基于多态拟合的协同智能安防方法及装置与流程

1.本发明属于智能安防技术领域，具体涉及基于多态拟合的协同智能安防方法及装置。


背景技术：

2.智能化安防技术随着科学技术的发展与进步和二十一世纪信息技术的腾飞已迈入了一个全新的领域，智能化安防技术与计算机之间的界限正在逐步消失，没有安防技术社会就会显得不安宁，世界科学技术的前进和发展就会受到影响。
3.物联网技术的普及应用，使得城市的安防从过去简单的安全防护系统向城市综合化体系演变，城市的安防项目涵盖众多的领域，有街道社区、楼宇建筑、银行邮局、道路监控、机动车辆、警务人员、移动物体、船只等。特别是针对重要场所，如：机场、码头、水电气厂、桥梁大坝、河道、地铁等场所，引入物联网技术后可以通过无线移动、跟踪定位等手段建立全方位的立体防护。兼顾了整体城市管理系统、环保监测系统、交通管理系统、应急指挥系统等应用的综合体系。特别是车联网的兴起，在公共交通管理上、车辆事故处理上、车辆偷盗防范上可以更加快捷准确的跟踪定位处理。还可以随时随地的通过车辆获取更加精准的灾难事故信息、道路流量信息、车辆位置信息、公共设施安全信息、气象信息等等信息来源。
4.现有的智能安防技术大都基于图像、声音、指纹或其他身份认证技术来进行。但由于各种身份信息获取技术都存在一定误差，单纯使用一种身份认证方式将大大影响准确率，但如果将多种身份信息结合起来进行安防认证，又会导致效率降低，因此研发一种既能保证效率，又能提升准确率的智能安防方法有重大意义。
5.专利号为cn201510057596.3a的专利公开了一种基于移动终端的智能安防方法及系统，所述方法具体包括：预先采集并存储人脸图像信息，当智能安防摄像端上的红外探测器检测到有人进入摄像范围内时，判断摄像头是否开启采集图像功能；若所述摄像头已经开启采集图像功能，则将采集到的实时人脸图像信息与预先存储的人脸图像信息进行比对；若采集到的实时人脸图像信息与预先存储的人脸图像信息比对不一致，则向与所述智能安防摄像端预设关联的移动终端发送提示信息。
6.其本质上依然是通过图像识别和匹配来实现身份认证，再进而实现安防和监控的目的。由于图像识别系统在工作过程中往往会因为环境因素或者自身噪声的因素导致识别准确率降低，进而出现偏差，以此降低安防系统的身份认证的准确率。


技术实现要素：

7.有鉴于此，本发明的主要目的在于提供基于多态拟合的协同智能安防方法及装置，其通过进行两次拟合，分别获得人体的图像认证信息和人体的运动轨迹信息，以进行安防预警，通过第一次拟合，可以通过较为有效率的方法得到图像信息中的人体部分，提升效率，且通过拟合得到的结果将更能排除背景因素的干扰，得到目标区域，提升准确率，同时
由于使用了两次拟合的结果进行预警判断，提升了预警判断的准确率。
8.为达到上述目的，本发明的技术方案是这样实现的：
9.基于多态拟合的协同智能安防方法，所述方法执行以下步骤：
10.步骤1：采集目标场景的视频图像信息，将视频图像信息中的第一帧作为起始图像信息；提取起始图像信息中所有的物体区域；
11.步骤2：对所有的物体区域进行第一次轮廓拟合，得到所有物体的拟合轮廓；
12.步骤3：对拟合轮廓进行识别，找到所有的拟合轮廓中的人体拟合轮廓；通过找到的人体拟合轮廓，找到物体区域中的人体区域；
13.步骤4：基于找到的人体区域进行人脸识别，得到人脸识别结果；
14.步骤5：以起始图像信息中的人体区域所在的位置作为起始点，记录人体区域在视频图像信息中其他的视频帧中的位置，作为中间点，按照视频帧的时序先后顺序，从起始点开始连接所有的中间点，得到运动路径的原轮廓；
15.步骤6：在运动路径的原轮廓中设置多个拟合节点；按照设定值，设定拟合节点的数量；拟合节点的数量至少有5个；
16.步骤7：基于运动路径和运动路径上设置的拟合节点，对运动路径进行第二次轮廓拟合，得到运动路径的拟合轮廓；
17.步骤8：基于得到的运动路径的拟合轮廓进行运动路径识别，得到运动路径识别结果；
18.步骤9：基于得到的运动路径识别结果和人脸识别结果，判断是否进行预警。
19.进一步的，所述步骤1中提取起始图像信息中所有的物体区域的方法包括：使用如下公式计算得到的分割阈值，对起始图像信息进行分割：下公式计算得到的分割阈值，对起始图像信息进行分割：其中，h为计算得到的分割阈值，n为起始图像信息的像素数量，c
