本發(fā)明涉及無人飛行器技術(shù)領(lǐng)域，特別是涉及一種景深避障方法、設(shè)備及無人飛行器。

背景技術(shù)：

無人機是一種有動力、可控制、能攜帶多種任務(wù)設(shè)備、執(zhí)行多種任務(wù)并能重復使用的飛行器。能夠利用無線遙控設(shè)備和自身的控制裝置進行控制的不載人飛行器，例如無人直升機、無人固定翼機、無人傘翼機等等。該無人機可以用于掛載拍攝裝置，用于航拍、測繪、偵查等等。

目前，隨著無人機應(yīng)用越來越普及，常常發(fā)生人為操作失誤而導致無人機與飛行場所內(nèi)的障礙物發(fā)生碰撞的事故，為此人們越來越關(guān)注無人機的避障技術(shù)?，F(xiàn)有技術(shù)中的無人機避障技術(shù)大多采用紅外傳感測距避障、超聲波測距避障和視覺避障等技術(shù)，其中，紅外傳感測距避障技術(shù)在遇到玻璃或鏡面反射時效果很差，超聲波測距避障則只是用于距離較近的情況，而且超聲波受到環(huán)境干擾的可能性很大。在視覺避障方面，對比文件1（cn105787447a）公開一種無人機基于雙目視覺的全方位避障的方法及系統(tǒng)。無人機四周均布設(shè)有雙目攝像裝置，并且所述雙目攝像裝置實時拍攝，其使用至少8個相機，一方面耗電量高，另一方面對處理器芯片的運算能力要求和硬件設(shè)施的散熱性能要求都相當高。而且，現(xiàn)有技術(shù)中采用雙目攝像裝置時并未考慮遮擋物出現(xiàn)等情況，對障礙物判斷未必準確。

技術(shù)實現(xiàn)要素：

本發(fā)明正是基于以上一個或多個問題，提供一種景深避障方法、設(shè)備及無人飛行器，用以解決現(xiàn)有技術(shù)中存在的無人飛行器在飛行中判斷障礙物時芯片運算量大以及障礙物判斷不準確的問題。

本發(fā)明提供一種景深避障方法，所述景深避障方法主要包括以下步驟：

s1控制攝像裝置拍攝指定場景獲取第一圖像和第二圖像，所述第一圖像包括多個第一子圖像，所述第二圖像包括多個第二子圖像；

s2計算所述第一子圖像和相對應(yīng)的第二子圖像的匹配相似度，獲取匹配特征點；

s3檢測所述第一子圖像相對于對應(yīng)的所述第二子圖像的遮擋點；

s4對所述第一子圖像的所述遮擋點進行恢復；

s5獲取初始場景深度圖；

s6利用高斯分布對所述初始場景深度圖進行深度優(yōu)化，以獲取場景深度圖；

s7濾除所述場景深度圖的噪聲；

s8依據(jù)濾除噪聲后的場景深度圖，控制所述無人飛行器避開障礙物。

優(yōu)選地，所述景深避障方法在所述步驟s1之前還包括以下步驟：

s01對所述攝像裝置進行標定，獲取所述攝像裝置的性能參數(shù)；

s02所述攝像裝置包括雙目攝像頭時，對所述攝像裝置進行校正，所述校正包括畸變校正和標準化。

優(yōu)選地，所述步驟s2具體包括：

s21選取所述第一子圖像的一中心像素點為待匹配點；

s22基于圖像灰度信息獲取與所述第一子圖像相對應(yīng)的第二子圖像，以所述第一子圖像的中心像素點和所述第二子像素的中心像素點作為匹配點對；

s23重復上述步驟s21和步驟s22，直至所述第一圖像的所有第一子圖像與所述第二圖像搜索完成后形成沿著一極線分布的曲線圖；

s24以所述曲線圖中的最大值對應(yīng)的點為中心點，從所述最大值兩側(cè)選取兩個參考點，以這三個點為基準點構(gòu)造二次曲線，并求取二次曲線的極大值點作為最終的匹配點。

