基于對(duì)稱性的快速車輛檢測(cè)方法

陳志猛，劉東權(quán)

（四川大學(xué) 計(jì)算機(jī)學(xué)院，四川 成都610064）

0 引 言

車輛檢測(cè)技術(shù)一直是智能交通和模式識(shí)別領(lǐng)域的一個(gè)重要研究課題，有著十分廣泛的應(yīng)用。車輛檢測(cè)技術(shù)作為車輛跟蹤、視頻測(cè)速、流量統(tǒng)計(jì)，車輛識(shí)別等技術(shù)的前提，其檢測(cè)的速度和精準(zhǔn)度都將直接影響著智能交通系統(tǒng)的整體效率和質(zhì)量。車輛檢測(cè)是一種典型的目標(biāo)檢測(cè)和目標(biāo)定位技術(shù)，其主要任務(wù)是檢測(cè)所拍攝的車道路圖像中是否存在感興趣的車輛并確定其位置。由于受道路圖像的自然背景、車道線、光照條件、車標(biāo)模糊、污損、變形傾斜等影響，車輛檢測(cè)與定位一直是一個(gè)具有挑戰(zhàn)性的熱點(diǎn)研究課題。隨著近年來計(jì)算機(jī)技術(shù)的不斷提高和智能交通發(fā)展，車輛檢測(cè)技術(shù)有了很大的突破。

車輛檢測(cè)的常用的方法有：①幀差法［1－3］，幀差法于場(chǎng)景的變化具有較強(qiáng)的自適應(yīng)性，但一般不能完全提取出所有相關(guān)的特征像素點(diǎn)，在運(yùn)動(dòng)實(shí)體內(nèi)部產(chǎn)生空洞現(xiàn)象，容易漏檢運(yùn)動(dòng)速度較慢的車輛，并且常常會(huì)將一輛車分成幾個(gè)部分造成多檢。②光流法［4－6］，在攝像機(jī)運(yùn)動(dòng)的前提下也能檢測(cè)出獨(dú)立的運(yùn)動(dòng)目標(biāo)，但光流計(jì)算方法相當(dāng)復(fù)雜，計(jì)算量大，且去噪性能差。③基于立體視覺的車輛檢測(cè)法［7－9］，運(yùn)用兩個(gè)或多個(gè)攝像機(jī)對(duì)同一景物從不同位置成像獲得立體像對(duì)，通過各種算法匹配出相應(yīng)像點(diǎn)，從而恢復(fù)深度 （距離）信息。該方法能在車速很小時(shí)直接檢測(cè)其位置，但它要求正確標(biāo)定攝像機(jī)，受車輛運(yùn)動(dòng)或天氣等因素影響，這是很難做到的。④基于知識(shí)的方法10，利用車輛的形狀、顏色、對(duì)稱性等信息，以及道路和陰影等常識(shí)信息進(jìn)行相關(guān)檢測(cè)。該方法簡(jiǎn)單、直觀，易于編程實(shí)現(xiàn)，但需要估計(jì)多個(gè)經(jīng)驗(yàn)閾值，如車輛長(zhǎng)寬的經(jīng)驗(yàn)比值、車輛邊緣的最小長(zhǎng) 度、車輛陰影與道路的灰度差異閾值等。經(jīng)驗(yàn)閾值準(zhǔn)確與否，直接關(guān)系系統(tǒng)性能的好壞。這些方法都有一定的局限性。而且只能檢測(cè)攝像頭前方固定區(qū)域，檢測(cè)一部分圖像上的車輛。

基于以上算法的不足，本文提出了一種基于對(duì)稱性的快速車輛檢測(cè)新方法。該方法能在最大限度的減少非車輛圖像區(qū)域帶來的干擾的基礎(chǔ)上，充分利用車輛具有對(duì)稱性和車輛水平邊緣等重要特性實(shí)現(xiàn)對(duì)圖像中所有車輛的快速、精準(zhǔn)定位。

1 對(duì)稱性原理

在道路圖像中，行駛的汽車具有一定程度的對(duì)稱性，對(duì)稱性是各種不同車型汽車所具有的一個(gè)共同特性。本文利用汽車的對(duì)稱性特征檢測(cè)出道路圖像中的汽車。本算法的對(duì)稱性描述如下：

