CN101267957A - 基于传感技术的汽车起动控制的方法和司机辅助系统 - Google Patents

Abstract

用于汽车的起动控制的方法，其中借助于传感装置(12，14)探测汽车的前方区域(34)并且在汽车停止后如果交通状况允许，自动发出起动释放信号(F)，其特征在于，由传感装置(12，14)的数据提取汽车前方区域(34)中的车道特征并且借助于该特征检验至少一个释放判据，它肯定地报告，车道是空的。

Description

基于传感技术的汽车起动控制的方法和司机辅助系统

背景技术

本发明涉及一种汽车起动控制的方法，其中借助于传感装置探测汽车的前方区域并且在汽车停止后如果交通状况允许，自动发出起动释放信号，本发明还涉及用于实施本方法的司机辅助系统。

在司机辅助系统中使用这种方法，司机辅助系统的一个示例是所谓的ACC系统(Adaptive Cruise Control自适应巡航控制系统)，它不仅能够自动地使速度调节到由司机所选择的期望速度，而且如果由传感装置定位向前移动的汽车，也自动地调节间距。该传感装置一般通过雷达传感器构成。但是也已知这样的系统，其中代替雷达传感器或者对其附加地具有一个单筒或双筒摄像系统。电子地评价传感数据并且形成借助于电子调节器进行调节的基础，该调节器嵌入到汽车的驱动系统和制动系统里面。

这种形式的先进系统在停止和前进状况中、例如在高速公路上堵车时提供更高的舒适性并因此具有停止和前进功能，它能够使本身汽车自动地置于制动状态，如果前面的汽车停止，并且如果前面的汽车又置于运动，则自动地导入起动过程。但是起动过程的自动导入在安全方面是苛刻的，因为必需保证，在汽车前面附近没有行人或其它障碍位于车道上。

在已知的ACC系统中借助于算法实现障碍识别，这些算法在传感数据中寻找表征确定等级障碍的特征。由没有障碍的被动确认引得出结论，车道是空的并因此可以导入起动过程。

在DE 199 24 142中指出，已知的用于识别障碍的方法不是总能提供所需的安全性，尤其是由于拐弯或靠边而失去作为目标跟随的前面的汽车的情况下。因此建议，当得到传感数据分析，要导入起动过程时，首先只使司机获得起动指示，但是只有当司机已经操纵释放起动时才导入实际的起动过程。但是在频繁停止和起动的情况下这种起动指示的频繁出现经常被视为干扰。

发明的优点

按照本发明的具有权利要求1特征的方法在自动地识别能够无危险地实现起动过程的状况方面提供更高的安全性。

按照本发明的方法不是、或者至少不仅仅基于借助于给定的障碍物特征识别障碍物，而且基于主动地识别表征无障碍的车道的特征。这一点与传统的障碍识别方法相比具有优点，在定义车道空出的判据时无需事先识别，何种障碍可能位于车道上并且要借助于哪些特征识别这些障碍。因此本方法在响应未知形式的障碍时尤其更加实用且更加有选择性。

对于无障碍的车道的判据尤其是，参与的传感器在重要的间距范围中直接识别空的车道，即，对车道的视野不会由于某些障碍物堵住。与参与的传感系统、如雷达系统、单筒或立体摄像系统、距离视频、超声波传感器和类似元件以及这些系统的组合无关能够由此表征无障碍的车道，传感数据由于“空的”车道表面占主要位置，即，伸展的表面具有微少的结构，它可能由于常见的具有公知的几何形状的车道特征和边缘中断。如果这种图形以足够的清晰度在传感数据中识别，则能够以高的可靠性推断，某些尽管总是变化形式的障碍位于车道上。

判据“空车道”的检验可以有选择地涉及整个车道宽度或者只涉及所选择的车道部分，例如所谓的行驶走廊，在其内部汽车本身可能移动。在现有技术中已知由于确定行驶走廊的方法，例如借助于由转向角推导的车道曲率、借助于视频数据等。

