本發(fā)明屬于圖像處理與模式識(shí)別技術(shù)領(lǐng)域,具體涉及一種基于三維人臉模型的人臉關(guān)鍵點(diǎn)檢測方法。
背景技術(shù):
人臉關(guān)鍵點(diǎn)是人臉上一系列具有固定語義的點(diǎn),如眼角、鼻尖和嘴角等,在基于人臉理解的計(jì)算機(jī)視覺中,檢測關(guān)鍵點(diǎn)是一個(gè)重要的預(yù)處理步驟。絕大多數(shù)人臉分析系統(tǒng)都需要首先進(jìn)行關(guān)鍵點(diǎn)檢測,以對人臉的五官分布有一個(gè)準(zhǔn)確的了解,從而在人臉的指定位置提取特征。然而目前大多數(shù)關(guān)鍵點(diǎn)檢測方法都只能處理中等姿態(tài)以下,即偏轉(zhuǎn)角(yaw)小于45°的人臉,大姿態(tài)下(偏轉(zhuǎn)角可達(dá)到90°)的人臉關(guān)鍵點(diǎn)檢測一直是個(gè)難點(diǎn)。
其中存在的挑戰(zhàn)主要有以下三個(gè)方面:首先,傳統(tǒng)的關(guān)鍵點(diǎn)檢測算法中,假設(shè)所有關(guān)鍵點(diǎn)都具有穩(wěn)定的表象特征從而可以被檢測到。然而,在大姿態(tài)下,一些關(guān)鍵點(diǎn)會(huì)不可避免地由于自遮擋而變得不可見,這些不可見點(diǎn)由于其表象信息被遮擋而不能被檢測到,造成傳統(tǒng)方法失效;其次,在大姿態(tài)下人臉的表象變化更加復(fù)雜,可以從正面變化到側(cè)面,這要求定位算法必須更加魯棒以理解不同姿態(tài)下的人臉表象;最后在訓(xùn)練數(shù)據(jù)方面,標(biāo)定大姿態(tài)下人臉的關(guān)鍵點(diǎn)是比較困難的,對于不可見的關(guān)鍵點(diǎn)需要猜測其位置,大部分現(xiàn)有數(shù)據(jù)庫中的人臉都是中等姿態(tài)下的,少數(shù)包含大姿態(tài)人臉的數(shù)據(jù)庫也僅標(biāo)注了可見關(guān)鍵點(diǎn),很難設(shè)計(jì)一個(gè)處理任何姿態(tài)的關(guān)鍵點(diǎn)算法。
現(xiàn)有技術(shù)中一個(gè)可能的解決方案是由圖像直接擬合出三維人臉模型。通常使用級聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)對一張輸入圖像進(jìn)行變換,回歸出三維人臉模型的參數(shù)。然而該技術(shù)存在以下缺陷:首先,該技術(shù)使用歐拉角表述人臉的旋轉(zhuǎn),而歐拉角在大姿態(tài)下會(huì)由于萬向節(jié)死鎖而產(chǎn)生二義性;其次,該技術(shù)僅使用圖像視角的輸入特征,即將原始圖像直接送入卷積神經(jīng)網(wǎng)絡(luò),而在級聯(lián)中可以使用中間結(jié)果圖像進(jìn)行逐步校正,從而進(jìn)一步提升擬合精度;最后,該技術(shù)在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時(shí)沒有對模型參數(shù)的優(yōu)先級進(jìn)行有效建模,使卷積神經(jīng)網(wǎng)絡(luò)的擬合性能分散在一些次要參數(shù)上。
技術(shù)實(shí)現(xiàn)要素:
為了解決現(xiàn)有技術(shù)中的上述問題,本發(fā)明提出了一種基于三維人臉模型的人臉關(guān)鍵點(diǎn)檢測方法,以實(shí)現(xiàn)全姿態(tài)下的人臉關(guān)鍵點(diǎn)檢測。
該方法包括如下步驟:
步驟01,在人臉訓(xùn)練樣本中提取人臉圖像和三維人臉模型的初始參數(shù);
步驟02,根據(jù)所述人臉圖像及初始參數(shù)生成姿態(tài)自適應(yīng)特征和歸一化坐標(biāo)編碼;
