技术领域
[0001] 本
申请涉及道路交通检测技术领域,特别涉及一种道路交通分类方法、装置、设备、介质。
背景技术
[0002] 我国正处于经济高速增长时期,城市化步伐越来越快,城市道路交通量迅猛增加,道路交通检测有着广阔的应用前景。国内处理道路交通问题的常见技术主要有
决策树法和模糊聚类法。其中,决策树法计算简单,实现方便,但道路交通的各个特征相互独立,降低了检测结果的准确性;模糊聚类法可以很好地对数据样本进行建模,但所建立的模型对离群点、噪声较为敏感,从而降低了提取特征的
精度,导致最后的检测结果不准确。
发明内容
[0003] 有鉴于此,本申请的目的在于提供一种道路交通分类方法、装置、设备、介质,能够整合道路交通中的特征,且对噪声具有较强的鲁棒性,提高道路交通分类的准确性。其具体方案如下:
[0004] 第一方面,本申请公开了一种道路交通分类方法,包括:
[0005] 利用前景检测
算法,检测出交通
视频帧中的车辆目标,并利用所述车辆目标估计所述交通视频帧中的交通
密度;
[0006] 利用光流法估计所述车辆目标的车辆速度;
[0007] 将所述交通密度与所述车辆速度进行规范与整合,得到交通
特征向量;
[0008] 利用
支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。
[0009] 可选的,所述利用前景检测算法,检测出交通视频帧中的车辆目标,包括:
[0010] 利用ViBe算法,检测出当前交通视频帧中的车辆目标。
[0011] 可选的,所述利用所述车辆目标估计所述交通视频帧中的交通密度,包括:
[0012] 根据所述车辆目标的
像素在对应的所述交通视频帧中所占的比例值估计所述交通视频帧中的交通密度。
[0013] 可选的,所述利用光流法估计所述车辆目标的车辆速度,包括:
[0014] 利用KLT算法估计所述车辆目标的车辆速度。
[0015] 可选的,所述将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量,包括:
[0016] 利用预设公式,对所述交通密度和所述车辆速度进行规范;
[0017] 将规范后的所述交通密度和所述车辆速度进行整合,得到交通特征向量;
[0018] 其中,所述预设公式为
[0019] X'表示规范后的所述交通密度或所述车辆速度,X示规范前的所述交通密度或所述车辆速度,Xmin表示规范前的所述交通密度或所述车辆速度中的最小值,Xmax表示规范前的所述交通密度或所述车辆速度中的最大值。
[0020] 可选的,所述利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果,包括:
[0021] 利用基于SIGMOD核函数的支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。
[0022] 可选的,所述利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果之后,还包括:
[0023] 将所述道路交通分类结果进行
可视化显示。
[0024] 第二方面,本申请公开了一种道路交通分类装置,包括:
[0025] 车辆目标检测模
块,用于利用前景检测算法,检测出交通视频帧中的车辆目标;
[0026] 交通密度估计模块,用于用所述车辆目标估计所述交通视频帧中的交通密度;
[0027] 车辆速度估计模块,用于利用光流法估计所述车辆目标的车辆速度;
[0028] 交通特征向量获取模块,用于将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量;
[0029] 道路交通分类模块,用于利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。
[0030] 第三方面,本申请公开了一种道路交通分类设备,包括:
[0032] 其中,所述存储器,用于存储
计算机程序;
[0033] 所述处理器,用于执行所述计算机程序,以实现前述公开的道路交通分类方法。
[0034] 第四方面,本申请公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述公开的道路交通分类方法。
[0035] 可见,本申请先利用前景检测算法,检测出交通视频帧中的车辆目标,并利用所述车辆目标估计所述交通视频帧中的交通密度;再利用光流法估计所述车辆目标的车辆速度;接着将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量;最后利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。由此可见,本申请利用对噪声有较强鲁棒性的算法从交通视频帧中提取交通密度特征和车辆速度特征,并将所述交通密度特征和车辆速度特征进行整合关联,得到表征交通多面信息的交通特征向量,再利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。此方法整合了道路交通中的特征,且对噪声具有较强的鲁棒性,提高了道路交通分类的准确性。
