更新目标检测器的方法和装置

摘要

本发明公开一种更新目标检测器的方法和装置。所述目标检测器由多个子分类器组成，用于检测视频中的目标。所述方法包括：可信度判断步骤，判断所述目标检测器的可信度是否满足预定更新条件；以及更新步骤，如果所述可信度满足预定更新条件，则用新的子分类器取代所述多个子分类器中的至少一个分类能力最低的子分类器。根据本发明的更新目标检测器的方法和装置通过在检测过程中根据目标检测器的可信度来更新目标检测器中至少一个分类能力最低的子分类器，使得目标检测器能够适应视频中的目标的状态变化，从而鲁棒地检测和跟踪目标。

说明书

技术领域

本发明总体上涉及目标跟踪领域，更具体而言，本发明涉及一种更新目标检测器的方法和装置。

背景技术

目标跟踪是计算机视觉领域的一个重要问题，它是行为分析、异常检测等各种高层应用的基础，在视频监控系统中有着重要的意义。跟踪实质上是从观测到的图像序列中发现目标状态(用于表征目标的位置、尺寸、颜色以及其它参数)的问题。虽然很早就有人进行目标跟踪方面的研究，但是鲁棒的目标跟踪一直是本领域中一个非常有挑战性的课题。

为了在视频中鲁棒地跟踪对象，人们引入了各种各样的特征，比如梯度方向直方图(Histogram of Oriented Gradient，HOG)、Haar小波特征、局部二值模式(Local Binary Pattern，LBP)等等。

然而在跟踪过程中，目标的状态会产生变化，而这些变化了的状态是利用离线训练得到的目标检测器比较难检测到或者根本无法检测的情况。目标的状态变化有很多情况，其中光照的变化、目标姿势的变化以及遮挡(包括目标被其它对象遮挡、目标遮挡了其它对象以及目标被背景遮挡)是最重要的三种情况。

以行人跟踪为例，来说明现有技术的目标跟踪中存在的困难。图1是示出行人转向侧面的视频片段。如图1所示，当视频中行人由侧面转为正面或由正面转为侧面时，其姿势变化比较大。另外，在视频中显示行人侧面时，随着行人的行走，其腿部的姿势变化也比较大。在这种情况下，用离线训练得到的行人检测器很难鲁棒地检测到行人。图2是示出行人蹲下的视频片段。如图2所示，当行人从直立变为蹲下时，整个人的姿势变化非常大。在这种情况下，用离线训练得到的行人检测器根本无法检测到蹲下后的行人。

再以车辆跟踪为例，来说明现有技术的目标跟踪中存在的困难。当车辆在比如转弯、并线时，车辆的姿势发生较大变化。另外，当光照条件变化时，车辆的颜色会出现相应的变化。此外，道路上的车辆可能经常被其它车辆遮挡或遮挡其它车辆，或者被路障、道路两旁的树木等背景遮挡。在这些情况下，用离线训练得到的车辆检测器很难鲁棒地检测到目标车辆。

发明内容

针对以上及其它问题，本发明提出了一种更新目标检测器的方法和装置。根据本发明实施例的方法和装置使得目标检测器能够适应目标在视频中的状态变化。

根据本发明的一个方面，提供了一种更新目标检测器的方法。所述目标检测器由多个子分类器组成，用于检测视频中的目标。所述方法包括：可信度判断步骤，判断所述目标检测器的可信度是否满足预定更新条件；以及更新步骤，如果所述可信度满足预定更新条件，则用新的子分类器取代所述多个子分类器中的至少一个分类能力最低的子分类器。

根据本发明的另一方面，提供了一种更新目标检测器的装置。所述目标检测器由多个子分类器组成，用于检测视频中的目标。所述装置包括：更新判断单元，所述更新判断单元包括可信度判断单元，所述可信度判断单元被配置为判断所述目标检测器的可信度是否满足预定更新条件；以及更新执行单元，被配置为：如果所述可信度满足预定更新条件，则用新的子分类器取代所述多个子分类器中的至少一个分类能力最低的子分类器。