優(yōu)選地，所述步驟s3具體包括：

s31獲取所述第一子圖像中各像素點的視差值；

s32獲取所述第二子圖像中各像素點的視差值；

s33判斷所述第一子圖像中各像素點的視差值與所述第二子圖像中相對應(yīng)的像素點的視差值差值是否大于預設(shè)閾值；

s34若所述第一子圖像中的第一像素點的視差值與所述第二子圖像中對應(yīng)像素點的視差值的差值大于所述預設(shè)閾值，則判定所述第一像素點為所述遮擋點。

優(yōu)選地，所述步驟s5具體包括：

s51對于所述初始場景中任意一點的場景深度，利用z=bf/x獲得，其中，b為雙目相機光心之間的物理間距，f為光心到像面的最短距離，所述初始場景中前述點在雙目攝像機兩攝像頭的成像點的視差值為x；

s52待計算所述初始場景中的所有點的場景深度后，獲取所述初始場景深度圖。

優(yōu)選地，所述步驟s7具體包括：采用（2n+1）×（2n+1）的中值濾波器對所述場景深度圖進行濾波，去除噪聲，其中n為正整數(shù)。

本發(fā)明還提供一種景深避障設(shè)備，所述景深避障設(shè)備包括：

拍攝模塊，用于控制攝像裝置拍攝指定場景獲取第一圖像和第二圖像，所述第一圖像包括多個第一子圖像，所述第二圖像包括多個第二子圖像；

計算模塊，用于計算所述第一子圖像和相對應(yīng)的第二子圖像的匹配相似度，獲取匹配特征點；

遮擋點檢測模塊，用于檢測所述第一子圖像相對于對應(yīng)的所述第二子圖像的遮擋點；

遮擋點恢復模塊，用于對所述第一子圖像的所述遮擋點進行恢復為非遮擋點；

初始場景深度圖獲取模塊，用于獲取初始場景深度圖；

優(yōu)化模塊，用于利用高斯分布對所述初始場景深度圖進行深度優(yōu)化，以獲取場景深度圖；

噪聲濾除模塊，用于濾除所述場景深度圖的噪聲；

避障控制模塊，用于依據(jù)濾除噪聲后的場景深度圖，控制所述無人飛行器避開障礙物。

優(yōu)選地，所述遮擋點檢測模塊具體包括:

第一視差值獲取單元，用于獲取所述第一子圖像中各像素點的視差值；

第二視差值獲取單元，用于獲取所述第二子圖像中各像素點的視差值；

差值判斷單元，用于判斷所述第一子圖像中各像素點的視差值與所述第二子圖像中相對應(yīng)的像素點的視差值差值是否大于預設(shè)閾值；

遮擋點確定單元，用于在所述第一子圖像中的第一像素點的視差值與所述第二子圖像中對應(yīng)像素點的視差值的差值大于所述預設(shè)閾值時，則判定所述第一像素點為所述遮擋點。

本發(fā)明還提供一種景深避障設(shè)備。所述景深避障設(shè)備包括處理器和存儲器以及攝像裝置，所述處理器控制所述景深避障設(shè)備，所述存儲器存儲一段可被所述處理器執(zhí)行的程序指令，所述攝像裝置拍攝指定場景生成圖像，其中，所述處理器調(diào)用所述存儲器存儲的程序指令以執(zhí)行以下步驟：

s1控制攝像裝置拍攝指定場景獲取第一圖像和第二圖像，所述第一圖像包括多個第一子圖像，所述第二圖像包括多個第二子圖像；

s2計算所述第一子圖像和相對應(yīng)的第二子圖像的匹配相似度，獲取匹配特征點；

s3檢測所述第一子圖像相對于對應(yīng)的所述第二子圖像的遮擋點；

s4對所述第一子圖像的所述遮擋點進行恢復；

s5獲取初始場景深度圖；

s6利用高斯分布對所述初始場景深度圖進行深度優(yōu)化，以獲取場景深度圖；

s7濾除所述場景深度圖的噪聲；

s8依據(jù)濾除噪聲后的場景深度圖，控制所述無人飛行器避開障礙物。

本發(fā)明還提供一種無人飛行器，所述無人飛行器包括景深避障設(shè)備，所述景深避障設(shè)備至少包括：拍攝模塊，用于控制攝像裝置拍攝指定場景獲取第一圖像和第二圖像，所述第一圖像包括多個第一子圖像，所述第二圖像包括多個第二子圖像；

