一種基于CoLBP共生特征與GSS特征的行人檢測方法與流程
本發(fā)明涉及一種基于colbp共生特征與gss特征的行人檢測方法，屬于計算機視覺與圖像處理的技術(shù)領(lǐng)域。
背景技術(shù)：
當(dāng)前行人檢測的研究已經(jīng)取得巨大的進(jìn)展。早期工作主要集中在利用haar小波變換實現(xiàn)行人檢測的特征提取。目前，hog特征廣泛應(yīng)用于行人檢測領(lǐng)域，該方法將局部單元(cells)中的梯度信息整合到直方圖中，并通過局部歸一化增強該特征對光照、陰影和邊緣變化的魯棒性。雖然hog在單一特征表示方面具有很大的優(yōu)越性，但仍然具有一定的缺陷性，例如描述子生成過程冗長，很難處理遮擋，對噪點相當(dāng)敏感等。因此，相繼出現(xiàn)其他特征實現(xiàn)行人檢測，例如基于hof的運動描述符，基于lbp的紋理描述符，以及基于顏色自相似特征的描述符。
另外，共生特征也廣泛應(yīng)用于行人檢測領(lǐng)域，通過計算梯度幅值設(shè)計出一種用于檢測共生方向的共生colbp共生特征，基于多harr-like共生特征設(shè)計出一種人臉識別器。為了進(jìn)一步提高行人檢測的性能，逐漸出現(xiàn)了一些組合多種低層次特征的方法。例如基于強度、深度和密集流數(shù)據(jù)計算的hog-lbp特征構(gòu)建的多級混合專家模型；融合灰度，luv顏色和通過取向梯度幅值量化的行人檢測框架。
以及，在hog特征的基礎(chǔ)上，演變出許多更高層次的特征，例如全局姿態(tài)不變描述符。另外，形狀也是行人檢測的常用線索。另一種方法是基于輪廓來表示中間層邊緣特征，通過手繪輪廓的聚類補丁生成令牌標(biāo)記以捕獲局部邊緣結(jié)構(gòu)。每個像素令牌標(biāo)記的表示與其他多圖像通道進(jìn)行組合，作為增強型檢測器的特征。以上特征雖然種類較多，但由于特征相對單一，或者組合特征檢測效果不明顯，因此在一些遮擋，光照變化強烈的復(fù)雜的環(huán)境下，檢測效果不是很理想。
技術(shù)實現(xiàn)要素：
本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)的不足，提供一種基于colbp共生特征與gss特征的行人檢測方法，解決現(xiàn)有的行人檢測方法中特征相對單一，或者組合特征檢測效果不明顯，在一些遮擋及光照變化強烈的復(fù)雜的環(huán)境下，檢測效果不佳的問題，以提高行人檢測準(zhǔn)確率。
本發(fā)明具體采用以下技術(shù)方案解決上述技術(shù)問題：
一種基于colbp共生特征與gss特征的行人檢測方法，包括以下步驟：
步驟a、提取視頻序列中每一幀圖像的hog特征及l(fā)bp特征，根據(jù)每一幀圖像中的hog特征計算出圖像局部梯度塊之間的成對梯度自相似性的gss特征，同時根據(jù)lbp特征得到colbp共生特征；
步驟b、采用特征生成器fgm移除不對稱的gss特征，得到判別梯度自相似性dgss特征；
步驟c、基于hog特征與colbp共生特征訓(xùn)練的線性svm分類器移除圖像中的負(fù)樣本；對于剩余負(fù)樣本與正樣本，利用基于hog特征與dgss特征訓(xùn)練的real-adaboost分類器再次檢測每一幀圖像中的行人，獲得檢測結(jié)果。
進(jìn)一步地，作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟a中計算成對梯度自相似性gss特征，具體包括：利用hog特征對局部梯度塊進(jìn)行方向編碼，并通過計算每一個局部梯度塊與其水平翻轉(zhuǎn)局部梯度塊之間的距離得到距離矩陣，并根據(jù)距離矩陣計算出成對梯度自相似性的gss特征。
進(jìn)一步地，作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟a所得到的距離矩陣具體為：
