行人吸烟识别模型构建、识别方法、装置及电子设备与流程

1.本发明实施例涉及计算机技术领域，尤其涉及一种行人吸烟识别模型构建、识别方法、装置及电子设备。


背景技术：

2.吸烟不但危害身体健康，而且在某些区域吸烟会带来严重消防隐患。随着计算机技术的不断发展，使得通过结合视频监控和计算机视觉技术进行行人吸烟识别、告警成为可能。
3.目前的行人吸烟识别技术主要有以下几种：
4.第一种，通过可见光摄像头采集图像，通过卷积神经网络，直接检测是否含有香烟，或者检测人和烟两个类别，根据人和烟检测框相交情况判断是否吸烟。由于香烟在整个图像占比非常小，特别容易漏检和误检，导致该方法准确率不高。
5.第二种，通过可见光摄像头采集行人目标轨迹，与数据库中吸烟行人轨迹进行比对，判断是否有吸烟行为。该方案需要采集大量连续吸烟行为，在现实中是非常困难的，而且吸烟的动作非常多样化，很难考虑到各种情况。
6.第三种，通过可见光摄像头采集图像，进行人脸检测，然后将人脸区域输入分类器，分为有烟、无烟两个类别。同样，香烟在整个人脸区域占比非常小，使用分类器很难提取到烟的特征，分类效果不佳。
7.第四种，通过红外摄像头采集图像，通过阈值分割方法分割高温区域，进一步和香烟燃烧边界进行特征匹配。该方法依赖红外摄像头，无法应用于广泛使用的可见光摄像头，分割阈值随着不同环境有所变化不易确定，香烟燃烧区域小、边界不规则，实施难度大，且不能检测未点燃的香烟，不能提前预警。
8.综上可知，已有行人吸烟识别技术，存在准确率低、训练数据不易收集，不易实施，对硬件要求高等缺点。


技术实现要素：

9.本技术提供了一种行人吸烟识别模型构建、识别方法、装置及电子设备，以解决现有技术中的行人吸烟识别技术存在准确率低、训练数据不易收集，不易实施，对硬件要求高等的问题。
10.第一方面，本技术提供了一种行人吸烟识别模型构建方法，该方法包括：
11.收集行人图像，对行人图像中行人对应的部分图像进行标记，获取第一标记信息，将行人图像和第一标记信息，构成第一数据集；
12.收集吸烟行为图像，对用以指示吸烟行为的动作图像进行标记，获取第二标记信息，将吸烟行为图像和第二标记信息构成第二数据集；
13.收集携带有背景信息的香烟图像，对香烟图像进行图像处理后，与背景信息生成新的图像；
14.对新的图像中香烟图像进行标记，获取第三标记信息，将新的图像和第三标记信息，构成第三数据集；
15.利用第一数据集对第一目标检测模型进行训练，得到行人检测模型；
16.利用第二数据集第三数据集，对第二目标检测模型进行训练，得到吸烟检测模型；
17.根据行人检测模型和吸烟检测模型，构建行人吸烟识别模型。
18.第三方面，本技术提供了一种行人吸烟识别装置，该装置包括：
19.收集模块，用于收集行人图像；
20.标记模块，用于对行人图像中行人对应的部分图像进行标记，获取第一标记信息；
21.处理模块，用于将行人图像和第一标记信息，构成第一数据集；
22.收集模块，还用于收集吸烟行为图像；
23.标记模块，还用于对用以指示吸烟行为的动作图像进行标记，获取第二标记信息；
24.处理模块，还用于将吸烟行为图像和第二标记信息构成第二数据集；
25.收集模块，还用于收集携带有背景信息的香烟图像；
26.处理模块，还用于对香烟图像进行图像处理后，与背景信息生成新的图像；
27.标记模块，还用于对新的图像中香烟图像进行标记，获取第三标记信息；
28.处理模块，还用于将新的图像和第三标记信息，构成第三数据集；利用第一数据集对第一目标检测模型进行训练，得到行人检测模型；利用第二数据集第三数据集，对第二目标检测模型进行训练，得到吸烟检测模型；根据行人检测模型和吸烟检测模型，构建行人吸烟识别模型。
29.第四方面，本技术提供了一种行人吸烟识别装置，该装置包括：
30.获取模块，用于获取监控图像；
