一种神经形态视觉采样方法及装置

摘要

本发明公开了一种神经形态视觉采样方法及装置，方法包括：采集当前场景中不同位置点的光信号并转化为亮度信号；将转化得到的亮度信号输入已训练的脉冲采样模型，以由所述脉冲采样模型对输入的亮度信号进行采样编码得到脉冲阵列信号；将所述脉冲阵列信号输入已训练的视觉任务模型，以由所述视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果。本发明不使用动态视觉传感器或积分视觉传感器获取脉冲阵列信号，而是通过神经网络进行神经形态的视觉采样，并将视觉分析计算任务与采样一体化，从而可以灵活定制多种视觉采样模型，以适应多场景，多任务的应用需求，提升自使用感知性能。

权利要求

1.一种神经形态视觉采样方法，其特征在于，所述方法应用于视觉传感器，包括：采集当前场景中不同位置点的光信号并转化为亮度信号；

将转化得到的亮度信号输入已训练的脉冲采样模型，以由所述脉冲采样模型对输入的亮度信号进行采样编码得到脉冲阵列信号，其中，通过循环神经网络对处理后的亮度信号进行采样编码得到脉冲阵列信号；

将所述脉冲阵列信号输入已训练的视觉任务模型，以由所述视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果；

其中，通过所述循环神经网络对处理后的亮度信号进行采样编码得到脉冲阵列信号，包括：通过所述循环神经网络中的积分编码网络对处理后的亮度信号进行积分编码得到积分型脉冲阵列信号；和/或，通过所述循环神经网络中的差分编码网络对处理后的亮度信号进差分编码得到差分型脉冲阵列信号。

2.根据权利要求1所述的方法，其特征在于，所述采集当前场景中的不同位置点的光信号并转化为亮度信号，包括：实时采集当前场景中不同位置点的光信号；

将采集到的光信号转换为电信号，并对电信号进行对数编码以得到亮度信号；

其中，针对当前场景转化得到的亮度信号为时间上连续且具有空间邻域关系的亮度信号。

3.根据权利要求1所述的方法，其特征在于，所述脉冲采样模型对输入的亮度信号进行采样编码得到脉冲阵列信号，包括：通过本脉冲采样模型中的卷积神经网络对所述亮度信号进行去噪处理和亮度自适应处理得到处理后的亮度信号，并输出到本脉冲采样模型中的循环神经网络中；

通过所述循环神经网络对处理后的亮度信号进行采样编码得到脉冲阵列信号。

4.根据权利要求3所述的方法，其特征在于，所述通过本脉冲采样模型中的卷积神经网络对所述亮度信号进行去噪处理和亮度自适应处理得到处理后的亮度信号，包括：通过所述卷积神经网络中的特征提取模块对同一时间不同位置点亮度信号组成的阵列进行特征提取并输出到卷积神经网络中的去噪模块和亮度自适应模块；

通过所述去噪模块对提取到的特征阵列进行去噪处理，得到去噪后的阵列并输出到卷积神经网络中的融合模块；

通过所述亮度自适应模块对提取到的特征进行亮度自适应处理，得到自适应处理后的阵列并输出到所述融合模块；

通过所述融合模块将同一时间不同位置点亮度信号组成的阵列、去噪后的阵列和自适应处理后的阵列进行融合，得到处理后的亮度信号。

5.根据权利要求1所述的方法，其特征在于，所述通过所述循环神经网络中的积分编码网络对处理后的亮度信号进行差分编码得到积分型脉冲阵列信号，包括：通过所述积分编码网络中的特征融合模块对隐藏层记录的积分信息、处理后的亮度信号在时间上的积分信息以及设定阈值进行融合，以生成积分型脉冲阵列信号。

6.根据权利要求1所述的方法，其特征在于，所述通过所述循环神经网络中的差分编码网络对处理后的亮度信号进差分编码得到差分型脉冲阵列信号，包括：通过所述差分编码网络中的特征融合模块对隐藏层记录的亮度信息、处理后的亮度信号在时间上的变化信息以及设定阈值进行融合，以生成差分型脉冲阵列信号。

7.根据权利要求1所述的方法，其特征在于，所述视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果，包括：当所述视觉任务模型用于目标识别时，通过所述视觉任务模型根据差分型脉冲阵列信号的时间维度特征和空间维度特征分别生成脉冲累积平面和感受野特征向量，根据所述脉冲累积平面和所述感受野特征向量识别得到目标识别结果。

