一种用于车位检测的模型训练方法及系统与流程

1.本发明涉及图像处理技术领域，具体涉及一种用于车位检测的模型训练方法及系统。


背景技术：

2.随着人工智能技术的不断发展，自动驾驶和辅助驾驶技术也在不断进步。目前，自动泊车功能已经被应用至部分车型中。在实现自动泊车功能时，往往需要对车身周围的环境进行检测，从而检测出能够泊车的车位。
3.现有的车位检测方法，可以识别出车位的角点信息，然后对角点信息进行分类，从而识别出车位信息。此外，还可以对包含车位的鸟瞰图进行标记点的检测，然后再使用机器学习的方法对检测出的标记点进行推断，从而预测出可能存在的车位。
4.然而，现有技术中的这些车位检测方法，往往都依赖角点或者标记点的识别过程，并且很多技术是针对一些常见车位进行专门设计的，对车位形状有较强的先验要求。如果车位的角点或者标记点受到环境影响无法被识别，无法很好地利用车位全局的闭环信息，会导致检测出的车位不准确。


技术实现要素：

5.有鉴于此，本发明实施方式提供了一种用于车位检测的模型训练方法及系统，具备更广的检测适配性和更高的车位识别精度。
6.本发明一方面提供了一种用于车位检测的模型训练方法，所述方法包括：获取车位的鸟瞰图样本，所述鸟瞰图样本中的车位具备编码标签，所述编码标签用于表征所述车位的闭环方向信息；所述闭环方向信息由车位线上各个像素点的方向信息构成；针对所述鸟瞰图样本中车位的任意一条车位线，识别所述车位线的方向信息，并将与所述方向信息相匹配的编码值作为所述车位线的编码标签；将所述车位的各条车位线的编码标签的组合，作为所述车位的编码标签；将所述鸟瞰图样本输入预设模型，以通过所述预设模型提取所述鸟瞰图样本的特征信息，并基于所述特征信息识别出所述鸟瞰图样本中车位的编码信息；比对所述车位的编码标签和所述车位的编码信息，并根据比对结果对所述预设模型中的训练参数进行校正，以使得校正后的预设模型对所述鸟瞰图样本处理得到的编码信息与所述编码标签相匹配。
7.在一个实施方式中，若所述鸟瞰图样本中的车位为不规则形状，所述方法还包括：识别所述车位的车位线上各个像素点的方向信息，并将各个所述像素点的方向信息对应的编码值作为所述车位线的编码标签；其中，所述像素点的方向信息表征切线方向。
8.在一个实施方式中，提取所述鸟瞰图样本的特征信息包括：生成所述鸟瞰图样本的多个分层特征，并对所述多个分层特征中的至少两个分层特征进行融合，以生成对应的融合特征，并将生成的所述融合特征作为所述鸟瞰图样本的特征信息。
9.在一个实施方式中，所述车位的编码信息中包括车位的各条车位线的编码值，其
中，每条车位线的编码值包括第一编码值和第二编码值，所述第一编码值和所述第二编码值分别通过所述预设模型的不同通道输出；若所述车位的目标车位线与其它车位的车位线重叠，所述目标车位线的第一编码值和第二编码值分别通过独立的两个不同的通道输出。
10.在一个实施方式中，在识别出所述鸟瞰图样本中车位的编码信息之后，所述方法还包括：识别所述车位的车位类型，所述车位类型包括可停车位或者不可停车位，并通过与所述车位类型相匹配的通道组输出所述车位的编码信息。
11.在一个实施方式中，在对所述预设模型中的训练参数进行校正之后，所述方法还包括：将待检测的鸟瞰图输入所述校正后的预设模型中，以生成所述待检测的鸟瞰图中待检测车位的编码信息；根据所述待检测车位的编码信息，确定所述待检测车位的各条车位线，以通过确定的所述各条车位线表征所述待检测车位。
12.在一个实施方式中，所述待检测车位的各条车位线上的像素点按照以下方式确定：在所述待检测的鸟瞰图中确定出位于车位线上的一个起始像素点，并识别所述起始像素点的编码信息表征的方向；在所述方向确定搜寻区域，并在所述搜寻区域内确定代表像素点，并将所述代表像素点作为车位线上与所述起始像素点相邻的下一个像素点；将所述代表像素点作为起始像素点，并继续搜寻下一个像素点。
