图像背景识别方法、装置及电子设备与流程

1.本技术涉及图像处理技术领域，尤其是涉及一种图像背景识别方法、装置及电子设备。


背景技术：

2.在银行的业务中，可能存在某些特殊人群通过一些手段将用户带到某一场所进行人脸识别操作，银行把这一类黑产在进行人脸识别的背景称为黑背景。黑背景识别也可理解为一个在特定银行业务下的背景相似度识别。
3.针对相似背景的识别，目前有一些方法是通过提取背景区域，通过cnn提取背景区域图像的特征，再计算不同背景区域特征的距离(如余弦距离、欧几里得距离)，通过设定一个阈值，如果两个背景图像的特征距离小于阈值，则判定两个背景为同一背景，由于背景提取以及阈值设置太过死板的原因，这种方法错误识别率(将不是同一背景的判定为相同背景)往往很高。还有一些方法中，在背景提取区域使用前景背景分割网络，通过精细化分割前后背景，尽可能保留背景信息，以便在一定程度上降低错误识别率。
4.然而上述两个方法都仅仅局限于图像的原始输入，且往往容易受摄像机角度、光照以及人脸姿态的干扰，仍然存在较高的错误识别率。


技术实现要素：

5.本技术的目的在于提供一种图像背景识别方法、装置及电子设备，基于人脸深度图像进行背景分割，可以提高分割的准确性，并利用背景图像的深度信息即d通道图像对背景图像进行角度矫正，基于矫正之后的图像进行特征提取和背景识别，可以进一步提高图像背景识别的准确率。
6.第一方面，本技术实施例提供一种图像背景识别方法，方法包括：获取目标人脸深度图像；对目标人脸深度图像进行前景背景分割，得到背景图像；根据背景图像对应的深度信息对背景图像进行角度矫正；对角度矫正后的背景图像进行特征提取，得到背景图像特征；基于背景图像特征进行背景图像识别。
7.在本技术较佳的实施方式中，上述获取目标人脸深度图像的步骤，包括：通过ios前置摄像头采集目标人脸对应的目标人脸深度图像。
8.在本技术较佳的实施方式中，上述对目标人脸深度图像进行前景背景分割，得到背景图像的步骤，包括：将目标人脸深度图像输入至预设的前景背景分割模型，输出目标人脸深度图像对应的背景图像。
9.在本技术较佳的实施方式中，上述在对目标人脸深度图像进行前景背景分割，得到背景图像的步骤之后，还包括：将分割后的前景图像的每个像素值置为同一指定像素值。
10.在本技术较佳的实施方式中，上述前景背景分割模型的训练过程如下：获取训练样本集；训练样本集中的每个样本为标注有背景图像标识的标准化的人脸深度图像；应用训练样本集中的样本对预设语义分割模型进行多尺度训练，得到前景背景分割模型。
11.在本技术较佳的实施方式中，上述获取训练样本集的步骤，包括：获取多个初始人脸深度图像；针对每个初始人脸深度图像，分别对初始人脸深度图像中的rgb图像和d通道图像进行标准化处理，得到标准人脸深度图像；对每个标准人脸深度图像进行背景图像标识标注，得到训练样本集。
12.在本技术较佳的实施方式中，上述对初始人脸深度图像中的rgb图像和d通道图像进行标准化处理，得到标准人脸深度图像的步骤，包括：针对初始人脸深度图像中的rgb图像，利用imagenet图像集的均值和方差进行标准化处理；针对初始人脸深度图像中的d通道图像，将d通道对应像素值减去指定数值，得到标准人脸深度图像。
13.在本技术较佳的实施方式中，上述根据背景图像对应的深度信息对背景图像进行角度矫正的步骤，包括：获取背景图像对应的d通道图像；将d通道图像输入预设参数提取器，得到六个参数；基于六个参数对背景图像进行仿射变换，以实现对背景图像的角度矫正。
14.在本技术较佳的实施方式中，上述预设参数提取器包括输出层为6维的卷积神经网络mobilenet。
15.在本技术较佳的实施方式中，上述基于背景图像特征进行背景图像识别的步骤，包括：计算背景图像特征与预设黑背景库中的黑背景特征间的相似度，当相似度超过阈值时，确定背景图像特征对应的背景图像为可疑黑背景。
16.第二方面，本技术实施例还提供一种图像背景识别装置，装置包括：深度图像获取模块，用于获取目标人脸深度图像；背景分割模块，用于对目标人脸深度图像进行前景背景分割，得到背景图像；背景矫正模块，用于根据背景图像对应的深度信息对背景图像进行角度矫正；特征提取模块，用于对矫正后的背景图像进行特征提取，得到背景图像特征；背景识别模块，用于基于背景图像特征进行背景图像识别。
17.第三方面，本技术实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面所述的方法。
