识别码检测方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机和通信技术领域，具体而言，涉及一种识别码检测方法及装置、电子设备和计算机可读存储介质。

背景技术

相关技术中，对识别码的检测存在基于特征点的检测方法和基于深度神经网络的检测方法，但相关技术中基于特征点的检测方法精度低，基于深度神经网络的检测方法需要大量的训练样本，因此速度较慢，需要耗费较多的计算和存储资源。

发明内容

本公开实施例提供一种识别码检测方法及装置、电子设备和计算机可读存储介质，能够实现待识别视频中的目标识别码的快速、准确的检测。

本公开实施例提供一种识别码检测方法，该方法包括：获取待识别视频的目标视频片段中的待识别关键帧；获得每一待识别关键帧的目标轮廓及其拟合多边形；根据每一待识别关键帧的目标轮廓及其拟合多边形，定位每一待识别关键帧的目标轮廓的目标识别点；将每一待识别关键帧的目标轮廓的目标识别点投影至目标公共平面；根据目标公共平面上的目标识别点检测所述待识别视频中的目标识别码。

本公开实施例提供一种识别码检测装置，该装置包括：待识别关键帧获取单元，用于获取待识别视频的目标视频片段中的待识别关键帧；目标轮廓多边形拟合单元，用于获得每一待识别关键帧的目标轮廓及其拟合多边形；目标识别点定位单元，用于根据每一待识别关键帧的目标轮廓及其拟合多边形，定位每一待识别关键帧的目标轮廓的目标识别点；目标识别点投影单元，用于将每一待识别关键帧的目标轮廓的目标识别点投影至目标公共平面；目标识别码检测单元，用于根据目标公共平面上的目标识别点检测所述待识别视频中的目标识别码。

在本公开的一些示例性实施例中，目标轮廓多边形拟合单元包括：轮廓检测单元，用于检测每一待识别关键帧中的轮廓；轮廓拟合单元，用于对每一待识别关键帧中的轮廓进行拟合，获得每一关键帧中的轮廓的拟合多边形；目标轮廓确定单元，用于根据每一待识别关键帧中的轮廓及其拟合多边形过滤每一待识别关键帧中的轮廓，从每一待识别关键帧的轮廓中确定每一待识别关键帧中的目标轮廓。

在本公开的一些示例性实施例中，轮廓检测单元包括：颜色空间转换单元，用于对每一待识别关键帧进行颜色空间转换，获得每一待识别关键帧的灰度图；边缘特征提取单元，用于对每一待识别关键帧的灰度图进行边缘特征提取，获得每一待识别关键帧的边缘特征图；轮廓提取单元，用于检测每一待识别关键帧的边缘特征图中的轮廓。

在本公开的一些示例性实施例中，目标轮廓确定单元包括：目标轮廓过滤单元，用于将满足以下条件的轮廓确定为所述目标轮廓：所述轮廓的面积大于或等于轮廓阈值；所述轮廓的最小外接矩形的旋转角为直角；所述轮廓的最小外接矩形的长宽比为长宽比预定值；所述轮廓的拟合多边形的边数为设定边数；所述轮廓的拟合多边形相邻三点组成的边为直角；所述轮廓的拟合多边形为凸包。

在本公开的一些示例性实施例中，目标识别点定位单元包括：轮廓平均周长计算单元，用于计算每一待识别关键帧中的目标轮廓的平均周长；中心矩计算单元，用于计算每一待识别关键帧中的目标轮廓的拟合多边形的指定阶中心矩，作为对应目标轮廓的识别点；目标识别点检测单元，用于根据每一待识别关键帧中的目标轮廓的平均周长，从每一待识别关键帧中的识别点中确定每一待识别关键帧的目标轮廓的目标识别点。

在本公开的一些示例性实施例中，目标识别点检测单元包括：参考点选择单元，用于从每一待识别关键帧中的识别点中随机选择一个识别点作为参考点；识别点剔除单元，用于剔除与所述参考点之间的距离小于或等于第一距离阈值的识别点，其中所述第一距离阈值等于对应待识别关键帧中的目标轮廓的平均周长的第一倍数；目标识别点确定单元，用于从剔除之后保留的识别点中确定每一待识别关键帧的目标轮廓的目标识别点。

在本公开的一些示例性实施例中，目标识别点确定单元包括：中心点确定单元，用于根据每一待识别关键帧的目标轮廓的识别点确定每一待识别关键帧的中心点；目标识别点判定单元，用于将与所述中心点之间的距离小于或等于第二距离阈值的识别点作为对应待识别关键帧的目标轮廓的目标识别点。其中，所述第二距离阈值等于对应待识别关键帧中的目标轮廓的平均周长的第二倍数，所述第二倍数大于所述第一倍数。

在本公开的一些示例性实施例中，目标识别码检测单元包括：基本点确定单元，用于将所述目标公共平面上距离坐标原点最近的目标识别点作为基本点；基本点连接单元，用于将所述基本点分别与所述目标公共平面上与所述基本点相邻的两个目标识别点连接；识别点连接单元，用于连接与所述基本点相邻的两个目标识别点；第一目标识别码判定单元，用于若所述基本点以及与所述基本点相邻的两个目标识别点连接形成等腰直角三角形，则确定所述待识别视频中存在所述目标识别码。

