注意力检测方法及装置与流程

1.本发明涉及安全驾驶技术领域，尤其涉及一种注意力检测方法及装置。


背景技术：

2.随着科技的发展，智能手机、平板电脑和车辆信息系统等智能电子设备使得驾驶人注意力分散的概率大大提升，极易产生安全隐患引发交通事故，危害生命与财产安全。由于基于视觉的驾驶员注意力检测方法能够非侵入式地提取驾驶员的视觉图像信息，并且不受外部干扰的影响，因此，视觉特征是驾驶员注意力检测方法中应用最广泛的信息。
3.目前，大多利用车端的检测模型直接对原始图像进行分类来检测驾驶员注意力状态。然而，车端对深度学习模型容忍度较差，且需要考虑在车载芯片部署的问题，是的无法发挥模型的优势，容易造成检测结果不准。


技术实现要素：

4.本发明提供一种注意力检测方法及装置，用以解决现有技术中受车端限制以致模型检测准确度较差的缺陷，提高检测精度和检测效率。
5.本发明提供一种注意力检测方法，包括：获取连续的多帧驾驶员图像；将所述连续的多帧驾驶员图像输入至注意力检测模型中，得到所述注意力检测模型输出的注意力检测结果；所述注意力检测模型是基于注意力机制，并利用视线和头部姿态对训练图像进行监督学习得到的。
6.根据本发明提供的一种注意力检测方法，所述注意力检测模型，包括：特征提取层，对所述驾驶员图像进行特征提取，得到特征图；注意力检测层，对所述特征图进行注意力检测，得到注意力检测结果、视线特征和头部姿态特征。
7.根据本发明提供的一种注意力检测方法，对所述特征图进行注意力检测，得到注意力检测结果、视线特征和头部姿态特征，包括：基于注意力机制和所述特征图，得到视线特征和头部姿态特征；基于所述视线特征和所述头部姿态特征，得到注意力得分；将所述注意力得分映射为概率值，并基于最大概率值，得到注意力检测结果。
8.根据本发明提供的一种注意力检测方法，训练所述注意力检测模型，包括：获取目标时间段内的训练图像及所述训练图像对应的注意力真值、视线真值和头部姿态真值；将所述训练图像作为训练使用的输入数据，并结合所述注意力真值、所述视线真值和所述头部姿态真值对待训练注意力检测模型进行监督训练，得到训练完成的注意力检测模型。
9.根据本发明提供的一种注意力检测方法，所述得到训练完成的注意力检测模型，包括：将所述训练图像输入至待训练注意力检测模型中，得到所述待训练注意力检测模型输出的注意力预测结果、视线预测结果和头部姿态预测结果；根据所述注意力预测结果和所述注意力真值，构建第一损失函数；根据所述视线预测结果和所述视线真值，构建第二损失函数；根据所述头部姿态预测结果和所述头部姿态真值，构建第三损失函数；基于所述第一损失函数、所述第二损失函数和所述第三损失函数，得到总损失函数，并基于所述总损失
函数收敛，结束训练，得到训练完成的注意力检测模型。
10.根据本发明提供的一种注意力检测方法，所述待训练注意力检测模型，包括：特征提取层，对所述训练图像进行特征提取，得到目标特征；注意力检测层，对所述目标特征进行注意力检测，得到注意力预测结果、视线预测特征和头部姿态预测特征；目标检测层，根据所述视线预测特征和所述头部姿态预测特征，得到视线预测结果和头部姿态预测结果。
11.根据本发明提供的一种注意力检测方法，在得到所述注意力检测模型输出的注意力检测结果之后，还包括：将所述注意力检测结果发送至车端，以供所述车端根据所述注意力检测结果执行对应措施。
12.本发明还提供一种注意力检测装置，包括：数据获取模块，获取连续的多帧驾驶员图像；注意力检测模块，将所述连续的多帧驾驶员图像输入至注意力检测模型中，得到所述注意力检测模型输出的注意力检测结果；所述注意力检测模型是基于注意力机制，并利用视线和头部姿态对训练图像进行监督学习得到的。
13.本发明还提供一种电子设备，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上述任一种所述注意力检测方法的步骤。
14.本发明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如上述任一种所述注意力检测方法的步骤。
15.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述注意力检测方法的步骤。
16.本发明提供的注意力检测方法及装置，通过云端接收车端发送的多帧连续的驾驶员图像，以利用云端的注意力检测模型对驾驶员图像进行检测，通过云端对深度学习模型计算量的高容忍度，以充分发挥算法的优势；另外基于注意力机制，并利用视线和头部姿态对注意力检测模型进行监督训练，以大幅度提高云端性能，通过采用注意力机制，提升了模型的并行计算能力，进而提升模型的训练速度和准确率。