8.根据权利要求1所述的方法，其特征在于，所述视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果，包括：当所述视觉任务模型用于图像重构时，通过所述视觉任务模型根据差分型脉冲阵列信号的时间维度特征生成感受野特征向量，并根据积分型脉冲阵列信号和所述感受野特征向量进行图像重构得到重构图像。

9.一种神经形态视觉采样装置，其特征在于，所述装置应用于视觉传感器，包括：光电转换模块，用于采集当前场景中不同位置点的光信号并转化为亮度信号；

脉冲采样编码模块，用于将所述光电转换模块转化得到的亮度信号输入已训练的脉冲采样模型，以由所述脉冲采样模型对输入的亮度信号进行采样编码得到脉冲阵列信号，其中，通过循环神经网络对处理后的亮度信号进行采样编码得到脉冲阵列信号；

视觉任务模块，用于将所述脉冲采样编码模块得到的脉冲阵列信号输入已训练的视觉任务模型，以由所述视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果；

其中，通过所述循环神经网络对处理后的亮度信号进行采样编码得到脉冲阵列信号，包括：通过所述循环神经网络中的积分编码网络对处理后的亮度信号进行积分编码得到积分型脉冲阵列信号；和/或，通过所述循环神经网络中的差分编码网络对处理后的亮度信号进差分编码得到差分型脉冲阵列信号。

说明书

一种神经形态视觉采样方法及装置

技术领域

[0001] 本发明涉及计算机视觉技术领域，具体涉及一种神经形态视觉采样方法及装置。

背景技术

[0002] 神经形态视觉传感器具有高时域分辨率、高动态范围、低数据冗余和低功耗等优势，在自动驾驶、无人机视觉导航等领域具有广阔的应用前景。目前常用的神经形态视觉传感器有DVS(dynamic vision sensor，动态视觉传感器)和IVS(Intelligent Vision sensor，积分视觉传感器)。

[0003] 在利用神经形态视觉传感器进行各类视觉任务(如识别、重构、分类)的现有方法中，一种是将神经形态视觉传感器输出的脉冲阵列信号转化为一帧帧的图片，并在此基础上应用传统视觉算法进行分析；另一种是通过深度网络提取脉冲阵列信号的时空特征，并执行后续视觉任务。

[0004] 无论采用哪种方法，都需要先通过神经形态视觉传感器对场景进行拍摄，再根据已有的神经形态表征设计网络并训练，采样模型固定，并不能适应多场景、多任务的应用需求。

发明内容

[0005] 本发明的目的是针对上述现有技术的不足提出的一种神经形态视觉采样方法及装置，该目的是通过以下技术方案实现的。

[0006] 本发明的第一方面提出了一种神经形态视觉采样方法，所述方法包括：

[0007] 采集当前场景中不同位置点的光信号并转化为亮度信号；

[0008] 将转化得到的亮度信号输入已训练的脉冲采样模型，以由所述脉冲采样模型对输入的亮度信号进行采样编码得到脉冲阵列信号；

[0009] 将所述脉冲阵列信号输入已训练的视觉任务模型，以由所述视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果。

[0010] 本发明的第二方面提出了一种神经形态视觉采样装置，所述装置包括：

[0011] 光电转换模块，用于采集当前场景中不同位置点的光信号并转化为亮度信号；

[0012] 脉冲采样编码模块，用于将所述光电转换模块转化得到的亮度信号输入已训练的脉冲采样模型，以由所述脉冲采样模型对输入的亮度信号进行采样编码得到脉冲阵列信号；

[0013] 视觉任务模块，用于将所述脉冲采样编码模块得到的脉冲阵列信号输入已训练的视觉任务模型，以由所述视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果。

[0014] 基于上述第一方面及第二方面所述的神经形态视觉采样方法及装置，本申请具有如下有益效果：

[0015] 本发明不使用动态视觉传感器或积分视觉传感器获取脉冲阵列信号，而是通过神经网络进行神经形态的视觉采样，并将视觉分析计算任务与采样一体化，从而可以灵活定制多种视觉采样模型，以适应多场景，多任务的应用需求，提升自使用感知性能。

