猫脸识别方法、系统、电子装置及存储介质

摘要

本申请公开一种猫脸识别方法、系统、电子装置及存储介质，方法包括：获取在预定地点采集的猫的正脸图像；对正脸图像进行猫脸关键点提取；对猫脸关键点进行仿射变换，得到固定点；将固定点输入预先训练的猫脸识别模型，得到猫脸识别模型的输出结果，输出结果至少包含一个猫脸标签，不同猫的猫脸标签不同；获取猫在预定地点的行为信息、时间信息，并与猫脸标签关联，并记录保存。通过对在预定地点采集的猫的正脸图像进行猫脸识别，能够准确地识别到出现在预定地点的猫的标签，通过将猫的标签、猫在预定地点的行为信息、时间信息进行关联，能够构成猫在预定地点做的事情，以及做事情的时间，这即为猫的生活习惯，从而准确地记录每只猫的生活习惯。

说明书

技术领域

本申请涉及猫脸识别技术领域，具体涉及一种猫脸识别方法、系统、电子装置及存储介质。

背景技术

在人们养的宠物中，猫占了很大的比重，在猫生病时，生活习惯(例如进食、喝水、排泄的时间等)会发生异常，因此对猫的生活习惯进行记录很有必要。

但是，一些猫主人养有较多数量的猫，猫主人可能没有足够精力去记录猫的生活习惯，也就无法发现猫的生活习惯是否异常。

目前有一些技术会通过人脸识别模型来识别猫脸，虽然现在有脸部识别模型能够进行人脸识别，但是和人脸相比，猫脸存在毛发等影响，使得脸部识别模型对猫脸识别困难，因此使用现有的脸部识别方法来识别猫脸，也不能准确识别每只猫，并进一步导致不能准确记录每只猫的生活习惯。

发明内容

鉴于此，本申请提供一种猫脸识别方法、系统、电子装置及存储介质，以解决现有的脸部识别方法来识别猫脸，不能准确识别每只猫并记录每只猫的生活习惯的问题。

本申请第一方面提供一种猫脸识别方法，包括：获取在预定地点采集的猫的正脸图像；对所述正脸图像进行猫脸关键点提取，所述猫脸关键点包括猫的两只眼睛及鼻头的关键点；对所述猫脸关键点进行仿射变换，得到固定点；将所述固定点输入预先训练的猫脸识别模型，得到所述猫脸识别模型的输出结果，所述输出结果至少包含一个猫脸标签，不同猫的猫脸标签不同；获取所述猫在所述预定地点的行为信息、时间信息，并与所述猫脸标签关联，并记录保存。

其中，猫脸识别模型的训练方法包括：建立万量级特征库的原始人脸识别模型，原始人脸识别模型至少包括一个全连接层及一个特征层；对原始人脸识别模型进行优化；将猫脸样本数据输入原始人脸识别模型进行训练，得到猫脸识别模型，猫脸样本数据至少包括猫的猫脸特征及猫脸标签。

其中，对原始人脸识别模型进行优化包括：构建交叉熵损失函数；获取特征层输出的特征向量，以及分类网络输出的权重；将特征向量与权重进行L2范数归一化，以将特征向量间的距离表现为余弦相似度，完成对原始人脸识别模型的优化。

其中，对原始人脸识别模型进行优化还包括：筛选猫脸样本数据中的困难样本，并构建三元组损失函数；利用三元组损失函数计算困难样本的余弦相似度，完成对原始人脸识别模型的优化。

其中，困难样本包括：具有相同猫脸标签，且余弦相似度相差最大的N个样本数据，以及具有不同猫脸标签，且余弦相似度相差最小的N个样本数据，N大于或等于二。

其中，对原始人脸识别模型进行优化包括：向原始人脸识别模型输入两组猫脸样本数据，并在所述特征层构建交叉熵损失函数、三元组损失函数；利用交叉熵损失函数计算第一组猫脸样本数据与猫脸标签的交叉熵损失值；利用原始人脸识别模型筛选出第二组猫脸样本数据中的困难样本；对困难样本使用三元组损失函数计算三元组损失值；将三元组损失值及交叉熵损失值进行相加求和，得到原始人脸识别模型的最终损失值，完成对原始人脸识别模型的优化。

