本发明涉及图像处理
技术领域：
：，尤其涉及一种基于混合神经网络的车牌识别方法。
背景技术：
：：目前，汽车已经成为人们出行的重要交通工具之一，汽车的销售量每年都在急剧上升。汽车方便了我们的出行，但是也给交通管理带来了很大的压力，用现代科学技术来解决汽车不断增多而带来的一系列问题，这已经成为一项重要的研究课题。随着图片处理技术与计算机视觉技术的提高，车牌识别技术不断提高。车牌字符号码是车辆唯一的“身份证”，车牌的识别可以对车辆信息的确认提供重要的辅助作用。现有技术中，主要的车牌识别方法将车牌识别分为车牌定位、字符分割和字符识别三个步骤。车牌的定位主要是基于颜色特征、边缘检测来定位；字符分割主要有基于水平投影与垂直投影分割法、基于连通域分割法和基于静态边界的方法；字符识别主要有基于模板的字符识别、基于特征统计的字符识别和基于神经网络的字符识别。然而对于车辆本身颜色和车牌颜色相似或者相同时，用基于颜色特征的定位方法很容易导致错误的车牌定位；并且对于车牌字符的分割，对于不同制式的车牌，需要制定不同的字符分割方案，而且要求字符分割精确，否则将导致车牌识别的失败。此外，字符分割以及字符识别也受很多因素影响，如定位情况、车牌清晰度等。因而传统方案容易影响车牌识别的精度，导致识别准确性低。技术实现要素：针对以上问题，本发明提出一种基于混合神经网络的车牌识别方法。为实现本发明的目的，提供一种基于混合神经网络的车牌识别方法，包括如下步骤：s10，对获取的车辆图片进行预处理，获得初始图像；s20，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像；s30，对所述粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像；s40，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符。在一个实施例中，对获取的车辆图片进行预处理包括：将获取的车牌图像变换成统一尺寸的图像，对统一尺寸的图像进行灰度化处理。在一个实施例中，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位包括：采用高斯平滑滤波器平滑所述初始图像，采用sobel边缘检测算子对平滑的初始图像进行车牌边缘检测，得到候选车牌区域；在所述候选车牌区域中，将需要定位的车牌设置为第一颜色，将除车牌以外的背景和/或车辆其他部位设置为第二颜色；其中，第一颜色和第二颜色为不同的颜色；对进行颜色设置后的候选车牌区域进行形态学处理，以剔除明显非车牌区域。作为一个实施例，对进行颜色设置后的候选车牌区域进行形态学处理，以剔除明显非车牌区域包括：对进行颜色设置后的候选车牌区域先进行膨化处理之后，再进行腐蚀处理，以将候选车牌区域的细小空间填充，连接临近的物理和平滑边界，使候选车牌区域中不同的矩形窗的大小会有不同的结果，剔除明显非车牌区域。在一个实施例中，对所述粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像包括：对所述粗定位图像进行二值化处理，采用mser算法提取二值化处理后的粗定位图像的文字区域，使用种子生长法将各个文字区域连接起来，以确定最终的车牌区域图像。在一个实施例中，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符包括：针对去模糊处理后的数据采用深度卷积神经网络提取车牌图像特征；将车牌图像特征序列化，以序列化结果作为输入序列，利用长短时记忆网络良好的序列建模能力作为基础，对输入序列的过去和未来上下文关系建模，得到序列化模块；应用连接时序分类算法对所述序列化模块的输出进行解码，以识别所述输出中不定长的车牌字符。上述基于混合神经网络的车牌识别方法，可以对获取的车辆图片进行预处理，获得初始图像，对初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像，对粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符，以提高所确定的车牌字符的精度，进而提高车牌识别的准确性。