宠物鼻纹识别方法、装置、计算机设备及存储介质

摘要

本发明公开了一种宠物鼻纹识别方法、装置、计算机设备及存储介质，应用于人工智能技术领域，用于解决现有技术对多毛的宠物进行识别时识别精度低、识别成本高的技术问题。本发明提供的方法包括：获取带有宠物鼻纹的原始图片，通过预先训练好的鼻纹图像识别模型识别该原始图片中的鼻纹图像；通过预先训练好的鼻纹识别模型对该鼻纹图像进行鼻纹特征提取，得到该鼻纹图像的待验证的特征向量；分别计算该待验证的特征向量与档案库中存储的各宠物的特征向量的欧氏距离；当计算的该欧氏距离小于第一预设值时，确定该待验证特征向量对应原始图片中的宠物与该档案库中对应计算的宠物为同一宠物。

说明书

技术领域

本发明涉及人工智能技术领域，尤其涉及一种宠物鼻纹识别方法、装置、计算机设备及存储介质。

背景技术

随着人们生活质量的提升，宠物在人们生活中扮演着越来越重要的角色，由此衍生出宠物管理、宠物保险等应用场景。目前对于宠物进行识别主要有两种识别方式，分别为生物识别技术和非生物识别技术。其中，非生物识别技术又称RFID(Radio FrequencyIdentification，射频识别技术)宠物识别技术，识别芯片靠扫描仪发出的信号产生感应电流，靠这些能量，将存储在芯片中的信息发送出去，并被扫描仪接收和识别。需要在宠物体内进行植入，且需要专业设备发射信号才能进行识别，对宠物可能造成伤害，且使用不方便。

其中，生物识别技术包括面部识别、虹膜识别、声纹识别和步态识别等等。面部识别在人脸识别中精度较高，但是对于多毛发的宠物面部识别精度较低。虹膜识别虽然具备唯一性，且精度高，但是需要专业设备采集图像，开发成本高，使用不方便。声纹和步态也具备唯一性，理论上可行，但技术不够成熟。

目前还没有一种比较好的对宠物进行识别的技术，使得在对宠物进行识别时既不对宠物造成伤害，又在不投入过高成本的基础上对宠物进行精准识别。

发明内容

本发明实施例提供一种宠物鼻纹识别方法、装置、计算机设备及存储介质，以解决现有技术对多毛的宠物进行识别时识别精度低、识别成本高的技术问题。

一种宠物鼻纹识别方法，该方法包括：

获取带有宠物鼻纹的原始图片，通过预先训练好的鼻纹图像识别模型识别该原始图片中的鼻纹图像；

通过预先训练好的鼻纹识别模型对该鼻纹图像进行鼻纹特征提取，得到该鼻纹图像的待验证的特征向量；

分别计算该待验证的特征向量与档案库中存储的各宠物的特征向量的欧氏距离；

当计算的该欧氏距离小于第一预设值时，确定该待验证特征向量对应原始图片中的宠物与该档案库中对应计算的宠物为同一宠物。

一种宠物鼻纹识别装置，包括：

图像识别模块，用于获取带有宠物鼻纹的原始图片，通过预先训练好的鼻纹图像识别模型识别该原始图片中的鼻纹图像；

特征提取模块，用于通过预先训练好的鼻纹识别模型对该鼻纹图像进行鼻纹特征提取，得到该鼻纹图像的待验证的特征向量；

计算模块，用于分别计算该待验证的特征向量与档案库中存储的各宠物的特征向量的欧氏距离；

宠物确定模块，用于当计算的该欧氏距离小于第一预设值时，确定该待验证特征向量对应原始图片中的宠物与该档案库中对应计算的宠物为同一宠物。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述宠物鼻纹识别方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述宠物鼻纹识别方法的步骤。

