一种基于多尺度特征知识蒸馏的动态表情识别方法及系统

1.本发明属于机器学习与模式识别领域，特别涉及一种基于多尺度特征知识蒸馏的动态表情识别方法及系统。


背景技术：

2.在人们的日常交流中，情感是人与人之间相互理解的重要桥梁，情感的感知和理解能够帮助人们理解对方的各种行为和心理状态，在人际交往中发挥着非常重要的作用。随着人工智能等技术的不断进步，获得更加智能化、人性化的人机交互(human
–
computer interactions，hcis)体验越来越受到人们的关注。人们对机器智能化的要求越来越高，期望机器能够具有感知、理解甚至表达情感的能力，实现人性化的人机交互，更好地为人类服务。人脸表情是人类心理状态的直观反映，蕴含着丰富的情感信息，人脸表情识别作为人机交互技术的一个分支，在服务机器人、驾驶员疲劳检测等领域具有潜在的应用价值，近年来受到越来越多的关注。
3.随着深度学习的发展，基于深度卷积神经网络的表情识别算法取得了较好的性能。然而，日益复杂的卷积神经网络模型在带来高性能的同时，其巨大的参数量和计算量需要消耗大量的存储资源和计算资源，难以部署在存储和计算资源有限的移动终端或嵌入式设备中。为了节省神经网络模型的存储空间和计算开销，研究人员提出了基于知识蒸馏的深度神经网络模型优化方法。通过定义合适的蒸馏损失，知识蒸馏往往能够超越传统的基于真实标签的监督训练方法，实现模型推理准确率的提升。对比其他深度神经网络压缩优化方法，知识蒸馏的优点在于无需对模型结构进行复杂的修改，实施过程相对简单，可推广性好，模型稳定性好。
4.然而，传统的知识蒸馏方法只考虑将教师模型输出的标签预测值作为学生模型学习的“软目标”，通过匹配学生模型和教师模型的输出分布将知识传递给学生模型，但忽略了教师模型的中间层所蕴含的更丰富的暗知识和不同层间的信息。


技术实现要素：

5.发明目的：针对人脸图像序列中光流信息能够有效反映动态表情，然而光流计算复杂度高的问题，本发明的目的在于提供一种基于多尺度特征知识蒸馏的动态表情识别方法，在以光流图像序列为输入的教师模型和以人脸图像序列为输入的学生模型的多个不同特征层次之间进行知识蒸馏，通过在教师模型和学生模型的多个中间特征层之间构建蒸馏损失函数，将预训练后的教师模型的中间特征层所蕴含的从光流图像序列中学习到的动态表情特征蒸馏到学生模型的多个不同尺度的特征图中，使得学生模型无需复杂的光流计算，不仅能从人脸图像序列中提取动态表情特征，而且还能学习到从教师模型迁移过来的动态表情特征，从而增强模型的泛化能力以及对动态表情的鉴别能力，提升动态表情识别的准确率和鲁棒性。
6.技术方案：本发明为实现上述发明目的，本发明提出一种基于多尺度特征知识蒸
馏的动态表情识别方法，该方法包括以下步骤：
7.s1：对人脸表情视频库中的每个视频进行预处理，生成人脸图像序列样本和光流图像序列样本；
8.s2：构建知识蒸馏框架中的教师-学生模型，其中，学生模型和教师模型采用相同的深度神经网络结构；
9.s3：用光流图像序列样本对教师模型进行预训练；
10.s4：构建教师-学生模型的损失函数，利用预训练后的教师模型，使用光流图像序列样本和人脸图像序列样本分别输入教师-学生模型中的教师模型和学生模型进行多尺度特征知识蒸馏的训练；
11.s5：用训练好的教师-学生模型中的学生模型作为最终的表情识别模型，对输入视频中的人脸进行表情识别。
12.优选的，所述步骤s1中对人脸表情视频库中的每个视频进行预处理，生成人脸图像序列样本和光流图像序列样本的具体步骤如下：
13.(1.1)对人脸表情视频库中的每个视频按照时间顺序进行分段截取，生成每段长度为k帧的rgb图像序列；
14.(1.2)对所述长度为k帧的rgb图像序列进行人脸检测，并对检测出的人脸进行裁剪与对齐，得到长度为k帧、每帧分辨率为h
×
w的人脸图像序列样本，其中，h和w分别是人脸图像的高度和宽度；
15.(1.3)在长度为k帧的人脸图像序列的每相邻两帧之间分别计算光流，生成长度为(k-1)帧、每帧分辨率为h
