技术领域
[0001] 本发明涉及计算机技术领域，尤其是一种面向智慧社区的停车引导方法及系统。
相关背景技术
[0002] 随着城市化进程加速，城市人口快速增长，社区规模扩大，社区管理和服务面临更大的挑战。由于传统的社区管理模式已经无法满足居民的需求，智慧社区概念应运而生。智
慧社区将科技与社区管理相结合，利用先进的信息技术手段来优化社区的管理和服务，提
高社区居民的生活质量。智慧社区通常包含智能监控、智能门禁、环境监测等服务，极大地
提高了民众的生活质量。然而，停车服务依然是现有智慧社区最薄弱的一个环节，大部分智
慧社区的停车服务依然以剩余车位显示及空闲车位指示灯的方式提供，这种停车服务在应
用于旧社区改造得来的智慧社区时，由于旧社区改造得来的智慧社区具有道路复杂狭窄、
人流量大等特点，无法在用户前往停车场时为用户提供路况的实时判断，并且也无法对停
车场状态进行把控，使得用户很可能被行人或其他车辆阻挡，难以顺利停车。
具体实施方式
[0062] 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。
[0063] 参照图1，本申请实施例中的一种面向智慧社区的停车引导方法，包括：
[0064] S101、根据目标智慧社区的连续拍摄图像构建目标智慧社区的初始社区地图。
[0065] 其中，连续拍摄图像为沿着预设拍摄路线进行连续拍摄得到的图像，目标智慧社区设置有若干个监控摄像头。
[0066] 具体地，本申请实施例的连续拍摄图像为基于同步定位和建图（Simultaneous Localization and Mapping, SLAM）技术，采用单目摄像头或者双目摄像头在目标智慧社
区沿着预设拍摄路线连续拍摄得到的图像，并基于连续拍摄图像构建目标智慧社区的初始
社区地图。
[0067] 可以理解的是，本申请实施例采用的是以摄像头为传感器的视觉SLAM技术，在采用摄像头拍摄连续拍摄图像时定位摄像头，以实现闭环。可以理解的是，本申请实施例所拍
摄的连续拍摄图像会实时构建一个稠密点云地图，并在摄像头位置实现闭环时得到初始社
区地图。
[0068] 可选地，在一些实施例中，基于ORB‑SLAM2构建目标社区的初始社区地图。连续拍摄图像为采用单目、立体和ORB‑D相机在目标智慧社区沿着预设拍摄路线连续拍摄得到的
图像。
[0069] S102、获取各个监控摄像头采集的目标智慧社区的若干张场景图像，并在连续拍摄图像中选取与各场景图像相对应的若干张初始场景图像。
[0070] 可以理解的是，本申请实施获取目标智慧社区已有的监控摄像头采集的场景图像用于后续处理，对目标智慧社区的配置要求低，能适用于旧社区改造得来的智慧社区。
[0071] 可选地，在一些实施例中，步骤S102获取各个监控摄像头采集的目标智慧社区的若干张场景图像，具体包括：
[0072] 获取各个监控摄像头的实时监控视频，并按照预设的时间间隔对实时监控视频进行抽帧，选取其中一帧得到各场景图像。
[0073] 可以理解的是，目标智慧社区已有的监控摄像头在工作时会执行常规监控任务，实时录制监控视频（即实时监控视频）。本申请实施例通过获取各个监控摄像头的实时监控
视频，无需控制监控摄像头的工作模式，并且按照预设的时间间隔对实时监控视频进行抽
帧，所抽取的每一帧都是一组场景图像，从而能够更加灵活地获取到不同时间点的各场景
图像。
[0074] 可选地，在一些实施例中，采用特征匹配算法，如尺度不变特征变换匹配算法（Scale Invariant Feature Transform, SIFT）、加速稳健特征算法（Speeded Up Robust
Features, SURF）、特征点检测和提取算法ORB（Oriented FAST and Rotated BRIEF），提取
各场景图像和连续拍摄图像中各图像的特征点，通过寻找相似的特征点在连续拍摄图像中
选取与各场景图像相对应的若干张初始场景图像。可以理解的是，每张场景图像可能对应
多张初始场景图像。
[0075] 可选地，在一些实施例中，采用深度学习模型，如卷积神经网络和循环神经网络等，进行各场景图像与对应的初始场景图像的匹配。可以理解的是，采用深度学习模型进行
各场景图像与对应的初始场景图像的匹配能够学习图像之间的语义和上下文信息，从而实
现更准确的匹配结果。
[0076] 可选地，在一些实施例中，各个监控摄像头的可视区域内放置有不同的标识，在连续拍摄图像中选取标识与各场景图像中的标识相同的图像，得到各初始场景图像。
[0077] 可选地，在一些实施例中，标识为刚体标识。
[0078] 可以理解的是，各个监控摄像头的可视区域内的标识可以按照预设拍摄路线放置，从而能够确定每个标识在初始社区地图中的顺序，同时也能确定监控摄像头在初始社
区地图中的顺序（沿着预设拍摄路线的先后顺序）。
