人脸识别的特征提取分类度量学习方法、系统及存储介质

1.本发明涉及人脸识别领域，特别涉及一种人脸识别的特征提取分类度量学习方法、系统及存储介质。


背景技术：

2.人脸识别技术作为最重要的身份辨认技术，具有非接触性、实时性以及安全性等特点，目前广泛运用于智能安防、移动支付等众多科技领域。人脸图像特征提取是人脸识别的关键步骤，随着深度学习与计算机视觉技术的迅速发展，卷积神经网络的自学习特征提取与人为设计特征提取相比，具有更高的准确率和泛化能力。
3.目前通用的人脸识别神经网络中，存在如下缺陷：
4.广泛使用的人脸图像特征提取操作能够较好提取人脸特征，但是特征图具有一定的稀疏性，并且常用的全局平均、最大以及随机池化操作会加重其特征图稀疏性，而过于稀疏的特征图会损失图像特征而导致误识率高。
5.损失函数在深度神经网络中扮演着至关重要的角色，对比损失函数和三元组损失函数这常用的两种度量学习损失函数，基于度量学习(相似度学习)的损失函数存在着取样复杂的问题，以至于神经网络的训练难度被大幅提高。


技术实现要素：

6.本发明的提供一种人脸识别的特征提取分类度量学习方法、系统及存储介质，在特征提取时可提高图像精度，降低误识率，同时分类化度量学习的时间复杂度也较低。
7.第一方面，提供一种人脸识别的特征提取分类度量学习方法，包括以下步骤：
8.获取已检测对齐的初始人脸图像；
9.对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；
10.通过thetamex函数对所述人脸特征图进行映射处理，获取映射特征图。
11.通过分类化损失函数对所述映射特征图进行分类化度量学习。
12.根据第一方面，在第一方面的第一种可能的实现方式中，所述“对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图”步骤，具体包括以下步骤：
13.将卷积核在所述初始人脸图像上从初始位置滑动至末尾位置，获取特征提取矩阵数据；
14.将所述特征提取矩阵数据进行数据归一化处理；
15.通过非线性relu函数对归一化处理后的所述特征提取矩阵数据进行非线性变换，获取待映射的人脸特征图。
16.根据第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述“通过thetamex函数对所述人脸特征图进行映射处理，获取映射特征图”步骤，具体包括以下步骤：
17.根据以下公式，获取映射特征图feature：
[0018][0019]
式(1)中，featurek为thetamex函数输出的第k个映射特征图，m为人脸特征图的宽，n为人脸特征图的高，为输入的第k张人脸特征图中的第i行第j列的特征值，θk为第k个thetamex函数算子的超参数。
[0020]
根据第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述“通过分类化损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：
[0021]
分类化损失函数包括分类化对比损失函数及分类化三元组损失函数；
[0022]
通过分类化对比损失函数对所述映射特征图进行分类化度量学习；或者，
[0023]
通过分类化三元组损失函数对所述映射特征图进行分类化度量学习。
[0024]
根据第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，所述“通过分类化对比损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：
[0025]
通过以下分类化对比损失函数对所述映射特征图进行分类化度量学习；
[0026][0027]
式(2)中，n为映射特征图的数量，为特征向量，为权重矩阵第i列的列向量，为的转置矩阵，margin为预设阈值。
[0028]
根据第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述“通过分类化三元组损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：
[0029]
通过以下分类化三元组损失函数对所述映射特征图进行分类化度量学习；
[0030][0031]
式(3)中，为映射特征图的锚点，为锚点特征向量，w
p
为与锚点同类的映射特征图，为与锚点特征向量相似的权重矩阵的列向量，wn为与锚点不同类的映射特征图，为与锚点特征向量不相似的权重矩阵的列向量，margin为预设阈值。
[0032]
根据第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，所述“获取已检测对齐的初始人脸图像”步骤之前，具体包括以下步骤：
[0033]
