数据处理方法、装置、电子设备及机器可读存储介质

技术领域

本申请涉及图像分析领域，尤其涉及一种数据处理方法、装置、电子设备及机器可读存储介质。

背景技术

在各个行业场景下，对于图片分析准确性的需求越来越高，由于物联网数据具有短时大量的特点，而且现在的摄像头精度越来越高，像素点越来越多，在算法进行图片分析时，对于算力的要求也随之越来越高。

如何在相同硬件规格下做到算力更高效的利用成为一个亟待解决的技术问题。

发明内容

有鉴于此，本申请提供一种数据处理方法、装置、电子设备及机器可读存储介质。

根据本申请实施例的第一方面，提供一种数据处理方法，包括：

接收在预设历史时间段内出现在目标区域内的待分析对象的坐标；

依据所述待分析对象的坐标，确定主区域的边缘坐标点；

依据所述主区域的边缘坐标点，确定所述主区域的边缘曲线，并依据所述边缘曲线确定所述主区域。

根据本申请实施例的第二方面，提供一种数据处理装置，包括：

接收单元，被配置为接收在预设历史时间段内出现在目标区域内的待分析对象的坐标；

第一确定单元，被配置为依据所述待分析对象的坐标，确定主区域的边缘坐标点；

第二确定单元，被配置为依据所述主区域的边缘坐标点，确定所述主区域的边缘曲线，并依据所述边缘曲线确定所述主区域。

根据本申请实施例的第三方面，提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现第一方面的数据处理方法。

根据本申请实施例的第四方面，提供一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现第一方面的数据处理方法。

根据本申请实施例的第五方面，提供一种计算机程序，该计算机程序存储于机器可读存储介质，并且当处理器执行该计算机程序时，促使处理器执行第一方面的数据处理方法。

本申请实施例的数据处理方法，接收在预设历史时间段内出现在目标区域内的待分析对象的坐标，并依据待分析对象的坐标，确定主区域的边缘坐标点，进而，依据主区域的边缘坐标点，确定主区域的边缘曲线，并依据边缘曲线确定主区域，通过确定监控前端的主区域位置，以便通过对主区域的分析替代对整个监控画面的分析，以减少算法需要分析的像素点，使在相同硬件规格下算力更高效的利用。

附图说明

图1是本申请一示例性实施例示出的一种数据处理方法的流程示意图；

图2是本申请一示例性实施例示出的一种确定主区域的边缘坐标点的流程示意图；

图3是本申请一示例性实施例示出的一种确定主区域的边缘曲线的流程示意图；

图4A是本申请一示例性实施例示出的一种应用场景的示意图；

图4B是本申请一示例性实施例示出的一种待分析车辆对应的坐标分布的示意图；

图4C是本申请一示例性实施例示出的一种主区域的示意图；

图5是本申请一示例性实施例示出的一种数据处理装置的结构示意图；

图6是本申请一示例性实施例示出的一种电子设备的硬件结构示意图。

具体实施方式

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申请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、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请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。

为了使本领域技术人员更好地理解本申请实施例提供的技术方案，并使本申请实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请实施例中技术方案作进一步详细的说明。

请参见图1，为本申请实施例提供的一种数据处理方法的流程示意图，如图1所示，该数据处理方法可以包括以下步骤：

需要说明的是，本申请实施例中各步骤的序号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，而不应对本申请实施例的实施过程构成任何限定。

此外，在本申请实施例中，按照步骤S100～步骤S120确定的主区域为针对单个监控前端的抓拍数据进行分析时的主区域。当存在多个监控前端时，可以分别按照步骤S100～步骤S120描述的方式确定各监控前端的主区域。

步骤S100、接收在预设历史时间段内出现在目标区域内的待分析对象的坐标。

本申请实施例中，对于任一监控前端，目标区域可以为预先配置的该监控前端负责监控的区域。

举例来说，以卡口车辆监控为例，对于一个监控前端对应一个车道的场景，该监控前端对应的目标区域可以为该监控前端对应的该单个车道；对于一个监控前端对应多个车道的场景，该监控前端对应的目标区域可以为该监控前端对应的多个车道。

