一种目标智能追踪的停车场CCTV监视系统及方法与流程

本申请涉及无人化停车场技术领域，尤其涉及一种目标智能追踪的停车场cctv监视系统及方法。

背景技术：

随着我国汽车产业的飞速发展，城市“泊车难”的问题相当严重，改善泊车状况和泊车设施，提高效率已迫在眉睫，而目前我国部分大型停车场仍不具备无人化的智能停车管理系统，大都是由停车场工作人员执行包括收取停车费、停放秩序维护、车辆安全保卫在内的停车场运作管理。这种传统的人工运作方式造成人力成本较高、车辆流转效率低，而且容易发生管理漏洞。当然，为了节约人力资源，加快通行速度，也有部分停车场已经安装了基于车牌视觉辨识的收费系统，车辆入场时入口的视频摄像头采集车辆画面，利用文字提取技术提取车牌号，进而在后台的服务器中登记该车牌号以及入场时间；当车辆出场时出口的视频摄像头再次提取车牌号，利用车牌号查询以上登记，进而确定停车时间长度并计费。但是，以上改进措施仅仅处于车辆出入场环节，还远远达不到全面无人化的标准。

真正全面的无人化停车场是综合利用多种信息感知、物联网、智能识别与控制技术，在停车场的车辆出入、内部安防、设施维护、导航服务等各个环节，均实现全自动无人化运营。

其中，对于无人化停车场来说，基本不设置现场管理维护人员。因此，为了保证停车场内部车辆停放以及行车过程中人、车的安全和秩序，需要依靠停车场内部的安保闭路电视系统(也就是cctv系统)，对停车场各处保持监视，及时发现存在异常情形或者安全隐患的目标，例如存在异常情形或者安全隐患的目标包括：发生碰撞剐蹭的车辆、逆行车辆、长时间停滞堵路的车辆等，以及不按正常路线行走的人员、长时间滞留或聚集人员等，并由后台人员给与及时处置和疏导，必要时向现场派出人员或者报警。

停车场的cctv系统一般由布设在各处的摄像装置、有线或者无线的视频信号传输网络、后台视频服务器以及监视显示器组成。其中摄像装置拍摄其取景范围内的视频画面，目前视频画面一般为数字信号，由视频信号传输网络将视频画面数字信号传输到远程的停车场管理后台，后台视频服务器存储视频画面数字信号，进而由监视显示器进行视频画面的显示，以便供后台人员监视。

但是，对于上述视频画面中反映出来的存在异常情形或者安全隐患的车辆或人员等目标，目前主要依靠后台人员人工发现和识别。由于无人化停车场内部布设的摄像头众多，而且每一帧视频画面中都具有许多的车辆和人物目标，视频画面监视的工作强度很大，对存在异常情形或者安全隐患的目标，如何能够及时发现和识别，成为了一个重大的瓶颈。可见，对于无人化停车场的cctv监视来说，实现异常情形或者安全隐患的车辆目标的智能发现、识别和追踪是一个亟待解决的问题。

目前在实际应用中，监视视频信息分析方面的研究主要集中在运动目标的识别，具有背景差分法、帧差分法、光流法等。但是在大多数情况下，仅通过识别运动目标，并不足以发现和追踪存在异常或安全隐患的车辆或人员目标，如何从运动车辆目标当中提取和追踪存在异常或安全隐患的目标，是一个困难的技术问题。

技术实现要素：

有鉴于此，本申请的目的在于提出一种目标智能追踪的停车场cctv监视系统及方法。

本发明的目标智能追踪的停车场cctv监视系统，包括：

运动区块提取模块，用于每一帧视频画面中提取运动画面区域；

运动目标识别模块，用于每一帧视频画面的所述运动画面区域中筛选出运动目标；

运动特征计算模块，用于提取所述运动目标的运动参数信息，并且根据所述运动目标的运动参数信息生成该运动目标的运动特征；

异常目标判断模块，用于对全部运动目标的运动特征进行分类，并且将运动目标数量小于正常数量阈值的分类中的运动目标作为追踪目标；

以及，报警提示模块，提取并发送含有追踪目标的视频画面。

其中，所述运动区块提取模块通过帧差分法、光流法或者基于混合高斯模型的背景差分法，从每一帧视频画面中提取运动画面区域。

其中，所述运动目标识别模块针对每一帧视频画面中提取的运动画面区域，取得运动画面区域的外接矩形的横向长度和纵向长度，或者取得从运动画面区域外接矩形的中心点到该运动画面区域边缘的矢量组，作为所述运动画面区域的形状特征值，并且将运动画面区域的形状特征值与目标形状模板比对，从而从每一帧视频画面的运动画面区域中筛选出运动目标。