計算模塊，用于計算所述第一子圖像和相對應(yīng)的第二子圖像的匹配相似度，獲取匹配特征點；

遮擋點檢測模塊，用于檢測所述第一子圖像相對于對應(yīng)的所述第二子圖像的遮擋點；

遮擋點恢復模塊，用于對所述第一子圖像的所述遮擋點進行恢復為非遮擋點；

初始場景深度圖獲取模塊，用于獲取初始場景深度圖；

優(yōu)化模塊，用于利用高斯分布對所述初始場景深度圖進行深度優(yōu)化，以獲取場景深度圖；

噪聲濾除模塊，用于濾除所述場景深度圖的噪聲；

避障控制模塊，用于依據(jù)濾除噪聲后的場景深度圖，控制所述無人飛行器避開障礙物。

本發(fā)明提供的景深避障方法、設(shè)備及無人飛行器，在對無人飛行器飛行中的障礙物進行深度測量時，通過濾除遮擋點和濾除噪聲等處理，僅需使用一個攝像裝置就能準確獲得障礙物的距離，不僅芯片運算量小，而且能準確獲得障礙物分布信息。

附圖說明

圖1是本發(fā)明實施例一的景深避障方法的流程示意圖；

圖2是圖1中步驟s3的詳細流程示意圖；

圖3是本發(fā)明攝像裝置采用雙目攝像頭時，計算場景深度的幾何模型示意圖；

圖4是本發(fā)明實施例二的無人飛行器的景深避障設(shè)備的結(jié)構(gòu)示意圖；

圖5是圖4中遮擋點檢測模塊的具體結(jié)構(gòu)示意圖；

圖6是本發(fā)明實施例三的無人飛行器的景深避障設(shè)備的結(jié)構(gòu)示意圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明進行詳細說明。需要說明的是，如果不沖突，本發(fā)明實施例以及實施例中的各個特征可以相互結(jié)合，均在本發(fā)明的保護范圍之內(nèi)。

實施例一

如圖1所示，本發(fā)明提供一種景深避障方法，所述景深避障方法主要包括以下步驟：

s1控制攝像裝置拍攝指定場景獲取第一圖像和第二圖像，所述第一圖像包括多個第一子圖像，所述第二圖像包括多個第二子圖像；

s2計算所述第一子圖像和相對應(yīng)的第二子圖像的匹配相似度，獲取匹配特征點；

s3檢測所述第一子圖像相對于對應(yīng)的所述第二子圖像的遮擋點；

s4對所述第一子圖像的所述遮擋點進行恢復；

s5獲取初始場景深度圖；優(yōu)選地，所述步驟s5具體包括：

s51對于所述初始場景中任意一點的場景深度，利用z=bf/x獲得，其中，b為雙目相機光心之間的物理間距，f為光心到像面的最短距離，所述初始場景中前述點在雙目攝像機兩攝像頭的成像點的視差值為x；

s52待計算所述初始場景中的所有點的場景深度后，獲取所述初始場景深度圖。

在一具體實施例中，如圖3所示，對于上述步驟s5，攝像裝置為雙目攝像機，該雙目攝像機的主光軸相互平行，利用三角關(guān)系求取場景深度圖中某點對應(yīng)的場景深度，也就是場景中的某物體與攝像頭之間的間距。該雙目攝像機模型中，世界坐標系中的任意一點都滿足該點與它在左右相機的成像點在同一個極平面上。ol和or是雙目攝像機的的光心，ol和or之間的物理間距為b。光心到像面的最短距離就是焦距長度f。若p是世界坐標系中的一點，它在左、右像面上的成像點是p2和p1。p1和p2距各自像面的左邊緣的距離是xr和xl。而（xr-xl）為匹配點對p1和p2的視差值。