本发明提出的宠物鼻纹识别方法、装置、计算机设备及存储介质，首先获取带有宠物鼻纹的原始图片，通过预先训练好的鼻纹图像识别模型识别该原始图片中的鼻纹图像，然后通过预先训练好的鼻纹识别模型对该鼻纹图像进行鼻纹特征提取，得到该鼻纹图像的待验证的特征向量，分别计算该待验证的特征向量与档案库中存储的各宠物的特征向量的欧氏距离，当计算的该欧氏距离小于第一预设值时，确定该待验证特征向量对应原始图片中的宠物与该档案库中对应计算的宠物为同一宠物。整个识别过程只需要通过摄像头采集宠物带有鼻纹的图像即可，降低了宠物识别的成本，且由于鼻纹具有唯一性，通过预先训练好的鼻纹图像识别模型和鼻纹识别模型对该鼻纹图像中的鼻纹进行向量识别，并通过与档案库中存储的各宠物的特征向量进行比对，即可以准确的识别出该宠物的唯一性，识别过程精准，且识别效率高。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中宠物鼻纹识别方法的一应用环境示意图；

图2是本发明一实施例中宠物鼻纹识别方法的一流程图；

图3是本发明一实施例中宠物鼻纹识别方法的一应用场景流程图；

图4是本发明一实施例中训练鼻纹图像识别模型的流程图；

图5是本发明一实施例中训练鼻纹识别模型的流程图；

图6是本发明一实施例中宠物鼻纹识别装置的结构示意图；

图7是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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例，都属于本发明保护的范围。

本申请提供的宠物鼻纹识别方法，可应用在如图1的应用环境中，其中，该计算机设备包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。

在一实施例中，如图2所示，提供一种宠物鼻纹识别方法，以该方法应用在图1中的计算机设备为例进行说明，包括如下步骤S101至S104。

S101、获取带有宠物鼻纹的原始图片，通过预先训练好的鼻纹图像识别模型识别该原始图片中的鼻纹图像。

其中，该带有宠物鼻纹的原始图片为需要识别的宠物鼻纹图片，可以从网上爬取，也可以通过用户的手机进行拍摄得到。

进一步地，该方法还包括：

根据识别到的所述鼻纹对所述原始图片进行裁剪；

通过预先训练好的鼻纹图像识别模型识别该裁剪后的原始图片中的鼻纹图像。

其中，图4是本发明一实施例中训练鼻纹图像识别模型的流程图，如图4 所示，首先对样本图像进行搜集，在对搜集的样本图像进行人工标注，主要是标注样本图像中的鼻纹区域，然后将该携带有标注信息的样本图像分为训练样本集和测试样本集，通过训练样本集对该鼻纹图像识别模型进行训练，通过该测试样本集对该鼻纹图像识别模型进行测试，通过训练结果和测试结果综合判定该鼻纹图像识别模型是否训练达标。

S102、通过预先训练好的鼻纹识别模型对该鼻纹图像进行鼻纹特征提取，得到该鼻纹图像的待验证的特征向量。

图5是本发明一实施例中训练鼻纹识别模型的流程图，如图5所示，首先对鼻纹样本图像进行采集，在对搜集的鼻纹样本图像进行整理，然后将整理后的鼻纹样本图像分为鼻纹训练样本集和鼻纹测试样本集，通过鼻纹训练样本集对该鼻纹识别模型进行训练，通过该鼻纹测试样本集对该鼻纹识别模型进行测试，通过训练结果和测试结果综合判定该鼻纹识别模型是否训练达标。

S103、分别计算该待验证的特征向量与档案库中存储的各宠物的特征向量的欧氏距离。

欧氏距离是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度，即该点到原点的距离。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

