具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例通过双摄像机采集道路交通的两路视频图像,并根据采集的两路视频图像获取模糊运动目标区域和场景的深度信息,最后根据获取的模糊运动目标区域和场景的深度信息确定清晰目标区域。
本发明实施例提供了一种:道路交通视频检测方法及装置。
所述方法包括:通过两个摄像机采集两路视频图像,并分别在采集的两路视频图像中指定检测区域;
根据任一路采集到的视频图像中的指定检测区域内的视频图像检测出模糊运动目标区域;
根据采集的两路视频图像检测出场景的深度信息;
根据模糊运动目标区域以及场景的深度信息检测出清晰目标区域。
所述装置包括:视频采集单元,用于通过两个摄像机采集两路视频图像,并分别在采集的两路视频图像中指定检测区域;
模糊运动目标区域检测单元,用于根据任一路采集到的视频图像中的指定检测区域内的视频图像检测出模糊运动目标区域;
深度信息检测单元,用于根据采集的两路视频图像检测出场景的深度信息;
清晰目标区域检测单元,用于根据模糊运动目标区域以及场景的深度信息检测出清晰目标区域。
本发明实施例通过双摄像机采集道路交通的两路视频图像,并根据采集的两路视频图像获取模糊运动目标区域和场景的深度信息,最后根据获取的模糊运动目标区域和场景的深度信息确定清晰目标区域。由于深度信息在受到光照变化干扰或者阴影干扰或者密集的车辆、行人干扰时变化不大,因此本发明能够有效提高运动目标检测的准确性。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明第一实施例提供的道路交通视频检测方法的流程图,在本实施例中,在需要检测车辆的区域安装两个摄像机,并根据拍摄的任一路视频图像检测出模糊运动目标区域,再根据拍摄的两路视频图像检测出场景深度信息,最后结合模糊运动目标区域以及场景的深度信息检测出清晰的目标区域。
在步骤S11中,通过两个摄像机采集两路视频图像,并分别在采集的两路视频图像中指定检测区域。
在本实施例中,选取两个焦距相等、各内部参数也相等的摄像机,并用这两个摄像机采集两路视频图像。其中,选取的两个摄像机的图像传感器可以为电荷耦合元件(Charge-coupled Device,CCD)图像传感器,在安装这两个具有CCD图像传感器的摄像机时,首先保证这两个摄像机的光轴相互平行,再根据实际情况确定两个摄像机的光心距离。通常,将两个摄像机的光心距离取值为6.5cm。例如,如图2所示,在摄像机外壳21内分别安装第一摄像机211和第二摄像机212,使第一摄像机211和第二摄像机212的光轴相互平行,且第一摄像机211和第二摄像机212的光心距离为6.5cm。
在确定了摄像机之后,根据实际情况的需要指定检测区域,比如,若安装的摄像机主要用于检测车辆运行情况的,则根据车辆主要是在车道内行走的情况,可以选择车道区域作为检测区域,并根据预设的规则,在采集的两路视频图像中勾画出检测区域。若安装的摄像机主要用于检测行人情况的,则选择人行道区域作为检测区域。
在步骤S12中,根据任一路采集到的视频图像中的指定检测区域内的视频图像检测出模糊运动目标区域。
进一步地,根据任一路采集到的视频图像中的指定检测区域内的视频图像检测出模糊运动目标区域的步骤之前,进一步包括下述步骤:获取两个摄像机的内参数和外参数,并将获取的两个摄像机的内参数和外参数统一到同一个世界坐标系下。在本实施例中,采用TSAI两步标定法获取两个摄像机的内参数和外参数,再根据两个摄像机的位置,将获取的两个摄像机的内参数和外参数统一到同一个世界坐标系下。其中,获取的摄像机的内参数包括摄像机的焦距、拍摄的实际图像中心坐标;获取的摄像机外参数包括旋转矩阵、平移向量。
