一种角点坐标确定方法、系统、设备及存储介质

技术领域

本申请涉及计算机领域，特别是涉及一种角点坐标确定方法、系统、设备及存储介质。

背景技术

角点位置检测是影像检测中的重要部分，现有的影像检测中需要对于混贴和非混贴的文档影像上，检测出每个文档或者票据的4个角点的位置。其中，混贴是指一张图中有多个票据或文档，比如财务报销场景，会出现在一张纸上贴多个票据的情况。

目前对于文档影像角点定位的策略包括角点回归的方案，这种方案属于自上而下的框架，把混贴影像的角点定位问题看做是单个目标区域的检测和角点定位问题，基于对目标图像提取到的特征图，通过全连接层或卷积层针对每个特征点回归角点位置和外接矩形框进行处理分析，进而得到角点位置，这种直接回归角点的方案仅针对每个特征点进行分析，缺少整体结构的考虑不，定位精度较低。

因此，如何精确确定混贴目标区域的角点定位，是本领域技术人员亟待解决的技术问题。

发明内容

基于上述问题，本申请提供了一种角点坐标确定方法、系统、设备及存储介质，用以优化了现有的角点回归方案存在的定位精度低的问题。

为解决上述问题，本申请实施例提供的技术方案如下：

本申请第一方面提供了一种角点坐标确定方法，包括：

获取目标图像；

将目标图像输入预设模型，得到第一特征图，第二特征图和第三特征图，所述预设模型用于对目标图像进行分割；

基于预设模型的热力图头和检测头对所述第一特征图，第二特征图和第三特征图进行处理，得到对应的检测框和角点定位热力图，所述检测头用于输出检测框的位置和类别，所述热力图头用于生成每一个检测框对应的4个角点热力图；

针对每一个检测框，确定各个角点定位热力图中符合预设条件的点位置坐标为角点坐标。

可选的，所述获取目标图像之前，还包括：

获取预备图像；

对所述预备图像的长边和短边进行调整，得到符合预设图像大小的目标图像。

可选的，所述将目标图像输入预设模型，得到第一特征图，第二特征图和第三特征图，包括：

基于预设模型的特征提取结构和特征融合结构对所述目标图像进行处理，得到第一特征图，第二特征图和第三特征图，所述特征提取结构用于对所述目标图像的特征进行提取，所述特征融合结构用于将目标图像的底层纹理特征和高层语义特征进行融合。

可选的，所述针对每一个检测框，确定各个角点定位热力图中符合预设条件的点位置坐标为角点坐标，包括：

针对每一个检测框，对检测框对应的每一个热力图取自变量最大值，得到各个角点定位热力图中最大点位置的坐标，作为角点坐标。

可选的，所述预设模型还包括预设分割头，所述预设分割头用于生成每一个检测框分割的分割图，以提升角点热力图定位的准确性。

可选的，所述预设模型还包括分类头，所述分类头用于输出检测框的位置和类别。

可选的，所述角点定位热力图的确定方式包括：

基于预设卷积结构、第一特征图和热力图头预测得到第四特征图；基于所述第一特征图、第二特征图、第三特征图和热力图头确定检测框对应的各个角点热力图的权重；

基于所述第四特征图和确定出的权重，得到若干个预备特征图；

基于确定出的预备特征图和S型生长曲线得到该检测框对应的角点定位热力图。

本申请第二方面提供了一种角点坐标确定系统，包括：

第一获取单元，用于获取目标图像；

输入单元，用于将目标图像输入预设模型，得到第一特征图，第二特征图和第三特征图；所述预设模型用于对目标图像进行分割；

处理单元，用于基于预设模型的热力图头和检测头对所述第一特征图，第二特征图和第三特征图进行处理，得到对应的检测框和角点定位热力图，所述检测头用于输出检测框的位置和类别，所述热力图头用于生成每一个检测框对应的4个角点热力图；

角点坐标确定单元，用于针对每一个检测框，确定各个角点定位热力图中符合预设条件的点位置坐标为角点坐标。

本申请第三方面提供了一种电子设备，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计算机程序时，实现前述第一方面中任一项所述的角点坐标确定方法。

