一种路面积水深度检测方法、系统及车辆与流程

1.本发明涉及一种智能检测方法，尤其涉及一种路面积水深度检测方法。


背景技术：

2.近年来，具有自动驾驶功能的智能汽车逐渐走入到了大众的视野之中。在这种智能汽车中，设置有各种传感器，其可以依靠传感器来感知周围的环境，可以有效辅助驾驶。
3.当遇到极端天气之时，比如强降雨等，道路周围，尤其道路上的低洼路段有可能被水淹没；当车辆被困在水中时，容易引发抛锚。此外，对于附近有河流，湖泊地带时，也容易出现积水路面；当积水深度较大时，汽车淌水有可能会导致积水进入发动机排气管，导致发动机熄火；如果水进入气缸，还会导致发动机配气机构和缸体缸盖的机械损坏。
4.对于具有自动驾驶功能的智能汽车而言，高级辅助驾驶系统(adas)发挥着十分重要的作用，其需要根据可行驶区域进行提前的路径规划，而即使是对于辅助驾驶，驾驶员提前得知路面积水深度分布图，就可以根据该路面积水深度分布图的信息，选择从深度较浅的区域涉水行驶通过。
5.因此，如果提取得知积水深度分布信息，获知哪些区域的路面积水深度为可行驶区域，哪些区域的路面积水深度为不可行驶区域，就显得尤为重要。
6.当前，已有部分研究人员针对这一问题进行了相关研究，并取得了一定的研究成果，但现有的这些技术方案在实际应用时的效果并不理想：
7.例如：公开号为cn109741391a，公开日为2019年5月10日，名称为“路面积水深度的检测方法、装置和存储介质”的中国专利文献。该技术方案是利用摄像头对车辆侧面拍摄图片，从图像中获取车轮边缘信息，获取积水深度。该技术方案可以根据轮胎吃水位置来判断水位深度，但是其不能在车辆轮胎涉水之前预先判断前方积水深度，使得车辆容易在不知情的情况下驶入进退两难的深水区，进而引发抛锚。
8.再例如：公开号为cn113168535a，公开日为2021年7月23日；名称为“一种积水深度确定方法及装置”的中国专利文献。该技术方案是通过获取积水道路第一边缘信息，并结合道路坡度角信息确定最大深处对于道路信息；该方法设定积水区域为理想坡道，根据三角函数关系计算最大积水深度。该方法中提出采用坡度变化确定最大水深位置，进而根据最大水深位置计算最大积水深度。然而，在该技术方案中，特别是三角函数关系的逻辑，都基于理想平面坡道路面假设，计算出的最大水深点位置。实际上，当遇到不规则或不平整的路面时，即便比较微小，也会造成车辆的晃动颠簸，路面理想平面的假设就会被打破，从而会导致距离误差。此外，积水区域的道路也并非完全是理想平面，比如出现道路非理想平面的情况，这时候会引起不规则海拔分布，进而导致积水的深度分布也会呈现出不规则性。因此，单纯一个最大点的水深往往不能满足用户要求；在一定条件下，即使部分道路区域出现最大水深大于警戒深度的情况，仍存在一定的可能的绕行通过性。
9.由此，如果能够获取积水区域的深度分布，并用非常直观的水深云纹图的方法，并显示或投影到车辆车机显示屏或者前挡玻璃，就能够为车辆的驾驶员提供便利；同时，在获
取详细的积水深度分布的情况下，将会更有利于自动驾驶车辆算法绘制可行驶区域，从而提高车辆的自动驾驶能力。
10.基于此，本发明期望获得一种路面积水深度检测方法，该路面积水深度检测方法能够有效计算路面积水深度分布，并根据深度分布信息绘制积水区域的水深云纹图，进而将水深云纹图显示或投射在显示终端。


技术实现要素：

11.本发明的目的之一在于提供一种路面积水深度检测方法，该路面积水深度检测方法能够有效计算路面积水深度分布，并根据深度分布信息绘制积水区域的水深云纹图，进而将水深云纹图显示或投射在显示终端。
12.为了实现上述目的，本发明提出了一种路面积水深度检测方法，其包括步骤：
13.100：采集积水路面的图像信息；
14.200：对图像信息进行处理得到积水边缘点的像素坐标信息；
15.300：获取各积水边缘点与车辆的相对位置坐标；
16.400：基于所述相对位置坐标以及车辆在高精地图中的位置坐标，获得积水边缘点在高精地图中的世界坐标，进而获取积水边缘点构成的封闭曲线内区域的各点的海拔信息以及积水边缘点的海拔信息；