本申请实施例中，可以接收在预设时间段内(该历史时间段的时长可以根据实际需求设定，如1个月或1周等)出现在目标区域内的待分析对象的坐标。

示例性的，可以依据目标区域在预设历史时间段内的抓拍数据，确定该预设历史时间段内出现在目标区域内的待分析对象的坐标。

示例性的，该待分析对象可以包括车辆或行人等。

示例性的，目标区域内待分析对象的坐标可以包括待分析对象在目标区域内的识别框的坐标信息。

例如，可以为待分析对象的识别框各顶点的坐标，或者，待分析对象的识别框的任一顶点或中心点的坐标以及识别框的宽和高，或者，待分析对象的识别框的处于对角位置的两个顶点(如左上角和右下角，或者，右上角和左下角)的坐标等。

步骤S110、依据待分析对象的坐标，确定主区域的边缘坐标点。

步骤S120、依据主区域的边缘坐标点，确定主区域的边缘曲线，并依据边缘曲线确定主区域。

本申请实施例中，考虑到监控前端安装好后，位置通常不会发生变化，其监控画面中的场景也相对固定。而针对该监控前端的抓拍数据进行分析时，通常是对该监控前端的监控画面的指定区域内出现的待分析对象进行分析，而不需要对监控画面中出现的待分析对象均进行分析。

举例来说，以待分析对象为车辆为例，对于一个车道安装一个抓拍机的卡口，任一抓拍机抓拍得到的抓拍数据中，需要分析的待分析对象一般为该抓拍机对应的车道上行驶的车辆；例如识别到车头的车辆。

又举例来说，仍以待分析对象为车辆为例，对于一个抓拍机对应多个车道的卡口，任一抓拍机抓拍得到的抓拍数据中，需要分析的待分析对象一般为该抓拍机对应的多个车道上行驶的车辆。

因此，通过确定监控画面中需要分析的区域(本文中可以称为主区域)的方式，并通过对主区域进行分析替代对整个监控画面进行分析，可以达到减少算法需要分析的像素点的目的，使在相同硬件规格下算力更高效的利用。

但是考虑到车道线在监控画面中会出现一定的形变(尤其是监控画面远端)，而且某车道内行驶的车辆并不一定会严格行驶在车道线内，因此，基于车道线确定主区域的实现方式的准确性会比较低。

为了提高主区域的确定的准确性，可以依据预设历史时间段内出现在目标区域内的待分析对象的坐标，确定主区域的边缘坐标点，以便依据所确定的边缘坐标点确定主区域的边缘曲线，进而，依据主区域的边缘曲线确定主区域。

可见，在图1所示方法流程中，通过接收在预设历史时间段内出现在目标区域内的待分析对象的坐标，并依据待分析对象的坐标，确定主区域的边缘坐标点，进而，可以依据主区域的边缘坐标点，确定主区域的边缘曲线，并依据主区域的边缘曲线确定主区域，通过确定监控前端的主区域位置，以便通过对主区域的分析替代对整个监控画面的分析，以减少算法需要分析的像素点，使在相同硬件规格下算力更高效的利用。

举例来说，以待分析对象的坐标为待分析对象在抓拍图片中的识别框的坐标信息为例。

步骤S110中，依据待分析对象的坐标，确定主区域的边缘坐标点，可以包括：

对于任一待分析对象，依据待分析对象在抓拍图片中的识别框的坐标信息，确定待分析对象在抓拍图片中的识别框各顶点对应的坐标点。

依据各待分析对象在抓拍图片中的识别框各顶点对应的坐标点，确定主区域的边缘坐标点。

示例性的，对于任一待分析对象，可以将该待分析对象在抓拍图片中的坐标转化为该待分析对象在抓拍图片中的识别框的各顶点对应的坐标点，即一个待分析对象可以对应四个坐标点。