其中，所述运动特征计算模块，对于每一帧视频画面的运动目标确定其外接矩形，以及确定时间上的前一帧视频画面中同一运动目标的外接矩形，计算外接矩形横坐标、纵坐标、宽度、高度的变化值，作为该运动目标的运动特征。

其中，异常目标判断模块将所述外接矩形的变化值作为一个多维度向量，所述外接矩形横坐标、纵坐标、宽度、高度的变化值作为在多维度向量在每个维度上的取值；对一定时间段内全部视频画面中的全部运动目标对应的多维度向量，执行k-means聚类，根据聚类结果将运动目标划分为多个所述分类。

本发明进而提出一种目标智能追踪的停车场cctv监视方法，包括以下步骤：

运动区块提取步骤，用于每一帧视频画面中提取运动画面区域；

运动目标识别步骤，用于每一帧视频画面的所述运动画面区域中筛选出运动目标；

运动特征计算步骤，用于提取所述运动目标的运动参数信息，并且根据所述运动目标的运动参数信息生成该运动目标的运动特征；

异常目标判断步骤，用于对全部运动目标的运动特征进行分类，并且将运动目标数量小于正常数量阈值的分类中的运动目标作为追踪目标；

以及，报警提示步骤，提取并发送含有追踪目标的视频画面。

其中，所述运动区块提取步骤通过帧差分法、光流法或者基于混合高斯模型的背景差分法，从每一帧视频画面中提取运动画面区域。

其中，所述运动目标识别步骤针对每一帧视频画面中提取的运动画面区域，取得运动画面区域的外接矩形的横向长度和纵向长度，或者取得从运动画面区域外接矩形的中心点到该运动画面区域边缘的矢量组，作为所述运动画面区域的形状特征值，并且将运动画面区域的形状特征值与目标形状模板比对，从而从每一帧视频画面的运动画面区域中筛选出运动目标。

其中，所述运动特征计算步骤，对于每一帧视频画面的运动目标确定其外接矩形，以及确定时间上的前一帧视频画面中同一运动目标的外接矩形，计算外接矩形横坐标、纵坐标、宽度、高度的变化值，作为该运动目标的运动特征。

其中，异常目标判断步骤将所述外接矩形的变化值作为一个多维度向量，所述外接矩形横坐标、纵坐标、宽度、高度的变化值作为在多维度向量在每个维度上的取值；对一定时间段内全部视频画面中的全部运动目标对应的多维度向量，执行k-means聚类，根据聚类结果将运动目标划分为多个所述分类。

本发明适用于不设置现场管理维护人员的无人化停车场，为了保证停车场内部车辆停放以及行车过程中人、车的安全和秩序，对于停车场内部cctv系统拍摄获取海量视频画面，通过提取其中的运动目标并对其连续变化量进行提取和聚类，能够自动化、智能化识别其中存在异常情形或者安全隐患的车辆或者人物运动目标，例如发生碰撞剐蹭的车辆、逆行车辆、长时间停滞堵路的车辆等，以及不按正常路线行走的人员、长时间滞留或聚集人员等，并对异常的运动目标人员或者车辆展开追踪，将存在该人员或者车辆的视频画面帧推送给停车场后台管理人员，从而极大降低了停车场cctv监视的工作量，提高了速度和效率，避免出现监视死角或者滞后的情况。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例的无人化停车场cctv系统结构图；

