基于多造假方式的人脸活体检测方法与流程
本发明涉及人脸活体检测领域，具体而言，涉及一种基于多造假方式的人脸活体检测方法。
背景技术：
由于人脸容易获取、非接触式、使用方便等优点，人脸识别受到人们的喜爱，广泛应用在门禁出入境管理系统、登录系统等。随着智能设备的普及，人脸易被他人获取，通过面具、照片或者视频对人脸识别系统进行攻击。因此，在人脸识别系统中，人脸活体检测变得非常重要，是保证用户安全的不可或缺的手段，也是人脸识别得到广泛推广的前提。现有技术中，针对三种不同的造假方式，采用通用的网络模型进行识别，但是不同的造假方式，攻击方式不同，所以一个通用模型无法在如此多的复杂情况下学习到真假之间本质的特征，在遇到具体的造假时往往效果会变差。
技术实现要素：
有鉴于此，本发明实施例的目的在于提供一种基于多造假方式的人脸活体检测方法，通过训练多个卷积神经网络进行融合，以判断人脸图像是否为活体的人脸图像。
为了达到上述的目的，本发明实施例采用的技术方案如下所述：
一种基于多造假方式的人脸活体检测方法，所述方法包括：
分别训练基于照片造假、视频造假和面具造假的卷积神经网络；
利用层叠泛化算法将所述三个卷积神经网络进行融合，得到分类模型；
获取待检测的人脸图像；
对所述人脸图像进行归一化处理；
将处理后的人脸图像分别输入至所述三个卷积神经网络中进行概率预测；
将所述三个卷积神经网络分别的预测结果输入至所述分类模型；
所述分类模型对所述预测结果进行分析以判断所述人脸图像的真假。
进一步地，所述利用层叠泛化算法将所述三个卷积神经网络进行融合，得到分类模型的步骤包括：
建立线性回归模型lr(0),lr(1)，其中，0代表假，1代表真；
三种卷积神经网络在训练时，样本进入每种卷积神经网络，都会得到该样本属于每一类的概率，每一个样本经过三种卷积神经网络之后变为k*i维的向量，其中k为卷积神经网络个数，即3，i为类别个数即2，样本会对应k*i个概率值，当训练lr(0)时，若该样本属于0类时样本的真实概率值yn＝1，否则yn＝0，当训练lr(1)时，若该样本属于1类时yn＝1，否则yn＝0；
根据三种卷积神经网络预测的每一类的概率值和真实概率值，拟合一个线性回归模型，以调整模型对于每一类的预测权重。
进一步地，所述分类模型对所述预测结果进行分析以判断所述人脸图像的真假的步骤包括：
所述人脸图像首先经过三种卷积神经网络，每个卷积神经网络给出所述人脸图像属于真实人脸和造假人脸的概率值，将每一个卷积神经网络预测的概率值输入lr(0)和lr(1)线性回归模型，计算得到两个回归值m，n，如果m>n，则该样本属于0类，即所述人脸图像为假，否则属于1类，即人脸图像为真。
进一步地，所述对所述人脸图像进行归一化处理的步骤包括：
通过人脸检测的算法，检测到所述人脸图像中的人脸；
利用人脸特征点定位算法，找到所述人脸的准确区域，得到准确的人脸框；
将所述裁剪出来，并归一化到特定像素。
进一步地，所述将所述人脸框裁剪出来的步骤包括：将所述人脸框扩大，将扩大后的人脸框对应的原图中的区域裁剪出来。
进一步地，所述分别训练基于照片造假、视频造假和面具造假的卷积神经网络的步骤包括：
构建训练集，所述训练集包括造假视频和真人视频；
获取造假视频和真人视频中的图像；
通过人脸检测算法检测所述图像中的人脸；
将所述人脸进行裁剪；
对裁剪后出人脸图像进行归一化处理；
将所述归一化后的人脸图像输入至卷积神经网络，所述卷积神经网络包括输入层、多个卷积层、relu层、max-pooling层、全连接层、dropout层和softmaxwithloss层；
所述输入层将所述归一化后的人脸图像进行随机裁剪，将裁剪后的人脸图像水平翻转，得到特定像素的图像，将所述特定像素的图像送入多个卷积层中的第一个卷积层；
所述第一个卷积层包括多个卷积核，所述第一个卷积层连接一个relu层和max-pooling层，所述特定像素的图像经过所述第一个卷积层后得到与所述第一个卷积层的卷积核对应数量的特征图像，所述relu层使部分神经元输出为0，造成稀疏性，所述max-pooling层对所述特征图像进行压缩，提取主要特征，所述特征图像进入第二个卷积层；
所述第二个卷积层包括多个卷积核，所述第二个卷积层连接一个relu层和max-pooling层，所述特征图像经过所述第二个卷积层后得到与所述第二个卷积层的卷积核对应数量的特征图像，所述relu层使部分神经元输出为0，造成稀疏性，所述特征图像经过第二个max-pooling层后进而进入第三个卷积层；