j
为像素对应的像素值，α为调整系数，取值范围为200～500；根据分割结果确定背景颜色；创建多通道图像，将背景颜色对应区域的多通道图像赋值为第一值，对背景颜色对应区域以外的多通道图像赋值为第二值，得到所述起始图像信息的二值图像；根据二值图像，述起始图像信息中确定背景区域和物体区域。
20.进一步的，所述步骤2中对所有的物体区域进行第一次轮廓拟合，得到所有物体的拟合轮廓的方法包括：进行边缘检测，找到物体区域的边缘，作为待拟合图形；在待拟合图形上设置多个拟合节点，基于待拟合图形的几何特征和设置的多个拟合节点对所述待拟合图形进行有序离散点的生成；基于所述有序离散点对所述待拟合图形进行拟合，得到拟合轮廓。
21.进一步的，所述进行边缘检测，找到物体区域的边缘的方法包括：根据边缘检测算子的各预设方向上的模板及物体区域的邻域中的各像素点的取对数运算后的灰度值，对所述物体区域进行卷积运算，得到所述物体区域在所述各预设方向上的色阶固定值；根据所述物体区域在所述各预设方向上的色阶固定值，得到所述物体区域的边缘显著值；将所述
物体区域的边缘显著值与边缘显著值阈值进行比较，将边缘显著值大于或等于所述边缘显著值阈值的物体区域作为边缘点；根据得到的所述边缘点，提取所述物体区域的边缘。
22.进一步的，所述根据所述物体区域在所述各预设方向上的色阶固定值，得到所述物体区域的边缘显著值的方法包括：使用如下公式，计算得到物体区域的边缘显著值：其中，r、g和b为物体区域中的像素的rgb值，λ为调整系数，取值范围为：1～5；a、b和c为各预设方向上的色阶固定值。
23.进一步的，所述步骤7中基于运动路径和运动路径上设置的拟合节点，对运动路径进行第二次轮廓拟合，得到运动路径的拟合轮廓的方法包括：基于运动路径和运动路径上设置的拟合节点对运动路径进行有序离散点的生成；基于所述有序离散点对所述待拟合图形进行拟合，得到运动路径的拟合轮廓。
24.进一步的，所述步骤4中基于找到的人体区域进行人脸识别，得到人脸识别结果的方法包括：获取人体区域对应的在视频图像信息中所有的人脸图像信息；分别从所有的人脸图像信息中提取人脸特征信息，得到所述人体区域对应的人脸特征信息组；基于所述人脸特征信息组对所述待识别对象的人脸进行识别，得到识别结果。
25.进一步的，所述基于所述人脸特征信息组对所述待识别对象的人脸进行识别，得到识别结果，包括：将所述人脸特征信息组中的人脸特征信息进行融合，得到融合特征信息；计算所述融合特征信息与预设第一数据库中的人脸特征信息的相似度；在所述第一数据库中选择相似度最高的人脸特征信息作为识别结果。
26.进一步的，所述将所述人脸特征信息组中的人脸特征信息进行融合，得到融合特征信息的方法包括：使用如下公式，将人脸特征信息进行融合计算，得到融合特征信息：其中，m为融合特征信息；l为人脸特征信息的数量；p为人脸特征信息；t为人脸特征信息的融合组值，所述融合组值定义为随机生成的融合值数组。
27.基于多态拟合的协同智能安防装置。
28.本发明的基于多态拟合的协同智能安防方法及装置，具有如下有益效果：
29.1.效率高：本发明在进行多次拟合预警的过程中，没有采用传统技术中的直接对图像信息进行分析，因为直接对图像信息进行识别和判断，所需要进行的算法量将会非常巨大，而传统的直接通过提取图像中的目标区域部分，也会因为本身图像中的其他干扰部分而需要后续进行大量的去噪和鉴别工作；本发明虽然使用了两次拟合，且相较于传统方法，在进行识别和判断之前，前序步骤更多，但由于使用了基于拟合和轮廓的方法，使得算法量和现有技术相当，且在这个前提下，提升了准确率。
30.2.准确率高：本发明在进行预警时，没有仅仅使用单一的判断方式，而是结合图像识别和路径识别的方式来判断，相较于单一的判断预警方式，其效率更高，另外，在进行人脸图像识别时，首先基于拟合的方式获得人体轮廓，以排除背景噪声和其他物体的干扰。另一方面，本发明在进行图像识别时，在获得轮廓后，本发明首先使用基于边缘显著值的边缘检测来获得物体区域的边缘，再进行识别和判断，提升识别和判断的效率和准确率；同时，本发明在进行路径判断时，也通过路径轮廓拟合的方式来实现，而非直接进行路径判断，因
