本發(fā)明涉及計(jì)算機(jī)
技術(shù)領(lǐng)域：
，尤其涉及一種語義標(biāo)簽引導(dǎo)的視頻對象分割方法。
背景技術(shù)：
：視頻對象分割是將給定語義類別的對象區(qū)域從視頻中檢測并分割出來的一種技術(shù)，是計(jì)算機(jī)視覺與多媒體分析領(lǐng)域的基礎(chǔ)技術(shù)，在目標(biāo)檢索、視頻編輯、基于視頻的三維建模等應(yīng)用方面發(fā)揮了重要的作用。弱標(biāo)注視頻對象分割方法是指用戶僅標(biāo)注該視頻中對象的語義類別，由算法檢測并分割出屬于用戶指定類別對象的一種方法。鑒于大多數(shù)互聯(lián)網(wǎng)視頻通常具有用戶標(biāo)記、與內(nèi)容相關(guān)的語義標(biāo)簽，因此，弱標(biāo)注視頻對象分割方法對于分析處理日益增長的網(wǎng)絡(luò)視頻數(shù)據(jù)具有重要的應(yīng)用價(jià)值。由于弱標(biāo)注視頻對象的特點(diǎn)是僅了解輸入視頻中存在屬于指定語義類別的對象，但其具體的位置信息仍然未知。目前，主要采用基于弱監(jiān)督學(xué)習(xí)的視覺模型進(jìn)行求解，具體為：首先，收集正樣本視頻與負(fù)樣本視頻，其中，正樣本視頻由包含指定語義類別的視頻集合組成，負(fù)樣本視頻由不包含指定語義類別的視頻集合組成；其次，將每個(gè)視頻分割為時(shí)空分割塊，并根據(jù)正負(fù)樣本視頻的關(guān)聯(lián)求解每個(gè)時(shí)空分割塊的語義類別；最后，采用多圖優(yōu)化模型對所有的正負(fù)樣本視頻進(jìn)行共分割，得到輸入視頻中屬于指定語義類別對象的分割結(jié)果。雖然上述基于弱監(jiān)督學(xué)習(xí)的視頻對象分割方法在某些情況下能夠有效地解決弱標(biāo)注條件下視頻對象的分割問題，但是，弱批注條件下的視頻中缺乏指定語義類別對象的位置信息，使得正負(fù)樣本視頻的分類不準(zhǔn)確，因而在分割的過程中極有可能出現(xiàn)錯(cuò)誤的視頻分割結(jié)果，另外，這種分類方法需要多個(gè)視頻作為輸入進(jìn)行分割，無法適用于單個(gè)輸入視頻的語義類別對象分割。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了一種語義標(biāo)簽引導(dǎo)的視頻對象分割方法，借助于對象包圍盒檢測器和對象輪廓檢測器輔助給定語義類別對象的視頻分割，解決了現(xiàn)有視頻對象分割方法不精確以及無法適用于單個(gè)輸入視頻的語義類別對象分割的問題。本發(fā)明提供的一種語義標(biāo)簽引導(dǎo)的視頻對象分割方法，包括：根據(jù)對象所屬的語義類別標(biāo)簽，依次利用對象包圍盒檢測器和對象輪廓檢測器對輸入視頻的每一幀進(jìn)行檢測，得到所述輸入視頻每一幀的候選對象包圍盒集合和候選對象輪廓集合；建立包含所述候選對象包圍盒集合與所述候選對象輪廓集合的聯(lián)合分配模型，求出所述輸入視頻中所述對象對應(yīng)的初始分割序列，所述初始分割序列為至少一個(gè)包含所述對象的序列；對所述初始分割序列進(jìn)行處理，估算出所述輸入視頻中所述對象的形狀概率分布；結(jié)合所述對象的形狀概率分布，依次利用圖割算法對每一個(gè)包含所述對象的序列進(jìn)行優(yōu)化處理，得到所述輸入視頻中所述對象對應(yīng)的最優(yōu)分割序列。本發(fā)明提供的一種語義標(biāo)簽引導(dǎo)的視頻對象分割方法，通過應(yīng)用對象包圍盒檢測器和對象輪廓檢測器來輔助輸入視頻中給定語義類別對象的分割，從而避免了弱監(jiān)督學(xué)習(xí)條件下產(chǎn)生的樣本視頻分類模糊性的問題，進(jìn)一步的，本發(fā)明提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法能夠應(yīng)用于單個(gè)輸入視頻的給定語義類別對象分割，而無需同時(shí)處理多個(gè)視頻，具有更強(qiáng)的適用性。附圖說明為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例一的流程圖；圖2為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例二的流程圖；圖3為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例三的流程圖；圖4為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例四的流程圖；圖5為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例五的流程圖。具體實(shí)施方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。視頻對象分割是將給定語義類別的對象區(qū)域從視頻中檢測并分割出來的一種技術(shù)，是計(jì)算機(jī)視覺與多媒體分析領(lǐng)域的基礎(chǔ)技術(shù)，其在目標(biāo)檢索、視頻編輯、基于視頻的三維建模等應(yīng)用方面都發(fā)揮了重要的作用。目前，根據(jù)用戶輸入條件的不同，現(xiàn)有的視頻對象語義分割方法主要分為三大類：無標(biāo)注視頻對象分割方法、強(qiáng)標(biāo)注視頻對象分割方法和弱批注視頻對象分割方法。