[0079] 可选地，在一些实施例中，按照监控摄像头在初始社区地图中的顺序对各场景图像进行排序，使得后续在进行投射替换和地图融合时按照顺序执行即可。
[0080] S103、将各场景图像输入预设的目标检测模型中，输出各场景图像对应的人流量、车流量和占道识别结果。
[0081] 其中，本申请实施例对目标智慧社区各场景图像中的人和车辆进行检测，具体为人、自行车、电瓶车、摩托车和汽车，其中电瓶车和摩托车在目标检测模型训练时可认为是
同一个类别。
[0082] 具体地，通过目标检测模型检测识别各场景图像中的人和车辆，计算各场景图像中的人流量和车流量，并根据各场景图像中车辆的检测框是否覆盖道路得到占道识别结
果。其中，占道识别结果包括占道和不占道。可以理解的是，若场景图像中车辆的检测框覆
盖道路，则该场景图像的占道识别结果为占道；若场景图像中车辆的检测框没有覆盖道路，
则该场景图像的占道识别结果为不占道。
[0083] 参照图2，可选地，在一些实施例中，步骤S103具体包括：
[0084] 步骤S1031、将各场景图像划分为地面场景图像或者地下场景图像。
[0085] 具体地，根据初始社区地图以及各初始场景图像与场景图像的对应关系，将将各场景图像划分为地面场景图像或者地下场景图像。
[0086] 可以理解的是，对于目标智慧社区，停车场设置于地下，可能存在车辆乱停放现象，而地面道路主要为流动的人或者车辆，若对各场景图像进行相同的目标检测操作，则目
标检测模型计算量较大，目标检测的效率也较低，进而所提供的停车引导服务的实时性也
较差。因此，本申请实施例将各场景图像划分为地面场景图像或者地下场景图像，并在后续
步骤中对各地面场景图像进行人流量和车流量的计算，对各地下场景图像进行占道识别，
在不明显影响目标检测结果可靠性的同时大大降低了目标检测模型的计算量，提高了目标
检测效率，进而优化了停车引导服务的实时性。
[0087] 步骤S1032、将各地面场景图像输入目标检测模型中，输出各场景图像对应的人流量和车流量，各地下场景图像对应的人流量和车流量为0。
[0088] 具体地，通过目标检测模型检测识别各地面场景图像中的人和车辆，计算各地面场景图像中的人流量和车流量，并将各地下场景图像对应的人流量和车流量设置为0，得到
各场景图像对应的人流量和车流量。
[0089] 参照图3，可选地，在一些实施例中，目标检测模型的预设包括：
[0090] 步骤S31、基于YOLOv8构建目标检测模型；
[0091] 步骤S32、在特征提取网络和特征融合网络之间设置最大池化层。
[0092] 其中，目标检测模型（YOLOv8模型）包括若干层卷积层和至少四层特征融合层。最大池化层用于将目标检测模型的第二层卷积层输出的特征图（尺寸为 ）
划分为第一子特征（尺寸为 ）、第二子特征（尺寸为 ）和第
三子特征（尺寸为 ），并将第一子特征输出至目标检测模型的第一层特征
融合层，将第二子特征输出至目标检测模型的第三层特征融合层，将第三子特征输出至目
标检测模型的第四层特征融合层。
[0093] 可以理解的是，YOLOv8模型的瓶颈结构为SPP+PAN，在数据融合时Yolov8更多的是关注深层的信息。这是由于YOLOv8模型的任务是实现尽可能多类别的目标检测，而深层信
息提供的正式判别类别的语义特征。虽然YOLOv8模型通过关注深层信息得到了丰富的语义
特征，但大量的浅层特征被删除了。虽然上述人和车辆（自行车、摩托车/电瓶车和汽车）各
个类别之间的差异较大，但由于目标智慧社区中监控摄像头的安装位置以及设备性能存在
不确定性，当各场景图像中的人或车辆较小时，现有的YOLOv8模型的目标检测精度也随之
下降导致目标检测结果不够准确可靠。因此，本申请实施例在YOLOv8模型中设置最大池化
层，通过最大池化层将目标检测模型的第二层卷积层输出的特征图（尺寸为
）划分为第一子特征（尺寸为 ）、第二子特征（尺寸为
）和第三子特征（尺寸为 ），并将第一子特征输出至目标
检测模型的第一层特征融合层，将第二子特征输出至目标检测模型的第三层特征融合层，
将第三子特征输出至目标检测模型的第四层特征融合层，由于上述三个子特征为三个尺寸
不同的浅层特征，实现了较大宽度的迁越，从而促进了YOLOv8模型对浅层特征的学习，使得
YOLOv8模型在位置判断上具有更高的准确度，降低了目标智慧社区中监控摄像头的安装位
置以及设备性能存在不确定性的影响，提高了YOLOv8模型的目标检测精度以及目标检测结
果的准确性和可靠性。
[0094] 步骤S1033、将各地下场景图像输入目标检测模型中，输出各场景图像对应的占道识别结果，各地面场景图像对应的占道识别结果为0。
[0095] 具体地，将各地下场景图像输入目标检测模型中，对各地下场景图像中的车辆进行目标检测，并根据各地下场景图像中车辆的检测框是否覆盖道路得到占道识别结果。其
中，若地下场景图像中车辆的检测框覆盖道路，则该地下场景图像的占道识别结果为占道；
