基于路侧多传感器融合的车辆检测方法、装置及介质与流程

1.本发明涉及计算机视觉和智能网联汽车领域，尤其涉及一种基于路侧多传感器融合的车辆检测方法、装置及介质。


背景技术：

2.智能网联汽车(icv)近年来发展迅速，robotaxi和robobus开始在一些主要城市进行示范运营，为公众提供了全新的出行体验，同时也为无人驾驶交通做出了重要贡献。尽管如此，自动驾驶在一些复杂交通环境中仍然面临着诸多挑战，无论其目标检测算法的精度多高，自动驾驶汽车总是受到传感器安装位置和感应范围的限制，无法检测到传感器盲区内的障碍物和视野外的目标，这种限制也造成了自动驾驶汽车在复杂交通场景下安全性和行驶效率低下。因此，提高盲区感知范围和精度对于智能网联汽车的安全高效运行具有重大意义。近年来新兴的v2x技术打通了车与路之间的信息交互，为感知数据共享提供了便利，配备激光雷达和摄像头等智能传感器的路侧单元(roadside unit，rsu)可以极大地扩展智能网联汽车的感知范围并提高目标检测精度。
3.由于rsu和obu(onboard unit，车载单元)之间存在延迟，路侧感知算法必须足够高效才能确保车辆获得路侧设备下发的数据具有实时性。近来业界有不少研究已经验证路侧感知的有效性，但受限于实验场地和成本，很多研究只关注协同感知的模拟仿真，也有众多研究倾向于仅使用摄像头来实现路侧感知，无法提供目标的准确位置信息。此外，现有大多数关于路侧感知的研究只考虑来自同一安装位置的传感器数据，没有考虑多点位、多传感器数据的协同。而在实际的复杂交通场景中，往往需要融合多点位、多视角、多传感器数据来进行连续性的目标检测与跟踪，从而提高目标检测精度，扩大感知范围。


技术实现要素：

4.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于路侧多传感器融合的车辆检测方法、装置及介质。
5.本发明所采用的技术方案是：
6.一种基于路侧多传感器融合的车辆检测方法，包括以下步骤：
7.采集路侧多传感器的图像和点云数据；
8.建立路侧多传感器统一坐标系，进行同一路侧点位单激光雷达与多摄像头传感器的联合标定，以及不同路侧点位多个激光雷达传感器的联合标定；
9.分别对采集的多个图像和点云数据进行车辆目标检测，输出2d目标检测框和3d目标检测框；
10.结合路侧多传感器的内外参关系，对2d目标检测框和3d目标检测框的序列进行最优匹配；
11.根据匹配结果输出路侧感知结果，所述路侧感知结果包括车辆分类、几何尺寸或者位置信息的至少之一。
12.进一步地，所述车辆检测方法应用于多传感器、多点位、多视角的路侧协同感知；
13.所述路侧多传感器包括雷达、摄像头、毫米波雷达；
14.所述多点位指的是在同一连续道路区域内部署多套智能路侧杆，所述智能路侧杆内设有多传感器、移动边缘计算单元、路侧通信单元、gps定位模块；
15.所述多视角指的是部署在不同点位或同一点位的多个传感器分别具有不同的感知范围、感知视角，以扩展路侧多传感器融合感知的范围。
16.进一步地，所述采集路侧多传感器的图像和点云数据，包括：
17.在同一局域网下，利用移动边缘计算单元同时采集多套智能路侧杆的传感器数据，并利用gps定位模块对传感器进行同步授时，保证不同传感器在同一时刻采集的数据时间戳同步。
18.进一步地，所述建立路侧多传感器统一坐标系，包括：
19.在同一连续道路区域内部署的多套智能路侧杆中，选取其中任意一个激光雷达的坐标系作为传感器的基准坐标系，经过联合标定后的其他传感器数据能够直接或间接转换到基准坐标系下，进而实现多传感器数据统一坐标系；
20.所述进行同一路侧点位单激光雷达与多摄像头传感器的联合标定，包括：
21.路侧传感器安装完成后，利用棋盘格标定法分别对同一路侧杆上的多个摄像头进行内参标定，并分别将不同摄像头与同一激光雷达进行外参标定，获取多组内外参标定矩阵数据，进而实现同一路侧杆上的多传感器数据统一坐标系；
22.所述不同路侧点位多个激光雷达传感器的联合标定，包括：
23.多个点位路侧传感器安装完成后，根据不同点位激光雷达感知重合部分的背景的几何特征，调整非基准坐标系的激光雷达点云数据与基准坐标系的点云数据的外参矩阵，实现将非基准坐标系的激光雷达点云数据投影到基准激光雷达坐标系下，进而实现不同路侧点位多个激光雷达传感器数据统一坐标系。
24.进一步地，所述分别对采集的多个图像和点云数据进行车辆目标检测，输出2d目标检测框和3d目标检测框，包括：
25.利用改进的轻量化目标检测网络nanodet进行图像的车辆目标检测，获得2d目标检测框；
26.利用点云处理方法进行激光点云的车辆目标检测，获得3d目标检测框；
27.其中，所述改进的轻量化目标检测网络nanodet指的是：在原始nanodet目标检测网络模型的基础上，调整模型输入和输出的批量尺寸维度大小与路侧摄像头数量一致，并生成onnx格式的推理模型，利用tensorrt框架进行模型推理加速，输出多个图像的2d目标检测框序列。
