网络摄像机红外切换方法、装置、存储介质及网络摄像机与流程

本发明涉及网络摄像机技术领域，特别是涉及一种网络摄像机红外切换方法、装置、存储介质及网络摄像机。

背景技术：

红外灯(infraredlight-emittingdiode，irled)是网络摄像机的核心部件，其用来在光线较暗的环境下开启，发出红外光去照射物体，以对场景进行补光，使网络摄像机能够拍摄到清晰的场景画面；而在光线较强的环境下则无需使用红外灯，这时需要关闭红外灯以节约资源。由于现今社会安全隐患不断增加，红外灯在夜间监视所扮演的角色也越来越重要，因此，准确控制网络摄像机的红外灯在开启与关闭之间进行切换，显得尤其重要。

传统控制红外灯切换的方法主要是借助于光敏电阻，由于光敏电阻根据外界光照条件的变化可以改变电阻值，因此可以利用光敏电阻检测当前时间是白天还是夜晚，从而对红外灯进行切换控制。然而，光敏电阻的使用不仅会占用紧缺的硬件资源，而且还会增加整个网络摄像机的生产成本。并且，若光敏电阻被遮挡、损坏或者环境变换情况较为复杂，则会导致无法准确控制红外灯进行切换。

技术实现要素：

本发明提供一种网络摄像机红外切换方法、装置、存储介质及网络摄像机，可以节约网络摄像机的成本。

一种网络摄像机红外切换方法，包括：

获取网络摄像机拍摄的实时数据；及

利用设定分类器根据所述实时数据判断当前时间处于白天还是夜晚，若是白天，则控制所述网络摄像机的红外灯处于关闭状态；若是夜晚，则控制所述红外灯处于打开状态；其中，所述设定分类器为对所述网络摄像机所处环境进行离线学习后得到的分类器；所述网络摄像机在所述白天拍摄的图像的清晰度大于设定清晰度阈值，且所述网络摄像机在所述晚上拍摄的图像的清晰度小于或等于所述设定清晰度阈值。

在其中一个实施例中，所述若是白天，则控制所述网络摄像机的红外灯处于关闭状态的步骤为：

若是白天，则判断所述红外灯是否处于打开状态，若是，则关闭所述红外灯，否则，保持所述红外灯处于关闭状态；

并且，所述若是夜晚，则控制所述红外处于打开状态的步骤为：

若是夜晚，则判断所述红外灯是否处于打开状态，若是，则保持所述红外灯处于打开状态，否则，打开所述红外灯。

在其中一个实施例中，所述设定分类器的离线学习方法包括：

获取由所述网络摄像机对自身所处环境进行拍摄的正样本数据和负样本数据；所述正样本数据包括分别在所述白天和所述夜晚对所述环境拍摄的数据；

根据所述正样本数据和所述负样本数据利用adaboost算法进行训练，以得到所述设定分类器。

在其中一个实施例中，所述正样本数据包括所述红外灯处于关闭状态下不同场景分别在清晨、傍晚和/或模拟清晨、模拟傍晚时被拍摄的数据及所述红外灯处于打开状态下不同场景分别在清晨、傍晚和/或模拟清晨、模拟傍晚时被拍摄的数据；其中，所述清晨至少包括由所述夜晚转换为所述白天的过程；所述傍晚至少包括由所述白天转换为所述夜晚的过程。

在其中一个实施例中，所述负样本数据包括所述红外灯处于关闭状态下不同场景在模拟光线由第一亮度值变为第二亮度值的过程中被拍摄的数据、所述红外灯处于关闭状态下不同场景在模拟光线由第二亮度值变为第一亮度值的过程中被拍摄的数据、所述红外灯处于打开状态下不同场景在模拟光线由第一亮度值变为第二亮度值的过程中被拍摄的数据及所述红外灯处于打开状态下不同场景在模拟光线由第二亮度值变为第一亮度值的过程中被拍摄的数据；所述第一亮度值小于所述第二亮度值。

