一種基於車載盲區相機的道路預警方法與流程
2023-05-14 22:26:51
本發明涉及車輛輔助駕駛領域，尤其是涉及一種基於車載盲區相機的道路預警方法。
背景技術：
車輛變道輔助預警系統(lcw)與車道偏離預警系統(ldw)是車輛輔助駕駛的主要預警功能。前者的功能在於對駕駛員有變道意圖的情況下的車輛盲區範圍內的存在快速行駛車輛的情況做出預警，以避免潛在變道交通事故的發生；後者在於對駕駛員無變道意圖的情況下的車道偏離現象做出預警，從而避免潛在變道交通事故或違規駕駛行為(實線變道)的發生。通常情況下，兩系統功能是由不同的視覺系統完成的(ldw由前視算法實現，lcw則通過盲區算法完成)。
現有通過車輛盲區監視實現變道輔助預警(lcw)的系統方案相對較少。主要分為兩大類：一類基於毫米波雷達，另一類基於視覺系統。其中，基於毫米波雷達的方案相對成本較高，且中近距離物體檢測虛報率偏高。現有基於視覺系統的方案，利用稀疏光流算法聚類具圖像roi區域有相似運動特徵的障礙物，算法實時性好，但檢測準確性較差，且易受極端天氣影響，並且預警策略未能綜合考慮目標車輛與自身車輛間相對位置以及相對運動信息。
現有車道偏離預警系統(ldw)主要基於前視單目相機的圖像分析與處理，提取車道線信息、計算預警指標以及做出預警決策。其主要缺點有：車道線檢測易受光照、陰影等影響；基於平面、直線標識等假設，應用範圍受限；車道線檢測範圍為圖像固定區域，檢測結果易受該區域內出現的其它車輛影響(入擁堵工況)。
技術實現要素：
本發明主要是解決現有技術所存在的準確度差、易受幹擾等的技術問題，提供一種準確度高、魯棒性好的基於車載盲區相機的道路預警方法。
本發明針對上述技術問題主要是通過下述技術方案得以解決的：一種基於車載盲區相機的道路預警方法，包括前置流程和車道偏離預警流程，所述前置流程包括以下步驟：
s001、讀取當前車速，如果高於設定閾值則進入步驟s002，如果低於閾值則保持對車速的監測狀態；
s002、盲區相機採集圖像，並在圖像中的roi(感興趣)區域利用級聯分類器進行多尺度滑窗搜索，得到檢測車輛候選區域；roi區域範圍以及檢測窗口大小為可配置參數，根據不同的相機安裝參數進行調整，對於已經固定的相機來說，由於其相對車身是靜止的，因此roi區域範圍及檢測窗口設定後即為定量；
s003、對檢測車輛候選區域進行車輛特徵角點提取及跟蹤，得到車輛檢測結果部分；
所述車道偏離預警方法包括以下步驟：
s104、通過方向盤轉角傳感器(或轉向燈信號)檢測駕駛員是否有變道操作，如果無變道操作(無轉向燈信號)，則進入步驟s105，否則保持對方向盤轉角的監測狀態；
s105、在盲區相機所採集圖像中的車道線檢測區域中以純色填充的方式去除車輛檢測結果部分，得到精確車道線檢測區域；車道線檢測區域是指以車輛縱向中心線為邊界，向左右兩側各三米的地面範圍，由於視覺系統的盲區相機相對車身靜止，拍攝角度固定，因此可以在圖像上直接劃定車道線檢測區域；此步驟可以去除對應檢測區域內的噪聲，提升算法準確性，減小兩算法圖像處理以及檢測搜索範圍，提升算法時效性；
s106、在精確車道線檢測區域內檢測擬合車道線並進行跟蹤；
s107、將車道線擬合結果投影坐標變換到車輛坐標平面，計算車輛最近車道線相對於該側前車輪的側向偏移量k並估算車道車輛超出最近一側車道線閾值所需的時間tlc；投影變換為通過映射表將圖像坐標系中的點(單位為像素)轉換為地面坐標系的點(單位為米)，映射表可以通過相機參數標定獲得；
s108、根據k和tlc判斷是否觸發預警，如果觸發則進入步驟s109，否則返回步驟s104；
s109、產生預警信號，提示駕駛員謹慎駕駛。