其中，無標(biāo)注視頻對象分割方法：無需用戶交互，算法可自動(dòng)地將語義對象從視頻中分割出來的一種視頻對象分割方法；強(qiáng)標(biāo)注視頻對象分割方法：用戶需要在輸入視頻的若干關(guān)鍵幀上手動(dòng)分割出對象，算法將分割結(jié)果傳播至其余幀上，以此將語義對象從輸入視頻中分割出來的一種視頻對象分割方法；弱標(biāo)注視頻對象分割方法：用戶僅標(biāo)注輸入視頻中對象所屬的語義類別，算法檢測并將指定語義類別的對象從輸入視頻中分割出來的一種視頻對象分割方法。鑒于大多數(shù)互聯(lián)網(wǎng)視頻通常具有用戶標(biāo)記、與內(nèi)容相關(guān)的語義標(biāo)簽，因此，弱標(biāo)注條件下的視頻對象分割對于分析處理日益增長的網(wǎng)絡(luò)視頻數(shù)據(jù)具有重要的應(yīng)用價(jià)值。由于視頻對象在弱標(biāo)注條件下，僅知道輸入視頻中存在屬于指定語義類別的對象，而該對象的位置信息卻仍然未知。為解決該問題，相關(guān)研究領(lǐng)域主要采用基于弱監(jiān)督學(xué)習(xí)的視覺模型進(jìn)行求解，具體為：在弱監(jiān)督學(xué)習(xí)框架下，首先收集正樣本視頻與負(fù)樣本視頻，其中，正樣本視頻由包含指定語義類別的視頻集合組成，負(fù)樣本視頻由不含指定語義類別的視頻集合組成；其次，將每個(gè)視頻分割為時(shí)空分割塊(Spatio-temporalSegment)，并根據(jù)正負(fù)樣本的關(guān)聯(lián)求解每個(gè)分割塊的語義類別；舉例來說，Hartmann分別采用線性 支撐向量機(jī)(LinearSVM)與多示例Boosting(MI-Boosting)方法學(xué)習(xí)基于分割塊的分類器，并在輸入視頻中檢測給定語義類別的對象區(qū)域；Tang等人采用負(fù)樣本挖掘方法，將正樣本視頻的每個(gè)分割塊與負(fù)樣本視頻的所有分割塊對比，根據(jù)正負(fù)樣本視頻的近鄰關(guān)系為所有正樣本視頻的每個(gè)分割塊打分，并判定分?jǐn)?shù)較高的分割塊屬于指定的語義類別；Xiao等人提出采用弱監(jiān)督哈希算法學(xué)習(xí)正樣本視頻與負(fù)樣本視頻之間的距離度量，并使用K近鄰分類方法給出視頻分割塊屬于給定語義類別的概率；最后，采用多圖優(yōu)化模型對所有的正負(fù)樣本視頻進(jìn)行共分割，得到該輸入視頻中屬于指定語義類別對象的分割結(jié)果。雖然上述基于弱監(jiān)督學(xué)習(xí)的視頻對象分割方法在某些情況下能夠有效地解決弱標(biāo)注條件下視頻對象的分割問題，但是其仍然存在下述兩點(diǎn)不足。首先，由于弱批注條件下的輸入視頻中缺乏指定語義類別對象的位置信息，因此只通過比較分割塊的外觀來猜測樣本分割塊所屬的類別，使得樣本分割塊的分類往往不準(zhǔn)確(例如，兩個(gè)外觀相似的分割塊既可能屬于同一語義類別，也可能屬于不同類別)，從而使得正負(fù)樣本視頻的分類不準(zhǔn)確。這種樣本分類模糊性極有可能導(dǎo)致視頻對象分割結(jié)果出現(xiàn)錯(cuò)誤。其次，基于弱監(jiān)督學(xué)習(xí)的視頻對象分割方法通常需要多個(gè)視頻作為輸入進(jìn)行分割，因此無法適用于單個(gè)視頻作為輸入的語義類別對象分割。鑒于對象檢測器在圖像語義分割方面已經(jīng)有了較多成功的應(yīng)用案例，例如，Xia等人應(yīng)用對象檢測器，實(shí)現(xiàn)了一種高效的圖像語義分割方法，無需復(fù)雜的訓(xùn)練過程以及逐像素精確標(biāo)注的圖像訓(xùn)練集。所以，針對具有語義類別標(biāo)簽的輸入視頻，為了解決現(xiàn)有基于弱監(jiān)督學(xué)習(xí)的視頻對象分割方法存在的上述問題，本發(fā)明提出了一種語義標(biāo)簽引導(dǎo)的視頻對象分割方法，該方法首先應(yīng)用給定語義類別對應(yīng)的對象檢測器估計(jì)視頻對象的粗略位置，并在此基礎(chǔ)上完成對所屬語義類別對象的分割過程。圖1為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例一的流程圖。如圖1所示，本發(fā)明實(shí)施例一提出的一種語義標(biāo)簽引導(dǎo)的視頻對象分割方法，包括：步驟101：根據(jù)對象所屬的語義類別標(biāo)簽，依次利用對象包圍盒檢測器和對象輪廓檢測器對輸入視頻的每一幀進(jìn)行檢測，得到該輸入視頻每一幀的 候選對象包圍盒集合和候選對象輪廓集合；由于輸入視頻中可能存在多個(gè)屬于不同語義類別標(biāo)簽的對象，并且，弱批注條件下僅知道輸入視頻中存在指定語義類別標(biāo)簽的對象，但是該對象的位置信息卻還是未知數(shù)，因此，本發(fā)明首先利用對象檢測器估計(jì)出指定語義類別對象的大體位置，也即，首先利用對象包圍盒檢測器對輸入視頻的每一幀進(jìn)行檢測，得到輸入視頻每一幀的候選對象包圍盒集合，再在候選對象包圍盒集合的基礎(chǔ)上利用對象輪廓檢測器對輸入視頻的每一幀進(jìn)行檢測，得到每一視頻幀的候選對象輪廓集合。步驟102：建立包含候選對象包圍盒集合與候選對象輪廓集合的聯(lián)合分配模型，求出該輸入視頻中所述對象對應(yīng)的初始分割序列；其中，該初始分割序列為至少一個(gè)包含所述對象的序列。