18.第四方面，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法。
19.本技术实施例提供的一种图像背景识别方法、装置及电子设备中，首先获取目标人脸深度图像；然后对目标人脸深度图像进行前景背景分割，得到背景图像；根据背景图像对应的深度信息对背景图像进行角度矫正；对角度矫正后的背景图像进行特征提取，得到背景图像特征；基于背景图像特征进行背景图像识别。该实施例基于人脸深度图像进行背景分割，可以提高分割的准确性，并利用背景图像的深度信息即d通道图像对背景图像进行角度矫正，基于矫正之后的图像进行特征提取和背景识别，可以进一步提高图像背景识别的准确率。
附图说明
20.为了更清楚地说明本技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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
附图是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1为本技术实施例提供的一种图像背景识别方法的流程图；
22.图2为本技术实施例提供的一种前景背景分割效果图；
23.图3为本技术实施例提供的一种图像背景识别方法中模型训练的流程图；
24.图4为本技术实施例提供的一种图像背景识别方法中背景图像矫正的流程图；
25.图5为本技术实施例提供的一种图像背景识别装置的结构框图；
26.图6为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
27.下面将结合实施例对本技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.目前针对相似背景的识别，通常采用以下两种方式进行：
29.第一种，针对rgb图像分割背景区域，通过cnn提取背景区域图像的特征，再计算不同背景区域特征的距离(如余弦距离、欧几里得距离)，通过设定一个阈值，如果两个背景图像的特征距离小于阈值，则判定两个背景为同一背景，由于背景提取以及阈值设置太过死板的原因，这种方法错误识别率往往很高。
30.第二种，在第一种方法的基础上，背景区域分割时使用前景背景分割网络，通过精细化分割前后背景，尽可能保留背景信息，以便在一定程度上降低错误识别率。
31.然而上述两个方法都仅仅局限于图像的原始输入，且往往容易受摄像机角度、光照以及人脸姿态的干扰，仍然存在较高的错误识别率。
32.基于此，本技术实施例提供一种图像背景识别方法、装置及电子设备，基于人脸深度图像进行背景分割，可以提高分割的准确性，并利用背景图像的深度信息即d通道图像对背景图像进行角度矫正，基于矫正之后的图像进行特征提取和背景识别，可以进一步提高图像背景识别的准确率。
33.为便于对本实施例进行理解，首先对本技术实施例所公开的一种图像背景识别方法进行详细介绍。
34.图1为本技术实施例提供的一种图像背景识别方法的流程图，该方法具体包括以下步骤：
35.步骤s102，获取目标人脸深度图像。
36.具体应用中，上述目标人脸深度图像通常是通过ios前置摄像头对目标人脸进行拍摄得到的深度图像，即rgb-d图像，包括rgb图像和d通道图像。
37.步骤s104，对目标人脸深度图像进行前景背景分割，得到背景图像。
38.前景背景分割可以通过前景背景分割模型进行处理，这里的分割模型是基于预先准备好的训练样本集进行训练得到的，训练样本集中的样本为标注有背景图像标识的标准化的人脸深度图像。
39.步骤s106，根据背景图像对应的深度信息对背景图像进行角度矫正。
40.上述背景图像对应的深度信息指的是背景图像对应的d通道图像；通过该d通道图像对背景图像的角度进行一定程度的矫正，可以提高背景识别的准确度。上述角度矫正的过程可以是基于背景图像对应的深度信息确定出的参数进行仿射变换实现。
41.步骤s108，对角度矫正后的背景图像进行特征提取，得到背景图像特征。该步骤中的特征提取，可以是通过多种特征提取模型实现，比如，本实施例中采用resnet101残差网络，对角度矫正后的背景图像进行预训练，训练之后的模型取最后一层的特征图，接一个最大池化层，可提取出2048维度的特征。
42.步骤s110，基于背景图像特征进行背景图像识别。
43.具体实施时，可以计算背景图像特征与预设黑背景库中的黑背景特征间的相似度，当相似度超过阈值时，确定背景图像特征对应的背景图像为可疑黑背景。相似度的计算可以采用余弦距离、欧几里得距离等多种距离公式计算，在此不再赘述。判定两者之间是否为同一背景的阈值可设定为0.95。