13.在一个实施方式中，所述方法还包括：若在所述待检测的鸟瞰图中检测出存在重合区域的多个目标车位，确定各个所述目标车位的置信度，并将置信度最大的目标车位作为检测出的真实车位。
14.本发明另一方面还提供了一种用于车位检测的模型训练系统，所述系统包括：样本获取单元，用于获取车位的鸟瞰图样本，所述鸟瞰图样本中的车位具备编码标签，所述编码标签用于表征所述车位的闭环方向信息；针对所述鸟瞰图样本中车位的任意一条车位线，识别所述车位线的方向信息，并将与所述方向信息相匹配的编码值作为所述车位线的编码标签；将所述车位的各条车位线的编码标签的组合，作为所述车位的编码标签；编码信息识别单元，用于将所述鸟瞰图样本输入预设模型，以通过所述预设模型提取所述鸟瞰图样本的特征信息，并基于所述特征信息识别出所述鸟瞰图样本中车位的编码信息；模型校正单元，用于比对所述车位的编码标签和所述车位的编码信息，并根据比对结果对所述预设模型中的训练参数进行校正，以使得校正后的预设模型对所述鸟瞰图样本处理得到的编码信息与所述编码标签相匹配。
15.本技术提供的技术方案，可以采用机器学习的方式来检测鸟瞰图中包含的车位。在对机器学习模型进行训练时，训练样本中的车位可以具备编码标签，该编码标签可以表征车位的闭环方向信息。在实际应用中，闭环方向信息可以由车位线上各个像素点的方向信息构成。这样，在模型训练和车位检测的过程中，可以不完全依赖于车位的角点信息，只要待检测的车位是闭环结构，都能够通过本技术的技术方案进行检测，从而提高了车位检测的适配性和准确度。
附图说明
16.通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：图1示出了本发明一个实施方式中用于车位检测的模型训练方法的步骤示意图；
图2示出了本发明一个实施方式中鸟瞰图的示意图；图3示出了本发明一个实施方式中车位的方向信息的示意图；图4示出了本发明一个实施方式中单位圆的示意图；图5示出了本发明一个实施方式中不规则车位中像素点的方向示意图；图6示出了本发明一个实施方式中共用车位线的车位示意图；图7示出了本发明一个实施方式中像素点搜寻的示意图；图8示出了本发明一个实施方式中模型训练系统的功能模块示意图。
具体实施方式
17.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
18.请参阅图1，本技术提供的用于车位检测的模型训练方法，可以包括以下多个步骤。
19.s1：获取车位的鸟瞰图样本，所述鸟瞰图样本中的车位具备编码标签，所述编码标签用于表征所述车位的闭环方向信息；所述闭环方向信息由车位线上各个像素点的方向信息构成。
20.在本实施方式中，车位的鸟瞰图样本可以是通过安装在车辆上的相机采集的。具体地，车辆上可以在不同的方向安装鱼眼相机，各个鱼眼相机采集到的环境图像可以被拼接为鸟瞰图，该鸟瞰图的中心可以是车辆。图2示出了一个鸟瞰图样本的示意图，可见，在该示意图中，车辆位于鸟瞰图样本的中心，并且在示意图中可以包含两个车位。
21.为了有效地进行机器学习过程，可以为鸟瞰图样本中的车位标注训练标签。通常而言，车位都是由多条车位线构成的闭环结构。常见的车位是由四条车位线构成的矩形结构，一些新型的车位也可能是由直线和曲线构成的不规则结构。在本实施方式中，可以先确定车位线的方向信息，并基于该方向信息，为车位线进行编码。
22.具体地，请参阅图3，以矩形车位为例，鸟瞰图中各个车位的车位线都可以遵循顺时针的方向。当然，在一些场景下，还可以根据车位的入口线来确定各条车位线的方向。例如在图3中，根据车位的入口线可以定义四个顶点的编号，其中，入口线对应的两个顶点可以分别标为1和2，然后按照从1到2的顺序，依次将剩余的两个顶点标记为3和4。这样，车位线的方向就可以按照编号从小到大的顺序来确定。例如入口线的方向就是从1到2，以此类推。
