馮文倩， 李新榮， 楊 帥

(1. 天津工業(yè)大學(xué) 機(jī)械工程學(xué)院， 天津 300387； 2. 天津市現(xiàn)代機(jī)電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室， 天津 300387)

基于機(jī)器視覺(jué)的非接觸式人體圍度測(cè)量，具有快速高效的優(yōu)勢(shì)，是服裝定制行業(yè)未來(lái)發(fā)展的技術(shù)支撐。非接觸式人體圍度測(cè)量分為三維測(cè)量和二維測(cè)量。非接觸式三維人體圍度測(cè)量速度快，精度高，但是所需掃描儀器價(jià)格昂貴，在服裝行業(yè)中很難被廣泛應(yīng)用；非接觸式二維人體圍度測(cè)量是通過(guò)拍照獲取人體正側(cè)面圖像，在二維圖像的基礎(chǔ)上進(jìn)行人體輪廓檢測(cè)與特征部位尺寸提取，借助手機(jī)就能完成測(cè)量以及服裝樣式的選取，從而實(shí)現(xiàn)遠(yuǎn)程服裝定制，是未來(lái)服裝定制行業(yè)的發(fā)展趨勢(shì)。當(dāng)前服裝定制市場(chǎng)主要是通過(guò)三維掃描儀檢測(cè)人體輪廓；而基于二維圖像的人體輪廓視覺(jué)檢測(cè)多是基于理論層面的研究，缺乏實(shí)際應(yīng)用，因此，有必要對(duì)基于二維圖像的人體輪廓視覺(jué)檢測(cè)的方法進(jìn)行分析與探討。

先前有學(xué)者對(duì)輪廓檢測(cè)的算法進(jìn)行了論述，主要介紹了每種算法的原理及特點(diǎn)，內(nèi)容相對(duì)基礎(chǔ)[1]，而近幾年不斷有學(xué)者提出輪廓檢測(cè)的新方法[2-4]，如：以雙邊濾波器取代高斯濾波器的Canny算子邊緣檢測(cè)方法、融合神經(jīng)網(wǎng)絡(luò)的輪廓檢測(cè)算法以及二進(jìn)小波與形態(tài)學(xué)結(jié)合的算法，這些算法在很大程度上解決了輪廓邊緣不清晰、定位不精確以及對(duì)噪聲敏感的問(wèn)題。當(dāng)前輪廓視覺(jué)檢測(cè)方法主要有基于邊緣算子、基于數(shù)學(xué)形態(tài)學(xué)、基于水平集算法的主動(dòng)輪廓模型方法，還有學(xué)者將Otsu算法(最大類間方差法)、K-means聚類的方法應(yīng)用到輪廓檢測(cè)當(dāng)中[5]?；谶吘壦阕拥妮喞獧z測(cè)方法是最傳統(tǒng)的一種方法，其能夠依據(jù)物體的輪廓特征，去除多余的邊緣，并對(duì)邊緣進(jìn)行修補(bǔ)，定位較準(zhǔn)確，但是檢測(cè)到的輪廓邊緣不連續(xù)，且該方法對(duì)噪聲較敏感。Navdeep等[6]提出改進(jìn)的局部二值模式(LBP)方法，以像素差矩陣代替原本的固定加權(quán)矩陣，性能優(yōu)于邊緣算子?；跀?shù)學(xué)形態(tài)學(xué)的檢測(cè)方法去噪能力較好，邊緣連續(xù)，但是定位不夠精確，輪廓邊緣不清晰。劉曉剛等[7]提出的采用多尺度多結(jié)構(gòu)的數(shù)學(xué)形態(tài)學(xué)的輪廓提取方法，解決了傳統(tǒng)的邊緣算子檢測(cè)時(shí)輪廓邊緣出現(xiàn)斷裂的問(wèn)題。基于水平集算法的主動(dòng)輪廓模型方法主要應(yīng)用于圖像分割當(dāng)中，而對(duì)圖像進(jìn)行分割之后，所分割的邊界就是物體的輪廓[8]。劉其思等[9]在基于變分水平集的算法上對(duì)服裝圖案的輪廓進(jìn)行提取，該方法能夠有效地對(duì)圖案進(jìn)行分割，提取出的輪廓邊緣清晰，有利于提高服裝企業(yè)的工作效率。

