本發(fā)明屬于視頻識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于殘差網(wǎng)絡(luò)的人體行為識(shí)別方法。

背景技術(shù)：

伴隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展進(jìn)步，網(wǎng)絡(luò)環(huán)境的完善，以及數(shù)碼相機(jī)、攝像錄影機(jī)等視頻獲取設(shè)備的普及，網(wǎng)絡(luò)視頻、手機(jī)視頻、監(jiān)控視頻數(shù)據(jù)呈現(xiàn)爆炸性的增長(zhǎng)。為了迎接視頻數(shù)據(jù)極速增長(zhǎng)的挑戰(zhàn)，解決大規(guī)模計(jì)算需求與高配硬件、海量視頻數(shù)據(jù)與有效數(shù)據(jù)之間的矛盾，對(duì)視頻內(nèi)容的分析研究迫在眉睫。

對(duì)視頻中人體行為的分析識(shí)別，是視頻內(nèi)容分析的重要組成部分。基于視頻的人體行為識(shí)別是通過(guò)計(jì)算機(jī)對(duì)采集得到的未知視頻序列進(jìn)行處理，能自動(dòng)地對(duì)視頻中包含的人體行為進(jìn)行檢測(cè)、跟蹤、分類(lèi)和識(shí)別，從而使得計(jì)算機(jī)能夠?qū)θ说男袨檫M(jìn)行描述和理解。由于視頻中大部分有意義的信息都與人類(lèi)活動(dòng)有關(guān)，因此人體行為識(shí)別是智能監(jiān)控、基于內(nèi)容的視頻檢索、人機(jī)交互等應(yīng)用的重要研究?jī)?nèi)容。

現(xiàn)有的人體行為識(shí)別方法主要有深度學(xué)習(xí)表示方法，其不需要像傳統(tǒng)方法那樣對(duì)特征提取方法進(jìn)行人工設(shè)計(jì)，可以在視頻數(shù)據(jù)上進(jìn)行訓(xùn)練和學(xué)習(xí)，得到最有效的表征方法。這種思路對(duì)數(shù)據(jù)具有很強(qiáng)的適應(yīng)性，尤其在標(biāo)定數(shù)據(jù)較少的情況下能夠獲得更好的效果。

但是深度學(xué)習(xí)表示仍然存在一些缺點(diǎn)。首先深度學(xué)習(xí)表示一般直接從視頻像素?cái)?shù)據(jù)中學(xué)習(xí)特征，需要訓(xùn)練大量的網(wǎng)絡(luò)參數(shù)，這造成了對(duì)行為視頻樣本的巨大的需求問(wèn)題。其次，這些深度學(xué)習(xí)表示在訓(xùn)練學(xué)習(xí)的過(guò)程中，需要對(duì)海量視頻數(shù)據(jù)執(zhí)行卷積操作。在二維圖像中，卷積操作計(jì)算量比較小，但是在三維視頻中，該操作的復(fù)雜度呈指數(shù)級(jí)增長(zhǎng)。最后，真實(shí)的行為視頻場(chǎng)景一般都比較復(fù)雜，而大部分的行為特征對(duì)混雜背景、遮擋、鏡頭變換、服飾變化等因素比較敏感。那么，針對(duì)復(fù)雜場(chǎng)景中的行為識(shí)別，學(xué)習(xí)穩(wěn)定魯棒的不變特征，也是一個(gè)亟待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于殘差網(wǎng)絡(luò)的人體行為識(shí)別方法，以避免卷積神經(jīng)網(wǎng)絡(luò)在使用高質(zhì)量視頻時(shí)產(chǎn)生的巨大計(jì)算量問(wèn)題。

為了實(shí)現(xiàn)上述目的，本發(fā)明技術(shù)方案如下：

一種基于殘差網(wǎng)絡(luò)的人體行為識(shí)別方法，所述人體行為識(shí)別方法包括：

將視頻轉(zhuǎn)換為rgb圖像和光流圖像；

采用rgb圖像作為輸入，利用設(shè)定的殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)提取視頻的空間特征；