44.本技术实施例提供的一种图像背景识别方法中，首先获取目标人脸深度图像；然后对目标人脸深度图像进行前景背景分割，得到背景图像；根据背景图像对应的深度信息对背景图像进行角度矫正；对角度矫正后的背景图像进行特征提取，得到背景图像特征；基于背景图像特征进行背景图像识别。该实施例基于人脸深度图像进行背景分割，可以提高分割的准确性，并利用背景图像的深度信息即d通道图像对背景图像进行角度矫正，基于矫正之后的图像进行特征提取和背景识别，可以进一步提高图像背景识别的准确率。
45.本技术实施例还提供另一种图像背景识别方法，该方法在上述实施例的基础上实现；本实施例重点描述前景背景分割模型的训练过程，以及背景图像的角度矫正过程。
46.上述对目标人脸深度图像进行前景背景分割，得到背景图像的具体过程如下：
47.将目标人脸深度图像输入至预设的前景背景分割模型，输出目标人脸深度图像对应的背景图像。该前景背景分割模型可采用deeplabv3 实现。前景背景分割后的效果图如图2所示，前景颜色和背景颜色为不同的颜色，实际情况中，背景图像为蓝色，前景图像为黄色，图中以不同的灰度示出。为了避免前景图像对背景图像识别的干扰，本实施例中还可以将分割后的前景图像的每个像素值置为同一指定像素值，比如均设置为0，可以进一步提高背景图像识别准确率。
48.参见图3所示，上述前景背景分割模型的训练过程如下：
49.步骤s302，获取训练样本集；训练样本集中的每个样本为标注有背景图像标识的标准化的人脸深度图像。
50.(1)获取多个初始人脸深度图像；
51.(2)针对每个初始人脸深度图像，分别对初始人脸深度图像中的rgb图像和d通道图像进行标准化处理，得到标准人脸深度图像。
52.具体的，针对初始人脸深度图像中的rgb图像，利用imagenet图像集的均值和方差进行标准化处理；比如，imagenet图像集的像素均值和方差分别为，mean＝(0.485,0.456,0.406)，std＝(0.229,0.224,0.225)，对于rgb三通道中的像素，分别除以255之后减去mean除以std，即可完成rgb图像的标准化处理。
53.而针对初始人脸深度图像中的d通道图像，需要将d通道对应像素值减去指定数值，得到标准化后的d通道图像。由于rgb图像的标准化处理后，像素值大概在-3到3之间，而
d通道图像中的每个像素点的取值范围在0-3之间，因此，对d通道图像的标准化可以通过减去指定数值的方式进行，如本实施例中将指定数值设置为1.5，d通道图像标准化处理后像素点的取值范围在-1.5到1.5之间。
54.(3)对每个标准人脸深度图像进行背景图像标识标注，得到训练样本集。
55.步骤s304，应用训练样本集中的样本对预设语义分割模型进行多尺度训练，得到前景背景分割模型。
56.本实施例中，由于采集到的人脸深度图像的输入大小是640*480像素，因此，可以对图像的宽进行padding操作，即边缘填充操作，将其扩充成640*640像素，padding的值为0。模型训练时可采用多尺度训练策略，即320*320，640*640，960*960三个尺度的训练。设定初始学习率为0.0001，并每隔1epoch进行学习率降为原来的0.6，每个5个epoch学习率会重启，重新变为0.0001。
57.上述根据背景图像对应的深度信息对背景图像进行角度矫正的步骤，参见图4所示，具体包括以下步骤：
58.步骤s402，获取背景图像对应的d通道图像；
59.步骤s404，将d通道图像输入预设参数提取器，得到六个参数。
60.上述预设参数提取器采用输出层为6维的卷积神经网络mobilenet实现。通过mobilenet v3对上述d通道图像求解，可以得到仿射变换所需的6个参数。
61.步骤s406，基于六个参数对背景图像进行仿射变换，以实现对背景图像的角度矫正。具体实施时，可以通过调用cv2.wrapaffine进行仿射变换。
62.由于相机采集的人脸深度图像和分割出的背景图像均是相机坐标系图像，求解6个参数可以将相机坐标系的图像转换为世界坐标系的图像，从而减少因相机角度等原因导致背景识别不准的现象。
63.图像仿射变换原理就是将原始空间(x,y)转移到(u,v)空间，转换过程利用相机模型，求解6个参数。(x,y)空间转换(u,v)空间的公式如下：
[0064][0065][0066]