控制摄像头对人像目标物进行拍照，获取人像视频流，并检测裁剪人像视频流中的待调整人脸图像；
[0034]
将所述待调整人脸图像调整对齐摄像头，获取初始人脸头像。
[0035]
第二方面，提供一种人脸识别的特征提取分类度量学习系统，包括：
[0036]
初始人脸图像获取模块，用于获取已检测对齐的初始人脸图像；
[0037]
待映射的人脸特征图获取模块，与所述初始人脸图像获取模块通信连接，用于对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；
[0038]
映射特征图获取模块，与所述待映射的人脸特征图获取模块通信连接，用于通过thetamex函数对所述人脸特征图进行映射处理，获取映射特征图。
[0039]
分类化度量学习模块，与所述映射特征图获取模块通信连接，用于通过分类化损失函数对所述映射特征图进行分类化度量学习。
[0040]
根据第二方面，在第二方面的第一种可能的实现方式中，包括：检测对齐模块，与所述初始人脸图像获取模块通信连接，用于控制摄像头对人像目标物进行拍照，获取人像视频流，并检测裁剪人像视频流中的待调整人脸图像；将所述待调整人脸图像调整对齐摄像头，获取初始人脸头像。
[0041]
第三方面，提供一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述所述的人脸识别的特征提取分类度量学习方法。
[0042]
与现有技术相比，本发明的优点如下：首先获取已检测对齐的初始人脸图像；然后对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；再通过thetamex函数对所述人脸特征图进行映射处理，获取映射特征图，thetamex函数的参数的取值可自适应映射至极大值与极小值间的任意值，因此能够自由控制该thetamex函数的输出，对特征图的稀疏性进行控制，获得的映射特征图能提高图像精度，降低误识率；再通过分类化损失函数对所述映射特征图进行分类化度量学习，能够在损失函数进行度量学习的基础上引入分类化思想，而分类损失只需要事先对多个样本提取一个类中心作为“模拟类”，再将样本与“模拟类”进行比对，因此函数的时间复杂度较低，不需每次都同时采样两个样本，只需要每次采集一张样本图像即可进行度量学习。
附图说明
[0043]
图1是本发明人脸识别的特征提取分类度量学习方法的一实施例的流程示意图；
[0044]
图2是本发明thetamex函数映射流程示意图；
[0045]
图3是本发明人脸识别的特征提取分类度量学习系统的流程示意图；
[0046]
附图标号：
[0047]
100、人脸识别的特征提取分类度量学习系统；110、初始人脸图像获取模块；120、待映射的人脸特征图获取模块；130、映射特征图获取模块；140、分类化度量学习模块；150、检测对齐模块。
具体实施方式
[0048]
现在将详细参照本发明的具体实施例，在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明，但将理解，不是想要将本发明限于所述的实施例。相反，想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意，这里描述的方法步骤都可以由任何功能块或功能布置来实现，且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
[0049]
为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发
明作进一步详细说明。
[0050]
注意：接下来要介绍的示例仅是一个具体的例子，而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
[0051]
参见图1所示，本发明实施例提供一种人脸识别的特征提取分类度量学习方法，包括以下步骤：
[0052]
s100，获取已检测对齐的初始人脸图像；
[0053]
s200，对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；
[0054]
s300，通过thetamex函数对所述人脸特征图进行映射处理，获取映射特征图；
[0055]
s400，通过分类化损失函数对所述映射特征图进行分类化度量学习。
[0056]
具体地，本实施例中，首先获取已检测对齐的初始人脸图像；然后对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；
[0057]
