一種融合改進(jìn)型AdaBoost和膚色模型的人臉檢測方法?

姚子怡 張清勇 李雪琪

（1.水果湖高級中學(xué) 武漢 430070）（2.武漢理工大學(xué)自動化學(xué)院 武漢 430070）

1 引言

人臉檢測［1～2］即判斷待測圖像或視頻中是否存在人臉，是人臉圖像分析的重要內(nèi)容，它是人臉識別系統(tǒng)實(shí)現(xiàn)的前提和基礎(chǔ)，其檢測結(jié)果會對后續(xù)面部的特征提取和人臉的分類識別產(chǎn)生重大的影響。人臉圖像中包含顏色特征、模板特征、直方圖特征、結(jié)構(gòu)特征及Harr特征等多種模式特征。其中膚色特征［3］是人臉的一個(gè)重要特征，它與大多數(shù)背景區(qū)域相比，其顏色有著明顯的區(qū)別，并且具有更好的穩(wěn)定性。但對于復(fù)雜的背景圖像而言，膚色檢測的效果并不理想，且誤檢率高、精度有限［4］。2001年，Paul Viola和Michael Jones提出了基于Ad?aBoost算法的人臉檢測方法［5］，是第一個(gè)在真正意義上建立了實(shí)時(shí)人臉檢測的系統(tǒng)，從根本上解決了人臉檢測的速度問題。AdaBoost方法雖然檢測率很高，能達(dá)到95%以上，但它僅利用人臉灰度特征，沒有綜合考慮膚色分布等問題，因此對某些和人臉相似的物體，誤檢率很高，并且檢測速度也有待提升。姚建［6］采用單閾值法訓(xùn)練弱分類器，在閾值選取合適的情況下能夠得到質(zhì)量較好的弱分類器，但是當(dāng)訓(xùn)練樣本較大時(shí)，不僅訓(xùn)練周期長且準(zhǔn)確率會有所降低。

為了提高檢測算法的準(zhǔn)確性和效率，本文首先給出了雙閾值的搜索方法，并由此得到了雙閾值A(chǔ)daBoost分類器算法，從而得到分類質(zhì)量更好的弱分類器。其次提出了一種融合高斯膚色模型和改進(jìn)型AdaBoost的人臉檢測算法。先研究了基于Haar矩形特征的迭代訓(xùn)練學(xué)習(xí)的改進(jìn)型AdaBoost算法，并將其作用于待測圖像中，分割出候選人臉區(qū)域；其次建立了YCbCr空間下膚色色度分量Cb-Cr二維分布的單高斯模型，依此模型構(gòu)建膚色似然圖，并進(jìn)行形態(tài)學(xué)濾波及人臉先驗(yàn)知識判斷得到相應(yīng)的二值化圖像，依此圖像對人臉候選區(qū)域進(jìn)行篩選，以剔除非人臉區(qū)域。

2 基于Harr特征的改進(jìn)型Ada?Boost的人臉檢測

2.1 人臉Harr特征

人臉Harr特征是一種簡單的矩形特征，它基于圖像的特征值進(jìn)行圖像的分類［7］。如圖1是三種典型的Harr特征，定義為白色矩形框內(nèi)像素點(diǎn)灰度值與黑色矩形框內(nèi)像素點(diǎn)灰度值之間的差值，它能反映檢測對象特征局部灰度變化。

圖1 三種典型的Haar特征

采用上述Harr特征對人臉進(jìn)行檢測時(shí)，將上面任一矩形放置在待檢測圖片上，然后用白色矩形框的像素灰度和減去黑色矩形框的像素灰度和，獲得的值稱之為Harr特征值。人臉區(qū)域的Harr特征值和非人臉區(qū)域的Harr特征值存在較大的差值，所以上述矩形框作為檢測和區(qū)分的依據(jù)，其目的就是用數(shù)值表示人臉特征。

