本發(fā)明屬于計算機圖像處理領域，特別涉及一種基于區(qū)域融合的顯著性人體區(qū)域檢測方法。

背景技術：

視覺顯著性可直觀地理解為視覺場景中語義元素所能引起視覺注意的能力，這種能力依賴于目標元素所擁有的顯著屬性，諸如特殊性及稀有性等。在對圖像場景信息進行處理時，可以通過顯著性區(qū)域檢測獲取優(yōu)先處理對象，以便于合理分配計算資源，降低計算量節(jié)約成本消耗。因此，檢測圖像顯著性區(qū)域具有較高的應用價值。

自Itti等先驅提出采用中心-周圍差異框架進行顯著性檢測以來，越來越多的研究者開始關注顯著檢測研究鄰域，大量自底向上基于底層數據的具有很好效果的顯著性檢測算法被提出。Chen等提出的基于區(qū)域對比度的顯著檢測算法，在區(qū)域水平上計算顏色對比度，并通過空間距離加權，然后將區(qū)域與其他區(qū)域加權顏色對比度進行累加求和，再用此定義區(qū)域顯著性。Chen等在探索基于對比度的顯著性檢測算法方面取得了不錯的成績，此區(qū)域對比度算法已被廣泛采用。

除利用對比度先驗進行顯著性區(qū)域檢測之外，邊界先驗知識也廣泛應用于顯著性檢測，該先驗知識假定圖像邊界為背景區(qū)域。Wei等依據各區(qū)域到圖像邊界的最短測地線距離定義顯著性，Yang等基于圖論知識借助于流形排序方法，依據各超像素區(qū)域與圖像四周邊界上超像素區(qū)域的相關性程度高低來定義各區(qū)域顯著性取值大小。Zhu等結合區(qū)域空間布局及邊界先驗知識提出了一種更具魯棒性的背景檢測方法，即邊界連通性，該方法在背景檢測方面具有優(yōu)良效果。

目前，通常利用行人的人體邊緣、紋理特征建立模板并綜合運用神經網絡、支持向量機、級聯檢測器等機器學習方法。但是，現有技術中對行人輪廓進行檢測的過程中對非行人的運動目標輪廓進行檢測時容易發(fā)生誤檢。例如，將動物通過監(jiān)控區(qū)域時將該動物錯誤地認定為行人。因此傳統(tǒng)的人體區(qū)域檢測方法仍然不夠理想；同時，傳統(tǒng)的檢測方法中無法獲得顯著性人體區(qū)域效果圖。

有鑒于此，有必要對現有技術中的對監(jiān)控區(qū)域中的人體區(qū)域的檢測方法予以改進，以解決上述問題。

技術實現要素：

本發(fā)明的目的在于公開一種基于區(qū)域融合的顯著性人體區(qū)域檢測方法，用以提高對人體區(qū)域的檢測精度，并能夠產生視覺良好的人體區(qū)域顯著圖。

為實現上述目的，本發(fā)明提供了一種基于區(qū)域融合的顯著性人體區(qū)域檢測方法，包括以下步驟：

S1、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像；

S2、預分割輸入圖像以形成若干超像素區(qū)域單元，將各超像素區(qū)域單元內所有像素的顏色用所對應的各超像素區(qū)域單元內所有像素的顏色向量的平均值來表示，以獲得初始融合圖

S3、以超像素區(qū)域單元為節(jié)點，根據融合準則Ψ依次執(zhí)行鄰接融合與全局融合，并依次在鄰接融合與全局融合過程中將各超像素區(qū)域單元內所有像素的顏色用所對應的各超像素區(qū)域單元內所有像素的顏色向量的平均值來表示，將相似的超像素區(qū)域單元依次融合形成新的超像素區(qū)域單元，以依次構建出鄰接融合圖及全局融合圖

S4、結合超像素區(qū)域單元間的顏色對比度、空間距離權重及背景概率權重分別在初始融合圖鄰接融合圖及全局融合圖上計算超像素區(qū)域單元的顯著值，以獲得三幅初始顯著圖；