其中，交叉熵损失函数计算的数据量级为三元组损失函数计算的数据量级的十倍。

本申请第二方面提供一种猫脸识别系统，包括：图像获取模块，用于获取在预定地点采集的猫的正脸图像；猫脸关键点提取模块，用于正脸图像进行猫脸关键点提取，猫脸关键点包括猫的两只眼睛及鼻头的关键点；仿射变换模块，用于将猫脸关键点提取模块提取的猫脸关键点进行仿射变换，得到固定点；猫脸识别模块，用于集成预先使用猫脸样本数据训练出能够识别猫脸的猫脸识别模型，猫脸识别模型的输出结果至少包含一个猫脸标签，不同猫的猫脸标签不同；数据交互模块，用于将仿射变换模块得到的固定点输入猫脸识别模块，并获取猫脸识别模块中的猫脸识别模型的输出结果；关联记录模块，用于获取猫在预定地点的行为信息、时间信息，并与猫脸标签关联，并记录保存。

本申请第三方面提供一种电子装置，包括：包括存储器和处理器，所述存储器上存储有程序，其特征在于，所述程序用于被所述处理器执行时，实现上述中的任意一项所述猫脸识别方法。

本申请第四方面提供一种可读存储介质，其上存储有程序，其特征在于，所述程序用于被处理器执行时，实现上述中的任意一项所述猫脸识别方法。

本申请上述的猫脸识别方法，一方面通过预先训练的猫脸识别模型来识别猫脸，可以减少毛发等对识别的影响，从而降低对猫脸识别的难度；另一方面，通过对在预定地点采集的猫的正脸图像进行猫脸识别，能够准确地识别到出现在预定地点的猫的标签，而应用至预定地点为猫的进食、喝水、排泄等地点的场景时，通过将猫的标签，以及猫在预定地点的行为信息、时间信息进行关联，并记录保存，因此能准确地记录每只猫的生活习惯。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例的猫脸识别方法流程示意图；

图2是本申请一实施例的猫脸识别方法的对原始人脸识别模型的优化流程示意图；

图3是本申请一实施例的猫脸识别方法的对原始人脸识别模型的另一种优化流程示意图；

图4是本申请一实施例的猫脸识别系统的结构示意框图；

图5是本申请一实施例的电子装置的结构示意框图。

具体实施方式

下面结合附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在不冲突的情况下，下述各个实施例及其技术特征可以相互组合。

请参阅图1，为本申请实施例提供的一种猫脸识别方法，包括：S1、获取在预定地点采集的猫的正脸图像；S2、对正脸图像进行猫脸关键点提取；S3、对猫脸关键点进行仿射变换，得到固定点；S4、将固定点输入预先训练的猫脸识别模型，得到猫脸识别模型的输出结果，输出结果至少包含一个猫脸标签，不同猫的猫脸标签不同；S5、获取猫在预定地点的行为信息、时间信息，并与猫脸标签关联，并保存。

在该实施例中，猫脸关键点为猫的两只眼睛及鼻头的关键点。预定地点为猫的生活习惯的执行地点，每个预定地点与一个猫的生活习惯相匹配；预定地点可以为猫砂盆、猫粮盆、猫水盆、猫爬架、猫窝等，分别对应猫的生活习惯为排泄、进食、喝水、休闲、睡觉，采集正脸图像的时间则为时间信息，在本实施例中，预定地点为猫砂盆，对应猫的生活习惯为猫的排泄，时间信息为猫进入猫砂盆时采集正脸图像的时间。

猫砂盆旁可以设置摄像装置，以采集猫的正脸图像，还可以使用封闭式的猫砂盆，在封闭式的猫砂盆内设置摄像装置，这样猫进入封闭式的猫砂盆内时，由于面部要始终朝内，因此可以在对应的方向上获取猫的正脸图像。

在获取猫的正脸图像后，即开始对猫脸进行识别，由于猫的嘴和鼻头是相连的，在嘴和鼻头中，只用其中一个作为关键点即可，本实施例中，使用的关键点有三个，分别为鼻头以及两只眼睛的关键点。

提取猫脸关键点后，将猫脸关键点仿射变换到固定点，预先训练的猫脸识别模型，则能够将固定点作为输入，然后输出结果，输出结果中包含了猫脸标签，因此能够根据猫脸标签判断出在猫砂盆处进行排泄的是哪只猫，从而可以记录下该只猫的生活习惯，在该实施例中，还可以将图像的采集时间作为猫的排泄时间，从而可以便于猫主人查看哪只猫在猫砂盆处进行了排泄，排泄时间是否正常，或者哪只猫没有去猫砂盆处进行排泄，而猫的排泄习惯也是生活习惯的一种，因此猫主人能够通过记录查看猫的排泄习惯是否异常，从而及时判断出猫是否生病。

