一种车位检测方法、计算机可读存储介质及车辆与流程

1.本发明涉及自动驾驶领域，具体提供一种车位检测方法、计算机可读存储介质及车辆。


背景技术：

2.现有技术中在对目标检测模型进行训练时，通常基于较为固定的人工标注数据集对目标检测模型进行训练，对于更广泛的环境中出现的与目标相似的其他物体的识别能力较差，容易出现目标误判的问题。
3.以车位检测为例，车位检测是车辆自动驾驶功能中自动泊车功能的一个重要组成部分，通常通过视觉感知方法识别车辆周围环境中的车位线等特征，获取停车位信息。然而，城市道路/停车场周边场景中存在种类繁多的大量的地面画线，现有在车位搜索过程中，基于视觉的车位检测模型，利用深度神经网络对图像中的车位进行检测，其通常关注有停车位场景下的车位检测，利用对应场景下的停车位区域作为正样本，非停车位区域作为负样本，通过对正样本和负样本进行标注后进行车位检测模型的训练，该方法基于较为固定的人工标注数据集进行训练，对更广泛的自然场景中与车位线相似的地面纹理分辩能力有不足，容易将地面纹理误判为车位线。


技术实现要素：

4.本发明旨在解决上述技术问题，即，解决现有基于较为固定的人工标注数据集对车位检测模型进行训练后，得到的车位检测模型对环境中其他与车位相似的物体辨识能力较差容易出现误判的问题。
5.在第一方面，本发明提供一种车位检测方法，其包括：
6.获取待检测驾驶环境图像；
7.利用预先训练好的车位检测模型对所述待检测驾驶环境图像进行车位检测，得到所述待检测驾驶环境图像的车位检测结果；
8.其中，所述车位检测模型通过以下步骤得到：
9.获取车位场景图像的有标签训练样本集和无标签样本集；
10.从所述无标签样本集中选取部分无标签样本构建当前待筛选无标签样本子集，所述当前待筛选无标签样本子集中包括至少一个所述无标签样本；
11.获取每个所述无标签样本的车位置信度集，根据所述车位置信度集和预设车位数量，确定与每个所述无标签样本对应的含车位衡量值，并至少基于所述含车位衡量值和含车位衡量阈值从所述当前待筛选无标签样本子集中筛选出难负样本；
12.利用所述难负样本扩充所述有标签训练样本集，基于扩充后的有标签训练样本集对待训练车位检测模型进行训练，得到所述车位检测模型。
13.在一些实施例中，所述车位置信度集中包括至少一个车位置信度，每个车位置信度对应于从所述无标签样本检测出的一个车位；所述根据所述车位置信度集和预设车位数
量，确定与每个所述无标签样本对应的含车位衡量值，包括：
14.当所述车位置信度集中包括一个车位置信度时，根据所述车位置信度和所述预设车位数量的比值，确定与所述无标签样本对应的含车位衡量值；
15.当所述车位置信度集中包括多个车位置信度时，将所述多个车位置信度按大小排列，从最大的车位置信度开始依序选取所述预设车位数量的车位置信度，根据所述预设车位数量的车位置信度之和与所述预设车位数量的比值，确定与所述无标签样本对应的含车位衡量值。
16.在一些实施例中，所述含车位衡量阈值包括第一含车位衡量阈值和第二含车位衡量阈值，所述第一含车位衡量阈值大于所述第二含车位衡量阈值，所述至少基于所述含车位衡量值和含车位衡量阈值从所述当前待筛选无标签样本子集中筛选出难负样本包括：
17.将所述当前待筛选无标签样本子集中每个所述无标签样本对应的所述含车位衡量值与所述第一含车位衡量阈值和所述第二含车位衡量阈值进行对比；
18.根据对比结果，筛选出所述含车位衡量值大于等于所述第二含车位衡量阈值小于等于所述第一含车位衡量阈值对应的所述无标签样本，作为难负样本。
19.在一些实施例中，所述含车位衡量阈值包括第二含车位衡量阈值，所述至少基于所述含车位衡量值和含车位衡量阈值从所述当前待筛选无标签样本子集中筛选出难负样本包括：
20.筛选出所述含车位衡量值小于所述第二含车位衡量阈值对应的所述无标签样本，构成初始难负样本集，并根据当前迭代次数从所述初始难负样本集中选出所述无标签样本作为难负样本。
