一种调整摄像设备的方法与系统与流程

1.本说明书涉及摄像技术领域，特别涉及调整摄像设备的方法与系统。


背景技术：

2.目前，许多公共场所都安装有用于监控的摄像设备，传统的监控用摄像设备通常是在高帧率监控模式下对监控区域进行监控，但高帧率监控模式下的监控数据所需存储空间较大，传输要求较高。当出现监控画面中不存在监控对象等情况时，采用高帧率监控模式会在一定程度上造成配置浪费，从而影响其他监控数据的存储与传输效率。
3.因此，需要提供一种调整摄像设备的方法与系统，来减小监控数据进行存储、传输的压力。


技术实现要素：

4.本说明书实施例之一提供一种调整摄像设备的方法，包括：获取预设时间段内的第一图像；基于第一图像确定人流数据，人流数据包括预设时间段内的人流量和人流速度；基于第一图像确定人物变化情况；基于人流数据和人物变化情况确定摄像设备的目标码流；以及基于目标码流调整摄像设备的当前码流。
5.本说明书实施例之一提供一种调整摄像设备的系统，包括：获取模块，用于获取预设时间段内的第一图像；第一确定模块，用于基于第一图像确定人流数据，人流数据包括预设时间段内的人流量和人流速度；第二确定模块，用于基于第一图像确定人物变化情况；第三确定模块，用于基于人流数据和人物变化情况确定摄像设备的目标码流；以及调整模块，用于基于目标码流调整摄像设备的当前码流。
6.本说明书实施例之一提供一种用于调整摄像设备的装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述任一项所述的调整摄像设备的方法。
7.本说明书实施例之一提供一种计算机可读存储介质，该计算机存储介质存储计算机指令，当计算机指令被处理器时执行上述任一项所述的调整摄像设备的方法。
附图说明
8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
9.图1是根据本说明书一些实施例所示的调整摄像设备码流的示例性流程图；
10.图2是根据本说明书一些实施例所示的确定人流数据的示例性示意图；
11.图3是根据本说明书一些实施例所示的确定人物变化情况的示例性示意图；
12.图4是根据本说明书一些实施例所示的确定目标码流的示例性示意图；
13.图5是根据本说明书一些实施例所示的确定目标码流的另一示例性示意图。
具体实施方式
14.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
15.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
16.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
17.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
18.本说明书的一些实施例提供一种摄像设备调整系统。该系统包括：获取模块、第一确定模块、第二确定模块、第三确定模块、调整模块。
19.获取模块用于获取预设时间段内的第一图像。更多关于获取第一图像的说明可以参见图1及其相关描述。
20.第一确定模块用于基于第一图像确定人流数据。在一些实施例中，第一确定模块可以基于人流确定模型对第一图像进行处理，确定人流数据。更多关于确定人流数据的说明可以参见图1、图2及其相关描述。
21.第二确定模块用于基于第一图像确定人物变化情况。在一些实施例中，第二确定模块可以基于人物变化模型对第一图像进行处理，确定人物变化情况。更多关于确定人物变化情况的说明可以参见图1、图3及其相关部分。
22.第三确定模块用于基于人流数据、人物变化情况确定摄像设备目标码流的模块。在一些实施例中，第三确定模块可以基于第一确定模型对人流数据和人物变化情况进行处理，确定摄像设备的目标码流。
23.在一些实施例中，第三确定模块还可以基于第二确定模型对人流数据、人物变化情况、候选码流进行处理，确定第一图像的候选清晰度；将满足预设条件的候选清晰度确定为目标清晰度；基于目标清晰度和候选码流，确定摄像设备的目标码流。更多关于确定目标码流的说明可以参见图1、图4、图5及其相关描述。
24.调整模块用于基于目标码流调整摄像设备当前码流。更多关于调整摄像设备当前码流的说明可以参见图1的及其相关描述。
25.图1是根据本说明书一些实施例所示的调整摄像设备码流的示例性流程图。在一
些实施例中，流程100可以由处理器或摄像设备调整系统执行。
26.步骤110，获取预设时间段内的第一图像。