（1）對(duì)預(yù)處理的圖像做垂直邊緣檢測(cè)；

（2）在垂直邊緣圖像中，以從左至右的方向選取每一列垂直線作為中心對(duì)稱軸；用中心對(duì)稱軸為水平中心的矩形，其寬d：dmin＜d＜dmax；d＋＋；

d從到一個(gè)預(yù)先設(shè)置的最小值dmin到一個(gè)最大值dmax，在矩形范圍內(nèi)尋找關(guān)于對(duì)稱軸對(duì)稱的對(duì)稱點(diǎn)數(shù)量（其中dmax為略大于最大汽車寬度，dmin為最小車寬）；

（3）計(jì)算寬度為d的矩形區(qū)域內(nèi)的對(duì)稱度。令對(duì)稱度

sym＝s2/n

式中：s——關(guān)于對(duì)稱軸對(duì)稱的對(duì)稱點(diǎn)數(shù)，n——矩形區(qū)域內(nèi)所有垂直邊緣點(diǎn)數(shù)；

計(jì)算每列對(duì)的稱度sym，并判斷sym＝s2/n＞T是否滿足 （T為預(yù)先設(shè)定的對(duì)稱度閥值）。

如果條件滿足，則被認(rèn)為是中心對(duì)稱軸上存在車輛，并把最大對(duì)稱度所對(duì)應(yīng)的d值作為待檢測(cè)出的汽車寬度。

2 圖像預(yù)處理

一種實(shí)用的車輛檢測(cè)技術(shù)，除了要考慮檢測(cè)的精準(zhǔn)性外，檢測(cè)的實(shí)時(shí)性也是至關(guān)重要的。為了提高算法高效性，首先對(duì)圖像進(jìn)行預(yù)處理，以減少行人光線等非車輛區(qū)域因素對(duì)檢測(cè)算法帶來的干擾，提高檢測(cè)的速度。本算法采用了去除背景的方法，以突出汽車區(qū)域。采用圖像放縮的方法，提高算法的效率。用這兩種方法對(duì)原始圖像進(jìn)行預(yù)處理。

2.1 去除道路背景

在道路車輛檢測(cè)過程中，道路環(huán)境是非常復(fù)雜的，道路兩邊的樹木、車道線、橋梁、道路路標(biāo)等，都會(huì)對(duì)車輛檢測(cè)帶來許多干擾。因?yàn)檫@些干擾因素的存在，如果不對(duì)背景做預(yù)處理，車輛檢測(cè)過程將變得非常復(fù)雜，將直接影響檢測(cè)的實(shí)時(shí)性和準(zhǔn)確性。

在光照條件相似的同一道路環(huán)境下，道路圖像除了汽車存在的區(qū)域以外的其它區(qū)域和背景圖像的相應(yīng)部分基本一致，如果用道路圖像對(duì)背景圖像做減操作便會(huì)得到突出汽車減弱背景的圖像。圖1，圖2，圖3分別為道路車輛圖像、背景圖像和道路車輛圖像減去背景圖像后的圖像。

為了有效地突出車輛的邊緣信息，提高算法的效率，對(duì)圖像進(jìn)行車輛邊緣增強(qiáng)。常用邊緣增強(qiáng)算子有Robert算子，水平差分，Sobel算子模板等?？紤]到Sobel算子對(duì)噪聲具有一定的抑制作用并能最大限度地檢測(cè)出邊界信息，本文采用對(duì)邊緣響應(yīng)最大的Sobel算子x和y方向模板對(duì)水平邊緣和垂直邊緣進(jìn)行增強(qiáng)。

在對(duì)稱性計(jì)算過程中，對(duì)稱性的計(jì)算是整個(gè)算法中最主要時(shí)間的消耗部分。灰色圖像有太多的細(xì)節(jié)，在計(jì)算對(duì)稱性非常耗時(shí)，而且不能提供比二值圖像跟多對(duì)稱性。本文利用最大類間方差求圖像的全局閾值，把灰度圖像轉(zhuǎn)化為二值圖像。

