本发明涉及图像处理领域，更具体地涉及一种活体检测的方法、装置及计算机存储介质。
背景技术
处于安全的考虑，门禁系统在各个领域都有广泛的应用。门禁系统的开启方式有多种，例如输入密码、刷门禁卡、指纹等方式。然而，密码容易被泄漏、门禁卡容易被复制、指纹容易被伪造，从而出现安全隐患。
人脸识别作为一种生物特征身份认证的方法，能够应用于门禁系统，提高门禁系统的安全性，但是，在身份验证过程中，需要防范照片、屏幕翻拍等各种攻击。
技术实现要素：
考虑到上述问题而提出了本发明。本发明提供了一种活体检测的方法、装置及计算机存储介质，考虑了视频人脸与图像采集装置之间的距离变化来进行活体检测，能够避免照片等形式的非活体攻击。
根据本发明的一方面，提供了一种活体检测的方法，包括：
获取人脸视频，所述人脸视频中的人脸与采集所述人脸视频的图像采集装置之间的距离是变化的；
对所述人脸视频进行活体检测，以确定所述人脸是否为活体。
在本发明的一个实施例中，所述对所述人脸视频进行活体检测，以确定所述人脸是否为活体，包括：
根据所述人脸的不同部位在所述人脸视频中的尺寸变化，以确定所述人脸是否为活体，所述人脸的不同部位在所述人脸视频中的尺寸变化是根据所述人脸的距离变化得到的。
在本发明的一个实施例中，所述根据所述人脸的不同部位在所述人脸视频中的尺寸变化，以确定所述人脸是否为活体，包括：
根据所述人脸的不同部位在所述人脸视频中的尺寸变化，构建所述人脸的三维信息，并根据所述三维信息以确定所述人脸是否为活体。
在本发明的一个实施例中，所述获取人脸视频，包括：
获取输入数据；
对所述输入数据进行人脸检测；
根据所述人脸检测所确定的所述人脸在所述输入数据中的位置信息，持续追踪所述输入数据中的所述人脸，并将所述输入数据中的所述人脸抠出以生成所述人脸视频。
在本发明的一个实施例中，应用于门禁系统，所述方法还包括：
对所述人脸视频进行人脸识别，以确定所述人脸对应的身份信息；
响应于所述身份信息为认证身份且所述人脸为活体，控制所述门禁系统开启。
在本发明的一个实施例中，利用循环神经网络进行所述活体检测。
在本发明的一个实施例中，在所述获取人脸视频之前，还包括：
使用带有标注信息的样本集，通过训练得到用于所述活体检测的所述循环神经网络。
在本发明的一个实施例中，还包括：
为所述人脸视频添加标注信息，并将添加标注信息后的人脸视频加入样本集中；
使用更新后的样本集，通过训练得到更新后的循环神经网络。
根据本发明另一方面，提供了一种活体检测的装置，所述装置包括：
获取模块，用于获取人脸视频，所述人脸视频中的人脸与采集所述人脸视频的图像采集装置之间的距离是变化的；
活体检测模块，用于对所述人脸视频进行活体检测，以确定所述人脸是否为活体。
在本发明的一个实施例中，所述活体检测模块，具体用于：根据所述人脸的不同部位在所述人脸视频中的尺寸变化，以确定所述人脸是否为活体，所述人脸的不同部位在所述人脸视频中的尺寸变化是根据所述人脸的距离变化得到的。
在本发明的一个实施例中，所述活体检测模块，具体用于：根据所述人脸的不同部位在所述人脸视频中的尺寸变化，构建所述人脸的三维信息，并根据所述三维信息以确定所述人脸是否为活体。
在本发明的一个实施例中，所述获取模块，包括：
获取子模块，用于获取输入数据；
人脸检测子模块，用于对所述输入数据进行人脸检测；
视频生成子模块，用于根据所述人脸检测所确定的所述人脸在所述输入数据中的位置信息，持续追踪所述输入数据中的所述人脸，并将所述输入数据中的所述人脸抠出以生成所述人脸视频。
在本发明的一个实施例中，应用于门禁系统，还包括：
人脸识别模块，用于对所述人脸视频进行人脸识别，以确定所述人脸对应的身份信息；
控制模块，用于响应于所述身份信息为认证身份且所述人脸为活体，控制所述门禁系统开启。
在本发明的一个实施例中，所述活体检测模块利用循环神经网络进行所述活体检测。
在本发明的一个实施例中，还包括训练模块，用于：
为所述人脸视频添加标注信息，并将添加标注信息后的人脸视频加入样本集中；
使用更新后的样本集，通过训练得到更新后的循环神经网络。
该装置能够用于实现前述方面及其各种示例的活体检测的方法。
