一种车辆违章的检测方法、装置以及计算机可读存储介质与流程

本申请涉及图像处理
技术领域：
，具体涉及一种车辆违章的检测方法、装置以及计算机可读存储介质。
背景技术：
：汽车在给人们生活带来便利的同时，也引起了违章问题，不按规定开启转向灯是主要的违章行为之一，也是导致交通安全问题的重要原因；因此，如何快速准确地识别出不按规定开启转向灯的车辆对交通监管尤为重要。现有的转向信号识别方法主要分为两大类：基于传统图像处理手段的识别方法和基于深度学习的识别方法；基于传统图像处理手段的方法由于需要手动提取车辆尾灯区域的特征，导致提取到的特征鲁棒性不够，无法应对多种复杂的场景；在基于深度学习的识别方法中，有些方案可将获取到的车辆尾部图片序列做帧差后输入到训练好的网络中对转向灯的状态进行识别，然而这种方法需要预先对相邻帧做对齐，比较耗时，无法进行实时的识别，而其它基于深度学习的识别方法大都没有建立转向信号在时序上的联系，限制了方法的准确性。技术实现要素：本申请提供一种车辆违章的检测方法、装置以及计算机可读存储介质，能够提高车灯状态的识别速度，且抗干扰性较强。为解决上述技术问题，本申请采用的技术方案是提供一种车辆违章的检测方法，该方法包括：获取连续多帧道路场景图像，并对第一帧道路场景图像进行处理，得到道路场景信息，其中，道路场景信息包括至少一个待检测车道；对道路场景图像进行检测，得到道路场景图像中位于待检测车道的待检测车辆；根据待检测车辆，得到待检测车辆的车灯；对连续多帧道路场景图像中的车灯进行识别，得到车灯对应的转向信号；根据转向信号与待检测车辆所处的待检测车道，确定待检测车辆是否违章。为解决上述技术问题，本申请采用的另一技术方案是提供一种车辆违章的检测装置，该车辆违章的检测装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述的车辆违章的检测方法。为解决上述技术问题，本申请采用的另一技术方案是提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述的车辆违章的检测方法。通过上述方案，本申请的有益效果是：先获取连续多帧道路场景图像，然后对第一帧道路场景图像进行处理，得到道路场景信息，该道路场景信息包括至少一条待检测车道；然后对道路场景图像进行检测得到待检测车道上的待检测车辆，通过对待检测车辆进行检测可得到待检测车辆的车灯；然后对连续多帧道路场景图像中的车灯进行识别，得到转向信号，并可根据该转向信号与待检测车道，判断出待检测车辆是否违章；由于先从车道场景图像中提取出车灯，然后再进行转向信号的识别，能够消除车灯以外的区域对车灯状态的识别造成干扰，抗干扰能力较强；而且无需对多帧图像进行预先对齐，可节省对齐操作花费的时间，加快识别速度；还可以仅在检测出左车灯或右车灯中的一个时，便可判断出待检测车辆的转向状态，适应性较广。附图说明为了更清楚地说明本申请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申请的一些实施例，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。其中：图1是本申请提供的车辆违章的检测方法一实施例的流程示意图；图2是本申请提供的车辆违章的检测方法另一实施例的流程示意图；图3是图2所示的实施例的车道与地面交通标志的结构示意图；图4是图2所示的实施例的左车灯、预设水平基准线以及检测框的示意图；图5是图2所示的实施例的cnn-lstm网络的结构示意图；图6是本申请提供的车辆违章的检测装置一实施例的结构示意图；图7是本申请提供的计算机可读存储介质一实施例的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。