一種超大視場中紅外弱小運動目標(biāo)的快速檢測方法

張 帥，劉秉琦，李 勇，黃富瑜，陳玉丹，余 皓

?

一種超大視場中紅外弱小運動目標(biāo)的快速檢測方法

張 帥1，劉秉琦1，李 勇2，黃富瑜1，陳玉丹1，余 皓1

（1.軍械工程學(xué)院 電子與光學(xué)工程系，河北 石家莊 050003；2.河南質(zhì)量工程職業(yè)學(xué)院，河南 平頂山 467000）

超大視場紅外凝視成像系統(tǒng)具有視場大、被動探測、凝視探測等獨特優(yōu)勢，但當(dāng)系統(tǒng)用于弱小目標(biāo)檢測時，由于背景復(fù)雜、噪聲干擾、目標(biāo)信息少等問題，檢測的準(zhǔn)確性和效率往往不高。本文通過采用超大視場中空時域融合處理的思想，提出了一種基于最大化背景模型進行背景抑制的改進方法。該方法首先通過圖像預(yù)處理、多幀差分選取研究區(qū)域；然后通過改進的背景預(yù)測模型檢測疑似目標(biāo)點；最后，利用鄰域相關(guān)準(zhǔn)則判定真實目標(biāo)。通過實驗證明：該方法將原方法中的目標(biāo)信噪比提高了5倍以上，灰度值提高了10倍以上，而且保留了更多的目標(biāo)信息。同時目標(biāo)檢測時間減少了50%以上，提高了檢測準(zhǔn)確性和檢測效率。

紅外弱小目標(biāo)；快速檢測；超大視場；最大化背景模型

0 引言

紅外探測系統(tǒng)因其被動式探測、隱蔽性好等優(yōu)勢，被廣泛用于戰(zhàn)場偵察和預(yù)警等方面。隨著現(xiàn)代武器向著快速化、小型化發(fā)展，現(xiàn)代戰(zhàn)場呈現(xiàn)出“全方位實時”打擊的特點，紅外探測系統(tǒng)需要能夠?qū)崟r感知各個方向的來襲攻擊。超大視場紅外凝視系統(tǒng)具有探測空域大、實時性好、體積小等獨特優(yōu)勢，因此，在機器視覺[1]、自主導(dǎo)航[2]、激光告警[3]、目標(biāo)識別跟蹤[4]等領(lǐng)域有著廣闊的應(yīng)用前景。

復(fù)雜環(huán)境下的紅外弱小目標(biāo)檢測一直是圖像處理和計算機視覺領(lǐng)域的研究熱點之一[5]。目前，針對小視場紅外目標(biāo)的檢測算法比較成熟，例如數(shù)學(xué)形態(tài)學(xué)法、小波分析法、均值濾波法等。但是，在超大視場的紅外目標(biāo)檢測中，存在以下難點：

