基于融合孪生网络与卡尔曼滤波的目标跟踪方法及系统

1.本发明属于目标跟踪技术领域，具体涉及了一种基于融合孪生网络与卡尔曼滤波的目标跟踪方法及系统。


背景技术：

2.目标跟踪是计算机视觉领域研究热点之一，并且被广泛应用在移动智能体、视频监控、智能交通和军事领域等场景中。目标跟踪主要解决的问题是，通过给点初始帧中目标的位置和大小，在一段连续的视频序列中进行预测，得到下一帧目标的信息，例如位置坐标、运动轨迹、移动速度、形变尺度等。目前研究同时具备高精度、鲁棒性强的目标跟踪算法仍然是一项非常具有挑战性的工作。
3.传统的相关滤波方法在目标跟踪领域得到了长足发展和引用，如mosse(minimum output sum of squared error filter)将相关滤波技术应用于目标跟踪领域，通过高效的算法实现了实时的目标跟踪。然而，这些相关滤波跟踪方法在一些较为复杂的场景如遮挡、目标快速运动和背景干扰的情况下，这些方法常会出现跟踪漂移或者失败。这很大程度上限制了相关滤波跟踪方法的性能。尽管相关研究在边缘效应(spatially regularized discriminative correlation filters，srdcf)，学习连续的滤波器(continuous convolution operators for tracking，c-cot)、容积卡尔曼滤波等方面对标准相关滤波器进行了改进，使得可以更好适用于遮挡、目标快速运动等情况，然而滤波方法依旧存在以下几点不足。第一，模型更新策略依旧难以适应较为复杂的场景。第二，当目标形变较大时，目标特征的变化难以被相关滤波算法准确估计。
4.近年来，随着深度学习的快速发展，有研究者提出将孪生网络运用到目标跟踪领域，这一尝试很大程度上源于使用深度学习提取到的深度特征具有强大的表征能力。如相似性学习(fully-convolutional siamese networks，siamfc、siamrpn(siamese region proposal network)等深度学习结构借鉴了目标检测的rpn结构，解决了siamfc跟踪框不够灵活的问题，同时也提供了相对好的跟踪目标的特征提取能力。
5.总的来说，本领域还需要一种目标跟踪方法，将卡尔曼滤波算法与深度学习的孪生网络融合到一起，从而降低在跟踪过程中出现错误更新目标运动信息和位置信息的概率，提升复杂背景下跟踪成功率。


技术实现要素：

6.为了解决现有技术中的上述问题，即现有技术仅采用卡尔曼滤波技术在复杂场景下的跟踪任务，跟踪正确率及目标形变适应性低的问题，本发明提供了一种基于融合孪生网络与卡尔曼滤波的目标跟踪方法，所述目标跟踪方法包括：
7.步骤s10，将包含目标的视频帧中第k-1帧的目标作为目标模板进行第k帧的目标追踪，基于第k-1帧的目标位置和大小进行卡尔曼滤波器初始化；
8.步骤s20，根据第k-1帧的目标在第k帧中采用候选区域生成网络生成搜索候选框，
以目标模板和搜索区域作为图像对，通过siamfc孪生网络进行跟踪特征提取并生成搜索区域；
9.步骤s30，在所述搜索区域中生成多尺度候选框、特征得分图和回归参数响应图，并基于所述搜索区域中的目标中心位置进行边缘惩罚，获得各候选框的置信度；
10.步骤s40，若存在置信度大于设定阈值的候选框，则将该候选框作为预测结果输出，并更新目标运动信息和位置信息；否则使用多渐消因子的容积卡尔曼滤波预测和修正目标运动状态，以及预测目标位置，并更新目标运动信息和位置信息；
11.步骤s50，令k＝k 1，并跳转步骤s20持续进行目标跟踪直至k为视频最后一帧，完成视频帧的目标跟踪。
12.在一些优选的实施例中，所述卡尔曼滤波器初始化，包括：
13.初始化目标状态初始值为x0，初始化协方差矩阵为q0，初始化量测噪声协方差矩阵为r0，初始化预测误差协方差矩阵为p0。
14.在一些优选的实施例中，步骤s20包括：
15.步骤s21，以第k-1帧的目标为中心，目标大小w
k-1
×hk-1
在第k-1帧中裁剪目标模板，w
k-1
和h
k-1
分别为目标在第k-1帧的宽和高；
16.步骤s22，在第k帧中，以目标为中心，目标大小w
k-1
×hk-1
在第k帧中裁剪搜索区域；
17.步骤s23，将所述目标模板和所述搜索区域归一化为w
sm
×hsm
大小的图像对，并通过siamfc孪生网络提取目标和待搜索区域的跟踪特征；所述siamfc孪生网络包括两个结构相同且共享权重的神经网络。
