深度和自运动轨迹的估计方法、装置、设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及深度和自运动轨迹的估计方法、装置、设备及存储介质。

背景技术

视图的深度和相机的自运动轨迹对于从视频或者图像中理解几何场景至关重要，被广泛应用于机器人视觉导航、自动驾驶和智能交通应用等领域。

现有的深度和自运动轨迹的估计方法通常是基于深度估计网络和运动估计网络实现的。深度估计网络旨在估计目标视图的深度图，运动估计网络旨在估计源视图相对于目标视图的位姿变换矩阵。基于相机模型、相机参数、目标视图的深度图和源视图相对于目标视图的位姿变换矩阵，形成重建后的源视图，再计算源视图和重建视图之间的结构相似性、L1损失函数和平滑度损失函数，进而同步优化深度估计网络和运动估计网络。

然而，现有的方法仅以单张图像进行深度预测，其是静态的、单一的，未充分使用视频帧间的丰富动态特征和静态特征进行深度估计；同时，根据相机成像原理，多个真实场景可以投影到相同的像素平面，这些场景具有不同的深度值，上述方法仅使用像素级别视图重建损失，不能有效约束一致的场景深度，由于运动估计网络和深度估计网络的联合训练，不一致的场景深度将引起不一致的变换向量，导致视频帧位姿变换出现偏移。另外，现有的方法仅使用视频帧间的相机位姿变换信息，而未充分考虑其他隐式线索：假如源视图和目标视图为同一张视图，即相机未运动，此时运动估计网络将难以预测相机位姿变换；又如存在运动的物体与拍摄它的运动相机，此时运动物体违反了静态场景重建的场景假设，对于运动物体边缘部分未进行有效约束，导致单张视图无法预测清晰的运动物体轮廓。

发明内容

本发明提供了一种深度和自运动轨迹的估计方法、装置、设备及存储介质，能够有效缓解运动物体的伪影问题，提升单目图像深度的估计质量，同时减少位姿变换误差，实现更准确地估计相机的自运动轨迹。

根据本发明的一方面，提供了一种深度和自运动轨迹的估计方法，包括：

获取预设模型、源视图和目标视图，其中，预设模型包括深度估计网络、运动估计网络和隐式线索网络，隐式线索网络用于从运动估计网络提取源视图与目标视图之间的静态和动态特征并恒等映射至深度估计网络，源视图和目标视图为相邻时刻的两帧彩色图像；

将源视图和目标视图输入至预设模型；

基于运动估计网络，估计相机的自运动轨迹；以及基于深度估计网络和源视图与目标视图之间的静态和动态特征，估计源视图和/或目标视图的深度。

可选的，在获取预设模型前，还包括：

获取第一训练视图和第二训练视图；

根据第一训练视图和第二训练视图，对预设模型进行训练。

可选的，根据第一训练视图和第二训练视图，对预设模型进行训练，包括：

将第一训练视图和第二训练视图输入至预设模型，得到第一重建视图和第二重建视图；

根据第一训练视图、第二训练视图、第一重建视图和第二重建视图，确定重投影损失和平滑度损失；

确定三维重建损失；

根据重投影损失、平滑度损失和三维重建损失，基于反向传播和梯度下降原理，对预设模型进行训练。

可选的，得到第一重建视图和第二重建视图，包括：

分别确定第一训练视图I

根据相机参数K和第二训练视图的深度图D

根据第一空间点云的坐标P

基于相机模型，对第二空间点云进行投影和采样，得到第一重建视图；

根据相机参数K和第一训练视图的深度图D

根据第三空间点云的坐标P

基于相机模型，对第四空间点云进行投影和采样，得到第二重建视图。

可选的，确定三维重建损失，包括：

根据第一空间点云的坐标P

可选的，第一位姿变换矩阵T

第二位姿变换矩阵T

第一训练视图的深度图D

第二训练视图的深度图D

第一空间点云的坐标P

第二空间点云的坐标P

第三空间点云的坐标P

第四空间点云的坐标P

其中，ICNet表示隐式线索网络，PoseNet表示运动估计网络，PoseNet_Encoder表示运动估计网络的编码器，DepthNet_Encoder表示深度估计网络的编码器，DepthNet_Decoder表示深度估计网络的解码器。

