一种检测车道线的方法、装置、设备和可读存储介质

技术领域

本申请涉及目标检测的领域，具体而言，涉及一种检测车道线的方法、装置、设备和可读存储介质。

背景技术

目前，随着计算机硬件性能的不断提升和人工智能领域的不断发展，深度学习技术成为车道线检测的主流，在深度学术领域，可以将车道线检测分为基于分割、基于锚点、基于参数曲线和基于关键点四种检测方法。早期对车道标线检测的研究主要采用语义分割的方法，逐像素划分车道线区域与背景。

然而，在基于分割的车道线检测方法中，基于语义分割的方法经常导致预测的车道线出现重叠现象，而基于实例分割的方法虽然能避免车道线重叠，但由于难以控制车道线的候选数量，需要比较大的计算开销，基于锚点的方法的主要问题是需要根据不同的驾驶场景人为预设锚点，这种方法在应对不同驾驶场景的灵活性不足，存在较大的主观因素。

因此，如何准确的检测车道线，是一个需要解决的技术问题。

发明内容

本申请实施例的目的在于提供一种检测车道线的方法，通过本申请的实施例的技术方案可以达到准确的检测车道线的效果。

第一方面，本申请实施例提供了一种检测车道线的方法，包括，提取目标道路图像的道路特征；基于道路特征，预测目标道路车道线的中心点分布，得到置信度图；筛选置信度图中每一目标道路车道线上置信度最高的中心点，得到多个中心点；聚类多个中心点，得到目标车道线实例。

本申请在上述实施例中，通过提取目标道路的特征，可以预测道路上车道线上的中心点分布，进而通过聚类中心点，可以得每一中心点对应的车道线，可以达到准确的检测车道线的效果。

在一些实施例中，提取目标道路图像的道路特征，包括：通过高分辨率网络提取目标道路图像的特征，并对特征进行编码，得到道路特征。

本申请在上述实施例中，通过高分辨率网络提取目标道路图像的特征，可以达到准确的提取目标道路特征的效果。

在一些实施例中，基于道路特征，预测目标道路车道线的中心点分布，得到置信度图，包括：建立数学积分，计算目标道路车道线上每个点的弧长积分；通过每个点的弧长积分，计算目标道路车道线的中心点；归一化目标道路车道线的中心点，得到目标道路车道线的中心点对应的多个置信度；绘制多个置信度对应的置信度图。

本申请在上述实施例中，使用曲线弧长路径积分方法可以避免车道线的中心点分布图出现多峰现象，并且可以在车道线是直线且和图片水平对齐的情况下有效计算中心点。

在一些实施例中，筛选置信度图中每一目标道路车道线上置信度最高的中心点，得到多个中心点，包括：通过中心最远点采样算法，根据置信度图上每个点的置信度和空间距离筛选每一目标道路车道线上的中心点，得到多个中心点。

本申请在上述实施例中，通过中心最远点采样算法计算中心点，可以高效准确地投票选出候选车道线，避免了因为候选过多导致无效计算的现象，显著降低计算开销。

在一些实施例中，聚类多个中心点，得到目标车道线实例，包括：筛选多个中心点所在位置的通道数特征；复制通道数特征，得到复制后的通道数特征，其中，通道数特征与道路特征大小相同；合并复制后的通道数特征和道路特征，得到合并特征；通过卷积操作将合并特征降维，得到目标车道线实例。

本申请在上述实施例中，通过局部位置特征提取复制，然后与道路特征合并后，通过卷积操作进行特征提取，可以准确的得到车道线检测结果。

在一些实施例中，在聚类多个中心点，得到目标车道线实例之后，还包括：将编码后的道路特征降至一维，得到目标车道线的全局语义图；通过全局语义图生成最终中心点分布图。

本申请在上述实施例中，通过降维的方式获取全局语义图，可以指导生成更为精确的车道线实例。

在一些实施例中，在聚类多个中心点，得到目标车道线实例之后，还包括：计算中心点分布图、目标车道线实例以及全局语义图的总体损失；通过总体损失调整车道检测网络的参数，得到修正后的车道检测网络；通过修正后的车道检测网络识别目标道路图像，得到最终目标车道线检测结果。

