基于改进背景差分的视频目标运动轨迹提取算法研究
基于改进背景差分的视频目标运动轨迹提取算法研究[20191215143651]
摘 要
随着智能视频监控日新月异的发展，基于运动目标轨迹检测的理论与技术已经成为视频目标行为分析领域的研究热点。在摄像头拍摄的视频中，基于计算机视觉技术的目标提取与跟踪方法，可以快速提取并处理有效的信息，减少人力物力的投入。目标运动轨迹提取是目标轨迹分析的基础，涉及运动目标检测、目标跟踪等方面的内容。由于光照变化、背景干扰、阴影、摄像机的抖动以及运动目标之间遮挡等现象的存在，给运动目标的正确检测与跟踪带来了极大的挑战。本课题重点研究在摄像头固定情况下运动目标的检测与跟踪，分别基于均值的图像背景提取算法与基于帧差的背景选择提取算法两种方法实现对背景的提取。然后采用背景减法提取运动点团位置，获得运动目标的轨迹信息，最后使用matlab进行仿真实验。
查看完整论文请+Q: 351916072
关键字:】运动目标检测;跟踪运动目标;背景减法;目标提取。
目 录
摘要 I
ABSTRACT II
目 录 III
第一章 绪论 1
1.1课题研究背景与研究意义 1
1.2国内外研究现状 2
1.3论文的内容与安排 4
第二章 图像处理的基本原理 6
2.1图像的表达 6
2.1.1图像数字化 6
2.2颜色模型 6
2.2.1 RGB颜色模型 6
2.2.2 HSV颜色模型 7
2.3 数字图像处理常用方法 9
2.4彩色图像的灰度化 9
2.5灰度图像的二值 10
2.6 本章小结 11
第三章 图像序列中运动目标检测算法与跟踪算法 12
3.1 帧差分法 12
3.2 光流法 14
3.3 背景差分法 15
3.4 CamShift算法 17
3.5 卡尔曼滤波法 17
3.6 粒子滤波法 17
3.7 MeanShift跟踪算法? 18
3.8本章小结 18
第四章 视频序列的背景提取算法与运动轨迹生成算法 20
4.1 背景提取算法 20
4.1.1 基于均值的图像背景提取算法 20
4.1.2 灰度统计法背景提取算法 20
4.1.3 中值滤波法背景提取算法 21
4.1.4 基于帧差的背景选择提取算法 22
4.2 轨迹生成 23
4.2.1 基于均值的图像背景提取算法的轨迹生成 23
4.2.2 基于帧差的背景选择提取算法 24
4.3本章小结 25
第五章 总结与展望 26
致 谢 27
参考文献 28
附录一英文文献 30
附录二中文翻译 34
第一章 绪论
1.1 课题研究背景与研究意义
视觉感知是人类获取外界信息的重要方式之一，同时对视觉信息的处理也能够帮助我们对外界环境做出合理的判断。由统计可知，人类所获取的80％以上的外界信息是通过视觉感知得到的。在当今的信息社会，随着人民生活物质水平不断提高与网络、通信和微电子技术的快速发展，视频监控以其直观方便和内容丰富等特点日益受到人们的青睐，相关产品也一代一代更新，历经了从最初的模拟化走向数字化、网络化、智能化的革命。同时安全成为人们越来越关注的问题，将其应用于安全领域，更是蓬勃发展。例如公路上车辆交通流量的检测控制、重要场所的安防检测、航空的导航和军用飞机的制导、汽车的自动驾驶或辅助驾驶等尤其是在公共安全领域，视频监控作为目前为止最为有效的手段，已经在日常生活中发挥着其优势作用。目前,它已经广泛地应用于银行、博物馆、交通道路、商业、军事、公安、电力、厂矿、智能小区等系统和领域的安全监控、自动监控和远程监控中，为人们的生活，工作提供了不可或缺的帮助。视频监控是通过各种图像采集设备，运用各种各样的图像压缩技术与传输手段，将需要追踪的目标点或者是目标区域的视频数据进行处理、分析和判断，并对异常行为发出预警。随着视频安防、智能交通、平安城市等领域的不断发展，对视频视频监控的发展需求也日益高涨，并越来越受到各类研究机构与众多前沿科技公司的重视。在短短几年的时间里，各种各样的视频监控技术已经应用到了生活的各个方面，并发挥着不可替代的作用。
