指纹细节点检测方法、装置、设备、系统及存储介质与流程

本发明涉及生物识别领域，特别涉及一种指纹细节点检测方法、装置、设备、系统及一种可读存储介质。

背景技术：

近年来，基于指纹识别为基础的生物识别技术应用越来越广泛，包括指纹门禁、指纹解锁等，优良的指纹识别与匹配算法对于信息的安全与认证十分重要。

指纹细节点检测是市场上常用的指纹识别和指纹匹配算法的基础，也是进行指纹结构性匹配算法的一个基本前提。目前常用的指纹细节点检测算法均是基于对采集到的指纹图像进行传统图像处理算法(包括图像预处理、二值化、细化、特征细节点提取)得到指纹细节点。

这种算法处理过程复杂，提取结果易受指纹图像采集过程中指纹褶皱、划痕、干手指或湿手指、图像模糊等多种因素影响，在不良因素下抗干扰能力弱，检测得到的指纹细节点特征精度低。

因此，如何对指纹细节点进行精确检测定位，提高抗干扰能力以及鲁棒性，是本领域技术人员需要解决的技术问题。

技术实现要素：

本发明的目的是提供一种指纹细节点检测方法，该方法通过全卷积神经网络对指纹细节点进行检测定位，精确度较高，抗干扰能力以及鲁棒性强；本发明的另一目的是提供一种指纹细节点检测装置、设备、系统及一种可读存储介质，具有上述有益效果。

本发明提供一种指纹细节点检测方法，包括：

接收采集得到的指纹图像；

将所述指纹图像输入至预训练的指纹细节点检测模型；其中，所述指纹细节点检测模型为对指纹样本图像基于卷积神经网络训练得到的全卷积神经网络；

通过所述指纹细节点检测模型中下采样单元提取所述指纹图像的指纹细节点特征；

通过所述指纹细节点检测模型中上采样单元重建所述细节点特征的位置信息，得到细节点位置图像。

优选地，所述指纹细节点检测方法还包括：

接收细节点位置提取指令，并对所述细节点位置图像进行细节点位置坐标提取。

优选地，所述对细节点位置图像进行细节点位置坐标提取包括：

对所述细节点位置图像的像素点进行遍历，若当前像素点的像素值大于最小阀值，且大于当前像素点预设邻域内其它像素点的像素值时，将当前像素点作为局部最大值点；

将获取的各局部最大值点进行坐标计算，得到各细节点的坐标。

优选地，所述指纹细节点检测方法还包括：

对所述细节点位置图像进行滤波操作，得到滤波后的图像；

则对所述细节点位置图像的像素点进行遍历具体为：对所述滤波后的图像的像素点进行遍历。

优选地，所述指纹细节点检测方法还包括：

根据提取的位置坐标对所述细节点位置图像进行高斯输出设置，生成以细节点坐标为圆心的高斯分布圆形细节点位置图像。

优选地，所述指纹细节点检测模型的结构具体为：

五层下采样单元串行后与五层串行的上采样单元连接。

本发明公开一种指纹细节点检测装置，包括：

图像接收单元，用于接收采集得到的指纹图像；

图像输入单元，用于将所述指纹图像输入至预训练的指纹细节点检测模型；其中，所述指纹细节点检测模型为对指纹样本图像基于卷积神经网络训练得到的全卷积神经网络；

细节点检测单元，用于通过所述指纹细节点检测模型中下采样单元提取所述指纹图像的指纹细节点特征；

位置信息重建单元，用于通过所述指纹细节点检测模型中上采样单元重建所述细节点特征的位置信息，得到细节点位置图像。

本发明公开一种指纹细节点检测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述指纹细节点检测方法的步骤。

本发明公开一种指纹细节点检测系统，包括：

指纹采集设备，用于采集指纹图像，并将采集到的指纹图像发送至指纹细节点检测设备；

所述指纹细节点检测设备，用于接收采集得到的指纹图像；将所述指纹图像输入至预训练的指纹细节点检测模型；其中，所述指纹细节点检测模型为对指纹样本图像基于卷积神经网络训练得到的全卷积神经网络；通过所述指纹细节点检测模型中下采样单元提取所述指纹图像的指纹细节点特征；通过所述指纹细节点检测模型中上采样单元重建所述细节点特征的位置信息，得到细节点位置图像。

