姿态识别方法、装置、存储介质及电子设备

技术领域

本公开涉及图像处理技术领域，具体地，涉及一种姿态识别方法、装置、 存储介质及电子设备。

背景技术

目前，人体姿态识别作为行为监测的重要参考依据，被广泛用于智能化 教学、智能家居、自动驾驶以及智能监控等领域。例如，在智能化教学场景 中，可以通过人体姿态识别进行姿态纠正、姿态答题等。

在相关技术中，针对多人姿态识别，可以通过人体检测器检测出所有人 的位置，再分别识别每个人的人体关键点。还可以通过直接识别关键点，再 将识别到的关键点匹配到对应的人体。之后，通过识别到的关键点确定各个 人体的姿态。然而，前一种方式依赖于人体检测器，人数过多时耗时长。后 一种方式速度快，但是处理逻辑复杂，在人数过多时，难以将关键点正确匹 配到对应的人体。

发明内容

本公开的目的是提供一种姿态识别方法、装置、存储介质及电子设备， 以解决相关技术中的问题。

为了实现上述目的，根据本公开实施例的第一方面，提供一种姿态识别 方法，所述方法包括：

获取待识别图像，所述待识别图像中包括多个待识别对象；

将所述待识别图像输入训练完成的关键点识别模型，得到各所述待识别 对象的中心关键点和非中心关键点、以及中心趋向向量场，所述中心趋向向 量场表征各所述非中心关键点与各所述中心关键点的关联度；

针对目标中心关键点，根据所述中心趋向向量场确定与所述目标中心关 键点属于同一目标待识别对象的目标非中心关键点，所述目标中心关键点为 任一所述中心关键点；

根据所述目标非中心关键点和所述目标中心关键点确定所述目标待识 别对象的姿态。

可选地，所述中心趋向向量场包括多个中心趋向向量子场，不同的所述 中心趋向向量子场对应不同的非中心关键点集合，不同的所述非中心关键点 集合对应不同的关键点类别；

所述针对目标中心关键点，根据所述中心趋向向量场确定与所述目标中 心关键点属于同一目标待识别对象的目标非中心关键点，包括：

针对所述目标中心关键点，从每一所述非中心关键点集合中确定一个与 所述目标中心关键点的匹配度的值最大的非中心关键点，得到多个类别的所 述目标非中心关键点。

可选地，所述方法还包括：

通过如下公式确定所述非中心关键点与所述目标中心关键点的匹配度：

其中，M为所述匹配度的值，CTV

可选地，在将所述待识别图像输入训练完成的关键点识别模型之后，所 述关键点识别模型用于：

对所述待识别图像进行关键点识别，得到中心关键点热力图和非中心关 键点热力图；

从所述中心关键点热力图中确定所述中心关键点，以及从所述非中心关 键点热力图中确定所述非中心关键点。

可选地，所述关键点识别模型的训练过程包括：

获取待识别图像样本，所述待识别图像样本对应有中心关键点标签、非 中心关键点标签、以及中心趋向向量场标签，其中，所述待识别图像样本中 包括多个待识别对象样本，每一所述待识别对象样本对应一个标注有中心关 键点标签的样本中心关键点、以及多个标注有非中心关键点标签的样本非中 心关键点；

根据所述待识别图像样本训练得到训练完成的关键点识别模型。

可选地，所述待识别对象样本对应的样本中心关键点是所述待识别对象 样本对应的多个样本非中心关键点的均值。

可选地，所述中心趋向向量场标签表征各所述样本非中心关键点与各所 述样本中心关键点的关联度，在所述样本非中心关键点与所述样本中心关键 点位于同一所述待识别对象样本上时，通过如下公式计算所述关联度：

其中，CTV

在所述样本非中心关键点与所述样本中心关键点对应不同的所述待识 别对象样本的情况下，将所述关联度的值设置为0。

根据本公开实施例的第二方面，提供一种姿态识别装置，所述装置包括：

获取模块，用于获取待识别图像，所述待识别图像中包括多个待识别对 象；

输入模块，用于将所述待识别图像输入训练完成的关键点识别模型，得 到各所述待识别对象的中心关键点和非中心关键点、以及中心趋向向量场， 所述中心趋向向量场表征各所述非中心关键点与各所述中心关键点的关联 度；

第一确定模块，用于针对目标中心关键点，根据所述中心趋向向量场确 定与所述目标中心关键点属于同一目标待识别对象的目标非中心关键点，所 述目标中心关键点为任一所述中心关键点；

第二确定模块，用于根据所述目标非中心关键点和所述目标中心关键点 确定所述目标待识别对象的姿态。

根据本公开实施例的第三方面，提供一种非临时性计算机可读存储介质， 其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项 所述方法的步骤。

