发明内容
有鉴于此,本申请的目的在于至少提供一种城市道路信息模型的构建方法及装置,通过城市的正射影像以及开源地图数据构建城市道路信息模型,提高道路建模准确性。
本申请主要包括以下几个方面:
第一方面,本申请实施例提供一种城市道路信息模型的构建方法,包括:根据目标城市的正射影像以及开源地图数据,对目标城市的城市点云数据进行区域分割,获得目标城市的道路点云数据;根据道路点云数据对各点进行聚类拆分,以获得目标城市的多条道路以及各条道路对应的单道路点云数据,其中,道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征;针对每条道路,根据该条道路对应的单道路点云数据,提取该道路对应的关键点集合,利用关键点集合对单道路点云数据进行曲面拟合,确定与该条道路对应的城市道路信息模型。
在一种可能的实施方式中,根据述道路点云数据对各点进行聚类拆分,以获得目标城市的多条道路以及各条道路对应的单道路点云数据的步骤包括:根据开源地图数据中的道路矢量数据,确定目标城市的第一道路掩膜图像;通过第一预设语义分割网络对目标城市的正射影像进行道路识别,获得目标城市的第二道路掩膜图像;对第一道路掩膜图像和第二道路掩膜图像进行融合,获得城市道路语义图;将城市点云数据投射到城市道路语义图的坐标平面上,并利用第二预设语义分割网络参照城市道路语义图对城市点云数据进行分割,以获得目标城市的道路点云数据。
在一种可能的实施方式中,通过以下方式获得城市道路语义图:针对第二道路掩膜图像中的每个像素点:确定该像素点在第二道路掩膜图像中所属的目标道路以及该像素点在第二道路掩膜图像中的位置坐标;判断第一道路掩膜图像中是否存在该像素点对应的目标道路;若第一道路掩膜图像中存在该像素点对应的目标道路,则将第一道路掩膜图像中与位置坐标对应的像素点确定为城市道路语义图中的像素点;若第一道路掩膜图像中不存在该像素点对应的目标道路,则将该像素点确定为城市道路语义图中的像素点。
在一种可能的实施方式中,根据道路点云数据对各点进行聚类拆分,以获得目标城市的多条道路以及各道路对应的单道路点云数据的步骤包括:根据道路点云数据中每点对应的位置特征,计算道路点云数据中任意两点之间的欧式距离;根据道路点云数据中每点对应的空间特征,确定道路点云数据中任意两点所属道路之间的道路叠加情况;根据道路点云数据中每点对应的先验特征,确定道路点云数据中任意两点在开源地图数据中的位置关系;根据道路点云数据中任意两点之间的欧式距离、所属道路之间的道路叠加情况以及在开源地图数据中的位置关系,对道路点云数据进行聚类拆分,以获得多条道路以及各条道路对应的单道路点云数据。
在一种可能的实施方式中,通过以下公式对道路点云数据进行聚类拆分:
在该公式中,
表示空间特征对聚类的影响权重,
表示先验特征对聚类的影
响权重,
表示道路点云数据中的第i个点
以及第
j个点
之间
的聚类结果,
表示道路点云数据中第
i个点的数据信息,其中,
,在该公式中,(
)表示道路点云数
据中第i个点的位置特征,其中,
分别表示第i个点在世界坐标系中x、y、z方向的坐
标,(
)表示道路点云数据中第i个点的空间特征,其中,
分别表示第i
个点在世界坐标系中x、y、z方向的法向量,
表示道路点云数据中第i个点在开源地图数据
中的所属道路标识;
表示道路点云数据中第j个点的数据信息,
其中,
,在该公式中,(
)表示道路点
云数据中第j个点的位置特征,其中,
分别表示第j个点在世界坐标系中x、y、z方向
的坐标,(
)表示道路点云数据中第j个点的空间特征,其中,
分别
表示第j个点在世界坐标系中x、y、z方向的法向量,
表示道路点云数据中第j个点在开源
地图数据中的所属道路标识。
在一种可能的实施方式中,针对每条道路,通过以下方式提取该道路对应的关键点集合:(A)获取该条道路的单道路点云数据中的初始关键点,将初始关键点确定为预设区域中心点,并保存至关键点集合;(B)从该单道路点云数据中获取距离预设区域中心点最近的邻近点;(C)计算该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离是否小于预设区域半径;(D)若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离小于预设球形区域的半径,则将该邻近点确定为下一关键点并添加至关键点集合,确定关键点集合中的关键点的平均值,使用该平均值更新预设区域中心点,并返回执行步骤(B),直至遍历该单道路点云数据中所有的点,确定关键点集合;(E)若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离大于或等于预设区域的半径,则将当前预设区域中心点作为下一关键点添加至关键点集合,并返回执行步骤(B),直至遍历该单道路点云数据中所有的点,确定关键点集合。
