一种针对光切式的基于半有序点云的三维重建方法

1.本发明涉及三维重建技术领域，尤其涉及一种针对光切式的基于半有序点云的三维重建方法。


背景技术：

2.三维重建技术在诸如工业、建筑业、生物医疗、交通运输、航天军工等领域中均有广泛的应用前景，其中数字点云的准确获取是三维重建的关键环节。光学主动式非接触三维点云获取方法由于测量精度高、有效信息量大，常用于复杂目标的高精度重建。目前常用的是各种原理的三维激光扫描仪，飞行时间法(tof法)依赖时间分辨力，对设备参数要求较高，价格昂贵且难以适应复杂环境；光学干涉测量法(如莫尔条纹法)的工作范围主要依赖于基准光栅的尺寸，无法对较大尺寸物体进行重建，且测量稳定性较差；相位测量轮廓术(又名光栅投影法)的测量范围较小、测量环境要求严格，也难以推广至实际应用。结构光三角法作为一种非接触高精度测量方法，在保留了无磨损、效率高、精度高、成本低等优点的基础上，环境适应性更强，测量鲁棒性更高，应用场景更加广泛，测量精度最高可达微米级别，因而受到较多的关注。
3.传统的结构光三角法结合成熟的光条纹中心线提取算法可获取当前光平面内目标轮廓的坐标信息，若辅以第三自由度的移动装置可得到当前覆盖场景的完整三维信息。当测量各截面层叠的偏移量信息时，若被测目标为刚性或静态时，则可将其转换为位移量，此类方式获取的点云精度较大程度上受光三角系统和移动装置的参数及性能的影响。当被测目标为非刚性或动态时，上述方法所获取的相邻两帧信息不具备空间强相关性，直接进行数据拟合获取的结果置信度不高，不足以完成此类场景的高精度三维重建。
4.另外，单帧情况下的结构光成像条纹具有一定的厚度，二维图像涵盖了多维特征下的信息如某一方向上的光强分布信息、边界方程的法向信息、灰度值概率密度函数信息等。若像传统方法所述，单利用其中心线映射求取某深度坐标的信息，则信息利用度极低，且难以建立置信度较高的局部区域内的拓扑信息。
5.在点云的实际应用中，由于待重建目标中复杂多部位造成的自相互遮挡，或测量环境及目标物的表面特性引入的噪声，亦或是前端设备的扫描不完整/死区和数据丢失等固有局限性，常做成点云缺失引起的孔洞现象。这些孔洞使得真实世界对象获得的多边形网格表现出不合算法设计标准的缺陷，如退化的元素、自相交/重叠部分、表面孔等，限制了点云的应用场景。此外，在动态场景下获取的原始点云亦会因目标物的相对运动速度快、采集设备功能或参数受限、场景组成成分复杂等原因，出现数据缺失造成的孔洞现象，进而影响点云的准确性、均匀性和有效性，无法满足后续建模等点云处理算法的需求。同时，在对点云模型进行大规模形变时，模型亦会出现裂缝等现象。
6.针对离散点云已有各类经典的点云孔洞修补算法，但这些算法存在一些缺陷，一方面，部分算法关注于普适性，将孔洞修补问题转化为曲面闭合问题。这固然使得算法的运算效率以及健壮性较高，修补的结果可行可控，但相应地会丢失局部细节特征，进而降低数
据整体的保真效果和点云的质量。另一方面，其余算法更多关注于对点云的细节特征的处理，追求更高置信度的缺失数据的还原。这种操作时而会引入混乱拓扑结构或自相交面片等错误，还需要对算法参数进行适应性的调整或人为的干预。同时，这些算法所追求的目标与实施手段，并不完全适应于半有序点云这一维度介于散乱点云和有序点云中间的目标。
7.因此，本发明提出了一种针对光切式的基于半有序点云的三维重建方法，在经典结构光三角法的基础上，获取半有序点云，既具有离散点云的灵活性，又具有有序点云的规则性，非常适用于高精度三维重建。同时针对半有序点云，通过在孔洞区域建立贝叶斯概率模型，结合点云的特异性分布对待增长区域进行最大似然参数估计，能够最大限度的综合考量局部特征与全局优化。


技术实现要素：

8.为实现上述目的，本发明提供了一种针对光切式的基于半有序点云的三维重建方法，包括：
9.步骤1：定义点云格式为：
[0010][0011]
