本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其是涉及一種實時動態(tài)目標(biāo)跟蹤方法及裝置。

背景技術(shù)：

現(xiàn)有技術(shù)的目標(biāo)跟蹤主要通過兩種方式實現(xiàn)，一種方式是運用生成的模型描述子描述目標(biāo)的特征，通過搜索待定目標(biāo)的特征實現(xiàn)目標(biāo)的跟蹤，有代表性的算法有稀疏編碼，在線密度估計等。稀疏編碼和在線密度估計等算法著眼于對目標(biāo)本身的描述，忽略了背景信息，在目標(biāo)為非剛體或被遮擋的情況下會產(chǎn)生漂移；另一種方式是通過訓(xùn)練分類器來實現(xiàn)跟蹤目標(biāo)。代表性的算法有MeanShift和典型的DLT深度學(xué)習(xí)算法。MeanShift采用目標(biāo)的顏色直方圖作為搜索特征，不斷迭代MeanShift向量使得算法收斂于目標(biāo)的真實位置，從而達到區(qū)分目標(biāo)和跟蹤的目的，MeanShift算法對邊緣遮擋、目標(biāo)旋轉(zhuǎn)、變形和背景運動不敏感。典型的DLT深度學(xué)習(xí)算法采用輔助訓(xùn)練數(shù)據(jù)進行預(yù)訓(xùn)練，獲取目標(biāo)初略特征，實際跟蹤時微調(diào)整預(yù)訓(xùn)練模型，增強其分類性能。這些算法在魯棒性和實時性方面都或多或少存在不盡人意的地方。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種實時動態(tài)目標(biāo)跟蹤方法及裝置，以緩解現(xiàn)有技術(shù)的目標(biāo)跟蹤在魯棒性和實時性較差的技術(shù)問題。

第一方面，本發(fā)明實施例提供了一種實時動態(tài)目標(biāo)跟蹤方法，包括以下步驟：

采集目標(biāo)的三維圖像；

對三維圖像進行圖像通道分割處理，生成二維圖像和圖像深度矩陣；

對二維圖像進行圖像預(yù)處理，生成預(yù)處理后的二維圖像；

對預(yù)處理后的二維圖像和圖像深度矩陣分別進行幀差分處理，得到幀差分處理后的二維圖像和幀差分處理后的圖像深度矩陣；

對幀差分處理后的二維圖像進行凸包檢測并計算凸包的質(zhì)心；

對幀差分處理后的圖像深度矩陣進行濾波，得到濾波后的圖像深度矩陣；

將幀差分處理后的二維圖像和濾波后的圖像深度矩陣進行坐標(biāo)融合，得到目標(biāo)團塊矯正矩陣；

根據(jù)質(zhì)心對目標(biāo)團塊矯正矩陣進行目標(biāo)標(biāo)記和路徑跟蹤。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第一種可能的實施方式，其中，在圖像通道分割處理前或幀差分處理前還包括幀分割處理，具體方法為：

在圖像通道分割處理之前對三維圖像進行等幀數(shù)分組；

或在幀差分處理前對二維圖像或預(yù)處理后的二維圖像進行等幀數(shù)分組。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第二種可能的實施方式，其中，幀差分處理為三幀差分處理。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第三種可能的實施方式，其中，三幀差分處理為幀間差分法、索貝爾算子或背景差分算法。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第四種可能的實施方式，其中，預(yù)處理方法包括全局閾值化、局部自適應(yīng)閾值化、高斯模糊、高斯金字塔和拉普拉斯金字塔中的一種或多種。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第五種可能的實施方式，其中，將幀差分處理后的二維圖像和濾波后的圖像深度矩陣進行坐標(biāo)融合，生成目標(biāo)團塊矯正矩陣，具體為：

對幀差分后的二維圖像進行形態(tài)學(xué)處理生成目標(biāo)輪廓矩陣，將目標(biāo)輪廓矩陣和濾波后的圖像深度矩陣進行坐標(biāo)融合生成目標(biāo)團塊矯正矩陣。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第六種可能的實施方式，其中，對幀差分處理后的二維圖像進行凸包檢測并計算凸包的質(zhì)心，具體為：