對(duì)圖3分別做水平和垂直邊緣檢測(cè)后的二值圖像。如圖4、圖5所示。

2.2 圖像放縮

在檢測(cè)道路車輛圖像時(shí)，由于圖像中存在的車輛距離攝像頭的距離有遠(yuǎn)有近，以至于汽車在圖像中尺寸存在著很大差異。距離攝像頭較遠(yuǎn)的汽車尺寸較小，較近的尺寸較大。因此在判斷對(duì)稱度sym＝s2/n＞T是否成立時(shí)，T的預(yù)設(shè)值將隨車輛的遠(yuǎn)近不同有所變化，其計(jì)算T過程將是非常復(fù)雜的，甚至很難求得。因此，為解決這個(gè)難題，本文算法采用分割的方法將圖5分割為遠(yuǎn)景、中景和近景圖，分割后的3幅圖像尺寸的寬高比保持與原始圖像尺寸一致。將3幅分割圖像放縮到同一的尺寸大小 （寬高比不變，尺寸大小根據(jù)實(shí)際情況相應(yīng)縮?。@樣一來便可以對(duì)3幅圖像分別確定一個(gè)固定大小的閥值T1，T2，T3（T1，T2和T3的值略有差別）。圖6表示圖像分割的示意圖。

圖6 垂直邊緣圖像分割遠(yuǎn)中近景圖像

此外，利用圖像分割和放縮的方法還有一個(gè)很顯著的優(yōu)勢(shì)，它能明顯提高汽車檢測(cè)的速度，對(duì)原始圖像 （特別是具有較大尺寸的圖像）進(jìn)行全圖對(duì)稱點(diǎn)尋找過程的耗時(shí)是相當(dāng)驚人的，即便是最后能精確檢測(cè)出汽車位置，也是沒有實(shí)際利用價(jià)值的。放縮后對(duì)對(duì)稱點(diǎn)的尋找時(shí)間隨放縮后的圖像尺寸決定，不受原始圖像尺寸大小的影響。

3 檢測(cè)算法描述

本檢測(cè)算法主要包括以下幾步：對(duì)稱軸及相應(yīng)車輛寬度的尋找和計(jì)算，冗余對(duì)稱軸的合并、求車輛的垂直位置、對(duì)遠(yuǎn)景、中景和近景圖像的檢測(cè)結(jié)果進(jìn)行第二次冗余合并。

3.1 對(duì)稱軸確定

利用汽車的對(duì)稱性性質(zhì)檢測(cè)車輛是本算法思想的核心部分，因此對(duì)具有高對(duì)稱度的對(duì)稱軸的尋找是本算法的關(guān)鍵部分。以遠(yuǎn)景圖為例，圖7為利用對(duì)稱算法sym＝s2/n對(duì)Sobel垂直增強(qiáng)圖像的遠(yuǎn)景圖的對(duì)稱軸計(jì)算結(jié)果。

圖7 遠(yuǎn)景圖對(duì)稱軸檢測(cè)的結(jié)果

圖7 中的彩色垂直線為對(duì)遠(yuǎn)景圖對(duì)稱軸的計(jì)算結(jié)果，從圖中可以觀察出，對(duì)每一輛汽車來說，由于汽車局部就滿足對(duì)稱性，通常求得的對(duì)稱軸多于一條，然而對(duì)于每輛車我們只要求確定其中心對(duì)稱軸，因此就有必要對(duì)圖中多條對(duì)稱軸進(jìn)行合并。

3.2 對(duì)稱軸合并

本檢測(cè)算法所采用的合并算法被簡(jiǎn)要描述為：

（1）確定合并組。因?yàn)樗狡叫行旭偟膬奢v車的對(duì)稱軸滿足一定車寬，所以我們認(rèn)為同一輛汽車所檢測(cè)出來的所有對(duì)稱軸，其相鄰對(duì)稱軸之間的距離必須滿足小于某個(gè)給定寬帶，本實(shí)驗(yàn)采用的實(shí)驗(yàn)值為3。