在一种可能的实施方式中,针对每条道路,通过以下方式确定与该条道路对应的城市道路信息模型:对该条道路的关键点集合进行曲线插值,确定该条道路的平滑道路曲线;根据平滑道路曲线,计算关键点集合中各关键点处对应的空间特征;根据各关键点处对应的空间特征,确定各关键点在该条道路对应的单道路点云数据中的最大延伸长度;将每个关键点对应的最大延伸长度确定为道路宽度,同时确定与关键点集合对应的最大延伸长度集合;对目标最大延伸长度集合进行与关键点集合相同粒度的插值,确定用于反应该条道路的宽度变化的宽度变化数组;结合平滑道路曲线以及该条道路对应的宽度变化数组,确定该条道路对应的城市道路信息模型。
在一种可能的实施方式中,重建方法还包括:针对每条道路对应的城市道路信息模型,根据预先获取的该条道路的街景图片对该条道路的道路元素进行定位;根据目标城市的正射影像对道路元素的定位进行修正。
在一种可能的实施方式中,针对每条道路对应的城市道路信息模型,通过以下方式完成对该条道路的植物个体的定位:针对该条道路对应的街景图片,使用预先训练好的语义分割神经网络模型对该街景图片按多个道路元素进行分割,获取分割后的街景图片;从该条道路分割后的街景图片中分别提取每个道路元素对应的道路元素掩膜图;根据各道路元素掩膜图,确定该条道路中各道路元素在该条道路中的位置坐标,完成对该条道路中各道路元素的定位。
第二方面,本申请实施例还提供一种城市道路信息模型的构建装置,包括:分割模块,用于根据目标城市的正射影像以及开源地图数据,对目标城市的城市点云数据进行区域分割,获得目标城市的道路点云数据;聚类模块,用于根据道路点云数据对各点进行聚类拆分,以获得目标城市的多条道路以及各条道路对应的单道路点云数据,其中,道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征;拟合模块,用于针对每条道路,根据该条道路对应的单道路点云数据,提取该道路对应的关键点集合,利用关键点集合对单道路点云数据进行曲面拟合,确定与该条道路对应的城市道路信息模型。
本申请实施例提供的一种城市道路信息模型的构建方法及装置,包括:根据目标城市的正射影像以及开源地图数据,对目标城市的城市点云数据进行区域分割,获得目标城市的道路点云数据;根据道路点云数据对各点进行聚类拆分,以获得目标城市的多条道路以及各条道路对应的单道路点云数据,其中,道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征;针对每条道路,根据该条道路对应的单道路点云数据,提取该道路对应的关键点集合,利用关键点集合对单道路点云数据进行曲面拟合,确定与该条道路对应的城市道路信息模型。本申请通过城市的正射影像以及开源地图数据构建城市道路信息模型,提高道路建模准确性。
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。
具体实施方式
为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,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
CIM基础平台是在城市基础地理信息的基础上,建立建筑物、基础设施等三维数字模型,表达和管理城市三维空间的基础平台,是城市规划、建设、管理、运行工作的基础性操作平台,是智慧城市的基础性、关键性和实体性信息基础设施。
在当前的城市信息模型建立过程中,道路模型的创建主要通过人为制作或相机拍摄获取,该种方法,涉及重叠道路或交叉道路时,无法准确对道路进行拆分建模,降低了城市道路建模的准确性。
基于此,本申请实施例提供了一种城市道路信息模型的构建方法及装置,通过城市的正射影像以及开源地图数据构建城市道路信息模型,提高道路建模准确性,具体如下
请参阅图1,图1示出了本申请实施例所提供的一种城市道路信息模型的构建方法的流程图。如图1所示,本申请实施例提供的方法,包括以下步骤:
S100、根据目标城市的正射影像以及开源地图数据,对目标城市的城市点云数据进行区域分割,获得目标城市的道路点云数据。