對(duì)于人體圍度尺寸測(cè)量來(lái)說(shuō)，需要獲取肩寬、手臂、胸圍、腿圍等部位的準(zhǔn)確數(shù)據(jù)，所以要求所檢測(cè)的人體圖像輪廓清晰完整，且定位準(zhǔn)確；但在人體輪廓檢測(cè)時(shí)會(huì)受到背景和穿著的影響，易檢測(cè)到錯(cuò)誤邊緣。本文通過(guò)效果圖對(duì)比，對(duì)這幾種輪廓檢測(cè)算法進(jìn)行了系統(tǒng)的分析比較，并對(duì)其在人體輪廓檢測(cè)方面的實(shí)際應(yīng)用進(jìn)行了展望。

1 邊緣檢測(cè)算子

1.1 邊緣檢測(cè)算子簡(jiǎn)介

通過(guò)邊緣檢測(cè)算子對(duì)目標(biāo)輪廓進(jìn)行檢測(cè)，就是基于圖像的亮度及顏色特征，對(duì)變化明顯的點(diǎn)進(jìn)行標(biāo)記，以此完成邊緣點(diǎn)的檢測(cè)。但是由于圖像模糊、存在大量噪聲，給獲取完整和連續(xù)的目標(biāo)輪廓帶來(lái)了很大困難。通常選擇一階和二階導(dǎo)數(shù)來(lái)檢測(cè)邊界不連續(xù)的效果。邊緣檢測(cè)可借助微分算子利用卷積來(lái)實(shí)現(xiàn)，常用的算子有Laplacian算子、Sobel 算子、Roberts 算子和Canny算子等[10]。

通過(guò)python中的opencv模塊，采用4種邊緣算子分別對(duì)人體輪廓邊緣進(jìn)行檢測(cè)，效果如圖1所示?？梢钥闯?， Lapacialn算子和Roberts 算子提取出的輪廓邊緣不清晰，且不連續(xù)，噪聲較大；Sobel算子檢測(cè)到的圖像較清晰，但對(duì)于小細(xì)節(jié)部分的邊緣檢測(cè)不到。與前面3種邊緣檢測(cè)算子相比，Canny 算子能夠檢測(cè)到圖像中真正的的弱邊緣，并且輪廓相對(duì)清晰，定位準(zhǔn)確，但也會(huì)受到噪聲的影響。Canny 算子相對(duì)于其他算子，應(yīng)用較為廣泛，本文只針對(duì)Canny檢測(cè)算子在輪廓提取中的應(yīng)用進(jìn)行深入探討。

圖1 不同邊緣算子的檢測(cè)效果Fig.1 Detection effect of different edge operators. (a) Laplacian operator; (b) Roberts operator; (c) Sobel operator; (d) Canny operator

1.2 基于Canny邊緣算子的輪廓檢測(cè)算法

Canny邊緣算子檢測(cè)物體輪廓，即先用高斯濾波器對(duì)圖像進(jìn)行平滑處理，防止噪聲干擾，再用一階微分計(jì)算圖像的梯度幅值及方向，對(duì)梯度幅值進(jìn)行非極大值抑制，通過(guò)設(shè)置雙閾值檢測(cè)物體輪廓的邊緣，從而有效地去除圖像的偽邊緣，精準(zhǔn)定位到真正的邊緣，以便提取準(zhǔn)確的目標(biāo)物體輪廓信息[11]。

在實(shí)際應(yīng)用中，Canny邊緣算子采用一階微分計(jì)算梯度幅值和方向，計(jì)算簡(jiǎn)單，但也存在著不足，其抗噪性能比較差，邊緣不連續(xù)。為了解決噪聲干擾問(wèn)題，很多學(xué)者對(duì)其進(jìn)行了研究。Zhang等[12]通過(guò)采用自動(dòng)各向異性高斯核平滑圖像來(lái)減少噪聲，并提出多方向角點(diǎn)檢測(cè)算法；Qin等[13]用中值濾波替代傳統(tǒng)Canny算法的高斯濾波，改進(jìn)梯度幅度的計(jì)算方法，并通過(guò)迭代選擇閾值，與傳統(tǒng)Canny算法相比，該方法可提高抵抗隨機(jī)噪聲的能力，同時(shí)更準(zhǔn)確地檢測(cè)邊緣。Xu等[14]用基于B樣條的拉著拉斯算子(LOBS)算法計(jì)算梯度來(lái)確定目標(biāo)圖像邊緣，非邊緣區(qū)域能得到有效去噪，邊緣區(qū)通過(guò)設(shè)置閾值達(dá)到去噪目的。以上方法雖有效抑制了噪聲，但也消除了部分灰度值高的邊緣像素點(diǎn)。