本申请在上述实施例中，通过计算总体损失以及车道检测网络的校准，可以提高车道检测网络的精度，达到更准确的检测车道线的效果。

第二方面，本申请实施例提供了一种检测车道线的装置，包括：

提取模块，用于提取目标道路图像的道路特征；

预测模块，用于基于道路特征，预测目标道路车道线的中心点分布，得到置信度图；

筛选模块，用于筛选置信度图中每一目标道路车道线上置信度最高的中心点，得到多个中心点；

聚类模块，用于聚类多个中心点，得到目标车道线实例。

可选的，提取模块具体用于：

通过高分辨率网络提取目标道路图像的特征，并对特征进行编码，得到道路特征。

可选的，预测模块具体用于：

建立数学积分，计算目标道路车道线上每个点的弧长积分；

通过每个点的弧长积分，计算目标道路车道线的中心点；

归一化目标道路车道线的中心点，得到目标道路车道线的中心点对应的多个置信度；

绘制多个置信度对应的置信度图。

可选的，筛选模块具体用于：

通过中心最远点采样算法，根据置信度图上每个点的置信度和空间距离筛选每一目标道路车道线上的中心点，得到多个中心点。

可选的，聚类模块具体用于括：

筛选多个中心点所在位置的通道数特征；

复制通道数特征，得到复制后的通道数特征，其中，通道数特征与道路特征大小相同；

合并复制后的通道数特征和道路特征，得到合并特征；

通过卷积操作将合并特征降维，得到目标车道线实例。

可选的，所述装置还包括：

降维模块，用于所述聚类模块在聚类多个中心点，得到目标车道线实例之后，将编码后的道路特征降至一维，得到目标车道线的全局语义图；

通过全局语义图生成最终中心点分布图。

可选的，所述装置还包括：

校准模块，用于所述聚类模块在聚类多个中心点，得到目标车道线实例之后，计算中心点分布图、目标车道线实例以及全局语义图的总体损失；

通过总体损失调整车道检测网络的参数，得到修正后的车道检测网络；

通过修正后的车道检测网络识别目标道路图像，得到最终目标车道线检测结果。

第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。

第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种检测车道线的方法的流程图；

图2为本申请实施例提供的一种车道特征解码的方法的操作示意图；

图3为本申请实施例提供的一种车道线检测网络的结构示意图；

图4为本申请实施例提供的一种检测车道线的装置的示意框图；

图5为本申请实施例提供的一种检测车道线的装置的结构示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和显示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本申请应用于目标检测的场景，具体场景为通过深度学习网络检测含有车道线的图像，提取车道特征，通过算法计算车道特征，获取车道中心点，进而聚类中心点实现车道线的检测。

目前，随着计算机硬件性能的不断提升和人工智能领域的不断发展，深度学习技术成为车道线检测的主流，在深度学术领域，可以将车道线检测分为基于分割、基于锚点、基于参数曲线和基于关键点四种检测方法。早期对车道标线检测的研究主要采用语义分割的方法，逐像素划分车道线区域与背景。然而，在基于分割的车道线检测方法中，基于语义分割的方法经常导致预测的车道线出现重叠现象，而基于实例分割的方法虽然能避免车道线重叠，但由于难以控制车道线的候选数量，需要比较大的计算开销，基于锚点的方法的主要问题是需要根据不同的驾驶场景人为预设锚点，这种方法在应对不同驾驶场景的灵活性不足，存在较大的主观因素。

为此本申请通过提取目标道路图像的道路特征；基于道路特征，预测目标道路车道线的中心点分布，得到置信度图；筛选置信度图中每一目标道路车道线上置信度最高的中心点，得到多个中心点；聚类多个中心点，得到目标车道线实例。通过提取目标道路的特征，可以预测道路上车道线上的中心点分布，进而通过聚类中心点，可以得每一中心点对应的车道线，可以达到准确的检测车道线的效果。