图2是本申请实施例的停车场cctv监视系统结构图；

图3是本申请实施例的停车场cctv监视方法流程图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，本发明提供一种目标智能追踪的停车场cctv监视系统。无人化停车场的cctv系统一般由布设在各处的摄像装置、有线或者无线的视频信号传输网络、后台视频服务器以及监视显示器组成。本发明提供的该监视系统可以设置于所述后台视频服务器。该监视系统针对后台视频服务器接受和存储的每一帧视频画面，对于其中的运动目标，提取其运动特征并进行分析，智能发现和识别其中存在异常情形或者安全隐患的车辆或者人物目标，并且将存在异常情形或者安全隐患的车辆或者人物目标的视频画面传送给监视显示器，以及给与必要的提示，供后台的管理人员查验和处置；通过提供视频画面实现了对目标的追踪，降低了人工监视的工作量，提升了辨识的效率和准确度，防范发生监视死角。

具体来说，参见图2，本发明的目标智能追踪的停车场cctv监视系统，包括：

运动区块提取模块，用于每一帧视频画面中提取运动画面区域；

运动目标识别模块，用于每一帧视频画面的所述运动画面区域中筛选出运动目标；

运动特征计算模块，用于提取所述运动目标的运动参数信息，并且根据所述运动目标的运动参数信息生成该运动目标的运动特征；

异常目标判断模块，用于对全部运动目标的运动特征进行分类，并且将运动目标数量小于正常数量阈值的分类中的运动目标作为追踪目标；

以及，报警提示模块，提取并发送含有追踪目标的视频画面。

其中，所述运动区块提取模块通过帧差分法、光流法或者基于混合高斯模型的背景差分法，从每一帧视频画面中提取运动画面区域。运动区块提取模块从所述后台视频服务器获取以预定速率采集的、按照时间顺序排列的连续视频画面帧，按照时间顺序可以表达为第n-m帧,第n-m+1帧…,第n-1帧,第n帧，第n+1帧…第n+m-1帧，第n+m帧。假设我们将第n帧视频画面作为当前视频画面帧，则基于第n帧视频画面帧与时间上在先或者在后的视频画面帧，通过现有技术中的帧差分法、光流法或者基于混合高斯模型的背景差分法等手段，能够从中提取当前视频画面帧当中的运动画面区域，即当前视频画面帧相对于时间上在先或者在后的视频画面帧存在像素变化的区域。

从视频画面帧提取的运动画面区域可能包括运动的车辆、人物等，本发明主要针对存在异常的车辆或者人物的运动目标实现异常分析、识别和追踪，故而，运动目标识别模块从每一帧视频画面的所述运动画面区域中筛选出运动目标。所述运动目标识别模块针对每一帧视频画面中提取的运动画面区域，取得运动画面区域的外接矩形的横向长度和纵向长度，或者取得从运动画面区域外接矩形的中心点到该运动画面区域边缘的矢量组，作为所述运动画面区域的形状特征值，并且将运动画面区域的形状特征值与目标形状模板比对，从而从每一帧视频画面的运动画面区域中筛选出运动目标。由于人物与车辆相比较，其横纵宽度比例或者边缘形态存在显著的不同；因此，可以通过目标形状模板定义人员或者车辆各自符合的横纵宽度比或者边缘矢量组；对每一帧视频画面中提取的运动画面区域，横纵宽度比与模板的横纵宽度比进行比较，或者通过其边缘矢量组与模板的边缘矢量组进行矢量差运算，可以判断每一帧视频画面中的运动画面区域属于人物还是属于车辆，从而提取每一帧视频画面的运动目标。

本发明对每一帧运动画面建立运动目标表，该表记录一帧视频画面当中包含的全部运动目标，即：

fn＝<on，1，on，2，...on，i...on，k>

fn表示第n帧视频画面的运动目标表，设该帧画面中共k个运动目标，则on，i表示该第n帧视频画面中第i个运动目标。

运动特征计算模块，用于提取所述运动目标的运动参数信息，并且根据所述运动目标的运动参数信息生成该运动目标的运动特征。所述运动特征计算模块，对于每一帧视频画面的运动目标确定其外接矩形，以及确定时间上的前一帧视频画面中同一运动目标的外接矩形，计算外接矩形横坐标、纵坐标、宽度、高度的变化值，作为该运动目标的运动特征。