本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如前述第一方面中任意一项所述的角点坐标确定方法。

相较于现有技术，本申请具有以下有益效果：

本申请通过获取目标图像；将目标图像输入预设模型，得到第一特征图，第二特征图和第三特征图，所述预设模型用于对目标图像进行分割；基于预设模型的热力图头和检测头对所述第一特征图，第二特征图和第三特征图进行处理，得到对应的检测框和角点定位热力图，所述检测头用于输出检测框的位置和类别，所述热力图头用于生成每一个检测框对应的4个角点热力图；针对每一个检测框，确定各个角点定位热力图中符合预设条件的点位置坐标为角点坐标，即对于目标图像进行分割，再基于分割得到的特征图对应的检测框和角点热力图确定每个检测框对应的角点坐标，相对于现有技术中对于完整的目标图像进行处理，本申请对目标图像进行拆分而后对多部分处理，缩小了处理目标，并且对多个拆分后的小目标进行同步处理，提高角点坐标确定的效率和精确性。由此，实现了对目标混贴区域内角点定位的高效预测。

附图说明

为更清楚地说明本实施例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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例所提供的一种角点坐标确定方法流程图；

图2为本申请实施例所提供的预设模型中backbone和neck的结构示意图；

图3为本申请实施例所提供的针对特征图的head结构示意图；

图4为本申请实施例所提供的针对特征图的head结构示意图；

图5为本申请实施例所提供的一种角点坐标确定系统结构图；

图6为本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动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。

为便于理解本申请实施例提供的技术方案，下面将先对本申请实施例涉及的背景技术进行说明。

正如前文所述，现有技术中对于文档影像角点定位通常采取以下两种方案：第一，角点回归的方案，该方案属于Top-Down(自上而下)的框架，把混贴影像的角点定位问题看做是单个目标区域的检测和角点定位问题，基于提取到的特征图，通过全连接层或卷积层针对每个特征点回归角点位置和外接矩形框。这种直接回归角点的方案存在耗时优势，但定位精度相对不高。第二，基于热力图定位角点的方案，该方案属于bottom-up(自下而上)的思路，针对单张图像检测图中的所有角点位置，再对角点之间的关系进行判断，将属于同一个目标区域的角点划分为一组。也就是把混贴影像的角点定位问题看做是角点检测和角点关联问题，模型通过生成热力图来得到角点位置，通过生成角点的分组特征向量来计算角点之间的分组关系。这种方案在非混贴场景下，角点的定位精度相对较高，但混贴场景下存在角点关联效果不稳定的问题。

总结来看，现有技术中的两种处理方案，角点回归的方案和基于热力图的方案各有优势和不足，角点回归的方案能够稳定地对混贴目标区域进行检测，但目标区域内的角点定位精度不高。热力图的方案能够找出角点位置，但在混贴场景下容易误判不同目标区域角点之间的关系，导致混贴场景下角点定位混乱。即两种方案都无法实现对混贴场景下的角点坐标确定。

为了解决上述技术问题，本申请实施例提供了一种角点坐标确定方法，通过获取目标图像；将目标图像输入预设模型，得到第一特征图，第二特征图和第三特征图，所述预设模型用于对目标图像进行分割；基于预设模型的热力图头和检测头对所述第一特征图，第二特征图和第三特征图进行处理，得到对应的检测框和角点定位热力图，所述检测头用于输出检测框的位置和类别，所述热力图头用于生成每一个检测框对应的4个角点热力图；针对每一个检测框，确定各个角点定位热力图中符合预设条件的点位置坐标为角点坐标，即对于目标图像进行分割，再基于分割得到的特征图对应的检测框和角点热力图确定每个检测框对应的角点坐标，相对于现有技术中对于完整的目标图像进行处理，本申请对目标图像进行拆分而后对多部分处理，缩小了处理目标，并且对多个拆分后的小目标进行同步处理，提高角点坐标确定的效率和精确性。由此，实现了对目标混贴区域内角点定位的高效预测。

