人脸属性识别方法及装置与流程

本发明涉及人工智能技术领域，具体涉及一种人脸属性识别方法及装置。

背景技术：

随着社会的不断发展，人脸属性识别技术在各行各业的需求越来越广泛。人脸属性主要包括：年龄，性别，种族等方面。在购物、饮食、娱乐等方面，通过对人的年龄、性别、穿戴等方面的判断，可以精准的向消费者推荐消费品。在安全领域，人脸属性也可以应用于身份验证、安防系统等。早期的人脸属性识别技术主要是传统方法，基于手工的全局或局部特征，如haar特征或hog特征等，利用svm等传统分类方法进行分类，从而判断出人脸属性。但是，由于人脸面部易受光照、表情、视角等因素影响，导致人脸属性识别准确率大大降低。近年来，随着深度学习的不断发展，越来越多的研究人员将深度学习应用到人脸属性识别方向。深度学习中的卷积神经网络结构非常适合进行图像的分类，且鲁棒性很强。但深度学习的训练过于依赖大量的样本数据，如果没有大量的标注的人脸属性的训练样本，基于深度学习的人脸属性识别也无法发挥出它的优势。

技术实现要素：

为此，本发明实施例提供一种人脸属性识别方法及装置，以解决现有技术中深度学习的训练过于依赖大量的样本数据的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例的第一方面，提供一种人脸属性识别方法，包括：

获取人脸图像，并提取所述人脸图像中的人脸区域；

将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。

进一步地，所述提取所述人脸图像中的人脸区域，包括：

检测所述人脸图像中的关键点，从所述人脸图像中选取以所述关键点为中心的预设范围区域作为所述人脸区域。

进一步地，所述关键点为鼻尖，所述预设范围区域为以鼻尖为中心，向上下左右各外扩一半两眼间距的区域。

进一步地，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域，对初始分支网络模型中的参数进行训练后得到的。

进一步地，所述将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性之前，还包括：

对于第n次训练过程，更新第n-1次训练过程得到的分支网络模型中的参数，得到第n次训练过程的分支网络模型，计算第n次训练过程的分支网络模型的损失函数值，若第n次训练过程的损失函数值满足预设条件，则停止训练，并将第n次训练过程得到的分支网络模型作为最终的分支网络模型；其中，n为不小于1的正整数，第0次训练过程得到的分支网络模型为所述初始分支网络模型。

进一步地，所述损失函数值包括每种人脸属性的分类损失函数值及同一人脸身份下相同人脸属性之间的特征向量差值。

进一步地，所述分支网络模型是由所述主体网络模型中的resnet34网络中第12个残差块分支出来的。

根据本发明实施例的第二方面，提供一种人脸属性识别装置，包括：

提取模块，用于获取人脸图像，并提取所述人脸图像中的人脸区域；

输出模块，用于将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的。

根据本发明实施例的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与处理器通信连接的至少一个存储器，其中：

存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的人脸属性识别方法。

根据本发明的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的人脸属性识别方法。

本发明实施例具有如下优点：

通过获取人脸图像，并提取所述人脸图像中的人脸区域。将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性。由于在用于人脸身份识别的主体网络模型的基础上，可利用分支网络模型，以识别人脸的若干属性，从而通过复用网络的方式可减少对样本数据的需求，在样本数据不充分的情况下也可以得到效果较好的网络模型。另外，还可以减小计算量。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施例提供的一种人脸属性识别方法的整体流程示意图；

图2为本发明实施例提供的一种人脸属性识别装置的整体结构示意图；

图3为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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做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。

近年来，随着深度学习的不断发展，越来越多的研究人员将深度学习应用到人脸属性识别方向。深度学习中的卷积神经网络结构非常适合进行图像的分类，且鲁棒性很强。但深度学习的训练过于依赖大量的数据，如果没有大量的标注的人脸属性的训练样本，基于深度学习的人脸属性识别也无法发挥出它的优势。

针对相关技术中的问题，如图1所述，示出了本发明具体实施例一种人脸属性识别方法的整体流程图，包括：s1、获取人脸图像，并提取所述人脸图像中的人脸区域；s2、将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性。

其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。人脸属性可以包括年、性别、种族、表情、有无戴眼镜、有无胡须及是否秃头等，本发明实施例对此不作具体限定。另外，每种人脸属性可以根据需求或实际情况进行详细分类，例如，年龄可分为幼年、少年、青年、中年及老年五类，性别分为男女两类，种族可分为白种人，黄种人及黑种人三类等。人脸身份指的是真实身份，如可以对应至姓名或身份证号等，本发明实施例对此不作具体限定。