根据本发明的又一方面，提供了一种活体检测的装置，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述方面及各个示例所述的活体检测的方法的步骤。
根据本发明的再一方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方面及各个示例所述的活体检测的方法的步骤。
由此可见，本发明实施例中考虑了视频人脸与图像采集装置之间的距离变化来进行活体检测，能够提升活体检测的效果，避免照片等形式的非活体攻击。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本发明实施例的电子设备的一个示意性框图；
图2是本发明实施例的活体检测的方法的一个示意性流程图；
图3是本发明实施例中的循环神经网络的一个示意图；
图4是本发明实施例的图2的活体检测的方法应用于门禁系统的门禁控制方法的一个示意性流程图；
图5是本发明实施例的门禁控制方法的另一个示意性流程图；
图6是本发明实施例的活体检测的装置的一个示意性框图；
图7是本发明实施例的应用于门禁系统的活体检测的装置的一个示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
本发明实施例可以应用于电子设备，图1所示为本发明实施例的电子设备的一个示意性框图。图1所示的电子设备10包括一个或更多个处理器102、一个或更多个存储装置104、输入装置106、输出装置108、图像传感器110以及一个或更多个非图像传感器114，这些组件通过总线系统112和/或其它形式互连。应当注意，图1所示的电子设备10的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。
所述处理器102可以包括cpu1021和gpu1022或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，例如现场可编程门阵列(field－programmablegatearray，fpga)或进阶精简指令集机器(advancedrisc(reducedinstructionsetcomputer)machine，arm)等，并且处理器102可以控制所述电子设备10中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或更多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器1041和/或非易失性存储器1042。所述易失性存储器1041例如可以包括随机存取存储器(randomaccessmemory，ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器1042例如可以包括只读存储器(read-onlymemory，rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或更多个计算机程序指令，处理器102可以运行所述程序指令，以实现各种期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或更多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或更多个。
所述图像传感器110可以拍摄用户期望的图像(例如照片、视频等)，并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
当注意，图1所示的电子设备10的组件和结构只是示例性的，尽管图1示出的电子设备10包括多个不同的装置，但是根据需要，其中的一些装置可以不是必须的，其中的一些装置的数量可以更多等等，本发明对此不限定。
图2是本发明实施例的活体检测的方法的一个示意性流程图。图2所示的方法可以包括：
s101，获取人脸视频，所述人脸视频中的人脸与采集所述人脸视频的图像采集装置之间的距离是变化的；
s102，对所述人脸视频进行活体检测，以确定所述人脸是否为活体。
由此可见，本发明实施例中考虑了视频人脸与图像采集装置之间的距离变化来进行活体检测，能够提升活体检测的效果，避免照片等形式的非活体攻击。
