图像特征提取方法及系统技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像特征提取方法及系
统。
背景技术
目前，可以将移动终端通过摄像头采集到的图像应用于多种领域，例如：
可以将移动终端通过摄像头采集到图像应用于定位技术，即将移动终端采集到
的图像与数据库图像进行匹配，进而得到定位数据。但是，用户在使用定位功
能时通常处于行走状态，因此，移动终端通过摄像头采集到的图像通常是经过
缩放或者旋转的，甚至会因为处于移动状态导致采集的图像较为模糊，使得对
移动终端采集到的图像进行特征提取比较困难，同时，现有HOG(Histogram of
Oriented Gradient，方向梯度直方图)和LPQ(Local Phase Quantization，局部
相位量化)两种特征提取方法，在光线变化和拥挤的场景下会使得图像特征的
提取受到影响。另外，仅采用HOG方法或仅采用LPQ方法使得计算量仍然较
大，并不适合在计算能力和内存资源有限的移动终端上使用。
因此，亟需提供一种新的图像特征提取方案，以减少对图像进行特征提取
的计算量。
发明内容
本发明实施例的目的在于提供一种图像特征提取方法及系统，以减少对图
像进行特征提取的计算量。具体技术方案如下：
第一方面，本发明实施例提供了一种图像特征提取方法，所述方法可以包
括：
确定待处理的目标图像；
基于方向梯度直方图HOG算法，提取所述目标图像的HOG特征；
基于预设的可视化公式，将所述HOG特征可视化，以得到可视化图像；
从所述可视化图像中提取局部相位量化LPQ特征；
将提取得到的所述LPQ特征作为所述目标图像的图像特征。
优选地，所述基于方向梯度直方图HOG算法，提取所述目标图像的HOG
特征，可以包括：
基于HOG算法、线性插值函数和预设的核心模板，提取所述目标图像的
HOG特征，其中，所述预设的核心模板在所述HOG算法中用于对所述目标图
像中的像素点做卷积运算。
优选地，所述预设的核心模板可为：
其中，所述ConvHOG表征在所述HOG算法中对所述目标图像中的像素点做卷
积运算所应用的核心模板。
优选地，所述预设的可视化公式可为：
Φ-1(y)＝arg min||Φ(x)-y||2
其中，所述x表示HOG特征，所述y＝Φx表示对x的特征描述，所述
arg min表示二阶范数最小值。
第二方面，本发明实施例提供了一种图像特征提取系统，可以包括：目标
图像确定模块、第一特征提取模块、特征可视化模块、第二特征提取模块和图
像特征获取模块；
所述目标图像确定模块，用于确定待处理的目标图像；
所述第一特征提取模块，用于基于方向梯度直方图HOG算法，提取所述目
标图像的HOG特征；
所述特征可视化模块，用于基于预设的可视化公式，将所述HOG特征可视
化，以得到可视化图像；
所述第二特征提取模块，用于从所述可视化图像中提取局部相位量化LPQ
特征；
所述图像特征获取模块，用于将提取得到的所述LPQ特征作为所述目标图
像的图像特征。
优选地，所述第一特征提取模块，可以包括：第一特征提取子模块；
所述第一特征提取子模块，用于基于HOG算法、线性插值函数和预设的核
心模板，提取所述目标图像的HOG特征，其中，所述预设的核心模板在所述
HOG算法中用于对所述目标图像中的像素点做卷积运算。
优选地，所述第一特征提取子模块所利用的预设的核心模板可为：
其中，所述ConvHOG表征在所述HOG算法中对所述目标图像中的像素点做
卷积运算所应用的核心模板。
优选地，所述特征可视化模块所利用的预设的可视化公式可为：
Φ-1(y)＝arg min||Φ(x)-y||2
其中，所述x表示HOG特征，所述y＝Φx表示对x的特征描述，所述
arg min表示二阶范数最小值。
本发明实施例提供的图像特征提取方法及系统，通过HOG算法，提取目标
图像的HOG特征；并基于预设的可视化公式，将HOG特征可视化，得到可视
化图像；从可视化图像中提取LPQ特征，将LPQ特征作为目标图像特征，从而