本申请实施例中，执行主体可以为检测车道线系统中的检测车道线设备，实际应用中，检测车道线设备可以为终端设备和服务器等电子设备，在此不做限制。

下面结合图1对本申请实施例的检测车道线的方法进行详细描述。

请参看图1，图1为本申请实施例提供的一种检测车道线的方法的流程图，如图1所示的检测车道线的方法包括：

步骤110：提取目标道路图像的道路特征。

其中，目标道路图像可以是任何场景下含有车道线的道路图像。道路特征包括道路上车道线的位置、形状、大小以及车道线上点等相关数据特征。

在一种实施例中，提取目标道路图像的道路特征，可以通过深度学习图像检测方法检测目标道路图像，通过目标检测模型检测道路特征。

在本申请的一些实施例中，提取目标道路图像的道路特征，包括：通过高分辨率网络提取目标道路图像的特征，并对特征进行编码，得到道路特征。

本申请在上述过程中，通过高分辨率网络提取目标道路图像的特征，可以达到准确的提取目标道路特征的效果。

其中，高分辨网络可以是在现有目标检测网络(例如，HRNet)基础上增加一定的网络结构得到的，例如可以增加卷积层和函数，对特征进行编码可以通过编码层的PointEmbedding。

步骤120：基于道路特征，预测目标道路车道线的中心点分布，得到置信度图。

其中，置信度图包括车道线上的点，以及中心点置信度，置信度越高代表该点越可能是车道线的中心点。

在本申请的一些实施例中，基于道路特征，预测目标道路车道线的中心点分布，得到置信度图，包括：建立数学积分，计算目标道路车道线上每个点的弧长积分；通过每个点的弧长积分，计算目标道路车道线的中心点；归一化目标道路车道线的中心点，得到目标道路车道线的中心点对应的多个置信度；绘制多个置信度对应的置信度图。

本申请在上述过程中，使用曲线弧长路径积分方法可以避免车道线的中心点分布图出现多峰现象，并且可以在车道线是直线且和图片水平对齐的情况下有效计算中心点。

可选的，数学积分形式如下：

其中r:

可选的，计算目标道路车道线上每个点的弧长积分可以通过如公式得到：

其中，S

可选的，通过每个点的弧长积分，计算目标道路车道线的中心点，通过计算每个点到起始点的弧长积分，然后除以总弧长，可以得到每个关键点的相对值，本申请通过车道线中心点位置的相对值为0.5，为了使中心点位置的相对值为1，而远离中心点的相对值逐渐降低到0可以通过弧长积分确定弧线上的多个点，数量一半对应中间的点即车道线的中心点；

可选的，归一化目标道路车道线的中心点，得到目标道路车道线的中心点对应的多个置信度可以通过如下公式得到：

其中，C

步骤130：筛选置信度图中每一目标道路车道线上置信度最高的中心点，得到多个中心点。

其中，中心点表示每一车道线的中心点。

在本申请的一些实施例中，筛选置信度图中每一目标道路车道线上置信度最高的中心点，得到多个中心点，包括：通过中心最远点采样算法，根据置信度图上每个点的置信度和空间距离筛选每一目标道路车道线上的中心点，得到多个中心点。

本申请在上述过程中，通过中心最远点采样算法计算中心点，可以高效准确地投票选出候选车道线，避免了因为候选过多导致无效计算的现象，显著降低计算开销。

步骤140：聚类多个中心点，得到目标车道线实例。

其中，聚类可以是将多个中心点放在一起，生成每一中心点对应的车道线实例。

在本申请的一些实施例中，聚类多个中心点，得到目标车道线实例，包括：筛选多个中心点所在位置的通道数特征；复制通道数特征，得到复制后的通道数特征，其中，通道数特征与道路特征大小相同；合并复制后的通道数特征和道路特征，得到合并特征；通过卷积操作将合并特征降维，得到目标车道线实例。

本申请在上述过程中，通过局部位置特征提取复制，然后与道路特征合并后，通过卷积操作进行特征提取，可以准确的得到车道线检测结果。

其中，

在本申请的一些实施例中，在聚类多个中心点，得到目标车道线实例之后，还包括：将编码后的道路特征降至一维，得到目标车道线的全局语义图；通过全局语义图生成最终中心点分布图。