23.需要说明的是，在实际应用中可以按照其它的规则来确定车位线的方向，本技术对此并不做限定，只要能够确定车位线的方向即可。
24.在确定出车位线的方向信息之后，为了便于后续的数字处理，可以通过编码的方式来量化该方向信息。请参阅图4，对于平面图像中的任意一个方向，都可以通过图4所示的单位元上的一个点来表示。那么该点的坐标值，就可以作为方向信息对应的编码值。例如，在图3中，垂直向下的方向映射至图3中后，可以通过坐标值为（0，
‑
1）的点来表示，那么（0，
‑
1）就可以作为该方向的编码值。又例如，水平向右的方向映射至图3中后，可以通过坐标值为（1，0）的点来表示，那么（1，0）就可以作为该方向的编码值。
25.通过以上的描述可见，针对鸟瞰图样本中车位的任意一条车位线，可以识别该车位线的方向信息，然后将该方向信息映射至图4所示的单位圆中，从而可以将与该方向信息相匹配的编码值作为车位线的编码标签。对于一个车位而言，各条车位线的编码标签的组合，就可以作为该车位的编码标签。
26.在实际应用中，车位的编码标签可以是按照像素点为单位来表示的。具体地，车位线是由一个个的像素点构成的，那么同一条车位线上的像素点，对应的方向信息都是一致的。例如在图3中，入口线上各个像素点的方向信息都可以通过编码值（0，
‑
1）来表示。
27.当然，如果车位的形状不是矩形，而是不规则的形状，那么可以识别所述车位的车位线上各个像素点的方向信息，并将各个所述像素点的方向信息对应的编码值作为所述车位线的编码标签。具体地，像素点的方向则可以是对应的切线方向。例如在图5所示的车位中，直线上每个像素点的方向都可以与该直线的方向保持一致，但是曲线上每个像素点的方向，就是对应的切线方向，当然，该切线方向也需要与曲线的方向保持相同的趋势。
28.通过这种逐个像素点进行方向编码的方式，最终可以将各个像素点的编码值进行汇总，从而得到整个车位的编码标签，该编码标签可以表征车位的方向信息。
29.s3：将所述鸟瞰图样本输入预设模型，以通过所述预设模型提取所述鸟瞰图样本的特征信息，并基于所述特征信息识别出所述鸟瞰图样本中车位的编码信息。
30.在本实施方式中，在对鸟瞰图样本中的车位标注出编码标签后，可以利用该鸟瞰图样本对预设模型进行训练。具体地，该预设模型中的主干网络（backbone）可以采用resnet、mobilenet、shufflenet、xception或者自定义的网络结构。在实际应用中，主干网络中可以将多个层级结构依次连接，从而对鸟瞰图样本进行逐层下采样，并且在每次下采样之后，都可以生成对应的分层特征。举例来说，主干网络中可以包括五个层级结构，那么这五个层级结构可以对输入的鸟瞰图样本进行逐层下采样，从而得到维度各不相同的5个分层特征。
31.在生成多个分层特征之后，为了扩大网络的感受野，可以对其中的至少两个分层特征进行融合，从而生成对应的融合特征，并可以将该融合特征作为提取出的鸟瞰图样本的特征信息。
32.在一个具体的应用示例中，假设共生成了5个分层特征，那么可以选用后四个分层特征（记为f2、f3、f4、f5）。f2比较底层，可以不进行额外的处理。f3至f5可以分别采用aspp（空洞空间卷积池化金字塔，atrous spatial pyramid pooling）模块进一步提取特征。f3至f5经过aspp模块的特征提取后，可以生成对应的f31、f41和f51的深化特征。通过将分层特征f2与深化特征f31、f41、f51进行合并（concat），并对合并后的特征利用1*1的卷积层进行融合，从而生成最终的融合特征。
33.当然，在实际应用中，为了扩大网络的感受野，还可以采用其它的方式对分层特征进行融合，这里就不一一例举。
34.在本实施方式中，在生成鸟瞰图样本的特征信息后，可以将该特征信息输入最终卷积层，从而输出鸟瞰图样本中车位的编码信息。该编码信息与步骤s1中标注的编码标签具备相同的格式，也是以像素点为单位表示的编码值。