得到目标图像特征。本方案中，通过结合HOG算法LPQ算法对目标图像特征进
行提取，减少了对图像进行特征提取的计算量。当然，实施本发明的任一产品
或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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
中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的一种图像特征提取方法的流程图；
图2为本发明实施例提供的一种图像特征提取系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清
楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是
全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为了解决现有技术问题，本发明实施例提供了一种图像特征提取方法及系
统。
首先，本发明实施例提供了一种图像特征提取方法，如图1所示，该方法
可以包括：
S101：确定待处理的目标图像；
其中，首先获取待处理的目标图像，可以理解的是，该目标图像可从网络
中直接获取，也可以是给图像采集设备发送图像采集指令，由图像采集设备执
行该图像采集指令采集得到的图像。当然该目标图像也可为经过预处理后得到
的图像，其中，该预处理可包括对目标图像进行分割处理，当然并不局限于此。
可以理解的是，本发明实施例所提供的图像特征提取方法可以应用于图像
定位中，例如：在基于图像定位的应用中，需要先通过终端所携带的摄像头采
集当前用户所处位置的图像或者能体现用户当前位置的图像，并将该采集得到
的图像进行灰度处理，得到对应的灰度图，并将该灰度图作为第一目标图像，
其中，该第一目标图像可为一张或多张；
另外，可以通过TC-OFDM(Time&Code Division-Orthogonal Frequency
Division Multiplexing，时分码分正交频分复用技术)技术确定当前待定位用户
所可能处于区域，并基于该区域从预设图像库中筛选出符合该区域条件的图
像，并将符合该区域条件的图像作为第二目标图像，以减少与第一目标图像进
行匹配的图像数量，进而减少计算量，其中，该第二目标图像可为一张或多张；
其中，第一目标图像和第二目标图像可作为待处理的目标图像；
进而对第一目标图像与第二目标图像进行特征提取，并基于提取得到的特
征，将第一目标图像与第二目标图像进行图像匹配，进而得到与第一目标图像
匹配成功的第二目标图像所对应的地址数据，进而实现定位。
当然，本发明实施例所提供的图像特征提取方法不仅仅适用于图像定位
中，其他存在图像特征提取需求的任何应用场景均可以利用本发明实施例所提
供的方法。
S102：基于方向梯度直方图HOG算法，提取该目标图像的HOG特征；
其中，可先基于HOG(Histogram of Oriented Gradient，方向梯度直方图)
算法，提取目标图像的HOG特征。具体地，在将该目标图像转换为灰度图后，
将该灰度图分割为多个联通区域，然后采集每个联通区域中各个像素点的梯度
或边缘的方向直方图，最后将所采集到的所有方向直方图结合构成目标图像的
HOG特征。提取目标图像的HOG特征，使得目标图像在发生几何的形变和光
学的形变时都能保持非常好的特征不变性，使得获取的图像效果更好。
其中，可以基于超像素分割方法，先将该灰度图分割为多个联通区域，再
提取各个联通区域的HOG特征。
具体地，可基于灰度图获取目标图像的灰度直方图，并计算该目标图像中
像素点所涵盖的各个像素值出现的概率；基于该目标图像所包含的像素点的数
目和所述各个像素值出现的概率，计算该目标图像的复杂度；基于该目标图像
的复杂度，计算目标图像所对需要的超像素分割数；基于所述超像素分割数，