根据本发明的更新目标检测器的方法和装置通过在在线检测过程中根据目标检测器的可信度来更新目标检测器中至少一个分类能力最低的子分类器，使得目标检测器能够适应视频中的目标的状态变化，从而鲁棒地检测和跟踪目标。

根据本发明的另一方面，还提供了一种存储介质。所述存储介质包括机器可读的程序代码，当在信息处理设备上执行所述程序代码时，所述程序代码使得所述信息处理设备执行根据本发明的更新目标检测器的方法。

根据本发明的另一方面，还提供了一种程序产品。所述程序产品包括机器可执行的指令，当在信息处理设备上执行所述指令时，所述指令使得所述信息处理设备执行根据本发明的更新目标检测器的方法。

附图说明

本发明的以上和其它目的、特征和优点将通过参考下文中结合附图所给出的描述而得到更好的理解。在所有附图中，相同或相似的附图标记表示相同或者相似的部件。在所述附图中：

图1是示出行人转向侧面的视频片段；

图2是示出行人蹲下的视频片段；

图3是本发明的实施例中所使用的目标检测器的前20个子分类器所对应的HOG块的位置的示例性示图；

图4是示出根据本发明的实施例的更新目标检测器的方法的流程图；

图5是示出根据本发明的实施例的更新步骤的流程图；

图6是示出根据本发明的另一实施例的更新步骤的流程图；

图7A示意性地示出10个正面样本；

图7B示意性地示出在根据本发明实施例的更新目标检测器的方法的更新步骤中从目标检测器中去除的3个子分类器的示图；

图7C示意性地示出在根据本发明实施例的更新目标检测器的方法的更新步骤中选出的3个新的子分类器的示图；

图8是示出根据本发明的另一实施例的更新目标检测器的方法的流程图；

图9是根据本发明的实施例的更新目标检测器的装置的示意性框图；

图10是根据本发明的另一实施例的更新目标检测器的装置的示意性框图；

图11是示出了可用于实施根据本发明实施例的方法和装置的计算机的示意性框图。

具体实施方式

下面参照附图来说明本发明的实施例。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意，为了清楚的目的，附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。

目标检测器

现有技术中存在多种由多个子分类器构成的目标检测器，例如，在Marco Pedersoli等人的文章“Boosting Histograms of Oriented Gradientsfor Human Detection”(http://lear.inrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf，2009年8月11日最后访问)中公开了一种这样的目标检测器。为了下文描述方便，首先简要描述一下目标检测器。

作为示例，使用增强(Boosting)方法结合梯度方向直方图(Histogramof Oriented Gradient，HOG)特征来训练目标检测器。使用Boosting方法的好处是能够得到一个更加连续的输出，使得跟踪和目标检测器的更新更加容易实现。同样，为了使更新能够鲁棒地进行，应用HOG特征中每一个统计值作为一个弱分类器(对应于子分类器)。这样做的主要理论基础是在每一个HOG块中，第一强的梯度方向占据了主导地位。因此，只使用一个统计值就已经很大程度上代表了这个块中的信息。这样，可以在一个图像中得到多个弱分类器(为下文描述方便，记为M个弱分类器，M为自然数)。可以使用多个手动标定的目标图像作为正面测试样本，以及多个不含目标的图像作为负面测试样本，来训练目标检测器。将这些正面样本和负面样本提供给Boosting算法执行装置进行训练。Boosting算法是本领域技术人员公知的，因此在这里不具体描述其执行过程。

经过训练，选取分类能力最强的弱分类器(记为T个，T为自然数且小于M)作为子分类器构成目标检测器。根据发明人所构建的一个目标检测器实例，可以正确地判断约95％的正面测试样本和负面测试样本。

作为示例，可以使用以上方法来构造一个行人检测器。图3示例性地示出该行人检测器的前20个子分类器所对应的HOG块的位置。

本领域技术人员应当理解，以上给出的示例仅为说明目的，而不是要将本发明限制于此。例如，可以以不同尺寸的图像来训练目标检测器，可以标定不同数目的正面样本和负面样本，目标检测器可以包含更多或更少的子分类器，可以选取不同的特征来训练目标检测器等等。