请参阅图1，图1是本申请提供的车辆违章的检测方法一实施例的流程示意图，该方法包括：步骤11：获取连续多帧道路场景图像，并对第一帧道路场景图像进行处理，得到道路场景信息。可利用摄像装置对当前道路的场景进行拍照或录视频，得到多帧道路场景图像；由于应用场景与摄像装置一般都是固定的，因而可仅对第一帧道路场景图像进行解理与分析，从而得到道路场景图像中包含的道路场景信息，而无需对每一帧道路场景图像都进行解理与分析。当然，基于应用场景的需要，在场景或摄像装置的位置可变时，也可以设置为对每一帧道路场景图像都进行解理与分析。进一步地，该道路场景信息包括至少一个待检测车道，该待检测车道包括左转车道或右转车道，可以理解地，基于应用场景的需要，该待检测车道还可以为直行车道；待检测车辆可以为具有两个车尾转向灯的机动车辆，例如，轿车、卡车、运动型多用途汽车(suv，sport/suburbanutilityvehicle)或公交车等，不包括摩托车或三轮车。步骤12：对道路场景图像进行检测，得到道路场景图像中位于待检测车道的待检测车辆。在完成道路场景理解的基础上，可对每一帧道路场景图像进行检测，确定道路场景图像中的待检测车道上是否具有待检测车辆，如果待检测车道上具有待检测车辆，可确定待检测车辆的具体位置；如果待检测车道上没有待检测车辆，则对下一帧道路场景图像进行处理。步骤13：根据待检测车辆，得到待检测车辆的车灯。在定位到道路场景图像中的待检测车辆后，可进一步进行检测，得到该待检测车辆中车灯的位置；具体地，该车灯可以为转向灯，车灯包括左车灯或右车灯。步骤14：对连续多帧道路场景图像中的车灯进行识别，得到车灯对应的转向信号。待检测车道与转向信号对应，该转向信号的类别包括左转信号、右转信号、应急双闪信号或无转向信号，无转向信号表示待检测车辆未开启转向灯。在检测到车灯后，可通过对多帧道路场景图像中的车灯进行分析，判断出该车灯的状态，并根据该车灯的状态，生成转向信号，即该转向信号包括待检测车辆的车灯的开启状态。在一具体的实施例中，可根据检测出的左车灯和/或右车灯的状态，通过投票的方式来确定转向信号，具体可分为以下两种情况：左车灯与右车灯都存在以及左车灯与右车灯仅存在一个。对于左车灯与右车灯都存在的情况，可采用表一所示的方式确定转向信号的类别：表一左车灯与右车灯都存在时转向信号的确定方式左车灯的状态右车灯的状态转向信号开启关闭左转信号关闭开启右转信号关闭关闭无转向信号开启开启应急双闪信号由于遮挡等原因，可能仅检测到左车灯与右车灯中的其中一个的状态，对于仅有左车灯或者仅有右车灯的情况，投票方式如下：表二左车灯或右车灯存在时转向信号的确定方式左车灯的状态右车灯的状态转向信号开启缺失左转信号关闭缺失无左转信号缺失开启右转信号缺失关闭无右转信号步骤15：根据转向信号与待检测车辆所处的待检测车道，确定待检测车辆是否违章。在使用中，可根据实际需要来判断哪种情况属于违章操作；例如，当转向信号为左转信号，但待检测车辆不处于左转道时，判定待检测车辆的行为违章；当转向信号为右转信号，但待检测车辆不处于右转道时，判定待检测车辆的行为违章；当转向信号为无转向信号，但待检测车辆处于左转车道或右转道时，判定该待检测车辆违章。在判断出待检测车辆不按照规定开启转向灯，出现违章情况时，可保留待检测车辆的视频，并记录待检测车辆的车牌号，以方便后续对该待检测车辆的驾驶人员进行提醒，使得驾驶人员能进行安全驾驶。可以理解地，可以对左转车道与右转车道同时进行检测，也可仅对一条转向车道(包括左转车道或右转车道)进行检测，即仅对一条转向车道进行违章抓拍，也可以仅检测一个转向灯的状态；例如，仅监控右转车道是否有不开启转向灯而变道的车辆，只检测该右转车道上待检测车辆的右转向灯是否开启，而不需要考虑左转向灯的状态。