1.源碼下載及轉(zhuǎn)換為VS2012 WIN32版本。

http://www.cnblogs.com/larch18/p/4560690.html

2.原文：

http://wenku.baidu.com/link?url=ls5vmcYnsUdC-ynKdBzWgxMX9WomZH2sDRvnQ634UlN8p7oJm_ATFWrLlTQ3H_Co3y-7fL8Jt0MbHu800RWJtSABPKRxrtZvkjkXiFzdLLG

3.原文翻譯：

http://www.cnblogs.com/larch18/p/4569543.html

4.程序說明

http://wenku.baidu.com/link?url=M1VJN_EDd2nHHtxz87mSkxHecKJhcGpuqe8duWbpZxSsR6e2rvcDnaCRnkCekyu1QerZ9VzsH6HetKh3Lq4LGsA1OujwFsrd0pCI8cdWMzC

5.總結(jié)：

???? 能夠在識別一個對象之前察覺它，非常接近自底向上的視覺顯著性。根據(jù)顯著性定義，廣義的將相關(guān)領(lǐng)域的研究氛圍三個類別：局部區(qū)域預(yù)測、顯著性對象檢測，對象狀態(tài)建議。

局部區(qū)域檢測： 該模型旨在預(yù)測人眼移動的顯著點。啟發(fā)于神經(jīng)生物學(xué)研究早期的視覺系統(tǒng)，Itti等人提出了第一個用于顯著性檢測的計算模型，此模型利用了多尺度圖像特征的中心-周圍的差異。Ma和Zhang提出了另一種局部對比度分析方法來產(chǎn)生顯著性圖像，并用模糊增長模型對其進行擴展。Harel等人提出了歸一化中心分布特征來突出顯著部分。 盡管局部區(qū)域檢測模型已經(jīng)取得了卓越的發(fā)展，但其傾向于在邊緣部分產(chǎn)生高顯著性值，而不是均勻地突出整個對象，因此，這種方法不適合用于對象檢測。

顯著性對象檢測： 該模型旨在檢測當(dāng)前視野中最引人注意的對象，然后分割提取整個部分。Liu等人通過在CRF框架中引入局部，區(qū)域的，全局顯著性測量。Achanta等人提出了頻率調(diào)諧方法。Cheng等人提出了基于全局對比度分析和迭代圖分割的顯著性對象檢測。更多的最新研究也試著基于過濾框架產(chǎn)生一些高分辨的顯著性圖，采用一些效果比較好的數(shù)據(jù)，或者是使用分層結(jié)構(gòu)。這些顯著性對象分割在簡單的情景圖像分析、內(nèi)容感知編輯中可以達到很好的效果。而且可以作為一個便宜的工具處理大規(guī)模的網(wǎng)絡(luò)圖像或者是通過自動篩選結(jié)果構(gòu)建魯棒性好的應(yīng)用程序然而，這些方法很少能夠運用于包含多對象的復(fù)雜圖像，但現(xiàn)實生活中，這樣的圖片確實最有意義的。

對象狀態(tài)建議: 該方法并不做決定，而是提供一定數(shù)量（例如：1000）包含所有類別對象的窗口。通過產(chǎn)生粗糙分割集，作為對象狀態(tài)建議已經(jīng)被證實為一個減少分類器搜索空間的有效方式，而且可以采用強分類器提高準(zhǔn)確率。然后，這兩種方法計算量大，平均一張圖片需要2-7分鐘。Alexe等提出了一個線索綜合性的方法來達到更好、更有效的預(yù)測效果。Zhang等人采用方向梯度特征提出了一個級聯(lián)的排序SVM方法。Uijlings等人提出了一個可選擇性的搜索方法老獲得更好的預(yù)測效果。作者提出了一個簡單直觀的方法，相對于其他方法，達到了更好的檢測效果，而且快于其他流行的方法1000多倍。

另外，對于一個有效的滑動窗口對象檢測方法，保證計算量可控是非常重要的。Lampert等人提出了一個優(yōu)雅的分支定界方法用于檢測。但是，這些方法只能用于加速分類器，而且是用戶已經(jīng)提供了一個好的邊框。一些其他有效的分類器和近似核方法也已經(jīng)被提出。這些方法旨在減小估計單個窗口的計算量，自然也能結(jié)合對象性建議進而減小損失。