在其中一个实施例中，在所述根据所述正样本数据和所述负样本数据利用adaboost算法进行训练，以得到所述设定分类器的步骤之前，所述设定分类器的离线学习方法还包括：

将所述正样本数据和所述负样本数据中的曝光时间值、增益值和图像亮度值进行归一化处理；

并且，在利用adaboost算法进行训练的过程中，将归一化处理后得到的曝光时间值、增益值和图像亮度值作为特征值。

在其中一个实施例中，所述根据所述正样本数据和所述负样本数据利用adaboost算法进行训练，以得到所述设定分类器的步骤包括：

根据所述正样本数据和所述负样本数据利用adaboost算法进行训练，得到多个强分类器；

利用筛选式级联将所述强分类器级联到一起，形成所述设定分类器。

一种网络摄像机红外切换装置，包括：

数据获取模块，用于获取网络摄像机拍摄的实时数据；及

控制模块，用于利用设定分类器根据所述实时数据判断当前时间处于白天还是夜晚，若是白天，则控制所述网络摄像机的红外灯处于关闭状态；若是夜晚，则控制所述红外灯处于打开状态；其中，所述设定分类器为对所述网络摄像机所处环境进行离线学习后得到的分类器；所述网络摄像机在所述白天拍摄的图像的清晰度大于设定清晰度阈值，且所述网络摄像机在所述晚上拍摄的图像的清晰度小于或等于所述设定清晰度阈值。

一种存储介质，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所述的网络摄像机红外切换方法。

一种网络摄像机，包括存储器、处理器及存储在所述存储器上并可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所述网络摄像机红外切换方法。

上述网络摄像机红外切换方法、装置、存储介质及网络摄像机中，获取网络摄像机拍摄的实时数据后，利用对网络摄像机所处环境进行离线学习后得到的设定分类器根据实时数据判断当前时间处于白天时，则控制网络摄像机的红外灯处于关闭状态，当前时间处于夜晚时，则控制红外处于打开状态。因此，该网络摄像机红外切换方法、装置、存储介质及网络摄像机只需利用设定分类器即可智能控制红外灯在开启状态和关闭状态之间进行切换，无需额外占用硬件资源，减少了网络摄像机的生产成本。而且，经过离线学习后得到的设定分类器可以准确对网络摄像机所处的时间段进行识别，不会出现误判现象，从而可以提高对红外灯控制的精确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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实施例的附图。

图1为一实施方式提供的网络摄像机红外切换方法的流程图；

图2为图1所示实施方式的网络摄像机红外切换方法的其中一个实施例的流程图；

图3为图2所示实施例的网络摄像机红外切换方法中与控制红外灯相关的其中一个实施例的电路图；

图4为图1所示实施方式的网络摄像机红外切换方法中涉及的设定分类器离线学习的其中一个实施例的流程图；

图5为图4所示实施例中步骤s800的其中一个实施例的流程图；

图6为另一实施方式提供的网络摄像机红外切换装置的框图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

一实施方式提供了一种网络摄像机红外切换方法，用于对实时运行的网络摄像机的红外灯的状态进行切换控制，即在线控制红外灯。该网络摄像机红外切换方法可以由网络摄像机中的处理器执行。在网络摄像机中，处理器与红外灯电连接，以供处理器控制红外灯在开启状态与关闭状态之间进行切换。请参考图1，该网络摄像机红外切换方法包括以下内容。

步骤s100，获取网络摄像机拍摄的实时数据。

该步骤中，网络摄像机的摄像头对网络摄像机所处的环境进行实时拍摄，并将拍摄到的实时数据发送至处理器。实时数据例如包括图像。

进一步地，在步骤s100后，还可以包括对实时数据进行处理的过程。例如可以对实时数据进行降噪处理(如利用中值滤波器对图像进行降噪)，以减少噪声的干扰。

步骤s200，利用设定分类器根据上述实时数据判断当前时间处于白天还是夜晚，若是白天，则执行步骤s300；若是夜晚，则执行步骤s400。其中，设定分类器为对网络摄像机所处环境进行离线学习后得到的分类器。网络摄像机在白天拍摄的图像的清晰度大于设定清晰度阈值，且网络摄像机在晚上拍摄的图像的清晰度小于或等于设定清晰度阈值。