21.在一些实施例中，所述根据当前迭代次数从所述初始难负样本集中选出所述无标签样本作为难负样本，包括：
22.从所述初始难负样本集中选出的所述无标签样本作为难负样本，其中，t代表所述当前迭代次数。
23.在一些实施例中，所述方法还包括：从所述无标签样本集中选取部分无标签样本构建无标签验证样本集；
24.所述基于扩充后的有标签训练样本集对待训练车位检测模型进行训练，以得到所述车位检测模型，包括：
25.基于所述扩充后的有标签训练样本集对所述待训练车位检测模型进行训练，得初步车位检测模型；
26.利用所述初步车位检测模型对所述无标签验证样本集进行检测，根据检测结果确定所述无标签验证样本集中包含车位的样本比例；
27.基于所述样本比例分析是否满足迭代停止条件，并根据分析结果基于所述初步车位检测模型得到所述车位检测模型。
28.在一些实施例中，基于所述样本比例分析是否满足迭代停止条件，包括：
29.将所述样本比例与历史样本比例进行对比，判断所述样本比例是否小于所述历史样本比例，其中所述历史样本比例为训练前的所述待训练车位检测模型对所述无标签验证样本集进行检测得到的样本比例；
30.如果是，确定不满足迭代停止条件；如果否，确定满足迭代停止条件。
31.在一些实施例中，当确定出不满足迭代停止条件时，所述根据分析结果基于所述初步车位检测模型得到所述车位检测模型包括：
32.从所述无标签样本集中继续选取部分所述无标签样本，构建新的待筛选无标签样本子集；
33.基于所述新的待筛选无标签样本子集获取新的难负样本继续扩充所述有标签训练样本集；
34.基于继续扩充后的所述有标签训练样本集继续对所述初步车位检测模型进行训练，直至满足迭代停止条件，以得到所述车位检测模型。
35.在第二方面，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中存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的车位检测方法。
36.在第三方面，本发明实施例提供了一种车辆，其包括车辆本体、存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时实现上述任意一项所述的车位检测方法。
37.在采用上述技术方案的情况下，本发明能够根据车位场景图像的无标签样本的置信度集和预设车位数量，确定出与每个无标签样本对应的含车位衡量值，根据含车位衡量值和含车位衡量阈值从当前待筛选无标签样本子集中筛选出难负样本并利用难负样本扩充有标签训练样本集，基于扩充后的有标签训练样本集对待训练车位检测模型进行训练，得到训练好的车位检测模型。利用训练好的车位检测模型对待检测驾驶环境图像进行车位检测，得到待检测驾驶环境图像的车位检测结果，该方法基于确定出的含车位衡量值和含车位衡量阈值自动从无标签样本集中筛选出难负样本，无需进行样本标注，节省了时间和成本，通过利用难负样本对有标签训练样本集进行扩充，可有效提高车位检测模型对环境中其他与车位相似物体的辨识能力，进而可有效提高车位检测的准确度和检测效率。
38.另一方面，通过无标签验证样本集中包含车位的样本比例和历史样本比例分析是否满足迭代停止条件，并根据分析结果，在满足迭代停止条件之前交替进行新的难负样本筛选和车位检测模型训练，有利于提高模型迭代效率并得到精确度较高的车位检测模型。
附图说明
39.下面结合附图来描述本发明的优选实施方式，附图中：
40.图1是本发明实施例提供的一种车位检测方法的主要步骤流程示意图；
41.图2是本发明实施例提供的一种车位检测模型训练方法的流程示意图；
42.图3是本发明实施例提供的无标签样本对应的含车位衡量值确定方法的流程示意图；
43.图4是本发明实施例提供的筛选难负样本的方法流程示意图；
44.图5是本发明另一实施例提供的筛选难负样本的方法流程示意图；
