技术领域
[0001] 本
申请涉及图像识别技术领域，尤其涉及一种基于摩尔纹的图像识别方法、装置、设备和存储介质。
背景技术
[0002] 在金融活动过程中，往往需要对使用者进行
人脸识别以确定身份。然而在进行人脸识别过程中，某些人使用翻拍的人脸图像来冒充真实的人脸以实现欺诈的目的。目前在对翻拍照片识别过程中主要采用通过随机发出一些随机性的指令动作，例如眨眼、左右摇头以及上下摇头之类的进行识别；或者采用红外线对于人体
温度进行识别。
[0003] 但是，在使用随机指令动作进行识别时存在着响应时差，导致需要使用者多次重复动作才能完成识别，而采用红外线人体温度识别则会收到周围环境的干扰降低识别的准确率。
发明内容
[0004] 有鉴于此，有必要针对现有翻拍照片识别度低，不能及时有效对使用者身份进行识别的问题，提供一种基于摩尔纹的图像识别方法、装置、设备和存储介质。
[0005] 一种基于摩尔纹的图像识别方法，包括如下步骤：
[0006] 获取待处理的数个图像，打包成一图像集，所述图像集中包括带有摩尔纹的图像和不带有摩尔纹的图像；
[0007] 提取所述图像集中的任一图像所包含的摩尔纹特征，形成训练样本；
[0008] 将所述训练样本作为入参，在
支持向量机SVM模型中进行SVM训练，得到图像识别模型；
[0009] 接收上传的未知图像，根据所述图像识别模型对所述未知图像进行摩尔纹识别，以确定所述图像是否为翻拍图像。
[0010] 在其中一个
实施例中，所述获取待处理的数个图像，打包成一图像集，所述图像集中包括带有摩尔纹的图像和不带有摩尔纹的图像，包括：
[0011] 当任一图像到
图像采集器屏幕的距离小于某一距离
阈值时，对所述图像进行采集；
[0012] 将采集到的所述图像进行尺寸和色彩归一化处理，得到归一化的图像；
[0013] 将所有所述归一化的图像按照生成时间进行排序，打包成一图像集。
[0014] 在其中一个实施例中，所述提取所述图像集中的任一图像所包含的摩尔纹特征，形成训练样本，包括：
[0015] 将所述图像按照
水平方向和垂直方向划分为n×n等大小的子
块，n为任意正整数；
[0016] 对每个所述子块分别进行多尺度的局部二值模式LBP直方图计算，计算方法如下：
[0017] 每个
像素点在某尺度上的LBPP,R值为：
[0018]
[0019] 其中，gc为像素点的灰度值，gp为以gc为圆心，R为半径的圆周上
抽取的p个像素点的灰度值，S表示影响因子，2p表示模式种类数，其中p＝0，…，n；
[0020] 根据所述LBPP,R值，建立所述子块的LBP直方图；
[0021] 获取所述LBP直方图中纵坐标最大值所对应的子块，作为训练样本入参，其中，若所述LBP直方图中纵坐标最大值所对应的子块的LBPP,R为零或者正数则说明所述图像不带有摩尔纹，为负则说明所述图像带有摩尔纹。
[0022] 在其中一个实施例中，所述将所述训练样本作为入参，在支持向量机SVM模型中进行SVM训练，得到图像识别模型，包括：
[0023] 获取所述训练样本；
[0024] 将所述训练样本进行主成分分析PCA
降维后得到低维联合特征矩阵；
[0025] 将所述低维联合特征矩阵入参到所述SVM模型进行分类训练，得到数个两类识别器，分别为摩尔纹识别器和无摩尔纹识别器；
[0026] 应用所述摩尔纹识别器和所述无摩尔纹识别器对所述训练样本进行摩尔纹识别，根据摩尔纹识别结果建立图像识别模型。
[0027] 在其中一个实施例中，所述提取所述图像集中的任一图像所包含的摩尔纹特征，形成训练样本，包括：
[0028] 将所述
图像分割成九个训练子图块，并将所述训练子图块分成二组，第一组共m块作为训练子图块，第二组共9-m块作为校验子图块，其中，1≤m≤8，且m为整数；
[0029] 提取所述训练子图块中的摩尔纹特征，其中，所述训练子图块中带有摩尔纹的训练子图块标记为“2”、不带有摩尔纹的训练子图块标记为“1”，建立训练直方图，；