28.进一步地，所述利用点云处理方法进行激光点云的车辆目标检测，获得3d目标检测框，包括：
29.在基准坐标系下，划分固定的感兴趣区域，对经过联合标定及坐标转换的多个激光雷达的点云数据进行可行驶区域数据滤波，剔除非可行驶区域的点云；
30.对经过滤波的点云，利用随机抽样一致算法进行平面分割，分离路面和路面上方的点云数据；
31.对经过分割后的路面上方的点云，利用欧氏距离算法，获取包含静止目标及动态
目标的多个点云簇；
32.对经过聚类模块的点云簇，计算obb包围盒参数，根据车辆特征，对点云簇进行分类，分类结果包括车辆及非车辆，最终输出点云的3d目标检测框序列；
33.其中，车辆特征包括车辆的几何尺寸、车身最近离地高度及车身最远离地高度。
34.进一步地，所述结合路侧多传感器的内外参关系，对2d目标检测框和3d目标检测框的序列进行最优匹配，包括：
35.a1、构建预匹配矩阵m
p
和最终匹配矩阵mf，结合多传感器联合标定的内外参，将生成的多个3d目标检测框的中心点分别投影到多个图像上，若3d目标检测框的中心点落在2d目标检测框内，且两者的目标分类结果一致，则初步筛选该3d框与2d框满足匹配条件；即若第i个2d框bbox2di与第j个3d框bbox3dj满足匹配条件，则m
p
(i,j)＝1，反之m
p
(i,j)＝0；
36.a2、将生成的多个3d目标检测框分别投影到多个图像上，并转换为2d框，计算每个3d目标检测框的2d投影与每个2d目标检测框的交并比(iou)，即第i个2d框bbox2di与第j个3d框bbox3dj的2d投影的交并比表示为iou(i,j)；
37.a3、遍历所有2d目标检测框，若第i个2d框bbox2di仅有一个预匹配的3d框，即仅有m
p
(i,j)＝1，则mf(i,j)＝1；若m
p
(i,j)＝1且m
p
(i,k)＝1(m
p
(i,k)＝1指的是第i个2d框bbox2di与第k个3d框bbox3dk的匹配条件，若满足匹配条件则m
p
(i,k)＝1，反之m
p
(i,k)＝0。这里表达的是：第i个2d框bbox2di同时与第j个3d框bbox3dj和第k个3d框bbox3dk都满足匹配条件，需要进一步根据iou值来决定最终匹配)，则选取iou较大的一对进行匹配，即若iou(i,j)》iou(i,k)，则mf(i,j)＝1，反之mf(i,k)＝1；若m
p
(i,j)＝1且第j个3d框bbox3dj的2d投影已经与第m个2d框bbox2dm匹配，即m
p
(i,j)＝1且mf(m,j)＝1，则选取iou较大的一对进行匹配，即若iou(i,j)》iou(m,j)，则mf(i,j)＝1，将第m个2d框bbox2dm重新进行步骤a3，反之mf(m,j)＝1，将第i个2d框bbox2di重新进行步骤a3；
38.a4、输出最终匹配矩阵mf。
39.进一步地，所述根据匹配结果输出路侧感知结果，包括：
40.获取最终匹配矩阵mf后，若mf(m,n)＝1，则提取第m个2d目标检测框bbox2dm和第n个3d目标检测框bbox3dn的分类信息、obb包围盒参数，作为最终的路侧感知结果。
41.本发明所采用的另一技术方案是：
42.一种基于路侧多传感器融合的车辆检测装置，包括：
43.至少一个处理器；
44.至少一个存储器，用于存储至少一个程序；
45.当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
46.本发明所采用的另一技术方案是：
47.一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
48.本发明的有益效果是：本发明根据路侧传感特征，提出一种基于路侧多传感器融合的车辆检测方案，能够实现对路侧多源异构感知数据的智能处理，在满足路侧感知实时性要求的同时，大大提高了车辆目标检测精度，具有较高的检测效率和实用性。
附图说明
49.为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
50.图1是本发明实施例中一种基于路侧多传感器融合的车辆检测方法的流程图；
51.图2是本发明实施例中一种基于路侧多传感器融合的车辆检测方法的整体示意图；
52.图3是本发明实施例中路侧部署示意图。
具体实施方式
53.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
54.在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
55.在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
56.本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