目标检测器的更新方法

以下结合具体实施例和附图来描述目标检测器的更新方法。根据本发明的实施例，在对视频进行在线检测的过程中实时更新目标检测器。

应用根据本发明实施例的更新目标检测器的方法的环境是待检测的视频图像(以下简称视频)已输入到目标检测器中，并已人工或自动地从一帧图像中确定目标。在视频被连续地输入到目标检测器中的过程中，目标检测器对目标进行检测和跟踪。本领域技术人员应当清楚，以上这些过程可以以各种现有技术来实现。

图4是示出根据本发明的实施例的更新目标检测器的方法的流程图。该更新目标检测器的方法包括可信度判断步骤S401和更新步骤S402。

在可信度判断步骤S401中，判断目标检测器的可信度(也称为置信度)是否满足预定更新条件。通常，在对每一帧图像进行检测时，都可以得到组成目标检测器的各个子分类器的分类能力。可以根据各个子分类器的分类能力来计算该目标检测器的可信度。在本发明的实施例中，作为示例，从每一帧图像中获得X个正面样本和Y个负面样本，用于计算目标检测器的可信度，X和Y是自然数。可以根据不同水平的检测要求，使用更多或更少的样本来计算目标检测器的可信度。现有技术中有多种计算检测器的可信度的方法，例如，在Navneet Dalal和Bill Triggs的文章“Histograms of Oriented Gradients for Human Detection”(http://iselab.cvc.uab.es/files/Publications/2007/PDF/PGV2007.pdf，2009年8月11日最后访问)中公开了一种计算行人检测器的可信度的方法。本领域技术人员应当理解，可以方便地使用这些方法来计算目标检测器的可信度。另外，可以根据不同水平的检测要求，人工地或自动地设定适当的预定阈值。

根据本发明的一个实施例，在对视频进行在线检测的过程中，目标检测器每检测完一帧图像，就针对该帧图像计算目标检测器的可信度。然后判断所述可信度是否低于预定阈值。如果低于预定阈值，则进行更新。

根据本发明的另一实施例，在对视频进行在线检测的过程中，每隔预定时间或者预定数目的帧判断目标检测器针对当前帧和/或紧邻当前帧的至少一个在前帧的可信度是否低于预定阈值。作为示例，每隔2帧检查一次目标检测器，判断目标检测器针对当前帧和/或紧邻当前帧的前一帧或前两帧的可信度是否低于预定阈值。作为另一示例，每隔100毫秒检测一次目标检测器，判断所述目标检测器针对当前帧和/或紧邻当前帧的至少一个在前帧的可信度是否低于预定阈值。如果低于预定阈值，则进行更新。

根据本发明的另一实施例，所述可信度判断步骤被配置为在对视频进行在线检测的过程中，判断目标检测器针对当前帧和/或紧邻当前帧的至少一个在前帧的可信度分布是否符合预定模式。作为示例，当目标检测器针对当前帧和/或紧邻当前帧的至少一个在前帧的可信度分布呈现下降趋势时，认为目标检测器需要更新。由于是对目标检测器的变化趋势进行判断，而不是针对单个帧进行判断，因此该实施例使得可以避免在由于跟踪的突然抖动或一个暂时的跟踪失败而导致目标检测器的可信度瞬时下降时，对目标检测器进行不必要的更新，并由此影响目标检测器的后续检测。

继续参考图4，如果在步骤S401中判断目标检测器的可信度满足预定更新条件，则在更新步骤S402中用新的子分类器取代目标检测器中所包含的多个子分类器中的至少一个分类能力最低的子分类器。

图5示出根据本发明的实施例的更新步骤的流程图。如图5所示，更新步骤S402包括以下步骤：

步骤S501：针对当前帧和/或紧邻当前帧的至少一个在前帧，从目标检测器的所有子分类器(例如，在前文所述的例子中为T个子分类器)中去除分类能力最低的N个子分类器，N为自然数，保留其余子分类器(例如T-N个)。