31.处理模块，用于利用行人检测模型对监控图像进行识别；当确定监控图像中包括行人时，利用吸烟检测模型对行人的行为图像进行识别，以确定行人是否存在吸烟行为。
32.第五方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
33.存储器，用于存放计算机程序；
34.处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例的行人吸烟识别模型构建方法的步骤；或者实现第二方面任一项实施例的行人吸烟识别方法的步骤。
35.第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项实施例的行人吸烟识别模型构建方法的步骤，或者实现如第二方面任一项实施例的行人吸烟识别方法的步骤。
36.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
37.本技术实施例提供的该方法，收集行人图像，然后对行人图像进行标记，获取第一标记信息，然后将第一标记信息和行人图像，构成第一数据集。再收集吸烟行为图像，并对用以指示吸烟行为的动作图像进行标记，然后获取第二标记信息。将吸烟行为图像和第二标记信息构成第二数据集。收集携带有背景信息的香烟图像，对香烟图像进行图像处理后，与背景图像生产新的图像。并对新的图像中的香烟图像进行标记，获取第三标记信息。将新的图像和第三标记信息，构成第三数据集。利用第一数据集对模型训练后，可以高精度的识
别行人图像，利用第二数据集和第三数据集，对吸烟检测模型进行识别，可以精准的识别到用户的吸烟行为。而这两个模型相结合，即可精准识别行人是否存在吸烟行为。本技术中，对于训练数据的收集没有特别的要求，对于硬件更是没有何种特殊需求，仅仅是对数据进行了如上述所介绍的特殊处理，即可精准识别行人吸烟行为，节省成本，操作简便，识别准确度高。
附图说明
38.图1为本发明实施例提供的一种行人吸烟识别模型构建方法流程示意图；
39.图2为本发明实施例提供的一种行人吸烟识别方法流程示意图；
40.图3为本发明提供的利用吸烟检测模型对行人的行为图像进行识别的方法流程示意图；
41.图4为本发明实施例提供的一种行人吸烟识别模型构建装置结构示意图；
42.图5为本发明实施例提供的一种行人吸烟识别装置结构示意图；
43.图6为本发明实施例提供一种电子设备结构示意图。
具体实施方式
44.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。
45.为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
46.针对背景技术中所提及的技术问题，本技术实施例提供了一种行人吸烟识别模型构建方法，具体参见图1所示，图1为本发明实施例提供的一种行人吸烟识别模型构建方法流程示意图，该方法步骤包括：
47.步骤110，收集行人图像，对行人图像中行人对应的部分图像进行标记，获取第一标记信息，将行人图像和第一标记信息，构成第一数据集。
48.具体的，收集行人图像，对行人图像中行人对应的部分图像进行标记，主要是收集携带有行人的背景图像，并在背景图像中识别行人，然后对行人对应的部分图像进行标记。
49.在一个可选的例子中，可以以标注框的形式对行人图像中行人对应的部分图像进行标记。当然，也可以采用其他形式标记，例如以椭圆形的圈圈将行人圈画出来，又或者以更精准的图像处理技术，直接“扣出”行人的部分，并以实线/虚线的形式对行人图像中行人对应的部分图像进行标记等等，生成第一标记信息。采用何种形式这里不做过多限定。然后，将行人图像和第一标记信息构成第一数据集，以备后续使用。
50.步骤120，收集吸烟行为图像，对用以指示吸烟行为的动作图像进行标记，获取第二标记信息，将吸烟行为图像和第二标记信息构成第二数据集。
