一种交通标志深度学习模式识别方法与流程

本发明涉及交通标志识别领域，尤其涉及一种深层网络模型图像模式识别的方法。

背景技术：

在汽车行驶过程中，交通标志图像的模式识别是智能交通控制系统的重要组成部分，在这个环节中对不同交通指令状态的识别精度对后续汽车行驶控制效果有至关重要的作用。通过摄像采集道路现场环境中的不同种类交通数据进行辨识，判断出当前交通指令状态的类型，并反馈到汽车的控制机构，通过控制执行机构的运行来保障汽车的安全行驶，最后使智能汽车满足无人驾驶的生产标准,所以应该寻求和研究高精度交通标志的模式识别方法。

道路交通标志识别(tsr,trafficsignsrecognition)作为车载辅助系统中一个重要分支，是目前尚未解决的难题之一。由于交通标志中含有许多重要的交通信息，如对当前行车的速度提示、前方道路状况的变化、驾驶员行为制约，因此在该辅助系统中，如何快速、准确、有效地识别出道路中的交通标志并将之反馈给驾驶人员或控制系统，对于保证驾驶安全,避免交通事故的发生具有十分重要的研究意义。路面交通标志识别常用的方法包括基于形状的识别方法，特征提取与分类器结合的方法，深度学习的识别方法。基于形状的识别方法鲁棒性较差，复杂环境中效果不佳。特征提取与分类器结合的方法识别效果较好，但计算开销大，环境适应能力比较差。深度学习能够直接对原始图像进行识别，提取反映数据本质的隐性特征，具有足够的学习深度。卷积神经网络具有局部权值共享的特性，对于环境复杂、多角度变化等情况都具有一定的实时性和鲁棒性。因此，需要设计一种能够精确获取道路场景中路面交通标志的识别方法。

传统的交通标志模式识别方法是利用模板匹配、神经网络、图像特征与分类器结合等方法，充分利用图像sift、hog、haar、orb特征得到不错的效果。这些人为特征抗扰能力差，在理论上存在缺陷，难以满足高精度图像识别的需求。基于深层网络的交通标志识别方法简单有效，但是网络训练时间不够理想，训练模型过大，实际应用的很少。近年来，本领域内的专家学者研究了轻量型的深层网络的图像识别和应用方面的技术，取得了非常好的效果。但是由于神经网络的复杂性和现有优化技术的不足，导致基于神经网络模式识别系统的辩识模型结构复杂，并且存在网络训练时间长，稳定性差等问题。

交通标志图像包括指示、禁止、警告等几类，同类交通图像也存在大量的类内变化，使识别过程更加复杂。在城市道路环境下，由于时间、角度、天气不同，标志图像信息可能会受到颜色、形状等干扰，精确的检测并完整的截取标志区域难度较大。

另一方面，智能优化算法在最近几十年里得到了快速的发展，通过智能优化方法可以得到很多非线性优化问题的最优解。将智能优化算法技术应用到量子神经网络训练中，提高了建模精度和效率，是非线性建模领域的富有前景和应用价值的研究方向。这也为高精度和高效率的交通标志在线模式识别技术问题提供了技术支持和理论依据。

综上所述，针对现有技术中交通标志识别的准确率低、参数冗余与过拟合的问题，目前尚未有有效的解决方案。

技术实现要素：

本发明目的在于提供一种能够提高交通标志识别的准确率、精简结构参数、消除过拟合的交通标志深度学习模式识别方法，为控制系统提供可靠的控制依据，为提高智能交通的无人驾驶技术提供有力保证。

为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：

步骤1，输入交通标志图像作为测试样本与训练样本并进行预处理；

步骤2，设计卷积神经网络模型，使用样本训练网络，通过训练让网络自动提取深层颜色特征用以排除人工的痕迹；

步骤3，使用深层颜色特征训练分类器识别测试样本的交通标志，进行交通标志识别。

进一步的，步骤1中，训练样本的预处理包括：

对训练、测试样本实施去均值，训练样本图像减去训练样本均值；测试样本图像减去训练样本均值；

随机选择对训练样本增加转动角度，提升图像在角度方面的图像多样性，转动角度设定在一定范围之内；

随机选择对训练样本在水平方向上进行拉伸或压缩，提升图像在视觉方面的图像多样性，拉伸或压缩幅度设定在一定范围之内；

统一训练样本、测试样本尺寸大小。

进一步的，步骤2中，设计一个n层卷积神经网络特征加权融合残差模型；

采用的交通标志数据库有43种标志，所以使网络输出为aⁱ,i＝1,2,3...m，其中为输出m个数,m＝43；网络加权通道为k，k＝6；则网络每一层的计算公式如下：