對象狀態(tài)通常表示一個圖像窗口包含任意類別對象的概率值。一個通用類別的檢測方法可以很方便的用于改善預(yù)處理過程：1）減少了搜索空間；2）通過使用強分類器來提高檢測準(zhǔn)確度.然而，設(shè)計一個好的通用類別的方法是非常困難的，需要：

具備很好的檢測率，找到所有前景對象；

提出一些建議，用于減少對象檢測的計算時間；

達到很高的計算效率，很容易拓展到其他實時以及大規(guī)模的應(yīng)用程序中；

具備很好的通用性，方便用于各個類別的檢測器中，這樣可以減少計算量

暫時還沒有任何方法可以同時滿足以上全部要求。

認(rèn)知心理學(xué)以及神經(jīng)生物學(xué)研究表明，人擁有強大的能力感知對象。通過對認(rèn)知反應(yīng)時間和信號在生物途徑中的傳輸速度進行深入的研究和推理，形成了人類注意力理論假定，該假定認(rèn)為人類視覺系統(tǒng)只詳細(xì)處理圖像的某些局部，而對圖像的其余部分幾 乎視而不見，這也意味著，在識別對象之前，人類視覺系統(tǒng)中會有一些簡單的機制來定位可能的對象。

基于以上的考慮，作者提出一個非常簡單而且魯棒性強的特征（BING），通過使用對象狀態(tài)得分來協(xié)助檢測對象。動機來自于對象普遍是獨立的，而且都具有很好定義的封閉輪廓。觀察到將圖像歸一化到一個相同的尺度（例如：8*8）上，一般對象的封閉輪廓和梯度范數(shù)之間具有強聯(lián)系。為了能夠有效量化圖像窗口中對象狀態(tài)，將其重置大小為8*8，組合該窗口的像素梯度的幅值作為為一個64位的特征，通過級聯(lián)的支持向量機框架學(xué)習(xí)一個通用的對象檢測方法。而且這個二值化賦范特性（BING）,它可以很有效的用于一般對象估計。而且只需要一些CPU原子操作（例如加法，按位移動等）。大部分現(xiàn)存的先進方法，一般采用復(fù)雜的分類特征，而且需要采用加速方法以至于計算時間是可控的，相對于此，BING特征是簡單樸素的。

作者在PASCAL VOC2007數(shù)據(jù)集上，廣義的評價了這個算法。實驗結(jié)果顯示，方法很有效（在一個簡單的桌面CPU中達到300fps）的產(chǎn)生了一系列數(shù)據(jù)驅(qū)動，類別獨立，高分辨的對象窗口，通過使用1000個窗口（約為整個滑動窗口的0.2%），檢測率達到96.2%。使用5000個建議窗口以及3個不同的顏色空間，可以達到99.5%。我們也核實了方法的通用性。我們訓(xùn)練了6個已知類別，然后在14個未知類別上進行測試，得到了很好的效果。相對于其他流行的方法，BING特征能夠使我們達到更好的檢測率，而且速率提高了1000多倍。實現(xiàn)了之前我們提到的關(guān)于一個好的檢測器的要求。

6.算法流程圖。

基本與算法無關(guān)的東西，這里不再贅述，下面開始邊熟悉源碼，邊更新博客。

6.1、生成正樣本

算法首先，對每張圖像上，可能的所有標(biāo)注框，采樣生成不同尺度（該尺度在一定經(jīng)驗值范圍內(nèi)）的樣本位置，并計算新生成的正樣本與原始樣本重疊率，保留重疊率超過50%的，重新歸一化到8*8大小，計算新生成的有效正樣本的梯度特征，并在水平方向翻轉(zhuǎn)，最終保存新生成樣本8*8的梯度特征與該特征的水平翻轉(zhuǎn)特征作為xP.