S104、当计算的该欧氏距离小于第一预设值时，确定该待验证特征向量对应原始图片中的宠物与该档案库中对应计算的宠物为同一宠物。

在其中一个实施例中，该宠物鼻纹识别方法还包括：

根据预先得到的宠物的特征向量建立宠物档案库，以便对待识别的宠物进行验证。

图3是本发明一实施例中宠物鼻纹识别方法的一应用场景流程图，如图3 所示，通过对原始图片进行采集，然后对采集的图像进行鼻纹检测和鼻纹识别，根据识别的宠物鼻纹对宠物进行建档，在有需要识别的宠物鼻纹图像时，将识别的鼻纹与建档宠物的鼻纹进行一一比对，判断待识别的宠物是否为建档宠物中的某一只。

可以理解地，当计算的该欧氏距离大于或者等于该第一预设值时，确定该待验证特征向量对应原始图片中的宠物与该档案库中对应计算的宠物为不同宠物。

本实施例提出的宠物鼻纹识别方法，首先获取带有宠物鼻纹的原始图片，通过预先训练好的鼻纹图像识别模型识别该原始图片中的鼻纹图像，然后通过预先训练好的鼻纹识别模型对该鼻纹图像进行鼻纹特征提取，得到该鼻纹图像的待验证的特征向量，分别计算该待验证的特征向量与档案库中存储的各宠物的特征向量的欧氏距离，当计算的该欧氏距离小于第一预设值时，确定该待验证特征向量对应原始图片中的宠物与该档案库中对应计算的宠物为同一宠物。整个识别过程只需要通过摄像头采集宠物带有鼻纹的图像即可，降低了宠物识别的成本，且由于鼻纹具有唯一性，通过预先训练好的鼻纹图像识别模型和鼻纹识别模型对该鼻纹图像中的鼻纹进行向量识别，并通过与档案库中存储的各宠物的特征向量进行比对，即可以准确的识别出该宠物的唯一性，识别过程精准，且识别效率高。

具体地，训练该鼻纹图像识别模型的步骤包括：

获取标注有宠物鼻纹区域真实坐标的原始样本图片；

将该原始样本图片随机分为样本图片训练集和样本图片测试集；

将该样本图片训练集中的样本图片输入待训练的鼻纹图像识别模型，得到该样本图片训练集中各样本图片的宠物鼻纹区域预测坐标，根据该样本图片中宠物鼻纹区域预测坐标与该宠物鼻纹区域真实坐标的第一损失值调整该鼻纹图像识别模型中损失函数的当前网络参数；

将该样本图片测试集中的样本图片输入至该当前网络参数对应的鼻纹图像识别模型，得到该样本图片测试集中各测试图片的宠物鼻纹区域预测坐标，计算该测试图片中宠物鼻纹区域预测坐标与该宠物鼻纹区域真实坐标的第二损失值，循环调整该当前网络参数至本步骤，直到该第一损失值减小、该第二损失值减小、该第一损失值的波动区间小于预设第一坐标值、该第二损失值的波动区间小于预设第二坐标值且该第一损失值和该第二损失值的差值小于第二预设值时，将当前的网络参数作为该鼻纹图像识别模型中损失函数的网络参数。

其中，该鼻纹图像识别模型选用的损失函数为均方差损失函数，该均方差损失函数的公式为：

其中，p

在调整该网络参数的过程中，正向传播即将训练集数据按批次输入网络得到预测坐标，然后与真实坐标求损失，反向传播即根据梯度下降法，沿着损失的梯度方向反向更新网络参数。不断循环本步骤，直至损失值逐步减小至稳定。

进一步地，样本图片测试集用于测试集验证训练效果，用训练过的网络及参数预测测试集，并结合测试集标签求出验证集的损失，然后与训练集损失对比，判断训练效果的好坏。验证过程一般和训练过程同时进行，动态判断训练效果及终止训练。判断依据为：当训练集和测试集的损失(误差)均处于下降阶段时，属于欠拟合阶段，这个过程处于训练的前期；当训练集和测试集的损失(误差)逐步下降至趋于稳定，且两者相差不大，模型训练适度，可终止训练；若继续训练，训练集损失(误差)将逐步下降，且远低于测试集损失(误差)，模型过拟合，预测结果可信度低。