作為優選，一種基於車載盲區相機的道路預警方法還包括變道預警流程，所述變道預警流程包括以下步驟：
s204、通過方向盤轉角傳感器檢測駕駛員是否有變道操作，如果有變道操作，則進入步驟s205，否則保持對方向盤轉角的監測狀態；
s205、依據車輛特徵角點對被檢測車輛進行投影變換矩陣計算；
s206、依據投影變換矩陣計算結果估算預碰撞時間；
s207、依據預碰撞時間判斷是否觸發預警條件，如果觸發，則進入步驟s008，否則跳轉到步驟s204；
s208、產生預警信號，提示駕駛員謹慎駕駛。
觸發車道偏離預警流程和變道預警流程的車速閾值可以設定成不同值，從而適應不同行車環境的需求，根據方向盤轉角信號或轉向燈信號可以使兩個流程互鎖，避免同時觸發預警信號。兩種流程所觸發的預警信號應當設置成不同方式(在視覺和聽覺上都具有明顯的區分度)，方便駕駛員進行區分。
作為優選，步驟s003具體為：用fast或shi-tomasi角點對檢測車輛候選區域提取角點特徵，利用lucas-kanade光流方法計算角點特徵的運動信息，並且更新角點特徵位置。
作為優選，步驟s106具體為：在車道線檢測區域內提取邊緣特徵，通過車道線寬度、距離和角度閾值設定，過濾掉不符合車道線幾何特徵的二值化邊緣特徵；利用固定長度多段直線擬合車道線特徵點；通過車道線長度閾值設定，確定車道線類型；利用kalman濾波，對已檢測出的車道線進行跟蹤。
作為優選，步驟s107具體為：根據車道線檢測結果，利用盲區系統相機參數，將車道線擬合結果投影坐標變換到車輛坐標平面(原點固定於車輛前軸中點，x方向為車輛後向，y方向為車輛側向)，將車道線延伸至與y軸交點，計算車輛最近車道線相對於該側前車輪的側向偏移量：k＝y0–w/2；利用平面單車運動學模型，估算車輛超出最近一側車道線閾值k0所需的時間tlc，公式如下：
其中，y0為車輛最近車道線到車輛坐標平面原點的距離，k0為車道偏離距離預警的緊急閾值，θ為前輪轉角，w為車身寬度，v為車速。
作為優選，步驟s108具體為：
若k大於閾值k1,則不觸發預警；若k小於閾值k2則觸發預警；若k小於閾值k1且大於閾值k2，則根據tlc來判斷是否觸發預警：當tlc小於閾值t2時，觸發預警，反之不觸發預警；其中，k1、k2和t2為可配置參數，由實車測試所得。
作為優選，步驟s205具體為：根據相鄰兩幀角點特徵跟蹤結果，基於區域相似性假設(即假設車輛跟蹤區域只有尺度變化和圖像平面內的平移)，利用ransac方法計算被檢測車輛投影變換矩陣,並將被檢測車輛底部中心點投影坐標變換到自定義車輛坐標平面(原點固定於車輛前軸中點，x方向為車輛後向，y方向為車輛側向)。
作為優選，步驟s206具體為：定義預碰撞時間ttc為相鄰車道車輛按當前車速行駛，進入預警區域所需時間，計算公式如下：
ttc＝d/vel
其中d為被檢測車輛至預警區域距離，根據將被檢測車輛圖像區域底部中點位置投影坐標變換到自定義車輛坐標平面獲得(利用相機標定參數)，vel為被檢測車輛相對於當前車輛的速度，由跟蹤算法獲得。
作為優選，步驟s207中，所述依據預碰撞時間判斷是否觸發預警條件具體為：根據車輛檢測以及跟蹤結果，若d大於閾值d1,則不預警；若d小於閾值d2則預警；若d小於閾值d1且大於閾值d2，則根據ttc來判斷是否預警：當ttc小於閾值t0時，預警，反之不預警；其中，d1、d2和t0為可配置參數，由實車測試所得。
作為優選，所述級聯分類器採用如下方式訓練：利用級聯haar特徵或lbp特徵的boosting分類器，訓練車輛檢測算法；採用試驗車輛所採集的車頭正樣本圖像不少於12000張，負樣本圖像不少於20000張，利用難例挖掘和主動學習方法提升訓練效果；分類器級聯層數為可配置參數。
