一种模板匹配方法、装置、存储介质及设备

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种模板匹配方法、装置、存储介质及设备。

背景技术

模板匹配是在一幅图像中寻找与模板图像最相似部分的技术，其在机器视觉、目标追踪、物体识别、游戏图像处理等诸多领域中有着重要的应用。目前，相关技术中普遍采用NCC（Normalized Cross Correlation，归一化互相关系数）来实现模板匹配，主要利用相关系数公式计算目标图和模板图之间的相关系数，得到相关系数矩阵，通过对相关系数矩阵的分析，判断两幅图像是否相关。然而，这一方式需要计算模板图中所有像素与目标图之间的相关性，计算量很大，而且在检测目标被遮挡时容易失效。

发明内容

本申请实施例的目的在于提供一种模板匹配方法、装置、存储介质及设备，旨在解决相关技术中的模板匹配方案存在的计算量大、在检测目标被遮挡时容易失效的问题。

第一方面，本申请实施例提供的一种模板匹配方法，包括：

将模板图片的边缘点确定为关键点，获取所述关键点的梯度特征信息以及归一化后的坐标信息，并获取检索图片的梯度特征信息；

通过目标步长将所述检索图片分割成至少一个子图片后，针对每个子图片，获取所述子图片中与所述关键点的坐标信息相对应的特征点，基于所述特征点的梯度特征信息和所述关键点的梯度特征信息，计算所述子图片与所述模板图片之间的相似度；

遍历相似度大于预设阈值的子图片中的所有像素，确定目标中心位置。

在上述实现过程中，基于边缘和梯度信息作为检索图片和模板图片的特征，并且采用先粗略检索再精细化匹配的策略，其中，通过目标步长将检索图片分割成子图片后，针对每个子图片获取与模板图片的边缘点的归一化后的坐标信息相对应的特征点，计算子图片与模板图片之间的相似度，进而遍历相似度大于预设阈值的子图片中的所有像素，确定目标中心位置。这样，有效降低了计算量，并且在应对检测目标被遮挡时依然有效。

进一步地，在一些实施例中，所述模板图片的边缘点基于Canny算法检测得到，所述Canny算法的最大阈值使用最大类间方差法计算得到，最小阈值为所述最大阈值的二分之一。

在上述实现过程中，基于Canny算法检测模板图片的边缘点，其中，Canny算法的最大阈值和最小阈值这两个关键参数使用自适应的算法计算得到，从而获得精确有效的边缘检测效果。

进一步地，在一些实施例中，所述获取所述关键点的梯度特征信息以及归一化后的坐标信息，并获取检索图片的梯度特征信息之前，包括：

使用中值滤波对所述模板图片和所述检索图片进行处理。

在上述实现过程中，先使用中值滤波对模板图片和检索图片进行预处理，有效地减少图片噪声的影响。

进一步地，在一些实施例中，所述目标步长基于所述检索图片的最长边除以512的比值而确定。

在上述实现过程中，通过自适应地计算目标步长，在满足模板匹配的精度需求的同时，最大程度地减少计算量。

进一步地，在一些实施例中，所述梯度特征信息包括第一方向的梯度特征信息和第二方向的梯度特征信息；所述获取所述子图片中与所述关键点的坐标信息相对应的特征点，基于所述特征点的梯度特征信息和所述关键点的梯度特征信息，计算所述子图片与所述模板图片之间的相似度，包括：