對幀差分處理后的二維圖像進行形態(tài)學(xué)處理生成目標(biāo)輪廓矩陣，對目標(biāo)輪廓矩陣進行凸包檢測并計算凸包的質(zhì)心。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第七種可能的實施方式，其中，濾波處理為低通濾波處理。

第二方面，本發(fā)明實施例還提供一種實時動態(tài)目標(biāo)跟蹤裝置，包括：

圖像采集模塊，用于采集目標(biāo)的三維圖像；

分割模塊，用于對三維圖像進行通道分割處理，生成二維圖像和圖像深度矩陣；

圖像預(yù)處理模塊，用于對二維圖像進行圖像預(yù)處理，得到預(yù)處理后的二維圖像；

幀差分處理模塊，用于對預(yù)處理后的二維圖像和圖像深度矩陣分別進行幀差分處理，得到幀差分后的二維圖像和幀差分后的圖像深度矩陣；

凸包檢測模塊，用于對所述幀差分處理后的二維圖像進行凸包檢測并計算所述凸包的質(zhì)心；

濾波模塊，用于對幀差分后的圖像深度矩陣進行濾波，得到濾波后的圖像深度矩陣；

融合模塊，用于將幀差分處理后的二維圖像和濾波后的圖像深度矩陣進行坐標(biāo)融合生成目標(biāo)團塊矯正矩陣；

目標(biāo)標(biāo)記和跟蹤模塊，用于根據(jù)質(zhì)心對目標(biāo)團塊矯正矩陣進行目標(biāo)標(biāo)記和路徑跟蹤。

結(jié)合第二方面，本發(fā)明實施例提供了第二方面的第一種可能的實施方式，其中，還包括幀分組模塊；

用于在圖像通道分割處理之前對三維圖像進行等幀數(shù)分組；

或用于在幀差分處理前對二維圖像或預(yù)處理后的二維圖像進行等幀數(shù)分組。

本發(fā)明實施例帶來了以下有益效果：

本發(fā)明提供了一種實時動態(tài)目標(biāo)跟蹤方法，將采集的目標(biāo)的三維圖像進行通道分割生成二維圖像和圖像深度矩陣；對二維圖像進行圖像預(yù)處理，對預(yù)處理后的二維圖像和圖像深度矩陣分別進行幀差分處理，然后對幀差分后的二維圖像進行凸包檢測，并計算凸包的質(zhì)心；將幀差分后的圖像深度矩陣進行濾波后與幀差分處理后的二維圖像進行坐標(biāo)融合生成目標(biāo)團塊矯正矩陣，因為幀差分后的圖像深度矩陣也包含輪廓信息，因此濾波后的深度矩陣和幀差分處理后的二維圖像融合后實現(xiàn)了對目標(biāo)輪廓的雙重定位，根據(jù)質(zhì)心對目標(biāo)團塊矯正矩陣進行目標(biāo)標(biāo)記和路徑跟蹤，提高了對柔性目標(biāo)實時跟蹤的準(zhǔn)確率。

本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點在說明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例1提供的實時動態(tài)目標(biāo)跟蹤方法的第一種實施方式的流程圖；

圖2為本發(fā)明實施例1提供的實時動態(tài)目標(biāo)跟蹤方法的第二種實施方式的流程圖；

圖3為本發(fā)明實施例1提供的實時動態(tài)目標(biāo)跟蹤方法的第三種實施方式的流程圖；

圖4為本發(fā)明實施例1提供的實時動態(tài)目標(biāo)跟蹤方法的第四種實施方式的流程圖；

圖5為本發(fā)明實施例2提供的實時動態(tài)目標(biāo)跟蹤裝置的第一種實施方式的示意圖；

圖6為本發(fā)明實施例2提供的實時動態(tài)目標(biāo)跟蹤裝置的第二種實施方式的示意圖；

圖7為本發(fā)明實施例2提供的實時動態(tài)目標(biāo)跟蹤裝置的第三種實施方式的示意圖；

圖8為本發(fā)明實施例2提供的實時動態(tài)目標(biāo)跟蹤裝置的第四種實施方式的示意圖。

圖標(biāo)：101-圖像采集模塊；102-分割模塊；103-圖像預(yù)處理模塊；104-幀差分處理模塊；105-凸包檢測模塊；106-濾波模塊；107-融合模塊；108-目標(biāo)標(biāo)記和跟蹤模塊；110-幀分組模塊；111-形態(tài)學(xué)處理模塊。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