在离线学习过程中，可以根据由网络摄像机在白天和夜晚拍摄的大量样本来训练分类器，最后得到能够区分白天和夜晚的上述设定分类器。因此，在网络摄像机运行期间，设定分类器则可以根据网络摄像机拍摄的实时数据区分当前时间是白天还是晚上。其中，白天光线强，网络摄像机在白天拍摄的图像画面清晰可见。夜晚光线暗，网络摄像机在夜晚且红外灯未打开时拍摄的图像画面无法看清。

步骤s300，控制网络摄像机内的红外灯处于关闭状态。

由于白天光线较强，无需打开红外灯，因此本实施方式中在设定分类器的控制下，可以使红外灯在白天处于关闭状态。

步骤s400，控制红外灯处于打开状态。

由于夜晚光线较弱，需要打开红外灯以对场景进行补光，因此本实施方式中在设定分类器的控制下，可以使红外灯在夜晚处于打开状态。

综上所述，本实施方式提供的上述网络摄像机红外切换方法只需利用设定分类器即可智能控制红外灯在开启状态和关闭状态之间进行切换，无需额外占用硬件资源，减少了网络摄像机的生产成本。而且，经过离线学习后得到的设定分类器可以准确对网络摄像机所处的时间段进行识别，不会出现误判现象，从而可以提高对红外灯控制的精确性。

在其中一个实施例中，请参考图2，上述步骤s300包括以下内容。

步骤s310，判断红外灯是否处于打开状态，若是，执行步骤s320，否则，执行步骤s330。

本实施例中，设定分类器通过离线学习可以既能识别当前时间是白天还是夜晚，又能识别红外灯处于打开状态还是关闭状态，即设定分类器可以区分的类别包括四种情况：白天且红外灯打开、白天且红外灯关闭、夜晚且红外灯打开、夜晚且红外灯关闭。为了使设定分类器能够实现上述功能，在离线学习阶段，选取的样本至少包括网络摄像机分别在白天且红外灯打开、白天且红外灯关闭、夜晚且红外灯打开、夜晚且红外灯关闭这四种情况下拍摄的样本数据。

可以理解的是，判断红外灯处于打开状态还是关闭状态的具体实现方式不限于上述一种情况，例如还可以由处理器直接检测流经红外灯的电流或其他电性参数来检测红外灯所处的状态。

步骤s320，关闭红外灯。

处理器与红外灯之间连接的电路例如为图3所示。假设处理器利用pwm调制方式控制红外灯，则当处理器将要关闭红外灯时，输出一个占空比为0的pwm信号，即可关闭红外灯。

步骤s330，保持红外灯处于关闭状态。

如果红外灯已经处于关闭状态，则该步骤中处理器对红外灯无需发送新的控制指令，以使得红外灯继续保持关闭状态，从而可以避免处理器执行不必要的操作。

进一步地，上述步骤s400包括以下内容，请继续参考图2。

步骤s410，判断红外灯是否处于打开状态，若是，执行步骤s420，否则，执行步骤s430。

步骤s420，保持红外灯处于打开状态。

如果红外灯已经处于打开状态，则该步骤中处理器对红外灯无需发送新的控制指令，以使得红外灯继续保持打开状态，从而可以避免处理器执行不必要的操作。

步骤s430，打开红外灯。

处理器与红外灯之间连接的电路例如为图3所示。假设处理器利用pwm调制方式控制红外灯，则当处理器将要打开红外灯时，可以输出一个占空比较大的pwm信号，则可以打开红外灯。

