本发明涉及视频监控
技术领域：
：，具体涉及一种目标检索方法及终端。
背景技术：
：：基于计算机视觉的目标图像检索是计算机视觉领域中最具有挑战性的研究主题之一，其主要内容是利用计算机模拟人的视觉来描述图像的特征，并根据描述的特征从海量的图像中找出感兴趣的目标图像。图像检索在网络图像搜索、医学图像挖掘、安全监控和不良图像过滤等领域得到了广泛的应用，并且是机器学习、模式识别、计算机视觉和图像处理等多门学科交叉研究的热点与难点。由于它的复杂性和结构性，使得基于计算机视觉的目标图像检索相关技术的研究面临众多挑战，图像检索的准确性尚有待提高。随着计算机技术的高速发展及各种数字化设备的普及，现代社会中多媒体信息的数量迅猛增长，使得人们越来越多的接触到大量具有丰富内涵的多媒体信息。为了方便地从海量的信息集合中快速准确的提取出有价值的内容，各种各样的图像检索技术正逐渐成为目前研究的热点。现有技术中，传统的图像检索大多数是以及文本和内容的检索，其中，文本检索技术只提供了基于图像的描述关键字的检索，即首先对图像进行人工标注，然后再通过对关键字的查找来检索图像。这种检索方法虽然方便简单，搜索结果相对精确，但是由于标注的劳动量大且存在“语义鸿沟”，常常不能准确反映图像的内容。从二十世纪九十年代初开始，研究人员就相继提出了基于内容的图像检索的技术。该技术实际上是一种模糊查询技术，它直接从待查找的图像视觉特征出发，利用颜色、纹理、形状等视觉特征，实现了对图像视觉内容特征的检索。当然，基于内容的图像检索技术的缺点也是显而易见的，主要存在特征维度高，检索速度慢以及检索精度不高等缺陷。技术实现要素：本发明实施例提供了一种目标检索方法及终端，以期提高图像检索的速度和精度。本发明实施例第一方面提供了一种目标检索方法，包括：对P个待处理图像进行目标检测，得到M个候选框，所述P和所述M均为大于1的整数；对所述M个候选框进行目标检测，得到N个目标，所述N为大于1的整数；采用预先训练过的多目标识别模型对所述N个目标进行特征提取，得到K个特征，所述K为大于1的整数；利用局部敏感哈希算法对所述K个特征进行编码，得到所述K个编码；根据所述K个编码和所述P个待处理图像计算汉明距离，得到所述P个汉明距离值；将所述P个汉明距离值中符合预设阈值的至少1个目标汉明距离值对应的待处理图像进行保留。可选地，所述对P个待处理图像进行目标检测，得到M个候选框，包括：确定正样本集和负样本集；对所述正样本集和所述负样本集进行训练，得到训练模型；将所述训练模型在所述P个待处理图像中进行定位，得到所述X个定位框，其中，所述X为小于所述P的正整数；采用非极大值抑制算法对所述X个定位框进行去伪定位框处理，得到所述K个候选框，所述K为小于所述X的正整数。可选地，对所述M个候选框进行目标检测，包括：采用快速神经网络算法对所述M个候选框进行目标检测。可选地，所述采用快速神经网络算法对所述M个候选框进行目标检测，包括：采用基于roi-pooling函数的快速神经网络算法对所述M个候选框进行目标检测。可选地，所述根据所述K个编码和所述P个待处理图像计算汉明距离，得到所述P个汉明距离值，包括：从所述K个编码中选取与待处理图像i对应的Q个编码，所述Q为大于或等于1的整数，所述待处理图像i为所述P个待处理图像中的一个；根据所述Q个编码和所述待处理图像i确定所述待处理图像i的汉明距离值。本发明实施例第二方面提供了一种终端，包括：第一检测单元，用于对P个待处理图像进行目标检测，得到M个候选框，所述P和所述M均为大于1的整数；第二检测单元，用于对所述M个候选框进行目标检测，得到N个目标，所述N为大于1的整数；提取单元，用于采用预先训练过的多目标识别模型对所述N个目标进行特征提取，得到K个特征，所述K为大于1的整数；编码单元，用于利用局部敏感哈希算法对所述K个特征进行编码，得到所述K个编码；计算单元，用于根据所述K个编码和所述P个待处理图像计算汉明距离，得到所述P个汉明距离值；确定单元，用于将所述P个汉明距离值中符合预设阈值的至少1个目标汉明距离值对应的待处理图像进行保留。