活体识别方法、装置、电子设备及可读存储介质与流程

1.本申请涉及图像识别技术领域，具体而言，涉及一种活体识别方法、装置、电子设备及可读存储介质。


背景技术：

2.随着社会经济和技术的发展，在许多业务场景中通常都需要通过人脸识别来进行真人的身份核验，方便用户使用。尽管人脸特征是一种具有较强区分度并且易于采集的特征，但是也很容易受到非真人伪造数据的攻击，影响身份核验的安全性。因此，有必要对人脸进行活体识别。


技术实现要素：

3.有鉴于此，本申请的目的在于提供一种活体识别方法、装置、电子设备及可读存储介质，以解决或者改善上述问题。
4.根据本申请的一方面，提供一种活体识别方法，应用于电子设备，所述方法包括：
5.在预设时间段内针对待识别人脸连续采集多帧rgb图像，并分别从各帧rgb图像获得所述待识别人脸的人脸图像；
6.提取各人脸图像对应的融合深度图像特征和融合频域图像特征；
7.根据所述融合深度图像特征和所述融合频域图像特征进行活体识别。
8.根据本申请的另一方面，提供一种活体识别装置，应用于电子设备，所述装置包括：
9.图像采集模块，用于在预设时间段内针对待识别人脸连续采集多帧rgb图像，并分别从各帧rgb图像获得所述待识别人脸的人脸图像；
10.特征提取模块，用于提取各人脸图像对应的融合深度图像特征和融合频域图像特征；
11.活体识别模块，用于根据所述融合深度图像特征和所述融合频域图像特征进行活体识别。
12.根据本申请的另一方面，提供一种电子设备，包括一个或多个存储介质和一个或多个与存储介质通信的处理器，一个或多个存储介质存储有处理器可执行的机器可执行指令，当电子设备运行时，处理器执行所述机器可执行指令，以执行前述的活体识别方法。
13.根据本申请的另一方面，提供一种可读存储介质，所述可读存储介质存储有机器可执行指令，所述机器可执行指令被执行时实现前述的活体识别方法。
14.基于上述任一方面，本申请通过在预设时间段内针对待识别人脸连续采集多帧rgb图像，并分别从各帧rgb图像获得待识别人脸的人脸图像，然后提取各人脸图像对应的融合深度图像特征和融合频域图像特征，并根据融合深度图像特征和融合频域图像特征进行活体识别。如此，在利用空间维度上的深度图像特征的基础上，结合时域维度上的多帧rgb图像输入融合的方式，同时考虑到频域维度上的图像特征，使得在进行活体识别时能够
减少所在环境发生变化对活体识别效果的影响，提高活体识别效果的泛化能力，并且无需用户刻意配合，缩短验证过程周期。此外，便于部署，无需设置多路传感器，从而适用于广泛的终端设备场景。
附图说明
15.为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
16.图1示出了本申请实施例所提供的活体识别方法的流程示意图；
17.图2示出了图1中所示的步骤s110的子流程示意图；
18.图3示出了本申请实施例所提供的活体识别方法的流程介绍示意图；
19.图4示出了图1中所示的步骤s130的子流程示意图；
20.图5示出了本申请实施例所提供的活体识别装置的功能模块示意图；
21.图6示出了本申请实施例所提供的用于实现上述活体识别方法的电子设备的结构示意框图。
具体实施方式
22.为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中移除一个或多个操作。
23.另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
24.基于前述背景技术获知的技术问题，本申请发明人在研究过程中发现，在现有的人脸识别方案中，活体检测方案通常分为两类，一类是用户依照发出的特定指令(例如眨眼睛、伸舌头、摇号、点头等指令)完成相应动作的配合式检测方案，另一种则无需要求用户做出特殊动作，仅需要对用户采集一帧或多帧图像，然后进行活体判别的非配合式方案。
25.在配合式的活体检测方案中，由于需要用户完成各种动作，导致人脸识别过程验证过程周期长，用户实际使用体验不佳。
26.在非配合式的活体检测方案中，通常采用多路传感器作为输入数据源的采集设备。例如，通常会采用rgb图像、近红外图像、深度传感器图像作为输入数据源来进行活体识别。尽管使用多路传感器可以增加数据源的信息量，提高活体检测的准确性。然而，多路传
感器必然会增加额外硬件成本，并且在部署过程中对电子设备有特定的要求。例如，针对移动终端而言，其输入数据源的采集设备普遍只配置有采集rgb图像的摄像头，因此使得利用多路传感器的活体判别方案在许多场景中很难适用。