其中l为网络的第l层；wlj为第l层网络通道；xl为第l层输入。

进一步的，步骤2中，使用样本训练卷积神经网络，提取深层颜色特征包括：

使用随机和稀疏连接表在特征维度上构建每个卷积层，并根据多个卷积层构建卷积神经网络对交通标志图像进行卷积与池化操作；

使用squeeze-excitation网络模块对不同通道的图像特征图进行加权运算，使用模块中全连接层对图像特征进行加强；

将不同尺寸的特征通道模块融合为多尺度颜色特征；

将不同深度上的特征进行归一化并融合为深层颜色特征；

根据每个尺度特征融合层第一层的输入与网络尺度特征融合层拟合的底层映射学习卷积神经网络的残差映射。

进一步的，所述使用随机和稀疏连接表在特征维度上构建每个卷积层，根据多个卷积层构建卷积网络对交通标志图像进行卷积与池化操作包括：

卷积层在特征维度上使用随机和稀疏连接表组合密集的网络形成逐层结构，分析最后一层的数据统计并聚集成具有高相关性的神经元组，该神经元形成下一层的神经元并连接上一层的神经元；相关的神经元集中在输入数据图像的局部区域，在下一层覆盖小尺寸的卷积层，小数量展开的神经元组被较大的卷积所覆盖，其中，融合多尺度特征的采用3×3和5×5大小的卷积层和3×3大小的池化层过滤器，所有输出的滤波器组连接作为下一层的输入；在高计算量的3×3和5×5的卷积核之前添加1×1的卷积核。

进一步的，所述使用squeeze-excitation网络模块对不同通道的图像特征图进行加权运算，使用模块中全连接层对图像特征进行加强包括：

在一种尺度特征卷积通道中，图像经过卷积池化浅层操作进入squeeze-excitation网络模块；在squeeze-excitation模块中使用最大汇聚对局部区域中邻域内的特征点取最大值的方式进行池化操作；

特征组得到输入为1×1×n(通道数)输出为1×1×n的三层全连接网络.映射特征组的n维向量对不同通道的图像特征图进行加权运算，自动增强图像特征信息。

进一步的，所述将不同尺寸的特征进行融合为多尺度颜色特征，融合多尺度特征采用6条网络通道，单个通道包括浅层卷积池化提取和se网络模块两部分；6条通道的浅层机构分别采用两个3×3、5×5大小的卷积层过滤器和两个3×3大小的池化层过滤器；两个同尺度网络通道的浅层网络层数不同，其余相同。

进一步的，所述将不同深度上的特征进行归一化并融合为深层颜色特征，为在合并的特征图向量中的每个像素内进行归一化，并根据缩放因子对每个向量的通道独立的进行缩放；对六条单通道浅层网络后的特征和深层squeeze-excitation网络后的特征尺寸归一化之后进行合并使得图像信息的深层特征与浅层特征相结合。

进一步的，根据每个尺度特征融合层第一层的输入与网络尺度特征融合层拟合的底层映射学习卷积神经网络的残差映射，采用滤波器个数为64，128，256的多尺度特征融合层后与网络融合层拟合的底层映射学习卷积网络的残差映射，每种尺度特征融合层进行3次叠加，形成9层特征融合残差网络。

