人体动作识别结果的评价方法、装置和电子设备与流程
本发明涉及人体动作识别技术领域，尤其涉及一种人体动作识别结果的评价方法、装置和电子设备。
背景技术：
三维人体的重建与属性识别一直是机器视觉领域的重要研究方向，目前学术界基于深度学习的人体重建相关工作大致可以分为两大类，参数化模型重建和非参数化模型重建。通常都是通过采集待识别人体的rgb-d图像，然后对rgb-d图像进行处理，识别出对应rgb-d图像的人体动作。而识别出对应rgb-d图像的人体动作通常通过不同的识别结果来表达，例如识别结果可以是rgb-d图像中人体的3d关键点坐标，也可以是rgb-d图像中人体的点云三维坐标，还可以是rgb-d图像中人体的姿态参数、形态参数和位移参数，等等。上述三种识别结果实质是等效的表达识别人体动作结果的方式，它们之间可以相互转换。
目前对于人体动作识别结果的评价指标使用的是pck(percentageofcorrectkeypoint)，最常用是pck@0.2，该指标的计算方法是计算检测关键点与参考标准(groundtruth)的欧式距离小于0.2×躯干直径的比例。其中，躯干直径为头部参考标准关键点(headgroundtruth)到臀部参考标准关键点(hipgroundtruth)的欧式距离。pck指标在评估人体重建效果时，会忽略z维度(即深度信息)，不适用于评价人体动作捕捉。
因此，如何避免现有的pck指标评价人体动作识别结果时缺乏对深度信息的考虑，无法适用于评价人体动作捕捉的情况，仍然是本领域技术人员亟待解决的问题。
技术实现要素：
本发明实施例提供一种人体动作识别结果的评价方法、装置和电子设备，用以解决现有的pck指标评价人体动作识别结果时缺乏对深度信息的考虑，无法适用于评价人体动作捕捉的问题。
第一方面，本发明实施例提供一种人体动作识别结果的评价方法，包括：
将人体动作识别结果转换成特征信息，所述特征信息为3d关键点信息、点云数据或人体轮廓信息；
将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息；
确定所述特征信息与所述标准特征信息之间的误差度；
其中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的。
优选地，该方法中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的，具体包括：
将待检测人体动作的rgb-d图像进行预处理，得到无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图；
将所述无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图输入姿态参数识别模型，输出所述待检测人体动作的姿态参数、形态参数和位移参数；
其中，所述姿态参数识别模型是基于样本无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图以及预先确定的对应于各样本无背景像素干扰的rgb图像的3d关键点坐标标签和三维点云标签进行训练后得到的，所述姿态参数识别模型训练时的损失函数基于关键点损失、平滑损失和点云损失构成；
将所述待检测人体动作的姿态参数、形态参数和位移参数输入参数化模型，输出人体动作识别结果。
优选地，该方法中，所述特征信息为预测的3d关键点集合，记作
对应地，所述将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息，具体包括：
通过人工手动方式将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行人体关键点的标注，得到标准的3d关键点集合，记作k，并人工判断所述人体关键点是否有自身遮挡，根据遮挡结果形成由0和1构成的one-hot向量v；
所述确定所述特征信息与所述标准特征信息之间的误差度，具体包括：
通过如下公式计算所述预测的3d关键点集合
其中，norm为归一化因子，v为所述one-hot向量，当所述one-hot向量中第i个元素对应的人体关键点有自身遮挡，则所述第i个元素取值为0，否则，所述第i个元素取值为1，i＝1,2,3,…,nv，nv为向量v中元素的个数。
优选地，该方法中，所述特征信息为预测的点云数据集合，记作
对应地，所述将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息，具体包括：
将所述人体动作识别结果对应的待检测人体动作的rgb-d图像中的rgb图像输入标注算法得到标准的2d关键点坐标，再将所述标准的2d关键点坐标转换为标准的3d关键点坐标；
基于所述标准的3d关键点坐标和所述rgb-d图像中的深度图，通过ceres优化，得到姿态参数，将所述姿态参数输入预设参数化模型，输出标准的点云数据集合p；
所述确定所述特征信息与所述标准特征信息之间的误差度，具体包括：
通过如下公式计算所述预测的点云数据集合
其中，norm为归一化因子。
优选地，该方法中，所述标准算法为alphapose的2d关键点检测算法。
优选地，该方法中，所述特征信息为预测的人体轮廓点集合，记作
对应地，所述将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息，具体包括：
调用采集所述人体动作识别结果对应的待检测人体动作的rgb-d图像的深度相机的sdk，获取所述rgb-d图像对应的人体mask图像，将所述人体mask图像转换成标准的人体轮廓点集合s；
所述确定所述特征信息与所述标准特征信息之间的误差度，具体包括：
通过如下公式计算所述预测的人体轮廓点集合
其中，norm为归一化因子。
第二方面，本发明实施例提供一种人体动作识别结果的评价装置，包括：
预测单元，用于将人体动作识别结果转换成特征信息，所述特征信息为3d关键点信息、点云数据或人体轮廓信息；
标准单元，用于将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息；
