目标活体的识别方法及其装置、计算机可读存储介质与流程

1.本发明涉及图像识别领域，具体而言，涉及一种目标活体的识别方法及其装置、计算机可读存储介质。


背景技术：

2.目前视频监控技术飞速发展，监控过程会产生大量的数据。活体重识别技术可以从图像或视频序列中检测识别出特定的活体，对于安防监控、城市治安有重要意义。但是，由于活体图片可能存在光照过亮过暗、模糊、遮挡严重、姿态多样等问题，现有的方法将检测出的活体直接进行特征提取，提取出的特征不一定具备代表性，导致检索准确率不高，检索失败。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种目标活体的识别方法及其装置、计算机可读存储介质，以至少解决针对相关技术中针对视觉识别活体时的特征提取不全面导致识别不够准确的技术问题。
5.根据本发明实施例的一个方面，提供了一种目标活体的识别方法，包括：利用第一神经网络获取目标活体的位置信息，其中，所述第一神经网络为使用多组第一训练数据通过机器学习训练得到的，所述多组第一训练数据中的每一组第一训练数据均包括：目标活体的历史位置信息；基于所述位置信息并利用第二神经网络获取目标活体的活体关键点信息，其中，所述第二神经网络为使用多组第二训练数据通过机器学习训练得到的，所述多组第二训练数据中的每一组第二训练数据均包括：目标活体的历史活体关键点信息；基于所述活体关键点信息获取目标活体的分值向量，并将数据库中的历史分值向量与所述分值向量进行处理，获取相似度，且基于所述相似度，获取目标活体的识别结果，其中，所述分值向量为用于对所述活体的活体关键点信息进行描述而产生的向量，所述识别结果用于表征是否已成功识别所述目标活体。
6.可选地，所述活体关键点信息至少包括：人体五官的位置信息以及人体关节点的位置信息。
7.可选地，所述分值向量包括：亮度质量分值、清晰度分值、遮挡程度分值以及姿态分值，其中，所述亮度质量分值为基于所述目标活体所在区域的亮度质量获取到的向量，所述清晰度分值为基于采集到的所述目标活体的图像的图片清晰度所获取到的向量，所述遮挡程度分值为基于所述目标活体被干扰物遮挡的遮挡程度获取到的向量，所述姿态分值为基于所述目标活体的当前姿态来获取到的向量。
8.可选地，将数据库中的历史分值向量与所述分值向量进行处理之前，所述方法还包括：利用第三神经网络获取第一特征向量；将所述分值向量进行标准化处理，获取第一分值向量；对历史特征向量进行处理，获取与所述历史特征向量对应的所述历史分值向量。
9.可选地，利用第三神经网络获取第一特征向量，包括：基于所述位置信息通过所述第三神经网络获取所述目标活体的原始特征信息；将所述原始特征信息进行标准化处理，获取所述第一特征向量。
10.可选地，将数据库中的历史分值向量与所述分值向量进行处理，获取相似度，包括：基于第一特征向量、第一分值向量、历史特征向量以及历史分值向量利用第二公式获取所述相似度，其中，所述第二公式为：s为所述相似度，f1为所述第一分值向量，f2为所述历史分值向量，w1为所述第一特征向量，w2为所述历史特征向量。
11.可选地，基于所述相似度，获取目标活体的识别结果，包括：将所述相似度与预设阈值进行比对，获取相似度大于预设阈值的比对结果；选取相似度大于预设阈值的比对结果中所述相似度的数值最高的比对结果为所述目标活体的识别结果。
12.根据本发明实施例的另外一个方面，还提供了一种目标活体的识别装置，包括：第一获取模块，用于利用第一神经网络获取目标活体的位置信息，其中，所述第一神经网络为使用多组第一训练数据通过机器学习训练得到的，所述多组第一训练数据中的每一组第一训练数据均包括：目标活体的历史位置信息；第二获取模块，用于基于所述位置信息并利用第二神经网络获取目标活体的活体关键点信息，其中，所述第二神经网络为使用多组第二训练数据通过机器学习训练得到的，所述多组第二训练数据中的每一组第二训练数据均包括：目标活体的历史活体关键点信息；第一处理模块，用于基于所述活体关键点信息获取目标活体的分值向量，并将数据库中的历史分值向量与所述分值向量进行处理，获取相似度，且基于所述相似度，获取目标活体的识别结果，其中，所述分值向量为用于对所述活体的活体关键点信息进行描述而产生的向量，所述识别结果用于表征是否已成功识别所述目标活体。
13.可选地，所述活体关键点信息至少包括：人体五官的位置信息以及人体关节点的位置信息。