（2）求出合并組內(nèi)所有以對(duì)稱軸為中心對(duì)應(yīng)寬度的左右端點(diǎn)的水平最小值Xmin和最大值Xmax。

（3）合并后的對(duì)稱軸。以 （Xmin＋Xmax）/2作為合并后的新的對(duì)稱軸。

（4）計(jì)算Xmin－Xmax作為合并后對(duì)稱軸所對(duì)應(yīng)的汽車寬度值。

圖8為應(yīng)用此合并方法的實(shí)驗(yàn)結(jié)果。

圖8 遠(yuǎn)景圖對(duì)稱軸合并后結(jié)果

3.3 汽車垂直位置的確定

汽車垂直位置的確定是在圖像的水平邊緣檢測(cè)圖的基礎(chǔ)上求得的。在水平邊緣檢測(cè)過程中，道路上行駛的車輛，車輛邊緣及底部有大量的陰影，像素密度比較大。本文計(jì)算方法為：對(duì)每條對(duì)稱軸確定一個(gè)d＊h的矩形框 （其中d為對(duì)應(yīng)對(duì)稱軸相應(yīng)的汽車寬度，由3.2中的步驟 （4）求得；h根據(jù)原始圖像和放縮后的圖像尺寸共同確定，本實(shí)驗(yàn)的實(shí)驗(yàn)值為3），從對(duì)稱軸的底部向著頂部移動(dòng)，當(dāng)移動(dòng)到某一位置時(shí)，如果這個(gè)矩形框被水平邊緣點(diǎn)填充的填充度大于預(yù)先給的一個(gè)閥值T′，則被認(rèn)為是尋找到了汽車的底部位置。矩形填充度被定義為

T′＝F/N

式中：F——矩形框內(nèi)被邊緣點(diǎn)填充的填充點(diǎn)數(shù)，N——矩形框所能容納的對(duì)大點(diǎn)數(shù)。圖9為其實(shí)驗(yàn)結(jié)果圖。

圖9 遠(yuǎn)景圖車底檢測(cè)結(jié)果

3.4 遠(yuǎn)景、中景和近景實(shí)驗(yàn)結(jié)果合并

由于本算法對(duì)圖像進(jìn)行了遠(yuǎn)景，中景和景圖像分割，因而同一輛汽車就有可能被劃分到多幅圖像中，以至于同一輛車被檢測(cè)多次。必須尋求一種方法能對(duì)同一輛車檢測(cè)的多個(gè)結(jié)果進(jìn)行合并。本算法所采用方法如下：

（1）將遠(yuǎn)景、中景和近景圖像的實(shí)驗(yàn)結(jié)果按照相應(yīng)的縮放比例還原到原始圖像中，如圖10所示。從圖中可以觀察出線3，4和線5，線8、9、10和11都為同一輛車在不同圖像中所檢測(cè)出的結(jié)果，需要對(duì)其進(jìn)行合并。

圖10 遠(yuǎn)中近景檢測(cè)圖像合并結(jié)果

（2）判斷需要進(jìn)行合并的結(jié)果。以線4和線5為例，因?yàn)樗鼈兯鶎?duì)應(yīng)的對(duì)稱軸距離有限，然而單根據(jù)它們對(duì)應(yīng)的對(duì)稱軸距離卻不足以確定它們是否應(yīng)該被合并，原因是相距很近的對(duì)稱軸完全有可能是前后處于同一水平位置汽車所檢測(cè)出來的。所以就有必要對(duì)其增加約束條件來判斷他們是否應(yīng)該被合并。從圖中可以觀察出，同一車道上的兩輛車輛距離必能大于車長(zhǎng)，線4和線5之間的垂直距離很明顯小于汽車的長(zhǎng)度，因而需要被合并。汽車的長(zhǎng)度可以用4/3倍線4和線5的平均值來確定。

（3）對(duì)需要合并的結(jié)果進(jìn)行取舍。其方法是選擇垂直位置較低的水平線作為汽車的底部，汽車寬度值被認(rèn)為是水平線寬度值。對(duì)道路車輛圖像進(jìn)行檢測(cè)的最終試驗(yàn)結(jié)果如圖11所示。

圖11 車底及對(duì)稱軸合并結(jié)果

4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)結(jié)果分析，該算法幾乎能檢測(cè)到測(cè)試圖片中的所有車輛的位置及其車寬，去除大量的干擾，算法高效易行。而且方向相反車輛也能夠被檢測(cè)到。但是，有些情況，比如車輛在圖片中有方向有偏移，或者由于光線，及車輛本身存在對(duì)稱性不足等原因，車輛不滿足對(duì)稱性，對(duì)稱性檢測(cè)不到車輛的存在。