本实施例提供了一种车辆违章的检测方法，先获取连续多帧道路场景图像，然后对第一帧道路场景图像进行处理，得到包含待检测车道的道路场景信息；再对道路场景图像进行检测得到待检测车辆，然后进一步检测得到待检测车辆上的车灯；然后对连续多帧道路场景图像中的车灯进行识别得到转向信号，再根据转向信号与待检测车道，确定待检测车辆是否违章；由于在从车道场景图像中提取出车灯之后再进行转向信号的识别，能够消除车灯以外的区域对识别过程的干扰，抗干扰能力较强，且无需对多帧图像进行预先对齐，可节省对齐操作花费的时间，能够加快车灯状态的识别速度，而且可以仅在检测出左车灯或右车灯中的一个时，便可判断出待检测车辆的转向状态，适应性较广。请参阅图2，图2是本申请提供的车辆违章的检测方法另一实施例的流程示意图，该方法包括：步骤201：获取连续多帧道路场景图像，并从道路场景图像中提取出地面交通标志的位置，并确定地面交通标志的类别。可采用语义分割方法对地面交通标志进行像素级的分割和识别，得到地面交通标志的位置与地面交通标志的类别，该地面交通标志的类别包括车道线、人行道、停止线和转向标志，转向标志包括左转标志与右转标志；在识别出地面交通标志之后，可根据识别的结果确定需要开启转向灯的车道(即待检测车道)与预设待检区域，并可根据不同的待检测车道或预设待检区域制定不同的转向信号标准，以判定生成的转向信号是否符合相应的转向信号标准。可以理解地，对于地面交通标志缺失或难以识别的场景，也可以采用手动的方式进行标注。步骤202：根据地面交通标志的类别，从道路场景图像中的多个车道中识别出待检测车道。在判断出地面交通标志的类别后，可从道路场景图像所包含的多个车道中检测出待检测车道；例如，如图3所示，道路场景图像中包括3个车道：车道1-车道3，对该道路场景图像进行分割后，可检测到地面交通标志31-33，通过对地面交通标志31-33进行识别，可识别出地面交通标志31为左转标志，地面交通标志32为直行标志，地面交通标志33为右转标志。步骤203：利用目标检测模型对道路场景图像进行检测，得到待检测车道中待检测车辆的检测框。可利用目标检测模型对监控场景中的机动车辆进行检测，获得待检测车辆的检测框，该检测框用于指示道路场景图像中可能包括待检测车辆的区域；进一步地，为了保证检测结果的准确性和速度，目标检测模型可以选择训练好的卷积神经网络，比如yolov3(youonlylookonce)，或者也可以使用其它非卷积神经网络(cnn，convolutionalneuralnetworks)的检测算法，只要能够获取待检测车辆的检测框就可以；或者也可采用人工标注的方式来得到检测框。步骤204：利用目标跟踪方法对多帧道路场景图像中的待检测车辆进行跟踪，并利用车牌识别方法识别待检测车辆的车牌号，为车牌号相同的待检测车辆分配同一车辆标识。在获取到待检测车辆的检测框之后，可使用目标跟踪方法将不同帧中的待检测车辆进行关联，并赋予每辆待检测车辆唯一的车辆标识(id，identitydocument)，同时可使用车牌识别方法来识别待检测车辆的车牌信息。在一具体的实施例中，由于仅关注待检测车辆的转向灯的开启情况，在获得待检测车辆本身的信息之后，可根据对道路场景图像理解的结果进一步判断待检测车辆是否处于预设待检区域；若待检测车辆处于预设待检区域，则保存待检测车辆的检测框与待检测车辆的车牌号，以进行后续处理；若待检测车辆不处于预设待检区域，则可不做任何处理，例如，预设待检区域为停止线周围3m的范围，若待检测车道上某一车辆距离停止线5m远，则可不进行处理，当其进入3m的范围内时，再进行判定其是否开启转向灯。