进一步的，所述步骤2的具体步骤为：

2-1，确定用于交通标志模式识别的卷积神经网络训练学习的控制参数：

具体控制参数包括：用于网络训练初始种类个数np，最大学习代数n，网络训练效果的目标值e，以及训练样本数目m；

2-2，训练样本数据的处理：

将交通标志预处理图像直接输入到网络，让网络前端的多层卷积神经网络进行自动特征提取，然后输入到输出层激励函数中去；

2-3，多层卷积神经网络的设置：

多层卷积神经网络模型采用网状拓扑结构，是由特征提取层、特征加权通道、特征融合层和输出层构成；特征提取层也称浅层特征提取层，由6种尺度不同的卷积池化层构成；

2-4，特征加权通道的设置：

给定一个输入x，其特征层数为c_1，通过对特征层加权运算变换得到一个特征通道数为c_2的特征；这是通过使用全局平均池化生成通道统计实现的。形式上，统计z∈r^c是通过在空间维度w×h上收缩u生成的，其中z的第c个元素通过下式计算：

通过参数来为每个特征通道生成权重，其中参数被学习用来显式地建模特征通道间的相关性；选择采用sigmoid激活：

s＝fex(z,w)＝σ(g(z,w))＝σ(w2δ(w1z))

其中，δ是指relu函数，w1∈r^c_3×c和w2∈r^c_3×c，即降维层参数为w1，然后是一个参数为w2的升维层，c_3设置为16；

为了限制模型复杂度和辅助泛化，在两个全连接(fc)层使用dropout操作，dropout减弱了神经元节点间的联合适应性，增强了泛化能力，节点dropout率设置为0.5；

将excitation的输出的权重看做是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定：

x′c＝fscale(uc,sc)＝sc·uc

其中x′＝[x′1,x′2,...,x′c]和fscale(uc,sc)指的是特征映射uc∈r^w×h和标量sc之间的量sc之间的对应通道乘积；

2-5，特征融合模型块的设置：

将六个分支的输出特征进行组合，最终的输出特征为k维，该网络融合层的输出特征进行batchnormalization归一化，进行out_dim个1×1卷积核并relu激活；特征融合模块的输入层经过out_dim个1×1卷积核并relu激活与经过多尺度模型融合的输出特征一并作为下一个特征融合模块的输入特征组成一个残差网络模型；

2-6，残差学习模型块的设置：

利用残差学习模型块将h(x)作为网络叠加层拟合的底层映射，其中x表示每个叠加层的第一层的输入；假设多个非线性网络层可以渐近地逼近复杂函数，等价于非线性层所渐近的残差函数，即h(x)-x；因此，让这些非线性层近似于残差函数：f(x)＝h(x)-x；那么，原函数变为f(x)+x；

2-7，记录训练学习的网络参数，得到一个9层网络模型43输出的多层激励函数的改进型卷积神经网络；

按照上述步骤建立好网络后，再进行交通标志识别。

与现有技术相比，本发明具有如下优点：通过使用输入交通标志图像作为测试样本与训练样本并进行预处理、使用训练样本训练卷积神经网络提取深层颜色特征、使用深层颜色特征训练分类器识别测试样本的交通标志的技术手段，提高交通标志识别的准确率，精简结构参数，消除过拟合。

附图说明

图1为本发明方法的流程图。

图2为本发明方法中多尺度特征融合网络的模块示意图。

图3为本发明方法中squeeze-excitation模块示意图。

图4为本发明方法中squeeze-excitation模块运算示意图。

图5为本发明方法中滤波器个数为64，128，256的多尺度特征融合层后添加残差学习模型图。

图6为采用本发明进行交通标志识别所得到的识别精度图。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

特征表征就是指图像在cnn某层的激活值，特征表征的大小在cnn中应该是缓慢的减小的。高维的特征更容易处理，在高维特征上训练更快，更容易收敛。低维嵌入空间上进行空间汇聚，损失并不是很大。这个的解释是相邻的神经单元之间具有很强的相关性，信息具有冗余。