采用光流圖像作為輸入，利用所述殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)提取視頻的時(shí)間特征；

在卷積網(wǎng)絡(luò)的最后一個(gè)卷積層之后，通過(guò)融合策略將視頻的空間特征和時(shí)間特征融合；

將融合的空間特征和時(shí)間特征，經(jīng)過(guò)殘差網(wǎng)絡(luò)的池化層和全連接層后，輸入到分類(lèi)器中進(jìn)行分類(lèi)，確定視頻所屬的人體行為類(lèi)別。

本發(fā)明的一種實(shí)施方式，所述殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)中各個(gè)卷積層為線性結(jié)構(gòu)，每?jī)蓪釉黾右粋€(gè)捷徑連接。

本發(fā)明的另一種實(shí)施方式，所述殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)包括第一個(gè)卷積層和至少兩個(gè)分支結(jié)構(gòu)，每個(gè)分支結(jié)構(gòu)上的每?jī)蓚€(gè)卷積層增加一個(gè)捷徑連接，并且相鄰的分支結(jié)構(gòu)之間的捷徑連接交叉連接。

進(jìn)一步地，所述將視頻轉(zhuǎn)換為光流圖像，采用brox光流算法，所述brox光流算法，包括：

將視頻幀序列表示為其中表示一幀視頻圖像，x，y表示視頻圖像中像素點(diǎn)的坐標(biāo)；

基于圖像亮度恒定假設(shè)：簡(jiǎn)記為：

其中其中和就是要求的光流圖像；

構(gòu)造相應(yīng)的能量泛函為：

其中遞增凹函數(shù)ε為健壯因子；

采用歐拉-拉格朗日方程：

求解光流圖像。

進(jìn)一步地，所述通過(guò)融合策略將視頻的空間特征和時(shí)間特征融合，采用相加融合。相加融合效率最高，并且準(zhǔn)確度也很高。

本發(fā)明還公開(kāi)了一種基于殘差網(wǎng)絡(luò)的人體行為識(shí)別裝置，所述人體行為識(shí)別裝置包括：

轉(zhuǎn)換模塊，用于將視頻轉(zhuǎn)換為rgb圖像和光流圖像；

空間特征提取模塊，用于采用rgb圖像作為輸入，利用設(shè)定的殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)提取視頻的空間特征；

時(shí)間特征提取模塊，用于采用光流圖像作為輸入，利用所述殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)提取視頻的時(shí)間特征；

融合模塊，用于在卷積網(wǎng)絡(luò)的最后一個(gè)卷積層之后，通過(guò)融合策略將視頻的空間特征和時(shí)間特征融合；

分類(lèi)模塊，用于將融合的空間特征和時(shí)間特征，經(jīng)過(guò)殘差網(wǎng)絡(luò)的池化層和全連接層后，輸入到分類(lèi)器中進(jìn)行分類(lèi)，確定視頻所屬的人體行為類(lèi)別。

進(jìn)一步地，所述轉(zhuǎn)換模塊將視頻轉(zhuǎn)換為光流圖像，采用brox光流算法，執(zhí)行如下步驟：

將視頻幀序列表示為其中表示一幀視頻圖像，x，y表示視頻圖像中像素點(diǎn)的坐標(biāo)；

基于圖像亮度恒定假設(shè)：簡(jiǎn)記為：

其中其中和就是要求的光流圖像；

構(gòu)造相應(yīng)的能量泛函為：

其中遞增凹函數(shù)ε為健壯因子；

采用歐拉-拉格朗日方程：

求解光流圖像。

進(jìn)一步地，所述融合模塊通過(guò)融合策略將視頻的空間特征和時(shí)間特征融合，采用相加融合。

本發(fā)明提出的一種基于殘差網(wǎng)絡(luò)的人體行為識(shí)別方法，通過(guò)殘差網(wǎng)絡(luò)分別提取視頻的空間特征和時(shí)間特征，并將融合后的特征向量輸入到訓(xùn)練好的分類(lèi)其中進(jìn)行分類(lèi)，識(shí)別出視頻中的人體行為，具有更好的魯棒性，識(shí)別準(zhǔn)確。增加了網(wǎng)絡(luò)的深度并提高了識(shí)別的準(zhǔn)確度，同時(shí)降低了算法的時(shí)間復(fù)雜度。

