黎耀華 蟻克瀚 蔡貝貝 陸金燦 肖順梅 謝珩 汪成龍

摘要：鑒于當(dāng)前家庭監(jiān)控主要依賴人力操作，且多數(shù)家庭監(jiān)控系統(tǒng)尚不具備對(duì)摔跤行為進(jìn)行自動(dòng)識(shí)別并觸發(fā)報(bào)警的功能，或其識(shí)別精度遠(yuǎn)未達(dá)到實(shí)際需求標(biāo)準(zhǔn)，本研究提出一種基于人工智能神經(jīng)網(wǎng)絡(luò)的方法，利用YOLOv5（You Only Look Once） 目標(biāo)檢測(cè)技術(shù)和OpenCV圖像處理技術(shù)，通過(guò)Python接口對(duì)接PushPlus推送平臺(tái)以及SMTP郵件傳輸服務(wù)器，構(gòu)建了一套能夠?qū)崟r(shí)檢測(cè)、準(zhǔn)確判斷居家老人摔倒情況并即時(shí)發(fā)出警報(bào)通知的老人居家摔倒警報(bào)系統(tǒng)。該系統(tǒng)適用于家庭監(jiān)控場(chǎng)景，可以直接在任何Windows系統(tǒng)云主機(jī)上部署運(yùn)行，利用流媒體服務(wù)器自帶的HTTP接口與本系統(tǒng)無(wú)縫結(jié)合。同時(shí)，該系統(tǒng)還可搭配Kytera系統(tǒng)的智能手環(huán)和易于佩戴的傳感器設(shè)備，以彌補(bǔ)監(jiān)控盲區(qū)及衛(wèi)生間等私密場(chǎng)所的監(jiān)控缺陷，從而全面滿足看護(hù)需求，提升老人居家安全防護(hù)水平。實(shí)驗(yàn)結(jié)果顯示，在存在背景干擾的情況下，通過(guò)對(duì)包含1 000張圖片的數(shù)據(jù)集進(jìn)行訓(xùn)練，本系統(tǒng)能快速精確地定位運(yùn)動(dòng)中的人物，并實(shí)現(xiàn)高達(dá)96.9%的摔倒識(shí)別準(zhǔn)確率，平均精度（MAP） 逼近90%，且系統(tǒng)能在3 500 ms內(nèi)完成響應(yīng)并發(fā)送警報(bào)通知，充分證明了本系統(tǒng)的高效可行性和實(shí)用性。

關(guān)鍵詞： 人工智能；摔倒實(shí)時(shí)檢測(cè)；警報(bào)通信；YOLOv5；Opencv；Python接口對(duì)接

中圖分類號(hào)：TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）09-0015-04

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

0 引言

據(jù)世界衛(wèi)生組織2021年發(fā)布的報(bào)告指出，跌倒是全球意外傷害死亡的第二主因，每年全球約有68.4萬(wàn)人因跌倒喪生，其中60歲以上的老年人群體遭受致命跌倒的比例尤為突出。因此，對(duì)老年人日常生活行為實(shí)施有效的追蹤分析，并在發(fā)生摔倒事件時(shí)，能立即傳遞求救信息給家人或社區(qū)護(hù)理人員，確保老人能夠得到及時(shí)救助，顯得至關(guān)重要。當(dāng)前，在家庭環(huán)境下實(shí)現(xiàn)對(duì)老人的監(jiān)護(hù)，普遍采用的解決方案大多是運(yùn)用攝像頭、傳感器等數(shù)據(jù)采集設(shè)備[1-4]實(shí)時(shí)監(jiān)測(cè)被監(jiān)護(hù)對(duì)象，從而實(shí)現(xiàn)對(duì)老人日常行為的跟蹤記錄，并據(jù)此獲取其行為信息。根據(jù)行為的性質(zhì)和信息的可靠性綜合評(píng)判，在發(fā)生異常情況時(shí)，系統(tǒng)應(yīng)及時(shí)發(fā)送報(bào)警信息或撥打緊急電話，通知家屬或護(hù)理人員，以防止老年人因突發(fā)事故遭受意外傷害。