因此，如果当前时间属于白天，无论红外灯处于什么状态，处理器通过相应的控制方式最终都会使得红外灯处于关闭状态。如果当前时间属于夜晚，无论红外灯处于什么状态，处理器通过相应的控制方式最终都会使得红外灯处于打开状态。并且，通过采取先检测红外灯当前的状态，然后再对红外灯进行控制的方式，可以避免不必要的操作，也提高了控制的精确性及效率。

需要说明的是，网络摄像机红外切换方法的具体实现方式不限于图2所示的一种情况。例如还可以是：先判断红外灯是否处于打开状态，若是，则判断当前时间处于白天时，则关闭红外灯，当前时间处于夜晚时，则不向红外灯发送新的控制指令；否则，判断当前时间处于白天时，不向红外灯发送新的控制指令，当前时间处于夜晚时，打开红外灯。

在其中一个实施例中，请参考图4，设定分类器的离线学习方法包括以下内容。

步骤s700，获取由网络摄像机对自身所处环境进行拍摄的正样本数据和负样本数据。正样本数据包括分别在白天和夜晚对网络摄像机所处环境拍摄的数据。

在获取样本时，网络摄像机可以对网络摄像机所处的不同场景进行实时拍摄，以得到样本数据(即正样本数据和负样本数据)，并将拍摄到的样本数据发送至处理器。

正样本数据是能够准确反映处于白天和夜晚的样本数据。具体地，正样本数据包括红外灯处于关闭状态下不同场景分别在清晨、傍晚和/或模拟清晨、模拟傍晚时被拍摄的数据及红外灯处于打开状态下不同场景分别在清晨、傍晚和/或模拟清晨、模拟傍晚时被拍摄的数据。换言之，正样本数据可能为以下三种情况：

第一种情况：正样本数据包括红外灯处于关闭状态下不同场景分别在清晨、傍晚时被拍摄的数据及红外灯处于打开状态下不同场景分别在清晨、傍晚时被拍摄的数据；

第二种情况：正样本数据包括红外灯处于关闭状态下不同场景分别在模拟清晨、模拟傍晚时被拍摄的数据及红外灯处于打开状态下不同场景分别在模拟清晨、模拟傍晚时被拍摄的数据；

第三种情况：正样本数据包括红外灯处于关闭状态下不同场景分别在清晨、傍晚和模拟清晨、模拟傍晚时被拍摄的数据及红外灯处于打开状态下不同场景分别在清晨、傍晚和模拟清晨、模拟傍晚时被拍摄的数据。

其中，清晨至少包括由夜晚转换为白天的过程。傍晚至少包括由白天转换为夜晚的过程。不同场景例如包括办公室研发部、测试部、前台等一切拍摄画面不同的地方、停车场、窗外、路上等场景。因此，正样本数据相当于由网络摄像机拍摄的不同场景在日夜交替全过程的数据。

负样本数据是指在除了昼夜交替之外的其他干扰因素的作用下使得光线强度发生变化时，由网络摄像机拍摄的数据，换言之，负样本数据为干扰数据。具体地，负样本数据包括红外灯处于关闭状态下不同场景在模拟光线由第一亮度值变为第二亮度值的过程中被拍摄的数据、红外灯处于关闭状态下不同场景在模拟光线由第二亮度值变为第一亮度值的过程中被拍摄的数据、红外灯处于打开状态下不同场景在模拟光线由第一亮度值变为第二亮度值的过程中被拍摄的数据及红外灯处于打开状态下不同场景在模拟光线由第二亮度值变为第一亮度值的过程中被拍摄的数据。其中，第一亮度值小于第二亮度值。换言之，负样本数据包括红外灯关闭时不同场景下模拟光线由暗变亮和由亮变暗全过程的数据、红外灯打开时不同场景下模拟光线由暗变亮和由亮变暗全过程的数据。其中，模拟光线由暗变亮和由亮变暗的过程，可以反映其他干扰因素(例如环境变化复杂等情况)造成的光线强度变化的情况。

