基于活体检测的驾驶员人脸识别资质认证方法及装置

摘要

本发明提供了一种基于活体检测的驾驶员人脸识别资质认证方法及装置，包括：基于人脸检测神经网络模型确定与所述人脸视频转化的图像对应的人脸框坐标和关键点坐标；基于关键点坐标得到用于活体检测的区域图像；基于活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况；若所述驾驶室内驾驶员的人脸真实情况为真实，则得到人脸对齐后的图像；将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。本发明一方面基于活体检测能够应对各种假体攻击，另一方面能够准确确定当前A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限，提供安全保障。

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于活体检测的驾驶员人脸识别资质认证方法及装置。

背景技术

随着硬件计算能力的提高，基于神经网络解决人脸识别问题的方法越来越多。人脸识别技术被广泛地应用于生活和工作当中。然而在商用车领域的并未得到广泛应用，现有技术无法通过人脸识别来验证驾驶员是否具有准驾资格，从而无法降低潜在事故的发生。同时，现有技术无法防止驾驶员使用照片等假体来攻击人脸识别技术。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种基于活体检测的驾驶员人脸识别资质认证方法及装置。

第一方面，本发明实施例提供一种基于活体检测的驾驶员人脸识别资质认证方法，包括：

采集A车辆的驾驶室内驾驶员的人脸视频，并将所述人脸视频转化为图像；

将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标；

基于与所述人脸视频转化的图像对应的关键点坐标对所述人脸视频转化的图像进行剪裁得到用于活体检测的区域图像；

将所述用于活体检测的区域图像输入至活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况；

若所述驾驶室内驾驶员的人脸真实情况为真实，则基于与所述人脸视频转化的图像对应的人脸框坐标确定人脸区域图像，并基于所述人脸区域图像采用透视变化进行人脸对齐得到人脸对齐后的图像；

将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。

进一步地，将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标，具体包括：

将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标(x,y，w，h)和与所述人脸视频转化的图像对应的关键点坐标

进一步地，还包括：

若所述驾驶室内驾驶员的人脸真实情况为不真实，则语音提示人脸系伪造。

进一步地，将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限，具体包括：

将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别确定第一人脸特征向量；

将所述人脸对齐后的图像进行镜像变换确定镜像变换后的图像，并将所述镜像变换后的图像输入至人脸识别神经网络模型进行识别确定第二人脸特征向量；

基于第一人脸特征向量和第二人脸特征向量确定第三人脸特征向量；

基于第三人脸特征向量与所述人脸识别神经网络模型中已录入的人脸特征向量集合进行对比，得到已录入的人脸特征向量集合中与第三人脸特征向量对应的人脸特征向量；

基于已录入的人脸特征向量集合中与第三人脸特征向量对应的人脸特征向量确定ID，并基于所述ID代表的驾驶员确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。

第二方面，本发明实施例提供了一种基于活体检测的驾驶员人脸识别资质认证装置，包括：

采集模块，用于采集A车辆的驾驶室内驾驶员的人脸视频，并将所述人脸视频转化为图像；

人脸检测模块，用于将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标；

剪裁模块，用于基于与所述人脸视频转化的图像对应的关键点坐标对所述人脸视频转化的图像进行剪裁得到用于活体检测的区域图像；

活体检测模块，用于将所述用于活体检测的区域图像输入至活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况；

确定模块，用于若所述驾驶室内驾驶员的人脸真实情况为真实，则基于与所述人脸视频转化的图像对应的人脸框坐标确定人脸区域图像，并基于所述人脸区域图像采用透视变化进行人脸对齐得到人脸对齐后的图像；

人脸识别模块，用于将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。

进一步地，人脸检测模块，具体用于：

将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标(x,y,w,h)和与所述人脸视频转化的图像对应的关键点坐标

进一步地，还包括：语音提示模块，

所述语音提示模块，用于若所述驾驶室内驾驶员的人脸真实情况为不真实，则语音提示人脸系伪造。

进一步地，人脸识别模块，具体用于：

将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别确定第一人脸特征向量；

将所述人脸对齐后的图像进行镜像变换确定镜像变换后的图像，并将所述镜像变换后的图像输入至人脸识别神经网络模型进行识别确定第二人脸特征向量；

基于第一人脸特征向量和第二人脸特征向量确定第三人脸特征向量；

基于第三人脸特征向量与所述人脸识别神经网络模型中已录入的人脸特征向量集合进行对比，得到已录入的人脸特征向量集合中与第三人脸特征向量对应的人脸特征向量；

基于已录入的人脸特征向量集合中与第三人脸特征向量对应的人脸特征向量确定ID，并基于所述ID代表的驾驶员确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。

第三方面，本发明实施例还提供了一种电子设备，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，所述处理器执行所述程序时实现如上第一方面所述的基于活体检测的驾驶员人脸识别资质认证方法的步骤。