附圖說(shuō)明

圖1為本發(fā)明人體行為行識(shí)別方法的流程圖；

圖2為本發(fā)明實(shí)施例殘差網(wǎng)絡(luò)示意圖；

圖3為本發(fā)明實(shí)施例空間特征和時(shí)間特征融合網(wǎng)絡(luò)示意圖；

圖4為本發(fā)明另一實(shí)施例的殘差網(wǎng)絡(luò)示意圖；

圖5為本發(fā)明人體識(shí)別裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明技術(shù)方案做進(jìn)一步詳細(xì)說(shuō)明，以下實(shí)施例不構(gòu)成對(duì)本發(fā)明的限定。

本發(fā)明利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)技術(shù)提取視頻中的人體行為的時(shí)間特征與空間特征，實(shí)現(xiàn)對(duì)視頻中的人體行為快速準(zhǔn)確地分類(lèi)，最終構(gòu)建新的行為識(shí)別解決方案與高效的識(shí)別方法，從而提高場(chǎng)景理解能力和準(zhǔn)確率。

如圖1所示，本技術(shù)方案一種基于殘差網(wǎng)絡(luò)的人體行為識(shí)別方法，包括如下步驟：

步驟s1、將視頻轉(zhuǎn)換為rgb圖像和光流圖像。

本實(shí)施例將需要進(jìn)行識(shí)別的視頻轉(zhuǎn)換為rgb圖像和光流圖像，具體如何將yuv格式視頻圖像轉(zhuǎn)換為rgb格式圖像，在現(xiàn)有技術(shù)中已經(jīng)比較成熟，這里不再贅述。光流是視頻圖像亮度模式的表面運(yùn)動(dòng)，光流計(jì)算是視頻圖像動(dòng)態(tài)分析的主要方法之一。計(jì)算光流圖像的方法很多，如基本的時(shí)空梯度法、lucas-kanade方法、高階梯度方法等等。

本實(shí)施例首先利用opencv將視頻流轉(zhuǎn)換為rgb圖像序列，然后利用brox算法轉(zhuǎn)換為brox光流圖像。

brox光流算法是基于亮度恒定假設(shè)，且假設(shè)光流場(chǎng)平滑，是一種全局方法，轉(zhuǎn)換方法如下：

將視頻幀序列表示為其中表示一幀視頻圖像，x，y表示視頻圖像中像素點(diǎn)的坐標(biāo)。

基于圖像亮度恒定假設(shè)：

簡(jiǎn)記為：

其中其中和就是要求的光流圖像。在brox算法中，相應(yīng)的能量泛函為：

其中第一項(xiàng)和第二項(xiàng)是數(shù)據(jù)項(xiàng)，第三項(xiàng)是平滑項(xiàng)(先驗(yàn)項(xiàng))。對(duì)應(yīng)的歐拉-拉格朗日(euler-lagrange)方程：

其中

為了使結(jié)果更加具有魯棒性，本實(shí)施例在能量泛函中增加遞增凹函數(shù)其中包含健壯因子ε，定義能量泛函為：

其中，遞增凹函數(shù)可以產(chǎn)生一個(gè)l1范數(shù)最小化，健壯因子ε＝0.001，從而使結(jié)果更加健壯。

此時(shí)對(duì)應(yīng)的歐拉-拉格朗日方程為：

其中因此對(duì)上式中的微分離散化，并利用gauss-seidel迭代方法求得和

步驟s2、采用rgb圖像作為輸入，利用設(shè)定的殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)提取視頻的空間特征。

本實(shí)施例預(yù)先設(shè)計(jì)了一種殘差網(wǎng)絡(luò)，如圖2所示：包括卷積網(wǎng)絡(luò)、池化層和全連接層，卷積網(wǎng)絡(luò)中的長(zhǎng)方形圖形表示一個(gè)卷積層。