步驟03,分別對所述姿態(tài)自適應(yīng)特征和歸一化坐標(biāo)編碼使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行變換融合,得到真實(shí)殘差和初始參數(shù)的參數(shù)殘差;
步驟04,根據(jù)所述參數(shù)殘差更新所述初始參數(shù),轉(zhuǎn)到步驟02直至所述參數(shù)殘差達(dá)到預(yù)設(shè)閾值;
步驟05,利用達(dá)到預(yù)設(shè)閾值的參數(shù)殘差更新所述三維人臉模型,采集所述三維人臉模型上的人臉關(guān)鍵點(diǎn)。
優(yōu)選地,所述步驟02中在生成所述姿態(tài)自適應(yīng)特征時(shí),對所述三維人臉模型進(jìn)行投影,投影時(shí)的公式包括:
其中,v(p)是構(gòu)造三維人臉模型并投影的函數(shù),可得到三維模型上各關(guān)鍵點(diǎn)在圖像上的二維坐標(biāo),
優(yōu)選地,所述由四元組[q0,q1,q2,q3]構(gòu)建旋轉(zhuǎn)矩陣的公式為:
優(yōu)選地,所述步驟02中生成姿態(tài)自適應(yīng)特征包括:
計(jì)算所述三維人臉模型每個(gè)頂點(diǎn)的二維圓柱坐標(biāo),并在方位角軸和高度軸上等間隔地采樣n*n個(gè)錨點(diǎn);在擬合過程中,使用當(dāng)前模型的參數(shù)對這些錨點(diǎn)進(jìn)行形變、縮放、旋轉(zhuǎn)和平移得到錨點(diǎn)在圖像上的位置,生成姿態(tài)自適應(yīng)特征。
優(yōu)選地,所述步驟02中生成歸一化坐標(biāo)編碼包括如下公式:
pncc(i,p)=i&zbuffer(v3d(p),ncc)
其中,pncc為歸一化坐標(biāo)編碼,i為輸入的人臉圖像,p為當(dāng)前參數(shù),&為在通道維度的堆疊運(yùn)算,函數(shù)zbuffer是將三維面片使用紋理渲染后生成二維圖像的一個(gè)函數(shù),v3d(p)是縮放旋轉(zhuǎn)平移形變后的三維人臉,堆疊一起產(chǎn)生的圖為歸一化坐標(biāo)編碼。
優(yōu)選地,所述步驟03具體包括:
根據(jù)兩個(gè)并行卷積神經(jīng)網(wǎng)絡(luò),分別對所述姿態(tài)自適應(yīng)特征和歸一化坐標(biāo)編碼進(jìn)行變換,并使用一個(gè)額外的全連接層對變換后的特征進(jìn)行融合,對融合結(jié)果進(jìn)行回歸得到參數(shù)殘差。
優(yōu)選地,所述步驟03中參數(shù)殘差的計(jì)算公式為:
δpk=netk(paf(pk,i),pncc(pk,i))
其中,pk為當(dāng)前參數(shù),i為輸入圖像,δpk為當(dāng)前參數(shù)與真實(shí)殘差的殘差,paf為姿態(tài)自適應(yīng)特征,pncc為歸一化坐標(biāo)編碼,netk為雙路并行卷積神經(jīng)網(wǎng)絡(luò)。
優(yōu)選地,所述步驟03還包括對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,在訓(xùn)練時(shí)對所述真實(shí)殘差進(jìn)行加權(quán)處理,公式為:
其中,pc=p0+δp,0≤w≤1,w為參數(shù)權(quán)值,δp為卷積神經(jīng)網(wǎng)絡(luò)的輸出,pg為真實(shí)殘差,p0為當(dāng)前迭代的輸入?yún)?shù),pc為當(dāng)前參數(shù),v(p)為形變及弱透視投影函數(shù),diag為對角矩陣構(gòu)造。
優(yōu)選地,所述步驟04中根據(jù)所述參數(shù)殘差更新所述初始參數(shù)具體為將所述參數(shù)殘差與所述初始參數(shù)相加。
與現(xiàn)有技術(shù)相比,本發(fā)明至少具有以下優(yōu)點(diǎn):