盡管已有多項(xiàng)摔倒檢測(cè)方法被提出，但在實(shí)際應(yīng)用中仍面臨不少挑戰(zhàn)，如：1） 摔倒行為識(shí)別不易通過(guò)簡(jiǎn)單的前景檢測(cè)獲取理想的人體目標(biāo)，需要探尋適用的目標(biāo)跟蹤算法進(jìn)行精細(xì)化處理。2） 較高的誤檢率，需要選取適宜的人體特征參數(shù)以降低誤報(bào)。3） 許多老年人對(duì)佩戴式設(shè)備存在抵觸心理。4） 缺乏系統(tǒng)性的實(shí)時(shí)監(jiān)控檢測(cè)警報(bào)機(jī)制，需要構(gòu)建包括前端采集、服務(wù)端處理以及客戶端接收的完整系統(tǒng)架構(gòu)。

人工智能（AI） 是一種能模擬人類智能執(zhí)行任務(wù)，并能根據(jù)收集的信息進(jìn)行自我迭代優(yōu)化的系統(tǒng)與機(jī)器，能夠自動(dòng)感知環(huán)境變化并通過(guò)內(nèi)在邏輯判斷做出合理反應(yīng)，從而最大程度地提高任務(wù)成功率和執(zhí)行效率。此外，AI還能夠不斷從前次經(jīng)驗(yàn)與現(xiàn)有資源中學(xué)習(xí)，優(yōu)化自身性能。當(dāng)下，人工智能發(fā)展的一大主流趨勢(shì)是連接主義，即主要通過(guò)仿生學(xué)原理模擬神經(jīng)元連接關(guān)系。本文采用的神經(jīng)網(wǎng)絡(luò)技術(shù)即是連接主義的一種體現(xiàn)，具體選擇了卷積神經(jīng)網(wǎng)絡(luò)（CNN） [5-6]，全稱為Convolutional Neural Network，作為前饋神經(jīng)網(wǎng)絡(luò)的一種，它模仿了神經(jīng)元連接的結(jié)構(gòu)和功能，擁有進(jìn)行簡(jiǎn)單決策和判斷的能力，在圖像處理和語(yǔ)音識(shí)別等領(lǐng)域表現(xiàn)出色。

YOLOv5[7-10]是一種先進(jìn)的目標(biāo)檢測(cè)算法，其核心理念是將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為回歸問(wèn)題，通過(guò)預(yù)測(cè)圖像中邊界框的位置和類別實(shí)現(xiàn)目標(biāo)檢測(cè)。與傳統(tǒng)的兩階段檢測(cè)方法相比，YOLOv5采用單階段檢測(cè)方式，從而在速度上更具優(yōu)勢(shì)。

基于上述背景，本文提出了一種基于人工智能神經(jīng)網(wǎng)絡(luò)的方法，運(yùn)用目標(biāo)檢測(cè)模型YOLOv5算法[11]及Opencv圖像處理技術(shù)，通過(guò)Python接口實(shí)現(xiàn)消息通知功能，設(shè)計(jì)并構(gòu)建一套能夠?qū)崟r(shí)檢測(cè)居家老人摔倒、判斷摔倒嚴(yán)重程度及發(fā)出警報(bào)通信的老人居家摔倒警報(bào)系統(tǒng)，該系統(tǒng)可在主流媒體云或主機(jī)上部署運(yùn)行，服務(wù)于家庭監(jiān)控場(chǎng)景。該系統(tǒng)能夠在不影響老人正常生活的情況下實(shí)時(shí)捕捉摔倒行為并通知救援人員，具有極高的實(shí)用價(jià)值和市場(chǎng)潛力。

1 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

1.1 總體思路

本系統(tǒng)對(duì)老人摔倒檢測(cè)過(guò)程劃分為3個(gè)階段：第一個(gè)階段為數(shù)據(jù)集準(zhǔn)備與處理，涉及采集和制作圖像建立數(shù)據(jù)集，并對(duì)數(shù)據(jù)集中圖像進(jìn)行分割為訓(xùn)練集和測(cè)試集，同時(shí)進(jìn)行標(biāo)注等預(yù)處理操作；第二個(gè)階段為網(wǎng)絡(luò)訓(xùn)練，將預(yù)處理過(guò)的圖像作為輸入，通過(guò)訓(xùn)練提取出圖像的所有輸出特征，以預(yù)訓(xùn)練權(quán)重初始化主干網(wǎng)絡(luò)，經(jīng)過(guò)多輪訓(xùn)練以跨越局部最優(yōu)解；第三個(gè)階段為檢測(cè)與識(shí)別，將測(cè)試圖像和實(shí)時(shí)視頻輸入已完成訓(xùn)練的網(wǎng)絡(luò)中進(jìn)行檢測(cè)，得出最終的識(shí)別結(jié)果。