若地下场景图像中车辆的检测框没有覆盖道路，则该地下场景图像的占道识别结果为不占
道；将各地面场景图像对应的占道识别结果为0。可以理解的是，0可认为占道识别结果为不
占道。
[0096] 可选地，在一些实施例中，在步骤S1033检测识别各场景图像对应的占道识别结果之前，停车引导方法还包括：
[0097] 对各地下场景图像进行光照频谱增强。
[0098] 可以理解的是，与地面场景图像不同的是，地下场景图像可能因目标智慧社区的地下停车场照明设施陈旧等问题，在拍摄时存在光照不足的现象，导致地下场景图像的亮
度较低，进而使得目标检测精度降低。为此，本申请实施例对各地下场景图像进行光照频谱
增强，使得各地下场景图像的亮度提高，提高了目标检测精度，使得通过目标检测模型检测
识别到的各地下场景图像的占道识别结果更加很准确可靠。
[0099] 进一步地，在一些实施例中，对各地下场景图像进行光照频谱增强具体包括：
[0100] 对地下场景图像的像素点进行归一化，得到各像素点的值，并根据预设的曝光度参数将各像素点的值映射到增强曲线，完成地下场景图像的光照频谱增强。其中，增强曲
线：
[0101] ；
[0102] 其中， 为像素点的值；为像素点的序号； 为曝光度参数，为一个[‑1,1]的值，用于控制地下场景图像的曝光度。
[0103] 可选地，在一些实施例中，曝光度参数的预设包括：
[0104] 1）构建深度量子神经递归网络；
[0105] 2）定义深度量子神经递归网络的迭代式和目标函数；
[0106] 3）根据深度量子神经递归网络的迭代式和目标函数求解得到曝光度参数。
[0107] 其中，深度量子神经递归网络的迭代式为：
[0108] ；
[0109] 其中， 和 均为阶数。
[0110] 深度量子神经递归网络的目标函数为：
[0111] ；
[0112] 其中， 为预设的最优值， 为迭代阶数。
[0113] 可以理解的是，现有的色彩映射方法将像素点的各色彩映射到增强曲线时，往往基于人为经验确定曝光度参数的值，导致曝光度参数的值和映射结果的准确性较低。本申
请实施例通过构建深度量子神经递归网络，利用深度量子神经递归网络的迭代式和目标函
数求解曝光度参数的值，提高了曝光度参数的值和映射结果的准确性，即进行光照频谱增
强的地下场景图像更加准确可靠，进而使得目标检测模型所输出的地下场景图像的占道识
别结果更加准确。
[0114] S104、对各场景图像与对应的初始场景图像进行特征点匹配，得到若干个投射矩阵。
[0115] 具体地，对各场景图像和与各场景图像相对应的初始场景图像进行特征提取，得到若干个第一特征向量和与各第一特征向量相对应的第二特征向量，并根据各第一特征向
量和与各第一特征向量相对应的第二特征向量，得到若干个投射矩阵。
[0116] 可选地，在一些实施例中，采用SIFT算法对各场景图像和与各场景图像相对应的初始场景图像进行特征提取，得到若干个第一特征向量和与各第一特征向量相对应的第二
特征向量。若某张场景图像相对应的初始场景图像存在多张，则对多张初始场景图像的特
征值求平均值，从而得到第二特征向量；根据各第一特征向量和与各第一特征向量相对应
的第二特征向量，将各场景图像与对应的初始场景图像进行配准，求出若干个投射矩阵。
[0117] S105、基于投射矩阵对各场景图像进行投射得到若干张投射图像，并将各初始场景图像分别替换为对应的投射图像，生成若干个局部地图。
[0118] 具体地，根据步骤S104求得的投射矩阵，分别对各投射矩阵对应的各场景图像进行投射，得到若干张投射图像，然后进行帧替换，将各初始场景图像分别替换为对应的投射
图像，生成若干个局部地图。
[0119] 可选地，在一些实施例中，对生成的局部地图进行局部捆绑调整（Bundle Adjustment, BA），以提高局部地图的精度。具体地，局部BA：
[0120] ；
[0121] 其中， 为不同图像下的三维坐标； 为不同图像下的相机坐标（通过三角测量得到）； 为投射；为各场景图像对应的初始场景图像的序号。
[0122] S106、根据各场景图像对应的人流量、车流量和占道识别结果，生成各局部地图的标签信息并将各标签信息添加至对应的局部地图中。
[0123] 具体地，根据各场景图像对应的人流量、车流量和占道识别结果，生成各局部地图的标签信息 ，并将各标签信息添加至对应的局部地图。其中 分别
代表人流量、车流量和占道识别结果。根据步骤S1032和步骤S1033可知，对于各地下场景图
像对应的局部地图，标签信息 中 均为0；对于各地面场景图像对应的
局部地图，标签信息 中 为0（不占道）。可以理解的是，本申请实施例为各
局部地图添加标签信息 ，使得后续得到的完整社区地图能够实时展示目
标智慧社区各监控摄像头视场内的人流量、车流量和占道识别结果，进而使得基于完整社