18.在一些优选的实施例中，所述多尺度候选框包括s种变化；所述特征得分图对于s种变化中的每一种变化的模板都产生一个特征，得分大于设定阈值的特征对应的候选框为目标；所述回归参数响应图对于s种变化中的每一种变化的模板都产生一组回归参数，回归参数得分越高，则对应候选框的尺度准确性越高。
19.在一些优选的实施例中，所述一组回归参数包括第k帧候选框中心相对于k-1帧候选框中心的x方向偏移量、y方向偏移量以及第k帧候选框宽度和高度。
20.在一些优选的实施例中，步骤s40中使用多渐消因子的容积卡尔曼滤波预测和修正目标运动状态，包括：
21.步骤s411，预测目标运动状态：
22.进行第k-1帧的修正阶段容积点计算，其中，第i个修正阶段容积点为：
23.其中，为第k-1帧的第i个修正阶段容积点，s
k-1|k-1
为k-1帧的权重函数，为k-1帧的修正状态预测估计值，1帧的修正状态预测估计值，为容积点集，m为代表容积点集中容积点的数量的正偶数，为第i个容积点；
24.步骤s412，修正目标运动状态：
25.进行第k帧的修正阶段容积点计算，其中，第i个修正阶段容积点为：
26.其中，为第k帧的第i个修正阶段容积点，u
k-1
为第k-1帧的卡尔曼滤波器多渐消因子；
27.获取第k帧的修正状态预测估计值、预测误差协方差矩阵以及状态预测值：获取第k帧的修正状态预测估计值、预测误差协方差矩阵以及状态预测值：获取第k帧的修正状态预测估计值、预测误差协方差矩阵以及状态预测值：获取第k帧的修正状态预测估计值、预测误差协方差矩阵以及状态预测值：获取第k帧的修正状态预测估计值、预测误差协方差矩阵以及状态预测值：
28.其中，为第k帧的修正状态预测估计值；p
k|k-1
为第k帧的预测误差协方差矩阵，t为需要累积的所有时刻，qk为第k帧的初始化协方差矩阵；kk为第k帧的卡尔曼增益，zk为第k帧的量测估计值，为第k帧的量测预测估计值；表示第k帧的修正阶段容积点集与第k帧的卡尔曼滤波器的多渐消因子乘积；
29.步骤s413，更新目标运动状态参数；所述目标运动状态参数包括状态转移矩阵、协方差矩阵、状态预测矩阵以及容积点集合。
30.在一些优选的实施例中，所述候选区域生成网络，其训练方法为：
31.获取多个包含目标的视频帧作为样本集，并通过步骤s10-步骤s30对应的方法，分别生成每个视频帧对应的多尺度候选框、特征得分图和回归参数响应图；
32.设定阈值th
pos
和th
reg
，计算多尺度候选框与对应的真实框之间的iou，若iou＞th
pos
，则候选框分类为正样本；若iou＞th
reg
时，则候选框分类为负样本；
33.通过正样本和负样本迭代进行所述候选区域生成网络的训练；
34.所述候选区域生成网络的总损失函数为：loss＝l
cls
λl
reg
35.其中，l
cls
为候选区域生成网络的分类分支的交叉熵损失函数，l
reg
为候选区域生成网络的回归分支的基于smooth
l1
函数构建的损失函数，λ为预设的用于平衡分类分支和回归分支的超参数。
36.在一些优选的实施例中，所述smooth
l1
函数为：
37.其中，σ预设的超参数，x为候选区域生成网络的回归分支的实际输出与样本标签之间的差值。
38.在一些优选的实施例中，所述候选区域生成网络的回归分支的基于smooth
l1
函数构建的损失函数，其表示为：为：为：为：为：
39.其中，a
x
、ay、aw和ah分别为多尺度候选框中心x坐标、y坐标、多尺度候选框宽和高，g
x
、gy、gw和gh分别为真实框中心x坐标、y坐标、真实框宽和高。
40.本发明的另一方面，提出了一种基于融合孪生网络与卡尔曼滤波的目标跟踪系统，所述目标跟踪系统包括：
41.初始化模块，配置为将包含目标的视频帧中第k-1帧的目标作为目标模板进行第k帧的目标追踪，基于第k-1帧的目标位置和大小进行卡尔曼滤波器初始化；
42.配对及特征提取模块，配置为根据第k-1帧的目标在第k帧中采用候选区域生成网络生成搜索候选框，以目标模板和搜索区域作为图像对，通过siamfc孪生网络进行跟踪特征提取并生成搜索区域；
43.候选框生成及边缘惩罚模块，配置为在所述搜索区域中生成多尺度候选框、特征得分图和回归参数响应图，并基于所述搜索区域中的目标中心位置进行边缘惩罚，获得各候选框的置信度；
44.目标跟踪及信息更新模块，配置为若存在置信度大于设定阈值的候选框，则将该候选框作为预测结果输出，并更新目标运动信息和位置信息；否则使用多渐消因子的容积卡尔曼滤波预测和修正目标运动状态，以及预测目标位置，并更新目标运动信息和位置信息；
