活体检测模型训练方法、系统、设备及存储介质与流程

1.本发明涉及活体检测，具体地，涉及一种活体检测模型训练方法、系统、设备及存储介质。


背景技术：

2.激光散斑是指激光在散射体表面的漫反射或通过一个透明散射体(如毛玻璃)时，在散射表面或附近的光场中可以观察到一种无规则分布的亮暗斑点，这种斑点称为激光散斑。将激光散斑投射到人脸或者攻击假体上的散斑图像如图1所示。
3.人体皮肤的基本结构如图2所示，人体的皮肤内部结构复杂，其中的毛细血管遍布皮肤内表面，人体正常血液循环中，毛细血管里边血液始终处于流动状态，这个流动的状态会导致人体皮肤的反光特性也处于动态变化之中。激光散斑照射到人体皮肤上之后，由于人体皮肤的血液流动所引起的光学特性的变化，可以直接导致激光散斑成像的特性的动态变化。而对于假体来说，由于假体的表面不存在毛细血管和血液流动，所以光学特性是稳定的，因此激光散斑的成像特性会维持在一个稳定的状态。
4.活体判定算法是人脸图像进行人脸识别之前的重要一环，在进行人脸识别之前，算法需要判断所要识别的人脸图像属于活体真人的图像，需要抵挡打印照片，电子视频，3d头模等非真人活体图像的攻击。二维平面假体，如打印二维平面假体，挖孔的二维平面假体，局部裁剪的二维平面假体，弯曲的二维打印平面假体，视频二维平面假体等，由于和真人人脸的相似度过大，目前常用的人脸活体算法有：基于rgb的人脸活体算法，基于近红外活体算法以及基于深度人脸活体算法。对于一些特别逼真或者和真人特别接近的攻击假体，比如3d头模、3d硅胶面具等，基于近红外或者rgb的活体算法很容易出现误判，此外基于深度的活体能够抵挡2d假体攻击，但是对于3d类别的假体攻击，比如3d面具、3d头模等等，往往无能为力。


技术实现要素：

5.针对现有技术中的缺陷，本发明的目的是提供一种活体检测模型训练方法、系统、设备及存储介质。
6.根据本发明提供的活体检测模型训练方法，包括如下步骤：
7.步骤s1：对多次采集的连续多帧真实人脸散斑图像进行人脸检测确定第一人脸像素区域，对所述第一人脸像素区域进行裁剪生成正样本训练集；
8.步骤s2：对多次采集的连续多帧头模假体人脸散斑图像进行人脸检测确定第二人脸像素区域，对所述第二人脸像素区域进行裁剪生成负样本训练集；
9.步骤s3：根据所述负样本训练集和所述正样本训练集对神经网络模型或机器学习模型进行训练生成活体检测模型。
10.优选地，所述步骤s1包括如下步骤：
11.步骤s101：在预设定时间区间内通过深度相机采集连续的多帧真实人脸散斑图像
进行人脸检测确定第一人脸像素区域；
12.步骤s102：将所述多帧真实人脸散斑图像的第一人脸像素区域进行裁剪生成一正样本；
13.步骤s103：重复执行步骤s101至步骤s102，生成所述正样本训练集。
14.优选地，所述步骤s2包括如下步骤：
15.步骤s201：在预设定时间区间内通过深度相机采集连续的多帧头模假体人脸散斑图像进行人脸检测确定第二人脸像素区域；
16.步骤s202：将所述多帧头模假体人脸散斑图像的第二人脸像素区域进行裁剪生成一负样本；
17.步骤s203：重复执行步骤s201至步骤s202，生成所述负样本训练集。
18.优选地，当采集的连续多帧真实人脸散斑图像或连续多帧头模假体人脸散斑图像时，包括如下步骤：
19.步骤m1：通过深度相机的光投射模块向所述目标人物或头模假体投射点阵光；
20.步骤m2：通过所述深度相机的光接收模接收经所述目标人物或反射后的所述点阵光；
21.步骤m3：通过所述深度相机的处理器根据所述光接收模块收到的所述点阵光生成所述目标人物的散斑图像。
22.优选地，当生成正样本训练集或负样本训练集时，包括如下步骤：
23.步骤n1：对所述散斑图像进行人脸检测确定人脸像素区域；
24.步骤n2：获取所述预设置尺寸的图像截取框，将所述图像截取框移动至包括所述人脸像素区域的一目标区域；
25.步骤n3：在所述目标区域通过所述图像截取框截取预设置尺寸的像素区域生成正样本或负样本。
26.优选地，所述深度相机包括如下模块：
27.光投射模块，用于向场景中目标人物或头模假体投射离散点阵光；
28.光接收模块，用于接收所述点阵光，并生成所述真实人脸散斑图像或假体人脸散斑图像；
29.处理器模块，用于在所述散斑图像上截取预设置尺寸的人脸像素区域，将所述人脸像素区域输入活体检测模型，以进行所述活体检测模型的训练。
30.优选地，所述光投射模块包括光源、光源驱动器以及光调制器；
31.所述光源驱动器与所述光源连接，用于驱动所述光源发光；
32.所述光调制器与所述光源连接，用于将所述光源的投射的光调制形成离散点阵光后向所述目标人物投射；
33.所述光接收模块包括光学成像镜头和光探测器阵列；所述光探测器阵列包括多个呈阵列分布的光探测器；
34.所述光学成像镜头，用于使得透过所述光学成像镜头进入光探测器阵列的所述点阵光的方向向量与光探测器呈一一对应关系；
35.所述光探测器，用于接收经所述目标物体反射的点阵光。