区地图生成的停车引导路线能够在用户前往停车场时为用户提供路况的实时判断，并且对
停车场状态进行实时把控，减少用户被阻挡的情况，使得用户停车过程更加顺利。
[0124] S107、将初始社区地图与各局部地图融合，生成完整社区地图。
[0125] 具体地，按照各场景图像与各初始场景图像的对应关系，将各局部地图融合至初始社区地图的对应位置，生成完整社区地图。
[0126] S108、根据完整社区地图生成停车引导路线，并显示完整社区地图和停车引导路线。
[0127] 具体地，根据步骤S107生成的完整社区地图进行停车引导路线规划，规划的目标是在地面选择人流量和车流量最少的路段，在地下选择无占道路段，若所有地面路段人流
量、车流量之和相等，则选择路程最短的路段；若所有地下路段均存在占道情况，则选择路
程距离最短的路段。
[0128] 参照图4，可选地，在一些实施例中，完整社区地图包括社区地面地图和社区地下地图，步骤S108具体包括：
[0129] 步骤S1081、判断社区地下地图是否存在无占道路线。
[0130] 可以理解的是，通过初始社区地图与各带有标签信息的局部地图融合得到的完整社区地图同样包含标签信息。具体地，根据社区地下地图中的各处标签信息，判断社区地下
地图是否存在占道识别结果为不占道的路段（无占道路线）。
[0131] 步骤S1082、若是，则选择路程最短的无占道路线作为地下引导路线；若否，则在社区地下地图的各条路线中选择路程最短的路线作为地下引导路线。
[0132] 步骤S1083、根据地下引导路线和社区地面地图生成地面引导路线，地面引导路线为社区地面地图中与地下引导路线连接的人流量和车流量之和最小并且路程最短的路线。
[0133] 可以理解的是，地面引导路线与地下引导路线必须连接才能得到完整的停车引导路线。本申请实施例考虑到占道情况相较于人流量、和车流量对用户停车阻碍更大，首先生
成地下引导路线，然后再根据地下引导路线在社区地面地图生成与地下引导路线连接的地
面引导路线，即本申请实施例优先考虑地下引导路线的生成，相较于先生成地面引导路线
的情况，能够选取到无占道情况的地下引导路线的概率更高。
[0134] 步骤S1084、结合地面引导路线和地下引导路线，生成停车引导路线。
[0135] 具体地，将步骤S1082生成的地下引导路线和步骤S1083生成的地面引导路线连接，生成停车引导路线。
[0136] 综上所述，现有的面向智慧社区的停车引导方法在应用于旧社区改造得来的智慧社区时，由于旧社区改造得来的智慧社区具有道路复杂狭窄、人流量大等特点，无法在用户
前往停车场时为用户提供路况的实时判断，并且也无法对停车场状态进行把控，使得用户
很可能被行人或其他车辆阻挡，难以顺利停车。为此，本申请实施例采用上述步骤S101‑
S108的面向智慧社区的停车引导方法，通过连续拍摄图像构建目标智慧社区的初始社区地
图，获取目标智慧社区的各个监控摄像头采集的场景图像和对应的初始场景图像，并利用
投射矩阵将各场景图像进行投射得到投射图像后将各初始场景图像替换为对应的投射图
像，生成若干个局部地图，进而根据检测得到的各场景图像对应的人流量、车流量和占道识
别结果生成各局部地图的标签信息后将局部地图与初始社区地图进行融合，生成完整社区
地图，从而利用完整社区地图生成停车引导路线并显示，实现了基于目标智慧社区的监控
摄像头所采集的场景图像的停车引导路线生成，并且利用包含人流量、车流量和占道识别
结果信息的完整社区地图生成的停车引导路线能够在用户前往停车场时为用户提供路况
的实时判断，并且对停车场状态进行实时把控，减少用户被阻挡的情况，使得用户停车过程
更加顺利，能适用于包括旧社区改造得来的智慧社区的任意智慧社区。
[0137] 其次，参照附图描述根据本申请实施例提出的一种面向智慧社区的停车引导系统。
[0138] 图5是本申请一个实施例的一种面向智慧社区的停车引导系统结构示意图。
[0139] 系统具体包括：
[0140] 构建模块501，用于根据目标智慧社区的连续拍摄图像构建目标智慧社区的初始社区地图，连续拍摄图像为沿着预设拍摄路线进行连续拍摄得到的图像，目标智慧社区设
置有若干个监控摄像头；
[0141] 图像获取模块502，用于获取各个监控摄像头采集的目标智慧社区的若干张场景图像，并在连续拍摄图像中选取与各场景图像相对应的若干张初始场景图像；
[0142] 目标检测模块503，用于将各场景图像输入预设的目标检测模型中，输出各场景图像对应的人流量、车流量和占道识别结果；
[0143] 特征匹配模块504，用于对各场景图像与对应的初始场景图像进行特征点匹配，得到若干个投射矩阵；
[0144] 投射模块505，用于基于投射矩阵对各场景图像进行投射得到若干张投射图像，并将各初始场景图像分别替换为对应的投射图像，生成若干个局部地图；
[0145] 局部地图生成模块506，用于根据述场景图像对应的人流量、车流量和占道识别结果，生成各局部地图的标签信息并将各标签信息添加至对应的局部地图中；