1）相比小視場，大視場背景更為復(fù)雜，噪聲干擾更多，目標(biāo)在探測器上的能量弱，信噪比低；

2）探測單元對應(yīng)的視場角大，目標(biāo)在像面上的成像面積僅為幾個像素甚至不足一個像素，形狀、紋理等特征信息不明顯；

3）單個探測元的空間分辨率低，因此目標(biāo)運動相對緩慢，目標(biāo)在幀幀之間的位置變化不明顯，不易區(qū)分。

在針對弱小目標(biāo)的檢測方法中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練、小波分析等有較好的檢測效果，但紅外系統(tǒng)的檢測要求具有良好的實時性，而這些方法都會帶來繁瑣的計算過程，從計算量和實時處理上不能達到要求。通過背景抑制檢測目標(biāo)的方法較為簡單、可靠，其中心思想就是利用背景估計的方法將背景預(yù)測出來，并在原圖像中去掉預(yù)測背景，達到檢測的目的[6-7]。背景抑制實則是一種低通濾波，近年來，國內(nèi)外研究較多的包括圖像濾波、Top-hat法和自適應(yīng)權(quán)值法等。圖像濾波方法中包括均值濾波、高通濾波、維納濾波等方法，這些濾波方法往往針對某種噪聲具有一定的效果，但圖像中混合有多種噪聲，因此圖像濾波在使用中具有一定的局限性。Gonzalez R. C.介紹了典型的Top-Hat變換方法是一種數(shù)學(xué)形態(tài)學(xué)開運算，該方法具有良好的實時性且硬件實現(xiàn)方便，但在灰度變化劇烈的雜波背景圖像中背景預(yù)測效果一般[8]。自適應(yīng)權(quán)值法根據(jù)圖像背景的變化改變權(quán)值，可達到準(zhǔn)確預(yù)測背景的目的。Ohki M所研究的最小均方濾波器采用的就是自適應(yīng)權(quán)值線性濾波的思想[9]。Leung將非線性濾波方法用于復(fù)雜背景的預(yù)測中，較線性濾波方法目標(biāo)檢測效果更好[10]。徐軍提出了一種最大化背景模型用于紅外弱小目標(biāo)檢測的方法，能夠有效估計起伏較大的背景，提高紅外弱小目標(biāo)的檢測性能[11]。陳玉丹提出了一種最大化背景模型的改進方法，達到了抑制干擾和提高信噪比的目的[12]。但是，考慮到超大視場中目標(biāo)的成像特點和運動特點，單獨使用某種檢測方法的檢測效果和可靠性往往不高。針對這個問題，在超大視場中采用基于空時域融合處理的方法，具有良好的檢測效果[13]。

綜上，本文在超大視場中采用空時域融合處理的思想對這種最大化背景模型進行了改進。該改進方法通過圖像預(yù)處理和隔幀差分選取感興趣的研究區(qū)域，利用最小化背景模型預(yù)測背景和提取疑似目標(biāo)，利用鄰域相關(guān)判決準(zhǔn)則實現(xiàn)真實目標(biāo)檢測。通過實驗證明，這種方法提高了超大視場中紅外運動目標(biāo)的檢測效率和準(zhǔn)確性。

1 背景預(yù)測方法

1.1 傳統(tǒng)背景預(yù)測方法

在紅外圖像中，在背景均勻的條件下，背景點與周圍背景相關(guān)性比較高，背景中的像素灰度值可通過周圍背景點實現(xiàn)預(yù)測，并且預(yù)測誤差通常較小。而目標(biāo)和噪聲點對于周圍背景的差別較大，相關(guān)性較差，通過周圍背景預(yù)測的目標(biāo)點和噪聲點的灰度值與實際灰度值差異較大，因此可以將原圖像和預(yù)測圖像進行差分，達到抑制背景的目的。然后在差分后的圖像中，通過圖像濾波、多幀積累、閾值分割等方法進一步濾除噪聲，從而提高紅外目標(biāo)的檢測概率。在傳統(tǒng)的背景預(yù)測方法中，一般通過在待預(yù)測點附近選取一定大小的預(yù)測窗口來進行預(yù)測。設(shè)(,)是紅外圖像中待預(yù)測點(,)處的灰度值，則在其附近一定的空域內(nèi)，對該點的灰度預(yù)測值(,)為：

式中：(,)是第次自適應(yīng)迭代后的權(quán)值矩陣，大小為×?。差分圖像為：

(,)＝(,)－(,) (2)

為了提高檢測概率，權(quán)值矩陣(,)可通過多種方法設(shè)置為不同的濾波模板。其中，最為簡單的一種是等值權(quán)重：

(,)＝1/(×) (3)

式中：是預(yù)測窗口的長度。相較其他權(quán)重模板，這種等值權(quán)重不涉及級數(shù)，計算過程簡單、有效，同時具有良好的檢測效果和檢測快速性。

但是，這種方法只適用于背景均勻、起伏不大的紅外圖像中的目標(biāo)檢測。與小視場相比，超大視場中背景更加復(fù)雜，干擾更多，尤其是當(dāng)目標(biāo)處在背景變化較大的位置時，使用傳統(tǒng)的背景預(yù)測方法進行預(yù)測會導(dǎo)致產(chǎn)生較多的虛假目標(biāo)，這對目標(biāo)的檢測是十分不利的。

1.2 最大化背景模型

針對在復(fù)雜背景中傳統(tǒng)背景預(yù)測方法效果不佳的狀況，最大化背景模型改善了這個問題。“區(qū)域最大化背景模型”將預(yù)測區(qū)域分為4個區(qū)域，分別對應(yīng)歐幾里德的4個象限：