本發明的優勢在於可將原本分屬於兩個視覺系統的算法模塊集成到單一盲區系統中，大大降低系統硬體成本。盲區相機可安裝於車輛後視鏡下方，朝向車輛側後方偏下，視野範圍覆蓋相鄰兩車道至自身車輛後30米區域。
本發明利用車載盲區視覺系統檢測相鄰車道同向行駛車輛，判斷該車與自身車輛的相對位置與運動關係以及測量自身車輛與當前車道邊緣的距離，並根據駕駛員的轉向操作意圖，觸發相應系統的預警信號。在有駕駛員有轉向意圖時對盲區可能發生的碰撞情況發出預警信號；在駕駛員無轉向意圖時，自身車輛偏航情況發出預警信號。此系統涵蓋了和變道以及車道保持相關的輔助駕駛功能，硬體成本低，實時性好，集成度高，可以有效提高中高速工況車輛車道保持以及變道行駛的安全性能。
相對於已有lcw以及ldw系統而言，本方法著重解決了如下幾方面問題：
1.lcw：本發明所採用的算法優勢在於結合級聯分類器檢測與局部光流算法，相比於純光流算法，在不引入大量計算性能消耗能的前提下，夠有效提高盲區車輛檢測的準確性。本算法在圖像特定roi區域搜索少許尺度車輛正面特徵，並且對已檢測到的車輛區域進行特徵提取與運動估算，能夠有效確保光流計算所利用的特徵點大部分都出於車輛本身，特徵提取範圍更小，同時省略了特徵點聚類的過程。本方法在計算車輛相對位置時，引入了道路模型，相對於圖像坐標系下的距離運算更為準確。同時檢測、跟蹤的車輛識別架構能有效消除兩者算法單一使用時的誤報。相比於基於毫米波雷達的方案，本方法硬體成本較低，且大部分工況下檢測效果與毫米波傳感器相當。就預警算法而言，綜合考慮了車輛間相對運動與相對位置信息，魯棒性更好。
2.ldw：本發明所採用的算法優勢在於可適用於直線和轉彎多等不同工況。本發明可根據雙目視差匹配代價信息動態更新車道線檢測區域，顯著提升檢測準確率。應用車道線距離、寬度、角度閾值濾波，可有效提升檢測準確率。本發明可區分虛線與實線，並對二者應用不同的預警閾值。預警算法綜合考慮車道偏離距離以及車道偏離時間，考慮駕駛員操縱補償，魯棒性更好。預警信號採用視覺與聽覺預警結合的方式，具有梯度性、駕駛員響應程度更好。
此外，兩套算法集成在同一視覺系統中可以相互輔助提升各自性能，如車道線檢測可以輔助確定車輛檢測範圍，盲區車輛檢測可以去除車道線檢測區域內由車輛邊緣產生的誤識別等。
本發明帶來的實質性效果是：本發明lcw系統中所使用的車輛檢測及跟蹤聯合算法roi區域以及滑窗尺度範圍較小，檢測時效性好；採用難例挖掘以及主動學習等方法優化級聯分類器訓練過程，檢測效果大幅提升；預警算法綜合考慮相對盲區距離d以及預碰撞時間ttc，能夠在盲區內已有快速車輛或即將有快速車輛通過時發出有效預警信號；
本發明ldw系統在車道線檢測區域內規避了運動車輛邊緣信息所引入的誤檢測。利用分段直線的擬合，可兼顧直線與曲線擬合，因此適用於直線和轉彎等不同工況。本發明應用車道線距離、寬度、角度閾值濾波，可有效過濾非車道線道路特徵，提升檢測準確率。本發明可根據車道線長度閾值設定，區分虛線與實線，從而對二者應用不同的預警閾值。預警算法綜合考慮車道偏離距離d以及車道偏離時間tlc，魯棒性更好。預警信號採用視覺與聽覺預警結合的方式，預警效果更好。
附圖說明
圖1是本發明的一種預警系統結構示意圖；
圖2是本發明的一種預警方法流程圖；
圖3是本發明的一種以車輛右側盲區相機視角為例的圖片感興趣區域以及預警區域示意圖；圖中白線框為車輛檢測roi區域，黑虛線框為車道線檢測roi區域，黑實線框為預警區域；
圖4是本發明的一種以車輛右側盲區相機視角為例的閾值計算示意圖；
