基于误差纠正的深度估计方法、装置、电子设备

技术领域

本发明涉及车辆自动驾驶技术领域，尤其涉及一种基于误差纠正的深度估计方法、装置、电子设备。

背景技术

深度估计是计算机视觉领域的一个基础性问题，其可以应用在机器人导航、增强现实、三维重建、自动驾驶等领域。而目前大部分深度估计都是基于二维RGB图像到RBG-D图像的转化估计，主要包括从图像明暗、不同视角、光度、纹理信息等获取场景深度形状的Shape from X方法，还有结合SFM(Structure from motion)和SLAM(SimultaneousLocalization And Mapping)等方式预测相机位姿的算法。

在自动驾驶领域，深度是执行感知、导航和轨迹规划的关键参数，单目深度估计常用于自动驾驶，用来估计目标的深度，以确保自动驾驶汽车安全运行。现有方法的单目深度估计没有对预测的深度进行误差纠正，使得深度估计结果不准确。

发明内容

针对现有技术中存在的问题，本发明提供的一种基于误差纠正的深度估计方法、装置、电子设备，旨在解决现有技术中单目深度估计缺少误差纠正导致深度估计结果不准确的问题。

本发明提供一种基于误差纠正的深度估计方法，包括：

获取单目相机拍摄的目标车辆图像；

将所述目标车辆图像输入目标检测与深度估计模型，得到所述目标检测与深度估计模型输出的目标车辆的深度数据，所述深度数据包括：深度预测值、车辆目标框尺寸和车牌目标框尺寸；

将所述深度预测值、所述车辆目标框尺寸和所述车牌目标框尺寸输入深度误差纠正模型，得到所述深度误差纠正模型输出的深度误差值；

将所述深度预测值与所述深度误差值相加，以确定目标车辆的最终深度值，

其中，所述目标检测与深度估计模型基于目标车辆样本图像及所述目标车辆样本图像对应的第一标签训练得到，所述第一标签包括深度真值、车辆目标框尺寸真值和车牌目标框尺寸真值；

所述深度误差纠正模型基于深度样本数据及对应的第二标签训练得到，所述深度样本数据基于所述目标检测与深度估计模型输出的深度数据形成，所述第二标签为深度真值与深度预测值的差值。

根据本发明提供的一种基于误差纠正的深度估计方法，所述目标检测与深度估计模型包括：特征提取层和网络输出层；

所述特征提取层用于提取所述目标车辆图像的深度特征；

所述网络输出层用于根据所述深度特征预测所述深度预测值、所述车辆目标框尺寸和所述车牌目标框尺寸。

根据本发明提供的一种基于误差纠正的深度估计方法，将所述目标车辆图像输入目标检测与深度估计模型，得到所述目标检测与深度估计模型输出的目标车辆的深度数据，所述深度数据包括：深度预测值、车辆目标框尺寸和车牌目标框尺寸，包括：

将所述目标车辆图像输入所述特征提取层，以得到所述深度特征；

将所述深度特征输入所述网络输出层，以输出预测的所述深度预测值、所述车辆目标框尺寸和所述车牌目标框尺寸。

根据本发明提供的一种基于误差纠正的深度估计方法，所述深度误差纠正模型包括：全连接层；

所述全连接层连接所述目标检测与深度估计模型的网络输出层；

所述全连接层用于根据所述深度预测值、所述车辆目标框尺寸和所述车牌目标框尺寸预测所述深度误差值。

根据本发明提供的一种基于误差纠正的深度估计方法，将所述深度预测值、所述车辆目标框尺寸和所述车牌目标框尺寸输入深度误差纠正模型，得到所述深度误差纠正模型输出的深度误差值，包括：

将所述深度预测值、所述车辆目标框尺寸和所述车牌目标框尺寸输入所述全连接层，以输出预测的所述深度误差值。

根据本发明提供的一种基于误差纠正的深度估计方法，在将所述目标车辆图像输入目标检测与深度估计模型之前，还包括：训练所述目标检测与深度估计模型，具体包括：

将所述目标车辆样本图像输入所述特征提取层；

所述特征提取层提取所述目标车辆样本图像的样本特征；

所述网络输出层根据所述样本特征输出训练结果，所述训练结果包括：深度预测值训练结果、车辆目标框尺寸训练结果和车牌目标框尺寸训练结果；

将所述深度预测值训练结果、所述车辆目标框尺寸训练结果和所述车牌目标框尺寸训练结果，以及相应的第一标签带入第一损失函数，在所述第一损失函数收敛时，训练完成。

根据本发明提供的一种基于误差纠正的深度估计方法，对所述目标检测与深度估计模型完成训练后，在将所述深度预测值、所述车辆目标框尺寸和所述车牌目标框尺寸输入深度误差纠正模型之前，还包括：训练所述深度误差纠正模型，具体包括：