51.具体的，收集吸烟行为图像。与行人图像类似的道理，该图像是包括有用以指示吸烟行为的动作图像的整体图像。在一个具体的例子中，例如对头、手以及香烟等结合用以指示吸烟行为的动作图像进行标注，比如行人手指掐烟，香烟在口中“吞云吐雾”的瞬间，或者
口中喷出烟雾等的图像。这些图像以类似标记行人的方式标记出来，生成第二标记信息。当然，也可以采用其他方式标记，这里不再过多赘述。
52.然后，将第二标记信息和吸烟行为图像构成第二数据集，以备后续使用。
53.步骤130，收集携带有背景信息的香烟图像，对香烟图像进行图像处理后，与背景信息生成新的图像。
54.具体的，携带有背景信息的香烟图像，例如是香烟盒中携带有香烟图像，香烟盒为背景，香烟盒上的香烟本身就是香烟图像。或者，某些用户吸烟的图像同样可以作为携带有背景信息的香烟图像。对香烟图像图像处理，例如随机改变香烟图像的大小，方向，颜色饱和度等等。然后再贴在背景图像上，合成新的图像。
55.对于香烟图像进行图像处理，是为了增加后续图像识别的泛化能力，也即是增加模型的识别能力。用以可以识别不同形态的香烟图像。
56.步骤140，对新的图像中香烟图像进行标记，获取第三标记信息，将新的图像和第三标记信息，构成第三数据集。
57.具体的，对新的图像中的香烟图像进行标记，获取第三标记信息。具体的操作方式同对行人图像的标记方式类似，这里不再赘述。将新的图像和第三标记信息，构成第三数据集，以备后续使用。
58.步骤150，利用第一数据集对第一目标检测模型进行训练，得到行人检测模型。
59.步骤160，利用第二数据集第三数据集，对第二目标检测模型进行训练，得到吸烟检测模型。
60.步骤170，根据行人检测模型和吸烟检测模型，构建行人吸烟识别模型。
61.具体的，如上所介绍的，第一数据集中包括有行人对应的部分图像所形成的第一标记信息，以及行人图像。通过对这两部分样本数据进行标记，并提取相应的图像特征，则可以实现对第一目标模型训练，用以识别行人图像中的行人。
62.类似的道理，第二数据集中吸烟行为图像，以及用以指示吸烟行为的动作图像。而第三数据集中，则是包含有经过处理后的香烟图像，以及携带有背景信息的香烟图像。通过这样的样本数据，则可以对第二目标检测模型进行训练，用以识别吸烟行为，也即是获取吸烟检测模型。
63.最终，根据行人检测模型和吸烟检测模型，构建行人吸烟识别模型。
64.用以识别图像中是否存在行人，且确定存在行人的情况下，检测行人是否存在吸烟行为。
65.可选的，利用第二数据集第三数据集，对第二目标检测模型进行训练，得到吸烟检测模型，具体包括：
66.合并第二数据集和第三数据集，构成第四数据集。然后利用第四数据集对目标检测模型进行训练，获取吸烟检测模型。
67.具体的训练过程为现有技术，这里不再过多赘述。
68.本发明实施例提供的行人吸烟识别模型构建方法，收集行人图像，然后对行人图像进行标记，获取第一标记信息，然后将第一标记信息和行人图像，构成第一数据集。再收集吸烟行为图像，并对用以指示吸烟行为的动作图像进行标记，然后获取第二标记信息。将吸烟行为图像和第二标记信息构成第二数据集。收集携带有背景信息的香烟图像，对香烟
图像进行图像处理后，与背景图像生产新的图像。并对新的图像中的香烟图像进行标记，获取第三标记信息。将新的图像和第三标记信息，构成第三数据集。利用第一数据集对模型训练后，可以高精度的识别行人图像，利用第二数据集和第三数据集，对吸烟检测模型进行识别，可以精准的识别到用户的吸烟行为。而这两个模型相结合，即可精准识别行人是否存在吸烟行为。本技术中，对于训练数据的收集没有特别的要求，对于硬件更是没有何种特殊需求，仅仅是对数据进行了如上述所介绍的特殊处理，即可精准识别行人吸烟行为，节省成本，操作简便，识别准确度高。
69.本发明实施例提供了一种行人吸烟识别方法，该行人吸烟识别方法可以使用如上实施例所介绍的行人吸烟识别模型进行识别，用以确定行人是否存在吸烟行为。具体参见图2所示，该方法包括如下步骤：