在本公开的一些示例性实施例中，目标识别码检测单元包括：基本点确定单元，用于将所述目标公共平面上距离坐标原点最近的目标识别点作为基本点；基本点连接单元，用于将所述基本点分别与所述目标公共平面上与所述基本点相邻的两个目标识别点连接；识别点连接单元，用于连接与所述基本点相邻的两个目标识别点；识别点拟合单元，用于拟合所述基本点以及与所述基本点相邻的两个目标识别点连接所形成的形状，获得所述目标公共平面上的拟合四边形；第二目标识别码判定单元，用于若所述拟合四边形的旋转角为直角，则确定所述待识别视频中存在所述目标识别码。

在本公开的一些示例性实施例中，待识别关键帧获取单元包括：目标视频片段提取单元，用于提取所述待识别视频的指定时间段作为所述目标视频片段；图像组获得单元，用于获得所述目标视频片段中的图像组；待识别关键帧确定单元，用于将每一图像组中的第一帧作为所述待识别关键帧。

本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现如上述实施例中的识别码检测方法。

本公开实施例提供了一种电子设备，包括：至少一个处理器；存储装置，配置为存储至少一个程序，当至少一个程序被至少一个处理器执行时，使得至少一个处理器实现如上述实施例中的识别码检测方法。

根据本公开的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例的各种可选实现方式中提供的识别码检测方法。

在本公开的一些实施例所提供的技术方案中，一方面，在待识别视频的目标识别码的检测过程中，利用目标识别码在待识别视频中的时域上位置固定的特点，从该待识别视频的目标视频片段中抽取待识别关键帧，提高了目标识别码的检测速度，降低了所占用的计算资源和存储资源；另一方面，还结合目标识别码在待识别视频中的空间位置不变性和时间位置不变性，将抽取的每一待识别关键帧的目标轮廓的目标识别点投影至同一目标公共平面，从而可以联合该待识别视频中的多帧待识别关键帧的目标识别点进行目标识别码的检测，提升了目标识别码的识别准确性，由此可以达到目标识别码的检测耗时和性能之间的较好平衡。

附图说明

图1示意性示出了根据本公开的一实施例的识别码检测方法的流程图。

图2示意性示出了根据本公开的一实施例的待识别视频中的目标识别码为方形二维码的示意图。

图3示意性示出了根据本公开的一实施例的待识别视频中的目标识别码为圆形二维码的示意图。

图4示意性示出了根据本公开的一实施例的识别码检测方法的流程图。

图5示意性示出了根据本公开的一实施例的视频抽帧的流程示意图。

图6示意性示出了根据本公开的一实施例的待识别视频中的目标识别码为方形二维码时提取获得的边缘特征图的示意图。

图7示意性示出了根据本公开的一实施例的待识别视频中的目标识别码为圆形二维码时提取获得的边缘特征图的示意图。

图8示意性示出了基于图6所示的边缘特征图中的目标识别点的检测结果示意图。

图9示意性示出了基于图7所示的边缘特征图中的目标识别点的检测结果示意图。

图10示意性示出了根据本公开的一实施例的识别码检测装置的框图。

图11示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本说明书中，用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在至少一个要素/组成部分/等；用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”、“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

计算机视觉技术(Computer Vision，CV)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition，光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D(3Dimensions，三维)技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

本申请实施例提供的方案涉及人工智能的计算机视觉技术等技术，具体通过如下实施例进行说明。

本公开各实施例提供的识别码检测方法可以由任一电子设备执行，该电子设备可以是服务器，也可以是用户设备(User equipment，UE)，也可以是服务器和用户设备之间交互实现。

本公开实施例中的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。UE可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。UE以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。

下面结合附图对本公开示例实施方式进行详细说明。

图1示意性示出了根据本公开的一实施例的识别码检测方法的流程图。

本公开实施例中，识别码通常指出于版权保护、品牌宣传和URL(UniformResource Locator，统一资源定位器)识别等目的生成的标识，目标识别码可以是任意的待检测的识别码，其形式可以包括二维码。本公开实施例提供的方法可以用于检测一个待识别视频中是否包含特定的目标识别码。

其中，二维条码/二维码(2-dimensional bar code)用某种特定的几何图形，按一定规律在平面(二维方向上)分布的黑白相间的图形记录数据符号信息；在代码编制上利用构成计算机内部逻辑基础的“0”、“1”比特流的概念，使用若干个与二进制相对应的几何形体来表示文字、数值信息，通过图像输入设备或光电扫描设备自动识读以实现信息自动处理。

下面以目标识别码为二维码为例进行举例说明，但本公开并不限定于此。二维码可以包括条形二维码、方形二维码和圆形二维码等。

如图1所示，本公开实施例提供的方法可以包括以下步骤。

在步骤S110中，获取待识别视频的目标视频片段中的待识别关键帧。

在视频压缩中，每一帧代表一幅静止的图像，在实际压缩中，会利用视频帧间冗余设计相应的算法减少数据的容量，例如可以采用IPB帧，其中I帧表示关键帧，属于帧内压缩，保留了完整的视频画面，解码时只需要本帧数据就可以完成。P帧表示的是这一帧跟之前的一个关键帧(或P帧)的差别，解码时需要用之前缓存的画面叠加上本帧定义的差别，生成最终画面。P帧也就是差别帧，P帧没有完整画面数据，只有与前一帧的画面差别的数据。B帧是双向差别帧，也就是B帧记录的是本帧与前后帧的差别，要解码B帧，不仅要取得之前的缓存画面，还要解码之后的画面，通过前后画面的与本帧数据的叠加取得最终的画面。本公开实施例中，待识别关键帧是指从待识别视频中的目标视频片段中抽取出的待用于检测其中是否存在目标识别码的关键帧。