在一优选实施例中,根据道路点云数据对各点进行聚类拆分,以获得目标城市的多条道路以及各条道路对应的单道路点云数据的步骤包括:
根据开源地图数据中的道路矢量数据,确定目标城市的第一道路掩膜图像,通过第一预设语义分割网络对目标城市的正射影像进行道路识别,获得目标城市的第二道路掩膜图像,对第一道路掩膜图像和第二道路掩膜图像进行融合,获得城市道路语义图,将城市点云数据投射到城市道路语义图的坐标平面上,并利用第二预设语义分割网络参照城市道路语义图对城市点云数据进行分割,以获得目标城市的道路点云数据。
其中,第一预设语义分割网络采用Point-render
作为主干网络,并根据城市
构建要素对第一预设语义分割网络进行分类训练,得到训练好的第一预设语义分割网络,
第一预设语义分割网络将按照城市构建要素对目标城市的正射影像进行像素级分割,城市
构建要素包括但不限于以下项中至少一项:地形、水域、建筑、道路以及植被,识别第一预设
语义分割网络分割出的道路区域,获取目标城市的第二道路掩膜图像。
在一优选实施例中,通过以下方式获得城市道路语义图:
针对第二道路掩膜图像中的每个像素点:确定该像素点在第二道路掩膜图像中所属的目标道路以及该像素点在第二道路掩膜图像中的位置坐标,判断第一道路掩膜图像中是否存在该像素点对应的目标道路,若第一道路掩膜图像中存在该像素点对应的目标道路,则将第一道路掩膜图像中与位置坐标对应的像素点确定为城市道路语义图中的像素点,若第一道路掩膜图像中不存在该像素点对应的目标道路,则将该像素点确定为城市道路语义图中的像素点。
在一具体实施例中,可以通过以下公式对第一道路掩膜图像和第二道路掩膜图像进行融合,从而确定城市道路语义图:
在该公式中,
表示目标城市的城市道路语义图中第i行第j列的像素点,
表示第一道路掩膜图像中第i行第j列的像素点,
表示第二道路掩膜
图像中第i行第j列的像素点,
表示第二道路掩膜图像中第i行第j列的像素所在道
路。
S200、根据道路点云数据对各点进行聚类拆分,以获得目标城市的多条道路以及各条道路对应的单道路点云数据。
其中,道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征,其中,道路点云数据中每点可以通过以下公式表示:
在该公式中,
表示道路点云数据中第i个点的数据信息,(
)表示道
路点云数据中第i个点的位置特征,其中,
分别表示第i个点在世界坐标系中x、y、z
方向的坐标,(
)表示道路点云数据中第i个点的空间特征,其中,
分
别表示第i个点在世界坐标系中x、y、z方向的法向量,
表示道路点云数据中第i个点的先
验特征,即第i个点在开源地图数据中的所属道路标识。
根据道路点云数据对各点进行聚类拆分,以获得目标城市的多条道路以及各道路对应的单道路点云数据的步骤包括:
根据道路点云数据中每点对应的位置特征,计算道路点云数据中任意两点之间的欧式距离,根据道路点云数据中每点对应的空间特征,确定道路点云数据中任意两点所属道路之间的道路叠加情况,根据道路点云数据中每点对应的先验特征,确定道路点云数据中任意两点在开源地图数据中的位置关系,根据道路点云数据中任意两点之间的欧式距离、所属道路之间的道路叠加情况以及在开源地图数据中的位置关系,对道路点云数据进行聚类拆分,以获得多条道路以及各条道路对应的单道路点云数据。
在一优选实施例中,通过以下公式对道路点云数据进行聚类拆分:
在该公式中,
表示空间特征对聚类的影响权重,
表示先验特征对聚类的影
响权重,
表示道路点云数据中的第i个点
以及第j个点
之间
的聚类结果,
其中,
,在该公式中,(
)表示道路点
云数据中第j个点的位置特征,其中,
分别表示第j个点在世界坐标系中x、y、z方向
的坐标,(
)表示道路点云数据中第j个点的空间特征,其中,
分别
表示第j个点在世界坐标系中x、y、z方向的法向量,
表示道路点云数据中第j个点在开源地
图数据中的所属道路标识。
具体的,可以通过
调节空间特征对道路点云数据的聚类效果,最终实现对道路
点云数据按照不同道路进行分割,得到每条道路对应的单道路点云数据,通过引入空间特
征对道路点云数据进行聚类,可以实现对重叠道路或交叉道路对应的单道路点云数据进行
上下分层,进而对分层后的单道路点云数据分别进行曲面拟合。
S300、针对每条道路,根据该条道路对应的单道路点云数据,提取该道路对应的关键点集合,利用关键点集合对单道路点云数据进行曲面拟合,确定与该条道路对应的城市道路信息模型。
在一优选实施例中,针对每条道路,通过以下方式提取该道路对应的关键点集合:
