一种基于时空自适应注意力的3D多目标跟踪方法

一种基于时空自适应注意力的3d多目标跟踪方法
技术领域
1.本发明涉及计算机技术领域，尤其是一种基于时空自适应注意力的3d多目标跟踪方法。


背景技术：

2.多目标跟踪广泛应用于无人机、智能驾驶车辆、视觉监控以及其他领域。并且对于自动驾驶汽车而言，实现准确的实时三维多目标跟踪系统可以帮助他们更智能地了解和感知环境。然而，依赖现有单模态(带有相机或lidar系统)数据的多目标跟踪算法无法有效集成从图像中提取到的纹理信息和从点云数据中提取到的空间结构信息。基于上述方面，一些研究表明，与单模态感知系统相比，多模态数据融合技术可以提高感知任务的可信度和能力，以提高整个自动驾驶系统的活力、可靠性和鲁棒性。此外，多模态感知系统也可以扩展时间和空间覆盖，提高实时性能和信息利用率。
3.在现有3d多目标追踪算法中，对于逐检测跟踪机制，只有在设计得当的对象检测模块的情况下，才能避免点云数据中跟踪目标的id切换和漂移现象。然而，联合跟踪检测机制可以协作地使用学习检测和跟踪模块。通过相互约束和优化这两个模块可以找到检测和跟踪模块之间的平衡关键性，以实现更好的跟踪性能。lstm算法和基于检测跟踪相关矩阵是常用于匹配时空系列中的检测和跟踪对象的方法。虽然lstm算法已经证实可以较好地处理时空数据，可以分析时间序列任务作为一种典型的计时序列处理方法。尽管如此，它仍然需要大量的校准数据集以低推断效率地去训练，这使得满足实时系统的需求具有挑战性。因此，受数据限制，总是采用基于计算检测跟踪相关矩阵的方法将检测到的目标与预测的目标关联起来进行跟踪任务。然而，一些基于检测-跟踪相关的方法往往会天真地结合检测对象和预测对象的特征，无法仅根据检测对象的特征智能实现数据关联。


技术实现要素：

4.有鉴于此，本发明实施例提供一种基于时空自适应注意力的3d多目标跟踪方法，以有效地获得更好的跟踪性能并减少推理时间。
5.本发明实施例的一方面提供了一种基于时空自适应注意力的3d多目标跟踪方法，包括：
6.获取目标场景下的2d多源数据和3d多源数据，对2d多源数据进行图像特征提取，获取图像特征，并对3d多源数据进行点云特征提取，获取点云特征；
7.将所述图像特征和所述点云特征进行特征融合，得到融合特征；
8.根据所述融合特征确定目标场景内每个对象的检测状态；
9.根据所述检测状态，提取检测对象和预测对象之间的协作特征；
10.根据所述协作特征对目标场景内的对象检测和跟踪状态进行实时更新。
11.可选地，所述对2d多源数据进行图像特征提取，获取图像特征，包括：
12.将所述2d多源数据输入到图像提取网络；
13.通过所述图像提取网络中的卷积来提取所述2d多源数据中的图像深层纹理特征；
14.将提取到的所述图像深层纹理特征链接，得到二维融合特征张量；
15.其中，所述图像提取网络包括四个图像提取器块；所述图像提取器块包括第一卷积层、批量归一化层、校正线性单元层和第二卷积层。
16.可选地，所述对3d多源数据进行点云特征提取，获取点云特征，包括：
17.将所述3d多源数据输入点云提取网络；
18.通过所述点云提取网络中的编码器和解码器获取所述3d多源数据中的3d融合特征；
19.其中，所述编码器由四个集合抽象块组成，所述解码器由四个特征传播块组成。
20.可选地，所述将所述图像特征和所述点云特征进行特征融合，得到融合特征，包括：
21.在所述图像特征和所述点云特征的特征张量的矢量化上使用共享加权多层感知层，将对应的矢量化特征张量逐元素相加；
22.可以通过全连接层和sigmoid函数获得加权映射，得到加权2d特征；
23.将3d点云特征和加权2d特征的元素级进行连接，计算最终融合特征。
24.可选地，所述根据所述融合特征确定目标场景内每个对象的检测状态，包括：
25.根据所述最终融合特征，使用区域提议网络将背景和注意检测对象分离；
26.通过映射函数获得对象的最佳3d边界框；其中，所述映射函数包括平移映射函数和缩放映射函数；
27.根据所述最佳3d边界框，通过检测模块获得目标场景内每个对象的检测状态。
28.可选地，所述根据所述检测状态，提取检测对象和预测对象之间的协作特征，包括：