27.预设时间段可以人工设置。人工可以选取具有代表性的时间段作为预设时间段输入到处理器中。例如，对于地下车库的摄像设备而言，预设时间段可以选取为上下班高峰的时间段等。再例如，对于十字路口斑马线的摄像设备而言，预设时间段可以选取为行人通行或行人等待的时间段等。
28.第一图像可以指摄像设备在预设时间段内拍摄到的图像。在一些实施例中，第一图像中可以包括运动物体和静止物体。例如，运动物体可以包括人、动物、车辆等，静止物体可以包括公共设施等。
29.在一些实施例中，第一图像可以是由摄像设备在预设时间段内的多个不同的预设时间点拍摄得到的多帧图像帧。预设时间点可以人工设置。在一些实施例中，预设时间点的数量和/或间隔可以根据实时情况及时调整。例如，对于小区门口的摄像设备，针对突发情况使出入小区门口人流量突然增多的情况，可以适当增多预设时间点的数量和/或较少预设时间点的间隔，进而增加第一图像的数量，便于对实时情况进行更准确的评估。
30.在一些实施例中，处理器可以通过与摄像设备连通，实时获取第一图像。摄像设备获取的图像可以存储至存储设备(例如，本地数据库、云数据库等)，处理器可以从存储设备中获取第一图像。
31.步骤120，基于第一图像确定人流数据，人流数据包括预设时间段内的人流量和人流速度。
32.人流数据可以指与人流有关的数据。在一些实施例中，人流数据可以包括预设时间段内的人流量和人流速度。
33.人流量可以指预设时间段内处于摄像设备监控画面中的人员数量。例如，16:00时处于摄像设备监控画面中的人员为3人，则该人流量可以为3人。在一些实施例中，人流量可以用序列向量表示，其中，序列向量的每一个元素可以包括预设时间点和该预设时间点对应的人流量。例如，序列向量可以为((a1,b1),(a2,b2),(a3,b3))，其中，a1、a2、a3为按照拍摄顺序排列的预设时间点，b1、b2、b3分别为在a1、a2、a3时刻获取的监控画面中的人员数量。
34.人流速度可以指预设时间段内通过摄像设备监控画面的人员的运动速度。例如，人流速度可以是监控画面中运动速度最快的人员对应的运动速度，也可以是监控画面中所有人员的平均运动速度。
35.在一些实施例中，摄像设备中配置有速度传感器，处理器可以基于速度传感器获取监控画面内人流中的每个个体的速度，以获取人流速度。
36.在一些实施例中，处理器可以预先设置第一数据库，该第一数据库中包括历史图像的特征向量与历史人流数据的对应关系，其中，历史图像可以为该摄像设备历史拍摄到的，历史图像的特征向量中的元素可以包括获取该历史图像的预设时间点、地点和/或其他图像特征。根据当前获取的第一图像确定对应的当前特征向量，将当前特征向量与第一数据库中的历史特征向量进行比对，确定与当前特征向量最接近的历史特征向量，并将该历史特征向量对应的历史人流数据作为当前第一图像对应的人流数据。
37.在一些实施例中，处理器还可以基于人流确定模型对第一图像进行处理，确定人流数据，其中，人流确定模型为机器学习模型。关于确定人流数据的详细内容可以参考本说
明书其他部分内容的描述，例如，图2。
38.步骤130，基于第一图像确定人物变化情况。
39.在一些实施例中，人物变化情况可以为监控画面中是否出现新增人物。在一些实施例中，人物变化情况还可以包括预设时间段内出现新人物的数量。在一些实施例中，当第一图像中出现新增人物时，处理器会对此进行标记并计数，并以此统计所有第一图像中出现的新增人物的数量。
40.在一些实施例中，处理器可以预先设立第二数据库，第二数据库可以储存该摄像设备的历史图像中出现过的历史人物的特征，该历史人物的特征可以通过历史人物特征向量表示。第二数据库可以通过历史数据确定。历史人物特征向量中的元素可以包括人物的服装特征、体型特征、面容特征等。进一步地，处理器可以在摄像设备进行监控时，提取进入监控画面的人物的特征确定对应的待匹配特征向量，并基于待匹配特征向量在第二数据库中的历史人物特征向量进行匹配，若不存在匹配的历史人物特征向量时，则可以确定该人物为新增人物。同时，处理器可以将该人物的特征向量阿计入加入到第二数据库中，对第二数据库进行实时更新。
41.在一些实施例中，处理器可以基于人物变化模型对第一图像进行处理，确定人物变化情况，其中，人物变化模型为机器学习模型。关于确定人物变化情况的详细内容可以参见本说明书其他内容的描述，例如，图3。
42.步骤140，基于人流数据和人物变化情况确定摄像设备的目标码流。
43.目标码流可以是待调整的码流。在一些实施例中，摄像设备的目标码流可以使摄像设备拍摄的图片满足分辨率、存储、传输等需求。在一些实施例中，摄像设备的目标码流与人流数据、人物变化情况有关。例如，当预设时间段内人流速度较低、人流量较少、没有新增人物或者新增人物较少，此时对当前图像的分辨率要求不高，并希望减小图像的存储空间，提高图像传输的速度，则可以调低摄像设备的码流，相反则可以调高摄像设备的码流。
