基于深度学习的手语词汇识别方法、系统、设备及介质

1.本发明涉及手语识别技术领域，尤其是涉及基于深度学习的手语词汇识别方法、系统、设备及介质。


背景技术：

2.目前现有的手语词汇识别模型主要采用基于rgb模态信息和骨骼关键点坐标位置做识别，而从rgb信息中有效提取手语动作信息需要较深的神经网络，这不仅增大了模型的计算量，而且很难达到实时的效果。
3.现有的手语词汇识别网络基于序列模型如lstm，transformer等的网络大多在输入前未将时序上视频冗余信息预筛选，而是直接让序列网络直接学习有效特征，一般30fps视频序列中帧与帧之间的差异是十分小的，为了降低来自视频的冗余信息，在输入序列模型之前先对序列信息进行快速压缩，这样的技术方法会降低模型的学习能力，从而降低手语识别的准确度。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于深度学习的手语词汇识别方法、系统、设备及介质，能够提高模型的学习能力，提高手语识别的准确度。
5.第一方面，本发明实施例提供了一种基于深度学习的手语词汇识别方法，所述基于深度学习的手语词汇识别方法包括：
6.获取手语视频；
7.将所述手语视频输入至训练好的人体姿态估计网络模型中进行第一特征提取，获得所述人体姿态估计网络模型输出的手语视频中的heatmap图；
8.通过基于时序轻量的特征快速筛选模型对所述heatmap图进行第二特征提取，获得heatmap空间特征；
9.将所述heatmap空间特征进行人体关键点信息的空间特征筛选，获得人体关键点空间特征；
10.将所述人体关键点空间特征通过带有attention机制的双向lstm时间序列模型进行特征学习，获得所述带有attention机制的双向lstm时间序列模型输出的手语视频学习结果；
11.将所述手语视频学习结果通过全连接层和softmax层进行分类和编码，获得手语视频分类编码结果；
12.根据所述手语视频分类编码结果，查询得到手语词汇识别结果。
13.与现有技术相比，本发明第一方面具有以下有益效果：
14.本方法通过获取手语视频；将手语视频输入至训练好的人体姿态估计网络模型中进行第一特征提取，获得人体姿态估计网络模型输出的手语视频中的heatmap图；通过基于
时序轻量的特征快速筛选模型对heatmap图进行第二特征提取，获得heatmap空间特征。本方法通过基于时序轻量的特征快速筛选模型对heatmap图进行特征提取，能够提高手语识别的速度，减少计算量。将heatmap空间特征进行人体关键点信息的空间特征筛选，获得人体关键点空间特征；将人体关键点空间特征通过带有attention机制的双向lstm时间序列模型进行特征学习，获得带有attention机制的双向lstm时间序列模型输出的手语视频学习结果；将手语视频学习结果通过全连接层和softmax层进行分类和编码，获得手语视频分类编码结果；根据手语视频分类编码结果，查询得到手语词汇识别结果。本方法通过特征筛选和学习能够提高模型的学习能力，并且通过提取手语视频中的heatmap图，基于heatmap图进行特征提取和特征学习，而不是直接提取人体关键点位置的坐标信息作为特征信息，从而增加了动作嵌入特征信息的准确程度，能够提高手语识别的准确度。
15.根据本发明的一些实施例，在所述将所述手语视频输入至训练好的人体姿态估计网络模型中进行第一特征提取之前，所述基于深度学习的手语词汇识别方法还包括：
16.预设所述手语视频中的理想帧数量；
17.若所述手语视频中的帧数量小于所述理想帧数量，对所述理想帧数量进行空白帧填充，得到处理后的手语视频，所述处理后的手语视频中的帧数量大于或等于所述理想帧数量。
18.根据本发明的一些实施例，所述人体关键点的选取包括：在人体上选取鼻子、眼睛、耳朵、手臂以及手指上的多个关键点。
19.根据本发明的一些实施例，所述通过基于时序轻量的特征快速筛选模型对所述heatmap图进行第二特征提取，获得heatmap空间特征，包括：
20.通过视频帧序列对应的多通道输入所述heatmap图；
21.对所述heatmap图经过二维自适应平均池化、全连接层以及relu激活函数激活，获得全局heatmap时序特征；
22.对所述heatmap图在时序维度经过第一分组卷积、批归一化、relu激活函数激活以及第二分组卷积，获得局部heatmap时序特征；
23.将所述全局heatmap时序特征和所述局部heatmap时序特征相加，获得相加的heatmap时序特征；
24.采用sigmoid激活函数对所述相加的heatmap时序特征进行激活，生成所述相加的heatmap时序特征对应的帧权值；
25.将所述帧权值与输入的所述heatmap图对应相乘，获得heatmap空间特征。