6.2.負(fù)樣本，固定100次隨機產(chǎn)生100個備選的負(fù)樣本窗口，篩選出與每張圖片中，與所有目標(biāo)的重疊率都小于50%的負(fù)樣本窗，并將該窗口內(nèi)保存圖像作為負(fù)樣本。

3.尺度處理，在篩選有效正樣本時，同時保存了水平，垂直尺度系數(shù)，但是實際保存的尺度size是歸一化映射后的值，即(h - min) * num + w - min?+ 1,其中h,w表示篩選出的有效正樣本相對原始目標(biāo)的垂直，水平尺度系數(shù)，實際上，還是保存的尺度系數(shù)，只是在數(shù)據(jù)結(jié)構(gòu)上，采用哈希映射存儲罷了。

6.4.判定有效樣本，程序下一步，會在上面采樣生成的所有有效正樣本，進行直方圖統(tǒng)計，統(tǒng)計出每個尺度下的樣本數(shù)。例如有2500多個圖像文件，計算所有正樣本數(shù)，統(tǒng)計每個尺度下的正樣本數(shù)。根據(jù)統(tǒng)計結(jié)果，剔除掉正樣本數(shù)少于50的尺度。保存剩下的尺度統(tǒng)計結(jié)果，接著，對所有正負(fù)樣本，統(tǒng)一分配到一個二維矩陣，垂直表示樣本數(shù)，水平表示樣本的8*8梯度特征值，直接保存。

以上，屬于該算法的第一個亮點。

???? 算法主要是用來加速傳統(tǒng)的滑動窗口對象檢測，通過訓(xùn)練通用的對象估計方法來產(chǎn)生候選對象窗口。作者觀察到一般對象都會有定義完好的封閉輪廓，而且通過將相關(guān)圖像窗口重置為固定大小，就可以通過梯度幅值進行區(qū)分。基于以上的觀察以及復(fù)雜度的考慮，為了明確訓(xùn)練方法，將窗口固定為8*8的，并將梯度幅值轉(zhuǎn)化為一個簡單的64維的特征來描述這個窗口。這就相當(dāng)于我們看路上走的人一樣，在很遠的地方即使我們沒看清楚臉，只是看到一個輪廓也能識別出是不是我們認(rèn)識的人，反而，如果臉貼著臉去看一個人可能會認(rèn)不出來。

???? 也就是作者發(fā)現(xiàn)，在固定窗口的大小下，物體與背景的梯度模式有所不同。如下圖所示。圖（a）中綠框代表背景，紅框代表物體。如果把這些框都resize成固定大小，比如8X8，然后求出8X8這些塊中每個點的梯度（Normed Gradient，簡稱NG特征，叫賦范梯度特征，就是計算梯度范數(shù)，即sqrt(gx^2 + gy^),實際就是該點的L2范數(shù)梯度，但是作者實現(xiàn)時，采用-1,0,1方式計算gx或者gy,因此，用|gx| + |gy|近似代替梯度的L2范數(shù)），可以明顯看到物體與背景的梯度模式的差別，如圖1（c）所示，物體的梯度分布呈現(xiàn)出較為雜亂的模式，而背景的較為單一和清楚。其實這個道理很淺顯，就是圖像中背景區(qū)域往往呈現(xiàn)出homogeneous的特性，早期的圖像區(qū)域分割方法就是依靠這種特性來做的。然后我個人覺得這里不一定要用梯度，用其他一些統(tǒng)計特征甚至是圖像特征都有可能得到類似的結(jié)果。

???? 所以，作者首先將所有的標(biāo)注樣本，用不同尺度縮放采樣，將采樣出的有效正樣本統(tǒng)一縮放到8*8，計算NG特征，也就是下面圖中a生成c在過程。這樣，通過SVM訓(xùn)練這些NG特征，得到目標(biāo)和背景的第一次區(qū)分模型。

??? 下面是原文的解釋

????? 對象一般是具有很好定義封閉輪廓和中心的。重置窗口的時候，就相當(dāng)于將現(xiàn)實中的對象縮小到一個固定大小，因為在封閉的輪廓中，圖像梯度變化很小，所以它是一個很好的可區(qū)分特征，就像是圖1中，輪船和人在顏色，形狀，紋理，光照等方面都有很大的不同，他們在梯度空間都存在共性。為了有效地利用觀察結(jié)果，我們首先將輸入圖像重置為不同尺度的，在不同的尺度下計算梯度。然后再重置為取8*8大小的框，作為一個對應(yīng)圖像的64維的NG特征。

我們采用的NG特征，是一個密集的且緊湊的objectness特性，有以下幾點優(yōu)勢：首先，由于歸一化了支持域，所以無論對象窗口如何改變位置，尺度以及縱橫比，它對應(yīng)的NG特征基本不會改變。也就是說，NG特征是對于位置，尺度，縱橫比是不敏感的，這一點是對于任意類別對象檢測是很有用的。