xi,yi,zi属于点云内pi点的三维坐标信息；ni代表pi点在当前帧平面上的法向信息；代表pi点与当前移动轴上的两端临近点的法向信息；ii代表pi点的光强信息；id代表pi点所属的离散属性类别；
[0012]
步骤2：选取目标物件进行扫描，获得半有序点云；
[0013]
步骤3：分析测量数据的误差来源；
[0014]
步骤4：检测并提取点云模型中的孔洞边界；
[0015]
步骤5：基于贝叶斯模型对点云孔洞进行修补。
[0016]
进一步地，所述步骤2包括：
[0017]
在结构光三角法的基础上，在离散点云中添加光条纹中的法矢信息、光强信息；当各截面层叠的偏移量能够满足相邻两帧的激光条纹涵盖的矢量信息在当前延长线上不平行时，通过在厚度光条纹中建立时空场模型，即可在统一世界坐标系内建立预设置信度下的拓扑结构信息，进而获取到维度介于离散点云和有序点云间的所述半有序点云。
[0018]
进一步地，所述步骤3中的所述误差来源包括：结构光宽度、准直度、漂移引入的随机误差，光切系统搭建过程中引入的系统误差，测量环境中的各类噪声引入的随机误差。
[0019]
进一步地，所述光切系统采用交叉点算法进行标定。
[0020]
进一步地，所述步骤4包括：
[0021]
步骤4.1：选取所述半有序点云中的一点pi，在所述点云模型中搜索并生成其邻域点集t(p)；
[0022]
步骤4.2：计算该点pi的协方差矩阵，求解其最小特征值对应的特征向量，及切平面法向量；
[0023]
步骤4.3：将t(p)投影至切平面的单位圆内，得到映射点集t
′
(p)；
[0024]
步骤4.4：判断该点pi是否为待定点；
[0025]
步骤4.5：根据所述点云模型中的先验信息判断该点pi是否为孔洞边界点，不符合要求则剔除该点；
[0026]
步骤4.6：返回步骤4.1直至完成所有待判定点的循环；
[0027]
步骤4.7：复验各孔洞边界点的邻域是否存在其它边界点，判定是否为伪边界点。
[0028]
进一步地，所述步骤4.4包括：
[0029]
计算所述映射点集t
′
(p)内各点与左右两侧点的最大夹角θi，令θ
max
＝max{θi}；若θ
max
大于判定阈值，则该点pi为待定点；否则该点pi为内点。
[0030]
进一步地，所述步骤5包括：
[0031]
步骤5.1：设定待重建目标或场景的真实值集合o和测量值集合m，其中所述测量值集合m是由所述真实值集合o产生且包含统计误差，其描述模型为p(m|o)；
[0032]
步骤5.2：假设测量过程为无偏估计，在贝叶斯定律下以统计概念描述测量过程，以给定所述测量值集合m后重建集合恰好为所述真实集合o的概率为：
[0033][0034]
步骤5.3：确定p(o|m)最大化情况下对应的集合o：
[0035][0036]
步骤5.4：确定在某一次测量过程中获得的点云中，m个点均与所述测量值集合m中的某一个点取得映射关系：
[0037][0038]
其中，测量点mi是由原始点oi附带符合概率密度pi(oi+δx)的测量误差而产生的；
[0039]
步骤5.5：光切系统中的误差以高斯分布为主且各项误差相互独立，重建点符合pi(m
i-δx)：
[0040][0041]
步骤5.6：设定先验集合由密度先验、黎曼流形先验和离散属性特征先验组成，三者相互独立：
[0042][0043]
其中，z是一个归一化常数，代表集合中所有其他因子的积分；w(o)是窗口函数，框定所述点云模型中待修补范围，并使目标函数可积。
[0044]
进一步地，所述密度先验的定义为：
[0045]
在框定区域内定义一个非等概率随机势p
dist
，表征在成正比的邻域半径内，概率密度在期望点处有一个局部最大值：
[0046][0047]
其中，n
δ
(x)表示点x的半径δ内的所有包含在集合o内的点集；半径δ由当前待修补孔洞的扩张区域迭代计算得出；n根据原始点云模型的奇异度正相关递增。
[0048]