1.2 數(shù)據(jù)集構(gòu)建

數(shù)據(jù)集圖像通過(guò)從網(wǎng)絡(luò)下載部分摔倒實(shí)例圖片，以及自行拍攝制作而成，如圖1所示。

數(shù)據(jù)集遵循YOLO格式，所需內(nèi)容包括輸入圖片和對(duì)應(yīng)的標(biāo)簽文件。輸入圖片格式為.jpg，尺寸不限，系統(tǒng)會(huì)在訓(xùn)練前自動(dòng)調(diào)整大?。╮esize） 。標(biāo)簽文件以.text格式存儲(chǔ)，包含待檢測(cè)目標(biāo)的具體信息，每個(gè)標(biāo)簽文件與相應(yīng)的輸入圖片文件一一對(duì)應(yīng)。筆者選取了1 000張像素較高的圖片組成數(shù)據(jù)集，并按照5：1的比例將其劃分為訓(xùn)練集和測(cè)試集。

在識(shí)別前對(duì)圖像進(jìn)行必要的預(yù)處理：包括圖像增強(qiáng)、標(biāo)注等步驟。借助Opencv[12]工具對(duì)圖像進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)調(diào)整以及添加噪聲等操作，旨在增強(qiáng)模型的魯棒性并提升檢測(cè)的準(zhǔn)確性和可信度，以減少誤識(shí)別；采用LabelImg軟件對(duì)數(shù)據(jù)集中的圖像進(jìn)行特征區(qū)域標(biāo)注，將標(biāo)注區(qū)域命名為“fall”，以便實(shí)現(xiàn)數(shù)據(jù)分類。在同一文件夾下，每張圖像對(duì)應(yīng)的.text文件記錄了圖片名稱、存儲(chǔ)路徑、類別、原始尺寸以及標(biāo)注區(qū)域的大小等信息。

1.3 網(wǎng)絡(luò)訓(xùn)練

YOLOv5官方提供的代碼中共有4個(gè)版本的檢測(cè)網(wǎng)絡(luò)，分別是YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x，YOLOv5各個(gè)版本在 COCO 數(shù)據(jù)集中的性能對(duì)比如表1所示。

如表1所示，這些版本在網(wǎng)絡(luò)深度和特征圖寬度上有所不同，YOLOv5s 是其中深度和寬度最小的網(wǎng)絡(luò)，其他版本在其基礎(chǔ)上增加了網(wǎng)絡(luò)深度和寬度。

本系統(tǒng)選用YOLOv5s網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其網(wǎng)絡(luò)性能指標(biāo)如表1所示。在訓(xùn)練過(guò)程中，為了縮短訓(xùn)練周期并獲得更好的精度，需要加載預(yù)訓(xùn)練權(quán)重啟動(dòng)網(wǎng)絡(luò)訓(xùn)練。Focus模塊、BottleneckCSP（跨階段局部網(wǎng)絡(luò)）以及SSP（空間金字塔池化）擴(kuò)展了感受野，有助于提取最重要的上下文特征，而FPN+PAN（路徑聚合網(wǎng)絡(luò)）則能有效聚合不同層級(jí)的特征參數(shù)，適應(yīng)不同尺度的目標(biāo)檢測(cè)。

預(yù)訓(xùn)練權(quán)重的大小對(duì)訓(xùn)練結(jié)果的精度有很大影響，多輪訓(xùn)練有助于跳過(guò)局部最優(yōu)權(quán)重。實(shí)驗(yàn)中分別采用了Adam優(yōu)化器和SGD優(yōu)化器，結(jié)果顯示Adam優(yōu)化器在收斂速度上更快。此外，系統(tǒng)引入了Mish激活函數(shù)和Mosaic數(shù)據(jù)增強(qiáng)策略，從而進(jìn)一步提高了YOLO模型的準(zhǔn)確率和普適性。

