一种车辆检测方法、终端及其计算机可读存储介质

技术领域

本发明涉及图像处理技术领域，特别是涉及一种车辆检测方法、终端及其计算机可读存储介质。

背景技术

在我国，非机动车是非常重要的交通工具，许多人会用其进行短途出行。由于监管难度大且缺少保护装备，使用非机动车参与道路交通时尤其容易受到伤害，其中非法载人的情况更是加剧了这一现象的发生。目前随着计算机视觉技术的发展，基于图像的智能应用日渐普及，但此类技术目前在非机动车场景中的应用仍存在较多局限。由于缺乏可靠的机制去判定人员与非机动车的耦合关系，该方法在密集场景下容易出现误报等情况；而且对于一帧图片要通过两个模块分别进行检测，时间复杂度较高。

发明内容

本发明主要解决的技术问题是提供一种车辆检测方法、终端及其计算机可读存储介质，解决现有技术中非机动载人情况判定不准确的问题。

为解决上述技术问题，本发明采用的第一个技术方案是：提供一种车辆检测方法，该车辆检测方法包括：获取到待检测图像；检测出待检测图像中的人脸图像及其置信度、非机动车图像及其置信度以及各个非机动车的类型；利用人脸图像的置信度以及非机动车图像的置信度将人脸图像与非机动车图像构成至少一组人车检测对；将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，将重合度高于第一阈值的人脸图像确定为同一乘客；以及，将每个非机动车图像与其它人车检测对的非机动车图像进行对比，将重合度高于第二阈值的非机动车图像确定为同一个非机动车，以确定出每辆非机动车对应的乘客数量。

其中，将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，将重合度高于第一阈值的人脸图像确定为同一乘客；以及，将每个非机动车图像与其它人车检测对的非机动车图像进行对比，将重合度高于第二阈值的非机动车图像确定为同一个非机动车，以确定出每辆非机动车对应的乘客数量的步骤，还包括：如果不同的人车检测对中的非机动车图像对应的非机动车为同一辆非机动车，且人脸图像对应的乘客为不同的乘客，确定不同的用户乘坐同一辆非机动车。

其中，利用人脸图像的置信度以及非机动车图像的置信度将人脸图像与非机动车图像构成至少一组人车检测对的步骤，包括：将各个人脸图像的置信度依次与各个非机动车图像的置信度做加权处理，得到每组人脸图像与非机动车图像的置信度分数；将置信度分数不小于预设分数的人脸图像与非机动车图像组合确定为人车检测对。

其中，车辆检测方法还包括：删除置信度分数小于预设分数对应的人脸图像以及非机动车图像；并将不小于预设分数的置信度分数按照设定顺序进行存储。

其中，检测出待检测图像中的人脸图像及其置信度、非机动车图像及其置信度以及各个非机动车的类型的步骤，包括：检测出待检测图像中的人脸图像框及其置信度、非机动车图像框及其置信度以及各个非机动车的类型；利用人脸图像的置信度以及非机动车图像的置信度将人脸图像与非机动车图像构成至少一组人车检测对，包括：利用人脸图像的置信度以及非机动车图像的置信度将人脸图像框与非机动车图像框构成至少一组人车检测框对；将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，将重合度高于第一阈值的人脸图像确定为同一乘客；以及，将每个非机动车图像与其它人车检测对的非机动车图像进行对比，将重合度高于第二阈值的非机动车图像确定为同一个非机动车，以确定出每辆非机动车对应的乘客数量的步骤，包括：分别计算每一组人车检测对的人脸图像框与其它人车检测对中的人脸图像框的交并比，将交并比高于第一阈值的人脸图像框对应的乘客确定为同一乘客；以及，分别计算每个非机动车图像框与其它人车检测对的非机动车图像框的交并比，将交并比高于第二阈值的人脸图像框对应的乘客确定为同一辆非机动车。