步骤205：对道路场景图像进行裁剪，得到至少一个待检测车辆图像。可获取待检测车辆的检测框，并根据待检测车辆的检测框将每帧道路场景图像裁剪为至少一个待检测车辆图像，即每个待检测车辆图像为包括相应的待检测车辆的图像。因为车灯一般位于检测框的边缘，因而裁剪区域可以原始检测框为基准，将宽扩大至原来的λ倍以保证车灯的完整性，例如，λ设定为1.2，即待检测车辆图像的尺寸大于对应的待检测车辆的检测框的尺寸，且待检测车辆图像的中心与对应的待检测车辆的检测框的中心相同。进一步地，可采用人工标注的方式标注出左车灯与右车灯的最小外接矩形框，得到车灯在待检测车辆图像中的位置以及车灯的检测框的信息，该车灯的检测框的信息包括检测框的坐标、宽以及高，车灯的检测框的坐标可以为该检测框的左上角的横坐标与纵坐标。步骤206：利用车灯检测网络对待检测车辆图像进行检测，得到待检测车辆图像中待检测车辆的车灯。可利用训练好的车灯检测网络对待检测车辆图像进行检测，得到待检测车辆图像中待检测车辆的车灯的检测框，完成对车灯的定位。在一具体的实施例中，以yolov3网络为例，可将该模型的输出类别修改为两类，使用构建的车灯检测数据集训练该网络即可得到车灯检测网络；在应用阶段，可利用获取到的待检测车辆的检测框，将待检测车辆逐一裁剪出来输入到该车灯检测网络中进行车灯检测；同样地，裁剪区域的宽需要以原始检测框的宽为标准扩大至原来的λ倍。由于检测出来的结果可能不太准确，为了降低车灯误检对最终识别结果的影响，可采用步骤207所示的步骤对误检结果进行过滤。步骤207：对车灯检测网络输出的检测结果进行过滤，得到待检测车辆的车灯的最优检测框。在一具体的实施例中，对于检测结果中仅有左车灯或者仅有右车灯的情况，可判断车灯检测网络输出的检测结果中是否仅存在左车灯的检测框或仅存在右车灯的检测框；若车灯检测网络输出的检测结果中仅存在左车灯/右车灯的检测框，则以预设水平基准线为标准，从检测结果中挑选出与预设水平基准线距离最近的检测框作为左车灯/右车灯的最优检测框；例如，如图4所示，利用车灯检测网络进行检测，得到两个检测框：检测框a与检测框b，通过计算检测框a与检测框b的最上方与预设水平基准线之间的距离，可得到最优检测框为检测框b。进一步地，预设水平基准线可以为根据经验得到的大部分车灯的水平位置，其可以根据相机安装的位置及角度进行划定，可将预设水平基准线设置在待检测车辆图像自顶端开始的三分之二处。在另一具体的实施例中，由于每辆车的车尾转向灯最多只有两个，因而当一辆车的检测结果存在两个以上灯时，可判断车灯检测网络输出的检测结果中是否包含多个车灯的检测框，且是否同时存在左车灯的检测框与右车灯的检测框；若车灯检测网络输出的检测结果中包含多个车灯的检测框，且同时存在左车灯的检测框与右车灯的检测框，则将所有左车灯的检测框作为左车灯集合，将所有右车灯的检测框作为右车灯集合；对左车灯集合与右车灯集合进行处理，得到最优检测框。进一步地，对左车灯集合与右车灯集合进行遍历，即从左车灯集合与右车灯集合中依次各取一个检测框组成灯对检测框，对于每一组灯对检测框可进行如下操作：判断当前左车灯的检测框的中心点的水平坐标是否小于当前右车灯的检测框的水平坐标，且当前左车灯的检测框与当前右车灯的检测框的交并比(iou，intersectionoverunion)是否等于0；若当前左车灯的检测框的中心点的水平坐标小于当前右车灯的检测框的水平坐标，且当前左车灯的检测框与当前右车灯的检测框的交并比等于0，则表明当前在检测的左车灯与右车灯没有交叉区域且左车灯与右车灯的相对位置正常(即左车灯位于右车灯的左边)，此时可计算当前左车灯的检测框的竖直坐标与当前右车灯的检测框的垂直坐标的差值，并进行保存；如果左车灯的检测框的中心点的水平坐标大于或等于右车灯的水平坐标，或者当前左车灯的检测框与当前右车灯的检测框的iou不等于0，则表明检测到的检测框不正常，需舍弃该组灯对检测框。