游清清+諶海云+駱俊+王小怡

摘 要：人臉檢測是人臉識(shí)別的組成部分。近年來，人臉檢測逐漸發(fā)展成為獨(dú)立的課題，同時(shí)也越來越受到學(xué)者們的重視。文章對(duì)人臉檢測的發(fā)展歷史和研究現(xiàn)狀等進(jìn)行了闡述，通過整理分析人臉檢測相關(guān)文獻(xiàn)，并對(duì)人臉檢測進(jìn)行了分類，對(duì)比了各個(gè)方法的優(yōu)缺點(diǎn)，最后討論了人臉檢測今后的研究方向。

關(guān)鍵詞：人臉檢測；人臉識(shí)別；模式識(shí)別；機(jī)器學(xué)習(xí)

1 人臉檢測概述

隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展，模式識(shí)別與計(jì)算機(jī)視覺受到專家學(xué)者們的廣泛關(guān)注。其中人臉識(shí)別也逐漸成了近年來各領(lǐng)域的研究熱點(diǎn)，人臉檢測作為人臉識(shí)別的基礎(chǔ)，在人臉識(shí)別中占非常重要的地位。

人臉檢測問題起源于人臉識(shí)別。與人臉識(shí)別有著密不可分的聯(lián)系，是人臉識(shí)別中非常重要且具有挑戰(zhàn)性的環(huán)節(jié)，其主要內(nèi)容是檢測人臉圖像中是否存在人臉。人臉檢測對(duì)于人來說非常簡單，但是對(duì)于機(jī)器來說卻相當(dāng)復(fù)雜。對(duì)于機(jī)器檢測人臉時(shí)，其主要目標(biāo)就是在低計(jì)算量的前提下保證高的準(zhǔn)確率。

目前影響人臉檢測效果的主要因素有：（1）人臉姿態(tài)。相機(jī)成像時(shí)的位置會(huì)影響人臉圖像的面部姿態(tài)，可能會(huì)導(dǎo)致雙眼不在水平的一條直線上。（2）遮蓋物。對(duì)于單個(gè)人臉圖像來說，可能被遮蓋物遮擋；而對(duì)于多人臉圖像來說，人臉圖像可能相互遮擋或者被其他背景所遮擋。（3）光照強(qiáng)度。拍攝人臉圖像時(shí)的光照強(qiáng)度不同將使得人臉圖像的灰度分布不均勻，造成局部對(duì)比度大，從而影響人臉檢測的效果。（4）面部表情。人的面部表情將直接影響人臉檢測效果。因此如何克服這些因素，成為目前研究的重點(diǎn)。

2 常見的人臉檢測方法

人臉檢測是人臉識(shí)別的第一步，是指在輸入圖像中確定所有人臉（如果存在）的位置、大小和姿態(tài)的過程。根據(jù)特征的色彩性質(zhì)可以將其分為基于膚色特征方法和基于灰度特征的方法[1]。文章將人臉檢測算法分為基于知識(shí)的方法、基于特征的方法和基于表象的方法。

2.1 基于知識(shí)的方法

基于知識(shí)的方法主要是利用各個(gè)人臉器官之間的幾何關(guān)系等先驗(yàn)知識(shí)對(duì)人臉特征進(jìn)行描述，提取人臉特征，然后將其轉(zhuǎn)化為人臉規(guī)則，采用此規(guī)則對(duì)待檢測的人臉圖像進(jìn)行人臉檢測[2]。該方法的主要難點(diǎn)在于：（1）如何將人類語言轉(zhuǎn)化為明確清晰的人臉檢測規(guī)則；（2）對(duì)于不同姿態(tài)的人臉，該方法檢測效果將會(huì)大大下降。

1994年Yang等[3]利用先驗(yàn)知識(shí)提出了一種由粗到精的檢測方法，即基于馬賽克圖（Mosaic Image）的人臉檢測方法。該方法利用4×4馬賽克圖將人臉分塊， 并根據(jù)每塊的灰度值制定3層規(guī)則。