在一个实施例中，猫脸识别模型的训练方法包括：建立万量级特征库的原始人脸识别模型，原始人脸识别模型至少包括一个全连接层及一个特征层；对原始人脸识别模型进行优化；将猫脸样本数据输入原始人脸识别模型进行训练，得到能够识别猫脸的猫脸识别模型，猫脸样本数据至少包括猫的猫脸特征及猫脸标签。

在该实施例中，使用的原始人脸模型，可以使用现有技术中任意的一种相关模型，例如残差网络模型、Mobilenetv3等网络模型，原始人脸识模型经过训练后为猫脸识别模型，而万量级的特征库能够确保猫脸识别模型进行特征提取的能力，通过对原始人脸模型进行优化，则能够提升原始人脸模型的性能，从而在后续使用猫脸样本数据进行训练时，能够训练出性能更加优越的猫脸识别模型。

在一个实施例中，对原始人脸识别模型进行优化包括：构建交叉熵损失函数；获取特征层输出的特征向量，以及分类网络输出的权重；将特征向量与权重进行L2范数归一化，以将特征向量间的距离表现为余弦相似度，完成对原始人脸识别模型的优化。

将特征向量的优化方向表现为向量之间余弦相似度，能够更加清晰的表现损失值，从而更加便于原始人脸识别模型的使用和增强与其它损失函数结合后优化方向的一致性。

在该实施例中，交叉熵损失函数先输出一个概率值P

其中，z

随后交叉熵损失函数输出度量损失值，可用公式2表达：

其中，

在该实施例中，交叉熵是直接衡量两个模型之间的分布差异，其中一个为原始人脸识别模型，一个为样本集的真实分布模型，使用交叉熵损失函数则是解释以原始人脸识别模型的输出与样本集的真实分布模型对样本集的解释程度，样本集的真实分布模型为常规模型，在该实施例中不再进行描述。

上述的标签值为0或1，当对应类别的预测输出越接近真实标签值，则交叉熵损失函数的值越小，识别出的结果越接近样本，即模型识别正确率越高，当对应类别的预测输出越偏离真实标签值，则交叉熵损失函数的值越大，识别出的结果越远离样本，即模型识别正确率越低。

在一个实施例中，对原始人脸识别模型进行优化还包括：筛选猫脸样本数据中的困难样本，并构建三元组损失函数；利用三元组损失函数计算困难样本的余弦相似度，完成对原始人脸识别模型的优化。

在使用交叉熵损失函数后，使用三元组损失函数，能够将交叉熵损失函数不能够对困难样本进行处理的数据进行处理，从而提升训练出的猫脸识别模型的性能，在该实施例中，使用三元组损失函数对困难样本单独进行余弦相似度计算，即困难样本不再使用交叉熵损失函数进行余弦相似度计算。

请参阅图2，在该实施例中，依次使用交叉熵损失函数及三元组损失函数，分别进行普通样本余弦相似度计算、困难样本余弦相似度计算，从而对原始人脸识别模型进行优化，普通样本即为训练集包含的全部样本，在此过程中，由于交叉熵损失函数并无需对全连接层的权重和特征层特征进行归一化，因此当后续再使用交叉熵损失函数及基于余弦相似度的三元组损失函数时，会导致优化方向的一致性有差异。为确保这种优化方向的一致性并让原始人脸识别模型的训练能够更好的收敛，在使用交叉熵损失函数时，需将特征层得到的特征向量与全连接层的权重进行L2归一化，最终使得特征向量间的距离表现为余弦相似度。之后，选出此批猫脸样本数据中的困难样本，用三元组损失函数单独对困难样本的余弦相似度进行优化，从而使得困难样本也能够被原始人脸识别模型学习，最终使得训练出的猫脸识别模型能够适应更多情况下的猫脸图像识别。

在一个实施例中，困难样本包括：具有相同猫脸标签，余弦相似度相差最大的N个样本数据，以及具有不同猫脸标签，余弦相似度相差最小的N个样本数据，N大于或等于二。

具有相同猫脸标签，余弦相似度相差最大的N个样本数据，这样的样本数据表示同一只猫，但猫脸在不同情况下具有细微变化的情况，例如猫生病时，五官会有细微的变化，猫叫的时候鼻头及眼睛也会有相应的变化，因此在猫脸发生变化时，表现在余弦相似度上就会与正常猫脸的余弦相似度相差较大，能够将这样的样本作为正样本来让原始人脸识别模型进行学习，增强模型对同一猫脸内类间距的包容性。