附图说明
17.为了更清楚地说明本发明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作一简单地介绍，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。
18.图1是本发明提供的注意力检测方法的流程示意图；
19.图2是本发明提供的训练待训练注意力检测模型的流程示意图；
20.图3是本发明提供的待训练注意力检测模型的示意图；
21.图4是本发明提供的注意力检测装置的结构示意图；
22.图5是本发明提供的训练模块的示意图；
23.图6是本发明提供的电子设备的结构示意图。
具体实施方式
24.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本
发明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作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。
25.图1示出了本发明一种注意力检测方法的流程示意图，该方法执行主体为云端，方法包括：
26.s11，获取连续的多帧驾驶员图像；
27.s12，将连续的多帧驾驶员图像输入至注意力检测模型中，得到注意力检测模型输出的注意力检测结果；注意力检测模型是基于注意力机制，并利用视线和头部姿态对训练图像进行监督学习得到的。
28.需要说明的是，本说明书中的s1n不代表注意力检测方法的先后顺序，下面具体描述本发明的注意力检测方法。
29.步骤s11，获取连续的多帧驾驶员图像。
30.在本实施例中，连续的多帧驾驶员图像可以为视频流或者是连续拍摄的驾驶员图像帧序列，当连续的多帧驾驶员图像为视频流时，接收车端发送的预设时间段内的驾驶员图像之后，还包括：基于视频流，进行镜头分割，得到连续的多帧驾驶员图像。
31.步骤s12，将连续的多帧驾驶员图像像输入至注意力检测模型中，得到注意力检测模型输出的注意力检测结果；注意力检测模型是基于注意力机制，并利用视线和头部姿态对训练图像进行监督学习得到的。
32.在本实施例中，注意力检测模型，包括：特征提取层，对驾驶员图像进行特征提取，得到特征图；注意力检测层，对特征图进行注意力检测，得到注意力检测结果、视线特征和头部姿态特征。换言之，将连续的多帧驾驶员图像输入至注意力检测模型中，包括：将连续的多帧驾驶员图像输入至特征提取层，得到特征提取层输出的特征图；将特征图输入至注意力检测层，得到注意力检测层输出的注意力检测结果、视线特征和头部姿态特征。
33.需要说明的是，注意力机制可以采用transformer机制，通过采用注意力机制，提升了模型的并行计算能力，进而提升模型的训练速度，此外，transformer也可以更好地处理长序列中数据之间的依赖关系。另外，注意力预测结果包括注意力分散和注意力集中。
34.在一个可选实施例中，对特征图进行注意力检测，得到注意力检测结果、视线特征和头部姿态特征，包括：基于注意力机制和特征图，得到视线特征和头部姿态特征；基于视线特征和头部姿态特征，得到注意力得分；将注意力得分映射为概率值，并基于最大概率值，得到注意力检测结果。
35.参考图2，在一个可选实施例中，在将连续的多帧驾驶员图像输入至注意力检测模型中之前，还包括：训练注意力检测模型。具体而言：
36.s21，获取目标时间段内的训练图像及训练图像对应的注意力真值、视线真值和头部姿态真值；
37.s22，将训练图像作为训练使用的输入数据，并结合注意力真值、视线真值和头部姿态真值对待训练注意力检测模型进行监督训练，得到训练完成的注意力检测模型。
38.需要说明的是，本说明书中的s2n不代表注意力检测方法的先后顺序，下面具体结合图3描述本发明的注意力检测方法。
39.步骤s21，获取目标时间段内的训练图像及训练图像对应的注意力真值、视线真值
和头部姿态真值。
40.在本实施例中，获取目标时间段内的训练图像及训练图像对应的注意力真值、视线真值和头部姿态真值，包括：获取训练视频或图像帧序列，并使用人脸检测方法筛选出其中包含人脸信息的视频或图像作为有效训练图像；对有效训练图像进行标注，得到注意力真值、视线真值和头部姿态真值。
41.需要补充的是，在获取训练视频或图像帧序列时，可以基于云端获取，或者利用不同的车端在不同行驶环境下对不同驾驶员的驾驶行为进行录像，录制不同的驾驶员注意力集中和分散的视频。