根据本公开实施例的第四方面，提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方 面中任一项所述方法的步骤。

通过上述技术方案，采用表征非中心关键点与中心关键点的关联度的中 心趋向向量场，可以针对目标中心关键点，确定属于同一目标待识别对象的 目标非中心关键点，从而可以根据目标非中心关键点和目标中心关键点确定 目标待识别对象的姿态。在这个过程中，通过引入中心关键点以及表征非中 心关键点与中心关键点的关联度的中心趋向向量场来进行关键点与待识别 对象的匹配，可以在保证速度优势的情况下提升关键点匹配的准确率，从而 提升姿态识别的准确度。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与 下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在 附图中：

图1是本公开根据一示例性实施例示出的一种姿态识别方法的流程图。

图2是本公开根据一示例性实施例示出的一种关键点识别模型的示意图。

图3是本公开根据一示例性实施例示出的一种姿态识别装置的框图。

图4是本公开根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是， 此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

相关技术中，针对多人姿态识别，可以通过直接识别关键点，再将识别 到的关键点匹配到对应的人体的方式确定各个人体的关键点，从而根据识别 到的关键点确定各个人体的姿态。

例如，在论文《Associative Embedding:End-to-End Learning for JointDetection and Grouping》中，作者提出在预测各个人体关键点的同时，还预 测每个关键点对应的TAG值，属于同一人体的关键点对应的TAG值尽可能 的一致。这样，就可以根据关键点对应的TAG值确定各个关键点对应的人 体。然而，这种方式只在关键点上才存在监督信息，监督信息过少不利于智 能体学习。并且，同一个人体上位于不同位置的关键点(例如头部关键点和 脚部关键点)存在较大差异，在此种情况下，智能体预测的同一人体不同位置关键点对应的TAG值很难保持一致。尤其，在人数过多时，容易出现人 体关键点对应的TAG混乱的问题，从而使得关键点匹配到人体的准确率低。

还例如，在专利文献CN111310625A所记载的方案中，为各个人体定义 了两两关键点构成的骨骼(例如手肘关键点到手腕关键点的骨骼)。在预测 各个人体关键点的同时，还预测每个骨骼连接的亲和度，每个骨骼的连接亲 和度由一个向量场(PAF)表示，同一人体上任一骨骼对应的向量场的单位 向量等于该骨骼上两个关键点连接对应的单位向量。这样，就可以根据两两 关键点连接对应的单位向量确定关键点所属的骨骼，从而确定关键点对应的 人体。然而，这种方式计算复杂度高，关键点之间存在依赖：如果存在某骨 骼上关键点不存在的情况(例如连接肩膀关键点或连接手腕关键点的手肘关 键点不可见)，那么就无法得知与该不可见关键点连接的其他可见关键点(例 如肩膀关键点和手腕关键点)是属于同一人体的。

有鉴于此，本公开实施例提供一种姿态识别方法，通过引入中心关键点 以及表征非中心关键点与中心关键点的关联度的中心趋向向量场来进行关 键点与待识别对象的匹配，可以在保证速度优势的情况下，消除非中心关键 点之间的依赖，提升关键点匹配的准确率，从而提升姿态识别的准确度。

图1是根据本公开一示例性实施例示出的一种姿态识别方法的流程图， 如图1所示，该方法包括：

S101，获取待识别图像。

其中，该待识别图像中包括多个待识别对象。应当理解的是，该待识别 对象可以是人体、也可以是动物。

S102，将待识别图像输入训练完成的关键点识别模型，得到各待识别对 象的中心关键点和非中心关键点、以及中心趋向向量场。

其中，中心趋向向量场表征各非中心关键点与各中心关键点的关联度。

可以理解的是，待识别对象上的待识别关键点可以是预设的，各待识别 对象上的待识别关键点的数量相同。在待识别对象为人体时，非中心关键点 可以是人体各个部位对应的关键点，例如，鼻子关键点、右肩关键点以及左 膝盖关键点等。在待识别对象为动物时，非中心关键点可以是动物各个部位 对应的关键点，例如，眼睛关键点、喉咙关键点以及爪子关键点等。在此基 础之上，待识别对象的中心关键点可以是该待识别对象各个部位的非中心关 键点的均值。中心趋向向量场可以是各待识别对象中的各非中心关键点到各 中心关键点的中心趋向向量的集合。