S5、通過元胞自動機的置信遺傳機制對三幅初始顯著圖進行更新，得到三幅優(yōu)化顯著圖；

S6、對步驟S5中的三幅優(yōu)化顯著圖執(zhí)行累加求和運算，以獲得包含顯著性人體區(qū)域的集成顯著圖S。

作為本發(fā)明的進一步改進，所述步驟S2具體為：采用簡單線性迭代聚類算法，對輸入圖像執(zhí)行預分割，形成若干超像素區(qū)域單元；計算各超像素區(qū)域單元內所有像素的顏色向量的平均值以替換超像素區(qū)域單元內所有像素的顏色向量，以獲得初始融合圖

作為本發(fā)明的進一步改進，所述步驟S2中，輸入圖像經過預分割后形成的超像素區(qū)域單元所包含的像素點數量為384～614個。

作為本發(fā)明的進一步改進，所述步驟S3中的融合準則Ψ的計算公式為：

其中，Ω₁及Ω₂分別是超像素區(qū)域單元R₁及超像素區(qū)域單元R₂的鄰域集合；C(R₁，R₂)為超像素區(qū)域單元R₁及超像素區(qū)域單元R₂間顏色差值。

作為本發(fā)明的進一步改進，所述步驟S4中的初始顯著圖的計算公式為：

其中，k＝1，2，3分別表示在初始融合圖鄰接融合圖及全局融合圖上計算各超像素區(qū)域單元的顯著值；

S_k(i)表示在圖中超像素區(qū)域單元i的顯著值，n_k是圖中超像素區(qū)域單元數量；

C_k(i，j)表示在圖中超像素區(qū)域單元i及超像素區(qū)域單元j間顏色差值；

P_k(i，j)表示在圖中超像素區(qū)域單元i及超像素區(qū)域單元j間經過歸一化處理的空間歐式距離；

表示在圖中超像素區(qū)域單元j的背景概率權重。

作為本發(fā)明的進一步改進，所述背景概率權重的計算公式為：

其中，BndCon(i)表示超像素區(qū)域單元的邊界連通性度量值，并具體采用如下公式計算：

其中，d_k(i，j)是圖中超像素區(qū)域單元i與超像素區(qū)域單元j間最短路徑長度；δ(·)在超像素區(qū)域單元j位于圖像邊界時取值為1，否則取值為0；n_k為超像素區(qū)域單元數量，參數σ_clr＝10。

作為本發(fā)明的進一步改進，所述步驟S5中的元胞自動機的置信遺傳機制對三幅初始顯著圖進行更新的計算公式為：

其中，k＝1，2，3分別代表元胞自動機的置信遺傳機制對由初始融合圖鄰接融合圖及全局融合圖所獲得初始顯著圖進行更新，運算符“.”表示矩陣乘積運算，表示當前狀態(tài)，表示更新后的狀態(tài)，I表示單位矩陣，及分別是影響因子矩陣F_k及置信度矩陣H_k；

所述步驟S5中，元胞自動機的置信遺傳機制對初始顯著圖的初始狀態(tài)進行15次遍歷更新。

作為本發(fā)明的進一步改進，

所述置信度矩陣的計算公式為：

其中，H_k＝diag(h₁，h₂，...，h_N)，并設定

所述影響因子矩陣F_k的計算公式為：

所述

其中，k＝1，2，3分別表示在初始融合圖鄰接融合圖及全局融合圖中，C_k(i，j)為兩相鄰超像素區(qū)域單元間的顏色差異值，NB_k(i)是超像素區(qū)域單元i的鄰域集合。

作為本發(fā)明的進一步改進，所述步驟S6還包括：對集成顯著圖S的灰度值歸一化至區(qū)間[0，1]的步驟，并對歸一化處理后的集成顯著圖S進行高斯增強處理，所述高斯增強處理的計算公式為：

其中，σ_s＝0.5。

作為本發(fā)明的進一步改進，所述步驟S6還包括將集成顯著圖S轉換為256階灰度圖的步驟。

與現有技術相比，本發(fā)明的有益效果是：在發(fā)明中，基于初始融合圖、鄰接融合圖及全局融合圖，有利于展現輸入圖像中的層次信息；同時，依據背景概率值設定置信度矩陣，有利于元胞自動機的優(yōu)化性能，并最終獲得包含顯著性人體區(qū)域的集成顯著圖S。