42.为了避免视频相邻帧之间或的冗余性，在获取训练视频或图像帧序列之后，还包括：基于预设帧数，对训练视频或图像帧序列基于预设帧数间隔采集1帧图像。
43.在一个可选实施例中，在获取训练视频之后，还包括：基于视频，进行镜头分割，得到图像帧序列；基于图像帧序列，选择当前帧训练图像前后符合预设帧数的图像，比如，选择当前帧前后各五帧图像，作为训练图像。
44.在一个可选实施例中，在得到图像帧序列之后，还包括：对图像帧序列中的每帧图像，进行人脸检测，并并去除未包含人脸信息的图像，得到训练图像。
45.在一个可选实施例中，在获取目标时间段内的训练图像之后，还包括：利用数据增强策略对训练图像进行数据增强。具体而言，数据增强策略包括翻转、旋转、裁剪、变形和缩放中的至少一种；和/或，数据增强策略包括噪声、模糊、颜色变换、擦除和填充中的至少一种。需要说明的是，基于本实施例选择的数据增强策略，适用于对上述训练图像进行数据增强，以便于增加训练图像数据量的同时，且有利于后续模型训练过程中，大幅度提升模型对于光照、遮挡、不完整、偏转角度大、表情等场景下的关键点检测精度。
46.步骤s22，将训练图像作为训练使用的输入数据，并结合注意力真值、视线真值和头部姿态真值对待训练注意力检测模型进行监督训练，得到训练完成的注意力检测模型。
47.在本实施例中，待训练网络可以是训练装置中内置的已有网络，该已有网络通常包括一个网络结构，也可以是用户指定的其他网络，如卷积神经网络cnn等。待训练网络中通常包括分别用于对训练图像的进行特征提取的特征提取层、基于特征提取层得到的特征图进行注意力检测的注意力检测层、基于注意力检测层检测得到的注意力预测结果进行检测的目标检测层和损失函数；按照预设的迭代规则，将上述训练图像或经数据增强后的训练图像输入至待训练注意力检测模型中进行训练，得到训练后的目标识别模型。
48.具体而言，得到训练完成的注意力检测模型，包括：
49.首先，将训练图像输入至待训练注意力检测模型中，得到待训练注意力检测模型输出的注意力预测结果、视线预测结果和头部姿态预测结果。
50.需要补充的是，参考图3，待训练注意力检测模型，包括：特征提取层，对训练图像进行特征提取，得到目标特征；注意力检测层(encoder)，对目标特征进行注意力检测，得到注意力预测结果、视线预测特征和头部姿态预测特征；目标检测层(decoder)，根据视线预测特征和头部姿态预测特征，得到视线预测结果和头部姿态预测结果。
51.更进一步的说，对目标特征进行注意力检测，得到注意力预测结果、视线预测特征和头部姿态预测特征，包括：基于注意力机制和目标特征，得到视线预测特征和头部姿态预测特征；基于视线预测特征和头部姿态预测特征，得到注意力预测得分；将注意力预测得分
映射为概率值，并基于最大概率值，得到注意力预测结果。
52.应当补充的是，注意力预测结果包括正常驾驶和分心，可以分别采用不同的数值进行标记，比如，正常驾驶可以记为0，分心记为1。
53.由于视线包括俯仰角(pitch)和偏航角(yaw)，因此可以根据不同的视线pitch和yaw，得到不同的视线预测结果。举例而言，当pitch》20时，视线预测结果为向下看，记为类别1；当pitch《-20时，视线预测结果为向上看，记为类别2；当yaw》30时，视线预测结果为向左看，记为类别3；当yaw《-30时，视线预测结果表示为向右看，记为类别4；其余情况，视线预测结果为向前看，记为类别0。
54.同样的，由于头部姿态也包括俯仰角(pitch)和偏航角(yaw)，因此同样可以根据不同的头部姿态pitch和yaw，得到不同的头部姿态预测结果。举例而言，当pitch》15时，头部姿态预测结果为低头，记为类别1；当pitch《-30时，头部姿态预测结果为抬头，记为类别2；当yaw》30时，头部姿态预测结果为左转，记为类别3；当yaw《-30是，头部姿态预测结果为右转，记为类别4；其余情况，头部姿态预测结果为正常姿势，记为类别0。
55.其次，根据注意力预测结果和注意力真值，构建第一损失函数；根据视线预测结果和视线真值，构建第二损失函数；根据头部姿态预测结果和头部姿态真值，构建第三损失函数。
56.在本实施例中，第一损失函数loss_distract、第二损失函数loss_gaze和第三损失函数loss_headpose均可以采用交叉熵损失函数或其他损失函数，此处不作进一步限定。
57.最后，基于第一损失函数、第二损失函数和第三损失函数，得到总损失函数，并基于总损失函数收敛，结束训练，得到训练完成的注意力检测模型。