[0030] 提取所述检验子图块中的摩尔纹特征，所述检验子图块中带有摩尔纹的检验子图块标记为“2”、不带有摩尔纹的检验子图块标记为“1”，建立检验直方图；
[0031] 汇总所述训练直方图和检验直方图得到图像直方图，若所述图像直方图上有一个子图块标记为“2”，则所述图像带有摩尔纹特征，否则所述图像不带有摩尔纹特征，并形成训练样本。
[0032] 在其中一个实施例中，所述将采集到的所述图像进行尺寸和色彩归一化处理，得到归一化的图像，包括：
[0033] 对所述图片库中的图片进行尺度为w、方向为h的非下
采样NSCT分解，得到一个低频子图A0以及多个不同尺度和不同方向上的高频子图{A1，1；A1，2；...；Aw，1；...；Aw，h}，高频子图Aw，h描述了尺度为w，方向为h上的
人脸纹理信息；
[0034] 获取各所述高频子图的尺寸，计算算数平均数得到尺寸归一化的图片；
[0035] 将所述尺寸归一化的图片根据RGB和YUV
颜色空间的变化关系所建立的
亮度Y与R、G、B三个颜色分量对应关系来表达图像的灰度值，所使用的公式为：Y＝aR+bG+cB，其中a,b,c为颜色参数，0≤a,b,c≤1，根据亮度值Y表达图像的灰度值，实现灰度的归一化。
[0036] 在其中一个实施例中，所述将采集到的所述图像进行尺寸和色彩归一化处理，得到归一化的图像，包括：
[0037] 提取所述图像的灰度I(x,y)中的二维Gabor小波纹理特征；
[0038] 对所述小波纹理特征在各尺度各方向上进行滤波卷积，
[0039] 卷积公式为：Wu,v(x,y)＝I(x,y)×ψu,v(x,y)，
[0040] Wu,v(x,y)表示尺度v、方向u上的纹理
特征向量，Wu,v的幅值包含了图像局部
能量的变化，Wu,v包括Gabor核的
实部和
虚部响应，ψu,v(x,y)表示
频率，I(x,y)表示灰度值；
[0041] 使用FFT变换和逆FFT变换提升卷积计算的速度，公式为：
[0042] W1u,v(x,y)＝F-1(ψu,v(x,y))·F(I(x,y)),
[0043] W1u,v表示改进后的纹理特征向量，F()表示FFT变换，F-1()表示逆FFT变换，获得变换后的u×v个特征向量，合并这些特征向量实现图片尺寸和灰度的归一化。
[0044] 一种基于摩尔纹的图像识别装置，包括如下模块：
[0045] 图像集形成模块，设置为获取待处理的数个图像，打包成一图像集，所述图像集中包括带有摩尔纹的图像和不带有摩尔纹的图像；
[0046] 训练样本生成模块，设置为提取所述图像集中的任一图像所包含的摩尔纹特征，形成训练样本；
[0047] 识别模型生成模块，设置为将所述训练样本作为入参，在支持向量机SVM模型中进行SVM训练，得到图像识别模型；
[0048] 未知图像识别模块，设置为接收上传的未知图像，根据所述图像识别模型对所述未知图像进行摩尔纹识别，以确定所述图像是否为翻拍图像。
[0049] 一种计算机设备，包括
存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述基于摩尔纹的图像识别方法的步骤。
[0050] 一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述基于摩尔纹的图像识别方法的步骤。
[0051] 上述基于摩尔纹的图像识别方法、装置、计算机设备和存储介质，包括获取待处理的数个图像，打包成一图像集，所述图像集中包括带有摩尔纹的图像和不带有摩尔纹的图像；提取所述图像集中的任一图像所包含的摩尔纹特征，形成训练样本；将所述训练样本作为入参，在支持向量机SVM模型中进行SVM训练，得到图像识别模型；接收上传的未知图像，根据所述图像识别模型对所述未知图像进行摩尔纹识别，以确定所述图像是否为翻拍图像。本技术方案针对在金融交易过程中存在使用翻拍图片进行欺诈的问题，采用LBP