45.图6是本发明另一实施例提供的车位检测模型训练方法的流程示意图；
46.图7是本发明具体示例提供的一种车位检测模型训练方法的流程示意图。
具体实施方式
47.下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
48.现有技术中在对车位检测模型进行训练时，通常基于较为固定的人工标注数据集对车位检测模型进行训练，对于更广泛的环境中出现的与车位相似的其他物体的识别能力较差，容易出现误判的问题。
49.有鉴于此，本发明提供了一种车位检测方法，根据无标签样本的置信度集和预设车位数量，确定出与每个无标签样本对应的含车位衡量值，根据含车位衡量值和含车位衡量阈值从当前待筛选无标签样本子集中筛选出难负样本并利用难负样本扩充有标签训练样本集，基于扩充后的有标签训练样本集对待训练车位检测模型进行训练，得到训练好的车位检测模型。利用训练好的车位检测模型对待检测驾驶环境图像进行车位检测，得到待检测驾驶环境图像的车位检测结果，该方法基于确定出的含车位衡量值和含车位衡量阈值自动从无标签样本集中筛选出难负样本，无需进行样本标注，节省了时间和成本，通过利用难负样本对有标签训练样本集进行扩充，可有效提高车位检测模型对环境中其他与车位相似物体的辨识能力，进而可有效提高车位检测的准确度和检测效率。
50.参见图1所示，图1是本发明实施例提供的一种车位检测方法的主要步骤流程示意图，其可以包括：
51.步骤s11：获取待检测驾驶环境图像；
52.步骤s12：利用预先训练好的车位检测模型对待检测驾驶环境图像进行车位检测，得到待检测驾驶环境图像的车位检测结果；在一些实施例中，步骤s11可以具体为基于车载摄像头、激光雷达或毫米波雷达等获取待检测驾驶环境图像。
53.其中，参见图2所示，图2是本发明实施例提供的一种车位检测模型训练方法的流程示意图，其可以包括：
54.步骤s21：获取车位场景图像的有标签训练样本集和无标签样本集；
55.步骤s22：从无标签样本集中选取部分无标签样本构建当前待筛选无标签样本子集，当前待筛选无标签样本子集中包括至少一个无标签样本；
56.步骤s23：获取每个无标签样本的车位置信度集，根据车位置信度集和预设车位数量，确定与每个无标签样本对应的含车位衡量值，并至少基于含车位衡量值和含车位衡量阈值从当前待筛选无标签样本子集中筛选出难负样本；
57.步骤s24：利用难负样本扩充有标签训练样本集，基于扩充后的有标签训练样本集对待训练车位检测模型进行训练，得到车位检测模型。
58.在一些实施例中，车位场景图像可以包括包含车位的车位场景图像和无车位的车位场景图像，步骤s21可以具体为获取包含车位的车位场景图像和/或无车位的车位场景图像并通过人工或自动的方式为车位场景图像中的车位标注标签，从而得到车位场景图像的有标签训练样本；基于有标签训练样本构建有标签训练样本集，其中，有标签训练样本集中可以包括至少一个有标签训练样本。
59.在一些实施例中，获取车位场景图像的无标签样本集可以为获取无车位的车位场景图像和/或包含车位的车位场景图像作为无标签样本，并基于无标签样本构建无标签样本集；无标签样本集中可以包括多个无标签样本。在一些实施例中，车位置信度集中包括至
少一个车位置信度，每个车位置信度对应于从无标签样本检测出的一个车位。
60.在一些实施例中，步骤s23中获取每个无标签样本的车位置信度集可以具体为利用待训练车位检测模型对无标签样本集中的多个无标签样本分别进行检测，得到每个无标签样本的车位置信度集pk＝[q1,q2,..,qn],pk为第k个无标签样本的车位置信度集合，qn为单个车位的置信度，且值域归一化后的范围在[0,1]。
[0061]
在一些实施例中，参见图3所示，图3是本发明实施例提供的无标签样本对应的含车位衡量值确定方法的流程示意图，步骤s23中根据车位置信度集和预设车位数量，确定与每个无标签样本对应的含车位衡量值，包括：
[0062]