对该目标图像进行分割，以得到分割后的目标图像；对分割后的目标图像的指
定区域提取HOG特征。其中，该指定区域为分割后的目标图像的全部分割区域
或任一分割区域，在此不做限定。其中，可利用如下公式计算目标图像的复杂
度：
其中，所述ε表示复杂度，所述Η表示所述目标图像中像素点所涵盖的像
素值的个数，所述pi表示像素值i出现的概率。
并可利用以下公式计算目标图像所对应的最优的超像素分割数：
其中，所述N表示超像素分割数，所述Η表示所述目标图像中像素点所涵
盖的像素值的个数，ε表示复杂度，所述为预设常数。
通过上述对目标图像进行超像素分割的方法，可根据计算得到的超像素分
割数，对目标图像进行分割，计算简单，且避免了人为确定超像素分割数造成
目标图像欠分割的问题或增加需要处理的图像数据量的问题。
S103：基于预设的可视化公式，将该HOG特征可视化，以得到可视化图像；
其中，利用预设的可视化公式，对目标图像的HOG特征进行可视化处理，
实现对HOG特征的反演，得到可视化图像。
其中，预设的可视化公式存在多种，为了布局清晰，后续进行举例介绍。
S104：从该可视化图像中提取局部相位量化LPQ特征；
其中，基于LPQ算法，从该可视化图像中提取LPQ(Local Phase
Quantization，局部相位量化)特征。由于LPQ算法中使用了傅里叶变换，分离
出相位信息，在低频上实现了模糊不变性，使得提取到的LPQ特征具有很好的
鲁棒性。
S105：将提取得到的该LPQ特征作为该目标图像的图像特征。
其中，通过结合HOG算法LPQ算法对目标图像特征进行提取，减少了特征
提取的计算量，进而提高了对目标图像进行特征提取速度。
在本发明实施例中，通过HOG算法，提取目标图像的HOG特征；并基于
预设的可视化公式，将HOG特征可视化，得到可视化图像；从可视化图像中提
取LPQ特征，将LPQ特征作为目标图像特征，从而得到目标图像特征。即本发
明实施例中，通过结合HOG算法LPQ算法对目标图像特征进行提取，减少了对
图像进行特征提取的计算量。
更进一步地，该基于方向梯度直方图HOG算法，提取该目标图像的HOG
特征，可以包括：
基于HOG算法、线性插值函数和预设的核心模板，提取该目标图像的HOG
特征，其中，所述预设的核心模板在所述HOG算法中用于对所述目标图像中的
像素点做卷积运算。
可以理解的是，在该种实现方式中，在HOG算法中，通过已知HOG特征
的像素点进行学习从而得到符合该目标图像HOG特征描述的线性插值函数，从
而能够得未知HOG特征的像素点的HOG特征，减少了计算量。其中，线性插
值法为现有技术，在此不做详述。
更进一步地，该预设的核心模板可为：
其中，所述ConvHOG表征在所述HOG算法中对所述目标图像中的像素点做
卷积运算所应用的核心模板。
可以理解的是，在该种实现方式中，该核心模板用于对目标图像中的像素
点进行卷积运算，减小了对目标图像计算的复杂度。
更进一步地，该预设的可视化公式可为：
Φ-1(y)＝arg min||Φ(x)-y||2
其中，该x表示HOG特征，该y＝Φx表示对x的特征描述，该arg min表
示二阶范数最小值。
可以理解的是，在该种实现方式中，可先基于HOG算法，提取目标图像的
HOG特征。具体地，可先将该目标图像转换为灰度图，再将该灰度图分割为多
个联通区域，然后采集每个联通区域中各个像素点的梯度或边缘的方向直方
图，最后将所采集到的所有方向直方图结合构成该目标图像的特征。
其次，本发明实施例提供了一种图像特征提取系统，如图2所示，可以包
括：目标图像确定模块201、第一特征提取模块202、特征可视化模块203、第
二特征提取模块204和图像特征获取模块205；
该目标图像确定模块201，用于确定待处理的目标图像；
该第一特征提取模块202，用于基于方向梯度直方图HOG算法，提取该目
标图像的HOG特征；
该特征可视化模块203，用于基于预设的可视化公式，将该HOG特征可视