需要说明的是，主体网络模型主要是用于进行人脸身份的识别，而由主体网络模型分支出来的分支网络模型主要是用于进行人脸属性的识别。具体地，关于人脸识别的网络损失函数可以为softmaxloss，本发明实施例对此不作具体限定。基于已标注人脸身份及人脸属性的样本人脸区域，通过主体网络模型前向传播进入分支网络，从而可训练得到多种人脸属性的分支网络模型。

本发明实施例提供的方法，通过获取人脸图像，并提取所述人脸图像中的人脸区域。将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性。由于在用于人脸身份识别的主体网络模型的基础上，可利用分支网络模型，以识别人脸的若干属性，从而通过复用网络的方式可减少对样本数据的需求，在样本数据不充分的情况下也可以得到效果较好的网络模型。另外，还可以减小计算量。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别方法，所述提取所述人脸图像中的人脸区域，包括：检测所述人脸图像中的关键点，从所述人脸图像中选取以所述关键点为中心的预设范围区域作为所述人脸区域。

其中，关键点可以根据需求进行选取，预设范围区域的形状及确定方式也可以根据需求来确定，本发明实施例对此不作具体限定。需要说明的是，实际使用预设网络模型时，可以提取人脸图像中的人脸区域。而在训练得到的预设网络模型时，对于样本人脸图像，同样可以采用相同的方式提取样本人脸区域，本发明实施例对此不作具体限定。还需要说明的是，在提取到人脸区域还可以进行五官对齐，以避免后续识别过程中因人脸区域内五官位置的不同而造成的识别误差。

本发明实施例提供的方法，检测所述人脸图像中的关键点，从所述人脸图像中选取以所述关键点为中心的预设范围区域作为所述人脸区域。由于可以从人脸图像中进一步提取人脸区域，并基于人脸区域进行对人脸属性的识别，从而可以减少计算量，并提高识别准确率。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别方法，所述关键点为鼻尖，所述预设范围区域为以鼻尖为中心，向上下左右各外扩一半两眼间距的区域。其中，预设范围区域为以鼻尖为中心的矩形区域。当然，实际实施过程中还可以为其它区域，本发明实施例对此不作具体限定。

本发明实施例提供的方法，通过将关键点设置为鼻尖，将预设范围区域设置为以鼻尖为中心，向上下左右各外扩一半两眼间距的区域。由于可以从人脸图像中进一步提取人脸区域，并基于人脸区域进行对人脸属性的识别，从而可以减少计算量，并提高识别准确率。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别方法，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域，对初始分支网络模型中的参数进行训练后得到的。

其中，分支网络模型是从主体网络模型中某一层中连接处一个分支网络，通过该分支网络参与人脸属性训练的反向传播后得到的。具体地，主体网络模型中的参数是固定的，且不会再进行更新，只需对分支网络模型中的参数进行训练即可。

本发明实施例提供的方法，通过对主体网络模型中的参数进行固定，使其不再更新，且只需对分支网络模型中的参数进行更新，从而可以减小计算量。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别方法，所述将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性之前，还包括：

对于第n次训练过程，更新第n-1次训练过程得到的分支网络模型中的参数，得到第n次训练过程的分支网络模型，计算第n次训练过程的分支网络模型的损失函数值，若第n次训练过程的损失函数值满足预设条件，则停止训练，并将第n次训练过程得到的分支网络模型作为最终的分支网络模型。

其中，n为不小于1的正整数，第0次训练过程得到的分支网络模型为所述初始分支网络模型，第n-1次训练过程得到的分支网络模型是对初始分支网络模型进行n-1次训练后得到的。预设条件可以为损失函数值小于预设阈值，预设阈值可以根据需求进行设置，本发明实施例对此不作具体限定。

本发明实施例提供的方法，通过对主体网络模型中的参数进行固定，使其不再更新，且只需对分支网络模型中的参数进行更新，从而可以减小计算量。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别方法，所述损失函数值包括每种人脸属性的分类损失函数值及同一人脸身份下相同人脸属性之间的特征向量差值。

具体地，每种属性的分类损失函数值为softmaxloss。以第n次训练过程为例，对于第n次训练过程所使用的样本数据，也即已标注人脸身份及人脸属性的样本人脸区域，可计算得到这些样本人脸区域中每种人脸属性的分类损失函数值。需要说明的是，第n次训练过程所使用的样本数据中可以包含相同人脸身份的不同样本人脸区域，还可以包含不同人脸身份的样本人脸区域。