在城市上下班高峰期時(shí)，路上車輛較多，車輛在圖像中容易形成重疊。同時(shí)，如果路上行人太多，而且一般情況下，行人也具有對(duì)稱性，行路與路面接觸的地方存在陰影，能影響到檢測(cè)效果。

速度分析：與本文圖像為例，圖像大小為352×255，對(duì)稱軸計(jì)算的次數(shù)大約要2 700 000次。本算法把原圖像縮放成176×140的3幅固定大小圖片，對(duì)稱軸計(jì)算次數(shù)為740 000次。運(yùn)算速度是普通算法的3倍多，而且圖像越大，本算法速度的優(yōu)越性更好。

為了驗(yàn)證算法的有效性，用該算法對(duì)100多張視頻照片，進(jìn)行了檢測(cè)，圖像尺寸為352×288像素，計(jì)算機(jī)硬件環(huán)境為：AMD Athlon64X2Dual Core Processor3800＋，1G，XP，VC＋＋6.0。實(shí)驗(yàn)結(jié)果表明，基于對(duì)稱性的車輛檢測(cè)算法簡(jiǎn)單有效，平均檢測(cè)時(shí)間為100ms。

5 結(jié)束語

車輛檢測(cè)技術(shù)一直是智能交通和模式識(shí)別領(lǐng)域的一個(gè)具有挑戰(zhàn)性的熱點(diǎn)研究課題。隨著社會(huì)的進(jìn)步，對(duì)車輛的檢測(cè)應(yīng)用也越來越多。一些車輛檢測(cè)方法的檢測(cè)精度是隨著光照的變化而變化的，當(dāng)光照良好時(shí)檢測(cè)精度好，反之如傍晚、雨雪天氣等光照不好時(shí)則較差；另一個(gè)問題是陰影問題，陰影是造成車輛檢測(cè)方法誤檢測(cè)的主要原因，陰影通常有3種情況：車輛自身的運(yùn)動(dòng)陰影、道路場(chǎng)景中的靜態(tài)陰影、緩慢移動(dòng)的陰影如浮云造成的陰影；同時(shí)車輛在道路場(chǎng)景中的相互遮擋也是必須考慮的一種情況。本文提出了一種基于對(duì)稱性的車輛檢測(cè)法，該算法充分利用了在道路上行駛的車輛滿足對(duì)稱性及存在水平陰影這一特征，來檢測(cè)道路上行駛車輛。去除了道路背景及天氣環(huán)境的影響，克服了光照及陰影的影響，對(duì)室外環(huán)境的變化有較強(qiáng)的適應(yīng)性。該算法對(duì)于高速公路及城市周邊道路的車輛檢測(cè)非常高效易行。經(jīng)道路試驗(yàn)證明，該算法比以往算法更高效，同時(shí)檢測(cè)范圍和準(zhǔn)確度也得到了很大的提高。道路試驗(yàn)結(jié)果表明該算法的準(zhǔn)確、易行有效，可靠，具有良好的魯棒性。

［1］TANG Jialing，LI Xiying，LUO Donghua.Fram－e difference method based on detection of vehicles at night［J］.Vehicle and Control Computer，2008，16 （12）：1811－1813 （in Chinese）. ［唐佳林，李熙瑩，羅東華.一種基于幀差法的夜間車輛檢測(cè)方法 ［J］.計(jì)算機(jī)車輛與控制，2008，16 （12）：1811－1813.］

［2］QIU Daoyi，ZHANG Wenjing.Frame－differenc－e method in real－time tracking moving objects in the application ［J］.Journal of North China Institute of Water Conservancy and Hydroelectric Power，2009，30 （3）：45－47 （in Chinese）. ［邱道伊，張文靜.幀差法在運(yùn)動(dòng)目標(biāo)實(shí)時(shí)跟蹤中的應(yīng)用 ［J］.華北水利水電學(xué)院學(xué)報(bào)，2009，30 （3）：45－47.］

［3］LI Congjun，BO Jun.Frame difference method based on urban road vehicle detection at night ［J］.Manufacturing Automation，2011，33 （4）：1009－1011 （in Chinese）. ［李從軍，柏軍.基于幀差法的夜間城市道路車輛檢測(cè) ［J］.制造業(yè)自動(dòng)化，2011，33 （4）：1009－1011.］