进一步地，所述黎曼流形先验的定义为：
[0049]
将原始点云的分布问题转化为黎曼流形上的若干分量函数的和的无约束优化问题：
[0050][0051]
其中，l是一个完备的黎曼流形，函数fi是定义在l上的凸函数；
[0052]
定义t
p
l为所述流形l在点p处的切空间，tl＝∪
p∈m
t
p
l表示所述流形l的切丛，χ(l)表示所述流形l上的向量场空间；则有如下引申定义：
[0053]
(1)对每个p∈l定义一个t
p
l上的内积g(p)＝《,
·
〉
p
，则称g＝{《
·
,
·
》
p
}
p∈l
＝{g(p)}
p∈l
为所述流形l上的一个黎曼度量，称(l,g)为一个黎曼流形，且g∈t
0,2
l是二阶协变张量场；
[0054]
(2)设为所述黎曼流形(l,g)上的levi-civita联络，γ:[a,b]
→
l是所述黎曼流形(l,g)中的光滑曲线，则称为γ的测地曲率向量，其中γ
′
(t)表示γ在t处的导数；若则称曲线γ为所述流形l中的测地线；
[0055]
(3)若(l,g)为一个光滑黎曼流形，给定p∈l，v∈t
p
l，则存在唯一的测地线γv:[a,b]
→
l使得γv(a)＝p和γ
′v(a)＝v；其中，当γ:[a,b]
→
l为一条测地线时，‖γ
′
‖为常数；当且仅当‖γ
′
‖＝1时，γ为正规测地线；
[0056]
对应其中的黎曼流形上增量次梯度算法流程如下：
[0057]
a)任取点x0∈l，同时令k＝0；
[0058]
b)对目标函数进行最优化检验：若则停止迭代；否则令ψ
0,k
＝xk，i＝1，进入下一步骤；
[0059]
满足αk》0的点列；
[0060]
e)按上述步骤c)和d)，循环计算至i＝m的情况，求取ψ
m,k
，令其等于x
k+1
；
[0061]
令k＝k+1，返回步骤b)进行最优化检验。
[0062]
进一步地，所述离散属性特征先验的定义为：
[0063]
确定一个点是否属于区域、边界和角点的类型，其中，所述区域定义为平滑连接曲面，所述边界定义为各曲面之间的边界线，所述角点定义为n≥2个边界相交处；其中，
[0064]
(1)所述点云模型中包含上述离散特征点在内的一定半径内的邻近区域，称为特殊区域；
[0065]
(2)所述点云模型由各边界线分成独立不耦合的平滑区域，且该区域不包含离散特征点，称为普通区域；边界点同属于两个相邻区域；
[0066]
(3)在所述特殊区域中：所述边界的概率随着局部邻域的曲率而增长；所述角点的概率取决于邻域内的边界交点数量；
[0067]
(4)所述角点只能特殊存在于一定半径邻域内包含两个及以上的边界线交汇处，
且其概率分布应满足各边界线彼此优化同一后的回归线；
[0068]
(5)定义于所述密度先验、所述黎曼流形先验中的邻域在此过程中被限制为同一邻域，不再额外划分属性。
[0069]
相比现有技术，本发明的有益效果在于：首次提出了一种针对半有序点云的贝叶斯孔洞区域修补算法，且该算法在细节/结构保留性、健壮性、准确性、鲁棒性等存在一系列优势。特别是结合半有序点云的自身特点，在孔洞边界检测和先验知识优化过程中尽可能采用已有参数量，大大减少了同类方法中的低效计算过程，且无需担心繁杂的处理流程引入的拓扑定义错误、自相交混乱等问题。此外，三类先验函数的引入，既保证了算法在普适环境中的可行可控，还综合考量了全局优化与局部特征的结合，进一步提高了算法的容错率、噪声容限以及修复结果的高结构质量。
[0070]
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
[0071]
图1是本发明高精度光切系统结构图；
[0072]
图2是本发明实测的3d打印兔耳的点云孔洞与算法修补结果；
[0073]
图3是本发明的算法原理流程图。
具体实施方式
[0074]
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