2.2 改進(jìn)型AdaBoost分類器

AdaBoost算法是選用一系列分類能力較弱的分類器，將它們聯(lián)合起來，構(gòu)成一個(gè)分類性能優(yōu)秀的強(qiáng)分類器［8］。在每一輪訓(xùn)練迭代中，要不斷地對樣本權(quán)重值進(jìn)行調(diào)整，分類正確的樣本，需要降低其權(quán)重，分類出錯的樣本，需要增加其權(quán)重，這樣訓(xùn)練算法將分類重點(diǎn)放在分類困難程度較高的樣本上。每次進(jìn)行樣本權(quán)重修改后，會將修改值引入下一個(gè)分類器繼續(xù)分類，不斷訓(xùn)練迭代得到若干分類能力較優(yōu)的弱分類器，想要要得到分類能力強(qiáng)的強(qiáng)分類器，只需將弱分類器串聯(lián)起來。但是基于Ada?Boost的特征選擇算法在進(jìn)行特征選擇時(shí)，每個(gè)弱分類器僅使用了單閾值［9～10］，這必然導(dǎo)致單個(gè)弱分類器的誤分率較高。本文采用雙閾值的弱分類器代替原有的單閾值弱分類器，即每個(gè)弱分類器使用上下兩個(gè)閾值，提高了單個(gè)特征的分類能力，減少了訓(xùn)練時(shí)間。

1）弱分類器兩個(gè)閾值的選取

步驟如下：

（1）計(jì)算某個(gè)Harr特征（所）在所有樣本（中）的特征值，并對樣本中所有特征值進(jìn)行從小到大的排序找出最小值 fmin和最大值 fmax，然后從小到大依次計(jì)算每個(gè)特征值所對應(yīng)的正負(fù)樣本數(shù)n1和n2。

（2）由公式T=n1/(n2+1)計(jì)算每個(gè)特征值所對應(yīng)的正樣本數(shù)n1與負(fù)樣本數(shù)n2的比值T。

（3）計(jì)算出T最大時(shí)對應(yīng)的特征值x。

（4）從 x向左右分別搜索過渡點(diǎn) θ1，θ2(θ1＜θ2)。即 T=1時(shí)所對應(yīng)的特征值；如果不存在這樣的特征值，那么就取邊界點(diǎn)。則這樣的兩個(gè)點(diǎn)就是弱分類器的兩個(gè)閾值θ1、θ2。

2）改進(jìn)型雙閾值A(chǔ)daBoost算法具體操作步驟如下：

（1） 給 定 訓(xùn) 練 樣 本 集 ：(x1，y1)，(x2，y2)，…，(xn，yn)，其中xi為人臉樣本向量，yi為樣本類別，其取值為0或1，若樣本為人臉，則 yi=1，若樣本非人臉，則 yi=0，設(shè)定樣本的總數(shù)為n。

（2）初始化樣本權(quán)重，假設(shè)第t次循環(huán)中第i個(gè)樣本的權(quán)重 ωt，i，人臉樣本的初始權(quán)重為ω1，i=1/2m ，非人臉樣本的起始權(quán)重為 ω1，i=1/2l，其中，m是人臉正樣本的個(gè)數(shù)，l是人臉負(fù)樣本集的個(gè)數(shù)［11］，且滿足 n=m+l。

（3）t=1，…，T（T為訓(xùn)練過程的最大循環(huán)次數(shù)）

①歸一化權(quán)重：

②按照上述雙閾值搜索法計(jì)算雙閾值分類器的兩個(gè)閾值。訓(xùn)練中的每一個(gè)特征 j的弱分類器記為hj，然后根據(jù)樣本分類情況，依照下式得出該分類器對應(yīng)的加權(quán)偏差率：

③從所有的弱分類器中挑選分類錯誤率εt相對更小的弱分類器ht。

④根據(jù)找出的最優(yōu)弱分類器，對樣本權(quán)重進(jìn)行調(diào)整，每一代權(quán)重系數(shù)均與前一代有關(guān)，調(diào)整公式如下

