基于图像处理的点位标注方法、装置、设备及存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种基于图像处理的点位标注方法、装置、设备及存储介质。


背景技术：

2.在机器人定位导航领域，例如室内机器人定位导航中，点位是依附于地图存在的一种虚拟对象。通过在地图上进行点位标注，使机器人可以通过点位来实施位姿调整、环境预判、地图切换等策略。这些策略使得机器人能自主从起始点位抵达目标点位，实现了机器人自动定位、导航、路径规划等功能。
3.目前已知的点位标注方式，需要人工提前在地图对应的位置处进行点位标注，例如在酒店、医院等地图场景中，想要机器人抵达不同的房间，就需要人工提前在对应的位置标注好点位，因此，无论是电梯内外点位，还是房间等目的地点位，都需要人工进行提前标注。现有的点位标注方式不仅降低了点位标注的效率，而且点位标注数量大，操作复杂，需要耗费大量的人力物力，人工标注点位的精度比较差，无法满足精度高、规模大、快速化的点位标注需求。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种基于图像处理的点位标注方法、装置、设备及存储介质，以解决现有技术存在的点位标注效率低，精度差，无法满足精度高、规模大、快速化的点位标注需求的问题。
5.本技术实施例的第一方面，提供了一种基于图像处理的点位标注方法，包括：获取预先构建得到的点云地图，根据颜色差异从点云地图中提取出所有的线条；对线条的宽度进行压缩，得到压缩后的线条，基于压缩后的线条中像素点之间的角度关系，确定压缩后的线条中的拐点；基于拐点对应的像素点之间的距离，对拐点进行分组，并将包含分组拐点的线条映射到点云地图中，依据像素点的颜色信息，将每个分组拐点分别对应一个物体；根据预先配置的目标物体的特征信息，对点云地图中的物体进行筛选，并基于筛选后的目标物体的位置进行点位标注。
6.本技术实施例的第二方面，提供了一种基于图像处理的点位标注装置，包括：提取模块，被配置为获取预先构建得到的点云地图，根据颜色差异从点云地图中提取出所有的线条；压缩模块，被配置为对线条的宽度进行压缩，得到压缩后的线条，基于压缩后的线条中像素点之间的角度关系，确定压缩后的线条中的拐点；分组模块，被配置为基于拐点对应的像素点之间的距离，对拐点进行分组，并将包含分组拐点的线条映射到点云地图中，依据像素点的颜色信息，将每个分组拐点分别对应一个物体；标注模块，被配置为根据预先配置的目标物体的特征信息，对点云地图中的物体进行筛选，并基于筛选后的目标物体的位置进行点位标注。
7.本技术实施例的第三方面，提供了一种电子设备，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，处理器执行程序时实现上述方法的步骤。
8.本技术实施例的第四方面，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程序，该计算机程序被处理器执行时实现上述方法的步骤。
9.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
10.通过获取预先构建得到的点云地图，根据颜色差异从点云地图中提取出所有的线条；对线条的宽度进行压缩，得到压缩后的线条，基于压缩后的线条中像素点之间的角度关系，确定压缩后的线条中的拐点；基于拐点对应的像素点之间的距离，对拐点进行分组，并将包含分组拐点的线条映射到点云地图中，依据像素点的颜色信息，将每个分组拐点分别对应一个物体；根据预先配置的目标物体的特征信息，对点云地图中的物体进行筛选，并基于筛选后的目标物体的位置进行点位标注。本技术使用计算机图像处理的方法实现点位的自动化标注，提升了点位标注的效率以及精度，操作简单快捷，能够满足精度高、规模大、快速化的点位标注需求。
附图说明
11.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
12.图1是本技术实施例提供的基于图像处理的点位标注方法的流程示意图；
13.图2是本技术实施例提供的一种实际应用场景下的点云地图的示意图；
14.图3是本技术实施例提供的另一实际应用场景下的点云地图的示意图；
15.图4是本技术实施例提供的另一实际应用场景下的点云地图的示意图；