14.可选地，所述分值向量包括：亮度质量分值、清晰度分值、遮挡程度分值以及姿态分值，其中，所述亮度质量分值为基于所述目标活体所在区域的亮度质量获取到的向量，所述清晰度分值为基于采集到的所述目标活体的图像的图片清晰度所获取到的向量，所述遮挡程度分值为基于所述目标活体被干扰物遮挡的遮挡程度获取到的向量，所述姿态分值为基于所述目标活体的当前姿态来获取到的向量。
15.可选地，所述装置还包括：第三获取模块，用于将数据库中的历史分值向量与所述分值向量进行处理之前，利用第三神经网络获取第一特征向量；标准化处理模块，用于将所述分值向量进行标准化处理，获取第一分值向量；第二处理模块，用于对历史特征向量进行处理，获取与所述历史特征向量对应的所述历史分值向量。
16.可选地，所述第三获取模块，包括：第一获取单元，用于基于所述位置信息通过所述第三神经网络获取所述目标活体的原始特征信息；标准化处理单元，用于将所述原始特征信息进行标准化处理，获取所述第一特征向量。
17.可选地，所述第一处理模块，包括：第二获取单元，用于基于第一特征向量、第一分值向量、历史特征向量以及历史分值向量利用第二公式获取所述相似度，其中，所述第二公
式为：s为所述相似度，f1为所述第一分值向量，f2为所述历史分值向量，w1为所述第一特征向量，w2为所述历史特征向量。
18.可选地，所述第一处理模块，包括：第三获取单元，用于将所述相似度与预设阈值进行比对，获取相似度大于预设阈值的比对结果；选取单元，用于选取相似度大于预设阈值的比对结果中所述相似度的数值最高的比对结果为所述目标活体的识别结果。
19.根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述计算机可读存储介质所在设备执行上述中任一种所述的目标活体的识别方法。
20.根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行计算机程序，其中，所述计算机程序运行时执行上述中任一种所述的目标活体的识别方法。
21.在本发明实施例中，利用第一神经网络获取目标活体的位置信息，其中，第一神经网络为使用多组第一训练数据通过机器学习训练得到的，多组第一训练数据中的每一组第一训练数据均包括：目标活体的历史位置信息；基于位置信息并利用第二神经网络获取目标活体的活体关键点信息，其中，第二神经网络为使用多组第二训练数据通过机器学习训练得到的，多组第二训练数据中的每一组第二训练数据均包括：目标活体的历史活体关键点信息；基于活体关键点信息获取目标活体的分值向量，并将数据库中的历史分值向量与分值向量进行处理，获取相似度，且基于相似度，获取目标活体的识别结果，其中，分值向量为用于对活体的活体关键点信息进行描述而产生的向量，识别结果用于表征是否已成功识别目标活体。通过本发明实施例提供的目标活体的识别方法，达到了对活体关键点信息进行采集后基于此获取多个方面指标的特征向量后再将该向量在数据库中进行检索以判断检测的目标活体是否准确的目的，从而实现了提升视觉识别目标活体的准确性的技术效果，进而解决了针对相关技术中针对视觉识别活体时的特征提取不全面导致识别不够准确的技术问题。
附图说明
22.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
23.图1是根据本发明实施例的目标活体的识别方法的流程图；
24.图2是根据本发明实施例的目标活体的识别装置的示意图。
具体实施方式
25.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本发明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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.实施例1
28.根据本发明实施例，提供了一种目标活体的识别方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
29.图1是根据本发明实施例的目标活体的识别方法的流程图，如图1所示，该方法包括如下步骤：
30.步骤s102，利用第一神经网络获取目标活体的位置信息，其中，第一神经网络为使用多组第一训练数据通过机器学习训练得到的，多组第一训练数据中的每一组第一训练数据均包括：目标活体的历史位置信息；
31.可选的，首先使用目标检测神经网络检测活体位置(即目标活体的位置信息)，其中，所使用的目标检测神经网络包括但不限于：yolo网络、r-cnn系列网络、ssd等。