附圖說明

圖1為本發(fā)明一種基于區(qū)域融合的顯著性人體區(qū)域檢測方法的流程示意圖；

圖2為圖1所示的獲取監(jiān)控區(qū)域的視頻流圖像的工作原理示意圖；

圖3為本發(fā)明步驟S3中超像素區(qū)域單元R₁與超像素區(qū)域單元R₂滿足融合判定準則Ψ并進行融合后的示意圖；

圖4為本發(fā)明所示的邊界連通性度量值計算的一種幾何圖形解釋。

具體實施方式

下面結合附圖所示的各實施方式對本發(fā)明進行詳細說明，但應當說明的是，這些實施方式并非對本發(fā)明的限制，本領域普通技術人員根據這些實施方式所作的功能、方法、或者結構上的等效變換或替代，均屬于本發(fā)明的保護范圍之內。

請參圖1至圖4所示出的本發(fā)明一種基于區(qū)域融合的顯著性人體區(qū)域檢測方法的一種具體實現方式。

參圖1所示，圖1為本發(fā)明一種基于區(qū)域融合的顯著性人體區(qū)域檢測方法的流程示意圖。在本實施方式中，所述基于區(qū)域融合的顯著性人體區(qū)域檢測方法包括以下步驟：

步驟S1、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像。

參圖2所示，本發(fā)明一種基于區(qū)域融合的顯著性人體區(qū)域檢測方法是基于攝像機垂直拍攝并適用于室外情況和室內情況。在本實施方式中，該步驟S1具體為：通過攝像機10獲取監(jiān)控區(qū)域30的視頻流圖像作為輸入圖像，所述監(jiān)控區(qū)域30位于攝像機10的正下方。

具體的，攝像機10設置在出入口20附近的正上方，行人可沿著箭頭201的方向上在出入口20中來回走動。攝像機10所獲取的監(jiān)控區(qū)域30可完全覆蓋出入口20的全部區(qū)域。

在本實施方式中，該監(jiān)控區(qū)域30為矩形，當然也可以為正方形或圓形或者其他形狀。攝像機10位于監(jiān)控區(qū)域30的中心點301的正上方，由此我們可以推導出，該監(jiān)控區(qū)域30位于攝像機10的正下方。

步驟S2、預分割輸入圖像以形成若干超像素區(qū)域單元，將各超像素區(qū)域單元內所有像素的顏色用所對應的各超像素區(qū)域單元內所有像素的顏色向量的平均值來表示，以獲得初始融合圖

輸入圖像經過預分割后形成的超像素區(qū)域單元所包含的像素點數量為384～614個。具體的，該步驟S2具體為：采用簡單線性迭代聚類算法，對輸入圖像執(zhí)行預分割，形成若干超像素區(qū)域單元；計算各超像素區(qū)域單元內所有像素的顏色向量的平均值以替換超像素區(qū)域單元內所有像素的顏色向量，以獲得初始融合圖

簡單線性迭代聚類算法(Simple Linear Iterative Clustering，SLIC)是K-means算法的拓展，其通過在圖像上均勻散布種子點并在種子點周圍的限定區(qū)域內完成像素的聚類操作，如此可以將圖像分割聚類為一系列小的像素區(qū)域，且各像素區(qū)域內部的像素顏色差別很小。本發(fā)明稱這些像素區(qū)域為超像素區(qū)域單元。以超像素區(qū)域單元為運算單位要比在單個像素上操作節(jié)省時間，故而本發(fā)明對輸入圖像先執(zhí)行預分割處理，將輸入圖像分割為超像素區(qū)域單元。分割產生的超像素區(qū)域單元越多，各超像素區(qū)域單元內部像素顏色差異越小，但運行時間較長。

出于效率的考慮，例如：對于分辨率為320×240、640×480的輸入圖像，可分別設定對輸入圖像進行預分割所形成的超像素區(qū)域單元的數量為150或者300。

本發(fā)明的輸入圖像要求為RGB色彩格式，各像素對應一個顏色向量(r，g，b)。在預分割輸入圖像為超像素區(qū)域單元后，求取超像素區(qū)域單元內所有像素的顏色向量的平均值然后以顏色向量的平均值替換超像素區(qū)域單元內所有像素的顏色向量，即將超像素區(qū)域單元里所有像素的顏色用其平均顏色值表示。本發(fā)明采用此方式統(tǒng)一超像素區(qū)域單元內像素顏色為一平均值。對于各超像素區(qū)域單元顏色經過統(tǒng)一處理后所獲取的圖像，本發(fā)明定義為初始融合圖，用表示。