化，以得到可视化图像；
该第二特征提取模块204，用于从该可视化图像中提取局部相位量化LPQ
特征；
该图像特征获取模块205，用于将提取得到的该LPQ特征作为该目标图像
的图像特征。
在本发明实施例中，通过HOG算法，提取目标图像的HOG特征；并基于
预设的可视化公式，将HOG特征可视化，得到可视化图像；从可视化图像中提
取LPQ特征，将LPQ特征作为目标图像特征，从而得到目标图像特征，通过结
合HOG算法LPQ算法对目标图像特征进行提取，减少了对图像的特征进行提取
的计算量。
更进一步地，该第一特征提取模块，可以包括：第一特征提取子模块；
该第一特征提取子模块，用于基于HOG算法、线性插值函数和预设的核心
模板，提取该目标图像的HOG特征，其中，所述预设的核心模板在所述HOG
算法中用于对所述目标图像中的像素点做卷积运算。
更进一步地，该第一特征提取子模块所利用的预设的核心模板可为：
其中，所述ConvHOG表征在所述HOG算法中对所述目标图像中的像素点做
卷积运算所应用的核心模板。
更进一步地，该特征可视化模块所利用的预设的可视化公式可为：
Φ-1(y)＝arg min||Φ(x)-y||2
其中，该x表示HOG特征，该y＝Φx表示对x的特征描述，该arg min表
示二阶范数最小值。
对于图像特征提取系统实施例而言，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。
此外，可将本发明实施例提供的图像特征提取系统用于定位器，因此，本
发明实施例还提供了一种定位器，该定位器包括上述任一项图像特征提取系
统。
在本发明实施例中，通过HOG算法，提取目标图像的HOG特征；并基于
预设的可视化公式，将HOG特征可视化，得到可视化图像；从可视化图像中提
取LPQ特征，将LPQ特征作为目标图像特征，从而得到目标图像特征，通过结
合HOG算法LPQ算法对目标图像特征进行提取，减少了对图像的特征进行提取
的计算量，从而提高了基于图像进行定位的定位器的定位速度。
更进一步地，该定位器还可以包括：图像分割装置；
该图像分割装置，包括：
获取模块，用于获得待处理的目标图像；
其中，首先通过获取模块获取待分割的目标图像，可以理解的是，该目标
图像可从网络中直接获取，也可以是给图像采集设备发送图像采集指令，由图
像采集设备执行该图像采集指令采集到的图像。
第一计算模块，用于计算该目标图像的灰度直方图；
其中，在得到目标图像后，通过第一计算模块计算该目标图像的灰度直方
图，以得到各个像素值所对应的像素点的个数，可以理解的是，在计算该目标
图像的灰度直方图前，可将该目标图像转换为灰度图。
第二计算模块，用于基于该灰度直方图，计算该目标图像中像素点所涵盖
的各个像素值出现的概率；
其中，在得到目标图像的灰度直方图后，利用第二计算模块计算该目标图
像中部分或者全部像素点所涵盖的像素值出现的概率。其中，计算目标图像中
部分还是全部像素点所涵盖的像素值出现的概率取决于实际情况所要求的分
割精度，在此不做详述。
第三计算模块，用于基于该目标图像所包含的像素点的数目和该各个像素
值出现的概率，利用预设的复杂度计算公式，计算该目标图像的复杂度；
其中，在获得目标图像的同时可以确定得到该目标图像所包含的像素点的
数目；第三计算模块用于在获取各个像素值出现的概率后，结合该目标图像所
包含的像素点的数目，利用预设的复杂度计算公式，计算得到目标图像的复杂
度，以便对该目标图像执行下一步操作。
第四计算模块，用于基于该目标图像的复杂度，利用预设的超像素分割数
计算公式，计算超像素分割数；
其中，通过第四计算模块，将目标图像的复杂度取值代入预设的超像素分
割计算公式，使得可基于目标图像的复杂度计算对于该目标图像最合适的超像
素分割数，使得可以自动的根据目标图像的图像复杂度计算出超像素分割数。
图像分割模块，用于基于该超像素分割数，对该目标图像进行分割，以得
到分割后的目标图像。