本申请在上述过程中，通过降维的方式获取全局语义图，可以指导生成更为精确的车道线实例。

其中，步骤110-步骤140可以理解为一个深度学习车道线检测网络检测车道线的步骤，结合步骤120和步骤130的方法，将编码后的道路特征降至一维，得到目标车道线的全局语义图，这部分内容可以理解为是车道线检测网络特征解码的过程，对应的分别为Centerness Head、Grouping Head和Semantic Head，对应的Centerness Head的模块由4个卷积层、归一化层和激活函数组成，对应Grouping Head的模块由3个卷积层、归一化层和激活函数组成，对应Semantic Head的模块由4个卷积层、归一化层和激活函数组成。

可选的，车道线检测网络特征解码的过程可以通过图2进行详细描述；

请参看图2，图2为本申请提供的一种车道特征解码的方法的操作示意图，如图2所示的方法包括：

Grouping Head负责将编码后的特征升至128维产生的Grouping Map(分组图)，c为通道数，h为特征图的高度，w为特征图的宽度。Grouping Map上面的五角星代表C-FPS算法投票得出的某根车道线的中心点所在位置，取出此位置的C维特征，并采用Broadcast(复制)操作将其复制成与Grouping Map一样大小，将复制后的特征与Grouping Map进行Concat(合并)操作得到的特征，最终进行Conv(卷积)操作降至一维得到Seed Mask。Semantic Head负责将编码后的特征降至1维，得到车道线的全局语义图。在推理过程中，结合全局语义图可以生成更为准确的中心点分布图，降低预测误检率，提高模型的识别精度。

可选的，由于C-FPS投票选出K个种子点，即筛选出的中心点，因此通过Grouping会产生K个Seed Mask，每个Seed Mask代表Grouping根据对应的种子点位置聚类产生的车道线实例。由于Seed Mask共有K个，可能会有重叠度极高的车道线，Instance Attention负责进一步筛选Seed Mask，最终得到N个车道线实例(N<＝K)。具体过程为：选择中心点置信度和交叉实例注意力分数作为筛选重叠度极高的Seed Mask的关键因素。

例如，当有两个车道线实例时，可以通过如下公式进行校准：

其中，×代表逐元素乘法，Y表示地面实况中车道线像素的数量。可由此函数计算第i个和第j个Seed Mask之间的交叉实例注意力分数a

在本申请的一些实施例中，在聚类多个中心点，得到目标车道线实例之后，还包括：计算中心点分布图、目标车道线实例以及全局语义图的总体损失；通过总体损失调整车道检测网络的参数，得到修正后的车道检测网络；通过修正后的车道检测网络识别目标道路图像，得到最终目标车道线检测结果。

本申请在上述过程中，通过计算总体损失以及车道检测网络的校准，可以提高车道检测网络的精度，达到更准确的检测车道线的效果。

其中，计算中心点分布图、目标车道线实例以及全局语义图的总体损失，可以通过如下公式获取：

L＝L

其中，L

可选的，步骤110-步骤140表示所示的检测车道线的方法，对应的用到的车道线检测网络可以通过图3所示的结构进行详细描述。

请参看图3，图3为本申请提供的一种车道线检测网络的结构示意图，如图3所示的车道线检测网络包括：

Backbone(主干网络)、Point Embedding(编码层)、Centerness Head(解码层之一)、Grouping Head(解码层之一)、Semantic Head(解码层之一)、Grouping(分组层)和Instance Attention(过滤层)。

其中，Point Embedding负责对提取的特征进行编码。解码部分包括CenternessHead、Grouping Head和Semantic Head。Centerness Head会预测车道线的中心点分布，生成置信度图。随后，应用C-FPS算法投票选出车道线的K个种子点(K seeds，一般为每根车道线上得分最高的中心点)，Grouping Head根据种子点的位置进行聚类生成K个Seed Mask(种子点掩码，即中心点对应的车道线实例)，经过Instance Attention最终得到N(N<＝K)个车道线实例。此外，Semantic Head提供车道线的全局语义信息，指导生成更准确的SeedMask(车道线实例)。

在上述图1所示的过程中，本申请通过提取目标道路图像的道路特征；基于道路特征，预测目标道路车道线的中心点分布，得到置信度图；筛选置信度图中每一目标道路车道线上置信度最高的中心点，得到多个中心点；聚类多个中心点，得到目标车道线实例。通过提取目标道路的特征，可以预测道路上车道线上的中心点分布，进而通过聚类中心点，可以得每一中心点对应的车道线，可以达到准确的检测车道线的效果。