获取所述子图片的中心点的坐标；

基于所述中心点的坐标与所述关键点的坐标信息之间的偏移量，获取所述子图片中与所述关键点的坐标信息相对应的特征点；

以梯度特征信息作为向量的分量，计算所述子图片的特征点与所述模板图片的关键点之间的相似度均值，将所述相似度均值确定为所述子图片与所述模板图片之间的相似度。

在上述实现过程中，提供一种计算子图片与模板图片之间的相似度的具体方案，即通过坐标信息使子图片与模板图片对齐，再利用梯度信息作为向量分量，计算相似度。

进一步地，在一些实施例中，所述相似度基于以下公式计算得到：

式中，所述

在上述实现过程中，提供一种计算子图片与模板图片之间的相似度的具体公式算法。

进一步地，在一些实施例中，所述遍历相似度大于预设阈值的子图片中的所有像素，确定目标中心位置，包括：

遍历相似度大于预设阈值的子图片中的所有像素，计算每个像素与所述模板图片之间的匹配程度，将所述匹配程度最高的像素点确定为目标中心位置。

在上述实现过程中，计算每个像素与模板图片之间的匹配程度，取匹配程度最高的像素点作为目标中心位置，使得最终得到的目标中心位置为检索图片中与模板图片最匹配（相似）部分的坐标位置。

第二方面，本申请实施例提供的一种模板匹配装置，包括：

获取模块，用于将模板图片的边缘点确定为关键点，获取所述关键点的梯度特征信息以及归一化后的坐标信息，并获取检索图片的梯度特征信息；

计算模块，用于通过目标步长将所述检索图片分割成至少一个子图片后，针对每个子图片，获取所述子图片中与所述关键点的坐标信息相对应的特征点，基于所述特征点的梯度特征信息和所述关键点的梯度特征信息，计算所述子图片与所述模板图片之间的相似度；

确定模块，用于遍历相似度大于预设阈值的子图片中的所有像素，确定目标中心位置。

第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中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计算机程序时实现如第一方面任一项所述的方法的步骤。

第四方面，本申请实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。

第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。

本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

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模板匹配方法的流程图；

图2为本申请实施例提供的一种对遮挡具有鲁棒性的模板匹配方法的工作流程的示意图；

图3为本申请实施例提供的一种模板匹配装置的框图；

图4为本申请实施例提供的一种电子设备的结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

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。

如背景技术记载，相关技术中的模板匹配方案存在着计算量大、在检测目标被遮挡时容易失效的问题。基于此，本申请实施例提供一种新的模板匹配方案，以解决上述问题。

接下来对本申请实施例进行介绍：

如图1所示，图1是本申请实施例提供的一种模板匹配方法的流程图。所述方法可以应用于终端或服务器，该终端可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携式计算机和台式计算机等；该服务器可以是单个服务器，也可以是多个服务器组成的分布式服务器集群。需要说明的是，该终端/服务器也可以实现成多个软件或软件模块，或者还可以实现成单个软件或软件模块，本申请对此不作限制。

所述方法包括：

在步骤101、将模板图片的边缘点确定为关键点，获取所述关键点的梯度特征信息以及归一化后的坐标信息，并获取检索图片的梯度特征信息；

本步骤中提到的模板图片是预先给定的一个图片，其通常为一个小图，用于在检索图片上寻找与其内容最相似的区域。相应地，该检索图片为待搜索图片，其通常为一个大图。例如，在目标识别领域中，可以将手掌图片作为模板图片，将摄像头采集到的图片作为检索图片，机器人可以执行在图片帧中识别并定位出人类手掌的任务，从而更精准地预测人类动作意图。

在本实施例中，基于边缘和梯度信息来实现模板匹配，经匹配结果显示，这一方式在应对检测目标被遮挡时依然有效。在实现时，先检测模板图片的边缘，把边缘点作为关键点，再计算出关键点的梯度特征信息。可选地，该模板图片的边缘点可以是基于Canny算法检测得到的。Canny算法是一种多级边缘检测算法，一般来说，Canny算法的检测步骤包括：对图像进行灰度化；对图像进行高斯滤波；计算梯度幅值和方向；对梯度幅值进行非极大值抑制；用双阈值算法检测和连接边缘。这一检测过程中涉及到最大阈值和最小阈值这两个关键参数，这两个参数直接影响边缘检测的效果，在本实施例中，可以使用自适应的方法计算这两个参数，其中，该最大阈值可以使用最大类间方差法计算得到，最大类间方差法也称大津法，该方法是利用目标区域与背景区域之间的方差最大的思想，达到分割图像的目的，也就是说，选取最佳阈值时，目标区域与背景区域之间的方差值最大，此时可以将该最佳阈值作为Canny算法的最大阈值；之后，取该最大阈值的二分之一作为Canny算法的最小阈值。经试验发现，通过这样设置，可以获得精确有效的边缘检测效果。