Zhan等[4]提出了一種基于知識(shí)的人眼檢測方法。使用直方圖閾值技術(shù)粗略估計(jì)面部候選區(qū)域，然后利用眼睛在面部的結(jié)構(gòu)位置提取眼部候選區(qū)域，最后在眼部候選區(qū)域利用先驗(yàn)知識(shí)的方法對(duì)眼部進(jìn)行檢測。

姜軍等[5]為了提高人臉檢測的速度，提出了一種基于知識(shí)的快速人臉檢測方法。該方法利用人臉的灰度和梯度信息檢測人臉，由粗檢測、多尺度空間遍歷搜索和候選區(qū)域歸并等3個(gè)模塊構(gòu)成。適合于復(fù)雜背景下多人、不同尺度、表情變化不大的人臉檢測情況，大大提高地人臉檢測的速度。

Kouzani等[6]將神經(jīng)網(wǎng)絡(luò)與基于知識(shí)的方法結(jié)合起來，該方法使用5個(gè)前向反饋神經(jīng)網(wǎng)絡(luò)檢測并提取嘴、眼、鼻、臉部的候選區(qū)域，然后根據(jù)臉部的先驗(yàn)知識(shí)，分析所提取的候選區(qū)域，確定是否為人臉區(qū)域。

2.2 基于特征的方法

基于特征的方法利用面部的膚色特征、幾何特征及紋理特征等對(duì)人臉進(jìn)行檢測。其中膚色特征是一個(gè)非常顯著的特征，同時(shí)經(jīng)研究發(fā)現(xiàn)，（1）不同人種的人臉膚色在顏色空間中都分布在一個(gè)相對(duì)比較穩(wěn)定的區(qū)域中。（2）亮度是影響膚色值變換的最主要因素。經(jīng)常使用的顏色空間有RGB（三色基）、rgb（亮度歸一化三色基）、HSI（色調(diào)、飽和度、亮度）、YCrCb。人臉的幾何特征主要是指人面部器官之間的幾何關(guān)系，根據(jù)面部的幾何特征和形狀來分割人臉區(qū)域和非人臉區(qū)域?；谔卣鞯姆椒▽?duì)光照和姿態(tài)比較敏感，從而影響檢測效果。

Mollah等[7]經(jīng)過研究發(fā)現(xiàn)在RGB色彩空間中，不同膚色的人臉區(qū)域中的R值>G值>B值，而在Haar-like特征中的非人臉區(qū)域的R，G，B值是不滿足這個(gè)條件的。因此他們將膚色特征與Haar-like特征結(jié)合起來，提出一種改進(jìn)的基于特征的人臉檢測方法。

Rahman等[8]將RGB圖像轉(zhuǎn)換到Y(jié)CrCb顏色空間中，然后構(gòu)建眼睛和嘴巴之間的三角關(guān)系，以此來檢測人臉。Kalbkhani等[9]將膚色特征用于人眼檢測當(dāng)中。他們提出了使用具有預(yù)定長度和寬度的矩形在搜索區(qū)域中進(jìn)行移動(dòng)，計(jì)算每個(gè)移動(dòng)矩形內(nèi)的白色像素，人的面部區(qū)域?yàn)榘咨袼財(cái)?shù)量最大的矩形區(qū)域。

Hu等[10]經(jīng)過研究發(fā)現(xiàn)，對(duì)于膚色區(qū)域和非膚色區(qū)域來說，它們的Cb值分布在一定的范圍之內(nèi)，而Cr的值是不同的。于是提出單獨(dú)采用YCrCb顏色空間中的Cr值來對(duì)人臉進(jìn)行檢測。

Cai等[11]采用模糊匹配方法的方法建立膚色和發(fā)色模型。根據(jù)人臉位姿的不同構(gòu)建了“膚色—發(fā)色”模型，并且定義了相應(yīng)的隸屬度函數(shù)及規(guī)則，對(duì)待檢測區(qū)域進(jìn)行搜索。

Mohanty等[12]將人臉的灰度特征和膚色特征結(jié)合起來，在復(fù)雜背景下，結(jié)合Adaboost算法對(duì)人臉進(jìn)行檢測。該方法提高了在復(fù)雜背景下圖像的檢測速度，同時(shí)還降低了計(jì)算復(fù)雜度，并且不受姿態(tài)與照明發(fā)生變化的影響。Mohamed等人[13]在膚色特征的基礎(chǔ)上采用DCT-神經(jīng)網(wǎng)絡(luò)對(duì)人臉進(jìn)行檢測。