58.在本实施例中，总损失函数loss_total，表示为：
59.loss_total＝loss_distract+loss_gaze+loss_headpose
60.在一个可选实施例中，在得到注意力检测模型输出的注意力检测结果之后，还包括：将注意力检测结果发送至车端，以供车端根据注意力检测结果执行对应措施。需要说明的是，对应措施可以根据实际设计需求确定，比如当注意力检测结果为注意力分散时，可以先进行警告提醒，当警告提醒持续一定时间后，注意力检测结果仍为注意力分散，则控制车辆制动并进行报警处理；当警告持续一定时间后，注意力检测结果为注意力集中，则取消警告提醒。
61.综上所述，本发明实施例通过云端接收车端发送的多帧连续的驾驶员图像，以利用云端的注意力检测模型对驾驶员图像进行检测，通过云端对深度学习模型计算量的高容忍度，以充分发挥算法的优势；另外基于注意力机制，并利用视线和头部姿态对注意力检测模型进行监督训练，以大幅度提高云端性能，通过采用注意力机制，提升了模型的并行计算能力，进而提升模型的训练速度和准确率。
62.下面对本发明提供的注意力检测装置进行描述，下文描述的注意力检测装置与上文描述的注意力检测方法可相互对应参照。
63.图4示出了一种注意力检测装置，该装置，包括：
64.数据获取模块41，获取连续的多帧驾驶员图像；
65.注意力检测模块42，将连续的多帧驾驶员图像输入至注意力检测模型中，得到注意力检测模型输出的注意力检测结果；注意力检测模型是基于注意力机制，并利用视线和
头部姿态对训练图像进行监督学习得到的。
66.在本实施例中，连续的多帧驾驶员图像可以为视频流或者是连续拍摄的驾驶员图像帧序列，当连续的多帧驾驶员图像为视频流时，该装置还包括：图像获取装置，在数据接收模块41接收车端发送的连续的多帧驾驶员图像之后，基于视频流，进行镜头分割，得到连续帧驾驶员图像。
67.另外，注意力检测模块42，包括数据输入单元、注意力检测模型单元和数据输出单元，其中：数据输入单元，将连续的多帧驾驶员图像输入至注意力检测模型单元中；注意力检测模型单元，对输入的驾驶员图像进行注意力检测，得到注意力检测结果；数据输出单元，将注意力检测模型单元得到的注意力检测结果输出。
68.更进一步地说，注意力检测模型单元，包括：特征获取子单元，将连续的多帧驾驶员图像输入特征提取层，得到特征提取层输出的特征图；结果获取子单元，将特征图输入至注意力检测层，得到注意力检测层输出的注意力检测结果、视线特征和头部姿态特征。
69.更进一步地说，结果获取子单元，包括：特征获取孙单元，基于注意力机制和特征图，得到视线特征和头部姿态特征；得分评估孙单元，基于视线特征和头部姿态特征，得到注意力得分；注意力检测孙单元，将注意力得分映射为概率值，并基于最大概率值，得到注意力检测结果。
70.在一个可选实施例中，该装置还包括：训练模块，在数据输入单元将连续的多帧驾驶员图像输入至注意力检测模型单元之前，训练注意力检测模型。
71.具体而言，参考图5，训练模块，包括：数据获取单元51，获取目标时间段内的训练图像及训练图像对应的注意力真值、视线真值和头部姿态真值；训练单元52，将训练图像作为训练使用的输入数据，并结合注意力真值、视线真值和头部姿态真值对待训练注意力检测模型进行监督训练，得到训练完成的注意力检测模型。
72.数据获取单元51，包括：数据获取子单元，获取训练视频或图像帧序列，并使用人脸检测方法筛选出其中包含人脸信息的视频或图像作为有效训练图像；标注子单元，对有效训练图像进行标注，得到注意力真值、视线真值和头部姿态真值。
73.在一个可选实施例中，为了避免视频相邻帧之间或的冗余性，训练模块，还包括：采集单元，在数据获取子单元获取训练视频或图像帧序列之后，基于预设帧数，对训练视频或图像帧序列基于预设帧数间隔采集1帧图像。
74.在另一个可选实施例中，训练模块，还包括：分割单元，在数据获取子单元获取训练视频之后，基于视频，进行镜头分割，得到图像帧序列；选择单元，基于图像帧序列，选择当前帧训练图像前后符合预设帧数的图像，比如，选择当前帧前后各五帧图像，作为训练图像。
75.在一个可选实施例中，训练模块，还包括：筛选单元，在数据获取单元得到图像帧序列之后或者分割单元得到图像帧序列之后，对图像帧序列中的每帧图像，进行人脸检测，并去除未包含人脸信息的图像，得到训练图像。
76.在一个可选实施例中，训练模块，还包括：数据增强单元，在获取目标时间段内的训练图像之后，利用数据增强策略对训练图像进行数据增强。