可选的，第一训练视图和第二训练视图为相邻时刻的两帧彩色图像；或者，第二训练视图为基于第一训练视图生成的用于模拟第一训练视图的相邻帧的彩色图像。

根据本发明的另一方面，提供了一种深度和自运动轨迹的估计装置，包括：获取模块和估计模块；其中，

获取模块，用于获取预设模型、源视图和目标视图，其中，预设模型包括深度估计网络、运动估计网络和隐式线索网络，隐式线索网络用于从运动估计网络提取源视图与目标视图之间的静态和动态特征并恒等映射至深度估计网络，源视图和目标视图为相邻时刻的两帧彩色图像；

估计模块，用于将源视图和目标视图输入至预设模型；基于运动估计网络，估计相机的自运动轨迹；以及基于深度估计网络和源视图与目标视图之间的静态和动态特征，估计源视图和/或目标视图的深度。

根据本发明的另一方面，提供了一种电子设备，电子设备包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的深度和自运动轨迹的估计方法方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的深度和自运动轨迹的估计方法方法。

本发明实施例的技术方案，通过对预设模型进行设计，令预设模型包括深度估计网络、运动估计网络和隐式线索网络，隐式线索网络用于从运动估计网络提取源视图与目标视图之间的静态和动态特征并恒等映射至深度估计网络，用以补充单一静态视图深度信息，增强静态物体的几何约束，弥补运动物体的动态特征，从而有效缓解运动物体的伪影问题，提升源视图和/或目标视图的深度估计质量；同时，本发明的三维重建损失从空间点云角度对视图重建进行进一步约束，使得相机变换过程具有一致的深度和位姿变换，有效减少位姿变换误差，使得长视频预测的运动轨迹累计偏移变小，以实现更准确地估计相机的自运动轨迹。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明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是本发明实施例一提供的一种深度和自运动轨迹的估计方法的流程示意图；

图2是本发明实施例二提供的一种深度和自运动轨迹的估计方法的流程示意图；

图3是本发明实施例三提供的一种深度和自运动轨迹的估计装置的结构示意图；

图4是本发明实施例三提供的另一种深度和自运动轨迹的估计装置的结构示意图；

图5是本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“源”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，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单元。

实施例一

图1是本发明实施例一提供的一种深度和自运动轨迹的估计方法的流程示意图，本实施例可适用于对相机的自运动轨迹和视图的深度进行估计的情况，该方法可以由深度和自运动轨迹的估计装置来执行，该深度和自运动轨迹的估计装置可以采用硬件和/或软件的形式实现，该深度和自运动轨迹的估计装置可配置于电子设备(如计算机或者服务器)中。如图1所示，该方法包括：

S110、获取预设模型、源视图和目标视图，其中，预设模型包括深度估计网络、运动估计网络和隐式线索网络，隐式线索网络用于从运动估计网络提取源视图与目标视图之间的静态和动态特征并恒等映射至深度估计网络，源视图和目标视图为相邻时刻的两帧彩色图像。

预设模型是预先训练好的存储在深度和自运动轨迹的估计装置内的模型，可以用于对相机的自运动轨迹和视图的深度进行估计。其中，对相机的自运动轨迹进行估计是指估计相机相对于固定场景的运动，通常使用位姿变换向量或者位姿变换矩阵表示；对视图的深度进行估计是指估计视图的深度图，深度图为场景中像素到相机成像平面的垂直距离构成的单通道二维图像。

预设模型包括深度估计网络、运动估计网络和隐式线索网络，隐式线索网络用于从运动估计网络提取源视图与目标视图之间的静态和动态特征并恒等映射至深度估计网络。即，隐式线索网络能够获取视频隐式线索，视频隐式线索是指依据特定卷积神经网络从视频帧中提取的数据特征，如单眼运动视差线索具有近处物体运动快，远处物体运动慢特征。

源视图和目标视图为相邻时刻的两帧彩色图像。对于单目视频训练场景，源视图通常是t-1时刻或者t+1时刻的彩色图像，目标视图通常是t时刻的彩色图像。

需要说明的是，在步骤S110执行之前，本发明还可以对预设模型进行训练。具体的，可以获取第一训练视图和第二训练视图；并根据第一训练视图和第二训练视图，对预设模型进行训练。