36.根据本发明提供的活体检测模型训练系统，其特征在于，包括如下模块：
37.正样本生成模块，用于对采集的连续多帧真实人脸散斑图像进行人脸检测确定人脸像素区域后进行裁剪生成正样本训练集；
38.负样本生成模块，用于对采集的连续多帧头模假体人脸散斑图像进行人脸检测确定人脸像素区域后进行裁剪生成负样本训练集；
39.模型训练模块，用于根据所述负样本训练集和所述正样本训练集对神经网络模型或机器学习模型进行训练生成活体检测模型。
40.根据本发明提供的活体检测模型训练设备，包括：
41.处理器；
42.存储器，其中存储有所述处理器的可执行指令；
43.其中，所述处理器配置为经由执行所述可执行指令来执行所述的活体检测模型训练方法的步骤。
44.根据本发明提供的计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的活体检测模型训练方法的步骤。
45.与现有技术相比，本发明具有如下的有益效果：
46.本发明通过采集连续的多帧真实人脸散斑图像和头模假体人脸散斑图像形成正负样本训练集，训练生成形成用神经网络模型或机器学习模型的活体检测模型，通过该活体检测模型能够有效的抓住活体真人和攻击假体的本质特征，对于各类攻击假体具有广泛的抵挡作用，而且散斑图像作为一种主动光图像，还可以有效的降低环境光照给算法所带来的影响，在白天黑夜以及各种极端光照之下，能够稳定的工作而不受影响。
附图说明
47.为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
48.图1(a)为本发明实施例中3d头模假体人脸散斑图像的示意图；
49.图1(b)为本发明实施例中真实人脸散斑图像的示意图；
50.图2为现有技术中人体皮肤的基本结构示意图；
51.图3为本发明实施例中活体检测模型训练方法的步骤流程图；
52.图4为本发明实施例中生成正样本训练集的步骤流程图；
53.图5为本发明实施例中生成负样本训练集的步骤流程图；
54.图6为本发明实施例中散斑图像的采集的步骤流程图；
55.图7为本发明实施例中在散斑图像上截取像素区域生成正负样本的步骤流程图；
56.图8为本发明实施例中通过活体检测模型进行活体检测的步骤流程图；
57.图9为本发明实施例中深度相机采集人脸散斑图像的示意图；
58.图10为本发明实施例中光投射模块的模块示意图；
59.图11为本发明实施例中光接收模块的模块示意图；
60.图12为本发明实施例中散斑图像中像素点提取的示意图；
61.图13为本发明实施例中真人皮肤反射的散斑亮度随时间变化图；
62.图14为本发明实施例中3d头模假体反射的散斑亮度随时间的变化图；
63.图15为本发明实施例中活体检测模型训练系统的模块示意图；
64.图16为本发明实施例中活体检测模型训练设备的结构示意图；以及
65.图17为本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
66.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
67.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
68.下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
69.本发明提供的活体检测模型训练方法、系统、设备及存储介质，旨在解决现有技术中存在的问题。
70.下面以具体地实施例对本发明的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
71.图3为本发明实施例中活体检测模型训练方法的步骤流程图，如图3所示，本发明提供的活体检测模型训练方法，包括如下步骤：
72.步骤s1：对多次采集的连续多帧真实人脸散斑图像进行人脸检测确定第一人脸像素区域，对所述第一人脸像素区域进行裁剪生成正样本训练集；
73.图4为本发明实施例中生成正样本训练集的步骤流程图，如图4所示，所述步骤s1包括如下步骤：
74.步骤s101：在预设定时间区间内通过深度相机采集连续的多帧真实人脸散斑图像进行人脸检测确定第一人脸像素区域；
75.步骤s102：将所述多帧真实人脸散斑图像的第一人脸像素区域进行裁剪生成一正样本；
76.步骤s103：重复执行步骤s101至步骤s102，生成所述正样本训练集。
77.在本发明实施例中，所述预设定时间区间可以为100ms至500ms内的任意值，多帧真实人脸散斑图像为5帧到15帧。
78.步骤s2：对多次采集的连续多帧头模假体人脸散斑图像进行人脸检测确定第二人
脸像素区域，对所述第二人脸像素区域进行裁剪生成负样本训练集；
79.图5为本发明实施例中生成负样本训练集的步骤流程图，如图5所示，所述步骤s2包括如下步骤：
80.步骤s201：在预设定时间区间内通过深度相机采集连续的多帧头模假体人脸散斑图像进行人脸检测确定第二人脸像素区域；