目标的轨迹检测与跟踪成为了理论研究和实际应用的研究热点，是理论与实践完美结合的代表，它的目的是对监控视频中的运动目标进行快速、准确地检测。换句话讲，它是把视频设备所录取的视频进行处理，将需要监控的目标从背景中分离出来，这是运动图像分析、智能监控、可视人机交互中的重要处理步骤，同时通过运动检测可以得到图像中的运动信息，提取序列图像中的运动人物或目标并对目标进行初步定位，简化了后续的运动跟踪、识别、分析的难度。在视频监控系统中,运动点的检测的准确性是其智能化程度的重要体现之一。一个能够有效的克服外界干扰,从而准确清楚的检测到运动点的算法,己经成为许多研究机构与公司的共同研究目标。
综上所述，研究运动目标轨迹检测与跟踪具有重要意义。
1.2国内外研究现状
因为国外对背景差分算法的研究比较早，所以也相对比较成熟。为对视频序列中运动目标的检测奠定了坚实的基础。IEEE会员Dar-Shyang Lee提出了有效的高斯混合学习视频背景减法[1]。针对自适应混合高斯算法中常见的问题——模型之间的平衡收敛速度与稳定性，运用具有自适应学习替代全局，静态保留因子实现在每一帧计算每个高斯率。显著改善了合成与真实的视频数据。比起普通的背景差分，这个算法与背景差分的结合将大大改善图像分割的性能。日本的立命馆大学的Shinya Miyamori提出了自适应BP-RRC混合模型的背景减法[2]。针对BP-RRC通过评估每一个像素点的局部纹理，抑制亮度变化的影响，实现强劲的背景减法。然而这种方法易受到背景局部照明变化产生错误。自适应BP-RRC混合模型的背景减法可以应对各种光照变化引起的纹理变化，改善了这个纹理背景模型。加利福利亚大学伯克利分校的ZuWhan Kim[3]提出了基于动态特征与分组实时目标跟踪背景减法。这是一种增强的背景，它使用一个低级别的特征跟踪线索。所得到的的背景减法的线索被用来改善改特征的检测和分组结果。再用一个动态多级特征的分组方法提供高质量的运动轨迹等。
国内也有很多科研机构与学者对背景差分算法进行研究，例如北京邮电大学的硕士吴晶[4]针对背景差分算法中几个难点提出了相应的解决方法。首先为解决背景差分的初始化问题,提出运用对称差分算法自动提取空背景,即使在很复杂场景中,也能够有效提取空背景；其次面对背景差分中的前景检测的困难,提出结合使用图像分割算法Graph-Cut算法和SVM分类算法,充分运用视频序列的时间和空间信息,对背景差分的前景与背景的分割效果大幅提升；最后对背景差分的阴影有效处理,结合使用纹理概率等特征,大幅改善了阴影消除的效果；还有哈尔滨工业大学的陈凤东[5]还提出了基于动态阀值背景差分算法的目标检测方法。该算法的主要思想是通过获取两帧图像的光线变化情况来动态决定阀值，很好的提高了目标检测的效果，增强了系统对复杂环境的自适应的能力；北京理工大学的光电成像技术与系统教育部重点实验室提出了复杂背景下的颜色分离背景差分目标检测方法[6]，主要通过对RGB三个独立的通道进行背景差分计算，然后二值化后，将三个通道的值进行合成，得到完整的前景运动目标，同时再利用边缘检测对运动目标进行修正，最大化减小光照变化带来的噪声，背景的更新则是通过对RGB三个通道使用自适应的权值进行递归。这样得到的背景就可以实现很好的实时性。实现了在复杂场景下高速有效识别颜色的异同，避免将背景与前景灰度相近部分混淆，降低检测的准确性等等。
对视频中的运动轨迹的提取是多学科、多领域交叉的前沿科技领域，也是当前全球性重点关注的热点。怎样对特殊的公共场合和国家敏感安全部门进行全方位的时间与空间上的自动监控，是各个国家都密切关注的热点问题，最为有效解决该问题的手段正是视频监控系统。而视频监控系统中的关键就是模式的识别与运动轨迹的提取。本论文就是针对运动轨迹提取算法而提出的。由于该技术拥有广泛的应用前景和重要的经济价值，激发了世界上（尤其是欧、美发达国家的）广大科研工作者、研究机构和企业的浓厚兴趣，迄今为止，众多的知名高校和研究所，如麻省理工学院、牛津大学等众多世界名校都已经专门设立了对运动目标检测的理论研究与实际应用的研究实验室。美英等国家都已经在大量的相关项目中成功实现了对运动目标检测技术的实际应用。并取得了众多技术上的突破与创新。