平衡的网络的深度和宽度。宽度和深度适宜的话可以让网络应用到分布式上时具有比较平衡的计算预算。

图1为本发明的流程图，它包括以下步骤：

步骤1，输入交通标志图像作为测试样本与训练样本并进行预处理；

步骤2，设计卷积神经网络模型，使用样本训练网络，提取深层颜色特征；

步骤3，使用图像深层特征训练分类器识别测试样本的交通标志。

根据本发明实施例提供的基于深度学习的交通标志识别方法包括：

网络模型的设计阶段：在对整个网络模型设计的过程中，主要解决大型网络在拥有大量参数的条件下，网络容易出现过拟合现象以及过度增加计算资源的影响，在不增加大量参数的条件下提高网络的学习能力的问题。一般的大型网络结构往往存在其深层网络的损失值不小于其浅层网络损失值的缺点，本专利通过残差映射，重构网络层的学习函数，将残差逼近零值的方式，有效的解决了该问题。同时本专利通过合并不同尺寸网络层的输出特征，实现图像特征的多尺度融合。为使得网络进一步全方位的学习输入交通标志图像的深层特征，实现局部特征与全局特征的融合，将深浅层网络结构通过squeeze-excitation网络模块进行合并。步骤2包括下列依次执行的操作内容：

(1)深度学习网络模型的设计：为打破非均匀稀疏数据结构在数值计算上的低效性并改进网络模型的学习能力，卷积层在特征维度上使用随机和稀疏连接表，同时组合密集的网络。形成一种逐层结构，需要分析最后一层的相关数据统计，并将它们聚集成具有高相关性的神经元组。这些神经元形成下一层的神经元，并连接上一层的神经元。在接近数据的较低层中，相关的神经元集中在输入数据图像的局部区域。即最终有大量的特征信息会集中在同一个局部区域，这会在下一层覆盖小尺寸的卷积层。并且存在小数量展开的神经元组可以被较大的卷积所覆盖。为了对齐像素尺寸，融合多尺度特征的卷积层采用1×1,3×3和5×5大小的过滤器，池化层采用3×3大小的过滤器。并将所有输出的滤波器组进行连接，作为下一层的输入；

为保证特征在图像放生旋转、平移、伸缩等条件下的不变性，使用最大汇聚对局部区域中邻域内的特征点取最大值。以减小卷积层参数误差造成的估计均值偏移现象，更多的保留图像细节的纹理信息。

由于该模型块彼此堆叠，他们的相关数据必然会发生变化。当高层的特征被更高层所捕获时，他们的空间集中度会变小，此时滤波器的大小应该随着网络层数的增高而变大。但是使用5×5的卷积核会带来巨大的计算量，若上一层的输出为100×100×128，则经过具有256个输出的5×5卷积核之后，输出数据大小为100×100×256。其中，卷积层共有参数128×5×5×256个。显然这会带来高昂的计算量。一旦将pooling添加到特征融合层中，由于输出过滤器的数量等于前一层中的过滤器数量，因此计算量会显著增加。合并层的输出与卷积层输出后的合并都将导致层间的输出数量的增加。即使inception结构可以覆盖最佳的稀疏结构，但计算的低效性会导致在迭代过程中发生计算量爆炸的现象。

为解决5×5大小的卷积核带来巨大的计算量，并保持稀疏结构，压缩计算量。在高计算量的3×3和5×5的卷积核之前采用1×1的卷积核减小计算量，其网络模型块结构如图2所示。

特征融合网络模型由多个卷积层彼此堆叠而成，并加入最大汇聚将网络的分辨率减半。由于网络在训练期间的记忆性，多尺度特征融合模块在高层网络有很好的效果。该网络模型允许在每个阶段显著地增加神经元数量，且不会放大计算量。缩减尺寸的多尺度特征融合模型允许将每层最后的大量输入传递到下一层网络中去。多尺度特征融合结构中在每个较大的卷积核计算之前先减小卷积核的尺寸，即在多个尺度上处理视觉信息，然后聚合多尺度特征信息，使得下一层网络可以同时获得不同尺度的抽象特征。

(2)引入另一种空间维度来进行特征通道间的融合，采用了一种“特征重标定”策略。具体来说，就是通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。

图3为给出的改进se(squeeze-excitation)模块的示意图。给定一个输入x，其特征层数为c_1，通过一系列卷积等一般变换后得到一个特征层数为c_2的特征。与传统的cnn不一样的是，接下来我们通过三个操作来重标定前面得到的特征。

首先是squeeze操作，我们顺着空间维度来进行特征压缩，将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。它表征着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野，这一点在很多任务中都是非常有用的。这是通过使用全局平均池化生成通道统计实现的。形式上，统计z∈r^c是通过在空间维度w×h上收缩u生成的，其中z的第c个元素通过下式计算：