前文通过图1-图3描述了检测车道线的方法，下面结合图4-图5描述检测车道线的装置。

请参照图4，为本申请实施例中提供的一种检测车道线的装置400的示意框图，该装置400可以是电子设备上的模块、程序段或代码。该装置400与上述图1方法实施例对应，能够执行图1方法实施例涉及的各个步骤，该装置400具体的功能可以参见下文中的描述，为避免重复，此处适当省略详细描述。

可选的，所述装置400包括：

提取模块410，用于提取目标道路图像的道路特征；

预测模块420，用于基于道路特征，预测目标道路车道线的中心点分布，得到置信度图；

筛选模块430，用于筛选置信度图中每一目标道路车道线上置信度最高的中心点，得到多个中心点；

聚类模块440，用于聚类多个中心点，得到目标车道线实例。

可选的，提取模块具体用于：

通过高分辨率网络提取目标道路图像的特征，并对特征进行编码，得到道路特征。

可选的，预测模块具体用于：

建立数学积分，计算目标道路车道线上每个点的弧长积分；通过每个点的弧长积分，计算目标道路车道线的中心点；归一化目标道路车道线的中心点，得到目标道路车道线的中心点对应的多个置信度；绘制多个置信度对应的置信度图。

可选的，筛选模块具体用于：

通过中心最远点采样算法，根据置信度图上每个点的置信度和空间距离筛选每一目标道路车道线上的中心点，得到多个中心点。

可选的，聚类模块具体用于括：

筛选多个中心点所在位置的通道数特征；复制通道数特征，得到复制后的通道数特征，其中，通道数特征与道路特征大小相同；合并复制后的通道数特征和道路特征，得到合并特征；

通过卷积操作将合并特征降维，得到目标车道线实例。

可选的，所述装置还包括：

降维模块，用于所述聚类模块在聚类多个中心点，得到目标车道线实例之后，将编码后的道路特征降至一维，得到目标车道线的全局语义图；通过全局语义图生成最终中心点分布图。

可选的，所述装置还包括：

校准模块，用于所述聚类模块在聚类多个中心点，得到目标车道线实例之后，计算中心点分布图、目标车道线实例以及全局语义图的总体损失；通过总体损失调整车道检测网络的参数，得到修正后的车道检测网络；通过修正后的车道检测网络识别目标道路图像，得到最终目标车道线检测结果。

请参照图5为本申请实施例中提供的一种检测车道线的装置的结构示意框图，该装置可以包括存储器510和处理器520。可选的，该装置还可以包括：通信接口530和通信总线540。该装置与上述图1方法实施例对应，能够执行图1方法实施例涉及的各个步骤，该装置具体的功能可以参见下文中的描述。

具体的，存储器510，用于存储计算机可读指令。

处理器520，用于处理存储器存储的可读指令，能够执行图1方法中的各个步骤。

通信接口530，用于与其他节点设备进行信令或数据的通信。例如：用于与服务器或者终端的通信，或者与其它设备节点进行通信，本申请实施例并不限于此。

通信总线540，用于实现上述组件直接的连接通信。

其中，本申请实施例中设备的通信接口530用于与其他节点设备进行信令或数据的通信。存储器510可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器510可选的还可以是至少一个位于远离前述处理器的存储装置。存储器510中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器520执行时，电子设备执行上述图1所示方法过程。处理器520可以用于装置400上，并且用于执行本申请中的功能。示例性地，上述的处理器520可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，本申请实施例并不局限于此。

本申请实施例还提供一种可读存储介质，所述计算机程序被处理器执行时，执行如图1所示方法实施例中电子设备所执行的方法过程。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本申请实施例提供一种检测车道线的方法、装置、电子设备和可读存储介质，该方法包括，提取目标道路图像的道路特征；基于道路特征，预测目标道路车道线的中心点分布，得到置信度图；筛选置信度图中每一目标道路车道线上置信度最高的中心点，得到多个中心点；聚类多个中心点，得到目标车道线实例。通过该方法可以达到准确的检测车道线的效果。

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，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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部分可以以软件产品的形式体现出来，该计算机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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

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。