步骤s800，根据正样本数据和负样本数据利用adaboost算法进行训练，以得到设定分类器。

其中，adaboost算法是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。因此，设定分类器为强分类器。

具体地，adaboost算法的训练过程例如为：

1、选定特征值，例如将曝光时间值、增益值和图像亮度值作为特征值。

2、初始化样本权重。

3、第一次迭代：针对每一个特征值训练出一个对所有样本数据的分类误差最低的弱分类器，得到多个弱分类器，再从所有的弱分类器中选择一个对所有样本数据的分类误差最低的弱分类器作为本次迭代的最佳弱分类器，再根据最佳弱分类器调整权重。

4、经过t次迭代，获得t个最佳弱分类器，最后将t个最佳弱分类器根据更新后的权重得到强分类器。

本实施例中，基于正样本数据和负样本数据包括的上述具体内容，根据上述训练过程得到的强分类器则可以区分在白天且红外灯打开、白天且红外灯关闭、夜晚且红外灯打开、夜晚且红外灯关闭这四种情况下拍摄的数据，即强分类器既可以检测当前时间是白天还是夜晚，又可以检测红外灯当前的状态是打开状态还是关闭状态，从而可以及时、有效地对红外灯进行控制，免去了额外利用其它方式来检测红外灯当前所处状态而带来的成本增加问题。

此外，由于adaboost算法训练出的强分类器具有较高的精度，因此本实施例中采用adaboost训练出的强分类器来对红外灯的开关状态进行控制，可以准确判断出网络摄像机所处的时间是白天还是夜晚，从而可以提高对红外灯开关控制的精确性。

具体地，请参考图5，上述步骤s800具体包括以下内容。

步骤s810，根据正样本数据和负样本数据利用adaboost算法进行训练，得到多个强分类器。

其中，可以改变正样本数据和/或负样本数据，即针对不同的样本集分别训练对应的一个强分类器，从而可以得到多个强分类器。

步骤s820，利用筛选式级联将强分类器级联到一起，形成设定分类器。

换言之，将多个强分类器强强联手，从而形成准确率更高的级联分类器，并将该级联分类器作为上述设定分类器。级联分类器的具体实现方式可以参考haar分类器的实现原理，这里就不再赘述。

因此，本实施例中采用级联分类器来对红外灯的开关状态进行控制，可以进一步提高控制的精确性。

进一步地，步骤s700和步骤s800之间还可以包括：将正样本数据和负样本数据中的曝光时间值、增益值和图像亮度值进行归一化处理。例如：将曝光时间、增益和图像亮度用3维数据表示为x＝(x1,x2,x3)，并采用零均值标准化公式(z-score)进行归一化处理，零均值标准化公式如下:

其中，μ为所有样本数据的均值，σ为所有样本数据的标准差。对上述特征值进行归一化处理，可以加快分类器训练过程的收敛性。

基于上述归一化处理的过程，在步骤s800中利用adaboost算法进行训练的过程中，将归一化处理后得到的曝光时间值、增益值和图像亮度值作为特征值。并且，在线控制红外灯的过程中，即在上述步骤s200之前，还可以包括：对实时数据中的曝光时间值、增益值、亮度值进行归一化处理。这时，也可以采用上述零均值标准化公式进行归一化处理。

进一步地，在将正样本数据和负样本数据中的曝光时间值、增益值和图像亮度值进行归一化处理的步骤之前，还可以包括：对正样本数据和负样本数据进行筛选，以剔除由于拍摄不正确而导致损坏的数据、删除拍摄重复的数据(例如同一地方同一时间段重复拍摄的图像)。之后，对筛选后的数据进行降噪处理，例如利用中值滤波器对图像进行降噪处理，以避免受到噪声的干扰。

需要说明的是，图1、图2、图4及图5为本发明实施方式各实施例的方法的流程示意图。应该理解的是，虽然图1、图2、图4及图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图1、图2、图4及图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