圖中：1、輸入層；2、分析決策層；3、輸出層；11、其他車載傳感器；12、盲區後視系統；21、圖像處理單元；22、預警決策生成單元；31、視覺界面；32、揚聲器。
具體實施方式
下面通過實施例，並結合附圖，對本發明的技術方案作進一步具體的說明。
實施例：本實施例的一種基於車載盲區相機的道路預警方法，運行於預警系統，如圖1所示，預警系統包括輸入層1、分析決策層2和輸出層3，輸入層包括盲區後視系統12(盲區相機)和其他車載傳感器11，分析決策層包括圖像處理單元21和預警決策生成單元22，輸出層包括視覺界面31和揚聲器32。盲區後視系統採集圖像發送到圖像處理單元，由圖像處理單元處理後發送到預警決策生成單元。其他車載傳感器包括車速、方向盤轉角等傳感器，所檢測到的車速、方向盤轉角等信息發送到預警決策生成單元。預警決策生成單元根據收到的信息和預警判斷策略，生成視覺預警信號到視覺界面，並生成聽覺預警信號到揚聲器。
盲區相機可安裝於車輛後視鏡下方，朝向車輛側後方偏下，視野範圍覆蓋相鄰兩車道至自身車輛後30米區域。
一種基於車載盲區相機的道路預警方法，如圖2所示，包括前置流程和車道偏離預警流程，所述前置流程包括以下步驟：
s001、讀取當前車速，如果高於設定閾值則進入步驟s002，如果低於閾值則保持對車速的監測狀態；
s002、盲區相機採集圖像，並在圖像中的roi(感興趣)區域利用級聯分類器進行多尺度滑窗搜索，得到檢測車輛候選區域；roi區域範圍以及檢測窗口大小為可配置參數，應根據不同的相機安裝參數進行調整；
s003、對檢測車輛候選區域進行車輛特徵角點提取及跟蹤，得到車輛檢測結果部分；
所述車道偏離預警方法包括以下步驟：
s104、通過方向盤轉角傳感器(或轉向燈信號)檢測駕駛員是否有變道操作，如果無變道操作(無轉向燈信號)，則進入步驟s105，否則保持對方向盤轉角的監測狀態；
s105、在盲區相機所採集圖像中的車道線檢測區域中以純色填充的方式去除車輛檢測結果部分，得到精確車道線檢測區域；車道線檢測區域是指以車輛縱向中心線為邊界，向左右兩側各三米的地面範圍，由於視覺系統的盲區相機相對車身靜止，拍攝角度固定，因此可以在圖像上直接劃定車道線檢測區域；此步驟可以去除對應檢測區域內的噪聲，提升算法準確性，減小兩算法圖像處理以及檢測搜索範圍，提升算法時效性；
s106、在精確車道線檢測區域內檢測擬合車道線並進行跟蹤；
s107、將車道線擬合結果投影坐標變換到車輛坐標平面，計算車輛最近車道線相對於該側前車輪的側向偏移量k並估算車道車輛超出最近一側車道線閾值所需的時間tlc；投影變換為通過映射表將圖像坐標系中的點(單位為像素)轉換為地面坐標系的點(單位為米)，映射表可以通過相機參數標定獲得；
s108、根據k和tlc判斷是否觸發預警，如果觸發則進入步驟s109，否則返回步驟s104；
s109、產生預警信號，提示駕駛員謹慎駕駛。
所述變道預警流程包括以下步驟：
s204、通過方向盤轉角傳感器檢測駕駛員是否有變道操作，如果有變道操作，則進入步驟s205，否則保持對方向盤轉角的監測狀態；
s205、依據車輛特徵角點對被檢測車輛進行投影變換矩陣計算；
s206、依據投影變換矩陣計算結果估算預碰撞時間；
s207、依據預碰撞時間判斷是否觸發預警條件，如果觸發，則進入步驟s008，否則跳轉到步驟s204；
s208、產生預警信號，提示駕駛員謹慎駕駛。
觸發車道偏離預警流程和變道預警流程的車速閾值可以設定成不同值，從而適應不同行車環境的需求，根據方向盤轉角信號或轉向燈信號可以使兩個流程互鎖，避免同時觸發預警信號。兩種流程所觸發的預警信號應當設置成不同方式(在視覺和聽覺上都具有明顯的區分度)，方便駕駛員進行區分。