29.通过时空目标单一性注意力模块获取预测对象与历史跟踪对象之间的相关性信息；
30.采用自适应计算机制来获得两个相邻帧之间每个对象的相关张量；
31.根据所述相关性信息和所述相关张量，使用2层感知器来统一重识别，确定每个检测对象的唯一标识，得到检测对象和预测对象之间的协作特征。
32.可选地，所述根据所述协作特征对目标场景内的对象检测和跟踪状态进行实时更新，包括：
33.根据类特殊亲和力度量来计算检测对象和预测对象之间的亲和力矩阵；
34.根据所述亲和力矩阵，从对象检测置信度和对象管理概率共同优化目标场景内的对象，并通过类特殊来约束对象之间的关联，完成对对象检测和跟踪状态的更新。
35.本发明实施例的另一方面还提供了一种基于时空自适应注意力的3d多目标跟踪装置，包括：
36.第一模块，用于获取目标场景下的2d多源数据和3d多源数据，对2d多源数据进行图像特征提取，获取图像特征，并对3d多源数据进行点云特征提取，获取点云特征；
37.第二模块，用于将所述图像特征和所述点云特征进行特征融合，得到融合特征；
38.第三模块，用于根据所述融合特征确定目标场景内每个对象的检测状态；
39.第四模块，用于根据所述检测状态，提取检测对象和预测对象之间的协作特征；
40.第五模块，用于根据所述协作特征对目标场景内的对象检测和跟踪状态进行实时更新。
41.本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
42.所述存储器用于存储程序；
43.所述处理器执行所述程序实现如前面所述的方法。
44.本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
45.本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
46.本发明的实施例获取目标场景下的2d多源数据和3d多源数据，对2d多源数据进行图像特征提取，获取图像特征，并对3d多源数据进行点云特征提取，获取点云特征；将所述图像特征和所述点云特征进行特征融合，得到融合特征；根据所述融合特征确定目标场景内每个对象的检测状态；根据所述检测状态，提取检测对象和预测对象之间的协作特征；根据所述协作特征对目标场景内的对象检测和跟踪状态进行实时更新，本发明能够有效地获得更好的跟踪性能并减少推理时间。
附图说明
47.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
48.图1为本发明实施例提供的整体步骤流程图；
49.图2为本发明实施例提供的自适应空间引导融合模块的架构图；
50.图3为本发明实施例提供的时空自适应注意力3d跟踪器结构框图。
具体实施方式
51.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
52.针对现有技术存在的问题，本发明实施例的一方面提供了一种基于时空自适应注意力的3d多目标跟踪方法，包括：
53.获取目标场景下的2d多源数据和3d多源数据，对2d多源数据进行图像特征提取，获取图像特征，并对3d多源数据进行点云特征提取，获取点云特征；
54.将所述图像特征和所述点云特征进行特征融合，得到融合特征；
55.根据所述融合特征确定目标场景内每个对象的检测状态；
56.根据所述检测状态，提取检测对象和预测对象之间的协作特征；
57.根据所述协作特征对目标场景内的对象检测和跟踪状态进行实时更新。
58.可选地，所述对2d多源数据进行图像特征提取，获取图像特征，包括：
59.将所述2d多源数据输入到图像提取网络；
60.通过所述图像提取网络中的卷积来提取所述2d多源数据中的图像深层纹理特征；
61.将提取到的所述图像深层纹理特征链接，得到二维融合特征张量；
62.其中，所述图像提取网络包括四个图像提取器块；所述图像提取器块包括第一卷积层、批量归一化层、校正线性单元层和第二卷积层。
63.可选地，所述对3d多源数据进行点云特征提取，获取点云特征，包括：
64.将所述3d多源数据输入点云提取网络；