由于現(xiàn)有的對象檢測器(對象包圍盒檢測器和對象輪廓檢測器)均是在靜態(tài)圖像數(shù)據(jù)集上訓(xùn)練得到的，因此，直接將其應(yīng)用于視頻幀時(shí)，視頻的編碼壓縮、對象遮擋、相機(jī)移動(dòng)等因素都會(huì)導(dǎo)致檢測得到的候選對象包圍盒集合與候選輪廓集合雜亂和不精確。為此，本發(fā)明通過構(gòu)建一種包含候選對象包圍盒集合與候選對象輪廓集合的聯(lián)合分配模型，從雜亂的候選對象包圍盒集合和候選對象輪廓集合中，選取有效的候選對象包圍盒集合和候選對象輪廓集合構(gòu)成該輸入視頻中給定語義類別標(biāo)簽對象對應(yīng)的序列，作為該對象對應(yīng)的初始分割序列。步驟103：對上述初始分割序列進(jìn)行處理，估算出該輸入視頻中所述對象的形狀概率分布；針對上述初始分割序列，本發(fā)明實(shí)施例提出了一種時(shí)空一致性保持的對象形狀概率分布估計(jì)方法，該方法通過分析與上述初始分割序列重疊的若干候選分割序列的統(tǒng)計(jì)信息，估計(jì)出該輸入視頻中給定語義類別對象的形狀概率分布。步驟104：結(jié)合上述對象的形狀概率分布，依次利用圖割算法對每一個(gè)包含所述對象的序列進(jìn)行優(yōu)化處理，得到該輸入視頻中所述對象對應(yīng)的最優(yōu)分割序列。結(jié)合步驟103中求出的給定語義類別對象的形狀概率分布，依次利用圖割算法對初始分割序列中的每一個(gè)包含所述對象的序列進(jìn)行優(yōu)化，最終得到 該輸入視頻中所述對象對應(yīng)的最優(yōu)分割序列。本發(fā)明實(shí)施例提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，通過應(yīng)用對象包圍盒檢測器和對象輪廓檢測器來輔助輸入視頻中給定語義類別對象的分割，從而避免了弱監(jiān)督學(xué)習(xí)條件下產(chǎn)生的樣本視頻分類模糊性的問題，進(jìn)一步的，本實(shí)施例提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法能夠應(yīng)用于單個(gè)輸入視頻的給定語義類別對象分割，而無需同時(shí)處理多個(gè)視頻，具有更強(qiáng)的適用性。圖2為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例二的流程圖。本發(fā)明實(shí)施例二是在實(shí)施例一技術(shù)方案的基礎(chǔ)上，對上述步驟101的進(jìn)一步闡述。如圖2所示，本發(fā)明實(shí)施例二提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，步驟101的具體實(shí)現(xiàn)包括如下步驟：步驟201：根據(jù)對象所屬的語義類別標(biāo)簽，利用對象包圍盒檢測器在至少兩個(gè)閾值上對輸入視頻的每一幀進(jìn)行檢測，計(jì)算出上述至少兩個(gè)閾值對應(yīng)檢測結(jié)果的綜合性能值，從該綜合性能值中選出最大綜合性能值對應(yīng)的閾值作為對象包圍盒檢測器的最優(yōu)閾值；由于在弱批注條件下，用戶在輸入視頻每一幀的訓(xùn)練集上都手工批注了給定對象的語義類別標(biāo)簽，因此，利用對象包圍盒檢測器在不同的閾值上對輸入視頻的每一幀進(jìn)行檢測時(shí)，可以得到不同大小的綜合性能值，選取最大綜合性能值對應(yīng)的閾值作為對象包圍盒的最優(yōu)閾值。值得說明的是，綜合性能值可以是檢測到的F-Score值，F(xiàn)-Score又稱F-Measure，是IR(信息檢索)領(lǐng)域常用的一個(gè)評價(jià)標(biāo)準(zhǔn)，F(xiàn)-Score越大表示綜合標(biāo)準(zhǔn)越好。因此，可以將F-Score最大時(shí)對應(yīng)的閾值作為該對象包圍盒檢測器的最優(yōu)閾值。步驟202：根據(jù)該對象所屬的語義類別標(biāo)簽，利用上述對象包圍盒檢測器在最優(yōu)閾值上對輸入視頻的每一幀進(jìn)行檢測，得到該輸入視頻每一幀的對象包圍盒集合，該輸入視頻每一幀的對象包圍盒集合和該幀空包圍盒集合的并集為輸入視頻該幀的候選對象包圍盒集合；舉例來說，假如利用對象包圍盒檢測器對輸入視頻的第t幀進(jìn)行檢測，可以得到第t幀的對象包圍盒集合，記為第t幀的候選對象包圍盒集合Dt包含以及空包圍盒Dφ，記為：Dt＝Dt+∪{Dφ}。其中，空包圍盒Dφ用于表示所 述對象的理想包圍盒區(qū)域。值得說明的是，空包圍盒存在的意義為：當(dāng)對象包圍盒檢測器在某幀上檢測失敗時(shí)，所得到的對象包圍盒集合將無法定位到該輸入視頻的對象上，若不引入空包圍盒集合(即理想的對象包圍盒區(qū)域)，在后續(xù)處理中該幀上的對象將無法被正確分割，也即，如果所有的對象包圍盒集合都無法正確定位到輸入視頻的對象，那么，后續(xù)建立包含候選對象包圍盒集合與候選對象輪廓集合的聯(lián)合分配模型時(shí)，求解所述對象對應(yīng)的初始分割序列的算法只能選擇一個(gè)錯(cuò)誤的，而這個(gè)選擇也會(huì)使初始分割序列的選擇不準(zhǔn)確。然而，有了空包圍盒集合的假設(shè)后就可以一定程度上解決上述問題，當(dāng)所有的對象包圍盒集合都無法正確定位到輸入視頻的對象時(shí)，求解所述對象對應(yīng)的初始分割序列的算法可以首先選擇空包圍盒集合，然后再選擇一個(gè)較好的初始分割序列。