其中，图像分割模块用于根据计算得到的超像素分割数，对目标图像进行
分割，得到分割后的目标图像，避免了人为确定超像素分割数造成目标图像欠
分割的问题或增加需要处理的图像数据量的问题。
优选地，该第三计算模块所利用的该预设的复杂度计算公式为：
其中，该ε表示复杂度，该Η表示该目标图像中像素点所涵盖的像素值的
个数，该pi表示像素值i出现的概率。
可以理解的是，在该种实现方式中，利用该预设的复杂度计算公式计算目
标图像的复杂度，该种复杂度计算方式计算简便，极大减少了计算量，使得本
实施例所提供的图像分割方法能更广泛的应用于计算能力有限的终端，其中，
该终端包括但并不局限于手机，平板电脑和智能手表。
优选地，该第四计算模块所利用的预设的超像素分割数计算公式为：
其中，该N表示超像素分割数，该Η该目标图像中像素点所涵盖的像素值
的个数，ε表示复杂度，该为预设常数。
可以理解的是，在该种实现方式中，利用该超像素分割数计算公式计算第
二图像的分割数，使得能更简单快捷准确的确定分割数，使得图像分割速度更
快，并且在减少了数据的处理量的同时避免超像素边缘出现欠分割的情况发
生。其中，欠分割表示图像分割不彻底的情况。
优选地，该图像分割模块包括：图像分割子模块；
该图像分割子模块，用于基于该超像素分割数，利用超像素分割Turbopixels
算法该目标图像进行分割。
可以理解的是，在该种实现方式中，利用计算得到的超像素分割数确定超
像素分割Turbopixels算法中所需人工确定的超像素分割数，并通过超像素分割
Turbopixels算法初步构建超像素边缘对目标图像进行分割。
更进一步地，该定位器还可以包括：定位装置；
该定位装置包括：
基站定位数据获取模块，用于在接收到定位指令后，基于时分码分正交频
分复用TC-OFDM技术获取关于该终端的基站定位数据；
其中，基站定位数据获取模块用于终端在接收到定位指令后，基于现有的
TC-OFDM(Time&Code Division-Orthogonal Frequency Division Multiplexing，
时分码分正交分频复用)技术形成高精度的TC-OFDM定位信号，极大的减弱
了建筑物对基站定位数据的干扰作用，提高了城市峡谷及室内定位精度。
其中，城市峡谷可以理解为城市楼宇间的区域，而卫星定位信号受建筑物
的遮挡而不易到达该区域。
值得注意的是，终端接收到的定位指令可为用户发送的定位指令，也可为
终端自动发送的定位指令；另外，终端包括但并不局限于手机、平板电脑和智
能手表。
第一图像获取模块，用于获取该基站定位数据所对应的定位范围的第一图
像，其中，该第一图像为预先构建的图像数据库的子集，其中，该预先构建的
图像数据库中任一图像均对应一个地址数据；
其中，终端获得基站定位数据后，通过第一图像获取模块确定该基站定位
数据所确定的定位范围，初步地确定了终端所处的位置；进一步地，可确定该
定位范围所对应的第一图像。
其中，该第一图像为预先构建的图像数据库中的图像，且该预先构建的图
像数据库中每一张图像均对应一个地址数据，因此，在获取得到第一图像后，
即可根据第一图像获得一个或者多个地址数据。
调用模块，用于调用该终端中的图像采集模块采集第二图像；
其中，通过调用模块调用图像采集模块采集图像，对当前环境进行拍摄，
进而得到第二图像。需要强调的是，该图像采集模块可为终端自带的摄像头，
也可为安装在所述终端并可拆卸的摄像头，当然，并不局限于此。
需要强调的是，第二图像可以为一张或两张以上，这都是合理的；另外，
该基站定位数据所对应的定位范围的第一图像可以为一张或两张以上，这都是
合理的。
图像匹配模块，用于将该第一图像与该第二图像进行图像匹配处理；
其中，由于第一图像为由基站定位数据所确定的图像，第二图像为由图像
采集模块采集到的图像，且由于第二图像为终端所拍摄的图像，即第二图像最
能表征此时终端所处位置以及摄像头的拍摄方向。因此，可通过图像匹配模块
将获取得到的第一图像和第二图像进行匹配，以对第一图像进行筛选，获取更