另外，本申请实施例亦可不限定角点坐标确定方法的执行主体，例如，本申请实施例的角点坐标确定方法可以应用于终端设备或服务器等数据处理设备。其中，终端设备可以为智能手机、计算机、个人数字助理(Personal Digital Assistant，PDA)、平板电脑等电子设备。服务器可以为独立服务器、云服务器或者由多台服务器组成的集群服务器。

为了使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动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。

以下通过一个实施例，对本申请提供的一种角点坐标确定方法进行说明。参见图1，该图为本申请实施例提供的一种角点坐标确定方法的流程图，该方法流程的执行主体为服务器，该方法包括：

S101、获取目标图像。

其中，目标图像为图像格式、图像大小、图像内容等均符合预设模型标准的图像，输入预设模型后可以直接被处理，不需要其他处理过程。

在一种可能的实现方式中，所述获取目标图像之前，还包括步骤A1-步骤A2：

步骤A1、获取预备图像可以为基于混贴区域中选取的，例如对于混贴区域A选取了区域a后，将区域a中的内容转化为预备图像。

步骤A2、对所述预备图像的长边和短边进行调整，得到符合预设图像大小的目标图像。

根据上述步骤中获取得到的预备图像，对预备图像的图像大小进行调整。例如针对一个大小为H*W的目标图像，可以首先将图像长边修改成640，短边按照比例进行缩放，然后将图像补全为大小为640*640的目标图像。需要说明的是，该预设图像大小可以根据实际需求进行适应性调整。其中，卷积层输入特征图(input feature map)的尺寸为H(input)×W(input)×C(input)，依次为输入特征图的高、宽、通道数。

S102、将目标图像输入预设模型，得到第一特征图，第二特征图和第三特征图。

其中，所述预设模型可以用于对目标图像进行分割拆分，即把目标图像进行拆分，得到三个特征图。

在一种可能的实现方式中，所述将目标图像输入预设模型，得到第一特征图，第二特征图和第三特征图，包括：

基于预设模型的特征提取结构和特征融合结构对所述目标图像进行处理，得到第一特征图，第二特征图和第三特征图，所述特征提取结构用于对所述目标图像的特征进行提取，所述特征融合结构用于将目标图像的底层纹理特征和高层语义特征进行融合。

即把该目标图像输入预设模型，经过预设模型中的特征提取基础结构backbone和分类头head，得到三个特征图，特征图大小分别为80*80*，40*40*，20*20*，即分别为第一特征图，第二特征图和第三特征图。在实际应用场景中可以根据实际需求对特征图的大小尺寸进行适应性调整，上述三种尺寸仅为举例说明，并不对保护范围造成影响。

其中，预设模型用于对目标图像进行转化和处理，该实例分割模型由CSPDarknet(backbone，特征提取基础模型)和PANNet(neck，特征融合结构)和不需要前置锚框的Dethead(检测头)，cls head(分类头)，Yolact head(分割头)和heatmap head(热力图头)组成。预设模型结构示意图见附图2附图3附图4，图2为本申请实施例所提供的预设模型中backbone和neck的结构示意图，其中，conv表示卷积层，unsample表示反卷积，Conv block表示卷积块，由多个层构成。P1为预备图像，P2为目标图像，P3为第一特征图，P4为第二特征图，P5为第三特征图。图3为本申请实施例所提供的针对特征图的head结构示意图，即图3表征针对第二特征图和第三特征的处理流程和处理结果示意图，图4为本申请实施例所提供的针对特征图的head结构示意图，即图4表征针对第一特征图的处理流程和处理结果示意图，其中backbone用于提取图像特征，neck用于把图像的底层纹理特征和高层语义特征进行融合，提升模型特征表达的能力。Det head和cls head用于输出目标检测框的位置和类别，Yolact head是一个辅助分支，用于生成每一个检测框的实例分割的mask，通过该辅助分支，能够提升角点热力图定位的准确性，heatmap head用于生成每一个检测框的4个角点热力图。