可选地，所述第一检测单元包括：第一确定模块，确定正样本集和负样本集；生成模块，对所述正样本集和所述负样本集进行训练，得到训练模型；定位模块，用于将所述训练模型在所述P个待处理图像中进行定位，得到所述X个定位框，其中，所述X为小于所述P的正整数；处理模块，采用非极大值抑制算法对所述X个定位框进行去伪定位框处理，得到所述K个候选框，所述K为小于所述X的正整数。可选地，所述第二检测单元具体用于：采用快速神经网络算法对所述M个候选框进行目标检测。可选地，所述第二检测单元具体用于：采用基于roi-pooling函数的快速神经网络算法对所述M个候选框进行目标检测。可选地，所述计算单元包括：选取模块，用于从所述K个编码中选取与待处理图像i对应的Q个编码，所述Q为大于或等于1的整数，所述待处理图像i为所述P个待处理图像中的一个；第二确定模块，用于根据所述Q个编码和所述待处理图像i确定所述待处理图像i的汉明距离值。实施本发明实施例，具有如下有益效果：通过本发明实施例，对P个待处理图像进行目标检测，得到M个候选框，P和M均为大于1的整数，对M个候选框进行目标检测，得到N个目标，N为大于1的整数，采用预先训练过的多目标识别模型对N个目标进行特征提取，得到K个特征，K为大于1的整数，利用局部敏感哈希算法对K个特征进行编码，得到K个编码，根据K个编码和P个待处理图像计算汉明距离，得到P个汉明距离值，将P个汉明距离值中符合预设阈值的至少1个目标汉明距离值对应的待处理图像进行保留。如此，可提升目标检索的速度和精度。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。图1是本发明实施例提供的一种目标检索方法的实施例流程示意图；图2a是本发明实施例提供的一种终端的第一实施例结构示意图；图2b是本发明实施例提供的图2a所描述的终端的第一检测单元的结构示意图；图2c是本发明实施例提供的图2a所描述的终端的计算单元的结构示意图；图3是本发明实施例提供的一种终端的第二实施例结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。本发明实施例所描述终端可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备(MID，MobileInternetDevices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述终端。需要说明的是，深度学习是近年来提出的一种利用具有多个隐层的深度神经网络完成学习任务的机器学习方法。其实质是,通过构建具有多个隐层的神经网络模型并使用大量的训练数据来学习得到更有用的特征,进而提升模型预测或分类的准确性。本方案在着重介绍了基于深度学习的特征提取并结合提取的深度特征来做关键目标检测、图像检索以及对相关特征进行编码的关键技术,设计了一个基于深度学习的图像检索系统。该方案具有检索精度高，处理数据量大，检索速度快等优点，适合在复杂环境下部署。需要说明的是本发明实施例，发明人在大量研究的基础上，对实际场合下的应用给出了切实可行的方案，例如光照变化下的目标图像检索、基于视觉一致性的目标图像检索等，并针对检索过程中的特征提取、检索模型和视觉显著性问题，提出了相应的解决方法。本发明实施例主要围绕基于深度学习图像检索中图像特征提取这一关键技术展开，系统地研究了图像特征的有效提取等技术，覆盖的内容主要包括图像的关键目标检测、目标特征提取以及提高检索速度等现实而有效的方法。请参阅图1，为本发明实施例提供的一种目标检索方法的第一实施例流程示意图。本实施例中所描述的目标检索方法，包括以下步骤：101、对P个待处理图像进行目标检测，得到M个候选框，所述P和所述M均为大于1的整数。其中，待处理图像中可包含目标，也可以不包含目标。在待处理图像中包含目标时，在经过目标检测后，得到至少一个候选框，在待处理图像中不包含候选框时，该待处理图像可能的得不到候选框。上述P个待处理图像中可全部包含目标，也可以部分包含目标。目标可为人、车、用户指定的物体。可利用目标检测算法对P个待处理图像进行目标检测，假设得到M个候选框，P和M均为大于1的整数。