背景在4個象限中的預(yù)測值大小不一，取最大值作為該點的背景預(yù)測值：

這樣，經(jīng)過與原圖像差分后，如果預(yù)測點為背景點，差分后的圖像中該點像素灰度值小于或等于零，如果預(yù)測點為目標(biāo)點，可以通過閾值分割很好地將目標(biāo)從復(fù)雜背景提取出來。但是，這種方法一定程度上也減小了目標(biāo)點的灰度值和信噪比。

同時，相較小視場，超大視場中單個視場圖像要大的多，像素數(shù)目是小視場中的數(shù)倍。如果單獨采用這種背景預(yù)測方法來抑制背景，無疑帶來了巨大的運算量。而且在超大視場中，目標(biāo)本身信號強度和信噪比比較弱小，如果目標(biāo)作為像素原點的話，由于目標(biāo)點在其鄰域內(nèi)灰度值一般是最高的，目標(biāo)對背景預(yù)測也會有很大的貢獻，這會導(dǎo)致最大化背景模型預(yù)測的背景灰度值較高，經(jīng)過背景抑制后，目標(biāo)的能量會大大降低，信噪比也會減小，增加了后續(xù)目標(biāo)檢測的困難。基于此，應(yīng)該結(jié)合空時域融合處理的方式來提高其檢測效果。

2 超大視場中紅外弱小運動目標(biāo)檢測

超大視場中通過大空域探測可以全方位、實時預(yù)警和偵察，但發(fā)現(xiàn)疑似目標(biāo)后需要快速檢測出來，此時，這些存在疑似目標(biāo)的區(qū)域就是我們感興趣的研究區(qū)域。但目標(biāo)檢測不能通過簡單的預(yù)處理就獲取真實的目標(biāo)位置，需要對捕獲到的疑似目標(biāo)進行判別，確定真實目標(biāo)。由于目標(biāo)在大視場中的運動具有連續(xù)性和軌跡性等特征，而噪聲是隨機的，沒有規(guī)律可言，因此可根據(jù)這些特點實現(xiàn)目標(biāo)檢測。

2.1 研究區(qū)域最小化背景預(yù)測

幀間差分是一種傳統(tǒng)的目標(biāo)檢測方法，這種方法通過對背景進行抑制，提高目標(biāo)的檢測概率[14]。相比背景差分方法，這種方法對背景適應(yīng)性好，穩(wěn)定性高。但缺點是不易濾除噪聲、容易造成目標(biāo)空洞及目標(biāo)能量損失較大，導(dǎo)致檢測到的目標(biāo)中丟失了較多的有用信息。同時，超大視場中的目標(biāo)在幀與幀之間的位置變化不大，目標(biāo)可能存在重疊的部分，因此圖像幀間差分法不是十分準(zhǔn)確。隔幀差分法可以利用運動目標(biāo)位置有規(guī)律的變化來抑制背景、突出疑似目標(biāo)，因此本文通過圖像預(yù)處理和隔幀差分完成對目標(biāo)的初步判決。在超大視場中通過確定感興趣的研究區(qū)域，可減小檢測運算量、縮短檢測時間，從而提高檢測效率。如圖1，經(jīng)過隔幀差分的圖像中，存在灰度值相對較高的“疑似目標(biāo)”，可以利用這個特點選取研究區(qū)域。

確定研究區(qū)域后，利用最大化背景模型進行檢測時，目標(biāo)能量損失較大、信噪比降低的問題。針對這些問題，本文對原方法進行了改進：在超大視場中的研究區(qū)域內(nèi)設(shè)置一定大小的疑似目標(biāo)窗口，預(yù)測時對其不進行統(tǒng)計，去除疑似目標(biāo)對背景預(yù)測的影響。同時，最大化背景預(yù)測對目標(biāo)點的背景預(yù)測灰度值偏高，造成目標(biāo)能量損失，因此本文采用最小化背景預(yù)測，即：

圖1 隔幀差分圖像灰度直方圖

Fig.1 Gray histogram of discontinuous frame-difference image

min(,)＝min{1(,),2(,),3(,),4(,)} (9)