其中，车辆检测方法还包括：根据非机动车的类型以及对应的乘客数量确定非机动车是否超载。

其中，根据非机动车的类型以及对应的乘客数量确定非机动车是否超载的步骤具体包括：根据非机动车的类型确定非机动车的最大载人数量；判断非机动车对应的乘客数量是否超过最大载人数量；如果超过，则判定非机动车违法载人。

其中，检测出待检测图像中的人脸图像及其置信度、非机动车图像及其置信度以及各个非机动车的类型的步骤，包括：通过深度学习目标检测模型对待检测图像进行检测得到人脸图像及其置信度、与人脸图像对应的非机动车图像及其置信度、非机动车的类型。

其中，检测出待检测图像中的人脸图像及其置信度、非机动车图像及其置信度以及各个非机动车的类型的步骤之前还包括：训练深度学习目标检测模型。

其中，训练深度学习目标检测模型的步骤具体包括：获取训练样本集，训练样本集包括多个图像样本，图像样本为标记有人脸图像真实区域框、非机动车真实区域框和非机动车的真实类别的图像；将图像样本输入到初始检测模型中进行特征提取得到基本特征图；对基本特征图进行检测得到人脸图像预测框以及与人脸图像成对的非机动车预测框；将成对的人脸图像预测框和非机动车预测框映射到基本特征图上得到成对的人脸图像特征图和非机动车特征图；成对的人脸图像特征图、非机动车特征图经过特征融合得到成对的人脸图像预测区域框、非机动车预测区域框、非机动车预测类别；通过人脸图像预测区域框与人脸图像真实区域框、非机动车预测区域框与非机动车真实区域框以及非机动车预测类别与非机动车真实类别构建损失函数；利用损失函数对初始检测模型进行迭代训练得到深度学习目标检测模型。

为解决上述技术问题，本发明采用的第二个技术方案是：提供一种终端，终端包括存储器、处理器以及存储于存储器中并在处理器上运行的计算机程序，处理器用于实现如上述车辆检测方法中的步骤。

为解决上述技术问题，本发明采用的第三个技术方案是：提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述车辆检测方法中的步骤。

本发明的有益效果是：区别于现有技术的情况，提供的一种车辆检测方法、终端及其计算机可读存储介质，该车辆检测方法包括：获取到待检测图像；检测出待检测图像中的人脸图像及其置信度、非机动车图像及其置信度以及各个非机动车的类型；利用人脸图像的置信度以及非机动车图像的置信度将人脸图像与非机动车图像构成至少一组人车检测对；将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，将重合度高于第一阈值的人脸图像确定为同一乘客；以及，将每个非机动车图像与其它人车检测对的非机动车图像进行对比，将重合度高于第二阈值的非机动车图像确定为同一个非机动车，以确定出每辆非机动车对应的乘客数量。本发明的车辆检测方法检测成对的人脸图像和非机动车，通过将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，剔除人脸图像重复的人车检测对；通过将每个非机动车图像与其它人车检测对的非机动车图像进行对比，筛选非机动车图像重复的人车检测对，进而有效提高对非机动载人情况判定结果，提高了检测精度。

附图说明

图1是本发明提供的车辆检测方法一实施例的流程示意图；

图2是本发明提供的车辆检测方法一具体实施例的流程示意图；

图3是图2提供的车辆检测方法中步骤S21一具体实施例的流程示意图；

图4是图2提供的车辆检测方法中步骤S29一具体实施例的流程示意图；

图5是本申请终端一实施方式的示意框图；

图6是本申请计算机可读存储介质一实施方式的示意框图。

具体实施方式

下面结合说明书附图，对本申请实施例的方案进行详细说明。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明所提供的一种目标跟踪方法做进一步详细描述。

请参阅图1，图1是本发明提供的车辆检测方法一实施例的流程示意图。为了便于描述，本申请实施例以终端作为执行主体进行描述，应理解，该车辆检测方法的执行主体并不仅限于终端，还可以应用于终端设备等具备图像处理功能的设备，该方法的具体步骤描述如下。