另外，本发明实施例的活体检测的方法能够在用户无感知的情况下进行活体检测，无需用户配合，有利于提高用户体验。
示例性地，s101可以包括：获取输入数据；对所述输入数据进行人脸检测；根据所述人脸检测所确定的所述人脸在所述输入数据中的位置信息，持续追踪所述输入数据中的所述人脸，并将所述输入数据中的所述人脸抠出以生成所述人脸视频。
其中，可以将由图像采集装置采集的原始视频作为输入数据。也可以对图像采集装置采集的原始视频进行图像预处理后作为输入数据，该图像预处理可以包括以下至少一种：光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化处理等。举例来说，行人可以在图像采集装置的采集区域内随机移动(如来回踱步)，从而得到人脸与图像采集装置之间距离变化的视频。举例来说，当该活体检测方法应用于门禁系统时，可以在门禁系统的上方或附近安装图像采集装置(诸如摄像头之类的摄像装置)，且该图像采集装置朝向该门禁系统的进门方向。另外，可理解，由于行人朝向门禁系统而来，所采集的原始视频中的行人也是相对图像采集装置而由远到近的。
其中，可以采用人脸检测算法检测该输入数据中是否存在人脸。该过程可以使用已有的人脸检测算法实现，这里不再赘述。其中，人脸检测算法可以是采用机器学习的方法(如深度学习、基于局部特征的回归算法等)通过训练得到的。可理解，若通过人脸检测确定输入数据不存在人脸，则可以重新获取另一输入数据；若通过人脸检测确定输入数据存在人脸，则可以基于该人脸数据生成人脸视频。
其中，可以根据所述人脸检测所确定的所述人脸在所述输入数据中的位置信息，持续追踪所述输入数据中的所述人脸，并将所述输入数据中的所述人脸抠出以生成所述人脸视频。这样可以避免人脸视频中出现不必要的可能干扰活体检测的背景信息，进而可以提高活体检测的检测效率。可理解，该人脸视频与输入数据的时间序列是一致的，例如，当应用于门禁系统时，该人脸视频中的人脸相对于门禁系统是由远到近的，也就是说，s101的人脸视频中，人脸与图像采集装置之间的距离可以随着时间逐渐减小。
具体地，通过人脸检测不仅可以确定存在人脸，也可以确定人脸的位置信息。也就是说，可以通过人脸检测确定输入数据的每一帧图像中人脸的位置信息。进一步地，可以根据位置信息将每一帧图像中的人脸抠出形成人脸序列，实现对该输入数据中的人脸的持续追踪，并形成人脸视频。
示例性地，s102中可以利用循环神经网络进行活体检测。具体地，可以将s101中的人脸视频作为循环神经网络(recurrentneuralnetworks，rnn)的输入，并根据其输出确定是否为活体。例如，该输出可以为[0,1]区间的任一值，如果该输出大于或等于预设值(例如，0.75或0.85等)，则可以确定为活体；如果该输出小于预设值，则可以确定为攻击。
参照图3，循环神经网络可以包括一系列的长短期记忆(longshort-termmemory，lstm)单元，并且可以将人脸视频的每一帧依次作为各个lstm单元的输入。由于循环神经网络可以学习视频中帧与帧之间关系，能够比较有效的处理视频序列，从而使得得到的结果更有效。进一步地，在图3所示的过程之后，可以通过softmax函数得到循环神经网络的输出，即0～1之间的某值。其中，作为一个示例，softmax函数可以定义为：
作为一种实现方式，在s102中，可以根据所述人脸的不同部位在所述人脸视频中的尺寸变化，以确定所述人脸是否为活体，其中所述人脸的不同部位在所述人脸视频中的尺寸变化是根据所述人脸的距离变化得到的。具体地，可以确定人脸的第一部位(如眼睛所在部位)在该人脸视频中的第一尺寸变化，确定人脸的第二部位(如嘴巴或鼻子所在部位)在该人脸视频中的第二尺寸变化。如果不同部位处的尺寸变化不同，可以确定为活体；如果不同部位处的尺寸变化几乎相同，可以确定为非活体攻击。其中在判断不同部位的尺寸变化时，可以综合考虑在所述人脸视频中的帧数位置、所述人脸的体态变化等因素。
示例性地，s102中可以根据所述人脸的不同部位在所述人脸视频中的尺寸变化，构建所述人脸的三维信息，并根据所述三维信息以确定所述人脸是否为活体。具体地，可以根据人脸的各个部位在人脸视频中的尺寸变化，确定人脸的各个部位的深度信息，进而构建出人脸的三维模型，通过与已存储的真实人脸三维数据进行比对以确定是否为活体。