获取完成训练的所述目标检测与深度估计模型输出的深度数据，以形成对应的深度样本数据；

将所述深度样本数据输入所述全连接层；

所述全连接层根据所述深度样本数据输出深度误差值训练结果；

将所述深度误差值训练结果及相应的第二标签带入第二损失函数，在所述第二损失函数收敛时，训练完成。

本发明还提供一种基于误差纠正的深度估计装置，包括：

图像获取模块，用于获取单目相机拍摄的目标车辆图像；

第一模型预测模块，用于将所述目标车辆图像输入目标检测与深度估计模型，得到所述目标检测与深度估计模型输出的目标车辆的深度数据，所述深度数据包括：深度预测值、车辆目标框尺寸和车牌目标框尺寸；

第二模型预测模块，用于将所述深度预测值、所述车辆目标框尺寸和所述车牌目标框尺寸输入深度误差纠正模型，得到所述深度误差纠正模型输出的深度误差值；

深度值计算模块，用于将所述深度预测值与所述深度误差值相加，以确定目标车辆的最终深度值；

其中，所述目标检测与深度估计模型基于目标车辆样本图像及所述目标车辆样本图像对应的第一标签训练得到，所述第一标签包括深度真值、车辆目标框尺寸真值和车牌目标框尺寸真值；

所述深度误差纠正模型基于深度样本数据及对应的第二标签训练得到，所述深度样本数据基于所述目标检测与深度估计模型输出的深度数据形成，所述第二标签为深度真值与深度预测值的差值。

本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的基于误差纠正的深度估计方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于误差纠正的深度估计方法。

本发明提供的一种基于误差纠正的深度估计方法、装置、电子设备，通过将单目相机拍摄的目标车辆图像输入目标检测与深度估计模型，得到目标检测与深度估计模型输出的目标车辆的深度预测值、车辆目标框尺寸和车牌目标框尺寸；通过将深度预测值、车辆目标框尺寸和车牌目标框尺寸输入深度误差纠正模型，得到深度误差纠正模型输出的深度误差值；最后，将深度预测值与深度误差值相加，以确定目标车辆的最终深度值。相较于现有技术对预测的深度不进行深度误差纠正而导致深度预测不准确，本发明通过车辆目标框尺寸及车牌目标框尺寸预测深度误差值，通过该深度误差值纠正深度预测值的误差，能够实现对预测的深度进行误差纠正，提升了深度预测精度。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术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为本发明提供的一种基于误差纠正的深度估计方法的流程示意图；

图2为本发明提供的一种基于误差纠正的深度估计方法中目标检测与深度估计模型和深度误差纠正模型的结构示意图；

图3为本发明提供的一种基于误差纠正的深度估计装置的结构示意图；

图4为本发明提供的电子设备的结构示意图。

附图标记：

21：图像获取模块；22：第一模型预测模块；23：第二模型预测模块；24：深度值计算模块。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

深度预测处理指的是提取待处理中图像中深度信息的处理方式，深度信息指的是图像中各物体实际的层次信息或远近距离信息，若图像具有深度信息，则具有层次感和立体感，视觉效果较好。

基于单目相机的深度估计只利用一个视点的视频序列和图像进行深度估计，具有价格低廉，获取信息内容丰富，传感器体积小等优势。与多目相比，单目的情形最贴近实际的应用需求，因为绝大多数应用场景只有一个视点，也是目前深度估计领域的研究热点。应用场景包括自动驾驶、智能交通监控等。

神经网络可以是由神经单元组成的，具体可以理解为具有输入层、隐含层、输出层神经网络，一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。

本实施例以自动驾驶场景为例，对车辆前方获取的目标车辆图像信息通过神经网络进行深度预测完成车端场景数据的采集工作，为车载智能分析终端后续对目标车辆定位与测距提供数据支持。

实施例一

参照图1所示，本实施例提供一种基于误差纠正的深度估计方法，包括：

步骤S1:获取单目相机拍摄的目标车辆图像；

具体地，在车辆行驶过程中，通过车载单目相机拍摄车辆前方的目标车辆图像信息。

步骤S2:将目标车辆图像输入目标检测与深度估计模型，得到目标检测与深度估计模型输出的目标车辆的深度数据，深度数据包括：深度预测值depth_origin、车辆目标框尺寸wh和车牌目标框尺寸wh_plate；