35.需要说明的是，由于一个像素点的编码值都包含x和y两个分值，那么为了区分这两个分值，在进行机器学习时，可以利用不同的通道来分别输出这两个分值。例如，x轴对应的编码值可以通过同一个通道来输出，y轴对应的编码值则可以通过另一个通道来输出。最终，通过两个不同的通道，能够分别输出x轴和y轴对应的编码值。由于编码值是基于单位圆确定的，那么x和y的编码值应当符合以下的关系：其中，x表示x轴的编码值，y表示y轴的编码值。
36.也就是说，预设模型输出的车位的编码信息中可以包括车位的各条车位线的编码值，其中，每条车位线的编码值可以包括第一编码值（对应x轴）和第二编码值（对应y轴），所述第一编码值和所述第二编码值可以分别通过预设模型的不同通道输出。
37.在一个实施方式中，考虑到部分场景下，车位之间可能会共用同一条车位线。例如图6所示的场景下，两个车位共用了同一条车位线。而这条车位线如果从左侧的车位来看，方向应当是垂直向下。但如果从右侧的车位来看，这条车位线的方向应当是垂直向上。也就是说，同一条车位线在作为不同的车位进行检测时，其方向是完全不同的。为了准确地表示这种不同的方向，需要利用独立的通道来输出该共用的车位线的编码值。以图6所示的场景为例，车位入口表征的车位线都不存在共用的可能，但是侧面较长的车位线都可能与相邻车位共用。鉴于此，对于一个车位的四条车位线而言（按照编号标记为1
‑
2边，2
‑
3边，3
‑
4边和4
‑
1边），其中的1
‑
2边和3
‑
4边一共可以使用两个通道，分别输出x方向的编码值和y方向的编码值。而2
‑
3边需要使用独立的两个通道，来分别输出x方向的编码值和y方向的编码值。同理，4
‑
1边也需要使用额外的独立的两个通道。这样，对于一个车位而言，最终的通道输出结果可以表示为：其中，可以输出1
‑
2边和3
‑
4边的x方向的编码值，可以输出1
‑
2边和3
‑
4边的y方向的编码值，可以输出2
‑
3边的x方向的编码值，可以输出2
‑
3边的y方向的编码值，可以输出4
‑
1边的x方向的编码值，可以输出4
‑
1边的y方向的编码值。
38.也就是说，如果某个车位的目标车位线与其它车位的车位线重叠，那么该目标车位线的第一编码值和第二编码值需要分别通过独立的两个不同的通道输出。
39.在另一个具体应用场景下，鸟瞰图样本中的车位可以被标记为可停车位和不可停车位，为了区分这两种不同的车位类型，可以通过不同的通道组来输出这两种不同的车位类型对应的编码信息。举例来说，对于可停车位而言，可以通过上述的这样的通道来输出，而对于不可停车位而言，可以通过这样的通道来输出。
40.也就是说，预设模型除了可以识别出各个像素点的编码信息，同时还能确定出该像素点是位于可停车位中，还是位于不可停车位中，最终根据识别出的车位类型，预设模型可以通过与该车位类型相匹配的通道组输出对应车位的编码信息。
41.s5：比对所述车位的编码标签和所述车位的编码信息，并根据比对结果对所述预
设模型中的训练参数进行校正，以使得校正后的预设模型对所述鸟瞰图样本处理得到的编码信息与所述编码标签相匹配。
42.在本实施方式中，预设模型中的训练参数在初始化时可能并不准确，从而导致最终输出的车位的编码信息与标注的编码标签不一致。在这种情况下，需要比对车位的编码标签和预设模型输出的车位的编码信息，并根据比对结果对预设模型中的训练参数进行校正。
43.在实际应用中，可以采用损失函数来表示编码标签和编码信息之间的差异。在一个实施方式中，可以采用两种损失函数来共同表征这种差异。其中，一种损失函数可以是bce loss，该损失函数可以表示为：其中，表示预设模型输出的第n个像素点对应的编码值，表示第n个像素点在编码标签中对应的编码值。
44.上述的损失函数可以针对各个通道中输出的编码值进行误差计算，最终可以统计总的误差值。