所述第三个卷积层包括多个卷积核，所述第三个卷积层连接一个relu层和max-pooling层，所述特征图像经过所述第三个卷积层后得到与所述第三个卷积层的卷积核对应数量的特征图像，所述relu层使部分神经元输出为0，造成稀疏性，所述特征图像经过第三个max-pooling层后进而进入第四个卷积层；
所述第四个卷积层包括多个卷积核，所述第四个卷积层连接一个relu层和max-pooling层，随后连接两个全连接层，每个全连接层均依次连接一个relu层和dropout层，所述特征图像经过所述第四个卷积层后得到与所述第四个卷积层的卷积核对应数量的特征图像，所述relu层使部分神经元输出为0，造成稀疏性，所述特征图像经过第四个max-pooling层后进而进入两个全连接层以及与所述全连接层连接的relu层和dropout层；
dropout层通过训练时，随机让卷积神经网络某些隐含层节点的权重不工作，dropout层之后依次连接一个全连接层和softmaxwithloss层，最后一个全连接层输出所述人脸图像的得分情况，将得分输入到最后一层softmaxwithloss层，得到属于每一类的概率以及该次迭代的损失。
进一步地，每一个所述卷积层和relu层之间均依次连接一个batchnorm层和一个scale层，所述batchnorm层将神经元的输出规范化到均值为0，方差为1，所述scale层逆转所述batchnorm层对特征的破坏。
进一步地，所述构建训练集的步骤包括：
按照预定比例构建训练集和验证集，所述训练集和验证集均包括造假视频和真人视频。
进一步地，所述对裁剪后出人脸图像进行归一化处理的步骤包括：
对裁剪后出人脸图像归一化到256×256像素。
进一步地，所述输入层包含rgb三个通道，大小为256×256，将训练集分为1000个batch，每个batch大小为128，所述特定像素的图像的像素为227×227，所述第一个卷积层包括96个卷积核，每个卷积核的大小为7×7，卷积操作的步长为2，经过第一个卷积层后得到96个像素为111×111的特征图像，经过第一个max-pooling层后，得到96个像素为55×55的特征图像，所述第一个max-pooling层的大小为3×3，步长为2，所述第二个卷积层包括256个卷积核，每个卷积核的大小为5×5，卷积操作的步长为2，经过第二个卷积层后得到256个像素为26×26的特征图像，经过第二个max-pooling层后，得到256个像素为26×26的特征图像，所述第二个max-pooling层的大小为3×3，步长为1，边界填充为1，所述第三个卷积层包括192个卷积核，每个卷积核的大小为3×3，边界补充1，卷积操作的步长为1，经过第三个卷积层后得到192个像素为26×26的特征图像，经过第三个max-pooling层后，得到192个像素为26×26的特征图像，所述第三个max-pooling层的大小为3×3，步长为1，边界填充为1，所述第四个卷积层包括192个卷积核，每个卷积核的大小为3×3，边界补充1，卷积操作的步长为1，经过第四个卷积层后得到192个像素为26×26的特征图像，经过第四个max-pooling层后，得到192个像素为13×13的特征图像，所述第四个max-pooling层的大小为3×3，步长为2。本发明实施例提供的基于多造假方式的人脸活体检测方法，根据照片、视频和面具三种造假方式分别用不同的卷积神经网络进行训练，然后通过层叠泛化算法进行融合，降低类内差异，增大类间差异，卷积神经网络更易学习到有辨别力的特征，每个卷积神经网络针对各种造假方式都有很高的检测能力，通过层叠泛化将三种模型进行融合，融合之后，预测时会突出每个卷积神经网络预测结果好的一面，抑制每个卷积神经网络预测结果较差的一面，提升整个检测效果。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例提供的基于多造假方式的人脸活体检测方法的流程示意图。
图2-图3是本发明实施例提供的卷积神经网络的训练流程示意图。
图4是本发明实施例提供的训练过程中卷积神经网络模型的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