当具有不同猫脸标签，余弦相似度相差最小的N个样本数据，这样的样本数据表示不同的猫，能够将这样的样本作为负样本让原始人脸识别模型进行学习，增强模型对不同猫脸类间差异的辨别力。

因此原始人脸识别模型学习正样本后，训练出的猫脸识别模型能够增加识别出图像中的同一猫脸的几率，学习负样本后，能够增加过滤出图像中不是同一猫脸的几率，从而进一步增加了猫脸识别模型识别正确的几率。

在其他实施例中，对原始人脸识别模型进行优化还可以通过以下步骤实现：向原始人脸识别模型输入两组猫脸样本数据，并在特征层构建交叉熵损失函数、三元组损失函数；利用交叉熵损失函数计算第一组猫脸样本数据与猫脸标签的交叉熵损失值；利用原始人脸识别模型筛选出第二组猫脸样本数据中的困难样本；对困难样本使用三元组损失函数计算三元组损失值；将三元组损失值及交叉熵损失值进行相加求和，得到原始人脸识别模型的最终损失值，完成对原始人脸识别模型的优化。在该实施例中，交叉熵损失函数计算的数据量级为三元组损失函数计算的数据量级的十倍。另外，困难样本的定义与选取，与上述实施例相同，详情请参阅上述实施例，这里不再赘述。

请参阅图3，在该实施例中，同时使用交叉熵损失函数及三元组损失函数，分别进行普通样本余弦相似度计算、困难样本余弦相似度计算，从而对原始人脸识别模型进行优化，普通样本即为交叉熵损失函数能够计算余弦相似度的样本，在此过程中，交叉熵损失函数与三元组损失函数同时使用，具体是基于余弦相似度的交叉熵损失函数为主损失函数，保持了猫脸识别模型与在独立交叉熵损失函数上训练的结果相似性，同时使用三元组损失函数作为辅助损失函数对困难样本进行学习，优化了原始人脸识别模型对困难样本的学习能力，使得训练出的猫脸识别模型能够更好的适用于猫的面部识别的场景。

在上述的任意实施例中，猫脸识别方法还可以包括：使用猫脸识别模型记录猫的面部特征，并将面部特征录入特征库。这样在猫进入猫砂盆后，就能够采集图像，并提取猫脸的关键点对猫进行识别，计算与已记录的面部特征的余弦相似度，从而识别出猫的标签、名称或代号等。

一方面通过预先训练的猫脸识别模型来识别猫脸，可以减少毛发等对识别的影响，从而降低对猫脸识别的难度；另一方面，通过对在预定地点采集的猫的正脸图像进行猫脸识别，能够准确地识别到出现在预定地点的猫的标签，而应用至预定地点为猫的进食、喝水、排泄等地点的场景时，通过将猫的标签，以及猫在预定地点的行为信息、时间信息进行关联，并记录保存，因此能准确地记录每只猫的生活习惯。

请参阅图4，为本申请实施例提供的一种猫脸识别系统，包括：图像获取模块1、猫脸关键点提取模块2、仿射变换模块3、猫脸识别模块4、数据交互模块5及关联记录模块6。

图像获取模块1用于获取在预定地点采集的猫的正脸图像；

猫脸关键点提取模块2用于正脸图像进行猫脸关键点提取，猫脸关键点包括猫的两只眼睛及鼻头的关键点；仿射变换模块3用于将猫脸关键点提取模块2提取的猫脸关键点进行仿射变换，得到固定点；猫脸识别模块4用于集成预先使用猫脸样本数据训练出能够识别猫脸的猫脸识别模型，猫脸识别模型的输出结果至少包含一个猫脸标签，不同猫的猫脸标签不同；数据交互模块5用于将仿射变换模块3得到的固定点输入猫脸识别模型模块，并获取猫脸识别模型模块中的猫脸识别模型的输出结果；关联记录模块6用于获取猫在预定地点的行为信息、时间信息，并与猫脸标签关联，并记录保存。

在该实施例中，猫脸关键点为猫的两只眼睛及鼻头的关键点。预定地点为猫的生活习惯的执行地点，每个预定地点与一个猫的生活习惯相匹配；预定地点可以为猫砂盆、猫粮盆、猫水盆、猫爬架、猫窝等，分别对应猫的生活习惯为排泄、进食、喝水、休闲、睡觉，采集正脸图像的时间则为时间信息，在本实施例中，预定地点为猫砂盆，对应猫的生活习惯为猫的排泄，时间信息为猫进入猫砂盆时采集正脸图像的时间。

