用于识别图像中目标对象的方法、装置和设备

1.本发明总体上涉及图像处理领域，更具体地，涉及用于识别图像中目标对象的方法、装置和设备。


背景技术：

2.随着社会不断发展，越来越多的场景都需要通过获取场景图像并对其进行分析来解决问题。但是由于各种原因，所获取的图像可能存在各种各样的问题，使得难以提取特征或所提取的特征不能满足要求。例如，公共交通的安检工作就需要用x光机拍摄乘客行李的图像以确定是否有违禁品。现有的安检工作通常是由人工来检查拍摄的图像中是否有违禁品，但是人工安检会存在人力成本高、漏检误检多、检测效率低等问题，因此可以利用机器代替人工进行安检。
3.然而，与包含丰富的纹理表征信息的自然光图像不同，x光机生成的x光图像存在遮挡严重、颜色匮乏等问题，导致现有机器模型能够提取到的目标对象的特征微乎其微，并且缺乏可区分度，使其无法正确分辨目标对象的类别，从而产生错误预测，导致检测性能下降。
4.因此，需要一种新型的用于识别图像中目标对象的方法、装置和设备，以解决上述问题。


技术实现要素：

5.在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
6.根据本发明的一方面，提供了一种用于识别图像中目标对象的方法，所述方法包括：获取待检测的图像，所述图像包含待识别的目标对象；将所述图像输入到经训练的特征增强模型中，以基于所存储的与所述目标对象相关联的全局类别原型特征来增强所述目标对象的特征，其中所述全局类别原型特征在对所述特征增强模型进行训练期间得到并存储；以及根据经增强的目标对象的特征来识别所述图像中的目标对象。
7.在一个实施例中，其中所述将所述图像输入到经训练的特征增强模型中，以基于所存储的与所述目标对象相关联的全局类别原型特征来增强所述目标对象的特征，包括：对所述图像进行特征提取，得到所述图像的图像特征图；对所述图像特征图进行目标检测，得到包围所述目标对象的候选框；以及将所述候选框映射到所述图像特征图上，得到所述候选框特征；以及将所述候选框特征和与所述候选框对应的全局类别原型特征进行融合，以增强所述目标对象的特征。
8.在一个实施例中，其中所述将所述候选框特征和与所述候选框对应的全局类别原型特征进行融合，以增强所述目标对象的特征，包括：计算所述候选框特征与每个全局类别原型特征的相似度，以确定与所述候选框对应的全局类别原型特征。
9.在一个实施例中，所述待检测的图像是x光图像，所述目标对象是违禁品。
10.在一个实施例中，其中所述经训练的特征增强模型包括目标检测网络、原型聚合网络和特征融合网络，其通过以下步骤进行训练而得到：获取包含目标对象的训练图像集，对所述训练图像集中的各个对象进行标注；经由所述特征增强模型中的目标检测网络对所述训练图像集中每个训练图像进行特征提取，得到所述训练图像的图像特征图，对所述图像特征图进行目标检测和过滤，得到包围所述训练图像中的目标对象的候选框；经由所述特征增强模型中的原型聚合网络对所述图像特征图和所述候选框进行处理，得到与所述候选框相对应的候选框特征和针对目标对象所属类别的所述全局类别原型特征，所述全局类别原型特征被存储并用于在测试阶段基于所述全局类别原型特征来增强待检测的图像中的待识别的目标对象的特征；经由所述特征增强模型中的特征融合网络对所述候选框特征和与所述候选框对应的全局类别原型特征进行融合，以增强所述目标对象的特征；以及基于所述全局类别原型特征计算损失，并基于所述损失更新所述特征增强模型的参数。
11.在一个实施例中，其中所述经由所述特征增强模型中的原型聚合网络对所述图像特征图和所述候选框进行处理，得到与所述候选框相对应的候选框特征和针对目标对象所属类别的全局类别原型特征，包括：将所述候选框映射到所述图像特征图上，得到所述候选框特征；将所述候选框特征按照不同目标对象进行划分，得到目标候选框特征集合；以及基于所述目标候选框特征集合建立针对每个目标对象的目标原型特征；基于所述目标原型特征得到所述目标对象所属类别的类别概率向量；基于所述目标原型特征和所述类别概率向量计算针对所述目标对象所属类别的类别原型特征；以及基于所述类别原型特征建立全局类别原型特征，并在每次训练迭代中进行更新所述全局类别原型特征。
12.在一个实施例中，其中所述经由所述特征增强模型中的特征融合网络对所述候选框特征和与所述候选框对应的全局类别原型特征进行融合，以增强所述目标对象的特征，包括：基于所述候选框特征对应的目标对象的类别标签来确定与所述候选框对应的全局类别原型特征。
13.根据本发明的另一方面，提供了一种用于识别图像中目标对象的装置，所述装置包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行如上所述的用于识别图像中目标对象的方法。