请参照图1，是本发明实施例提供的基于多造假方式的人脸活体检测方法的流程示意图。该方法包括以下步骤：
步骤s110，分别训练基于照片造假、视频造假和面具造假的卷积神经网络。
请参照图2，在本实施例中，卷积神经网络的训练方式包括以下步骤：
步骤s111，构建训练集，训练集包括造假视频和真人视频。
当训练集不包括验证集时，步骤s111还包括按照预定比例构建训练集和验证集，所述训练集和验证集均包括造假视频和真人视频。训练集和验证集的比例自由配置，例如可以为8:2或7:3，本发明实施例对此不做限定。造假视频为录制的视频，针对不同的造假方式，造假视频录制内容不同，比如对于照片造假视频，造假视频为录制的造假照片的视频，对于视频造假视频，造假视频为录制的造假视频的视频，对于面具造假视频，造假视频为录制的造假面具的视频，真人视频为录制的真人的视频。
步骤s112，获取造假视频和真人视频中的图像。
从造假视频和真人视频中，按照预定规则分别抽取多帧图像，比如隔3帧或者隔5帧抽取一张图像，该图像包括人脸。
步骤s113，通过人脸检测算法检测所述图像中的人脸。
人脸检测算法可以为现有的通用的人脸检测算法，如adaboost。
步骤s114，对人脸进行裁剪。
在对人脸进行裁剪过程中，利用人脸特征点定位的算法，例如lbf、ser，找到人脸的准确区域，得到准确的人脸框，将该人脸框扩大，一般扩大1.8倍，将扩大后的人脸框对应的原图中的区域裁剪出来，裁剪出来的人脸既包括人脸，也包括一定的背景，一定的背景存在有利于分类真假视频。
步骤s115，对裁剪后出人脸图像进行归一化处理。
裁剪后的人脸图像经过归一化处理，归一化到256×256像素。
步骤s116，将归一化后的人脸图像输入至卷积神经网络，该卷积神经网络包括输入层、多个卷积层、relu层、max-pooling层、全连接层、dropout层和softmaxwithloss层。
步骤s117，对该卷积神经网络进行训练。
其中，归一化后的人脸图像首先进入输入层，请参照图3，是卷积神经网络的训练过程，包括以下步骤：
步骤s1171，输入层将归一化后的人脸图像进行随机裁剪，将裁剪后的人脸图像水平翻转，得到特定像素的图像，将特定像素的图像送入多个卷积层中的第一个卷积层。
其中，输入层的图像包含rgb三个通道，且大小为256×256，将训练集分为1000个batch，每个batch大小为128。特定像素的图像的像素为227×227，将该batch内的图像打乱顺序送入第一个卷积层，该batch内的图像样本正负比例1:1，且均属于同一个人的人脸图像，以降低由于不同外貌特征造成的差异，使网络学习到由于真人和造假之间的本质特征，降低类内差异。
步骤s1172，第一个卷积层包括多个卷积核，第一个卷积层连接一个relu层和max-pooling层，特定像素的图像经过第一个卷积层后得到与第一个卷积层的卷积核对应数量的特征图像，relu层使部分神经元输出为0，造成稀疏性，max-pooling层对特征图像进行压缩，提取主要特征，特征图像进入第二个卷积层。
在本实施例中，第一个卷积层的卷积核的个数为96个，每个卷积核的大小为7×7，卷积操作的步长为2，经过第一个卷积层后得到96个像素为111×111的特征图像，第一个max-pooling层的大小为3×3，步长为2，经过第一个max-pooling层后，得到96个像素为55×55的特征图像。作为优选的，每一个卷积层和relu层之间依次连接一个batchnorm层和一个scale层，经过batchnorm层，scale层，relu层并不改变特征图像的大小。当深度网络层次太多，信号和梯度越来越小，深层难以训练，被称作梯度弥散，也有可能越来越大，又被称作梯度爆炸，通过batchnorm层将神经元的输出规范化到均值为0，方差为1，scale层逆转所述batchnorm层对特征的破坏，以克服深度神经网络难以训练的弊病。由于深度网络在训练时，每一层的输入数据分布一直是在发生变化的，因为前面一层的参数更新会导致后面一层的输入数据的分布，batchnorm和scale可以解决训练时，网络中间层的数据分布发生改变的问题，batchnorm层是通过将神经元的输出规范化到：均值为0，方差为1，通过batchnorm层后，所有神经元都规范化到了一种分布，但输出限制在均值0方差1的分布又会使得网络的表达能力变弱，也破坏了前面层学习到的特征，所以加入scale层，通过加入学习到的重构参数，逆转对特征的破坏，逆转的程序由模型训练时调整。