邱 康，王子磊

(中國科學(xué)技術(shù)大學(xué) 信息科學(xué)與技術(shù)學(xué)院 自動化系，合肥 230027)

1 概述

車輛壓線檢測是指對車輛運(yùn)行過程中因跨越不同車道而使車輪碾壓車道線的行為進(jìn)行檢測，它在智能交通系統(tǒng)中具有重要意義，能起到自動記錄違章行為、震懾交通違法者、優(yōu)化車流量分布、駕駛輔助等作用[1-8].

已有的車輛壓線檢測研究大部分是利用監(jiān)控攝像頭對特定區(qū)域內(nèi)的車輛進(jìn)行壓線檢測.于永彥[3]在黃線區(qū)域周邊設(shè)置側(cè)拍、尾拍、迎拍等多種監(jiān)控方式，基于小波變換分割技術(shù)，采用相鄰幀對應(yīng)像素對比較的方法判斷該區(qū)域有無車輛壓線行為.洪琦[4]等通過檢測若干相鄰幀中車道線幾何形狀的變化實現(xiàn)觀測區(qū)域內(nèi)的壓線檢測.陸蔚[5]針對監(jiān)控視頻中固定的黃線區(qū)域，通過計算視頻幀間平均灰度值變化的方法進(jìn)行壓線檢測.趙文東等[6]將監(jiān)控視頻中無車輛壓線的固定黃線區(qū)域分割出來作為模板，然后用模板和待檢測區(qū)域匹配，運(yùn)用基于顏色直方圖的圖像分割匹配算法判斷該區(qū)域是否有車輛壓線行為.熊金艷等[7]通過計算幀間灰度平均差的方法來判斷黃線殘缺，通過黃線連續(xù)殘缺最大長度的閾值化判斷是否有車輛壓線.王建華等[8]提出了基于邊緣檢測和Hough 變換的黃線區(qū)域檢測方法、基于背景差分法的車輛檢測方法和基于區(qū)域重疊的壓線檢測方法.胡鵬[9]提出了基于Hough 變換的車道線檢測、基于閾值分割的車輛檢測方法和基于區(qū)域重疊的車輛壓線檢測方法.以上研究都針對固定區(qū)域的黃線進(jìn)行壓線檢測，應(yīng)用場景比較受限.

不同于上述固定監(jiān)控視角的檢測，本文考慮利用車載攝像頭對前方目標(biāo)車輛的壓線行為進(jìn)行檢測，其主要優(yōu)勢有：(1)車載攝像頭不固定且數(shù)量更多，可以檢測到更廣泛區(qū)域內(nèi)的壓線行為(如非路口區(qū)域)；(2)車載攝像頭相對目標(biāo)車輛的位置和視角可變，可以更靈活地檢測各種情況.(3)基于車載攝像頭的前方目標(biāo)車輛壓線檢測可以對前方車輛壓線變道做出預(yù)警，防止本車發(fā)生追尾、碰撞等事故.然而針對這類問題的研究工作較少.胡海輝[10]提出了基于差分的車道線邊緣檢測以及基于車道線夾角變化的車輛自身變道和壓線檢測方法.文獻(xiàn)[11]把攝像頭固定在車輪上方，通過計算車輪外側(cè)邊緣切線和計算車道邊緣線，根據(jù)兩線是否相交來判斷車輛自身是否壓線.文獻(xiàn)[12]探究了基于車載視頻對前方車輛的壓線檢測，采用圖像掩蔽的局部匹配算法，從視頻中每隔20 分鐘選取1 幀無壓線行為圖像作為模板，并每隔5 幀讀取1 幀實時圖像與模板做相似度對比.但是移動車載圖像不同于固定監(jiān)控圖像，其在一定時間內(nèi)變化更大，模板匹配方法容易導(dǎo)致誤判.