根據(jù)實(shí)驗(yàn)數(shù)據(jù)和硬件環(huán)境配置，筆者設(shè)置了相關(guān)的訓(xùn)練參數(shù)，模型總訓(xùn)練代數(shù)（Epochs） 設(shè)為300步。為了在訓(xùn)練初期快速逼近較優(yōu)解，筆者采用學(xué)習(xí)率遞減策略，初始學(xué)習(xí)率設(shè)定為0.01，隨著訓(xùn)練次數(shù)的增加，學(xué)習(xí)率逐漸減小，同時(shí)損失率（Loss） 也隨之逐步減小。具體的實(shí)驗(yàn)參數(shù)設(shè)置如表2所示。

1.4 檢測(cè)識(shí)別

在圖像測(cè)試階段，識(shí)別框用于對(duì)目標(biāo)物體進(jìn)行定位，方框旁邊的“fall”字樣標(biāo)識(shí)出圖像識(shí)別的結(jié)果，而百分比數(shù)值則是判斷該類別的概率，即可信度（Confidence） ，如圖2所示。

在實(shí)時(shí)監(jiān)控畫(huà)面中，當(dāng)系統(tǒng)檢測(cè)到老人的姿態(tài)為“fall”時(shí)，將初步判定老人可能發(fā)生了摔倒，并啟動(dòng)7秒倒計(jì)時(shí)。若老人在7秒內(nèi)未能起身，則判斷老人確實(shí)發(fā)生了摔倒；反之，若老人在7秒內(nèi)恢復(fù)站立姿勢(shì)且后續(xù)不再檢測(cè)到“fall”狀態(tài)，則排除摔倒的可能性。

1.5 警報(bào)通信

系統(tǒng)提供了三種警報(bào)通信方式供用戶選擇，包括微信私聊通知、微信公眾號(hào)通知以及電子郵件通知。無(wú)論哪種方式，都能確保在檢測(cè)到老人摔倒后立即向用戶發(fā)送消息通知，并附帶當(dāng)前監(jiān)控截圖，以防止老人在摔倒后因暈厥或其他原因?qū)е碌臒o(wú)人察覺(jué)，延誤搶救時(shí)機(jī)。

1.6 人機(jī)交互界面設(shè)計(jì)

PyQt5是Python中廣泛使用的第三方圖形用戶界面庫(kù)，功能強(qiáng)大，支持多種控件，既可用于頁(yè)面設(shè)計(jì)，也可用于實(shí)現(xiàn)頁(yè)面中各控件功能。本系統(tǒng)利用PyQt5庫(kù)設(shè)計(jì)了登錄界面和檢測(cè)界面，方便用戶在檢測(cè)圖片、檢測(cè)視頻以及實(shí)時(shí)檢測(cè)三種模式之間切換。

檢測(cè)界面具備檢測(cè)圖片、視頻、連接攝像頭、保存識(shí)別結(jié)果以及發(fā)送消息等功能，如圖3所示。點(diǎn)擊“選擇圖片”“選擇視頻”按鈕將打開(kāi)文件夾對(duì)話框，點(diǎn)擊“攝像頭”按鈕則會(huì)彈出手機(jī)或電腦攝像頭連接界面，點(diǎn)擊“輸出結(jié)果”按鈕將展示識(shí)別后的圖片、視頻輸出目錄，點(diǎn)擊“消息發(fā)送”按鈕，則能在檢測(cè)到老人摔倒后將相關(guān)消息連同現(xiàn)場(chǎng)圖片即時(shí)發(fā)送至家人微信賬號(hào)。

2 結(jié)果分析

2.1 性能評(píng)估

基于模型訓(xùn)練，筆者對(duì)數(shù)據(jù)集中測(cè)試圖像進(jìn)行了驗(yàn)證，以精確率（Precision） 、召回率（Recall） 以及平均精度（mean average precision，簡(jiǎn)稱MAP[13]） 作為關(guān)鍵評(píng)價(jià)指標(biāo)，來(lái)評(píng)估模型訓(xùn)練及其預(yù)測(cè)效果的質(zhì)量。