附图说明

[0016] 此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

[0017] 图1为本发明根据一示例性实施例示出的一种神经形态视觉采样方法的实施例流程图；

[0018] 图2为本发明根据一示例性实施例示出的一种脉冲采样模型的结构示意图；

[0019] 图3为本发明示出的一种积分型脉冲阵列信号的示意图；

[0020] 图4为本发明示出的一种差分型脉冲阵列信号的示意图；

[0021] 图5为本发明根据一示例性实施例示出的一种视觉任务模型在目标识别场景中的结构示意图；

[0022] 图6为本发明根据一示例性实施例示出的一种视觉任务模型在图像重构场景中的结构示意图；

[0023] 图7为本发明根据一示例性实施例示出的一种神经形态视觉采样装置的结构示意图。

具体实施方式

[0024] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

[0025] 在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

[0026] 应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

[0027] 现有的神经形态视觉传感器中，动态视觉传感器也称为事件相机，与传统相机相比，其并未使用固定帧频的采样方式，而是异步将局部强度对比度编码为时间戳事件，其时间分辨率为10M event/s，可将高速运动事件记录为时空稀疏事件点阵，即差分型脉冲阵列，因此其适用于动态物体场景的应用，不适用于运动少的场景。而积分视觉传感器是将局部强度积分编码，并通过设定帧率同步发放得到的积分型脉冲阵列信号，其时间分辨率最高可达40KHz，可将高速运动编码为只包括0和1的脉冲三维时空阵列，其适用于静态物体场景的应用，不适用于运动多的场景。

[0028] 由此可见，两种类型的视觉传感器适用场景单一、采样模型固定，并不能适应多场景、多任务的应用需求。

[0029] 为解决上述技术问题，本发明不使用动态视觉传感器或积分视觉传感器获取脉冲阵列信号，而是提出一种由神经网络定义的神经形态视觉采样方案，并将视觉分析计算任务与采样一体化，从而可以灵活定制多种视觉采样模型，以适应多场景，多任务的应用需求，提升自使用感知性能。

[0030] 下面以具体实施例对本发明提出的神经形态视觉采样方案进行详细阐述。

[0031] 图1为本发明根据一示例性实施例示出的一种神经形态视觉采样方法的实施例流程图，该神经形态视觉采样方法应用在采样芯片上，如图1所示，该神经形态视觉采样方法包括如下步骤：

[0032] 步骤101：采集当前场景中不同位置点的光信号并转化为亮度信号。

[0033] 在一些实施例中，通过实时采集当前场景中不同位置点的光信号，并将采集到的光信号转换为电信号，并对电信号进行对数编码以得到亮度信号。

[0034] 其中，对于同一时刻采集的各个位置点的光信号经过光电转换后都会得到一个亮度信号，因此针对当前场景转化得到的亮度信号为时间上连续且具有空间邻域关系的亮度信号。也就是说，针对同一时刻，由不同位置点的亮度信号可以根据位置点的空间邻域光绪组成一个有序排列的亮度矩阵。

[0035] 步骤102：将转化得到的亮度信号输入已训练的脉冲采样模型，以由所述脉冲采样模型对输入的亮度信号进行采样编码得到脉冲阵列信号。

[0036] 在一些实施例中，参见图2所示的脉冲采样模型的详细结构，通过本脉冲采样模型中的卷积神经网络对所述亮度信号进行去噪处理和亮度自适应处理得到处理后的亮度信号，并输出到本脉冲采样模型中的循环神经网络中，进而由循环神经网络对处理后的亮度信号进行采样编码得到脉冲阵列信号。

[0037] 进一步地，对于卷积神经网络的具体处理流程包括：通过卷积神经网络中的特征提取模块对同一时间不同位置点亮度信号组成的阵列进行特征提取并输出到卷积神经网络中的去噪模块和亮度自适应模块，由去噪模块对提取到的特征阵列进行去噪处理，得到去噪后的阵列并输出到融合模块，同时由亮度自适应模块对提取到的特征进行亮度自适应处理，得到自适应处理后的阵列并输出到融合模块，最后通过融合模块将同一时间不同位置点亮度信号组成的阵列、去噪后的阵列和自适应处理后的阵列进行融合，得到处理后的亮度信号。

[0038] 其中，假设卷积神经网络输入的同一时间不同位置点亮度信号组成的阵列为W，自适应处理后的阵列为Wr，去噪后的阵列为Wn，融合模块的融合公式为W+αr*Wr+αn*Wn，其中αr和αn可根据场景需求选择，也可进行训练得到。

[0039] 进一步地，对于循环神经网络的具体处理流程包括通过循环神经网络中的积分编码网络对处理后的亮度信号进行差分编码得到积分型脉冲阵列信号，和/或，通过循环神经网络中的差分编码网络对处理后的亮度信号进差分编码得到差分型脉冲阵列信号。

[0040] 对于积分编码网络的处理流程包括：通过积分编码网络中的特征融合模块对隐藏层记录的积分信息、处理后的亮度信号在时间上的积分信息以及设定阈值进行融合，以生成积分型脉冲阵列信号。