步驟s003具體為：用fast或shi-tomasi角點對檢測車輛候選區域提取角點特徵，利用lucas-kanade光流方法計算角點特徵的運動信息，並且更新角點特徵位置。
fast：採用機器學習的方法，按如下標準定義特徵點：對於某像素點p，以其為中心的16個像素點，若其中有n個連續的像素點亮度值均大於p點亮度加上某閾值t(或小於p點亮度減去某閾值t)，則p為特徵點；可設置參數為像素點數n，亮度閾值t以及是否使用非極大值抑制(non-maximumsuppression)。此特徵點檢測是公認的比較快速的特徵點檢測方法，只利用周圍像素比較的信息就可以得到特徵點，簡單，有效。該方法多用於角點檢測。
lucas-kanade光流方法：利用高斯下採樣計算n層圖像金字塔(n默認為3)，從頂層金字塔自上而下對於每層金字塔i，初始化光流向量li(利用上一層光流計算結果，頂層以(0，0)初始化)，計算圖像x,y方向一階導數，對輸入的角點計算其周圍m*m區域內相鄰時刻的亮度均方差(m默認為7)，若各層圖像金字塔中，沿梯度下降方向迭代更新光流向量li至該角點相鄰時刻對應的圖像均方差均小於某一特定閾值kp，確定該層金字塔的光流向量為li；如若干循環後，仍無法滿足閾值條件，則摒棄該點光流向量。
步驟s106具體為：在車道線檢測區域內提取邊緣特徵，通過車道線寬度、距離和角度閾值設定，過濾掉不符合車道線幾何特徵的二值化邊緣特徵；利用固定長度多段直線擬合車道線特徵點；通過車道線長度閾值設定，確定車道線類型；利用kalman濾波，對已檢測出的車道線進行跟蹤。
步驟s107具體為：根據車道線檢測結果，利用盲區系統相機參數，將車道線擬合結果投影坐標變換到車輛坐標平面(原點固定於車輛前軸中點，x方向為車輛後向，y方向為車輛側向)，將車道線延伸至與y軸交點，計算車輛最近車道線相對於該側前車輪的側向偏移量：k＝y0–w/2；利用平面單車運動學模型，估算車輛超出最近一側車道線閾值k0所需的時間tlc，公式如下：
其中，y0為車輛最近車道線到車輛坐標平面原點的距離，車輛坐標平面原點在車身中軸線上，k0為車道偏離距離預警的緊急閾值，θ為前輪轉角，w為車身寬度，v為車速。
步驟s108具體為：
若k大於閾值k1,則不觸發預警；若k小於閾值k2則觸發預警；若k小於閾值k1且大於閾值k2，則根據tlc來判斷是否觸發預警：當tlc小於閾值t2時，觸發預警，反之不觸發預警；其中，k1、k2和t2為可配置參數，由實車測試所得，典型值如k1＝0.2，k2＝0，t2＝0.3。
步驟s205具體為：根據相鄰兩幀角點特徵跟蹤結果，基於區域相似性假設(即假設車輛跟蹤區域只有尺度變化和圖像平面內的平移)，利用ransac方法計算被檢測車輛投影變換矩陣,並將被檢測車輛底部中心點投影坐標變換到自定義車輛坐標平面(原點固定於車輛前軸中點，x方向為車輛後向，y方向為車輛側向)。
步驟s206具體為：定義預碰撞時間ttc為相鄰車道車輛按當前車速行駛，進入預警區域所需時間，計算公式如下：
ttc＝d/vel
其中d為被檢測車輛至預警區域距離，根據將被檢測車輛圖像區域底部中點位置投影坐標變換到自定義車輛坐標平面獲得(利用相機標定參數)，vel為被檢測車輛相對於當前車輛的速度，由跟蹤算法獲得。
步驟s207中，所述依據預碰撞時間判斷是否觸發預警條件具體為：根據車輛檢測以及跟蹤結果，若d大於閾值d1,則不預警；若d小於閾值d2則預警；若d小於閾值d1且大於閾值d2，則根據ttc來判斷是否預警：當ttc小於閾值t0時，預警，反之不預警；其中，d1、d2和t0為可配置參數，由實車測試所得，典型的如d1＝18，d2＝0，t0＝0.8。