具体地，目标检测与深度估计模型为卷积神经网络模型，通过对目标车辆图像设置感兴趣区域，进行特征提取，获取目标车辆图像的深度图以及位于深度图中的车辆目标框和车牌目标框。众所周知，深度图指的是包含待处理图像中深度信息的图像。其中，深度图为灰度图像，通过灰度值表征像素点的灰度信息，示例性的，像素灰度值越大，表明实际物体越远，灰度值越小，表明实际物体越近。深度预测值也就是车辆目标框的像素灰度值。

进一步地，在本实施例中，在深度图中非目标车辆的目标框进行滤除，使得后续仅需要对目标车辆所对应的目标框以及目标车辆的车牌所对应的目标框进行分析，有效的降低了模型运算量。

步骤S3:将深度预测值depth_origin、车辆目标框尺寸wh和车牌目标框尺寸wh_plate输入深度误差纠正模型，得到深度误差纠正模型输出的深度误差值depth_error；

具体的，深度误差纠正模型为全连接神经网络模型，车辆目标框尺寸wh为车辆目标框的宽和高，车牌目标框尺寸wh_plate为车牌目标框的宽和高，将深度预测值depth_origin、车辆目标框尺寸wh和车牌目标框尺寸wh_plate看作一维向量输入，输出的深度误差值depth_error也为一维向量。

步骤S4:将深度预测值depth_origin与深度误差值depth_error相加，以确定目标车辆的最终深度值depth。

本实施例先通过将单目相机拍摄的目标车辆图像输入目标检测与深度估计模型，得到目标车辆的深度预测值、车辆目标框尺寸和车牌目标框尺寸；再将深度预测值、车辆目标框尺寸和车牌目标框尺寸输入深度误差纠正模型，通过车辆目标框尺寸大小及车牌目标框尺寸大小预测深度误差值，最后将深度预测值与深度误差值相加，以确定目标车辆的最终深度值。相较于现有技术对预测的深度不进行误差纠正而导致深度预测不准确，本发明通过预测得到的深度误差值纠正深度预测值的误差，能够实现对预测的深度进行误差纠正，提升了深度预测精度。

本实施例中，如图2所示，目标检测与深度估计模型包括：特征提取层和网络输出层；

特征提取层用于提取目标车辆图像的深度特征；

网络输出层用于根据深度特征预测深度预测值、车辆目标框尺寸和车牌目标框尺寸。

具体地，特征提取层包括：骨干网络层和编码层，骨干网络层对输入的目标车辆图像做卷积运算以提取深度特征，将提取的深度特征输入编码层。编码层主要用于对输入的深度特征进行上采样和下采样，使得到的深度特征语义信息更丰富，最终预测结果更准确。

进一步地，基于图2结构中的目标检测与深度估计模型，上述步骤S2包括：

将目标车辆图像输入特征提取层，以得到深度特征；

将深度特征输入网络输出层，以输出预测的深度预测值、车辆目标框尺寸和车牌目标框尺寸。

本实施例中，在步骤S2之前，还包括：训练目标检测与深度估计模型，具体包括：

将目标车辆样本图像输入特征提取层；

特征提取层提取目标车辆样本图像的样本特征；

网络输出层根据样本特征输出训练结果，训练结果包括：深度预测值训练结果、车辆目标框尺寸训练结果和车牌目标框尺寸训练结果；

将深度预测值训练结果、车辆目标框尺寸训练结果和车牌目标框尺寸训练结果，以及相应的第一标签带入第一损失函数，在第一损失函数收敛时，训练完成。

其中，所述目标检测与深度估计模型基于目标车辆样本图像及所述目标车辆样本图像对应的第一标签训练得到，所述第一标签包括深度真值、车辆目标框尺寸真值和车牌目标框尺寸真值；

所述深度误差纠正模型基于深度样本数据及对应的第二标签训练得到，所述深度样本数据基于所述目标检测与深度估计模型输出的深度数据形成，所述第二标签为深度真值与深度预测值的差值。