45.持续跟踪模块，配置为令k＝k 1，并跳转配对及特征提取模块持续进行目标跟踪直至k为视频最后一帧，完成视频帧的目标跟踪。
46.本发明的有益效果：
47.(1)本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法，提出了一个目标运动信息和位置信息更新策略，可以有效降低在跟踪过程中出现错误更新目标运动信息和位置信息的概率。
48.(2)本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法，依据候选区域生成网络利用孪生网络提取到的特征生成多尺度候选框、特征得分图和回归参数响应图，在检测阶段选出潜在的候选目标，可以使用多渐消因子容积卡尔曼滤波滤波方法修正目标运动状态和预测目标位置，提升复杂背景下跟踪成功率。
附图说明
49.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
50.图1是本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法的流程示意图；
51.图2是本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法一种实施例的孪生网络结构示意图；
52.图3是本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法一种实施例的边缘惩罚函数示意图；
53.图4是本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法一种实施例的边缘惩罚效果图；
54.图5是本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法一种实施例的容积卡尔曼滤波对目标位置修正的流程示意图。
具体实施方式
55.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
56.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
57.本发明的一种基于融合孪生网络与卡尔曼滤波的目标跟踪方法，所述目标跟踪方法包括：
58.步骤s10，将包含目标的视频帧中第k-1帧的目标作为目标模板进行第k帧的目标追踪，基于第k-1帧的目标位置和大小进行卡尔曼滤波器初始化；
59.步骤s20，根据第k-1帧的目标在第k帧中采用候选区域生成网络生成搜索候选框，以目标模板和搜索区域作为图像对，通过siamfc孪生网络进行跟踪特征提取并生成搜索区域；
60.步骤s30，在所述搜索区域中生成多尺度候选框、特征得分图和回归参数响应图，并基于所述搜索区域中的目标中心位置进行边缘惩罚，获得各候选框的置信度；
61.步骤s40，若存在置信度大于设定阈值的候选框，则将该候选框作为预测结果输出，并更新目标运动信息和位置信息；否则使用多渐消因子的容积卡尔曼滤波预测和修正目标运动状态，以及预测目标位置，并更新目标运动信息和位置信息；
62.步骤s50，令k＝k 1，并跳转步骤s20持续进行目标跟踪直至k为视频最后一帧，完成视频帧的目标跟踪。
63.为了更清晰地对本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
64.本发明第一实施例的基于融合孪生网络与卡尔曼滤波的目标跟踪方法，包括步骤s10-步骤s50，各步骤详细描述如下：
65.步骤s10，将包含目标的视频帧中第k-1帧的目标作为目标模板进行第k帧的目标追踪，基于第k-1帧的目标位置和大小进行卡尔曼滤波器初始化，包括：
66.初始化目标状态初始值为x0，初始化协方差矩阵为q0，初始化量测噪声协方差矩阵为r0，初始化预测误差协方差矩阵为p0。
67.步骤s20，根据第k-1帧的目标在第k帧中采用候选区域生成网络生成搜索候选框，以目标模板和搜索区域作为图像对，通过siamfc孪生网络进行跟踪特征提取并生成搜索区域：
68.步骤s21，以第k-1帧的目标为中心，目标大小w
k-1
×hk-1
在第k-1帧中裁剪目标模板，w
k-1
和h
k-1
分别为目标在第k-1帧的宽和高；
69.步骤s22，在第k帧中，以目标为中心，目标大小w
k-1
×hk-1
在第k帧中裁剪搜索区域；
70.步骤s23，将所述目标模板和所述搜索区域归一化为w
sm
×hsm