45.此外，另一种损失函数可以是l2 loss，该损失函数可以表示为：最终，将这两种损失函数的结果相加，从而可以得到最终的误差值。通过梯度反馈的方式，可以对预设模型进行校正。
46.经过大量的鸟瞰图样本的不断训练，最终可以使得校正后的预设模型输出的编码信息能够与对应的编码标签相匹配。其中，相匹配的含义可以指两者完全一致，也可以指两者的误差在允许的范围内。
47.在一个实施方式中，在训练得到精准度较高的预设模型后，可以利用该预设模型对待检测的鸟瞰图进行车位的编码信息的识别。具体地，可以将待检测的鸟瞰图输入校正后的预设模型中，从而生成所述待检测的鸟瞰图中待检测车位的编码信息。该编码信息可以是按照不同的通道输出的各个像素点的编码值。
48.在本实施方式中，根据所述待检测车位的编码信息，可以确定所述待检测车位的各条车位线，从而通过确定的所述各条车位线表征所述待检测车位。
49.具体地，预设模型是按照不同的通道输出x轴和y轴的编码值，通过计算的数值，可以识别出归属于同一个像素点的x轴的编码值和y轴的编码值。举例来说，如果一个x轴的编码值和一个y轴的编码值的平方和为1，则表示这两个编码值归属于同一个像素点。通过这种方式，可以将预设模型各个通道输出的编码值进行匹配，从而得到车位线上各个像素点的编码信息。
50.像素点的编码信息可以表征该像素点的方向，基于像素点的编码信息，可以采用像素点搜寻的方式，逐一搜寻到车位线上的各个像素点。具体地，请参阅图7，可以在所述待检测的鸟瞰图中确定出位于车位线上的一个起始像素点，并识别所述起始像素点的编码信息表征的方向。然后，可以在所述方向确定搜寻区域（图7中的矩形阴影部分），并在所述搜寻区域内确定代表像素点。具体地，在搜寻区域内可能会存在多个像素点，此时可以筛选出像素值大于指定阈值的候选像素点（理论上，经过预设模型的处理之后，车位线上的像素点
的像素值都接近1，而车位线之外的像素点的像素值都为0），然后将这些候选像素点的坐标值进行求平均，从而将得到的平均坐标值作为代表像素点的坐标值。该代表像素点就可以作为车位线上与所述起始像素点相邻的下一个像素点。然后，可以将所述代表像素点作为起始像素点，重复上述的搜寻过程，从而继续搜寻下一个像素点，直至回到一开始的起始像素点为止。这样，通过逐个像素点的搜寻方法，可以在待检测的鸟瞰图中搜寻到各条车位线上的各个像素点，这样，便可以通过确定的各条车位线表征对应的待检测车位。
51.需要说明的是，在待检测的鸟瞰图中可能存在多个车位，那么可以对各个车位的2
‑
3边进行连通域的判断。如果存在n个不连通的区域，则表示有n个不同的车位。之所以对2
‑
3边进行连通域的判断，原因在于2
‑
3边可能会作为两个车位的共用边。这样，通过共用边进行连通域的判断，可以准确地识别出当前的鸟瞰图中具体包含多个不同的车位。
52.识别出的车位，可以包含可停车位和不可停车位，这些不同类型的车位可以通过不同的通道组输出对应的编码信息。这样，针对不同的通道组输出的编码信息，都可以按照上述的方式进行车位线的搜寻，从而确定出鸟瞰图中存在的各个车位。
53.在一个实施方式中，图像拼接的精度和实际的环境会对车位识别结果产生影响。例如，四路鱼眼相机的拼接处由于标定误差和/或地面不平整，可能会产生重复的车位线，从而导致最终的车位识别结果中，包含了多个存在重合区域的目标车位。针对这部分重合的目标车位，首先可以通过iou(intersection over union，交并比)的计算方式，确定出车位之间的重合度。如果该重合度大于指定阈值，则可以分别确定各个目标车位的置信度。其中，目标车位的置信度可以是目标车位的车位线上各个像素点的编码值之和。需要说明的是，这里的像素点的编码值，可以是x轴和y轴两个方向的编码值的平方和。这样，将各个像素点的平方和相加后，就可以得到目标车位的置信度。最终，可以将将置信度最大的目标车位作为检测出的真实车位，与该真实车位的重合度大于指定阈值的其它车位都可以去除。