S11：获取到待检测图像。

具体地，获取的待检测图像，待检测图像中至少包含人脸图像和非机动车图像。

S12：检测出待检测图像中的人脸图像及其置信度、非机动车图像及其置信度以及各个非机动车的类型。

具体地，检测出待检测图像中的人脸图像框及其置信度、非机动车图像框及其置信度以及各个非机动车的类型。在一具体实施例中，通过深度学习目标检测模型对待检测图像进行检测得到人脸图像及其置信度、与人脸图像对应的非机动车图像及其置信度、非机动车的类型。

在一可选实施例中，检测出待检测图像中的人脸图像及其置信度、非机动车图像及其置信度以及各个非机动车的类型的步骤之前还包括训练深度学习目标检测模型。在一具体实施例中，获取训练样本集，训练样本集包括多个图像样本，图像样本为标记有人脸图像真实区域框、非机动车真实区域框和非机动车的真实类别的图像；将图像样本输入到初始检测模型中进行特征提取得到基本特征图；对基本特征图进行检测得到人脸图像预测框以及与人脸图像成对的非机动车预测框；将成对的人脸图像预测框和非机动车预测框映射到基本特征图上得到成对的人脸图像特征图和非机动车特征图；成对的人脸图像特征图、非机动车特征图经过特征融合得到成对的人脸图像预测区域框、非机动车预测区域框、非机动车预测类别；通过人脸图像预测区域框与人脸图像真实区域框、非机动车预测区域框与非机动车真实区域框以及非机动车预测类别与非机动车真实类别构建损失函数；利用损失函数对初始检测模型进行迭代训练得到深度学习目标检测模型。

S13：利用人脸图像的置信度以及非机动车图像的置信度将人脸图像与非机动车图像构成至少一组人车检测对。

具体地，将各个人脸图像的置信度依次与各个非机动车图像的置信度做加权处理，得到每组人脸图像与非机动车图像的置信度分数；将置信度分数不小于预设分数的人脸图像与非机动车图像组合确定为人车检测对。在一可选实施例中，删除置信度分数小于预设分数对应的人脸图像以及非机动车图像；并将不小于预设分数的置信度分数按照设定顺序进行存储。在一具体实施例中，利用人脸图像的置信度以及非机动车图像的置信度将人脸图像框与非机动车图像框构成至少一组人车检测框对。

S14：将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，将重合度高于第一阈值的人脸图像确定为同一乘客；以及，将每个非机动车图像与其它人车检测对的非机动车图像进行对比，将重合度高于第二阈值的非机动车图像确定为同一个非机动车，以确定出每辆非机动车对应的乘客数量。

具体地，如果不同的人车检测对中的非机动车图像对应的非机动车为同一辆非机动车，且人脸图像对应的乘客为不同的乘客，确定不同的用户乘坐同一辆非机动车。

在一具体实施例中，分别计算每一组人车检测对的人脸图像框与其它人车检测对中的人脸图像框的交并比，将交并比高于第一阈值的人脸图像框对应的乘客确定为同一乘客；以及，分别计算每个非机动车图像框与其它人车检测对的非机动车图像框的交并比，将交并比高于第二阈值的人脸图像框对应的乘客确定为同一辆非机动车。

在一可选实施例中，根据非机动车的类型以及对应的乘客数量确定非机动车是否超载。在一具体实施例中，根据非机动车的类型确定非机动车的最大载人数量；判断非机动车对应的乘客数量是否超过最大载人数量；如果超过，则判定非机动车违法载人。

本实施例提供的车辆检测方法包括：获取到待检测图像；检测出待检测图像中的人脸图像及其置信度、非机动车图像及其置信度以及各个非机动车的类型；利用人脸图像的置信度以及非机动车图像的置信度将人脸图像与非机动车图像构成至少一组人车检测对；将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，将重合度高于第一阈值的人脸图像确定为同一乘客；以及，将每个非机动车图像与其它人车检测对的非机动车图像进行对比，将重合度高于第二阈值的非机动车图像确定为同一个非机动车，以确定出每辆非机动车对应的乘客数量。本发明的车辆检测方法检测成对的人脸图像和非机动车，通过将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，剔除人脸图像重复的人车检测对；通过将每个非机动车图像与其它人车检测对的非机动车图像进行对比，筛选非机动车图像重复的人车检测对，进而有效提高对非机动载人情况判定结果，提高了检测精度。