S103，针对目标中心关键点，根据中心趋向向量场确定与目标中心关键 点属于同一目标待识别对象的目标非中心关键点。

其中，目标中心关键点为任一中心关键点。

由于，中心趋向向量可以用于表征各非中心关键点与各中心关键点的关 联度。因此，针对目标中心关键点，可以根据中心趋向向量场确定该目标中 心关键点与每一非中心关键点的关联度，并且基于该关联度确定与该目标中 心关键点属于同一目标待识别对象的目标非中心关键点。

S104，根据目标非中心关键点和目标中心关键点确定目标待识别对象的 姿态。

不难理解的是，在确定属于同一目标待识别对象的目标非中心关键点和 目标中心关键点后，可以根据目标非中心关键点确定目标中心关键点对应的 目标待识别对象的姿态。

此外还需说明的是，相关技术中通过预测多个骨骼连接，并将关键点与 骨骼匹配的方式计算复杂度高，在某个关键点缺失的情况下，还会导致与该 缺失关键点属于同一骨骼的关键点无法被归类，即关键点之间存在依赖。而 本公开实施例提供的方法则通过引入中心关键点，计算所有非中心关键点与 中心关键点的中心趋向向量场，从而可以根据中心趋向向量场确定属于同一 目标待识别对象的目标非中心关键点和目标中心关键点。在这个过程中，非 中心关键点之间不存在依赖，即便某个非中心关键点缺失，也不影响其他关键点的归属。

通过上述技术方案，采用表征非中心关键点与中心关键点的关联度的中 心趋向向量场，可以针对目标中心关键点，确定属于同一目标待识别对象的 目标非中心关键点，从而可以根据目标非中心关键点和目标中心关键点确定 目标待识别对象的姿态。在这个过程中，通过引入中心关键点以及表征非中 心关键点与中心关键点的关联度的中心趋向向量场来进行关键点与待识别 对象的匹配，可以在保证速度优势的情况下，提升关键点匹配的准确率，从 而提升姿态识别的准确度。

可选地，中心趋向向量场包括多个中心趋向向量子场，不同的中心趋向 向量子场对应不同的非中心关键点集合，不同的非中心关键点集合对应不同 的关键点类别。在此基础之上，上述步骤S103可以包括：

针对目标中心关键点，从每一非中心关键点集合中确定一个与目标中心 关键点的匹配度的值最大的非中心关键点，得到多个类别的目标非中心关键 点。

需说明的是，不同的关键点类别可以对应待识别对象不同的部位，例如 人体右肩关键点类别对应人体的右肩，猫爪关键点类别对应猫的爪子。与关 键点类别对应的非中心关键点集合包括各待识别对象中属于该关键点类别 的所有非中心关键点。例如，针对包括3个人体(每一人体包括1个右肩关 键点)的待识别图像，与右肩关键点类别对应的非中心关键点集合包括3个 右肩关键点。

在此基础之上，针对目标中心关键点，可以根据多个中心趋向向量子场， 从每一非中心关键点集合中确定一个与目标中心关键点匹配度的值最大的 非中心关键点，从而得到多个类别的目标非中心关键点。

例如，针对左肩关键点集合，可以根据左肩关键点对应的中心趋向向量 子场，确定左肩关键点集合中的每一左肩关键点与目标中心关键点的匹配度， 并将其中匹配度的值最大的左肩关键点作为目标左肩关键点。在此基础之上， 可以通过遍历每一非中心关键点集合，得到多个类别的目标非中心关键点。

可选地，本公开实施例提供的方法可以通过如下公式确定非中心关键点 与目标中心关键点的匹配度：

其中，M为匹配度的值，CTV

例如，若目标中心关键点坐标为(2，4)，非中心关键点坐标为(6，6)， 那么在K＝2的情况下，目标中心关键点与非中心关键点的连接上的预设关键 点坐标可以包括(2，4)，(4，5)以及(6，6)。

可选地，在将待识别图像输入训练完成的关键点识别模型之后，该关键 点识别模型可以用于：

对待识别图像进行关键点识别，得到中心关键点热力图和非中心关键点 热力图；

从中心关键点热力图中确定中心关键点，以及从非中心关键点热力图中 确定非中心关键点。

其中，热力图是一种通过对色块(也即像素点)着色来显示数据的统计 图表。中心关键点热力图中对待识别图像中各待识别对象的每一中心关键点 均预测了一个区域。针对任一中心关键点对应区域内的每一个色块，若该色 块为中心关键点的概率越大，则该色块的数值越大。在此基础之上，可以从 任一中心关键点对应的区域中确定一个色块数值最大的像素点，并将该像素 点确定为中心关键点。同理可以从非中心关键点热力图中确定非中心关键点。