当训练集和测试集的损失(误差)都很大时，属于欠拟合阶段，这个过程处于训练的前期；当训练集和测试集的损失(误差)趋于稳定，且都很小，两者相差不大，模型训练适度，可终止训练；当训练集损失(误差)很小，但验证集损失(误差)很大，模型过拟合，预测结果可信度低。

具体地，训练该鼻纹识别模型的步骤包括：

获取携带有鼻纹信息的各个宠物的鼻纹样本图片，其中，同一宠物的鼻纹样本图片包括多张；

根据该鼻纹样本图片所属的宠物对象将该鼻纹样本图片处理为正样本对和负样本对；

将该正样本对和该负样本对输入至该待训练鼻纹识别模型，计算该待训练该鼻纹识别模型中损失函数的第三损失值，调整该鼻纹识别模型中损失函数的网络参数，循环本步骤直到该第三损失值不断减小且该第三损失值的波动区间小于第三预设值时，判断该鼻纹识别模型训练完成。

鼻纹识别是获取鼻纹特征信息。类似人脸识别模型FaceNet，将人脸表征为128维特征向量，用于区别不同个体的人。本专利采用Inception模块，创建深度学习网络，输出维度为128维，用于表征鼻纹特征信息。Inception 模块采用分布式的思想，将单向网络分割为多个不同结构的网络，使得网络能够学习到更丰富的特征。

其中，可以通过人工采集携带有鼻纹信息的各个宠物的大量鼻纹样本图片，鼻纹拍摄需要足够清晰，单个个体采集图片数足够多。

进一步地，在根据该鼻纹样本图片所属的宠物对象将该鼻纹样本图片处理为正样本对和负样本对的步骤之前，训练该鼻纹识别模型的步骤还包括：

对该鼻纹样本图片进行图像整理，具体为用上述鼻纹图像识别模型识别采集到的鼻纹图片，裁剪鼻纹区域，并按个体对鼻纹进行归类，单个文件夹内仅放同一个个体鼻纹，不同个体鼻纹归属不同文件夹，且各个个体放入同一目录下。

进一步地，该鼻纹识别模型选用的损失函数为三元组损失函数，该三元组损失函数的公式为：

其中，

类似检测的训练过程，将训练数据处理成正样本对、负样本对的形式，然后输入网络得到特征向量，并计算三元组损失，采用梯度下降的方式更新网络参数，最终目标是使损失逐步减小至稳定。

将训练数据处理成正样本对、负样本对的形式输入，得到损失值后，按损失减小的方向更新参数，最终目标是使损失逐步减小至稳定。

其中，对该鼻纹识别模型的测试过程与对上述鼻纹图像识别模型类似，检测与训练过程均可同步进行，在此不再赘述。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种宠物鼻纹识别装置，该宠物鼻纹识别装置与上述实施例中宠物鼻纹识别方法一一对应。如图6所示，该宠物鼻纹识别装置包括图像识别模块11、特征提取模块12、计算模块13和宠物确定模块14。各功能模块详细说明如下：

图像识别模块11，用于获取带有宠物鼻纹的原始图片，通过预先训练好的鼻纹图像识别模型识别该原始图片中的鼻纹图像；

特征提取模块12，用于通过预先训练好的鼻纹识别模型对该鼻纹图像进行鼻纹特征提取，得到该鼻纹图像的待验证的特征向量；

计算模块13，用于分别计算该待验证的特征向量与档案库中存储的各宠物的特征向量的欧氏距离；

宠物确定模块14，用于当计算的该欧氏距离小于第一预设值时，确定该待验证特征向量对应原始图片中的宠物与该档案库中对应计算的宠物为同一宠物。

进一步地，该装置还包括：

样本图片获取模块，用于获取标注有宠物鼻纹区域真实坐标的原始样本图片；

分类模块，用于将该原始样本图片随机分为样本图片训练集和样本图片测试集；

参数调整模块，用于将该样本图片训练集中的样本图片输入待训练的鼻纹图像识别模型，得到该样本图片训练集中各样本图片的宠物鼻纹区域预测坐标，根据该样本图片中宠物鼻纹区域预测坐标与该宠物鼻纹区域真实坐标的第一损失值调整该鼻纹图像识别模型中损失函数的当前网络参数；