44.在一些实施例中，处理器可以基于历史数据设立第三数据库，第三数据库中包括历史图像对应的历史人流数据、历史人物变化情况构成的历史向量与摄像设备的历史码流的对应关系。进一步地，处理器可以基于由当前第一图像对应的人流数据和人物变化情况构成的当前向量与第三数据库中的历史向量进行匹配，将与当前向量相似度较大的历史向量对应的历史码流作为目标码流。相似度可以通过当前向量和历史向量之间的距离表示，当前向量和历史向量之间距离越小，则当前向量和历史向量的相似度越大。
45.在一些实施例中，处理器可以预设人流数据、人物变化情况对应的分数，并根据人流数据和人物变化情况对应的权重确定目标分数。例如，人流数据越大、新增人物越多，则对应的分数越高。处理器还可以预设目标分数与目标码流的对应关系。例如，0-40分对应的目标码流为2m，41-100分对应的目标码流为4m。进一步地，处理器可以通过目标分数确定对应的目标码流。
46.在一些实施例中，处理器可以基于第一确定模型对人流数据和人物变化情况进行处理，确定摄像设备的目标码流；第一确定模型为机器学习模型。关于基于第一确定模型确定目标码流的详细内容可以参见本说明书其他内容的描述，例如，图4。
47.在一些实施例中，处理器还可以基于第二确定模型对人流数据、人物变化情况、候选码流进行处理，确定第一图像的候选清晰度；将满足预设条件的候选清晰度确定为目标
清晰度；基于目标清晰度和候选码流，确定摄像设备的目标码流。关于基于第二确定模型确定目标码流的详细内容可以参见本说明书其他内容的描述，例如，图5。
48.步骤150，基于目标码流调整摄像设备的当前码流。
49.当前码流可以指摄像设备当前工作时的码流。在一些实施例中，处理器可以与摄像设备相连接确定摄像设备的当前码流。
50.在一些实施例中，处理器可以将目标码流与摄像设备的当前码流进行比较，若不相同，则可以调整摄像设备的当前码流为目标码流。
51.本说明书的实施例中，根据场景中的实际情况(如人流量和人流速度，以及是否有新增人物出现)实时确定摄像设备对应的码流，可以根据实际需要调整当前摄像设备的码流，进而在满足拍摄图像的清晰度要求的同时，节约录像的存储空间，提高了图像传输的速度。
52.图2是根据本说明书一些实施例所示的确定人流数据的示例性示意图。
53.在一些实施例中，处理器可以基于人流确定模型220对第一图像210进行处理，确定人流数据240。其中，人流确定模型可以是机器学习模型。
54.在一些实施例中，人流确定模型220包括第一特征提取层221和识别层222。
55.第一特征提取层221可以为卷积神经网络模型，输入为第一图像210，输出为每一帧图像对应的特征构成的特征序列230。
56.特征序列可以是每一帧图像的特征向量组成的序列。在一些实施例中，处理器可以根据每一帧图像的拍摄顺序将该图像对应的特征向量进行排序，组合成特征序列230。
57.识别层222可以为循环神经网络模型，输入为特征序列230，输出为人流数据240。其中人流数据240包括人流量和人流速度。
58.在一些实施例中，第一特征提取层的输出可以为识别层的输入，识别层、第一特征提取层可以联合训练得到。
59.在一些实施例中，联合训练的样本数据包括历史第一图像，标签为历史第一图像的人流数据。将历史第一图像输入初始第一特征提取层，得到对应的特征序列；将特征序列作为训练样本数据输入初始识别层，得到初始识别层输出的人流数据。基于标签和初始识别层的输出结果，构建损失函数，同时对第一特征提取层和识别层的参数进行更新，直到预设条件被满足，训练完成。其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
60.本说明书的一些实施例中，相对于传统人工确定人流数据的方式，基于机器学习方法确定人流数据，提升了人流数据的准确率和效率，节约了人力资源。同时，通过上述训练方式获得人流确定模型的参数，在一些情况下有利于解决单独训练第一特征提取层时难以获得标签的问题，还可以使第一特征提取层能较好地反映图像的特征。
61.图3是根据本说明书一些实施例所示的确定人物变化情况的示例性示意图。
62.在一些实施例中，可以基于人物变化模型对第一图像进行处理，确定人物变化情况，其中，人物变化模型可以为机器学习模型。如图3所示，人物变化情况350可以由人物变化模型320对第一图像310中的两帧图像进行处理后确定。