S120、将源视图和目标视图输入至预设模型。

S130、基于运动估计网络，估计相机的自运动轨迹；以及基于深度估计网络和源视图与目标视图之间的静态和动态特征，估计源视图和/或目标视图的深度。

由于隐式线索网络可以从运动估计网络提取源视图与目标视图之间的静态和动态特征并恒等映射至深度估计网络，用以补充单一静态视图深度信息，增强静态物体的几何约束，弥补运动物体的动态特征，从而有效缓解运动物体的伪影问题，提升源视图和/或目标视图的深度估计质量。

实施例二

图2是本发明实施例二提供的一种深度和自运动轨迹的估计方法的流程示意图，本实施例在上述实施例一的基础上提供一种详细的预设模型训练方法。如图2所示，该方法包括：

S201、获取第一训练视图和第二训练视图。

第一训练视图和第二训练视图为相邻时刻的两帧彩色图像；或者，第二训练视图为基于第一训练视图生成的用于模拟第一训练视图的相邻帧的彩色图像。

S202、将第一训练视图和第二训练视图输入至预设模型，得到第一重建视图和第二重建视图。

具体的，步骤S202中“得到第一重建视图和第二重建视图”的方法可以包括以下7个步骤：

步骤1：分别确定第一训练视图I

预设模型包括深度估计网络DepthNet、运动估计网络PoseNet和隐式线索网络ICNet。

深度估计网络DepthNet编码部分采用ResNet-18作为基础框架，解码器使用4层卷积上采样块，分别预测相对于输入图像具有1/8、1/4、1/2和相同分辨率的视差图，使用跳跃连接将编码层的特征像素加和至解码层特征，实现多尺度特征融合。

对于第一训练视图I

运动估计网络PoseNet编码部分与DepthNet编码结构类似，第一层通道由3扩充至6，以接受两张彩色图像输入，解码层对512维特征进行下采样，生成6维的位姿变换向量。由于位姿变换矩阵不具备可导性质，而变换向量可以转换为变换矩阵且可导，因此PoseNet的输出为6维位姿变换向量。

具体的，第一位姿变换矩阵T

运动估计网络PoseNet从相邻帧间提取动态信息，其是复杂的、冗余的。为了获取有效的深度线索，需使用隐式线索网络ICNet进一步抽象有效特征并作用于深度估计网络的解码器，从而得到第一训练视图的深度图D

隐式线索网络ICNet采用3层瓶颈层，瓶颈层包括1×1，3×3，1×1三种卷积。瓶颈层的输入特征大小与输出保持一致。两层瓶颈层输出特征通过高斯核函数求得输出特征在高维空间的相似性，最后与第三层瓶颈层输出特征逐像素相乘并连接至深度估计网络。