附图说明图1是一个实施例的基于混合神经网络的车牌识别方法流程图；图2是另一个实施例的基于混合神经网络的车牌识别方法流程图；图3是一个实施例的车牌粗定位流程示意图；图4是一个实施例的车牌字符识别流程示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。参考图1所示，图1为一个实施例的基于混合神经网络的车牌识别方法流程图，包括如下步骤：s10，对获取的车辆图片进行预处理，获得初始图像。上述步骤对获取的车辆图片进行预处理，可以降低噪声干扰。s20，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像。s30，对所述粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像。上述步骤可以实现对车牌区域的定位，使用边缘检测以及形态学处理进行车牌粗定位，再结合基于文字的车牌检测法精确定位，并截取车牌区域。s40，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符。上述基于混合神经网络的车牌识别方法，可以对获取的车辆图片进行预处理，获得初始图像，对初始图像采用边缘检测以及形态学处理进行车牌粗定位，得到粗定位图像，对粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像，对车牌区域图像进行去模糊处理，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符，以提高所确定的车牌字符的精度，进而提高车牌识别的准确性。在一个实施例中，对获取的车辆图片进行预处理包括：将获取的车牌图像变换成统一尺寸的图像，对统一尺寸的图像进行灰度化处理。本实施例中，首先将获取的车牌图像变换成统一尺寸，之后对变换后的图片灰度化处理，即灰度变换与灰度拉伸。由于车牌图像原图像的像素比较高，然而这些对于车牌识别而言，像素高不仅对识别的效果没有什么太大帮助，而且还会对识别的速度产生影响。因此，首先要对图像的尺寸进行统一，提高系统响应的速度，使系统的实时性更好，方便车牌定位与识别。在一个实施例中，对所述初始图像采用边缘检测以及形态学处理进行车牌粗定位包括：采用高斯平滑滤波器平滑所述初始图像，采用sobel边缘检测算子对平滑的初始图像进行车牌边缘检测，得到候选车牌区域；在所述候选车牌区域中，将需要定位的车牌设置为第一颜色，将除车牌以外的背景和/或车辆其他部位设置为第二颜色；其中，第一颜色和第二颜色为不同的颜色；第一颜色可以为白色，第二颜色可以为黑色；这样该步骤使上述候选车牌区域上的颜色只出现两种，需要定位的车牌显示为白色，其余的背景或车辆的其他部位都显示为黑色；对进行颜色设置后的候选车牌区域进行形态学处理，以剔除明显非车牌区域。作为一个实施例，对进行颜色设置后的候选车牌区域进行形态学处理，以剔除明显非车牌区域包括：对进行颜色设置后的候选车牌区域先进行膨化处理之后，再进行腐蚀处理，以将候选车牌区域的细小空间填充，连接临近的物理和平滑边界，使候选车牌区域中不同的矩形窗的大小会有不同的结果，剔除明显非车牌区域。具体地，对进行颜色设置后的候选车牌区域进行形态学处理的过程中，其中有一个重要的基本概念叫做结构元素，结构元素在变换中相当于是信号处理中的“滤波窗口”。用代表结构元素对工作区间中的每一点，其中腐蚀和膨胀可以分别进行如下定义：腐蚀：其中e为工作区间，x为工作区间的点，b为结构元素，x使b包含于e的所有点构成的集合。上述公式的含义为：用b(x)对e进行腐蚀，结果就是把结构元素b平移，使b包含于e的所有点构成的集合。膨胀：其中e为工作区间，y为工作区间的点，b为结构元素，y使b包含于e的所有点构成的集合。上述公式的含义为：用b(x)对e进行膨胀，结果就是把结构元素b平移，使b与e的交集中非空的点构成的集合。具体地，上述形态化操作就是形态学处理的闭运算，即先膨化(对象边界添加元素)之后进行腐蚀。将细小空间填充，连接临近的物理和平滑边界，使不同的矩形窗的大小会有不同的结果，剔除明显非车牌区域。在一个实施例中，对所述粗定位图像采样基于文字的车牌检测法进行精确定位，并截取车牌区域，得到车牌区域图像包括：对所述粗定位图像进行二值化处理，采用mser算法提取二值化处理后的粗定位图像的文字区域，使用种子生长法将各个文字区域连接起来，以确定最终的车牌区域图像。