图3中dethead基于1*1的卷积预测上下左右四条边的坐标，得到h*w*4的特征图，cls head基于1*1的卷积预测目标区域的类别，得到h*w*1的特征图，yolact head对应的原型图权重头yolactproto weight head基于1*1的卷积预测该目标区域的分割原型特征的权重，得到h*w*32的特征图。headmap head对应的heatmap proto weight基于1*1的卷积预测该目标区域对应的4个热力图的原型特征权重，得到h*w*64的特征图。

图4中dethead基于1*1的卷积预测上下左右四条边的坐标，得到h*w*4的特征图，cls head基于1*1的卷积预测目标区域的类别，得到h*w*1的特征图，yolact head对应的原型图特征提取网络yolactproto net基于卷积结构预测图像分割组分的原型特征，得到2h*2w*32的特征图，yolactproto weight head基于1*1的卷积预测该目标区域的分割原型特征的权重，得到h*w*32的特征图，原型图特征提取网络heatmap proto net基于卷积结构预测图像热力图预测的原型特征，得到2h*2w*16的特征图，原型图权重heatmap protoweight基于1*1的卷积预测该目标区域对应的4个热力图的原型特征权重，得到h*w*64的特征图。

其中，目标检测head的损失函数分为分类损失和检测框定位损失两部分。分类损失采用交叉熵损失函数，类别为两类，分别表示目标区域和背景区域。检测框定位损失函数由DFL损失(分布式的聚焦损失函数)和DIOU损失

该预设模型训练过程的训练集分布可以包括：医疗场景(医疗发票，医保结算单，费用清单，CT报告等)占比45％，财务场景(定额发票，机打发票，增值税发票，火车票，出租车票等)占比40％，保险场景(保单，批单等)占比15％，训练集总数据量为5万余张。

S103、基于预设模型的热力图头和检测头对所述第一特征图，第二特征图和第三特征图进行处理，得到对应的检测框和角点定位热力图。

所述检测头用于输出检测框的位置和类别，所述热力图头用于生成每一个检测框对应的4个角点热力图。

将上述步骤得到的三个特征图输入热力图头heatmap head和检测头det head，得到角点定位热力图和目标检测框的预测输出。

S104、针对每一个检测框，确定各个角点定位热力图中符合预设条件的点位置坐标为角点坐标。

每一个检测框对应着4个角点热力图，针对每个检测框对应的四个角点热力图，确定四个角点热力图中符合预设条件的点位置坐标，作为当前该检测框的角点坐标。以此类推，检测当前目标图像对应的每一个检测框，由此获得每个检测框对应的角点坐标。

在实际应用场景中，可以针对目标检测框做阈值过滤，非极大值抑制算法等后处理，得到最终的目标框区域，即可以根据实际需求对目标检测框进行调整。

在一种可能的实现方式中，所述针对每一个检测框，确定各个角点定位热力图中符合预设条件的点位置坐标为角点坐标，包括：

针对每一个检测框，对检测框对应的每一个热力图取自变量最大值，得到各个角点定位热力图中最大点位置的坐标，作为角点坐标。

即设置的预设条件为热力图中的最大点位置，针对每一个目标检测框，对每一个热力图取自变量最大值argmax，得到其中最大点位置的坐标，作为角点坐标，如此就得到了每一个文档影像的每一个角点位置。

在一种可能的实现方式中，所述预设模型还包括预设分割头，所述预设分割头用于生成每一个检测框分割的mask(分割图)，以提升角点热力图定位的准确性。

在一种可能的实现方式中，所述预设模型还包括分类头，所述分类头用于输出检测框的位置和类别。

在一种可能的实现方式中，所述角点定位热力图的确定方式包括：

基于预设卷积结构、第一特征图和热力图头预测得到第四特征图；基于所述第一特征图、第二特征图、第三特征图和热力图头确定检测框对应的各个角点热力图的权重；

基于所述第四特征图和确定出的权重，得到若干个预备特征图；

基于确定出的预备特征图和S型生长曲线得到该检测框对应的角点定位热力图。

即角点热力图的计算方式可以为：根据第一特征图得到heatmap proto、以及第一特征图、第二特征图和第三特征图对应的heatmap proto weight head得到的检测框对应的各个角点热力图的权重，通过相乘求和得到4个大小为160*160的特征图，基于S型生长曲线sigmoid对这4个特征图进行处理，得到预测的热力图结果。