在示例性实施例中，获取待识别视频的目标视频片段中的待识别关键帧，可以包括：提取所述待识别视频的指定时间段作为所述目标视频片段；获得所述目标视频片段中的图像组(Group of Picture，GOP)；将每一图像组中的第一帧作为所述待识别关键帧。

其中，GOP代表了两个I帧之间的距离，包含了一组连续的画面，当待识别视频中的画面出现剧烈变化时，GOP的值会变小，从而保证待识别视频的画面质量。

本公开实施例中，目标视频片段是待识别视频中的部分视频内容，其中指定时间段可以根据实际需要进行设置，在下面的举例说明中，以截取待识别视频前后10秒的内容作为目标视频片段为例进行举例说明，即本公开抽帧(抽取待识别关键帧)的是待识别视频的前后10秒内的关键帧作为待识别关键帧，而不是抽取整个待识别视频中的关键帧，由此可以减少抽取的待识别关键帧的数量，加快目标识别码的检测速度，同时由于目标识别码在待识别视频的时域上的位置保持不变的特点(具有位置不变性)，即在待识别视频的播放过程中，虽然每一帧播放的视频内容会发生变化，但目标识别码通常不会随着播放的视频内容的变化而变化，而是固定在显示界面的某个位置，例如显示界面的右下角等，因此，本公开实施例中对待识别视频中的目标视频片段中的帧序列以一定的间隔进行采样获得待识别关键帧，相比抽取整个待识别视频中的关键帧，并不会影响检测的准确性。

在其他实施例中，还可以将待识别视频的前10秒的内容作为目标视频片段，或者将待识别视频的后10秒的内容作为目标视频片段，本公开对此不做限定。

在示例性实施例中，还可以限定从目标视频片段中抽取的待识别关键帧的最大抽帧数量k，k为大于1的正整数，例如最大抽帧数量k＝7，但本公开并不限定于此。

在步骤S120中，获得每一待识别关键帧的目标轮廓及其拟合多边形。

在示例性实施例中，获得每一待识别关键帧的目标轮廓及其拟合多边形，可以包括：检测每一待识别关键帧中的轮廓；对每一待识别关键帧中的轮廓进行拟合，获得每一关键帧中的轮廓的拟合多边形；根据每一待识别关键帧中的轮廓及其拟合多边形过滤每一待识别关键帧中的轮廓，从每一待识别关键帧的轮廓中确定每一待识别关键帧中的目标轮廓。

在示例性实施例中，检测每一待识别关键帧中的轮廓，可以包括：对每一待识别关键帧进行颜色空间转换，获得每一待识别关键帧的灰度图；对每一待识别关键帧的灰度图进行边缘特征提取，获得每一待识别关键帧的边缘特征图；检测每一待识别关键帧的边缘特征图中的轮廓。

本公开实施例中，若待识别关键帧为彩色图像，例如RGB(red green blue，红绿蓝)图像，则可以先将待识别关键帧转换为灰度图。然后，可以采用边缘检测算法对灰度图进行边缘特征提取，以获得边缘特征图。获得边缘特征图之后，可以通过轮廓检测算法检测边缘特征图中包含的所有轮廓。

其中，边缘检测是计算机视觉中的基础问题，是一种图像特征提取的方法，通过边缘检测可以得到图像中亮度发生剧烈变化的像素点，这些像素通常在轮廓上。

本公开实施例中，可以采用任意一种边缘检测算法进行灰度图的边缘特征提取，在下面的举例说明中，以采用Canny边缘检测算法为例进行举例说明，但在其他实施例中，还可以采用一阶的Roberts Cross算子、Prewitt算子、Sobel算子、Kirsch算子、罗盘算子等中的任意一种，或者二阶的Marr-Hildreth、在梯度方向的二阶导数过零点、Laplacian算子等中的任意一种。

轮廓检测指在包含目标和背景的数字图像中，忽略背景和目标内部的纹理以及噪声干扰的影响，采用一定的技术和方法来实现轮廓提取的过程。本公开实施例中，可以采用任意一种轮廓检测算法进行边缘特征图的轮廓检测。在下面的举例说明中，以采用OpenCV中轮廓提取函数findContours()为例进行举例说明，但本公开并不限定于此。

在示例性实施例中，根据每一待识别关键帧中的轮廓及其拟合多边形过滤每一待识别关键帧中的轮廓，从每一待识别关键帧的轮廓中确定每一待识别关键帧中的目标轮廓，可以包括：将满足以下条件的轮廓确定为所述目标轮廓：所述轮廓的面积大于或等于轮廓阈值；所述轮廓的最小外接矩形的旋转角为直角；所述轮廓的最小外接矩形的长宽比为长宽比预定值；所述轮廓的拟合多边形的边数为设定边数；所述轮廓的拟合多边形相邻三点组成的边为直角；所述轮廓的拟合多边形为凸包。

本公开实施例中，将同时满足上述过滤条件的轮廓确定为目标轮廓，在待识别关键帧中保留对应的目标轮廓；将不满足上述任意一项或者多项过滤条件的轮廓判定为噪声轮廓，将其剔除。

在步骤S130中，根据每一待识别关键帧的目标轮廓及其拟合多边形，定位每一待识别关键帧的目标轮廓的目标识别点。

本公开实施例中，识别点也可以称之为检测点或者定位点，识别点是目标识别码中的特征点，可以用于辅助检测待识别视频中是否存在目标识别码，以及根据识别点来确定目标识别码所在的位置、大小等。目标识别点是从每一待识别关键帧中筛选出来符合一定条件的识别点。