步驟S3、以超像素區(qū)域單元為節(jié)點，根據融合準則Ψ依次執(zhí)行鄰接融合與全局融合，并依次在鄰接融合與全局融合過程中將各超像素區(qū)域單元內所有像素的顏色用所對應的各超像素區(qū)域單元內所有像素的顏色向量的平均值來表示，將相似的超像素區(qū)域單元依次融合形成新的超像素區(qū)域單元，以依次構建出鄰接融合圖及全局融合圖

基于初始融合圖，借助于鄰接融合及全局融合這兩種融合方式，融合相似的超像素區(qū)域單元形成新的區(qū)域單元，并用新區(qū)域單元內像素的平均顏色統(tǒng)一其包含像素的顏色，進而獲得另外兩個區(qū)域融合圖像，即鄰接融合圖及全局融合圖。

基于初始融合圖以超像素區(qū)域單元作為節(jié)點構建區(qū)域鄰接圖，用數學符號寫為G(V，E)，其中V為節(jié)點集合，E為邊的集合。各節(jié)點用i表示，i∈V。邊用鄰接的節(jié)點組合表示為(i，j)，(i，j)∈E。每條邊的權重設置為C(i，j)，且為鄰接的節(jié)點i和j間的顏色差異值，其中運算符||*||表示歐幾里得范數。

假定在RGB色彩空間中超像素區(qū)域單元節(jié)點i及j內所有像素的顏色向量的平均值為及由于在CIELAB顏色空間中計算顏色差值效果更好，故c_i及c_j用及在CIELAB顏色空間中所對應的顏色向量(L_i，a_i，b_i)及(L_j，a_j，b_j)表示，且σ為一常量參數。

具體的，在本實施例中，σ＝20。

然后，借助區(qū)域鄰接圖G(V，E)融合超像素區(qū)域單元。在進行融合操作時，參圖3所示，各超像素區(qū)域單元用R表示，相鄰的超像素區(qū)域單元R₁及超像素區(qū)域單元R₂間的顏色差值用C(R₁，R₂)表示。

兩相鄰的超像素區(qū)域單元進行融合要滿足足夠的條件(即本文下述的融合準則Ψ)，即只有當超像素區(qū)域單元R₁及超像素區(qū)域單元R₂互為最相似且相互鄰接時才能進行融合。具體的，可用如下融合準則Ψ確定超像素區(qū)域單元R₁及超像素區(qū)域單元R₂是否進行融合。

具體的，該融合準則Ψ的計算公式為：

其中，Ω₁及Ω₂分別是超像素區(qū)域單元R₁及超像素區(qū)域單元R₂的鄰域集合。根據融合準則Ψ，僅能兩兩融合鄰接且互為最相似超像素區(qū)域單元，如此可以防止過度融合，確保多數超像素區(qū)域單元間仍然保持一定差異度，而本發(fā)明所述顯著值計算有賴于這種差異度。

在融合相似的超像素區(qū)域單元產生一定數量新的超像素區(qū)域單元后，用這些新超像素區(qū)域單元內像素的平均顏色統(tǒng)一其包含像素的顏色，從而產生新的融合效果圖，此融合過程為我們稱之為鄰接融合，產生的融合效果圖定義為鄰接融合圖，用表示。

最后，基于初始融合圖，構建全局鄰接圖G(V，E₂)。不同區(qū)域鄰接圖G(V，E)的只對空間上鄰接的超像素區(qū)域單元間進行加邊處理，本發(fā)明通過全連通初始融合圖中所有超像素區(qū)域單元，即在所有超像素區(qū)域單元間增加邊，并用顏色差異值為邊賦予相應權值，構建全局鄰接圖G(V，E₂)。

基于全局鄰接圖G(V，E₂)，同樣根據上述融合準則Ψ進行區(qū)域融合，融合初始融合圖中相似的超像素區(qū)域單元產生一定數量新的超像素區(qū)域單元，然后同樣用這些新區(qū)域單元內像素的平均顏色統(tǒng)一其包含像素的顏色，得到另一個融合效果圖，對于此操作過程我們稱之為全局融合，并定義融合后的效果圖為全局融合圖，用表示。通過全局融合方式，可以融合空間上并不鄰接但互為最相似的超像素區(qū)域單元，具體參圖3所示。