57.如图1和图2所示，本实施例提供一种基于路侧多传感器融合的车辆检测方法，该车辆检测方法适用于园区、城市、乡镇、高速公路等交通场景的路侧感知，尤其适用于多传感、多点位、多视角的路侧协同感知。所述的多传感器，包括激光雷达、摄像头、毫米波雷达等感知传感器。所述的多点位，其特征在于，在同一连续道路区域内部署多套安装有多传感器、移动边缘计算单元(mec)、路侧通信单元(obu)、gps定位模块等设备的智能路侧杆，不通点位的设备、传感器之间用网线实现数据直连通信；所述的多视角，其特征在于，部署在不同点位或同一点位的多个摄像头或激光雷达、毫米波雷达等传感器分别具有不同的感知范围、感知视角，以尽可能多的扩展路侧多传感器融合感知的范围。该方法具体包括以下步骤：
58.s1、采集路侧多传感器的图像和点云数据。
59.在本发明其中一个实施例中，在2条道路上的2个点位部署了2套智能路侧杆，部署示意图请参阅图3，包括2个激光雷达、4个不同视角的摄像头，两个点位间的设备用网线进
行直连通信，在同一局域网下，利用移动边缘计算单元(mec)同时采集两套路侧杆的传感器数据，并利用gps定位模块对传感器进行同步授时，保证不同传感器在同一时刻采集的数据时间戳同步。
60.s2、建立路侧多传感器统一坐标系，分别进行同一路侧点位单激光雷达与多摄像头传感器的联合标定，以及不同路侧点位多个激光雷达传感器的联合标定。
61.其中，建立路侧多传感器统一坐标系的步骤包括：在同一连续道路区域内部署的多套智能路侧杆中，选取其中任意一个激光雷达的坐标系作为传感器的基准坐标系，经过联合标定后的其他传感器数据能够直接或间接转换到基准坐标系下，进而实现多传感器数据统一坐标系。
62.进行同一路侧点位单激光雷达与多摄像头传感器的联合标定的步骤包括：路侧传感器安装完成后，利用棋盘格标定法分别对同一路侧杆上的多个摄像头进行内参标定，并分别将不同摄像头与同一激光雷达进行外参标定，获取多组内外参标定矩阵数据，进而实现同一路侧杆上的多传感器数据统一坐标系。
63.不同路侧点位多个激光雷达传感器的联合标定的步骤包括：多个点位路侧传感器安装完成后，利用不同点位激光雷达感知重合部分的道路、树木、路标等背景的几何特征，手动调整非基准坐标系的激光雷达点云数据与基准坐标系的点云数据的外参矩阵，实现将非基准坐标系的激光雷达点云数据投影到基准激光雷达坐标系下，进而实现不同路侧点位多个激光雷达传感器数据统一坐标系。
64.在本发明其中一个实施例中，设置激光雷达1为基准激光雷达，在该激光雷达做在位置建立基准坐标系，分别将摄像头1和摄像头2与激光雷达1进行联合标定，将摄像头3和摄像头4与激光雷达2进行联合标定，分别获取各组联合标定的内外参矩阵，将激光雷达1与激光雷达2进行联合标定，利用2个点位激光雷达感知重合部分的道路、树木、路标等背景的几何特征，手动调整激光雷达2的点云数据与基准坐标系的点云数据的外参矩阵。最终实现不同传感器坐标系下的数据能够直接或间接地转换到基准坐标系下。
65.s3、分别对采集的多个图像和点云数据进行车辆目标检测，输出2d和3d目标检测框。
66.在本发明其中一个实施例中，利用一个改进的轻量化目标检测网络nanodet，在原始nanodet目标检测网络模型的基础上，调整模型输入和输出的批量尺寸维度大小为4，并生成onnx格式的推理模型，利用tensorrt框架进行模型推理加速，输出4个图像的2d目标检测框序列。
67.在本发明其中一个实施例中，利用包含滤波、分割、聚类、分类模块的点云处理方法进行点云的3d目标检测，步骤包括：(a)在基准坐标系下，人为划分固定的感兴趣区域，对经过联合标定及坐标转换的2个激光雷达的点云数据进行可行驶区域数据滤波，剔除非可行驶区域的点云。(b)对经过滤波的点云，利用随机抽样一致算法(ransac)进行平面分割，分离路面和路面上方的点云数据，设置最大迭代次数为1000次，平面厚度最大距离为0.2m。(c)对经过分割后的路面上方的点云，利用欧氏距离算法，获取包含静止目标及动态目标的多个点云簇。设置欧式聚类近邻搜索半径为0.8m，聚类最少点数为10个点，聚类最大点数为3000个点。(d)对经过聚类模块的点云簇，计算obb包围盒参数，根据车辆长宽高等几何尺寸、车身最近及最远离地高度等特征，对点云簇进行分类，分类结果包括车辆及非车辆，最
终输出点云的3d目标检测框序列。
68.s4、基于改进的匈牙利多目标匹配算法，结合路侧多传感器内外参关系，对2d和3d目标检测框序列进行最优匹配。
69.其中，步骤s4具体包括步骤s41-s44：
70.s41、构建预匹配矩阵m
p
和最终匹配矩阵mf，结合多传感器联合标定的内外参，将生成的多个3d目标检测框的中心点分别投影到多个图像上，若3d目标检测框的中心点落在2d目标检测框内，且两者的目标分类结果一致，则初步筛选该3d框与2d框满足匹配条件。即若第i个2d框bbox2di与第j个3d框bbox3dj满足匹配条件，则m
p
(i,j)＝1，反之m
p
(i,j)＝0。