为通过路径拟合后得到的路径，相较于直接获得的路径，更加容易进行判断和计算，减少了路径在产生过程中的毛刺和其他分支路径的影响，提升效率，相当于对路径进行特征提取，使得计算得到的效率更高，且不影响准确率。
附图说明
31.图1为本发明实施例提供的基于多态拟合的协同智能安防方法的系统结构示意图；
32.图2为本发明实施例提供的基于多态拟合的协同智能安防方法及装置的人力拟合轮廓示意图；
33.图3为本发明实施例提供的基于多态拟合的协同智能安防方法及装置在进行拟合时，设置拟合节点的原理示意图；
34.图4为本发明实施例提供的基于多态拟合的协同智能安防方法及装置的不同拟合节点数量进行拟合时的原理示意图；
35.图5为本发明实施例提供的基于多态拟合的协同智能安防方法及装置在进行运动路径拟合时的原理示意图；
36.图6为本发明实施例提供的基于多态拟合的协同智能安防方法及装置的预警准确率随着实验次数变换的曲线示意图与现有技术的对比实验效果示意图；
37.图7为本发明实施例提供的基于多态拟合的协同智能安防方法及装置的预警准确率随着实验次数变换的曲线示意图与现有技术的对比实验效果示意图。
具体实施方式
38.下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
39.实施例1
40.如图1所示，基于多态拟合的协同智能安防方法，所述方法执行以下步骤：
41.步骤1：采集目标场景的视频图像信息，将视频图像信息中的第一帧作为起始图像信息；提取起始图像信息中所有的物体区域；
42.步骤2：对所有的物体区域进行第一次轮廓拟合，得到所有物体的拟合轮廓；
43.步骤3：对拟合轮廓进行识别，找到所有的拟合轮廓中的人体拟合轮廓；通过找到的人体拟合轮廓，找到物体区域中的人体区域；
44.步骤4：基于找到的人体区域进行人脸识别，得到人脸识别结果；
45.步骤5：以起始图像信息中的人体区域所在的位置作为起始点，记录人体区域在视频图像信息中其他的视频帧中的位置，作为中间点，按照视频帧的时序先后顺序，从起始点开始连接所有的中间点，得到运动路径的原轮廓；
46.步骤6：在运动路径的原轮廓中设置多个拟合节点；按照设定值，设定拟合节点的数量；拟合节点的数量至少有5个；
47.步骤7：基于运动路径和运动路径上设置的拟合节点，对运动路径进行第二次轮廓拟合，得到运动路径的拟合轮廓；
48.步骤8：基于得到的运动路径的拟合轮廓进行运动路径识别，得到运动路径识别结果；
49.步骤9：基于得到的运动路径识别结果和人脸识别结果，判断是否进行预警。
50.参考图2，本发明在找到物体区域中的人体区域后，对其进行了一次轮廓拟合，在进行轮廓拟合时，在边缘上设置了多个拟合节点，拟合节点的设置遵循均匀设置的法则，以α角的间隔进行设置。
51.参考图3，拟合节点在边缘上有多个，自初始拟合节点后，按照一定的距离在边缘上进行设置。
52.参考图4，本发明在进行拟合时，设置的拟合节点的多少将影响最终的准确率。拟合节点越多，准确率越高。
53.参考图5，拟合轮廓相较于元轮廓，其曲线的变化率更小，更容易进行判断和分析。
54.实施例2
55.在上一实施例的基础上，所述步骤1中提取起始图像信息中所有的物体区域的方法包括：使用如下公式计算得到的分割阈值，对起始图像信息进行分割：其中，h为计算得到的分割阈值，n为起始图像信息的像素数量，c
j
为像素对应的像素值，α为调整系数，取值范围为200～500；根据分割结果确定背景颜色；创建多通道图像，将背景颜色对应区域的多通道图像赋值为第一值，对背景颜色对应区域以外的多通道图像赋值为第二值，得到所述起始图像信息的二值图像；根据二值图像，述起始图像信息中确定背景区域和物体区域。
56.实施例3
57.在上一实施例的基础上，所述步骤2中对所有的物体区域进行第一次轮廓拟合，得到所有物体的拟合轮廓的方法包括：进行边缘检测，找到物体区域的边缘，作为待拟合图形；在待拟合图形上设置多个拟合节点，基于待拟合图形的几何特征和设置的多个拟合节点对所述待拟合图形进行有序离散点的生成；基于所述有序离散点对所述待拟合图形进行拟合，得到拟合轮廓。