本发明公开一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述指纹细节点检测方法的步骤。

为解决上述技术问题，本发明提供一种指纹细节点检测方法，将获取的指纹图像输入至预训练的指纹细节点检测模型，指纹细节点检测模型为对指纹样本图像基于卷积神经网络训练得到的全卷积神经网络，全卷积神经网络中下采样单元通过下采样对指纹图像提取指纹细节点特征，上采样单元根据提取的细节点特征通过上采样进行特征位置重建可以得到精确的指纹细节点的位置图像。通过全卷积神经网络对指纹细节点进行检测定位，相较于常规检测方法，具有更好的抗干扰能力和鲁棒性，特别是对于指纹检测中常见的指纹褶皱、划痕，湿手指，图像模糊等情况下较传统检测方法具有更稳定的检测性能，且可以实现精确检测定位。

本发明还公开了一种指纹细节点检测装置、设备、系统及一种可读存储介质，具有上述有益效果，在此不再赘述。

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的指纹细节点检测方法的流程图；

图2为本发明实施例提供的下采样单元结构示意图；

图3为本发明实施例提供的上采样单元结构示意图；

图4为本发明实施例提供的一种下采样单元、连接合并单元与上采样单元的通道数示意图；

图5为本发明实施例提供的一种3x3邻域内查找局部最大值点示意图；

图6为本发明实施例提供的一种最大值检测标注示意图；

图7为本发明实施例提供的指纹细节点检测装置结构框图；

图8为本发明实施例提供的指纹细节点检测设备的结构框图；

图9为本发明实施例提供的指纹细节点检测设备的结构示意图；

图10为本发明实施例提供的指纹细节点检测系统的结构框图。

具体实施方式

本发明的核心是提供一种指纹细节点检测方法，该方法通过全卷积神经网络对指纹细节点进行检测定位，精确度较高，抗干扰能力以及鲁棒性强；本发明的另一核心是提供一种指纹细节点检测装置、系统及一种可读存储介质，具有上述有益效果。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

请参考图1，图1为本发明实施例提供的指纹细节点检测方法的流程图；该方法可以包括：

步骤s110、接收采集得到的指纹图像。

指纹图像可以通过指纹采集设备采集得到，指纹采集过程可参照现有指纹采集方法，在此不再赘述。

步骤s120、将指纹图像输入至预训练的指纹细节点检测模型。

检测模型的输入指纹图像的尺寸由模型结构类型以及具体参数决定，一般每种网络模型都有根据实际情况设计为固定大小的输入，指纹细节点检测模型输入指纹图像可根据网络参数进行适当裁剪再向网络输入，当然，如果网络模型对图像尺寸无要求或者获取的图像尺寸与模型输入尺寸要求相匹配可以不进行裁剪，直接将获取的指纹图像输入至检测模型，在此不做限定。

指纹细节点检测模型为对指纹样本图像基于卷积神经网络训练得到的全卷积神经网络(fcn)，fcn使用卷积层通过学习让图片实现endtoend预测，对图像进行像素级的分类，从而解决了语义级别的图像语义特征预测问题。与传统用cnn进行图像分割的方法相比，fcn可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸；另外因为避免了由于使用像素块而带来的重复存储和计算卷积的问题，通过fcn进行图像处理更加高效。本实施例采用fcn进行指纹细节点的检测，具有更好的抗干扰能力和鲁棒性。

步骤s130、通过指纹细节点检测模型中下采样单元提取指纹图像的指纹细节点特征。

步骤s140、通过指纹细节点检测模型中上采样单元重建细节点特征的位置信息，得到细节点位置图像。

对检测模型的具体结构形式不做限定，具体地，检测模型可以由若干下采样单元、和与下采样单元相同数量上采样单元组成。

下采样单元与上采样单元具体的网络结构不做限定。下采样单元主要可以包括若干卷积层以及若干正则化层。还可以根据数据处理需要配置其他层，比如线性激活层以及池化层等，网络中各层的层数也不做限定，可以根据数据要求数据处理精度以及数据处理量的需要自行设置，比如可以设置两个卷积层与一个正则化层连接后与一个线性激活层连接。由于下采样后的特征图尺寸远小于原输入图像尺寸，因此，在上采样过程中，可以引入反卷积层对目标细节进行重建，扩大特征图尺寸至输入原图像尺寸大小。上采样单元与下采样单元对应设置，在此不做赘述。