参照图2，图2是本公开根据一示例性实施例示出的一种关键点识别模 型的示意图。如图2所示，在将待识别图像(该图像可以是RGB三通道图 像)输入关键点识别模型400后，可以通过特征提取网络提取待识别图像的 特征，得到关键点热力图(包括中心关键点热力图和非中心关键点热力图) 和中心趋向向量场。其中，关键点热力图的通道数与待识别对象上待识别关 键点的个数相同，待识别对象上的待识别关键点以及个数均可以是预设的。 由于中心趋向向量可以是通过两通道的特征图表示的(两通道分别代表x方 向和y方向的分量)，因此中心趋向向量场的通道数为待识别对象上待识别 非中心关键点个数的2倍。

在此基础之上，可以通过匹配模块确定每一非中心关键点和各个待识别 对象的中心关键点的匹配度，从而确定与每一中心关键点属于同一待识别对 象的非中心关键点(即关键点检测结果)。之后，可以根据关键点检测结果 确定待识别对象的姿态。

可选地，关键点识别模型的训练过程可以包括：

获取待识别图像样本，根据待识别图像样本训练得到训练完成的关键点 识别模型。

其中，该待识别图像样本对应有中心关键点标签、非中心关键点标签、 以及中心趋向向量场标签，并且该待识别图像样本中包括多个待识别对象样 本，每一待识别对象样本对应一个标注有中心关键点标签的样本中心关键点、 以及多个标注有非中心关键点标签的样本非中心关键点。

应说明的是，关键点识别模型可以是通过标注有真实标签(即中心关键 点标签、非中心关键点标签、以及中心趋向向量场标签)的待识别图像样本 训练得到的。在训练过程中，待训练的关键点识别模型针对待识别图像样本 进行预测，得到预测中心关键点、预测非中心关键点以及预测中心趋向向量 场，在此基础上，可以根据预测结果和真实标签计算损失值，通过损失值调 整待训练的关键点识别模型的训练参数，从而得到训练完成的关键点识别模 型。

可选地，待识别对象样本对应的样本中心关键点是待识别对象样本对应 的多个样本非中心关键点的均值。在可能的实现方式中，可以通过如下公式 计算该均值：

其中，(x

可选地，中心趋向向量场标签表征各样本非中心关键点与各样本中心关 键点的关联度，在样本非中心关键点与样本中心关键点位于同一待识别对象 样本上时，通过如下公式计算关联度：

其中，CTV

在样本非中心关键点与样本中心关键点对应不同的待识别对象样本的 情况下，将关联度的值设置为0。

通过上述技术方案，采用表征非中心关键点与中心关键点的关联度的中 心趋向向量场，可以针对目标中心关键点，确定属于同一目标待识别对象的 目标非中心关键点，从而可以根据目标非中心关键点和目标中心关键点确定 目标待识别对象的姿态。在这个过程中，通过引入中心关键点以及表征非中 心关键点与中心关键点的关联度的中心趋向向量场来进行关键点与待识别 对象的匹配，可以在保证速度优势的情况下，提升关键点匹配的准确率，从 而提升姿态识别的准确度。

基于同一发明构思，本公开还提供一种姿态识别装置，参见图3，图3 是根据本公开一示例性实施例示出的一种姿态识别装置的框图，如图3所示， 该姿态识别装置100包括：

获取模块101，用于获取待识别图像，所述待识别图像中包括多个待识 别对象；

输入模块102，用于将所述待识别图像输入训练完成的关键点识别模型， 得到各所述待识别对象的中心关键点和非中心关键点、以及中心趋向向量场， 所述中心趋向向量场表征各所述非中心关键点与各所述中心关键点的关联 度；

第一确定模块103，用于针对目标中心关键点，根据所述中心趋向向量 场确定与所述目标中心关键点属于同一目标待识别对象的目标非中心关键 点，所述目标中心关键点为任一所述中心关键点；

第二确定模块104，用于根据所述目标非中心关键点和所述目标中心关 键点确定所述目标待识别对象的姿态。

通过上述装置，采用表征非中心关键点与中心关键点的关联度的中心趋 向向量场，可以针对目标中心关键点，确定属于同一目标待识别对象的目标 非中心关键点，从而可以根据目标非中心关键点和目标中心关键点确定目标 待识别对象的姿态。在这个过程中，通过引入中心关键点以及表征非中心关 键点与中心关键点的关联度的中心趋向向量场来进行关键点与待识别对象 的匹配，可以在保证速度优势的情况下，提升关键点匹配的准确率，从而提 升姿态识别的准确度。