请参阅图2、图3、图4，图2是本发明提供的车辆检测方法一具体实施例的流程示意图；图3是图2提供的车辆检测方法中步骤S21一具体实施例的流程示意图；图4是图2提供的车辆检测方法中步骤S29一具体实施例的流程示意图。为了便于描述，本申请实施例以终端作为执行主体进行描述，应理解，该车辆检测方法的执行主体并不仅限于终端，还可以应用于终端设备等具备图像处理功能的设备，该方法的具体步骤描述如下。

S21：训练深度学习目标检测模型。

具体地，请参阅图3，训练深度学习目标检测模型的步骤包括如下子步骤：

S211：获取训练样本集，训练样本集包括多个图像样本，图像样本为标记有人脸图像真实区域框、非机动车真实区域框和非机动车的真实类别的图像。

具体地，获取交通视频中的多帧图像样本组成训练样本集，图像样本至少包括一对人脸图像和非机动车的图像样本。其中，人脸图像与非机动车之间存在耦合关系，即人脸图像对应的人驾驶非机动车或搭乘非机动车。对每帧图像样本中的人脸图像以及与人脸图像存在耦合关系的非机动车进行标注，得到人脸图像真实区域框、非机动车真实区域框和非机动车的真实类别。在另一可选实施例中，也可以对人脸图像的真实类别进行标注。

S212：将图像样本输入到初始检测模型中进行特征提取得到基本特征图。

具体地，将未标注的图像样本输入到初始检测模型中，利用特征提取网络对输入的图像样本进行特征提取得到相应的基本特征图。

S213：对基本特征图进行检测得到人脸图像预测框以及与人脸图像成对的非机动车预测框。

具体地，利用双目标定位网络对S212得到的基本特征网络继续进行特征图提取，将特征图中的人脸图像位置和与人脸图像具有耦合关系的非机动车的位置进行预测，得到人脸图像预测框和非机动车预测框，该人脸图像预测框和非机动车预测框之间存在耦合关系。在一具体实施例中，利用Double Anchor RPN(Double Anchor Region ProposalNetwork，双目标区域生成网络)对基本特征图进行特征图提取，得到成对的人脸图像预测框和非机动车预测框。

S214：将成对的人脸图像预测框和非机动车预测框映射到基本特征图上得到成对的人脸图像特征图和非机动车特征图。

具体地，将上述存在耦合关系的人脸图像预测框和非机动车预测框回归到基本特征图上得到相应的人脸图像特征图和非机动车特征图。在一具体实施例中，将成对的人脸检测框和非机动车预测框映射到基本特征图上，通过ROI(Region Of Interest，感兴趣区域)提取得到人脸特征图和与人脸特征图成对的非机动车特征图。其中，ROI提取的方法包括ROI Pooling(感兴趣区域池化)、ROI Align(感兴趣区域对齐)、ROI Warp(感兴趣区域变形)中的至少一种方法。

当存在多对人脸特征图-非机动车特征图时，所有人脸特征图的大小相同，所有非机动车的特征图大小相同。例如，所有成对的非机动车特征图和人脸特征图中，所有的人脸特征图的大小为3*3，所有非机动车特征图的大小为5*5。

S215：成对的人脸图像特征图、非机动车特征图经过特征融合得到成对的人脸图像预测区域框、非机动车预测区域框、非机动车预测类别。

具体地，将成对的人脸特征图和非机动车特征图进行特征融合得到人脸预测区域框、非机动车预测区域框以及非机动车的预测类别；还检测得到人脸预测区域框的置信度以及非机动车预测区域框的置信度。在一可选实施例中，进行特征融合后还能得到人脸的预测类别。具体地，非机动车的预测类别可以为摩托车、三轮车、自行车、电动自行车等。人脸的类别可以为男人、女人、大人、小孩、戴头盔、未戴头盔等类别。