图像可以分为背景区域和前景区域,在本实施例中,前景区域为运动区域。分析任一路采集到的视频图像的检测区域,并根据该路视频图像的检测区域检测出模糊运动目标区域,其中,根据任一路采集到的视频图像中的指定检测区域内的视频图像检测出模糊运动目标区域的步骤具体为:对任一路采集到的视频图像中的指定检测区域内的视频图像中的每个像素建立背景模型,并根据该背景模型确定对应背景区域的背景模型部分以及模糊运动目标区域。在本实施例中,对视频图像的指定检测区域内的视频图像中的每个像素建立背景模型,根据建立的背景模型判定视频图像的背景区域,进而获取视频图像的模糊运动目标区域。
其中,对任一路采集到的视频图像中的指定检测区域内的视频图像中的每个像素建立背景模型,并根据该背景模型确定对应背景区域的背景模型部分以及模糊运动目标区域的步骤具体为:对图像中的每个像素点用多个高斯分布构成的混合高斯模型建立背景模型,选用的高斯分布越多,越能描述复杂的场景,通常选用3到5个高斯分布构成的混合高斯模型对图像的像素点建模。在建立的高斯模型中,按照各高斯分布本身的权值与对应标准差的比值从大到小排列各高斯分布,并根据预设的权值阈值确定对应背景区域的背景模型部分;将当前帧与该当前帧对应背景区域的背景模型部分相减以获取该当前帧的运动区域,并对获取的运动区域进行二值化和形态学处理,获取模糊运动目标区域。其中,当前帧的背景模型由描述该当前帧所有像素的背景区域的高斯分布组成,当前帧的运动区域由描述该当前帧所有像素的运动区域的高斯分布所对应的区域组成。
在本实施例中,采用多模态高斯背景模型对已固定安装的摄像机拍摄的视频图像进行背景建模,比如对每个像素点定义3~5个区域,每个区域用一个高斯分布表示。其中,对每个像素点建立高斯模型的步骤具体为:假设输入的第t帧图像的像素点为I
t,μ
i,t-1为第(t-1)帧图像的第i个高斯分布的像素值的均值,像素值的均值等于各个像素值相加的和除以像素点的个数,σ
i,t-1为第(t-1)帧图像的第i个高斯分布的像素值的标准差,D为满足公式|I
t-μ
i,t-1|≤D.σ
i,t-1的固定参数,该参数可通过实际经验获取,其中,μ
i,t=(1-α)μ
i,t-1+ρI
t,
ρ=α/ω
i,t,α是学习率,0≤α≤1,ρ是参数学习率,ω
i,t是第t帧图像的第i个高斯分布的权值。归一化计算得到的所有权值,并把各个高斯分布函数按ω
i,t/σ
i,t从大到小排列,如果i
1,i
2…i
k表示各个高斯分布,将i
1,i
2…i
k按照ω
i,t/σ
i,t从大到小的次序排列,若前M个高斯分布满足公式:
则这M个高斯分布被认为是背景分布,其中,τ是权值阈值,可根据实际情况获取,通常τ取值0.7。在确定了背景分布之后,将当前帧与该当前帧的背景分布对应的背景模型相减,得到该当前帧的运动区域,对获取的运动区域进行二值化和形态学处理,使得分割得到的模糊运动目标区域更为完整、独立。在得到模糊运动目标区域之后,可以提取该模糊运动目标区域的静态特征,包括外接矩形的大小、面积、长宽比、中心、颜色投影直方图等,提取的静态特征都可以作为检测目标区域的特征。
在步骤S13中,根据采集的两路视频图像检测出场景的深度信息。
在本实施例中,在获取模糊运动目标区域之后,还需要立体匹配目标区域的特征才能检测出目标区域的精确定位。
其中,根据采集的两路视频图像检测出场景的深度信息的步骤具体为:获取并匹配两路视频图像的目标区域特征点,根据匹配成功的目标区域特征点的信息检测出场景的深度信息。在本实施例中,分别获取两路视频图像的目标区域特征点,并对两路视频图像的目标区域特征点进行立体匹配,匹配成功后,根据匹配成功的目标区域特征点的信息,如目标区域特征点的坐标信息检测出场景的深度信息。
其中,获取并匹配两路视频图像的目标区域特征点,根据匹配成功的目标区域特征点的信息检测出场景的深度信息的步骤具体为:根据采集的两路视频图像的像素值变化分别确定两路视频图像的目标区域特征点;对两路视频图像的目标区域特征点进行立体匹配,获得对应同一场景点的两个目标区域特征点的空间坐标;根据对应同一场景点的两个目标区域特征点的空间坐标确定该同一场景点在两路视频图像的视差;根据两个摄像机的光心距离、摄像机的焦距以及同一场景点在两路视频图像的视差确定该同一场景点的深度信息。