[0075]
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
[0076]
本发明提供了一种针对光切式的基于半有序点云的三维重建方法，获取半有序点云，然后针对半有序点云运用贝叶斯孔洞区域修补算法。在经典结构光三角法的基础上，在离散点云中添加光条纹中的法矢信息、光强信息等高维信息。当各截面层叠的偏移量能够满足相邻两帧的激光条纹涵盖的矢量信息在当前延长线上不平行时，通过在厚度光条纹中建立时空场模型，即可在统一世界坐标系内建立预设置信度下的拓扑结构信息，进而获取到维度介于经典的离散点云和有序点云间的结果，称之为半有序点云。其中，时空场模型包括在相邻两帧数据内耦合时间、空间参数，如法向、采样时间、概率密度分布函数、灰度分布等参数指标，使得两帧数据非独立。一般来说，只要在某坐标轴下建立对应的联立关系，均可称之为半有序。对于置信度，例如可将置信度为0时对应离散点云，置信度为1时对应有序点云，置信度介于两者之间为半有序点云。半有序点云既具有离散点云的灵活性，又具有有序点云的规则性，非常适用于高精度三维重建。这种半有序点云能够提供特有的某一轴向下的法向量集以及其它更高维度的信息，提高信息利用度和置信度。光切系统所获取的半有序点云能够提供特有的某一轴向下的法向量集以及其它更高维度的信息。针对半有序点云，在孔洞区域建立贝叶斯概率模型，结合点云的特异性分布对待增长区域进行最大似然
参数估计。核心是借助贝叶斯概率模型，辅以针对性的密度、黎曼流形和离散属性三类先验知识，能够最大限度的综合考量局部特征与全局优化。
[0077]
如图1所示，本发明的三维重建方法基于光切系统实施。光切系统的主要构件包括激光光源(线或面)、三角成像系统、扫描机构等。其中光切系统的移动方式可根据使用场景调整为平移、自旋转、俯仰扫描或多自由度组合等类型。较佳地，激光光源可以选用osela的sl-660-130-rs-a-60线结构光光源，三角成像系统可以选用daheng imaging的mars-1230-23u3c相机、computar的v1228-mpy2镜头，扫描机构可以选用广州恒洋电子科技有限公司的ldy-3-300一轴电动平移台。
[0078]
本发明的三维重建方法，包括如下步骤：
[0079]
步骤1：定义点云格式为：
[0080][0081]
xi,yi,zi属于点云内pi点的三维坐标信息；ni代表pi点在当前帧平面上的法向信息；代表pi点与当前移动轴上的两端临近点的法向信息；ii代表pi点的光强信息；id代表pi点所属的离散属性类别。被测目标是多样化的。当为静态/刚性/简单目标时，可以直观定义边界、耦合边、角点、顶点等离散属性。但当为动态/非刚性/复杂目标时，离散属性的定义取决于点云数据的高维特征，维度不定，不拘泥于具体表现形式。
[0082]
步骤2：选取目标物件进行扫描，获得半有序点云；
[0083]
步骤3：分析测量数据的误差来源：a)结构光宽度、准直度、漂移等特性引入的随机误差；b)光切系统搭建过程中引入的系统误差(动态或静态参数的变化)；c)测量环境中的各类噪声引入的随机误差。因此，该系统采用交叉点算法进行标定，经0等级量块验证其测量精度为28μm。交叉点算法可以采用中国专利公开文档cn110470239a中所描述的算法。
[0084]
步骤4：检测并提取半有序点云模型中的孔洞边界；
[0085]
步骤5：基于贝叶斯模型对点云孔洞进行修补。
[0086]
进一步地，如图2和图3所示，步骤4具体包括：
[0087]
步骤4.1：选取点云中的一点pi，在模型中搜索并生成其邻域点集t(p)；
[0088]
步骤4.2：计算该点pi的协方差矩阵，求解其最小特征值对应的特征向量，及切平面法向量；
[0089]
步骤4.3：将t(p)投影至切平面的单位圆内，得到映射点集t
′
(p)；