70.步骤210，获取监控图像，利用行人检测模型对监控图像进行识别。
71.步骤220，当确定监控图像中包括行人时，利用吸烟检测模型对行人的行为图像进行识别，以确定行人是否存在吸烟行为。
72.具体的，获取监控图像后，行人检测模型可以直接对图像进行识别。如果监控图像中存在行人，则继续利用吸烟检测模型对行人的行为图像进行识别，用于确定行人是否存在吸烟行为。
73.相反，当监控图像中不存在行人时，则不对监控图像做任何处理。
74.在一个可选的例子中，当确定监控图像中包括行人时，利用吸烟检测模型对行人的行为图像进行识别，具体包括如下方法步骤，参见图3所示，该方法包括：
75.步骤310，识别行为图像中的是否存在用以指示吸烟行为的动作图像。
76.步骤320，当确定行为图像中包括用以指示吸烟行为的动作图像后，确定包括动作图像的行为图像的数量。
77.步骤330，根据行为图像中包括动作图像的数量，确定行人是否存在吸烟行为。
78.具体的，吸烟检测模型可以对行人的行为图像进行识别，识别出该行为图像中是否存在用以指示吸烟行为的动作图像。如果确定行为图像中包括用以指示吸烟行为的动作图像，则确定包括该动作图像的数量。一旦数量超过预设数值，则可以确定行人存在吸烟行为，否则，确定行人没有吸烟行为。
79.在一个可选的例子中，动作图像包括：香烟，行人的头和/或手与香烟之间具有预设位置关系。
80.具体的，当确定动作图像中包括香烟，且确定行人的头和/或手，与香烟之间具有预设位置关系时，确定行为图像中存在用以指示吸烟行为的图像。
81.在一个具体的例子中，例如当行人手掐香烟后，将香烟送到嘴边的位置时，可以确定行人存在吸烟行为。或者，当行人手持打火机等物品点燃香烟时，可以确定行人存在吸烟行为。在具体通过行人吸烟识别模型实现上述识别操作时，可以通过上文所提及的标记信息来确定香烟，行人的头和/或手与香烟之间具有预设位置关系。
82.例如，检测框中包含以下三种情况判定为吸烟：(1)头、手、烟三个检测框相交。(2)头、烟检测框相交。(3)手、烟检测框相交。
83.可选的，在对行为图像中的动作图像进行识别之前，该方法还可以包括：对行为图像进行预处理。例如，根据头、手、烟相对大小和相对位置先验信息(预先配置的信息)去除
不合理的烟检测框。然后再根据行人的头和/或手与香烟之间具有预设位置关系判定行人是否存在吸烟行为。
84.本发明实施例提供的行人吸烟识别方法，具有如下优势：
85.第一、对于训练数据的收集没有特别的要求，对于硬件更是没有何种特殊需求，无需使用红外摄像头，普通摄像头即可采集所需图像。仅仅是对数据进行了如上述所介绍的特殊处理，即可精准识别行人吸烟行为；第二，获取数据简单，行人检测数据集极易获得，包含头和手的图像也极易获得，使用人工合成香烟图像可以大大增加香烟目标的数量。第三，准确率高。检测行人、头、手都可以达到很高的准确率。通过合成香烟图像，可以提高香烟召回率，同时，使用头、手、烟相对大小和相对位置信息可去除不合理的香烟检测框，再根据头、手、烟相交情况进一步去除误检。进一步，通过连续采集图像判断，可以避免背景图像疑似香烟的物体与头、手相交的情况。本发明具有高召回，低误判，整体正确率高的优点。第四， 4.吞吐量高。本发明先进行行人检测，行人目标较大容易检测，可使用小的网络输入和轻量化检测模型，保证了整体的高吞吐量。第五，检测结果丰富，提供多样化的结果。当头、手、烟检测框相交时，判定为手拿着烟在嘴上吸。当头、烟相交时，判定为嘴叼着烟。当手、烟相交时，判定为手拿着烟。可根据实际需求个性化返回结果。
86.以上，为本技术所提供的行人吸烟识别几个方法实施例，下文中则介绍说明本技术所提供的行人吸烟识别其他实施例，具体参见如下。
87.图4为本发明实施例提供的一种行人吸烟识别模型构建装置，该装置包括：收集模块401、标记模块402，以及处理模块403。
