本發(fā)明屬于計(jì)算機(jī)視覺(jué)領(lǐng)域，尤其涉及一種基于完全矯正boosting和子空間學(xué)習(xí)算法的步態(tài)識(shí)別方法。

背景技術(shù)：

步態(tài)識(shí)別技術(shù)在遠(yuǎn)距離身份識(shí)別方面具有巨大的應(yīng)用的前景，步態(tài)識(shí)別的目的就是通過(guò)對(duì)人體運(yùn)動(dòng)的圖像序列進(jìn)行分析處理，從而實(shí)現(xiàn)對(duì)個(gè)體的身份識(shí)別。一個(gè)完整的步態(tài)識(shí)別技術(shù)包括運(yùn)動(dòng)檢測(cè)、周期檢測(cè)、特征提取、算法識(shí)別這四個(gè)過(guò)程。

特征提取與分類(lèi)是步態(tài)識(shí)別技術(shù)中的關(guān)鍵步驟，直接影響到步態(tài)識(shí)別的最終識(shí)別性能。實(shí)際中獲得的原始數(shù)據(jù)分布在高維空間中，難以進(jìn)行相關(guān)的計(jì)算與分析，因此需要進(jìn)行數(shù)據(jù)降維。

在常用降維算法中，主成分分析方法及線性判別分析易受到視野遮擋，角度，服飾，路面情況等因素的限制和影響。例如在測(cè)試對(duì)象服飾情況變動(dòng)較大的情況下，這類(lèi)算法就無(wú)法有效地進(jìn)行特征提取以供進(jìn)行步態(tài)識(shí)別。局部線性嵌入方法和局部保持投影方法可以較好地處理訓(xùn)練樣本，但這兩種算法容易導(dǎo)致過(guò)擬合，以致識(shí)別率急劇下降。為了解決這一問(wèn)題，研究學(xué)者提出了利用boosting算法，隨機(jī)抽取多個(gè)局部線性子空間的子空間集成學(xué)習(xí)方法，這種方法的原理是訓(xùn)練多個(gè)弱分類(lèi)器，同時(shí)通過(guò)隨機(jī)抽取增強(qiáng)分類(lèi)器間的獨(dú)立性來(lái)提高分類(lèi)器的分類(lèi)準(zhǔn)確率，再采用boosting算法來(lái)提高分類(lèi)算法的準(zhǔn)確度。但是，采用該種方法需要生成大量的局部線性子空間，因此效率較低。同時(shí)boosting算法要求事先必須知道弱分類(lèi)算法的正確率下限，因此難以應(yīng)用于實(shí)際問(wèn)題中。

此外，現(xiàn)行的多數(shù)子空間學(xué)習(xí)方法的識(shí)別性能對(duì)所選訓(xùn)練樣本集依賴(lài)性強(qiáng)，在針對(duì)高維圖像空間有限訓(xùn)練樣本集的情況下難以獲得最優(yōu)子空間，影響了特征提取的準(zhǔn)確率以及步態(tài)識(shí)別的識(shí)別性能。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有主流子空間學(xué)習(xí)方法在進(jìn)行特征提取過(guò)程中存在的不足，本發(fā)明結(jié)合圖嵌入框架，提出了一種基于完全矯正boosting和子空間學(xué)習(xí)算法的步態(tài)識(shí)別方法，其包括以下步驟：

步驟1：將二維圖像數(shù)據(jù)轉(zhuǎn)換為一維向量數(shù)據(jù)；

步驟2：利用獲得的一維向量建立包含n個(gè)樣本的d維訓(xùn)練樣本集x；

步驟3：根據(jù)邊際fisher分析的原理構(gòu)造特征索引集t,令m＝|t|表示集合t的基數(shù)，初始權(quán)重值um＝1/m；

步驟4：引入軟間隔線性規(guī)劃表達(dá)式將求解目的權(quán)重向量a的問(wèn)題轉(zhuǎn)換為形如lpboost算法的線性規(guī)劃表達(dá)式及其拉格朗日對(duì)偶的求解問(wèn)題；