值得說明的是，后續(xù)建立的包含候選對象包圍盒集合與候選對象輪廓集合的聯(lián)合分配模型，將對象包圍盒集合與初始分割序列聯(lián)合在一起，且對象包圍盒集合與初始分割序列之間的分配是互相依賴的。步驟203：根據(jù)該輸入視頻每一幀的候選對象包圍盒集合，利用基于參數(shù)約束最小割的對象輪廓檢測器對該輸入視頻的每一幀進(jìn)行檢測，得到該輸入視頻每一幀的候選對象輪廓集合。具體的，在獲知該輸入視頻第t幀的候選對象包圍盒集合后，在上述候選對象包圍盒集合的基礎(chǔ)上，繼續(xù)采用基于參數(shù)約束最小割(ConstrainedParametricMin-Cuts，簡稱CPMC)的對象輪廓檢測器對輸入視頻的第t幀進(jìn)行檢測，得到第t幀的候選對象輪廓集合，記為St。利用對象輪廓檢測器對輸入視頻的每一幀檢測之前，需要選取該對象輪廓檢測器的種子點(diǎn)，種子點(diǎn)表示該對象輪廓檢測器需要檢測的最優(yōu)像素區(qū)域。為了提高對象輪廓檢測器的檢測精度，按照如下方式添加額外的前景種子點(diǎn)，具體為：采用不同較低閾值的對象包圍盒檢測器對輸入視頻的第t幀進(jìn)行檢測，得到一系列的候選對象包圍盒，并計(jì)算每個(gè)對象像素被候選對象包圍盒覆蓋的次數(shù)，獲得檢測結(jié)果的熱度圖，也即，獲得每個(gè)對象像素被候選對象包圍盒覆蓋的像素區(qū)域；選取熱度圖的局部極大值點(diǎn)作為額外的前景種子點(diǎn)，也即，熱度圖的局部極大值點(diǎn)為需要檢測的最優(yōu)像素區(qū)域。本發(fā)明實(shí)施例二提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，通過選擇對象包圍盒檢測器的最優(yōu)閾值，使得對象包圍盒檢測器在最優(yōu)閾值上對輸入視頻的每一幀進(jìn)行檢測來獲得輸入視頻每一幀的對象包圍盒集合，進(jìn)而利用基于參數(shù)約束最小割的對象輪廓檢測器對輸入視頻的每一幀進(jìn)行檢測來獲得輸入視頻每一幀的候選對象輪廓集合，粗略確定了給定語義類別對象的位置，提高了后續(xù)視頻對象分割的精度。圖3為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例三的流程圖。本發(fā)明實(shí)施例三是在上述實(shí)施例一技術(shù)方案的基礎(chǔ)上，對上述步驟102的進(jìn)一步闡述。如圖3所示，本發(fā)明實(shí)施例三提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，步驟102，也即，建立包含候選對象包圍盒集合與候選對象輪廓集合的聯(lián)合分配模型，求出該輸入視頻中所述對象對應(yīng)的初始分割序列，具體包括：步驟301：通過分別設(shè)定表示候選對象包圍盒集合和候選對象輪廓集合分配的0-1變量集合，建立優(yōu)化目標(biāo)為所述對象對應(yīng)的初始分割序列的第一優(yōu)化目標(biāo)函數(shù)式；形式化地，設(shè)定表示候選對象包圍盒集合的集合其中，Dt表示輸入視頻第t幀的候選對象包圍盒集合，取值為1表示包圍盒D被分配給第k個(gè)序列，取值為0表示包圍盒D沒有被分配給第k個(gè)序列；同理，設(shè)定表示候選對象輪廓集合的集合其中，St表示輸入視頻第t幀的候選對象輪廓集合，取值為1表示輪廓S被分配給第k個(gè)序列，取值為0表示輪廓S沒有被分配給第k個(gè)序列。以上述集合A和集合B為變量，建立優(yōu)化目標(biāo)為所述對象對應(yīng)的初始分割序列的第一優(yōu)化目標(biāo)函數(shù)式，具體為公式(1)，約束條件為公式(2)；minA,B{L(A,B)+λ1Ω1(A,B)+λ2Ω2(B)}---(1)]]>{aDk,bSk∈{0,1},∀k,t,D∈Dt,S∈StΣD∈DtaDk=ΣS∈StbSk≤1,∀k,tΣkaDk≤1,ΣkbSk≤1,∀t,D∈Dt,S∈St(ΣD∈Dt-maDk)(1-ΣD∈DtaDk)(ΣD∈Dt+naDk)=0,∀k,t,m,nΣtΣD∈DtaDk=ΣtΣS∈StbSk≥1,∀k,t---(2)]]>其中，L(A,B)為損失函數(shù)，表示選取的候選對象包圍盒集合Dt和候選對象輪廓集合St的置信度；Ω1(A,B)為懲罰項(xiàng)，表示輸入視頻在相鄰的第t幀和第t+1幀上選取的候選對象包圍盒集合Dt和Dt+1、候選對象輪廓集合St和St+1的時(shí)域平滑性；Ω2(B)為懲罰項(xiàng)，表示在不同序列之間選擇的候選對象輪廓集合的重疊度；λ1為懲罰項(xiàng)Ω1(A,B)的參數(shù)，λ2為懲罰項(xiàng)Ω2(B)的參數(shù)。理論上，可以根據(jù)精度的要求來確定參數(shù)λ1和λ2的取值大小，可選的，在發(fā)明的實(shí)施例中，參數(shù)λ1和λ2的取值分別為λ1＝10，λ2＝1000。進(jìn)一步地，下面分別介紹上述約束條件分別具有的約束作用：約束條件用于限定集合A的變量和集合B的變量的取值范圍；約束條件用于限定每個(gè)序列在該輸入視頻的每一幀上至多選擇一個(gè)包圍盒或者輪廓；約束條件用于限定每個(gè)包圍盒或者輪廓至多被分配給1個(gè)序列；約束條件(ΣD∈Dt-maDk)(1-ΣD∈DtaDk)(ΣD∈Dt+naDk)=0,∀k,t,m,n,]]>用于限定序列的連續(xù)性，要求序列必須在連續(xù)的視頻幀上選取包圍盒與輪廓；約束條件用于限定每個(gè)序列在該輸入視頻中至少選取一個(gè)包圍盒與一個(gè)輪廓。