例如，在1996年至1999年间，美国国防高级研究项目署（DARPA）设立了视觉重大监控项目VSAM（Video Surveillance And Monitoring）[7，8]，以卡内基梅隆大学为首，同时与麻省理工学院等美国十几所高等院校和研究机构密切合作，最主要的研究方向是针对应用于战场和普通民用场景监控的智能化，充分运用视频理解、网络通信、多种传感器融合等技术实现对未来城市、战场等进行全天候的智能监控；DARPA在2000年又资助了重大项目HID(Human Identification at a Distance）计划[9]，研究开辟多模式的监控手段来达到远距离对人的检测、分类和识别的目的，实现提升国防实力、民用场合保护人民众群人身财产安全的能力；此外英国的雷丁大学的VIEWS项目组也开展了对车辆和行人的跟踪及交互作用识别相关研究，针对场景中包括行人和车辆的情况开发了一个监控系统[10]。这一关键技术利用分析运动目标轨迹达到不仅具有自动识别扒手和盗车贼的能力，同时还能够给人们预报即将可能发生的危险情况，并提供合乎逻辑的措施选择，将危害与损失降到最低点；MlT媒体实验室开发的Pfinder系统[11]，使用基于颜色统计的方法，对大视角范围内的人体各个部位进行实时跟踪与定位，该系统实现了静态复杂背景下的实时用户运动跟踪，并且能够克服短暂的光照变化和遮挡等因素的扰动；马里兰大学的Haritaoglu等在2000年开发了一个实时视觉监控系统W4(who，when，Where，What)[12,13]用于分析人体活动，它结合运动估计和目标匹配来进行需求目标进行检测与跟踪，能够跟踪人体的各个部分，如头、躯干、手和脚的相对位置和大小等等。
在全球合作方面更是进一步深入，合作与分享技术与标准，是视频监控的发展能够得到有力的推动的重要原因之一。从1998年起，IEEE协会资助了国际视觉监控系列会议，至今己经分别在印度、美国、爱尔兰等地召开多届相关会议。国际权威期刊International Journal of Computer Vision和IEEE Trans On Pattern Analysis and Machine Intelligence等都出版了有关视频监控的专题。
就我国相关技术发展而言，国内己有许多高等院校和研究机构在运动目标轨迹跟踪领域投入了大量的物力与财力进行研发，如中国科学院自动化研究所、上海交通大学图像处理与模式识别研究所、浙江大学计算机辅助设计与图形学国家重点实验室、西安电子科技大学ISN国家重点实验室图像传输与处理研究所等和华中科技大学图像识别与人工智能研究所等。其中，中国科学院自动化研究所模式识别国家重点实验室对该范畴做了大量实验与研究，他们在人体运动分析、交通行为分析等领域取得了丰硕的科研成果。为了进一步推动我国视频监控的发展，中国科学院自动化研究所在2002年,2003年和2011年分别举办了第一届，第二届和第三届全国智能视觉监控会议，围绕智能视觉监控领域中的运动检测与跟踪、物体识别与分类、行为理解、多传感器融合、硬件系统集成等主题，展开了广泛的成果展示与交流。与会人员还就智能视觉监控系统的设计及开发的相关技术、视觉监控技术的未来发展趋势、应用前景以及其中存在的若干关键问题进行了深入研讨，取得了很好的学术交流效果。每两年举办一届的全国图像图形学学术会议（NCIG）是中国图像图形学会主办的最高级别的系列国内会议，迄今已经成功举办了14届。会议期间同时举办图像图形领域科研成果以及相关产品展览，也为视频监控系统的交流提供重要的平台。《模式识别与人工智能》、《软件学报》和《计算机辅助设计与图形学学报》等一些杂志也发表了大量关于运动目标轨迹提取的研究成果。在应用面，国内相关企业也打破了国际垄断，填补了国内视频监控领域的空白，如北京智博宏通科技有限公司的ESHT系列产品，云君瑞视频集中监控系统等产品。
摘 要
随着智能视频监控日新月异的发展，基于运动目标轨迹检测的理论与技术已经成为视频目标行为分析领域的研究热点。在摄像头拍摄的视频中，基于计算机视觉技术的目标提取与跟踪方法，可以快速提取并处理有效的信息，减少人力物力的投入。目标运动轨迹提取是目标轨迹分析的基础，涉及运动目标检测、目标跟踪等方面的内容。由于光照变化、背景干扰、阴影、摄像机的抖动以及运动目标之间遮挡等现象的存在，给运动目标的正确检测与跟踪带来了极大的挑战。本课题重点研究在摄像头固定情况下运动目标的检测与跟踪，分别基于均值的图像背景提取算法与基于帧差的背景选择提取算法两种方法实现对背景的提取。然后采用背景减法提取运动点团位置，获得运动目标的轨迹信息，最后使用matlab进行仿真实验。