在要产生的判断、例如判断是否要给司机发出起动指示时，或者在判断是否要释放具有或没有司机操作的起动过程时能够通过使用这个判据明显减少误判的几率。由于其高度的选择性本方法特别适合于判断，是否可以自动地、无需通过司机应答起动命令地导入起动过程。在按照本发明的方法中错误还可能以空的车道不作为空车道识别的形式出现，例如由于车道表面的维修位置或者由于车道上的潮湿地段，它们伪装成在实际上不是重要障碍的结构。如果在这种极少的疑问情况下发出起动指示，司机可以轻易地修正错误，通过使司机在其验证车道是空的以后，操纵起动命令。而在许多情况下自动地识别空车道，由此无需司机干涉。

一个用于实施本方法的司机辅助系统是独立权利要求15的内容。

在从属权利要求中给出本发明的有利扩展结构和改进方案。

所述传感装置优选包括一个视频系统，并且将一个或多个必需满足空车道的判据应用于车道视频图形的特征。

不仅以直线为基础的方法而且以区域为基础的方法都适用于评价视频图形，例如以所谓的扫描线(行间距)评价图形信息，它们在视频图形中水平延伸并由此分别代表汽车前方区域中的一个区域，它在行驶方向看去与汽车具有一个恒定的间距，或者选择平行于行驶方向(在视频图形中也在消失点的方向)延伸的扫描线，在以区域为基础的方法中在视频图形中分析两维的区域。

在视频图形的相关行或区域内部求得灰值或色值是适宜的，因为车道表面显示出基本一致的颜色和亮度(不计例如车道标记)。

一个用于分析视频图形的有益工具是建立色值或灰值的直方图。车道表面的优势在对应于车道表面的灰值时在直方图中导致明显的单个峰值。而一个没有明显的单个峰值优势的分布的直方图意味着存在障碍。

不仅对于扫描线而且对于视频图形的确定区域或者对于作为整体的图形可以建立这种直方图。

另一(以直线为基础的)方法是检测和分析视频图形中的棱边。直的棱边和线如车道标记和车道边缘在车道表面的平面中在车道纵向上延伸，它们具在延长时在唯一的消失点中相交的特性。而相对于车道表面突出的目标的侧面边界的棱边和线不具有这个特性。因此借助于分析延长棱边的交点能够确定，视频图形是否只是空的车道或者是否存在障碍。

例如对于公知的用于以区域为基础检查视频图形的算法是所谓的区域成长(region-growing)以及结构分析。通过区域成长可以识别在图形中的相关区域，它们具有类似的特性，例如空的车道表面。而如果视野在部分车道表面上通过障碍堵住，则在区域成长时不存在相关的区域或者至少不存在简单相关的区域，而是可能存在具有一个或多个“小岛”的区域。在结构分析时对于视频图形作为整体或者对视频图形的各个区域附设结构尺度。空的道路显示出较少的结构并因此显示出小的结构尺度，而障碍在视频图形中导致较大的结构尺度。

适宜的是，使上面作为示例描述的多种分析方法相互组合。对于每种分析方法建立一个用于无障碍车道的独立判据，并且只有当满足每个判据时才承认道路是空的。

本方法还可以进一步细化，如果至少一个判据对于空的车道不满足，借助于已知的物体识别算法尝试，详细鉴别和表征引起判据不满足的物体，由此可以判断，这个物体是否是真正重要的障碍。在识别物体时也可以使不同的传感系统(如雷达和视频)的数据相互结合。

同样可以设想，在使用判据前对于空的车道进行传感数据预加工，用于事先滤掉典型的干扰影响，它们已知不代表真正的障碍。这一点例如对于车道标记以及对于一般位于车道以外的右上和左上图形边缘的范围都是有效的。

附图

在附图中示出本发明的实施例并且在下面详细描述。附图中：

图1示出按照本发明的司机辅助系统的方框图，

图2和3示出用于解释以直线为基础的用于评价视频图形的方法，

图4示出用于空的车道的直方图，

图5示出用于具有障碍的车道的直方图，

图6示出用于具有障碍的车道的区域成长过程结果的画面视图，

图7示出用于运动分析的差别图，

图8和9示出用于解释借助于光流进行运动分析的方法，

图10示出按照本发明的实施例的方法流程图。

实施例的描述

作为司机辅助系统的示例图1示出一个ACC系统10，它评价雷达传感器12和摄像机14的数据。该雷达传感器和摄像机这样安装在汽车里面，它们监控汽车前方区域。借助于雷达传感器12的数据在一个跟踪模块16中识别物体，它们已经响应雷达回声，并且将这些物体组合在物体清单里面，并且超出相互衔接的雷达传感器测量循环跟踪其位置和运动数据。只要定位至少一个物体，在合理性模块18中判断，定位的物体是否是直接在自身轨迹前面行驶的汽车，并且选择这个物体作为间距调节的目标。然后根据由跟踪模块16提供的关于目标的数据在调节器20中实现实际的间距调节，该调节器与其余的ACC系统部件一样最好以软件在电子数据处理设备中赋值。该调节器20嵌入到汽车的驱动系统和制动系统里面，用于这样调节其速度，使得以测量的时间间隔跟踪目标。