26.根据本发明的一些实施例，所述将所述heatmap空间特征进行人体关键点信息的空间特征筛选，获得人体关键点空间特征，包括：
27.将尺寸为bxtxcxhxw的heatmap空间特征中的时序维度t和所述人体关键点的通道维度c进行合并，获得尺寸为bx(t*c)xhxw的heatmap空间特征，其中，b表示训练或推理数据时一次性计算的数据条目数量，h表示heatmap的高，w表示heatmap的宽；
28.对所述尺寸为bx(t*c)xhxw的heatmap空间特征以所述人体关键点的通道维度c为分组进行第一分组卷积，获得尺寸为bxcxhxw的heatmap空间特征；
29.对所述尺寸为bxcxhxw的heatmap空间特征经过批归一化、relu激活函数激活以及以所述人体关键点的通道维度c为分组进行的第二分组卷积，获得局部heatmap空间特征；
30.对所述尺寸为bx(t*c)xhxw的heatmap空间特征经过自适应平均池化和卷积，获得全局heatmap空间特征；
31.将所述局部heatmap空间特征和所述全局heatmap空间特征进行数值对应相乘，获得相乘的heatmap空间特征；
32.对所述相乘的heatmap空间特征经过以所述人体关键点的通道维度c为分组进行的第三分组卷积和mish激活函数激活，获得人体关键点空间特征。
33.根据本发明的一些实施例，在所述将所述人体关键点空间特征通过带有attention机制的双向lstm时间序列模型进行特征学习之前，所述基于深度学习的手语词汇识别方法还包括：
34.对所述人体关键点空间特征经过dropout随机失活和全连接层降维处理。
35.根据本发明的一些实施例，所述根据所述手语视频分类编码结果，查询得到手语词汇识别结果，包括：
36.根据手语视频对应的手语文本，生成手语词汇编码表；
37.将所述手语视频分类编码结果查询所述手语词汇编码表，获得预测的手语词汇识别结果。
38.第二方面，本发明实施例还提供了一种基于深度学习的手语词汇识别系统，所述基于深度学习的手语词汇识别系统包括：
39.数据获取单元，用于获取手语视频；
40.第一特征提取单元，用于将所述手语视频输入至训练好的人体姿态估计网络模型中进行第一特征提取，获得所述人体姿态估计网络模型输出的手语视频中的heatmap图；
41.第二特征提取单元，用于通过基于时序轻量的特征快速筛选模型对所述heatmap图进行第二特征提取，获得heatmap空间特征；
42.特征筛选单元，用于将所述heatmap空间特征进行人体关键点信息的空间特征筛选，获得人体关键点空间特征；
43.特征学习单元，用于将所述人体关键点空间特征通过带有attention机制的双向lstm时间序列模型进行特征学习，获得所述带有attention机制的双向lstm时间序列模型输出的手语视频学习结果；
44.结果获取单元，用于将所述手语视频学习结果通过全连接层和softmax层进行分类和编码，获得手语视频分类编码结果；
45.词汇识别单元，用于根据所述手语视频分类编码结果，查询得到手语词汇识别结果。
46.第三方面，本发明实施例还提供了一种基于深度学习的手语词汇识别设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种基于深度学习的手语词汇识别方法。
47.第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种基于深度学习的手语词汇识别方法。
48.可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
49.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
50.图1是本发明一实施例的一种基于深度学习的手语词汇识别方法的流程图；
51.图2是本发明另一实施例的一种基于深度学习的手语词汇识别方法的流程图；
52.图3是本发明一实施例的人体关键点定义的示意图；
53.图4是本发明一实施例的手指间的关键点定义的示意图；
54.图5是本发明一实施例的一种基于深度学习的手语词汇识别系统的结构图。
具体实施方式
55.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
56.在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
57.在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
58.本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
59.首先，对本技术中涉及的若干名词进行解析：