第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的基于活体检测的驾驶员人脸识别资质认证方法的步骤。

由上述技术方案可知，本发明实施例提供的基于活体检测的驾驶员人脸识别资质认证方法及装置，通过采集A车辆的驾驶室内驾驶员的人脸视频，并将所述人脸视频转化为图像；将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标；基于与所述人脸视频转化的图像对应的关键点坐标对所述人脸视频转化的图像进行剪裁得到用于活体检测的区域图像；将所述用于活体检测的区域图像输入至活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况；若所述驾驶室内驾驶员的人脸真实情况为真实，则基于与所述人脸视频转化的图像对应的人脸框坐标确定人脸区域图像，并基于所述人脸区域图像采用透视变化进行人脸对齐得到人脸对齐后的图像；将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限，可见本发明一方面基于活体检测能够应对各种假体攻击，另一方面能够准确确定当前A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限，提供安全保障。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的基于活体检测的驾驶员人脸识别资质认证方法的流程示意图；

图2为本发明一实施例提供的人脸识别流程示意图；

图3为本发明一实施例提供的人脸识别录入示意图；

图4为本发明一实施例提供的用于活体检测的区域图像的示意图；

图5为本发明一实施例提供的基于活体检测的驾驶员人脸识别资质认证装置的结构示意图；

图6为本发明一实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，都属于本发明保护的范围。下面将通过具体的实施例对本发明提供的基于活体检测的驾驶员人脸识别资质认证方法进行详细解释和说明。

图1为本发明一实施例提供的基于活体检测的驾驶员人脸识别资质认证方法的流程示意图；如图1所示，该方法包括：

步骤101：采集A车辆的驾驶室内驾驶员的人脸视频，并将所述人脸视频转化为图像；

步骤102：将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标；

步骤103：基于与所述人脸视频转化的图像对应的关键点坐标对所述人脸视频转化的图像进行剪裁得到用于活体检测的区域图像；

步骤104：将所述用于活体检测的区域图像输入至活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况；

步骤105：若所述驾驶室内驾驶员的人脸真实情况为真实，则基于与所述人脸视频转化的图像对应的人脸框坐标确定人脸区域图像，并基于所述人脸区域图像采用透视变化进行人脸对齐得到人脸对齐后的图像；

步骤106：将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。

在本实施例中，需要说明的是，通过人脸识别来验证驾驶员是否具有准驾资格，从而有助于降低潜在事故的发生；在通过人脸识别来验证驾驶员是否具有准驾资格的基础上，为了防止驾驶员使用照片等假体来攻击人脸识别技术，结合活体检测的方式可有效抵御屏幕录制的照片、视频、打印的照片、立体假面等攻击手段，因此为了使人脸识别可以在嵌入式设备上运行得又快有准，并能应对各种假体攻击，本发明实施例提供了一种基于活体检测的驾驶员人脸识别资质认证方法。

在本实施例中，可以理解的是，通过红外摄像头采集A车辆的驾驶室内驾驶员的人脸视频，即所述的红外摄像头实时监控驾驶室内环境，同时将采集的人脸视频转换为图像(即将所述人脸视频转化为图像)，根据预先设定的软件逻辑判断是否有真实人脸(即将所述用于活体检测的区域图像输入至活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况)，若存在(即若所述驾驶室内驾驶员的人脸真实情况为真实)，立即通过下一步软件逻辑识别是否是具有该车准驾资格的人员登陆(即将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限)，用电子系统将判断信息传送至车载主机或者服务器端上。车载主机对驾驶员给出语音提示。

为了更好的理解本发明，下面结合实施例进一步阐述本发明的内容，但本发明不仅仅局限于下面的实施例。

举例来说：参见图2和图3，基于摄像设备实时采集画面(如图2中步骤一：拍照输入照片)判断当前输入帧是否为真实人脸(即活体检测，继而判断是否为真实人脸，参见图2)，若为真实人脸，则继续判断图像中的人是否具有该车辆驾驶资格(参见图3，图片预处理如人脸对齐、图像缩放，然后输入训练好的人脸识别卷积神经网络，即将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，进一步的确定当前驾驶员的特征向量(第一人脸特征向量、第二人脸特征向量、第三人脸特征向量)，最后基于已录入的人脸特征向量集合中与第三人脸特征向量对应的人脸特征向量确定ID，并基于所述ID代表的驾驶员确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限，也即图3中将特征向量与其对应的ID保存在服务器端)，最终将判断结果以语音播报形式或显示屏文字显示的方式进行提示或上传至服务器端备份，具体的，在本实施例中需要网络训练、人脸录入和人脸识别，其中：

网络训练：需要进行训练的深度卷积神经网络，包含人脸检测网络模块Net

人脸录入：根据显示屏的文字语音提示，对具有该车驾驶资质驾驶员的人脸正面图像，进行图片预处理，预处理包含人脸检测，人脸检测输出人脸框与五个关键点坐标，根据人脸框裁剪人脸区域，采用透视变换进行人脸对齐，缩放人脸对齐后的图片至112*96大小。输入至人脸识别网络模块Net

人脸识别：根据显示屏的文字语音提示，被测试者面向红外摄像头采集人脸正面图像，根据图像输出人脸框及关键点坐标，根据关键点坐标裁剪出活体检测区域，将活体检测区域图片输入至活体检测网络模块Net