圖1?盡管對象（紅色）和背景（綠色），在圖像空間（a）呈現(xiàn)出了很大的不同，通過一個適當(dāng)?shù)某叨群涂v橫比，我們將其分別重置為固定大小(b)，他們對應(yīng)的NG特征(c)表現(xiàn)出很大的共性,基于NG特征，我們學(xué)習(xí)了一個簡單的64D線性模型（d），用來篩選對象窗口。

這種不敏感的特性是一個好的對象檢測方法應(yīng)該具備的。第二，NG特征的緊湊性，使得計算和核實更加有效率，而且能夠很好的應(yīng)用在實時應(yīng)用程序中。

NG特征的缺點就是識別能力不夠。但一般而言，會采用檢測器來最終缺點結(jié)果的誤報率。

以上，上部分結(jié)束。

-----------------------------------------------------------------------------------------------------------------------

6.5.SVM第一級訓(xùn)練

首先，算法傳遞進入第一級SVM的樣本總數(shù)，在超過SVM默認(rèn)參數(shù)值時，采用SVM默認(rèn)訓(xùn)練總樣本數(shù)。用所有正樣本以及剩下的數(shù)量采用隨機從原負(fù)樣本中抽取。即，負(fù)樣本在這種情況下，不是全部參加SVM第一級訓(xùn)練。而是隨機抽取一部分，保證總樣本數(shù)達到SVM默認(rèn)訓(xùn)練總樣本數(shù)。

算法做一些SVM的初始化，涉及到樣本標(biāo)簽Y，實際上，正樣本默認(rèn)都為有標(biāo)簽，以及SVM參數(shù)初始化等，這個后續(xù)另開文說明。這里不說介紹。

通過第一級SVM訓(xùn)練后，算法生成第一級SVM模型，轉(zhuǎn)換成8*8，并歸一化到1~255，保存。該模型w是用來下文中投票投票打分的，為第二級SVM學(xué)習(xí)做準(zhǔn)備。

6.6 二值化模型參數(shù)w

首先通過上面的訓(xùn)練，我們可以得到分類的模型線性w，第一個要二值化的目標(biāo)就是它，二值化的思想可以簡單想象成找若干個基向量，并用這些基向量的線性組合來記表示w， 而且這些基向量的每一維只能取1或者-1（二值嘛）。那么假設(shè)我們用了Nw個基向量，每個基向量為aj, j = 1,...,Nw，那么就有。具體模型的二值化近似可以按如下算法1的步驟進行：

算法1的步驟也很明確，每一個都生成一個基向量，此基向量每一維都是由當(dāng)前殘差的符號決定，然后用當(dāng)前殘差減去殘差在這基向量的投影（相當(dāng)于去掉模型在這一維上的分量）。但在計算中因為二進制位只能為0或者1，所以為了處理方便，取,那么就可以將基向量表示為。即基向量二進制與該二進制表示的補。

也就是說，αj表示基向量{-1,1}，βj表示校準(zhǔn)系數(shù)，同時，將每個基向量，映射到一個64位類型的數(shù)據(jù)中。

這里，實際上采用Gram-Schmidt正交化，只取了包含大部分信息的前Nw個正交向量作為輸出，目的也是為了降低計算量。二值化的目的在于后期位運算，后面還會把NG特征也二值化。直接采用硬件指令大幅度地提升速度。

增加點自己的體會：

代碼中，Nw取2，也就是SVM生成的W 是8*8矩陣，矩陣元素任意值，通過這個二值化過程，生成2個基向量，每個基向量完全覆蓋了W中每個元素，但是此時在基向量中，每個元素對應(yīng)的取值變成0或者1，因此，原w的64個元素，拼接成了一個64位的單個數(shù)據(jù)，即基向量。同時，對應(yīng)該基向量的校準(zhǔn)系數(shù)，算法為了后期加速，只近似處理高4位的數(shù)據(jù)，因此，校準(zhǔn)系數(shù)只有保存4個，且都是一樣的值，但是由于后期位移運算，這里就把校準(zhǔn)值放置到了對應(yīng)bit位。于是，2個基向量，生成8個校準(zhǔn)系數(shù)，2個64位的數(shù)據(jù)。