通過本發(fā)明中基于三維人臉模型的人臉關(guān)鍵點(diǎn)檢測方法,實(shí)現(xiàn)了全姿態(tài)下的人臉關(guān)鍵點(diǎn)檢測。
附圖說明
圖1為本發(fā)明所提供的基于三維人臉模型的人臉關(guān)鍵點(diǎn)檢測方法的流程示意圖;
圖2為本發(fā)明所提供的雙路并行卷積神經(jīng)網(wǎng)絡(luò)處理流程示意圖。
具體實(shí)施方式
下面參照附圖來描述本發(fā)明的優(yōu)選實(shí)施方式。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解的是,這些實(shí)施方式僅僅用于解釋本發(fā)明的技術(shù)原理,并非旨在限制本發(fā)明的保護(hù)范圍。
本發(fā)明公開了一種基于三維人臉模型的人臉關(guān)鍵點(diǎn)檢測方法,如圖1所示,包括如下步驟:
步驟00,構(gòu)建三維可變?nèi)四樐P汀?/p>
通過三維掃描器得到三維人臉點(diǎn)云樣本,并使用主成分分析(pca)構(gòu)建三維可變模型:
其中s表示三維人臉,
構(gòu)建了三維人臉模型后,使用弱透視投影將其投影到圖像平面上:
其中,v(p)是構(gòu)造人臉模型并投影的函數(shù),可得到三維模型上各點(diǎn)在圖像上的二維坐標(biāo),f為縮放因子,pr為正投影矩陣,r為旋轉(zhuǎn)矩陣,t2d為平移向量;那么擬合的目標(biāo)參數(shù)為[f,r,t2d,αid,αexp]。
傳統(tǒng)上人臉姿態(tài)通常用歐拉角表示,包括俯仰,偏轉(zhuǎn)和滾轉(zhuǎn)。然而,當(dāng)偏轉(zhuǎn)角接近90°即姿態(tài)接近側(cè)面時(shí),萬向節(jié)死鎖的問題會(huì)使歐拉角產(chǎn)生二義性,即兩個(gè)不同的歐拉角可能對應(yīng)于相同的旋轉(zhuǎn)矩陣。因此,我們采用了四元組[q0,q1,q2,q3]來表示旋轉(zhuǎn)矩陣,并且將縮放因子f整合到此矩陣中,這樣得到的模型參數(shù)集合為:
[f,q0,q1,q2,q3,t2d,αid,αexp]。
使用三維可變?nèi)四樐P妥鳛閿M合目標(biāo)。手工標(biāo)定人臉關(guān)鍵點(diǎn)作為基礎(chǔ)的訓(xùn)練樣本(或使用公開的人臉關(guān)鍵點(diǎn)數(shù)據(jù)集作為基礎(chǔ)訓(xùn)練樣本),并在此基礎(chǔ)上使用人臉側(cè)面化技術(shù)將人臉進(jìn)行面外旋轉(zhuǎn),生成變轉(zhuǎn)角更大且更豐富的人臉訓(xùn)練樣本集合。
步驟01,提取人臉圖像和初始參數(shù)。
步驟02,生成姿態(tài)自適應(yīng)特征和歸一化坐標(biāo)編碼。
下面介紹基于卷積神經(jīng)網(wǎng)絡(luò)的三維人臉模型擬合算法,即如何使用卷積神經(jīng)網(wǎng)絡(luò)估計(jì)人臉的姿態(tài)、形狀和表情參數(shù)。對于卷積神經(jīng)網(wǎng)絡(luò)的輸入,我們設(shè)計(jì)了兩種輸入特征,分別是姿態(tài)自適應(yīng)特征和投影的歸一化編碼。
首先,說明姿態(tài)自適應(yīng)特征(poseadaptivefeature-paf)。
在卷積神經(jīng)網(wǎng)絡(luò)中,傳統(tǒng)的卷積層是沿著二維圖像軸逐像素進(jìn)行卷積,而在paf中卷積是在人臉的一些固定語義位置進(jìn)行。paf進(jìn)行卷積運(yùn)算的位置通過如下途徑獲得:考慮到人臉可以粗略地用圓柱近似,我們計(jì)算三維人臉模型每個(gè)頂點(diǎn)的二維圓柱坐標(biāo),并在方位角軸和高度軸上等間隔地采樣n*n個(gè)錨點(diǎn)。在擬合過程中,給定當(dāng)前的模型參數(shù)p,我們投影三維人臉模型并獲得錨點(diǎn)在二維圖像上的位置,作為paf進(jìn)行卷積運(yùn)算的位置。注意到在錨點(diǎn)上的卷積運(yùn)算形成了一個(gè)n*n的圖,后續(xù)即可進(jìn)行傳統(tǒng)卷積運(yùn)算。為了減少遮擋區(qū)域處特征的影響,我們并將遮擋區(qū)域處的響應(yīng)除以2,生成姿態(tài)自適應(yīng)特征。