其中，计算同一人脸身份下相同人脸属性之间的特征向量差值，可参考如下公式：

在上述公式中，lcloss表示同一人脸身份下相同人脸属性之间的特征向量差值，n表示同一人脸身份的样本人脸区域的数量，i表示n个同一人脸身份的样本人脸区域中的第i个样本人脸区域，j表示n个同一人脸身份的样本人脸区域中的第j个样本人脸区域。

其中，当i＝j相同时，wi,j＝0。当i≠j时，wi,j＝1。表示第i个样本人脸区域的第t种人脸属性的特征向量，第j个样本人脸区域的第t种人脸属性的特征向量。损失函数值是将每种人脸属性的分类损失函数值及同一人脸身份下相同人脸属性之间的特征向量差值，进行求和后得到的。

本发明实施例提供的方法，通过对主体网络模型中的参数进行固定，使其不再更新，且只需对分支网络模型中的参数进行更新，从而可以减小计算量。另外，可以结合每种人脸属性的分类损失及同一身份下的两种人脸属性之间的特征差值，从而可以提高后续人脸属性识别的准确率。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别方法，所述分支网络模型是由所述主体网络模型中的resnet34网络中第12个残差块分支出来的。需要说明的是，实际实施过程中也可以主体网络模型中的其它层连接出一个分支网络，以构成分支网络模型，本发明实施例对此不作具体限定。

本发明实施例提供的方法，由于在用于人脸身份识别的主体网络模型的基础上，可利用分支网络模型，以识别人脸的若干属性，从而通过复用网络的方式可减少对样本数据的需求，在样本数据不充分的情况下也可以得到效果较好的网络模型。另外，还可以减小计算量。

如图3，示出本发明具体实施例一种人脸属性识别装置的整体结构示意图，包括：

提取模块a01，用于获取人脸图像，并提取所述人脸图像中的人脸区域；

输出模块a02，用于将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的。

其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。人脸属性可以包括年、性别、种族、表情、有无戴眼镜、有无胡须及是否秃头等，本发明实施例对此不作具体限定。另外，每种人脸属性可以根据需求或实际情况进行详细分类，例如，年龄可分为幼年、少年、青年、中年及老年五类，性别分为男女两类，种族可分为白种人，黄种人及黑种人三类等。人脸身份指的是真实身份，如可以对应至姓名或身份证号等，本发明实施例对此不作具体限定。

需要说明的是，主体网络模型主要是用于进行人脸身份的识别，而由主体网络模型分支出来的分支网络模型主要是用于进行人脸属性的识别。具体地，关于人脸识别的网络损失函数可以为softmaxloss，本发明实施例对此不作具体限定。基于已标注人脸身份及人脸属性的样本人脸区域，通过主体网络模型前向传播进入分支网络，从而可训练得到多种人脸属性的分支网络模型。

本发明实施例提供的装置，通过获取人脸图像，并提取所述人脸图像中的人脸区域。将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性。由于在用于人脸身份识别的主体网络模型的基础上，可利用分支网络模型，以识别人脸的若干属性，从而通过复用网络的方式可减少对样本数据的需求，在样本数据不充分的情况下也可以得到效果较好的网络模型。另外，还可以减小计算量。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别装置，提取模块a01，用于检测所述人脸图像中的关键点，从所述人脸图像中选取以所述关键点为中心的预设范围区域作为所述人脸区域。

其中，关键点可以根据需求进行选取，预设范围区域的形状及确定方式也可以根据需求来确定，本发明实施例对此不作具体限定。需要说明的是，实际使用预设网络模型时，可以提取人脸图像中的人脸区域。而在训练得到的预设网络模型时，对于样本人脸图像，同样可以采用相同的方式提取样本人脸区域，本发明实施例对此不作具体限定。还需要说明的是，在提取到人脸区域还可以进行五官对齐，以避免后续识别过程中因人脸区域内五官位置的不同而造成的识别误差。

本发明实施例提供的装置，检测所述人脸图像中的关键点，从所述人脸图像中选取以所述关键点为中心的预设范围区域作为所述人脸区域。由于可以从人脸图像中进一步提取人脸区域，并基于人脸区域进行对人脸属性的识别，从而可以减少计算量，并提高识别准确率。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别装置，所述关键点为鼻尖，所述预设范围区域为以鼻尖为中心，向上下左右各外扩一半两眼间距的区域。其中，预设范围区域为以鼻尖为中心的矩形区域。当然，实际实施过程中还可以为其它区域，本发明实施例对此不作具体限定。