Augusteijn等[14]通過識(shí)別面部紋理來推測人臉的存在，提取皮膚、頭發(fā)等特征，建立SGLD（二階統(tǒng)計(jì)特征）模型，使用神經(jīng)網(wǎng)絡(luò)對(duì)紋理特征進(jìn)行監(jiān)督分類，并且使用Kohonen自組織特征圖對(duì)不同紋理類別進(jìn)行聚類。Dai等[15]將膚色特征與面部紋理特征結(jié)合，使用SGLD模型進(jìn)行面部檢測。

2.3 基于表象的方法

基于表象的方法也可以稱為基于統(tǒng)計(jì)的方法，主要依靠統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)技術(shù)找到人臉和非人臉圖像的相關(guān)特征。

該方法將人臉圖像視為隨機(jī)向量，分為訓(xùn)練集和測試集兩部分。通過訓(xùn)練集得到人臉和非人臉的相關(guān)特征集，得到人臉特征庫，利用所得到的人臉特征庫對(duì)測試集進(jìn)行檢測，判別出人臉區(qū)域和非人臉區(qū)域。基于表象的方法包括基于子空間（Eigenface）的方法、基于神經(jīng)網(wǎng)絡(luò)（NN）的方法、基于支持向量機(jī)（SVM）的方法、基于Adaboost的方法等。

（1）基于子空間的方法。

基于子空間的方法主要有主成分分析法（PCA）、獨(dú)立成分分析法（ICA）和線性判別法（LDA）等。

PCA法實(shí)際就是K-L變換，其目的是去除人臉圖像之前的相關(guān)性，減少數(shù)據(jù)冗余，降低圖像維度，使得數(shù)據(jù)在低維空間中處理。Matthew和Alex[16]對(duì)人臉訓(xùn)練集進(jìn)行K-L變換，得到人臉特征集，稱為特征向量（又稱為特征臉）。

Moghaddam等[17]將人臉投影在特征空間的處理中發(fā)現(xiàn)，人臉在特征臉空間的投影都聚集在同一個(gè)區(qū)域，因此將人臉投影到主元子空間F和與其正交的補(bǔ)空間中，然后使用相應(yīng)的距離度量DIFS（Distance In Feature Space）和DFFS（Distance From Feature Space）來進(jìn)行檢測。

Gottumukkal和Asari[18]為了能從視頻中實(shí)時(shí)檢測出人臉，提出將膚色特征與PCA方法結(jié)合的人臉檢測方法。由于PCA方法在圖像矩陣降維時(shí)會(huì)使得增大向量的維數(shù)，導(dǎo)致計(jì)算量過大。Yang等人[19]提出了2D-PCA方法。2D-PCA方法在PCA方法的基礎(chǔ)上分別在行和列上進(jìn)行PCA變換，求得在行和列的總體散度矩陣ωr和ωc，然后得到圖像的特征矩陣Y。

PCA法只考慮了圖像數(shù)據(jù)中的低階統(tǒng)計(jì)信息，并未考慮高階統(tǒng)計(jì)信息，這會(huì)使得在特征提取的時(shí)候丟掉很多有用的信息。針對(duì)這點(diǎn)，佩律等[20]提出了基于獨(dú)立成分分量的方法（ICA）來檢測人臉。認(rèn)為人臉圖像是由一組互相獨(dú)立的圖像線性疊加而成，用ICA求得這組基圖像，構(gòu)造了一個(gè)子空間，根據(jù)待識(shí)別圖像在這個(gè)空間里的投影系數(shù)進(jìn)行識(shí)別。

線性判別法（LDA）是一種較為普遍的線性分類方法。但是會(huì)出現(xiàn)小樣本問題和維數(shù)問題。為了解決小樣本問題，學(xué)者提出了很多方法。Alakkari等[21]發(fā)現(xiàn)最小非零特征值對(duì)應(yīng)的特征臉在檢測人臉圖像時(shí)是非常有效的，同時(shí)還發(fā)現(xiàn)將該特征臉與LDA方法結(jié)合在一起檢測效果比單獨(dú)使用LDA方法更好。