可以依据各待分析对象在抓拍图片中的识别框各顶点对应的坐标点，确定主区域的边缘坐标点。

在一个示例中，如图2所示，步骤S110中，依据各分析对象的坐标，确定主区域的边缘坐标点，可以通过以下步骤实现：

步骤S111、分别确定各待分析对象对应的坐标点的局部异常因子；

步骤S112、将局部异常因子处于预设阈值范围内的坐标点，确定为主区域的边缘坐标点。

示例性的，可以依据坐标点的局部异常因子，确定坐标点是否为边缘点。

当确定了各待分析对象在抓拍图片中的识别框各顶点对应的坐标点时，可以分别确定各坐标点的局部异常因子。

例如，可以先分别确定各坐标点之间的可达距离，并依据各坐标点之间的可达距离，确定各坐标点的局部可达密度，进而，依据各坐标点的局部可达密度，确定各坐标点的局部异常因子，其具体实现可以在下文中结合实例进行说明。

当确定了各坐标点的局部异常因子时，可以将局部异常因子处于预设阈值范围内的坐标点，确定为主区域的边缘坐标点，其具体实现可以在下文中结合实例进行说明。

作为一种可能的实施例，如图3所示，步骤S120中，依据主区域的边缘坐标点，确定主区域的边缘曲线，可以通过以下步骤实现：

步骤S121、对主区域的边缘坐标点进行分组，以得到四组边缘坐标点；其中，该四组边缘坐标点分别对应主区域的上、下、左和右四条边界。

步骤S122、对于任一组边缘坐标点，对该组边缘点进行拟合，以得到对应的边缘曲线。

示例性的，当确定了主区域的边缘坐标点时，在进行主区域的边界拟合之前，可以先对主区域的边缘坐标点进行分组，以得到分别对应主区域的上、下、左和右四条边界的四组边缘点。

举例来说，可以分别确定各边缘坐标点的横纵坐标的最大值和最小值，并分别确定横坐标的最大值和最小值的平均值(可以称为第一平均值)，以及纵坐标的最大值和最小值的平均值(可以称为第二平均值)，并基于该第一平均值和第二平均值对边缘坐标点进行分组。

其中，对于横坐标小于第一平均值的边缘坐标点(可以称为第一边缘坐标点)，可以基于各第一边缘坐标点的纵坐标对各第一边缘坐标点进行排序(从大到小，或从小到大)，当存在连续的多个第一边缘坐标点满足以下条件：

该多个第一边缘坐标点中，相邻的两个第一边缘坐标点的纵坐标的差值小于预设第一阈值(可以为经验值，或者，实验值)，

则，该连续多个第一边缘坐标点中保留横坐标最小的第一边缘坐标点，其余第一边缘坐标点剔除。

按照上述方式对第一边缘坐标点进行剔除后，保留的第一边缘坐标点即为主区域的左边界对应的边缘坐标点。

同理，对于横坐标大于第一平均值的边缘坐标点(可以称为第二边缘坐标点)，可以基于各第二边缘坐标点的纵坐标对各第二边缘坐标点进行排序(从大到小，或从小到大)，当存在连续的多个第二边缘坐标点满足以下条件：

该多个第二边缘坐标点中，相邻的两个第二边缘坐标点的纵坐标的差值小于预设第二阈值(可以为经验值，或者，实验值)，

则，该连续多个第二边缘坐标点中保留横坐标最大的第二边缘坐标点，其余第二边缘坐标点剔除。

按照上述方式对第二边缘坐标点进行剔除后，保留的第二边缘坐标点即为主区域的右边界对应的边缘坐标点。

对于纵坐标大于第二平均值的边缘坐标点(可以称为第三边缘坐标点)，可以基于各第三边缘坐标点的横坐标对各第三边缘坐标点进行排序(从大到小，或从小到大)，当存在连续的多个第三边缘坐标点满足以下条件：