[0146] 地图融合模块507，用于将初始社区地图与各局部地图融合，生成完整社区地图；
[0147] 路线生成模块508，用于根据完整社区地图生成停车引导路线，并显示完整社区地图和停车引导路线。
[0148] 可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益
效果也相同。
[0149] 在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体
上同时地执行或所述方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和
描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不
限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被
改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0150] 此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者
一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，
有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在
本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技
术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度
试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是，所公开的特定概念
仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同
方案的全部范围来决定。
[0151] 应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件
或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下
列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路
的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场
可编程门阵列（FPGA）等。
[0152] 在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操
作，因此不能理解为对本发明的限制。其中，“里侧”是指内部或围起来的区域或空间。“外
围”是指某特定部件或特定区域的周围的区域。
[0153] 在本发明的实施例的描述中，术语“第一”、“第二”、“第三”、“第四”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。此外，术语“包括”
和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元
的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有
列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单
元。
[0154] 在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部
的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体
含义。
[0155] 在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0156] 在本发明的实施例的描述中，需要理解的是，“‑”和“ ”表示的是两个数值之同的~
范围，并且该范围包括端点。例如：“A‑B”表示大于或等于A，且小于或等于B的范围。“A B”表~
示大于或等于A，且小于或等于B的范围。
[0157] 在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独
存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0158] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换
和变型，本发明的范围由所附权利要求及其等同物限定。