6.7 打分窗口

為了找到圖像中的一般對象，對每張訓(xùn)練圖像（注意，這里是原圖像，不是標(biāo)注框），進行上文生成正樣本時得到所有尺度的量化，掃描每個尺度定義好的量化窗口（依據(jù)尺度或者是縱橫比，也就是說，這里只是對原圖像依據(jù)之前胡尺度系數(shù)做縮放，不是縮放到8*8,因此，才有下文的I）。每一個窗口通過上文得到模型w獲得得分

sl =<w,gl>???????????????????????????????????????? (1)

l=(i,x,y)???????????????????????????????????????????? (2)

sl代表過濾器得分，gl表示NG特征，l表示坐標(biāo)，i表示尺度，(x,y)表示窗口位置。其實就是一個濾波器，向量內(nèi)積實現(xiàn)。也就是說，SVM第一級訓(xùn)練得到的w作為權(quán)值。該w作用于窗口（即NG特征，不是固定8*8大小），打分越高，就約接近目標(biāo)。

下面引入w與二進制的內(nèi)積運算公式：

?? 只需要按位與和字節(jié)統(tǒng)計操作.下面解釋如何得到b.

因此，為了實現(xiàn)（1）的快速計算，作者先用上面的算法，二值化了w,現(xiàn)在開始二值化NG，即gl參數(shù)，得到上面的b.

接下來我們還要對NG特征進行二值化，還記得我們剛才將NG歸一化到[0,255]之間吧，那么8X8窗口上的每個點的NG特征值就可以用一個byte來存儲，也就是每個值我們都可以用一個8位的二進制串來表示。那么我們就有一個8X8X8的三維矩陣，前兩維是窗口位置（行，列），第三維是在二進制串中的位置（頁）。舉個例子，比如窗口中第1行，第2列的NG特征值是192，換成二進制就是1100 0000，那么矩陣的元素（1,2,1） = （1,2,2）= 1，（1,2,3），…,（1,2,8）= 0;那么我們一頁一頁地將矩陣元素取出來，再將每頁8X8的矩陣元素排成一個64位的二進制串并存進一個int64里。既然思路已經(jīng)有了，做法也就很簡單了：對于每一頁，將每一行每個元素取出來，不斷加入int64中并左移1位，最后得到那個int64每一位對應(yīng)的元素坐標(biāo)排列就應(yīng)該是（1,1）（1,2）（1,3）…(8,8)。然后作者在這里又玩了一個trick，他說你這樣每次移動一位不是要循環(huán)64次嘛，如果先將8個拼成一組（就是剛才那樣左移1次），那么只需要移動8組就好了啊！而且，這樣在相鄰的窗口中還能重用重疊的部分（在VS2010 的Debug模式下我試了下，1個數(shù)“每次左移1位，移動1萬次”和“每次左移100位，移動100次”兩種情況，的確是后者速度快）。
最后，為了進一步節(jié)省存儲空間，還可以只取NG值的高位來作二值化。因為比如192和193、194，它們的二進制表達分別是1100 0000， 1100 0001和 1100 0010，要是我只看前面4位，后面4位忽略（取0）的話，那么它們的取值都是192。也就是我們可以用192來約等于193和194，這樣我們就不需要用到8位那么多了！寫成公式就是下面的式（2）這樣，其中Ng 是我們要用的高位的位數(shù)（也就是前面說的三維矩陣的頁）,bk,l就是對應(yīng)三維矩陣中的第k頁（二值）。