在依次遍历完所有灯对检测框后，可将垂直坐标的差值最小的当前左车灯的检测框与当前右车灯的检测框作为最优的检测框。步骤208：根据待检测车辆的车辆标识对多帧道路场景图像中待检测车辆的车灯进行匹配，得到同一车灯组成的车灯图像序列。在提取车灯图像序列之前，可将不同帧中的车灯进行匹配；具体地，车灯匹配可以间接地通过车辆匹配来实现，经过步骤204的目标跟踪方法的处理，每辆待检测车量都拥有了唯一的id，拥有同一id的待检测车辆所对应的左/右车灯即为不同时刻的同一车灯；通过提取连续多帧道路场景图像中的同一车灯便形成了车灯图像序列。在进行车灯区域提取时，为了防止因车灯的检测框不精确而出现提取到的车灯不完整的问题，可以车灯的检测框为基准，将车灯的检测框长和宽各扩展至原来的β倍，以作为裁剪区域进行裁剪，即车灯图像序列中每个车灯图像的尺寸大于对应的车灯的检测框的尺寸，且车灯图像的中心与对应的车灯的检测框的中心相同，β可设置为1.3。为了保证识别的准确率，参与识别的车灯图像序列所包含的帧数对应的时间长度至少包含一个车灯的闪烁周期；例如，转向灯闪动的频率为0.5至1秒一次，在视频帧率为12.5fps的情况下，每一个提取到的车灯图像序列需至少为连续的13帧，以保证转向灯至少完成了一个周期的闪动，低于13帧的车灯图像序列不参与识别。在将车灯图像序列输入转向识别网络进行识别之前，可将所有车灯图像的分辨率调整为100*100，以方便进行识别。步骤209：对车灯图像序列进行处理，得到转向信号。可构建基于cnn-lstm(longshorttermmemory，长短期记忆网络)结构的转向识别网络，利用该转向识别网络对待检测车辆的车灯的状态进行识别。在一具体的实施例中，该转向识别网络包括特征提取子网络和时序建模子网络，如图5所示，n为车灯图像序列所包含的道路场景图像的数量；特征提取子网络用来提取输入的车灯图像序列中每帧车灯图像的鲁棒性特征；时序建模子网络用于接收每帧车灯图像的特征，并对其进行时序建模，然后输出车灯图像序列的识别结果，即车灯是开启还是关闭。进一步地，特征提取子网络是一个全卷积神经网络，其包括输入卷积层、3个具有相同参数的残差块以及输出卷积层，可输出提取到的特征。时序建模子网络由lstm单元和全连接网络组成，输入数据通过lstm单元内置的输入门、遗忘门以及输出门处理后，能够建立时序上的联系；每个lstm单元可接收特征提取子网络提取的对应帧的特征，lstm单元的数量与输入的车灯图像序列的长度相同。进一步地，由于特征提取子网络输出的是特征图，而lstm单元要求输入数据为向量，因而将特征提取子网络输出的特征图形变换为向量后再输入至lstm单元，最后一个lstm单元与全连接层连接，第二个全连接层的神经元个数为2，用于输出该车灯图像序列的状态，即开启或者关闭。基于训练好的转向识别网络，在识别阶段，可先将所有提取到的左车灯图像进行水平翻转来模拟右车灯图像，或者将所有提取到的右车灯图像进行水平翻转来模拟左车灯图像，由于对于转向识别网络来说，仅需要训练识别一个方向的转向灯，因而通过这种方式能够在一定程度上降低任务的复杂程度。在一具体的实施例中，由于货车类车灯具有车灯容易污损以及车灯位置不明显等特征，导致识别困难，误检测率较高；在进行车尾转向灯的状态识别时，可将车尾转向灯分为货车类尾灯(包括大货车、泥罐车或洒水车)以及非货车类车灯。可利用转向识别网络对车灯图像序列进行识别，得到待检测车辆的车灯开启的置信度；然后判断车灯开启的置信度是否大于第一预设置信度；若车灯开启的置信度大于第一预设置信度，则判定待检测车辆的车灯开启；若车灯开启的置信度小于或等于第一预设置信度，则判定待检测车辆的车灯关闭；然后可根据左车灯和/或右车灯的状态，确定转向信号。