這種方法確保了疑似目標(biāo)點的信號能量和信噪比較高，為后續(xù)檢測做好了準(zhǔn)備。本文綜合考慮檢測的準(zhǔn)確性和快速性，以初步檢測得到的疑似殘留目標(biāo)為中心，設(shè)置研究區(qū)域大小為90×90，圖2是采用最小化背景預(yù)測方法得到的背景預(yù)測圖像。圖2(a)、(b)分別是序列一中第16幀及預(yù)測背景，圖2(c)、(d)分別是序列二中第40幀及預(yù)測背景。

2.2 自適應(yīng)閾值分割

從圖2中可看出，經(jīng)過抑制后的背景中，疑似目標(biāo)與背景的對比度比較低，不易觀察，而且還存在一定的噪聲干擾。為提高疑似目標(biāo)與背景的對比度、濾除噪聲、降低目標(biāo)檢測的復(fù)雜程度，采用自適應(yīng)閾值分割的方法，閾值可采用：

＝＋×(10)

式中：是分割閾值；是圖像灰度平均值；是圖像的標(biāo)準(zhǔn)差；是權(quán)重系數(shù)，一般選取2～5。的選取大部分是通過經(jīng)驗公式獲得的，文中設(shè)置圖像目標(biāo)信噪比（SNR）為，即令＝SNR，可以取得良好的分割效果。但是實驗過程中發(fā)現(xiàn)，閾值分割效果不佳，仍存在較多噪聲，原因是分割閾值偏小。這是因為預(yù)測窗口內(nèi)的圖像經(jīng)過與預(yù)測背景的差分之后，許多像素點的灰度值變?yōu)榱悖嬎氵^程中也被統(tǒng)計在內(nèi)。為使閾值更好地匹配差分圖像、濾除噪聲，本文實驗只考慮灰度值為非零的像素點，這樣，噪聲濾除效果得到了很好的提高，如圖3所示。

2.3 鄰域相關(guān)判定目標(biāo)

經(jīng)過在多幀圖像中對研究區(qū)域進行檢測，目標(biāo)在每一幀圖像中的位置有所變化。通過對比可發(fā)現(xiàn)，在鄰域范圍之內(nèi)，目標(biāo)的位置變化是連續(xù)的，而噪聲點的變化是隨機的，或者噪聲點不存在。鄰域目標(biāo)判決準(zhǔn)則為：對于當(dāng)前圖像中出現(xiàn)的某個疑似目標(biāo)點，如果以后連續(xù)幀圖像中相應(yīng)的某個小鄰域內(nèi)出現(xiàn)次數(shù)在（≤）次以上，則判定該疑似目標(biāo)點為真實目標(biāo)，予以保留；否則判斷該點為噪聲點，予以剔除[15]。但是，單獨通過鄰域位置相關(guān)判定無法排除疑似目標(biāo)點，所以可以根據(jù)檢測目標(biāo)在超大視場中的成像及運動特點實現(xiàn)判定。當(dāng)探測目標(biāo)距離較遠，超大視場中真實目標(biāo)的成像面積一般為3～5個像素點，否則為假目標(biāo)；同時目標(biāo)在像面的運動速度一般不足0.5 pixels/frame，在連續(xù)的短時間內(nèi)，目標(biāo)的運動軌跡可以近似為勻速直線運動。根據(jù)這些特點，可通過時域多步判斷逐步排除疑似目標(biāo)，最終確定真實目標(biāo)。

如圖4中(a)和(b)分別為在序列一和序列二連續(xù)10幀的隔幀圖像中，檢測到的亮點位置變化。從連續(xù)多幀圖像中可看出，亮點位置的變化是連續(xù)的，且都在預(yù)測的鄰域范圍內(nèi)，據(jù)此可判定此亮點為目標(biāo)點。

3 實驗結(jié)果

本文對兩組超大視場中的弱小目標(biāo)進行了檢測實驗。序列一中的目標(biāo)位于背景起伏較大的位置，通過原方法檢測得到的圖像中目標(biāo)信號十分微弱，目標(biāo)與背景對比度低，如圖5(b)，通過本文改進方法，提高了目標(biāo)與背景的對比度，如圖5(c)。序列二中的目標(biāo)位于復(fù)雜天空背景中，噪聲較多，信噪比較低，通過原方法檢測得到的圖像中存在較多干擾，如圖5(e)，通過本文改進方法，提高了目標(biāo)與背景的對比度，保留了較多的目標(biāo)信息，如圖5(f)。通過實驗證明，在研究區(qū)域使用改進的背景預(yù)測模型，很好地抑制了復(fù)雜背景，剔除了噪聲干擾，并且比較完整地保留了疑似目標(biāo)的有用信息。