首先設(shè)計(jì)基準(zhǔn)卷積網(wǎng)絡(luò)，基準(zhǔn)卷積網(wǎng)絡(luò)主要是受vgg網(wǎng)絡(luò)理論的啟發(fā)，保持了簡(jiǎn)潔的網(wǎng)絡(luò)設(shè)計(jì)風(fēng)格，共有25個(gè)卷積層，除了在第一個(gè)卷積層使用7×7卷積核之外，基準(zhǔn)卷積網(wǎng)絡(luò)中其余卷積層的卷積核大小為3×3。該基準(zhǔn)卷積網(wǎng)絡(luò)為線性結(jié)構(gòu)，并且在設(shè)計(jì)時(shí)遵從下列兩條簡(jiǎn)單的規(guī)則：(1)對(duì)于相同大小的輸出特征圖尺寸，層中的卷積核也需要一致；(2)若特征圖尺寸減半時(shí)，則需要倍增卷積核數(shù)量來(lái)保持各層的時(shí)間復(fù)雜度。通過(guò)這兩個(gè)策略，使得卷積網(wǎng)絡(luò)與vgg相比具有較少的卷積核，較低的復(fù)雜度。在每一個(gè)卷積層后都連接一個(gè)組歸一化層以及激勵(lì)層，其中激勵(lì)層使用relu函數(shù)。

殘差網(wǎng)絡(luò)的卷積層在基準(zhǔn)卷積網(wǎng)絡(luò)的基礎(chǔ)上每?jī)蓪泳矸e層增加一個(gè)捷徑連接，通過(guò)步長(zhǎng)(stride)為2的卷積層直接進(jìn)行降采樣，從而將網(wǎng)絡(luò)轉(zhuǎn)化為相應(yīng)的殘差網(wǎng)絡(luò)。步長(zhǎng)的設(shè)定為2，是較佳的設(shè)定，為了降低計(jì)算量。當(dāng)輸入和輸出具有相同的維度時(shí)，使用簡(jiǎn)單的標(biāo)準(zhǔn)捷徑連接(恒等映射)。而在維數(shù)增加時(shí)，使用以下操作：利用投影捷徑連接來(lái)匹配維數(shù)(通過(guò)1×1的卷積層實(shí)現(xiàn))。當(dāng)捷徑連接了兩個(gè)不同尺寸的特征圖時(shí)，它們將依步長(zhǎng)2進(jìn)行排布。

最后一個(gè)卷積層的激勵(lì)層后連接池化層后再接入全連接層。

殘差網(wǎng)絡(luò)設(shè)計(jì)完成后，將s1中獲取的rgb圖像序列作為殘差網(wǎng)絡(luò)的輸入，經(jīng)過(guò)殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)，卷積網(wǎng)絡(luò)的輸出可以叫做特征圖，在本實(shí)施例中就是提取得到的空間特征向量。本實(shí)施例空間特征包含形狀特征、空間關(guān)系特征等。

需要說(shuō)明的是，本實(shí)施例殘差網(wǎng)絡(luò)的卷積層的數(shù)量以及卷積核的大小，根據(jù)實(shí)際計(jì)算性能來(lái)設(shè)計(jì)，例如還可以采用14層卷積層、或38層卷積層來(lái)進(jìn)行特征提取。

為了獲得更加魯棒性的技術(shù)效果，本實(shí)施例進(jìn)一步對(duì)上述殘差網(wǎng)絡(luò)進(jìn)行了改造，將卷積網(wǎng)絡(luò)中的線性結(jié)構(gòu)轉(zhuǎn)換為多分支結(jié)構(gòu)，如圖4所示。對(duì)于25層卷積層的殘差網(wǎng)絡(luò)，包括第一個(gè)卷積層以及三個(gè)分支結(jié)構(gòu)，每個(gè)分支結(jié)構(gòu)上具有8個(gè)卷積層。第一個(gè)卷積層使用7×7卷積核之外，三個(gè)分支結(jié)構(gòu)的卷積層的卷積核大小為3×3。每個(gè)分支結(jié)構(gòu)上每?jī)蓚€(gè)卷積層增加一個(gè)捷徑連接，并且相鄰的分支結(jié)構(gòu)之間的捷徑連接交叉連接。如圖4所示，第一個(gè)分支結(jié)構(gòu)與第二分支結(jié)構(gòu)之間，各自對(duì)應(yīng)的捷徑連接相連接；第二分支結(jié)構(gòu)與第三分支結(jié)構(gòu)之間，各自對(duì)應(yīng)的捷徑連接相連接。