17.500：基于各积水边缘点和封闭曲线内区域的各点的海拔坐标差，获得积水区域各点的深度分布信息；
18.600：基于深度分布信息绘制积水区域的水深云纹图；
19.700：将所述水深云纹图显示或投射在显示终端。
20.在本发明上述技术方案中，发明人创造性地设计了一种路面积水深度检测方法，其有效解决了车辆在进入积水区域之前，获取积水区的可行驶区域问题。采用该路面积水深度检测方法能够有效计算路面积水深度分布，并根据深度分布信息绘制积水区域的水深云纹图，进而将水深云纹图显示或投射在显示终端(例如车辆的车机显示屏或者前挡玻璃)。
21.在本发明上述技术方案中，本发明所述的路面积水深度检测方法能避免终端涉水带来的风险，水深云纹图能非常直观的帮助驾驶员获得道路可行驶区域信息。该方法也可以结合路基设备，应用于车联网中，如车辆外联v2x，从而进一步辅助驾驶员，提供预警信息。
22.同时，该路面积水深度检测方法能够提升自动驾驶汽车对可行驶区域判别能力，在获取详细的积水深度分布的情况下，将会更有利于自动驾驶车辆算法绘制可行驶区域，从而提高车辆的自动驾驶或辅助驾驶能力。
23.需要说明的是，在某些实施方式中，该路面积水深度检测方法也可以配合vr技术和抬头显示技术使用，将水深云纹图投射到车辆的前挡玻璃上。
24.进一步地，在本发明所述的路面积水深度检测方法中，在步骤200中，采用语义分割或实例分割的方法从所述图像信息中提取出积水边缘点的像素坐标信息。
25.进一步地，在本发明所述的路面积水深度检测方法中，所述步骤200还包括：基于所述图像信息判断是否为积水区域，并在判断为“是”的情况下进行步骤300。
26.进一步地，在本发明所述的路面积水深度检测方法中，采用卷积神经网络分类模型判断是否为积水区域。
27.进一步地，在本发明所述的路面积水深度检测方法中，在步骤300中，采用视觉深度估计算法获取各积水边缘点与车辆的相对位置坐标。
28.进一步地，在本发明所述的路面积水深度检测方法中，在步骤400中，所述海拔信息从高精度地图中直接获取；或者所述海拔信息基于高精度地图中的坡度角信息计算获得。
29.进一步地，在本发明所述的路面积水深度检测方法中，在步骤600中，采用像素插值法对积水区域内的各点进行颜色插值，以绘制所述水深云纹图。
30.进一步地，在本发明所述的路面积水深度检测方法中，在步骤700中，水深云纹图显示在车辆的车机显示屏上，或者通过vr技术投射在车辆前挡玻璃上。
31.相应地，本发明的另一目的在于提供一种路面积水深度检测系统，采用该路面积水深度检测系统可以用于实施本发明上述的路面积水深度检测方法。
32.为了实现上述目的，本发明提出了一种路面积水深度检测系统，其可以用于实施本发明上述的路面积水深度检测方法，其中所述路面积水深度检测系统包括图像采集装置、处理模块和显示终端；其中所述图像采集装置执行步骤100，所述处理模块执行步骤200-700。
33.此外，本发明的又一目的在于提供一种能够检测路面积水深度的车辆，为了实现这一目的，本发明提出了一种车辆，其安装有本发明上述的路面积水深度检测系统。
34.相较于现有技术，本发明所述的路面积水深度检测方法、系统及车辆具有如下所述的优点和有益效果：
35.不同于现有技术，在本发明中，发明人创造性地设计了一种路面积水深度检测方法，其有效解决了车辆在进入积水区域之前，获取积水区的可行驶区域问题。采用该路面积水深度检测方法能够有效计算路面积水深度分布，并根据深度分布信息绘制积水区域的水深云纹图，进而将水深云纹图显示或投射在显示终端(例如车辆的车机显示屏或者前挡玻璃)。
36.该路面积水深度检测方法能避免终端涉水带来的风险，水深云纹图能非常直观的帮助驾驶员获得道路可行驶区域信息。同时，该方法还有利于自动驾驶车辆算法绘制可行驶区域，提升车辆的自动驾驶或辅助驾驶能力。
37.在某些实施方式中，也本发明所述的路面积水深度检测方法还可以进一步结合路基设备，应用于车联网中，如车辆外联v2x，从而进一步辅助驾驶员，提供预警信息。
38.相应地，用于实施本发明上述路面积水深度检测方法的路面积水深度检测系统，以及设置有该路面积水深度检测系统均具有上述优点以及有益效果。