本公开实施例提供的识别码检测方法，是一种通用的基于识别点分析的识别码检测方法，通过对待识别视频中的待识别关键帧进行识别点提取和分析，以最终判定该待识别视频中是否包括目标识别码。

在示例性实施例中，根据每一待识别关键帧的目标轮廓及其拟合多边形，定位每一待识别关键帧的目标轮廓的目标识别点，可以包括：计算每一待识别关键帧中的目标轮廓的平均周长；计算每一待识别关键帧中的目标轮廓的拟合多边形的指定阶中心矩，作为对应目标轮廓的识别点；根据每一待识别关键帧中的目标轮廓的平均周长，从每一待识别关键帧中的识别点中确定每一待识别关键帧的目标轮廓的目标识别点。

本公开实施例中，可以将每一待识别关键帧中的目标轮廓的周长求和，将求和结果除以该待识别关键帧中包含的目标轮廓的数量，以获得对应待识别关键帧的目标轮廓的平均周长。

在下面的举例说明中，以指定阶中心矩采用1阶中心矩为例进行举例说明，但本公开并不限定于此。

在示例性实施例中，根据每一待识别关键帧中的目标轮廓的平均周长，从每一待识别关键帧中的识别点中确定每一待识别关键帧的目标轮廓的目标识别点，可以包括：从每一待识别关键帧中的识别点中随机选择一个识别点作为参考点；剔除与所述参考点之间的距离小于或等于第一距离阈值的识别点，其中所述第一距离阈值等于对应待识别关键帧中的目标轮廓的平均周长的第一倍数；从剔除之后保留的识别点中确定每一待识别关键帧的目标轮廓的目标识别点。

本公开实施例中，第一倍数n为大于或等于1的正整数，在下面的举例说明中，以n＝3为例进行举例说明，但本公开并不限定于此。

在示例性实施例中，从剔除之后保留的识别点中确定每一待识别关键帧的目标轮廓的目标识别点，可以包括：根据每一待识别关键帧的目标轮廓的识别点确定每一待识别关键帧的中心点；将与所述中心点之间的距离小于或等于第二距离阈值的识别点作为对应待识别关键帧的目标轮廓的目标识别点；其中，所述第二距离阈值等于对应待识别关键帧中的目标轮廓的平均周长的第二倍数，所述第二倍数大于所述第一倍数。

本公开实施例中，第二倍数m为大于或等于1的正整数，在下面的举例说明中，以m＝40为例进行举例说明，但本公开并不限定于此。

在步骤S140中，将每一待识别关键帧的目标轮廓的目标识别点投影至目标公共平面。

本公开实施例中，目标公共平面可以是任意一个公共平面，只要能够将所有待识别关键帧的目标识别点投影至该同一个目标公共平面即可。例如，目标公共平面可以选择待识别关键帧中的第一帧，也可以另外选择除待识别关键帧以外的一个公共平面作为目标公共平面，本公开对此不做限定，在下面的举例说明中，以待识别关键帧中的第一帧作为目标公共平面为例进行举例说明。

在步骤S150中，根据目标公共平面上的目标识别点检测所述待识别视频中的目标识别码。

相关技术中，是对抽取的每个关键帧进行是否存在目标识别码的单独判断，而本公开实施例中，通过将所有待识别关键帧中的目标识别点投影至同一目标公共平面，可以联合该待识别视频时域上的多帧(即多个待识别关键帧)进行目标识别码的检测，从而可以提高检测准确性。

在示例性实施例中，根据目标公共平面上的目标识别点检测所述待识别视频中的目标识别码，可以包括：将所述目标公共平面上距离坐标原点最近的目标识别点作为基本点；将所述基本点分别与所述目标公共平面上与所述基本点相邻的两个目标识别点连接；连接与所述基本点相邻的两个目标识别点；若所述基本点以及与所述基本点相邻的两个目标识别点连接形成等腰直角三角形，则确定所述待识别视频中存在所述目标识别码。

在示例性实施例中，根据目标公共平面上的目标识别点检测所述待识别视频中的目标识别码，可以包括：将所述目标公共平面上距离坐标原点最近的目标识别点作为基本点；将所述基本点分别与所述目标公共平面上与所述基本点相邻的两个目标识别点连接；连接与所述基本点相邻的两个目标识别点；拟合所述基本点以及与所述基本点相邻的两个目标识别点连接所形成的形状，获得所述目标公共平面上的拟合四边形；若所述拟合四边形的旋转角为直角，则确定所述待识别视频中存在所述目标识别码。

本公开实施方式提供的识别码检测方法，一方面，在待识别视频的目标识别码的检测过程中，利用目标识别码在待识别视频中的时域上位置固定的特点，从该待识别视频的目标视频片段中抽取待识别关键帧，提高了目标识别码的检测速度，降低了所占用的计算资源和存储资源；另一方面，还结合目标识别码在待识别视频中的空间位置不变性和时间位置不变性，将抽取的每一待识别关键帧的目标轮廓的目标识别点投影至同一目标公共平面，从而可以联合该待识别视频中的多帧待识别关键帧的目标识别点进行目标识别码的检测，提升了目标识别码的识别准确性，由此可以达到目标识别码的检测耗时和性能之间的较好平衡。

本公开实施例提供的识别码检测方法在性能和准确性上有一个较好的平衡，识别码通常是出于品牌宣传或者个人身份标识识别的目的，可以应用于对互联网上包含识别码的图片或者视频的过滤。在互联网的视频平台中，通常需要对包含识别码的视频进行过滤与筛选，以便保持高质量的视频内容，同时提高宣传个体的知名度。这类识别码通常具有以下特点，一是，识别码的空间位置通常是固定的，即位置不变性；二是，识别码的时间位置也是固定的，即时间位置不变性。