×
w的光流图像序列样本；
16.(1.4)在长度为k帧的人脸图像序列中，去除其中的第1帧人脸图像，得到长度为(k-1)帧、每帧分辨率为h
×
w的人脸图像序列样本。
17.优选的，其中，k为整数，在16～32之间取值。
18.优选的，所述步骤s2中的学生模型和教师模型采用相同的深度神经网络结构，包含顺序连接的第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、全连接层、分类层。
19.优选的，所述步骤s3中用光流图像序列样本对教师模型进行预训练，具体方法为：将所述步骤(1.3)中得到的长度为(k-1)帧、每帧分辨率为h
×
w的光流图像序列样本输入到教师模型，使用交叉熵损失函数对光流图像序列进行分类训练，并冻结训练过程中准确率最高的教师模型参数。
20.优选的，所述步骤s4中构建教师-学生模型的损失函数的具体步骤如下：
21.(4.1)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型的第一特征提取模块之间构建第一特征层蒸馏损失函数，具体方法为：设教师模型和学生模型的第一特征提取模块输出的特征张量分别为模型的第一特征提取模块输出的特征张量分别为其中，下标t代表教师模型，下标s代表学生模型，上标(1)代表第一特征提取模块，(k-1)为光流图像序列或人脸图像序列的帧数，c
(1)
为第一特征提取模块提取的特征图的通道数，h
(1)
和w
(1)
分别为第一特征提取模块提取的特征图的高度和宽度，在通道维度上进行全局平均池化操作，分别得到特征张量和
定义第一特征层蒸馏损失函数为：
[0022][0023]
其中，t
(1)i,j,l
为特征张量中的一个元素，s
(1)i,j,l
为特征张量中的一个元素；
[0024]
(4.2)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型的第二特征提取模块之间构建第二特征层蒸馏损失函数，具体方法为：设教师模型和学生模型的第二特征提取模块输出的特征张量分别为模型的第二特征提取模块输出的特征张量分别为其中，上标(2)代表第二特征提取模块，(k-1)为光流图像序列或人脸图像序列的帧数，c
(2)
为第二特征提取模块提取的特征图的通道数，h
(2)
和w
(2)
分别为第二特征提取模块提取的特征图的高度和宽度，在通道维度上进行全局平均池化操作，分别得到特征张量和定义第二特征层蒸馏损失函数为：
[0025][0026]
其中，为特征张量中的一个元素，为特征张量中的一个元素；
[0027]
(4.3)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型之间构建第三特征层蒸馏损失函数，具体方法为：设教师模型和学生模型的第三特征提取模块输出的特征张量分别为其中，上标(3)代表第三特征提取模块，(k-1)为光流图像序列或人脸图像序列的帧数，c
(3)
为第三特征提取模块提取的特征图的通道数，h
(3)
和w
(3)
分别为第三特征提取模块提取的特征图的高度和宽度，在通道维度上进行全局平均池化操作，分别得到特征张量和定义第三特征层蒸馏损失函数为：
[0028][0029]
其中，t
(3)i,j,l
为特征张量中的一个元素，s
(3)i,j,l
为特征张量中的一个元素；
[0030]
(4.4)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型的第四特征提取模块之间构建第四特征层蒸馏损失函数，具体方法为：设教师模型和学生模型的第四特征提取模块输出的特征张量分别为模型的第四特征提取模块输出的特征张量分别为其中，上标(4)代表第四特征提取模块，(k-1)为光流图像序列或人脸图像序列的帧数，c
(4)
为第四特征提取模块提取的特征图的通道数，h
(4)
和w
(4)
分别为第四特征提取模块提取的特征图的高度和宽度，在通道维度上进行全局平均池化操作，分别得