此外，Canny邊緣算子檢測(cè)的輪廓邊緣存在邊緣點(diǎn)斷裂的情況，傳統(tǒng)的方法是通過(guò)人工設(shè)定雙閾值來(lái)解決該問(wèn)題，但這種方法使得Canny算法易丟失局部特征邊緣信息。對(duì)于閾值設(shè)定的問(wèn)題，有很多學(xué)者提出了改進(jìn)算法，Xu等[15]提出基于塊類型和圖像塊梯度局部分布自適應(yīng)計(jì)算閾值；楊靜嫻等[16]基于機(jī)器視覺(jué)，先通過(guò)Otsu算法確定最佳閾值，再用Canny算法提取白酒的酒花輪廓；齊英蘭[17]采用最大類間方差法自適應(yīng)地確定高低閾值，克服弱邊緣丟失的問(wèn)題。此外，李東興等[18]采用數(shù)學(xué)形態(tài)學(xué)濾波技術(shù)對(duì)圖像進(jìn)行平滑處理，取代了傳統(tǒng)的高斯濾波，有效地提高邊緣的連續(xù)性，并能檢測(cè)到很多邊緣細(xì)節(jié)。龐明明等[19]提出一種融合模糊局部二值模式的Canny邊緣檢測(cè)算法(FLBP-Canny算法)，將模糊數(shù)學(xué)和局部二值模式相融合，結(jié)合Canny算子提取目標(biāo)輪廓，不僅增強(qiáng)了目標(biāo)輪廓，而且在很大程度上改善了Canny 邊緣檢測(cè)出現(xiàn)的輪廓邊緣點(diǎn)斷裂問(wèn)題，形成了封閉的輪廓邊緣曲線。此外還有很多國(guó)外學(xué)者[20-22]提出了改進(jìn)的邊緣檢測(cè)算法。

綜上，以中值濾波替代傳統(tǒng)Canny算法的高斯濾波、用Otsu算法來(lái)確定最佳閾值和融合模糊局部二值模式的Canny邊緣檢測(cè)等方法，均能改善Canny邊緣算子的檢測(cè)效果，提取到邊緣連續(xù)且相對(duì)清晰的人體輪廓圖像。

2 數(shù)學(xué)形態(tài)學(xué)

2.1 數(shù)學(xué)形態(tài)學(xué)原理

數(shù)學(xué)形態(tài)學(xué)是使用數(shù)學(xué)的方法，把圖像看作是許多點(diǎn)的集合，用集合論的觀點(diǎn)來(lái)研究圖像中物體的形態(tài)和結(jié)構(gòu)的圖像處理方法。一般先對(duì)圖像進(jìn)行增強(qiáng)處理，再對(duì)圖像進(jìn)行形態(tài)學(xué)計(jì)算，從而將前景目標(biāo)與背景分離，提取出輪廓。數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算包含膨脹、腐蝕、開(kāi)運(yùn)算和閉運(yùn)算4種，開(kāi)運(yùn)算就是先腐蝕再膨脹，閉運(yùn)算就是先膨脹再腐蝕，通過(guò)組合這4種基本運(yùn)算可得到其他復(fù)雜的形態(tài)學(xué)運(yùn)算，李怡燃等[23]就是根據(jù)圖像特點(diǎn)，使用形態(tài)學(xué)算子時(shí)，將膨脹運(yùn)算和開(kāi)運(yùn)算進(jìn)行加權(quán)求和，有效地克服了圖像的雙邊緣現(xiàn)象。