實際上，基于車載攝像頭對前方目標(biāo)車輛進(jìn)行壓線檢測存在較大的挑戰(zhàn)，主要有以下兩方面：(1)基于監(jiān)督學(xué)習(xí)的車輛壓線檢測方法需要大量標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，但獲取與標(biāo)注車輛壓線數(shù)據(jù)需要耗費(fèi)大量人力物力，且一些危險行為在現(xiàn)實中難以采集，目前尚無相關(guān)公布的數(shù)據(jù)集；(2)車載圖像中由于視角原因，車道線和車輛遮擋非常嚴(yán)重，難以直接根據(jù)對象在圖像中的位置判斷是否壓線.針對這些問題，本文從數(shù)據(jù)和方法兩方面開展研究.(1)在數(shù)據(jù)方面，采用虛擬交通道路場景構(gòu)建、數(shù)據(jù)自動采集和標(biāo)注，生成大量車載圖像及其對應(yīng)標(biāo)注，得到壓線檢測數(shù)據(jù)集(Lane-Crossing Detection dataset，LCD 數(shù)據(jù)集).(2)在方法方面，針對視角帶來的圖像空間與物理空間難以映射的問題，采用車輛較低的前后輪下端位置估計進(jìn)行壓線檢測.

綜上，本文主要有以下3 個方面的貢獻(xiàn)：(1)利用合成數(shù)據(jù)方法構(gòu)建了車輛壓線檢測LCD 數(shù)據(jù)集，數(shù)據(jù)標(biāo)注豐富準(zhǔn)確，場景、時間、天氣等多樣化，攝像頭的視角和距離多樣；(2)結(jié)合圖像語義分割，提出了基于前后輪位置估計的壓線檢測方法，能夠有效處理低視角帶來的判別問題；(3)進(jìn)行了不同設(shè)置的實驗，本文車輛壓線檢測方法在測試數(shù)據(jù)上的平均精度達(dá)到88.7%，并且分析了不同光照和天氣條件對檢測結(jié)果的影響.

2 壓線檢測(LCD)數(shù)據(jù)集

真實的壓線檢測數(shù)據(jù)需要車輛在道路上運(yùn)行采集，等待各種天氣與時間條件，且需人工標(biāo)注.數(shù)據(jù)獲取難度大且多樣性不易滿足.針對這些問題，一種思路是利用合成數(shù)據(jù)進(jìn)行研究，如文獻(xiàn)[13]使用Unity3D 構(gòu)建了若干可變換多種天氣和時間的場景，在其中自動采集并標(biāo)注數(shù)據(jù)，以此構(gòu)建了Virtual KITTI 數(shù)據(jù)集，用于目標(biāo)檢測、跟蹤，場景與實例分割，驗證了深度學(xué)習(xí)算法在真實與虛擬數(shù)據(jù)中訓(xùn)練有類似的效果.文獻(xiàn)[14]利用合成數(shù)據(jù)方法構(gòu)建的SYNTHIA 數(shù)據(jù)集目前已成為交通場景語義分割的標(biāo)準(zhǔn)數(shù)據(jù)集.

本文基于Unreal Engine 4 構(gòu)建多種交通場景，并利用插件Airsim[15]開發(fā)數(shù)據(jù)采集器和數(shù)據(jù)標(biāo)注器，以此構(gòu)建LCD 數(shù)據(jù)集.為逼近真實情況，數(shù)據(jù)集在場景、目標(biāo)車輛、時間點(diǎn)、天氣等方面都進(jìn)行多樣化設(shè)置.真實交通場景中，路口附近實線較多，所以主要考慮路口對應(yīng)的場景，構(gòu)造的場景包含四種不同類型的路口：非對稱路口、高架橋路口、下穿隧道路口和T 字形路口，如圖1所示.

城市道路主要運(yùn)行的是小汽車，還有部分貨車和巴士，為此構(gòu)造了具有代表性的目標(biāo)車輛：小汽車和貨車.在光照方面，為了觀察不同光照對本任務(wù)的影響，構(gòu)造了多種光照時間點(diǎn)：中午(noon)、傍晚(evening)和深夜(night)，如圖2所示.

在天氣方面，為了觀察不同的天氣對本任務(wù)的影響并進(jìn)行對比，構(gòu)造了晴天(sunny)、小雨天(lightRain)、大雨天(heavyRain)、小霧天(lightFog)、小雪天(lightSnow)等天氣，如圖3所示.