算法对摩尔纹进行识别，并经过SVM模型训练，提升对翻拍照片识别的速度和准确度。
附图说明
[0052] 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。
[0053] 图1为本申请一种基于摩尔纹的图像识别方法的整体
流程图；
[0054] 图2为本申请一种基于摩尔纹的图像识别方法中的图像集形成过程示意图；
[0055] 图3为本申请一种基于摩尔纹的图像识别方法中的摩识别样本生成过程示意图；
[0056] 图4为本申请一种基于摩尔纹的图像识别装置的结构图。
具体实施方式
[0057] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0058] 本技术领域技术人员可以理解，除非特意
声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的
说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
[0059] 图1为本申请一个实施例中的基于摩尔纹的图像识别方法的流程图，如图1所示，一种基于摩尔纹的图像识别方法，包括以下步骤：
[0060] S1，获取待处理的数个图像，打包成一图像集，所述图像集中包括带有摩尔纹的图像和不带有摩尔纹的图像；
[0061] 具体的，调用设置在检测终端的图像采集器对两组图像分别进行图像采集，其中第一组图像为真实人脸，第二组图像为翻拍照片，图像采集器可以是CCD图像采集器，其主要由以下几个部分组成：前端光学装置，CCD图像采集模块，
模数转换模块，FPGA预处理模块，Flash程序存储模块，DSP
图像处理模块，SDRAM数据存储模块，图像显示模块，和图像处理器。
[0062] 在进行图像采集时，在CCD图像采集器上设置感光元件对环境光强进行感应，在后端PC机的处理器中设置有光强阈值，通常情况下光强阈值设置为200lx，当环境光强小于200lx时启动
闪光灯，大于200lx时则不用闪光灯。
[0063] S2，提取所述图像集中的任一图像所包含的摩尔纹特征，形成训练样本；
[0064] 具体的，在进行摩尔纹特征提取的时采用LBP算法进行提取，局部二值模式(英文：Local binary patterns，缩写：LBP)是
机器视觉领域中用于分类的一种特征，于1994年被提出。局部二值模式在纹理分类问题上是一个非常强大的特征；如果局部二值模式特征与方向梯度直方图结合，则可以十分有效的提升检测效果。局部二值模式是一个简单但非常有效的纹理运算符。LBP最重要的属性是对诸如光照变化等造成的灰度变化的鲁棒性，它的另外一个重要特性是它的计算简单，这使得它可以对图像进行实时分析。
[0065] S3，将所述训练样本作为入参，在支持向量机SVM模型中进行SVM训练，得到图像识别模型；
[0066] 其中，SVM(Support Vector Machine)是一种支持向量机模型，是常见的一种判别方法。在
机器学习领域，是一个有监督的学习模型，通常用来进行
模式识别、分类以及回归分析。
[0067] 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；并基于结构
风险最小化理论之上在特征空间中构建最优
超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。
[0068] S4、接收上传的未知图像，根据所述图像识别模型对所述未知图像进行摩尔纹识别，以确定所述图像是否为翻拍图像。
[0069] 具体的，将图像识别模型(即训练好的SVM模型)写入到SDK程序中备用，调用写入图像识别模型的SDK程序对未知图像进行截图，将截图(即未知图像)入参到SVM模型中进行摩尔纹识别，如果识别出截图(即未知图像)上带有摩尔纹则是翻拍图像，否则为真实人脸图像。