在一个实施例中，猫脸识别模块4包括：原始人脸识别模型建立单元、优化单元及训练单元；原始人脸识别模型建立单元用于建立万量级特征库的原始人脸识别模型，原始人脸识别模型至少包括一个全连接层及一个特征层；优化单元用于对原始人脸识别模型进行优化；训练单元用于将猫脸样本数据输入原始人脸识别模型进行训练，得到能够识别猫脸的猫脸识别模型，猫脸样本数据至少包括猫的猫脸特征及猫脸标签。

在一个实施例中，优化单元包括：第一函数构建子单元、数据获取子单元及归一化子单元；第一函数构建子单元用于构建交叉熵损失函数；数据获取子单元用于获取特征层输出的特征向量，以及分类网络输出的权重；归一化子单元用于将特征向量与权重进行L2范数归一化，以将特征向量间的距离表现为余弦相似度，完成对原始人脸识别模型的优化。

在一个实施例中，优化单元还包括：第二函数构建子单元及困难样本优化单元，第二函数构建子单元用于筛选猫脸样本数据中的困难样本，并构建三元组损失函数；困难样本优化单元用于利用三元组损失函数单独计算及优化困难样本的余弦相似度，完成对原始人脸识别模型的优化。

在该实施例中，困难样本包括：具有相同猫脸标签，且余弦相似度相差最大的N个样本数据，以及具有不同猫脸标签，且余弦相似度相差最小的N个样本数据，N大于或等于二。

在其他实施例中，优化单元还可以包括：第三函数构建子单元、交叉熵损失值计算子单元、困难样本筛选子单元、三元组损失值计算子单元及求和子单元，第三函数构建子单元用于向原始人脸识别模型输入两组猫脸样本数据，并在特征层构建交叉熵损失函数、三元组损失函数；交叉熵损失值计算子单元用于利用交叉熵损失函数计算第一组猫脸样本数据与猫脸标签的交叉熵损失值；困难样本筛选子单元用于利用原始人脸识别模型筛选出第二组猫脸样本数据中的困难样本；三元组损失值计算子单元用于对困难样本使用三元组损失函数计算三元组损失值；求和子单元用于将三元组损失值及交叉熵损失值进行相加求和，得到原始人脸识别模型的最终损失值，完成对原始人脸识别模型的优化。在该实施例中，困难样本与上述实施例的定义相同，详情请参阅上述实施例，这里不再赘述。

另外，在该实施例中，交叉熵损失函数计算的数据量级为三元组损失函数计算的数据量级的十倍。

本实施例提供的猫脸识别系统，一方面通过预先训练的猫脸识别模型来识别猫脸，可以减少毛发等对识别的影响，从而降低对猫脸识别的难度；另一方面，通过对在预定地点采集的猫的正脸图像进行猫脸识别，能够准确地识别到出现在预定地点的猫的标签，而应用至预定地点为猫的进食、喝水、排泄等地点的场景时，通过将猫的标签，以及猫在预定地点的行为信息、时间信息进行关联，并记录保存，因此能准确地记录每只猫的生活习惯。

请参阅图5，本申请实施例提供一种电子装置，该电子装置包括：存储器601、处理器602，存储器601上存储有可在处理器602上运行的程序，程序用于被处理器602执行时，实现前述中描述的猫脸识别方法。

进一步的，该电子装置还包括：至少一个输入设备603以及至少一个输出设备604。

上述存储器601、处理器602、输入设备603以及输出设备604，通过总线605连接。

其中，输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。

存储器601可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器601用于存储一组可执行程序代码，处理器602与存储器601耦合。

进一步的，本申请实施例还提供了一种可读存储介质，该可读存储介质可以是设置于上述各实施例中的电子装置中，该可读存储介质可以是前述中的存储器601。该可读存储介质上存储有程序，该程序用于被处理器602执行时，实现前述实施例中描述的猫脸识别方法。

进一步的，该可存储介质还可以是U盘、移动硬盘、只读存储器601(ROM，Read-OnlyMemory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台·设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

在以上描述中，为了解释的目的而列出了各个细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实施例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

以上为对本发明所提供的一种猫脸识别方法、系统、电子装置及存储介质的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。