可选地，上述步骤101中，对P个待处理图像进行目标检测，得到M个候选框，可包括如下步骤：11)、确定正样本集和负样本集；12)、对所述正样本集和所述负样本集进行训练，得到训练模型；13)、将所述训练模型在所述P个待处理图像中进行定位，得到所述X个定位框，其中，所述X为小于所述P的正整数；14)、采用非极大值抑制算法对所述X个定位框进行去伪定位框处理，得到所述K个候选框，所述K为小于所述X的正整数。其中，步骤11中的正样本集可为用户想检索的目标，例如，人，车、狗等等，正样本集中包含多个正样本。负样本集则为用户想检索的目标之外的景物，负样本集中包含多个负样本。上述正样本集和负样本集的包含的样本数量当然越多，训练出来的模型越准确，但是，正样本和负样本的数量越多，也会增加训练时候的计算成本。采用分类器对正样本集和负样本集进行训练，就可以得到一个训练模型。其中，上述分类器可为神经网络分类器，支持向量基(SupportVectorMachine，SVM)分类器、遗传算法分类器等等。步骤13中可采用上述训练模型对P个待处理图像进行定位，从而，进一步得到X个定位框。由于上述X个定位框中可能还是包含了伪定位框，进一步地，步骤14中采用非极大值抑制算法对上述X个定位框进行去伪定位框处理，得到K个候选框，此时的候选框精度较高。102、对所述M个候选框进行目标检测，得到N个目标，所述N为大于1的整数。其中，可对M个候选框进行目标检测，此时，得到N个目标，M不一定等于N，因为，有可能M个候选框中还存在伪定位框，或者，M个候选框中的某个候选框目标检测后得到的目标不止一个。可选地，对所述M个候选框进行目标检测，可按照如下方式实现：采用快速神经网络算法对所述M个候选框进行目标检测。可选地，采用快速神经网络算法相比于普通神经网络算法，具有更好的处理速度。进一步可选地，上述采用快速神经网络算法对所述M个候选框进行目标检测，包括：采用基于roi-pooling函数的快速神经网络算法对所述M个候选框进行目标检测。103、采用预先训练过的多目标识别模型对所述N个目标进行特征提取，得到K个特征，所述K为大于1的整数。可选地，基于快速神经网络算法(FastNeuralNetworkAlgorithm，FastRCNN)的多目标检测：本发明实施例中基于FastRCNN，其网络结构可以alexnet为蓝本，在其基础上对其进行调整，即适当减少卷积核的大小和特征图的数量以提高检测速度。进一步地，若在网络结构中用roi-pooling替代最后一个卷积层后面的pooling层来使用不同候选框的输入，进一步提高运行的速度。最后保存训练好的多目标检测模型。其中，在采用预先训练过的多目标识别模型对上述N个目标进行特征提取时，可以得到K个特征，K为大于1的整数。104、利用局部敏感哈希算法对所述K个特征进行编码，得到所述K个编码。其中，可利用局部敏感哈希算法对K个特征进行编码，从而，得到K个编码，每一特征对应一个编码。105、根据所述K个编码和所述P个待处理图像计算汉明距离，得到所述P个汉明距离值。可选地，上述步骤105中，根据所述K个编码和所述P个待处理图像计算汉明距离，得到所述P个汉明距离值，可包括如下步骤：51)、从所述K个编码中选取与待处理图像i对应的Q个编码，所述Q为大于或等于1的整数，所述待处理图像i为所述P个待处理图像中的一个；52)、根据所述Q个编码和所述待处理图像i确定所述待处理图像i的汉明距离值。106、将所述P个汉明距离值中符合预设阈值的至少1个目标汉明距离值对应的待处理图像进行保留。可选地，可将所述P个汉明距离值中不符合预设阈值的至少1个目标汉明距离值对应的待处理图像进行删除或者标记。上述预设阈值可由系统默认或者用户自行设置，例如，预设阈值可为经验值。预设阈值也可以为一个范围值。以下仅以对交通应用为例加以说明，具体如下：步骤101可用于得到候选框：利用目标检测算法生成多个目标的候选框，例如，这里以人和车为例，分别以包含车或人的图像为正样本，其他自然环境下的图像为负样本进行训练，生成车和人的训练模型。把生成的训练模型分别在输入的训练图像中进行粗定位，并用非极大值抑制算法去掉重叠度搞、置信度低的伪定位框，操作之后大概生成500个车和人的候选框，分别作为深度学习的目标候选框。假设候选框与图像中人工标注矩形框的重叠度大于0.5，那么我们就把这个候选框标注成物体类别(如人或车)，否则就把它当作背景类别。