張建偉　權(quán)慶樂

摘要：為提高三維信息的準確度，提出一種在稠密的點云數(shù)據(jù)中采用融合區(qū)域生長和隨機抽樣一致性（RANSAC）的平面分割方法。利用統(tǒng)計濾波、體素濾波對稠密點云去噪和精簡，通過鄰域統(tǒng)計特性剔除孤立點。采用點域區(qū)域生長分割出平面點，并采用面域區(qū)域生長合并平面附近點。采用曲率值檢測出異常彎曲的平面。在異常彎曲的平面中采用RANSAC評估平面點的模型誤差并剔除粗差點。實驗選取公寓、閣樓、辦公室等4個典型室內(nèi)場景數(shù)據(jù)進行測試。實驗表明，該方法可有效從稠密點云中分割出平面結(jié)構(gòu)，分割結(jié)果準確度均值可達到95%以上。相比于傳統(tǒng)RANSAC方法，可以更好地保證平面結(jié)構(gòu)的連通性。相比于傳統(tǒng)區(qū)域生長方法分割結(jié)果，準確度提升約2%，完整度平均提高約17%，對于后續(xù)三維重建和機器人的導航有著借鑒作用。

關(guān)鍵詞：稠密點云;平面分割;區(qū)域生長;RANSAC分割;點云曲率

中圖分類號：TP 391.41文獻標志碼：A

文章編號：1672-9315（2022）02-0341-08

DOI：10.13800/j.cnki.xakjdxxb.2022.0219開放科學（資源服務）標識碼（OSID）：

A plane segmentation method of region growing

and RANSAC for dense point cloudZHNAG Jianwei，QUAN Qingle

（Department of Information Engineering，Henan University of Animal Husbandry and Economy，Zhengzhou 450004，China）

Abstract：In order to improve the 3D information accuracy，this paper proposes a plane segmentation method using fusion of region growing and random sampling consensus（RANSAC）in dense point cloud data.First，statistical and voxel filtering are applied to denoise and simplify the point cloud，which removes outliers based on neighborhood statistical properties.Then，planar points are segmented using point-based region growing，and the points around plane are further merged using plane-based region growing.Next，the curvature is used to detect abnormally curved planes.Finally，RANSAC is applied to evaluate the model errors of planar points among abnormally curved planes and then to remove outliers.In the experiment，four typical indoor datasets such as apartment，loft，and offices are used to verify the proposed method.Experimental results demonstrate that the average segmentation accuracy can reach over 95%.The planar connectivity is preserved better than that by traditional RANSAC method.Compared with the traditional region growing method，the segmentation accuracy improves about 2%，and completeness increases about 17% on average.It is of great significance for the subsequent 3D reconstruction and robot navigation.

Key words：dense point cloud;plane segmentation;region growing;RANSAC segmentation;curvature of point cloud

0引言

近年來，隨著三維激光掃描技術(shù)的快速發(fā)展，高精度、數(shù)據(jù)海量的稠密點云已廣泛應用于逆向工程[1]、文物修復[2]、3D打印[3]、自動駕駛[4]等領(lǐng)域。如何從點云中快速、準確地提取出真實場景目標信息，已逐漸成為國內(nèi)外眾多學者的研究熱點。平面結(jié)構(gòu)由于具有良好的幾何特性，廣泛地存在于室內(nèi)外各場景中。魯棒的平面結(jié)構(gòu)可為場景結(jié)構(gòu)建模[5]、機器人導航定位[6]等提供穩(wěn)定的特征信息。稠密點云由于其數(shù)據(jù)細節(jié)豐富，可以較為魯棒地反映真實地物信息，但由于其數(shù)據(jù)海量，如何高效準確處理成為難題。因此稠密點云中快速準確地提取平面結(jié)構(gòu)已成為計算機領(lǐng)域中重要的研究內(nèi)容[7-8]。