该多个第三边缘坐标点中，相邻的两个第三边缘坐标点的横坐标的差值小于预设第三阈值(可以为经验值，或者，实验值)，

则，该连续多个第三边缘坐标点中保留纵坐标最大的第三边缘坐标点，其余第三边缘坐标点剔除。

按照上述方式对第三边缘坐标点进行剔除后，保留的第三边缘坐标点即为主区域的上边界对应的边缘坐标点。

对于纵坐标小于第二平均值的边缘坐标点(可以称为第四边缘坐标点)，可以基于各第四边缘坐标点的横坐标对各第四边缘坐标点进行排序(从大到小，或从小到大)，当存在连续的多个第四边缘坐标点满足以下条件：

该多个第四边缘坐标点中，相邻的两个第四边缘坐标点的横坐标的差值小于预设第四阈值(可以为经验值，或者，实验值)，

则，该连续多个第四边缘坐标点中保留纵坐标最小的第四边缘坐标点，其余第四边缘坐标点剔除。

按照上述方式对第四边缘坐标点进行剔除后，保留的第四边缘坐标点即为主区域的上边界对应的边缘坐标点。

对于任一组边缘坐标点，对该组边缘点进行拟合，以得到对应的边缘曲线。

在一个示例中，步骤S122中，对该组边缘点进行拟合，以得到对应的边缘曲线，包括：

对该组边缘点进行拟合，以得到一组线性函数；

将该一组线性函数，转化为一个曲线函数；

确定该曲线函数的最优曲率，以得到该组边缘点对应的边缘曲线。

示例性的，考虑到传统回归模型通常直接给予模型输出与真实输出之间的差别来计算损失，当且仅当两者一致时，损失才为零，即采用传统回归模型进行边界拟合时，得到的边界是严格基于训练样本确定的，然而，物联网场景下，所获取到的待分析对象的坐标通常只能反映一部分数据特征，即训练样本集无法囊括实际场景中的全部样本，此时，若采用传统回归模型进行边界拟合得到的主区域大概率会小于实际的主区域，进而，影响后续流程中的分析效果。

因此，为了提高所确定的主区域的准确性，可以采用对样本偏差包容性较大的支持向量机回归模型进行边界拟合。

示例性的，对于任一组边缘点，可以利用支持向量机回归模型，对该组边缘点进行边界拟合。

由于线性函数最为基本，也有很强的可塑性，因此，在进行边界拟合时，可以先拟合出一个线性函数，如y＝wx+b。

然而，由于主区域的边界通常不会是直线，因此，将主区域的边界拟合为线性函数必然会存在偏差，因此，可以通过设置偏差值eps，使对于任意一点(x，y)，若|y-wx-b|≤eps，则仍认为其符合上述线性函数。

考虑到一方面真实数据所表达的函数基本不会是线性的，另一方面我们拟合出来的线性函数大多数情况下都是一个函数组(在平面上的图形可以理解为折线)，因此，为了使主区域的边界更接近真实数据，可以通过引入松弛因子，将线性函数转化为曲线函数。

引入松弛因子之后，不同的边缘点会有一个对应的松弛变量，用以表征该样本，可以通过二次规划的方式，确定具体的松弛因子。

例如，可以通过拉格朗日函数对偶化方式来进行解决二次规划问题，并通过偏导方式对拉格朗日函数进行求解，以确定上述曲线函数的最优曲率，得到该组边缘点对应的边缘曲线，其具体实现可以在下文中结合实例进行说明。

本申请实施例中，对于任一监控前端，在确定了该监控前端的监控画面中的主区域之后，可以通过对监控画面的主区域进行分析的方式替代对整个监控画面进行分析，减少了分析的总像素点，在硬件条件不变、准确率保证的情况下提高图片分析效率。