误差单元，用于确定所述特征信息与所述标准特征信息之间的误差度；
其中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的。
优选地，该装置中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的，具体包括：
将待检测人体动作的rgb-d图像进行预处理，得到无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图；
将所述无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图输入姿态参数识别模型，输出所述待检测人体动作的姿态参数、形态参数和位移参数；
其中，所述姿态参数识别模型是基于样本无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图以及预先确定的对应于各样本无背景像素干扰的rgb图像的3d关键点坐标标签和三维点云标签进行训练后得到的，所述姿态参数识别模型训练时的损失函数基于关键点损失、平滑损失和点云损失构成；
将所述待检测人体动作的姿态参数、形态参数和位移参数输入参数化模型，输出人体动作识别结果。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的人体动作识别结果的评价方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如第一方面所提供的人体动作识别结果的评价方法的步骤。
本发明实施例提供的方法、装置和电子设备，通过提取人体动作识别结果中的包含深度信息的3d关键点信息、点云数据或人体轮廓信息作为特征信息，然后再对人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息，计算所述特征信息与所述标准特征信息之间的误差值，用该误差值作为人体动作识别结果的评价指标。由于使用了包含深度信息的特征信息进行计算，使得人体动作识别结果与标准值之间的比较考虑了z维度，更适用于评价人体动作捕捉。因此，本发明实施例提供的方法、装置和电子设备，实现了评价人体动作识别结果时考虑深度信息，更适用于评价人体动作捕捉。
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做一简单地介绍，显而易见地，下面描述中的附图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的附图。
图1为本发明实施例提供的人体动作识别结果的评价方法的流程示意图；
图2为本发明实施例提供的人体动作识别结果的评价装置的结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
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付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。
现有的pck指标评价人体动作识别结果普遍存在缺乏对深度信息的考虑，无法适用于评价人体动作捕捉的问题。对此，本发明实施例提供了一种人体动作识别结果的评价方法。图1为本发明实施例提供的人体动作识别结果的评价方法的流程示意图，如图1所示，该方法包括：
步骤110，将人体动作识别结果转换成特征信息，所述特征信息为3d关键点信息、点云数据或人体轮廓信息。
具体地，人体动作是别结果的表达方式有多种，可以是rgb-d图像中人体的3d关键点坐标，也可以是rgb-d图像中人体的点云三维坐标，还可以是rgb-d图像中人体的姿态参数、形态参数和位移参数，等等。这些表达人体动作识别结果的方式多种多样，但是他们之间是等效的可以互相转换的。从人体动作识别结果中提取包含有深度信息的特征信息，该特征信息可以是3d关键点信息、点云数据或人体轮廓信息。
步骤120，将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息。
具体地，对于前一步骤从人体动作识别结果中提取的包含深度信息的特征信息，需要确定对应于所述特征信息的标准特征信息，即参考标准(groundtruth)。通常标准特征信息都是从所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理获取，所述处理可以采用人工标准的方式提取标准特征信息，也可以用第三方算法对rgb-d图像进行处理以提取标准特征信息，所述第三方算法即标注算法，为常用的提取关键点准确性比较高的算法。
步骤130，确定所述特征信息与所述标准特征信息之间的误差度；其中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的。
具体地，然后计算上述步骤中确定的特征信息与标准特征信息之间的误差度，将该误差度作为评价人体动作识别结果的指标。不同于现有pck指标的值越大则人体动作识别越准确，本发明实施例提供的误差度指标是值越小则人体动作识别越准确。同时，定义人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的。因此，确定人体动作识别结果得到的特征信息与标准特征信息之间的误差值，即确定人体动作识别结果对应的识别算法与计算标准特征的标注算法或者人工标注方法之间的差距。
本发明实施例提供的方法，通过提取人体动作识别结果中的包含深度信息的3d关键点信息、点云数据或人体轮廓信息作为特征信息，然后再对人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息，计算所述特征信息与所述标准特征信息之间的误差值，用该误差值作为人体动作识别结果的评价指标。由于使用了包含深度信息的特征信息进行计算，使得人体动作识别结果与标准值之间的比较考虑了z维度，更适用于评价人体动作捕捉。因此，本发明实施例提供的方法，实现了评价人体动作识别结果时考虑深度信息，更适用于评价人体动作捕捉。