附图说明
[0036] 为了更清楚地说明本申请
实施例或
现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
[0037] 图1为本申请公开的一种道路交通分类方法
流程图;
[0038] 图2为本申请公开的一种具体的道路交通分类方法流程图;
[0039] 图3为本申请公开的一种具体的道路交通分类系统
框图;
[0040] 图4为本申请公开的一种具体的道路交通分类方法流程图;
[0041] 图5为本申请公开的一种具体的前景检测结果图;
[0042] 图6为本申请公开的一种具体的车辆目标像素点数统计结果图;
[0043] 图7为本申请公开的一种具体的特征提取结果图;
[0044] 图8为本申请公开的一种具体的车辆速度估计结果统计图;
[0045] 图9为本申请公开的一种具体的二维交通向量坐标图;
[0046] 图10为本申请公开的一种道路交通分类装置结构示意图;
[0047] 图11为本申请公开的一种道路交通分类设备结构示意图
具体实施方式
[0048] 下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
[0049] 目前,国内处理道路交通问题的常见技术主要有决策树法和模糊聚类法。其中,决策树法计算简单,实现方便,但道路交通的各个特征相互独立,降低了检测结果的准确性;模糊聚类法可以很好地对数据样本进行建模,但所建立的模型对离群点、噪声较为敏感,从而降低了提取特征的精度,导致最后的检测结果不准确。有鉴于此,本申请提出了一种道路交通分类方法,能够整合道路交通中的特征,且对噪声具有较强的鲁棒性,提高道路交通分类的准确性。
[0050] 本申请实施例公开了一种道路交通分类方法,参见图1所示,该方法包括:
[0051] 步骤S11:利用前景检测算法,检测出交通视频帧中的车辆目标,并利用所述车辆目标估计所述交通视频帧中的交通密度。
[0052] 本实施例中,所述前景检测算法为可以实现图像前景与背景分割的算法。所述前景是图像后视频场景中可见性、显著性更强的部分。前景检测,即在视频中识别感兴趣区域或识别运动目标和静态部分的过程。所述感兴趣区域或所述运动目标即为前景,所述静态部分即为背景。所述前景检测是运动分析、视频监控的关键步骤,也是最
基础和最底层的步骤。相应地,本实施例中就是要利用前景检测算法检测出交通视频帧中的车辆目标。
[0053] 可以理解的是,所述前景检测算法包括但不限于帧差法、背景建模法、平均背景法、背景非参数估计法、前景建模法等。利用前景检测法,检测出交通视频帧中的车辆目标后,要利用所述车辆目标估计所述交通视频帧中的交通密度,得到所述交通视频帧的第一个特征。
[0054] 步骤S12:利用光流法估计所述车辆目标的车辆速度。
[0055] 本实施例中,光流是空间运动物体在观察成像平面上的像素运动的瞬时速度。所述光流法是利用
图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息的一种方法。
[0056] 本实施例中,所述光流法可以分为三类:基于区域或特征的匹配方法、基于频域的方法以及基于梯度的方法。所述基于特征的匹配算法,需要不断地对目标主要特征进行
定位和
跟踪,而对目标的运动幅度大的运动和大的
亮度变化具有鲁棒性。所述基于区域的匹配方法,需先对类似的区域进行定位,然后通过相似区域的位移计算光流。所述基于频域的方法,需先对输入图像的时间和空间进行整合,再估计目标的速度。所述基于梯度的方法,是利用时变图像灰度的
时空微分来计算像素的速度矢量。
[0057] 可以理解的是,利用前景检测法检测出交通视频帧中的车辆目标后,再利用所述车辆目标估计出所述交通视频帧的交通密度,得到所述交通视频帧的第一特征,接着利用光流法估计出所述车辆目标的车辆速度,得到所述交通视频帧的第二特征。
[0058] 步骤S13:将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量。
[0059] 本实施例中,将所述交通密度和所述车辆速度均进行规范,也即将所述交通密度和所述车辆速度进行归一化,使得所述交通密度和所述车辆速度均规范到区间(0,1)之间。接着将规范后的所述交通密度和所述车辆速度进行整合,也即将规范后的所述交通密度和所述车辆速度进行关联,得到交通特征向量。
[0060] 步骤S14:利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。