60.手语词汇识别：手语识别是将拍摄一个独立打手语的人的动作视频序列转换为对应的词汇文本。可以理解为深度学习中的分类任务，如有500种词汇，模型对应的输入就是手语视频，输出就是词语类别。
61.现有的手语词汇识别网络基于序列模型如lstm，transformer等的网络大多在输入前未将时序上视频冗余信息预筛选，而是直接让序列网络直接学习有效特征，一般30fps视频序列中帧与帧之间的差异是十分小的，为了降低来自视频的冗余信息，在输入序列模型之前先对序列信息进行快速压缩，这样的技术方法会降低模型的学习能力，从而降低手语识别的准确度。
62.为解决上述问题，本发明通过获取手语视频；将手语视频输入至训练好的人体姿态估计网络模型中进行第一特征提取，获得人体姿态估计网络模型输出的手语视频中的heatmap图；通过基于时序轻量的特征快速筛选模型对heatmap图进行第二特征提取，获得
heatmap空间特征。本发明通过基于时序轻量的特征快速筛选模型对heatmap图进行特征提取，能够提高手语识别的速度，减少计算量。将heatmap空间特征进行人体关键点信息的空间特征筛选，获得人体关键点空间特征；将人体关键点空间特征通过带有attention机制的双向lstm时间序列模型进行特征学习，获得带有attention机制的双向lstm时间序列模型输出的手语视频学习结果；将手语视频学习结果通过全连接层和softmax层进行分类和编码，获得手语视频分类编码结果；根据手语视频分类编码结果，查询得到手语词汇识别结果。本发明通过特征筛选和学习能够提高模型的学习能力，并且通过提取手语视频中的heatmap图，基于heatmap图进行特征提取和特征学习，而不是直接提取人体关键点位置的坐标信息作为特征信息，从而增加了动作嵌入特征信息的准确程度，能够提高手语识别的准确度。
63.参照图1至图2，本发明实施例提供了一种基于深度学习的手语词汇识别方法，本基于深度学习的手语词汇识别方法包括：
64.步骤s100、获取手语视频。
65.具体的，预设手语视频中的理想帧数量；
66.若手语视频中的帧数量小于理想帧数量，对理想帧数量进行空白帧填充，得到处理后的手语视频，处理后的手语视频中的帧数量大于或等于理想帧数量。例如：
67.输入手语视频，手语视频中包含多个帧，由于不同手语视频对应的帧的数量是不同的，本实施例先进行相对应采样，保证每个手语视频中帧的数量都是固定的n帧，这里n是一个固定的理想帧数量值，对于不够n帧的手语视频直接用空白帧替代填充到n帧为止。
68.步骤s200、将手语视频输入至训练好的人体姿态估计网络模型中进行第一特征提取，获得人体姿态估计网络模型输出的手语视频中的heatmap图。
69.具体的，本实施例采用预训练好的人体姿态估计网络模型对手语视频进行第一特征提取，获得人体姿态估计网络模型输出的手语视频中的heatmap图。本实施例中的人体姿态估计网络输入的是rgb模态的手语视频，通过人体姿态估计网络模型会将人体的关键点信息经过卷积之类的操作推理计算出对应的heatmap图，这个heatmap图可以通过计算转换成某个关键点位置的2d坐标(x,y)，但是本实施例不计算到2d坐标这一步，只计算到heatmap图这个地方。
70.本实施例选取有多少人体关键点就会对应有多少个heatmap图，其中，人体关键点的选取包括：在人体上选取鼻子、眼睛、耳朵、手臂以及手指上的多个关键点。具体为：
71.关于关键点的选取，参照图3至图4，本实施例针对手语任务选择的是图3和图4所示的鼻子、眼睛、耳朵、手臂以及手指上的42个点。具体定义为图中标号：0,1,2,3,4,5,6,7,8,9,10,17,18,94,97,98,99,100,102,103,104,106,107,108,110,111,112,114，115,118,119,120,121,123,124,125,127,128,129,131,132,133,135。关于手指间的采样问题，由于手指的上半关节点，例如，由于手指的上半关节点中的101和105这些点的基本形变程度较小，因此，并未进行采样。
72.需要说明的是，本实施例的预训练好的人体姿态估计网络模型的预训练过程可以参照网址为“https://github.com/leoxiaobin/deep-high-resolution-net.pytorch”中的内容，该网址的内容包括hrnet网络模型(high-resolution net)，hrnet是针对2d人体姿态估计(human pose estimation或keypoint detection)任务提出的，并且该网络主要是