进一步地，在只有左车灯开启时，判定转向信号为左转信号；在只有右车灯开启时，判定转向信号为右转信号；在左车灯与右车灯均开启时，判定转向信号为双闪信号；在左车灯与右车灯均关闭时，判定转向信号为无转向信号。对于非货车的车尾转向灯的识别，由于特征比较明显，较容易判断，因而可采用上述的方法进行单次识别；而对于货车的车尾转向灯，可采用如下方式进行识别：在误检率较高时，为了降低误检率，可采用二次识别的方法进行识别，即对间隔预设时间的同一车灯的两个车灯图像序列分别进行识别，得到相应的转向信号；然后判断两次识别出的转向信号是否均为无转向信号，且两次识别中车灯关闭的置信度是否均大于第二预设置信度；若两次识别出的转向信号均为无转向信号，且两次识别中车灯关闭的置信度均大于第二预设置信度，则判定转向信号为无转向信号，即待检测车辆未开启车灯，该第二预设置信度可以与第一预设置信度相同。步骤210：根据转向信号与待检测车辆所处的待检测车道，确定待检测车辆是否违章。可判断转向信号的类别与相应的待检测车道的转向标志是否相同；若转向信号的类别与相应的待检测车道的转向标志相同，则判定该待检测车辆未违章；若转向信号的类别与相应的待检测车道的转向标志不同，则判定该待检测车辆违章；例如，转向信号的类别为无转向信号，而此时待检测车辆处于右转车道，则判定该驾驶行为违章。本实施例可先从道路场景图像中检测出待检测车辆，并获取待检测车辆的车牌号，为相同的待检测车辆分配同一车辆标识；然后利用车灯检测网络获取待检测车辆中的车灯，利用车辆标识将不同帧中的车灯关联起来以构建车灯图像序列，并对车灯图像序列进行识别，确定待检测车辆处于转向车道时是否开启转向灯，从而判定驾驶人员的驾驶行为是否违章，而且可通过对车灯的检测结果进行过滤，能够降低车灯检测的误检率，提高识别的准确率。参阅图6，图6是本申请提供的车辆违章的检测装置一实施例的结构示意图，车辆违章的检测装置60包括互相连接的存储器61和处理器62，存储器61用于存储计算机程序，计算机程序在被处理器62执行时，用于实现上述实施例中的车辆违章的检测方法。由于车辆违章的检测装置60先提取车灯提取再进行转向状态的识别，消除了车灯以外的区域对识别过程的干扰，抗干扰能力强；相比于需要预先对齐的方法，该方法可直接使用车灯检测网络定位车尾转向灯，不需要对每帧道路场景图像进行对齐，大大提高了识别速度；该方法可采用单车灯识别的方式进行识别，使得即使在一只车尾转向灯缺失的情况下也能对车灯的状态进行识别，适用范围广，且识别准确率较高。图7是本申请提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质70用于存储计算机程序71，计算机程序71在被处理器执行时，用于实现上述实施例中的车辆违章的检测方法。计算机可读存储介质70可以是服务端、u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅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。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单元来实现本实施方式方案的目的。另外，在本申请各个实施方式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。以上仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本申请的专利保护范围内。当前第1页12