32.需要说明的是，活体指有生命的动植物体，包括但不限于：人类活体、动物活体。
33.步骤s104，基于位置信息并利用第二神经网络获取目标活体的活体关键点信息，其中，第二神经网络为使用多组第二训练数据通过机器学习训练得到的，多组第二训练数据中的每一组第二训练数据均包括：目标活体的历史活体关键点信息；
34.需要说明的是，活体检测模型，可使用神经网络模型，如ssd、retinanet、yolo系列网络等等；也可使用人工设计特征结合机器学习模型，如hog特征结合svm模型等。
35.步骤s106，基于活体关键点信息获取目标活体的分值向量，并将数据库中的历史分值向量与分值向量进行处理，获取相似度，且基于相似度，获取目标活体的识别结果，其中，分值向量为用于对目标活体的活体关键点信息进行描述而产生的向量，识别结果用于表征是否已成功识别目标活体。
36.需要说明的是，在活体数据库中，一个活体需保存多个活体特征及对应的分值向量。数据库检索过程中，设数据库中单个特征w2及对应分值向量f2。计算待查询活体特征与数据库活体特征的相似度，结合评分向量和特征向量进行计算。
37.由上可知，在本发明实施例中，首先可以利用第一神经网络获取目标活体的位置信息，其中，第一神经网络为使用多组第一训练数据通过机器学习训练得到的，多组第一训练数据中的每一组第一训练数据均包括：目标活体的历史位置信息；接着可以基于位置信息并利用第二神经网络获取目标活体的活体关键点信息，其中，第二神经网络为使用多组第二训练数据通过机器学习训练得到的，多组第二训练数据中的每一组第二训练数据均包括：目标活体的历史活体关键点信息；最后可以基于活体关键点信息获取目标活体的分值向量，并将数据库中的历史分值向量与分值向量进行处理，获取相似度，且基于相似度，获取目标活体的识别结果，其中，分值向量为用于对活体的活体关键点信息进行描述而产生的向量，识别结果用于表征是否已成功识别目标活体。通过本发明实施例提供的目标活体
的识别方法，达到了对活体关键点信息进行采集后基于此获取多个方面指标的特征向量后再将该向量在数据库中进行检索以判断检测的目标活体是否准确的目的，从而实现了提升视觉识别目标活体的准确性的技术效果，进而解决了针对相关技术中针对视觉识别活体时的特征提取不全面导致识别不够准确的技术问题。
38.作为一种可选的实施例，活体关键点信息至少包括：活体五官的位置信息以及活体关节点的位置信息。
39.在上述可选的实施例中，使用人体关键点提取网络提取人体关键点，人体关键点提取网络包括但不限于：openpose、cpn、hrnet等。
40.需要说明的是，提取的活体关键点包括但不限于17个关键点，分别是鼻子、左右眼、左右耳、左右肩、左右肘、左右腕、左右臀、左右膝、左右脚踝等。
41.作为一种可选的实施例，分值向量包括：亮度质量分值、清晰度分值、遮挡程度分值以及姿态分值，其中，亮度质量分值为基于目标活体所在区域的亮度质量获取到的向量，清晰度分值为基于采集到的目标活体的图像的图片清晰度所获取到的向量，遮挡程度分值为基于目标活体被干扰物遮挡的遮挡程度获取到的向量，姿态分值为基于目标活体的当前姿态来获取到的向量。
42.在上述可选的实施例中，可以计算评分向量，这里的评分向量包括亮度、清晰度、遮挡程度、姿态等分值。
43.(1)亮度质量分值可根据指定合适的亮度范围区间，该活体在指定区间内越靠近区间中心分值越高。一种亮度质量分值计算公式如下：
44.其中，f1为亮度分值，v为活体图像的平均灰度值，t1、t2为设置的阈值，可选为t1＝128，t2＝128。
45.需要说明的是，亮度质量分值根据亮度合适区间计算，可使用其它计算方式如高斯函数等。
46.(2)清晰度分值计算方法可使用梯度算法，如brenner梯度、laplacian梯度等，梯度越高表示图像越清晰，更加棱角分明。一种清晰度分值计算公式如下：
47.其中，f2为清晰度分值，w、h为活体图像的宽高，x为[0,w]范围，y为[0,h]范围，p(x,y)表示[0,1]范围的像素值。
[0048]
(3)遮挡程度分数(即遮挡分数分值)可使用神经网络分类器对被识别活体是否遮挡进行分类，神经网络最后一层为softmax层可输出遮挡概率值。遮挡程度分数记为f3。
[0049]
(4)姿态分值计算通过活体关键点结果进行计算。具体地，可以使用模板方法，即建立一个标准正面活体模板，设置活体模板的关键点位置，接着将检测出的关键点缩放至以模板大小为标准，对每个关键点，计算其与标准模板的对应关键点的距离值，并进行最大值截断。例如，检出的某关节关键点为(x1，y1)，模板中某关节关键点位置为(x2，y2)，计算公式如下：