[0070] 本实施例中，通过LBP算法来识别摩尔纹特征并经过SVM模型进行训练能够有效提升摩尔纹识别的效率，更加快速有效的对翻拍图片进行识别。
[0071] 图2为本申请一种基于摩尔纹的图像识别方法中的图像集形成过程示意图，如图所示，所述获取待处理的数个图像，打包成一图像集，所述图像集中包括带有摩尔纹的图像和不带有摩尔纹的图像，包括：
[0072] S101、当任一所述图像到图像采集器屏幕的距离小于某一距离阈值，对图像进行采集；
[0073] 具体的，在对图像进行采集时，可以采用固定时间间隔的模式进行采集，即对需要图像采集的每一个图像进行两次拍照，取两次拍照中清晰度高的图像作为待识别图像。
[0074] 两次拍照过程中转动图像采集器的
角度从不同角度对所要进行摩尔纹识别的图像进行拍摄，比如，第一次采取与所要进行图像采集的图像成90°直角的方式对图像进行拍摄采集，第二次则转动图像采集器30°～45°角对所要进行摩尔纹识别的图像进行拍摄采集。采用两种不同角度的图像采集方式，可以通过不同光线入射角度对采集到的图像灰度产生影响，进而在归一化图片过程中使图片的灰度产生不同，从而防止单一角度拍摄图图像造成的摩尔纹特征不突出，影响应用LBP算法识别出摩尔纹特征的准确性。
[0075] S102、将采集到的所述图像进行尺寸和色彩归一化处理，得到归一化的图像；
[0076] 具体的，在进行尺寸归一化处理时，将图像的尺寸与预设尺寸进行比较，获取该图像尺寸最进行的预设尺寸，根据此预设尺寸将图像进行拉伸或者
挤压达到归一化的效果。
[0077] S103、将所有所述归一化的图像按照生成时间进行排序，打包成一图像集。
[0078] 具体的，赋予归一化的图像以时间标记，将同一时间生成的图像先行打包成一图像组，在建立各个图像组之间的共识
节点，而后打包成一图像集。
[0079] 本实施例中，通过对图像进行归一化处理，使得摩尔纹识别的速度和效率大大提升。
[0080] 在其中一个实施例中，所述提取所述图像集中的任一图像所包含的摩尔纹特征，形成训练样本，包括：
[0081] 将所述图像按照水平方向和垂直方向划分为n×n等大小的子块，n为任意正整数；
[0082] 对每个所述子块分别进行多尺度的局部二值模式LBP直方图计算，计算方法如下：
[0083] 每个像素点在某尺度上的LBPP,R值为：
[0084]
[0085] 其中，gc为像素点的灰度值，gp为以gc为圆心，R为半径的圆周上抽取的p个像素点的灰度值，S表示影响因子，2p表示模式种类数，其中p＝0，…，n；
[0086] 根据所述LBPP,R值，建立所述子块的LBP直方图；
[0087] 获取所述LBP直方图中纵坐标最大值所对应的子块，作为训练样本入参，其中，若所述LBP直方图中纵坐标最大值所对应的子块的LBPP,R为零或者正数则说明所述图像不带有摩尔纹，为负则说明所述图像带有摩尔纹。
[0088] 本实施例中，通过对图像进行分割成多个子块，并将每一个子块进行LBP值求解，能够更好的识别出图像中的摩尔纹特征。
[0089] 图3为本申请一种基于摩尔纹的图像识别方法中的摩识别样本生成过程示意图，如图所示，将所述训练样本作为入参，在支持向量机SVM模型中进行SVM训练，得到图像识别模型，包括：
[0090] S301、获取所述训练样本；
[0091] S302、将所述训练样本进行主成分分析PCA降维后得到低维联合特征矩阵；
[0092] 其中，PCA通常用于高维数据集的探索与
可视化，还可以用于
数据压缩，数据预处理等。PCA可以把可能具有相关性的高维变量合成线性无关的低维变量，称为主成分(principal components)。新的低维数据集会尽可能的保留原始数据的变量。
[0093] S303、将所述低维联合特征矩阵入参到所述SVM模型进行分类训练，得到数个两类识别器，分别为摩尔纹识别器和无摩尔纹识别器；