dij＝min{d(hi,hj),d(hi',hj)}i,j＝1,2,.....m
其中，d表示距離，hi表示非翻轉(zhuǎn)局部梯度塊，hi’表示hi的水平翻轉(zhuǎn)局部梯度塊，d定義為歐氏距離。
進(jìn)一步地，作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟a中，根據(jù)距離矩陣計算出成對梯度自相似性的gss特征具體為：
根據(jù)距離矩陣，確定每一幀圖像中hog塊與其水平翻轉(zhuǎn)塊之間對稱的相似性矩陣：
其中，dmax與dmin分別表示一幀圖像中局部梯度塊之間的最大距離和最小距離，ε為接近于0的正數(shù)；dij表示距離矩陣；
采用sij矩陣的上三角矩陣sup獲得gss特征向量fgss，且采用冪次變換依次對每一對特征塊的gss特征進(jìn)行增強處理，及通過范數(shù)歸一化獲得成對梯度自相似性的gss特征。
進(jìn)一步地，作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟a根據(jù)圖像的lbp特征得到colbp共生特征，具體為：
定義每一對像素之間的共生模式{dx,dy,f1,f2}滿足以下約束：
其中{x1,y1}，{x2,y2}分別為像素a與b的坐標(biāo)，dx與dy分別表示像素a與b在x方向與y方向的距離之差，f1，f2分別表示像素a與b經(jīng)過特征提取后得到的像素值；f1，f2∈特征空間f；
獲取每一個lbp特征的等價模式，并將等價模式后的每一個lbp特征分成9個聚類，用特征空間f表示；及在滿足共生模式{dx,dy,f1,f2}的基礎(chǔ)上，確定colbp共生特征向量為：
cij＝count(dx,dy,fi,fj)
f＝lbpn,r,h,1≤i,j≤9
其中fi，fj是lbp特征空間f的聚類數(shù)；當(dāng)h＝0時，lbpn,r,h表示圖像的亮度值；當(dāng)h＝1時，lbpn,r,h表示圖像在水平方向的亮度梯度值；當(dāng)h＝2時，lbpn,r,h表示y方向的亮度梯度值，colbp(dx,dy,h)表示共生特征矩陣，cij表示所有滿足共生模式{dx,dy,f1,f2}的共生特征的數(shù)量。
本發(fā)明采用上述技術(shù)方案，能產(chǎn)生如下技術(shù)效果：
本發(fā)明主提供的基于colbp共生特征與gss特征的行人檢測方法，旨在改善因特征單一而造成的行人檢測不準(zhǔn)確問題?，F(xiàn)有方法通?；谝环N特征進(jìn)行檢測，效果往往不理想；而對于多特征組合的行人檢測方法，往往又造成特征的計算成本較高等問題。
本發(fā)明的有益效果主要體現(xiàn)在以下幾個方面：第一、在lbp與hog特征的基礎(chǔ)上進(jìn)一步得到更高層次的colbp共生特征與gss特征，增加了行人特征提取的可靠性；第二、本發(fā)明的colbp共生特征與梯度自相似gss特征分別來自于lbp與hog特征，本質(zhì)上降低特征計算的成本；第三、為了縮短分類器的訓(xùn)練時間，進(jìn)一步對gss特征進(jìn)行降維處理，得到具有更高判別能力的dgss判別特征；第四、采用兩級級聯(lián)的分類器實現(xiàn)對行人檢測的性能評估，第一級分類器采用基于hog特征與colbp共生特征訓(xùn)練的線性svm分類器移除每一幀圖像中的絕大多數(shù)負(fù)樣本，進(jìn)一步提高了第二級分類器的分類效率；第二級分類器采用基于hog特征與gss特征訓(xùn)練的real-adaboost強分類器實現(xiàn)完整的行人檢測。最后的檢測結(jié)果也表明，本發(fā)明所提方法具有較好的檢測效果。
附圖說明
圖1為本發(fā)明的整體流程圖。
圖2為gss特征描述行人的正樣本的平均自相似性矩陣。
圖3為α取不同值時的冪次變換。
圖4為每一個黑色像素與中心像素之間構(gòu)成一個共生特征，dx,dy<＝4。