國內(nèi)外眾多學者針對平面提取已做了部分研究，而目前的平面分割方法可總體分為模型擬合類方法、深度學習類方法和區(qū)域生長類方法。

1）模型擬合類方法。主要包括隨機采樣一致性算法（RANSAC）[9-10]和霍夫變換算法（Hough transformation）[11]。RANSAC算法首先預先設定平面參數(shù)，依據(jù)點到平面的距離，在全局范圍內(nèi)將三維點分為外點與內(nèi)點，并將內(nèi)點數(shù)最多的點集作為最終平面分割結(jié)果。部分學者對RANSAC方法進行改進，SCHNABEL等提出采用八叉樹優(yōu)化RANSAC算法，以提高平面提取效率[12]。熊風光等提出將K均值聚類與RANSAC相結(jié)合，以提高算法中的粗差點剔除率，在一定程度上提高了RANSAC算法的準確度[13]。RAGURAM等采用附加法向矢量的方式提取數(shù)據(jù)中的三角面片。以上方法雖然有較好的抗噪性，但計算效率較低，同時未考慮空間連通性，易在稠密點云數(shù)據(jù)中產(chǎn)生偽平面[14]。

霍夫變換算法將原始空間中平面檢測問題轉(zhuǎn)化為尋找參數(shù)空間峰值問題。目前主要模型有球體、直線、柱體和平面等。田朋舉等提出一種基于2DHough變換和八叉樹相結(jié)合的方法，實現(xiàn)建筑平面的有效分割[15]。HULIK等采用矢量約束來提高Hough變換算法檢測平面的準確度。但該類方法存在一定的平面誤識別現(xiàn)象[16]。

2）深度學習類方法。通過構(gòu)建卷積神經(jīng)網(wǎng)絡，對點云數(shù)據(jù)進行語義信息分割。以PointNet[17]、PointNet++[18]、PointCNN[19]等深度神經(jīng)網(wǎng)絡為代表，可有效實現(xiàn)在真實場景下，提取點云數(shù)據(jù)中平面結(jié)構(gòu)。YU等針對稀疏點云特性，提出網(wǎng)絡模型，提高平面擬合精度，但在稠密點云數(shù)據(jù)中的計算效率仍有待提高[20]。該類方法需大量樣本清洗及模型訓練等工作，當處理大規(guī)模稠密點云時，與傳統(tǒng)方法相比并無顯著優(yōu)勢。

3）區(qū)域生長類方法[21-22]。通常是利用法線、曲率等幾何屬性，分析點云局部空間的鄰接關(guān)系，進而實現(xiàn)平面點云的生長。薛婧雅等提出基于超體素與區(qū)域生長相結(jié)合的方式提高屋頂平面的分割精度[23]。王沖等采用動態(tài)分配權(quán)重的方法來提高法線解算精度，進一步提高區(qū)域生長算法的準確性[24]。FOTSING等采用ICP算法選取可靠的候選種子點，并在生長過程中采用體素表達點云，改善平面分割質(zhì)量[25]。ZHANG等提出一種基于2D和3D相互投影的區(qū)域生長方法，通過點云以及投影平面的幾何信息選取初始種子點，并通過區(qū)域生長條件判斷每個點的通視性，改善分割效果[26]。該類方法提取平面精度較高，但受到區(qū)域生長條件限制，平面結(jié)構(gòu)的完整度有待提高。同時該方法更關(guān)注于點云局部空間變化，對于平面結(jié)構(gòu)的整體考慮不足。

近年來一些學者也提出一些新方法，ZHU等將平面分解為多個平面段合并的結(jié)果，采用準逆理論（quasi-a-contrario theory）利用誤警值（false alarms）評估每個平面段的分割效果[27]。WANG等用L0梯度最小化算法的區(qū)域生長以及圖分割（graph cut）提取物體表面[28]。FATEMEH等提出多平面算法用于區(qū)分多平面立面的結(jié)構(gòu)和非結(jié)構(gòu)元素，從統(tǒng)計上考慮點組相對于其鄰居的位置，以進行識別的隔離多平面建筑的主立面[29]。