到特征张量和定义第四特征层蒸馏损失函数为：
[0031][0032]
其中，t
(4)i,j,l
为特征张量中的一个元素，s
(4)i,j,l
为特征张量中的一个元素；
[0033]
(4.5)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型的全连接层之间构建全连接层蒸馏损失函数，具体方法为：定义教师模型和学生模型最后一个全连接层输出的logits特征向量分别为和其中，n为表情类别数，令v
t,n
、v
s,n
分别表示向量v
t
、vs中第n个类别的logit，那么输入样本属于第n个类别的预测概率是由softmax函数估计：
[0034][0035][0036]
其中，exp(
·
)表示以自然常数e为底的指数函数，p
t,n
、p
s,n
分别表示教师模型和学生模型对输入样本属于第n个类别的预测概率；对p
t,n
、p
s,n
引入蒸馏温度因子t计算软化后的类别预测概率分布，即令
[0037][0038][0039]
其中，蒸馏温度t为整数，当t
→
∞时所有类别具有相同的预测概率，当t
→
0时软标签成为one-hot编码的标签，即硬标签；利用蒸馏温度t控制每个软标签的重要性，从而在教师模型和学生模型之间进行基于软标签的知识蒸馏，得到学生模型的基于软标签的目标函数，以教师模型获得的软标签所蕴含的暗知识作为监督信息，将知识从教师模型迁移到学生模型；
[0040]
全连接层蒸馏损失函数使用交叉熵损失函数定义为：
[0041][0042]
(4.6)教师-学生模型分类层损失函数使用交叉熵损失函数，定义为：
[0043][0044]
其中，cn表示真实表情类别标签，当采用one-hot编码时，若真实表情属于第n个类别，则cn＝1，否则cn＝0，pn表示教师-学生模型分类层将训练样本预测为第n个类别的概率；
[0045]
(4.7)教师-学生模型的总损失函数定义为：
[0046]
l＝α1l1 α2l2 α3l3 α4l4 βl5 γl6[0047]
其中，α1、α2、α3、α4、β、γ是权重参数，α1、α2、α3、α4、β、γ均为正数且α1 α2 α3 α4 β γ＝1。
[0048]
优选的，t在1～10之间选取。
[0049]
本发明还提出一种基于多尺度特征知识蒸馏的动态表情识别系统，包括至少一台计算设备，所述计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现任一项所述的一种基于多尺度特征知识蒸馏的动态表情识别方法。
[0050]
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现任一项所述的一种基于多尺度特征知识蒸馏的动态表情识别方法。
[0051]
有益效果：与现有技术相比，本发明的技术方案具有以下技术效果：
[0052]
(1)本发明提供一种基于多尺度特征知识蒸馏的动态表情识别方法，在以光流图像序列为输入的教师模型和以人脸图像序列为输入的学生模型的多个不同特征层次之间进行知识蒸馏，通过在教师模型和学生模型的多个中间特征层之间构建蒸馏损失函数，使学生模型输出的多个不同尺度的特征图去拟合教师模型输出的相应尺度的特征图，将预训练后的教师模型的中间特征层所蕴含的从光流图像序列中学习到的动态表情特征蒸馏到学生模型的多个不同尺度的特征图中，使得学生模型无需复杂的光流计算，不仅能从人脸图像序列中提取动态表情特征，而且还能学习到从教师模型迁移过来的动态表情特征，提升学生模型的特征提取能力，从而增强模型的泛化能力以及对动态表情的鉴别能力，提升动态表情识别的准确率和鲁棒性。
[0053]
(2)本发明通过引入多层次知识蒸馏，以教师模型的多个中间特征层输出的不同尺度特征图和软标签所蕴含的暗知识作为监督信息，从不同角度指导学生模型的训练，将预训练后的教师模型从光流图像序列中学习到的动态表情特征迁移到学生模型，使得知识蒸馏的效率更高。
[0054]