圖5表示檢測窗口(共15x7個塊)，圖中直線表示經(jīng)過fgm降維后的成對判別dgss特征。
圖6(a)至圖6(d)表示本發(fā)明方法在部分場景圖像的檢測結(jié)果。
具體實施方式
下面結(jié)合說明書附圖對本發(fā)明的實施方式進(jìn)行描述。
如圖1所示，本發(fā)明提出一種基于colbp共生特征與gss特征的行人檢測方法，其實現(xiàn)思路為：首先計算出每一幀圖像的hog特征，進(jìn)一步計算出hog特征塊之間的成對梯度自相似性gss特征，同時根據(jù)lbp特征得到colbp共生特征；其次，為了降低特征計算的成本，本發(fā)明還采用fgm去除gss中的非信息分量，并產(chǎn)生dgss特征；最后采用兩級級聯(lián)的分類器對行人檢測的性能進(jìn)行評估。
本發(fā)明的基于colbp共生特征與gss特征的行人檢測方法的一個優(yōu)選實施方式，具體包括以下步驟：
步驟a、提取視頻序列中每一幀圖像的hog特征及l(fā)bp特征，根據(jù)每一幀圖像中的hog特征計算出圖像局部梯度塊之間的成對梯度自相似性的gss特征，同時根據(jù)lbp特征得到colbp共生特征。
首先，提取gss特征。由于hog在表示圖像局部梯度分布方面表現(xiàn)出優(yōu)越的性能，在檢測窗口中，本發(fā)明使用hog特征對局部梯度塊進(jìn)行方向編碼，并通過計算特征空間中的距離來測量塊之間的成對梯度自相似性gss特征。
設(shè)h＝{h1,h2,...,hm}表示檢測窗口內(nèi)的hog塊特征，其中hi表示第i個塊特征；并規(guī)定每一個塊特征有2*2個相鄰單元構(gòu)成，因此hi＝{hi1,hi2,hi3,hi4}可以進(jìn)一步表述為第i個塊的級聯(lián)直方圖。本發(fā)明通過計算hog塊之間的距離來衡量局部輪廓之間的相似性。設(shè)水平翻轉(zhuǎn)后的局部梯度塊特征hi’＝{hi3’,hi4’,hi1’,hi2’}表示塊特征hi的翻轉(zhuǎn)向量，定義距離矩陣dij如下：
dij＝min{d(hi,hj),d(hi',hj)}i,j＝1,2,.....m(1)
其中d表示距離，hi表示非翻轉(zhuǎn)局部梯度塊，hi’表示hi的水平翻轉(zhuǎn)局部梯度塊。d可以定義為歐氏距離。
為了確保相似性取值位于(0，1]范圍內(nèi)，本發(fā)明采用以下公式定義hog特征塊之間的相似性，確定每一幀圖像中hog塊與其水平翻轉(zhuǎn)塊之間對稱的相似性矩陣，所述相似性矩陣表示為：
其中dmax與dmin分別表示一幀圖像中局部梯度塊之間的最大距離和最小距離，ε為接近于0的正數(shù)。
由于相似性矩陣sij為對稱矩陣，因此只需要采用sij矩陣的上三角矩陣sup表征局部梯度塊之間的相似性。在hog特征空間中，sup中的每個元素表示翻轉(zhuǎn)和非翻轉(zhuǎn)塊與其對稱塊之間的相似性。梯度自相似特征fgss定義如下：
其中fgss的維度為n＝m*(m-1)/2。圖2給出了pets2009數(shù)據(jù)集中所有正訓(xùn)練樣本的平均相似性矩陣。
為了進(jìn)一步說明gss特征的判別能力，本發(fā)明采用冪次變換依次對每一對小塊的gss特征進(jìn)行增強處理，公式定義如下：
其中ɑ>0，圖3給出了ɑ取不同值時的冪次變換效果圖。
由于相似性矩陣sij中每個元素的取值在(0,1]范圍內(nèi)，該變換主要對0<ɑ<1或ɑ>1進(jìn)行對比度拉伸。因為置信度值相對較高的特征容易被區(qū)分，所以本發(fā)明設(shè)置ɑ的值對比拉伸在(0.5,1]范圍內(nèi)。從圖3可以看出，當(dāng)ɑ>1時產(chǎn)生了預(yù)期的對比拉伸。最后，通過l2范數(shù)歸一化gss＝fgss/║fgss║2。由此，可確定成對梯度自相似性的gss特征。