其次是excitation操作，通过参数来为每个特征通道生成权重，其中参数被学习用来显式地建模特征通道间的相关性。为了满足这些标准，我们选择采用sigmoid激活：

s＝fex(z,w)＝σ(g(z,w))＝σ(w2δ(w1z))

其中δ是指relu函数，w1∈r^c_3×c和w2∈r^c_3×c。即降维层参数为w1，然后是一个参数为w2的升维层，c_3设置为16。

然后是dropout操作，为了限制模型复杂度和辅助泛化，我们通过在非线性周围形成两个全连接(fc)层的瓶颈来参数化门机制，dropout操作使一个神经单元和随机挑选出来的其他神经单元共同工作，减弱了神经元节点间的联合适应性，增强了泛化能力，节点dropout率设置为0.5。

最后是一个reweight的操作，我们将excitation的输出的权重看做是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定：

x′c＝fscale(uc,sc)＝sc·uc

其中x′＝[x′1,x′2,...,x′c]和fscale(uc,sc)指的是特征映射uc∈r^w×h和标量sc之间的对应通道乘积。

图4是将se模块嵌入到特征融合模块的一个示例。方框旁边的维度信息代表该层的输出。这里我们使用globalaveragepooling作为squeeze操作。紧接着两个fullyconnected层组成一个bottleneck结构去建模通道间的相关性，并输出和输入特征同样数目的权重。我们首先将特征维度降低到然后经过relu激活后再通过一个fullyconnected层升回到原来的维度。这样做比直接用一个fullyconnected层的好处在于：1)具有更多的非线性，可以更好地拟合通道间复杂的相关性；2)极大地减少了参数量和计算量。然后通过一个sigmoid的门获得0～1之间归一化的权重，最后通过一个scale的操作来将归一化后的权重加权到每个通道的特征上。

(3)这样一个网络的其中一个网络模块具有10层，可以说是相对较大深度的网络，因此如何以一个有效地方式将梯度传播回所有层是一个重要的问题。利用残差学习模型块将h(x)作为网络叠加层拟合的底层映射，其中x表示每个叠加层的第一层的输入。假设多个非线性网络层可以渐近地逼近复杂函数，等价于非线性层所渐近的残差函数，即h(x)-x。因此，让这些非线性层近似于残差函数：f(x)＝h(x)-x。那么，原函数变为f(x)+x。

虽然两种形式都可以渐近的逼近期望函数，但学习的容易性不同。添加层构造身份映射，以满足更深层的模型具有不大于其较浅层对等模型的训练误差。当身份映射最优时，简单的将多个非线性层的权重向零推进以接近身份映射。若最优函数不接近于零映射而是接近于恒等映射，则依据恒等映射寻找扰动。

每个构造块的定义为y＝f(x,{wi})+x，这里x和y分别是该构造块的前一层输入和最后层的输出向量。函数f(x,{wi})即为要学习的残差映射。

这里以两层的残差学习的构造块为例，其中f＝w2σ(w1x)中的σ表示relu激活，并且省略了偏置参数。y＝f(x,{wi})+x中的快捷链接不会引入额外的参数且不会增加计算的复杂度。在y＝f(x,{wi})+x中的x和f尺寸必须相等，当x和f的尺寸不相等时，通过线性投影匹配尺寸，如式：y＝f(x,{wi})+wsx，残差学习对于单层的构造块，类似于线性层：y＝w1x+x，并不能对深层网络起到优化的效果。故采用具有三层的残差学习构造块，如图5所示。

研究发现，当残差学习的模型块中滤波器的数量超过1000时，残差学习会出现不稳定的现象。resnet-50，resnet-101，resnet-152网络均在res4这层网络中达到了最高点，res4层滤波器的数量为1024，在res5层出现了明显的下降拐点，res5层的滤波器数量为2048。因此resnet在滤波器数量超过1000时，网络表现出不稳定性，并且网络会在训练早期出现“死亡”的现象。通过降低学习率或对残差学习模型块添加额外的批次归一化并不能解决该问题。因此本发明的网络中的滤波器个数最多为256个，分别在滤波器个数为64，128，256的多尺度特征融合层后添加残差学习模型，如图5所示。