目前眾多研究方法多集中于某一類平面分割方法，并在此基礎上進行優(yōu)化，而忽略各類方法之間的關(guān)聯(lián)性。模型擬合類方法具有嚴格的數(shù)學模型，但是忽略了局部空間結(jié)構(gòu)的連續(xù)性。區(qū)域生長類方法強調(diào)局部空間中連續(xù)，而未對數(shù)據(jù)進行整體限制考慮，而過于嚴格的曲率閾值則會導致平面結(jié)構(gòu)的不完整。因此，綜合以上各類平面分割方法的特點，提出一種區(qū)域生長和RANSAC相結(jié)合的稠密點云平面分割方法。融合2類平面分割方法中數(shù)學模型以及局部空間約束的優(yōu)點，克服空間不連續(xù)及平面完整度不高的缺點。首先采用3種濾波方法實現(xiàn)點云初步的預處理，然后采用混合區(qū)域生長算法實現(xiàn)平面結(jié)構(gòu)的初分割，其次利用平面彎曲度約束對平面結(jié)構(gòu)的幾何狀態(tài)進行判斷，最后采用RANSAC算法剔除異常平面的粗差點，從整體提高平面分割的準確度。該方法綜合RANSAC和區(qū)域生長平面分割方法的優(yōu)點，在一定程度上提高平面分割的準確度與完整度。

1平面分割方法

1.1技術(shù)路線

平面分割技術(shù)路線如圖1所示。首先對原始稠密點云進行預處理，利用無效點剔除、統(tǒng)計濾波、體素濾波，顯著降低點云數(shù)據(jù)量，濾除大量離群噪聲點。然后提出一種混合區(qū)域生長分割方法實現(xiàn)場景中平面點云的初分割。其次以整個平面為基礎對平面進行彎曲度約束分析，檢測出彎曲度異常平面。最后采用RANSAC算法剔除平面粗差點，提高平面分割準確度和完整度。

1.2數(shù)據(jù)預處理

由于稠密點云數(shù)據(jù)海量，對其直接處理，嚴重影響處理效率，因此在平面分割前對其進行預處理，為后續(xù)平面特征提取做準備。

首先對稠密點云數(shù)據(jù)P進行數(shù)據(jù)格式檢查，尋找數(shù)據(jù)中存在的“非法”格式，如點云中常見的“NAN”，并對其進行剔除。然后采用統(tǒng)計濾波濾除噪聲點，其原理如公式（1）所示。最后采用體素濾波，在保證點云數(shù)據(jù)整體輪廓的前提下，降低點云數(shù)據(jù)量，其中體素濾波采用邊長為l（0.02 m）的三維網(wǎng)格。在預處理后得到點云數(shù)據(jù)P^V。

1.3點域區(qū)域生長

在預處理后，以三維點為基礎，結(jié)合局部鄰域空間分析，制定鄰域生長條件，進行點域內(nèi)的區(qū)域生長。主要包括以下步驟。

1.4面域區(qū)域生長

由于區(qū)域生長條件的限制，點域區(qū)域生長后的剩余點云Ple中仍包含部分屬于但未被歸類到相應平面結(jié)構(gòu)的三維點。文中進一步采用面域區(qū)域生長進一步處理未分類的平面點。圖2為面域區(qū)域生長的示意，主要包括以下步驟。

1）平面篩選。瑣碎的平面點云，通常并非真正的實體結(jié)構(gòu)，或?qū)鼍敖Y(jié)構(gòu)的表達的意義不大。因此如圖3所示，對于提取的平面點云，通過外接矩形面積近似作為平面點云面積，并經(jīng)驗性地設置面積閾值s（0.02 m²），剔除面積較小的平面，將其放回至剩余點云P^le中。

2）建立鄰域結(jié)構(gòu)。以平面為基礎，再次采用KD-tree在剩余點云中，對平面點云建立鄰域結(jié)構(gòu)，并去除重復的鄰域點（圖2中黃色點）。

3）平面生長。在每一個平面鄰域中，計算其到平面的距離，若小于距離閾值d1（0.03 m），則將其歸類為當前平面點云。

1.5平面彎曲度約束

平面分割后，以每一平面點云為基礎，計算平面的整體平均曲率，將其作為整個平面的彎曲度評價指標，主要包括以下步驟。

1）在公式（4）中，采用最小二乘法擬合平面方程，并計算整個平面點云重心點p_c。

1.6RANSAC檢核平面

平面彎曲度約束分析后，平面點云分為正常平面和彎曲度異常平面。如圖4在異常平面中采用RANSAC擬合平面點云方程，并計算整體平面的點云的誤差，將點到平面距離大于閾值d₂（0.02 m）的點，作為粗差值點，進行剔除，提高平面分割準確度。而彎曲度正常平面則無需進行RANSAC檢測，可認為其已基本滿足幾何一致性原則，直接保存為最后的平面分割點云。最后輸出所有平面點云。