圖1 4 種場景

圖2 3 種光照

圖3 5 種天氣

小汽車在汽車總體中占比超過83%，且是汽車保有量增長的主要組成部分[16]，也是城市道路交通中的主體，故本文重點(diǎn)針對小汽車(含SUV 等)的壓線行為進(jìn)行研究.最終構(gòu)建的LCD 數(shù)據(jù)集在不同的天氣和時間點(diǎn)上的分布情況如表1所示，我們采集了更多的常見情況下的數(shù)據(jù)：白天的數(shù)據(jù)較多，傍晚的數(shù)據(jù)相對較少；車輛壓線的數(shù)據(jù)總是少于不壓線的數(shù)據(jù).舉例說明，表1中天氣為sunny、時間為noon 的數(shù)據(jù)有4542 條，其中壓線數(shù)據(jù)占比29.3%；天氣為lightSnow、時間為evening 的數(shù)據(jù)有664 條，其中壓線數(shù)據(jù)占比36.9%.此外，在每種條件下，都在場景中設(shè)置2-6 條線路進(jìn)行采集，每條線路以從0 開始遞增的整數(shù)routeID 標(biāo)識，不同線路的數(shù)據(jù)量大致相同.舉例說明，表1中天氣為sunny、時間為noon 的數(shù)據(jù)含6 條線路，對應(yīng)的routeID 范圍為0-5；天氣為sunny、時間為evening 的數(shù)據(jù)含2 條線路，對應(yīng)的routeID 范圍為0-1.

每1 條數(shù)據(jù)包含3 個文件：原圖、分割圖、壓線標(biāo)簽json 文件，如圖4所示.其中，分割圖是原圖的像素級標(biāo)簽，標(biāo)記著原圖中每一個像素所屬的類別如車輛、車道線、綠化帶等；原圖和分割圖的分辨率都是1120×700；壓線標(biāo)簽json 文件包含overlap (目標(biāo)車輛是否壓線)、vehiclePos2D (目標(biāo)車輛中心在圖中投影的位置)、vehicleScale (目標(biāo)車輛在3D 場景中的尺寸)、vehicleVelocity (車輛速度矢量)、lineScale (目標(biāo)車輛碾壓的車道線在3D 場景中的尺寸)、linePos2D(目標(biāo)車輛碾壓的車道線的起點(diǎn)在圖中投影的位置)等信息，可用于判斷目標(biāo)車輛壓線與否、計算車輛壓線程度等.

表1 LCD 數(shù)據(jù)集分布

圖4 LCD 數(shù)據(jù)集樣本

3 壓線檢測方法

實際情況中，車輛壓線的判斷依據(jù)是車輪所代表的車體與車道線是否相交.從圖像角度考慮，需要找到三維空間中的車輪與車道線在車載圖像中的映射，根據(jù)其相交與否進(jìn)行壓線判斷.本文方法首先利用圖像語義分割方法檢測車輛和車道線在圖像中的對應(yīng)區(qū)域，然后估計前后輪在車輛區(qū)域的位置，并檢測車道線的輪廓，最后依據(jù)兩者是否相交進(jìn)行壓線判斷.

3.1 總體流程

完整的車輛壓線檢測方法總體流程如圖5所示，主要分為4 個步驟：車道線檢測、車輛檢測、ROI 獲取和壓線判斷.

(1)車道線檢測和車輛檢測：在原圖中進(jìn)行前方目標(biāo)車輛檢測和車道線檢測，利用圖像語義分割模型獲得檢測結(jié)果，以分割圖表示.

(2)ROI 獲?。横槍我荒繕?biāo)車輛，在分割圖中獲取車輛區(qū)域的最小水平外接矩形R’，為使ROI 包含更多的車道線區(qū)域以便檢測判別，將R’按一定比例向外擴(kuò)展得到最終ROI 區(qū)域R，如圖6.(3)壓線判斷：獲取到ROI 后進(jìn)行壓線判別，這是本文需要解決的一個難點(diǎn).當(dāng)直接用Resnet50[17]進(jìn)行圖像分類時，結(jié)果顯示訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率都在50%左右波動，說明該任務(wù)對模型來說幾乎不可學(xué).主要原因是該任務(wù)是一個復(fù)雜的三維空間位置關(guān)系判斷，而目前的深度學(xué)習(xí)模型并不擅長解決此類問題.為此，本文提出基于前后輪位置估計的壓線檢測方法，下節(jié)具體說明.