具體的，表示選取候選對象包圍盒集合Dt和候選對象輪廓集合St置信度的損失函數(shù)L(A,B)，其中，置信度的取值范圍在0到1之間，目前尚沒有一個(gè)閾值可以用來定義置信度，所以，只能使算法在一定的約束條件下盡可能的選取較大的置信度。一般情況下，損失函數(shù)L(A,B)具體的表達(dá)式用公式(3)來表示：L(A,B)=-Σt,kΣD∈DtΣS∈Stξ(D,S)aDkbSk---(3)]]>其中，ξ(D,S)的表達(dá)式為公式(4)：ξ(D,S)=π(D,S)log(r(D)o(S)1-r(D)o(S)),ifD≠Dφ0,otherwise---(4)]]>其中，公式(4)中的表示區(qū)域R1和區(qū)域R2面積的重疊率(即，區(qū)域R1和區(qū)域R2的相交面積與其相并面積的比)，o(S)表示對象輪廓檢測器檢測出的輪廓S的“對象性”(Objectness)得分，r(D)表示對象包圍盒檢測器檢測出的包圍盒D的置信度得分；r(D)的計(jì)算方式為公式(5)：r(D)=11+exp(-11.5λd(r^(D)-γ))---(5)]]>在公式(5)中，為對象包圍盒檢測器給定的對象包圍盒D的置信度得分，γ為對象包圍盒檢測器的最優(yōu)閾值，λd為所有對象包圍盒得分?jǐn)?shù)值的平均值。Ω1(A,B)為懲罰項(xiàng)，用于表示輸入視頻在相鄰的第t幀和第t+1幀上選取的候選對象包圍盒集合Dt和Dt+1、候選對象輪廓集合St和St+1的時(shí)域平滑性，形式化表達(dá)式為公式(6)：Ω1(A,B)=Σt,kΣD∈DtS∈StΣD0∈Dt+1S0∈St+1η(D,S,D0,S0)aDkbSkaD0kbS0k---(6)]]>其中，η(D,S,D0,S0)的具體表達(dá)式為公式(7)：η(D,S,D0,S0)=χ2f(f(S),f(S0))1+π(D‾,D0)π(S‾,S0)---(7)]]>具體的，f(S)為表征輪廓S外觀的特征向量，可以采用Hue顏色直方圖與64維紋理基元直方圖(textonhistogram)的連接形式表示，χ2表示Hue顏色直方圖與64維紋理基元直方圖的Chi-Square距離。D與S分別表示D和S經(jīng)過光流匹配算法處理后，從第t幀投影到第t+1幀上的區(qū)域，包圍盒D0包含于第t+1幀的候選對象包圍盒集合Dt+1，輪廓S0包含于第t+1幀的候選對象輪廓集合St+1。懲罰項(xiàng)Ω2(B)則表示在不同序列之間選擇的候選對象輪廓集合的重疊度，具體用公式(8)表示：Ω2(B)=Σt,kΣk≠k0ΣS,S0∈StbSkbS0k0π(S,S0)---(8)]]>計(jì)算懲罰項(xiàng)Ω2(B)時(shí)，輪廓S和輪廓S0都包含于第t幀的候選對象輪廓集合St。步驟302：通過將候選對象包圍盒集合與候選對象輪廓集合的組合用網(wǎng)絡(luò)流節(jié)點(diǎn)表示，將求解所述對象對應(yīng)的初始分割序列的問題轉(zhuǎn)化為求解網(wǎng)絡(luò)流最小成本最大流的問題；由于上述所構(gòu)建的包含候選對象包圍盒集合與候選對象輪廓集合的聯(lián)合分配模型包含了成千上萬個(gè)二元變量和復(fù)雜的不等式約束，因此難以使用常見的優(yōu)化方法求解，所以，本發(fā)明實(shí)施例通過將候選對象包圍盒集合與候選對象輪廓集合的組合用網(wǎng)絡(luò)流節(jié)點(diǎn)表示，將求解對象對應(yīng)的初始分割序列的問題轉(zhuǎn)化為了求解網(wǎng)絡(luò)流最小成本最大流的問題。具體的，利用輔助變量δx(D,S)表示表示因此，可將第一優(yōu)化目標(biāo)函數(shù)式等價(jià)為第二優(yōu)化目標(biāo)函數(shù)式minδx,δy,K{-ξTδx+λ1ηTδy+λ2δxTΠδx};]]>其中，ξ,η,δx,δy均為列向量，分別用于記錄與所有包圍盒和輪廓相關(guān)的變量；矩陣∏用于記錄輪廓之間的重疊區(qū)域；輔助變量δx(D,S)用于表示組合(D,S)所表示節(jié)點(diǎn)的激活狀態(tài)，輔助變量δy(D,D0,S,S0)用于表示組合(D,S)連接組合(D0,S0)所表示節(jié)點(diǎn)的邊的激活狀態(tài)，D0∈Dt+1表示包圍盒集合D0包含于輸入視頻第t+1幀的候選對象包圍盒集合Dt+1，S0∈St+1表示輪廓集合S0屬于輸入視頻第t+1幀的候選對象包圍盒集合St+1；因此，表示為優(yōu)化目標(biāo)為最小成本最大流的第二優(yōu)化目標(biāo)函數(shù)式。步驟303：采用最小成本最大流算法，求出滿足上述網(wǎng)絡(luò)流最小成本最大流問題的Kmax個(gè)初始序列；由于表示網(wǎng)絡(luò)流最小成本最大流問題的第二優(yōu)化目標(biāo)函數(shù)式，包含二次項(xiàng)，無法直接用最小成本最大流算法解出初始分割序列，因此，基于最小成本最大流算法求解上述問題時(shí)，首先忽略掉二次項(xiàng)，第二優(yōu)化目標(biāo)函數(shù)式簡化為minδx,δy,K{-ξTδx+λ1ηTδy}.]]>因此，利用最小成本最大流算法求解滿足該網(wǎng)絡(luò)流最小成本最大流問題的Kmax個(gè)初始序列的過程為：首先，利用最小成本最大流算法求解該網(wǎng)絡(luò)流，取得一個(gè)序列；其次，將該序列選取的包圍盒與輪廓(及其相關(guān)的邊)從原網(wǎng)絡(luò)流中剔除，得到更新后的網(wǎng)絡(luò)流。