14.根据本发明的又一方面，提供了一种设备，所述设备包括图像采集装置和如上所述的用于识别图像中目标对象的装置，其中所述图像采集装置用于采集待检测物品的图像以得到待检测的图像，所述用于识别图像中目标对象的装置用于对所述待检测的图像进行处理以根据经增强的目标对象的特征来识别所述图像中的所述目标对象。
15.根据本发明的再一方面，提供了一种计算机可读介质，所述计算机可读介质上存储有计算机可执行指令，所述计算机可执行指令在被执行时，执行如上所述的用于识别图像中目标对象的方法。
16.根据本发明实施例的用于识别图像中目标对象的方法、装置和设备，能够增强目标的表示特征，根据增强后的表示特征来识别目标，有效地解决了因目标的表示特征微弱而导致的目标检测任务性能下降的问题，能够更容易分辨出目标类别，提升了机器模型的目标检测性能。
附图说明
17.本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述，用来解释本发明的原理。
18.附图中：
19.图1示出了根据本发明的一个实施例的用于识别图像中目标对象的方法的示例性步骤流程图；
20.图2示出了根据本发明的一个实施例的特征增强模型的示意性结构框图；
21.图3示出了根据本发明的一个实施例的用于识别图像中目标对象的装置的示意性结构框图；和
22.图4示出了根据本发明的一个实施例的设备的示意性结构框图。
具体实施方式
23.为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
24.如上所述，由于所拍摄的图像可能存在各种各样的问题，使得难以通过提取图像特征来解决问题。
25.因此，为了提高机器模型利用图像特征解决问题的能力，本发明提供了一种用于识别图像中目标对象的方法，该方法包括：获取待检测的图像，该图像包含待识别的目标对象；将该图像输入到经训练的特征增强模型中，以基于所存储的与该目标对象相关联的全局类别原型特征来增强该目标对象的特征，其中该全局类别原型特征在对特征增强模型进行训练期间得到并存储；以及根据经增强的目标对象的特征来识别图像中的目标对象。
26.根据本发明的用于识别图像中目标对象的方法，能够增强目标的表示特征，根据增强后的表示特征来识别目标，有效地解决了因目标的表示特征微弱而导致的目标检测任务性能下降的问题，能够更容易分辨出目标类别，提升了机器模型的目标检测性能。
27.下面结合具体实施例详细描述根据本发明的用于识别图像中目标对象的方法、装置和设备。
28.首先，参考图1描述根据本发明的一个实施例的用于识别图像中目标对象的方法100的示例性步骤流程图。如图1所示，增强图像中目标对象的特征的方法100可以包括如下步骤：
29.在步骤s110中，获取待检测的图像，该图像包含待识别的目标对象。
30.在步骤s120中，将该图像输入到经训练的特征增强模型中，以基于所存储的与目标对象相关联的全局类别原型特征来增强该目标对象的特征，其中所述全局类别原型特征在对所述特征增强模型进行训练期间得到并存储。
31.在步骤s130中，根据经增强的目标对象的特征来识别该图像中的目标对象。
32.在一个实施例中，用于识别图像中目标对象的方法100可以用于各种场景，例如公共场所的安检、医学上器官的识别、自动驾驶中的道路目标检测等，本发明对此不作限定。
33.在一个实施例中，待检测的图像可以为x光图像，还可以为上述任何场景中获得的图像，本发明对此不作限定。
34.在一个实施例中，待检测的图像可以包括待识别的目标对象和非目标对象。例如，在安检场景下，目标对象可以包括各种违禁品，例如酒精、管制刀具、枪支、炸药等；非目标对象可以包括除待识别的目标对象以外的任何其他物品，例如化妆品、水杯、电脑、手机等，本发明对此不作限定。
35.参考图2，图2示出了根据本发明的一个实施例的特征增强模型200的示意性结构框图。如图2所示，特征增强模型200可以包括目标检测网络210、原型聚合网络220和特征融合网络230。
36.在一个实施例中，步骤s120中的基于所存储的与目标对象相关联的全局类别原型特征来增强该目标对象的特征可以包括如下步骤：
37.步骤s1220：对待检测的图像进行特征提取，得到该图像的图像特征图；
38.步骤s1240：对图像特征图进行处理，得到包围待识别的目标对象的候选框对应的候选框特征；
39.步骤s1260：将候选框特征和与候选框对应的全局类别原型特征进行融合，以增强该目标对象的特征。
40.在一个实施例中，步骤s1220中的特征提取可以利用目标检测网络210中的特征提取层(例如卷积层等)来实施。
41.在一个实施例中，步骤s1240中的对图像特征图进行处理可以包括如下步骤：
42.步骤s1242：对图像特征图进行目标检测，得到包围目标对象的候选框；
43.步骤s1244：将候选框映射到该图像特征图上，得到候选框特征。