由于现有的人脸图像特征提取操作能够较好提取人脸特征，但是提取的人脸特征图具有一定稀疏性，并且常用的全局平均、最大以及随机池化操作会加重其特征图稀疏性，而过于稀疏的特征图会损失图像特征而导致误识率高，因此针对于此，将thetamex函数嵌入人脸验证神经网络模型mobilefacenet和light-cnn，对该两种模型的池化层进行替换，具体步骤是将mobilefacenet中的global depthwise conv替换为thetamex pool，其他网络结构不做改变；类似地，将light-cnn中的全局平均池化层替换为thetamex pool，因此通过thetamex函数对所述人脸特征图进行映射处理，获取映射特征图，thetamex函数的参数θ的取值可自适应映射至极大值与极小值间的任意值，因此能够自由控制该thetamex函数的输出，对特征图的稀疏性进行控制，获得的映射特征图能提高图像精度，降低误识率。
[0058]
由于现有基于度量学习(相似度学习)的损失函数是样本与样本之间的比对，时间复杂度较高，取样难度较大，因此当获取映射特征图后，通过分类化损失函数对所述映射特征图进行分类化度量学习，能够在损失函数进行度量学习的基础上引入分类化思想，而分类损失只需要事先对多个样本提取一个类中心作为“模拟类”，再将样本与“模拟类”进行比对，因此函数的时间复杂度较低，不需每次都同时采样两个样本，只需要每次采集一张样本图像即可进行度量学习。
[0059]
优选地，在本技术另外的实施例中，所述“s200，对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图”步骤，具体包括以下步骤：
[0060]
s210，将卷积核在所述初始人脸图像上从初始位置滑动至末尾位置，获取特征提取矩阵数据；
[0061]
s220，将所述特征提取矩阵数据进行数据归一化处理；
[0062]
s230，通过非线性relu函数对归一化处理后的所述特征提取矩阵数据进行非线性变换，获取待映射的人脸特征图。
[0063]
具体地，本实施例中，s210，对初始人脸图像进行卷积处理，图像卷积计算过程和信号处理中的卷积计算过程类似，将一个较小的正方形卷积核在初始人脸图像(二维图像)上进行滑动，卷积核在二维图像上覆盖的像素值与卷积核对应的数值相乘后再相加，直到卷积核滑动至二维图像末尾位置为止，从而获取特征提取矩阵数据，以便减少输入thetamex函数池化层中的参数数量。
[0064]
s220，将所述特征提取矩阵数据进行归一化处理；通过公式(四)计算特征提取矩阵数据的均值μ
batch
及通过公式(五)计算特征提取矩阵数据的标准差
[0065][0066][0067]
式(四)(五)中，n为特征提取矩阵数据的批次大小，xi为特征提取矩阵数据集合中的第i个的特征图数据，c为某不为0常数。
[0068]
然后通过公式(六)进行数据归一化处理，
[0069][0070]
式(六)中，γ为缩放变量，β为平移变量。
[0071]
因此通过数据归一化处理至[0，10]的区间之间，既能保留数据的原始学习特征，又能加速训练，为后续激活函数提供更好的数据分布。
[0072]
s230，由于前述卷积处理和归一化处理均为数据的线性变换，而线性变换的神经网络学习表达能力很差，相当于最原始的感知机，整个网络无论增加多少层数，依旧是只能提供线性变换。因此，通过非线性relu函数对归一化处理后的所述特征提取矩阵数据进行非线性变换-作为神经网络学习的激活函数，从而获取待映射的人脸特征图，因此relu函数不仅能够为数据提供非线性变换，也能够增强网络容错率，提高网络的泛化能力。
[0073]
优选地，在本技术另外的实施例中，所述“s300，通过thetamex函数对所述人脸特征图进行映射处理，获取映射特征图”步骤，具体包括以下步骤：
[0074]
根据以下公式，获取映射特征图feature：
[0075][0076]
式(1)中，featurek为thetamex函数输出的第k个映射特征图，m为人脸特征图的宽，n为人脸特征图的高，为输入的第k张人脸特征图中的第i行第j列的特征值，θk为第k个thetamex函数算子的超参数。
[0077]
具体地，本实施例中，参见图2所示，thetamex函数所设计的池化层中，将每个人脸特征图都被送入相互独立的thetamex函数算子中，通过式(1)对所述人脸特征图进行映射处理，获取映射特征图，thetamex函数池化层均采用最大值采样，采样大小为2*2，即把输入的人脸特征图分割成不重叠的2*2大小的矩形，对每个矩形取最大值，所以输出特征图的长和宽均是输入特征图的一半。thetamex池化层在替换原网络的池化层后，在误识率小于0.1％的要求下，召回率均得到了1％～2％左右的提升，在误识率不超过1％的情况下，正确率得到了2％-6％左右的提升；因此能够自由控制该thetamex函数的输出，对特征图的稀疏性进行控制，获得的映射特征图能提高图像精度，降低误识率。
[0078]
优选地，在本技术另外的实施例中，所述“s400，通过分类化损失函数对所述映射
特征图进行分类化度量学习”步骤，具体包括以下步骤：
[0079]
s410，分类化损失函数包括分类化对比损失函数及分类化三元组损失函数；
[0080]