（4）將獲得的T個(gè)最優(yōu)弱分類器按不同的權(quán)值疊加成一個(gè)強(qiáng)分類器，加權(quán)公式如下

對每一個(gè)Harr特征所對應(yīng)的弱分類器采用上下限雙閾值法，使弱分類器的質(zhì)量得以提升，再由這些質(zhì)量較高的弱分類器聯(lián)合成為強(qiáng)分類器，這樣訓(xùn)練出來的強(qiáng)分類器性能肯定也是有所提升的。當(dāng)訓(xùn)練出強(qiáng)分類器后，對待測圖片進(jìn)行人臉檢測，即讓獲得的各個(gè)最優(yōu)弱分類器參與決策，再對決策結(jié)果根據(jù)分類誤差值的大小進(jìn)行疊加，比較加權(quán)的決策結(jié)果和平均決策結(jié)果之間的大小，得出最終的判定結(jié)果，即強(qiáng)分類器的輸出結(jié)果。本文采用MIT人臉數(shù)據(jù)庫中的訓(xùn)練樣本用于AdaBoost分類器的訓(xùn)練，MIT人臉數(shù)據(jù)庫中人臉樣本和非人臉樣本的數(shù)量分別為2429和4581，從人臉樣本中抽取246個(gè)作為分類器檢測樣本，剩余樣本用作訓(xùn)練樣本，圖像大小為19×19像素，其中樣本背景比較豐富，包括膚色、姿態(tài)、遮擋等。本文測試環(huán)境為Win7操作系統(tǒng)，在Matlab R2012a平臺實(shí)現(xiàn)編程。表1是傳統(tǒng)AdaBoost算法與本文改進(jìn)的AdaBoost算法在分類器檢測率和檢測時(shí)間上的比較，由表可見本文方法在檢測率和檢測時(shí)間上優(yōu)于傳統(tǒng)算法。

3 基于YCbCr色彩空間的高斯膚色模型

膚色是區(qū)分人與外界背景區(qū)域的一個(gè)相對明顯的特征，因此可作為人臉檢測的依據(jù)。通常待檢測圖片像素點(diǎn)以RGB色彩空間表示，但此空間對光照敏感，人臉檢測結(jié)果受光照影響較大。本文使用YCbCr色彩空間建立高斯膚色模型進(jìn)行人臉檢測，先將待測圖片從RGB色彩空間映射到Y(jié)CbCr色彩空間，再根據(jù)采集到的膚色樣本建立相應(yīng)的高斯膚色模型，依此模型作為膚色判定的依據(jù)，其組成框圖如圖2所示。

圖2 膚色模型檢測組成框圖

3.1 YCbCr色彩空間

YCbCr色彩空間被廣泛地應(yīng)用于電視色彩顯示、數(shù)字?jǐn)z影等領(lǐng)域中。由于YCbCr色彩空間中亮度信息和色度信息可以相互分離，且Cb、Cr兩個(gè)向量相互獨(dú)立，能夠較好地反映膚色的聚類性，因而，用于人臉檢測時(shí)，往往將圖像的像素點(diǎn)從RGB色彩空間轉(zhuǎn)換到Y(jié)CbCr色彩空間。

該模型與RGB模型的轉(zhuǎn)換關(guān)系如下：

3.2 膚色分布高斯模型

膚色信息在一定的光照條件下以正態(tài)分布的形式存在，而高斯模型是利用高斯概率密度函數(shù)（正態(tài)分布曲線）來量化事物，因此，采用高斯模型進(jìn)行膚色分割具有一定的合理性和優(yōu)越性［12～13］。一般情況下，在YCbCr色彩空間建立高斯膚色模型有如下步驟：

1）收集一定數(shù)目的人臉圖像，進(jìn)行光照補(bǔ)償，提取面部同一位置的皮膚區(qū)域，構(gòu)成膚色樣本集。本文選取了不同人種、性別、年齡以及不同光照條件下共100幅人臉圖像作為樣本，對前額上的皮膚進(jìn)行提取并歸一化為相同的大小。

2）將膚色樣本從RGB空間映射到Y(jié)CbCr空間，去除亮度分量Y，統(tǒng)計(jì)膚色像素點(diǎn)的色度分量Cb和Cr。

3）根據(jù)以下公式計(jì)算出Cb和Cr的均值及協(xié)方差矩陣C。

式中，x表示樣本像素點(diǎn)的色度向量(C b，Cr)T，m表示樣本計(jì)算分析得到的膚色均值，C是與之對應(yīng)的協(xié)方差矩陣，本文所得到的m和C分別為

