一种基于颜色识别的室内无人机位姿获取方法及系统与流程

本发明涉及一种基于颜色识别的室内无人机位姿获取方法及系统，属于无人机计算领域。

背景技术：

随着无人机技术的发展，无人机的应用领域越来越广泛。除了在室外天空中大展身手，无人机在室内空间中自由飞行已经受到了越来越多的关注。在室外环境中获取位置信息可以使用gps完成，但在室内等封闭区域环境中很难获得无人机的位置信息。在室内代替gps的无人机定位技术是无人机室内应用的关键。

目前的室内无人机位姿估计方法([1]pravitra,c.；chowdhary,g.；johnson,e.acompactexplorationstrategyforindoorflightvehicles[c].decisionandcontrolandeuropeancontrolconference(cdc-ecc),201150thieeeconferenceon,vol.,no.,pp.3572-3577,12-15dec.2011.[2]mustafahym,azmanaw,akbarf.indooruavpositioningusingstereovisionsensor[j].procediaengineering,2012,41:575-579.[3]wangf,cuij,phangsk,etal.amono-cameraandscanninglaserrangefinderbaseduavindoornavigationsystem[c].unmannedaircraftsystems(icuas),2013internationalconferenceon.ieee,2013:694-701.[4]熊敏君,卢惠民,熊丹等.基于单目视觉与惯导融合的无人机位姿估计[j].计算机应用,2017,2.)

文献[1]中利用激光测距仪将无人机位置映射到周围区域的策略，提出了使用墙壁跟踪逻辑的无人机位姿估计方法。该方法使用来自激光距离扫描器的2d距离信息，通过将基于传感器的随机树边界探测器与墙壁跟随速度场生成器融合生成速度命令。该方法利用了基于边界导引的有效探测能力，有助于维持良好的激光扫描几何形状，从而提高无人机的位姿估计精度。文献[2]中使用双目摄像头实现室内无人机的位姿估计，采用快速定位算法实现了实时准确定位。文献[3]中使用单目相机和激光扫描仪实现了室内无人机对自身速度和位置的稳健估计，整个系统不需要任何遥感信息或离线计算能力。文献[4]中提出一种单目视觉/惯导组合位姿估计方法。借助超声波传感器，基于最小二乘法获取单目视觉的绝对尺度信息，从而计算得到视觉位姿估计结果；根据惯性测量单元(imu)的运动学模型建立系统方程，进行惯导解算，并推导误差状态方程对系统误差状态建模；并将视觉位姿估计结果作为观测量，基于扩展卡尔曼滤波得到系统误差状态的最优估计值，从而对惯导解算的结果进行修正。该方法在室外150m范围场景的位置估计的均方根误差(rmse)低于0.995m，航向角估计的rmse为2.235°，水平姿态角估计的rmse低于1.915°。

现已公开的无人机位姿估计相关的专利有：(1)基于梯形与圆形组合地标的无人机位姿估计方法(公开号：cn108122255a)；(2)基于大小回字标志物的多旋翼无人机位姿获取方法(公开号：cn102967305a)；(3)基于合作目标特征线的无人机位姿估计方法(公开号：cn101833761a)；(4)基于特征点线的单目相机位姿估计和优化方法及系统(公开号：cn107871327a)。(1)和(2)中提出的无人机位姿方法需要设置特定形式的地标或标志物，(3)中提出的无人机位姿估计方法需要具有特征线的合作目标，(4)中提出的无人机位姿估计方法对目标图像要求明显的点线特征。以上方法都对目标环境有特定的要求，不适应于普遍目标环境。

技术实现要素：

本发明的目的是提供一种基于颜色识别的室内无人机位姿获取方法，针对室内飞行中的无人机进行视频采集和特征提取，并对关键参数进行计算，从而实现对室内无人机的三维位置和姿态的估计。该方法相机固定于室内墙壁或地面上，减少了飞机的载重，节省了空间和能源，同时减少了飞机飞行不稳定造成的成像问题，并能避免在环境中设置地标或标志物，提高了该方法的使用便捷性。