2實驗結(jié)果與分析

2.1實驗數(shù)據(jù)與環(huán)境

實驗環(huán)境為Intel Core i7-5500U CPU@2.40 GHz 2.39 GHz，8.0 GB RAM，采用Ubuntu 16.04系統(tǒng)，C++編程實現(xiàn)。實驗采用4組數(shù)據(jù)，其中前2組數(shù)據(jù)來自PARK學者公布的公寓及閣樓場景點云數(shù)據(jù)[30]，后2組數(shù)據(jù)來自蘇黎世大學（UZH）的可視化與多媒體實驗室提供的辦公室掃描數(shù)據(jù)（https：//www.ifi.uzh.ch/en/vmml/research/datasets.html）。

圖5是采用文中預處理方法后的點云結(jié)果，體素濾波采用邊長為0.02m的三維體素網(wǎng)格進行體素化處理。從圖中預處理效果可以看出，在保持整體場景特征信息的前提下，點云數(shù)據(jù)量在一定程度上有所降低、大部分離群噪聲點得到有效剔除。

2.2平面分割對比實驗

在平面分割實驗中，選取傳統(tǒng)的區(qū)域生長和RANSAC方法作為對比實驗。各方法的分割效果如圖6所示，其中不同顏色表示不同平面點云。從圖中分割效果可以看出，RANSAC方法僅使用數(shù)學模型對點云進行分割，未能保證平面點云的連通性，致使多處不鄰的平面段誤識別為同一個平面點云。區(qū)域生長方法的分割效果總體較為良好，但平面分割受到生長條件的限制，未能保證平面的完整度，位于平面邊緣附近的點云未能很好進行歸類。目視效果上可見，文中方法可提取處場景中的大部分平面，同時平面之間的邊緣點云也得到良好歸類，平面結(jié)構(gòu)的區(qū)分度較高，在保證準確度的同時也保證了平面結(jié)構(gòu)的完整度。

2.3未分類點分布

為進一步對比分析平面分割方法性能，如圖7提取出各方法分割后未歸類到具體平面的剩余點云。在剩余點分布方面，RANSAC方法由于僅采用空間數(shù)學模型，保留剩余點數(shù)量最少。其次是文中方法，最后是傳統(tǒng)區(qū)域生長方法。相比于區(qū)域生長方法，文中方法可以更好地處理平面邊緣點，減少剩余點數(shù)量，提高平面完整度。

2.4精度評估

進一步量化分析分割方法的性能，采用式（7）和式（8）中準確度（Corrrectness，C_r）、完整度（Completeness，C_m）[31]指標評估各算法。實驗中采用CloudCompare軟件的標記功能，勾選數(shù)據(jù)中的平面點并添加Label作為評估的真值。

式中TP為正確分割平面點;FP為錯誤識別的平面點;FN為漏檢的平面點。

表1記錄了實驗中3種分割方法在4個數(shù)據(jù)的分割結(jié)果的平面數(shù)量、剩余點數(shù)、準確度和完整度。其中RANSAC方法由于空間幾何模型在全局范圍提取平面，可提取出場景中的絕大部分平面點。但由于實驗數(shù)據(jù)中存在大量的平面，致使RANSAC方法所提取的大部分平面點是空間非連續(xù)的，這與空間平面的幾何屬性相矛盾。區(qū)域生長方法和文中方法所分割平面均由空間連續(xù)三維點構(gòu)成，符合空間平面的幾何特性。同時相比于區(qū)域生長方法，文中方法在準確度與完整度方面均所有提升，4個場景中準確度均提升2%左右，均達到95%以上。完整度提高效果為：公寓場景提升約20%;閣樓場景提升約27%;辦公室1場景提升約12%;辦公室2場景提升約11%。文中方法更加魯棒地提取稠密點云中的平面結(jié)構(gòu)，并提高平面特征的完整度。為后續(xù)場景建模以及機器人定位導航提高更加魯棒的特征結(jié)構(gòu)。

3結(jié)論

1）利用點域內(nèi)區(qū)域生長和面域內(nèi)區(qū)域生長相結(jié)合，可以有效克服傳統(tǒng)區(qū)域生長在平面邊緣分割時的欠分割現(xiàn)象，平面分割的完整度提高約17%。