如果不存在目标，则调节到由司机选择的期望速度。

在这里所述的ACC系统的调节器20具有所谓的停止和前进功能，即，它能够使汽车本身也处于制动状态，如果目标停止。同样如果目标又置于运动或者由于拐弯或靠边运动侧面从雷达传感器的定位范围移出的时候，调节器20控制自动起动过程。但是在某些条件下不自动地导入起动过程，而是只能通过人/机节点22给司机发出起动指示，并且只有当司机操纵起动命令，才导入起动过程。一个释放模块24以检验模块26的结果为基础决定，是否立刻自动释放起动过程或者只有在司机操纵以后才释放起动过程，检验模块首先评价由摄像机14摄取的图形，用于保证，没有障碍物位于车道上的起动范围。如果车道是空的，则释放模块24提供给调节器20一个起动释放命令F。只有出现起动释放命令F，调节器才提供自动起动过程(没有起动指示)，并且必要时还检验其它条件，它们对于自动起动过程是必需满足的，例如条件，自汽车的静止状态开始已经过去不长于确定的时间间隔例如3秒。

在所示示例中对检验模块26还前置物体识别模块28和行驶带识别模块30。

在物体识别模块28中检验视频图形在某些给定的物体等级的存在性，它们可能被视为障碍，如Pkw和Lkw、自行车、行人和类似障碍。这些物体以公知的方式通过给定的特征表征，然后在视频图形中寻找它们。此外在所示示例中在物体识别模块28中使摄像机14的数据与雷达传感器12的数据融合，由此必要时可以在视频图形中鉴别由雷达传感器定位的物体，反之同样。因此例如能够使由雷达传感器定位的物体在物体识别模块28中借助于视频图形鉴别位于道路上的薄铁罐，它不是重要的障碍。但是如果物体识别模块28识别一个物体并且评价为真正的障碍，则可以在检验模块26中检验，并且释放模块24指示，只有在司机操纵以后才允许自动的起动过程或者选择对司机根本不发出起动指示。

所述行驶带识别模块30这样编程，它在视频图形中识别某些给定的车道标记，例如左边和右边的车道边缘标记、连续的或间断的中心带或者痕迹标记、十字路口的停车线和类似标记。这些标记的识别是容易的并且在检验模块26中改善其它下述的检验步骤。同时行驶带识别的结果也可以用于在合理性模块18中改善由雷达传感器12定位的物体对于不同行驶轨迹的配置。

所述检验模块26在摄像机14的视频图形上执行一系列检验，它们的目的是，识别专门用于表示车道空出的标记，即，在通过障碍物堵住车道时不出现。现在借助于图2至5详细描述这个检验步骤的一个示例。

图2以示意轮廓图示出汽车32，它配有按照图1的ACC系统10，以及摄像机14的前方区域34，即，在视频图形中可以看到的车道和邻接地带的表面范围。这个前方区域34分成多个垂直于汽车32纵轴线延伸的带或行36(扫描线)，它们对应于与汽车32的不同间距，例如5m，10m等。

图3示出从属的视频图形38。可以看到左边和右边的车道边界和中心带的车道标记40，42和44。这些标记线在视频图形中以直线显示，它们都相交在水平线48上的消失点46。在车道表面50上已经标记出结合图2描述的行36。

为了判断车道在对于起动过程重要的下间距范围是空出的(如图3所示)，现在提供不同的判据。其中一个判据是，在重要的间距范围中完全或者绝大部分在车道表面50以内的行的图形像素实际上(不计图形噪声)都具有一致的颜色，即车道表面的颜色。在黑/白图形的情况下相应地对应于灰值。为了检验这个判据提供不同的、在原理上公知的算法供使用。