建立好高斯膚色模型后，需要判斷待測圖片中每一個(gè)像素點(diǎn)是否屬于膚色像素點(diǎn)，即求出像素點(diǎn)的膚色似然概率，公式如下：

得到似然概率后，對每個(gè)膚色似然概率值進(jìn)行歸一化操作，以保證各個(gè)像素點(diǎn)的似然概率在[0，1]之間，并且使膚色區(qū)域亮度更加明顯。選取合適的閾值對膚色似然圖進(jìn)行二值化處理，本文仿真實(shí)驗(yàn)中選取閾值為0.5。由于采集圖像或處理圖像時(shí)會引入背景和噪聲，則閾值分割后的二值圖像中會包含一些被誤判為膚色的小塊區(qū)域。利用數(shù)學(xué)形態(tài)學(xué)［14-15］可解決這一問題，即對圖像進(jìn)行先腐蝕后膨脹的操作方式以消除人臉圖像中的散點(diǎn)，并對圖像進(jìn)行平滑處理并填充膚色區(qū)域中的孔洞。

對于處理后的二值化圖像，仍然有可能存在非人臉的膚色區(qū)域和類似膚色的背景區(qū)域，為了濾除這些非人臉部分，可依照人臉先驗(yàn)知識中的幾何特征對疑似人臉區(qū)域進(jìn)行篩選，使人臉區(qū)域盡可能完整地保留下來。本文設(shè)計(jì)如下篩選條件：

1）根據(jù)區(qū)域的填充率進(jìn)行篩選。若填充率大于等于0.5，則保留該區(qū)域，這樣可以濾除手腳、胳膊等與人臉膚色類似的非人臉區(qū)域。

2）根據(jù)面積比進(jìn)行篩選。計(jì)算每塊候選區(qū)域與最大候選區(qū)域的比值，若大于等于0.2則保留該區(qū)域，這樣可以濾除一些較小的非人臉區(qū)。

3）根據(jù)區(qū)域的長寬比進(jìn)行篩選。本文設(shè)定人臉的長與寬的比值在0.8～2之間，若疑似人臉區(qū)域長寬比在0.8～2之間，則判定該區(qū)域是人臉區(qū)域。

4 基于融合改進(jìn)型AdaBoost和高斯膚色模型的人臉檢測方法

基于Harr特征和AdaBoost的檢測算法速率快，效果好，但存在著誤檢率高的缺點(diǎn)，基于高斯膚色模型的檢測算法容易受到外界光照、背景環(huán)境的影響。為了提高檢測算法的準(zhǔn)確性和魯棒性，本文提出了一種融合高斯膚色模型和改進(jìn)型AdaBoost的人臉檢測算法，其檢測流程框圖如圖3所示。

圖3 人臉檢測流程框圖

圖4 膚色檢測示意圖

先用基于Harr特征和改進(jìn)型AdaBoost的人臉檢測算法對輸入圖片進(jìn)行預(yù)檢測，再用基于高斯膚色模型的檢測算法加以驗(yàn)證，以剔除誤檢的人臉區(qū)域。為提升檢測的準(zhǔn)確率和效率，減小計(jì)算量，本文采用如下驗(yàn)證方式，如圖4所示。先劃定Harr特征和改進(jìn)型AdaBoost算法檢測出的疑似人臉矩形框（圖中黑線包圍部分），統(tǒng)計(jì)框中全部膚色像素點(diǎn)的數(shù)目sum，即統(tǒng)計(jì)膚色二值化圖像的矩形框中像素點(diǎn)值為1的像素點(diǎn)數(shù)目。若sum＜(w idth×weight)2，則判定該區(qū)域?yàn)榉侨四槄^(qū)域，否則判定該區(qū)域?yàn)槿四槄^(qū)域并用藍(lán)實(shí)線標(biāo)記?；谀w色和改進(jìn)型AdaBoost算法的人臉檢測仿真結(jié)果，如圖5所示。

圖5 基于膚色和改進(jìn)型AdaBoost算法的人臉檢測仿真圖

5 仿真對比分析

為了驗(yàn)證本文所提出的融合改進(jìn)型AdaBoost和膚色模型的人臉檢測算法的有效性，本文將其與一些常規(guī)的人臉檢測算法進(jìn)行對比。實(shí)驗(yàn)對多人臉圖像測試集和復(fù)雜背景多人臉圖像測試集分別進(jìn)行檢測。測試圖像源自于生活中的數(shù)碼照片及從互聯(lián)網(wǎng)上隨機(jī)搜集的圖像。多人臉圖像測試結(jié)果舉例如圖6所示，復(fù)雜背景多人臉圖像測試結(jié)果舉例如圖7和8所示。其中，圖（a）為只采用基于Harr特征和AdaBoost的檢測算法進(jìn)行人臉檢測的結(jié)果。圖（b）為只采用基于膚色模型的檢測算法進(jìn)行人臉檢測的結(jié)果。圖（c）為基于SNOW的人臉檢測［16］，首先采用局部連續(xù)均值量化變化算法對灰度圖像進(jìn)行處理，對處理后的圖像通過SNOW分類器實(shí)現(xiàn)人臉檢測。圖（d）為本文提出的檢測算法檢測效果圖。