精確率反映了模型檢出結(jié)果中真正正樣本的比例，即被判定為正樣本的數(shù)據(jù)中有多少確實(shí)是正樣本。召回率則衡量了數(shù)據(jù)集中所有真實(shí)正樣本被模型成功識(shí)別的比例。精確率和召回率的數(shù)學(xué)表達(dá)式分別為：

[precision=tptp+fp]? ?（1）

[recall=tptp+fn]? ?（2）

式中：tp為將正樣本預(yù)測(cè)為正的個(gè)數(shù)；fp為將負(fù)樣本預(yù)測(cè)為正的個(gè)數(shù)；fn為將正樣本預(yù)測(cè)為負(fù)的個(gè)數(shù)。

而對(duì)于多類別檢測(cè)任務(wù)的精度評(píng)估，筆者采用平均精度均值（MAP） ，它是通過(guò)對(duì)所有類別檢測(cè)精度取平均值得到的綜合評(píng)價(jià)指標(biāo)。MAP的計(jì)算依賴于精度（Precision）和召回率（Recall）兩個(gè)維度的考量，其表達(dá)式為：

[MAP=01p（r）dr]? ?（3）

式中，p（r）是以召回率 （ r） 為橫坐標(biāo)，以精度 （ p） 為縱坐標(biāo)繪制出的曲線下的積分，它代表了單個(gè)類別的平均精度。在多類別情況下，通過(guò)對(duì)所有類別的 p（r） 分別積分后再取平均，便得到了整個(gè)數(shù)據(jù)集的平均精度均值（MAP） 。

2.2 檢測(cè)結(jié)果分析

筆者通過(guò)實(shí)驗(yàn)結(jié)果推測(cè)該方案的可行性，并檢驗(yàn)其實(shí)驗(yàn)結(jié)果是否符合理論預(yù)期。實(shí)驗(yàn)選用包含1 000張圖像的數(shù)據(jù)集進(jìn)行訓(xùn)練，旨在探查在存在背景干擾的情況下，系統(tǒng)能否快速而精準(zhǔn)地定位運(yùn)動(dòng)中的目標(biāo)。隨著訓(xùn)練輪數(shù)的不斷增加，訓(xùn)練集的定位損失及置信度損失逐步下降，特別是在前200輪訓(xùn)練期間，這兩項(xiàng)損失下降顯著，之后在200～300輪時(shí)損失下降速度相對(duì)放緩，最終分別穩(wěn)定在大約0.01和0.002的水平；而驗(yàn)證集定位損失在前100輪訓(xùn)練中下降較快，隨后在200輪后趨于穩(wěn)定，穩(wěn)定值分別在0.018和0.004左右。這表明模型已經(jīng)找到了一種能夠使得檢測(cè)框與實(shí)際框保持緊密匹配的映射關(guān)系，檢測(cè)結(jié)果的具體表現(xiàn)如圖4所示。

與此同時(shí)，隨著訓(xùn)練世代步數(shù)（Epochs） 的增長(zhǎng)，系統(tǒng)的可信度（Confidence） 維持在約96%的水平，摔倒識(shí)別準(zhǔn)確率（Precision） 已達(dá)到96.9%，并且平均精度均值（MAP） 逼近90%，這些數(shù)據(jù)充分體現(xiàn)了本系統(tǒng)高度的可行性。

通過(guò)表3列舉的在部分世代步數(shù)（Epochs） 疊加后的數(shù)據(jù)顯示，通過(guò)增大訓(xùn)練數(shù)據(jù)集，具有將準(zhǔn)確率提升至98%的可能性。

2.3 通信響應(yīng)性能

報(bào)警通信采用了三種途徑，均表現(xiàn)出極高的靈敏度。整體通信時(shí)間能夠控制在3 500 ms以內(nèi)，最短的響應(yīng)警報(bào)通信時(shí)間可達(dá)427 ms，且在測(cè)試過(guò)程中未發(fā)現(xiàn)漏傳問(wèn)題。這意味著一旦系統(tǒng)檢測(cè)到老人發(fā)生嚴(yán)重摔倒事件，能夠在短時(shí)間內(nèi)將消息通知以及當(dāng)前監(jiān)控截圖及時(shí)發(fā)送給用戶，便于用戶查看并作出相應(yīng)決策。具體的通信響應(yīng)速度測(cè)試結(jié)果如表4所示。