步骤s31：当车位置信度集中包括一个车位置信度时，根据车位置信度和预设车位数量的比值，确定与无标签样本对应的含车位衡量值；
[0063]
步骤s32：当车位置信度集中包括多个车位置信度时，将多个车位置信度按大小排列，从最大的车位置信度开始依序选取预设车位数量的车位置信度，根据预设车位数量的车位置信度之和与预设车位数量的比值，确定与无标签样本对应的含车位衡量值。
[0064]
其中，预设车位数量可以根据需要进行设置，作为示例，设定预设车位数量为n，当车位置信度集中只包括一个车位置信度时，车位置信度集为pk＝[q1]，含车位衡量值prob＝q1/n；当车位置信度集中包括多个车位置信度时，可将多个车位置信度由大到小或由小到大进行排列，并从最大的车位置信度开始依序选取n个车位置信度，根据该n个车位置信度之和与n的比值，确定与无标签样本对应的含车位衡量值。
[0065]
其中，难负样本可以为不包含车位的样本，即对应无车位的车位场景图像。
[0066]
在一些实施例中，含车位衡量阈值包括第一含车位衡量阈值和第二含车位衡量阈值，第一含车位衡量阈值大于第二含车位衡量阈值。
[0067]
在一些实施例中，参见图4所示，图4是本发明实施例提供的筛选难负样本的方法流程示意图，步骤s23中至少基于含车位衡量值和含车位衡量阈值从当前待筛选无标签样本子集中筛选出难负样本包括：
[0068]
步骤s41：将当前待筛选无标签样本子集中每个无标签样本对应的含车位衡量值与第一含车位衡量阈值和第二含车位衡量阈值进行对比；
[0069]
步骤s42：根据对比结果，筛选出含车位衡量值大于等于第二含车位衡量阈值小于等于第一含车位衡量阈值对应的无标签样本，作为难负样本。
[0070]
在另一些实施例中，含车位衡量阈值包括第二含车位衡量阈值。
[0071]
在一些实施例中，参见图5所示，图5是本发明另一实施例提供的筛选难负样本的方法流程示意图，步骤s23中至少基于含车位衡量值和含车位衡量阈值从当前待筛选无标签样本子集中筛选出难负样本包括：
[0072]
步骤s51：筛选出含车位衡量值小于第二含车位衡量阈值对应的无标签样本，构成初始难负样本集，并根据当前迭代次数从初始难负样本集中选出无标签样本作为难负样本。
[0073]
作为示例，从初始难负样本集中选出的无标签样本作为难负样本，其中，t代表当前迭代次数。
[0074]
其中，t取大于等于零的正整数。
[0075]
在另一些实施例中，步骤s23中至少基于含车位衡量值和含车位衡量阈值从当前待筛选无标签样本子集中筛选出难负样本，可以包括：
[0076]
将当前待筛选无标签样本子集中每个无标签样本对应的含车位衡量值与第一含车位衡量阈值和第二含车位衡量阈值进行对比；
[0077]
根据对比结果，筛选出含车位衡量值大于等于第二含车位衡量阈值小于等于第一含车位衡量阈值对应的无标签样本，全部作为难负样本；
[0078]
以及，筛选出含车位衡量值小于第二含车位衡量阈值对应的无标签样本，构成初始难负样本集，并根据当前迭代次数从初始难负样本集中选出无标签样本作为难负样本。
[0079]
在一些实施例中，步骤s24可以具体为利用难负样本扩充有标签训练样本集，基于扩充后的有标签训练样本集对待训练车位检测模型进行训练，以训练后的待训练车位检测模型作为车位检测模型。
[0080]
在另一些实施例中，步骤s24中利用扩充后的有标签训练样本集对待训练车位检测模型进行训练之后，还可以对训练后的待训练车位检测模型进行验证，确定是否满足迭代停止条件，以得到检测精确度更高的车位检测模型，具体可参见以下实施例中的描述。
[0081]
以上为本发明实施例提供的一种车位检测模型训练方法，该方法基于确定出的含车位衡量值和含车位衡量阈值筛选难负样本，自动从无标签样本集中筛选出难负样本，无需进行样本标注，节省了时间和成本，通过利用难负样本对有标签训练样本集进行扩充，实现了对更广泛场景中难负样本的覆盖，可以有效避免误检，有效提高车位检测模型对环境中其他与车位相似物体的辨识能力，提高检测效率。