步驟5：利用列生成算法的方式生成一個(gè)d維矩陣φt，將求解目的d×qt大小的投影矩陣vt的問(wèn)題轉(zhuǎn)換為求解該d維矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量的問(wèn)題；

步驟6：基于集合t以及對(duì)應(yīng)的權(quán)重值[um]構(gòu)造固有圖g＝{x,s}及懲罰圖g^p＝{x,s^p}，其中x是頂點(diǎn)集，s及s^p是對(duì)應(yīng)圖的相似矩陣；構(gòu)造對(duì)應(yīng)圖的相似矩陣s及s^p；構(gòu)造對(duì)應(yīng)圖的對(duì)角矩陣d，d^p，及拉普拉斯矩陣l，l^p；

步驟7：利用步驟6獲得的矩陣化簡(jiǎn)矩陣φt的表達(dá)式，通過(guò)矩陣的左乘右乘運(yùn)算，將φt表示為一個(gè)n維矩陣ψt的運(yùn)算表達(dá)式，矩陣ψt的維度遠(yuǎn)小于矩陣φt的維度；

步驟8：通過(guò)求解n維矩陣ψt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量得到d維矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量，即可求解ψl條件下對(duì)應(yīng)的最佳投影矩陣vl；

步驟9：根據(jù)拉格朗日對(duì)偶問(wèn)題的求解更新權(quán)重值um的值；

步驟10：重復(fù)執(zhí)行步驟6、7、8、9進(jìn)行l(wèi)輪訓(xùn)練；

步驟11：根據(jù)步驟4中的線性規(guī)劃表達(dá)式，利用l輪訓(xùn)練后的結(jié)果計(jì)算得到目的權(quán)重向量a＝[a1,...,al]^t；利用步驟8中得到的最佳投影矩陣經(jīng)過(guò)l輪訓(xùn)練獲得投影矩陣集

前述方案針對(duì)的是原始數(shù)據(jù)可分的情況，針對(duì)原始數(shù)據(jù)非線性可分的情況，本發(fā)明進(jìn)一步提出了利用核方法的子空間集成學(xué)習(xí)算法，其原理是將原始空間中的數(shù)據(jù)變換到高維甚至是無(wú)窮維hilbert空間以使數(shù)據(jù)線性可分。該方法包括以下步驟：

步驟1：將二維圖像數(shù)據(jù)轉(zhuǎn)換為一維向量數(shù)據(jù)；

步驟2：利用獲得的一維向量建立包含n個(gè)樣本的d維訓(xùn)練樣本集x；

步驟3：根據(jù)邊際fisher分析的原理構(gòu)造特征索引集t,令m＝|t|表示集合t的基數(shù)，初始權(quán)重值um＝1/m；

步驟4：引入軟間隔線性規(guī)劃表達(dá)式將求解目的權(quán)重向量a的問(wèn)題轉(zhuǎn)換為形如lpboost算法的線性規(guī)劃表達(dá)式及其拉格朗日對(duì)偶的求解問(wèn)題；

步驟5：根據(jù)核方法的原理得到核gram矩陣k的表達(dá)式：kij＝k(xi,xj)＝φ(xi)·φ(xj),計(jì)算矩陣k的具體值；

步驟6：根據(jù)核方法的原理令投影矩陣vt＝φat，其中φ＝[φ(x1),φ(x2),...,φ(xn)]，at是系數(shù)矩陣，從而將求解投影矩陣的問(wèn)題轉(zhuǎn)換為求解最優(yōu)系數(shù)矩陣的問(wèn)題；

步驟7：基于集合t以及對(duì)應(yīng)的權(quán)重值[um]構(gòu)造固有圖g＝{x,s}及懲罰圖g^p＝{x,s^p}，其中x是頂點(diǎn)集，s及s^p是對(duì)應(yīng)圖的相似矩陣；構(gòu)造對(duì)應(yīng)圖的相似矩陣s及s^p；構(gòu)造對(duì)應(yīng)圖的對(duì)角矩陣d，d^p，及拉普拉斯矩陣l，l^p；

步驟8：利用步驟5中的表達(dá)式重寫(xiě)矩陣φt的表達(dá)式，將求解最優(yōu)系數(shù)矩陣at列向量的問(wèn)題轉(zhuǎn)換為求解n維矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量的問(wèn)題；