下面根据本发明实施例进一步具体描述步骤(1)(2)(3)的操作内容：

将图像数据集送进本发明所设计的网络中开始进行深度学习。输入层中图像被再次调整为120×120×3，然后被送到卷积层conv1中，然后进行relu激活，得到64维特征图，再进行归一化。之后被送入第一层特征融合层，每个特征融合模块包括6个特征运算通道，如图2所示，分别为两个尺度大小为3×3和5×5的卷积层和尺度大小为3×3池化层过滤器，后分别加上了1x1的卷积核起到了降低特征图厚度的作用。

特征融合模型块中，将特征运算分成六个分支，采用不同尺度的卷积核处理多尺度问题。这六个分支如下：

1、经过16个1×1的卷积核后，经过relu激活后进入两个叠加的16个3×3的卷积核，经过relu激活后再进行64个1×1卷积核。之后一个分支进入squeeze-excitation网络，一个分支进行64个1×1卷积核，并在最后合并。

2、经过16个1×1的卷积核后，经过relu激活后进入单层16个3×3的卷积核，经过relu激活后再进行64个1×1卷积核。之后一个分支进入squeeze-excitation网络，一个分支进行64个1×1卷积核，并在最后合并。

3、经过16个1×1的卷积核后，经过relu激活后进入两个叠加的16个5×5的卷积核，经过relu激活后再进行64个1×1卷积核。之后一个分支进入squeeze-excitation网络，一个分支进行64个1×1卷积核，并在最后合并。

4、经过16个1×1的卷积核后，经过relu激活后进入单层16个5×5的卷积核，经过relu激活后再进行64个1×1卷积核。之后一个分支进入squeeze-excitation网络，一个分支进行64个1×1卷积核，并在最后合并。

5、经过两层核大小为3×3的64维平均池化层，经过relu激活后进行batchnormalization归一化。之后一个分支进入squeeze-excitation网络，一个分支进行64个1×1卷积核，并在最后合并。

6、经过单层核大小为3×3的64维平均池化层，经过relu激活后进行batchnormalization归一化。之后一个分支进入squeeze-excitation网络，一个分支进行64个1×1卷积核，并在最后合并。

将六个分支的输出特征进行组合，最终的输出特征为384维，送入残差学习的模型块。该网络融合层的输出特征进行batchnormalization归一化，进行out_dim个1×1卷积核并relu激活。特征融合模块的输入层经过out_dim个1×1卷积核并relu激活与经过多尺度模型融合的输出特征一并作为下一个特征融合模块的输入特征组成一个残差网络模型。上述描述的out_dim大小为64、128、256，后续的特征融合模型块与残差学习模型块的结合类似，这里就不再重复描述。

残差模块底层输出特征经过归一化后合并送入平均池化层中，输出特征为1×1×512，经过降低50％输出比的dropout层，最后送入具有softmax损失的线性层作为分类器，由于共分为43类，故softmax最终为43×1的向量。

深度学习网络的optimizers文件参数中通过多次训练网络，我们调整学习率为0.0001，并以step的方式更新学习率，stepsize设为1000，最大迭代次数为2000，权重衰减设为0.0002。

交通标志分类阶段：深度学习的网络结构中保留softmax分类，但每次都使用整个网络模型的softmax进行分类会造成巨大的计算量，容易发生过拟合现象，并且无法保证在最终的卷积层输出的特征经过softmax分类后的结果就是最佳分类结果。若要修改softmax分类的参数，整个深度学习的网络需要重新分类。为解决上述问题，采用svm分类器对网络每层的输出特征进行训练，比较训练结果，选取最高正确率的网络层特征作为今后最终交通标志图像的特征，解决了调整参数的灵活性，避免了重新训练网络的过程。

从上面所述可以看出，本发明提供的技术方案通过使用输入交通标志图像作为测试样本与训练样本并进行预处理、使用训练样本训练卷积神经网络提取深层颜色特征、使用深层颜色特征训练分类器识别测试样本的交通标志的技术手段，提高交通标志识别的准确率，精简结构参数，消除过拟合。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。