81.步骤s202：将所述多帧头模假体人脸散斑图像的第二人脸像素区域进行裁剪生成一负样本；
82.步骤s203：重复执行步骤s201至步骤s202，生成所述负样本训练集。
83.在本发明实施例中，所述预设定时间区间可以为100ms至500ms内的任意值，多帧真实人脸散斑图像为5帧到15帧。
84.步骤s3：根据所述负样本训练集和所述正样本训练集对神经网络模型或机器学习模型进行训练生成活体检测模型。
85.在本发明实施例中，所述机器学习模型采用线性回归模型或支持向量机。所述神经网络模型可以采用卷积神经网络模型。
86.图6为本发明实施例中散斑图像的采集的步骤流程图，如图6所示，当采集的连续多帧真实人脸散斑图像或连续多帧头模假体人脸散斑图像时，包括如下步骤：
87.步骤m1：通过深度相机的光投射模块向所述目标人物或头模假体投射点阵光；
88.步骤m2：通过所述深度相机的光接收模接收经所述目标人物或反射后的所述点阵光；
89.步骤m3：通过所述深度相机的处理器根据所述光接收模块收到的所述点阵光生成所述目标人物的散斑图像。
90.在本发明实施例中，所述探测器端为红外探测器，通过红外探测器接收经所述目标人物反射后的所述点阵光。
91.所述散斑图像为深度相机距离所述目标人物或头模假体距离在30至80厘米采集。
92.图7为本发明实施例中在散斑图像上截取像素区域生成正负样本的步骤流程图，如图7所示，当生成正样本训练集或负样本训练集时，包括如下步骤：
93.步骤n1：对所述散斑图像进行人脸检测确定人脸像素区域；
94.步骤n2：获取所述预设置尺寸的图像截取框，将所述图像截取框移动至包括所述人脸像素区域的一目标区域；
95.步骤n3：在所述目标区域通过所述图像截取框截取预设置尺寸的像素区域生成正样本或负样本。
96.在本发明实施例中，所述预设置尺寸为100像素
×
100像素的像素区域；所述目标区域为截取所述散斑图像人脸像素区域的矩形框。
97.图8为本发明实施例中通过活体检测模型进行活体检测的步骤流程图，如图8所示，
98.图9为本发明实施例中深度相机采集人脸散斑图像的示意图，如图9所示，所述深度相机包括：
99.光投射模块，用于向场景中目标人物投射离散准直光束；
100.光接收模块，用于接收所述光束，并在预设定时间区间获取所述目标人物的采集
连续的多帧人脸散斑图像；
101.处理器模块，用于将所述人脸像素区域输入预训练的活体检测模型，通过所述活体检测模型判断所述人脸像素区域是否为活体人脸散斑图像，并输出活体检测结果。
102.图10为本发明实施例中光投射模块的模块示意图，如图10所示，所述光投射模块包括光源、光源驱动器以及光调制器；
103.所述光源驱动器与所述光源连接，用于驱动所述光源发光；
104.所述光调制器与所述光源连接，用于将所述光源的投射的光调制形成离散点阵光后向所述待测体投射。
105.在本发明实施例中，所述光调制器采用衍射光栅(doe)或空间光调制器(slm)。
106.图11为本发明实施例中光接收模块的模块示意图，如图11所示，所述光接收模块包括光学成像镜头1和光探测器阵列3；所述光探测器阵列3包括多个呈阵列分布的光探测器；
107.所述光学成像镜头1，用于使得透过所述光学成像镜头进入光探测器阵列的所述准直光束的方向向量与光探测器呈一一对应关系；
108.所述光探测器，用于接收经所述目标物体反射的准直光束。
109.在本发明实施例中，为了过滤背景噪声，所述光学成像镜头内通常还装有窄带滤光片2，使得所述光探测器阵列仅能通过预设的波长的入射准直光束。所述预设的波长可以为入射准直光束的波长，如950纳米，也可以为小于入射准直光束50纳米和大于入射准直光束50纳米之间。所述光探测器阵列可以呈周期或者非周期性排列。根据离散准直光束数量的需求，光探测器阵列可以是多个单点光探测器的组合或者是一个集成了多个光探测器的传感器芯片。为了进一步优化光探测器的灵敏度，一个离散准直光束在目标人物上的照射光斑可以对应一个或者多个光探测器。在多个光探测器对应同一个照射光斑时，每个探测器的信号可以通过电路连通，从而在能够合并为一个探测面积更大的光探测器。
110.在本发明实施例中，所述光探测器可以采用cmos光传感器、ccd光传感器或spad光传感器。
111.图12为本发明实施例中散斑图像中像素点提取的示意图，如图12所示，对于每一帧散斑图像,沿着图12中所画的横线提取横线上的这组像素点的散斑图亮度作为纵坐标的值,将横线的横向位置，即x轴方向，作为横坐标,将每一组的多帧散斑图像的亮度分别画到同一个坐标轴上,得到真人皮肤和攻击假体的散斑亮度的随着时间变化的特性，如图13和图14所示。
112.图13为本发明实施例中真人皮肤反射的散斑亮度随时间变化图，图14为本发明实施例中3d头模假体反射的散斑亮度随时间的变化图，如图13、图14所示，从图14中可以看出，离散准直光束照射到真人皮肤上之后，由于皮肤中的毛细血管处于一个血液流动的动态变化的状态所导致的光学特性的动态变化，所以真人活体所反射的散斑亮度也处在一个动态变化之中的，对比之下，从图14中可以看出，3d头模假体由于不具备真人皮肤的这一特性，因此激光散斑的反射亮度也始终处于一种稳定的状态。