循环模块，用于将该样本图片测试集中的样本图片输入至该当前网络参数对应的鼻纹图像识别模型，得到该样本图片测试集中各测试图片的宠物鼻纹区域预测坐标，计算该测试图片中宠物鼻纹区域预测坐标与该宠物鼻纹区域真实坐标的第二损失值，循环调整该当前网络参数至本步骤，直到该第一损失值减小、该第二损失值减小、该第一损失值的波动区间小于预设第一坐标值、该第二损失值的波动区间小于预设第二坐标值且该第一损失值和该第二损失值的差值小于第二预设值时，将当前的网络参数作为该鼻纹图像识别模型中损失函数的网络参数。

其中，该鼻纹图像识别模型选用的损失函数为均方差损失函数。

进一步地，该装置还包括：

鼻纹样本获取模块，用于获取携带有鼻纹信息的各个宠物的鼻纹样本图片，其中，同一宠物的鼻纹样本图片包括多张；

正负样本处理模块，用于根据该鼻纹样本图片所属的宠物对象将该鼻纹样本图片处理为正样本对和负样本对；

训练模块，用于将该正样本对和该负样本对输入至该待训练鼻纹识别模型，计算该待训练该鼻纹识别模型中损失函数的第三损失值，调整该鼻纹识别模型中损失函数的网络参数，循环本步骤直到该第三损失值不断减小且该第三损失值的波动区间小于第三预设值时，判断该鼻纹识别模型训练完成。

其中，该鼻纹识别模型选用的损失函数为三元组损失函数。

其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/ 单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。

关于宠物鼻纹识别装置的具体限定可以参见上文中对于宠物鼻纹识别方法的限定，在此不再赘述。上述宠物鼻纹识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种宠物鼻纹识别方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中宠物鼻纹识别方法的步骤，例如图2所示的步骤101至步骤 104及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中宠物鼻纹识别装置的各模块/单元的功能，例如图6所示模块11至模块14的功能。为避免重复，这里不再赘述。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。

所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中宠物鼻纹识别方法的步骤，例如图2所示的步骤101至步骤104及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中宠物鼻纹识别装置的各模块/单元的功能，例如图6所示模块11至模块14的功能。为避免重复，这里不再赘述。

本实施例提出的宠物鼻纹识别方法、装置、计算机设备及存储介质，首先获取带有宠物鼻纹的原始图片，通过预先训练好的鼻纹图像识别模型识别该原始图片中的鼻纹图像，然后通过预先训练好的鼻纹识别模型对该鼻纹图像进行鼻纹特征提取，得到该鼻纹图像的待验证的特征向量，分别计算该待验证的特征向量与档案库中存储的各宠物的特征向量的欧氏距离，当计算的该欧氏距离小于第一预设值时，确定该待验证特征向量对应原始图片中的宠物与该档案库中对应计算的宠物为同一宠物。整个识别过程只需要通过摄像头采集宠物带有鼻纹的图像即可，降低了宠物识别的成本，且由于鼻纹具有唯一性，通过预先训练好的鼻纹图像识别模型和鼻纹识别模型对该鼻纹图像中的鼻纹进行向量识别，并通过与档案库中存储的各宠物的特征向量进行比对，即可以准确的识别出该宠物的唯一性，识别过程精准，且识别效率高。

本领域普通技术人员可以理解实现上述实施例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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM (DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM (SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。