44.在一个实施例中，步骤s1242中的对图像特征图进行目标检测可以利用目标检测网络210中的目标检测层来实现。在一个实施例中，该目标检测层可以采用本领域公知的任何目标检测算法来实现目标检测，例如r-cnn、fast r-cnn、attentionnet，强化学习、cornernet、centernet、fcos等，本发明对此不作限定。
45.在一个实施例中，所得到的候选框可以用本领域公知的任何方式来表示，例如用中心点坐标(x,y)以及宽w和高h四个参数来表示，本发明对此不作限定。
46.在一个实施例中，对图像特征图进行目标检测时可得到包围目标对象的多个初始候选框，然后可以对该多个初始候选框进行过滤，以过滤掉冗余的初始候选框，得到与目标对象重合率最大的一个初始候选框作为候选框。在一个实施例中，可以采用本领域公知的任何算法对初始候选框进行过滤，例如非极大值抑制、均值漂移等，本发明对此不作限定。
47.步骤s1244中的将候选框映射到该图像特征图上，即确定该候选框在图像特征图上对应的区域，然后提取该区域的图像特征，作为候选框特征。该步骤可以采用原型聚合网络220中的映射层来实施。
48.在一个实施例中，步骤s1260中的将候选框特征和与候选框对应的全局类别原型特征进行融合时，首先要确定该候选框特征与所存储的哪个全局类别原型特征进行融合。
49.在一个实施例中，可以通过计算该候选框特征与每个全局类别原型特征的相似度(例如，余弦相似度等)，以确定所述与该候选框对应的全局类别原型特征。
50.在一个实施例中，步骤s1260中的将候选框特征和与候选框对应的全局类别原型
特征进行融合可以特征融合网络230来实施。
51.由于不同场景下不同类别的信息丢失程度不同，因此不同类别对类别原型特征中包含的可依据特征的需求程度也不同，因此，可以针对每一个类别设计一个带有激活层的卷积网络来自适应地调整不同类别对于类别原型特征中可依据特征的需求。因此，在一个实施例中，对所有候选框特征与每个候选框特征需要融合的全局类别原型特征进行特征融合操作时可以根据如下公式进行计算：
52.fe＝relu(conv
(k)
(ω
(k)
)) fr53.其中fr表示提取出的候选框特征，即待增强的表示特征，ω
(k)
表示参与融合的全局类别原型特征，conv
(k)
表示类别k的卷积网络，relu表示激活层，fe表示经过特征融合后得到的经增强的特征。
54.在一个实施例中，全局类别原型特征在对特征增强模型200进行训练期间得到并存储。
55.在一个实施例中，经训练的特征增强模型200可以通过以下步骤进行训练而得到：
56.获取包含目标对象的训练图像集，对该训练图像集中的各个对象进行标注；
57.经由特征增强模型中的目标检测网络210对训练图像集中每个训练图像进行处理，得到训练图像的图像特征图和包围该训练图像中的目标对象的候选框；
58.经由特征增强模型中的原型聚合网络220对图像特征图和候选框进行处理，得到与候选框相对应的候选框特征和针对目标对象所属类别的全局类别原型特征；
59.经由特征增强模型中的特征融合网络230对候选框特征和与候选框对应的全局类别原型特征进行融合，以增强目标对象的特征；
60.基于全局类别原型特征计算损失，并基于该损失更新特征增强模型的参数。
61.在一个实施例中，在将特征增强模型200应用于不同场景时，可以采用相应场景下获得的图像作为训练图像，例如在安检场景下，可以获取需要安检的行李的图像作为训练图像。在本发明中，行李为行李、包裹、袋子、箱子、背包、手提包等的统称。该训练图像包括待识别的目标对象和非目标对象。例如，在安检场景下，目标对象可以包括各种违禁品，例如酒精、管制刀具、枪支、炸药等；非目标对象可以包括除待识别的目标对象以外的任何其他物品，例如化妆品、水杯、电脑、手机等，本发明对此不作限定。根据需要，训练图像集可以包括任意数量的训练图像(例如，100张图像)，还可以将这些训练图像分成若干个训练批次(例如10个训练批次，每个训练批次10张图像)，每个训练迭代采用一个批次的训练图像进行训练，本发明对此不作限定。
62.在一个实施例中，在对该训练图像集中的各个对象进行标注时，目标对象和非目标对象可以采用不同的标签进行标注，且不同类别的目标对象也可以采用不同的标签进行标注，例如非目标对象的标签为0，不同类别的目标对象的标签可以分别为1,2,3,4等，本发明对此不作限定。
63.在一个实施例中，目标检测网络210对训练图像集中每个训练图像进行处理时，首先对训练图像进行特征提取，得到该训练图像的图像特征图，然后对该图像特征图进行目标检测和过滤，得到包围目标对象的候选框。
64.在一个实施例中，针对每个训练图像，可以提取多个尺度的图像特征图，以提高模型训练的精度。
65.在一个实施例中，对图像特征图进行目标检测可以采用本领域公知的任何目标检测算法来实现目标检测，例如r-cnn、fast r-cnn、attentionnet，强化学习、cornernet、centernet、fcos等，本发明对此不作限定。