大小的图像对，并通过siamfc孪生网络提取目标和待搜索区域的跟踪特征；所述siamfc孪生网络包括两个结构相同且共享权重的神经网络。
71.如图2所示，为本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法一种实施例的孪生网络结构示意图，将目标模板和搜索区域输入网络结构完全相同且共享权重的孪生网络中，用于提取目标和待搜索区域的特征，x1和x2为目标模板和搜索区域两张图片，为提取特征使用的卷积神经网络，w为卷积神经网络共享的权值，和为经过卷积网络提取特征后的输出。
72.步骤s30，在所述搜索区域中生成多尺度候选框、特征得分图和回归参数响应图，并基于所述搜索区域中的目标中心位置进行边缘惩罚，获得各候选框的置信度：
73.多尺度候选框包括s种变化；特征得分图对于s种变化中的每一种变化的模板都产生一个特征，得分大于设定阈值的特征对应的候选框为目标，即特征得分越高，对应的候选框是目标的可能性越高；回归参数响应图对于s种变化中的每一种变化的模板都产生一组回归参数，回归参数得分越高，则对应候选框的尺度准确性越高。
74.一组回归参数包括第k帧候选框中心相对于k-1帧候选框中心的x方向偏移量dx、第k帧候选框中心相对于k-1帧候选框中心的y方向偏移量dy、第k帧候选框宽度dw和第k帧候选框高度dh。
75.候选区域生成网络，其训练方法为：
76.获取多个包含目标的视频帧作为样本集，并通过步骤s10-步骤s30对应的方法，分别生成每个视频帧对应的多尺度候选框、特征得分图和回归参数响应图；
77.设定阈值th
pos
和th
reg
，计算多尺度候选框与对应的真实框之间的iou，若iou＞th
pos
，则候选框分类为正样本；若iou＞th
reg
时，则候选框分类为负样本；
78.通过正样本和负样本迭代进行所述候选区域生成网络的训练；
79.所述候选区域生成网络的总损失函数如式(1)所示：loss＝l
cls
λl
reg
ꢀꢀꢀꢀꢀ
(1)
80.其中，l
cls
为候选区域生成网络的分类分支的交叉熵损失函数，l
reg
为候选区域生成网络的回归分支的基于smooth
l1
函数构建的损失函数，λ为预设的用于平衡分类分支和回归分支的超参数。
81.所述smooth
l1
函数如式(2)所示：
82.其中，σ预设的超参数，x为候选区域生成网络的回归分支的实际输出与样本标签之间的差值。
83.所述候选区域生成网络的回归分支的基于smooth
l1
函数构建的损失函数，其表示如式(3)-式(7)：式(7)：式(7)：式(7)：式(7)：
84.其中，a
x
、ay、aw和ah分别为多尺度候选框中心x坐标、y坐标、多尺度候选框宽和高，g
x
、gy、gw和gh分别为真实框中心x坐标、y坐标、真实框宽和高，δ[0]、δ[1]、δ[2]和δ[3]为回归标签。
[0085]
如图3所示，为发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法一种实施例的边缘惩罚函数示意图，在本发明一个实例中，如图4所示，为发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法一种实施例的边缘惩罚效果图，图4(a)为采样区域图，其对应的特征得分图如图4(b)所示，根据目标中心对图4(b)施加如图3所示的边缘惩罚函数，降低远离目标中心位置的候选框得分，边缘惩罚抑制后的特征得分图如图4(c)所示，选出特征得分最高的作为目标，确定目标位置。最后，在目标位置附近选出排序后得分最高的候选框。
[0086]
步骤s40，若存在置信度大于设定阈值的候选框，则将该候选框作为预测结果输出，并更新目标运动信息和位置信息；否则使用多渐消因子的容积卡尔曼滤波预测和修正
目标运动状态，以及预测目标位置，并更新目标运动信息和位置信息。
[0087]
如图5所示，为本发明基于融合孪生网络与卡尔曼滤波的目标跟踪方法一种实施例的容积卡尔曼滤波对目标位置修正的流程示意图，步骤s50中使用多渐消因子的容积卡尔曼滤波预测和修正目标运动状态，包括：
[0088]
步骤s411，预测目标运动状态：
[0089]
进行第k-1帧的修正阶段容积点计算，其中，第i个修正阶段容积点如式(8)所示：
[0090]
其中，为第k-1帧的第i个修正阶段容积点，s
k-1|k-1
为k-1帧的权重函数，为k-1帧的修正状态预测估计值，1帧的修正状态预测估计值，为容积点集，m为代表容积点集中容积点的数量的正偶数，[1]i为第i个容积点；