本实施例先对其图像二值化处理，使图像只有黑白两种颜色，再使用mser(maximallystableextremalregions)算法提取文字区域，然后使用种子生长法将这些区域连接起来，从而确定最终的车牌区域。具体地，本实施例可以用初始阀值t对新得到的图像进行二值化，得到二值化处理后的粗定位图像。初始阀值t可以设为：t＝gmax-2*(gmax-gmin)/3其中gmax和gmin分别是图像的最大，最小像素值。其中，0≤i≤m-1,0≤j≤n-1,m,n分别为图像b的高度值和宽度值。阀值t对不同的车牌都有一定的适度性，能够保证如果是背景则基本设置为0，突出了牌照的区域。在操作对粗定位图像进行二值化处理这一步之前，首先可以将粗定位图像由rgb模型转化为hsv模型，hsv模型是一种比较直观的颜色模型。进一步，使用mser(maximallystableextremalregions)算法提取文字区域，然后使用种子生长法将这些区域连接起来，从而确定最终的车牌区域。mser算法是对一幅图像选择适当的阀值而得到连通分量，并检测连通分量的平稳性来获得最终的平稳区域。mser获取区域如下公式所示：式中hi表示二值化设置的阀值i对应的二值图像中某一连通区域，当二值化阀值由变成i+δ和i-δ时，其中δ为变化值，连通域hi相应变成hi+δ和hi-δ。当hi面积随二值化阀值i变化而发生较小变化即h(i)为局部极小值时，hi为最大稳定极值区域。在一个实施例中，上述对车牌区域图像进行去模糊处理，指的是统计车牌图像的灰度直方图，得到两个灰度值最大的点，去其中灰度像素值小的点，与图像所有灰度值点作差。再利用车牌图像的灰度值和梯度值的l0正则化先验进行去模糊处理，原理如下所示：其中x和y分别表示原始的清晰图像和已模糊图像，k是模糊核，是卷积操作，表示l2正则项约束，λ、υ和σ是权值。p(x)是先验条件，x0表示灰度像素统计值中第一个波峰的像素值。通常将公式分成下面两个公式：根据这两个公式来进行交替迭代求最优化，首先假设k已知来求x，公式是一个l0正则项问题，将其直接最小化很难求解，本实施例采用基于半二次分裂l0最小化方法，利用交替最小化的方法求解。在一个实施例中，针对去模糊处理后的数据采用深度卷积神经网络提取特征，并将所述深度卷积神经网络的输出作为循环卷积神经网络的输入，应用连接时序分类算法来识别所述输出中不定长的车牌字符包括：针对去模糊处理后的数据采用深度卷积神经网络提取车牌图像特征；将车牌图像特征序列化，以序列化结果作为输入序列，利用长短时记忆网络良好的序列建模能力作为基础，对输入序列的过去和未来上下文关系建模，得到序列化模块；应用连接时序分类算法((connectionisttemporalclassification，ctc))对所述序列化模块的输出进行解码，以识别所述输出中不定长的车牌字符。具体地，采用深度卷积神经网络提取车牌图像特征的过程可以包括：对特征的提取采用了经典的lenet-5网络，网络结构由7层构成，主要包含卷积层、池化层，每层都包含训练参数，为了更全面的提取图像特征，调整了特征的平面数。将c1层和s2层的特征平面的数量从6个增加到24个，将c3层和s4层的特征平面从16个增加到52个，将c5层的特征平面数由120个增加到480个。具体地，利用长短时记忆网络良好的序列建模能力作为基础，对输入序列的过去和未来上下文关系建模的过程可以包括：首先前向计算每个神经元的输出值；之后计算每个神经元的误差项值，借此构造出损失函数，从而确定优化目标函数；根据损失函数的梯度指引更新网络的权值参数。重复上诉步骤直至网络误差小于给定值。此处可以采用lstm网络将特征序列化的核心算法，主要是通过lstm网络模型的细胞单元以及“门”结构实现。细胞单元相当于信息的传播路径，让信息能在序列中一直传递下去。细胞内部包含遗忘门、输入门、输出门三种门结构。而核心算法就是通过这三个门来控制实现，而特征序列化的提取最终就是通过输出门控制输出到输出层。相应地，利用长短时记忆网络误差项的反向传播包括两个层面：一个是空间上层面的，将误差项向网络的上一层传播；另一个是时间层面上的，沿时间方向传播，即从当前t时刻开始，计算每个时刻的误差项。因为lstm网络能够在每个时间点产生一个输出，且该时间点上的输出与下一个时间节点的单元有循环连接。计算这些误差项都是为了保存中间的计算结果，以便于反向传播算法计算时使用。在一个示例中，上述ctc算法中，对于序列化的图像特征和标签字符之间不需要对齐标签，可以有效解决不同位数的车牌识别。