圖6 多人臉檢測效果圖

圖7 復(fù)雜背景多人臉示例一檢測效果圖

圖8 復(fù)雜背景多人臉示例二檢測效果圖

由上圖可知，AdaBoost算法檢測率雖然較高，但有較多的非人臉背景區(qū)域被誤檢為人臉?；谀w色分割的檢測方法可檢測到圖中大部分人臉區(qū)域，但是人臉的定位不夠準(zhǔn)確，并且也能夠檢測到部分非人臉膚色區(qū)域與類膚色區(qū)域，對于具有復(fù)雜背景的圖像，誤檢率較高。SNOW算法通過對大量正樣本和負(fù)樣本的學(xué)習(xí)，使得系統(tǒng)存在較低的誤檢率，但漏檢情況比較突出。本文將改進(jìn)型AdaBoost算法和膚色模型融合起來，既利用了AdaBoost在多人臉檢測方面的優(yōu)勢，又使用膚色模型進(jìn)行二次篩選，使得系統(tǒng)存在較高的檢測率和較低的誤檢率。4種方法分別在多人臉圖像測試集和復(fù)雜背景多人臉圖像測試集上的實(shí)驗(yàn)結(jié)果如表2和3所示。

表2 多人臉圖像測試人臉檢測結(jié)果比較

表3 復(fù)雜背景多人臉圖像測試人臉檢測結(jié)果比較

由上表可知AdaBoost算法檢測較高，但誤檢率也較高；膚色模型檢測對比AdaBoost方法檢測率有所提升且誤檢率較低；SNOW算法雖然誤檢率較低，但檢測率也較低；本文檢測方法對比其他三種不僅在檢測率上有所提升，并且降低了誤檢率，具有良好的檢測效果。

6 結(jié)語

本文先提出了一種改進(jìn)的雙閾值A(chǔ)daBoost算法，并給出了閾值搜索的方法，通過雙閾值的方法來提升弱分類器的質(zhì)量，然后提出了一種融合改進(jìn)的AdaBoost和膚色模型的人臉檢測方法。先采用改進(jìn)型AdaBoost算法進(jìn)行初步的人臉檢測，針對AdaBoost算法存在誤檢率高的缺陷，對檢測出的疑似人臉區(qū)域采用高斯膚色模型進(jìn)一步判定，以剔除被誤檢為人臉的非人臉區(qū)域。最后將本文方法與AdaBoost人臉檢測方法、高斯膚色模型人臉檢測方法以及基于SNOW分類器的人臉檢測方法進(jìn)行了對比實(shí)驗(yàn)，結(jié)果表明，本文方法檢測率高、誤檢率低，具有可靠的檢測性能。

［1］鄧亞峰，蘇光大，傅博.一種基于AdaBoost的快速動態(tài)人 臉 檢 測 算 法［J］.計(jì) 算 機(jī) 工 程 ，2006，32（11）：222-224.DENG Yafeng，SU Guangda，F(xiàn)U Bo.A fast dynamic face detection algorithm based on AdaBoost.Computer Engi?neering，2006，32（11）：222-224.

［2］李明瑞，傅明，曹敦.基于膚色檢測的AdaBoost人臉檢測算法改進(jìn)［J］.計(jì)算機(jī)工程，2012，38（19）：147-150.LI Mingrui，F(xiàn)U Ming，CAO Dun.Improvement of Ada?Boost face detection algorithm based on skin color detec?tion.Computer Engineering，2012，38（19）：147-150.

［3］李智勇，田貞.基于膚色模型的人臉檢測研究［J］.現(xiàn)代電子技術(shù)，2011，34（3）：131-133.LI Zhiyong，TIAN Zhen.Study on Face Detection Based on Skin Color Model［J］.Modern Electronics Technique，2011，34（3）：131-133.