63.在一些实施例中，人物变化模型320可以包括分割层321、第二特征提取层322、对比层323。
64.分割层321为yolo分割模型，输入为第一图像310中的两帧图像(如图像帧1和图像帧2)，输出为图像分割结果330。
65.两帧图像是指第一图像中间隔一定时间(如，1秒)的两帧图像。
66.图像分割结果是指将图像分成若干个特定的区域，并标示出目标后得到的图像。例如，图像分割结果可以标识出图像中的人物。
67.第二特征提取层322为卷积神经网络模型，输入为图像分割结果330，输出为两帧图像的人物特征340。
68.人物特征可以用于表示人物的相关特征。例如，人物特征可以包括人物的身高特征、体型特征等。
69.对比层323为神经网络模型，输入为两帧图像的人物特征340，输出为人物变化情况350。
70.分割层的输出可以为第二特征提取层的输入，第二特征提取层的输出可以为对比层的输入。相应的，在一些实施例中，分割层、第二特征提取层以及对比层可以通过联合训练得到。
71.在一些实施例中，联合训练的样本数据包括多组历史图像，一组历史图像中包括两帧图像帧，标签为多组历史图像中的两帧图像的人物变化情况。将多组历史图像输入分割层，得到多组历史图像中每一帧的图像分割结果；将多组历史图像中每一帧的图像分割结果输入第二特征提取层，得到多组历史图像中每一帧的人物特征；将多组历史图像中每一帧的人物特征输入对比层，得到人物变化情况。基于标签和对比层的输出结果构建损失函数，同时对分割层、第二特征提取层以及对比层的参数进行更新，直到预设条件被满足，训练完成。其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
72.在一些实施例中，人物变化模型还可以基于迁移学习的方式获得。示例性地，训练方式包括如下s1-s6所示：
73.s1、选择一个初始模型，初始模型的结构包括两个嵌入层和两个神经网络层。
74.s2、将多幅历史图像同时输入初始模型的两个嵌入层，分别提取多幅历史图像的图像特征，得到多组图像特征，一组图像特征中包括两个嵌入层对同一副图像提取后得到的两个图像特征。
75.s3、将提取到的多组图像特征中每组图像特征输入一个神经网络层，判断对应的历史图像中是否包含人物，对应的训练标签为是否包含人物。
76.s4、若判断出该历史图像中包含人物，则将对应的一组图像特征输入另一个神经网络层，判断是否为同一个人，对应的训练标签为是否为同一个人。
77.s5、基于两个神经网络层的输出和对应的训练标签构建损失函数，基于损失函数迭代更新初始模型的参数，直至满足预设条件，获得训练好的初始模型。其中，预设条件可以包括但不限于损失函数收敛、训练周期达到阈值等。
78.s6、初始模型训练完成后，将初始模型的参数迁移到人物变化模型中作为人物变化模型的参数，其中，嵌入层的参数迁移到人物变化模型的第二特征提取层作为第二特征提取层的参数，神经网络层的参数迁移到人物变化模型的对比层作为对比层的参数，得到训练好的人物变化模型。
79.本说明书的一些实施例中，基于迁移学习的训练方法可以使人物变化模型的特征
提取层更好地提取图像中的特征，获得更准确的识别效果。
80.本说明书的一些实施例中，人物变化模型通过对图像进行粗特征提取，避免对图像进行复杂的机器学习处理，可以节约存储资源，提高识别效率。同时通过机器学习模型确定人物变化情况可以获得比人为识别更好的效果，提升了识别效率，节约了人力资源。
81.图4是根据本说明书一些实施例所示的确定目标码流的示例性示意图。
82.在一些实施例中，如图4所示，可以基于第一确定模型430对人流数据410和人物变化情况420进行处理，确定摄像设备的目标码流440。其中，第一确定模型为机器学习模型。例如，第一确定模型可以是神经网络模型。
83.第一确定模型可以基于第一训练样本进行训练获得。第一训练样本可以包括多个带有标签的训练样本，其中训练样本包括历史监控视频中的人流数据和人物变化情况，标签为历史监控视频对应的码流。训练样本和标签可以根据历史监控视频获取。将第一训练样本输入初始第一确定模型，基于初始第一确定模型的输出以及标签构建损失函数。基于损失函数迭代更新前述初始第一确定模型的参数，直至满足预设条件，获得训练好的第一确定模型。其中，预设条件可以包括但不限于损失函数收敛、训练周期达到阈值等。
84.本说明书的一些实施例中，通过第一确定模型对人流数据和人物变化情况进行处理以预测目标码流的方法可以获得比人为调整目标码流更好的效果，节约人力资源。同时，基于历史数据对模型进行训练，可以使第一确定模型学习到人流数据和人物变化情况与码流之间的关系，提升了模型预测的准确度，可以更好地选取目标码流。