步骤102可用于对101中的候选框进行目标检测：本发明实施例可基于FastRCNN，对步骤101中的候选框进行目标检测，得到若干个目标。步骤103可用于对102中的目标进行特征提取，得到若干个特征：为精确地提取多目标特征，事先对要检索的多目标(如各种厂家，类别，年款的车型以及行人，摩托车，三轮车等)进行分类。基于caffe架构，在googlenet的基础上对网络结构进行修改，减少卷积的层数以及特征图的数量来提高运行速度。把训练完毕之后的模型文件作为检测到的目标对象的权重文件，提取目标对象的特征。这里在大量实验的基础上，以最后一个pooling层的特征作为最终提取的目标特征。最后保存训练好的多目标分类模型。基于该多目标分类模型对目标进行特征提取，得到若干个特征。步骤104可用于对步骤103中得到的特征进行编码，得到若干个编码：本发明实施例中的编码方式以局部敏感哈希算法为蓝本，步骤103中提取到特征作为原始数据并将其空间中的两个相邻数据点通过相同的映射或投影变换(我们在这里称为hash函数)，这两个数据点在新的数据空间中仍然相邻的概率很大，而不相邻的数据点被映射到同一个桶的概率很小。对原始数据集合中所有的数据都进行hash映射后，我们就得到了一个hashtable，这些原始数据集被分散到了hashtable的桶内，每个桶会落入一些原始数据，属于同一个桶内的数据就有很大可能是相邻的。这样，我们就通过hashfunction操作，将原始数据集合分成了多个子集合。步骤105可用于计算编码与待处理图像之间的汉明距离，步骤106用于根据汉明距离选取包含目标的待处理图像。具体地，假设有大量图像经过上述操作并保存到指定数据库里面，在这称为入库操作。输入查询图像(待处理图像包含有已训练的目标对象)，对要检索的目标对象画框，表示要在库文件里面检索和框内同一类型的对象。在这里我们先用多目标分类模型对框内的目标进行特征提取，并用局部敏感函数对提取的特征编码，然后将库里面的数据取出，计算查询数据与库里面数据之间的距离，并返回设定阈值范围的数据对应的目标对象作为最终的检索结果。通过本发明实施例，对P个待处理图像进行目标检测，得到M个候选框，P和M均为大于1的整数，对M个候选框进行目标检测，得到N个目标，N为大于1的整数，采用预先训练过的多目标识别模型对N个目标进行特征提取，得到K个特征，K为大于1的整数，利用局部敏感哈希算法对K个特征进行编码，得到K个编码，根据K个编码和P个待处理图像计算汉明距离，得到P个汉明距离值，将P个汉明距离值中符合预设阈值的至少1个目标汉明距离值对应的待处理图像进行保留。如此，可提升图像的检索的速度和精度。与上述一致地，以下为实施上述目标检索方法的装置，具体如下：请参阅图2a，为本发明实施例提供的一种终端的第一实施例结构示意图。本实施例中所描述的终端，包括：第一检测单元201、第二检测单元202、提取单元203、编码单元204、计算单元205和确定单元206，具体如下：第一检测单元201，用于对P个待处理图像进行目标检测，得到M个候选框，所述P和所述M均为大于1的整数；第二检测单元202，用于对所述M个候选框进行目标检测，得到N个目标，所述N为大于1的整数；提取单元203，用于采用预先训练过的多目标识别模型对所述N个目标进行特征提取，得到K个特征，所述K为大于1的整数；编码单元204，用于利用局部敏感哈希算法对所述K个特征进行编码，得到所述K个编码；计算单元205，用于根据所述K个编码和所述P个待处理图像计算汉明距离，得到所述P个汉明距离值；确定单元206，用于将所述P个汉明距离值中符合预设阈值的至少1个目标汉明距离值对应的待处理图像进行保留。可选地，如图2b所示，图2b为图2a中所描述的终端的第一检测单元201的细化结构，其包括：第一确定模块2011、生成模块2012、定位模块2013和处理模块2014，具体如下：第一确定模块2011，用于确定正样本集和负样本集；生成模块2012，用于对所述正样本集和所述负样本集进行训练，得到训练模型；定位模块2013，用于将所述训练模型在所述P个待处理图像中进行定位，得到所述X个定位框，其中，所述X为小于所述P的正整数；处理模块2014，用于采用非极大值抑制算法对所述X个定位框进行去伪定位框处理，得到所述K个候选框，所述K为小于所述X的正整数。