65.通过所述点云提取网络中的编码器和解码器获取所述3d多源数据中的3d融合特征；
66.其中，所述编码器由四个集合抽象块组成，所述解码器由四个特征传播块组成。
67.可选地，所述将所述图像特征和所述点云特征进行特征融合，得到融合特征，包括：
68.在所述图像特征和所述点云特征的特征张量的矢量化上使用共享加权多层感知层，将对应的矢量化特征张量逐元素相加；
69.可以通过全连接层和sigmoid函数获得加权映射，得到加权2d特征；
70.将3d点云特征和加权2d特征的元素级进行连接，计算最终融合特征。
71.可选地，所述根据所述融合特征确定目标场景内每个对象的检测状态，包括：
72.根据所述最终融合特征，使用区域提议网络将背景和注意检测对象分离；
73.通过映射函数获得对象的最佳3d边界框；其中，所述映射函数包括平移映射函数和缩放映射函数；
74.根据所述最佳3d边界框，通过检测模块获得目标场景内每个对象的检测状态。
75.可选地，所述根据所述检测状态，提取检测对象和预测对象之间的协作特征，包括：
76.通过时空目标单一性注意力模块获取预测对象与历史跟踪对象之间的相关性信息；
77.采用自适应计算机制来获得两个相邻帧之间每个对象的相关张量；
78.根据所述相关性信息和所述相关张量，使用2层感知器来统一重识别，确定每个检测对象的唯一标识，得到检测对象和预测对象之间的协作特征。
79.可选地，所述根据所述协作特征对目标场景内的对象检测和跟踪状态进行实时更新，包括：
80.根据类特殊亲和力度量来计算检测对象和预测对象之间的亲和力矩阵；
81.根据所述亲和力矩阵，从对象检测置信度和对象管理概率共同优化目标场景内的对象，并通过类特殊来约束对象之间的关联，完成对对象检测和跟踪状态的更新。
82.本发明实施例的另一方面还提供了一种基于时空自适应注意力的3d多目标跟踪装置，包括：
83.第一模块，用于获取目标场景下的2d多源数据和3d多源数据，对2d多源数据进行图像特征提取，获取图像特征，并对3d多源数据进行点云特征提取，获取点云特征；
84.第二模块，用于将所述图像特征和所述点云特征进行特征融合，得到融合特征；
85.第三模块，用于根据所述融合特征确定目标场景内每个对象的检测状态；
86.第四模块，用于根据所述检测状态，提取检测对象和预测对象之间的协作特征；
87.第五模块，用于根据所述协作特征对目标场景内的对象检测和跟踪状态进行实时更新。
88.本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
89.所述存储器用于存储程序；
90.所述处理器执行所述程序实现如前面所述的方法。
91.本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
92.本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
93.下面结合说明书附图，对本发明实施例的基于时空自适应注意力的3d多目标跟踪方法的具体实施过程进行详细描述：
94.参照图1，本发明提供了一种特征自适应互引导的多源信息融合分类方法，该方法包括以下步骤：
95.s1、采用基于2d和3d多源数据的特征提取分支进行图像和点云特征提取，然后基于两种不同的模态从融合特征张量中获得检测状态；
96.s2、使用共享加权自注意力模块来提取检测和预测对象之间的协作特征，以自适应加权的方式计算相关矩阵。；
97.s3、使用类特殊线性规划和卡尔曼滤波器来约束数据关联并管理和更新跟踪状态。
98.进一步作为本方法的优选实施例，所述使用2d+3d双流分支提取点云和图像的特征，然后基于两种不同的模态从融合特征张量中获得检测状态这一步骤，其具体包括：
99.s11、2d特征提取分支将图像作为网络输入，通过一系列常用的卷积来提取图像深层纹理特征。
100.具体地，图像提取器块(ieb)包含一个卷积层(卷积核大小设定为：3
×
3，卷积步长设定为：1)、批量归一化(bn)层、校正线性单元(relu)层和另一个卷积层(卷积核大小设定为：3
×
3,卷积步长设定为：1)。图像提取模块(iem)总共由四个ieb组成，每个提取器块的生成通过反卷积层(deconv(