(A)获取该条道路的单道路点云数据中的初始关键点,将初始关键点确定为预设区域中心点,并保存至关键点集合;
(B)从该单道路点云数据中获取距离预设区域中心点最近的邻近点;
(C)计算该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离是否小于预设区域半径;
(D)若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离小于预设球形区域的半径,则将该邻近点确定为下一关键点并添加至关键点集合,确定关键点集合中的关键点的平均值,使用该平均值更新预设区域中心点,并返回执行步骤(B),直至遍历该单道路点云数据中所有的点,确定关键点集合;
(E)若该距离预设区域中心点最近的邻近点与预设区域中心点之间的距离大于或等于预设区域的半径,则将当前预设区域中心点作为下一关键点添加至关键点集合,并返回执行步骤(B),直至遍历该单道路点云数据中所有的点,确定关键点集合。
在具体实施中,具体的,对于第m条道路对应的单道路点云数据
,从
中提取一个初始关键点,此时,将初始关键点确定为预设区域中心点,并保存至关
键点集合
其中,
,
表示关键点集合
中关键点的数量,从该单道路点云数据
中获取距离预设区域中心点
最近的邻近点
,对于预设区域半径
,若
<
,则将该邻近点
加入关键点集合
,同时通过以下公
式更新当前的预设区域中心点:
在该公式中,
表示当前的预设区域中心点,
表示关键点集合
中关键点的数量,
表示关键点集合
中的关键点,
表示关键点集合中
的关键点的平均值。
若
≥
,则令e=e+1,将当前预设区域中心点作为下一关
键点添加至关键点集合。
在一具体实施例中,针对每条道路,通过以下方式确定与该条道路对应的城市道路信息模型:
对该条道路的关键点集合进行曲线插值,确定该条道路的平滑道路曲线,根据平滑道路曲线,计算关键点集合中各关键点处对应的空间特征。根据各关键点处对应的空间特征,确定各关键点在该条道路对应的单道路点云数据中的最大延伸长度,将每个关键点对应的最大延伸长度确定为道路宽度,同时确定与关键点集合对应的最大延伸长度集合,对目标最大延伸长度集合进行与关键点集合相同粒度的插值,确定用于反应该条道路的宽度变化的宽度变化数组,结合平滑道路曲线以及该条道路对应的宽度变化数组,确定该条道路对应的城市道路信息模型。
在一优选实施例中,对于第m条道路的关键点集合
进行曲线
差值后,确定第m条道路的平滑道路曲线
,计算各关键点处对应的法向量
,
并根据各关键点处对应的法向量
确定各关键点在该条道路对应的单道路点云数据
中形成的的最大延伸长度集合
,对最大延伸长度集合
进行与关键点集合相
同粒度的插值获得宽度变化数组
,结合平滑道路曲线
以及对应宽度变
化数组
,即可完成对第m条道路的重建。
在一优选实施例中,还包括:
针对每条道路对应的城市道路信息模型,根据预先获取的该条道路的街景图片对该条道路的植物个体进行定位。
根据目标城市的正射影像对植物个体的定位进行修正。
一示例中,针对每条道路对应的城市道路信息模型,通过以下方式完成对该条道路的植物个体的定位:
针对该条道路对应的街景图片,使用预先训练好的语义分割神经网络模型对该街景图片按多个道路元素进行分割,获取分割后的街景图片,从该条道路分割后的街景图片中分别提取每个道路元素对应的道路元素掩膜图;根据各道路元素掩膜图,确定该条道路中各道路元素在该条道路中的位置坐标,完成对该条道路中植物的定位。
在一具体实施例中,针对第m条道路对应的城市道路信息模型对应的街景图片
,使用由BDD100K数据集训练的语义分割神经网络模型对街景图片
按
照多个道路元素进行分割,获取分割后的街景图片
,其中,多个道路元素包括但不限于
道路、人行道、建筑、墙、栅栏、电线杆、交通灯、交通指示牌、植物以及地面,以树木为例,说
明如何对该条道路中各道路元素的定位:
首先,从分割后的街景图片
中提取树木对应的道路元素掩膜图
,统
计道路元素掩膜图
中纵向像素频数(道路元素掩膜图
坐标y轴方向),获
得纵向像素频数对应的分布曲线,针对分布曲线中的每个峰值位置,将该峰值位置为树木
所在道路元素掩膜图
中的x方向坐标,获取该峰值位置所在的纵列像素中的最小Y
方向坐标,将该最小Y方向坐标确定为该棵树木在所在道路元素掩膜图
中Y方向坐
标,由此可得到每个峰值位置对应的树木在道路元素掩膜图
中的位置坐标。
利用预先设置的街景图深度神经网络模型,以及对应的位置坐标,可以确定每棵树木在该位置坐标处的图像深度值,同时根据获取街景图片的街景相机的视场角,确定每棵树木与街景相机之间的相对位移,根据每棵树木与街景相机之间的相对位移以及相机位置确定该棵树对应的世界坐标。