所述級聯分類器採用如下方式訓練：利用級聯haar特徵或lbp特徵的boosting分類器，訓練車輛檢測算法，每一級弱分類器的訓練過程為：初始化訓練數據的權值分布(每個樣本賦予同樣的權值係數)，訓練過程中，若該樣本被準確的分類，則降低該樣本的權重係數；反之，則提高相應權重係數。反覆迭代上述過程，產生若干弱分類器級。最後級聯各弱分類器生成最終強分類器(增大誤差率小的弱分類器權重係數，減小誤差率大的弱分類器權重係數)；採用試驗車輛所採集的車頭正樣本圖像不少於12000張，負樣本圖像不少於20000張，利用難例挖掘(是指手動將分類器難以識別的誤檢經過篩檢重新加入訓練樣本中進行訓練)和主動學習(是指先利用網絡收集的相關訓練數據預訓練一個級聯分類器，利用此分類器對的我們相機設備所採集的樣本進行粗略檢測，根據檢測結果人工篩選正負樣本，重新訓練分類器)提升訓練效果；分類器級聯層數為可配置參數。
本發明的優勢在於可將原本分屬於兩個視覺系統的算法模塊集成到單一盲區系統中，大大降低系統硬體成本。
本發明利用車載盲區視覺系統檢測相鄰車道同向行駛車輛，判斷該車與自身車輛的相對位置與運動關係以及測量自身車輛與當前車道邊緣的距離，並根據駕駛員的轉向操作意圖，觸發相應系統的預警信號。在有駕駛員有轉向意圖時對盲區可能發生的碰撞情況發出預警信號；在駕駛員無轉向意圖時，自身車輛偏航情況發出預警信號。此系統涵蓋了和變道以及車道保持相關的輔助駕駛功能，硬體成本低，實時性好，集成度高，可以有效提高中高速工況車輛車道保持以及變道行駛的安全性能。
相對於已有lcw以及ldw系統而言，本方法著重解決了如下幾方面問題：
1.lcw：本發明所採用的算法優勢在於結合級聯分類器檢測與局部光流算法，相比於純光流算法，在不引入大量計算性能消耗能的前提下，夠有效提高盲區車輛檢測的準確性。本算法在圖像特定roi區域搜索少許尺度車輛正面特徵，並且對已檢測到的車輛區域進行特徵提取與運動估算，能夠有效確保光流計算所利用的特徵點大部分都出於車輛本身，特徵提取範圍更小，同時省略了特徵點聚類的過程。本方法在計算車輛相對位置時，引入了道路模型，相對於圖像坐標系下的距離運算更為準確。同時檢測、跟蹤的車輛識別架構能有效消除兩者算法單一使用時的誤報。相比於基於毫米波雷達的方案，本方法硬體成本較低，且大部分工況下檢測效果與毫米波傳感器相當。就預警算法而言，綜合考慮了車輛間相對運動與相對位置信息，魯棒性更好。
2.ldw：本發明所採用的算法優勢在於可適用於直線和轉彎多等不同工況。本發明可根據雙目視差匹配代價信息動態更新車道線檢測區域，顯著提升檢測準確率。應用車道線距離、寬度、角度閾值濾波，可有效提升檢測準確率。本發明可區分虛線與實線，並對二者應用不同的預警閾值。預警算法綜合考慮車道偏離距離以及車道偏離時間，考慮駕駛員操縱補償，魯棒性更好。預警信號採用視覺與聽覺預警結合的方式，具有梯度性、駕駛員響應程度更好。
此外，兩套算法集成在同一視覺系統中可以相互輔助提升各自性能，如車道線檢測可以輔助確定車輛檢測範圍，盲區車輛檢測可以去除車道線檢測區域內由車輛邊緣產生的誤識別等。
本文中所描述的具體實施例僅僅是對本發明精神作舉例說明。本發明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或採用類似的方式替代，但並不會偏離本發明的精神或者超越所附權利要求書所定義的範圍。
儘管本文較多地使用了變道、偏離、roi等術語，但並不排除使用其它術語的可能性。使用這些術語僅僅是為了更方便地描述和解釋本發明的本質；把它們解釋成任何一種附加的限制都是與本發明精神相違背的。