包含目标识别码的待识别视频例如如图2和图3所示。

图2示意性示出了根据本公开的一实施例的待识别视频中的目标识别码为方形二维码的示意图。

如图2所示，假设台式计算机的显示屏幕210上正在播放待识别视频220，待识别视频220的左下角固定位置显示目标识别码230，目标识别码230为方形二维码，目标识别码230中包括右上角的定位图案(Position Detection Pattern)231、左上角的定位图案232和右下角的定位图案233。

图3示意性示出了根据本公开的一实施例的待识别视频中的目标识别码为圆形二维码的示意图。

如图3所示，假设智能手机的显示屏幕310上正在播放待识别视频320，待识别视频320的靠上侧中间位置显示目标识别码330，目标识别码330为圆形二维码，目标识别码330中包括左上角的定位图案331、右上角的定位图案332和左下角的定位图案333。

图2和图3的举例说明中，均设置目标识别码中包括处于三个不同角上的定位图案，因为采用三个不同角上的定位图案即可标识一个方形或者圆形二维码了，通过查找定位图案的目标轮廓，可以实现目标识别码的检测和定位，但本公开并不限定于此，在其他实施例中，目标识别码也可以在不同位置设置更多或者更少的定位图案。

图4示意性示出了根据本公开的一实施例的识别码检测方法的流程图。本公开实施例提供的识别码检测方法，可以包括视频抽帧策略的设计、目标识别码特征提取、目标识别码识别点检测、目标识别码的目标识别点判定和时域联合判别步骤。如图4所示，本公开实施例提供的方法可以包括以下步骤。

在步骤S410中，根据待识别视频中的目标视频码的位置不变性与时域不变性，抽取特定时间段内的待识别关键帧，以用于检测。

对于待识别视频中的目标识别码检测任务而言，抽帧策略比较重要，如果采用逐帧检测的方式，把每一帧都抽取出来会增加检测的冗余，冗余的检测带来的重复检测增加了算法的耗时性能。本公开实施例中充分利用待识别视频中目标识别码的位置不变性与时域的不变性的特点，通过抽取待识别视频指定时间段内的关键帧作为待识别关键帧进行检测，同时在待识别视频的时域上进行多帧的联合验证，可以达到既快又准的检测效果。

图5示意性示出了根据本公开的一实施例的视频抽帧的流程示意图。

如图5所示，从视频源501获取待识别视频，利用解码器502解码待识别视频，获得视频帧数据流503，执行关键帧抽取504步骤，获得视频关键帧505作为待识别关键帧。

其中，执行关键帧抽取504步骤具体可以包括：可以通过控制FFmpeg(FastForward Moving Picture Experts Group，快速前向动态图像专家组，是一种多媒体视频处理工具)的抽帧参数，例如设置指定时间段为待识别视频的前后10秒，得到目标视频片段的关键帧序列，抽帧类型为I帧作为待识别关键帧，最大抽帧个数为7。利用FFmpeg确定GOP，然后将每个GOP的第一帧作为待识别关键帧抽取出来。之所以采用指定时间段内的关键帧进行检测原因有两点，第一点是抽取出来的待识别关键帧的画面质量比较高，有利于提高检测的准确率，第二点是抽取出来的待识别关键帧是每个GOP的第一帧，基于GOP的识别码检测较大地减少了冗余的检测，在一个GOP内待识别视频的画面不存在剧烈的变化，即目标识别码的位置在GOP内具备一定的稳定性。

在步骤S420中，对目标识别码的空域特征进行处理和提取。

结合目标识别码的特点，对目标识别码的空域特征进行处理和提取，目标识别码特征提取的流程可以进一步包括步骤S421和S422。

在步骤S421中，将待识别关键帧进行颜色空间转换，从彩色空间映射到灰度空间，获得灰度图。

首先将待识别关键帧进行颜色空间转换，将待识别关键帧从彩色空间映射到灰度空间，即灰度化。

本公开实施例可以采用任意一种颜色空间转换已对彩色的待识别关键帧进行灰度化处理，例如分量法、最大法、平均法等，这里以采用加权平均法为例进行举例说明。

其中，加权平均法可以通过以下公式对待识别关键帧的各个像素的R、G、B分量进行加权平均，获得每个像素的灰度值Gray：

Gray＝0.2989R+0.5870G+0.1140B (1)

在步骤S422中，对灰度图利用边缘检测算法进行边缘特征提取，得到边缘特征图。

例如，对灰度图利用Canny边缘检测算法进行边缘特征提取，得到边缘特征图。

图6示意性示出了根据本公开的一实施例的待识别视频中的目标识别码为方形二维码时提取获得的边缘特征图的示意图。

图7示意性示出了根据本公开的一实施例的待识别视频中的目标识别码为圆形二维码时提取获得的边缘特征图的示意图。

在步骤S430中，目标识别码的识别点检测。

其中，识别点检测步骤具体可以包括如下的步骤S431-S433。

在步骤S431中，通过轮廓检测算法检测边缘特征图中包含的所有轮廓。

本公开实施例中，目标识别码的识别点周围存在规则的方形或者圆形，利用边缘特征图，通过轮廓检测算法检测边缘特征图中包含的所有轮廓。

在步骤S432中，对每个轮廓进行拟合得到拟合多边形。

本公开实施例中，由于目标识别码的识别点周围具有比较规则的形状(方形或者圆形)，对每个轮廓进行拟合得到拟合多边形，例如可以采用OpenCV中的approxPloyDP函数。