27.而在使用rgb图像进行人脸识别的活体检测方案中，通常判别准确率降低，对所在环境的光照条件、摄像头的成像质量等依赖性较强，使得当所在环境发生变化时，活体检测的泛化性能不够鲁棒。此外，目前仅使用rgb图像进行活体检测的方案中，也无法很好得挖掘时间维度上人脸图像的变化情况，导致活体检测的准确性较低。一旦产生误检，则可能造成安全风险。
28.为此，基于上述技术问题的发现，发明人提出下述技术方案以解决或者改善上述问题。需要注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案，都应该是发明人在发明创造过程中对本申请做出的贡献，而不应当理解为本领域技术人员所公知的技术内容。
29.图1示出了本申请实施例提供的活体识别方法的流程示意图，应当理解，在其它实施例中，本实施例的活体识别方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该活体识别方法的详细步骤介绍如下。
30.步骤s110，在预设时间段内针对待识别人脸连续采集多帧rgb图像，并分别从各帧rgb图像获得待识别人脸的人脸图像。
31.步骤s120，提取各人脸图像对应的融合深度图像特征和融合频域图像特征。
32.步骤s130，根据融合深度图像特征和融合频域图像特征进行活体识别。
33.本实施例中，在涉及到人脸识别的场景中，例如考勤验证、门禁验证、支付验证等场景中，为防止非法入侵者通过伪造人脸图像、人脸视频、人脸模具等方式来冒充真实人脸进行人脸识别，需要在人脸识别过程中进行活体检测。据于此，在步骤s110中，可以通过内置rgb摄像头，或者通过外部通信连接的rgb外置摄像头，在摄像头当前的视野下，在预设时间段内采集待识别人脸的连续多帧rgb图像。例如，可以在1秒内采集待识别人脸的连续10帧rgb图像。
34.其中，每帧rgb图像是待进行活体识别的图像。每帧rgb图像可以是对活体人脸进行图像采集得到的图像帧，也可以是对包含人脸的已有图像翻拍得到的图像帧。可以理解的是，正是因为每帧rgb图像可以包括活体人脸图像，也可以包括非活体人脸图像，因此本实施例正是用于检测该待识别人脸是否为活体人脸的方案。
35.本实施例提供的活体识别方法，在利用空间维度上的深度图像特征的基础上，结合时域维度上的多帧rgb图像输入融合的方式，同时考虑到频域维度上的图像特征，使得在进行活体识别时能够减少所在环境发生变化对活体识别效果的影响，提高活体识别效果的泛化能力，并且无需用户刻意配合，缩短验证过程周期。此外，便于部署，无需设置多路传感器，从而适用于广泛的终端设备场景。
36.由于采集的多帧rgb图像通常除了该待识别人脸的人脸区域之外，还包括其它背景区域，如果其它背景区域也参与到活体识别流程中，可能会影响活体识别的准确性，并且增加额外的计算量。基于此，在一种可能的实施方式中，请结合参阅图2，针对步骤s110，可以包括子步骤s111和子步骤s112，具体描述如下。
37.子步骤s111，针对每帧rgb图像，通过预先训练的人脸分割模型确定该帧rgb图像中的人脸区域。
38.子步骤s112，根据人脸区域在该帧rgb图像中截取出待识别人脸的人脸图像。
39.本实施例中，人脸分割模型可以通过第一训练样本集采用深度学习网络训练得到。其中，该第一训练样本集包括标注有人脸标注信息的多个训练图像样本。
40.例如，在一种可替代的实施方式中，首先根据深度神经网络初始化人脸分割模型，即根据深度神经网络随机初始化得到一个初始的人脸分割模型，然后将标注有人脸标注信息的多个训练图像样本，分别输入该初始的人脸分割模型，输出分析得到的人脸图像，此时得到的人脸图像不一定为人脸标注信息中的人脸图像，因此还需要将每个训练图像样本的输出的人脸图像和人脸标注信息中的人脸图像之间进行对比，确定输出的人脸图像和人脸标注信息中的人脸图像之间的损失函数值，然后根据损失函数值对该人脸分割模型进行更新，并通过多次重复训练，可以不断提高该人脸分割模型输出分析得到的人脸图像的准确度，通过大量的训练图像样本重复上述过程对人脸分割模型进行训练，能够得到可以识别到人脸区域和人脸分割信息的人脸分割模型。其中，上述人脸标注信息可以包括人脸关键点或者人脸分割信息。
41.由此，通过上述训练得到的人脸分割模型即可确定每帧rgb图像中的人脸区域，然后根据人脸区域在该帧rgb图像中截取出待识别人脸的人脸图像，从而避免rgb图像中的背景区域参与到后续活体识别流程中从而影响活体识别的准确性，同时降低计算量。