具体来说，针对时间上连续的相邻两帧视频画面，例如第n帧视频画面和在先的第n-1帧视频画面，对两帧视频画面中的运动目标，利用在视频画面的位置关系和/或上述形状特征值进行匹配计算，以确定两帧视频画面中的同一运动目标。即如果第n-1帧视频画面中的一个运动目标与第n帧视频画面中的一个运动目标的横向和纵向位置变化都在预定距离范围之内，和/或这两个运动目标的上述形状特征值一致，则认为这是第n帧和第n-1帧两帧视频画面中的同一运动目标。反之，如果这两个运动目标的横向和纵向位置变化之一在预定距离范围之外，或者形状特征值的一致度小于阈值，则不认为第n帧和第n-1帧中的这两个运动目标是同一个运动目标。这样遍历第n帧和第n-1帧两帧视频画面当中各自的运动目标进行两两比较，确定两帧上的相同运动目标；对于前一帧中存在但在后一帧中没有发现存在匹配的运动目标，认为其属于消失的运动目标；对于后一帧中存在但在前一帧中没有发现存在匹配的运动目标，认为属于新增的运动目标。对于第n-1帧和第n帧视频画面，通过目标关联表记录二者的运动目标的关系：

m(n-1，n)＝<(on-1，1，on，1)，(on-1，2，on，2)，...(on-1，i，on，i)，...(on-1，l，on，l)>

m(n-1，n)表示第n-1帧和第n帧视频画面之间的目标关联表，(on-1，1，on，1)表示第n-1帧和第n帧视频画面中存在的第1个关联目标，也就是同一运动目标，同理，(on-1，t，on，i)表示第n-1帧和第n帧视频画面中存在的第i个关联目标，也就是同一运动目标。共有l个匹配的运动目标。

进而，所述运动特征计算模块对于第n-1帧和第n帧视频画面的同一运动目标，例如(on-1，i，on，i)，计算该运动目标的运动特征，表示为δ(on-1，i，on，i)。运动特征计算模块针对第n帧的运动目标on，i确定其外接矩形，以及确定第n-1视频画面中同一运动目标on-1，i的外接矩形，计算两个外接矩形横坐标、纵坐标、宽度、高度的变化值(δxi，δyi，δwi，δhi)，作为该运动目标的运动特征，即δ(on-1，i，on，i)＝(δxi，δyi，δwi，δhi)。变化值(δxi，δyi，δwi，δhi)是一个四维向量，其中，δxi，δyi该运动目标的外接矩形在x，y轴上的位移；δwi表示运动目标的外接矩形的宽度变化量，δhi表示运动目标的外接矩形的高度变化量。进而，所述运动特征计算模块针对在第n-m帧，第n-m+1帧…，第n-1帧，第n帧，第n+1帧…第n+m-1帧，第n+m帧等一系列的视频画面帧中所确定的同一个运动目标，根据该运动目标在连续的视频画面帧中的所述变化值，将该运动目标的各个变化值转化为多维度向量。具体来说，对于运动目标i来说，其多维度向量：

δo1＝{...δ(on-2，i，on-1，i)，δ(on-1，i，on，i)，δ(on，i，on+1，i)，...}

即将所述运动目标在一系列连续视频画面帧中的变化值作为一个多维度向量，所述外接矩形横坐标、纵坐标、宽度、高度的变化值作为在多维度向量在每个维度上的取值。

异常目标判断模块，对一定时间段内全部视频画面中的全部运动目标对应的多维度向量，执行k-means聚类，根据聚类结果将运动目标划分为多个所述分类。对于一个时间段(例如一天24小时)，截取该时间段的全部连续视频画面，按照上文介绍，从中获得每个运动目标的多维度向量，例如δoi-1，δoi，δoi+1等等。异常目标判断模块可以将该段视频帧中的全部目标的多维参数变化值，执行例如k-means聚类计算，划分为n个分类。多维度向量相似的运动目标一般会聚集在一个或几个分类中。对于绝大多数正常的人员或者车辆来说，其运动造成的变化量的多维度向量是相似的，因此正常人员或者车辆会被聚集在一个或者几个目标数量较多的分类中。反之，对于存在逆行、堵路、碰撞等异常行为的运动车辆目标，或者对于在道路上长时间滞留和聚集的人员目标，以及不按照正常的直线行走而是走z字形路线的人员目标等，可能单独形成分类。因此对于目标数量较少的分类，其所包含的运动目标极有可能存在异常行为。可以选取目标数量较少的分类进行分析，具体地，可以设置一个正常数量阈值，当分类中运动目标数量小于正常数量阈值，则将该分类中的运动目标作为追踪目标。