(3)本发明使用光流图像序列样本对教师模型进行预训练，并冻结完成预训练后的教师模型参数，利用知识蒸馏中教师-学生模型的框架，能够将有效的动态表情特征从光流图像序列(源域)迁移到人脸图像序列(目标域)，不仅省略了学生模型在光流计算上的资源开销，而且还增强了学生模型在目标域上的特征提取能力及泛化能力，从而提升动态表情识别的准确率和鲁棒性。
附图说明
[0055]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0056]
图1为本发明实施例提供的一种基于多尺度特征知识蒸馏的动态表情识别方法的流程图；
[0057]
图2为本发明实施例提供的教师-学生模型结构图；
[0058]
图3为本发明实施例提供的教师模型结构图；
[0059]
图4为本发明实施例提供的表情识别模型结构图。
具体实施方式
[0060]
下面结合说明书附图对本发明的具体实施方式做进一步详细的说明。
[0061]
如图1所示，本发明实施例公开的一种基于多尺度特征知识蒸馏的动态表情识别方法，该方法包含以下步骤：首先，对人脸表情视频库中的每个视频进行预处理，生成人脸图像序列样本和光流图像序列样本；然后，构建知识蒸馏框架中的教师-学生模型；其次，用光流图像序列样本对教师模型进行预训练；接着，构建教师-学生模型的损失函数，利用预训练后的教师模型，对学生模型进行多尺度特征知识蒸馏的训练；最后，用训练好的教师-学生模型中的学生模型作为最终的表情识别模型，对输入视频中的人脸进行表情识别。在实际应用中，具体包括如下步骤：
[0062]
(1)对人脸表情视频库中的每个视频进行预处理，生成人脸图像序列样本和光流图像序列样本。
[0063]
本实施例采用ravdess人脸表情视频库。在实际中，也可以采用其他的人脸表情视频库，或自行采集人脸表情视频，建立包含人脸表情类别标签的人脸表情视频库。本实施例中使用的ravdess人脸表情视频库共包含1440个视频样本，每个视频样本中的人脸面部表情类别被标注为生气、害怕、厌恶、高兴、悲伤、惊讶、愤怒或中性。对ravdess人脸表情视频库中的每个视频进行预处理的具体步骤如下：
[0064]
(1.1)对人脸表情视频库中的每个视频按照时间顺序进行分段截取，生成每段长度为k帧的rgb图像序列，其中k为整数，在本实施例中k＝17；
[0065]
(1.2)对所述长度为k帧的rgb图像序列进行人脸检测，并对检测出的人脸进行裁剪与对齐，得到长度为k帧、每帧分辨率为h
×
w的人脸图像序列，其中，h和w分别是人脸图像的高度和宽度，在本实施例中，h＝224，w＝224；
[0066]
(1.3)在长度为k帧的人脸图像序列的每相邻两帧之间分别计算光流，生成长度为(k-1)帧、每帧分辨率为h
×
w的光流图像序列样本；
[0067]
(1.4)在长度为k帧的人脸图像序列中，去除其中的第1帧人脸图像，得到长度为(k-1)帧、每帧分辨率为h
×
w的人脸图像序列样本。
[0068]
(2)构建知识蒸馏框架中的教师-学生模型。
[0069]
构建的教师-学生模型中的学生模型和教师模型采用相同的深度神经网络结构，包含顺序连接的第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、全连接层，分类层，如图2所示。
[0070]
在本实施例中，第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块分别采用swin transformer网络中的第一阶段模块、第二阶段模块、第三阶
段模块、第四阶段模块。在实际应用中，特征提取模块也可以采用其他的深度神经网络结构。
[0071]
(3)用光流图像序列样本对教师模型进行预训练。
[0072]
如图3所示，将步骤(1.3)中得到的长度为(k-1)帧、每帧分辨率为h
×
w的光流图像序列样本输入到教师模型，使用交叉熵损失函数对光流图像序列进行分类训练，并冻结训练过程中准确率最高的教师模型参数。