2.2 基于數(shù)學(xué)形態(tài)學(xué)的輪廓檢測(cè)算法

數(shù)學(xué)形態(tài)學(xué)的方法相比于邊緣檢測(cè)算子，能夠有效去除噪聲，且邊緣點(diǎn)連續(xù)，能形成封閉的輪廓；但是對(duì)復(fù)雜的圖像，檢測(cè)到的邊緣模糊不清晰，容易丟失邊緣細(xì)節(jié)[24]，所以要考慮增強(qiáng)圖像輪廓邊界。為此，很多學(xué)者提出基于多尺度多方向結(jié)構(gòu)元素的數(shù)學(xué)形態(tài)學(xué)輪廓檢測(cè)算法，其原理如圖2所示(●為像素點(diǎn))。鄂那林等[25]通過(guò)構(gòu)造4個(gè)不同方向的結(jié)構(gòu)元素，得到圖像4個(gè)方向的邊緣檢測(cè)結(jié)果，并將這些結(jié)果加權(quán)平均，得到最終的圖像邊緣。吳朔媚等[26]利用遞歸的多尺度多方向結(jié)構(gòu)元素形態(tài)學(xué)濾波得到圖像的初始輪廓，能夠有效抑制噪聲并保留邊緣細(xì)節(jié)。秦瑋等[27]提出一種利用全向元素全向多尺度元素繪制方形濾波器窗口的方法，該方法能夠檢測(cè)低對(duì)比度區(qū)域的特征，并保留這些特征。

圖2 多方向結(jié)構(gòu)元素圖Fig.2 Comprehensive structural element diagram

有學(xué)者提出基于各向異性形態(tài)學(xué)的圖像輪廓檢測(cè)算法，吳一全等[28]先計(jì)算圖像的平均平方梯度向量，并由其表示平均梯度向量，然后對(duì)其進(jìn)行擴(kuò)散，得到圖像的平均梯度向量場(chǎng)，再計(jì)算圖像中各像素點(diǎn)的平均梯度方向，以此構(gòu)造適合的形態(tài)結(jié)構(gòu)元素，得到形態(tài)學(xué)梯度，由此檢測(cè)出火焰圖像的輪廓信息。與邊緣算子以及各向同性的檢測(cè)算法相比，該方法的邊緣定位準(zhǔn)確，并且邊緣清晰，具有較好的連續(xù)性，抗噪聲強(qiáng)。

此外，還有學(xué)者將數(shù)學(xué)形態(tài)學(xué)與Otsu算法相結(jié)合，但是其對(duì)圖像進(jìn)行了二級(jí)分割，檢測(cè)到的輪廓不夠精確[29-30]。為此,王文豪等[31]對(duì)Otsu算法進(jìn)行了改進(jìn)，結(jié)合圖像的熵，降低光亮對(duì)圖像背景與前景目標(biāo)的影響。王濤等[32]將K-means聚類與數(shù)學(xué)形態(tài)學(xué)相結(jié)合，K-means算法是一種無(wú)監(jiān)督的聚類算法，聚類效果好且易實(shí)現(xiàn)，使聚類本身盡可能的相似，但各聚類之間又各有不同，該方法運(yùn)算速度快，且提取的輪廓較為完整。

Endo等[33]基于圖像顏色空間轉(zhuǎn)換，增強(qiáng)輪廓邊緣，使其更加清晰。劉千等[34]先用改進(jìn)的數(shù)學(xué)形態(tài)學(xué)算法檢測(cè)原圖像的輪廓邊緣，再用訓(xùn)練的豐富的卷積特征(RCF)網(wǎng)絡(luò)模型檢測(cè)原圖像的輪廓邊緣，最后將二者融合，從而得到完整光滑的圖像輪廓。以上方法在一定程度上能夠解決數(shù)學(xué)形態(tài)學(xué)對(duì)圖像輪廓檢測(cè)不清晰的問(wèn)題，有效地應(yīng)對(duì)人體輪廓視覺(jué)檢測(cè)時(shí)拍照設(shè)備的不同和背景的復(fù)雜程度而帶來(lái)的檢測(cè)難題。