[0061] 可以理解的是,所述支持向量机(SVM)是一种高效的统计
机器学习模型,常用于处理
模式识别领域中的分类和回归问题。采用非线性核函数的支持向量机可以将低维特征转换成高维特征,从而实现低维不可分问题向高维线性可分问题的转化。所述支持向量机的核函数可以包括但不限于线性核、多项式核、径向基函数核与SIGMOD核等。使用支持向量机需要进行K折交叉验证。所述道路交通分类结果可以分为三类:顺畅、适中和拥塞。
[0062] 可见,本申请先利用前景检测算法,检测出交通视频帧中的车辆目标,并利用所述车辆目标估计所述交通视频帧中的交通密度;再利用光流法估计所述车辆目标的车辆速度;接着将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量;最后利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。由此可见,本申请利用对噪声有较强鲁棒性的算法从交通视频帧中提取交通密度特征和车辆速度特征,并将所述交通密度特征和车辆速度特征进行整合关联,得到表征交通多面信息的交通特征向量,再利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。此方法整合了道路交通中的特征,且对噪声具有较强的鲁棒性,提高了道路交通分类的准确性。
[0063] 参见图2所示,本申请实施例公开了一种具体的道路交通分类方法,该方法包括:
[0064] 步骤S21:利用前景检测算法,检测出交通视频帧中的车辆目标,并利用所述车辆目标估计所述交通视频帧中的交通密度。
[0065] 步骤S22:利用光流法估计所述车辆目标的车辆速度。
[0066] 步骤S23:将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量。
[0067] 步骤S24:利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。
[0068] 步骤S25:将所述道路交通分类结果进行可视化显示。
[0069] 可以理解的是,所述支持向量机输出的是数字,对于观察所述道路交通分类结果并不直观,所以可以在所述支持向量机之后增加一个可视化显示模块,将所述道路交通分类结果进行可视化显示,提高本实施例所公开的道路交通分类方法制成的道路交通分类系统的实用性,帮助交通部
门了解道路交通状态。例如,采用不同
颜色的
LED灯来表示不同的道路交通分类结果。例如,红色LED灯亮则表示所述交通分类结果为拥塞,黄色LED灯亮则表示所述交通分类结果为适中,绿色LED灯亮则表示所述交通分类结果为顺畅。
[0070] 相应地,本实施例提出了一种道路交通分类系统,所述道路交通分类系统结构参见图3所示。将交通视频作为所述道路交通分类系统的输入后,所述道路交通分类系统中的前景检测模块对所述交通视频进行前景检测,检测出所述交通视频中的车辆目标,并通过密度估计模块估计出所述交通视频中的交通密度,同时利用光流检测模块估计所述车辆目标的车辆速度。再利用特征规范与整合模块对所述交通密度和所述车辆速度进行规范与整合,得到所述交通视频的交通特征向量,再将所述交通特征向量通过分类模块,得到所述交通视频中的道路交通分类结果。最后可视化显示模块将所述道路交通分类结果进行可视化显示,红色灯表示交通拥塞,黄色灯表示交通适中,绿色灯表示交通顺畅。
[0071] 参见图4所示,本申请实施例公开了一种具体的道路交通分类方法,该方法包括:
[0072] 步骤S31:利用ViBe算法,检测出当前交通视频帧中的车辆目标。
[0073] 本实施例中,所示ViBe算法是一种基于背景更新的前景检测算法,该算法使用一帧图像即可初始化背景模型,计算量较小,速度快,可以满足实时性要求。此外,ViBe算法对噪声有一定的鲁棒性。使用ViBe算法处理交通拥塞、适中、顺畅的三类交通视频,得到的前景检测结果如图5所示。从所述前景检测结果可以看出,使用ViBe算法可以准确地从背景中分割出来,自适应能
力较强。
[0074] 步骤S32:根据所述车辆目标的像素在对应的所述交通视频帧中所占的比例值估计所述交通视频帧中的交通密度。
[0075] 可以理解的是,在前景检测预处理之后,根据所述车辆目标的像素在对应的所述交通视频帧中所占的比例值估计所述交通视频帧中的交通密度。对于
分辨率为190*140的视频,统计交通拥堵、适中以及顺畅的交通视频中每一帧图像中
前景像素个数,即所述车辆目标像素,并通过坐标图显示,结果如图6所示。
[0076] 步骤S33:利用KLT算法估计所述车辆目标的车辆速度。
[0077] 本实施例中,所述KLT算法是集特征提取与光流法于一体的