基于上述实施例，该方法中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的，具体包括：
将待检测人体动作的rgb-d图像进行预处理，得到无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图；
将所述无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图输入姿态参数识别模型，输出所述待检测人体动作的姿态参数、形态参数和位移参数；
其中，所述姿态参数识别模型是基于样本无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图以及预先确定的对应于各样本无背景像素干扰的rgb图像的3d关键点坐标标签和三维点云标签进行训练后得到的，所述姿态参数识别模型训练时的损失函数基于关键点损失、平滑损失和点云损失构成；
将所述待检测人体动作的姿态参数、形态参数和位移参数输入参数化模型，输出人体动作识别结果。
具体地，此处具体介绍了一种人体动作识别的方法，因此，人体动作识别结果的评价即评价该方法的人体动作捕捉效果。该方法中，所述预先确定的对应于各样本无背景像素干扰的rgb图像的3d关键点坐标标签是通过将所述样本无背景像素干扰的rgb图像输入标注算法得到2d关键点坐标，再将所述2d关键点坐标转换为3d关键点坐标得到的；对应地，所述预先确定的对应于各样本无背景像素干扰的rgb图像的三维点云标签是通过将所述样本无背景像素干扰的rgb图像对应的深度图像基于采集图像的相机内参转换成三维点云得到的。而标注算法通常是提取关键点准确性比较高的第三方算法，例如alphapose的2d关键点检测算法。所述将待检测的人体动作的rgb-d图像进行预处理，得到无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图，具体包括：待检测的人体动作的rgb-d图像包括彩色图像、深度图像和人体mask图像；使用所述人体mask图像对所述彩色图像进行掩膜处理，得到无背景像素干扰的rgb图像；对所述彩色图像和所述深度图像进行基于采集所述rgb-d图像的深度相机内参的转换，得到无背景像素干扰的点云三维坐标图。
基于上述任一实施例，该方法中，所述特征信息为预测的3d关键点集合，记作
对应地，所述将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息，具体包括：
通过人工手动方式将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行人体关键点的标注，得到标准的3d关键点集合，记作k，并人工判断所述人体关键点是否有自身遮挡，根据遮挡结果形成由0和1构成的one-hot向量v；
所述确定所述特征信息与所述标准特征信息之间的误差度，具体包括：
通过如下公式计算所述预测的3d关键点集合
其中，norm为归一化因子，v为所述one-hot向量，当所述one-hot向量中第i个元素对应的人体关键点有自身遮挡，则所述第i个元素取值为0，否则，所述第i个元素取值为1，i＝1,2,3,…,nv，nv为向量v中元素的个数。
具体地，从人体动作识别结果中提取的包含深度信息的特征信息为3d关键点信息，即人体动作识别结果得到的预测的3d关键点集合
其中，norm为归一化因子。
基于上述任一实施例，该方法中，所述特征信息为预测的点云数据集合，记作
对应地，所述将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息，具体包括：
将所述人体动作识别结果对应的待检测人体动作的rgb-d图像中的rgb图像输入标注算法得到标准的2d关键点坐标，再将所述标准的2d关键点坐标转换为标准的3d关键点坐标；
基于所述标准的3d关键点坐标和所述rgb-d图像中的深度图，通过ceres优化，得到姿态参数，将所述姿态参数输入预设参数化模型，输出标准的点云数据集合p；
所述确定所述特征信息与所述标准特征信息之间的误差度，具体包括：
通过如下公式计算所述预测的点云数据集合
其中，norm为归一化因子。
具体地，从人体动作识别结果中提取的包含深度信息的特征信息为点云数据，即人体动作识别结果得到的预测的点云数据集合
其中，norm为归一化因子。
基于上述任一实施例，该方法中，所述标准算法为alphapose的2d关键点检测算法。
具体地，此处选用提取关键点准确性很高的alphapose的2d关键点检测算法作为标注算法，为了提高评价的准确性。
基于上述任一实施例，该方法中，所述特征信息为预测的人体轮廓点集合，记作
对应地，所述将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息，具体包括：
调用采集所述人体动作识别结果对应的待检测人体动作的rgb-d图像的深度相机的sdk，获取所述rgb-d图像对应的人体mask图像，将所述人体mask图像转换成标准的人体轮廓点集合s；
所述确定所述特征信息与所述标准特征信息之间的误差度，具体包括：
通过如下公式计算所述预测的人体轮廓点集合
其中，norm为归一化因子。
具体地，从人体动作识别结果中提取的包含深度信息的特征信息为人体轮廓信息，即人体动作识别结果得到的预测的人体轮廓点集合
其中，norm为归一化因子。
基于上述任一实施例，本发明实施例提供一种人体动作识别结果的评价装置，图2为本发明实施例提供的人体动作识别结果的评价装置的结构示意图。如图2所示，该装置包括预测单元210、标准单元220和误差单元230，其中，
所述预测单元210，用于将人体动作识别结果转换成特征信息，所述特征信息为3d关键点信息、点云数据或人体轮廓信息；
所述标准单元220，用于将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息；