58.具体的，本发明进行轮廓拟合的方式与曲线拟合的思路相同，用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系的一种数据处理方法。用解析表达式逼近离散数据的一种方法。在科学实验或社会活动中，通过实验或观测得到量x与y的一组数据对(xi，yi)(i＝1，2，
…
m)，其中各xi是彼此不同的。人们希望用一类与数据的背景材料规律相适应的解析表达式，y＝f(x，c)来反映量x与y之间的依赖关系，即在一定意义下“最佳”地逼近或拟合已知数据。f(x，c)常称作拟合模型，式中c＝(c1，c2，
…
cn)是一些待定参数。当c在f中线性出现时，称为线性模型，否则称为非线性模型。有许多衡量拟合优度的标准，最常用的一种做法是选择参数c使得拟合模型与实际观测值在
59.各点的残差(或离差)ek＝yk－f(xk，c)的加权平方和达到最小，此时所求曲线称作在加权最小二乘意义下对数据的拟合曲线。有许多求解拟合曲线的成功方法，对于线性模型一般通过建立和求解方程组来确定参数，从而求得拟合曲线。至于非线性模型，则要借助求解非线性方程组或用最优化方法求得所需参数才能得到拟合曲线，有时称之为非线性
最小二乘拟合。
60.实施例4
61.在上一实施例的基础上，所述进行边缘检测，找到物体区域的边缘的方法包括：根据边缘检测算子的各预设方向上的模板及物体区域的邻域中的各像素点的取对数运算后的灰度值，对所述物体区域进行卷积运算，得到所述物体区域在所述各预设方向上的色阶固定值；根据所述物体区域在所述各预设方向上的色阶固定值，得到所述物体区域的边缘显著值；将所述物体区域的边缘显著值与边缘显著值阈值进行比较，将边缘显著值大于或等于所述边缘显著值阈值的物体区域作为边缘点；根据得到的所述边缘点，提取所述物体区域的边缘。
62.具体的，边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括(i)深度上的不连续、(ii)表面方向不连续、(iii)物质属性变化和(iv)场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
63.图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是laplacian过零点或者非线性差分表示的过零点。
64.实施例5
65.在上一实施例的基础上，所述根据所述物体区域在所述各预设方向上的色阶固定值，得到所述物体区域的边缘显著值的方法包括：使用如下公式，计算得到物体区域的边缘显著值：其中，r、g 和b为物体区域中的像素的rgb值，λ为调整系数，取值范围为：1～5；a、b 和c为各预设方向上的色阶固定值。具体的，所谓边缘是指其周围像素灰度急剧变化的那些象素的集合，它是图像最基本的特征。边缘存在于目标、背景和区域之间，所以，它是图像分割所依赖的最重要的依据。由于边缘是位置的标志，对灰度的变化不敏感，, 因此，边缘也是图像匹配的重要的特征。
66.边缘检测和区域划分是图像分割的两种不同的方法，二者具有相互补充的特点。在边缘检测中，是提取图像中不连续部分的特征，根据闭合的边缘确定区域。而在区域划分中，是把图像分割成特征相同的区域，区域之间的边界就是边缘。由于边缘检测方法不需要将图像逐个像素地分割，因此更适合大图像的分割。
67.边缘大致可以分为两种，一种是阶跃状边缘，边缘两边像素的灰度值明显不同；另一种为屋顶状边缘，边缘处于灰度值由小到大再到小的变化转折点处。边缘检测的主要工具是边缘检测模板。我们以一个一维模板为例来考察边缘检测模板是如何作用的。
68.模板的作用是将右邻点的灰度值减去左邻点的灰度值作为该点的灰度值。在灰度相近的区域内，这么做的结果使得该点的灰度值接近于0；而在边缘附近，灰度值有明显的跳变，这么做的结果使得该点的灰度值很大，这样就出现了上面的结果。这种模板就是一种边缘检测器，它在数学上的涵义是一种基于梯度的滤波器，习惯上又称边缘算子。我们知道，梯度是有方向的，和边缘的方向总是垂直的。模板是水平方向的，而上面那幅图象的边
缘恰好是垂直方向的，使用模板就可以将它检测出来。如果图象的边缘是水平方向的，可以用梯度是垂直。
69.实施例6