本发明所采用的技术方案是：

一种基于颜色识别的室内无人机位姿获取方法，包括以下步骤，

s1、搭建室内无人机位姿获取实验平台，在室内墙壁或地面上安装若干个相机，将无人机的螺旋桨进行标号，并对不同螺旋桨涂上不同的颜色；

s2、采集无人机图像帧并进行图像帧预处理：对相机采集到的图像进行目标提取，提取无人机螺旋桨的椭圆轮廓，对采集到的图像进行累加处理，获得螺旋桨的椭圆形轮廓图像；

s3、计算四个螺旋桨的椭圆形轮廓图像的图像参数，图像参数包括颜色分布、椭圆轮廓的周长和椭圆的偏心度；根据螺旋桨的椭圆形轮廓图像的图像颜色分布，计算得到无人机的偏航角ψ；根据椭圆轮廓的周长和椭圆的偏心度计算无人机的俯仰角θ、翻滚角φ和无人机与相机之间的距离；

s4、根据螺旋桨的椭圆形轮廓图像和无人机与相机之间的距离，计算无人机的位置，得到无人机的姿态和位置。

步骤s2具体包括以下步骤，

s21、设置相机参数；

s22、从相机读取视频流，在视频流中提取图像帧，从图像帧中提取螺旋桨的椭圆形轮廓像，并将连续m帧的螺旋桨图像进行累加计算。

步骤s3具体包括以下步骤：

s31、对s2中提取的螺旋桨的椭圆图像进行颜色分布计算，根据颜色分布计算无人机的偏航角ψ；

s32、通过标定实验，测得若干组不同无人机与相机之间的距离条件下下，无人机不同位置或者不同姿态时，螺旋桨椭圆的长短轴长度、椭圆周长、面积和偏心度，建立无人机与相机之间的距离与飞机参数的数学模型；根据建立的数学模型和测得的椭圆参数估计无人机的俯仰角θ、翻滚角φ和无人机与相机之间的距离。

步骤s4具体包括以下步骤：

s41、根据小孔成像模型，把三维空间中的无人机投影到相机物理成像平面；o-x-y-z为相机坐标系，o为相机的光心，z轴指向相机前方，根据右手定则确定x轴和y轴的指向；三维空间中的物体经过小孔o之后，成像于物理成像坐标平面o’-x’-y’上；在相机中，获得由像素组成的二维图像，二维图像所在的平面为像素坐标平面o-u-v；根据三角相似关系得到相机坐标系到像素坐标系的转换关系为式(1)所示：

其中，(x,y,z)^t为无人机在相机坐标系中的坐标，z等于相机到无人机的距离d；

(u,v)^t为无人机的像素坐标；为相机内参矩阵；

fx表示在相机坐标系中x轴方向的相机归一化焦距；

fy表示在相机坐标系中y轴方向的相机归一化焦距；

(cx,cy)表示相机光学中心坐标；

s42、对无人机螺旋桨图像进行实时处理，得到无人机在相机坐标系中的实时位置坐标(x,y,z)；

根据当前帧螺旋桨的图像与前一帧进行比较，得到当前螺旋桨图像中心点的像素坐标(无人机的像素坐标)(u，v)根据相机坐标系到像素坐标系的转换关系，得到像素坐标系到相机坐标系的转换关系为式(2)所示；

根据像素坐标系到相机坐标系的转换关系，得到无人机在相机坐标系中的实时位置坐标(x,y,z)，即当前螺旋桨中心点在相机坐标系中的坐标。

一种基于颜色识别的室内无人机位姿获取系统，包括无人机位姿获取实验平台、图像帧预处理单元、图像参数计算单元和无人机位置计算单元；

无人机位姿获取实验平台包括若干相机，相机设置在室内墙壁或地面上，无人机位姿获取实验平台中将无人机的螺旋桨进行标号，并对不同螺旋桨涂上不同的颜色；

图像帧预处理单元，对相机采集到的图像进行目标提取，提取无人机四个螺旋桨的椭圆轮廓，对采集到的图像进行累加处理，获得螺旋桨的椭圆形轮廓图像；

图像参数计算单元计算螺旋桨的椭圆形轮廓图像的图像参数，图像参数包括颜色分布、椭圆轮廓的周长和椭圆的偏心度；根据螺旋桨的椭圆形轮廓图像的图像颜色分布，计算得到无人机的偏航角ψ；根据椭圆轮廓的周长和椭圆的偏心度计算无人机的俯仰角θ、翻滚角φ和无人机与相机之间的距离；