下面說明投影的歸一化坐標(biāo)編碼(projectednormalizedcooridnatecode-pncc)。這種輸入特征依賴于一種新的坐標(biāo)編碼,首先將三維平均臉在三維空間中歸一化到0-1上:
歸一化后三維模型上點(diǎn)都唯一地分布在[0,0,0]到[1,1,1]上,因此可以看做一種三維的坐標(biāo)編碼,我們稱之為歸一化坐標(biāo)編碼。與通常使用的編號(hào)(如0,1,…,n)不同,歸一化坐標(biāo)編碼在三維空間是連續(xù)的。在擬合過程中,給定當(dāng)前的模型參數(shù)p,我們使用zbuffer算法來用歸一化坐標(biāo)編碼渲染投影的三維人臉:
pncc(i,p)=i&zbuffer(v3d(p),ncc)
其中,pncc為歸一化坐標(biāo)編碼,i為輸入的人臉圖像,p為當(dāng)前參數(shù),&為在通道維度的堆疊運(yùn)算,函數(shù)zbuffer是將三維面片使用紋理渲染后生成二維圖像的一個(gè)函數(shù),v3d(p)是縮放旋轉(zhuǎn)平移形變后的三維人臉,堆疊一起產(chǎn)生的圖為歸一化坐標(biāo)編碼,將輸入到卷積神經(jīng)網(wǎng)絡(luò)。
這兩種生成的特征具有互補(bǔ)性,其中投影的歸一化編碼屬于圖像視角的特征,其特點(diǎn)是會(huì)將原始圖像直接送入卷積神經(jīng)網(wǎng)絡(luò)。而姿態(tài)自適應(yīng)特征屬于模型視角的特征,其特點(diǎn)是會(huì)使用擬合的中間結(jié)果對原圖進(jìn)行校正。投影的歸一化編碼由于將包含整張人臉圖像,因此圖像上下文信息更加豐富,適合人臉定位以及粗?jǐn)M合,在最初的幾次迭代中較為重要;姿態(tài)自適應(yīng)特征由于在錨點(diǎn)處進(jìn)行卷積運(yùn)算,等價(jià)于使用當(dāng)前模型參數(shù)對圖像中的人臉進(jìn)行定位并校正,逐步簡化擬合任務(wù),適合細(xì)節(jié)上的擬合,在最終的幾次迭代比較重要。
步驟03,變換融合處理,得到參數(shù)殘差。
可以看到,上述這兩種特征存在互補(bǔ)關(guān)系,為了充分利用這兩種特征的優(yōu)勢,我們利用雙路并行卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行k次迭代。在第k次迭代中,給定一個(gè)初始參數(shù)pk,我們用pk生成姿態(tài)自適應(yīng)特征和投影的歸一化坐標(biāo)編碼特征,并訓(xùn)練一個(gè)如圖2所示的雙路并行卷積神經(jīng)網(wǎng)絡(luò),其中姿態(tài)自適應(yīng)特征分路包含5個(gè)卷積層、4個(gè)池化層和一個(gè)全連接層。投影的歸一化坐標(biāo)編碼分路包含一個(gè)姿態(tài)自適應(yīng)的卷積層,三個(gè)普通卷積層,三個(gè)池化層和一個(gè)全連接層。該網(wǎng)絡(luò)使用并行的兩路神經(jīng)網(wǎng)絡(luò)分別對兩個(gè)特征進(jìn)行變換,并用一個(gè)全連接層進(jìn)行融合。融合出的最終特征用來回歸出當(dāng)前參數(shù)與目標(biāo)參數(shù)的殘差:
δpk=netk(paf(pk,i),pncc(pk,i))