[0091]
第i个容积点[1]i如式(9)所示：
[0092]
步骤s412，修正目标运动状态：
[0093]
进行第k帧的修正阶段容积点计算，其中，第i个修正阶段容积点如式(10)所示：
[0094]
其中，为第k帧的第i个修正阶段容积点，u
k-1
为第k-1帧的卡尔曼滤波器多渐消因子；
[0095]
获取第k帧的修正状态预测估计值、预测误差协方差矩阵以及状态预测值，如式(11)-式(15)所示：式(15)所示：式(15)所示：式(15)所示：式(15)所示：
[0096]
其中，为第k帧的修正状态预测估计值；p
k|k-1
为第k帧的预测误差协方差矩阵，t为需要累积的所有时刻，qk为第k帧的初始化协方差矩阵；kk为第k帧的卡尔曼增益，zk为第k帧的量测估计值，为第k帧的量测预测估计值；表示第k帧的修正阶段容积点集与第k帧的卡尔曼滤波器的多渐消因子乘积；
[0097]
步骤s413，更新目标运动状态参数；所述目标运动状态参数包括状态转移矩阵、协方差矩阵、状态预测矩阵以及容积点集合。
[0098]
步骤s50，令k＝k 1，并跳转步骤s20持续进行目标跟踪直至k为视频最后一帧，完成视频帧的目标跟踪。
[0099]
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
[0100]
本发明第二实施例的基于融合孪生网络与卡尔曼滤波的目标跟踪系统，所述目标跟踪系统包括：
[0101]
初始化模块，配置为将包含目标的视频帧中第k-1帧的目标作为目标模板进行第k帧的目标追踪，基于第k-1帧的目标位置和大小进行卡尔曼滤波器初始化；
[0102]
配对及特征提取模块，配置为根据第k-1帧的目标在第k帧中采用候选区域生成网络生成搜索区域，以目标模板和搜索区域作为图像对，通过孪生网络进行跟踪特征提取；
[0103]
候选生成模块，配置为候选区域生成网络基于提取的跟踪特征在所述搜索区域中生成多尺度候选框、特征得分图和回归参数响应图；
[0104]
边缘惩罚模块，配置为基于所述搜索区域中的目标中心位置进行边缘惩罚，获得各候选框的置信度；
[0105]
目标跟踪及信息更新模块，配置为若存在置信度大于设定阈值的候选框，则将该候选框作为预测结果输出，并更新目标运动信息和位置信息；否则使用多渐消因子的容积卡尔曼滤波预测和修正目标运动状态，以及预测目标位置，并更新目标运动信息和位置信息；
[0106]
持续跟踪模块，配置为令k＝k 1，并跳转配对及特征提取模块持续进行目标跟踪直至k为视频最后一帧，完成视频帧的目标跟踪。
[0107]
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0108]
需要说明的是，上述实施例提供的基于融合孪生网络与卡尔曼滤波的目标跟踪系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
[0109]
本发明第三实施例的一种电子设备，包括：
[0110]
至少一个处理器；以及
[0111]
与至少一个所述处理器通信连接的存储器；其中，
[0112]
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行
以实现上述的基于融合孪生网络与卡尔曼滤波的目标跟踪方法。
[0113]
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于融合孪生网络与卡尔曼滤波的目标跟踪方法。
[0114]
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0115]
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子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。本领域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发明的范围。
[0116]
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
[0117]
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
[0118]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。