66.在一个实施例中，所得到的候选框可以用本领域公知的任何方式来表示，例如用中心点坐标(x,y)以及宽w和高h四个参数来表示，本发明对此不作限定。
67.在一个实施例中，原型聚合网络对图像特征图和候选框进行处理时，首先，将候选框映射到图像特征图上，即确定该候选框在图像特征图上对应的区域，然后提取该区域的图像特征，从而得到候选框特征。在得到候选框特征后，可以将所得到的所有目标对象的所有候选框特征按照不同的目标对象进行划分，即每个目标对象的所有候选框特征划分为一个集合，从而得到该目标对象的目标候选框特征集合其中i为第i个目标对象。然后基于该目标候选框特征集合计算针对目标对象所属类别的全局类别原型特征。
68.在一个实施例中，将所有候选框特征划分为不同目标对象的候选框特征集合v(i)时，需要过滤掉低质量的候选框，即过滤掉候选框与所属目标对象的真值标注框之间的交并比iou值小于阈值的候选框，使得每个目标对象的候选框特征集合中的每个候选框特征与对应目标对象i的真值标注框之间的交并比iou要大于阈值。
69.在一个实施例中，在基于目标候选框特征集合计算针对目标对象所属类别的全局类别原型特征时，为了将同一个目标对象对应的所有候选框特征聚合在一起来生成该目标对象最为准确的特征图，首先可以基于目标候选框特征集合建立针对每个目标对象的目标原型特征来代表该目标对象。示例性地，每个目标对象的目标原型特征ω(i)可以根据如下公式来建立：
[0070][0071]
其中，表示候选框特征集合v(i)中第n个候选框特征，表示目标对象i的真值标注框，nk表示属于目标对象i的候选框特征的数量，iou(
·
)表示两者之间的交并比，ω(i)代表目标对象i的目标原型特征。
[0072]
在得到目标原型特征ω(i)后，然后基于目标原型特征ω(i)计算该目标对象所属类别的类别概率向量p(i)，其中i为第i个目标对象。类别概率向量p(i)为长度为所有类别数量的一维向量，p
(i,k)
表示目标原型特征ω(i)属于第k个类别的概率。对于训练阶段而言，类别概率向量p(i)为一个只包含0和1的向量，即该目标对象所对应真值类别标签的概率为1，其余类别概率为0。
[0073]
在得到类别概率向量p(i)后，然后基于目标原型特征ω(i)和类别概率向量p(i)计算针对目标对象所属类别的类别原型特征ω
(k)
，其中k为第k个类别。第k个类别的类别原型特征ω
(k)
可以根据如下公式计算：
[0074][0075]
其中，p
(i,k)
表示目标原型特征ω(i)属于第k个类别的概率，n(i)表示属于第k个类别的目标对象的数量，ω
(k)
表示第k个类别的类别原型特征。
[0076]
在得到类别原型特征ω
(k)
后，然后基于类别原型特征ω
(k)
建立全局类别原型特征l，并在每次训练迭代中进行更新该全局类别原型特征l。在更新全局类别原型特征l时可以如下公式来实现：
[0077][0078]
其中α表示两个变量之间的余弦相似度，即其中α表示两个变量之间的余弦相似度，即表示第l个训练迭代时第k个类别的类别特征原型，表示经过第l-1个训练迭代后第k个类别的全局类别原型特征。在训练完成后，存储经更新的最终的全局类别原型特征，以供在测试阶段基于该全局类别原型特征来增强待检测的图像中的待识别的目标对象的特征。
[0079]
为了能够进一步增强不同类别之间可提取的可依据特征，从而更好地区分开不同的类别的对象，可以将得到的类别原型特征映射成一个线性特征向量，并在这些特征向量上设计一个损失函数来计算原型区分损失。在一个实施例中，可以根据需要设置本领域公知的任何类型的损失函数，例如绝对值损失函数、对数损失函数、指数损失函数、交叉熵损失函数、感知损失函数等，本发明对此不作限定。
[0080]
在一个实施例中，可以将损失函数设置为表示为每两个类别之间余弦相似度的平均值，在计算原型区分损失时根据如下公式计算：
[0081][0082]
其中表示原型区分损失，cos(
·
)表示余弦相似度，ω(i)表示第i个类别的全局类别原型特征，nk表示所有类别的数量。
[0083]
在训练阶段，在对候选框特征和与候选框对应的全局类别原型特征进行融合时，可以基于候选框特征对应的目标对象的类别标签来确定与该候选框对应的全局类别原型特征。
[0084]
由于不同场景下不同类别的信息丢失程度不同，因此不同类别对类别原型特征中包含的可依据特征的需求程度也不同，因此，可以针对每一个类别设计一个带有激活层的卷积网络来自适应地调整不同类别对于类别原型特征中可依据特征的需求。对所有候选框特征与每个候选框特征需要融合的全局类别原型特征进行特征融合操作时可以根据如下公式进行计算：
[0085]
fe＝relu(conv
(k)
(ω
(k)
)) fr[0086]