所述误差单元230，用于确定所述特征信息与所述标准特征信息之间的误差度；
其中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的。
本发明实施例提供的装置，通过提取人体动作识别结果中的包含深度信息的3d关键点信息、点云数据或人体轮廓信息作为特征信息，然后再对人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息，计算所述特征信息与所述标准特征信息之间的误差值，用该误差值作为人体动作识别结果的评价指标。由于使用了包含深度信息的特征信息进行计算，使得人体动作识别结果与标准值之间的比较考虑了z维度，更适用于评价人体动作捕捉。因此，本发明实施例提供的装置，实现了评价人体动作识别结果时考虑深度信息，更适用于评价人体动作捕捉。
基于上述任一实施例，该装置中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的，具体包括：
将待检测人体动作的rgb-d图像进行预处理，得到无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图；
将所述无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图输入姿态参数识别模型，输出所述待检测人体动作的姿态参数、形态参数和位移参数；
其中，所述姿态参数识别模型是基于样本无背景像素干扰的rgb图像和无背景像素干扰的点云三维坐标图以及预先确定的对应于各样本无背景像素干扰的rgb图像的3d关键点坐标标签和三维点云标签进行训练后得到的，所述姿态参数识别模型训练时的损失函数基于关键点损失、平滑损失和点云损失构成；
将所述待检测人体动作的姿态参数、形态参数和位移参数输入参数化模型，输出人体动作识别结果。
基于上述任一实施例，该装置中，所述特征信息为预测的3d关键点集合，记作
对应地，所述标准单元，具体用于，
通过人工手动方式将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行人体关键点的标注，得到标准的3d关键点集合，记作k，并人工判断所述人体关键点是否有自身遮挡，根据遮挡结果形成由0和1构成的one-hot向量v；
所述确定所述特征信息与所述标准特征信息之间的误差度，具体包括：
通过如下公式计算所述预测的3d关键点集合
其中，norm为归一化因子，v为所述one-hot向量，当所述one-hot向量中第i个元素对应的人体关键点有自身遮挡，则所述第i个元素取值为0，否则，所述第i个元素取值为1，i＝1,2,3,…,nv，nv为向量v中元素的个数。
基于上述任一实施例，该装置中，所述特征信息为预测的点云数据集合，记作
对应地，所述标准单元，具体用于，
将所述人体动作识别结果对应的待检测人体动作的rgb-d图像中的rgb图像输入标注算法得到标准的2d关键点坐标，再将所述标准的2d关键点坐标转换为标准的3d关键点坐标；
基于所述标准的3d关键点坐标和所述rgb-d图像中的深度图，通过ceres优化，得到姿态参数，将所述姿态参数输入预设参数化模型，输出标准的点云数据集合p；
所述确定所述特征信息与所述标准特征信息之间的误差度，具体包括：
通过如下公式计算所述预测的点云数据集合
其中，norm为归一化因子。
基于上述任一实施例，该装置中，所述标准算法为alphapose的2d关键点检测算法。
基于上述任一实施例，该装置中，所述特征信息为预测的人体轮廓点集合，记作
对应地，所述标准单元，具体用于，
调用采集所述人体动作识别结果对应的待检测人体动作的rgb-d图像的深度相机的sdk，获取所述rgb-d图像对应的人体mask图像，将所述人体mask图像转换成标准的人体轮廓点集合s；
所述确定所述特征信息与所述标准特征信息之间的误差度，具体包括：
通过如下公式计算所述预测的人体轮廓点集合
其中，norm为归一化因子。
图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(communicationsinterface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储在存储器303上并可在处理器301上运行的计算机程序，以执行上述各实施例提供的人体动作识别结果的评价方法，例如包括：将人体动作识别结果转换成特征信息，所述特征信息为3d关键点信息、点云数据或人体轮廓信息；将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息；确定所述特征信息与所述标准特征信息之间的误差度；其中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的。
此外，上述的存储器303中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述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(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，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以执行上述各实施例提供的人体动作识别结果的评价方法，例如包括：将人体动作识别结果转换成特征信息，所述特征信息为3d关键点信息、点云数据或人体轮廓信息；将所述人体动作识别结果对应的待检测人体动作的rgb-d图像进行处理得到与所述特征信息对应的标准特征信息；确定所述特征信息与所述标准特征信息之间的误差度；其中，所述人体动作识别结果是对所述待检测人体动作的rgb-d图像进行处理得到的。
以上所描述的系统实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！