[0050]
(5)组合上述分值形成分值向量并进行l2标准化，记为f1(即第一分值向量)。
[0051]
需要说明的是，当识别对象为人类时，则评分向量可以包括亮度、清晰度、遮挡程
度、姿态分值，也可包括人形衣着属性类型(包括上衣、裤子、鞋子、帽子、口罩等等)、人形肤色、人脸特征等。
[0052]
作为一种可选的实施例，将数据库中的历史分值向量与分值向量进行处理之前，方法还包括：利用第三神经网络获取第一特征向量；将分值向量进行标准化处理，获取第一分值向量；对历史特征向量进行处理，获取与历史特征向量对应的历史分值向量。
[0053]
在上述可选的实施例中，使用特征提取网络(即第三神经网络)提取行人特征，可使用resnet、mobilenet等，其中，提取的活体特征向量记为w1(即第一特征向量)。
[0054]
作为一种可选的实施例，利用第三神经网络获取第一特征向量，包括：基于位置信息通过第三神经网络获取目标活体的原始特征信息；将原始特征信息进行标准化处理，获取第一特征向量。
[0055]
作为一种可选的实施例，将数据库中的历史分值向量与分值向量进行处理，获取相似度，包括：基于第一特征向量、第一分值向量、历史特征向量以及历史分值向量利用第二公式获取相似度，其中，第二公式为：s为相似度，f1为第一分值向量，f2为历史分值向量，w1为第一特征向量，w2为历史特征向量。
[0056]
需要说明的是，f1(即第一分值向量)、f2(即历史分值向量)、w1(即第一特征向量)、w2(即历史特征向量)的模值设定为1，计算结果s为相似度，范围在[0,1]，s越大说明待查询活体与数据库该活体相似度越高。最终选取相似度大于设定阈值且相似度最高的活体作为检索结果，相似度阈值可设为0.75。
[0057]
作为一种可选的实施例，基于相似度，获取目标活体的识别结果，包括：将相似度与预设阈值进行比对，获取相似度大于预设阈值的比对结果；选取相似度大于预设阈值的比对结果中相似度的数值最高的比对结果为目标活体的识别结果。
[0058]
在上述可选的实施例中，将获取到的相似度与预设的相似度阈值进行比对，获取相似度大于预设相似度阈值的结果，并且在比对结果中选取相似度数据最高的比对结果作为目标活体的识别结果，该结果表明该次识别是否成功。
[0059]
由上可知，通过本发明实施例的目标活体的识别方法，使用了检测神经网络检测人形，结合使用活体关键点网络提取活体关键点，接着使用特征提取网络提取人形特征；然后，计算亮度、清晰度、遮挡程度、对称性等分值；最后，将计算出的评分向量和特征向量与数据库进行比对，得到检索结果，并且还结合目标活体评分向量和特征向量进行活体匹配，提高了对于目标活体的检索精度。
[0060]
实施例2
[0061]
根据本发明实施例的另外一个方面，还提供了一种目标活体的识别装置，图2是根据本发明实施例的目标活体的识别装置的示意图，如图2所示，包括：第一获取模块21、第二获取模块23以及第一处理模块25。下面对该目标活体的识别装置进行说明。
[0062]
第一获取模块21，用于利用第一神经网络获取目标活体的位置信息，其中，第一神经网络为使用多组第一训练数据通过机器学习训练得到的，多组第一训练数据中的每一组第一训练数据均包括：目标活体的历史位置信息；
[0063]
第二获取模块23，用于基于位置信息并利用第二神经网络获取目标活体的活体关键点信息，其中，第二神经网络为使用多组第二训练数据通过机器学习训练得到的，多组第
二训练数据中的每一组第二训练数据均包括：目标活体的历史活体关键点信息；
[0064]
第一处理模块25，用于基于活体关键点信息获取目标活体的分值向量，并将数据库中的历史分值向量与分值向量进行处理，获取相似度，且基于相似度，获取目标活体的识别结果，其中，分值向量为用于对活体的活体关键点信息进行描述而产生的向量，识别结果用于表征是否已成功识别目标活体。
[0065]
此处需要说明的是，上述第一获取模块21、第二获取模块23以及第一处理模块25对应于实施例1中的步骤s102至s106，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0066]