步驟9：利用新的表達(dá)式通過(guò)拉格朗日對(duì)偶問(wèn)題更新權(quán)重值um的值；

步驟10：重復(fù)執(zhí)行步驟7,8,9進(jìn)行l(wèi)輪訓(xùn)練；

步驟11：利用l輪訓(xùn)練根據(jù)步驟4中的線性規(guī)劃表達(dá)式計(jì)算得到目的權(quán)重向量a＝[a1,...,al]^t；利用步驟7得到系數(shù)矩陣集

本發(fā)明具有以下有益效果：

本發(fā)明利用完全矯正boosting算法與集成學(xué)習(xí)的原理通過(guò)多次迭代得到多個(gè)不同權(quán)重分布的子空間，解決了現(xiàn)有技術(shù)在進(jìn)行數(shù)據(jù)降維與分類(lèi)時(shí)在有限訓(xùn)練集情況下難以得到最優(yōu)子空間的問(wèn)題，提升了特征提取的準(zhǔn)確率，從而提高了步態(tài)識(shí)別的識(shí)別性能。用usfhumanid數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，利用完全矯正boosting算法的子空間集成學(xué)習(xí)比單一的子空間學(xué)習(xí)算法識(shí)別率更高。

附圖說(shuō)明

圖1是本發(fā)明的基本算法流程圖；

圖2是對(duì)本發(fā)明基本算法進(jìn)行核方法拓展的算法流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

如圖1所示為本發(fā)明的基本算法流程圖。本發(fā)明的完全矯正boosting和子空間集成學(xué)習(xí)算法的步態(tài)識(shí)別方法包括以下步驟：

步驟1：將二維圖像數(shù)據(jù)轉(zhuǎn)換為一維向量數(shù)據(jù)。

步驟2：利用獲得的一維向量建立包含n個(gè)樣本的d維訓(xùn)練樣本集x。

步驟3：根據(jù)marginfisheranalysis的原理構(gòu)造特征索引集t,令m＝|t|表示集合t的基數(shù)，初始權(quán)重值um＝1/m。

步驟4：引入軟間隔線性規(guī)劃表達(dá)式將求解目的權(quán)重向量a的問(wèn)題轉(zhuǎn)換為形如lpboost算法的線性規(guī)劃表達(dá)式及其拉格朗日對(duì)偶的求解問(wèn)題。

步驟5：利用列生成算法的方式生成一個(gè)d維矩陣φt，將求解目的d×qt大小的投影矩陣vt的問(wèn)題轉(zhuǎn)換為求解該d維矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量的問(wèn)題。

步驟6：基于集合t以及對(duì)應(yīng)的權(quán)重值[um]構(gòu)造固有圖g＝{x,s}及懲罰圖g^p＝{x,s^p}，其中x是頂點(diǎn)集，s及s^p是對(duì)應(yīng)圖的相似矩陣，其包括：

(1)：構(gòu)造對(duì)應(yīng)圖的相似矩陣s及s^p

(2)：構(gòu)造對(duì)應(yīng)圖的對(duì)角矩陣d，d^p，及拉普拉斯矩陣l，l^p。

步驟7：利用上步獲得的矩陣化簡(jiǎn)矩陣φt的表達(dá)式，通過(guò)矩陣的左乘右乘運(yùn)算，將φt表示為一個(gè)n維矩陣ψt的運(yùn)算表達(dá)式，矩陣ψt的維度遠(yuǎn)小于矩陣φt的維度。

步驟8：通過(guò)求解n維矩陣ψt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量得到d維矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量，即可求解ψl條件下對(duì)應(yīng)的最佳投影矩陣vl。

步驟9：根據(jù)拉格朗日對(duì)偶問(wèn)題的求解更新權(quán)重值um的值。

步驟10：重復(fù)執(zhí)行步驟6,7,8,9進(jìn)行l(wèi)輪訓(xùn)練。

步驟11：根據(jù)步驟4中的線性規(guī)劃表達(dá)式，利用l輪訓(xùn)練后的結(jié)果計(jì)算得到目的權(quán)重向量a＝[a1,...,al]^t；利用步驟8中得到的最佳投影矩陣經(jīng)過(guò)l輪訓(xùn)練獲得投影矩陣集