目前的實時動態(tài)目標(biāo)跟蹤方法在魯棒性或?qū)崟r性存在不足，基于此，本發(fā)明實施例提供的一種實時動態(tài)目標(biāo)跟蹤方法及裝置，可以提高實時動態(tài)目標(biāo)追蹤的魯棒性或?qū)崟r性。

為便于對本實施例進行理解，首先對本發(fā)明實施例所公開的一種實時動態(tài)目標(biāo)跟蹤方法進行詳細介紹。

實施例1：

如圖1所示，本發(fā)明實施例提供了一種實時動態(tài)目標(biāo)跟蹤方法，具體步驟如下：

S100.采集目標(biāo)的三維圖像。

通過深度攝像頭連續(xù)實時采集動態(tài)目標(biāo)的三維圖像。本實施例中的動態(tài)目標(biāo)可以是柔性目標(biāo)，也可以是非柔性目標(biāo)。

S102.對三維圖像進行圖像通道分割處理，生成二維圖像和圖像深度矩陣。

對每一幀三維圖像進行圖像通道分割，分離出二維圖像和深度矩陣，然后對二維圖像和深度矩陣分別進行處理。

S104.對二維圖像進行圖像預(yù)處理，得到預(yù)處理后的二維圖像。

二維圖像的預(yù)處理方法優(yōu)選為全局閾值化、局部自適應(yīng)閾值化、高斯模糊、高斯金字塔和拉普拉斯金字塔中的一種或幾種。全局閾值化、局部自適應(yīng)閾值算法進行二值化消除光照影響；采用高斯模糊、高斯金字塔和拉普拉斯金字塔消除噪音等。通過上述預(yù)處理方法實現(xiàn)圖像的光照均衡。

S106.對預(yù)處理后的二維圖像和圖像深度矩陣分別進行幀差分處理，得到幀差分處理后的二維圖像和幀差分處理后的圖像深度矩陣。

幀差分處理可以是三幀或五幀差分法，優(yōu)選采用三幀差分法，比如：幀間差分法、索貝爾算子或背景差分算法。

S108.對幀差分處理后的二維圖像進行凸包檢測并計算凸包的質(zhì)心。

通過質(zhì)心實現(xiàn)對凸包的標(biāo)記和跟蹤，降低了目標(biāo)跟蹤的數(shù)據(jù)運算量，同時提高了目標(biāo)跟蹤的準(zhǔn)確率，實現(xiàn)了動態(tài)目標(biāo)追蹤的實時性。

S110.對幀差分處理后的圖像深度矩陣進行濾波，得到濾波后的圖像深度矩陣。

優(yōu)選通過低通濾波器對幀差分處理后的圖像深度矩陣進行濾波，以剔除幀差分處理后的圖像深度矩陣中的正數(shù)。

S112.將幀差分處理后的二維圖像和濾波后的圖像深度矩陣進行坐標(biāo)融合生成目標(biāo)團塊矯正矩陣。

將幀差分處理后的二維圖像和濾波后的圖像深度矩陣進行坐標(biāo)融合，由于濾波后的圖像深度矩陣也包含目標(biāo)輪廓信息，因此，將均包含目標(biāo)輪廓信息的兩矩陣信息進行融合可以精確定位目標(biāo)團塊的坐標(biāo)及輪廓。

S114.根據(jù)質(zhì)心對目標(biāo)團塊矯正矩陣進行目標(biāo)標(biāo)記和路徑跟蹤。

根據(jù)質(zhì)心對目標(biāo)團塊矩陣對進行標(biāo)記并保存記錄，實現(xiàn)目標(biāo)團塊質(zhì)心的實時定位，而且輸出結(jié)果可以作為各種需要跟蹤目標(biāo)的實際應(yīng)用的后續(xù)輸入數(shù)據(jù)。