针对单一个体的姿态评估(即输入网络的图像中应该只有一个人体目标)。人体姿态估计在现今的应用场景也比较多，比如说人体行为动作识别，人机交互(比如人作出某种动作可以触发系统执行某些任务)，动画制作(比如根据人体的关键点信息生成对应卡通人物的动作)等等。本实施例对预训练好的人体姿态估计网络模型的训练过程不作具体描述。
73.在本实施例中，本实施例不直接提取人体关键点位置的坐标信息作为特征信息，而是将关键点检测网络最后输出坐标位置前的heatmap图作为特征信息，一方面增加了动作嵌入特征信息的准确程度，另外一方面提升了手语的获得，从而提升手语词汇识别的准确度。
74.步骤s300、通过基于时序轻量的特征快速筛选模型对heatmap图进行第二特征提取，获得heatmap空间特征。
75.具体的，通过基于时序轻量的特征快速筛选模型对heatmap图进行第二特征提取，获得heatmap空间特征，具体为：
76.通过视频帧序列对应的多通道输入heatmap图；
77.对heatmap图经过二维自适应平均池化、全连接层以及relu激活函数激活，获得全局heatmap时序特征；
78.对heatmap图在时序维度经过第一分组卷积、批归一化、relu激活函数激活以及第二分组卷积，获得局部heatmap时序特征；
79.将全局heatmap时序特征和局部heatmap时序特征相加，获得相加的heatmap时序特征；
80.采用sigmoid激活函数对相加的heatmap时序特征进行激活，生成相加的heatmap时序特征对应的帧权值；
81.将帧权值与输入的heatmap图对应相乘，获得heatmap空间特征。
82.在本实施例中，采用一个预先参数可学习的基于时序轻量的特征快速筛选模型将每一个帧的heatmap信息在时序特征的序列维度上加一个对应的帧权值后再输入到带有attention机制的双向lstm时间序列模型中，这样可以更高效的提升模型的学习能力，从而提升手语识别的效果。
83.步骤s400、将heatmap空间特征进行人体关键点信息的空间特征筛选，获得人体关键点空间特征。
84.具体的，将heatmap空间特征进行人体关键点信息的空间特征筛选，获得人体关键点空间特征，具体为：
85.将尺寸为bxtxcxhxw的heatmap空间特征中的时序维度t和人体关键点的通道维度c进行合并，获得尺寸为bx(t*c)xhxw的heatmap空间特征，其中，b表示训练或推理数据时一次性计算的数据条目数量，h表示heatmap的高，w表示heatmap的宽；
86.对尺寸为bx(t*c)xhxw的heatmap空间特征以人体关键点的通道维度c为分组进行第一分组卷积，获得尺寸为bxcxhxw的heatmap空间特征；
87.对尺寸为bxcxhxw的heatmap空间特征经过批归一化、relu激活函数激活以及以人体关键点的通道维度c为分组进行的第二分组卷积，获得局部heatmap空间特征；
88.对尺寸为bx(t*c)xhxw的heatmap空间特征经过自适应平均池化和卷积，获得全局heatmap空间特征；
89.将局部heatmap空间特征和全局heatmap空间特征进行数值对应相乘，获得相乘的heatmap空间特征；
90.对相乘的heatmap空间特征经过以人体关键点的通道维度c为分组进行的第三分组卷积和mish激活函数激活，获得人体关键点空间特征。
91.步骤s500、将人体关键点空间特征通过带有attention机制的双向lstm时间序列模型进行特征学习，获得带有attention机制的双向lstm时间序列模型输出的手语视频学习结果。
92.具体的，对步骤s400中获得的人体关键点空间特征经过dropout函数以33％的几率随机失活，再通过全连接层进行降维处理，将降维处理后的人体关键点空间特征通过带有attention机制的双向lstm时间序列模型进行特征学习，获得带有attention机制的双向lstm时间序列模型输出的手语视频学习结果。
93.步骤s600、将手语视频学习结果通过全连接层和softmax层进行分类和编码，获得手语视频分类编码结果。
94.具体的，将步骤s500获得的手语视频学习结果通过全连接层和softmax层进行分类和编码，获得手语视频分类编码结果，手语视频分类编码结果包括手语视频分类类别的one-hot编码。
95.步骤s700、根据手语视频分类编码结果，查询得到手语词汇识别结果。
96.具体的，根据手语视频分类编码结果，查询得到手语词汇识别结果，具体为：
97.根据手语视频对应的手语文本，生成手语词汇编码表，该编码表为词汇one-hot编码表；
98.根据手语视频分类编码结果中的one-hot编码查询手语词汇编码表中的one-hot编码，获得预测的手语词汇识别结果。