步骤S502：利用备选子分类器池中的子分类器对所述当前帧和/或紧邻当前帧的至少一个在前帧进行分类，并从备选子分类器池中选取分类能力最高的N个子分类器作为新的子分类器。可以从所有可用的子分类器(例如前文所述的M个子分类器)中选取(例如随机地选取)W个子分类器，以形成所述备选子分类器池，W为自然数。形成备选子分类器池的步骤可以在在线检测的过程中进行(例如，在步骤S502开始时进行)。也可以使用从外部输入的备选子分类器池。

步骤S503：利用所述N个新的子分类器与目标检测器中的其余T-N个子分类器一起形成新的目标检测器。

在上述实施例中，步骤S501和步骤S502的先后顺序也可以颠倒。另外，可以理解，上述步骤S501和S502中所去除和选取的子分类器的数目可以根据需要而确定，比如，也可以是1个、2个、3个、4个或者更多个。但是在实践中，更新数目太多的话可能反而会使目标检测器的能力进一步下降，因此一般来说更新3个左右子分类器为宜。

在本发明的一个实施例中，在步骤S502中，在从备选子分类器池中选取新的子分类器之前，将在步骤S501中去除的分类能力最低的N个子分类器放到备选子分类器池中，以便使这N个子分类器也参与随后的选取。另外，在该实施例中，为了不使备选子分类器池中出现重复的子分类器，可以将选取出的N个新的子分类器从备选子分类器池中去除。

图6示出根据本发明的另一实施例的更新步骤的流程图。如图6所示，更新步骤S402包括以下步骤：

步骤S601：针对当前帧和/或紧邻当前帧的至少一个在前帧，从目标检测器的所有子分类器(例如，在前文所述的例子中为T个子分类器)中去除分类能力最低的1个子分类器，保留其余子分类器(例如T-1个子分类器)。

步骤S602：利用备选子分类器池中的子分类器对所述当前帧和/或紧邻当前帧的至少一个在前帧进行分类，并从备选子分类器池中选取1个分类能力最高的子分类器作为新的子分类器。

步骤S603：利用所述1个新的子分类器与目标检测器中的其余T-1个子分类器一起形成新的目标检测器。

总计重复执行N次步骤S601至S603，以形成更新了N个子分类器的目标检测器。

根据本发明的一个实施例，在从备选子分类器池中选择子分类器之前，对所述子分类器池中的子分类器进行预筛选。例如，可以计算每一个子分类器在当前帧中与紧邻当前帧的至少一个在前帧中的所在位置上的颜色特征的相似度，并选择颜色相似度较高的位置所对应的子分类器。另外，还可以检查每个子分类器所在的位置，并向位于边缘和角落的子分类器分配较低的被选中的权重。这样的过程可以使更新步骤中选取的子分类器更加可以置信。这种预筛选过程也可以在形成备选子分类器池的过程中使用。

图7A示意性地示出10个正面样本，图7B示意性地示出在更新步骤中从目标检测器中去除的3个子分类器的示图，图7C示意性地示出在更新步骤中选出的3个新的子分类器的示图。在图7A-7C所示的示例中，是以行人作为检测目标。从图7A-7C中可见，当样本中的目标行人弯腰时，行人的相应身体部位已经不在图7B中所显示的3个子分类器的位置上，因此这3个子分类器无法对行人的相应身体部位进行分类。在图7C中，所选取的3个新的子分类器分别处于行人当前的身体部位的位置上，可以很好地对行人的相应身体部位进行分类。

图8示出根据本发明的另一实施例的更新目标检测器的方法的流程图。在该实施例中，步骤S801和S802与图4所示的实施例中的可信度判断步骤S401和更新步骤S402相同。但是，在图8所示的实施例中，在更新步骤S802之后，再次判断目标检测器的可信度是否满足预定更新条件(步骤S801)，若是，则重复所述更新步骤，以进一步改善目标检测器。优选地，当进行了一定次数的更新步骤之后，如果目标检测器的可信度仍不能满足要求，则停止本次更新流程，以避免由于引入太多新的子分类器而严重影响目标检测器的健壮性。