其中，a为2*2矩阵，b为2*1矩阵，共包含6个参数。
[0067]
本技术实施例提供的图像背景识别方法，通过利用ios设备天然自带的深感摄像头得到人脸深度图像，其中包含d通道深度信息，通过利用此信息可增强背景分割的准确率，并且利用d通道的信息可以在一定程度上反解仿射变换的参数，从而将原始背景进行一定程度的矫正，将相机坐标系图像转为世界坐标系图像，抗除因相机-人-背景三者角度之间的干扰，提升背景识别的准确率，以及对黑背景的识别召回率以及精确率。
[0068]
基于上述方法实施例，本技术实施例还提供一种图像背景识别装置，参见图5所示，该装置包括：
[0069]
深度图像获取模块502，用于获取目标人脸深度图像；背景分割模块504，用于对目标人脸深度图像进行前景背景分割，得到背景图像；背景矫正模块506，用于根据背景图像对应的深度信息对背景图像进行角度矫正；特征提取模块508，用于对矫正后的背景图像进
行特征提取，得到背景图像特征；背景识别模块510，用于基于背景图像特征进行背景图像识别。
[0070]
上述深度图像获取模块502，还用于通过ios前置摄像头采集目标人脸对应的目标人脸深度图像。
[0071]
上述背景分割模块504，还用于将目标人脸深度图像输入至预设的前景背景分割模型，输出目标人脸深度图像对应的背景图像。
[0072]
上述背景分割模块504，还用于将分割后的前景图像的每个像素值置为同一指定像素值。
[0073]
上述装置还包括模型训练模块，用于执行以下前景背景分割模型的训练过程：获取训练样本集；训练样本集中的每个样本为标注有背景图像标识的标准化的人脸深度图像；应用训练样本集中的样本对预设语义分割模型进行多尺度训练，得到前景背景分割模型。
[0074]
上述模型训练模块，还用于获取多个初始人脸深度图像；针对每个初始人脸深度图像，分别对初始人脸深度图像中的rgb图像和d通道图像进行标准化处理，得到标准人脸深度图像；对每个标准人脸深度图像进行背景图像标识标注，得到训练样本集。
[0075]
上述模型训练模块，还用于针对初始人脸深度图像中的rgb图像，利用imagenet图像集的均值和方差进行标准化处理；针对初始人脸深度图像中的d通道图像，将d通道对应像素值减去指定数值，得到标准人脸深度图像。
[0076]
上述背景矫正模块506，还用于获取背景图像对应的d通道图像；将d通道图像输入预设参数提取器，得到六个参数；基于六个参数对背景图像进行仿射变换，以实现对背景图像的角度矫正。
[0077]
上述预设参数提取器包括输出层为6维的卷积神经网络mobilenet。
[0078]
上述背景识别模块510，还用于计算背景图像特征与预设黑背景库中的黑背景特征间的相似度，当相似度超过阈值时，确定背景图像特征对应的背景图像为可疑黑背景。
[0079]
本技术实施例提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置的实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0080]
本技术实施例还提供了一种电子设备，如图6所示，为该电子设备的结构示意图，其中，该电子设备包括处理器61和存储器60，该存储器60存储有能够被该处理器61执行的计算机可执行指令，该处理器61执行该计算机可执行指令以实现如下步骤：
[0081]
获取目标人脸深度图像；对目标人脸深度图像进行前景背景分割，得到背景图像；根据背景图像对应的深度信息对背景图像进行角度矫正；对角度矫正后的背景图像进行特征提取，得到背景图像特征；基于背景图像特征进行背景图像识别。
[0082]
在本技术较佳的实施方式中，上述获取目标人脸深度图像的步骤，包括：通过ios前置摄像头采集目标人脸对应的目标人脸深度图像。
[0083]
在本技术较佳的实施方式中，上述对目标人脸深度图像进行前景背景分割，得到背景图像的步骤，包括：将目标人脸深度图像输入至预设的前景背景分割模型，输出目标人脸深度图像对应的背景图像。
[0084]
在本技术较佳的实施方式中，上述在对目标人脸深度图像进行前景背景分割，得到背景图像的步骤之后，还包括：将分割后的前景图像的每个像素值置为同一指定像素值。
[0085]
在本技术较佳的实施方式中，上述前景背景分割模型的训练过程如下：获取训练样本集；训练样本集中的每个样本为标注有背景图像标识的标准化的人脸深度图像；应用训练样本集中的样本对预设语义分割模型进行多尺度训练，得到前景背景分割模型。
[0086]