2）采用曲率值近似表達平面彎曲度，并對所分割的平面點云進行檢核，可以有效檢測出異常彎曲的平面，有利于檢測平面中的粗差點。

3）利用RANSAC檢核平面，可以在保證平面分割的連通性的基礎上，進一步提高平面分割的準確度，在典型的室內(nèi)場景中，分割的準確度可達到95%。

4）基于稠密點云數(shù)據(jù)的平面分割方法可為基于平面結(jié)構(gòu)的特征建模以及室內(nèi)機器人導航定位提供可靠的特征基礎。

參考文獻（References）：

[1]雷婉南，趙鵬飛.逆向工程橢圓柱構(gòu)件的擬合計算[J].大地測量與地球動力學，2010，30（5）：102-105，112.LEI Wannan，ZHAO Pengfei.Fitting calculation of elliptical cylinder component in reverse engineering[J].Journal of Geodesy and Geodynamics，2010，30（5）：102-105，112.

[2]高楊.三維激光掃描的文物破損區(qū)域修復研究[J].激光雜志，2021，42（1）：187-191.GAO Yang.Restoration of relics damaged area by 3D laser scanning[J].Laser Journal，2021，42（1）：187-191.

[3]徐文鵬，苗龍濤，侯守明，等.基于體素模型的3D打印支撐算法[J].圖學學報，2018，39（2）：228-234.XU Wenpeng，MIAO Longtao，HOU Shouming，et al.Construction of support structure based on voxelization models for 3D printing[J].Journal of Graphics，2018，39（2）：228-234.

[4]霍桂利.基于智能控制算法的自動駕駛系統(tǒng)優(yōu)化研究[J].現(xiàn)代電子技術(shù)，2019，42（20）：177-180.HUO Jiali.Optimization of automatic driving system based on intelligent control algorithm[J].Modern Electronics Technique，2019，42（20）：177-180.

[5]白云.煤礦救援蛇形機器人環(huán)境建模方法研究[J].西安科技大學學報，2014，34（4）：485-489.BAI Yun.Research on environment modeling method of the coal mine rescue snake-like robot[J].Journal of Xian University of Science and Technology，2014，34（4）：485-489.

[6]楊林，馬宏偉，王川偉，等.校園巡檢機器人智能導航與控制[J].西安科技大學學報，2018，38（6）：1013-1020.YANG Lin，MA Hongwei，WANG Chuanwei，et al.Intelligent navigation and control of campus inspection robot[J].Journal of Xian University of Science and Technology，2018，38（6）：1013-1020.

[7]CEDRIQYE F，NAREPH M，CHRISTOPHE B.Iterative closest point for accurate plane detection in unorganized point clouds[J].Automation in Construction，2021，125：103610.

[8]ABNER M C A，MANUEL M O.A robust statistics approach for plane detection in unorganized point clouds[J].Pattern Recognition，2020，100：107115.

[9]FISCHLER M A，BOLLES R C.Random sample consensus：A paradigm for model fitting with applications to image analysis and automated cartography[J].Communications of the ACM，1981，24（6）：381-395.

[10]胡偉，盧小平，李珵，等.基于改進RANSAC算法的屋頂激光點云面片分割方法[J].測繪通報，2012（11）：31-34.HU Wei，LU Xiaoping，LI Cheng，et al.Extended RANSAC algorithm for building roof segmentation from LiDAR data[J].Bulletin of Surveying and Mapping，2012（11）：31-34.

[11]DUDA R O，HART P E.Use of the hough transformation to detect lines and curves in pictures[J].Cacm，1972，15（1）：11-15.

[12]SCHNABELR，WAHL R，KLEIN R.Efficient RANSAC for point cloud shape detection[J].Computer Graphics Forum，2007，26（2）：214-226.

[13]熊風光，霍旺，韓燮，等.三維點云中關(guān)鍵點誤匹配剔除方法[J].光學學報，2018，38（2）：128-138.XIONG Fengguang，HUO Wang，HAN Xie，et al.Removal method of mismatching keypoints in 3D point cloud[J].Acta Optica Sinica，2018，38（2）：128-138.