可选地，所述第二检测单元202具体用于：采用快速神经网络算法对所述M个候选框进行目标检测。进一步可选地，所述第二检测单元202具体用于：采用基于roi-pooling函数的快速神经网络算法对所述M个候选框进行目标检测。可选地，如图2c所示，图2c为图2a中所描述的终端的计算单元205的细化结构，其包括：选取模块2051和第二确定模块2052，具体如下：选取模块2051，用于从所述K个编码中选取与待处理图像i对应的Q个编码，所述Q为大于或等于1的整数，所述待处理图像i为所述P个待处理图像中的一个；第二确定模块2052，用于根据所述Q个编码和所述待处理图像i确定所述待处理图像i的汉明距离值。通过本发明实施例所描述的终端，可对P个待处理图像进行目标检测，得到M个候选框，P和M均为大于1的整数，对M个候选框进行目标检测，得到N个目标，N为大于1的整数，采用预先训练过的多目标识别模型对N个目标进行特征提取，得到K个特征，K为大于1的整数，利用局部敏感哈希算法对K个特征进行编码，得到K个编码，根据K个编码和P个待处理图像计算汉明距离，得到P个汉明距离值，将P个汉明距离值中符合预设阈值的至少1个目标汉明距离值对应的待处理图像进行保留。如此，可提升图像的检索的速度和精度。与上述一致地，请参阅图3，为本发明实施例提供的一种终端的第二实施例结构示意图。本实施例中所描述的终端，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如CPU；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。其中，上述输入设备1000具体可为触控面板、物理按键或者鼠标。上述输出设备2000具体可为显示屏。上述存储器4000可以是高速RAM存储器，也可为非易失存储器(non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码，执行如下操作：上述处理器3000，用于：对P个待处理图像进行目标检测，得到M个候选框，所述P和所述M均为大于1的整数；对所述M个候选框进行目标检测，得到N个目标，所述N为大于1的整数；采用预先训练过的多目标识别模型对所述N个目标进行特征提取，得到K个特征，所述K为大于1的整数；利用局部敏感哈希算法对所述K个特征进行编码，得到所述K个编码；根据所述K个编码和所述P个待处理图像计算汉明距离，得到所述P个汉明距离值；将所述P个汉明距离值中符合预设阈值的至少1个目标汉明距离值对应的待处理图像进行保留。可选地，上述处理器3000对P个待处理图像进行目标检测，得到M个候选框，包括：确定正样本集和负样本集；对所述正样本集和所述负样本集进行训练，得到训练模型；将所述训练模型在所述P个待处理图像中进行定位，得到所述X个定位框，其中，所述X为小于所述P的正整数；采用非极大值抑制算法对所述X个定位框进行去伪定位框处理，得到所述K个候选框，所述K为小于所述X的正整数。可选地，上述处理器3000对所述M个候选框进行目标检测，包括：采用快速神经网络算法对所述M个候选框进行目标检测。可选地，上述处理器3000采用快速神经网络算法对所述M个候选框进行目标检测，包括：采用基于roi-pooling函数的快速神经网络算法对所述M个候选框进行目标检测。可选地，上述处理器3000根据所述K个编码和所述P个待处理图像计算汉明距离，得到所述P个汉明距离值，包括：从所述K个编码中选取与待处理图像i对应的Q个编码，所述Q为大于或等于1的整数，所述待处理图像i为所述P个待处理图像中的一个；根据所述Q个编码和所述待处理图像i确定所述待处理图像i的汉明距离值。本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种目标检索方法的部分或全部步骤。尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。本领域技术人员应明白，本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页1 2 3 当前第1页1 2 3