无人机位置计算单元根据螺旋桨的椭圆形轮廓图像和无人机与相机之间的距离，计算无人机的位置，得到无人机的姿态和位置。

图像帧预处理单元进行图像帧预处理，具体包括以下步骤：

s21、设置相机参数；

s22、从相机读取视频流，在视频流中提取图像帧，从图像帧中提取螺旋桨的椭圆形轮廓像，并将连续m帧的螺旋桨图像进行累加计算。

图像参数计算单元进图像参数计算具体包括以下步骤：

s31、对螺旋桨的椭圆图像进行颜色分布计算，根据颜色分布计算无人机的偏航角ψ；

s32、通过标定实验，测得若干组不同无人机与相机之间的距离条件下下，无人机不同位置或者不同姿态时，螺旋桨椭圆的长短轴长度、椭圆周长、面积和偏心度，建立无人机与相机之间的距离与飞机参数的数学模型；根据建立的数学模型和测得的椭圆参数估计无人机的俯仰角θ、翻滚角φ和无人机与相机之间的距离。

无人机位置计算单元进行无人机位置计算具体包括以下步骤：

s41、根据小孔成像模型，把三维空间中的无人机投影到相机物理成像平面；o-x-y-z为相机坐标系，o为相机的光心，z轴指向相机前方，根据右手定则确定x轴和y轴的指向；三维空间中的物体经过小孔o之后，成像于物理成像坐标平面o’-x’-y’上；在相机中，获得由像素组成的二维图像，二维图像所在的平面为像素坐标平面o-u-v；根据三角相似关系得到相机坐标系到像素坐标系的转换关系为式(1)所示：

其中，(x,y,z)^t为无人机在相机坐标系中的坐标，z等于相机到无人机的距离d；

(u,v)^t为无人机的像素坐标；为相机内参矩阵；

fx表示在相机坐标系中x轴方向的相机归一化焦距；

fy表示在相机坐标系中y轴方向的相机归一化焦距；

(cx,cy)表示相机光学中心坐标；

s42、对无人机螺旋桨图像进行实时处理，得到无人机在相机坐标系中的实时位置坐标(x,y,z)；

根据当前帧螺旋桨的图像与前一帧进行比较，得到当前螺旋桨图像中心点的像素坐标(无人机的像素坐标)(u，v)根据相机坐标系到像素坐标系的转换关系，得到像素坐标系到相机坐标系的转换关系为式(2)所示；

根据像素坐标系到相机坐标系的转换关系，得到无人机在相机坐标系中的实时位置坐标(x,y,z)，即当前螺旋桨中心点在相机坐标系中的坐标。

与现有技术相比，本发明具有的有益效果是：

本发明中提出的一种基于颜色识别的室内无人机位姿获取方法与现有的方法，对无人机的螺旋桨涂上了不同的颜色，根据采集到的螺旋桨的图像颜色分布来判断无人机的飞行方向，不需要在无人机上额外放置大尺寸的标记物，避免了额外的风阻、结构不对称等问题；

本发明由固定相机对飞行的无人机进行拍摄，利用获取的图像颜色信息和灰度信息等对无人机的位置和姿态进行估计。该方法避免了在环境中设置地标或标志物或合作目标，同时避免了对地标或标志物或合作目标的特征提取与跟踪的过程。

本发明将相机固定于室内墙壁或地面上，避免了常规的无人机位姿估计方法中在无人机上加装摄像头等测量装置，这就减少了飞机的载重，节省了空间，同时也大大减少了无人机的能耗，从而可以提高无人机的续航能力；

本发明将相机固定于室内墙壁或地面上，相对于将相机加装于无人机上，减少了由于无人机飞行的不稳定性对相机造成的成像抖动问题，从而提高了相机的成像质量，对后续的图像处理带来了便捷和高质量数据；