70.在上一实施例的基础上，所述步骤7中基于运动路径和运动路径上设置的拟合节点，对运动路径进行第二次轮廓拟合，得到运动路径的拟合轮廓的方法包括：基于运动路径和运动路径上设置的拟合节点对运动路径进行有序离散点的生成；基于所述有序离散点对所述待拟合图形进行拟合，得到运动路径的拟合轮廓。
71.实施例7
72.在上一实施例的基础上，所述步骤4中基于找到的人体区域进行人脸识别，得到人脸识别结果的方法包括：获取人体区域对应的在视频图像信息中所有的人脸图像信息；分别从所有的人脸图像信息中提取人脸特征信息，得到所述人体区域对应的人脸特征信息组；基于所述人脸特征信息组对所述待识别对象的人脸进行识别，得到识别结果。
73.具体的，人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
74.人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。
75.人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
76.主流的人脸检测方法基于以上特征采用adaboost学习算法，adaboost 算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。
77.人脸检测过程中使用adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。
78.人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。
79.基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。
80.实施例8
81.在上一实施例的基础上，所述基于所述人脸特征信息组对所述待识别对象的人脸进行识别，得到识别结果，包括：将所述人脸特征信息组中的人脸特征信息进行融合，得到
融合特征信息；计算所述融合特征信息与预设第一数据库中的人脸特征信息的相似度；在所述第一数据库中选择相似度最高的人脸特征信息作为识别结果。
82.实施例9
83.在上一实施例的基础上，所述将所述人脸特征信息组中的人脸特征信息进行融合，得到融合特征信息的方法包括：使用如下公式，将人脸特征信息进行融合计算，得到融合特征信息：其中， m为融合特征信息；l为人脸特征信息的数量；p为人脸特征信息；t为人脸特征信息的融合组值，所述融合组值定义为随机生成的融合值数组。
84.具体的，融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。如何将两者高效融合，取其长处，弃之糟泊，是改善分割模型的关键。
85.很多工作通过融合多层来提升检测和分割的性能，按照融合与预测的先后顺序，分类为早融合(early fusion)和晚融合(late fusion)。
86.实施例10
87.基于多态拟合的协同智能安防装置。
88.所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
89.需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。
90.所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
91.本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
92.术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。
93.术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系
列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
94.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
95.以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。