另一实施方式提供了一种网络摄像机红外切换装置，包括以下内容，请参考图6。

数据获取模块110，用于获取网络摄像机拍摄的实时数据。

控制模块120，用于利用设定分类器根据所述实时数据判断当前时间处于白天还是夜晚，若是白天，则控制所述网络摄像机的红外灯处于关闭状态；若是夜晚，则控制所述红外灯处于打开状态；其中，所述设定分类器为对所述网络摄像机所处环境进行离线学习后得到的分类器；所述网络摄像机在所述白天拍摄的图像的清晰度大于设定清晰度阈值，且所述网络摄像机在所述晚上拍摄的图像的清晰度小于或等于所述设定清晰度阈值。

在其中一个实施例中，控制模块120用于在白天时，则判断所述红外灯是否处于打开状态，若是，则关闭所述红外灯，否则，保持所述红外灯处于关闭状态；

并且，控制模块120还用于在夜晚时，则判断所述红外灯是否处于打开状态，若是，则保持所述红外灯处于打开状态，否则，打开所述红外灯。

在其中一个实施例中，所述设定分类器的离线学习方法包括：

获取由所述网络摄像机对自身所处环境进行拍摄的正样本数据和负样本数据；所述正样本数据包括分别在所述白天和所述夜晚对所述环境拍摄的数据；

根据所述正样本数据和所述负样本数据利用adaboost算法进行训练，以得到所述设定分类器。

在其中一个实施例中，所述正样本数据包括所述红外灯处于关闭状态下不同场景分别在清晨、傍晚和/或模拟清晨、模拟傍晚时被拍摄的数据及所述红外灯处于打开状态下不同场景分别在清晨、傍晚和/或模拟清晨、模拟傍晚时被拍摄的数据；其中，所述清晨至少包括由所述夜晚转换为所述白天的过程；所述傍晚至少包括由所述白天转换为所述夜晚的过程。

在其中一个实施例中，所述负样本数据包括所述红外灯处于关闭状态下不同场景在模拟光线由第一亮度值变为第二亮度值的过程中被拍摄的数据、所述红外灯处于关闭状态下不同场景在模拟光线由第二亮度值变为第一亮度值的过程中被拍摄的数据、所述红外灯处于打开状态下不同场景在模拟光线由第一亮度值变为第二亮度值的过程中被拍摄的数据及所述红外灯处于打开状态下不同场景在模拟光线由第二亮度值变为第一亮度值的过程中被拍摄的数据；所述第一亮度值小于所述第二亮度值。

在其中一个实施例中，在所述根据所述正样本数据和所述负样本数据利用adaboost算法进行训练，以得到所述设定分类器的步骤之前，所述设定分类器的离线学习方法还包括：

将所述正样本数据和所述负样本数据中的曝光时间值、增益值和图像亮度值进行归一化处理；

并且，在利用adaboost算法进行训练的过程中，将归一化处理后得到的曝光时间值、增益值和图像亮度值作为特征值。

在其中一个实施例中，所述根据所述正样本数据和所述负样本数据利用adaboost算法进行训练，以得到所述设定分类器的步骤包括：

根据所述正样本数据和所述负样本数据利用adaboost算法进行训练，得到多个强分类器；

利用筛选式级联将所述强分类器级联到一起，形成所述设定分类器。

上述网络摄像机红外切换装置中各个模块的划分仅用于举例说明，在其他实施例中，可将网络摄像机红外切换装置按照需要划分为不同的模块，以完成上述网络摄像机红外切换装置的全部或部分功能。

需要说明的是，上述实施方式提供的网络摄像机红外切换装置与上述人脸图像降噪网络摄像机红外切换方法一一对应，这里就不再赘述。

另一实施方式还提供了一种存储介质，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上述实施方式提供的网络摄像机红外切换方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等。

另一实施方式还提供了一种网络摄像机，包括存储器、处理器及存储在所述存储器上并可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上述实施方式提供的网络摄像机红外切换方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。