[0094] 其中，使用摩尔纹识别器和无摩尔纹识别器对训练样本进行分类识别，再根据识别结果进行投票，对两个类别的得票总数进行统计，票数多的类别即为该训练样本类别；采用投票的方式对样本进行统计可以减少统计过程中遗漏重要数据，如果一样多，则可以采用其它参数作为投票的依据进行投票直到选出类别。
[0095] S304、应用所述摩尔纹识别器和所述无摩尔纹识别器对所述训练样本进行摩尔纹识别，根据摩尔纹识别结果建立图像识别模型。
[0096] 具体的，使用摩尔纹识别器或者无摩尔纹识别器对训练样本进行训练时，可以采用先使用摩尔纹识别器对每一个训练样本进行训练，识别出带有摩尔纹的图像，然后在使用无摩尔纹识别器对未识别出摩尔纹的图像进行识别；或者采用对训练样本中的每一张图片先使用摩尔纹识别器识别，再直接用无摩尔纹识别器识别，然后汇总识别结果。
[0097] 本实施例中，通过对训练样本进行降维处理，可以提升摩尔纹识别的效率。
[0098] 在一个实施例中，所述提取所述图像集中的任一图像所包含的摩尔纹特征，形成训练样本，包括：
[0099] 将所述图像分割成九个训练子图块，并将所述训练子图块分成二组，第一组共m块作为训练子图块，第二组共9-m块作为校验子图块，其中，1≤m≤8，且m为整数；
[0100] 具体的，将图像划分成九个子图块，优选的方案是第一组为5块，第二组为4块，以便于确定摩尔纹所处的
位置，对不同类型的翻拍图片摩尔纹生成位置进行位置统计，建立摩尔纹位置的线性统计数据模型，并对线性统计数据模型进行训练以便得出不同类型的翻拍图片摩尔纹出现的常见位置。在对新的图像进行识别时，可以先对某一图块所在区域进行摩尔纹识别，如果该区域识别出摩尔纹则不需要对其它区域进行识别。采用此种方式可以提升摩尔纹识别的效率，同时对于高清晰度的CCD图像采集器来说，在进行LBP特征提取像素点的过程中不需要对所有像素点进行提取节约了像素提取和灰度处理的时间。
[0101] 提取所述训练子图块中的摩尔纹特征，其中，所述训练子图块中带有摩尔纹的训练子图块标记为“2”、不带有摩尔纹的训练子图块标记为“1”，建立训练直方图，；
[0102] 具体的，在进行直方图统计时，在直方图中，每个区域的类的数量由输入赋值栅格确定；如果
指定图层，则图层的符号装置定义类的数量；如果指定数据集。
[0103] 提取所述检验子图块中的摩尔纹特征，所述检验子图块中带有摩尔纹的检验子图块标记为“2”、不带有摩尔纹的检验子图块标记为“1”，建立检验直方图；
[0104] 汇总所述训练直方图和检验直方图得到图像直方图，若所述图像直方图上有一个子图块标记为“2”，则所述图像带有摩尔纹特征，否则所述图像不带有摩尔纹特征，并形成训练样本。
[0105] 本实施例中，对训练图块还可以进行进一步划分，即将每一个训练图块等面积划分成九个训练子图块，对每一个训练子图块进行提取LBP特征，同样建立直方图，计算统计直方图，子图块中带有摩尔纹的标记为“2”，不带有摩尔纹标记为“1”，通过统计子图块的直方图。
[0106] 在一个实施例中，所述将采集到的所述图像进行尺寸和色彩归一化处理，得到归一化的图像，包括：
[0107] 对所述图片库中的图片进行尺度为w、方向为h的非
下采样NSCT分解，得到一个低频子图A0以及多个不同尺度和不同方向上的高频子图{A1，1；A1，2；...；Aw，1；...；Aw，h}，高频子图Aw，h描述了尺度为w，方向为h上的人脸纹理信息；
[0108] 获取各所述高频子图的尺寸，计算算数平均数得到尺寸归一化的图片；
[0109] 将所述尺寸归一化的图片根据RGB和YUV颜色空间的变化关系所建立的亮度Y与R、G、B三个颜色分量对应关系来表达图像的灰度值，所使用的公式为：Y＝aR+bG+cB，其中a、b、c为颜色参数，0≤a、b、c≤1，即，a、b、c中任一项均为0至1之间的数，根据亮度值Y表达图像的灰度值，实现灰度的归一化。
[0110] 具体的，在归一化处理图片过程中，可以随机提取大量的图像描述符(如SIFT、HOG等)，每个图像描述符都是一个向量，采用K-means