特别适宜的是直方图分析，如图4和5所示的那样。在这种可以对每行36制定的直方图中对于每个可能的亮度值L(亮度)给出相关行的像素数，它们具有这种亮度值。在彩色图形的情况下可以对于三个分色R，G和B的每个分色制定相应的直方图。

图4示出用于空车道的直方图的典型示例。其特征是，在直方图中只存在一个非常明显的峰值52，它代表车道表面50的亮度值。一个较弱的峰值54对于非常大的亮度值代表白色的车道标记40，42，44。

相比之下图5示出一个用于车道的相应直方图，在车道上具有至少一个未知的障碍。在这里峰值52更少地显现并且主要附加地存在至少另一峰值56，它代表障碍的亮度值。

如果在分析直方图时对于所有的行36在重要的间距范围中得到在图4中所示的图形，则由此可以肯定，车道是空的。

如果如图1那样存在一个行驶带识别模块，还能够提高方法的选择性，通过使识别的车道标记从图形中隐去，使得峰值54在直方图中消失。此外能够使视频图形38(图3)在以行为基础的分析之前这样被切除，使得尤其对于较大的间距隐去图形范围，它们一般位于车道表面50以外。这一点当然在车道标记40和42对于左边和右边的车道边缘已经在行驶带标记模块30中识别的时候是特别简单的。

在一个可选择的实施例中当然也可以使直方图分析不以各个行36为基础进行，而是对于整个图形或者对于适当选择的图形部分进行。

另一用于判断车道空出的判据涉及用于在视频图形中识别棱边或线的已知算法。对于空出的(和直线的)车道、尤其是当图形以上述的方式适当切除的时候，各个棱边或直线应该是那些通过车道标记和车道边缘以及必要时石头边缘和类似物引起的。如上所述，它们具有都在消失点46相交的特性(对于弯曲的车道这一点在足够短的车道截段以内是适用的，在该截段内线接近直线。)如果障碍位于车道上，与此不同也出现棱边或直线，它们通过障碍的侧面的、接近垂直的边界构成并且它们不满足在消失点46相交的判据。此外对于障碍、尤其是对于由人构成的目标一般也出现水平的棱边或直线，它们在空的车道上不存在，但是撇开垂直车道延伸的停止线，它们必要时可以借助于行驶带识别模块30识别。

一个用于以区域为基础的检查的示例是区域成长算法。这个算法这样开始，首先对于相对较小的图形范围、最好在图形中心的下部确定特性如颜色、灰度值或细结构(车道表面的粗糙度)。对于空的车道这个小的区域代表部分车道表面46。然后将这个区域逐渐在所有方向上扩展，在这些方向上特性接近于与原始区域中的特性一致。最后以这种方式获得一个区域，它对应于整个在视频图形中可以看到的车道表面50。

对于空的车道这个区域应该是一个没有中断和小岛的相关表面。根据空间分辨率必要时可以将用于中心带的中断的车道标记44标记为小岛，如果它们不借助于行驶带识别模块30消除。而如果一个障碍物位于车道上，区域在障碍物的位置上具有一个空隙，如同作为示例在图6中所示的那样。在图6中以阴影表示由区域成长过程结果获得的区域58并且具有一个凹地60行驶空隙，它由于障碍物、例如汽车引起。

对于其它的障碍群障碍可以将区域58分成两个完全分开的区域。为了获得这种情况，可以设想使区域成长也能够从图形的其它点开始。但是在紧靠汽车的仅仅对于起动过程重要的前方区域一般不出现这种障碍群。因此在这里障碍或者以小岛或者以凹地(如图6所示)表示。

因此一个用于确定车道空出的简单判据是，作为区域成长过程的结果获得的区域58在数学的意义上是凸起的，即，两个任意的点在这个区域内部可以通过一个直线连接，它同样完全位于这个区域内部。这个判据涉及简化的假定，车道边界是直的。至少在附近在很大程度上满足这个假定。该判据的细化可以是，使区域58的侧面边界通过低等级多项式、例如通过抛物线近似。

用于确定车道空出的另一判据涉及视频图形的结构分析，或者对于作为整体的图形或者对于适当选择的图形局部部位。所述车道表面50实际上没有结构，不考虑由于车道表面粗糙度引起的细结构并且可以通过适当选择结构过滤消除。而在车道上的障碍导致图形或者图形的相关部分具有特别高的结构尺寸。