其中,pk為當(dāng)前參數(shù),i為輸入圖像,δpk為當(dāng)前參數(shù)與真實(shí)殘差的殘差,paf為姿態(tài)自適應(yīng)特征,pncc為歸一化坐標(biāo)編碼,netk為雙路并行卷積神經(jīng)網(wǎng)絡(luò)。
下面介紹如何訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),其基本思想是,使回歸出的參數(shù)殘差接近真實(shí)的參數(shù)殘差。然而由于人臉模型參數(shù)的重要性不同,少數(shù)參數(shù)(如姿態(tài))的重要性要遠(yuǎn)大于絕大多部分參數(shù),因此需要在訓(xùn)練時(shí)對各參數(shù)的損失進(jìn)行加權(quán)。傳統(tǒng)的算法中權(quán)值是相互獨(dú)立的,通常由人工指定或者根據(jù)“錯(cuò)誤地估計(jì)某參數(shù)所產(chǎn)生的損失”來確定。然而參數(shù)間的權(quán)值是有相互關(guān)系的,比如在姿態(tài)參數(shù)足夠準(zhǔn)確前,估計(jì)表情參數(shù)沒有意義。本發(fā)明通過優(yōu)化一個(gè)能量函數(shù)來統(tǒng)一獲得所有參數(shù)的權(quán)值,設(shè)計(jì)了如下的最優(yōu)加權(quán)的參數(shù)距離損失(optimizedweightedparameterdistancecost-owpdc):
eowpdc=(δp-(pg-p0))tdiag(w*)(δp-(pg-p0))
其中,pc=p0+δp,0≤w≤1,w為參數(shù)權(quán)值,δp為卷積神經(jīng)網(wǎng)絡(luò)的輸出,pg為真實(shí)殘差,p0為當(dāng)前迭代的輸入?yún)?shù),pc為當(dāng)前參數(shù),v(p)為形變及弱透視投影函數(shù),diag為對角矩陣構(gòu)造。
如公式所示,通過將加權(quán)的真實(shí)殘差diag(w)*(pg-pc)添加到當(dāng)前參數(shù)pc中,希望更新后的參數(shù)所構(gòu)建的三維人臉更加接近真實(shí)人臉v(pg)。同時(shí),由于神經(jīng)網(wǎng)絡(luò)的擬合能力有限,因此使用λ||diag(w)*(pg-pc)||2來建模擬合當(dāng)前參數(shù)對神經(jīng)網(wǎng)絡(luò)產(chǎn)生的壓力,加入到損失項(xiàng)中,期望神經(jīng)網(wǎng)絡(luò)能將權(quán)重分配給性價(jià)比更高的參數(shù)。
在訓(xùn)練過程中,對每個(gè)樣本求取最優(yōu)的w過于復(fù)雜,因此將v(pc+diag(w)*(pg-pc))在pg處使用泰勒展開得到:
||v′(pg)*diag(w-1)*δpc||2+λ||diag(w)*δpc||2
其中,v′(pg)是v(pg)的jacobian矩陣,將上式展開并去掉常數(shù)項(xiàng),得到:
wt(diag(δpc)v′(pg)tv′(pg)diag(δpc))w-2*1t(diag(δpc)v′(pg)tv′(pg)diag(δpc))w
-λ*wtdiag(δpc.*δpc)w
令h=v′(pg)diag(δpc),則原始的優(yōu)化問題可寫作:
0≤w≤1
上式為一個(gè)標(biāo)準(zhǔn)二次規(guī)劃問題,可用內(nèi)點(diǎn)法迅速求解。然而在該損失函數(shù)中h的計(jì)算非常耗時(shí),在訓(xùn)練每個(gè)樣本時(shí)重新計(jì)算h使訓(xùn)練時(shí)間不可接受。本實(shí)驗(yàn)發(fā)現(xiàn)h的唯一非常數(shù)項(xiàng)為v′(pg),而對每個(gè)訓(xùn)練樣本v′(pg)是固定的。因此在訓(xùn)練之前,可以將每個(gè)樣本的v′(pg)計(jì)算好并存儲(chǔ)起來,在訓(xùn)練時(shí)直接讀取。求取的權(quán)值即owpdc中各個(gè)參數(shù)損失的加權(quán),可以描述各個(gè)參數(shù)的優(yōu)先級。