·
))上采样到输入大小。最后将四个恢复的特征张量以连接方式组合起来，得到二维融合特征张量
[0101][0102]
其中，2
×
i表示核大小和反卷积层的步长。表示在不同阶段提取的特征张量，可由下式得到：
[0103][0104]
其中，表示原始图像数据。
[0105]
s12、3d特征提取分支以点云作为网络输入，采用point-rcnn作为主干，分支结构借鉴了u-net并使用跳过连接来连接编码器(ec)和解码器(dc)的相应块。编码器由四个集合抽象(sa)块组成，解码器由四个特征传播(fp)块组成。让f
pc
、f'
pc
和分别代表原始点云数据、编码点云特征和3d融合特征。最终的3d融合特征可以表述如下：
[0106][0107]
相似的，可以表示为：
[0108][0109][0110][0111]
其中，和代表不同编码阶段的输出，并且它可以表示如下：
[0112][0113]
s13、改进lidar-image融合模块，引入了具有自适应空间引导融合模块，充分计算和f
pc
之间的相关程度，同时降低计算复杂度，自适应空间引导融合模块的架构如图2所示。具体地，自适应空间引导融合模块主要由三个步骤组成。首先在特征张量的矢量化上使用共享加权多层感知(mlp)层，而不是在原始特征张量上使用3d卷积层。然后，将两个mlp特征逐元素相加后，可以通过全连接层和sigmoid(
·
)函数获得加权映射。最后，通过3d特征和加权2d特征的元素级连接来计算时间t处的最终融合特征fu[0114][0115]
一旦获得融合矩阵，使用区域提议网络(rpn)将背景和注意检测对象分离，并通过平移和缩放等映射函数获得对象的最佳3d边界框。通过检测模块获得场景内每个对象的检测状态其中包含分类信息和一个3d边界框。
[0116][0117]
其中，m表示检测对象的总数。(x,y,z)表示物体位置；(l,w,h)表示物体的长、宽、高；θ表示物体的观察角度；cls表示对象的类别。
[0118]
进一步使用共享加权自注意力模块来提取检测和预测对象之间的协作特征，以自适应加权的方式计算相关矩阵这一步骤，其具体包括：
[0119]
s21、提出了一个时空目标单一性注意力模块来推断在时间t检测到的对象与前一帧中的历史跟踪对象之间的相关性，时空目标单一性注意力模块概述如图3所示具体地，时空目标单一性注意力模块通过整个时间序列中的相对空间位置智能地实现对象的配对。智能融合策略由跟踪和检测对象之间的时空序列相关性决定。因此得到检测阶段和预测阶段的加权对象特征张量如下：
[0120][0121][0122]
其中，和可以看作是一个激活函数，该激活函数可以获得每个对象之间的相关性和相似性分布。
[0123]
s22、采用自适应计算机制来获得两个相邻帧之间每个对象的相关张量具体地
[0124][0125]
其中，λ1和λ2是自适应可学习的参数。
[0126]
s23、获得相关矩阵后，我们使用2层mlp来统一重识别和开始
‑‑
结束估计模块。重新识别和开始—结束估计块是分支网络，对检测对象和预测对象之间的关系进行判断和统计，从而给每个检测对象一个唯一的id。
[0127]
进一步作为本方法的优选实施例，所述使用类特殊线性规划和卡尔曼滤波器来约束数据关联并管理和更新跟踪状态。这一步骤，其具体包括：
[0128]
s31、通过引入类特殊亲和力度量来计算检测对象和预测对象之间的亲和力矩阵x
aff
具体地，亲和力由四部分组成：一是重新识别特征计算f
re-id
得到的外观特征，一是物体类别匹配得到的类别属性，一是检测到的物体与预测物体的空间距离，最后一个是检测对象和预测对象的3d边界框之间的重叠区域。
[0129][0130]
其中ts
cls
和ds
cls
分别代表跟踪和检测对象的类别。此外，分类阈值设置为0.85。
[0131]
s32、采用广泛使用的混合整数规划优化器google or-tools，以最小成本的方式找到最优解
[0132]
具体地，通过这种方式，我们可以估计跟踪状态y，包括时间t的匹配不匹配和错过的对象。
[0133]
y＝[y
cls
,y
re-id
,y