圖2 研究區(qū)域背景預(yù)測及差分效果

圖3 自適應(yīng)閾值分割效果

表1、表2分別對比了序列一、序列二圖像中使用原方法和本文方法的檢測效果，包括研究區(qū)域內(nèi)目標(biāo)灰度平均值、圖像標(biāo)準(zhǔn)差、信噪比和檢測時間。從表中的實驗數(shù)據(jù)可看出：在研究區(qū)域內(nèi)，原方法采用最大化背景模型檢測，本文方法通過自適應(yīng)閾值分割、去除目標(biāo)對背景的估計、最小化背景模型等方式進行檢測，這兩種方法都具有一定的背景抑制效果，圖像的標(biāo)準(zhǔn)差都比原圖像有了較大的下降；經(jīng)過原方法背景抑制后，圖像中目標(biāo)平均灰度值下降嚴(yán)重，信噪比提高不明顯，而經(jīng)過本文的改進方法進行背景抑制后，目標(biāo)平均灰度值比原方法提高了10倍以上，信噪比提高了5倍以上，檢測時間也減少了50%以上，而原方法一般使用在全幅圖像中，檢測時間將變得更長，十分不利于快速檢測。總之，通過在研究區(qū)域內(nèi)利用最小化背景模型抑制背景，對原方法的改進效果明顯，基本實現(xiàn)了在超大視場中快速、準(zhǔn)確地檢測紅外運動目標(biāo)。

4 結(jié)論

基于最大化背景模型的背景預(yù)測在小視場復(fù)雜背景中具有一定的檢測效果。但是，由于超大視場中背景更加復(fù)雜、干擾更多，這種方法的檢測效果不佳，例如目標(biāo)信息丟失嚴(yán)重，信噪比提高不夠明顯，甚至有所降低。針對這些問題，本文提出了一種紅外弱小運動目標(biāo)檢測的改進方案，即采用空時域融合處理的思想，通過圖像預(yù)處理和隔幀差分選取研究區(qū)域，利用最小化背景模型預(yù)測背景，利用鄰域相關(guān)準(zhǔn)則確定真實目標(biāo)。通過實驗證明，在超大視場的紅外弱小運動目標(biāo)檢測中，本文的改進方法效果明顯，并提高了目標(biāo)信噪比，減小了圖像標(biāo)準(zhǔn)差，縮短了檢測時間，保留了更多的目標(biāo)信息，具有良好的檢測效率和檢測準(zhǔn)確性。

圖4 目標(biāo)多幀檢測效果

Fig.4 Target detection effect of multi-frame

圖5 本文方法和原方法檢測結(jié)果對比

表1 序列一檢測效果

表2 序列二檢測效果

[1] KIM Deukhyeon, CHOI Jinwook, YOO Hunjae, et al. Rear obstacle detection system with fisheye stereo camera using HCT[J]., 2015, 42: 6295-6305.

[2] COURBON J, MEZOUAR Y, GUéNARD N, et al. Vision based navigation of unmanned aerial vehicles[J]., 2010, 18: 789.

[3] 王龍, 王永仲, 沈?qū)W舉, 等. 光柵衍射型超廣角激光告警系統(tǒng)的靈敏度分析[J]. 激光與紅外, 2014, 44(3): 293-297.

WANG Long, WANG Yongzhong, SHEN Xueju, et al. Analysis of detective sensitivity for super wide-angle laser warning system based on grating diffraction[J]., 2014, 44(3): 293-297.

[4] WANG Yonghong. Biomimetic staring infrared imaging omni directional detection technology[J].., 2010, 55(27): 3073.

[5] 侯旺, 于起峰, 雷志輝, 等. 基于分塊速度域改進迭代運動目標(biāo)檢測算法的紅外弱小目標(biāo)檢測[J]. 物理學(xué)報, 2014, 63(7): 074208.

HOU Wang, YU Qifeng, LEI Zhihui, et al. A block-based improved recursive moving-target-indication algorithm[J].., 2014, 63(7): 074208.

[6] 楊麗萍, 馮曉毅. 一種基于背景預(yù)測的紅外弱小目標(biāo)檢測方法[J]. 紅外技術(shù), 2007, 29(7): 404-408.