其次，提取colbp共生特征。共生特征可以通過一些預(yù)定義的共生模式來構(gòu)建。設(shè)a＝{x1,y1,f1}，b＝{x2,y2,f2}為兩個不同的像素點。則每一對像素之間的共生模式{dx,dy,f1,f2}滿足以下約束：
其中{x1,y1}，{x2,y2}分別為像素a與b的坐標(biāo)，dx與dy分別表示像素a與b在x方向與y方向的距離之差，f1，f2分別表示像素a與b經(jīng)過特征提取后得到的像素值，f1，f2∈特征空間f。模型如圖4所示，中心像素與每一個黑色像素構(gòu)成一個配對的共生特征。
給定中心像素cen，則lbp特征定義如下：
其中d表示鄰域像素的個數(shù)，r表示中心像素與鄰域像素之間的距離，i表示累加亮度值。
為了解決二進(jìn)制模式過多的問題，提高統(tǒng)計性，本發(fā)明采用“等價模式”對lbp算子的模式種類進(jìn)行降維。當(dāng)某個lbp所對應(yīng)的循環(huán)二進(jìn)制編碼從0到1或從1到0最多有兩次跳變時，該lbp所對應(yīng)的二進(jìn)制就稱為一個等價模式類，非等價模式都?xì)w為混合模式類。等價模式定義如下：
3x3鄰域的lbp轉(zhuǎn)換為等價模式之后，維度降到58維。本發(fā)明基于等價模式提出共生colbp共生特征。本發(fā)明從圖像的亮度和梯度域考慮lbp特征。由于lbp特征的旋轉(zhuǎn)不變性，本發(fā)明基于'1'的數(shù)量將58維等價的lbp模式分成8個聚類，所有非等價模式合并成另一類。結(jié)果，lbp特征空間f被劃分為9個bins，因此colbp直方圖由9×9＝81個維度組成。給定輸入窗口r和指示器h，則colbp共生特征向量通過以下方式生成：
其中fi，fj是lbp特征空間f的聚類數(shù)；當(dāng)h＝0時，lbpn,r,h表示圖像的亮度值；當(dāng)h＝1時，lbpn,r,h表示圖像在水平方向的亮度梯度值；當(dāng)h＝2時，lbpn,r,h表示y方向的亮度梯度值，colbp(dx,dy,h)表示共生特征矩陣，cij表示所有滿足共生模式{dx,dy,f1,f2}的共生特征的數(shù)量，此處cij＝9x9＝81。
步驟b、采用特征生成器fgm移除判別能力較低的gss特征，即移除信息不對稱的gss特征，得到判別梯度自相似性dgss特征；
高維度的特征向量可能會給樣本的訓(xùn)練和計算帶來很大的挑戰(zhàn)。為了縮短樣本的訓(xùn)練時間，移除信息不對稱的gss特征，因此有必要對gss特征進(jìn)行相應(yīng)的降維處理。本發(fā)明采用fgm作為降維工具，使得訓(xùn)練的分類器具有更好的預(yù)測能力。
給定一組經(jīng)過gss特征提取后的標(biāo)記樣本(xl,yl)，l＝1,2,...,l，其中xl表示特征向量，yl∈{-1,1}，若該樣本屬于行人的某個部位，則yl＝1，否則yl＝-1。fgm旨在找到關(guān)于線性svm的輸入特征的稀疏解，可以通過最小化以下結(jié)構(gòu)風(fēng)險函數(shù)來學(xué)習(xí)：
其中ξ1>0，w表示權(quán)重向量，特征選擇向量t＝{t1,t2,...,tn}∈t,t＝{t|tn∈{0,1},n＝1,2,...,n}控制svm決策超平面
經(jīng)過以上fgm降維之后，得到一組具有高判別度的特征子集dgss。本發(fā)明定義判別性梯dgss特征fdgss如下：
其中j表示gss特征經(jīng)過fgm降維后的維數(shù)。{gp1,gp2,...,gpj}表示上三角矩陣sup中的元素{g1,g2,...,gn}經(jīng)過降維后得到的特征向量，用fdgss表示。圖5給出了圖2經(jīng)過fgm降維后的部分成對判別信息。
步驟c、基于hog特征與colbp共生特征訓(xùn)練的線性svm分類器移除絕大部分負(fù)樣本，實現(xiàn)每一幀圖像中行人的初步檢測，然后針對剩余的少部分負(fù)樣本與絕大多數(shù)正樣本，基于hog特征與dgss特征訓(xùn)real-adaboost分類器，進(jìn)一步檢測出每一幀圖像中的行人，獲得檢測結(jié)果。