附图说明
39.图1示意性地显示了本发明所述的路面积水深度检测系统在一种实施方式下的应用场景俯视图。
40.图2示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下的步骤流程图。
41.图3示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下的在步骤200中提取积水边缘点的像素坐标信息并判断是否存在积水区域的具体步骤流程图。
42.图4示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下经实例分割算法模型输出的像素矩阵示意图。
43.图5示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下通过视觉深度估计算法获取各积水边缘点与车辆的相对位置坐标dxi和dyi的流程图。
44.图6示意性地显示了根据坡度角信息计算积水边缘点构成的封闭曲线内区域的各点的海拔信息。
45.图7示意性地显示了一种粗略的筛选出积水区域内的高精地图点的方法。
46.图7示意性地显示了一种粗略的筛选出积水区域内的高精地图点的方法。
47.图8示意性地显示了一种精细的筛选出积水区域内的高精地图点的方法。
48.图9示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下对计算积水区域各点深度分布的示意图。
具体实施方式
49.下面将结合说明书附图和具体的实施例对本发明所述的路面积水深度检测方法、系统及车辆做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
50.在本发明中，本发明所述的路面积水深度检测系统可以包括：图像采集装置、处理模块和显示终端。其中，图像采集装置可以采集积水路面的图像信息；处理模块可以对图像信息进行处理，以绘制获得积水区域的水深云纹图，并将该水深云纹图显示或投射在显示终端。
51.需要说明的是，该路面积水深度检测系统不仅仅可以应用于车辆上，在一些其他的实施方式中，其同样可以用于交通设备(例如交通摄像头)、无人机、轨道车、水深测量设备、手持设备(例如手机)等具有摄像头的设备上。
52.图1示意性地显示了本发明所述的路面积水深度检测系统在一种实施方式下的应用场景俯视图。
53.如图1所示，在本实施方式中，车辆上可以安装设置有路面积水深度检测系统，图像采集装置可以选用为摄像头，车辆可以通过摄像头实时采集道路积水区域的图像信息，并将图像信息传输给处理模块，通过处理模块可以处理计算出积水深度分布，绘制水深云纹图(等深线)，并将该水深云纹图显示或投射在显示终端(例如车辆的车机显示屏或者前挡玻璃)。
54.相应地，车辆的高级辅助驾驶系统(adas)可以根据积水区域的深度分布和水深云纹图，结合车辆底盘高度信息来判定路面积水的危险区、警戒区和可行驶区，以便后续规划车辆的绕行路线。
55.需要说明的是，在本实施方式中，本发明所述的路面积水深度检测系统具体实施本发明下述图2所示的路面积水深度检测方法，从而实现上述效果。
56.图2示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下的步骤流程图。
57.如图2所示，在本实施方式中，本发明所述的路面积水深度检测方法包括以下步骤：
58.步骤100：通过摄像头采集积水路面的图像信息。
59.步骤200：对图像信息进行处理得到积水边缘点的像素坐标信息，并结合深度学习图像二分类模型自动判断是否为积水区域。
60.在本发明所述的步骤200中，可以基于图像信息提取积水边缘点的像素坐标，记为{(w1,h1),(w2,h2)，(w3,h3),(w4,h4),
……
}，并判断是否存在积水区域，该具体步骤流程可以参见图3。
61.图3示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下的在步骤200中提取积水边缘点的像素坐标信息并判断是否存在积水区域的具体步骤流程图。