此外，对下采样单元与上采样单元的数量不做限定。比如可以设置若干下采样单元连接后与若干上采样单元连接，分别用于更精确化地进行指纹细节点特征进行提取以及细节点特征位置的重建。层数越多，特征提取越精确化，但需要计算的数据量会大大增加，具体下采样单元与上采样单元的数量可以自行根据需要进行设定。上采样单元与下采样单元的数量相同，下采样单元增多，特征学习的感受野也在不断扩大，网络的全局位置信息的表达能力更强。网络模型结构可自行根据不同的检测任务和目标进行灵活调整。

其中，优选地，经过实验验证，五层下采样单元串行后与五层串行的上采样单元连接时，全局特征检测能力较强的同时所需的计算资源较为合理。

检测模型除了下采样单元与上采样单元外，还可以设置其他有助于进行数据传输与计算的单元，比如用于进行数据传输的连接合并单元等。

例如指纹细节点检测模型具体可以由五个下采样单元、五个连接合并单元和五个上采样单元组成。其中，下采样单元结构如图2所示，由一个或多个卷积层(conv3*3)、可选批量正则化层(batchnormalization)、线性激活层(reluorleakyrelu)和池化层(maxpool2*2)组成。上采样单元结构如图3所示，由反卷积层(convtranspose)，若干卷积层(conv3*3)和若干线性激活层(reluorleakyrelu)组成，线性激活层连接反卷积层和卷积层之后。连接合并单元将每个下采样单元输出与上采样单元反卷积层的输出合并作为下一层的输入。一个下采样单元通过一个连接合并单元与同级别上采样单元连接，后面可以继续续接下一级别的下采样单元以此类推，数据从第一层中的下采样单元输入，从最后一层的上采样单元输出。

模型中各卷积层通道数不固定，可根据学习目标特征复杂度进行适当调整，图4所示为一种上采样单元、连接合并单元与下采样单元的通道数示意图，其它通道设置均可参照该图，在此不再赘述。

在此仅以上述网络模型结构为例对本实施例中的指纹细节点检测模型进行介绍，对模型的训练以及指纹细节点的检测均以图4所示的结构示意图为基础进行介绍，其他结构类型的检测模型均可参照本实施例的介绍，在此不再赘述。

网络训练过程可以将采集的指纹图像作为网络输入，使用预先提取的优选的特征点图像数据作为源目标数据，将输入图像数据集以及目标图像数据集作为输入对网络模型进行训练，模型中卷积层的卷积核可学习到指纹图像的局部统计特征，以共享权值方式可以减少网络参数，下采样单元中的池化层通过对特征图局部区域取最大值(或平均值)，实现提取特征的平移不变性。

采集的指纹图像作为源图像，训练过程中可以直接将采集的源图像作为网络输入。为了增加样本集的数量，也为了增加样本类型的多样性，也可以将源图像进行图像增强(增加干扰项)后作为网络输入，使网络模型学习到指纹图像更加通用的特征，在此对网络模型输入图像的获取方法不做限定。具体地，随机对指纹图像进行图像增强例如：增加随机噪声、对图像进行模糊化操作、对指纹图像加入随机生成划痕、褶皱、随机调节图像明暗等。训练过程中，对输入图像进行的增强是随机的，即对于同一张输入指纹图像，可以选择不同的训练批次加入不同干扰项。采用深度学习技术，通过建立全卷积神经网络模型，对输入指纹图像进行训练学习，使网络具有识别指纹特征细节点能力。