这样既将神经元做了规范化又保留前面层所学到的特征，由于输入变得稳定，促进了模型的收敛并一定程度上阻止了过拟合。通过逐层尺度归一，避免了梯度消失和梯度溢出，而且加速收敛，同时作为一种正则化技术也提高了泛化能力；相比使用sigmoidtanh作激活函数，计算量大，反向传播求误差梯度时，求导计算量也很大，并且sigmoidtanh函数容易饱和，出现梯度消失情况，即在接近收敛时，变换太缓慢，造成信息丢失。relu层会使部分神经元输出为0，造成稀疏性，不仅缓解了过拟合，也更接近真实的神经元激活模型克服了梯度消失，在没有无监督预训练(即训练网络的第一个隐藏层，再训练第二个…最后用这些训练好的网络参数值作为整体网络参数的初始值)的情况下相比sigmoid和tanh激活函数显著加快收敛。
步骤s1173，第二个卷积层包括多个卷积核，第二个卷积层连接一个relu层和max-pooling层，特征图像经过第二个卷积层后得到与第二个卷积层的卷积核对应数量的特征图像，所述relu层使部分神经元输出为0，造成稀疏性，所述特征图像经过第二个max-pooling层后进而进入第三个卷积层。
第二个卷积层包括256个卷积核，每个卷积核的大小为5×5，卷积操作的步长为2，经过第二个卷积层后得到256个像素为26×26的特征图像，relu层使部分神经元输出为0，造成稀疏性，特征图像经过第二个max-pooling层后，得到256个像素为26×26的特征图像，第二个max-pooling层的大小为3×3，步长为1，边界填充为1。
步骤s1174，第三个卷积层包括多个卷积核，第三个卷积层连接一个max-pooling层，特征图像经过第三个卷积层后得到与第三个卷积层的卷积核对应数量的特征图像，relu层使部分神经元输出为0，造成稀疏性，特征图像经过第三个max-pooling层后进而进入第四个卷积层。
第三个卷积层包括192个卷积核，每个卷积核的大小为3×3，边界补充1，卷积操作的步长为1，经过第三个卷积层后得到192个像素为26×26的特征图像，经过第三个max-pooling层后，得到192个像素为26×26的特征图像，第三个max-pooling层的大小为3×3，步长为1，边界填充为1。
步骤s1175，第四个卷积层包括多个卷积核，第四个卷积层连接一个max-pooling层，随后连接两个全连接层，每个全连接层均依次连接一个relu层和dropout层，relu层使部分神经元输出为0，造成稀疏性，特征图像经过第四个卷积层后得到与第四个卷积层的卷积核对应数量的特征图像，经过第四个maxpooling层后进而进入两个全连接层以及与全连接层连接的relu层和dropout层。
第四个卷积层包括192个卷积核，每个卷积核的大小为3×3，边界补充1，卷积操作的步长为1，经过第四个卷积层后得到192个像素为26×26的特征图像，经过第四个max-pooling层后，得到192个像素为13×13的特征图像，第四个max-pooling层的大小为3×3，步长为2。
步骤s1176，dropout层通过训练时，随机让卷积神经网络某些隐含层节点的权重不工作，dropout层之后依次连接一个全连接层和softmaxwithloss层，最后一个全连接层输出人脸图像的得分情况，将得分输入到最后一层softmaxwithloss层，得到属于每一类造假和真人的概率以及该次迭代的损失。
dropout层消除减弱了神经元节点间的联合适应性，增强了泛化能力，dropout层通过训练模型时，随机让网络某些隐含层节点的权重不工作的方式防止模型过拟合，正则化手段，提高泛化能力。softmaxwithloss层包括softmax层和多维logisticloss层，softmax层将前面的得分情况映射为属于每一类的概率，之后接一个多维logisticloss层，这里得到的是当前迭代的损失。把softmax层和多维logisticloss层合并为一层保证了数值上的稳定，两个全连接层输出为512维特征。
请参照图4，是本发明实施例中训练的卷积神经网络模型的示意图。