在本实施例中,选用Harris算子确定两路视频图像的场景特征点,以选用Harris算子确定其中一路视频图像的车辆特征点为例,由于视频图像的像素值变化与图像的方向导数有关,因此在根据Harris算子确定车辆特征点时,使用高斯函数计算图像的方向导数,并将得到的图像的方向导数分别保存为Ix和Iy两个数组,再根据保存的两组图像的方向导数确定Harris角点,该Harris角点即为车辆特征点。其中,根据保存的两组图像的方向导数确定Harris角点的步骤具体为:根据公式u(x,y)=[Ix(x,y)^2*WIy(x,y)Ix(x,y)*W;Ix(x,y)Iy(x,y)*WIy(x,y)^2*W]确定像素点的局部自相关矩阵,其中,u(x,y)表示像素点(x,y)的局部自相关矩阵,Ix(x,y)和Iy(x,y)分别表示点(x,y)的横坐标的方向导数和点(x,y)的纵坐标的方向导数,*W表示以像素点(x,y)为中心与选取的高斯模板W做卷积;比较像素点的局部自相关矩阵的两个特征值与预设阈值的大小,预设的阈值大小关系到角点数目的多少,若提高阈值则减少角点数目,若降低阈值则增加角点数目。若像素点的局部自相关矩阵的两个特征值都小于该预设阈值时,说明像素点对应的区域是个平坦区域,若像素点的局部自相关矩阵的两个特征值有一个大于该预设阈值,有一个小于该预设阈值,说明像素点对应的区域是个线,若像素点的局部自相关矩阵的两个特征值都大于预设阈值,则该说明像素点是个角点,即车辆特征点。Harris是一种有效的点特征算子,使用harris算子获取特征点的计算简单,对图像旋转、灰度变化、噪声影响以及视点变换不敏感,且提前的特征点均匀合理。当然,也可以通过公式corness=det(u)-k*trace(u)^2判定一个像素点是否为角点,其中,corness为角点值,k是预设的固定变量,k的取值范围为[0.04,0.06],det(u)是矩阵u的值,trace(u)是矩阵u的迹,在计算出每个像素点的角点值之后,再对计算的角点值进行极大值抑制,以保留角点特征最明显的角点。其中,被极大值抑制的角点值满足以下两个条件:条件1,角点值大于设定的阈值;条件2,角点值是某邻域内的局部极大值,局部极大值的邻域大小会影响角点的数目和容忍度。
在本实施例中,对两路视频图像的目标区域特征点进行立体匹配,获得对应同一场景点的两个目标区域特征点的空间坐标的步骤具体为:
获取同一场景点在两路视频图像的极线范围以及视差范围;根据该极线范围以及视差范围对两路视频图像的目标区域特征点进行立体匹配,获得对应同一场景点的两个目标区域特征点在两路视频图像的坐标;根据两个目标区域特征点在两路视频图像的坐标确定该两个目标区域特征点的空间坐标。
在本实施例中,根据立体成像的几何特性可知,同一场景点在左视频图像中的透视投影将相对于右视频图像水平方向移动距离d。因此在立体匹配左(右)视频图像中各特征点在右(左)视频图像中的对应点时,只需匹配右(左)视频图像中对应的外极线上的一定范围内搜索到的特征点。除了根据极线范围快速匹配左右视频图像的特征点之外,还可以根据视差范围匹配左右视频图像的特征点。该视差范围是在检测模糊运动目标区域之前获得,具体是在标定摄像机各个标定点时,根据各个标定点在左右视频图像形成的视差确定的。其中,根据该极线范围以及视差范围对两路视频图像的目标区域特征点进行立体匹配的步骤具体为:在两路视频图像中分别确定两个视频图像区域函数;选取以任一个视频图像区域函数的特征点为中心的领域作为模板;在另一个视频图像区域函数的极线范围和视差范围内移动该模板以得到该模板覆盖的区域;在模板与模板覆盖的区域差最小时,计算该模板与模板覆盖的区域的相关值;根据该相关值判断选取的特征点与该选取的特征点在模板覆盖的区域对应的点是否匹配。