本发明根据无人机螺旋桨图像的颜色分布判断无人机的方向，无人机位姿估计算法简单可靠，成本低廉，提高了该方法的可实现性。

附图说明

图1为本发明一种基于颜色识别的室内无人机位姿获取方法流程图；

图2是四旋翼无人机的四个螺旋桨示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于颜色识别的室内无人机位姿获取方法，包括以下步骤，

s1、搭建室内无人机位姿获取实验平台：在室内墙壁或地面上安装若干个相机，用于对室内无人机的图像采集；将无人机的螺旋桨(以四旋翼无人机为例)进行标号，并对不同螺旋桨涂上不同的颜色(比如：螺旋桨1为红色、螺旋桨2为黄色、螺旋桨3为蓝色、螺旋桨4为绿色，如图2所示)；

s2、采集无人机图像帧并进行图像帧预处理：对相机采集到的图像进行目标提取，提取无人机四个螺旋桨的椭圆轮廓。为了提高螺旋桨椭圆轮廓提取的稳定性，对采集到的图像进行累加处理，获得螺旋桨的椭圆形轮廓图像；

s3、计算四个螺旋桨的椭圆形轮廓图像的图像参数，图像参数包括颜色分布、椭圆轮廓的周长和椭圆的偏心度；根据四个螺旋桨的椭圆形轮廓图像的图像颜色分布信息，计算得到无人机的偏航角ψ；根据椭圆轮廓的周长和椭圆的偏心度计算无人机的俯仰角θ、翻滚角φ和无人机与相机之间的距离；

无人机的姿态是指无人机的偏航角ψ俯仰角θ、翻滚角φ；

s4、根据螺旋桨的椭圆形轮廓图像和无人机与相机之间的距离，计算无人机的位置。

步骤s2具体包括以下步骤，

s21、设置相机参数，打开相机，为视频流读取做准备；

s22、从相机读取视频流，在视频流中提取图像帧。从图像帧中提取螺旋桨的椭圆形轮廓像，并将连续m帧的螺旋桨图像进行累加计算。

步骤s3具体包括以下步骤：

s31、对s2中提取的螺旋桨的椭圆图像(rgb图像)进行颜色分布计算，根据颜色分布计算无人机的偏航角ψ；

假设四个螺旋桨轮廓的初始位置如图1所示，螺旋桨1的轮廓中心线(该中心线是指从无人机的中心点o到螺旋桨1的轮廓圆心o1的连线o-o1)指向正北方向(无人机偏航角ψ为0度)，此时螺旋桨2的中心线o-o2指向正西方向，螺旋桨3的中心线o-o3指向正南方向，螺旋桨4的中心线o-o4指向正东方向。依次类推，当螺旋桨1的轮廓中心线o-o1指向正东方向时，无人机偏航角ψ为90度，此时螺旋桨2的中心线o-o2指向北方向，螺旋桨3的中心线o-o3指向正西方向，螺旋桨4的中心线o-o4指向正南方向；

s32、对s2中提取的旋转机的椭圆轮廓的周长和椭圆的偏心度进行参数计算。根据椭圆轮廓的周长和椭圆的偏心度计算无人机的俯仰角θ、翻滚角φ和距离。

通过标定实验，测得多组不同距离(这里的距离指的是飞机螺旋桨中心点o与相机中心点的距离)下，不同位置、不同姿态时，螺旋桨椭圆的长短轴长度、椭圆周长、面积以及偏心度，建立距离与飞机参数(飞机参数包括飞机姿态角、螺旋桨的图像形状参数)的数学模型。根据建立的数学模型和测得的椭圆参数来估计无人机的俯仰角θ、翻滚角φ和无人机与相机之间的距离。

步骤s4具体包括以下步骤：

s41、根据小孔成像模型，把三维空间中的无人机投影到相机物理成像平面；o-x-y-z为相机坐标系，o为相机的光心，z轴指向相机前方，根据右手定则确定x轴和y轴的指向；三维空间中的物体经过小孔o之后，成像于物理成像坐标平面o’-x’-y’上；在相机中，获得由像素组成的二维图像，二维图像所在的平面为像素坐标平面o-u-v；根据三角相似关系得到相机坐标系到像素坐标系的转换关系为式(1)所示：

其中，(x,y,z)^t为无人机在相机坐标系中的坐标，z等于相机到无人机的距离d；

(u,v)^t为无人机的像素坐标；为相机内参矩阵；

fx表示在相机坐标系中x轴方向的相机归一化焦距；

fy表示在相机坐标系中y轴方向的相机归一化焦距；

(cx,cy)表示相机光学中心坐标；

s42、对无人机螺旋桨图像进行实时处理，得到无人机在相机坐标系中的实时位置坐标(x,y,z)；

根据当前帧螺旋桨的图像与前一帧进行比较，得到当前螺旋桨图像中心点的像素坐标(无人机的像素坐标)(u，v)根据相机坐标系到像素坐标系的转换关系，得到像素坐标系到相机坐标系的转换关系为式(2)所示；