77.训练单元52，包括：预测子单元，将训练图像输入至待训练注意力检测模型中，得到待训练注意力检测模型输出的注意力预测结果、视线预测结果和头部姿态预测结果；损
失函数构建子单元，根据注意力预测结果和注意力真值，构建第一损失函数；根据视线预测结果和视线真值，构建第二损失函数；根据头部姿态预测结果和头部姿态真值，构建第三损失函数；模型确定子单元，基于第一损失函数、第二损失函数和第三损失函数，得到总损失函数，并基于总损失函数收敛，结束训练，得到训练完成的注意力检测模型。
78.具体而言，预测子单元，包括：特征提取孙单元，对训练图像进行特征提取，得到目标特征；注意力检测孙单元(encoder)，对目标特征进行注意力检测，得到注意力预测结果、视线预测特征和头部姿态预测特征；目标检测孙单元(decoder)，根据视线预测特征和头部姿态预测特征，得到视线预测结果和头部姿态预测结果。
79.更进一步地说，注意力检测孙单元，包括：特征确定曾孙单元，基于注意力机制和目标特征，得到视线预测特征和头部姿态预测特征；得分确定曾孙单元，基于视线预测特征和头部姿态预测特征，得到注意力预测得分；结果确定曾孙单元，将注意力预测得分映射为概率值，并基于最大概率值，得到注意力预测结果。
80.在一个可选实施例中，该装置，还包括：结果发送模块，在注意力检测模块得到注意力检测模型输出的注意力检测结果之后，将注意力检测结果发送至车端，以供车端根据注意力检测结果执行对应措施。需要说明的是，对应措施可以根据实际设计需求确定，比如当注意力检测结果为注意力分散时，可以先进行警告提醒，当警告提醒持续一定时间后，注意力检测结果仍为注意力分散，则控制车辆制动并进行报警处理；当警告持续一定时间后，注意力检测结果为注意力集中，则取消警告提醒。
81.综上所述，本发明实施例通过云端的数据接收模块接收车端发送的多帧连续的驾驶员图像，以利用云端的注意力检测模块基于注意力检测模型对驾驶员图像进行检测，通过云端对深度学习模型计算量的高容忍度，以充分发挥算法的优势；另外基于注意力机制，并利用视线和头部姿态对注意力检测模型进行监督训练，以大幅度提高云端性能，通过采用注意力机制，提升了模型的并行计算能力，进而提升模型的训练速度和准确率。
82.图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)61、通信接口(communications interface)62、存储器(memory)63和通信总线64，其中，处理器61，通信接口62，存储器63通过通信总线64完成相互间的通信。处理器61可以调用存储器63中的逻辑指令，以执行注意力检测方法，该方法包括：获取连续的多帧驾驶员图像；将连续的多帧驾驶员图像输入至注意力检测模型中，得到注意力检测模型输出的注意力检测结果；注意力检测模型是基于注意力机制，并利用视线和头部姿态对训练图像进行监督学习得到的。
83.此外，上述的存储器63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-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
84.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机
程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的注意力检测方法，该方法包括：获取连续的多帧驾驶员图像；将连续的多帧驾驶员图像输入至注意力检测模型中，得到注意力检测模型输出的注意力检测结果；注意力检测模型是基于注意力机制，并利用视线和头部姿态对训练图像进行监督学习得到的。
85.又一方面，本发明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方法提供的注意力检测方法，该方法包括：获取连续的多帧驾驶员图像；将连续的多帧驾驶员图像输入至注意力检测模型中，得到注意力检测模型输出的注意力检测结果；注意力检测模型是基于注意力机制，并利用视线和头部姿态对训练图像进行监督学习得到的。
86.以上所描述的装置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。
87.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。
88.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。