62.如图3所示，在本实施方式中，本发明所述的步骤200可以进一步包括如下所述的步骤201到步骤209：
63.步骤201：将图像信息进行open cv(其全称为：open source computer vision library。opencv是一个基于(开源)发行的跨平台计算机视觉库，可以运行在linux、windows和mac os操作系统上。它轻量级而且高效——由一系列c函数和少量c++类构成，同时提供了python、ruby、matlab等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法)中的resize处理。例如，可以基于图像信息resize得到256
×
256尺寸的图像。
64.步骤202：将resize后的图像送入训练好的实例分割深度学习模型。
65.步骤203：模型输出得到像素为0和1的二值化的像素矩阵。详情参见图4，图4示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下经实例分割算法模型输出的像素矩阵示意图。如图4所示，积水区域的像素为“1”，非积水区域的像素为“0”。
66.步骤204：通过特定算法提取像素语义边缘点位置，获得积水边缘点的像素坐标信息。
67.例如，在某个实施方式中可以分别按照行、列和正序、逆序，提取像素矩阵中首个非零像素的像素坐标。类似的边缘提取方法有很多，又比如可以通过canny边缘检测算法的方法提取边缘信息。在本发明中，对像素语义边缘提取的方法不作规定。
68.在本发明上述步骤204中，最终可以得到积水边缘点{n1,n2,n3,n4,
……
}的像素坐标{(w1,h1),(w2,h2)，(w3,h3),(w4,h4),
……
}。
69.步骤205：根据像素边缘的最大值max{wi},max{hi}和最小值min{wi},min{hi}，可以进一步生成原始图片中的感兴趣区域的裁剪框范围，记为box{w,h}。
70.步骤206：将上述步骤205中裁剪后w乘h的图像，进行open cv中的resize模块处理，例如resize成128
×
128尺寸的图像。
71.步骤207：将上述步骤206中resize后的图像送入卷积神经网络分类模型中的深度学习图像二分类模型，即可得到判定结果。
72.步骤208：若判定结果为“是”，即存在积水区域，随即启动后续的积水深度分布计算流程，进行后续步骤300；否则，中止流程，不进行后续步骤300。
73.步骤300：通过视觉深度估计算法获取各积水边缘点与车辆的相对位置坐标。
74.在本发明上述步骤300中，通过视觉深度估计算法，可以根据各边缘点的像素坐标计算出与车辆的相对坐标(dxi,dyi)，其具体流程可以参见表5。
75.图5示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下通过视觉深度估计算法获取各积水边缘点与车辆的相对位置坐标dxi和dyi的流程图。
76.如图5所示，在本实施方式中，步骤300可以具体包括以下步骤：
77.步骤301：通过双面相机获得积水区域左右相机的图像。
78.步骤302：通过左相机的成相平面和右相机的成相平面之间的单应矩阵。
79.步骤303：利用单应矩阵对左右相机的图像进行单应变换，并确定单应变换对图像中各像素点的位移偏移量。
80.步骤304：通过立体匹配算法，对变换后的图像与另一图像进行像素点匹配，并计算匹配成功的像素点之间的视差。
81.步骤305：利用上述步骤303中的位移偏移量，对上述步骤304中计算得到的视差进行补偿。
82.步骤306：确认左右图像之间的实际视差。
83.步骤307：根据实际视差，结合三角函数，计算出积水边缘像素点的深度信息；并分解计算出该积水边缘像素点在自车坐标系下相对于自车的相对位置坐标dxi和dyi。