重復(fù)這一過程，直到新增加的序列觸發(fā)如下兩種情況之一：其一，不滿足優(yōu)化問題的約束條件；其二，增大了優(yōu)化目標(biāo)函數(shù)值。在取得的所有序列中，將長度小于5幀的序列舍棄，得到Kmax個(gè)序列作為網(wǎng)絡(luò)流最小成本最大流問題的初始解。步驟304：對上述Kmax個(gè)初始序列中的前K個(gè)初始序列，分別利用K-最短路徑算法重新選取對象輪廓，得到K個(gè)候選序列集合；假定候選序列的個(gè)數(shù)K已知(1≤K≤Kmax)，針對該前K個(gè)初始序列中的每一個(gè)，維持其選取的候選對象包圍盒不變，采用K-最短路徑(KShortestPath)算法重新選取對象輪廓，獲得由M個(gè)新序列與原K個(gè)初始序列組成的K個(gè)候選序列集合。其中，M可以為任意的正整數(shù)，M取值較大，可能得到分割結(jié)果的較好，在實(shí)驗(yàn)中常將M設(shè)置成M＝100。步驟305：對所述K個(gè)候選序列集合中的每一個(gè)候選序列，采用0-1變量表示每個(gè)候選序列的選擇狀態(tài)，將求解所述網(wǎng)絡(luò)流最小成本最大流的問題轉(zhuǎn)化為0-1二次規(guī)劃問題；從上述K個(gè)候選序列集合的每一個(gè)中分別選取一個(gè)候選序列，并使得新選取的K個(gè)候選序列能夠使原網(wǎng)絡(luò)流的優(yōu)化目標(biāo)最小。令μ∈{0,1}MK表示上述K個(gè)候選序列集合的所有候選序列的選擇狀態(tài)，其中，1表示被選擇，0表示未被選擇，那么，求解網(wǎng)絡(luò)流最小成本最大流的問題轉(zhuǎn)化為了求解0-1二次規(guī)劃問題，用公式(9)表示：minμ(μTs+μTAμ)---(9)]]>其約束條件為Cμ＝1。具體的，列向量s的每個(gè)分量記錄了對應(yīng)序列的損失函數(shù)值與時(shí)域平滑性懲罰函數(shù)值，矩陣A記錄了任意兩個(gè)序列之間的重疊區(qū)域面積總和，約束矩陣C∈{0,1}K×MK限定了每個(gè)候選集合中序列的選擇狀態(tài)變量總和為1。步驟306：利用優(yōu)化器對上述0-1二次規(guī)劃問題進(jìn)行求解，得到所述對象對應(yīng)的初始分割序列。上述二次規(guī)劃問題可以采用常見的優(yōu)化器進(jìn)行求解，常見的優(yōu)化器比如Gurobi優(yōu)化器。針對滿足1≤K≤Kmax的每個(gè)K值，都可以應(yīng)用步驟303來求得對象的候選序列及以所述對象對應(yīng)的初始分割序列為優(yōu)化目標(biāo)的第一優(yōu)化目標(biāo)函數(shù)式的目標(biāo)函數(shù)值。選擇能夠使得目標(biāo)函數(shù)值最小的K*及此時(shí)的序列作為該第一優(yōu)化目標(biāo)函數(shù)式的最終解，并選取最優(yōu)的輪廓序列作為所述對象對應(yīng)的初始分割序列。經(jīng)過上述步驟301至步驟306，可以得到給定語義類別標(biāo)簽所屬對象的初始分割序列，這些初始分割序列，能夠大致定位出該輸入視頻中給定語義類別標(biāo)簽所屬對象的邊緣，為后續(xù)求所述對象對應(yīng)的最優(yōu)分割序列奠定了基礎(chǔ)。本發(fā)明實(shí)施例三提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，通過構(gòu)建包含候選對象包圍盒集合與候選對象輪廓集合的聯(lián)合分配模型，能夠?qū)⒔o定語義類別標(biāo)簽的對象從雜亂的候選對象包圍盒集合和候選輪廓集合中選取出來，并將求解所述對象初始分割序列的問題用第一目標(biāo)函數(shù)式表示出來，通過將求解所述對象對應(yīng)的初始分割序列的問題轉(zhuǎn)化為求解網(wǎng)絡(luò)流最小成本最大流的問題，并利用最小成本最大流算法和0-1二次規(guī)劃的局部搜索來求解，最終求出了輸入視頻中給定語義類別對象對應(yīng)的初始分割序列，解決了對象包圍盒檢測器和對象輪廓檢測器應(yīng)用于視頻幀時(shí)產(chǎn)生的候選對象包圍盒集合與候選輪廓集合雜亂和不精確的問題。圖4為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例四的流程圖。本發(fā)明實(shí)施例四是在上述實(shí)施例一技術(shù)方案的基礎(chǔ)上，對上述步驟103的進(jìn)一步闡述。如圖4所示，本發(fā)明實(shí)施例四提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，步驟103，也即，對上述初始分割序列進(jìn)行處理，估算出該輸入視頻中所述對象的形狀概率分布，具體的實(shí)現(xiàn)步驟包括：步驟401：從該輸入視頻的所有候選對象輪廓集合中，選擇與所述對象初始分割序列重疊率大于預(yù)設(shè)閾值的候選對象輪廓；具體的，在上述輸入視頻的所有候選對象輪廓中，保留與初始分割序列重疊率大于設(shè)定閾值的候選對象輪廓，將重疊率小于設(shè)定閾值的候選對象輪廓去除。設(shè)定閾值是用戶根據(jù)自己的需求自行設(shè)置的，一般情況下，該設(shè)定閾值為50％。