Yang[22]將自組織映射（SOM）與線性判別方法（LDA）結(jié)合在一起。首先使用自組織映射（SOM）將人臉和非臉樣本各分為25類，然后計(jì)算各類的類間離散度與類內(nèi)離散度，利用兩者的比值求出投影矩陣。

（2）基于神經(jīng)網(wǎng)絡(luò)的方法。

神經(jīng)網(wǎng)絡(luò)屬于機(jī)器學(xué)習(xí)方法中的一種，具有自學(xué)習(xí)能力，在進(jìn)行人臉檢測時(shí)，只需要先把許多不同的圖像樣本輸入人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)就會(huì)通過自學(xué)習(xí)能力，慢慢學(xué)會(huì)檢測人臉圖像。

在神經(jīng)網(wǎng)絡(luò)檢測人臉的發(fā)展過程中，Rowley等人[23]提出的采用局部連接的神經(jīng)網(wǎng)絡(luò)檢測方法具有里程碑的意義。他們將待檢測區(qū)域劃分為多個(gè)矩形的子區(qū)域，以便更好地描述不同尺度的人臉特征，每個(gè)區(qū)域都對(duì)應(yīng)一個(gè)神經(jīng)網(wǎng)絡(luò)隱含單元。

周敬利等[24]針對(duì)彩色圖像中的人臉，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的人臉檢測算法，該方法分為網(wǎng)絡(luò)訓(xùn)練和人臉定位兩部分，可以很好地運(yùn)用在多人臉不同尺寸、不同姿態(tài)、不同表情、不同膚色及不同光照條件等情況。

陳澤宇和戚飛虎[25]將膚色信息的不同顏色分量通過多級(jí)神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)起來，采用亮度分量和色度分量作為級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的分類特征，有效地提高了人臉檢測的正確率和檢測速度。

（3）基于支持向量機(jī)（SVM）的方法。

支持向量機(jī)（SVM）方法是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別算法[26]。SVM方法最早由Boser、Guyon等人提出，Osuna將該方法用于人臉檢測當(dāng)中，其檢測速度跟之前相比，提高了近30倍。該方法對(duì)每一個(gè)具有一定像素的檢測窗口使用SVM方法進(jìn)行分類，用以區(qū)分人臉區(qū)域和非人臉區(qū)域。但是SVM方法的訓(xùn)練需要對(duì)復(fù)雜度極高的二次規(guī)劃問題求解，會(huì)導(dǎo)致計(jì)算量過大，訓(xùn)練困難等。

Heiseley等[27]在SVM法基礎(chǔ)上進(jìn)行改進(jìn)，提出使用兩級(jí)SVM方法檢測人臉。根據(jù)一些預(yù)定義的特征點(diǎn)，從訓(xùn)練集中提取人臉和非人臉最有區(qū)別的多個(gè)局部區(qū)域。檢測時(shí)，根據(jù)多個(gè)簡單的線性SVM分別檢測各個(gè)人臉特征區(qū)域。

（4）基于Adaboost的方法。

為了同時(shí)保證檢測率和檢測速度，Viola和Jones[28]提出了一種將Haar-like特征、Adaboost算法和Cascade級(jí)聯(lián)結(jié)構(gòu)結(jié)合在一起的算法，稱作Viola-Jones檢測算法，也稱作基于Adaboost的方法。該方法先使用Haar-like特征對(duì)人臉進(jìn)行描述，計(jì)算特征數(shù)值，然后使用Adaboost算法通過大量的正、負(fù)樣本集訓(xùn)獲得人臉檢測的強(qiáng)分類器，最后將所有的強(qiáng)分類器分段級(jí)聯(lián)起來。

傳統(tǒng)的Adaboost方法在進(jìn)行人臉檢測時(shí)常常容易出現(xiàn)漏檢情況，同時(shí)在檢測人臉時(shí)需要計(jì)算所有樣本的特征數(shù)值，這樣導(dǎo)致了檢測時(shí)間過長的問題。針對(duì)這個(gè)問題Zhang等人[29]對(duì)人臉區(qū)域和非人臉區(qū)域設(shè)置不同的權(quán)重，使得可以單獨(dú)處理人臉區(qū)域和非人臉區(qū)域，以此縮減了檢測時(shí)間。