16.图5是本技术实施例提供的基于图像处理的点位标注装置的结构示意图；
17.图6是本技术实施例提供的电子设备的结构示意图。
具体实施方式
18.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
19.如前述内容，以室内机器人定位导航为例，点位是依附于地图存在的一种虚拟对象。通过在地图上进行点位标注，使机器人可以通过点位来实施位姿调整、环境预判、地图切换等策略，也可以实现在点位间采取路径规划、移动导航、停障避障等技术手段。这些策略和技术手段使得机器人能够自主从起始点位抵达目标点位，实现了机器人自动定位、导航、路径规划等功能。
20.在大部分室内场景中，点云地图中的点位一般有多个，点位的类型也不完全相同，不同位置以及不同类型的点位均可能具有不同的功能，承担不同的职责。例如在多楼层场景中，电梯是跨楼层运输必不可少的工具，机器人在电梯内和电梯外需要采取不同的策略，通过点位结合环境因素，进行判断和实施是较为合理的一种选择。又例如在酒店、医院等场
景中，想要机器人抵达不同的房间，就需要人工提前在对应的位置标注好点位，因此，无论是电梯内外点位，还是房间等目的地点位，都需要人工提前标注。而且，无论是在点云地图扫描构建的过程中进行边扫图边标注点位，还是扫图完成后统一进行点位标注，都需要额外耗费人力物力。
21.有鉴于此，本技术实施例提供一种改进后的基于图像处理的点位标注方法，通过颜色差异从点云地图中提取线条，对线条的宽度进行压缩，得到压缩后的线条，并通过像素点之间的角度关系确定压缩后的线条中的拐点，基于拐点对应的像素点之间的距离，对拐点进行分组，依据点云地图中像素点的颜色信息，将每个分组拐点分别对应一个物体，最后根据预先配置的目标物体的特征信息，对点云地图中的物体进行筛选，基于筛选后的目标物体的位置进行点位标注。本技术实现了点位的自动化标注，提升了点位标注的效率以及精度，操作简单快捷，能够满足精度高、规模大、快速化的点位标注需求。接下来结合具体实施例对本技术技术方案进行详细说明。
22.图1是本技术实施例提供的基于图像处理的点位标注方法的流程示意图。图1的基于图像处理的点位标注方法可以由机器人或者服务器执行。如图1所示，该基于图像处理的点位标注方法具体可以包括：
23.s101，获取预先构建得到的点云地图，根据颜色差异从点云地图中提取出所有的线条；
24.s102，对线条的宽度进行压缩，得到压缩后的线条，基于压缩后的线条中像素点之间的角度关系，确定压缩后的线条中的拐点；
25.s103，基于拐点对应的像素点之间的距离，对拐点进行分组，并将包含分组拐点的线条映射到点云地图中，依据像素点的颜色信息，将每个分组拐点分别对应一个物体；
26.s104，根据预先配置的目标物体的特征信息，对点云地图中的物体进行筛选，并基于筛选后的目标物体的位置进行点位标注。
27.具体地，本技术实施例的点位是指基于点云地图所标注的点位，比如在房间门口、电梯等需要机器人到达的位置标注对应的点位。基于标注好的点位，可以使机器人实现定位、导航、路径规划等功能，这些功能需要依靠点云地图中标注的点位来执行，例如通过在酒店的房间门口放置一个点位，这样机器人就能顺利到达目标位置。
28.在一些实施例中，获取预先构建得到的点云地图，根据颜色差异从点云地图中提取出所有的线条，包括：获取利用激光雷达对外界环境进行扫描得到的点云地图，从点云地图中提取出所有的黑色线条，其中，黑色线条用于表征点云地图中障碍物对应的轮廓。
29.具体地，在点云地图中不同颜色的像素点表征不同的内容，例如黑色像素点用于表示障碍物的边界，灰色像素点用于表示未知区域(即激光雷达无法探测到的区域)，白色像素点用于表示通路(即机器人可通行的区域)。下面以实际场景中的点云地图为例，对提取出的黑色线条进行说明，图2是本技术实施例提供的一种实际应用场景下的点云地图的示意图。如图2所示，该点云地图具体可以包括：
30.基于上述点云地图中各种颜色的像素点所表征的内容，由于在点云地图中采用黑色像素点来表示障碍物的边界，因此根据颜色来提取点云地图中的线条，即利用颜色的差异，提取出点云图中所有象征障碍物轮廓的黑色线条，通过将全部的黑色线条提取出来，得到包含黑色线条的图像。
31.在一些实施例中，对线条的宽度进行压缩，得到压缩后的线条，包括：利用预设的图像处理算法对黑色线条的宽度进行压缩，以便将黑色线条的宽度压缩至一个或多个像素点所对应的宽度。