进一步地,利用距离公式,根据对应同一场景点的两个车辆特征点的空间坐标确定该同一场景点在两路视频图像的视差,再根据两个摄像机的光心距离、摄像机的焦距以及同一场景点在两路视频图像的视差确定该同一场景点的深度信息,比如根据公式z=fB/d计算景物深度z,其中,f为摄像机的焦距,B为两个摄像机的光心距离,d为视差。例如,设fL(x,y)和fR(x,y)分别为双目立体视觉的左右视频图像区域函数。选取以fL(x,y)中的一个特征点W(xL,yL)为中心的某一邻域作为模板T,大小为m×n。在fR(x,y)中特定范围移动模板T,并假设T在水平方向移动,在垂直方向移动Δy,它所覆盖下的fR(x,y)第k个子图为Sk,若T和Sk相同,则他们的差为零。
定义T与Sk之间差别的测度为:
当D(T,Sk)最小时,T与Sk达到最佳匹配。
利用归一化相关函数
来度量T和「之间的差别,则当C(Δx,Δy)达到最大时,认为左视频图像中的特征点W(xL,yL)与右图像中的点(xL+ΔL,yL+Δy)相匹配,判断点W(xL,yL)和点(xL+ΔL,yL+Δy)是对应同一场景点的同名点。得到一对同名点在左右两幅视频图像中的坐标后,可求出相应特征点在空间坐标系中的坐标,获得场景的深度信息Dr(x,y)。其中,双CCD摄像机的技术原理具体如图3所示,P1和P2分别是场景点P在C1、C2上的成像点,O1、O2分别为两个摄像机的光心,B为两个摄像机的光心距离。
在步骤S14中,根据模糊运动目标区域以及场景的深度信息检测出清晰目标区域。
其中,根据模糊运动目标区域以及场景的深度信息检测出清晰目标区域的步骤具体为:
逐个分析模糊运动目标区域的像素点的深度信息,判断像素点的深度信息是否大于预设的深度阈值,若像素点的深度信息大于预设的深度阈值,则判定该像素点为目标区域点,获得的多个目标区域点组成了一个清晰的目标区域;若像素点的深度信息小于或等于预设的深度阈值,则判定该像素点为干扰点,并删除该干扰点。其中预设的深度阈值根据实际情况的需要进行设定,比如,根据车辆高度通常大于0.8米的性质,通过经验将该深度阈值设置为0.8米。当然,该深度阈值也可以为其他数值,此处不作限定。
为了更清楚地说明使用本发明检测目标区域的优势,下面以检测受到光照变化干扰或者阴影干扰或者密集的车辆、行人干扰的道路交通为例进行说明。
在检测受到光照变化干扰的道路交通时,光照突变会使所有像素点的亮度值增大或减小,但光照只会引起深度信息较小的同方向变化,因此光照变化对利用双摄像机获取的运动目标的深度信息影响不大,从而本发明在受到光照变化时也能够保证确定的运动目标区域的准确性,降低光照变化干扰的误检率。
在检测受到阴影干扰的道路交通时,由于阴影不具有深度信息,因此根据运动目标的深度信息能够判定一个区域是阴影还是黑色的运动目标,因此本发明能够有效降低因为阴影干扰的误检率。
在检测受到密集的车辆、行人干扰的道路交通时,本发明利用两个摄像机获取运动目标的视差图,再根据获取的运动目标的视差图获取运动目标的深度信息,再根据该运动目标的深度信息将密集的车辆、行人一一完整分割,从而有效降低因为密集的车辆、行人干扰的误检率。
在本发明第一实施例中,通过双摄像机采集道路交通的两路视频图像,并根据采集的两路视频图像获取模糊运动目标区域和场景的深度信息,最后根据获取的模糊运动目标区域和场景的深度信息确定清晰目标区域。由于深度信息在受到光照变化干扰或者阴影干扰或者密集的车辆、行人干扰时变化不大,因此本发明能够有效提高运动目标检测的准确性。
实施例二:
图4示出了本发明第二实施例提供的道路交通视频检测装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