由于关键点是模板图片上的边缘点，因此，关键点的梯度特征信息可以是基于模板图片的梯度获取得到的。该模板图片的梯度可以是基于Sobel算子计算得到的。Sobel算子是一种图像梯度提取算子，其本质是基于图像空间域卷积，该算子通常包括两组3*3的矩阵，分别为横向及纵向，将该矩阵与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。也就是说，模板图片的梯度包括该模板图片在第一方向上的梯度图和在第二方向上的梯度图，该第一方向可以称为是x方向，该第二方向可以称为是y方向。基于模板图片在x方向上的梯度图和该模板图片在y方向上的梯度图，可以确定该模板图片在关键点处的梯度，即关键点的梯度特征信息。

同样地，本步骤中提到的检索图片的梯度特征信息也可以是基于Sobel算子计算得到的。检索图片的梯度特征信息包括该检索图片在x方向上的梯度图和该检索图片在y方向上的梯度图。

关键点的归一化后的坐标信息可以根据关键点原本的坐标与关键点的坐标均值而得到。例如，模板图片包括4个关键点，其原本的坐标分别为（0，0）、（0，200）、（200，0）、（200，200），通过计算可知，这4个关键点在x方向上的坐标均值为100，在y方向上的坐标均值也为100，那么将关键点归一化后，得到的坐标分别为（-100，-100）、（-100，100）、（100，-100）、（100，100）。如此，获取到归一化后的关键点坐标信息，为后续的相似度测量提供数据支持。

另外，考虑到图片噪声容易影响模板匹配的效果，在一些实施例中，在本步骤之前可以包括：使用中值滤波对所述模板图片和所述检索图片进行处理。中值滤波是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。使用中值滤波对图片进行处理，可以在滤除噪声的同时，保护信号的边缘，使之不被模糊，如此，为后续的处理步骤奠定良好的基础。

在步骤102、通过目标步长将所述检索图片分割成至少一个子图片后，针对每个子图片，获取所述子图片中与所述关键点的坐标信息相对应的特征点，基于所述特征点的梯度特征信息和所述关键点的梯度特征信息，计算所述子图片与所述模板图片之间的相似度；

滑动窗格是最朴素的匹配策略，但是存在效率低下的问题。为了减少容易计算，本实施例通过目标步长将检索图片进行分割，从而可以快速在检索图片上滑动，假设目标步长为m，则理论上可以加速

针对每个子图片，获取其中与关键点的坐标信息相对应的特征点，由于该特征点是检索图片中的像素点，因此，可以从检索图片的梯度特征信息中得到该特征点的梯度特征信息，进而基于特征点的梯度特征信息和关键点的梯度特征信息分别作为子图片的特征和模板图片的特征，以此计算出子图片与模板图片之间的相似度。

在一些实施例中，本步骤可以包括：获取所述子图片的中心点的坐标；基于所述中心点的坐标与所述关键点的坐标信息之间的偏移量，获取所述子图片中与所述关键点的坐标信息相对应的特征点；以梯度特征信息作为向量的分量，计算所述子图片的特征点与所述模板图片的关键点之间的相似度均值，将所述相似度均值确定为所述子图片与所述模板图片之间的相似度。也就是说，在将检索图片分割成若干个子图片后，可以计算每个子图片的中心坐标，进而遍历每个中心坐标，先基于该中心坐标与关键点的坐标信息之间的偏移量，使模板图片与子图片对齐，从而获取子图片中与关键点的坐标信息相对应的特征点。之后，以特征点的x方向的梯度特征信息和y方向的梯度特征信息分别作为特征点对应的向量的两个分量，以关键点的x方向的梯度特征信息和y方向的梯度特征信息分别作为关键点对应的向量的两个分量，通过诸如余弦相似度法的相似性度量算法计算出子图片的特征点与模板图片的关键点之间的相似度均值，进而将该相似度均值确定为子图片与模板图片之间的相似度。