角点跟踪算法,也称LK光流跟踪算法。相比于传统的基于目标的跟踪算法,所述KLT算法可以更好的适用于复杂背景下多目标、遮挡度较高的情况。此外,所述KLT算法对于目标机动现象具有较好的鲁棒性。所述KLT算法利用空间特性信息,通过
位置搜索直接获得最佳匹配。所述KLT算法的基本原理是:将当前帧中的可靠特征点作为跟踪点,对跟踪点进行光流估计,并计算出跟踪点在下一帧中的位置,进一步计算出匹配跟踪点在相邻两帧图像中的位移偏移量。所述位移偏移量的单位是像素。
[0078] 本实施例中,通过所述KLT算法得到相邻两帧视频中所有特征点的位移偏移量,并计算所有所述偏移量的平均值,利用所述平均值估计所述车辆目标的车辆速度。在利用所述KLT算法估计所述目标车辆速度的过程中,要提取图像中的特征点,特征提取结果如图7所示,图7c、图7d分别是图7a和图7b经过特征提取后的效果图。利用所述KLT算法估计交通拥塞、适中以及顺畅的交通视频中的车辆目标的车辆速度,并将所述车辆速度绘制在坐标图中,结果如图8所示。
[0079] 步骤S34:利用预设公式,对所述交通密度和所述车辆速度进行规范;
[0080] 其中,所述预设公式为
[0081] X'表示规范后的所述交通密度或所述车辆速度,X示规范前的所述交通密度或所述车辆速度,Xmin表示规范前的所述交通密度或所述车辆速度中的最小值,Xmax表示规范前的所述交通密度或所述车辆速度中的最大值。
[0082] 步骤S35:将规范后的所述交通密度和所述车辆速度进行整合,得到交通特征向量。
[0083] 本实施例中,为了避免整合后的所述交通特征向量的维度过高,需要将单个视频分成若干块,每块包含若干帧图像,则单个每个视频块中所包含的交通特征值由相同数量的交通密度和相同数量的车辆速度构成。例如,将一个交通拥塞的交通视频、一个交通适中的交通视频以及一个交通适中的交通视频各分为4个视频块,每个所述视频块又分为10帧图像,其整合后的交通特征向量可以表示为下式:
[0084] 其中,ρ1、ρ2、ρ3,、ρ4分别为第一视频块、第二视频块、第三视频块以及第四视频块的交通密度,v1、v2、v3、v4分别为所述第一视频块、所述第二视频块、所述第三视频块以及所述第四视频块的车辆速度。将所述交通拥塞的交通视频、所述交通适中的交通视频以及所述交通适中的交通视频的交通密度和车辆速度进行整合,整合后的二维特征向量可以如图9所示。由图9可知,当道路交通呈现顺畅状态时,车辆目标的平均速度较高,交通密度较低;当道路交通呈现适中状态时,车辆目标的平均速度较低,交通密度较高;当道路交通呈现拥塞状态时,车辆目标的平均速度很低,交通密度很高。
[0085] 步骤S36:利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。
[0086] 本实施例中,在利用所述支持向量机处理所述交通特征向量的过程中,分别使用3折交叉验证和10折交叉验证来划分数据集,并采用不同的核函数进行实验,实验的分类精度结果如下表一所示:
[0087] 表一
[0088]
[0089] 其中,T1、T2、T3以及T4分别表示第一次实验、第二次实验、第三次实验以及第四次实验的分类精度,Avg表示四次实验的分类精度的平均值。
[0090] 由实验结果可以看出,当核函数为SIGMOD核时,所述支持向量机的平均分类精度最优。
[0091] 步骤S37:将所述道路交通分类结果进行可视化显示。
[0092] 参见图10所示,本申请实施例公开了一种道路交通分类装置,包括:
[0093] 车辆目标检测模块11,用于利用前景检测算法,检测出交通视频帧中的车辆目标;
[0094] 交通密度估计模块12,用于用所述车辆目标估计所述交通视频帧中的交通密度;
[0095] 车辆速度估计模块13,用于利用光流法估计所述车辆目标的车辆速度;
[0096] 交通特征向量获取模块14,用于将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量;
[0097] 道路交通分类模块15,用于利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。
[0098] 可见,本申请先利用前景检测算法,检测出交通视频帧中的车辆目标,并利用所述车辆目标估计所述交通视频帧中的交通密度;再利用光流法估计所述车辆目标的车辆速度;接着将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量;最后利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。由此可见,本申请利用对噪声有较强鲁棒性的算法从交通视频帧中提取交通密度特征和车辆速度特征,并将所述交通密度特征和车辆速度特征进行整合关联,得到表征交通多面信息的交通特征向量,再利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。此方法整合了道路交通中的特征,且对噪声具有较强的鲁棒性,提高了道路交通分类的准确性。