圖5 車輛壓線檢測方法總體流程圖

圖6 ROI 獲取示意圖

3.2 壓線判斷

基于前后輪位置估計的壓線判斷方法流程如圖7所示，分為3 個步驟：車道線輪廓檢測、車輛前后輪位置估計、車輛壓線判斷.

圖7 壓線判斷流程圖

(1)車道線輪廓檢測[18]：從ROI 中分離出車道線區(qū)域，然后檢測出車道線輪廓對應(yīng)的直線，如圖8所示.

(2)車輛前后輪位置估計：從ROI 中分離出車輛區(qū)域，計算目標(biāo)車輛的兩個前輪和兩個后輪分別與地面接觸的線段，如圖9所示.

(3)車輛壓線判斷：將車輛前后輪位置估計結(jié)果和車道線輪廓檢測結(jié)果融合并進(jìn)行壓線判斷，具體方法為：若任意一條車輪和地面接觸的線段與任意一條車道線輪廓對應(yīng)的直線相交，則認(rèn)為車輛壓線；否則認(rèn)為車輛未壓線.

在整個壓線檢測計算中，目標(biāo)車輛前后輪位置估計是難點(diǎn)，也決定了壓線檢測的準(zhǔn)確度，下面重點(diǎn)介紹這一部分的實現(xiàn)方法.事實上，在車輛前后輪估計過程中，車身輪廓是最關(guān)鍵的信息，車身內(nèi)部對結(jié)果幾乎沒有影響，故首先對車輛進(jìn)行邊緣檢測，將將車輪搜索區(qū)域從車輛整體區(qū)域減少為車輛輪廓區(qū)域，這樣可以大幅降低前后輪的搜索時間.具體搜索過程為：首先，找到搜索區(qū)域的左下點(diǎn)A 和右下點(diǎn)B，即搜索區(qū)域內(nèi)分別與ROI 圖像邊緣左下角和右下角距離最近的兩個點(diǎn).將A 和B 形成的線段看作車輛兩個后輪與地面接觸的線段.然后，根據(jù)不同情況在搜索區(qū)域內(nèi)移動A 和B，得到左上點(diǎn)C 和右上點(diǎn)D，C、D 形成的線段看作車輛兩個前輪與地面接觸的線段.這里移動方式是計算的關(guān)鍵，決定移動方式的核心是判斷車輛相對車載攝像頭的傾斜程度，這里用搜索區(qū)域最小水平外接矩形R’的寬高比(w為寬度，h為高度，簡記為w/h)和基于目標(biāo)車輛的類型設(shè)置的閾值ω來衡量：

圖8 車道線輪廓獲取示意圖

圖9 輪胎位置獲取示意圖

(1) 當(dāng)w/h＜ω時，目標(biāo)車輛傾斜程度較小，直接將線段AB 沿垂線方向平移一段距離d即可得CD.如圖10(a)所示(圖中包含車道線輪廓的檢測結(jié)果)

(2) 當(dāng)w/h≥ω時，目標(biāo)車輛傾斜程度較大，某一個前輪很可能未被遮擋，所以直接對前輪估計位置.具體地，分別在搜索區(qū)域內(nèi)部橫向的最大、最小值的αpx 近鄰范圍內(nèi)(如圖10(b)綠色豎線外側(cè)的紅色車輛區(qū)域) 尋找垂直方向最下的位置，分別得到兩個點(diǎn)left_point和right_point(圖10(b)搜索區(qū)域內(nèi)的左右兩個綠色圓圈中心點(diǎn))，它們?yōu)闈撛诘那拜嘃c(diǎn)，這兩點(diǎn)中垂直方向較上的即為前輪，如圖10(b)中的right_point.此時判斷車輛是向右傾斜的.找到車輛右前輪點(diǎn)D 后需要找到左前輪點(diǎn)C；反之亦然.首先確定臨時點(diǎn)C’：C’D 平行于AB，且兩者長度相等；然后，由于投影的關(guān)系，將C’向圖像中心收縮一定的距離，橫向βpx，縱向β/4 px.即得到最終的C 點(diǎn)，CD 就是兩個前輪與地面接觸的線段，如圖10(c)所示.