步骤s120，利用层叠泛化算法将三个卷积神经网络进行融合，得到分类模型。
基于照片造假、视频造假和面具造假的卷积神经网络训练好后，建立线性回归模型lr(0),lr(1)，其中，0代表假，1代表真，；
三种卷积神经网络在训练时，样本进入每种卷积神经网络，都会得到该样本属于每一类的概率，每一个样本经过三种卷积神经网络之后变为k*i维的向量，其中k为模型个数即3，i为类别个数即2，样本会对应k*i个概率值，当训练lr(0)时，若该样本属于0类时样本的真实概率值yn＝1，否则yn＝0，当训练lr(1)时，若该样本属于1类时yn＝1，否则yn＝0；
根据三种卷积神经网络预测的每一类的概率值和真实概率值，拟合一个线性回归模型
步骤s130，获取待检测的人脸图像。
获取的人脸图像可以是通过门禁、电脑或者监控器等设备的摄像头获取的人脸图像。
步骤s140，对所述人脸图像进行归一化处理。
本实施例中，通过人脸检测的算法，检测到人脸图像中的人脸，利用人脸特征点定位算法，找到所述人脸的准确区域，得到准确的人脸框，将所述人脸框裁剪出来，并归一化到特定像素，本实施例中，特定的像素为256×256。作为优选地，人脸框确定后，将该人脸框扩大，一般扩大1.8倍，将扩大后的人脸框对应的原图中的区域裁剪出来，裁剪出来的人脸既包括人脸，也包括一定的背景，一定的背景存在有利于分类真假视频。
步骤s150，将处理后的人脸图像分别输入至三个卷积神经网络中进行概率预测。
每个卷积神经网络都会预测该人脸图像属于每一类的概率，人脸图像经过三种卷积神经网络之后变为k*i维的向量，其中k为卷积神经网络个数，即3，i为类别个数即2，人脸图像会对应一个真实的概率值yn，当训练lr(0)时，若人脸图像属于0类时yn＝1，否则yn＝0，当训练lr(1)时，若该人脸图像属于1类时yn＝1，否则yn＝0，即变为：
[z11n,z12n,...,z1in,...,zk1n,...,zkin,...,zk1n,...,zkin],n＝1,...,n,，
k＝3为卷积神经网络个数，i＝2为类别个数，n为验证集的样本个数，n为第n个样本，zkin为第k个卷积神经网络预测第n个人脸图像属于第i类的概率值。
步骤s160，将所述三个卷积神经网络分别的预测结果输入至所述分类模型。
步骤s170，分类模型对所述预测结果进行分析以判断所述人脸图像的真假。
人脸图像首先经过三种卷积神经网络，每个卷积神经网络给出所述人脸图像属于真实人脸和造假人脸的概率值，将每一个卷积神经网络预测的概率值输入lr(0)和lr(1)线性回归模型，具体的，图像输入三类卷积神经网络，每类卷积神经网络会给出该图像属于真实人脸和造假人脸的概率值，比如针对照片造假的卷积神经网络模型给出的概率值：0.85，0.15；针对视频造假的卷积神经网络模型给出的概率值：0.91，0.09；针对面具造假的卷积神经网络模型给出的概率值：0.43，0.57；(每组的第一个概率值是判断为假的概率值，第二个概率值是判断为真的概率值，且相加等于1)，最后输入线性回归模型的应该是(0.85,0.15，0.91,0.09，0.43,0.57)的向量以计算得到两个回归值m，n，如果m>n，则该样本属于0类，即人脸图像为假，否则属于1类，即人脸图像为真。
综上所述，本发明实施例提供了一种基于多造假方式的人脸活体检测方法，根据照片、视频和面具三种造假方式分别用不同的卷积神经网络进行训练，然后通过层叠泛化算法进行融合，降低类内差异，增大类间差异，卷积神经网络更易学习到有辨别力的特征，每个卷积神经网络针对各种造假方式都有很高的检测能力，通过层叠泛化将三种模型进行融合，融合之后，预测时会突出每个卷积神经网络预测结果好的一面，抑制每个卷积神经网络预测结果较差的一面，提升整个检测效果。
在本申请所提供的实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本发明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)执行本发明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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
- 还没有人留言评论。精彩留言会获得点赞！