99.在本实施例中，本实施例通过获取手语视频；将手语视频输入至训练好的人体姿态估计网络模型中进行第一特征提取，获得人体姿态估计网络模型输出的手语视频中的heatmap图；通过基于时序轻量的特征快速筛选模型对heatmap图进行第二特征提取，获得heatmap空间特征。本实施例通过基于时序轻量的特征快速筛选模型对heatmap图进行特征提取，能够提高手语识别的速度，减少计算量。将heatmap空间特征进行人体关键点信息的空间特征筛选，获得人体关键点空间特征；将人体关键点空间特征通过带有attention机制的双向lstm时间序列模型进行特征学习，获得带有attention机制的双向lstm时间序列模型输出的手语视频学习结果，本实施例使用的是进行人体关键点信息的空间特征筛选，关键点数据的提取可以基本达到实时，相比于别的rgb训练方法，本实施例的应用推理速度更快。将手语视频学习结果通过全连接层和softmax层进行分类和编码，获得手语视频分类编码结果；根据手语视频分类编码结果，查询得到手语词汇识别结果。本实施例通过特征筛选和学习能够提高模型的学习能力，并且通过提取手语视频中的heatmap图，基于heatmap图进行特征提取和特征学习，而不是直接提取人体关键点位置的坐标信息作为特征信息，从而增加了动作嵌入特征信息的准确程度，能够提高手语识别的准确度。
100.参照图5，本发明实施例还提供了一种基于深度学习的手语词汇识别系统，本基于深度学习的手语词汇识别系统包括数据获取单元100、第一特征提取单元200、第二特征提取单元300、特征筛选单元400、特征学习单元500、结果获取单元600以及词汇识别单元700，
其中：
101.数据获取单元100，用于获取手语视频；
102.第一特征提取单元200，用于将手语视频输入至训练好的人体姿态估计网络模型中进行第一特征提取，获得人体姿态估计网络模型输出的手语视频中的heatmap图；
103.第二特征提取单元300，用于通过基于时序轻量的特征快速筛选模型对heatmap图进行第二特征提取，获得heatmap空间特征；
104.特征筛选单元400，用于将heatmap空间特征进行人体关键点信息的空间特征筛选，获得人体关键点空间特征；
105.特征学习单元500，用于将人体关键点空间特征通过带有attention机制的双向lstm时间序列模型进行特征学习，获得带有attention机制的双向lstm时间序列模型输出的手语视频学习结果；
106.结果获取单元600，用于将手语视频学习结果通过全连接层和softmax层进行分类和编码，获得手语视频分类编码结果；
107.词汇识别单元700，用于根据手语视频分类编码结果，查询得到手语词汇识别结果。
108.需要说明的是，由于本实施例中的一种基于深度学习的手语词汇识别系统与上述的一种基于深度学习的手语词汇识别方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本系统实施例，此处不再详述。
109.本发明实施例还提供了一种基于深度学习的手语词汇识别设备，包括：至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器。
110.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
111.实现上述实施例的一种基于深度学习的手语词汇识别方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的一种基于深度学习的手语词汇识别方法，例如，执行以上描述的图1中的方法步骤s100至步骤s700。
112.以上所描述的系统实施例仅仅是示意性的，其中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，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例方案的目的。
113.本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的一种基于深度学习的手语词汇识别方法，例如，执行以上描述的图1中的方法步骤s100至步骤s700的功能。
114.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或
者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
115.以上是对本技术实施例的较佳实施进行了具体说明，但本技术实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本技术实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术实施例权利要求所限定的范围内。