举例来说，应用于门禁系统时，在行人由远到近地走向该门禁系统时，随着距离的变化可以确定该行人的人脸各个部位在人脸视频中的尺寸变化。
示例性地，图2所示的活体检测的方法可以应用于门禁系统，如图4为该活体检测的方法应用于门禁系统的门禁控制的方法，该方法在图2的基础上还包括：
s103，对所述人脸视频进行人脸识别，以确定所述人脸对应的身份信息。
s104，响应于所述身份信息为认证身份且所述人脸为活体，控制所述门禁系统开启。
示例性地，s103中可以使用已有的人脸识别算法，例如将人脸视频输入至用于人脸识别的卷积神经网络，以确定身份信息。其中，人脸识别算法可以是采用机器学习的方法(如深度学习、基于局部特征的回归算法等)通过训练得到的。
具体地，数据库中可以存储有已认证人脸图像(或称为已注册人脸图像)，这里可以将已认证人脸图像作为底库图像。举例来说，银行后台的门禁系统中，可以将该支行的所有员工的人脸图像作为底库图像；酒店储物间的门禁系统中，可以将该酒店的后勤人员的人脸图像作为底库图像；等等。在s103中，可以将人脸视频中的人脸与底库图像中的人脸图像进行匹配，例如可以计算相似度，若该人脸视频中的人脸与底库图像中的第一人脸图像之间的相似度大于或等于预设的相似度阈值，则可以确定该人脸视频中的人脸与第一人脸图像属于同一人，确定该人脸视频中的人脸的身份信息为认证身份；若该人脸视频中的人脸与底库图像中的任意人脸图像之间的相似度均小于预设的相似度阈值，则可以确定该人脸的身份信息为非认证身份。其中，可以选取人脸视频的其中一帧图像的人脸进行匹配，例如，该选取的人脸可以是清晰度较高的某正脸。
可理解，若s103中确定身份信息为非认证身份，即人脸视频中的人不是底库人，而是陌生人，则可以控制门禁系统保持关闭状态，即可以拒绝为该陌生人开启门禁系统。
示例性地，本发明实施例对s102和s103的执行顺序不作限定。例如，可以先执行s103，在确定身份信息为认证身份后再执行s102；在s103确定为非认证身份时控制门禁系统保持关闭。例如，可以先执行s102，在确定为活体后再执行s103；在s102确定为攻击时控制门禁系统保持关闭。例如，如图5所示，可以并行地执行s102和s103，在s103确定为认证身份且s102确定为活体后控制门禁系统开启；在s103确定为非认证身份或s102确定为攻击时控制门禁系统保持关闭。
可选地，在s101之前，可以使用带有标注信息的样本集，通过训练得到用于所述活体检测的所述循环神经网络。其中，标注信息为“活体”或“攻击”。也就是说，样本集可以包括标注活体的正样本集和标注攻击的负样本集。正样本集中的每个正样本为真实人脸视频，负样本集中的每个负样本为非活体人脸(如照片)视频，真实人脸视频中真实人脸与图像采集设备之间的距离是变化的，非活体人脸视频中非活体人脸与图像采集设备之间的距离也是变化的。基于该样本集，采用机器学习的方法(如深度学习、基于局部特征的回归算法等)通过训练得到用于活体检测的循环神经网络。在该训练的过程中，循环神经网络可以充分学习人脸距离变化过程中人脸不同部位的尺寸变化，还可以学习人脸三维信息等，从而保证循环神经网络的结果的准确性。
另外，在s102或s104之后，可以为所述人脸视频添加标注信息，并将添加标注信息后的人脸视频加入所述样本集中；使用更新后的样本集，通过训练得到更新后的循环神经网络。如图5所示的数据回流，可以对人脸视频进行标注(活体或攻击)，通过再次训练来优化s102中用于活体检测的循环神经网络模型。示例性地，这里的标记可以是人工标记，例如管理员为该人脸视频添加标注信息为活体或攻击，这样能够使得样本集中包括更多的与当前的门禁系统对应的样本，从而使得该样本集更专属于该门禁系统，进而保证该活体检测的过程准确性更高。
图6是本发明实施例的一种活体检测的装置的示意性框图。图6所示的装置60可以包括：获取模块610和活体检测模块620。
获取模块610，用于获取人脸视频，所述人脸视频中的人脸与采集所述人脸视频的图像采集装置之间的距离是变化的；
活体检测模块620，用于对获取模块610获取的所述人脸视频进行活体检测，以确定所述人脸是否为活体。