[0082]
参见图6所示，图6是本发明另一实施例提供的车位检测模型训练方法的流程示意图，其可以包括：
[0083]
步骤s61：获取车位场景图像的有标签训练样本集和无标签样本集；
[0084]
步骤s62：从无标签样本集中选取部分无标签样本构建当前待筛选无标签样本子集，当前待筛选无标签样本子集中包括至少一个无标签样本；
[0085]
步骤s63：获取每个无标签样本的车位置信度集，根据车位置信度集和预设车位数量，确定与每个无标签样本对应的含车位衡量值，并至少基于含车位衡量值和含车位衡量阈值从当前待筛选无标签样本子集中筛选出难负样本；
[0086]
步骤s64：利用难负样本扩充有标签训练样本集；
[0087]
步骤s65：从无标签样本集中选取部分无标签样本构建无标签验证样本集；
[0088]
步骤s66：基于扩充后的有标签训练样本集对待训练车位检测模型进行训练，得初步车位检测模型；
[0089]
步骤s67：利用初步车位检测模型对无标签验证样本集进行检测，根据检测结果确定无标签验证样本集中包含车位的样本比例；
[0090]
步骤s68：基于样本比例分析是否满足迭代停止条件，并根据分析结果基于初步车位检测模型得到车位检测模型。
[0091]
其中，步骤s61-s63可以相应采用和步骤s21-s23相同的方式实现，为了简要起见在此不再赘述，具体可参见上文中的描述。
[0092]
步骤s64可以具体为将确定出的难负样本增加至有标签训练样本集中，以对有标签训练样本集进行扩充。在一些实施例中，用于扩充有标签训练样本集的难负样本的数量
占有标签训练样本集中有标签训练样本数量的[5％,50％]。
[0093]
在一些实施例中，步骤s65可以具体为从无标签样本集中选取部分无标签样本构建无标签验证样本集，该无标签验证样本集包括至少一个不属于当前待筛选无标签样本子集的无标签样本。
[0094]
在另一些实施例中，步骤s65还可以具体为从无标签样本集中除属于当前待筛选无标签样本子集的剩余无标签样本中选取部分无标签样本构建无标签验证样本集。
[0095]
在一些实施例中，步骤s68中基于样本比例分析是否满足迭代停止条件可以具体为：
[0096]
将样本比例与历史样本比例进行对比，判断样本比例是否小于历史样本比例，其中历史样本比例为训练前的待训练车位检测模型对无标签验证样本集进行检测得到的样本比例；
[0097]
如果是，确定不满足迭代停止条件；如果否，确定满足迭代停止条件。
[0098]
在一些实施例中，当确定出不满足迭代停止条件时，步骤s68中根据分析结果基于初步车位检测模型得到车位检测模型，可以包括：
[0099]
从无标签样本集中继续选取部分无标签样本，构建新的待筛选无标签样本子集；
[0100]
基于新的待筛选无标签样本子集获取新的难负样本继续扩充有标签训练样本集；
[0101]
基于继续扩充后的有标签训练样本集继续对初步车位检测模型进行训练，直至满足迭代停止条件，以得到车位检测模型。
[0102]
在一些实施例中，从无标签样本集中继续选取部分无标签样本构建新的待筛选无标签样本子集，可以为从无标签样本集中除属于当前待筛选无标签样本子集和无标签验证样本集之外的无标签样本中选取部分无标签样本构建新的待筛选无标签样本子集。
[0103]
在一些实施例中，基于继续扩充后的有标签训练样本集继续对初步车位检测模型进行训练，得到第一次迭代后的初步车位检测模型，可基于无标签验证样本集对第一次迭代后的初步车位检测模型进行验证，判断第一次迭代后的初步车位检测模型检测出的无标签验证样本集中样本比例是否小于第一次迭代之前的初步车位检测模型对无标签验证样本集进行检测得到的样本比例；如果是，确定不满足迭代停止条件，可循环执行构建新的待筛选无标签样本子集、获取新的难负样本、扩充有标签训练样本集以及对上一次迭代后得到的初步车位检测模型进行训练的步骤，并在每一次迭代后基于无标签验证样本集对当前迭代后的初步车位检测模型进行验证，直至满足迭代停止条件，得到车位检测模型。