其中，第一級分類器，主要采用基于hog特征和colbp共生特征訓(xùn)練的線性svm分類器，移除每一幀圖像中大部分不包含行人的區(qū)域，然后將檢測結(jié)果作為第二級分類器的輸入。
線性svm分類器學(xué)習(xí)最佳超平面，將行人作為正樣本和背景最為負(fù)樣本，且最大程度的分離開來，然后將第一級分類器的輸出結(jié)果輸入到第二級分類器。svm分類器的訓(xùn)練過程如下：
step1：將視頻序列的若干幀圖像作為訓(xùn)練樣本，且提取訓(xùn)練樣本的hog特征。
step2：提取訓(xùn)練樣本的lbp特征，并采用“等價模式”進(jìn)行聚類處理，得到特征空間f，計算圖像局部區(qū)域之間的colbp共生特征。
step3：組合hog特征與colbp共生特征，得到訓(xùn)練數(shù)據(jù)。
step4：確定視頻序列中若干幀的圖像為測試樣本，根據(jù)step3得到的訓(xùn)練數(shù)據(jù)驗證測試樣本，獲得測試數(shù)據(jù)。
step5：采用svm算法對step3進(jìn)行分類訓(xùn)練，得到分類模型。
step6：在負(fù)樣本的訓(xùn)練數(shù)據(jù)的基礎(chǔ)上，加入一些基于hog特征與colbp共生特征的新的負(fù)樣本，重新產(chǎn)生新的基于hog特征與colbp共生特征數(shù)據(jù)。
step7：在step6中分類負(fù)樣本數(shù)據(jù)，記錄被誤分類的難例(hardexamples)數(shù)據(jù)。
step8：將難例添加到step3的訓(xùn)練數(shù)據(jù)中，重新采用svm分類，得到第一級分類模型。
step9：步驟step8中的第一級分類模型用于對step4中的測試數(shù)據(jù)進(jìn)行分類，移除每一幀圖像中大部分不包含行人的區(qū)域，然后將檢測結(jié)果輸入第二級real-adabooat分類器中。
其中，所述colbp共生特征參數(shù)的獲取過程如下：
(1)將檢測窗口劃分為16x16的單元；
(2)對于每個單元中的每一個像素，采用3x3的形式將周圍的8個像素與中心像素進(jìn)行計較，大于中心像素值的為1，否則為0；
(3)采用“等價模式”對lbp算子的模式種類進(jìn)行降維，然后將lbp特征空間劃分為9個bins，生成9x9＝81維的colbp直方圖，并對直方圖進(jìn)行歸一化處理；
(4)級聯(lián)生成colbp共生特征向量。
本發(fā)明選用的檢測圖片來自pets2009與tud-stadtmitte數(shù)據(jù)集，首先采用訓(xùn)練好的線性svm分類器對原圖像進(jìn)行逐區(qū)域檢測，初步檢測出每一幀圖像中的行人。
對于第二級分類器，主要用針對少部分負(fù)樣本與絕大多數(shù)正樣本，基于hog特征和gss特征訓(xùn)練的real-adaboost強分類器再次對每一幀圖像中行人進(jìn)行分類檢測，獲得圖像的檢測結(jié)果。
本發(fā)明基于real-adaboost算法進(jìn)行訓(xùn)練。所述算法對各參數(shù)先定義，具體為：
設(shè){(x1,y1),(x2,y2),...,(xn,yn)}為通過第一級線性svm分類器的候選輸入數(shù)據(jù)，其中xi表示訓(xùn)練樣本，yi＝{1,-1}表示分類標(biāo)號。將訓(xùn)練樣本x按照特征值的大小進(jìn)行平均劃分，得到nb個子區(qū)間bj。因此弱分類器可以定義為以下分段函數(shù)：
為了防止產(chǎn)生極值，令式中ε為一個無窮小的正數(shù)。
對于同一個區(qū)間，分別計算正樣本的權(quán)重和與負(fù)樣本的權(quán)重w，具體形式如下：