符合终端所处位置的第一图像。
图像定位数据获取模块，用于根据与该第二图像相匹配的第一图像所对应
的地址数据，获取图像定位数据；
其中，在将第一图像和第二图像进行匹配后，得到与第二图像相匹配的第
一图像；通过图像定位数据获取模块，将与第二图像匹配成功的第一图像所对
应的地址数据作为图像定位数据，使得定位精度得到进一步的提高。
目标定位数据获取模块，用于基于边缘粒子滤波算法，对该基站定位数据
和该图像定位数据进行数据融合，得到目标定位数据。
其中，通过目标定位数据获取模块，将由TC-OFDM技术获取得到的基站
定位数据，以及由第一图像和第二图像匹配得到的图像定位数据进行数据融
合，得到目标定位数据，使得在使用相同的粒子数(基站定位数据)时，可以
大幅度的提高城市峡谷及室内定位精度。
更进一步地，该图像匹配模块可以包括：
图像特征提取子模块，用于提取该第一图像的图像特征和该第二图像的图
像特征；
相似度计算子模块，用于利用该第一图像的图像特征和该第二图像的图像
特征，计算该第一图像和该第二图像的相似度；
判断子模块，用于判断该相似度是否大于预设阈值，当判断该相似度大于
预设阈值时，确定该第一图像与该第二图像相匹配；当判断该相似度不大于预
设阈值时，确定该第一图像与该第二图像不匹配；
其中，计算该第一图像和该第二图像的相似度所利用的公式为：
其中，该f(bq，bd)表示该第一图像和该第二图像的相似度，该Fq表示该
第一图像的图像特征，该Fd表示该第二图像的图像特征，该|Fq|表示该第一图
像的图像特征的数量，该|Fd|表示该第二图像的图像特征的数量，该h(bq,i，bd,i)
表示在第i个像素中，该第一图像和该第二图像之间的汉明距离，该l'为字符串
bi的长度。
可以理解的是，在该种实现方式中，在将第一图像与第二图像进行匹配前，
可利用本发明实施例提供的图像特征提取系统分别对第一图像和第二图像进
行特征提取。并将提取得到的第一图像的特征标识为第一图像特征，将提取得
到的第二图像的特征标识为第二图像特征。根据第一图像特征和第二图像特
征，计算第一图像和第二图像的相似度。计算得到相似度后，判断该相似度是
否大于预设阈值，当判断超过预设阈值时，判断第一图像和第二图像匹配，否
则，判断第一图像和第二图像不匹配。
其中，当判断计算得到的相似度超过预设阈值时，判断第一图像和第二图
像匹配，并根据与第二图像的图像特征相匹配的第一图像所对应的地址数据，
获取图像定位数据。
另外，将获取得到的基站定位数据作为非线性子向量输入至标准粒子滤波
器，以获取基站定位数据所对应的第一状态向量和第一权重值；将图像定位数
据作为线性子向量输入至卡尔曼滤波器，以获取图像定位数据所对应的第二状
态向量和第二权重值；将第一状态向量、第一权重值、第二状态向量和第二权
重值代入边缘粒子滤波算法中，计算基站定位数据和所述图像定位数据所对应
的目标定位数据。该种定位器，通过使用本发明实施例提供的图像特征提取系
统，提升了图像特征的提取速度，从而提升了定位速度；通过采用上述缘粒子
滤波算法将图像定位数据和基站定位数据进行融合计算，使得定位更准确。
需要强调的是，该预设阈值可由本领域的技术人员根据具体情况进行设
定，在此不做限定。
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。
本说明书中的各个实施例均采用相关的方式描述，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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的
比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范
围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包
含在本发明的保护范围内。