具体的，第一训练视图的深度图D

步骤2：根据相机参数K和第二训练视图的深度图D

在得到第二训练视图的深度图D

具体的，第一空间点云的坐标P

步骤3：根据第一空间点云的坐标P

具体的，第二空间点云的坐标P

步骤4：基于相机模型，对第二空间点云进行投影和采样，得到第一重建视图。

步骤5：根据相机参数K和第一训练视图的深度图D

同理，在得到第一训练视图的深度图D

具体的，第三空间点云的坐标P

步骤6：根据第三空间点云的坐标P

具体的，第四空间点云的坐标P

步骤7：基于相机模型，对第四空间点云进行投影和采样，得到第二重建视图。

S203、根据第一训练视图、第二训练视图、第一重建视图和第二重建视图，确定重投影损失和平滑度损失。

S204、确定三维重建损失。

具体的，可以根据第一空间点云的坐标P

S205、根据重投影损失、平滑度损失和三维重建损失，基于反向传播和梯度下降原理，对预设模型进行训练。

在训练过程中，深度估计网络、运动估计网络和隐式线索网络的参数同步进行更新。

S206、获取预设模型、源视图和目标视图。

S207、将源视图和目标视图输入至预设模型。

S208、基于运动估计网络，估计相机的自运动轨迹；以及基于深度估计网络和源视图与目标视图之间的静态和动态特征，估计源视图和/或目标视图的深度。

如此，能够有效缓解运动物体的伪影问题，提升单目图像深度的估计质量，同时减少位姿变换误差，实现更准确地估计相机的自运动轨迹。

本发明实施例提供一种深度和自运动轨迹的估计方法，包括：获取预设模型、源视图和目标视图，预设模型包括深度估计网络、运动估计网络和隐式线索网络，隐式线索网络用于从运动估计网络提取源视图与目标视图之间的静态和动态特征并恒等映射至深度估计网络，源视图和目标视图为相邻时刻的两帧彩色图像；将源视图和目标视图输入至预设模型；基于运动估计网络，估计相机的自运动轨迹；以及基于深度估计网络和源视图与目标视图之间的静态和动态特征，估计源视图和/或目标视图的深度。通过对预设模型进行设计，令预设模型包括深度估计网络、运动估计网络和隐式线索网络，隐式线索网络用于从运动估计网络提取源视图与目标视图之间的静态和动态特征并恒等映射至深度估计网络，用以补充单一静态视图深度信息，增强静态物体的几何约束，弥补运动物体的动态特征，从而有效缓解运动物体的伪影问题，提升源视图和/或目标视图的深度估计质量；同时，本发明的三维重建损失从空间点云角度对视图重建进行进一步约束，使得相机变换过程具有一致的深度和位姿变换，有效减少位姿变换误差，使得长视频预测的运动轨迹累计偏移变小，以实现更准确地估计相机的自运动轨迹。

实施例三

图3是本发明实施例三提供的一种深度和自运动轨迹的估计装置的结构示意图。如图3所示，该装置包括：获取模块301和估计模块302。

获取模块301，用于获取预设模型、源视图和目标视图，其中，预设模型包括深度估计网络、运动估计网络和隐式线索网络，隐式线索网络用于从运动估计网络提取源视图与目标视图之间的静态和动态特征并恒等映射至深度估计网络，源视图和目标视图为相邻时刻的两帧彩色图像；

估计模块302，用于将源视图和目标视图输入至预设模型；基于运动估计网络，估计相机的自运动轨迹；以及基于深度估计网络和源视图与目标视图之间的静态和动态特征，估计源视图和/或目标视图的深度。

结合图3，图4是本发明实施例三提供的另一种深度和自运动轨迹的估计装置的结构示意图。如图4所示，还包括：训练模块303。

训练模块303，用于在获取模块301获取预设模型前，获取第一训练视图和第二训练视图；根据第一训练视图和第二训练视图，对预设模型进行训练。

可选的，训练模块303，具体用于将第一训练视图和第二训练视图输入至预设模型，得到第一重建视图和第二重建视图；根据第一训练视图、第二训练视图、第一重建视图和第二重建视图，确定重投影损失和平滑度损失；确定三维重建损失；根据重投影损失、平滑度损失和三维重建损失，基于反向传播和梯度下降原理，对预设模型进行训练。

可选的，训练模块303，具体用于分别确定第一训练视图I

可选的，训练模块303，具体用于根据第一空间点云的坐标P

可选的，第一位姿变换矩阵T

第二位姿变换矩阵T

第一训练视图的深度图D

第二训练视图的深度图D

第一空间点云的坐标P

第二空间点云的坐标P

第三空间点云的坐标P

第四空间点云的坐标P

其中，ICNet表示隐式线索网络，PoseNet表示运动估计网络，PoseNet_Encoder表示运动估计网络的编码器，DepthNet_Encoder表示深度估计网络的编码器，DepthNet_Decoder表示深度估计网络的解码器。

可选的，第一训练视图和第二训练视图为相邻时刻的两帧彩色图像；或者，第二训练视图为基于第一训练视图生成的用于模拟第一训练视图的相邻帧的彩色图像。

本发明实施例所提供的深度和自运动轨迹的估计装置可执行本发明任意实施例所提供的深度和自运动轨迹的估计方法，具备执行方法相应的功能模块和有益效果。

实施例四

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如深度和自运动轨迹的估计方法。

在一些实施例中，深度和自运动轨迹的估计方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的深度和自运动轨迹的估计方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行深度和自运动轨迹的估计方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。