由相似三角形關(guān)系可得到p對應(yīng)的景深深度z=bf/(xr-xl)。

s6利用高斯分布對所述初始場景深度圖進行深度優(yōu)化，以獲取場景深度圖；這里，具體來說，是對經(jīng)過步驟s5計算得到的初始場景深度圖進行優(yōu)化，這里優(yōu)選采用基于高斯分布的深度優(yōu)化算法，具體算法如下：

s61、假設(shè)所有像素點的深度是符合某個初始的高斯分布；

s62、當新數(shù)據(jù)產(chǎn)生時，即對于某一點新測出的深度值，雖然兩幀圖像就可以解算出深度，本發(fā)明利用多對圖像求解深度，獲得該點的更多深度值數(shù)據(jù)，再通過極線搜索和ncc塊匹配確定投影點位置；

s63、根據(jù)幾何關(guān)系計算三角化后的深度并分析單個像素的不確定性及其所引發(fā)深度信息的不確定性；

s64、將當前觀測融合進上一次對不確定性的估計中。若單個像素的不確定性所引發(fā)深度信息的不確定性小于一定閾值即可以停止計算，否則返回步驟s62。

s7濾除所述場景深度圖的噪聲；

s8依據(jù)濾除噪聲后的場景深度圖，控制所述無人飛行器避開障礙物。

本發(fā)明提供的景深避障方法，在對無人飛行器飛行中的障礙物進行深度測量時，通過濾除遮擋點和濾除噪聲等處理，僅需使用一個攝像裝置就能準確獲得障礙物的距離，不僅芯片運算量小，而且能準確獲得障礙物分布信息。

優(yōu)選地，所述景深避障方法在所述步驟s1之前還包括以下步驟：

s01對所述攝像裝置進行標定，獲取所述攝像裝置的性能參數(shù)；

s02所述攝像裝置包括雙目攝像頭時，對所述攝像裝置進行校正，所述校正包括畸變校正和標準化。

具體來說，首先采用張氏棋盤標定法分別對攝像裝置為雙目攝像機時對每一目攝像機進行標定以獲取雙目攝像機的內(nèi)參和畸變參數(shù)。其中，張氏棋盤標定法的基本過程為：1.打印一張棋盤格，把它貼在一個平面上，作為標定物；2.通過調(diào)整標定物或攝像機的方向，為標定物拍攝一些不同方向的照片；3.從照片中提取角點特征點；4.估算理想無畸變的情況下，五個內(nèi)參和所有外參。5.應(yīng)用最小二乘法估算實際存在徑向畸變下的畸變系數(shù)。6.使用極大似然法進行優(yōu)化估計，提升估計精度。

然后，利用雙目攝像機的內(nèi)參和畸變參數(shù)，再根據(jù)兩個相機的外參，得到兩個相機之間的旋轉(zhuǎn)和平移關(guān)系。之后進入雙目攝像機的校正，雙目攝像機校正的目的是為了使得到的不同視角下兩幀圖像之間只存在x方向的差異（即視差值）。

雙目攝像機校正分為畸變校正和攝像機標準化兩個步驟。首先根據(jù)攝像機標定得到的畸變參數(shù)和內(nèi)參矩陣對原始圖像進行畸變校正，即對圖像做與畸變相反的變換，從而消除畸變，使得兩幀圖像的成像原點坐標一致、兩攝像頭光軸平行、兩幀圖像平面共面；然后將攝像機轉(zhuǎn)換為標準形式，使得同一個物體在兩幅圖像中的大小一樣，且水平在一條直線上。

優(yōu)選地，所述步驟s2具體包括：

s21選取所述第一子圖像的一中心像素點為待匹配點；

s22基于圖像灰度信息獲取與所述第一子圖像相對應(yīng)的第二子圖像，以所述第一子圖像的中心像素點和所述第二子像素的中心像素點作為匹配點對；

s23重復上述步驟s21和步驟s22，直至所述第一圖像的所有第一子圖像與所述第二圖像搜索完成后形成沿著一極線分布的曲線圖；

s24以所述曲線圖中的最大值對應(yīng)的點為中心點，從所述最大值兩側(cè)選取兩個參考點，以這三個點為基準點構(gòu)造二次曲線，并求取二次曲線的極大值點作為最終的匹配點。