步驟04,根據(jù)所述參數(shù)殘差更新所述初始參數(shù)。
之后將輸入?yún)?shù)與參數(shù)殘差相加,獲得一個(gè)更好參數(shù)pk+1=pk+δpk,并進(jìn)行下一次迭代,包括輸入特征構(gòu)造以及卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)估計(jì)。進(jìn)行k次迭代后,使得參數(shù)殘差達(dá)到預(yù)設(shè)閾值后,使用v(pk)獲得三維人臉上的每一點(diǎn)在圖像上的位置。
步驟05,采集三維人臉模型上的人臉關(guān)鍵點(diǎn)。
由于現(xiàn)有人臉關(guān)鍵點(diǎn)訓(xùn)練樣本通常為中等姿態(tài)以內(nèi),而本發(fā)明通過對現(xiàn)有訓(xùn)練樣本進(jìn)行面外旋轉(zhuǎn),生成大姿態(tài)下的訓(xùn)練樣本,具體如下:
給定一個(gè)訓(xùn)練樣本,包括人臉圖像以及手工標(biāo)定的關(guān)鍵點(diǎn),使用基于關(guān)鍵點(diǎn)的三維人臉模型擬合可以獲得圖像中人臉的三維模型。然后在背景區(qū)域均勻地采樣一些錨點(diǎn)。對每一個(gè)錨點(diǎn),根據(jù)距離其最近的三維人臉模型上的點(diǎn)來估計(jì)其深度。獲得了所有錨點(diǎn)的深度后,使用三角化將錨點(diǎn)組成一系列三角面片。這些面片與擬合出的三維人臉一起,構(gòu)成圖像的深度信息。該“虛擬深度圖像”可以在三維空間中進(jìn)行面外旋轉(zhuǎn),并以任何角度進(jìn)行渲染,生成圖像中人臉在不同姿態(tài)下的表象。本發(fā)明將偏轉(zhuǎn)角以5°為步長,逐漸擴(kuò)大生成一系列虛擬樣本,直至90°。
本發(fā)明克服了傳統(tǒng)關(guān)鍵點(diǎn)檢測算法無法定位自遮擋關(guān)鍵點(diǎn)的缺陷,直接由圖像進(jìn)行三維人臉模型擬合,并從擬合好的三維人臉上采樣出關(guān)鍵點(diǎn)。在人臉擬合的過程中,除了使用圖像視角的特征投影的歸一化坐標(biāo)編碼,還設(shè)計(jì)了特殊的模型視角特征“姿態(tài)自適應(yīng)特征”,該特征可以使用擬合中間結(jié)果對圖像進(jìn)行隱式正面化,從而逐步簡化擬合任務(wù),進(jìn)一步提升擬合精度。由于圖像視角特征和模型視角特征存在互補(bǔ)關(guān)系,為了結(jié)合兩種特征的優(yōu)勢,利用雙路并行卷積神經(jīng)網(wǎng)絡(luò)同時(shí)對兩種輸入特征進(jìn)行變換并融合,最終使用融合出的特征進(jìn)行模型參數(shù)回歸。在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的時(shí)候,本發(fā)明通過考慮人臉模型參數(shù)的優(yōu)先級而使卷積神經(jīng)網(wǎng)絡(luò)重點(diǎn)擬合若干重要參數(shù)進(jìn)一步提高了擬合精度。最終使得本發(fā)明實(shí)現(xiàn)了全姿態(tài)的人臉關(guān)鍵點(diǎn)檢測。
至此,已經(jīng)結(jié)合附圖所示的優(yōu)選實(shí)施方式描述了本發(fā)明的技術(shù)方案,但是,本領(lǐng)域技術(shù)人員容易理解的是,本發(fā)明的保護(hù)范圍顯然不局限于這些具體實(shí)施方式。在不偏離本發(fā)明的原理的前提下,本領(lǐng)域技術(shù)人員可以對相關(guān)技術(shù)特征做出等同的更改或替換,這些更改或替換之后的技術(shù)方案都將落入本發(fā)明的保護(hù)范圍之內(nèi)。