54.本技术提供的技术方案，可以采用机器学习的方式来检测鸟瞰图中包含的车位。在对机器学习模型进行训练时，训练样本中的车位可以具备编码标签，该编码标签可以表征车位的闭环方向信息。在实际应用中，闭环方向信息可以由车位线上各个像素点的方向信息构成。这样，在模型训练和车位检测的过程中，可以不完全依赖于车位的角点信息，只要待检测的车位是闭环结构，都能够通过本技术的技术方案进行检测，从而提高了车位检测的适配性和准确度。
55.请参阅图8，本技术还提供一种用于车位检测的模型训练系统，所述系统包括：样本获取单元，用于获取车位的鸟瞰图样本，所述鸟瞰图样本中的车位具备编码标签，所述编码标签用于表征所述车位的闭环方向信息；所述闭环方向信息由车位线上各个像素点的方向信息构成；针对所述鸟瞰图样本中车位的任意一条车位线，识别所述车位线的方向信息，并将与所述方向信息相匹配的编码值作为所述车位线的编码标签；将所述车位的各条车位线的编码标签的组合，作为所述车位的编码标签；编码信息识别单元，用于将所述鸟瞰图样本输入预设模型，以通过所述预设模型提取所述鸟瞰图样本的特征信息，并基于所述特征信息识别出所述鸟瞰图样本中车位的编码信息；模型校正单元，用于比对所述车位的编码标签和所述车位的编码信息，并根据比对结果对所述预设模型中的训练参数进行校正，以使得校正后的预设模型对所述鸟瞰图样
本处理得到的编码信息与所述编码标签相匹配。
56.本技术一个实施方式还提供一种用于车位检测的模型训练装置，所述用于车位检测的模型训练装置包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的用于车位检测的模型训练方法。
57.其中，处理器可以为中央处理器（central processing unit，cpu）。处理器还可以为其他通用处理器、数字信号处理器（digital signal processor，dsp）、专用集成电路（application specific integrated circuit，asic）、现场可编程门阵列（field
‑
programmable gate array，fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
58.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施方式中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施方式中的方法。
59.存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
60.本技术一个实施方式还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时，实现上述的用于车位检测的模型训练方法。
61.本领域技术人员可以理解，实现上述实施方式方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施方式的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（read
‑
only memory，rom）、随机存储记忆体（random access memory，ram）、快闪存储器（flash memory）、硬盘（hard disk drive，缩写：hdd）或固态硬盘（solid
‑
state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
62.虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。