似区域。由于考虑到中心点具有可以确定目标物体位置的作用，本公开引入了目标图像连通区域中心点的坐标。从而，能够估计上述目标物体在上述目标图像中的近似区域。为了确定上述目标图像连通区域的中心点在不同帧间的变化情况，将目标图像连通区域中心点和间隔一定帧数后的目标图像连通区域中心点的差值与间隔的帧数进行除法运算。从而，得到不同间隔帧数的图像连通区域中心点的变化情况。考虑到不同特征向量的空间位置存在差异，引入了向量夹角。从而，可以精确确定每个空间向量的位置。由于综合考虑了空间向量信息的影响因素，从而，提高了生成的空间向量信息的精确度。
[0057]
步骤204，将空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。
[0058]
在一些实施例中，上述执行主体可以将上述空间向量信息输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。其中，上述预先训练的嵌入式神经网络模型可以是卷积神经网络模型和循环神经网络模型。上述目标物体的区域信息可以是将空间向量信息集合输入至预先训练的嵌入式神经网络模型后得到的空间向量信息作为目标物体的区域信息。
[0059]
可选地，上述执行主体可以将上述目标物体的区域信息发送至关联的设备以供上述设备进行图像处理。
[0060]
作为示例，上述执行主体可以将上述目标物体的区域信息发送至图像处理器，以供上述图像处理器对上述区域信息进行图像处理。
[0061]
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的区域信
息生成方法得到目标物体的区域信息，提高了计算机的图像处理效率。具体来说，造成计算机的图像处理效率降低的原因在于：由于计算机直接对图像进行处理，从而，占用了大量的计算机显存空间和内存空间，造成计算机的图像处理时间增加。基于此，本公开的一些实施例的区域信息生成方法，首先，获取目标物体的图像作为目标图像。通过获取包括目标物体的图像，从而，便于对目标物体进行处理。其次，基于上述目标图像和预先部署的特征提取模型，生成特征向量集合。由此，使得后续的图像处理不需要对整张图像进行处理，可以对提取的特征向量进行处理。从而，降低了计算机显存和内存的占用空间，进而，提高了计算机显存和内存空间的可利用空间。接着，根据上述特征向量集合，生成空间向量信息集合，其中，上述空间向量信息表征上述特征向量集合中各个特征向量之间的空间结构。由此，可以所得到的特征向量集合转化为空间向量信息，从而，可以构建关于特征向量集合的空间结构。进而，可以确定各个特征向量之间的空间关系。最后，将上述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。由于对目标图像进行了特征向量的提取，并通过预先训练的嵌入式神经网络模型得到目标物体的区域信息。从而，减少了计算机的显存空间和内存空间的占用，降低了计算机的图像处理时间。进而，提高了计算机的图像处理效率。
[0062]
进一步参考图3，作为对上述各图上述方法的实现，本公开提供了一种区域信息生成装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0063]
如图3所示，一些实施例的区域信息生成装置300包括：获取单元301、第一生成单元302、第二生成单元303和输入单元304。其中，获取单元301被配置成获取目标物体的图像作为目标图像。第一生成单元302被配置成基于上述目标图像和预先部署的特征提取模型，生成特征向量集合。第二生成单元303被配置成根据上述特征向量集合，生成空间向量信息集合，其中，上述空间向量信息表征上述特征向量集合中与上述空间向量信息对应的特征向量之间的空间结构。输入单元304被配置成将上述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。
[0064]
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
[0065]
下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(例如，图1中的计算设备101)400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0066]
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、rom 402以及ram403通过总线404彼此相连。输入/输出(i/o)接口404也连接至总线404。
[0067]
通常，以下装置可以连接至i/o接口404：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置
409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0068]
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从rom 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
[0069]
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0070]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0071]
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标物体的图像作为目标图像；基于上述目标图像和预先部署的特征提取模型，生成特征向量集合；根据上述特征向量集合，生成空间向量信息集合，其中，上述空间向量信息表征上述特征向量集合中与上述空间向量信息对应的特征向量之间的空间结构；将上述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。
[0072]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、
smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0073]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0074]
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一生成单元、第二生成单元和输入单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标物体的图像作为目标图像的单元”。
[0075]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0076]
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。