Ma等[30]在傳統(tǒng)的Adaboost的基礎(chǔ)上，利用面部器官之間的幾何關(guān)系形成4種Haar-like特征，對(duì)人臉進(jìn)行檢測。該方法較之傳統(tǒng)的Adaboost方法，大大縮減了檢測時(shí)間。

3 結(jié)語

文章對(duì)人臉檢測的發(fā)展歷史及研究現(xiàn)狀進(jìn)行了闡述，總結(jié)了近年來人臉檢測技術(shù)?；谥R(shí)的方法適合在單一背景下使用?；谔卣鞯娜四槞z測方法應(yīng)用廣泛，在簡單背景下檢測率極高，但是基于膚色特征的人臉檢測方法對(duì)光照和復(fù)雜背景特別敏感，對(duì)色度的要求也特別高；基于幾何特征的方法利用面部器官之間的幾何關(guān)系和形狀對(duì)人臉進(jìn)行檢測，該方法適用于簡單背景下的正面人臉檢測，但是在有遮蓋物或復(fù)雜背景情況下，其檢測效果將大大下降。因此常常將膚色特征與幾何特征結(jié)合起來對(duì)人臉進(jìn)行檢測。

基于表象的方法主要包含了子空間法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于支持向量機(jī)的方法和基于Adaboost的方法等。子空間法主要是將待檢測人臉投影在一個(gè)指定的空間，根據(jù)指定空間中的分布劃分規(guī)律來對(duì)人臉區(qū)域和非人臉區(qū)域進(jìn)行劃分。基于支持向量機(jī)的方法比基于神經(jīng)網(wǎng)絡(luò)的方法更具有優(yōu)良的泛化性能，但是神經(jīng)網(wǎng)絡(luò)可以獲得其他方法難以實(shí)現(xiàn)的人臉圖像的規(guī)則，同時(shí)避免了提取復(fù)雜特征。基于Adaboost的方法是目前人臉檢測使用最普遍、效果最好的方法，但是由于該方法需要大量的時(shí)間進(jìn)行訓(xùn)練，其檢測速度還有待解決。

隨著計(jì)算機(jī)視覺與人工智能的發(fā)展，人臉檢測的研究還在繼續(xù)，如何準(zhǔn)確快速地檢測復(fù)雜背景下的動(dòng)態(tài)多姿態(tài)人臉，是目前研究的熱點(diǎn)和重點(diǎn)，當(dāng)然現(xiàn)在也不斷有新方法涌現(xiàn)，總之人臉檢測技術(shù)將會(huì)隨著人臉識(shí)別技術(shù)一起蓬勃發(fā)展。

[參考文獻(xiàn)]

[1]梁路宏，艾海舟.人臉檢測研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2002（5）：449-458.

[2]孫寧，鄒采榮，趙力.人臉檢測綜述[C].北京：中國通信學(xué)會(huì)通信理論與信號(hào)處理專業(yè)委員會(huì)通信理論與信號(hào)處理年會(huì)，2006：101-108.

[3]YANG M H，KRIEGMAN D J，AHUJA N. Detecting faces in images：a survey[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2002（1）：34-58.

[4]ZHANG L，LENDER P. Knowledge based eye detection for human face detection[J]. International Conference Knowledge-based Intelligent Engineering Systems & Allied Technologies，2000（1）：117-120.

[5]姜軍，張桂林.一種基于知識(shí)的快速人臉檢測方法[J].中國圖象圖形學(xué)報(bào)，2002（1）：6-10.

[6]KOUZANI A Z，HE F，SAMMUT K. Commonsense knowledge-based face detection[J].1997：215-220.

[7]MOLLAH M A S，AKASH M A A，AHMED M，et al. Improvement of haar feature based face detection incorporating human skin color analysis[J].Paris：International Conference on Medical Engineering，2017.

[8]RAHMAN M H，AFRIN J. Human face detection in color images with complex background using triangular approach[J].Global Journal of Computer Science and Technology，2013（4）：44-50.