该道路交通视频检测装置可以用于通过有线或者无线网络连接服务器的各种信息处理终端,计算机、笔记本电脑等,可以是运行于这些终端内的软件单元、硬件单元或者软硬件相结合的单元,也可以作为独立的挂件集成到这些终端中或者运行于这些终端的应用系统中,其中:
视频采集单元41,用于通过两个摄像机采集两路视频图像,并分别在采集的两路视频图像中指定检测区域。
在本实施例子中,选取两个焦距相等、各内部参数也相等的摄像机,并将选取的两个摄像机安装在需要检测的位置上,以便采集该位置上的两路视频图像,最后根据实际情况的需要对采集的两路视频图像指定检测区域。
进一步地,该道路交通视频检测装置还包括参数获取单元45。
该参数获取单元45用于获取两个摄像机的内参数和外参数,并将获取的两个摄像机的内参数和外参数统一到同一个世界坐标系下。
在本实施例中,获取两个摄像机的内参数和外参数,并将获取的内参数和外参数统一到同一个世界坐标系下,以便后续的计算。其中,摄像机的内参数包括摄像机的焦距、拍摄的实际图像中心坐标,摄像机的外参数包括摄像机外参数包括旋转矩阵、平移向量。
模糊运动目标区域检测单元42,用于根据任一路采集到的视频图像中的指定检测区域内的视频图像检测出模糊运动目标区域。
在本实施例中,对任一路采集到的视频图像中的指定检测区域内的视频图像中的每个像素建立背景模型,并根据该背景模型确定对应背景区域的背景模型部分以及模糊运动目标区域。
进一步地,该模糊运动目标区域检测单元42包括:背景模型建立模块421和模糊区域确定模块422。
该背景模型建立模块421用于对任一路采集到的视频图像中的指定检测区域内的视频图像中的每个像素点用多个高斯分布构成的混合高斯模型建立背景模型。
该模糊区域确定模块422用于按照各高斯分布本身的权值与对应标准差的比值从大到小排列各高斯分布,以根据预设的权值阈值确定对应背景区域的背景模型部分,再将当前帧与该当前帧对应背景区域的背景模型部分相减以获取该当前帧的运动区域,并对获取的运动区域进行二值化和形态学处理,获取模糊运动目标区域。
在本实施例中,当前帧的背景模型由描述该当前帧所有像素的背景区域的高斯分布组成,当前帧的运动区域由描述该当前帧所有像素的运动区域的高斯分布所对应的区域组成。
其中,对每个像素点建立高斯模型的步骤具体为:假设输入的第t帧图像的像素点为I
t,μ
i,t-1为第(t-1)帧图像的第i个高斯分布的像素值的均值,像素值的均值等于各个像素值相加的和除以像素点的个数,σ
i,t-1为第(t-1)帧图像的第i个高斯分布的像素值的标准差,D为满足公式|I
t-μ
i,t-1|≤D.σ
i,t-1的固定参数,该参数可通过实际经验获取,其中,μ
i,t=(1-α)μ
i,t-1+ρI
t,
ρ=α/ω
i,t,α是学习率,0≤α≤1,ρ是参数学习率,ω
i,t是第t帧图像的第i个高斯分布的权值。归一化计算得到的所有权值,并把各个高斯分布函数按ω
i,t/σ
i,t从大到小排列,如果i
1,i
2…i
k表示各个高斯分布,将i
1,i
2…i
k按照ω
i,t/σ
i,t从大到小的次序排列,若前M个高斯分布满足公式:
则这M个高斯分布被认为是背景分布,其中,τ是权值阈值,可根据实际情况获取,通常τ取值0.7。在确定了背景分布之后,将当前帧与该当前帧的背景分布对应的背景模型相减,得到该当前帧的运动区域,对获取的运动区域进行二值化和形态学处理,使得分割得到的模糊运动目标区域更为完整、独立。在得到模糊运动目标区域之后,可以提取该模糊运动目标区域的静态特征,包括外接矩形的大小、面积、长宽比、中心、颜色投影直方图等,提取的静态特征都可以作为检测目标区域的特征。
深度信息检测单元43,用于根据采集的两路视频图像检测出场景的深度信息。
在本实施例中,获取并匹配两路视频图像的目标区域特征点,根据匹配成功的目标区域特征点的信息检测出场景的深度信息。
进一步地,该深度信息检测单元43包括:特征点信息获取模块431和深度信息获取模块432。