本领域技术人员应当清楚，可以在本发明的精神和范围内，对以上所述的各个实施例及示例进行各种组合。

更新的约束条件

为了减少更新导致的风险，可以在某些特定情况下暂停更新目标检测器的方法中的更新步骤。

根据本发明的一个实施例，当候选检测目标的颜色特征发生显著变化时，暂停更新步骤。当候选检测目标的颜色特征发生显著变化时，表明，例如，有可能光照发生了显著变化，而不是目标本身发生变化。因此，在这种情况下，某些子分类器的分类能力降低只是反映了所述光照的变化，而不意味着这些子分类器的分类能力真正降低。此时如果更新目标检测器，反而有可能降低目标检测器的检测能力。

这里，颜色特征包括但不限于例如RGB特征、HIS(Hue，Intensity，Saturation)(色度、亮度、饱和度)特征、HSV(Hue，Saturation，Value)(色度、饱和度、纯度)特征等。例如，可以利用基于例如RGB空间、HIS空间或HSV空间的颜色直方图(Histogram of Color，HC)特征来判断相应的颜色特征的改变程度是否超过了预定阈值。如果是，则判断颜色特征发生了显著变化。所述预定阈值可以根据实际检测要求而人工地或自动地设定。本领域技术人员应当清楚，可以使用任何颜色特征检测方法来检测颜色特征，因此在这里不对其进行具体描述。

根据本发明的另一个实施例，当候选检测目标的颜色特征的可信度低时，暂停更新步骤。颜色特征的可信度表示利用该颜色特征可以识别出目标的可信程度。可信度降低例如可能是因为前述的颜色特征发生显著变化的情况造成的，或者是有可能跟踪出现了抖动或者一个暂时的跟踪失败。因此，类似地，此时更新子分类器反而有可能会降低检测器的检测能力。另外，本领域技术人员可以采用多种方式计算颜色特征的可信度，例如可以采用欧几里德距离方法、巴氏(Bhattacharyya)距离方法等等来计算候选目标的颜色直方图特征与目标模板(其通过手工标注而确定，或者被确定为目标检测器所检测的视频中初始出现的目标)的颜色直方图特征之间的距离，因此在这里不对其进行具体描述。

根据本发明的另一个实施例，当目标与其它目标接近、被其它目标遮挡或者遮挡了其它目标时，暂停更新步骤。本领域技术人员可以利用现有的、正在开发的和将要开发的各种方法来判断出以上的接近和遮挡的情况。另外，目标与其它目标接近、被其它目标遮挡或者遮挡了其它目标等各种情形可以是从本发明的实施方式外部输入的条件。因此在这里不对如何判断接近和遮挡进行具体描述。

通过进行上述约束，可以使目标检测器的在线更新的鲁棒性得到明显改善。

更新目标检测器的装置

以下结合具体实施例和附图来描述更新目标检测器的装置(以下简称更新装置)。

图9是根据本发明的实施例的更新目标检测器的装置的示意性框图。如图9所示，更新装置900包括更新判断单元901和更新执行单元902。其中，更新判断单元901包括可信度判断单元9011。

根据本发明的一个实施例，可信度判断单元9011被配置为判断目标检测器的可信度是否满足预定更新条件。目标检测器由多个子分类器组成，用于检测视频中的目标。更新执行单元902被配置为：如果可信度判断单元9011判断出可信度满足预定更新条件，则用新的子分类器取代多个子分类器中的至少一个分类能力最低的子分类器。

根据本发明的另一个实施例，可信度判断单元9011还被配置为在对视频进行在线检测的过程中，在目标检测器每检测完视频中的一帧图像时，判断所述目标检测器针对该帧图像的可信度是否低于预定阈值。

根据本发明的另一个实施例，可信度判断单元9011还被配置为在目标检测器对视频进行在线检测的过程中，每隔预定时间或者预定数目的帧判断目标检测器针对当前帧和/或紧邻当前帧的至少一个在前帧的可信度是否低于预定阈值。