[0090]
步骤4.4：判断该点pi是待定点，还是内点。
[0091]
计算t
′
(p)内各点与左右两侧点的最大夹角θi，令θ
max
＝max{θi}。若θ
max
大于判定阈值，则pi为待定点；否则pi为内点；
[0092]
步骤4.5：根据点云模型中各先验信息(基于形状、断点、采样空间等信息)判定pi是否为孔洞边界点，不符合要求则剔除该点；
[0093]
步骤4.6：返回步骤4.1直至完成所有待判定点的循环；
[0094]
步骤4.7：复验各孔洞边界点的邻域是否存在其它边界点，判定是否为伪边界点。
[0095]
进一步地，步骤5对边界点和窗口函数进行分类，建立贝叶斯模型，引入密度、黎曼流形、离散特征属性三类先验知识，对待增长区进行最大似然估计和重建，完成孔洞修补。具体包括：
[0096]
步骤5.1：设定待重建目标或场景的真实值集合o和测量值集合m，其中m是由o产生
且包含统计误差，其描述模型为p(m|o)。生成一个的概率空间，其中n是原始点的数量，m是测量点的数量，ω,ωo,ωm、和表征空间概念。
[0097]
步骤5.2：假设测量过程为无偏估计，在贝叶斯定律下以统计概念描述测量过程，以给定测量值集合m后重建集合恰好为真实集合o的概率为：
[0098][0099]
p(m)：重建集合为m的概率；p(o)：重建集合为o的概率；ωo为贝叶斯估计区间。
[0100]
步骤5.3：确定p(o|m)最大化情况下对应的集合o：
[0101][0102]
步骤5.4：确定在某一次测量过程中获得的点云(n＞m)中，m个点均与测量值集合m中的某一个点取得映射关系：
[0103][0104]
其中，测量点mi是由原始点oi附带符合概率密度pi(oi+δx)的测量误差而产生的。
[0105]
步骤5.5：光切系统中的误差以高斯分布为主且各项误差相互独立，重建点符合pi(m
i-δx)：
[0106][0107]
步骤5.6：设定先验集合由三个主要成分组成：密度先验、黎曼流形先验和离散属性特征的先验，三者相互独立：
[0108][0109]
其中，z是一个归一化常数，代表集合中所有其他因子的积分。w(o)是窗口函数，框定点云模型中待修补范围，并使目标函数可积；p
density
(o)表示真实值集合o的密度先验函数，p
riemann
(o)表示真实值集合o的黎曼流形先验函数，p
discrete
(o)表示真实值集合o的离散属性特征先验函数。
[0110]
三类先验函数的定义及构成为：
[0111]
密度先验函数：理想情况下(原始点云是由已知运动方向的光切系统扫描所记录，或点云数据中有一定的标志位)，点云内各点的位置期望值具有可推测性，按照结构光在某一时刻下的单帧成像平面(xoz平面)的分辨力直接的设定采样空间，使其完全映射等同于成像器件分辨力，则该点云模型于每个采样间隔的帧数据在垂直于移动方向的投影面上的完整点数应一致。同时，第三移动方向(y轴)的相邻几帧的时空间隔应有较强的相似性，即间隔距离趋于一致。
[0112]
当点云的实际情况不直接支持此类操作时，则通过评估相邻点间的期望距离来优化采样空间，将半有序点云的密度理论拓展至普通点云模型中。在框定区域内定义一个非等概率随机势p
dist
，表征在成正比的邻域半径内，概率密度在期望点处有一个局部最大值：
[0113][0114]
其中，n
δ
(x)表示点x的半径δ内的所有包含在集合o内的点集。半径δ由当前待修补孔洞的扩张区域迭代计算得出。n可根据原始点云模型的奇异度正相关递增，一般取6为宜。
[0115]
黎曼流形先验函数：将原始点云的分布问题转化为黎曼流形上的若干分量函数的和的无约束优化问题：
[0116][0117]
其中，l是一个完备的黎曼流形，函数fi是定义在l上的凸函数。由于点云待重建曲面的单向性和闭合性，则黎曼流形上的增量次梯度算法必在凸集上收敛。
[0118]
同时，本发明定义t