为了使本领域技术人员更好地理解本申请实施例提供的技术方案，下面结合具体实例对本申请实施例提供的技术方案进行说明。

在该实施例中，以针对卡口抓拍机的抓拍图片的车辆分析为例，假设一个抓拍机对应同一行车方向的多个车道。

如图4A所示，抓拍机的抓拍图片中包括目标区域(抓拍机对应的车道区域)、其余区域、待分析车辆(框选车辆)。

可见，待分析车辆在抓拍图片中出现的主要位置具体到单一现场的设备是固定的。

在该实施例中，卡口抓拍机针对车辆的抓拍数据可以包括车道标识和车身坐标标识，前者是数字类型的标号，后者是一个归一化的坐标(例如(x，y，w，h)；其中：x，y表示一个二维坐标平面中的点，w和h代表从这个点衍伸出去的宽度和高度(车辆对应的识别框的宽度和高度)，最终构成一个以x，y为左下顶点，宽为w，长为h的矩形。

依据该卡口抓拍机在过去一个月内的抓拍数据，获取过去一个月内出现在目标区域内的车辆的坐标信息，并分别将各车辆的坐标转化为二维坐标平面内的坐标点。

其中，对于坐标为(x，y，w，h)转化为(x，y)、(x+w，y)、(x，y+h)、(x+w，y+h)四个坐标点，其示意图可以如图4B所示。

依据图4B所示的坐标点的分布，可以求出各个坐标点的局部异常因子，局部异常因子的计算公式如下所示：

假设x`到x的可达距离如下式：

RD

＝max(||x

依据该可达距离，x的局部可达密度则可以表达为：

依据局部可达密度，局部异常因子(local outlier factor)可以表达为：

通过局部可达异常因子可以将各坐标点的关系进行划分。

以阈值0.0001、0.1、0.3、0.7将坐标点分成5档数据：＜0.0001、0.0001＜p＜0.1、0.1＜p＜0.3、0.3＜p＜0.7、0.7＜p＜1。

通过对封闭图形边上点的局部可达密度分析，可以总结得到：当p在0.0001到0.1范围时，p在封闭图形的边缘附近。

其中，当p＜0.0001时，代表噪声点，需要提出。这类数据虽然也是实际的真实数据，但是通常由于一些异常情况导致的，以卡口车道的主区域为例，逆行或者借道超车的车辆由于车辆行驶方向以及车脸的图像形状都是和正常分析车辆是一致的，所以本身也是分析对象，而这些数据就会造成噪声。

确定了主区域的边缘坐标点之后，还需要判断后续的坐标点是否处在主区域中，而这种判断需要基于函数，比如要验证一个点是否在两条线之间，若从函数的角度只要证明这个点(x，y)满足f1(x)＜y＜f2(x)即可。

考虑到传统回归模型通常直接给予模型输出与真实输出之间的差别来计算损失，当且仅当两者一致时，损失才为零，即采用传统回归模型进行边界拟合时，得到的边界是严格基于训练样本确定的，然而，物联网场景下，所获取到的待分析对象的坐标通常只能反映一部分数据特征，即训练样本集无法囊括实际场景中的全部样本，此时，若采用传统回归模型进行边界拟合得到的主区域大概率会小于实际的主区域，进而，影响后续流程中的分析效果。

因此，为了提高所确定的主区域的准确性，可以采用对样本偏差包容性较大的支持向量机回归模型(SVR)进行边界拟合，其具体实现步骤如下：

对于主区域的任一边界的边缘坐标点：

1、在支持向量机的分类模型(SVC)中，可以依据边缘坐标点先拟合出一个线性函数，目标函数和限制条件如下(w代表x的系数，b代表未知常量，m代表x的范围)：

s.t：y

ξ

在SVR中，目的是为了尽量拟合一个线性模型y＝wx+b；而由于实际主区域的边界不会是直线，因此，拟合得到的直线与主区域的实际边界必然会存在偏差，因而，可以定义常量eps＞0，对于任意一坐标点(x，y)，若|y-wx-b|≤eps，则确定该坐标点满足线性模型y＝wx+b，从而可以得到目标函数和限制条件如下：

s.t：|y

2、一方面，由于真实数据所表达的函数基本不会是线性的，另一方面，拟合出来的线性函数大多数情况下都是一个函数组(在平面上的图形可以理解为折线)，因此，得到线性函数之后，可以通过加入松弛因子ξ＞0的方式，将这些折线转化成平滑的曲线，从而的目标函数和限制条件变成：