42.在此基础上，针对步骤s120，下面首先对各人脸图像对应的融合深度图像特征的获取过程进行详细说明。
43.在一种可能的实施方式中，请结合参阅图3，首先可通过深度神经网络分别提取各人脸图像的深度图像特征。其中，深度图像特征可以用于表征人脸图像的纹理、轮廓、深度抽象信息等深度信息，即深度图像特征可以表示rgb图像的深度信息的特征图。
44.在此基础上，可将各深度图像特征输入到浅层卷积神经网络中，得到各人脸图像对应的融合深度图像特征。其中，卷积神经网络cnn(convolutional neural network)包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在卷积神经网络的一个卷积层中，通常包含若干个特征平面(feature map)，每个特征平面可由一些矩形排列的神经元组成，同一特征平面的神经元共享权值，此处共享的权值可以理解为卷积核。
45.举例来说，例如rgb图片，每一个颜色阈都是一个特征名片，那么则包括红色、绿色、蓝色的特征名片，每种颜色的特征名片排成一个矩形，从而形成一个特征平面。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(即卷积核)能够减少卷积神经网络各层之间的连接，同时降低过拟合的风险。子采样也叫做池化(pooling)，通常有均值子采样(mean pooling，小矩形覆盖范围内取均值)和最大值子采样(max pooling，小矩形覆盖范围内取最大值)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。
46.因此，本实施例可采用使用与上对应的浅层卷积神经网络，从而提高训练速度，便于移动终端使用，并可进行实时训练以不断完善模型参数。
47.其中，融合深度图像特征可以理解为在时域维度上融合多个人脸图像的深度图像
特征，从而增加特征信息量，提高后续活体识别效果的泛化能力。
48.与此同时，仍旧参阅图3，下面继续对各人脸图像对应的融合频域图像特征的获取过程进行详细说明。
49.在一种可能的实施方式中，首先可分别对各人脸图像进行傅里叶变换以将各人脸图像从空间域转换到频率域，得到各人脸图像的频域图像。详细地，针对活体而言，心脏的搏动会造成皮肤组织的血管中的血液容积变化，由于心脏是周期性的搏动，所以皮肤组织中的血管内血液容积也会发生周期性的变化。因此，当光照射在人脸皮肤表面，其反射或透射光束也会发生周期性的变化，由此反射光强的变化可以表征心脏的搏动。
50.因此，本实施例通过对各人脸图像进行傅里叶变换，可以将原来难以处理的各人脸图像中的时域信号转换成更易于活体识别的频域信号。例如，如果只根据各人脸图像的像素值，则很难分析出里面含有的心跳信息，而在进行傅里叶变换以将各人脸图像从空间域转换到频率域后，就可以很容易得到各人脸图像的频域图像，得到频域图像中幅值最高点对应的频率可以用于表征待识别人脸的心跳频率的特征信息。
51.在此基础上，可将各人脸图像的频域图像输入到浅层的池化网络层进行池化处理，得到各人脸图像对应的融合频域图像特征。
52.其中，融合频域图像特征可以理解为在时域维度上融合多个人脸图像的频域图像特征，从而增加特征信息量，提高后续活体识别效果的泛化能力。
53.基于前述过程，本实施例通过根据融合深度图像特征和融合频域图像特征进行活体识别，可以在利用空间维度上的深度图像特征的基础上，结合时域维度上的多帧rgb图像输入融合的方式，同时考虑到频域维度上的图像特征，从而增加特征信息量。在活体识别过程中，经发明人研究发现，如果直接使用融合深度图像特征和融合频域图像特征进行活体识别，由于是不同图像特征，在识别过程中需要单独进行比对，不仅会增加比对计算量，而且影响活体识别的准确率。
54.为解决上述问题，在一种可能的实施方式中，请结合参阅图4，针对步骤s130，具体可以包括子步骤s131和子步骤s132，具体介绍如下。
55.子步骤s131，将融合深度图像特征和融合频域图像特征进行级联，得到级联特征图像。
56.子步骤s132，根据级联特征图像进行活体识别。
57.本实施例中，通过将融合深度图像特征和融合频域图像特征进行级联后，将原本不同的图像特征级联成一个级联特征图像，从而在根据该级联特征图像进行活体识别时，无需单独进行比对，能够降低比对计算量，并且提高活体识别的准确率。