对于以区域为基础的判据也可以设想使用训练的分级器。这种分级器是自学习的分析算法，它们事先借助于确定的示例状况训练，由此使它们处于以高度可靠性识别的状态，所检查的局部图形是否属于训练等级“道路空出”。

一个必需的但是不充分的用于空出车道的判据是，在重要的对应于紧靠汽车前方区域的局部图形中不能出现运动、尤其是没有横向运动。在此应该这样限制局部图形，使得不考虑透过前面汽车后玻璃窗可以看到的人的运动。如果也考虑纵向运动，还要在视频图形中消除由于前面汽车起动引起的运动。

如果本身的汽车停止，通过评价两个短时间前后摄取的视频图形之间的图形差别能够方便地识别运动。如果不出现运动，则图形差别值为零(例如在两个图形的亮度值之间的差值)。而图7作为示例示出一个用于垂直于车道滚动的球64的差别图形62。该球的运动引起两个镰刀形的区域，它们具有不同于零的亮度差，它们在图7中以阴影表示。如果要只识别横向运动，则分析仍然可以只局限于水平行36(扫描线)。如果要求必需识别在至少两行36中的运动，则通过行36的间距能够给出运动物体的最小尺寸，它们应该作为障碍识别。

用于识别运动的不同方法涉及所谓的光流计算。这个光流是一个矢量场，它给出数值和方向，在该方向结构在视频图形中运动。

图8示出一个用于计算光流的方法首先用于一维的情况，即，用于光流j在视频图形的水平方向x，也用于垂直于行驶方向的运动。在图8中胖的曲线66(对于图形行)给出物体的亮度L与位置坐标x的关系。在所示示例中物体在中心部位具有恒定的、相对较大的亮度值，并且在左侧面和右侧面亮度不同斜度地下降。在图8中瘦的曲线68表示在短的时间间隔dt过后同一亮度分布，在该时间间隔中物体已经以间距dx向左移动。表征物体运动的光流j通过j＝dx/dt给定。

现在在亮度曲线的侧面上一方面可以形成亮度的空间导数dL/dx并且另一方面形成时间的导数dL/dt，并且适用于：

dL/dt＝j·dL/dx

如果dL/dx不等于零，则能够计算光流j：

j＝(dL/dt)/(dL/dx)

这种分析可以对于一行或多行36上的每个独立的图形点进行或者也可以对于整个视频图形进行，由此可以得到光流j在纵向分量或x分量在相关图形范围中的空间分布。

以类似的方式能够计算光流的垂直或y分量，由此最终得到一个两维的矢量场，它在图形中再现所有结构的运动。对于不运动的画面必需使光流到处消失，不考虑图形噪声和计算误差。如果运动的物体位于图形里面，则光流的分布能够识别物体的形状和大小以及其在视频图形中x-y坐标系中的运动的数值和方向。

这种方法也能够用于识别运动的物体，如果本身汽车是运动的。因此汽车的自身运动对于空出的车道导致光流j的特征分布图，如图在图9中简示的那样。与这个图形不同意味着存在运动的物体。

图10示出在图1的检验模块26中执行的方法示例的流程图，该流程使上述的检验判据相互组合。

在步骤S1通过图形差别分析或者通过计算光流确定，运动的物体、即可能的障碍是否位于视频图形的重要部分里面。如果是这种情况(J)，则这个分判据不满足空出的车道并且分支到步骤S2，并且释放模块24命令，截止自动导入起动过程。由此只发出一个起动指示，并且只有当司机接着操纵起动命令时，才开始起动过程。

在另一情况(N)下在步骤S3中通过直方图分析确定，至少对于直方图中的一行36是否存在多个峰值(如图5所示)。

如果满足在步骤S3中检验的判据(N)，则在步骤S4中检验，所有在图形中鉴别的直的棱边是否在一个唯一的消失点相交(对应于上面借助于图3描述的判据)。如果不是这种情况，再返回到步骤S2。