报警提示模块，对于认定的追踪目标，本模块可以提取含有该追踪目标的视频画面，并发送含有追踪目标的视频画面至图1所示的监视显示器，以及给与必要的提示，供后台的管理人员查验和处置。

本发明进而提出一种目标智能追踪的停车场cctv监视方法，如图3所示，包括以下步骤：

运动区块提取步骤，用于每一帧视频画面中提取运动画面区域；

运动目标识别步骤，用于每一帧视频画面的所述运动画面区域中筛选出运动目标；

运动特征计算步骤，用于提取所述运动目标的运动参数信息，并且根据所述运动目标的运动参数信息生成该运动目标的运动特征；

异常目标判断步骤，用于对全部运动目标的运动特征进行分类，并且将运动目标数量小于正常数量阈值的分类中的运动目标作为追踪目标；

以及，报警提示步骤，提取并发送含有追踪目标的视频画面。

其中，所述运动区块提取步骤通过帧差分法、光流法或者基于混合高斯模型的背景差分法，从每一帧视频画面中提取运动画面区域。本步骤中，从所述后台视频服务器获取以预定速率采集的、按照时间顺序排列的连续视频画面帧，按照时间顺序可以表达为第n-m帧，第n-m+1帧…，第n-1帧，第n帧，第n+1帧…第n+m-1帧，第n+m帧。假设我们将第n帧视频画面作为当前视频画面帧，则基于第n帧视频画面帧与时间上在先或者在后的视频画面帧，通过现有技术中的帧差分法、光流法或者基于混合高斯模型的背景差分法等手段，能够从中提取当前视频画面帧当中的运动画面区域，即当前视频画面帧相对于时间上在先或者在后的视频画面帧存在像素变化的区域。

其中，所述运动目标识别步骤针对每一帧视频画面中提取的运动画面区域，取得运动画面区域的外接矩形的横向长度和纵向长度，或者取得从运动画面区域外接矩形的中心点到该运动画面区域边缘的矢量组，作为所述运动画面区域的形状特征值，并且将运动画面区域的形状特征值与目标形状模板比对，从而从每一帧视频画面的运动画面区域中筛选出运动目标。

本步骤中，对每一帧运动画面建立运动目标表，该表记录一帧视频画面当中包含的全部运动目标，即：

fn＝<on，1，on，2，...on，i...on，k>

fn表示第n帧视频画面的运动目标表，设该帧画面中共k个运动目标，则on，i表示该第n帧视频画面中第i个运动目标。

具体来说，针对时间上连续的相邻两帧视频画面，例如第n帧视频画面和在先的第n-1帧视频画面，对两帧视频画面中的运动目标，利用在视频画面的位置关系和/或上述形状特征值进行匹配计算，以确定两帧视频画面中的同一运动目标。即如果第n-1帧视频画面中的一个运动目标与第n帧视频画面中的一个运动目标的横向和纵向位置变化都在预定距离范围之内，和/或这两个运动目标的上述形状特征值一致，则认为这是第n帧和第n-1帧两帧视频画面中的同一运动目标。反之，如果这两个运动目标的横向和纵向位置变化之一在预定距离范围之外，或者形状特征值的一致度小于阈值，则不认为第n帧和第n-1帧中的这两个运动目标是同一个运动目标。这样遍历第n帧和第n-1帧两帧视频画面当中各自的运动目标进行两两比较，确定两帧上的相同运动目标；对于前一帧中存在但在后一帧中没有发现存在匹配的运动目标，认为其属于消失的运动目标；对于后一帧中存在但在前一帧中没有发现存在匹配的运动目标，认为属于新增的运动目标。对于第n-1帧和第n帧视频画面，通过目标关联表记录二者的运动目标的关系：

m(n-1，n)＝<(on-1，1，on，1)，(on-1，2，on，2)，...(on-1，i，on，i)，...(on-1，l，on，l)>

m(n-1，n)表示第n-1帧和第n帧视频画面之间的目标关联表，(on-1，1，on，1)表示第n-1帧和第n帧视频画面中存在的第1个关联目标，也就是同一运动目标，同理，(on-1，i，on，i)表示第n-1帧和第n帧视频画面中存在的第i个关联目标，也就是同一运动目标。共有l个匹配的运动目标。