88.收集模块401，用于收集行人图像；
89.标记模块402，用于对行人图像中行人对应的部分图像进行标记，获取第一标记信息；
90.处理模块403，用于将行人图像和第一标记信息，构成第一数据集；
91.收集模块401，还用于收集吸烟行为图像；
92.标记模块402，还用于对用以指示吸烟行为的动作图像进行标记，获取第二标记信息；
93.处理模块403，还用于将吸烟行为图像和第二标记信息构成第二数据集；
94.收集模块401，还用于收集携带有背景信息的香烟图像；
95.处理模块403，还用于对香烟图像进行图像处理后，与背景信息生成新的图像；
96.标记模块402，还用于对新的图像中香烟图像进行标记，获取第三标记信息；
97.处理模块403，还用于将新的图像和第三标记信息，构成第三数据集；利用第一数据集对第一目标检测模型进行训练，得到行人检测模型；利用第二数据集第三数据集，对第二目标检测模型进行训练，得到吸烟检测模型；根据行人检测模型和吸烟检测模型，构建行人吸烟识别模型。
98.可选的，处理模块403具体用于，合并第二数据集和第三数据集，构成第四数据集；
99.利用第四数据集对第二目标检测模型进行训练，获取吸烟检测模型。
100.本发明实施例提供的行人吸烟识别装置中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述，因此这里不再赘述。
101.本发明实施例提供的一种行人吸烟识别装置，收集行人图像，然后对行人图像进
行标记，获取第一标记信息，然后将第一标记信息和行人图像，构成第一数据集。再收集吸烟行为图像，并对用以指示吸烟行为的动作图像进行标记，然后获取第二标记信息。将吸烟行为图像和第二标记信息构成第二数据集。收集携带有背景信息的香烟图像，对香烟图像进行图像处理后，与背景图像生产新的图像。并对新的图像中的香烟图像进行标记，获取第三标记信息。将新的图像和第三标记信息，构成第三数据集。利用第一数据集对模型训练后，可以高精度的识别行人图像，利用第二数据集和第三数据集，对吸烟检测模型进行识别，可以精准的识别到用户的吸烟行为。而这两个模型相结合，即可精准识别行人是否存在吸烟行为。本技术中，对于训练数据的收集没有特别的要求，对于硬件更是没有何种特殊需求，仅仅是对数据进行了如上述所介绍的特殊处理，即可精准识别行人吸烟行为，节省成本，操作简便，识别准确度高。
102.本发明实施例提供了一种行人吸烟识别装置，具体参见图5所示，该装置包括：获取模块501和处理模块502。
103.获取模块501，用于获取监控图像；
104.处理模块502，用于利用行人检测模型对监控图像进行识别；当确定监控图像中包括行人时，利用吸烟检测模型对行人的行为图像进行识别，以确定行人是否存在吸烟行为。
105.可选的，当确定监控图像中包括行人时，处理模块502具体用于，识别行为图像中的是否存在用以指示吸烟行为的动作图像；
106.当确定行为图像中包括用以指示吸烟行为的动作图像后，确定包括动作图像的行为图像的数量；
107.根据行为图像中包括动作图像的数量，确定行人是否存在吸烟行为。
108.可选的，动作图像包括：香烟，行人的头和/或手与香烟之间具有预设位置关系；
109.处理模块502具体用于，当确定动作图像中包括香烟，且确定行人的头和/或手，与香烟之间具有预设位置关系时，确定行为图像中存在用以指示吸烟行为的图像。
110.可选的，行人的头和/或手，与香烟之间具有预设位置关系，具体包括：
111.行人的头的位置和/或行人的手的位置，与香烟的位置相交。
112.本发明实施例提供的一种行人吸烟识别装置，具有如下优势：