32.具体地，在将点云地图中的全部黑色线条提取出来，得到包含黑色线条的图像之后，使用图像处理的相关算法，将提取出的黑色线条进行细化(即宽度压缩)，使黑色线条的宽度变窄；例如，将初始比较宽的黑色线条进行简化，通过简化线条特征，将黑色线条的宽度压缩至一个像素点。在实际应用中，可以根据点位标注的精度要求设置合理的宽度。
33.在一些实施例中，基于压缩后的线条中像素点之间的角度关系，确定压缩后的线条中的拐点，包括：从压缩后的线条中随机选取一个像素点作为起始点，沿起始点每间隔一段距离选取一个像素点，计算前后像素点之间的角度差异，当角度差异小于角度阈值时，将选取的像素点作为拐点，直至获取压缩后的线条中的全部拐点。
34.具体地，在将黑色线条进行细化之后，本技术通过角度计算，找出细化后的黑色线条中的所有拐点；在实际应用中，通过在细化后(压缩后)的线条中随机选取一个像素点作为起始点，以该起始点对应线条的方向中随机选择一个方向作为起始方向，沿起始方向进行等间隔的像素点选取，每选取一个像素点，计算选取前后像素点之间的角度差异，当角度差异小于角度阈值时，比如前后像素点之间的夹角小于120
°
，就说明黑色线条在该像素点处出现拐点，将当前选取的像素点作为拐点，直至黑色线条中的全部拐点被选取出来后停止。
35.在一些实施例中，基于拐点对应的像素点之间的距离，对拐点进行分组，包括：沿固定方向选取相邻拐点，计算相邻拐点之间的距离，当距离小于距离阈值时，将相邻拐点划分至同一分组，直至将全部拐点遍历一次后，得到全部的分组拐点。
36.具体地，在将黑色线条中的全部拐点提取出来之后，根据每个拐点所对应的像素点之间的距离信息，将位置相近的拐点分为一组；在实际应用中，沿一个固定方向选取相邻拐点，通过计算相邻拐点之间的距离，基于距离与距离阈值之间的比较结果，判断是否将相邻拐点划分至同一分组。下面以实际场景中的点云地图为例，对点云地图中分组拐点所对应的物体进行说明，图3是本技术实施例提供的另一实际应用场景下的点云地图的示意图，图4是本技术实施例提供的另一实际应用场景下的点云地图的示意图。如图3至图4所示，该点云地图具体可以包括：
37.图3所示的点云地图中包含走廊(白色区域)和电梯(三条黑线所围成的区域)，假设点云地图中的电梯具有至少四个拐点，通过沿着黑色线条的一个方向依次选择拐点，并计算相邻拐点之间的距离，当距离小于距离阈值时，就将这两个拐点划分为同一物体对应的拐点集合(即分组拐点)；例如，在点云地图中电梯是由三条黑线所围成的中间为白色可通行区域的物体，即电梯的中间是白色区域，三个边是黑色线条，四个相邻拐点或者六个相邻拐点形成了一个电梯。
38.又比如图4表示一条走廊的局部点云地图，其中包含一个房间的门和一些障碍物，房间门的特征为包含四个以上的拐点，且包围着白色像素点，障碍物虽然同样有四个左右的拐点，但包围着的像素点为灰色，可以此作为判别不同物体的依据。
39.进一步地，在确定全部的分组拐点之后，将包含分组拐点的图像重新对应回原始地图，即将包含分组拐点的图像重新映射回初始构建的点云地图中，再配合点云地图中的
颜色信息，使得每组像素点代表点云地图上的一个相关物体。在实际应用中，点云地图中的白色表示通路，黑色表示障碍物的边界(即障碍物轮廓)，灰色表示未知区域(激光雷达探测不到的区域)，例如电梯在点云地图中是中间区域为白色，三条边对应的线条是黑色的物体。
40.在一些实施例中，根据预先配置的目标物体的特征信息，对点云地图中的物体进行筛选，包括：确定点云地图中的物体对应的特征信息，将预先配置的目标物体的特征信息与物体对应的特征信息之间进行相同特征维度的比对，根据比对结果确定物体是否为目标物体，以便将物体中的目标物体筛选出来；其中，特征信息包括形状信息、线条信息、颜色信息、以及拐点的数量信息、分布信息、距离信息和角度信息。
41.具体地，为了从全部的物体中筛选出目标物体，再基于目标物体对应的位置进行点位标注，得到有效点位，本技术实施例根据目标物体的特征信息(比如拐点的数量、分布、之间的角度关系等)，判断是否为有效的点位。
42.进一步地，本技术实施例将需要进行点位标注的目标物体的特征信息进行配置，再获取实际点云地图中的全部物体对应的特征信息，然后将同一特征维度下的目标物体的特征信息与点云地图中的物体的特征信息进行比对，从而判断点云地图中的物体与目标物体之间的相似度，继而确定点云地图中的物体是否为目标物体，将符合目标物体的特征信息的点云地图中的物体筛选出来。