S216：通过人脸图像预测区域框与人脸图像真实区域框、非机动车预测区域框与非机动车真实区域框、非机动车预测类别与非机动车真实类别构建损失函数。

具体地，采用Smooth L1回归损失函数对人脸图像预测区域框与人脸图像真实区域框之间的误差值进行计算；采用交叉熵损失函数对人脸图像的预测类别与标注的人脸图像真实类别之间的误差值进行计算。采用Smooth L1回归损失函数对非机动车预测区域框与非机动车真实区域框之间的误差值进行计算；采用交叉熵损失函数对非机动车预测类别与非机动车真实类别之间的误差值进行计算。在另一可选实施例中，通过人脸图像预测区域框与人脸图像真实区域框、非机动车预测区域框与非机动车真实区域框、非机动车预测类别与非机动车真实类别构建损失函数。损失函数至少由人脸图像区域框的损失函数、非机动车图像区域框的损失函数、人脸图像类别损失函数和非机动车类别损失函数之和构成。

在一具体实施例中，由人脸图像区域框的损失函数、非机动车图像区域框的损失函数、人脸图像类别损失函数和非机动车类别损失函数之和构成的损失函数如下公式(1)所示。

L

式中：L

S217：利用损失函数对初始检测模型进行迭代训练得到深度学习目标检测模型。

具体地，通过获得的人脸图像预测区域框与人脸图像真实区域框之间的误差值、非机动车预测区域框与非机动车真实区域框之间的误差值、非机动车预测类别与非机动车真实类别之间的误差值、人脸图像预测类别与人脸图像真实类别之间的误差值对初始检测模型进行迭代训练得到深度学习目标检测模型。

在一可选实施例中，初始检测模型根据上述的损失函数的结果反向传导，根据损失函数反馈的损失值对初始检测模型的权重进行修正。在一可选实施例中，也可以对初始检测模型中的用Double Anchor RPN中的参数进行修正，实现对初始检测模型的训练。

将图像样本输入到初始检测模型中，初始检测模型对图像样本中的人脸图像和非机动车进行目标检测。当初始检测模型的检测结果的准确率达到预设的准确率阈值，准确率阈值可以自行设置，例如99％、95％等，则停止对初始检测模型的训练并获得深度学习目标检测模型。

S22：获取到待检测图像。

具体地，获取的待检测图像可以为道路上的抓拍摄像机获取，或者使电警、卡口、出入口等交通场景下的监控摄像头提供的视频帧。待检测图像也可以为通过其它渠道得到的视频帧或图像样本。

S23：通过深度学习目标检测模型对待检测图像进行检测得到人脸图像及其置信度、与人脸图像对应的非机动车图像及其置信度、非机动车的类型。

具体地，将S22得到的图像样本或视频帧输入到深度学习目标检测模型中，得到图像样本中人脸图像区域框及其人脸图像区域框的置信度、与人脸图像区域框成对的非机动车区域框及其非机动车区域框的置信度。还可以得到非机动车的类型，以供后续步骤使用。其中的人脸图像与存在耦合关系的非机动车图像组成人车检测框对。

在一具体实施例中，预先建立集合R＝{}，非机动车检测框集合B

S24：利用人脸图像的置信度以及非机动车图像的置信度将人脸图像框与非机动车图像框构成至少一组人车检测框对。

具体地，将各个人脸图像的置信度和与人脸图像成对的非机动车图像的置信度做加权处理，得到每组人脸图像与非机动车图像的置信度。将置信度分数不小于预设分数的人脸图像与非机动车图像组合确定为人车检测对。在另一可选实施例中，删除置信度分数小于预设分数对应的人脸图像以及非机动车图像；并将不小于预设分数的置信度分数按照设定顺序进行存储。