在步骤S433中，利用识别点是规则形状设计过滤条件去除噪声轮廓，得到目标轮廓。

本公开实施例中，利用目标识别码的识别点周围是规则形状这一条件设计过滤条件去除噪声轮廓。其中设计的过滤条件有以下几点，对检测到的每一个轮廓判断是否同时符合以下过滤条件：

a.轮廓的面积大于或等于轮廓阈值。

例如可以设置轮廓阈值为100像素面积，如10像素x10像素＝100像素面积。

b.轮廓的最小外接矩形的旋转角为直角。

本公开实施例中，最小外接矩形的四个角不管什么角度都是90度，这里需要满足轮廓的最小外接矩形的旋转角是直角的过滤条件。

b.轮廓的最小外接矩形的长宽比为长宽比预定值。

其中，长宽比预定值理论值为1，本公开实施例中中设置为0.95。

d.轮廓的拟合多边形的边数为4。

拟合多边形的边数为4，即将每个轮廓拟合为一个四边形。

e.轮廓的拟合多边形相邻三点组成的边为直角。

本公开实施例中，由于目标识别码的识别点为矩形，所以判断拟合多边形为矩形，但是矩形在多边形条件下无法判断，结合上述d过滤条件，才能判定为矩形。具体地，可以计算拟合多边形相邻三点组成的边的sin(正弦)值，理论值为1，本公开实施例中设置为0.98。

f.轮廓的拟合多边形为凸包，满足方形和圆形轮廓的要求。

通过以上过滤条件的过滤得到最终的目标轮廓。

在步骤S440中，目标识别码的目标识别点判定。

目标识别点判定步骤可以进一步包括如下步骤S441-S443。

在步骤S441中，计算目标轮廓的平均周长和每个拟合多边形的1阶中心矩，并将1阶中心矩作为目标轮廓的识别点。

在得到所有的目标轮廓后，首先计算目标轮廓的平均周长和每个目标轮廓的拟合多边形的1阶中心矩作为目标轮廓的质心，将目标轮廓的质心认为是目标轮廓的识别点。

在步骤S442中，通过计算识别点之间的欧式距离并设置该距离大于n倍(例如n＝3)的目标轮廓的平均周长来去除相近的识别点。

由于识别点周围可能存在多个包含识别点的目标轮廓，这样会导致识别点存在重复，随机选择一个识别点作为参考点，通过计算除参考点以外的其他识别点与该参考点之间的欧氏距离，并保留欧式距离大于3倍的目标轮廓的平均周长，并剔除欧式距离小于3倍的目标轮廓的平均周长的识别点，以用于去除相近的识别点。

在步骤S443中，通过计算识别点之间的欧式距离并设置该距离大于m倍(例如m＝40)的目标轮廓的平均周长来去除较远的离群点。

同时识别点中也可能存在离群点，确定所有识别点的一个中心点，然后分别判断每个识别点与该所有识别点的中心点之间的欧式距离是否大于目标轮廓的平均周长的40倍，若某个识别点与该所有识别点的中心点之间的欧式距离大于目标轮廓的平均周长的40倍，则认为该识别点为离群点，剔除该识别点，以用于去除较远的离群点；若某个识别点与该所有识别点的中心点之间的欧式距离小于或等于目标轮廓的平均周长的40倍，则保留该识别点。

将最终保留的识别点作为目标识别点。

图8示意性示出了基于图6所示的边缘特征图中的目标识别点的检测结果示意图。

如图8所述，目标识别点的检测结果包括左上角目标轮廓811及其目标识别点812，左下角目标轮廓821及其目标识别点822，右上角目标轮廓841及其目标识别点842，右下角目标轮廓831及其目标识别点832。

图9示意性示出了基于图7所示的边缘特征图中的目标识别点的检测结果示意图。

如图9所述，目标识别点的检测结果包括左上角目标轮廓911及其目标识别点912，左下角目标识别点922，右上角目标识别点932。

在步骤S450中，根据待识别视频中的目标识别码的位置不变性与时域不变性，将被检测的时域帧序列投影到同一目标公共平面，在待识别视频时域上进行多帧的联合验证。

本公开实施例中，考虑到待识别视频中的目标识别码通常在某一位置是固定不变的，在时域上目标识别码的空间位置具有不变性，利用这种特性，将被检测的时域帧序列(即将各待识别关键帧按照在待识别视频中的时间先后顺序排列形成的帧序列)投影到同一目标公共平面进行联合判定，一方面，可以避免因单帧的轮廓缺失而检测不到目标识别点的情况，另一方面，可以增加目标识别码检测的容错率。

具体地，可以将所有的待识别关键帧都投影到第一帧或者投影到一个公共平面作为其目标公共平面，这样检测结果就在同一个平面内去判断了，因为不一定所有待识别关键帧都会检测到目标识别点，这样通过投影把所有待识别关键帧的检测结果放在一起了，由于目标识别码的位置在时域上是不变的，所以不同待识别关键帧中的对应目标识别点的投影位置是一样的。

在示例性实施例中，可以在目标公共平面上建一个坐标系，例如将目标公共平面的左上角作为坐标原点，竖直向下的方向作为X轴，水平向右的方向作为Y轴，确定投影在目标公共平面上的各目标识别点的坐标值，把坐标值最小(即举例坐标原点距离最近)的目标识别点作为基本点，连接基本点相邻的两个目标识别点，并连接该两个目标识别点，例如假设将图8实施例中各目标识别点投影到第一帧，则可以将目标识别点812作为基本点，将目标识别点812与相邻的目标识别点822连接，将目标识别点812与相邻的目标识别点842连接，此时可以忽略右下角的目标识别点832，然后直接判断目标识别点812、目标识别点822、目标识别点842连接形成的是否为一个等腰直角三角形，若为一个等腰直角三角形，则判定该待识别视频中存在目标识别码，并可以根据目标识别点812、目标识别点822、目标识别点842的坐标值确定目标识别码的尺寸、位置等。若不为等腰直角三角形，则判定该待识别视频中不存在目标识别码。