其中w+與w-分別表示正、負(fù)訓(xùn)練樣本的特征響應(yīng)的概率分布，
根據(jù)分段函數(shù)(12)的分類誤差e選擇最好的判別特征。判別特征越好，分類誤差e越低。
如果只考慮特征的判別能力，等式(13)是個不錯的選擇。本發(fā)明同時還考慮特征的計算成本。由于負(fù)樣本窗口的數(shù)目遠(yuǎn)大于正樣本窗口，尤其是在開始階段，因此整個檢測過程的執(zhí)行時間主要取決于負(fù)樣本窗口的數(shù)量。
其中l(wèi)表示檢測階段編號，nneg表示負(fù)樣本窗口的數(shù)量，ti表示弱分類器的計算成本。
由于nneg依賴于當(dāng)前階段的負(fù)樣本的數(shù)量，因此等式(14)與等式(15)近似相等。n表示全部的窗口數(shù)量，fpi表示第i個階段的負(fù)樣本點的比例。
為了平衡特征的判別能力和計算效率，對等式(13)增加另一項參數(shù)，得到以下等式：
其中β表示效率因子，本發(fā)明設(shè)為0.15。
為了提高特征選擇的速度和檢測器的效率，每次迭代的采樣窗口數(shù)為m＝60。在初期階段，當(dāng)強分類器過濾掉50％的負(fù)樣本時，調(diào)用第一個bootstrap。然后對第一級線性svm分類后未被移除的負(fù)樣本采用bootstrap自舉方法生成新的負(fù)樣本代替被過濾掉的負(fù)樣本，并繼續(xù)訓(xùn)練。每過濾掉一次50％的負(fù)樣本調(diào)用一次bootstrap。重復(fù)該過程，直到整體fp率(負(fù)樣本率)低于2*10-7或弱分類器的數(shù)量超過t?；谏鲜鰠?shù)的定義，real-adaboost分類器的訓(xùn)練過程如下：
step1：確定訓(xùn)練樣本總數(shù)n，每次迭代的采樣窗口數(shù)m，以及弱分類器的最大數(shù)目t。
step2：輸入候選訓(xùn)練集{(xi，yi)}，標(biāo)號集yi∈{-1，1}。
step3：分別初始化樣本權(quán)重wi＝1/n，h(xi)＝0。
step4：以第i個弱分類器的輸出結(jié)果更新樣本權(quán)重
step5：生成隨機窗口r，并利用hog特征生成gss特征；然后使用等式(12)計算w+與w-；最后選擇最優(yōu)的特征最小化等式(16)；如果fp<2*10-7，則停止，否則重復(fù)執(zhí)行step5，直到每次迭代的采樣窗口數(shù)大于m。
step6：使用等式(11)更新弱分類器hl(x)。
step7：更新強分類器hl+1(xi)；如果弱分類器的數(shù)量大于t，則輸出強分類器
對于所述gss特征參數(shù)，其由如下過程獲?。?/p>
(1)設(shè)置檢測窗口為64*128，每個單元的大小為8*8個像素，2*2個單元組成一個塊(block)。
(2)通過計算hog塊之間的歐氏距離得到自相似性gss特征。
(3)對gss特征進(jìn)行冪次變換。
(4)采用fgm對gss特征降維，得到dgss特征。
(5)級聯(lián)生成特征向量。
為評估本發(fā)明所提算法的性能，本發(fā)明基于線性svm分類器的檢測結(jié)果，采用real-adaboost分類器對原圖像進(jìn)行再次檢測，最終準(zhǔn)確的檢測出每一幀圖像中的行人，圖6(a)至圖6(d)給出了部分圖像的檢測結(jié)果。
綜上，本發(fā)明在lbp與hog特征的基礎(chǔ)上進(jìn)一步得到更高層次的colbp共生特征與gss特征，增加了行人特征提取的可靠性，最后的檢測結(jié)果也表明，本發(fā)明所提方法具有較好的檢測效果。
上面結(jié)合附圖對本發(fā)明的實施方式作了詳細(xì)說明，但是本發(fā)明并不限于上述實施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。
- 還沒有人留言評論。精彩留言會獲得點贊！