具体地，该相似度可以基于以下公式计算得到：

式中，所述

通过上述方式，可以计算出每个子图片与模板图片之间的相似度。

在步骤103、遍历相似度大于预设阈值的子图片中的所有像素，确定目标中心位置。

前一步骤实际上是一种粗略检索方式，其目的是确认出检索图片中哪些区域会存在目标，而本步骤是与其相对应的精细化匹配，使用原始朴素的滑动窗格思想，以精确地定位目标的中心位置。

具体地，本步骤中提到的遍历相似度大于预设阈值的子图片中的所有像素是指将模板图片在相似度大于预设阈值的子图片上滑动，逐个遍历所有像素以完成匹配。为了简洁，将相似度大于预设阈值的子图片称为目标子图片，则在遍历时，目标子图片中各像素与模板图片之间的匹配值同样可以基于前面提到的计算相似度的公式来进行计算，只需将特征点的梯度特征信息更换成目标子图片中各像素的梯度特征信息即可。当然，在其他实施例中，该匹配值也可以采用其他方法来进行计算，如标准平方差匹配法、标准相关匹配法等等，本申请对此不作限制。

在一些实施例中，本步骤可以包括：遍历相似度大于预设阈值的子图片中的所有像素，计算每个像素与所述模板图片之间的匹配程度，将所述匹配程度最高的像素点确定为目标中心位置。也就是说，针对每个目标子图片，计算每个像素与模板图片之间的匹配程度，假设目标步长为m，则对于每个目标子图片需要遍历m*m个像素，得到m*m个得分，取得分最高的位置作为最终匹配结果，如此，使得最终得到的目标中心位置为检索图片中与模板图片最匹配（相似）部分的坐标位置。

本申请实施例，基于边缘和梯度信息作为检索图片和模板图片的特征，并且采用先粗略检索再精细化匹配的策略，其中，通过目标步长将检索图片分割成子图片后，针对每个子图片获取与模板图片的边缘点的归一化后的坐标信息相对应的特征点，计算子图片与模板图片之间的相似度，进而遍历相似度大于预设阈值的子图片中的所有像素，确定目标中心位置。这样，有效降低了计算量，并且在应对检测目标被遮挡时依然有效。

为了对本申请的方案做更为详细的说明，接下来介绍一具体实施例：

本实施例涉及模板匹配场景，在相关技术中，一般采用NCC方法来进行模板匹配，然而，当对象部分可见或对象与其他对象混合时，NCC方法将失效，而且该方法需要计算模板图像中所有像素与搜索图像之间的相关性，因此计算量很大。基于此，本实施例提供一种对遮挡具有鲁棒性的模板匹配方法，以解决这一问题。

本实施例方案的工作流程如图2所示。该工作流程中，S201至S207是对模板图片进行预处理。NCC方法是基于像素的相似度度量方法，而本实施例方案是基于轮廓的相似度度量方法，在这一预处理流程中，提取出有效的轮廓，并且计算模板图片的梯度特征信息，这一预处理流程包括：

S201、使用中值滤波对模板图片进行处理，以减少图片噪声的影响；

S202、使用Canny算法检测模板图片的边缘，其中Canny算法涉及到最大阈值和最小阈值这两个参数，本实施例中使用自适应的方法计算这两个参数，具体地，使用大津法求出Canny算法的最大阈值，再取该最大阈值的二分之一作为Canny算法的最小阈值；