改造后的卷積網(wǎng)絡(luò)，降低了卷積層之間的相關(guān)性，從而提高了組合網(wǎng)絡(luò)的多樣性。在相同的層數(shù)下，本實(shí)施例殘差網(wǎng)絡(luò)的深度要遠(yuǎn)遠(yuǎn)低于相對(duì)應(yīng)版本的卷積網(wǎng)絡(luò)。

步驟s3、采用光流圖像作為輸入，利用殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)提取視頻的時(shí)間特征。

本實(shí)施例提取時(shí)間特征時(shí)所采用的殘差網(wǎng)絡(luò)與提取空間特征的殘差網(wǎng)絡(luò)使用了同樣的網(wǎng)絡(luò)結(jié)構(gòu)。

不同的是，在利用殘差網(wǎng)絡(luò)來(lái)提取視頻的時(shí)間特征時(shí)，通過(guò)堆疊連續(xù)幾幀之間的光流位移場(chǎng)來(lái)構(gòu)建殘差網(wǎng)絡(luò)的輸入。這樣的輸入可以清晰的描述視頻幀間的運(yùn)動(dòng)，這使得識(shí)別可以變得更加容易。

一個(gè)稠密光流可以看做是由一對(duì)連續(xù)幀t和t+1間的一組位移向量場(chǎng)dt。本實(shí)施例將dt(m,n)用來(lái)表示點(diǎn)(m,n)在t幀移動(dòng)到t+1幀相對(duì)應(yīng)的位置時(shí)的位移向量。和是向量場(chǎng)的水平和垂直分量部分，可以看作是圖像的通道，非常適合利用殘差網(wǎng)絡(luò)識(shí)別。為了表示序列幀間的運(yùn)動(dòng)，堆疊了l個(gè)連續(xù)幀的光流圖，和用來(lái)構(gòu)造2l輸入，w和h表示視頻的寬度和高度，對(duì)于任意幀t的卷積層輸入it∈r^w×h×2l:

其中m＝[1；w],n＝[1；h],k＝[1；l]。對(duì)于任意點(diǎn)(m,n),it(m,n,f),f＝[1；2l]編碼了這點(diǎn)在l序列幀間的運(yùn)動(dòng)。本實(shí)施例中的l取10，并且使用步驟s1中所獲取的光流圖像。

最后提取的時(shí)間特征包含視頻中的人體運(yùn)動(dòng)特征。

步驟s4、在殘差網(wǎng)絡(luò)的最后一個(gè)卷積層之后，通過(guò)融合策略將視頻的空間特征和時(shí)間特征融合。

對(duì)于空間特征和時(shí)間特征的融合，融合方式可以有相加融合、拼接融合、卷積融合、雙線性融合等方式，本實(shí)施例采用相加融合方式。假設(shè)融合函數(shù)為f：

其中f在時(shí)刻t將兩個(gè)特征圖和融合產(chǎn)生了輸出圖yt∈r^{h″×w″×d″}。h、h′和h″表示高度，w、w′和w″表示寬度，d、d′和d″表示對(duì)應(yīng)特征圖的通道數(shù)。為了簡(jiǎn)單起見(jiàn)，將h＝h'＝h”，w＝w'＝w”，d＝d'。并且將t舍棄。

相加融合：y^sum＝f^sum(x^a,x^b)采用了相加的策略，在相同的網(wǎng)絡(luò)位置i，j將對(duì)應(yīng)的兩個(gè)特征圖相加，這兩個(gè)特征圖都有相同的特征通道d：