43.在实际应用中，特征信息包括点云地图中的环境特征，例如形状、线条、颜色等，另外，还包括拐点的数量，是否包围了白色像素点，拐点之间的距离、角度等信息。本技术实施例通过识别点云地图中不同环境的特征，自动标注目标位置对应的点位。
44.在一些实施例中，基于筛选后的目标物体的位置进行点位标注，包括：确定目标物体对应点云地图中的位置，基于目标物体的位置以及预设的点位标注位置的选取方式，确定每个目标物体对应的点位标注位置，在点云地图对应的点位标注位置处放置点位。
45.具体地，在筛选得到全部的目标物体之后，基于各个目标物体在点云地图中的位置进行点位标注，在实际应用中，点位标注时具体点位的选取包括但不限于以下两种方式：
46.第一种方式，依据目标物体在点云地图中的位置，选取目标物体的中心点作为待标注点位对应的点位标注位置，在该点位标注位置上放置点位；
47.第二种方式，确定目标物体在点云地图中的位置，依据目标物体对应的可通行区域内的任意点放置点位，并且在放置点位时，还可以为点位添加偏置。
48.进一步地，在对点云地图中的所有目标物体进行点位标注之后，还可以根据目标物体的类别以及不同点位对应的功能，对标注后的点位进行分类，例如将电梯点位划分为同一类。
49.根据本技术实施例提供的技术方案，本技术实施例利用颜色差异提取点云地图中的黑色线条，利用图像处理的相关算法，将提取出的黑色线条进行细化，并根据像素点之间的角度关系，找到黑色线条上的全部拐点，再根据拐点之间的距离信息，将拐点进行分组，使得每个拐点集合代表点云地图中的一个相关物体，最后依据预先配置的目标物体的特征信息，从点云地图内的相关物体中筛选出全部的目标物体，根据目标物体对应点云地图中的位置，确定每个目标物体对应的点位标注位置，在每个点位标注位置上放置点位，完成点位的自动标注。本技术实施例可以自动识别出大部分的点位，并实现点位的自动标注和分
类，本技术提升了点位标注的效率以及精度，操作简单快捷，能够满足精度高、规模大、快速化的点位标注需求。
50.下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
51.图5是本技术实施例提供的基于图像处理的点位标注装置的结构示意图。
52.如图5所示，该基于图像处理的点位标注装置包括：
53.提取模块501，被配置为获取预先构建得到的点云地图，根据颜色差异从点云地图中提取出所有的线条；
54.压缩模块502，被配置为对线条的宽度进行压缩，得到压缩后的线条，基于压缩后的线条中像素点之间的角度关系，确定压缩后的线条中的拐点；
55.分组模块503，被配置为基于拐点对应的像素点之间的距离，对拐点进行分组，并将包含分组拐点的线条映射到点云地图中，依据像素点的颜色信息，将每个分组拐点分别对应一个物体；
56.标注模块504，被配置为根据预先配置的目标物体的特征信息，对点云地图中的物体进行筛选，并基于筛选后的目标物体的位置进行点位标注。
57.在一些实施例中，图5的提取模块501获取利用激光雷达对外界环境进行扫描得到的点云地图，从点云地图中提取出所有的黑色线条，其中，黑色线条用于表征点云地图中障碍物对应的轮廓。
58.在一些实施例中，图5的压缩模块502利用预设的图像处理算法对黑色线条的宽度进行压缩，以便将黑色线条的宽度压缩至一个或多个像素点所对应的宽度。
59.在一些实施例中，图5的压缩模块502从压缩后的线条中随机选取一个像素点作为起始点，沿起始点每间隔一段距离选取一个像素点，计算前后像素点之间的角度差异，当角度差异小于角度阈值时，将选取的像素点作为拐点，直至获取压缩后的线条中的全部拐点。
60.在一些实施例中，图5的分组模块503沿固定方向选取相邻拐点，计算相邻拐点之间的距离，当距离小于距离阈值时，将相邻拐点划分至同一分组，直至将全部拐点遍历一次后，得到全部的分组拐点。
61.在一些实施例中，图5的标注模块504确定点云地图中的物体对应的特征信息，将预先配置的目标物体的特征信息与物体对应的特征信息之间进行相同特征维度的比对，根据比对结果确定物体是否为目标物体，以便将物体中的目标物体筛选出来；其中，特征信息包括形状信息、线条信息、颜色信息、以及拐点的数量信息、分布信息、距离信息和角度信息。
62.在一些实施例中，图5的标注模块504确定目标物体对应点云地图中的位置，基于目标物体的位置以及预设的点位标注位置的选取方式，确定每个目标物体对应的点位标注位置，在点云地图对应的点位标注位置处放置点位。
63.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
64.图6是本技术实施例提供的电子设备6的结构示意图。如图6所示，该实施例的电子设备6包括：处理器601、存储器602以及存储在该存储器602中并且可以在处理器601上运行
的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603时实现上述各装置实施例中各模块/单元的功能。
65.示例性地，计算机程序603可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本技术。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序603在电子设备6中的执行过程。
66.电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
67.处理器601可以是中央处理单元(central processing unit，cpu)，也可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、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。
68.存储器602可以是电子设备6的内部存储单元，例如，电子设备6的硬盘或内存。存储器602也可以是电子设备6的外部存储设备，例如，电子设备6上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器602还可以既包括电子设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及电子设备所需的其它程序和数据。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
69.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
70.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
71.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
72.在本技术所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可
以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
73.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
74.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
75.集成的模块/单元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，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术实现上述实施例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，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以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(read-only memory，rom)、随机存取存储器(random access memory，ram)、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。
76.以上实施例仅用以说明本技术的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。