84.需要说明的是，视觉深度估计算法有很多种方法，本发明对该方法不做限定。在本实施方式中，是利用双目立体视觉深度估计，通过左右摄像头的视差，计算出各积水边缘点到车辆的摄像头间的距离。该步骤的输入为步骤200中获得的边缘点像素坐标{(w1,h1),(w2,h2)，(w3,h3),(w4,h4),
……
}；经过视觉深度估计算法，得到各积水边缘点与车辆的相对位置坐标，记为{(dx1,dy1),(dx2,dy2)，(dx3,dy3),(dx4,dy4),
……
}。
85.步骤400：基于各积水边缘点与车辆的相对位置坐标以及车辆在高精地图中的位置坐标，获得积水边缘点在高精地图中的世界坐标，进而获取积水边缘点构成的封闭曲线内区域的各点的海拔信息以及积水边缘点的海拔信息。
86.需要说明的是，在本实施方式中，车辆在高精地图中的位置坐标可以基于gps定位获得，结合车辆在高精地图中的gps定位信息，可以计算出积水边缘点在高精地图中的世界坐标；当然，在某些其他的实施方式中，车辆在高精地图中的位置坐标也可以通过北斗定位或其它常用的定位方式获得。
87.在本发明上述步骤400中，将步骤300中得到的各积水边缘点与车辆的相对位置坐标叠加上自车在高精地图中的位置坐标，便得到积水边缘点{n1,n2,n3,n4,
……
}在高精地图中的世界坐标，各积水边缘点的世界坐标(xi,yi)可以分别记为{(x1,y1),(x2,y2)，(x3,y3),(x4,y4),
……
}。
88.在本发明中，基于每个积水边缘点的世界坐标(xi,yi)可以进一步计算出每个积水边缘点的(xi,yi)的海拔坐标zi。在某些实施方式中，可以通过设定一个搜索半径r，则该半径r范围内的高精地图上的点坐标的海拔平均值即可认作积水边缘点(xi,yi)的海拔坐标zi。
89.相应地，根据得到的各积水边缘点在高精地图中的世界坐标{(x1,y1),(x2,y2)，(x3,y3),(x4,y4),
……
}，经过特定的筛选算法，可以筛选出积水边缘点构成的封闭曲线内区域的各高精地图点{point1,point2,point3,point4,
……
}，进而获取积水边缘点构成的封闭曲线内区域(即积水区域内)的各点的海拔坐标，并记为{z1z2,z
3,
z4,
……
}。
90.需要注意的是，如果高精地图中不包括海拔信息，而提供坡度角信息θi时，则可以
设积水边缘点的海拔为0，并根据各点的相对位置δli和坡度角θi，利用三角函数关系计算出各点相对基准海拔的相对海拔δzi，具体公式为δzi＝δli*sinθi。具体分析图可以参见图6，图6示意性地显示了根据坡度角信息计算积水边缘点构成的封闭曲线内区域的各点的海拔信息。
91.需要说明的是，在上述步骤400的技术方案中，筛选积水区域内点的方法有很多，一种粗略的方法可参见图7中所示的示意图，图7示意性地显示了一种粗略的筛选出积水区域内的高精地图点的方法。
92.如图7所示，其具体做法是直接根据各点的最大坐标和最小坐标筛选出一个矩形框。首先计算出x
min
＝min{xi},y
min
＝min{yi}，x
max
＝max{xi},y
max
＝max{yi}；然后筛选出满足(x
min
《xi《x
max
)且(y
min
《yi《y
max
)的高精地图点{point1,point2,point3,point4,
……
}，进而提取积水区域内的各高精地图点的海拔坐标，并记为{z1,z2,z3,z4,
……
}。
93.当然，还可以在上述图7所示筛选方法的基础上，还可以进行更精细的区域筛选，其具体筛选步骤流程可以参阅下述图8。
94.图8示意性地显示了一种精细的筛选出积水区域内的高精地图点的方法。
95.如图8所示，例如：首先对各积水边缘点在高精地图中的世界坐标{(x1,y1),(x2,y2)，(x3,y3),(x4,y4),
……
}中的纬度坐标{y1，y2，y3，y4…
}进行分区；比如经度和维度都分为n个区间，每个区的长度为δ＝(y_max-y_min)/n，参见图8。那么对于某个编号为i的区间，其维度坐标区间为δyi＝{y
min
+i*δ，y
min