目标检测与深度估计模型基于目标车辆样本图像及所述目标车辆样本图像对应的第一标签训练得到的。具体地，第一标签包括深度真值、车辆目标框中心点真值、车辆目标框中心点取整后偏差真值、车辆目标框尺寸真值、车牌目标框尺寸真值和车牌目标框中心点真值，第一损失函数Loss1包括六个子损失函数：深度预测值损失函数Loss11、车辆目标框中心点损失函数Loss12、车辆目标框中心点取整后偏差损失函数Loss13、车辆目标框尺寸损失函数Loss14、车牌目标框尺寸损失函数Loss15和车牌目标框中心点损失函数Loss16，其中，Loss11、Loss13、Loss14和Loss15可采用回归损失函数smooth L1loss计算，Loss12和Loss16可采用焦点损失函数focal loss计算，即：

loss11＝L1(pred1，target1)，

loss12＝FL(pred2，target2)，

loss13＝L1(pred3，target3)；

loss14＝L1(pred4，target4)，

loss15＝L1(pred5，target5)，

loss16＝FL(pred6，target6)；

最终第一损失函数Loss1为：

Loss1＝a·loss11+b·loss12+c·loss13+d·loss14+e·loss15+

f·loss16；

其中，a、b、c、d、e、f分别为loss11、loss12、loss13、loss14、loss15和loss16的权重，pred1、pred2、pred3、pred4、pred5和pred6分别为深度预测值训练结果、车辆目标框中心点训练结果、车辆目标框中心点取整后偏差训练结果、车辆目标框尺寸训练结果、车牌目标框尺寸训练结果和车牌目标框中心点训练结果，target1、target2、target3、target4、target5和target6分别为深度真值、车辆目标框中心点真值、车辆目标框中心点取整后偏差真值、车辆目标框尺寸真值、车牌目标框尺寸真值和车牌目标框中心点真值。上述各pred接近相应的target时，且使第一损失函数Loss1的损失值小于预定第一阈值时，则认为所述第一损失函数收敛，训练完成。

为了使目标检测与深度估计模型输出预测的深度预测值、车辆目标框尺寸和车牌目标框尺寸更准确，目标检测与深度估计模型的预测结果还包括：车辆目标框的中心点、车辆目标框的中心点坐标下采样取整后的偏差和车牌目标框的中心点，则第一标签还包括：车辆目标框的中心点标签、车辆目标框的中心点坐标下采样取整后的偏差标签和车牌目标框的中心点标签，通过构建对应的损失函数进行训练。

本实施例中，如图2所示，深度误差纠正模型包括：全连接层；

全连接层连接目标检测与深度估计模型的网络输出层；

全连接层用于根据深度预测值、车辆目标框尺寸和车牌目标框尺寸预测深度误差值。

具体地，全连接层的输入是由深度预测值、车辆目标框尺寸和车牌目标框尺寸组成的一维向量，向量长度为1+2+2＝5。输入经过多个全连接层后，最后一个全连接层的输出通道数为1，输出的是深度误差值，一维向量，向量长度为1。

进一步地，基于图2结构中的深度误差纠正模型，上述步骤S3包括：

将深度预测值、车辆目标框尺寸和车牌目标框尺寸输入全连接层，以输出预测的深度误差值。

本实施例中，对目标检测与深度估计模型完成训练后，在步骤S3之前，还包括：训练深度误差纠正模型，具体包括：

获取完成训练的目标检测与深度估计模型输出的深度数据，以形成对应的深度样本数据；

将深度样本数据输入全连接层；

全连接层根据深度样本数据输出深度误差值训练结果；

将深度误差值训练结果及相应的第二标签带入第二损失函数，在第二损失函数收敛时，训练完成。

所述深度误差纠正模型基于深度样本数据及对应的第二标签训练得到的。具体的，第二标签为深度真值与深度预测值的差值，第二损失函数Loss2可采用回归损失函数smooth L1loss计算，即loss2＝L1(pred4，target4)，其中，pred4为深度误差值训练结果，target4为深度真值与深度预测值的差值，当pred4接近相应的target4时，且使第二损失函数Loss2的损失值小于预定第二阈值时，则认为所述第二损失函数收敛，训练完成。

实施例二

参见图3所示，本实施例提供一种基于误差纠正的深度估计装置，包括：

图像获取模块21，用于获取单目相机拍摄的目标车辆图像；

第一模型预测模块22，用于将目标车辆图像输入目标检测与深度估计模型，得到目标检测与深度估计模型输出的目标车辆的深度数据，深度数据包括：深度预测值、车辆目标框尺寸和车牌目标框尺寸；