在其他实施例中，还是以将图8实施例中各目标识别点投影到第一帧为例，则可以将目标识别点812作为基本点，将目标识别点812与相邻的目标识别点822连接，将目标识别点812与相邻的目标识别点842连接，此时可以忽略右下角的目标识别点832，然后拟合目标识别点812、目标识别点822、目标识别点842连接形成的形状获得一个拟合四边形，判断该拟合四边形的旋转角是否为直角，若为直角，则可以判定该待识别视频中存在目标识别码，并可以根据目标识别点812、目标识别点822、目标识别点842的坐标值确定目标识别码的尺寸、位置等。若不为直角，则判定该待识别视频中不存在目标识别码。

本公开实施例中，收集了2类视频平台的识别码数据作为测试集并进行人工标注，其中方形二维码和圆形二维码各500条数据对本公开实施例提供的识别码检测方法的效果进行验证：其中，性能为720p时，耗时16.67ms/frame(帧)；性能为1080p时，耗时46.34ms/frame。其中，准确率为圆形二维码：77.2％；方形二维码：69.04％。

本公开实施例提供的识别码检测方法，能够针对包含目标识别码的待识别视频进行检测，通过设计视频抽帧策略、目标识别码的特征提取、目标识别码的识别点检测、目标识别码的目标识别点判定和时域联合判别等步骤，结合目标识别码的空间位置不变性和时间位置不变性，减少了冗余耗时，专门设计针对目标识别码的轮廓的过滤条件，结合时域联合判别进一步提高检测的准确性，达到一个较高的检测性能，相对逐帧检测或者单帧检测的算法得到了一个较好地准确性与性能的平衡，具有较大的实际应用价值。

本公开实施例提供的识别码检测方法可以应用于较多的场景。

例如，包含识别码的视频在互联网上的传播是普遍存在的，用户在平台上传的视频通常是多种多样的，其中包含识别码的视频，无意间平台就会存在隐藏的平台品牌监管的风险，利用本公开实施例提供的方法可以减少品牌监管缺失造成的损失。

再例如，本公开实施例提供的识别码检测方法可以应用于优化云端视频存储，通过本公开实施例提供的识别码检测方法实现视频的云端过滤，从而将包含识别码的视频过滤掉，将更有价值的视频进行存储分发。

再例如，本公开实施例提供的识别码检测方法可以应用于视频编辑中，可以对视频的内容进行识别码检测，从而对编辑用户进行提示，提升用户体验并提高用户的版权意识，从而降低了平台的法律风险。

云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。

云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念，分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能，将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作，共同对外提供数据存储和业务访问功能的一个存储系统。

目前，存储系统的存储方法为：创建逻辑卷，在创建逻辑卷时，就为每个逻辑卷分配物理存储空间，该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。客户端在某一逻辑卷上存储数据，也就是将数据存储在文件系统上，文件系统将数据分成许多部分，每一部分是一个对象，对象不仅包含数据而且还包含数据标识(ID，ID entity)等额外的信息，文件系统将每个对象分别写入该逻辑卷的物理存储空间，且文件系统会记录每个对象的存储位置信息，从而当客户端请求访问数据时，文件系统能够根据每个对象的存储位置信息让客户端对数据进行访问。

存储系统为逻辑卷分配物理存储空间的过程，具体为：按照对存储于逻辑卷的对象的容量估量(该估量往往相对于实际要存储的对象的容量有很大余量)和独立冗余磁盘阵列(RAID，Redundant Array of Independent Disk)的组别，预先将物理存储空间划分成分条，一个逻辑卷可以理解为一个分条，从而为逻辑卷分配了物理存储空间。

图10示意性示出了根据本公开的一实施例的识别码检测装置的框图。如图10所示，本公开实施例提供的识别码检测装置1000可以包括待识别关键帧获取单元1010、目标轮廓多边形拟合单元1020、目标识别点定位单元1030、目标识别点投影单元1040以及目标识别点检测单元1050。

本公开实施例中，待识别关键帧获取单元1010可以用于获取待识别视频的目标视频片段中的待识别关键帧。目标轮廓多边形拟合单元1020可以用于获得每一待识别关键帧的目标轮廓及其拟合多边形。目标识别点定位单元1030可以用于根据每一待识别关键帧的目标轮廓及其拟合多边形，定位每一待识别关键帧的目标轮廓的目标识别点。目标识别点投影单元1040可以用于将每一待识别关键帧的目标轮廓的目标识别点投影至目标公共平面。目标识别码检测单元1050可以用于根据目标公共平面上的目标识别点检测所述待识别视频中的目标识别码。

在示例性实施例中，目标轮廓多边形拟合单元1020可以包括：轮廓检测单元，可以用于检测每一待识别关键帧中的轮廓；轮廓拟合单元，可以用于对每一待识别关键帧中的轮廓进行拟合，获得每一关键帧中的轮廓的拟合多边形；目标轮廓确定单元，可以用于根据每一待识别关键帧中的轮廓及其拟合多边形过滤每一待识别关键帧中的轮廓，从每一待识别关键帧的轮廓中确定每一待识别关键帧中的目标轮廓。