將采集的目標(biāo)的三維圖像進行通道分割生成二維圖像和圖像深度矩陣；對二維圖像進行圖像預(yù)處理，對預(yù)處理后的二維圖像和圖像深度矩陣分別進行幀差分處理，然后對幀差分后的二維圖像進行凸包檢測，并計算凸包的質(zhì)心；將幀差分后的圖像深度矩陣進行濾波后與幀差分處理后的二維圖像進行坐標(biāo)融合生成目標(biāo)團塊矯正矩陣，因為幀差分后的圖像深度矩陣也包含輪廓信息，因此濾波后的深度矩陣和幀差分處理后的二維圖像融合后實現(xiàn)了對目標(biāo)輪廓的雙重定位，根據(jù)質(zhì)心對目標(biāo)團塊矯正矩陣進行目標(biāo)標(biāo)記和路徑跟蹤，提高了對柔性目標(biāo)實時跟蹤的準(zhǔn)確率。

如圖2所示，作為本發(fā)明的另一種實施方式，在步驟S102之前還包括：

步驟S101.對三維圖像進行等幀數(shù)分組。

根據(jù)選擇的具體的幀差分方法選擇相應(yīng)的幀數(shù)分組，比如，若選擇三幀差分法，則三維圖像的分組為每三幀一組；若選擇五幀差分法，則三維圖像的分組為每五幀一組。三維圖像等幀數(shù)分組后，在步驟S102中，對每一組三維圖像中的每一幀圖像進行圖像通道分割。

如圖3所示，作為本發(fā)明的另一種實施方式，在步驟S106之前還包括：

S105.對所述預(yù)處理后的二維圖像進行等幀數(shù)分組。

此步驟中，將預(yù)處理后的二維圖像根據(jù)選擇的具體的幀差分方法選擇相應(yīng)的幀數(shù)分組，比如，若選擇三幀差分法，則預(yù)處理后的二維圖像的分組為每三幀一組，若選擇五幀差分法，則預(yù)處理后的二維圖像的分組為每五幀一組。

另外，對于等幀數(shù)分組，也可以在二維圖像進行預(yù)處理前進行等幀數(shù)分組，將二維圖像根據(jù)選擇的具體的幀差分方法選擇相應(yīng)的幀數(shù)分組，比如，若選擇三幀差分法，則二維圖像的分組為每三幀一組，若選擇五幀差分法，則二維圖像的分組為每五幀一組。

如圖4所示，作為本發(fā)明的另一種實施方式，在步驟S106之后的優(yōu)選實施方式為：

S107.對幀差分后的二維圖像進行形態(tài)學(xué)處理，生成目標(biāo)輪廓矩陣。

本步驟對幀差分處理后的二維圖像進行形態(tài)學(xué)處理生成目標(biāo)輪廓矩陣，且形態(tài)學(xué)處理方法優(yōu)選腐蝕或膨脹，通過腐蝕去掉毛刺，去掉孤立的0像素；通過膨脹填充邊緣或0像素內(nèi)部的孔。

S108.對目標(biāo)輪廓矩陣進行凸包檢測并計算凸包的質(zhì)心。

S110.對幀差分處理后的圖像深度矩陣進行濾波，得到濾波后的圖像深度矩陣。

S112.將目標(biāo)輪廓矩陣和濾波后的圖像深度矩陣進行坐標(biāo)融合生成目標(biāo)團塊矯正矩陣。

S114.根據(jù)目標(biāo)團塊矯正矩陣進行目標(biāo)標(biāo)記并跟蹤路徑。

實施例2：

如圖5所示，本實施例提供了一種實時動態(tài)目標(biāo)跟蹤裝置，包括圖像采集模塊101、分割模塊102、圖像預(yù)處理模塊103、幀差分處理模塊104、凸包檢測模塊105、濾波模塊106、融合模塊107、目標(biāo)標(biāo)記和跟蹤模塊108，圖像采集模塊101用于采集目標(biāo)的三維圖像；分割模塊102用于對三維圖像進行通道分割處理，生成二維圖像和圖像深度矩陣；圖像預(yù)處理模塊103用于對二維圖像進行圖像預(yù)處理，得到預(yù)處理后的二維圖像；幀差分處理模塊104用于對預(yù)處理后的二維圖像和圖像深度矩陣分別進行幀差分處理，得到幀差分后的二維圖像和幀差分后的圖像深度矩陣；凸包檢測模塊105用于對幀差分后的二維圖像進行凸包檢測并計算凸包的質(zhì)心；濾波模塊106用于對幀差分后的圖像深度矩陣進行濾波，得到濾波后的圖像深度矩陣；融合模塊107用于將幀差分后的二維圖像和濾波后的圖像深度矩陣進行坐標(biāo)融合，得到目標(biāo)團塊矯正矩陣；目標(biāo)標(biāo)記和跟蹤模塊108用于根據(jù)凸包的質(zhì)心對目標(biāo)團塊矯正矩陣進行目標(biāo)標(biāo)記和路徑跟蹤。