[14]RAGURAM O C，POLLEFEYS M，MATAS J，et al.USAC：A universal framework for random sample consensus[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2013，35（8）：2022-2038.

[15]田朋舉，花向紅，康停軍，等.一種基于點云數(shù)據(jù)的建筑物平面精細分割方法[J].測繪科學，2021，46（2）：122-129.TIAN Pengju，HUA Xianghong，KANG Tingjun，et al.Fine segmentation of building planar feature from large scale unorganized point cloud[J].Science of Surveying and Mapping，2021，46（2）：122-129.

[16]HULIK R，SPANEL M，SMRZ P，et al.Continuous plane detection in point-cloud data based on 3D hough transform[J].Journal of Visual Communication & Image Representation，2014，25（1）：86-97.

[17]GRAHAM B.Spatially-sparse convolution neural networks[J].Computer Science，2014，34（6）：864-867.

[18][18]CHARLES R Q，SU H，KAICHUN M，et al.PointNet：Deep learning on point Sets for 3D classification and segmentation[C]//Symposium on Computer Vision and Pattern Recognition （CVPR），July 21-16，2017， Honolulu，HI：IEEE，c2017：77-85.

[19]QI C R，LI Y，HAO S，et al.PointNet++：Deep hierarchical feature learning on point sets in a metric space[C]//Symposium on 31st Annual Conference on Neural Information Processing Systems（NIPS），December 4-9 2017，Long Beach，California：Neural Information Processing Systems Foundation，c2017：5100-5109.

[20]YU Y，LI F，ZHENG Y，et al.Clustering-enhanced pointcnn for point cloud classification learning[C]//Symposium on International Joint Conference on Neural Networks（IJCNN），July 14-19，2019，Budapest，Hungary：IEEE，c2019：1-6.

[21]NURUNNABI A，BELTON D，WEST G.Robust segmentation in laser scanning 3D point cloud data[C]//Symposium on International Conference on Digital Image Computing Techniques & Applications，December 3-5，F(xiàn)remantle，WA：IEEE，c2012：1-8.

[22]SHI P，YE Q，ZENG L.A Novel indoor structure extraction based on dense point cloud[J].International Journal of Geo-Information，2020，9（11）：660.

[23]薛婧雅，李禮，龔燁，等.一種基于超體素與區(qū)域生長的機載點云屋頂平面分割方法[J].測繪地理信息，2021，46（S1）：232-236.XUE Jingya，LI Li，GONG Ye，et al.A method for roof plane segmentation by supervoxel and regional growth[J].Journal of Geomatics，2021，46（S1）：232-236.

[24]王沖，李鍛能，鄧君裕，等.改進法線方向的點云實時分割提取平面方法研究[J].計算機測量與控制，2018，26（5）：210-213.WANG Chong，LI Duanneng，DENG Junyu，et al.Real-time point clouds plane segmentation based on improved normal direction[J].Computer Measurement & Control，2018，26（5）：210-213.

[25]FOTSING C，MENADJOU N F，BOBDA C.Iterative closest point for accurate plane detection in unorganized point clouds[J].Automation in Construction，2021，125：103610.

[26]ZHANG W，ZHOU F，WANG L，et al.Region growing based on 2-D 3-D mutual projections for visible point cloud segmentation[J].IEEE Transactions on Instrumentation and Measurement，2021，70：1-13.

[27]ZHU X，LIU X，ZHANG Y，et al.Robust 3-D plane segmentation from airborne point clouds based on Quasi-A-Contrario theory[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2021，14：7133-7147.

[28]WANF X，JI S.Roof plane segmentation from LiDAR point cloud data using region expansion based L0 gradient minimization and graph cut[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2021，14：7133-7147.

[29]FATEMEH H.Point cloud segmentation and classification of structural elements in multi-planar masonry building facades[J].Automation in Construction，2020，118：103232.

[30]PARK J，ZHOU Q Y，KOLTUN V.Colored point cloud registration revisited[C]//Symposium on International Conference on Computer Vision，October 22-29，Venice：IEEE，c2017：134-152.

[31]AWRANGJEB M，F(xiàn)RASER C S.An automatic and threshold-free performance evaluation system for building extraction techniques from airborne LiDAR data[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7（10）：184-4198.