3、引入松弛因子之后，不同的坐标点会有一个对应的松弛变量，用以表征该样本。

在该实施例中，可以通过二次规划的方式，来计算得到对应的松弛因子。以通过拉格朗日函数对偶化方式实现二次规划为例：

4、通过偏导的方式求解上述的拉格朗日函数，来求优化函数对于w、b、ξ的极小值，通过求导可得：

将w、b、ξ的值带入函数L中，就可以将L转换为只包含β的函数，从而可以得到最终的优化目标函数。

最终可以得到f(xmin)(对应左边界)，f(xmax)(对应右边界)，f(ymin)(对应下边界)，f(ymax)(对应上边界)，而这四个函数所构成的范围就是主区域位置，其示意图可以如图4C所示(四条封闭曲线分别代表四个闭合区间的函数)。

以上对本申请提供的方法进行了描述。下面对本申请提供的装置进行描述：

请参见图5，为本申请实施例提供的一种数据处理装置的结构示意图，如图5所示，该数据处理装置可以包括：

接收单元510，被配置为接收在预设历史时间段内出现在目标区域内的待分析对象的坐标；第一确定单元520，被配置为依据该待分析对象的坐标，确定主区域的边缘坐标点；

第二确定单元530，被配置为依据主区域的边缘坐标点，确定主区域的边缘曲线，并依据该边缘曲线确定主区域。

在一种可能的实施例中，第一确定单元520，具体被配置为分别确定各待分析对象对应的坐标点的局部异常因子；将局部异常因子处于预设阈值范围内的坐标点，确定为主区域的边缘坐标点。

在一种可能的实施例中，待分析对象的坐标为待分析对象在抓拍图片中的识别框各顶点对应的坐标点；

或者，

待分析对象的坐标为待分析对象在抓拍图片中的识别框任一顶点的坐标以及识别框的宽和高；

或者，

待分析对象的坐标为待分析对象在抓拍图片中的识别框的中心点的坐标以及识别框的宽和高；

或者，

待分析对象的坐标为待分析对象在抓拍图片中的识别框的处于对角位置的两个顶点的坐标。

在一种可能的实施例中，第二确定单元530，具体被配置为对主区域的边缘坐标点进行分组，以得到四组边缘坐标点；其中，四组边缘坐标点分别对应主区域的上、下、左和右四条边界；对于任一组边缘坐标点，对该组边缘点进行拟合，以得到对应的边缘曲线。

在一种可能的实施例中，第二确定单元530，具体被配置为对该组边缘点进行拟合，以得到一组线性函数；将该一组线性函数，转化为一个曲线函数；确定该曲线函数的最优曲率，以得到该组边缘点对应的边缘曲线。

请参见图6，为本申请实施例提供的一种电子设备的硬件结构示意图。该电子设备可以包括处理器601、通信接口602、存储器603和通信总线604。处理器601、通信接口602以及存储器603通过通信总线604完成相互间的通信。其中，存储器603上存放有计算机程序；处理器601可以通过执行存储器603上所存放的程序，执行上文描述的数据处理方法。

本文中提到的存储器603可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，存储器602可以是：RAM(Radom AccessMemory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。

本申请实施例还提供了一种存储有计算机程序的机器可读存储介质，例如图6中的存储器603，该计算机程序可由图6所示电子设备中的处理器601执行以实现上文中描述的数据处理方法。

本申请实施例还提供了一种计算机程序，存储于机器可读存储介质，例如图6中的存储器603，并且当处理器执行该计算机程序时，促使处理器601执行上文中描述的数据处理方法。

需要说明的是，在本文中，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

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