[0104]
以上为本发明另一实施例提供的车位检测模型训练方法，该方法可以实现与图2示出的实施例相同的有益效果，同时，通过基于无标签验证样本集对训练后得到的初步车位检测模型进行验证，基于初步车位检测模型检测出的样本比例和历史样本比例进行对比，从而根据对比结果确定是否满足迭代停止条件，可以有效提升迭代效率以及得到精确度较高的车位检测模型。
[0105]
作为具体示例，参见图7所示，图7是本发明具体示例提供的一种车位检测模型训练方法的流程示意图。
[0106]
该车位检测模型训练方法大致可分为模型推理、难负样本筛选、无停车位难负样本集的构建、模型训练以及模型更新几个阶段。
[0107]
其中，模型推理阶段：车辆采集数据，其中车辆采集数据可以为采集车辆周围的车
位场景图像，将车位场景图像作为无标签样本并基于无标签样本构建无标签样本集；
[0108]
从无标签样本集中部分采样，获取到待筛选无标签样本子集；
[0109]
将待筛选无标签样本子集输入车位检测模型，得到待筛选无标签样本子集中每个无标签样本的检测结果；
[0110]
难负样本筛选阶段：根据每个无标签样本的检测结果，判断无标签样本是否含车位；如果是，则舍弃该无标签样本；如果否，进行难负样本判定，将不属于难负样本的舍弃，将属于难负样本的无标签样本用于构建无停车位难负样本集。
[0111]
其中，可利用含车位衡量值和含车位衡量阈值从当前待筛选无标签样本子集中含车位的无标签样本。具体的，含车位衡量阈值可以包括第一含车位衡量阈值，当无标签样本的含车位衡量值大于第一含车位衡量阈值时确定该无标签样本中含车位，进而将该无标签样本舍弃。
[0112]
含车位衡量阈值还可以包括第二含车位衡量阈值，对于当前待筛选无标签样本子集中小于等于第一含车位衡量阈值的其余无标签样本，可根据第二含车位衡量阈值或者根据第二含车位衡量阈值和当期迭代次数，判定难负样本。
[0113]
模型训练阶段：将构建的无停车位难负样本集合入训练数据集，得到扩充后的训练数据集，其中，扩充前的训练数据集为有标签训练样本集；将扩充后的训练数据集输入车位检测模型，该车位检测模型即为模型推理阶段的车位检测模型，以该车位检测模型作为预训练模型。
[0114]
模型更新阶段：利用训练后得到的车位检测模型更新模型推理阶段的预训练的车位检测模型。
[0115]
其中，车位场景图像可以包括包含有车位的车位场景图像和/或无车位的车位场景图像，包含有车位的车位场景图像中可以包括车位线等特征，无车位的车位场景图像中可以包含有地面纹理等非车位线特征。
[0116]
在一些实施例中，可以循环执行上述几个阶段，基于新的待筛选无标签样本子集不断对车位检测模型进行迭代训练，直至训练后得到的车位检测模型满足迭代停止条件。
[0117]
本领域技术人员能够理解的是，本发明实现上述实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。
[0118]
本发明的另一方面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中存储有计算机程序，计算机程序被处理器执行时能够实现上述任一实施例所述的车位检测方法。
[0119]
该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
[0120]
本发明的另一方面，还提供了一种车辆，其包括：车辆本体、存储器和处理器，存储器中存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例所述的车位检测
方法。
[0121]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。