s420，通过分类化对比损失函数对所述映射特征图进行分类化度量学习；或者，
[0081]
s430，通过分类化三元组损失函数对所述映射特征图进行分类化度量学习。
[0082]
具体地，本实施例中，对比损失函数和三元组损失函数这两种常用的度量学习损失函数时间复杂度分别达到o(n2)和o(n3)，而分类损失函数的时间复杂度为o(n)，因此在对比损失函数和三元组损失函数这两种损失函数中引入分类化思想，可以降低度量学习的时间复杂度。
[0083]
优选地，在本技术另外的实施例中，所述“s420，通过分类化对比损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：
[0084]
通过以下分类化对比损失函数对所述映射特征图进行分类化度量学习；
[0085][0086]
式(2)中，n为映射特征图的数量，为特征向量，为权重矩阵第i列的列向量，为的转置矩阵，margin为预设阈值。具体地，本实施例中，常规的对比损失函数的公式如下：
[0087][0088]
式中，n表示样本图像的个数，xi和xj表示两个样本图像的特征向量，y＝1时表示两样本图像为相似样本，y＝0时表示两样本图像不相似，margin表示阈值，意思是当两样本不相似时，必须将两个特征向量在高维空间中的距离优化到margin值以上。
[0089]
而上述式(2)的分类化对比损失函数，为权重矩阵第i列的列向量-即为映射特征图的模拟类，即相比于式(七)中每次度量学习需要采集两个样本图像，本分类化对比损失函数只需要事先设定一个模拟类然后逐一选取映射特征图与模拟类进行比对即可。
[0090]
优选地，在本技术另外的实施例中，所述“s430，通过分类化三元组损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：
[0091]
通过以下分类化三元组损失函数对所述映射特征图进行分类化度量学习；
[0092][0093]
式(3)中，为映射特征图的锚点，为锚点特征向量，w
p
为与锚点同类的映射特征图，为与锚点特征向量相似的权重矩阵的列向量，wn为与锚点不同类的映射特征图，为与锚点特征向量不相似的权重矩阵的列向量，margin为预设阈值。
[0094]
具体地，本实施例中，常规的三元组损失函数的公式如下：
[0095][0096]
式(八)中，表示锚点样本图像的特征向量，表示与锚点样本图像相似的特征向量，表示与锚点样本图像不相似的特征向量，三元组损失函数需要在多维空间中尽可能缩小相似向量的间距，增大不相似向量的间距至margin值以上。
[0097]
从映射特征图数据集中随机选一个样本，该样本称为anchor(锚点)，然后再随机选取一个和anchor(记为)属于同一类的样本和不同类的样本,这两个样本对应的称为positive(记为w
p
)和negative(记为wn)，由此构成一个(anchor，positive，negative)三元组；为positive和anchor之间的欧式距离度量，为negative和anchor之间的欧氏距离度量；为与锚点特征向量相似的权重矩阵的列向量-相似模拟类，为与锚点特征向量不相似的权重矩阵的列向量-不相似模拟类，本分类化三元组损失函数只需要预先设定两个模拟类然后分别与映射特征图的锚点进行距离度量，即通过对模拟类进行距离度量，尽可能缩小相似张量的间距并扩大不相似张量的间距，因此无需对每个相似和不相似的样本图像均进行距离度量，有效避免度量学习中所面临的采样难和优化难的问题，将对每个样本的度量学习转换为对该模拟类的度量学习，时间复杂度较低。
[0098]
优选地，在本技术另外的实施例中，所述“s100，获取已检测对齐的初始人脸图像”步骤之前，具体包括以下步骤：
[0099]
s010，控制摄像头对人像目标物进行拍照，获取人像视频流，并检测裁剪人像视频流中的待调整人脸图像；
[0100]
s011，将所述待调整人脸图像调整对齐摄像头，获取初始人脸头像。
[0101]
具体地，本实施例中，当人像在摄像头拍摄的范围内移动时控制摄像头自动地对其进行跟踪，并控制摄像头对人像目标物进行拍照，获取人像视频流，并检测裁剪人像视频流中的待调整人脸图像。具体做法如下：用大量的人脸和非人脸样本图像进行训练，得到一个解决2类分类问题的分类器，也称为人脸检测模板。这个分类器接受固定大小的输入图片，判断这个输入图片是否为人脸。
[0102]
若裁剪出的人脸图像有些面部左偏或右偏，人脸对齐模块针将定位人脸上眼睛，鼻子，嘴角等关键定位点，通过仿射变换矩阵对人脸图像进行面部矫正为正对摄像头的角度。
[0103]
参见图3所示，本发明还提供了一种人脸识别的特征提取分类度量学习系统100，包括：
[0104]
初始人脸图像获取模块110，用于获取已检测对齐的初始人脸图像；
[0105]
待映射的人脸特征图获取模块120，与所述初始人脸图像获取模块110通信连接，用于对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；