具體來說，本發(fā)明采用去均值的ncc塊匹配算法，是一種基于圖像灰度信息的匹配方法，根據(jù)下面的公司計算兩個小塊的相似度，從而獲取匹配點。

其中，f1(x,y)是在第一圖像的第一子圖像（窗口）中，以第一子圖像左上角為原點，坐標(x,y)處的灰度值，f2(x,y)是第二圖像的第二子圖像中，以第二子圖像（窗口）左上角為原點，坐標(x,y)點的灰度值。表示的是第一圖像中窗口的均值，表示的是第二圖像中窗口的均值?；ハ嚓P(guān)系數(shù)c接近0表示兩個窗口不相似，而接近1表示兩個窗口相似，此時窗口中兩個中心點是匹配點對。

本發(fā)明采用的搜索方法是以圖像一中的某個像素點為待匹配點，在對應(yīng)的極線上不停的搜索窗口并計算ncc，進而得到一個沿著極線分布的ncc曲線圖，但是這種ncc曲線并非連續(xù)曲線，因此所獲取的匹配點所對應(yīng)的ncc值并不一定是最大值。

本發(fā)明采取子像素插值方法求解精確的匹配點來解決這一問題，且該匹配點一般為子像素精度。該子像素插值方法的基本思路為：以ncc曲線最大值對應(yīng)的點為中心點，分別從其左、右兩個方向選取兩個坐標點，以這三個點為基準點構(gòu)造二次曲線，并求取二次曲線的極大值點作為最終的匹配點。

如圖2所示，在一個具體實施例中，所述步驟s3具體包括：

s31獲取所述第一子圖像中各像素點的視差值；

s32獲取所述第二子圖像中各像素點的視差值；

s33判斷所述第一子圖像中各像素點的視差值與所述第二子圖像中相對應(yīng)的像素點的視差值差值是否大于預設(shè)閾值；

s34若所述第一子圖像中的第一像素點的視差值與所述第二子圖像中對應(yīng)像素點的視差值的差值大于所述預設(shè)閾值，則判定所述第一像素點為所述遮擋點。

具體連說，由于雙目攝像機視場不同的原因，必然會導致一些場景會出現(xiàn)在一幅圖像中，而在另外一幅圖像中看不到。lrc算法主要用于處理雙目視覺中出現(xiàn)的遮擋檢測（occlusiondetection）問題，得到對應(yīng)的遮擋圖像。lrc算法檢測模塊的基本思路為：根據(jù)得到的左右兩幅視差圖，對于左圖中的點p1，其求取視差值為d1,那么其在右圖中對應(yīng)的像素點為（p1-d1）(經(jīng)過極線校正后兩者縱軸像素坐標相同）,而此時右圖中點（p1-d1）所對應(yīng)的視差值為d2。若d1與d2的差的絕對值大于一個特定數(shù)值，則點p1標記為遮擋點。該特定數(shù)值是根據(jù)實際圖像調(diào)整的，且與圖像大小和相機視差角都有關(guān)系，但實際中一般這個值為自定義，小于兩個像素即可。對于一個遮擋點p，分別水平往左和往右找到第一個非遮擋點，記作pl、pr。點p的視差值賦成pl和pr的視差值中較小的那一個，即d(p)=min(d(pl),d(pr))，這樣就可以對遮擋點進行修正。

進一步地，所述步驟s7具體包括：采用（2n+1）×（2n+1）的中值濾波器對所述場景深度圖進行濾波，去除噪聲，其中n為正整數(shù)。在一個具體實施例中，本發(fā)明采用7×7的中值濾波器對場景深度圖進行濾波，去除因為噪聲或者弱紋理匹配失敗的雜點，這些統(tǒng)稱為噪聲。該濾波器的基本思想為以某一個點為中心，選取7×7的區(qū)域上的49個點，求解這49個點的中值并賦值給這個中心點的值。當然還可以是5×5或者9×9的中值濾波器，這里不作限定。