[0099] 进一步的,如图11所示,本申请实施例还公开了一种道路交通分类设备,包括:处理器21和存储器22;
[0100] 其中,所述存储器22,用于存储计算机程序;所述处理器21,用于执行所述计算机程序,以实现前述实施例中公开的道路交通分类方法。
[0101] 进一步的,本申请实施例还公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现以下步骤:
[0102] 利用前景检测算法,检测出交通视频帧中的车辆目标,并利用所述车辆目标估计所述交通视频帧中的交通密度;利用光流法估计所述车辆目标的车辆速度;将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量;利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。
[0103] 可见,本申请先利用前景检测算法,检测出交通视频帧中的车辆目标,并利用所述车辆目标估计所述交通视频帧中的交通密度;再利用光流法估计所述车辆目标的车辆速度;接着将所述交通密度与所述车辆速度进行规范与整合,得到交通特征向量;最后利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。由此可见,本申请利用对噪声有较强鲁棒性的算法从交通视频帧中提取交通密度特征和车辆速度特征,并将所述交通密度特征和车辆速度特征进行整合关联,得到表征交通多面信息的交通特征向量,再利用支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。此方法整合了道路交通中的特征,且对噪声具有较强的鲁棒性,提高了道路交通分类的准确性。
[0104] 本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:利用ViBe算法,检测出当前交通视频帧中的车辆目标。
[0105] 本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:根据所述车辆目标的像素在对应的所述交通视频帧中所占的比例值估计所述交通视频帧中的交通密度。
[0106] 本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤利用KLT算法估计所述车辆目标的车辆速度。
[0107] 本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:利用预设公式,对所述交通密度和所述车辆速度进行规范;将规范后的所述交通密度和所述车辆速度进行整合,得到交通特征向量;
[0108] 其中,所述预设公式为
[0109] X'表示规范后的所述交通密度或所述车辆速度,X示规范前的所述交通密度或所述车辆速度,Xmin表示规范前的所述交通密度或所述车辆速度中的最小值,Xmax表示规范前的所述交通密度或所述车辆速度中的最大值。
[0110] 本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:利用基于SIGMOD核函数的支持向量机处理所述交通特征向量,得到所述交通视频帧中的道路交通分类结果。
[0111] 本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:将所述道路交通分类结果进行可视化显示。
[0112] 本
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
[0113] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用
硬件、处理器执行的
软件模块,或者二者的结合来实施。
软件模块可以置于随机存储器(RAM)、内存、
只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、
硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
[0114] 最后,还需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得一系列包含其他要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0115] 以上对本申请所提供的一种道路交通分类方法、装置、设备、介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。