113.图15为本发明实施例中活体检测模型训练系统的模块示意图，如图15所示，本发明提供的活体检测模型训练系统，包括如下模块：
114.正样本生成模块，用于对采集的连续多帧真实人脸散斑图像进行人脸检测确定人
脸像素区域后进行裁剪生成正样本训练集；
115.负样本生成模块，用于对采集的连续多帧头模假体人脸散斑图像进行人脸检测确定人脸像素区域后进行裁剪生成负样本训练集；
116.模型训练模块，用于根据所述负样本训练集和所述正样本训练集对神经网络模型或机器学习模型进行训练生成活体检测模型。
117.本发明实施例中还提供一种活体检测模型训练设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行的活体检测模型训练方法的步骤。
118.如上，该实施例中通过采集连续的多帧真实人脸散斑图像和头模假体人脸散斑图像形成正负样本训练集，训练生成形成用神经网络模型或机器学习模型的活体检测模型，通过该活体检测模型能够有效的抓住活体真人和攻击假体的本质特征，对于各类攻击假体具有广泛的抵挡作用。
119.所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
120.图16是本发明实施例中的活体检测模型训练设备的结构示意图。下面参照图16来描述根据本发明的这种实施方式的电子设备600。图16显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
121.如图16所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
122.其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述活体检测模型训练方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。
123.存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
124.存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
125.总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
126.电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当
明白，尽管图16中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。
127.本发明实施例中还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的活体检测模型训练方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述活体检测模型训练方法部分中描述的根据本发明各种示例性实施方式的步骤。
128.如上所示，该实施例的计算机可读存储介质的程序在执行时，通过采集连续的多帧真实人脸散斑图像和头模假体人脸散斑图像形成正负样本训练集，训练生成形成用神经网络模型或机器学习模型的活体检测模型，通过该活体检测模型能够有效的抓住活体真人和攻击假体的本质特征，对于各类攻击假体具有广泛的抵挡作用。
129.图17是本发明实施例中的计算机可读存储介质的结构示意图。参考图17所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
130.程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
131.计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
132.可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
133.本发明实施例中，通过采集连续的多帧真实人脸散斑图像和头模假体人脸散斑图像形成正负样本训练集，训练生成形成用神经网络模型或机器学习模型的活体检测模型，
通过该活体检测模型能够有效的抓住活体真人和攻击假体的本质特征，对于各类攻击假体具有广泛的抵挡作用，而且散斑图像作为一种主动光图像，还可以有效的降低环境光照给算法所带来的影响，在白天黑夜以及各种极端光照之下，能够稳定的工作而不受影响。
134.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
135.以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。