圖10 前輪估計

4 實驗與分析

4.1 實驗設(shè)置

目標(biāo)車輛前后輪位置估計的精度主要由其中的幾個參數(shù)ω，d，α和β決定.事實上，由于目標(biāo)車輛與攝像頭之間的距離和傾斜角度多變，無法對車輪進(jìn)行完全精準(zhǔn)的估計，盡可能逼近即可.下面對這幾個參數(shù)的設(shè)置方式進(jìn)行說明.

ω的與目標(biāo)車輛橫截面的最小水平外接矩形的寬高比相關(guān)，當(dāng)車身相對車載攝像頭完全不傾斜時，其在車載圖像中的投影的最小水平外接矩形即可近似認(rèn)為是車身橫截面的最小外接矩形，如圖11(a)所示；當(dāng)車身相對車載攝像頭較較傾斜時，其在車載圖像中的投影的最小水平外接矩形的寬高比會更大，如圖11(b)所示；當(dāng)攝像頭恰好可以觀測到前輪之時，此時的寬高比即為ω，如圖11(c)所示，對于圖中的車輛ω=1.5.實際情況中，可以對常見車輛進(jìn)行寬高比采集閾值并錄入數(shù)據(jù)庫，算法運(yùn)行過程中只需進(jìn)行查詢即可獲得相應(yīng)參數(shù).

d與h和目標(biāo)車輛長度有關(guān)，對于小汽車，可以簡化為d=0.2×h.觀察圖11，可知車身傾斜程度越大前輪與地面接觸的區(qū)域在ROI 中離車輛邊緣越遠(yuǎn)，所以α與寬高比正相關(guān).同時，實驗過程中ROI 的尺寸為固定的200×200，故這里簡化地將α設(shè)為 (5×w/h).同樣由于ROI 是固定大小的，可以將β簡化地設(shè)為固定值，這里設(shè)為12.

圖11 前輪車身傾斜程度與寬高比示意

4.2 實驗內(nèi)容

為了驗證本文所提方法在車輛壓線檢測任務(wù)上的有效性，在LCD 數(shù)據(jù)集上進(jìn)行不同條件的對比實驗，主要有以下3 個方面的目的：

(1)壓線判斷方法驗證：針對所提壓線判斷方法，利用多種條件下數(shù)據(jù)的ground truth 分割圖進(jìn)行實驗，可以獲得理想分割結(jié)果下(即車輛車道線檢測完全準(zhǔn)確)壓線檢測方法的總體效果，亦即壓線判斷方法的有效性，記為Accuracy1.

(2)天氣和光照的影響：基于視覺的方法會受到天氣、光照條件等因素的影響，本文利用DeepLab v2[19]語義分割模型進(jìn)行車輛和車道線檢測.利用多種條件下的數(shù)據(jù)進(jìn)行實驗，以mIoU 作為車輛和車道線檢測方法的準(zhǔn)確率，獲得環(huán)境因素對結(jié)果的影響.

(3)壓線檢測方法整體有效性：基于語義分割模型產(chǎn)生的結(jié)果進(jìn)行壓線判斷，可以獲得真實情況下壓線檢測方法的整體有效性，記為Accuracy2.同時分析其與Accuracy1 和mIoU 之間的關(guān)系.

此外，基于監(jiān)督學(xué)習(xí)的方法需要對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進(jìn)行劃分，這里采用一個簡單的做法：每種條件下routeID=0 的數(shù)據(jù)作為測試數(shù)據(jù)，其余數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，壓線檢測都在測試數(shù)據(jù)上進(jìn)行.綜上，實驗設(shè)置如表2所示，共7 有個條件對應(yīng)的實驗組別，每組都針對上述3 個目的進(jìn)行實驗，共21 個實驗.

表2 壓線檢測方法對比實驗設(shè)置

4.3 結(jié)果分析

最終得到實驗結(jié)果如表3所示.

表3 壓線檢測方法對比實驗結(jié)果

從表3的實驗結(jié)果我們可以對上節(jié)的實驗?zāi)康姆謩e得出以下結(jié)論：

(1)從基于ground truth 的結(jié)果來看，Accuracy1 都在92.6%以上，說明本文所提壓線判斷方法是有效的.實驗結(jié)果表明，誤判的主要因素有兩種：首先是臨界數(shù)據(jù)，即車輪與車道線恰好相交，由于圖像精度原因產(chǎn)生誤判；其次是車輪相對攝像頭傾斜程度過大，前輪在圖中比后輪位置還低，直接導(dǎo)致后輪與前輪檢測方法失效，最終導(dǎo)致誤判，如圖12所示.但這兩種因素在實際情況中較少.