该特征点信息获取模块431用于根据采集的两路视频图像的像素值变化分别确定两路视频图像的目标区域特征点,并对该两路视频图像的目标区域特征点进行立体匹配,获得对应同一场景点的两个目标区域特征点的空间坐标。
该深度信息获取模块432用于根据该对应同一场景点的两个目标区域特征点的空间坐标确定该同一场景点在两路视频图像的视差,并根据两个摄像机的光心距离、摄像机的焦距以及同一场景点在两路视频图像的视差确定该同一场景点的深度信息。
在本实施例中,选用Harris算子确定两路视频图像的场景特征点,以选用Harris算子确定其中一路视频图像的车辆特征点为例,由于视频图像的像素值变化与图像的方向导数有关,因此在根据Harris算子确定车辆特征点时,使用高斯函数计算图像的方向导数,并将得到的图像的方向导数分别保存为Ix和Iy两个数组,再根据保存的两组图像的方向导数确定Harris角点,该Harris角点即为车辆特征点。其中,根据保存的两组图像的方向导数确定Harris角点的步骤具体为:根据公式u(x,y)=[Ix(x,y)^2*WIy(x,y)Ix(x,y)*W;Ix(x,y)Iy(x,y)*WIy(x,y)^2*W]确定像素点的局部自相关矩阵,其中,u(x,y)表示像素点(x,y)的局部自相关矩阵,Ix(x,y)和Iy(x,y)分别表示点(x,y)的横坐标的方向导数和点(x,y)的纵坐标的方向导数,*W表示以像素点(x,y)为中心与选取的高斯模板W做卷积;比较像素点的局部自相关矩阵的两个特征值与预设阈值的大小,预设的阈值大小关系到角点数目的多少,若提高阈值则减少角点数目,若降低阈值则增加角点数目。若像素点的局部自相关矩阵的两个特征值都小于该预设阈值时,说明像素点对应的区域是个平坦区域,若像素点的局部自相关矩阵的两个特征值有一个大于该预设阈值,有一个小于该预设阈值,说明像素点对应的区域是个线,若像素点的局部自相关矩阵的两个特征值都大于预设阈值,则该说明像素点是个角点,即车辆特征点。
在本实施例中,在获取两路视频图像的目标区域特征点后,对两路视频图像的目标区域特征点进行立体匹配,以获取对应同一场景点的两个目标区域特征点的空间坐标。
清晰目标区域检测单元44,用于根据模糊运动目标区域以及场景的深度信息检测出清晰目标区域。
进一步地,该清晰目标区域检测单元44包括:深度判断模块441和目标区域判断模块442。
该深度判断模块441用于逐个分析模糊运动目标区域的像素点的深度信息,判断像素点的深度信息是否大于预设的深度阈值。
该目标区域判断模块442用于在像素点的深度信息大于预设的深度阈值时,判定该像素点为目标区域点,获得的多个目标区域点组成了清晰的目标区域。
在本实施例中,若像素点的深度信息小于或等于预设的深度阈值,则判定该像素点为干扰点,并删除该干扰点。
在本发明第二实施例中,模糊运动目标区域检测单元42根据视频采集单元41采集的任一路视频图像检测出模糊运动目标区域,深度信息检测单元43根据视频采集单元41采集的两路视频图像检测出场景的深度信息,清晰目标区域检测单元44再根据模糊运动目标区域检测单元42检测的模糊运动目标区域以及深度信息检测单元43检测的深度信息检测出清晰目标区域。由于深度信息在受到光照变化干扰或者阴影干扰或者密集的车辆、行人干扰时变化不大,因此本发明能够有效提高运动目标检测的准确性。
在本发明实施例中,通过双摄像机采集道路交通的两路视频图像,并根据采集的任一路视频图像获取模糊运动目标区域,以及根据两路视频图像获取场景的深度信息,最后根据获取的模糊运动目标区域和场景的深度信息确定清晰目标区域。由于深度信息在受到光照变化干扰或者阴影干扰或者密集的车辆、行人干扰时变化不大,因此本发明能够有效提高运动目标检测的准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。