由上面技术方案可知，本发明实施例提供的基于活体检测的驾驶员人脸识别资质认证方法，通过采集A车辆的驾驶室内驾驶员的人脸视频，并将所述人脸视频转化为图像；将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标；基于与所述人脸视频转化的图像对应的关键点坐标对所述人脸视频转化的图像进行剪裁得到用于活体检测的区域图像；将所述用于活体检测的区域图像输入至活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况；若所述驾驶室内驾驶员的人脸真实情况为真实，则基于与所述人脸视频转化的图像对应的人脸框坐标确定人脸区域图像，并基于所述人脸区域图像采用透视变化进行人脸对齐得到人脸对齐后的图像；将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限，可见本发明一方面基于活体检测能够应对各种假体攻击，另一方面能够准确确定当前A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限，提供安全保障。

在上述实施例基础上，在本实施例中，将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标，具体包括：

将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标(x,y,w,h)和与所述人脸视频转化的图像对应的关键点坐标

在上述实施例基础上，在本实施例中，还包括：

若所述驾驶室内驾驶员的人脸真实情况为不真实，则语音提示人脸系伪造。

在上述实施例基础上，在本实施例中，将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限，具体包括：

将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别确定第一人脸特征向量；

将所述人脸对齐后的图像进行镜像变换确定镜像变换后的图像，并将所述镜像变换后的图像输入至人脸识别神经网络模型进行识别确定第二人脸特征向量；

基于第一人脸特征向量和第二人脸特征向量确定第三人脸特征向量；

基于第三人脸特征向量与所述人脸识别神经网络模型中已录入的人脸特征向量集合进行对比，得到已录入的人脸特征向量集合中与第三人脸特征向量对应的人脸特征向量；

基于已录入的人脸特征向量集合中与第三人脸特征向量对应的人脸特征向量确定ID，并基于所述ID代表的驾驶员确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。

由上面技术方案可知，本发明实施例提供的基于活体检测的驾驶员人脸识别资质认证方法，一方面基于活体检测能够应对各种假体攻击，另一方面能够准确确定当前A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限，提供安全保障。

图5为本发明一实施例提供的基于活体检测的驾驶员人脸识别资质认证装置的结构示意图，如图5所示，该装置包括：采集模块201、人脸检测模块202、剪裁模块203、活体检测模块204、确定模块205和人脸识别模块206，其中：

其中，采集模块201，用于采集A车辆的驾驶室内驾驶员的人脸视频，并将所述人脸视频转化为图像；

人脸检测模块202，用于将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标；

剪裁模块203，用于基于与所述人脸视频转化的图像对应的关键点坐标对所述人脸视频转化的图像进行剪裁得到用于活体检测的区域图像；

活体检测模块204，用于将所述用于活体检测的区域图像输入至活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况；

确定模块205，用于若所述驾驶室内驾驶员的人脸真实情况为真实，则基于与所述人脸视频转化的图像对应的人脸框坐标确定人脸区域图像，并基于所述人脸区域图像采用透视变化进行人脸对齐得到人脸对齐后的图像；

人脸识别模块206，用于将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。

本发明实施例提供的基于活体检测的驾驶员人脸识别资质认证装置具体可以用于执行上述实施例的基于活体检测的驾驶员人脸识别资质认证方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。

基于相同的发明构思，本发明实施例提供一种电子设备，参见图6，电子设备具体包括如下内容：处理器301、通信接口303、存储器302和通信总线304；

其中，处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信；通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；处理器301用于调用存储器302中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时实现下述步骤：采集A车辆的驾驶室内驾驶员的人脸视频，并将所述人脸视频转化为图像；将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标；基于与所述人脸视频转化的图像对应的关键点坐标对所述人脸视频转化的图像进行剪裁得到用于活体检测的区域图像；将所述用于活体检测的区域图像输入至活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况；若所述驾驶室内驾驶员的人脸真实情况为真实，则基于与所述人脸视频转化的图像对应的人脸框坐标确定人脸区域图像，并基于所述人脸区域图像采用透视变化进行人脸对齐得到人脸对齐后的图像；将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。

基于相同的发明构思，本发明又一实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法，例如，采集A车辆的驾驶室内驾驶员的人脸视频，并将所述人脸视频转化为图像；将所述人脸视频转化的图像输入至人脸检测神经网络模型进行检测，确定与所述人脸视频转化的图像对应的人脸框坐标和与所述人脸视频转化的图像对应的关键点坐标；基于与所述人脸视频转化的图像对应的关键点坐标对所述人脸视频转化的图像进行剪裁得到用于活体检测的区域图像；将所述用于活体检测的区域图像输入至活体检测神经网络模型进行检测，确定A车辆的驾驶室内驾驶员的人脸真实情况；若所述驾驶室内驾驶员的人脸真实情况为真实，则基于与所述人脸视频转化的图像对应的人脸框坐标确定人脸区域图像，并基于所述人脸区域图像采用透视变化进行人脸对齐得到人脸对齐后的图像；将所述人脸对齐后的图像输入至人脸识别神经网络模型进行识别，确定A车辆的驾驶室内驾驶员是否具有所述A车辆的准驾权限。

以上所描述的装置实施例仅仅是示意性的，其中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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上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。