3 基于水平集的主動(dòng)輪廓模型方法

3.1 主動(dòng)輪廓模型原理

1988年，Kass等[35]提出將主動(dòng)輪廓模型應(yīng)用于圖像分割問(wèn)題，該模型將圖像分割問(wèn)題轉(zhuǎn)化為求能量泛函極小值的問(wèn)題，再利用變分法，將求能量泛函極小值的問(wèn)題轉(zhuǎn)化為對(duì)偏微分方程的求解，求出的極小值就是圖像分割的結(jié)果，即檢測(cè)出的目標(biāo)輪廓邊緣。利用變分思想求解，是目前圖像分割應(yīng)用最多的方法。主動(dòng)輪廓模型方法可分為參數(shù)活動(dòng)輪廓模型和幾何活動(dòng)輪廓模型，幾何活動(dòng)輪廓模型與水平集函數(shù)結(jié)合的方式能夠很好地處理輪廓曲線的拓?fù)渥兓?，利于方程的求解?wèn)題。

3.2 在輪廓檢測(cè)中的應(yīng)用

幾何活動(dòng)輪廓模型的結(jié)合水平集方法的優(yōu)點(diǎn)在于圖像經(jīng)過(guò)初始化后，能量函數(shù)在輪廓曲線的約束下能自主地達(dá)到極值，計(jì)算的復(fù)雜程度低，但是該模型對(duì)初始輪廓較為敏感，含有較多的噪聲點(diǎn)輪廓，輪廓邊緣模糊。為了解決這個(gè)問(wèn)題，翁桂榮等[36]提出水平集函數(shù)的自適應(yīng)符號(hào)距離函數(shù)，使主動(dòng)輪廓在演化的過(guò)程中，能根據(jù)自適應(yīng)符號(hào)函數(shù)的方向?qū)Τ跏驾喞M(jìn)行擴(kuò)大或縮小，從而降低水平集對(duì)初始輪廓的敏感性。Wang等[37]提出了一種基于區(qū)域信息和圖像邊緣信息相結(jié)合的新型主動(dòng)輪廓模型，通過(guò)增加新穎的加權(quán)函數(shù)，實(shí)現(xiàn)了局部信息和全局信息的自適應(yīng)平衡，加快了模型的進(jìn)化速度，增強(qiáng)了模型的適應(yīng)性；將發(fā)散算子替換為高斯濾波器，從而平滑了水平集函數(shù)，簡(jiǎn)化了計(jì)算；最后，引入符號(hào)函數(shù)的懲罰項(xiàng)，以減少由于重新初始化和正則化過(guò)程而導(dǎo)致的水平集函數(shù)的計(jì)算復(fù)雜度。此外，水平集方法在曲線演化過(guò)程中距離不規(guī)則，為此趙方珍等[38]提出一種改進(jìn)的距離規(guī)則化水平集方法，使水平集函數(shù)的梯度模向勢(shì)函數(shù)的2個(gè)極小值點(diǎn)快速趨近，一定程度上保證了水平集函數(shù)的穩(wěn)定性。

在檢測(cè)人體輪廓時(shí)，通常會(huì)受到穿著和復(fù)雜背景的影響，人的手腕、頸部等細(xì)節(jié)部分的檢測(cè)難度比較大，傳統(tǒng)的主動(dòng)輪廓模型對(duì)人體的局部輪廓檢測(cè)效果不佳[39]，由此Zou等[40]研究出一種非閉合的主動(dòng)輪廓模型的人體局部輪廓檢測(cè)方法，以自動(dòng)設(shè)置初始輪廓代替人工設(shè)置初始輪廓，在能量函數(shù)中融入了形狀約束，降低背景和穿著對(duì)于人體輪廓的影響，并在簡(jiǎn)單背景和復(fù)雜背景中做出對(duì)比，如圖3所示。可以看出，傳統(tǒng)的主動(dòng)輪廓模型在復(fù)雜背景下容易檢測(cè)出與人體無(wú)關(guān)的邊緣輪廓，而基于非閉合主動(dòng)輪廓模型的局部輪廓檢測(cè)曲線貼近于人體真實(shí)輪廓，但是該方法對(duì)自動(dòng)設(shè)置初始輪廓方法有較高要求，在極其復(fù)雜的背景下，自動(dòng)設(shè)置初始輪廓方法也會(huì)存在偏差。

圖3 不同背景下不同方法的實(shí)驗(yàn)對(duì)比Fig.3 Experimental comparison of different methods in different backgrounds.(a) Traditional active contour model effect; (b) Automatically set initial contour effect; (c) Non-closed active contour model effect