进而，对于第n-1帧和第n帧视频画面的同一运动目标，例如(on-1，i，on，i)，计算该运动目标的运动特征，表示为δ(on-1，i，on，i)。针对第n帧的运动目标on，i确定其外接矩形，以及确定第n-1视频画面中同一运动目标or-1，i的外接矩形，计算两个外接矩形横坐标、纵坐标、宽度、高度的变化值(δxi，δyi，δwi，δhi)，作为该运动目标的运动特征，即δ(on-1，i，on，i)＝(δxi，δyi，δwi，δhi)。变化值(δxi，δyi，δwi，δhi)是一个四维向量，其中，δxi，δyi该运动目标的外接矩形在x，y轴上的位移；δwi表示运动目标的外接矩形的宽度变化量，δhi表示运动目标的外接矩形的高度变化量。进而，针对在第n-m帧，第n-m+1帧…，第n-1帧，第n帧，第n+1帧…第n+m-1帧，第n+m帧等一系列的视频画面帧中所确定的同一个运动目标，根据该运动目标在连续的视频画面帧中的所述变化值，将该运动目标的各个变化值转化为多维度向量。具体来说，对于运动目标i来说，其多维度向量：

δoi＝{...δ(on-2，i，on-1，i)，δ(on-1，i，on，i)，δ(on，i，on+1，i)，...}

即将所述运动目标在一系列连续视频画面帧中的变化值作为一个多维度向量，所述外接矩形横坐标、纵坐标、宽度、高度的变化值作为在多维度向量在每个维度上的取值。

其中，异常目标判断步骤将所述外接矩形的变化值作为一个多维度向量，所述外接矩形横坐标、纵坐标、宽度、高度的变化值作为在多维度向量在每个维度上的取值；对一定时间段内全部视频画面中的全部运动目标对应的多维度向量，执行k-means聚类，根据聚类结果将运动目标划分为多个所述分类。对于一个时间段(例如一天24小时)，截取该时间段的全部连续视频画面，按照上文介绍，从中获得每个运动目标的多维度向量，例如δoi-1，δoi，δoi+1等等。异常目标判断模块可以将该段视频帧中的全部目标的多维参数变化值，执行例如k-means聚类计算，划分为n个分类。多维度向量相似的运动目标一般会聚集在一个或几个分类中。对于绝大多数正常车辆和人员来说，其运动造成的变化量的多维度向量是相似的，因此正常车辆会被聚集在一个或者几个目标数量较多的分类中。反之，对于存在逆行、堵路、碰撞等异常行为的运动车辆目标，以及或者对于在道路上长时间滞留和聚集的人员目标，以及不按照正常的直线行走而是走z字形路线的人员目标等，可能单独形成分类。因此对于目标数量较少的分类，其所包含的运动目标极有可能存在异常行为。可以选取目标数量较少的分类进行分析，具体地，可以设置一个正常数量阈值，当分类中运动目标数量小于正常数量阈值，则将该分类中的运动目标作为追踪目标。

本发明适用于不设置现场管理维护人员的无人化停车场，为了保证停车场内部车辆停放以及行车过程中人、车的安全和秩序，对于停车场内部cctv系统拍摄获取海量视频画面，通过提取其中的运动目标并对其连续变化量进行提取和聚类，能够自动化、智能化识别其中存在异常情形或者安全隐患的运动目标，例如存在逆行、堵路、碰撞等异常行为的运动车辆目标，对于在道路上长时间滞留和聚集的人员目标，以及不按照正常的直线行走而是走z字形路线的人员目标等，并对异常的运动目标人员和车辆展开追踪，将存在该车辆或人员的视频画面帧推送给停车场后台管理人员，从而极大降低了停车场cctv监视的工作量，提高了速度和效率，避免出现监视死角或者滞后的情况。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。