在另一情况下在步骤S5中检验，区域成长是否得到一个基本(即不计车道边缘的曲率)凸起的表面。如果不是，则再返回到步骤S2。

在另一情况下在步骤S6中检验，对于图形测得的结构尺寸是否位于适当选择的阈值以下。如果不是，则再返回到步骤S2。

在另一情况下在步骤S7中检验，训练的分级器是否也识别到空出的车道。如果不是，则再返回到步骤S2。而如果在步骤S7中也满足判据(J)，则意味着，所有检验过的判据证明空的车道，并且在步骤S8中产生起动释放信号F并由此允许没有事先起动指示地自动导入起动过程。

紧接着还至少这样长时间地不实际起动，在一个循环中周期地执行步骤S9，在其中与步骤S1类似地识别在视频图形中的运动。如果在这种情况下一个障碍物要运动到汽车前方区域里面，则借助于其运动识别障碍，并且离开循环到步骤S2，由此再取消释放行驶。

紧接着步骤S2实现返回到S1，在那里重新检测运动。步骤S1和S2在一个循环中这样长时间地重复，如同停止运动。如果在步骤S1多次确定没有运动，则通过步骤S3离开循环，并且在步骤S3至S7检验，障碍是否还位于车道上或者车道已经空出。

为了省去不必要的计算工作，在改进的实施例中如果通过步骤S3至S7中的一个步骤达到步骤S2，即，已经识别到不运动的障碍，则总是可以建立一个标记。然后使这个标记起作用，在步骤S1对于否定的结果(N)分支到步骤S2并且对于肯定的结果(J)同样分支到步骤S2并且还复位标记。然后建立思考，没有运动，障碍物不能从车道消失。一旦不再确认运动，然后通过步骤S3离开循环S1-S2。

Claims (15)

1.用于汽车(32)的起动控制的方法，其中借助于传感装置(12，14)探测汽车的前方区域(34)并且在汽车停止后如果交通状况允许，自动发出起动释放信号(F)，其特征在于，由传感装置(12，14)的数据提取汽车前方区域(34)中的车道特征并且借助于该特征检验至少一个释放判据，其肯定地报告，车道是空的。

2.如权利要求1所述的方法，其特征在于，所述传感装置(12，14)的数据包括视频图形(38)，由该图形提取车道特征。

3.如权利要求2所述的方法，其特征在于，至少一个释放判据要求在视频图形(38)中一致特性的车道表面(50)的图形占主导位置。

4.如权利要求3所述的方法，其特征在于，以视频图形的行(36)为基础进行释放判据的检验，这些行对应于在汽车(32)前面的一定间距处的车道表面(50)的区域。

5.如权利要求3或4所述的方法，其特征在于，通过直方图分析进行释放判据的检验。

6.如权利要求3至5中任一项所述的方法，其特征在于，所述释放判据或者释放判据中的一个判据是，对应于车道表面(50)的区域(58)在视频图形中没有小岛或凹地(60)，该判据的检验包括区域成长过程。

7.如权利要求3至6中任一项所述的方法，其特征在于，所述释放判据的检验包括结构分析。

8.如权利要求2至7中任一项所述的方法，其特征在于，由视频图形(38)中提取的特征包括直线(40，42，44)并且释放判据或者释放判据中的一个判据是，图形只含有直线(40，42，44)，其延长线在唯一的消失点(46)相交。

9.如权利要求2至8中任一项所述的方法，其特征在于，借助于在空的车道上训练的分级器分析视频图形并且释放判据或者释放判据中的一个判据是，该分级器识别空的车道。

10.如权利要求2至9中任一项所述的方法，其特征在于，在视频图形(38)上使用物体识别步骤，用于借助于给定的特征识别视频图形中的物体。

11.如权利要求10所述的方法，其特征在于，所述物体识别步骤包括寻找障碍的给定特征并且当识别到障碍的特征时，无需继续检验释放判据地中断对起动释放信号(F)的自动输出。

12.如权利要求10或11所述的方法，其特征在于，所述物体识别步骤包括寻找不是障碍物的物体(40，42，44)的给定特征，并且在检验释放判据时不考虑由此识别的特征。

13.如权利要求10至12中任一项所述的方法，其特征在于，对所述视频图形进行运动分析并且借助于物体在视频图形中的运动识别物体。

14.如上述权利要求中任一项所述的方法，其特征在于，检验多个判据并且当不满足这些判据中的至少一个判据时，中断对起动释放信号(F)的自动输出。

15.用于汽车的司机辅助系统，其特征在于，它设计成用于实施如权利要求1至14中任一项所述的方法。

Images