S203、使用Sobel边缘检测算子求出S201处理后的模板图片的x方向及y方向的梯度；

S204、把边缘点作为关键点，计算出关键点的梯度特征信息；

S205、计算出中心点，具体地，设检测到的关键点的个数为n，第i个关键点的坐标为

S206、将关键点归一化，具体地，

S207、存储归一化后的关键点坐标信息以及对应的梯度特征信息；

该工作流程中，S208至S210是对检索图片进行预处理，包括：

S208、使用中值滤波对检索图片进行处理；

S209、使用Sobel边缘检测算子求出检索图片的x方向及y方向的梯度；

S210、使用公式

该工作流程中，S211至S214是粗略检索，滑动窗格是最朴素的匹配策略，但是效率十分低下，其中一个很重要的原因是滑动窗格每一次滑动的变化幅度微小，这就意味着滑动后的相似度与滑动前的相似度是非常接近的，因此导致了许多冗余的计算。基于此，本实施例通过自适应地计算一个步长，以快速地在检索图片上滑动。这一粗略检索的流程包括：

S211、根据公式

S212、计算每份子图片的中心坐标；

S213、遍历每个中心坐标

/>

其中，

S214、将相似度作为匹配分数，对于匹配分数大于一定阈值的中心点，将其加入到候选点列表；

该工作流程中，S215至S216是精细化匹配，其目的是使用原始朴素的滑动窗格思想，精确地定位目标的中心位置。这一精细化匹配的流程包括：

S215、遍历候选点列表中所有中心点所在子图片的所有像素，计算各像素与模板图片之间的匹配程度，则针对候选点列表中每个中心点所在子图片，遍历m*m个像素，得到m*m个得分，取得分最高的位置作为最终匹配结果；

S216、输出最终匹配结果。

经试验发现，本实施例方案在做模板匹配时，可以有效地大幅度减少计算量，而且匹配结果显示，这一方案在应对检测目标被遮挡时依然有效。

与前述方法的实施例相对应，本申请还提供模板匹配装置及其应用的终端的实施例：

如图3所示，图3是本申请实施例提供的一种模板匹配装置的框图，所述装置包括：

获取模块31，用于将模板图片的边缘点确定为关键点，获取所述关键点的梯度特征信息以及归一化后的坐标信息，并获取检索图片的梯度特征信息；

计算模块32，用于通过目标步长将所述检索图片分割成至少一个子图片后，针对每个子图片，获取所述子图片中与所述关键点的坐标信息相对应的特征点，基于所述特征点的梯度特征信息和所述关键点的梯度特征信息，计算所述子图片与所述模板图片之间的相似度；

确定模块33，用于遍历相似度大于预设阈值的子图片中的所有像素，确定目标中心位置。

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，在此不再赘述。

本申请还提供一种电子设备，请参见图4，图4为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器410、通信接口420、存储器430和至少一个通信总线440。其中，通信总线440用于实现这些组件直接的连接通信。其中，本申请实施例中电子设备的通信接口420用于与其他节点设备进行信令或数据的通信。处理器410可以是一种集成电路芯片，具有信号的处理能力。

上述的处理器410可以是通用处理器，包括中央处理器(CPU，CentralProcessingUnit)、网络处理器(NP，NetworkProcessor)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器410也可以是任何常规的处理器等。

存储器430可以是，但不限于，随机存取存储器（RAM，RandomAccessMemory），只读存储器（ROM，Read Only Memory），可编程只读存储器（PROM ，Programmable Read-OnlyMemory），可擦除只读存储器（EPROM ，Erasable Programmable Read-Only Memory），电可擦除只读存储器（EEPROM ，Electric Erasable Programmable Read-Only Memory）等。存储器430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410执行时，电子设备可以执行上述图1方法实施例涉及的各个步骤。

可选地，电子设备还可以包括存储控制器、输入输出单元。

所述存储器430、存储控制器、处理器410、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线440实现电性连接。所述处理器410用于执行存储器430中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。

输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。

可以理解，图4所示的结构仅为示意，所述电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。

本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。

本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。

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。