其中,通过以下公式确定每棵树木与街景相机之间的相对位置:
在该公式中,
表示树木与街景相机之间的相对位移,
表示树木在街
景图片中的图像深度值,
表示街景相机的视场视角,
表示树木在街景图片中的x坐
标,
表示街景图片宽度。
通过以下公式确定每棵树木对应的世界坐标:
在该公式中,
表示树木对应的世界坐标,
表示相机位置。
在一优选实施例中,受限于街景图片的获取方式,上述实施例只能对道路上的元素进行一定程度上的定位,对园区内部、山区、或其他无法获取街景的地方无法定位重建,同时近似计算和坐标转化的精度丢失也会导致定位结果不准确,不合理。因此,本申请使用正射影像进一步约束、补充定位结果。
其中,通过第一预设语义分割网络对所述目标城市的正射影像进行识别,会获取
分割后的各道路元素对应的分割图像,具体的,以树木对应的树木分割图像
为例,本申
请通过以下公式对树木的定位进行修正:
在该公式中,
表示待修正树木位置,
表示树木分割图像
中各
树木像素点位置集合
中的像素点,其中,
,
表示树木分割图
像
中树木类别的像素的数量。
基于同一申请构思,本申请实施例中还提供了与上述实施例提供的城市道路信息模型的构建方法对应的城市道路信息模型的构建装置,由于本申请实施例中的装置解决问题的原理与本申请上述实施例的城市道路信息模型构建方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图2,图2示出了本申请实施例提供的一种城市道路信息模型的构建装置的结构示意图,城市道路信息模型的构建装置,包括:
分割模块410,用于根据目标城市的正射影像以及开源地图数据,对目标城市的城市点云数据进行区域分割,获得目标城市的道路点云数据;
聚类模块420,用于根据道路点云数据对各点进行聚类拆分,以获得目标城市的多条道路以及各条道路对应的单道路点云数据,其中,道路点云数据包括用于确定各点之间距离的位置特征、用于确定道路叠加情况的空间特征、用于表征各点所属道路的先验特征;
拟合模块430,用于针对每条道路,根据该条道路对应的单道路点云数据,提取该道路对应的关键点集合,利用关键点集合对单道路点云数据进行曲面拟合,确定与该条道路对应的城市道路信息模型。
基于同一申请构思,请参阅图3,图3示出了本申请实施例提供的一种电子设备的结构示意图,电子设备500包括:处理器510、存储器520和总线530,所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过所述总线530进行通信,所述机器可读指令被所述处理器510运行时执行如上述实施例中任一所述的城市道路信息模型构建方法的步骤。
基于同一申请构思,本申请实施例还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上存储有计算机程序,所述计算机程序被处理器运行时执行上述实施例提供的城市道路信息模型构建方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应所述理解到,所揭露的***、装置和方法,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,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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,作为单元显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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,可以存储在一个处理器可执行的非易失的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所述技术方案的部分可以以软件产品的形式体现出来,所述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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上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以权利要求的保护范围为准。