本發(fā)明結(jié)合圖嵌入框架，提出的用于步態(tài)識(shí)別當(dāng)中的全新的利用完全矯正boosting算法技術(shù)的子空間集成學(xué)習(xí)方法，實(shí)現(xiàn)了高分類(lèi)識(shí)別率的子空間集成學(xué)習(xí)，以提高特征提取的準(zhǔn)確率，從而提高步態(tài)識(shí)別系統(tǒng)的整體性能。

上述方案針對(duì)的是原始數(shù)據(jù)可分的情況。對(duì)于原始數(shù)據(jù)非線性可分的情況，本發(fā)明進(jìn)一步提出了利用核方法的子空間集成學(xué)習(xí)算法，其流程圖如圖2所示，其原理是將原始空間中的數(shù)據(jù)變換到高維甚至是無(wú)窮維hilbert空間以使數(shù)據(jù)線性可分。以下詳細(xì)介紹該方法的具體實(shí)現(xiàn)步驟：

步驟1：將二維圖像數(shù)據(jù)轉(zhuǎn)換為一維向量數(shù)據(jù)。

步驟2：利用獲得的一維向量建立包含n個(gè)樣本的d維訓(xùn)練樣本集x。

步驟3：根據(jù)marginfisheranalysis的原理構(gòu)造特征索引集t,令m＝|t|表示集合t的基數(shù)，初始權(quán)重值um＝1/m。

步驟4：引入軟間隔線性規(guī)劃表達(dá)式將求解目的權(quán)重向量a的問(wèn)題轉(zhuǎn)換為形如lpboost算法的線性規(guī)劃表達(dá)式及其拉格朗日對(duì)偶的求解問(wèn)題。

步驟5：根據(jù)核方法的原理得到核gram矩陣k的表達(dá)式：kij＝k(xi,xj)＝φ(xi)·φ(xj),計(jì)算矩陣k的具體值。

步驟6：根據(jù)核方法的原理令投影矩陣vt＝φat，其中φ＝[φ(x1),φ(x2),...,φ(xn)]，at是系數(shù)矩陣，從而將求解投影矩陣的問(wèn)題轉(zhuǎn)換為求解最優(yōu)系數(shù)矩陣的問(wèn)題。

步驟7：基于集合t以及對(duì)應(yīng)的權(quán)重值[um]構(gòu)造固有圖g＝{x,s}及懲罰圖g^p＝{x,s^p}，其中x是頂點(diǎn)集，s及s^p是對(duì)應(yīng)圖的相似矩陣，其中包括：

(1)：構(gòu)造對(duì)應(yīng)圖的相似矩陣s及s^p。

(2)：構(gòu)造對(duì)應(yīng)圖的對(duì)角矩陣d，d^p，及拉普拉斯矩陣l，l^p。

步驟8：利用步驟5中的表達(dá)式重寫(xiě)矩陣φt的表達(dá)式，將求解最優(yōu)系數(shù)矩陣at列向量的問(wèn)題轉(zhuǎn)換為求解n維矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量的問(wèn)題。

步驟9：利用新的表達(dá)式通過(guò)拉格朗日對(duì)偶問(wèn)題更新權(quán)重值um的值。

步驟10：重復(fù)執(zhí)行步驟7,8,9進(jìn)行l(wèi)輪訓(xùn)練。

步驟11：利用l輪訓(xùn)練根據(jù)步驟4中的線性規(guī)劃表達(dá)式計(jì)算得到目的權(quán)重向量a＝[a1,...,al]^t；利用步驟7得到系數(shù)矩陣集