113.第一、对于训练数据的收集没有特别的要求，对于硬件更是没有何种特殊需求，无需使用红外摄像头，普通摄像头即可采集所需图像。仅仅是对数据进行了如上述所介绍的特殊处理，即可精准识别行人吸烟行为；第二，获取数据简单，行人检测数据集极易获得，包含头和手的图像也极易获得，使用人工合成香烟图像可以大大增加香烟目标的数量。第三，准确率高。检测行人、头、手都可以达到很高的准确率。通过合成香烟图像，可以提高香烟召回率，同时，使用头、手、烟相对大小和相对位置信息可去除不合理的香烟检测框，再根据头、手、烟相交情况进一步去除误检。进一步，通过连续采集图像判断，可以避免背景图像疑似香烟的物体与头、手相交的情况。本发明具有高召回，低误判，整体正确率高的优点。第四， 4.吞吐量高。本发明先进行行人检测，行人目标较大容易检测，可使用小的网络输入和轻量化检测模型，保证了整体的高吞吐量。第五，检测结果丰富，提供多样化的结果。当头、手、烟检测框相交时，判定为手拿着烟在嘴上吸。当头、烟相交时，判定为嘴叼着烟。当手、烟相交时，判定为手拿着烟。可根据实际需求个性化返回结果。
114.如图6所示，本技术实施例提供了一种电子设备，包括处理器111、通信接口112、存
储器113和通信总线114，其中，处理器111，通信接口 112，存储器113通过通信总线114完成相互间的通信。
115.存储器113，用于存放计算机程序；
116.在本技术一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的行人吸烟识别模型构建方法，包括：
117.收集行人图像，对行人图像中行人对应的部分图像进行标记，获取第一标记信息，将行人图像和第一标记信息，构成第一数据集；
118.收集吸烟行为图像，对用以指示吸烟行为的动作图像进行标记，获取第二标记信息，将吸烟行为图像和第二标记信息构成第二数据集；
119.收集携带有背景信息的香烟图像，对香烟图像进行图像处理后，与背景信息生成新的图像；
120.对新的图像中香烟图像进行标记，获取第三标记信息，将新的图像和第三标记信息，构成第三数据集；
121.利用第一数据集对第一目标检测模型进行训练，得到行人检测模型；
122.利用第二数据集第三数据集，对第二目标检测模型进行训练，得到吸烟检测模型；
123.根据行人检测模型和吸烟检测模型，构建行人吸烟识别模型。
124.可选的，合并第二数据集和第三数据集，构成第四数据集；
125.利用第四数据集对第二目标检测模型进行训练，获取吸烟检测模型。
126.在本技术一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的行人吸烟识别方法，包括：
127.获取监控图像，利用行人检测模型对监控图像进行识别；
128.当确定监控图像中包括行人时，利用吸烟检测模型对行人的行为图像进行识别，以确定行人是否存在吸烟行为。
129.可选的，识别行为图像中的是否存在用以指示吸烟行为的动作图像；
130.当确定行为图像中包括用以指示吸烟行为的动作图像后，确定包括动作图像的行为图像的数量；
131.根据行为图像中包括动作图像的数量，确定行人是否存在吸烟行为。
132.可选的，动作图像包括：香烟，行人的头和/或手与香烟之间具有预设位置关系；
133.当确定动作图像中包括香烟，且确定行人的头和/或手，与香烟之间具有预设位置关系时，确定行为图像中存在用以指示吸烟行为的图像。
134.可选的，行人的头和/或手，与香烟之间具有预设位置关系，具体包括：
135.行人的头的位置和/或行人的手的位置，与香烟的位置相交。
136.本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的行人吸烟识别模型构建方法的步骤。
137.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些
要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
138.以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。