58.详细地，在级联过程中需要考虑到不同特征的维度，例如在一种可替代的示例中，针对上述子步骤s131，具体可以将融合深度图像特征的多个维度的子特征图与融合频域图像特征对应维度的子特征图进行级联，得到多个维度的级联子特征图。例如，针对融合深度图像特征的128维度的子特征图，可以将该子特征图与融合频域图像特征对应该128维度的子特征图进行级联，以此类推，从而得到多个维度的级联子特征图。然后，将多个维度的级联子特征图进行融合，得到级联特征图像。
59.在得到级联特征图像之后，即可根据该级联特征图像进行活体识别。例如，可以通过深度学习方式进行活体识别。如，在一可替代的示例中，针对上述子步骤s132，具体可以
通过预先训练的活体识别模型提取级联特征图像的活体识别特征，然后根据活体识别特征对待识别人脸进行标签分类，得到待识别人脸的分类标签。其中，该分类标签为活体人脸标签或者非活体人脸标签。
60.详细地，在一种可能的实施方式中，上述的活体识别模型可以通过第二训练样本集采用深度学习网络训练得到，第二训练样本集包括多个标注有分类标签的级联特征图像，分类标签为活体人脸标签或者非活体人脸标签。
61.例如，首先可根据深度学习网络初始化活体识别模型，即根据深度学习网络随机初始化得到一个初始的活体识别模型，然后将标注有分类标签的多个级联特征图像分别输入该初始的活体识别模型，输出分析得到的分类标签，此时得到的分类标签不一定为标注的分类标签，因此还需要将每个级联特征图像的输出的分类标签和标注的分类标签之间进行对比，确定输出的分类标签和标注的分类标签之间的损失函数值，然后根据损失函数值对该活体识别模型进行更新，并通过多次重复训练，可以不断提高该活体识别模型输出分析得到的分类标签的准确度，通过大量的标注有分类标签的级联特征图像重复上述过程对活体识别模型进行训练，能够得到可以识别到级联特征图像中的分类标签的活体识别模型。也即，得到的活体识别模型可以具有识别某个级联特征图像为活体或者非活体的能力。
62.基于同一发明构思，请参阅图5，示出了本申请实施例提供的活体识别装置200的功能模块示意图，本实施例可以根据上述方法实施例对活体识别装置200进行功能模块的划分。例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，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。比如，在采用对应各个功能划分各个功能模块的情况下，图5示出的活体识别装置200只是一种装置示意图。其中，活体识别装置200可以包括图像采集模块210、特征提取模块220以及活体识别模块230，下面分别对该活体识别装置200的各个功能模块的功能进行详细阐述。
63.图像采集模块210，用于在预设时间段内针对待识别人脸连续采集多帧rgb图像，并分别从各帧rgb图像获得待识别人脸的人脸图像。可以理解，该图像采集模块210可以用于执行上述步骤s110，关于该图像采集模块210的详细实现方式可以参照上述对步骤s110有关的内容。
64.特征提取模块220，用于提取各人脸图像对应的融合深度图像特征和融合频域图像特征。可以理解，该特征提取模块220可以用于执行上述步骤s120，关于该特征提取模块220的详细实现方式可以参照上述对步骤s120有关的内容。
65.活体识别模块230，用于根据融合深度图像特征和融合频域图像特征进行活体识别。可以理解，该活体识别模块230可以用于执行上述步骤s130，关于该活体识别模块230的详细实现方式可以参照上述对步骤s130有关的内容。
66.在一种可能的实施方式中，图像采集模块210具体可以通过以下方式分别从各帧rgb图像获得待识别人脸的人脸图像：
67.针对每帧rgb图像，通过预先训练的人脸分割模型确定该帧rgb图像中的人脸区域，其中，人脸分割模型通过第一训练样本集采用深度学习网络训练得到，第一训练样本集包括标注有人脸标注信息的多个训练图像样本；
68.根据人脸区域在该帧rgb图像中截取出待识别人脸的人脸图像。
69.在一种可能的实施方式中，特征提取模块220具体可以通过以下方式提取各人脸图像对应的融合深度图像特征和融合频域图像特征：
70.通过深度神经网络分别提取各人脸图像的深度图像特征；
71.将各深度图像特征输入到浅层卷积神经网络中，得到各人脸图像对应的融合深度图像特征。
72.在一种可能的实施方式中，特征提取模块220具体可以通过以下方式提取各人脸图像对应的融合深度图像特征和融合频域图像特征：
73.分别对各人脸图像进行傅里叶变换以将各人脸图像从空间域转换到频率域，得到各人脸图像的频域图像；
74.将各人脸图像的频域图像输入到浅层的池化网络层进行池化处理，得到各人脸图像对应的融合频域图像特征。