作为一种实现方式，活体检测模块620可以具体用于：根据所述人脸的不同部位在所述人脸视频中的尺寸变化，以确定所述人脸是否为活体，所述人脸的不同部位在所述人脸视频中的尺寸变化是根据所述人脸的距离变化得到的。
作为一种实现方式，活体检测模块620可以具体用于：根据所述人脸的不同部位在所述人脸视频中的尺寸变化，构建所述人脸的三维信息，并根据所述三维信息以确定所述人脸是否为活体。
作为一种实现方式，活体检测模块620可以利用循环神经网络进行所述活体检测。
作为一种实现方式，装置60还可以包括训练模块，用于：为所述人脸视频添加标注信息，并将添加标注信息后的人脸视频加入样本集中；使用更新后的样本集，通过训练得到更新后的循环神经网络。
作为一种实现方式，获取模块610可以包括获取子模块、人脸检测子模块和视频生成子模块。获取子模块可以用于获取输入数据。人脸检测子模块可以用于对获取子模块获取的所述输入数据进行人脸检测。视频生成子模块可以用于根据人脸检测子模块所确定的所述人脸在所述输入数据中的位置信息，持续追踪所述输入数据中的所述人脸，并将所述输入数据中的所述人脸抠出以生成所述人脸视频。
作为一种实现方式，装置60可以应用于门禁系统，如图7所示，该装置60还可以包括人脸识别模块630和控制模块640。
人脸识别模块630可以用于对所述人脸视频进行人脸识别，以确定所述人脸对应的身份信息。控制模块640可以用于响应于人脸识别模块630确定所述身份信息为认证身份且活体检测模块620确定所述人脸为活体，控制所述门禁系统开启。
图6所示的装置60能够实现前述图2所示的方法，图7所示的装置60能够实现前述图4和图5所示的方法，为避免重复，这里不再赘述。
另外，本发明实施例还提供了另一种活体检测的装置，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，处理器执行所述程序时实现前述图2至图5所示方法的步骤。
另外，本发明实施例还提供了一种电子设备，该电子设备可以包括图6或图7所示的装置60。该电子设备可以实现前述图2至图5所示的方法。
另外，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序。当所述计算机程序由处理器执行时，可以实现前述图2至图5所示方法的步骤。例如，该计算机存储介质为计算机可读存储介质。
由此可见，本发明实施例中考虑了视频人脸与图像采集装置之间的距离变化来进行活体检测，能够提升活体检测的效果，避免照片等形式的非活体攻击。在该活体检测方法应用于门禁系统时，充分考虑了门禁系统的场景特点，在为认证活体尽快开启门禁的同时也能够避免照片等形式的非活体攻击，保证门禁系统的安全性。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
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发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
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，为了精简本发明并帮助理解各个发明方面中的一个或多个，在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，并不应将该本发明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的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。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。
本领域的技术人员可以理解，除了特征之间相互排斥之外，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。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的物品分析设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。