［4］畢雪芹，惠婷.基于膚色分割與AdaBoost算法的人臉檢測［J］.國外電子測量技術(shù)，2015，34（12）：82-86.BI Xueqin，HUI Ting.Face detection based on skin color segmentation and AdaBoost algorithm.Foreign Electronic Measurement Technology，2015，34（12）：82-86.

［5］Viola P，Jones M.Robust real time object detection［C］//Proceedings of 2nd international workshop on statistical and computational theories of vision，2001：905-910.

［6］姚建，趙勛杰.結(jié)合膚色模型和Adaboost算法的人臉檢測［J］.蘇州大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，25（3）：63-67.YAO Jian，ZHAO Xun-jie.Full Face Detection Based on Skin Color Model and Adaboost Algorithm［J］.Journal of Suzhou University（Natural Science Edition），2009，25（3）：63-67.

［7藺廣逢，范引娣，張媛.主成分分析與BP神經(jīng)網(wǎng)絡(luò)的人臉識別方法研究［J］.現(xiàn)代電子技術(shù)，2007，30（2）：53-55.LIN Guangfeng，F(xiàn)AN Zhendi，ZHANG Yuan.Research on Principal Component Analysis and Face Recognition Meth?od Based on BP Neural Network.Modern Electronics Tech?nology，2007，30（2）：53-55.

［8］Yang M，Crenshaw J，Augustine B，et al.AdaBoost-based face detection for embedded systems［J］.Computer Vision&Image Understanding，2010，114（11）：1116-1125.

［9］房宜汕.基于改進(jìn)AdaBoost的快速人臉檢測算法［J］.計(jì)算機(jī)應(yīng)用與軟件，2013，30（8）：271-274.FANG Yishan.A fast face detection algorithm based on im?proved AdaBoost.Computer application and software，2013，30（8）：271-274.

［10］何強(qiáng)，馬文.基于雙閾值的改進(jìn)型Adaboost人臉檢測算法［J］.微型機(jī)與應(yīng)用，2016，35（19）：41-43.HE Qiang，MA Wen.Improved Adaboost face detection algorithm based on double threshold.Microcomputer and Application，2016，35（19）：41-43.

［11］Navabifar F，Yusof R，Emadi M.Using rotated asymmet?ric haar-like features for non-frontal face detection［J］.Advanced Science Letters，2013，19 （12） ：3520-3524.

［12］王航宇.基于YCbCr高斯膚色模型的人臉檢測技術(shù)研究［J］.現(xiàn)代電子技術(shù)，2008，31（22）：102-105.WANG Hangyu.Research on Face Detection Technology Based on YCbCr Gaussian Skin Color Model.Modern Electronics Technology，2008，31（22）：102-105.

［13］劉春生，常發(fā)亮，陳振學(xué)，等.改進(jìn)的高斯膚色模型及其在人臉檢測中的應(yīng)用［J］.儀器儀表學(xué)報(bào)，2012，33（5）：1117-1121.LIU Chunsheng，CHANG Faliang，CHEN Zhenxue，et al.An Improved Gaussian Skin Color Model and Its Ap?plication in Face Detection［J］.Chinese Journal of Scien?tific Instrument，2012，33（5）：1117-1121.

［14］曾維.手勢識別系統(tǒng)中手指及指尖檢測方法［J］.國外電子測量技術(shù)，2013，32（4）：39-42.ZENG Wei.Test and fingertip detection method in ges?ture recognition system.Foreign Electronic Measurement Technology，2013，32（4）：39-42.

［15］苗姣姣，徐望明.HSV空間和形態(tài)學(xué)處理相結(jié)合的車牌定位方法［J］.電視技術(shù)，2015，39（5）：146-149.MIAO Jiaojiao，XU Wangming.A license plate location method based on HSV spatial and morphological process?ing［J］.Technology of Television，2015，39 （5）：146-149.

［16］苑巖巖，惠曉威.基于YCbCr膚色模型和SNOW分類器的人臉檢測［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19（1）：157-160.YUAN Yanyan，HUI Xiaowei.Face Detection Based on YCbCr Skin Model and SNOW Classifier［J］.Applica?tion of Computers，2010，19（1）：157-160.