在本發(fā)明中，無論是鄰接融合還是全局融合，其本質上是將內部顏色相似的超像素區(qū)域單元歸為一類，并統(tǒng)一像素顏色。

步驟S4、結合超像素區(qū)域單元間的顏色對比度、空間距離權重及背景概率權重分別在初始融合圖鄰接融合圖及全局融合圖上計算超像素區(qū)域單元的顯著值，以獲得三幅初始顯著圖。

本實施例中，用表示初始融合圖，用表示鄰接融合圖，用表示全局融合圖。三者可以用一個統(tǒng)一的公式表示為其中為超像素區(qū)域單元集合k＝1，2，3，n_k表示超像素區(qū)域單元的數量，R代表一個超像素區(qū)域單元。

本發(fā)明基于超像素區(qū)域單元間顏色對比度，同時結合空間距離及背景概率，分別在初始融合圖鄰接融合圖及全局融合圖上計算各超像素區(qū)域單元的顯著值。具體計算按如下公式：

其中，k＝1，2，3分別表示在初始融合圖鄰接融合圖及全局融合圖上進行計算；S_k(i)表示相應圖中超像素區(qū)域單元i的顯著值，n_k是相應圖中超像素區(qū)域單元數量；C_k(i，j)表示在相應圖上超像素區(qū)域單元i及j間顏色差值，即顏色對比度；P_k(i，j)表示在相應圖上超像素區(qū)域單元i及j間的空間歐式距離，且經過歸一化處理；表示在相應圖上超像素區(qū)域單元j的背景概率權重。

一般地，對于超像素區(qū)域單元i，本發(fā)明定義其背景概率值的計算公式如下所示：

其中，BndCon_k(i)為超像素區(qū)域單元i在相應圖上的邊界連通性度量值，本發(fā)明設置參數σ_BonCon＝1。其中，當k＝1時，相應圖為初始融合圖當k＝2時，相應圖為鄰接融合圖k＝3時，相應圖為全局融合圖

參圖4所示，圖4為本發(fā)明所示各超像素區(qū)域單元的邊界連通性度量值計算的一種幾何圖形解釋。圖4中，區(qū)域A、區(qū)域B、區(qū)域C及區(qū)域D為相應四個超像素區(qū)域單元所能擴展的區(qū)域，區(qū)域A的邊界接觸長度為2，區(qū)域面積為40(單位：像素數)，邊界連通性度量值為0.32。相對與區(qū)域B、C、D，區(qū)域A更有可能作為前景區(qū)域，即相應超像素區(qū)域單元的顯著值越高。具體的，本發(fā)明各超像素區(qū)域單元的邊界連通性度量值，采用如下公式計算：

其中，d_k(i，j)是圖上超像素區(qū)域單元i與超像素區(qū)域單元j之間最短路徑長度δ(·)在超像素區(qū)域單元j位于圖像邊界時取值為1，否則取值為0。n_k為超像素區(qū)域單元數量，設置參數σ_clr＝10。

本發(fā)明分別在區(qū)域融合初始融合圖鄰接融合圖及全局融合圖上，分別計算各超像素區(qū)域單元的顯著值，進而獲得三幅初始顯著圖。

步驟S5、通過元胞自動機的置信遺傳機制對三幅初始顯著圖進行更新，得到三幅優(yōu)化顯著圖。

為進一步提升顯著檢測效果，采用元胞自動機優(yōu)化初始顯著圖。對計算所得的三幅初始顯著圖，分別采用元胞自動機的置信遺傳機制對各超像素區(qū)域單元的顯著值進行優(yōu)化更新。

此外，本發(fā)明設置了獨創(chuàng)的置信度矩陣，用來定義元胞自動機的更新規(guī)則。在元胞自動機中，每一個超像素區(qū)域單元作為一個元胞。所有的元胞均按照特定的更新規(guī)則同時更新自身狀態(tài)。

具體的，本發(fā)明中，步驟S5中的元胞自動機的置信遺傳機制對初始融合圖鄰接融合圖及全局融合圖所獲得初始顯著圖進行更新(或遍歷更新，且兩種具有等同含義)，其計算公式為：