71.s42、将生成的多个3d目标检测框分别投影到多个图像上，并转换为2d框，计算每个3d目标检测框的2d投影与每个2d目标检测框的交并比(iou)，即第i个2d框bbox2di与第j个3d框bbox3dj的2d投影的交并比表示为iou(i,j)。
72.s43、遍历所有2d目标检测框，若第i个2d框bbox2di仅有一个预匹配的3d框，即仅有m
p
(i,j)＝1，则mf(i,j)＝1；若m
p
(i,j)＝1且m
p
(i,k)＝1，则选取iou较大的一对进行匹配，即若iou(i,j)》iou(i,k)，则mf(i,j)＝1，反之mf(i,k)＝1。若m
p
(i,j)＝1且第j个3d框bbox3dj的2d投影已经与第m个2d框bbox2dm匹配，即m
p
(i,j)＝1且mf(m,j)＝1，则选取iou较大的一对进行匹配，即若iou(i,j)》iou(m,j)，则mf(i,j)＝1，将第m个2d框bbox2dm重新进行步骤s43，反之mf(m,j)＝1，将第i个2d框bbox2di重新进行步骤s43。
73.s44、输出最终匹配矩阵mf。
74.s5、对成功匹配的序列提取图像目标分类信息及点云几何特征信息，输出包含车辆分类、几何尺寸及位置信息的最终路侧感知结果。
75.获取最终匹配矩阵mf后，若mf(m,n)＝1，则提取第m个2d目标检测框bbox2dm和第n个3d目标检测框bbox3dn的分类信息、obb包围盒参数，其中包括长宽高等几何尺寸信息，以及在基准坐标系下的坐标位置信息，作为最终的路侧感知结果。
76.综上所述，本实施例方法相对于现有技术，具有如下优点及有益效果：
77.1)本实施例的一种基于路侧多传感器融合的车辆检测方法，相比现有纯视觉或纯激光点云或单一点位的路侧目标检测方法，能够较大程度扩大路侧感知范围，提高路侧目标检测精度。
78.2)本实施例中的2d和3d目标检测方法，相比现有车载图像和点云目标检测方法，能够同时处理多路摄像头和激光雷达采集的图像和点云数据，在gtx2060 gpu和amd r53600cpu上，4路摄像头和2路激光雷达数据输入的单帧处理时间仅需51ms，具有较高的处理效率，在计算速度上有较大优势，更具有实际应用价值。。
79.3)本实施例中的数据融合方法，具有较强的通用性，能够应用于其它任意的2d和3d目标检测方法的后融合处理操作，进而提高融合检测精度。
80.本实施例还提供一种基于路侧多传感器融合的车辆检测装置，包括：
81.至少一个处理器；
82.至少一个存储器，用于存储至少一个程序；
83.当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如图1所示的方法。
84.本实施例的一种基于路侧多传感器融合的车辆检测装置，可执行本发明方法实施
例所提供的一种基于路侧多传感器融合的车辆检测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
85.本技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
86.本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种基于路侧多传感器融合的车辆检测方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
87.在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
88.此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
89.所述功能如果以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-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
90.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
91.计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线
的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
92.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
93.在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
94.尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
95.以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。