本發(fā)明的算法框架旨在求解權(quán)重向量a＝[a1,...,al]^t，及投影矩陣集

下面對(duì)本發(fā)明的具體實(shí)施進(jìn)行詳細(xì)說(shuō)明。

(一)將二維的圖像數(shù)據(jù)i進(jìn)行轉(zhuǎn)換，將其轉(zhuǎn)換為一維向量數(shù)據(jù)。利用這些數(shù)據(jù)構(gòu)造一個(gè)包含n個(gè)樣本的d維訓(xùn)練樣本集假設(shè)xi的類(lèi)別標(biāo)簽c是總的類(lèi)別數(shù)。定義πc表示第c類(lèi)樣本的索引，nc表示第c類(lèi)樣本的數(shù)目。

(二)利用marginfisheranalysis篩選特征索引集t的元素，構(gòu)造特征索引集

其含義表示相對(duì)于與更相似，其中m＝|t|是集合t的

基數(shù),定義權(quán)重值um＝1/m。根據(jù)特征索引集t，權(quán)重向量及投影矩陣必須對(duì)t中任

意數(shù)據(jù)集滿(mǎn)足如下公式(1):

其中vt^tvt＝i，||·||為2-范數(shù)運(yùn)算.

(三)定義一個(gè)向量hm＝[hmt],hmt對(duì)應(yīng)投影矩陣vt以及集合t中的第m個(gè)集(im,jm,km)，表達(dá)式見(jiàn)公式(2):

(四)為了最終得到權(quán)重向量，采用如下的軟間隔線性規(guī)劃表達(dá)式：

其中ζm為引入的松弛變量，d為懲罰因子且來(lái)確保對(duì)于該線性規(guī)劃可推導(dǎo)其對(duì)偶問(wèn)題。引入拉格朗日算子u,β,g,q構(gòu)造拉格朗日函數(shù)同時(shí)將其轉(zhuǎn)化為對(duì)偶問(wèn)題，得到如下表達(dá)式：

利用kkt條件進(jìn)行簡(jiǎn)化得到如下表達(dá)式：

(五)利用列生成算法將投影矩陣vt的計(jì)算問(wèn)題轉(zhuǎn)化為如下形式的子問(wèn)題求解：

通過(guò)簡(jiǎn)單的矩陣運(yùn)算，得到表達(dá)式(6)的目標(biāo)函數(shù)：

tr()表示矩陣的求跡運(yùn)算。定義一個(gè)d×d大小的矩陣φt：

根據(jù)表達(dá)式(8)，求解最優(yōu)投影矩陣vt的問(wèn)題轉(zhuǎn)化為求解矩陣d維矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量的問(wèn)題，矩陣vt的列向量即為矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量。

(六)基于集合t和對(duì)應(yīng)的權(quán)重值u構(gòu)造兩個(gè)有向加權(quán)圖：固有圖g＝{x,s}，懲罰圖g＝{x,s^p},其中x是頂點(diǎn)集，s是固有圖的d×d維的相似矩陣，s^p是懲罰圖的n×n維的相似矩陣，分別定義兩個(gè)相似矩陣中的元素如下：

分別定義固有圖及懲罰圖的對(duì)角矩陣和拉普拉斯矩陣d，d^p，l，l^p如下：

其中

(七)根據(jù)(六)中的表達(dá)式，可將矩陣φt重新寫(xiě)為如下表達(dá)式：

當(dāng)矩陣φt的維度d較大時(shí)，無(wú)法直接求解其特征值，因此定義一個(gè)n維的矩陣ψt，n遠(yuǎn)小于d，ψt＝(l^p-fl)x^tx，同時(shí)令矩陣ψt滿(mǎn)足如下表達(dá)式：

ψtv＝(l^p-fl)x^txv＝λv(13)

在該表達(dá)式的兩端同時(shí)左乘矩陣x，得到如下表達(dá)式：

因此通過(guò)求解n維矩陣ψt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量即可得到d維矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量，從而計(jì)算出投影矩陣。

(八)利用計(jì)算出的投影矩陣通過(guò)表達(dá)式(2)計(jì)算對(duì)應(yīng)的hmt，將hmt代入表達(dá)式(5)的對(duì)偶問(wèn)題中，利用原對(duì)偶內(nèi)點(diǎn)算法更新權(quán)重值um。