[0041] 其中，积分编码网络的输出公式为o＝σ(i+h‑t)，其中i，h，t分别表示输入的亮度信号，隐藏层记录的积分信息与设定阈值，设定阈值t预先设置或训练得到，σ为sigmoid函数，其计算原理通过隐藏层记录的积分信息，亮度信号在时间上的积分与设定阈值作差得到输出。隐藏层的更新公式为h’＝h–o*t，h’为输出后更新的隐藏层，h为原隐藏层记录的积分信息。

[0042] 如图3所示，为生成的基于亮度积分发放的脉冲阵列信号，其在每一时刻对应有一个二值矩阵形式表征。

[0043] 需要说明的是，在不同的视觉任务场景中，可以通过改变积分编码网络中设定阈值t的数值可以改变积分编码网络的输出，如果视觉任务场景中需要输出积分脉冲阵列信号，那么设定阈值设置为合适值，如果视觉任务场景中不需要积分脉冲阵列信号，那么设定阈值可以设置很大一个值，使得输出为0。

[0044] 差分编码网络的处理流程包括：通过差分编码网络中的特征融合模块对隐藏层记录的亮度信息、处理后的亮度信号在时间上的变化信息以及设定阈值进行融合，以生成差分型脉冲阵列信号。

[0045] 其中，差分编码网络的输出公式为o＝σ(i–h‑t)–σ(h–i‑t)，其中i表示输入的亮度信号，h标识隐藏层记录的亮度信息，t为设定阈值，σ为sigmoid函数。隐藏层更新公式为h’＝o*o*i+(1–o*o)*h，h’为输出后更新的隐藏层，h为原隐藏层记录的亮度信息。

[0046] 如图4所示，为生成的基于亮度变化发放的脉冲阵列信号，其以事件四元组编码形式表征，四元组信息包括横坐标和纵坐标、时间、极性。其中，横坐标和纵坐标可以映射到场景中的位置点，极性表示的是亮度变化情况。

[0047] 需要说明的是，在不同的视觉任务场景中，可以通过改变差分编码网络中设定阈值t的数值可以改变差分编码网络的输出，如果视觉任务场景中需要输出差分脉冲阵列信号，那么设定阈值设置为合适值，如果视觉任务场景中不需要差分脉冲阵列信号，那么设定阈值可以设置很大一个值，使得输出为0。

[0048] 由此可见，通过灵活设置不同网络参数，可以改变脉冲采样模型输出的脉冲阵列信号的类型。

[0049] 步骤103：将所述脉冲阵列信号输入已训练的视觉任务模型，以由所述视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果。

[0050] 在一实施例中，当视觉任务模型用于目标识别时，可以通过所述视觉任务模型根据差分型脉冲阵列信号的时间维度特征和空间维度特征分别生成脉冲累积平面和感受野特征向量，根据所述脉冲累积平面和所述感受野特征向量识别得到目标识别结果。

[0051] 参见图5所示，在目标识别场景中，视觉任务模型提取差分型脉冲阵列信号的空间维度特征，并对空间维度特征进行重构生成脉冲累积平面，同时也提取差分型脉冲阵列信号的时间维度特征，并对时间维度特征进行提取生成感受野特征向量，进而目标识别模块根据脉冲累积平面和感受野特征向量进行目标识别，得到识别结果。

[0052] 其中，脉冲累积平面指的是由灰度值表示的一帧图像，图像中每个像素的灰度值是根据该像素位置对应的场景中的位置点在一段时间内的极性数值计算得到一个灰度值。

[0053] 在另一实施例中，当视觉任务模型用于图像重构时，通过视觉任务模型根据差分型脉冲阵列信号的时间维度特征生成感受野特征向量，并根据积分型脉冲阵列信号和所述感受野特征向量进行图像重构得到重构图像。

[0054] 参见图6所示，在图像重构场景中，视觉任务模型提取差分型脉冲阵列信号的时间维度特征，并对时间维度特征进行提取生成感受野特征向量，进而重构模块根据脉冲累积平面以及积分型脉冲阵列信号进行图像重构。

[0055] 其中，感受野特征向量用于重构物体轮廓和位置，积分型脉冲阵列信号用于重构物体细节纹理，通过对重构的物体轮廓和位置、物体细节纹理进行合并得到当前场景的重构图像。

[0056] 至此，完成上述图1所示流程，本发明不使用动态视觉传感器或积分视觉传感器获取脉冲阵列信号，而是通过神经网络进行神经形态的视觉采样，并将视觉分析计算任务与采样一体化，从而可以灵活定制多种视觉采样模型，以适应多场景，多任务的应用需求，提升自使用感知性能。