对模型参数训练完成后，即可固定模型网络参数，对测试指纹图像进行细节点预测，模型目标为输出人工标注以特征点位置坐标为圆心的白色圆(像素值为255)，其它区域为像素值为0的黑色填充区域图像，实际可以输出以特征点坐标为圆心的与目标图像半径类似白色圆形区域图像细节点位置图像，该图像中标注细节点，是与输入测试指纹图像相同尺寸的灰度图像，输出的灰度图像即为细节点位置图像，通过指纹细节点检测模型中下采样单元提取指纹图像的指纹细节点特征；上采样单元重建细节点特征的位置信息，从而实现对指纹图像的细节点位置的预测。

另外，上述实施例中输出的细节点位置预测图像为以特征点坐标为圆心的与目标图像半径类似白色圆形区域图像细节点位置图像，中心位置明确，但细节点轮廓不是十分明显，为优化细节点显著效果，提高细节点位置检测精度，优选地，可以根据提取的位置坐标对细节点位置图像进行高斯输出设置，生成以细节点坐标为圆心的高斯分布圆形细节点位置图像，输出的高斯分布圆形细节点位置图像轮廓分明，方便查看以及计算。

基于上述技术方案，本实施例所提供的指纹细节点检测方法，将获取的指纹图像输入至预训练的指纹细节点检测模型，指纹细节点检测模型中为对指纹样本图像基于卷积神经网络训练得到的全卷积神经网络，通过全卷积神经网络中下采样单元通过下采样对指纹图像提取指纹细节点特征，上采样单元通过上采样根据提取的细节点特征进行特征位置重建可以得到细节点位置图像。通过全卷积神经网络对指纹细节点进行检测定位，相较于常规检测方法，具有更好的抗干扰能力和鲁棒性，特别是对于指纹检测中常见的指纹褶皱、划痕，湿手指，图像模糊等情况下较传统检测方法具有更稳定的检测性能，且可以实现精确检测定位。同时，网络模型结构可根据不同的检测任务和目标进行灵活调整，具有更广泛的适用性。

基于上述实施例，将测试指纹图像输入指纹细节点检测模型，则模型输出图像即作为指纹细节点预测图像。在对细节点位置图像进行利用的过程中一般需要对细节点的位置信息进行比对，为实现对指纹细节点的特征比对，优选地，可以接收细节点位置提取指令，并对细节点位置图像进行位置坐标提取。

在此对指纹细节点具体位置坐标进行提取的方法不做限定，可参照现有的位置坐标提取方法。其中，优选地，对输出的指纹细节点位置图像进行细节点位置坐标提取可以通过对细节点位置图像的像素值进行遍历，若当前像素点的像素值大于最小阀值，且大于当前像素点预设邻域内其它像素点的像素值时，将当前像素点作为局部最大值点；将获取的各局部最大值点进行坐标计算，得到各细节点的坐标，通过最小像素阀值和最小邻域两个限制条件提取到多个局部最大值，保证特征点在一定范围内的唯一性，提升检测精确度。

基于上述实施例，在对细节点位置图像的像素值进行遍历前，为避免输出的细节点位置图像中模糊区域对遍历结果的不利影响，优选地，可以对细节点位置图像进行滤波操作，得到滤波后的图像。定义一个滤波函数，使用固定大小高斯滤波核进行两次高斯滤波，再使用同样大小滤波核进行两次腐蚀操作(根据网络生成图像圆点像素强度与半径定义滤波核大小)。则对细节点位置图像的像素值进行遍历具体为：对滤波后的图像的像素值进行遍历。首先，使用滤波函数对输出预测细节点图像进行一到两次滤波操作(操作次数依效果而定)。然后，对图像像素进行逐一遍历，当当前像素值大于最小阀值时，再与当前像素最小邻域内其它像素值逐一比较，图5所示为一种3x3邻域内查找局部最大值点的示意图，只有当前像素值均大于邻域内其它像素值时，才将当前像素作为一个查找到的一个局部最大值点，依次遍历即可得到目标图像的所有局部最大值点及坐标，如图6所示为一种最大值检测标注示意图，可见，通过本实施例提供的方法进行细节点位置确定准确率较高，检测效果显著提升。

下面对本发明提供的指纹细节点检测装置进行介绍，请参考图7，图7为本发明实施例提供的指纹细节点检测装置的结构框图；该装置可以包括：图像接收单元700、图像输入单元701、细节点检测单元702以及位置信息重建单元703。