对于特征序列化模块的输出c＝{c1,c2,…,ct}，将其转换为预估概y＝{y1,y2,…,yt}，用如下公式：yt＝softmax(ct)首先，对于车牌标签字符库定义为l∈r73，依据ctc的原理加入“_”标志符后，l'∈l∪{_}，l'∈r74。其中标志符“_”表示空格。ctc算法并不要求输入输出严格对齐，但为了方便训练模型需要一个将输入输出对齐的映射关系，所以使用空格占位符用于输出对齐的结果。其次定义多对一的映射函数:l't→lt，函数关系用公式表达如下所示：其中πt为所有可能的映射路径中第t条路径，为路径πt的预估概率。映射函数主要为了达到两个目的，其一是对连续相同的重复字符去除处理，另一个是去除“_”标识符。以此，可以得到ctc的目标优化函数，在训练阶段主要计算整个输出序列的损失函数，如以下公式所示：最后输出预测阶段ctc为输入序列预测每列序列的字符，如以下公式所示：其中l*表示输出的预测字符，argmax是一个图像处理库中的一个函数，p(l|y)是上面所述的映射函数。l代表输入的原序列，lt表示映射之后的车牌标签字符库。上述公式是为了输出预测每列序列的字符。与现有技术相比，上述基于混合神经网络的车牌识别方法具有以下有益技术效果：(1)采用的车牌定位方法，同样使用了边缘检测算法，但在进行了形态学处理，并结合基于文字检测的车牌定位方法，有效地提高了与车牌颜色相近车辆的车牌识别精确率。(2)在对车牌字符识别之前不需要对字符进行分割，而是对车牌图像进行去模糊处理，降低了因拍摄，或光线影响模糊车牌的识别错误率。(3)对字符的识别虽然同样用了卷积神经网络lenet-5，但仅仅为了提取图像特征，还要用与之混合使用的长短时记忆网络将提取特征序列化并结合ctc算法对车牌字符解码识别，用两个常用的神经网络的混合确保车牌识别的高精确率。在一个实施例中，上述基于混合神经网络的车牌识别方法，也可以参考图2所示，包括以下步骤：101、对获取的车辆图片进行预处理，降低噪声干扰；102、定位车牌区域，使用边缘检测以及形态学处理进行车牌粗定位，再结合基于文字的车牌检测法精确定位，并截取车牌区域；103、在步骤102所述的截取区域去模糊处理；104、识别车牌字符，在步骤103的基础上先使用深度卷积神经网络提取特征，并将此网络的输出作为循环卷积神经网络的输入，同时应用连接时序分类算法来识别输出不定长度的车牌字符。步骤101中车辆图像预处理方法如下：首先将获取的车牌图像变换成统一尺寸，尺寸为28*28，之后对变换后的图片灰度化处理，即灰度变换与灰度拉伸。原图像的像素比较高，然而这些对于车牌识别而言，像素高不仅对识别的效果没有什么太大帮助，而且还会对识别的速度产生影响。因此，首先要对图像的尺寸进行统一，提高系统响应的速度，使系统的实时性更好，方便车牌定位与识别。步骤102中所述对车牌的粗定位可以参考图3所示，具体步骤如下：201、用高斯平滑滤波器平滑车辆图像，再用sobel边缘检测算子进行车牌边缘检测；202、使上述201检测的候选车牌区域上的颜色只出现两种，需要定位的车牌显示为白色，其余的背景或车辆的其他部位都显示为黑色；203、对202所述候选车牌区域进行形态学处理。步骤203，形态学处理具体方法如下：其中有一个重要的基本概念叫做结构元素，结构元素在变换中相当于是信号处理中的“滤波窗口”。用代表结构元素对工作区间e中的每一点x，腐蚀和膨胀的定义如下：腐蚀：用b(x)对e进行腐蚀，结果就是把结构元素b平移，使b包含于e的所有点构成的集合。膨胀：用b(x)对e进行膨胀，结果就是把结构元素b平移，使b与e的交集中非空的点构成的集合。本实施例的形态化操作就是形态学处理的闭运算，即先膨化(对象边界添加元素)之后进行腐蚀。将细小空间填充，连接临近的物理和平滑边界，使不同的矩形窗的大小会有不同的结果，剔除明显非车牌区域。步骤102中所述车牌的精确定位，具体方法如下：首先对其图像二值化处理，使图像只有黑白两种颜色，再使用mser(maximallystableextremalregions)算法提取文字区域，然后使用种子生长法将这些区域连接起来，从而确定最终的车牌区域。用初始阀值t对新得到的图像进行二值化，得到二值化后的图像。初始阀值t为：t＝gmax-2*(gmax-gmin)/3(3)其中gmax和gmin分别是图像的最大，最小像素值。