聚类算法对这些图像描述符进行聚类，得到K个类别(K为可以调节的参数，典型值为1024、2048、10000等)。聚类中心被称为“词”，聚类得到的所有类别组成一个“码本”；
[0111] 对于一幅图像，以稠密的方式提取特征描述符(如SIFT、HOG等)；对于每一个描述符，在码本中搜索最相似的聚类中心(也即词)。统计不同词在该图像中出现的频度，形成一个直方图。对该直方图作L1归一化，得到最后的基于词袋模型的图像纹理特征。
[0112] 本实施例中，通过对图片的尺寸和像素进行处理可以减少摩尔纹识别过程受到的干扰。
[0113] 在一个实施例中，所述将采集到的所述图像进行尺寸和色彩归一化处理，得到归一化的图像，包括：
[0114] 提取所述图像的灰度I(x,y)中的二维Gabor小波纹理特征；
[0115] 对所述小波纹理特征在各尺度各方向上进行滤波卷积，
[0116] 卷积公式为：Wu,v(x,y)＝I(x,y)×ψu,v(x,y)，
[0117] Wu,v(x,y)表示尺度v、方向u上的纹理特征向量，Wu,v的幅值包含了图像局部能量的变化，Wu,v包括Gabor核的实部和虚部响应，ψu,v(x,y)表示频率，I(x,y)表示灰度值；
[0118] 使用FFT变换和逆FFT变换提升卷积计算的速度，公式为：
[0119] W1u,v(x,y)＝F-1(ψu,v(x,y))·F(I(x,y)),
[0120] W1u,v表示改进后的纹理特征向量，F()表示FFT变换，F-1()表示逆FFT变换，获得变换后的u×v个特征向量，合并这些特征向量实现图片尺寸和灰度的归一化。
[0121] 本实施例中，通过Gabor小波核函数的方法对人脸图像进行归一化处理，进一步提升摩尔纹识别的
精度。
[0122] 在一个实施例中，提出了一种基于摩尔纹的图像识别装置，如图4所示，包括如下模块：
[0123] 图像集形成模块，设置为获取待处理的数个图像，打包成一图像集，所述图像集中包括带有摩尔纹的图像和不带有摩尔纹的图像；
[0124] 训练样本生成模块，设置为提取所述图像集中的任一图像所包含的摩尔纹特征，形成训练样本；
[0125] 识别模型生成模块，设置为将所述训练样本作为入参，在支持向量机SVM模型中进行SVM训练，得到图像识别模型；
[0126] 未知图像识别模块，设置为接收上传的未知图像，根据所述图像识别模型对所述未知图像进行摩尔纹识别，以确定所述图像是否为翻拍图像。
[0127] 一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述各实施例中的所述基于摩尔纹的图像识别方法的步骤。
[0128] 一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施例中的所述基于摩尔纹的图像识别方法的步骤。所述存储介质可以为非易失性存储介质。
[0129] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的
硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：
只读存储器(ROM，Read Only Memory)、
随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
[0130] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0131] 以上所述实施例仅表达了本申请一些示例性实施例，其描述较为具体和详细，但并不能因此而理解为对本申请
专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干
变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附
权利要求为准。