步驟402：利用貪心算法以該輸入視頻任一幀上的任一候選對象輪廓為 起點(diǎn)，將采用光流匹配法從候選對象輪廓中尋找到的下一幀上匹配度最高的候選輪廓加入候選分割序列，得到N個(gè)候選分割序列；詳細(xì)來說，本步驟是采用貪婪算法從上述重疊率大于設(shè)定閾值的候選對象輪廓中構(gòu)造N個(gè)候選分割序列，具體的構(gòu)造方法為：以該輸入視頻某一幀上的某個(gè)候選輪廓作為分割序列的起點(diǎn)，采用光流匹配法尋找下一幀上匹配度最高的候選輪廓并加入到候選分割序列，重復(fù)該過程直到滿足以下兩種情況之一，情況一：到達(dá)輸入視頻的最后一幀；情況二：下一幀上任何候選輪廓與當(dāng)前候選輪廓投影后區(qū)域的重疊率均小于設(shè)定閾值。設(shè)定閾值可選為50％。按照上述方法，構(gòu)造出上述候選該分割序列后，將該候選分割序列所選取的候選輪廓移除，在剩余的候選輪廓中重復(fù)構(gòu)造候選分割序列直到所有的候選輪廓均被選取，以此構(gòu)造出N個(gè)候選分割序列。步驟403：分別設(shè)定每一個(gè)所述候選分割序列的初始得分表達(dá)式，計(jì)算所述每一個(gè)所述候選分割序列基于所述對象外觀一致性和時(shí)域一致性的初始得分；具體的，設(shè)定第r個(gè)候選分割序列的表達(dá)式為其中，Lr為第r個(gè)候選分割序列的長度，1≤r≤N，那么，第r個(gè)候選分割序列基于所述對象外觀和時(shí)域一致性的初始得分計(jì)算式用公式(10)表示：αr0=Σl=1Lro(Sr,l)+Σl=1Lr-1e-1λfχ2(f(Sr,l),f(Sr,l+1))---(10)]]>其中，λf為所有數(shù)值χ2(f(Sr,l),f(Sr,l+1))的平均值；步驟404：設(shè)定N個(gè)候選分割序列優(yōu)化后的得分表達(dá)式，以該N個(gè)候選分割序列優(yōu)化后的得分表達(dá)式為變量，建立以N個(gè)候選分割序列得分為優(yōu)化目標(biāo)的第三優(yōu)化目標(biāo)函數(shù)式；可選的，設(shè)定N個(gè)候選分割序列優(yōu)化后的得分表達(dá)式用表示，那么，以為變量，以該N個(gè)候選分割序列得分為優(yōu)化目標(biāo)的第三優(yōu)化目標(biāo)函數(shù)式可用公式(11)表示：min0≤α≤1{Σr=1N(αr-αr0)2+θ1C1(α)+θ2C2(α)}---(11)]]>其中，為損失函數(shù)，用于限定第r個(gè)候選分割序列優(yōu)化后的得 分與初始得分的偏差；C1(α)、C2(α)為懲罰項(xiàng)，C1(α)用于約束優(yōu)化后的候選分割序列之間得分的外觀一致性；C2(α)用于約束優(yōu)化后的候選分割序列之間得分的時(shí)域一致性；θ1和θ2分別為C1(α)和C2(α)的參數(shù)?？蛇x的，將參數(shù)θ1和θ2的大小設(shè)置為θ1＝θ2＝1.5。公式(11)整體表示為盡可能使得第r個(gè)候選分割序列優(yōu)化后的得分與初始得分的偏差較小，且約束優(yōu)化后的候選分割序列之間得分的外觀一致性和時(shí)域一致性盡可能的好。具體的，外觀一致性懲罰項(xiàng)C1(α)的表達(dá)形式為公式(12)：C1(α)=Σr=1NΣs∈Rrwr,s(αr-αs)2---(12)]]>其中，權(quán)重wr,s＝e-dist(r,s)為第r個(gè)候選分割序列與第s個(gè)候選分割序列的相似度，dist(r,s)為第r個(gè)候選分割序列與第s個(gè)候選分割序列輪廓特征集合的豪斯多夫距離(HausdorffDistance)，Rr為與第r個(gè)候選分割序列的距離小于給定閾值的序列集合。外觀一致性懲罰項(xiàng)C1(α)能夠使特征相似的序列的得分盡可能地接近。時(shí)域一致性懲罰項(xiàng)C2(α)的表達(dá)形式用公式(13)表示：C2(α)=Σd∈{1,2}Σp=1P(|Ap|βp-Σq∈Mρdωq,pd|Ap|βq)2---(13)]]>其中，為預(yù)先分割的輸入視頻幀的超像素集合，|Ap|表示超像素Ap的面積，βp表示超像素Ap的得分，其計(jì)算方法為其中∏p為覆蓋超像素Ap的候選分割序列集合；表示通過前向(反向)光流與第p個(gè)超像素發(fā)生重疊的超像素集合，表示超像素與超像素Ap重疊的面積占Aq總面積的比例。時(shí)域一致性懲罰項(xiàng)C2(α)的作用是使得時(shí)域上相鄰的像素的形狀概率分布盡可能地接近。步驟405：采用L-BFGS算法對上述第三優(yōu)化目標(biāo)函數(shù)式進(jìn)行處理，得到該輸入視頻中所述對象的形狀概率分布。采用L-BFGS算法對第三優(yōu)化目標(biāo)進(jìn)行求解，得到最優(yōu)解α*后，每個(gè)像素的形狀概率為覆蓋該像素的候選分割序列得分的平均值，進(jìn)而可以求出該輸入視頻中對象的形狀概率分布。本發(fā)明實(shí)施例四提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，在外觀一致性懲罰項(xiàng)和時(shí)域一致性懲罰項(xiàng)的聯(lián)合約束下對初始分割序列進(jìn)行處理，外觀一致性懲罰項(xiàng)使得所述對象對應(yīng)的初始分割序列與所述對象序列在外觀上更為相似，使得對象的形狀概率值被增強(qiáng)，時(shí)域一致性懲罰項(xiàng)能夠根據(jù)視頻幀間的關(guān)系，減小了背景噪聲的影響，獲得了視覺上更為一致的所述對象的形狀概率分布。