實施例二

如圖4和圖5所示，本發(fā)明還提供一種景深避障設(shè)備，所述景深避障設(shè)備包括：

拍攝模塊10，用于控制攝像裝置拍攝指定場景獲取第一圖像和第二圖像，所述第一圖像包括多個第一子圖像，所述第二圖像包括多個第二子圖像；

計算模塊20，用于計算所述第一子圖像和相對應(yīng)的第二子圖像的匹配相似度，獲取匹配特征點；

遮擋點檢測模塊30，用于檢測所述第一子圖像相對于對應(yīng)的所述第二子圖像的遮擋點；

遮擋點恢復模塊40，用于對所述第一子圖像的所述遮擋點進行恢復為非遮擋點；

初始場景深度圖獲取模塊50，用于獲取初始場景深度圖；

優(yōu)化模塊60，用于利用高斯分布對所述初始場景深度圖進行深度優(yōu)化，以獲取場景深度圖；

噪聲濾除模塊70，用于濾除所述場景深度圖的噪聲；

避障控制模塊80，用于依據(jù)濾除噪聲后的場景深度圖，控制所述無人飛行器避開障礙物。

本發(fā)明提供的景深避障設(shè)備，在對無人飛行器飛行中的障礙物進行深度測量時，通過濾除遮擋點和濾除噪聲等處理，僅需使用一個攝像裝置就能準確獲得障礙物的距離，不僅芯片運算量小，而且能準確獲得障礙物分布信息。

此外，本發(fā)明還提供一種具有上述景深避障設(shè)備的無人飛行器，該無人飛行器具有芯片運算量小以及能準確避障的優(yōu)點。

優(yōu)選地，所述遮擋點檢測模塊30具體包括:

第一視差值獲取單元31，用于獲取所述第一子圖像中各像素點的視差值；

第二視差值獲取單元32，用于獲取所述第二子圖像中各像素點的視差值；

差值判斷單元33，用于判斷所述第一子圖像中各像素點的視差值與所述第二子圖像中相對應(yīng)的像素點的視差值差值是否大于預設(shè)閾值；

遮擋點確定單元34，用于在所述第一子圖像中的第一像素點的視差值與所述第二子圖像中對應(yīng)像素點的視差值的差值大于所述預設(shè)閾值時，則判定所述第一像素點為所述遮擋點。

實施例三

如圖6所示，本發(fā)明還提供一種景深避障設(shè)備，所述景深避障設(shè)備包括處理器100和攝像裝置200以及存儲器300。所述處理器100控制所述景深避障設(shè)備，所述存儲器300存儲一段可被所述處理器執(zhí)行的程序指令，所述攝像裝置200拍攝指定場景生成圖像，其中，所述處理器100調(diào)用所述存儲器300存儲的程序指令以執(zhí)行以下步驟：

s1控制攝像裝置拍攝指定場景獲取第一圖像和第二圖像，所述第一圖像包括多個第一子圖像，所述第二圖像包括多個第二子圖像；

s2計算所述第一子圖像和相對應(yīng)的第二子圖像的匹配相似度，獲取匹配特征點；

s3檢測所述第一子圖像相對于對應(yīng)的所述第二子圖像的遮擋點；

s4對所述第一子圖像的所述遮擋點進行恢復；

s5獲取初始場景深度圖；

s6利用高斯分布對所述初始場景深度圖進行深度優(yōu)化，以獲取場景深度圖；

s7濾除所述場景深度圖的噪聲；

s8依據(jù)濾除噪聲后的場景深度圖，控制所述無人飛行器避開障礙物。

本發(fā)明提供的景深避障設(shè)備，在對無人飛行器飛行中的障礙物進行深度測量時，通過濾除遮擋點和濾除噪聲等處理，僅需使用一個攝像裝置就能準確獲得障礙物的距離，不僅芯片運算量小，而且能準確獲得障礙物分布信息。

此外，本發(fā)明還提供一種具有上述景深避障設(shè)備的無人飛行器，該無人飛行器具有芯片運算量小以及能準確避障的優(yōu)點。

還有，本發(fā)明的景深避障方法、設(shè)備以及無人飛行器在采用雙目攝像機時，獲取到準確的場景深度圖的前提下，還可以構(gòu)建出障礙物的三維圖像，便于更清楚地分辨出障礙物的形狀，有助于更好地規(guī)避障礙物。

以上對本發(fā)明所提供的一種景深避障方法、設(shè)備及無人飛行器，進行了詳細介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容僅為本發(fā)明的實施方式，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。不應(yīng)理解為對本發(fā)明的限制。