最后將二值化模型w和二值化NG，結(jié)合起來對窗口打分的操作由卷積運算變成了大部分是位運算操作，

其中C_j,k是

上面的計算很容易通過位運算和SSE指令（支持8x8=64bit）來完成快速運算。

然后，運用非最大抑制(NMS)，做下濾波。

這里，寫的比較雜，再次總結(jié)一下，

首先，根據(jù)第一級SVM得到模型參數(shù)w,對每張訓(xùn)練圖像，進行所有尺度變換（不是固定8*8大小），然后計算NG特征，接著根據(jù)上文的打分系統(tǒng)，計算每個尺度下的sl（實際上，二值化w和二值化NG特征，就是BING特征）.并重新排序，利用NMS消除掉高分點附近領(lǐng)域內(nèi)的打分值。且，這里只選擇指定閾值以上的高分點。然后，在原始圖像，找到對應(yīng)打分點對應(yīng)的方框大小，并保存。這樣，針對每張圖像，我們計算了不同尺度i下的打分項以及相對應(yīng)的可能目標(biāo)匡。然后，針對所有可能的目標(biāo)匡，我們將其與原始圖像中所有有效正樣本做重疊率比對，只要有一個正樣本框與該可能目標(biāo)匡重疊與大于0.5，則該可能目標(biāo)匡作為正樣本，否則為負(fù)樣本。在傳入第二級SVM時，作者將可能目標(biāo)框的打分值，重新根據(jù)尺度整合，即不同尺度下下，所有的打分值，作為正負(fù)樣本。在第二級訓(xùn)練時，針對每個尺度，訓(xùn)練一次。

6.8第二級SVM訓(xùn)練

作者針對每種尺度下的打分值，訓(xùn)練SVM，每種尺度下樣本總數(shù)不超過10W。超過，則隨機在正負(fù)樣本中抽取。確保先讀取正樣本，后需剩余的位置隨即用負(fù)樣本填滿。訓(xùn)練結(jié)束后，生成新的權(quán)值vi,ti.

以上，訓(xùn)練程序結(jié)束，下面進入測試部分。

--------------------------------------------------------------------------------

測試程序，在讀入測試圖片后，計算圖像的BING特征，跟二級SVM訓(xùn)練預(yù)處理一樣，對圖像進行不同尺度的縮放，計算NG，打分統(tǒng)計得到sl（用的還是第一級模型的w）

然后，為每個尺度提供一些建議窗口。相對于其他窗口（例如：100*100），一些尺度（例如:10*500）的窗口包含對象的可能性是很小的。因此我們定義對象狀態(tài)得分（校準(zhǔn)過濾器得分）：ol = vi*sl+ti?（3）針對不同尺度i的窗口，得到不同的獨立學(xué)習(xí)系數(shù)。使用校準(zhǔn)函數(shù)（3）是非常快的，通常只需要在最終的建議窗口重排。

這里，打分用的權(quán)值是二級模型訓(xùn)練出的，即上文的vi,ti.得到ol重新排序。整個過程，計算時間，給出每個檢測圖象的平均測試時間。并保存打分結(jié)果與對應(yīng)的目標(biāo)框。

打分越高，越接近目標(biāo)。實際上，算法生成的就是打分窗口，也就是所為的對象狀態(tài)。下面測試的時候，根據(jù)打分窗口與標(biāo)注的測試窗口重疊率大于0.5就認(rèn)為檢測到了。

接著，作者開始繪制結(jié)果，根據(jù)檢測出的候選框與每個測試標(biāo)注框計算重疊率，大于0.5，就認(rèn)為檢測到了（1），否則score為0未檢到。之后，計算平均重疊率和平均檢測率.如下圖：

這里解釋下重疊率：

DRandMABO

上面的精度曲線稱為DR-#WIN curves，源自TPAMI 2012的一篇論文：Measuring the objectness of image windows。原文還提出了將窗口數(shù)量比如[[0,5000]歸一化到[0,1]之間，用曲線下的面積作為目標(biāo)檢測的度量結(jié)果，并稱之為the area under the curve(AUC)，這樣AUC的范圍就在[0,1]之間了。

檢測精度DR的計算

DR的計算是參考The PASCAL Visual Object Classes (VOC) Challenge，目標(biāo)檢測任務(wù)中DR的計算的是true/false positive精度，將算法檢測目標(biāo)結(jié)果放到groud truth中，將“預(yù)測目標(biāo)區(qū)域與groud truth區(qū)域的交集”除以“預(yù)測目標(biāo)區(qū)域與groud truth區(qū)域的并集”作為DR：

DR自少在50%以上才算目標(biāo)檢測正確，其實，50%已經(jīng)是很低的了，幾乎不能做為檢測結(jié)果，難怪那些個算法（BING這篇文章也是）隨隨便便都到95%以上了。

轉(zhuǎn)載于:https://www.cnblogs.com/huty/p/8517492.html

總結(jié)

以上是生活随笔為你收集整理的【计算机视觉】Objectness算法（一）---总体理解，整理及总结的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。