(九)重復(fù)執(zhí)行步驟(六)(七)(八)進(jìn)行l(wèi)輪訓(xùn)練。

(十)經(jīng)l輪訓(xùn)練后利用表達(dá)式(3)計(jì)算目的權(quán)重向量a＝[a1,...,al]^t,利用表達(dá)式(14)得到投影矩陣

對(duì)于原始數(shù)據(jù)線性可分的情況利用上述步驟即可實(shí)現(xiàn)對(duì)權(quán)重向量a及投影矩陣vt的求解，對(duì)于原始數(shù)據(jù)非線性可分的情況本發(fā)明引入核方法拓展的算法，核方法的具體執(zhí)行步驟如下：

(十一)對(duì)于利用核方法的子空間集成學(xué)習(xí)框架，引入n維核gram矩陣k，kij＝k(xi,xj)＝φ(xi)·φ(xj)。引入d×n矩陣φ，φ＝[φ(x1),φ(x2),...,φ(xn)]。則投影矩陣vt可表示為φ中元素的線性組合：vt＝φat(15)。是n×qt大小的系數(shù)矩陣。

(十二)執(zhí)行上述步驟(一)(二)，同時(shí)計(jì)算核gram矩陣k。

(十三)執(zhí)行上述步驟(六)，生成固有圖和懲罰圖及相關(guān)矩陣。

(十四)將表達(dá)式(15)代入表達(dá)式(2)中，可得到新的hmt的表達(dá)式：

其中k.i表示矩陣k的第i列列向量。根據(jù)表達(dá)式(15)目標(biāo)函數(shù)表達(dá)式(7)可以重新寫(xiě)成包含矩陣at與矩陣k的形式：

因此表達(dá)式(12)中的矩陣φt可以重新寫(xiě)為如下形式：

φt＝(l^p-fl)k(18)

則可通過(guò)求解n維矩陣φt的特征向量來(lái)求解系數(shù)矩陣at，矩陣φt的前qt個(gè)最大特征值對(duì)應(yīng)的特征向量即為最優(yōu)系數(shù)矩陣at的列向量。

(十五)根據(jù)表達(dá)式(16)計(jì)算hmt的值，然后將其代入表達(dá)式(5)的對(duì)偶問(wèn)題中，利用原對(duì)偶內(nèi)點(diǎn)算法更新權(quán)重值um。

(十六)重復(fù)執(zhí)行步驟(十三)(十四)(十五)進(jìn)行l(wèi)輪訓(xùn)練。

(十七)經(jīng)l輪訓(xùn)練后利用表達(dá)式(3)計(jì)算目的權(quán)重向量a＝[a1,...,al]^t,利用表達(dá)式(18)得到系數(shù)矩陣集至此即可實(shí)現(xiàn)對(duì)核方法下的權(quán)重向量及投影矩陣集的求解。

本發(fā)明利用完全矯正boosting算法與集成學(xué)習(xí)的原理通過(guò)多次迭代得到多個(gè)不同權(quán)重分布的子空間，解決了現(xiàn)有技術(shù)在進(jìn)行數(shù)據(jù)降維與分類(lèi)時(shí)在有限訓(xùn)練集情況下難以得到最優(yōu)子空間的問(wèn)題，提升了特征提取的準(zhǔn)確率，從而提高了步態(tài)識(shí)別的識(shí)別性能。用usfhumanid數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，利用完全矯正boosting算法的子空間集成學(xué)習(xí)比單一的子空間學(xué)習(xí)算法識(shí)別率更高，同時(shí)該子空間集成學(xué)習(xí)的核化版本比原始版本的識(shí)別率更高。

需要注意的是，上述具體實(shí)施例是示例性的，本領(lǐng)域技術(shù)人員可以在本發(fā)明公開(kāi)內(nèi)容的啟發(fā)下想出各種解決方案，而這些解決方案也都屬于本發(fā)明的公開(kāi)范圍并落入本發(fā)明的保護(hù)范圍之內(nèi)。本領(lǐng)域技術(shù)人員應(yīng)該明白，本發(fā)明說(shuō)明書(shū)及其附圖均為說(shuō)明性而并非構(gòu)成對(duì)權(quán)利要求的限制。本發(fā)明的保護(hù)范圍由權(quán)利要求及其等同物限定。