可选地，所述中心趋向向量场包括多个中心趋向向量子场，不同的所述 中心趋向向量子场对应不同的非中心关键点集合，不同的所述非中心关键点 集合对应不同的关键点类别；

所述第一确定模块103进一步用于：

针对所述目标中心关键点，从每一所述非中心关键点集合中确定一个与 所述目标中心关键点的匹配度的值最大的非中心关键点，得到多个类别的所 述目标非中心关键点。

可选地，所述装置100还包括第三确定模块，该第三确定模块用于通过 如下公式确定所述非中心关键点与所述目标中心关键点的匹配度：

其中，M为所述匹配度的值，CTV

可选地，在将所述待识别图像输入训练完成的关键点识别模型之后，所 述关键点识别模型用于：

对所述待识别图像进行关键点识别，得到中心关键点热力图和非中心关 键点热力图；

从所述中心关键点热力图中确定所述中心关键点，以及从所述非中心关 键点热力图中确定所述非中心关键点。

可选地，所述装置100还包括训练模块，该训练模块用于训练所述关键 点识别模型，所述关键点模型的训练过程包括：

获取待识别图像样本，所述待识别图像样本对应有中心关键点标签、非 中心关键点标签、以及中心趋向向量场标签，其中，所述待识别图像样本中 包括多个待识别对象样本，每一所述待识别对象样本对应一个标注有中心关 键点标签的样本中心关键点、以及多个标注有非中心关键点标签的样本非中 心关键点；

根据所述待识别图像样本训练得到训练完成的关键点识别模型。

可选地，所述待识别对象样本对应的样本中心关键点是所述待识别对象 样本对应的多个样本非中心关键点的均值。

可选地，所述中心趋向向量场标签表征各所述样本非中心关键点与各所 述样本中心关键点的关联度，所述装置100还包括计算模块，该计算模块用 于：

在所述样本非中心关键点与所述样本中心关键点位于同一所述待识别 对象样本上时，通过如下公式计算所述关联度：

其中，CTV

在所述样本非中心关键点与所述样本中心关键点对应不同的所述待识 别对象样本的情况下，将所述关联度的值设置为0。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有 关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

基于同一发明构思，本公开实施例还提供一种电子设备，该电子设备包 括：

存储器，其上存储有计算机程序；

处理器，用于执行存储器中的计算机程序，以实现上述的姿态识别方法 的步骤。

图4是根据一示例性实施例示出的一种电子设备700的框图。如图4所 示，该电子设备200可以包括：处理器201，存储器202。该电子设备200 还可以包括多媒体组件203，输入/输出(I/O)接口204，以及通信组件205 中的一者或多者。

其中，处理器201用于控制该电子设备200的整体操作，以完成上述的 姿态识别方法中的全部或部分步骤。存储器202用于存储各种类型的数据以 支持在该电子设备200的操作，这些数据例如可以包括用于在该电子设备 200上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如 联系人数据、收发的消息、图片、音频、视频等等。该存储器202可以由任 何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存 取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只 读存储器(Electrically Erasable Programmable Read-Only Memory，简称 EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁 存储器，快闪存储器，磁盘或光盘。多媒体组件203可以包括屏幕和音频组 件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例 如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收 的音频信号可以被进一步存储在存储器202或通过通信组件205发送。音频 组件还包括至少一个扬声器，用于输出音频信号。I/O接口204为处理器201 和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮 等。这些按钮可以是虚拟按钮或者实体按钮。通信组件205用于该电子设备 200与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙， 近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G或5G，NB-IOT (Narrow Band Internet of Things，窄带物联网)，或者它们中一种或者多种 的组合，因此相应的该通信组件205可以包括：Wi-Fi模块，蓝牙模块，NFC 模块。

在一示例性实施例中，电子设备200可以被一个或多个应用专用集成电 路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器 (DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device， 简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、 控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的姿态识 别方法。

基于同一发明构思，本公开实施例还提供一种非临时性计算机可读存储 介质，其上存储有计算机程序，该程序被处理器执行时实现上述姿态识别方 法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令 的存储器202，上述程序指令可由电子设备200的处理器201执行以完成上 述的姿态识别方法。

具体地，该计算机可读存储介质可以是闪存、硬盘、多媒体卡、卡型存 储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访 问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服 务器、公有云服务器等等。

关于上述实施例中的非临时性计算机可读存储介质，其上存储的计算机 程序被执行时实现姿态识别方法步骤已将在有关该方法的实施例中进行了 详细描述，此处不做详细阐述。

在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产 品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可 编程的装置执行时用于执行上述的姿态识别方法的代码部分。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限 于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开 的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征， 在不矛盾的情况下，可以通过任何合适的方式进行组合。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其 不违背本公开的思想，其同样应当视为本公开所公开的内容。