第二模型预测模块23，用于将深度预测值、车辆目标框尺寸和车牌目标框尺寸输入深度误差纠正模型，得到深度误差纠正模型输出的深度误差值；

深度值计算模块24，用于将深度预测值与深度误差值相加，以确定目标车辆的最终深度值；

其中，目标检测与深度估计模型基于目标车辆样本图像及目标车辆样本图像对应的第一标签训练得到，第一标签包括深度真值、车辆目标框尺寸真值、车牌目标框尺寸真值；

深度误差纠正模型基于深度样本数据及对应的第二标签训练得到，深度样本数据基于目标检测与深度估计模型输出的深度数据形成，第二标签为深度真值与深度预测值的差值。

优选地，第一模型预测模块22的目标检测与深度估计模型为卷积神经网络模型，该目标检测与深度估计模型包括：特征提取层和网络输出层；

特征提取层用于提取目标车辆图像的深度特征；

网络输出层用于根据深度特征预测深度预测值、车辆目标框尺寸和车牌目标框尺寸。

对应地，第一模型预测模块22具体用于：

将目标车辆图像输入特征提取层，以得到深度特征；

将深度特征输入网络输出层，以输出预测的深度预测值、车辆目标框尺寸和车牌目标框尺寸。

优选地，第二模型预测模块23的深度误差纠正模型为全连接神经网络模型，该深度误差纠正模型包括：全连接层；

全连接层连接目标检测与深度估计模型的网络输出层；

全连接层用于根据深度预测值、车辆目标框尺寸和车牌目标框尺寸预测深度误差值。

对应地，第二模型预测模块23具体用于：

将深度预测值、车辆目标框尺寸和车牌目标框尺寸输入全连接层，以输出预测的深度误差值。

可选的，本实施例提供的基于误差纠正的深度估计装置，还包括：第一模型训练模块，具体用于：

将目标车辆样本图像输入特征提取层；

特征提取层提取目标车辆样本图像的样本特征；

网络输出层根据样本特征输出训练结果，训练结果包括：深度预测值训练结果、车辆目标框尺寸训练结果和车牌目标框尺寸训练结果；

将深度预测值训练结果、车辆目标框尺寸训练结果和车牌目标框尺寸训练结果，以及相应的第一标签带入第一损失函数，在第一损失函数收敛时，训练完成；

以及，第二模型训练模块，具体用于：

获取完成训练的目标检测与深度估计模型输出的深度数据，以形成对应的深度样本数据；

将深度样本数据输入全连接层；

全连接层根据深度样本数据输出深度误差值训练结果；

将深度误差值训练结果及相应的第二标签带入第二损失函数，在第二损失函数收敛时，训练完成。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，所以相关之处参见方法实施例的部分说明即可，在此不再赘述。以上所描述的系统实施例仅仅是示意性的，可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。

实施例三

如图4所示，本实施例提供一种电子设备，该电子设备包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，处理器310执行基于误差纠正的深度估计方法，该方法包括：

获取单目相机拍摄的目标车辆图像；

将目标车辆图像输入目标检测与深度估计模型，得到目标检测与深度估计模型输出的目标车辆的深度数据，深度数据包括：深度预测值、车辆目标框尺寸和车牌目标框尺寸；

将深度预测值、车辆目标框尺寸和车牌目标框尺寸输入深度误差纠正模型，得到深度误差纠正模型输出的深度误差值；

将深度预测值与深度误差值相加，以确定目标车辆的最终深度值。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元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，本发明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)执行本发明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。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法提供的基于误差纠正的深度估计方法，该方法包括：

获取单目相机拍摄的目标车辆图像；

将目标车辆图像输入目标检测与深度估计模型，得到目标检测与深度估计模型输出的目标车辆的深度数据，深度数据包括：深度预测值、车辆目标框尺寸和车牌目标框尺寸；

将深度预测值、车辆目标框尺寸和车牌目标框尺寸输入深度误差纠正模型，得到深度误差纠正模型输出的深度误差值；

将深度预测值与深度误差值相加，以确定目标车辆的最终深度值。

实施例四

本实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的基于误差纠正的深度估计方法，该方法包括：

获取单目相机拍摄的目标车辆图像；

将目标车辆图像输入目标检测与深度估计模型，得到目标检测与深度估计模型输出的目标车辆的深度数据，深度数据包括：深度预测值、车辆目标框尺寸和车牌目标框尺寸；

将深度预测值、车辆目标框尺寸和车牌目标框尺寸输入深度误差纠正模型，得到深度误差纠正模型输出的深度误差值；

将深度预测值与深度误差值相加，以确定目标车辆的最终深度值。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。