在一具体实施例中，首先预设好匹配过程中会使用到的参数，其中包括人脸检测框的得分权重λ，非机动车检测框阈值Ω

通过公式(2)计算所有人车检测对中每一人车检测对的最终置信度得分。

s

式中：s

若人车检测对的最终置信度得分s

S25：判断人脸检测框集合B

具体地，判断深度学习目标检测模型得到的所有人车检测对的最终置信度得分是否均小于置信度得分阈值Ω

如果人脸检测框集合B

S26：分别计算每一组人车检测对的人脸图像框与其它人车检测对中的人脸图像框的交并比，将交并比高于第一阈值的人脸图像框对应的乘客确定为同一乘客。

具体地，人脸检测框集合B

如果IOU

如果IOU

S27：分别计算每个非机动车图像框与其它人车检测对的非机动车图像框的交并比，将交并比高于第二阈值的人脸图像框对应的乘客确定为同一辆非机动车。

具体地，如果计算b

如果IOU

如果IOU

待集合B

S28：输出集合R。

具体地，如果集合B

S29：根据非机动车的类型以及对应的乘客数量确定非机动车是否超载。

具体地，请参阅图4，根据非机动车的类型以及对应的乘客数量确定非机动车是否超载具体包括如下子步骤：

S291：根据非机动车的类型确定非机动车的最大载人数量。

具体地，通过深度学习目标检测模型检测得到待检测图像中非机动车的类型。即确定(b

S292：判断非机动车对应的乘客数量是否超过最大载人数量。

具体地，确定(b

如果检测得到的该非机动车的载人数量大于该类型的非机动车的最大载人数量，则直接跳转至步骤S293；如果检测得到的该非机动车的载人数量不大于该类型的非机动车的最大载人数量，则直接跳转至步骤S294。

S293：判定非机动车违法载人。

具体地，当检测得到的该非机动车的载人数量大于该类型的非机动车的最大载人数量时，则该非机动车为违法载人。当该非机动车被判定为违法载人，则将该结果上报，并输出预警报告，输出方式包括并不局限于在原图上输出标注框及文字说明或截取异常的非机动车、人脸图像等方式。

S294：判定非机动车合法载人。

具体地，当检测得到的该非机动车的载人数量不大于该类型的非机动车的最大载人数量时，则该非机动车为合法载人。

本实施例提供的车辆检测方法包括：获取到待检测图像；检测出待检测图像中的人脸图像及其置信度、非机动车图像及其置信度以及各个非机动车的类型；利用人脸图像的置信度以及非机动车图像的置信度将人脸图像与非机动车图像构成至少一组人车检测对；将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，将重合度高于第一阈值的人脸图像确定为同一乘客；以及，将每个非机动车图像与其它人车检测对的非机动车图像进行对比，将重合度高于第二阈值的非机动车图像确定为同一个非机动车，以确定出每辆非机动车对应的乘客数量。本发明的车辆检测方法检测成对的人脸图像和非机动车，通过将每一组人车检测对的人脸图像与其它人车检测对中的人脸图像进行对比，剔除人脸图像重复的人车检测对；通过将每个非机动车图像与其它人车检测对的非机动车图像进行对比，筛选非机动车图像重复的人车检测对，进而有效提高对非机动载人情况判定结果，提高了检测精度。

参阅图5，图5是本申请终端一实施方式的示意框图。如图5所示，该实施方式的终端70包括：处理器71、存储器72以及存储在存储器72中并可在处理器71上运行的计算机程序该计算机程序被处理器71执行时实现上述车辆检测方法，为避免重复，此处不一一赘述。

参阅图6，图6是本申请计算机可读存储介质一实施方式的示意框图。

本申请的实施方式中还提供一种计算机可读存储介质80，计算机可读存储介质80存储有计算机程序801，计算机程序801中包括程序指令，处理器执行程序指令，实现本申请实施方式提供的任一项车辆检测方法。

其中，计算机可读存储介质80可以是前述实施方式的计算机设备的内部存储单元，例如计算机设备的硬盘或内存。计算机可读存储介质80也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

以上仅为本发明的实施方式，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。