[0073]
(4)构建教师-学生模型的损失函数，利用预训练后的教师模型，使用光流图像序列样本和人脸图像序列样本对学生模型进行多尺度特征知识蒸馏的训练，，具体步骤如下：
[0074]
(4.1)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型的第一特征提取模块之间构建第一特征层蒸馏损失函数，具体方法为：设教师模型和学生模型的第一特征提取模块输出的特征张量分别为模型的第一特征提取模块输出的特征张量分别为其中，下标t代表教师模型，下标s代表学生模型，上标(1)代表第一特征提取模块，(k-1)为光流图像序列或人脸图像序列的帧数，c
(1)
为第一特征提取模块提取的特征图的通道数，h
(1)
和w
(1)
分别为第一特征提取模块提取的特征图的高度和宽度，在通道维度上进行全局平均池化操作，分别得到特征张量和定义第一特征层蒸馏损失函数为：
[0075][0076]
其中，t
(1)i,j,l
为特征张量中的一个元素，s
(1)i,j,l
为特征张量中的一个元素。在本实施例中，c
(1)
＝96，h
(1)
＝56，w
(1)
＝56。
[0077]
(4.2)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型的第二特征提取模块之间构建第二特征层蒸馏损失函数，具体方法为：设教师模型和学生模型的第二特征提取模块输出的特征张量分别为模型的第二特征提取模块输出的特征张量分别为其中，上标(2)代表第二特征提取模块，(k-1)为光流图像序列或人脸图像序列的帧数，c
(2)
为第二特征提取模块提取的特征图的通道数，h
(2)
和w
(2)
分别为第二特征提取模块提取的特征图的高度和宽度，在通道维度上进行全局平均池化操作，分别得到特征张量和定义第二特征层蒸馏损失函数为：
[0078][0079]
其中，t
(2)i,j,l
为特征张量中的一个元素，s
(2)i,j,l
为特征张量中的一个元素。在本实施例中，c
(2)
＝192，h
(2)
＝28，w
(2)
＝28。
[0080]
(4.3)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型的第三特征提取模块之间构建第三特征层蒸馏损失函数，具体方法为：设教师模型和学生
模型的第三特征提取模块输出的特征张量分别为模型的第三特征提取模块输出的特征张量分别为其中，上标(3)代表第三特征提取模块，(k-1)为光流图像序列或人脸图像序列的帧数，c
(3)
为第三特征提取模块提取的特征图的通道数，h
(3)
和w
(3)
分别为第三特征提取模块提取的特征图的高度和宽度，在通道维度上进行全局平均池化操作，分别得到特征张量和定义第三特征层蒸馏损失函数为：
[0081][0082]
其中，t
(3)i,j,l
为特征张量中的一个元素，s
(3)i,j,l
为特征张量中的一个元素。在本实施例中，c
(3)
＝384，h
(3)
＝14，w
(3)
＝14。
[0083]
(4.4)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型的第四特征提取模块之间构建第四特征层蒸馏损失函数，具体方法为：设教师模型和学生模型的第四特征提取模块输出的特征张量分别为模型的第四特征提取模块输出的特征张量分别为其中，上标(4)代表第四特征提取模块，(k-1)为光流图像序列或人脸图像序列的帧数，c
(4)
为第四特征提取模块提取的特征图的通道数，h
(4)
和w
(4)
分别为第四特征提取模块提取的特征图的高度和宽度，在通道维度上进行全局平均池化操作，分别得到特征张量和定义第四特征层蒸馏损失函数为：
[0084][0085]
其中，t
(4)i,j,l
为特征张量中的一个元素，s
(4)i,j,l
为特征张量中的一个元素。在本实施例中，c
(4)
＝768，h
(4)
＝7，w
(4)
＝7。
[0086]