3 結(jié)論

本文依托人工智能神經(jīng)網(wǎng)絡(luò)技術(shù)，成功構(gòu)建了一套運(yùn)用目標(biāo)檢測(cè)模型YOLOv5算法實(shí)現(xiàn)老人摔倒檢測(cè)的應(yīng)用方案[5]，結(jié)合OpenCV圖像處理技術(shù)[12]，并通過(guò)Python接口連接pushplus推送平臺(tái)和SMTP郵件傳輸服務(wù)器實(shí)現(xiàn)消息預(yù)警通知功能。該系統(tǒng)在實(shí)際應(yīng)用中，摔倒識(shí)別的可信度（Confidence） 能穩(wěn)定保持在96%左右，準(zhǔn)確率（Precision） 高達(dá)96.9%，平均精度均值（MAP） 接近90%；并且總通信時(shí)間可控制在3 500 ms之內(nèi)，確保無(wú)漏傳現(xiàn)象發(fā)生。此外，筆者還自主設(shè)計(jì)了交互界面，并將其部署在流媒體服務(wù)端，以便對(duì)實(shí)時(shí)視頻流進(jìn)行檢測(cè)、存儲(chǔ)和管理，并及時(shí)將警報(bào)信息發(fā)送至客戶終端。

參考文獻(xiàn)：

[1] STONE E，SKUBIC M.Evaluation of an inexpensive depth camera for in-home gait assessment[J].Journal of Ambient Intelligence and Smart Environments，2011，3（4）：349-361.

[2] ROUGIER C，MEUNIER J，ST-ARNAUD A，et al.Fall detection from human shape and motion history using video surveillance[C]//21st International Conference on Advanced Information Networking and Applications Workshops （AINAW'07）.May 21-23，2007.Niagara Falls，ON，Canada.IEEE，2007：875-880.

[3] ROUGIER C，MEUNIER J，ST-ARNAUD A，et al.Monocular 3D head tracking to detect falls of elderly people[C]//2006 International Conference of the IEEE Engineering in Medicine and Biology Society.August 30-September 3，2006.New York，NY.IEEE，2006：6384-6387.

[4] ROUGIER C， MEUNIER J. Demo： Fall detection using 3D head trajectory extracted from a single camera video sequence[J]. Journal of Telemedicine and Telecare， 2005， 11（4）： 37-42.

[5] LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998，86（11）：2278-2324.

[6] GU J X，WANG Z H，KUEN J，et al.Recent advances in convolutional neural networks[J].Pattern Recognition，2018（77）：354-377.

[7] JOSEPH Redmon，ALI Farhadi．Yolov3：An Incremental Im-provement[C]//IEEE Conference on Computer Vision and Pat ternＲecognition，2018：89．

[8] DU Y C，PAN N，XU Z H，et al.Pavement distress detection and classification based on YOLO network[J].International Journal of Pavement Engineering，2021，22（13）：1659-1672.

[9] SHI P F，JIANG Q G，SHI C，et al.Oil well detection via large-scale and high-resolution remote sensing images based on improved YOLO v4[J].Remote Sensing，2021，13（16）：3243.

[10] LEE J，HWANG K I.YOLO with adaptive frame control for real-time object detection applications[J].Multimedia Tools and Applications，2022，81（25）：36375-36396.

[11] 周洪成，楊娟，徐志國(guó).基于YOLOv5算法的人體跌倒檢測(cè)系統(tǒng)設(shè)計(jì)[J].金陵科技學(xué)院學(xué)報(bào)，2022，38（2）：22-29.

[12] 關(guān)于OpenCV.opencv官方.2020-01-05.

[13] CHATZICHRISTOFIS S A，IAKOVIDOU C，BOUTALIS Y S，et al.Mean Normalized Retrieval Order （MNRO）：a new content-based image retrieval performance measure[J].Multimedia Tools and Applications，2014，70（3）：1767-1798.

【通聯(lián)編輯：唐一東】