针对混贴场景下的文档影像角点定位任务，本申请提供的方案、具有角点定位精准度高，泛化能力强，耗时低的优势。该方案结合了目标检测、实例分割和热力图角点定位的技术特征，优化了一般的角点回归方案存在的定位精度低的问题，解决了热力图角点关联不稳定的问题，实现了对于角点坐标的高精度确定。

以上为本申请实施例所提供的角点坐标确定方法的一些具体实现方式，基于此，本申请还提供了对应的用于角点坐标确定的系统。下面将从功能模块化的角度对本申请实施例所提供的系统进行介绍。图5为本申请实施例所提供的一种角点坐标确定系统结构图。

所述系统包括：

第一获取单元110，用于获取目标图像；

输入单元111，用于将目标图像输入预设模型，得到第一特征图，第二特征图和第三特征图；所述预设模型用于对目标图像进行分割；

处理单元112，用于基于预设模型的热力图头和检测头对所述第一特征图，第二特征图和第三特征图进行处理，得到对应的检测框和角点定位热力图，所述检测头用于输出检测框的位置和类别，所述热力图头用于生成每一个检测框对应的4个角点热力图；

角点坐标确定单元113，用于针对每一个检测框，确定各个角点定位热力图中符合预设条件的点位置坐标为角点坐标。

可选的，所述系统还包括：

第二获取单元，用于获取预备图像；

调整单元，用于对所述预备图像的长边和短边进行调整，得到符合预设图像大小的目标图像。

可选的，所述输入单元具体用于：

基于预设模型的特征提取结构和特征融合结构对所述目标图像进行处理，得到第一特征图，第二特征图和第三特征图，所述特征提取结构用于对所述目标图像的特征进行提取，所述特征融合结构用于将目标图像的底层纹理特征和高层语义特征进行融合。

可选的，所述针对每一个检测框，确定各个角点定位热力图中符合预设条件的点位置坐标为角点坐标，包括：

针对每一个检测框，对检测框对应的每一个热力图取自变量最大值，得到各个角点定位热力图中最大点位置的坐标，作为角点坐标。

可选的，所述预设模型还包括预设分割头，所述预设分割头用于生成每一个检测框分割的mask，以提升角点热力图定位的准确性。

可选的，所述预设模型还包括分类头，所述分类头用于输出检测框的位置和类别。

本申请实施例还提供了对应的设备以及计算机存储介质，用于实现本申请实施例提供的方案。

如图6所示，计算机设备01以通用计算设备的形式表现。计算机设备01的组件可以包括但不限于：一个或者多个处理器或者处理单元03，系统存储器08，连接不同系统组件(包括系统存储器08和处理单元03)的总线04。

总线04表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备01典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备01访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器08可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)09和/或高速缓存存储器10。计算机设备01可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统11可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线04相连。存储器08可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块13的程序/实用工具12，可以存储在例如存储器08中，这样的程序模块13包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块13通常执行本申请所描述的实施例中的功能和/或方法。

计算机设备01也可以与一个或多个外部设备02(例如键盘、指向设备、显示器07等)通信，还可与一个或者多个使得用户能与该计算机设备01交互的设备通信，和/或与使得该计算机设备01能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口06进行。并且，计算机设备01还可以通过网络适配器05与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器05通过总线04与计算机设备01的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机设备01使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器单元03通过运行存储在系统存储器08中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例提供的一种前端按钮权限管控方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案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存储介质中，如只读存储器(英文：read-only memory，ROM)/RAM、磁碟、光盘等，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，或者诸如路由器等网络通信设备)执行本申请各个实施例或者实施例的某些部分所述的方法。

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。

还需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。