[0106]
映射特征图获取模块130，与所述待映射的人脸特征图获取模块120通信连接，用于通过thetamex函数对所述人脸特征图进行映射处理，获取映射特征图。
[0107]
分类化度量学习模块140，与所述映射特征图获取模块130通信连接，用于通过分类化损失函数对所述映射特征图进行分类化度量学习。
[0108]
优选地，在本技术另外的实施例中，还包括检测对齐模块150，与所述初始人脸图像获取模块110通信连接，用于控制摄像头对人像目标物进行拍照，获取人像视频流，并检测裁剪人像视频流中的待调整人脸图像；将所述待调整人脸图像调整对齐摄像头，获取初始人脸头像。
[0109]
本人脸识别的特征提取分类度量学习系统，首先获取已检测对齐的初始人脸图像；然后对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；再通过thetamex函数对所述人脸特征图进行映射处理，获取映射特征图，thetamex函数的参数θ的取值可自适应映射至极大值与极小值间的任意值，因此能够自由控制该thetamex函数的输出，对特征图的稀疏性进行控制，获得的映射特征图能提高图像精度，降低误识率；再通过分类化损失函数对所述映射特征图进行分类化度量学习，能够在损失函数进行度量学习的基础上引入分类化思想，而分类损失只需要事先对多个样本提取一个类中心作为“模拟类”，再将样本与“模拟类”进行比对，因此函数的时间复杂度较低，不需每次都同时采样两个样本，只需要每次采集一张样本图像即可进行度量学习。
[0110]
具体的，本实施例中各个模块的功能在相应的方法实施例中已经进行详细说明，因此不再一一赘述。
[0111]
基于同一发明构思，本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的所有方法步骤或部分方法步骤。
[0112]
本发明实现上述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，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，计算机程序包括计算机程序代码，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。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，r andom access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0113]
基于同一发明构思，本技术实施例还提供一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
[0114]
所称处理器可以是中央处理单元(central processing unit，cp u)，还可以是其他通用处理器、数字信号处理器(digital signal p rocessor，dsp)、专用集成电路(application specific integrated ci rcuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0115]
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等)；存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart m edia card，smc)，安全数字(secure digital，sd)卡，闪存卡(f lash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0116]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0117]
本发明是参照根据本发明实施例的方法、设备(系统)、服务器和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0118]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0119]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得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计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0120]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。