在本技术较佳的实施方式中，上述获取训练样本集的步骤，包括：获取多个初始人脸深度图像；针对每个初始人脸深度图像，分别对初始人脸深度图像中的rgb图像和d通道图像进行标准化处理，得到标准人脸深度图像；对每个标准人脸深度图像进行背景图像标识标注，得到训练样本集。
[0087]
在本技术较佳的实施方式中，上述对初始人脸深度图像中的rgb图像和d通道图像进行标准化处理，得到标准人脸深度图像的步骤，包括：针对初始人脸深度图像中的rgb图像，利用imagenet图像集的均值和方差进行标准化处理；针对初始人脸深度图像中的d通道图像，将d通道对应像素值减去指定数值，得到标准人脸深度图像。
[0088]
在本技术较佳的实施方式中，上述根据背景图像对应的深度信息对背景图像进行角度矫正的步骤，包括：获取背景图像对应的d通道图像；将d通道图像输入预设参数提取器，得到六个参数；基于六个参数对背景图像进行仿射变换，以实现对背景图像的角度矫正。
[0089]
在本技术较佳的实施方式中，上述预设参数提取器包括输出层为6维的卷积神经网络mobilenet。
[0090]
在本技术较佳的实施方式中，上述基于背景图像特征进行背景图像识别的步骤，包括：计算背景图像特征与预设黑背景库中的黑背景特征间的相似度，当相似度超过阈值时，确定背景图像特征对应的背景图像为可疑黑背景。
[0091]
本实施例通过利用ios设备天然自带的深感摄像头得到人脸深度图像，其中包含d通道深度信息，通过利用此信息可增强背景分割的准确率，并且利用d通道的信息可以在一定程度上反解仿射变换的参数，从而将原始背景进行一定程度的矫正，将相机坐标系图像转为世界坐标系图像，抗除因相机-人-背景三者角度之间的干扰，提升背景识别的准确率，以及对黑背景的识别召回率以及精确率。
[0092]
在图6示出的实施方式中，该电子设备还包括总线62和通信接口63，其中，处理器61、通信接口63和存储器60通过总线62连接。
[0093]
其中，存储器60可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线62可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线62可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0094]
处理器61可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器61中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器61可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络
处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称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。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。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器61读取存储器中的信息，结合其硬件完成前述实施例的方法的步骤。
[0095]
本技术实施例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存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述方法，具体实现可参见前述方法实施例，在此不再赘述。
[0096]
本技术实施例所提供的方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0097]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本技术的范围。
[0098]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0099]
在本技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0100]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。