[9]KALBKHANI H，SHAYESTEH M G，MOHSEN M S. Efficient algorithms for face detection of face， eye and eye state[J].LET Computer Vision，2013（3）：184-200.

[10]HU X，PENG S，YAN J，et al. Fast face detection based on skin color segmentation using single Chrominance Cr[C].QU?BEC：International Congress on Image & Signal Processing，2015：687-692.

[11]CAI J，GOSHTASBY A，YU C. Detecting human faces in color images[C]. Chicago：Image and Vision Computing，1999（1）：63-75.

[12]MOHANTY R，RAGHUNADH MV. A new approach to face detection based on YCgCr color model and improved adaBoost algorithm[C].Noida， Uttar Pradesh：International Conference on Communication & Signal Processing，2016（4）：1392-1396.

[13]MOHAMED A S S，WENG Y，IPSON S S，et al. Face detection based on skin color in image by neural networks[C]. Delft：International Conference on Intelligent & Advanced Systems，2007：779-783.

[14]AUGUSTEIJN M F，SKUFCA T L. Identification of human faces through texture—based feature recognition and neural network technology[C]. San Francisco：IEEE International Conference on Neural Networks，1993.

[15]DAI Y，NAKANO Y. Face-texture model based on SGLD and its application in face detection in a color scene[J]. Pattern Recognition，1996（6）：1007-1017.

[16]MATTHEW T，ALEX P. Eigenfaces for recognition[J].Journal of Cognitive Neuroscience，1991（13）：71-86.

[17]MOGHADDAM B，PENTLAND A. Probabilistic visual learning for object representation[J].IEEE Computer Society，1997（7）：696-710.

[18]GOTTUMUKKAL R，ASARI V K. Real time face detection from color video stream based on PCA method[J]. Applied Imagery Pattern Recognition Workshop，2003：146-150.

[19]YANG J，ZHANG D，F(xiàn)RANGI A F，et al. Two-dimensional PCA：a new approach to appearance-based face representation and recognition[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2004（1）：131-137.

[20]佩律，梅劍鋒.基于獨(dú)立分量分析的人臉自動(dòng)識(shí)別方法的研究[J].紅外與毫米波學(xué)報(bào)，2001（20）：361-364.

[21]ALAKKARI S，GATH E，COLLINS J J. An investigation into the use of subspace methods for face detection[C].Montreal：International Joint Coference on Neural Networks，2005（5）：1-7.

[22]YANG M H. Mixtures of linear subspaces for face detection[J].Proc Fourth Automatic Face and Gesture Recognition，2000：70-76.

[23]ROWLEY H，BALUJA S，KANADE T. Neural Network-based face detection[C].Ann Arbor：Conference on Computer Vision & Pattern Recognition，1998（1）：203-208.

[24]周敬利，吳桂林.基于BP神經(jīng)網(wǎng)絡(luò)的人臉檢測算法[J].計(jì)算機(jī)工程，2004（30）：34-36.

[25]陳澤宇，戚飛虎.基于級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的人臉檢測方法的研究[J].紅外與毫米波學(xué)報(bào)，2000（19）：57-61.

[26]楊珣.基于神經(jīng)網(wǎng)絡(luò)的人臉檢測研究[D].青島：青島大學(xué)，2006.

[27]HEISELEY B，SERRE T，PONTIL M，et al. Component-based Face Detection[C]. Kauai， Hawaii：IEEE Computer Society Conference on Computer Vision & Pattern Recognition，2001（1）：1657-1662.

[28]VIOLA P，JONES M. Rapid object detection using a boosted cascade of simple features[C]. Kauai， Hawaii：IEEE Computer Society Conference on Computer Vision & Pattern Recognition，2001（1）：1511-1518.

[29]ZHANG X Q，DING J. An improved adaboost face detection algorithm based on different sample weights[C]. Wellington：IEEE International Conference on Computer Supported Cooperative Work in Design，2016：436-439.

[30]MA S，BAI L. A face detection algorithm based on adaboost and new Haar-Like feature[C].Beijing：IEEE International Coference on Software Engineeering & Service Science，2017：651-653.