start
,y
end
]
[0134]
其中，y
cls
表示对象类别是否准确分类。y
re-id
表示对象是否成功匹配预测对象。y
start
表示是否应该赋予一个新的id。y
end
表示是否应该关闭对象的轨迹。关于时间t的检测对象和时间t-1的跟踪对象之间的优化问题，模型可以构造如下：
[0135][0136][0137]
这两个约束函数可以用线性问题的关联数据表示，如下所示：
[0138][0139]
通过前置条件约束，可以统计生命周期中的准确跟踪、丢失跟踪、监控结束等跟踪信息。将跟踪结果作为时间t+1的预测状态。继续进行后续跟踪任务，直到所有对象都被准确跟踪。
[0140]
s33、根据所设计的跟踪器，提出相应的损失函数
[0141]
具体地，如前所述，算法加入了检测和跟踪模块进行协同训练。因此，总损失函数必须包含检测和跟踪状态中的多组信息，以共同优化最终模型。因此，所提出的跟踪器的损失函数可以定义如下：
[0142]
l＝l
det
+l
track
＝l
rpn
+l
pointrcnn
+l
re-id
+l
start
+l
end
[0143]
其中，l
rpn
和l
pointrcnn
由分类(和)和回归(和)组成，可以表示如下：
[0144][0145]
对于和的分类损失，采用sigmoid focal和binary cross entropy损失函数如下：
[0146][0147][0148]
其中，ε和γ是超参数。在该发明中设置ε＝2和γ＝0.25。yi表示第i个样本的真实值。p(yi)表示属于yi的概率。
[0149]
和的回归损失函数表达式相同，可以表示如下：
[0150][0151]
重识别损失l
re-id
和开始
‑‑
结束估计损失l
start
和l
end
使用了l1损失函数。这三个部分使时空序列中的对象以更常识的形式进行关联，防止了远空间对象在较短的时间跨度内发生的不匹配。
[0152]
综上所述，本发明提供了一种新的时空自适应注意3d跟踪器，该追踪器设计主要步骤包括使用2d+3d双流分支提取点云和图像的特征，然后基于两种不同的模态从融合特
征张量中获得检测状态。使用共享加权自注意力模块来提取检测和预测对象之间的协作特征，以自适应加权的方式计算相关矩阵使用类特殊线性规划和卡尔曼滤波器来约束数据关联并管理和更新跟踪状态。该追踪器包括：检测状态统计、与时空目标单一性注意力模块的对象关联、跟踪状态统计。通过使用本发明，可以充分挖掘图像和点云数据的特征互补性，兼容多种数据源类型的特征数据融合，具有较强的实际应用价值。
[0153]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0154]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0155]
所述功能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。
[0156]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0157]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编辑只读存储器(eprom或闪速存储器)、光纤装置以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其
他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0158]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0159]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0160]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0161]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。