其中，k＝1，2，3分別代表初始融合圖鄰接融合圖及全局融合圖運算符“.”表示矩陣乘積運算，表示當前狀態(tài)，表示更新后的狀態(tài)。I為單位矩陣，及分別是影響因子矩陣F_k及置信度矩陣H_k。為一列向量，其各元素的取值設定為元胞的當前顯著值。當t＝0時，即為超像素區(qū)域單元的初始顯著值構成的列向量，即初始狀態(tài)。優(yōu)選的，在本實施方式中，元胞自動機的置信遺傳機制對初始顯著圖進行15次遍歷更新，以期獲得最好的優(yōu)化效果。

本發(fā)明采用獨創(chuàng)的置信度矩陣其中設定即將h_i值取為各超像素區(qū)域單元的背景概率值。本發(fā)明設定確保置信度矩陣中的對角元素取值不至于過低，且盡量使其與背景概率值大小一致，如此也可以使得當超像素區(qū)域單元背景概率值很高時，其當前狀態(tài)主要由置信度矩陣決定。

本發(fā)明的置信度矩陣最終寫為

本發(fā)明通過元胞自動機的置信遺傳機制優(yōu)化三幅初始顯著圖，得到三幅優(yōu)化顯著圖。

超像素區(qū)域單元與其鄰域內的超像素區(qū)域單元間一般更可能具有相似的顏色和紋理。本發(fā)明擴展各超像素區(qū)域單元的鄰接區(qū)域，使各超像素區(qū)域單元不僅與和其相鄰的超像素鄰接連通而且和與其鄰接超像素分享共同邊界的超像素區(qū)域單元間也進行鄰接連通。另外，將圖像邊界上的任意超像素區(qū)域單元兩兩鄰接連通。然后，用如下公式定義超像素區(qū)域單元j對i的影響因子值進而構建上述影響因子矩陣

其中，k＝1，2，3分別表示初始融合圖鄰接融合圖及全局融合圖C_k(i，j)為兩相鄰超像素區(qū)域單元間的顏色差異值，NB_k(i)是超像素區(qū)域單元i的鄰域集合。

在本實施例中，該歸一化影響因子矩陣F_k用度矩陣其中歸一化后的影響因子矩陣改為

步驟S6、對步驟S5中的三幅優(yōu)化顯著圖執(zhí)行累加求和運算，以獲得包含顯著性人體區(qū)域的集成顯著圖S。

在本發(fā)明中，首先對獲得的三幅優(yōu)化顯著圖采用式進行累加求和運算，以獲得集成顯著圖S。

其中，S_k為在相應圖(即，當k＝1時，相應圖為初始融合圖當k＝2時，相應圖為鄰接融合圖k＝3時，相應圖為全局融合圖如無特殊說明，本實施例中所涉及的相同部分的文字記載均為同一含義)上計算獲得的優(yōu)化顯著圖。

然后，將集成顯著圖S的灰度值歸一化到區(qū)間[0，1]，并對歸一化處理后的集成顯著圖S進行高斯增強處理。該高斯增強處理的計算公式為：

其中，參數σ_s＝0.5。

優(yōu)選的，在本實施方式中，還在可在步驟S6執(zhí)行完畢之后，將集成顯著圖S轉換為256階灰度圖，作為最終的包含顯著性人體區(qū)域的效果圖或者檢測圖，從而可便于后期對輸入圖像中所包含的人體區(qū)域的提取，可極大提高對監(jiān)控區(qū)域30中所所含的人體區(qū)域及通過監(jiān)控區(qū)域30的行人數量。

上文所列出的一系列的詳細說明僅僅是針對本發(fā)明的可行性實施方式的具體說明，它們并非用以限制本發(fā)明的保護范圍，凡未脫離本發(fā)明技藝精神所作的等效實施方式或變更均應包含在本發(fā)明的保護范圍之內。

對于本領域技術人員而言，顯然本發(fā)明不限于上述示范性實施例的細節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現本發(fā)明。因此，無論從哪一點來看，均應將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和范圍內的所有變化囊括在本發(fā)明內。不應將權利要求中的任何附圖標記視為限制所涉及的權利要求。

此外，應當理解，雖然本說明書按照實施方式加以描述，但并非每個實施方式僅包含一個獨立的技術方案，說明書的這種敘述方式僅僅是為清楚起見，本領域技術人員應當將說明書作為一個整體，各實施例中的技術方案也可以經適當組合，形成本領域技術人員可以理解的其他實施方式。