75.在一种可能的实施方式中，活体识别模块230具体可以通过以下方式进行活体识别：
76.将融合深度图像特征和融合频域图像特征进行级联，得到级联特征图像；
77.根据级联特征图像进行活体识别。
78.在一种可能的实施方式中，活体识别模块230具体可以通过以下方式得到级联特征图像：
79.将融合深度图像特征的多个维度的子特征图与融合频域图像特征对应维度的子特征图进行级联，得到多个维度的级联子特征图；
80.将多个维度的级联子特征图进行融合，得到级联特征图像。
81.在一种可能的实施方式中，活体识别模块230具体可以通过以下方式进行活体识别：
82.通过预先训练的活体识别模型提取级联特征图像的活体识别特征；
83.根据活体识别特征对待识别人脸进行标签分类，得到待识别人脸的分类标签，分类标签为活体人脸标签或者非活体人脸标签。
84.在一种可能的实施方式中，活体识别模型通过第二训练样本集采用深度学习网络训练得到，第二训练样本集包括多个标注有分类标签的级联特征图像，分类标签为活体人脸标签或者非活体人脸标签。
85.基于同一发明构思，请参阅图6，示出了本申请实施例提供的用于执行上述活体识别方法的电子设备100的结构示意框图，该电子设备100可以包括机器可读存储介质120和处理器130。
86.本实施例中，机器可读存储介质120与处理器130均位于电子设备100中且二者分离设置。然而，应当理解的是，机器可读存储介质120也可以是独立于电子设备100之外，且可以由处理器130通过总线接口来访问。可替换地，机器可读存储介质120也可以集成到处理器130中，例如，可以是高速缓存和/或通用寄存器。
87.处理器130是该电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分，通过运行或执行存储在机器可读存储介质120内的软件程序和/或模块，以及调用存储在机器可读存储介质120内的数据，执行该电子设备100的各种功能和处理数
据，从而对电子设备100进行整体监控。可选地，处理器130可包括一个或多个处理核心；例如，处理器130可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。
88.其中，处理器130可以是一个通用的中央处理器(central processing unit，cpu)，微处理器，特定应用集成电路(application-specific integrated circuit，asic)，或一个或多个用于控制下述方法实施例提供的活体识别方法的程序执行的集成电路。
89.机器可读存储介质120可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmabler-only memory，eeprom)、只读光盘(compactdisc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。机器可读存储介质120可以是独立存在，通过通信总线与处理器130相连接。机器可读存储介质120也可以和处理器集成在一起。其中，机器可读存储介质120用于存储执行本申请方案的机器可执行指令。处理器130用于执行机器可读存储介质120中存储的机器可执行指令，以实现前述方法实施例提供的活体识别方法。
90.由于本申请实施例提供的电子设备100是上述电子设备100执行的方法实施例的另一种实现形式，且电子设备100可用于执行上述方法实施例提供的活体识别方法，因此其所能获得的技术效果可参考上述方法实施例，在此不再赘述。
91.进一步地，本申请实施例还提供一种包含计算机可执行指令的可读存储介质，计算机可执行指令在被执行时可以用于方法实施例提供的活体识别方法。
92.当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本申请任意实施例所提供的活体识别方法中的相关操作。
93.本申请实施例是参照根据本申请实施例的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
94.尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
95.以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵
盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。