其中fr表示提取出的候选框特征，即待增强的表示特征，ω
(k)
表示参与融合的全局类别原型特征，conv
(k)
表示类别k的卷积网络，relu表示激活层，fe表示经过特征融合后得到的经增强的特征。
[0087]
本发明的用于识别图像中目标对象的方法，能够增强目标的表示特征，根据增强后的表示特征来识别目标，有效地解决了因目标的表示特征微弱而导致的目标检测任务性能下降的问题，能够更容易分辨出目标类别，提升了机器模型的目标检测性能。
[0088]
本发明还提供了一种用于识别图像中目标对象的装置。参考图3，图3示出了根据本发明的一个实施例的用于识别图像中目标对象的装置300的示意性结构框图。如图3所示，用于识别图像中目标对象的装置300可以包括存储器310和处理器320，存储器310存储有由处理器320运行的计算机程序，所述计算机程序在被处理器320运行时，使得处理器320执行前文所述的根据本发明实施例的用于识别图像中目标对象的方法100。本领域技术人员可以结合前文所述的内容理解根据本发明实施例的用于识别图像中目标对象的装置300的具体操作，为了简洁，此处不再赘述。
[0089]
本发明还提供了一种设备。参考图4，图4示出了根据本发明的一个实施例的设备400的示意性结构框图。如图4所示，设备400可以包括图像采集装置410和如上所述的用于识别图像中目标对象的装置300，其中图像采集装置410用于采集待检测物品的图像以得到待检测的图像，用于识别图像中目标对象的装置300用于对待检测的图像进行处理以根据经增强的目标对象的特征来识别该图像中的该目标对象。
[0090]
在一个实施例中，图像采集装置410可以为本领域公知的任何图像采集装置，例如x光机、摄像头、摄像机、相机、扫描仪等。
[0091]
本发明的用于识别图像中目标对象的装置和设备，能够增强目标的表示特征，根据增强后的表示特征来识别目标，有效地解决了因目标的表示特征微弱而导致的目标检测任务性能下降的问题，能够更容易分辨出目标类别，提升了机器模型的目标检测性能。
[0092]
本发明还提供了一种计算机可读介质，该计算机可读介质上存储有计算机可执行指令，该计算机可执行指令在被执行时，执行如上所述的用于识别图像中目标对象的方法100的相应步骤。任何有形的、非暂时性的计算机可读介质皆可被使用，包括磁存储设备(硬盘、软盘等)、光存储设备(cd-rom、dvd、蓝光光盘等)、闪存和/或诸如此类。这些计算机可执行指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器，使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定功能的装置。这些计算机可执行指令也可以存储在计算机可读存储器中，该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行，这样存储在计算机可读存储器中的指令就可以形成一件制造品，包括实现指定功能的实现装置。计算机可执行指令也可以加载到计算机或其他可编程数据处理设备上，从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程，使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
[0093]
此外，根据本发明的实施例，还提供了一种计算机程序，所述计算机程序被计算机或处理器运行时用于执行本发明实施例的用于识别图像中目标对象的方法100的相应步骤。
[0094]
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性
的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
[0095]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0096]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0097]
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0098]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0099]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0100]
以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，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。本发明的保护范围应以权利要求的保护范围为准。