根据像素坐标系到相机坐标系的转换关系，得到无人机在相机坐标系中的实时位置坐标(x,y,z)，即当前螺旋桨中心点在相机坐标系中的坐标。

由于在该系统中，相机是固定不变的，所以相机坐标系也是固定不变的，可作为世界坐标系。因此就得到了无人机的位置(用螺旋桨的中心点的位置坐标作为无人机的位置)。

一种基于颜色识别的室内无人机位姿获取系统，包括无人机位姿获取实验平台、图像帧预处理单元、图像参数计算单元和无人机位置计算单元；

无人机位姿获取实验平台包括若干相机，相机设置在室内墙壁或地面上，无人机位姿获取实验平台中将无人机的螺旋桨进行标号，并对不同螺旋桨涂上不同的颜色；

图像帧预处理单元，对相机采集到的图像进行目标提取，提取无人机四个螺旋桨的椭圆轮廓，对采集到的图像进行累加处理，获得螺旋桨的椭圆形轮廓图像；

图像参数计算单元计算四个螺旋桨的椭圆形轮廓图像的图像参数，图像参数包括颜色分布、椭圆轮廓的周长和椭圆的偏心度；根据四个螺旋桨的椭圆形轮廓图像的图像颜色分布，计算得到无人机的偏航角ψ；根据椭圆轮廓的周长和椭圆的偏心度计算无人机的俯仰角θ、翻滚角φ和无人机与相机之间的距离；

无人机位置计算单元根据螺旋桨的椭圆形轮廓图像和无人机与相机之间的距离，计算无人机的位置，得到无人机的姿态和位置。

图像帧预处理单元进行图像帧预处理，具体包括以下步骤：

s21、设置相机参数；

s22、从相机读取视频流，在视频流中提取图像帧，从图像帧中提取螺旋桨的椭圆形轮廓像，并将连续m帧的螺旋桨图像进行累加计算。

图像参数计算单元进图像参数计算具体包括以下步骤：

s31、对螺旋桨的椭圆图像进行颜色分布计算，根据颜色分布计算无人机的偏航角ψ；

s32、通过标定实验，测得若干组不同无人机与相机之间的距离条件下下，无人机不同位置或者不同姿态时，螺旋桨椭圆的长短轴长度、椭圆周长、面积和偏心度，建立无人机与相机之间的距离与飞机参数的数学模型；根据建立的数学模型和测得的椭圆参数估计无人机的俯仰角θ、翻滚角φ和无人机与相机之间的距离。

无人机位置计算单元进行无人机位置计算具体包括以下步骤：

s41、根据小孔成像模型，把三维空间中的无人机投影到相机物理成像平面；o-x-y-z为相机坐标系，o为相机的光心，z轴指向相机前方，根据右手定则确定x轴和y轴的指向；三维空间中的物体经过小孔o之后，成像于物理成像坐标平面o’-x’-y’上；在相机中，获得由像素组成的二维图像，二维图像所在的平面为像素坐标平面o-u-v；根据三角相似关系得到相机坐标系到像素坐标系的转换关系为式(1)所示：

其中，(x,y,z)^t为无人机在相机坐标系中的坐标，z等于相机到无人机的距离d；

(u,v)^t为无人机的像素坐标；为相机内参矩阵；

fx表示在相机坐标系中x轴方向的相机归一化焦距；

fy表示在相机坐标系中y轴方向的相机归一化焦距；

(cx,cy)表示相机光学中心坐标；

s42、对无人机螺旋桨图像进行实时处理，得到无人机在相机坐标系中的实时位置坐标(x,y,z)；

根据当前帧螺旋桨的图像与前一帧进行比较，得到当前螺旋桨图像中心点的像素坐标(无人机的像素坐标)(u，v)根据相机坐标系到像素坐标系的转换关系，得到像素坐标系到相机坐标系的转换关系为式(2)所示；

根据像素坐标系到相机坐标系的转换关系，得到无人机在相机坐标系中的实时位置坐标(x,y,z)，即当前螺旋桨中心点在相机坐标系中的坐标。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、cd-rom、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的方法。

以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

以上仅是本发明的优选实施方式，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的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。