[0057] 图7为本发明根据一示例性实施例示出的一种神经形态视觉采样装置的实施例流程图，该神经形态视觉采样装置应用在采样芯片上，如图7所示，该神经形态视觉采样装置包括：

[0058] 光电转换模块710，用于采集当前场景中不同位置点的光信号并转化为亮度信号；

[0059] 脉冲采样编码模块720，用于将所述光电转换模块转化得到的亮度信号输入已训练的脉冲采样模型，以由所述脉冲采样模型对输入的亮度信号进行采样编码得到脉冲阵列信号；

[0060] 视觉任务模块730，用于将所述脉冲采样编码模块得到的脉冲阵列信号输入已训练的视觉任务模型，以由所述视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果。

[0061] 在一可选实现方式中，所述光电转换模块710，具体用于实时采集当前场景中不同位置点的光信号；将采集到的光信号转换为电信号，并对电信号进行对数编码以得到亮度信号；其中，针对当前场景转化得到的亮度信号为时间上连续且具有空间邻域关系的亮度信号。

[0062] 在一可选实现方式中，所述脉冲采样编码模块720，具体用于通过所述脉冲采样模型对输入的亮度信号进行采样编码得到脉冲阵列信号过程中，通过本脉冲采样模型中的卷积神经网络对所述亮度信号进行去噪处理和亮度自适应处理得到处理后的亮度信号，并输出到本脉冲采样模型中的循环神经网络中；通过所述循环神经网络对处理后的亮度信号进行采样编码得到脉冲阵列信号。

[0063] 在一可选实现方式中，所述脉冲采样编码模块720，具体用于通过本脉冲采样模型中的卷积神经网络对所述亮度信号进行去噪处理和亮度自适应处理得到处理后的亮度信号过程中，通过所述卷积神经网络中的特征提取模块对同一时间不同位置点亮度信号组成的阵列进行特征提取并输出到卷积神经网络中的去噪模块和亮度自适应模块；通过所述去噪模块对提取到的特征阵列进行去噪处理，得到去噪后的阵列并输出到卷积神经网络中的融合模块；通过所述亮度自适应模块对提取到的特征进行亮度自适应处理，得到自适应处理后的阵列并输出到所述融合模块；通过所述融合模块将同一时间不同位置点亮度信号组成的阵列、去噪后的阵列和自适应处理后的阵列进行融合，得到处理后的亮度信号。

[0064] 在一可选实现方式中，所述脉冲采样编码模块720，具体用于通过所述循环神经网络对处理后的亮度信号进行采样编码得到脉冲阵列信号过程中，通过所述循环神经网络中的积分编码网络对处理后的亮度信号进行差分编码得到积分型脉冲阵列信号；和/或，通过所述循环神经网络中的差分编码网络对处理后的亮度信号进差分编码得到差分型脉冲阵列信号。

[0065] 在一可选实现方式中，所述脉冲采样编码模块720，具体用于通过所述循环神经网络中的积分编码网络对处理后的亮度信号进行差分编码得到积分型脉冲阵列信号过程中，通过所述积分编码网络中的特征融合模块对隐藏层记录的积分信息、处理后的亮度信号在时间上的积分信息以及设定阈值进行融合，以生成积分型脉冲阵列信号。

[0066] 在一可选实现方式中，所述脉冲采样编码模块720，具体用于通过所述循环神经网络中的差分编码网络对处理后的亮度信号进差分编码得到差分型脉冲阵列信号过程中，通过所述差分编码网络中的特征融合模块对隐藏层记录的亮度信息、处理后的亮度信号在时间上的变化信息以及设定阈值进行融合，以生成差分型脉冲阵列信号。

[0067] 在一可选实现方式中，所述视觉任务模块730，具体用于通过视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果过程中，当所述视觉任务模型用于目标识别时，通过所述视觉任务模型根据差分型脉冲阵列信号的时间维度特征和空间维度特征分别生成脉冲累积平面和感受野特征向量，根据所述脉冲累积平面和所述感受野特征向量识别得到目标识别结果。

[0068] 在一可选实现方式中，所述视觉任务模块730，具体用于通过视觉任务模型对所述脉冲阵列信号进行视觉分析，得到分析结果过程中，当所述视觉任务模型用于图像重构时，通过所述视觉任务模型根据差分型脉冲阵列信号的时间维度特征生成感受野特征向量，并根据积分型脉冲阵列信号和所述感受野特征向量进行图像重构得到重构图像。

[0069] 上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

[0070] 对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[0071] 本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

[0072] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0073] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。