本发明实施例提供的装置，通过将关键点设置为鼻尖，将预设范围区域设置为以鼻尖为中心，向上下左右各外扩一半两眼间距的区域。由于可以从人脸图像中进一步提取人脸区域，并基于人脸区域进行对人脸属性的识别，从而可以减少计算量，并提高识别准确率。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别装置，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域，对初始分支网络模型中的参数进行训练后得到的。

其中，分支网络模型是从主体网络模型中某一层中连接处一个分支网络，通过该分支网络参与人脸属性训练的反向传播后得到的。具体地，主体网络模型中的参数是固定的，且不会再进行更新，只需对分支网络模型中的参数进行训练即可。

本发明实施例提供的装置，通过对主体网络模型中的参数进行固定，使其不再更新，且只需对分支网络模型中的参数进行更新，从而可以减小计算量。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别装置，该装置还包括：

训练模块，用于对于第n次训练过程，更新第n-1次训练过程得到的分支网络模型中的参数，得到第n次训练过程的分支网络模型，计算第n次训练过程的分支网络模型的损失函数值，若第n次训练过程的损失函数值满足预设条件，则停止训练，并将第n次训练过程得到的分支网络模型作为最终的分支网络模型。

其中，n为不小于1的正整数，第0次训练过程得到的分支网络模型为所述初始分支网络模型，第n-1次训练过程得到的分支网络模型是对初始分支网络模型进行n-1次训练后得到的。预设条件可以为损失函数值小于预设阈值，预设阈值可以根据需求进行设置，本发明实施例对此不作具体限定。

本发明实施例提供的装置，通过对主体网络模型中的参数进行固定，使其不再更新，且只需对分支网络模型中的参数进行更新，从而可以减小计算量。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别装置，所述损失函数值包括每种人脸属性的分类损失函数值及同一人脸身份下相同人脸属性之间的特征向量差值。

具体地，每种属性的分类损失函数值为softmaxloss。以第n次训练过程为例，对于第n次训练过程所使用的样本数据，也即已标注人脸身份及人脸属性的样本人脸区域，可计算得到这些样本人脸区域中每种人脸属性的分类损失函数值。需要说明的是，第n次训练过程所使用的样本数据中可以包含相同人脸身份的不同样本人脸区域，还可以包含不同人脸身份的样本人脸区域。

其中，计算同一人脸身份下相同人脸属性之间的特征向量差值，可参考如下公式：

在上述公式中，lcloss表示同一人脸身份下相同人脸属性之间的特征向量差值，n表示同一人脸身份的样本人脸区域的数量，i表示n个同一人脸身份的样本人脸区域中的第i个样本人脸区域，j表示n个同一人脸身份的样本人脸区域中的第j个样本人脸区域。

其中，当i＝j相同时，wi,j＝0。当i≠j时，wi,j＝1。表示第i个样本人脸区域的第t种人脸属性的特征向量，第j个样本人脸区域的第t种人脸属性的特征向量。损失函数值是将每种人脸属性的分类损失函数值及同一人脸身份下相同人脸属性之间的特征向量差值，进行求和后得到的。

本发明实施例提供的装置，通过对主体网络模型中的参数进行固定，使其不再更新，且只需对分支网络模型中的参数进行更新，从而可以减小计算量。另外，可以结合每种人脸属性的分类损失及同一身份下的两种人脸属性之间的特征差值，从而可以提高后续人脸属性识别的准确率。

在本发明任一上述具体实施例的基础上，提供一种人脸属性识别装置，所述分支网络模型是由所述主体网络模型中的resnet34网络中第12个残差块分支出来的。需要说明的是，实际实施过程中也可以主体网络模型中的其它层连接出一个分支网络，以构成分支网络模型，本发明实施例对此不作具体限定。

本发明实施例提供的装置，由于在用于人脸身份识别的主体网络模型的基础上，可利用分支网络模型，以识别人脸的若干属性，从而通过复用网络的方式可减少对样本数据的需求，在样本数据不充分的情况下也可以得到效果较好的网络模型。另外，还可以减小计算量。

举个例子如下：

图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communicationsinterface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：获取人脸图像，并提取所述人脸图像中的人脸区域；将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元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。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：获取人脸图像，并提取所述人脸图像中的人脸区域；将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。