YANG Liping, FENG Xiaoyi. Weak and small infrared targets detection based on background prediction[J]., 2007, 29(7): 404-408.

[7] 朱金標(biāo). 低信噪比紅外圖像弱小目標(biāo)檢測研究[D]. 上海: 上海交通大學(xué), 2009.

ZHU Jinbiao. Investigation on Dim Point Target Detection in Low SNR Infrared Image[D]. Shanghai: Shanghai Jiao Tong University, 2009.

[8] GONZALEZ R C, WOODS R E.[M]. 2nd Edition, Heidelberg, Springer Berlin Heidelberg: 2003.

[9] OHKI M, HASHIGUCHI S. Two-dimensional LMS adaptive filters[J]., 1991, 37(1): 66-73.

[10] LEUNG H, YOUNG A. Small target detection in clutter using recursive nonlinear prediction[J]., 2000, 36(2): 713-718.

[11] 徐軍, 向健華, 粱昌洪. 最大化背景模型用于檢測紅外圖像中的弱小目標(biāo)[J]. 光子學(xué)報, 2002, 31(12): 1483-1486.

XU Jun, XIANG Jianhua, LIANG Changhong. The small target detection in infrared image based on maximum background model prediction[J]., 2002, 31(12): 1483-1486.

[12] 陳玉丹. 基于最大化背景預(yù)測的圖像預(yù)處理技術(shù)研究[J]. 紅外技術(shù), 2006, 28(12): 683-685.

CHEN Yuan. Image preprocessing for infrared small target detection based on maximum background model prediction[J]., 2006, 28(12): 683-685.

[13] 黃富瑜, 沈?qū)W舉, 劉旭敏, 等. 基于空時域融合處理檢測超大視場紅外目標(biāo)[J]. 光學(xué)精密工程, 2015, 23 (8): 2328-2338.

HUANG Fuyu, SHEN Xueju, LIU Xuming, et al. Detection of super wide-field infrared target based on spatial-temporal fusion processing[J]., 2015, 23(8): 2328-2338.

[14] 王建剛, 李醒飛, 陳誠, 等. 改進TLD算法在光電跟蹤中的應(yīng)用[J]. 紅外技術(shù), 2015, 37(10): 824-830.

WANG Jiangang, LI Xingfei, CHEN Cheng, et al. Improved TLD approach applied in optoelectronic tracking[J]., 2015, 37(10): 824-830.

[15] 張艷晶. 復(fù)雜云背景下紅外運動小目標(biāo)檢測算法研究[D]. 合肥:國防科學(xué)技術(shù)大學(xué), 2003.

ZHANG Yanjing. Research on Detecting Algorithm of Moving Dim Small Targets in IR Images with Complex Cloud Background[D]. Heifei: National University of Defense Technology, 2003.

Rapid Detection Method for Infrared Weak and Small Moving Target of Super Wide-field Image

ZHANG Shuai1，LIU Bingqi1，LI Yong2，HUANG Fuyu1，CHEN Yudan1，YU Hao1

(1.,,050003,;2,467000,)

The super wide-field infrared staring system has unique characters such as vast detection airspace, passive detection, staring detection, and so on. However, when a super wide-field infrared staring system is used to detect weak and small targets, it may show complex background, more noise jamming and little target information. So the detection accuracy is always low. By using the idea of spatial-temporal fusion processing in super wide-field image, an improved method based on maximum background model prediction is proposed in the paper. Firstly, image preprocessing and multi-frame difference are carried out to select study regions. Then, the improved model is used to detect all suspicious targets in whole infrared image. At last, the real target is confirmed by neighborhood correlation rule. The experiment proves that: the Signal to Noise Ratio(SNR) of proposed method is increased more than5 times and the gray value of target is increased more than 10 times. Meanwhile, more target information is preserved than before. The time of target detection is decreased by more than 50% and the accuracy and efficiency of detection are improved.

infrared weak and small target，rapid detection，super wide-field，maximum background model

TN215，TP391.9

A

1001-8891(2016)08-0693-06

2016-01-27；

2016-03-07.

張帥（1992-），男，山西呂梁人，碩士研究生，研究方向為紅外目標(biāo)檢測與跟蹤。E-mail：496352056@qq.com。