(4.5)在输入光流图像序列样本的教师模型和输入人脸图像序列样本的学生模型的全连接层之间构建全连接层蒸馏损失函数，具体方法为：定义教师模型和学生模型最后一个全连接层输出的logits特征向量分别为和其中n为表情类别数，令v
t,n
、v
s,n
分别表示向量v
t
、vs中第n个类别的logit，那么输入样本属于第n个类别的预测概率是由softmax函数估计：
[0087][0088][0089]
其中，exp(
·
)表示以自然常数e为底的指数函数，p
t,n
、p
s,n
分别表示教师模型和学生模型对输入样本属于第n个类别的预测概率；对p
t,n
、p
s,n
引入蒸馏温度因子t来计算软化后的类别预测概率分布，即令
[0090][0091][0092]
其中，蒸馏温度t为整数，在1～10之间选取，较高的蒸馏温度t会产生较平滑的类别预测概率分布，当t
→
∞时所有类别具有相同的预测概率，当t
→
0时软标签成为one-hot编码的标签，即硬标签；利用蒸馏温度t来控制每个软标签的重要性，从而在教师模型和学生模型之间进行基于软标签的知识蒸馏，得到学生模型的基于软标签的目标函数，以教师模型获得的软标签所蕴含的暗知识作为监督信息，将知识从教师模型迁移到学生模型。在本实施例中，t＝6，n＝8。
[0093]
全连接层蒸馏损失函数使用交叉熵损失函数，定义为：
[0094][0095]
(4.6)教师-学生模型分类层损失函数使用交叉熵损失函数，定义为：
[0096][0097]
其中，cn表示真实表情类别标签，当采用one-hot编码时，若真实表情属于第n个类别，则cn＝1，否则cn＝0，pn表示教师-学生模型分类层将训练样本预测为第n个类别的概率。
[0098]
(4.7)教师-学生模型的总损失函数定义为：
[0099]
l＝α1l1 α2l2 α3l3 α4l4 βl5 γl6[0100]
其中，α1、α2、α3、α4、β、γ是权重参数，α1、α2、α3、α4、β、γ均为正数，且α1 α2 α3 α4 β γ＝1。在本实施例中，α1＝0.1、α2＝0.1、α3＝0.1、α4＝0.1、β＝0.3、γ＝0.3。
[0101]
(5)用训练好的教师-学生模型中的学生模型作为最终的表情识别模型，如图4所示，对输入视频中的人脸进行表情识别，将表情分为生气、害怕、厌恶、高兴、悲伤、惊讶、愤怒、中性8种表情类别中的一种。
[0102]
为了验证本实施例方法的有效性，我们使用公开的ravdess数据集来评估所提出的方法的性能，选取其中的1152个视频用作训练集，288个视频用作测试集。
[0103]
在不引入知识蒸馏方法，采用基于swin transformer网络的动态表情识别模型时，若用光流图像序列样本对模型进行训练，则模型的识别准确率为55.56％；若用人脸图像序列样本对模型进行训练，则模型的识别准确率为60.42％。
[0104]
在引入多尺度特征知识蒸馏方法后，为了验证在不同尺度特征层上的蒸馏效果，我们在ravdess数据集上进行了消融实验，实验结果如表1所示。
[0105]
表1不同尺度特征层上的蒸馏效果
[0106][0107][0108]
由此可见，在引入知识蒸馏方法后，表情识别的准确率有了明显的提升。从表2中可以看出，每个尺度特征层上的蒸馏都能起积极作用，不同尺度特征层上的蒸馏效果有所不同，层次越高特征层上的蒸馏效果越好，所以，在实际应用中，我们可以对权重参数α1、α2、α3、α4、β、γ的取值进行优化，以进一步提升表情识别的准确率。
[0109]
基于相同的发明构思，本发明实施例公开的一种基于多尺度特征知识蒸馏的动态表情识别系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于多尺度特征知识蒸馏的动态表情识别方法。
[0110]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。因此，本发明的保护范围应该以权利要求书的保护范围为准。