根据本发明的另一个实施例，可信度判断单元9011还被配置为在目标检测器对视频进行在线检测的过程中，判断目标检测器针对当前帧和/或紧邻当前帧的至少一个在前帧的可信度分布是否符合预定模式。

根据本发明的另一个实施例，更新执行单元902还被配置为：从备选子分类器池中选取新的子分类器。如上所述，所述备选子分类器池是由从预先获得的所有可用的子分类器中选取的部分子分类器构成的。

根据本发明的另一个实施例，更新执行单元902还被配置为：在从备选子分类器池中选取新的子分类器之前，将所述至少一个分类能力最低的子分类器放回备选子分类器池中。

根据本发明的另一个实施例，更新执行单元902还被配置为：利用备选子分类器池中的子分类器对当前帧或紧邻当前帧的至少一个在前帧进行分类，并且从备选子分类器池中选取至少一个分类能力最高的子分类器作为所述新的子分类器。

根据本发明的另一个实施例，更新执行单元902还被配置为：在从备选子分类器池中选择子分类器之前，对备选子分类器池中的子分类器进行预筛选。

图10是根据本发明的另一实施例的目标检测器的更新装置的示意性框图。与图9相比，在图10所示的更新装置1000中，更新判断单元1001还包括更新约束单元10012。更新约束单元10012被配置为在以下情况下使所述更新执行单元1002不工作：候选检测目标的颜色特征发生显著变化；候选检测目标的颜色特征的可信度低；或者候选检测目标与其它目标接近、被其它目标遮挡或遮挡了其它目标。

图10所示的实施例中的其它单元与图9所示的实施例中的相应单元的功能相同。关于各个单元的操作的进一步细节，可以参考以上所述的目标检测器的更新方法的各个实施例，这里不再详细描述。

上述装置中各个组成模块、单元可以通过软件、固件、硬件或其组合的方式进行配置。配置可使用的具体手段或方式为本领域技术人员所熟知，在此不再赘述。在通过软件或固件实现的情况下，从存储介质或网络向具有专用硬件结构的计算机(例如图11所示的通用计算机1100)安装构成该软件的程序，该计算机在安装有各种程序时，能够执行各种功能等。

在图11中，中央处理单元(CPU)1101根据只读存储器(ROM)1102中存储的程序或从存储部分1108加载到随机存取存储器(RAM)1103的程序执行各种处理。在RAM 1103中，还根据需要存储当CPU 1101执行各种处理等等时所需的数据。CPU 1101、ROM 1102和RAM 1103经由总线1104彼此连接。输入/输出接口1105也连接到总线1104。

下述部件连接到输入/输出接口1105：输入部分1106(包括键盘、鼠标等等)、输出部分1107(包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)等，和扬声器等)、存储部分1108(包括硬盘等)、通信部分1109(包括网络接口卡比如LAN卡、调制解调器等)。通信部分1109经由网络比如因特网执行通信处理。根据需要，驱动器1110也可连接到输入/输出接口1105。可拆卸介质1111比如磁盘、光盘、磁光盘、半导体存储器等等可以根据需要被安装在驱动器1110上，使得从中读出的计算机程序根据需要被安装到存储部分1108中。

在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可拆卸介质1111安装构成软件的程序。

本领域的技术人员应当理解，这种存储介质不局限于图11所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1111。可拆卸介质1111的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM 1102、存储部分1108中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。

本发明还提出一种存储有机器可读取的指令代码的程序产品。所述指令代码由机器读取并执行时，可执行上述根据本发明实施例的方法。

相应地，用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本发明的公开中。所述存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。

在上面对本发明具体实施例的描述中，针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

此外，本发明的方法不限于按照说明书中描述的时间顺序来执行，也可以按照其他的时间顺序地、并行地或独立地执行。因此，本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。

尽管上面已经通过对本发明的具体实施例的描述对本发明进行了披露，但是，应该理解，上述的所有实施例和示例均是示例性的，而非限制性的。本领域的技术人员可在所附权利要求的精神和范围内设计对本发明的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本发明的保护范围内。