［4］LI Xilai，LI Aihua，BAI Xiangfeng.Intelligen－t transportation systems optical flow motion detection vehicle ［J］.Electro－Optic Technology Application，2010，9 （2）：75－78 （in Chinese）.［李喜來，李艾華，白向峰.智能交通系統(tǒng)運(yùn)動(dòng)車輛的光流法檢測(cè) ［J］.光電技術(shù)應(yīng)用，2010，9 （2）：75－78.］

［5］HU Juehui，LI Yiming，PAN Xiaoxia.Improve optical flow method for vehicle dentification and tracking ［J］.Science Technology and Engineering，2010，10 （23）：5814－5817 （in Chinese）.［胡覺暉，李一民，潘曉露.改進(jìn)的光流法用于車輛識(shí)別與 跟蹤 ［J］.科學(xué) 技術(shù) 與工程，2010，10 （23）：5814－5817.］

［6］HU Yijing，LI Zhengfang，HU Yueming.Optical flow motion analysis based on the theory and application ［J］.Computer Measurement ＆Control，2007，15 （2）：219－221 （in Chinese）.［胡以靜，李政訪，胡躍明.基于光流的運(yùn)動(dòng)分析理論及應(yīng)用 ［J］.計(jì)算機(jī)測(cè)量與控制，2007，15 （2）：219－221.］

［7］MIAO Xiaodong，LI Xunming.Road vehicle visual detection methods ［J］.Transducer and Microsystem Technologies，2010，29 （2）：5－8 （in Chinese）. ［繆小冬，李舜酩.路面車輛的視覺檢測(cè)方法 ［J］.傳感器與微系統(tǒng)，2010，29 （2）：5－8.］

［8］SHAN Hongmei，SU Jian.Based on stereo vision about poor test new methods of wheelbase ［J］.Jouranl of Jilin University Engineering and Technology Edition，2010，40 （3）：35－38（in Chinese）.［單紅梅，蘇建.基于立體視覺的軸距左右差檢測(cè)新方法 ［J］.吉林大學(xué)學(xué)報(bào) （工學(xué)版），2010，40 （3）：35－38.］

［9］GUO Longyuan.Computer vision theory and related stereo matching algorithm ［D］.Journal of Nanjing University of Science and Technology，2009，32 （9）：62－70 （in Chinese）.［郭龍?jiān)?計(jì)算機(jī)視覺立體匹配相關(guān)理論與算法研究 ［D］.南京理工大學(xué)學(xué)報(bào)，2009，32 （9）：62－70.］

［10］WANG Biao，WANG Chengru，WANG Fenfen.Fixed scene detection and tracking multi－target motion ［J］.Computer Engineering and Design，2008，29 （8）：2014－2019 （in Chinese）.［王彪，王成儒，王芬芬.固定場(chǎng)景下多目標(biāo)運(yùn)動(dòng)檢測(cè) 與 跟 蹤 ［J］. 計(jì) 算 機(jī) 工 程 與 設(shè) 計(jì)，2008，29 （8）：2014－2019.］

［11］Kastinaki V，Zervakis M，Kalaitzakis K.A survey of video processing techniques for traffic applications ［J］.Image and Vision Computing，2003，21 （4）：359－381.

［12］SUN Z，BEBIS G，MILLER R.On road vehicle detection：A review ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，21 （4）：694－711.

［13］TSAI Luowei，HSIEH Junwei，F(xiàn)AN Kuochin.Vehicle detection using normalized color and edge map ［J］.IEEE Transactions on Image Processing，2007，16 （3）：850－864.

［14］CHEN Y T，CHEN C S，HUANG C R，et al.Efficient hierarchiacl method for background subtration ［J］.Pattern Recognition，2007，40 （10）：2706－2715.

［15］LEE D S.Effective Gaussian mixture learning for video background subtraction ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27 （5）：827－832.

［16］Zivkovic Z，Van Der HeUden.Efficient adaptive density estimation per image Pixei for the task of background subtraction［J］.PaRem Recognition Letters，2006，27 （7）：773－780.

［17］HU Weiming，XIAO Xuejuan，XIE Dan.Traffic accident prediction using 3－D model－based vehicle tracking ［J］.IEEE Transactions on Vehicular Technology，2004，53 （3）：677－694.