+(i+1)*δ}，其中i为0到n-1之前的任意自然数。根据δyi，可以进一步求出该区间内的积水边缘点的经度最小值和最大值δxi＝{x
min
,x
max
}，进一步通过δxi和δyi筛选出区间内的各高精度地图点{point1,point2,point3,point4,
……
}，进而提取积水区域内的各高精地图点的海拔坐标，并记为{z1z2,z3,z4,
……
}。
96.需要说明的是，上述图7和图8所示的筛选方法仅仅是对积水区域内的高精地图点的筛选和海拔信息提取方法的两个实例，用以说明根据积水边缘点世界坐标筛选出积水边缘点构成的封闭曲线内区域的各点的可行性。实际上，在本发明中，对筛选方法并不做特别的限定。
97.步骤500：基于各积水边缘点和封闭曲线内区域的各点的海拔坐标差，获得积水区域各点的深度分布信息。
98.图9示意性地显示了本发明所述的路面积水深度检测方法在一种实施方式下对计算积水区域各点深度分布的示意图。
99.参阅图9可以看出，在本实施方式中，本发明所述的步骤500具体可以包括以下步骤501-502：
100.步骤501：基于获得的各积水边缘点的海拔坐标zi，计算出积水的海拔坐标
101.步骤502：基于获得的积水海拔坐标z0，减去积水边缘点构成的封闭曲线内区域的各点的海拔坐标{z1z2,z3,z4,
……
}，即hi＝z
0-zi,得到各点的水深分布{h1h2,h3,h4,
……
}。
102.需要说明的是，上述算法计算得到的水深分布{h1h2,h3,h4,
……
}，其可以结合积水区域各点在高精地图中的世界坐标进行匹配。在本发明中，经过坐标转换，可以将积水区
域各点在高精地图中的世界坐标转换为像素坐标，从而获得积水区域各像素点的深度分布信息{h1h2,h3,h4,
……
}。
103.步骤600：基于深度分布信息绘制积水区域的水深云纹图。
104.基于上述步骤500中获得的积水区域各点的深度分布信息，结合opencv中的线性插值像素补全方法，可以绘制积水区域的水深云纹图，参见图1所示的应用场景俯视图。
105.需要说明的是，在本实施方式中，可以采用像素插值法对积水区域内的各点进行颜色插值，以绘制所述水深云纹图。具体来说，可以通过建立深度hi和像素值ci(像素值为0～255之间的实数)的线性映射关系ci＝f(hi)，该函数关系可以设定为一线性单调递增的函数，比如积水越深则颜色越深，本发明对积水深值和水深云纹图中像素值的映射关系不作限定。
106.此外，需要注意的是，在绘制水深云纹图时，可以以高精地图信息作为基础底板，作为水深云纹图的底层像素，并进而在该图层上按照上述像素插值法，叠加上像素值ci，进而绘制成在高精地图俯视图基础上的水深度云纹图。
107.另外，不同于上述技术方案，在某些其他的实施方式中，还可以前置摄像头获取的真实图片的像素作为基础底板，并通过坐标转换，将高精地图上的积水区域点的世界坐标，通过坐标变换转成前置摄像头获取的实时真实场景图片上的像素坐标。在摄像头的积水道路图像的基础上，按照上述像素插值法绘制水深度云纹图。采用这种方法获得的水深度云纹图更为直观。
108.需要注意的是，无论采用上述两种方式中的哪种绘制水深度云纹图，积水区域点投射到图片上的像素坐标都是稀疏的，因此在绘制水深度云纹图之时，可以进一步采用相关的插值算法，对邻近像素坐标点的像素值进行云纹颜色插值补全。在本发明中，并不对这种常规的插值算法做特殊限定。
109.步骤700：将水深云纹图显示或投射在显示终端。
110.需要说明的是，显示终端可以是车机显示屏也可以是车辆前挡风玻璃，可以是车辆的车机显示屏上，也可以是通过结合vr技术投射到车辆前挡玻璃上。
111.当然，在一些其它的实施方式中，显示终端也可以是手机或平板电脑等可移动的显示终端，本发明所述的路面积水深度检测方法可以结合物联网技术，将水深云纹图显示在这些显示终端上。
112.需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
113.还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明保护范围。