85.图5是根据本说明书一些实施例所示的确定目标码流的另一示例性示意图。
86.在一些实施例中，如图5所示，可以基于第二确定模型540对人流数据510、人物变化情况520和候选码流530进行处理，确定第一图像的候选清晰度550。其中，第二确定模型为机器学习模型。例如，第二确定模型可以是神经网络模型等。
87.候选码流可以指摄像设备工作时备选的码流。例如，摄像设备工作时的码流一般包括1.5m、2m、3m、4m等。候选码流可以基于历史经验获取，也可以由人为选取。例如，可以人为选取多个码流值作为候选码流。候选码流可以包括一个或多个。
88.候选清晰度可以指图像可能对应的清晰度。
89.在一些实施例中，候选码流中的每一个对应一个候选清晰度。例如，候选码流为2m时，对应的候选清晰度为720p。
90.在一些实施例中，第二确定模型确定的第一图像的候选清晰度可以是候选码流对应的候选清晰度中的部分或全部。例如，候选码流包括2m、3m、4m，对应的候选清晰度包括720p、960p、1080p，而第二确定模型确定的第一图像的候选清晰度可以包括960p、1080p。
91.第二确定模型可以基于第二训练样本进行训练获得。第二训练样本可以包括多个带有标签的训练样本，其中，训练样本可以包括历史监控视频中的历史码流、历史人流数据以及历史人物变化情况，标签可以是历史监控视频的历史清晰度。训练样本和标签可以根据历史监控视频获取。将第二训练样本输入初始第二确定模型，基于所述初始第二确定模型的输出以及标签构建损失函数。基于损失函数迭代更新前述初始第二确定模型的参数，直至满足预设条件，获得训练好的第二确定模型。其中，预设条件可以包括但不限于损失函数收敛、训练周期达到阈值等。
92.在一些实施例中，如图5所示，可以基于候选清晰度550确定目标清晰度560。具体
地，可以将满足预设条件的候选清晰度550确定为目标清晰度560。
93.预设条件可以指清晰度需满足的阈值和/或范围，该阈值和/或范围可以由人为设定。例如，预设条件可以是清晰度大于480p，小于960p，也可以是清晰度大于960p。
94.目标清晰度可以指从候选清晰度中确定的第一图像对应的清晰度。
95.在一些实施例中，将满足预设条件的候选清晰度确定为目标清晰度包括：当满足预设条件的候选清晰度只有一个时，将该候选清晰度确定为目标清晰度；当满足预设条件的候选清晰度为多个时，选择清晰度最低的候选清晰度作为目标清晰度。例如，当预设条件是候选清晰度大于360p，小于960p时，符合预设条件的候选清晰度有480p和720p，则可以将480p确定为目标清晰度。
96.值得说明的是，监控设备画面清晰度越高，需要的存储空间越大，消耗的资源更多。当存在多个符合预设条件的候选清晰度时，选取清晰度最低的候选清晰度作为目标清晰度，可以节约存储空间和数据量等资源。
97.在一些实施例中，如图5所示，可以基于目标清晰度560和候选码流530，确定摄像设备的目标码流570。
98.在一些实施例中，确定摄像设备的目标码流包括将目标清晰度对应的候选码流确定为目标码流。
99.本说明书的一些实施例中，利用模型对候选码流、人流数据、人物变化情况进行处理，预测画面清晰度以确定目标码流的方法，可以使模型学习到码流、人流数据、人物变化情况与清晰度之间的关系，能够基于预测清晰度更好地选择符合清晰度要求的码流。
100.需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
101.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
102.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
103.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
104.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个实施
例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
105.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
106.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
107.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。