通過通道分割模塊102將采集的目標(biāo)的三維圖像進行通道分割生成二維圖像和圖像深度矩陣；通過預(yù)處理模塊對二維圖像進行圖像預(yù)處理，通過幀差分處理模塊104對預(yù)處理后的二維圖像和圖像深度矩陣分別進行幀差分處理，通過凸包檢測模塊105用于對幀差分后的二維圖像進行凸包檢測和凸包質(zhì)心的計算；通過融合模塊107將幀差分后的圖像深度矩陣進行濾波后與幀差分后的二維圖像進行坐標(biāo)融合生成目標(biāo)團塊矯正矩陣，因為幀差分后的圖像深度矩陣也包含輪廓信息，因此濾波后的深度矩陣和目標(biāo)輪廓矩陣融合后實現(xiàn)了對目標(biāo)輪廓的雙重定位，根據(jù)目標(biāo)團塊矯正矩陣進行目標(biāo)標(biāo)記并跟蹤路徑。

如圖6和圖7所示，作為本實施例的另一種實施方式，實時動態(tài)目標(biāo)跟蹤裝置還包括幀分組模塊110，用于在圖像通道分割處理之前對三維圖像進行等幀數(shù)分組；或用于在幀差分處理前對二維圖像或預(yù)處理后的二維圖像進行等幀數(shù)分組。即圖像的等幀數(shù)分組，可以在在圖像通道分割處理前即對三維圖像進行等幀數(shù)分組；或是在二維圖像預(yù)處理之前對二維圖像進行等幀數(shù)分組；或是對預(yù)處理后的二維圖像進行等幀數(shù)分組，然后將分組后的設(shè)定幀數(shù)的二維圖像直接進行幀差分處理。

本實施例中的幀差分處理是三幀差分法或五幀差分法或是其他幀差分方法。

需要說明的是，本實施例中的差分方法、預(yù)處理方法如實施例1中所述，在此不予贅述。

如圖8所示，作為本實施例的另一種實施方式，實時動態(tài)目標(biāo)跟蹤裝置還包括形態(tài)學(xué)處理模塊111，用于對幀差分后的二維圖像進行形態(tài)學(xué)處理，生成目標(biāo)輪廓矩陣。凸包檢測模塊105和融合模塊107均基于形態(tài)學(xué)處理模塊111生成的目標(biāo)輪廓矩陣。本實施例中的形態(tài)學(xué)算法優(yōu)選為膨脹或腐蝕。

本發(fā)明實施例提供的實時動態(tài)目標(biāo)跟蹤裝置，與上述實施例提供的實時動態(tài)目標(biāo)跟蹤方法具有相同的技術(shù)特征，所以也能解決相同的技術(shù)問題，達到相同的技術(shù)效果。

本發(fā)明實施例所提供的實時動態(tài)目標(biāo)跟蹤方法及裝置的計算機程序產(chǎn)品，包括存儲了程序代碼的計算機可讀存儲介質(zhì)，所述程序代碼包括的指令可用于執(zhí)行前面方法實施例中所述的方法，具體實現(xiàn)可參見方法實施例，在此不再贅述。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)和裝置的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

另外，在本發(fā)明實施例的描述中，除非另有明確的規(guī)定和限定，術(shù)語“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通。對于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語在本發(fā)明中的具體含義。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

在本發(fā)明的描述中，需要說明的是，術(shù)語“中心”、“上”、“下”、“左”、“右”、“豎直”、“水平”、“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限制。

最后應(yīng)說明的是：以上所述實施例，僅為本發(fā)明的具體實施方式，用以說明本發(fā)明的技術(shù)方案，而非對其限制，本發(fā)明的保護范圍并不局限于此，盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，其依然可以對前述實施例所記載的技術(shù)方案進行修改或可輕易想到變化，或者對其中部分技術(shù)特征進行等同替換；而這些修改、變化或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實施例技術(shù)方案的精神和范圍，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)所述以權(quán)利要求的保護范圍為準(zhǔn)。