p
l为流形l在点p处的切空间，tl＝∪
p∈m
t
p
l表示流形l的切丛，χ(l)表示l上的向量场空间。则有如下引申定义：
[0119]
(1)对每个p∈l定义一个t
p
l上的内积g(p)＝〈
·
,
·
》
p
，则称g＝{《
·
,
·
》
p
}
p∈l
＝{g(p)}
p∈l
为流形l上的一个黎曼度量，称(l,g)为一个黎曼流形，且g∈t
0,2
l是二阶协变张量场。
[0120]
(2)设为黎曼流形(l,g)上的levi-civita联络，γ:[a,b]
→
l是黎曼流形(l,g)中的光滑曲线，则称为γ的测地曲率向量(或加速度)，其中γ
′
(t)表示γ在t处的导数。若则称曲线γ为l中的测地线。
[0121]
(3)若(l,g)为一个光滑黎曼流形，给定p∈l，v∈t
p
l，则存在唯一的测地线γv:[a,b]
→
l使得γv(a)＝p和γ
′v(a)＝v。其中，当γ:[a,b]
→
l为一条测地线时，‖γ
′
‖为常数；当且仅当‖γ
′
‖＝1时，γ为正规测地线。
[0122]
对应其中的黎曼流形上增量次梯度算法流程如下：
[0123]
f)任取点x0∈l，同时令k＝0；
[0124]
g)对目标函数进行最优化检验：若则停止迭代；否则令ψ
0,k
＝xk，i＝1，进入下一步骤；
[0125]
满足αk》0的点列；
[0126]
j)按上述步骤c)和d)，循环计算至i＝m的情况，求取ψ
m,k
，令其等于x
k+1
；
[0127]
k)令k＝k+1，返回步骤b)进行最优化检验。
[0128]
离散属性先验函数：本发明使用光切系统获取原始数据的方式，对点云中的各点赋以额外的离散属性标记：确定一个点是否属于区域(平滑连接曲面)、边界(各曲面之间的边界线)、角点(n≥2个边界相交处)的类型。其中，我们做出如下定义：
[0129]
(1)点云模型中包含上述离散特征点在内的一定半径内的邻近区域，称为特殊区域；
[0130]
(2)点云模型由各边界线分成独立不耦合的平滑区域，且该区域不包含离散特征点，称为普通区域。边界点同属于两个相邻区域；
[0131]
(3)在特殊区域中：边界定义的概率随着局部邻域的曲率而增长；角点定义的概率取决于邻域内的边界交点数量；
[0132]
(4)角点只能特殊存在于一定半径邻域内包含两个及以上的边界线交汇处，且其概率分布应满足各边界线彼此优化同一后的回归线；
[0133]
(5)定义于密度先验函数、黎曼流形先验函数中的邻域在此过程中被限制为同一邻域，不再额外划分属性。
[0134]
为了在孔洞修补过程中偏向保留局部细节的特征，本发明将离散特征的优化过程建立在其他先验函数估计之上。即迭代估计离散和连续属性分配的概率时，应使用前两阶段的全局连续估计结果。考虑到平滑效果与边缘概率的估计相矛盾，此过程中的曲率先验惩罚项的影响应设置为零。在优化收敛之后，再将作为边缘点的概率分配给高曲率点。
[0135]
采用协方差矩阵法估计点云模型中各点的法向量，进而保证修补后的模型正确性。同时，为了避免采样条件引起的先验信息变化，本发明使用几何定义，确定一个直径ε的约包含20-40个点的集合，并在该集合内用pca建立局部坐标系，即所有点是在n方向上的稀疏高度场。
[0136][0137]
其中，n
δ
(x)表示点x的半径γ内的所有包含在集合o内的点集。γ一般为点间平均距离(密度)的3-4倍；gi为高斯密度函数；ni为由协方差矩阵法估计的每个目标点的法向；o
t
为当前待估计目标点。
[0138]
本发明将点云模型中的孔洞修复问题，转化为贝叶斯框架下的根据训练样本进行最大似然估计的问题。并将条件概率密度这一先验信息结合点云自身特征，细分为三种先验函数，使用局部拟合模型去近似点云模型，提高了估计结果的准确性与置信度。
[0139]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。