在示例性实施例中，轮廓检测单元可以包括：颜色空间转换单元，可以用于对每一待识别关键帧进行颜色空间转换，获得每一待识别关键帧的灰度图；边缘特征提取单元，可以用于对每一待识别关键帧的灰度图进行边缘特征提取，获得每一待识别关键帧的边缘特征图；轮廓提取单元，可以用于检测每一待识别关键帧的边缘特征图中的轮廓。

在示例性实施例中，目标轮廓确定单元可以包括：目标轮廓过滤单元，可以用于将满足以下条件的轮廓确定为所述目标轮廓：所述轮廓的面积大于或等于轮廓阈值；所述轮廓的最小外接矩形的旋转角为直角；所述轮廓的最小外接矩形的长宽比为长宽比预定值；所述轮廓的拟合多边形的边数为设定边数；所述轮廓的拟合多边形相邻三点组成的边为直角；所述轮廓的拟合多边形为凸包。

在示例性实施例中，目标识别点定位单元1030可以包括：轮廓平均周长计算单元，可以用于计算每一待识别关键帧中的目标轮廓的平均周长；中心矩计算单元，可以用于计算每一待识别关键帧中的目标轮廓的拟合多边形的指定阶中心矩，作为对应目标轮廓的识别点；目标识别点检测单元，可以用于根据每一待识别关键帧中的目标轮廓的平均周长，从每一待识别关键帧中的识别点中确定每一待识别关键帧的目标轮廓的目标识别点。

在示例性实施例中，目标识别点检测单元可以包括：参考点选择单元，可以用于从每一待识别关键帧中的识别点中随机选择一个识别点作为参考点；识别点剔除单元，可以用于剔除与所述参考点之间的距离小于或等于第一距离阈值的识别点，其中所述第一距离阈值等于对应待识别关键帧中的目标轮廓的平均周长的第一倍数；目标识别点确定单元，可以用于从剔除之后保留的识别点中确定每一待识别关键帧的目标轮廓的目标识别点。

在示例性实施例中，目标识别点确定单元可以包括：中心点确定单元，可以用于根据每一待识别关键帧的目标轮廓的识别点确定每一待识别关键帧的中心点；目标识别点判定单元，可以用于将与所述中心点之间的距离小于或等于第二距离阈值的识别点作为对应待识别关键帧的目标轮廓的目标识别点。其中，所述第二距离阈值等于对应待识别关键帧中的目标轮廓的平均周长的第二倍数，所述第二倍数大于所述第一倍数。

在示例性实施例中，目标识别码检测单元1050可以包括：基本点确定单元，可以用于将所述目标公共平面上距离坐标原点最近的目标识别点作为基本点；基本点连接单元，可以用于将所述基本点分别与所述目标公共平面上与所述基本点相邻的两个目标识别点连接；识别点连接单元，可以用于连接与所述基本点相邻的两个目标识别点；第一目标识别码判定单元，可以用于若所述基本点以及与所述基本点相邻的两个目标识别点连接形成等腰直角三角形，则确定所述待识别视频中存在所述目标识别码。

在示例性实施例中，目标识别码检测单元1050可以包括：基本点确定单元，可以用于将所述目标公共平面上距离坐标原点最近的目标识别点作为基本点；基本点连接单元，可以用于将所述基本点分别与所述目标公共平面上与所述基本点相邻的两个目标识别点连接；识别点连接单元，可以用于连接与所述基本点相邻的两个目标识别点；识别点拟合单元，可以用于拟合所述基本点以及与所述基本点相邻的两个目标识别点连接所形成的形状，获得所述目标公共平面上的拟合四边形；第二目标识别码判定单元，可以用于若所述拟合四边形的旋转角为直角，则确定所述待识别视频中存在所述目标识别码。

在示例性实施例中，待识别关键帧获取单元1010可以包括：目标视频片段提取单元，可以用于提取所述待识别视频的指定时间段作为所述目标视频片段；图像组获得单元，可以用于获得所述目标视频片段中的图像组；待识别关键帧确定单元，可以用于将每一图像组中的第一帧作为所述待识别关键帧。

本公开实施例的识别码检测装置的其它内容可以参照上述实施例。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。

下面参考图11，其示出了适于用来实现本申请实施例的电子设备的结构示意图。图11示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

参照图11，本公开实施例提供的电子设备可以包括：处理器1101、通信接口1102、存储器1103和通信总线1104。

其中处理器1101、通信接口1102和存储器1103通过通信总线1104完成相互间的通信。

可选的，通信接口1102可以为通信模块的接口，如GSM(Global System forMobile communications，全球移动通信系统)模块的接口。处理器1101用于执行程序。存储器1103用于存放程序。程序可以包括计算机程序，该计算机程序包括计算机操作指令。其中，程序中可以包括：游戏客户端的程序。

处理器1101可以是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本公开实施例的一个或多个集成电路。

存储器1103可以包含高速RAM(random access memory，随机存取存储器)存储器，也可以还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

其中，程序可具体用于：获取待识别视频的目标视频片段中的待识别关键帧；获得每一待识别关键帧的目标轮廓及其拟合多边形；根据每一待识别关键帧的目标轮廓及其拟合多边形，定位每一待识别关键帧的目标轮廓的目标识别点；将每一待识别关键帧的目标轮廓的目标识别点投影至目标公共平面；根据目标公共平面上的目标识别点检测所述待识别视频中的目标识别码。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例的各种可选实现方式中提供的方法。

需要理解的是，在本公开附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。