其中1≤i≤h，1≤j≤w，1≤d≤d，并且x^a，x^b，y∈r^h×w×d。因?yàn)橥ǖ赖木幪?hào)是任意的，相加融合簡(jiǎn)單地定義了一個(gè)任意的網(wǎng)絡(luò)之間的對(duì)應(yīng)關(guān)系。

本實(shí)施例相加融合策略在殘差網(wǎng)絡(luò)的最后一個(gè)卷積層的激勵(lì)函數(shù)relu后開(kāi)始融合，之所以這樣選擇是因?yàn)椋诔醪綄?shí)驗(yàn)中，它提供了比其他層后融合更好的結(jié)果。在這一點(diǎn)上的特征已經(jīng)高度信息化，同時(shí)仍然可以提供粗略的位置信息。

步驟s5、將融合的空間特征和時(shí)間特征，經(jīng)過(guò)殘差網(wǎng)絡(luò)的池化層和全連接層后，輸入到分類(lèi)器中進(jìn)行分類(lèi)，確定視頻所屬的人體行為類(lèi)別。

通過(guò)融合策略將空間特征和時(shí)間特征融合后，將空間特征和時(shí)間特征融合的特征向量，經(jīng)過(guò)池化層輸入到全連接層，可以獲得輸出的特征向量，最后將其送入分類(lèi)器中分類(lèi)，確定視頻所屬的人體行為類(lèi)別。

需要說(shuō)明的是，本實(shí)施例殘差網(wǎng)絡(luò)實(shí)際是一種神經(jīng)網(wǎng)絡(luò)，其中分類(lèi)器可以使用支持向量機(jī)、softmax等分類(lèi)器，本實(shí)施例選擇softmax分類(lèi)器，速度比較快，softmax分類(lèi)器是已經(jīng)訓(xùn)練好的分類(lèi)器，可以根據(jù)輸入的視頻圖像的特征，識(shí)別出視頻所屬的人體行為類(lèi)別，這里不再贅述。

如圖5所示，本技術(shù)方案還提出了一種基于殘差網(wǎng)絡(luò)的人體行為識(shí)別裝置，與上述方法對(duì)應(yīng)地，本技術(shù)方案人體行為識(shí)別裝置包括：

轉(zhuǎn)換模塊，用于將視頻轉(zhuǎn)換為rgb圖像和光流圖像；

空間特征提取模塊，用于采用rgb圖像作為輸入，利用設(shè)定的殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)提取視頻的空間特征；

時(shí)間特征提取模塊，用于采用光流圖像作為輸入，利用所述殘差網(wǎng)絡(luò)的卷積網(wǎng)絡(luò)提取視頻的時(shí)間特征；

融合模塊，用于在卷積網(wǎng)絡(luò)的最后一個(gè)卷積層之后，通過(guò)融合策略將視頻的空間特征和時(shí)間特征融合；

分類(lèi)模塊，用于將融合的空間特征和時(shí)間特征，經(jīng)過(guò)殘差網(wǎng)絡(luò)的池化層和全連接層后，輸入到分類(lèi)器中進(jìn)行分類(lèi)，確定視頻所屬的人體行為類(lèi)別。

需要說(shuō)明的是，本裝置采用的殘差網(wǎng)絡(luò)，以及轉(zhuǎn)換模塊對(duì)視頻進(jìn)行轉(zhuǎn)換所執(zhí)行的步驟在前文已經(jīng)進(jìn)行了詳細(xì)說(shuō)明，這里不再贅述。

本發(fā)明技術(shù)方案，基于殘差網(wǎng)絡(luò)，分別提取視頻的空間特征和時(shí)間特征，并將融合后的特征向量輸入到訓(xùn)練好的分類(lèi)其中進(jìn)行分類(lèi)，識(shí)別出視頻中的人體行為，具有更好的魯棒性，識(shí)別準(zhǔn)確。

以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案而非對(duì)其進(jìn)行限制，在不背離本發(fā)明精神及其實(shí)質(zhì)的情況下，熟悉本領(lǐng)域的技術(shù)人員當(dāng)可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形，但這些相應(yīng)的改變和變形都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護(hù)范圍。