4 分析與討論

基于機(jī)器視覺(jué)的人體輪廓可通過(guò)邊緣檢測(cè)算子、數(shù)學(xué)形態(tài)學(xué)、主動(dòng)輪廓模型的方法完成檢測(cè)，以便實(shí)現(xiàn)非接觸式人體圍度尺寸測(cè)量?；谶吘壦阕拥妮喞獧z測(cè)算法中，Canny算子相對(duì)于其他邊緣算子來(lái)說(shuō)，具有定位準(zhǔn)確的優(yōu)點(diǎn)，能夠檢測(cè)到細(xì)小的邊緣，通過(guò)高斯濾波平滑圖像，以降低噪聲的影響，但是也容易平滑掉一些有效的邊緣。通過(guò)控制平滑程度參數(shù)和空間尺度參數(shù)，可增強(qiáng)圖像輪廓信息，還可通過(guò)Canny算子與局部二值模式相融合的方式增強(qiáng)輪廓目標(biāo)，同時(shí)解決邊緣不連續(xù)問(wèn)題，但是該方法對(duì)于背景復(fù)雜的人體輪廓檢測(cè)，仍存在著很大的挑戰(zhàn)。

基于數(shù)學(xué)形態(tài)學(xué)的輪廓檢測(cè)算法，與邊緣檢測(cè)算子相比，在很大程度上提高了抗噪能力，但是基本的形態(tài)學(xué)方法不能對(duì)目標(biāo)輪廓進(jìn)行準(zhǔn)確的定位，尤其是人的手腕、腋下、肩部等細(xì)節(jié)部位容易受到穿著和背景的干擾，極大地影響了檢測(cè)精度。基于多尺度多元素的形態(tài)學(xué)、基于各向異性的數(shù)學(xué)形態(tài)學(xué)的輪廓檢測(cè)方法可在一定程度上改善定位能力和輪廓清晰度，尤其是形態(tài)學(xué)結(jié)合神經(jīng)網(wǎng)絡(luò)模型，能夠很好地解決這一問(wèn)題，該方法在視覺(jué)輪廓檢測(cè)中有很好的發(fā)展前景。當(dāng)然形態(tài)學(xué)的算法仍需進(jìn)一步優(yōu)化，以便更好地提高檢測(cè)精度，獲得更好的檢測(cè)效果。

基于水平集和主動(dòng)輪廓模型的檢測(cè)方法，其優(yōu)點(diǎn)在于能夠檢測(cè)到連續(xù)的輪廓曲線，但是傳統(tǒng)的水平集算法對(duì)初始輪廓較為敏感，容易檢測(cè)到虛假邊界，對(duì)人體輪廓的全局檢測(cè)更容易出現(xiàn)偏差，有很多學(xué)者提出了對(duì)初始輪廓進(jìn)行改善，還有學(xué)者對(duì)水平集函數(shù)進(jìn)行了優(yōu)化。另外，基于非閉合主動(dòng)輪廓模型對(duì)人體局部輪廓檢測(cè)，也需要自動(dòng)設(shè)置初始輪廓才能在復(fù)雜背景下檢測(cè)出相對(duì)正確、光滑連續(xù)的輪廓曲線，但是在極其復(fù)雜的背景條件下，自動(dòng)設(shè)置初始輪廓也會(huì)檢測(cè)到無(wú)關(guān)物體的輪廓。

5 結(jié)束語(yǔ)

基于機(jī)器視覺(jué)輪廓檢測(cè)在非接觸式二維人體圍度尺寸測(cè)量應(yīng)用中的關(guān)鍵性作用不可忽視，其不僅解決了傳統(tǒng)手工測(cè)量速度慢，三維人體測(cè)量?jī)x器昂貴的難題，同時(shí)可實(shí)現(xiàn)遠(yuǎn)程人體圍度數(shù)據(jù)測(cè)量，極大地推動(dòng)服裝行業(yè)定制化的發(fā)展。雖然通用的輪廓檢測(cè)算法的研究已經(jīng)相對(duì)成熟，但是針對(duì)人體輪廓檢測(cè)的研究還較少，在人體輪廓檢測(cè)中還存在一些不足：一是圖像背景復(fù)雜，輪廓難以精確區(qū)分；二是人體的頸部和手臂等部位的關(guān)鍵點(diǎn)位置檢測(cè)不精確。因此，針對(duì)于人體的視覺(jué)輪廓檢測(cè)算法仍需進(jìn)一步改善。