由上可知，在本发明实施例中，首先可以借助第一获取模块21利用第一神经网络获取目标活体的位置信息，其中，第一神经网络为使用多组第一训练数据通过机器学习训练得到的，多组第一训练数据中的每一组第一训练数据均包括：目标活体的历史位置信息；接着可以利用第二获取模块23基于位置信息并利用第二神经网络获取目标活体的活体关键点信息，其中，第二神经网络为使用多组第二训练数据通过机器学习训练得到的，多组第二训练数据中的每一组第二训练数据均包括：目标活体的历史活体关键点信息；最后可以利用第一处理模块25基于活体关键点信息获取目标活体的分值向量，并将数据库中的历史分值向量与分值向量进行处理，获取相似度，且基于相似度，获取目标活体的识别结果，其中，分值向量为用于对活体的活体关键点信息进行描述而产生的向量，识别结果用于表征是否已成功识别目标活体。通过本发明实施例提供的目标活体的识别方法，达到了对活体关键点信息进行采集后基于此获取多个方面指标的特征向量后再将该向量在数据库中进行检索以判断检测的目标活体是否准确的目的，从而实现了提升视觉识别目标活体的准确性的技术效果，进而解决了针对相关技术中针对视觉识别活体时的特征提取不全面导致识别不够准确的技术问题。
[0067]
可选地，活体关键点信息至少包括：人体五官的位置信息以及人体关节点的位置信息。
[0068]
可选地，分值向量包括：亮度质量分值、清晰度分值、遮挡程度分值以及姿态分值，其中，亮度质量分值为基于目标活体所在区域的亮度质量获取到的向量，清晰度分值为基于采集到的目标活体的图像的图片清晰度所获取到的向量，遮挡程度分值为基于目标活体被干扰物遮挡的遮挡程度获取到的向量，姿态分值为基于目标活体的当前姿态来获取到的向量。
[0069]
可选地，该装置还包括：第三获取模块，用于将数据库中的历史分值向量与分值向量进行处理之前，利用第三神经网络获取第一特征向量；标准化处理模块，用于将分值向量进行标准化处理，获取第一分值向量；第二处理模块，用于对历史特征向量进行处理，获取与历史特征向量对应的历史分值向量。
[0070]
可选地，第三获取模块，包括：第一获取单元，用于基于位置信息通过第三神经网络获取目标活体的原始特征信息；标准化处理单元，用于将原始特征信息进行标准化处理，获取第一特征向量。
[0071]
可选地，第一处理模块，包括：第二获取单元，用于基于第一特征向量、第一分值向量、历史特征向量以及历史分值向量利用第二公式获取相似度，其中，第二公式为：
s为相似度，f1为第一分值向量，f2为历史分值向量，w1为第一特征向量，w2为历史特征向量。
[0072]
可选地，第一处理模块，包括：第三获取单元，用于将相似度与预设阈值进行比对，获取相似度大于预设阈值的比对结果；选取单元，用于选取相似度大于预设阈值的比对结果中相似度的数值最高的比对结果为目标活体的识别结果。
[0073]
实施例3
[0074]
根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序被处理器运行时控制计算机可读存储介质所在设备执行上述中任一种的目标活体的识别方法。
[0075]
实施例4
[0076]
根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行计算机程序，其中，计算机程序运行时执行上述中任一种的目标活体的识别方法。
[0077]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0078]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0079]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0080]
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。
[0081]
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。
[0082]
所述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，可以存储在一个计算机可读取存储介质中。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(可为个人计算机、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、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0083]
以上所述仅是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。