圖12 主要的誤判情況

(2)語義分割的mIoU 整體較高，主要原因是分割目標(biāo)類別較少，只有3 類：背景、目標(biāo)車輛和車道線.其中實驗6 較低，因為傍晚相對中午缺少陽光，相對深夜缺少路燈光，光照條件最差；大雨和小雪天氣會使路面和車輛形成反光、遮擋等不利因素，故其mIoU 相對于晴天和小雨天較低；小霧天氣由于只會使圖像中視野遠(yuǎn)方的區(qū)域亦即背景變得模糊，故對整體的mIoU 并無降低的影響，相反地，由于其反光效果將車輛和車道線尤其是車輛的亮度提升，并將背景模糊降低了干擾，從而提升了整體mIoU.

(3)從每組實驗組內(nèi)對比可知，Accuracy2 相對于Accuracy1 都會有一定幅度的降低，主要原因是語義分割模型可能將交通道路環(huán)境中的其它個別車輛識別為目標(biāo)車輛；其次是目標(biāo)車輛的壓線檢測方法的應(yīng)用場景主要是路口附近區(qū)域，語義分割模型將一些路面箭頭也識別為車道線，如圖13所示.

圖13 Accuracy2 降低主要原因

但是Accuracy2 依然能保持較高水平.只有極端情況如傍晚光照不良的情況下，準(zhǔn)確率才會有大幅度的降低.圖14反應(yīng)了Accuracy2、Accuracy1 和mIoU的相關(guān)性：Accuracy2 是受Accuracy1 和mIoU 的雙重影響的.具體地，實驗1、2、5、7 中Accuracy1 較高，且mIoU 也較高，故Accuracy2 也較高；實驗3、4 中雖然mIoU 較高，但是Accuracy1 本身較低，故Accuracy2也較低；實驗6 中Accuracy1 本身較低，mIoU 也較低，最終Accuracy2 相對最低.

圖14 Accuracy1 與Accuracy2 和mIoU 的關(guān)系

4.4 性能分析

本文所有實驗都在GPU 服務(wù)器完成，實驗的軟件以及硬件相關(guān)參數(shù)如表4所示.

表4 實驗的軟件以及硬件

性能取決于軟硬件環(huán)境，同時也取決于所用算法.此外，圖像尺寸也有顯著影響.較大的圖像在搜索、對比、統(tǒng)計等方面耗時都更多；較小的圖像雖然可以提升性能，但是過度壓縮通常會損失較多信息尤其是輪廓邊緣信息，使得檢測準(zhǔn)確率降低.

性能相關(guān)指標(biāo)如表5所示.其中，原始圖像尺寸取決于采集設(shè)備；ROI 尺寸在性能和準(zhǔn)確率之間折衷進(jìn)行選擇；主要關(guān)注指標(biāo)為單張圖像壓線檢測平均耗時，即單張圖像語義分割和壓線判斷平均耗時之和.語義分割模型的訓(xùn)練過程相當(dāng)耗時，但是模型訓(xùn)練完成后的測試過程相當(dāng)迅速，這里僅記錄測試過程所耗時間，皆以毫秒為單位，如表5所示.

表5 壓線檢測方法實驗性能對比結(jié)果

可見單張圖像的目標(biāo)車輛壓線檢測平均共耗時35 毫秒，基本可以滿足實時性要求，具備實際應(yīng)用價值.

5 結(jié)束語

利用車載攝像頭對目標(biāo)車輛進(jìn)行追蹤和圖像數(shù)據(jù)采集，能有效地對其進(jìn)行壓線檢測，檢測的關(guān)鍵在于車輪和車道線的相對位置.本文結(jié)合圖像語義分割方法完成車輛和車道線檢測，提出基于前后輪位置估計的壓線判斷方法，實現(xiàn)了一個完整的基于車載圖像的目標(biāo)車輛壓線檢測方法，實驗表明，所提方法簡單有效.本文利用合成數(shù)據(jù)開展研究，后續(xù)可對做舊[20]等方面進(jìn)行研究，進(jìn)一步提升合成數(shù)據(jù)的真實性.