其中，0≤i≤m-1,0≤j≤n-1,m,n分别为图像b的高度值和宽度值。阀值t对不同的车牌都有一定的适度性，能够保证如果是背景则基本设置为0，突出了牌照的区域。在操作这一步之前，首先将rgb模型转化为hsv模型，hsv模型是一种比较直观的颜色模型。最后使用mser(maximallystableextremalregions)算法提取文字区域，然后使用种子生长法将这些区域连接起来，从而确定最终的车牌区域。mser算法是对一幅图像选择适当的阀值而得到连通分量，并检测连通分量的平稳性来获得最终的平稳区域。mser获取区域如下公式所示：式(5)中hi表示二值化阀值i对应的二值图像中某一连通区域，当二值化阀值由变成i+δ和i-δ时，其中δ为变化值，连通域hi相应变成hi+δ和hi-δ。当hi面积随二值化阀值i变化而发生较小变化即h(i)为局部极小值时，hi为最大稳定极值区域。步骤103所述的车牌图像去模糊处理，具体方法如下：统计车牌图像的灰度直方图，得到两个灰度值最大的点，去掉其中灰度像素值较小的点，与图像所有灰度值点作差。再利用车牌图像的灰度值和梯度值的l0正则化先验进行去模糊处理，原理如下所示：其中x和y分别表示原始的清晰图和已模糊图像，k是模糊核，是卷积操作，表示l2正则项约束，λ、υ和σ是权值。p(x)是先验条件，x0表示像素值统计值中第一个波峰的像素值。通常将式(6)分成下面两个公式：根据这两个公式来进行交替迭代求最优化，首先假设k已知来求x，公式(8)是一个l0正则项问题，将其直接最小化很难求解，本发明采用基于半二次分裂l0最小化方法，利用交替最小化的方法求解。步骤104中对车牌字符的识别过程可以参考图4所示，具体步骤如下：301、用深度卷积神经网络提取车牌图像特征；302、将301所述的提取特征序列化，并利用长短时记忆网络良好的序列建模能力作为基础，对输入序列的过去和未来上下文关系建模；303、应用连接时序分类算法(connectionisttemporalclassification，ctc)对步骤302所述序列化模块的输出进行解码输出识别结果。步骤301中，用卷积神经网络提取车牌图像特征，具体如下：本实施例对特征的提取采用了经典的lenet-5网络，网络结构由7层构成，主要包含卷积层、池化层，每层都包含训练参数，为了更全面的提取图像特征，调整了特征的平面数。将c1层和s2层的特征平面的数量从6个增加到24个，将c3层和s4层的特征平面从16个增加到52个，将c5层的特征平面数由120个增加到480个。步骤302中利用长短时记忆网络将上一步提取特征序列化，方法如下：首先前向计算每个神经元的输出值；之后计算每个神经元的误差项值，借此构造出损失函数，从而确定优化目标函数；根据损失函数的梯度指引更新网络的权值参数。重复上诉步骤直至网络误差小于给定值。步骤302中利用长短时记忆网络误差项的反向传播包括两个层面：一个是空间上层面的，将误差项向网络的上一层传播；另一个是时间层面上的，沿时间方向传播，即从当前t时刻开始，计算每个时刻的误差项。步骤303应用的ctc算法中，对于序列化的图像特征和标签字符之间不需要对齐标签，可以有效解决不同位数的车牌识别，具体如下：对于特征序列化模块的输出c＝{c1,c2,…,ct}，将其转换为预估概y＝{y1,y2,…,yt}，用如下公式：yt＝softmax(ct)(10)首先，对于车牌标签字符库定义为l∈r73，依据ctc的原理加入“_”标志符后，l'∈l∪{_}，l'∈r74。其中标志符“_”表示空格。ctc算法并不要求输入输出严格对齐，但为了方便训练模型需要一个将输入输出对齐的映射关系，所以使用空格占位符用于输出对齐的结果。其次定义多对一的映射函数l't→lt，函数关系用公式表达如下所示：其中πt为所有可能的映射路径中第t条路径，为路径πt的预估概率。映射函数主要为了达到两个目的，其一是对连续相同的重复字符去除处理，另一个是去除“_”标识符。以此，可以得到ctc的目标优化函数，在训练阶段主要计算整个输出序列的损失函数，如公式(13)所示：最后输出预测阶段ctc为输入序列预测每列序列的字符，如公式(14)所示：以上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。需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。当前第1页12当前第1页12