圖5為本發(fā)明語義標(biāo)簽引導(dǎo)的視頻對象分割方法實(shí)施例五的流程圖。本發(fā)明實(shí)施例五是在上述實(shí)施例一至實(shí)施例四技術(shù)方案的基礎(chǔ)上，對上述步驟104的進(jìn)一步闡述。如圖5所示，本發(fā)明實(shí)施例五提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，步驟104，也即，根據(jù)所述對象的形狀概率分布，依次利用圖割算法對每一個(gè)包含所述對象的序列進(jìn)行優(yōu)化，得到輸入視頻中所述對象對應(yīng)的最優(yōu)分割序列，具體的實(shí)現(xiàn)步驟包括：步驟501：針對輸入視頻的每一幀，以像素為節(jié)點(diǎn)，以像素的鄰接關(guān)系為邊，構(gòu)建4-鄰居圖結(jié)構(gòu)G＝{V,E}；其中，V為節(jié)點(diǎn)集合，E為邊集合；步驟502：以x＝(x1,x2,...,xn)∈{0,1}n表示輸入視頻每一幀上每個(gè)像素的前景和背景狀態(tài)，建立第四優(yōu)化目標(biāo)函數(shù)表達(dá)式，用公式(14)表示；minxE(x)=Σi∈Vui(xi)+Σ(i,j)∈Evij(xi,xj)---(14)]]>上述第四優(yōu)化目標(biāo)函數(shù)表達(dá)式的優(yōu)化目標(biāo)是求解一個(gè)標(biāo)記狀態(tài)x*使所述像素分割為前景與背景，并保持候選分割序列的局部平滑性；其中，ui表示數(shù)據(jù)項(xiàng)，其定義式用公式(15)表示：ui(xi)＝-ρlog(A(xi))+(1-ρ)log(S(xi))(15)式中，A(xi)為表征第i個(gè)像素前景對象外觀的高斯混合模型給出的前景概率，S(xi)為上述步驟103求出的第i個(gè)像素的形狀概率；具體的，前景與背景的高斯混合模型分別在初始分割序列所確定的前景像素以及背景像素上學(xué)習(xí)得到。vi為平滑項(xiàng)，采用圖像分割算法常用的對比度敏感的Potts模型(ContrastSensitivePottsModel)定義得到。步驟503：采用圖割算法對上述第四優(yōu)化目標(biāo)函數(shù)表達(dá)式進(jìn)行求解，得到標(biāo)記狀態(tài)x*；具體的，上述優(yōu)化目標(biāo)可以采用圖割(GraphCut)算法快速的求解出來。步驟504：所述輸入視頻每一幀上所有像素的所述標(biāo)記狀態(tài)x*的集合組成每一個(gè)包含所述對象對應(yīng)的優(yōu)化分割序列；步驟505：所述每一個(gè)包含所述對象對應(yīng)的優(yōu)化分割序列的集合組成所述輸入視頻中所述對象對應(yīng)的最優(yōu)分割序列。由于利用本發(fā)明實(shí)施例五的步驟對每一條包含所述對象的序列單獨(dú)優(yōu)化處理后，確定的前景區(qū)域可能會(huì)有重疊。為了解決該問題，本發(fā)明還提出了一種簡單的處理方法，即首先提取重疊區(qū)域的外觀特征(顏色直方圖與紋理直方圖)，并在Chi-Square距離量度下與最接近該重疊區(qū)域的各個(gè)分割序列前景區(qū)域進(jìn)行比較，并將距離最小的分割序列的語義類別賦予重疊區(qū)域。本發(fā)明實(shí)施例五提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，通過構(gòu)建4-鄰居圖結(jié)構(gòu)，將輸入視頻每一幀每一像素的前景和背景狀態(tài)用一個(gè)優(yōu)化目標(biāo)函數(shù)式表示出來，并通過圖割算法求解，得到了輸入視頻中所述對象對應(yīng)的最優(yōu)分割序列，實(shí)現(xiàn)了給定語義類別對象的分割。本發(fā)明實(shí)施例一至實(shí)施例五提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，首先利用對象包圍盒檢測器和對象輪廓檢測器粗略的估計(jì)出給定語義類別對象的位置，避免了弱監(jiān)督條件下樣本視頻分類的模糊性問題，其次，通過建立包含候選對象包圍盒集合與候選對象輪廓集合的聯(lián)合分配模型，解決了監(jiān)測得到的候選對象包圍盒集合和候選對象輪廓集合雜亂和不精確的問題，最后，結(jié)合對象的形狀概率分布，對輸入視頻中所述對象的初始分割序列進(jìn)行優(yōu)化處理，使得最后得到的對象的最優(yōu)分割序列更準(zhǔn)確。進(jìn)一步的，本發(fā)明實(shí)施例提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法，能夠應(yīng)用于單個(gè)輸入視頻的語義類別對象分割，不需要同時(shí)處理多個(gè)視頻，具有更強(qiáng)的適用性。本發(fā)明提供的語義標(biāo)簽引導(dǎo)的視頻對象分割方法能夠廣泛應(yīng)用于國防軍事、電影制作、公共安全等領(lǐng)域計(jì)算機(jī)視覺系統(tǒng)的視頻內(nèi)容語義解析。最后應(yīng)說明的是：以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。當(dāng)前第1頁1 2 3