其中，图像接收单元700主要用于接收采集得到的指纹图像；

图像输入单元701主要用于将指纹图像输入至预训练的指纹细节点检测模型；其中，指纹细节点检测模型为对指纹样本图像基于卷积神经网络训练得到的全卷积神经网络；

细节点检测单元702主要用于通过指纹细节点检测模型中下采样单元提取指纹图像的指纹细节点特征；

位置信息重建单元703主要用于通过指纹细节点检测模型中上采样单元重建细节点特征的位置信息，得到细节点位置图像。

本发明提供的指纹细节点检测装置通过全卷积神经网络对指纹细节点进行检测定位，精确度较高，抗干扰能力以及鲁棒性强。

优选地，本实施例提供的指纹细节点检测装置可以还包括：位置坐标提取单元，主要用于接收细节点位置提取指令，接收细节点位置提取指令，并对细节点位置图像进行细节点位置坐标提取。

优选地，上述位置坐标提取单元具体可以包括：

像素值判断子单元，用于对细节点位置图像的像素值进行遍历，若当前像素点的像素值大于最小阀值，且大于当前像素点预设邻域内其它像素点的像素值时，将当前像素点作为局部最大值点；

坐标计算子单元，用于将获取的各局部最大值点进行坐标计算，得到各细节点的坐标。

优选地，位置坐标提取单元中可以还包括：滤波子单元，用于对细节点位置图像进行滤波操作，得到滤波后的图像；滤波子单元与像素值判断子单元连接，则像素值判断子单元具体用于：对滤波后的图像的像素值进行遍历。

本实施例提供的指纹细节点检测装置可以还包括：高斯设置单元，用于根据提取的位置坐标对细节点位置图像进行高斯输出设置，生成以细节点坐标为圆心的高斯分布圆形细节点位置图像。

需要说明的是，本发明具体实施方式中的指纹细节点检测装置中的各个单元，其工作过程请参考图1对应的具体实施方式，在此不再赘述。

下面对本发明提供的指纹细节点检测设备进行介绍，具体对指纹细节点检测设备的介绍可参照上述指纹细节点检测方法的步骤，图8为本发明实施例提供的指纹细节点检测设备的结构框图；该设备可以包括：

存储器800，用于存储计算机程序；

处理器801，用于执行计算机程序时实现指纹细节点检测方法的步骤。

请参考图9，本发明实施例提供的指纹细节点检测设备的结构示意图，该检测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在检测设备301上执行存储介质330中的一系列指令操作。

检测设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。

上面图1所描述的指纹细节点检测方法中的步骤可以由指纹细节点检测设备的结构实现。

下面对本发明实施例提供的指纹细节点检测系统进行介绍，下文描述的指纹细节点检测系统与上文描述的指纹细节点检测设备可相互对应参照。

图10为本发明实施例提供的指纹细节点检测系统的结构框图；该系统可以包括：指纹采集设备900以及指纹细节点检测设备901。

其中，指纹采集设备900主要用于采集指纹图像，并将采集到的指纹图像发送至指纹细节点检测设备；

指纹细节点检测设备901主要用于接收采集得到的指纹图像；将指纹图像输入至预训练的指纹细节点检测模型；其中，指纹细节点检测模型为对指纹样本图像基于卷积神经网络训练得到的全卷积神经网络；通过指纹细节点检测模型中下采样单元提取指纹图像的指纹细节点特征；通过指纹细节点检测模型中上采样单元重建细节点特征的位置信息，得到细节点位置图像。

下面对本发明实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的指纹细节点检测方法可相互对应参照。

本发明公开的一种可读存储介质，其上存储有程序，程序被处理器执行时实现指纹细节点检测方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备，存储介质和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置，系统，存储介质和方法，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，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系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元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，可以存储在一个移动终端中。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全部或部分可以以软件产品的形式体现出来，该产品存储在一个存储介质中，包括若干指令用以使得一台移动终端(可以是手机，或者平板电脑等)执行本发明各个实施例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(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，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、终端或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的指纹细节点检测方法、装置、设备、系统及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。