查看完整论文请+Q: 351916072
关键字:】运动目标检测;跟踪运动目标;背景减法;目标提取。
目 录
摘要 I
ABSTRACT II
目 录 III
第一章 绪论 1
1.1课题研究背景与研究意义 1
1.2国内外研究现状 2
1.3论文的内容与安排 4
第二章 图像处理的基本原理 6
2.1图像的表达 6
2.1.1图像数字化 6
2.2颜色模型 6
2.2.1 RGB颜色模型 6
2.2.2 HSV颜色模型 7
2.3 数字图像处理常用方法 9
2.4彩色图像的灰度化 9
2.5灰度图像的二值 10
2.6 本章小结 11
第三章 图像序列中运动目标检测算法与跟踪算法 12
3.1 帧差分法 12
3.2 光流法 14
3.3 背景差分法 15
3.4 CamShift算法 17
3.5 卡尔曼滤波法 17
3.6 粒子滤波法 17
3.7 MeanShift跟踪算法? 18
3.8本章小结 18
第四章 视频序列的背景提取算法与运动轨迹生成算法 20
4.1 背景提取算法 20
4.1.1 基于均值的图像背景提取算法 20
4.1.2 灰度统计法背景提取算法 20
4.1.3 中值滤波法背景提取算法 21
4.1.4 基于帧差的背景选择提取算法 22
4.2 轨迹生成 23
4.2.1 基于均值的图像背景提取算法的轨迹生成 23
4.2.2 基于帧差的背景选择提取算法 24
4.3本章小结 25
第五章 总结与展望 26
致 谢 27
参考文献 28
附录一英文文献 30
附录二中文翻译 34
第一章 绪论
1.1 课题研究背景与研究意义
视觉感知是人类获取外界信息的重要方式之一，同时对视觉信息的处理也能够帮助我们对外界环境做出合理的判断。由统计可知，人类所获取的80％以上的外界信息是通过视觉感知得到的。在当今的信息社会，随着人民生活物质水平不断提高与网络、通信和微电子技术的快速发展，视频监控以其直观方便和内容丰富等特点日益受到人们的青睐，相关产品也一代一代更新，历经了从最初的模拟化走向数字化、网络化、智能化的革命。同时安全成为人们越来越关注的问题，将其应用于安全领域，更是蓬勃发展。例如公路上车辆交通流量的检测控制、重要场所的安防检测、航空的导航和军用飞机的制导、汽车的自动驾驶或辅助驾驶等尤其是在公共安全领域，视频监控作为目前为止最为有效的手段，已经在日常生活中发挥着其优势作用。目前,它已经广泛地应用于银行、博物馆、交通道路、商业、军事、公安、电力、厂矿、智能小区等系统和领域的安全监控、自动监控和远程监控中，为人们的生活，工作提供了不可或缺的帮助。视频监控是通过各种图像采集设备，运用各种各样的图像压缩技术与传输手段，将需要追踪的目标点或者是目标区域的视频数据进行处理、分析和判断，并对异常行为发出预警。随着视频安防、智能交通、平安城市等领域的不断发展，对视频视频监控的发展需求也日益高涨，并越来越受到各类研究机构与众多前沿科技公司的重视。在短短几年的时间里，各种各样的视频监控技术已经应用到了生活的各个方面，并发挥着不可替代的作用。
目标的轨迹检测与跟踪成为了理论研究和实际应用的研究热点，是理论与实践完美结合的代表，它的目的是对监控视频中的运动目标进行快速、准确地检测。换句话讲，它是把视频设备所录取的视频进行处理，将需要监控的目标从背景中分离出来，这是运动图像分析、智能监控、可视人机交互中的重要处理步骤，同时通过运动检测可以得到图像中的运动信息，提取序列图像中的运动人物或目标并对目标进行初步定位，简化了后续的运动跟踪、识别、分析的难度。在视频监控系统中,运动点的检测的准确性是其智能化程度的重要体现之一。一个能够有效的克服外界干扰,从而准确清楚的检测到运动点的算法,己经成为许多研究机构与公司的共同研究目标。
综上所述，研究运动目标轨迹检测与跟踪具有重要意义。
1.2国内外研究现状
因为国外对背景差分算法的研究比较早，所以也相对比较成熟。为对视频序列中运动目标的检测奠定了坚实的基础。IEEE会员Dar-Shyang Lee提出了有效的高斯混合学习视频背景减法[1]。针对自适应混合高斯算法中常见的问题——模型之间的平衡收敛速度与稳定性，运用具有自适应学习替代全局，静态保留因子实现在每一帧计算每个高斯率。显著改善了合成与真实的视频数据。比起普通的背景差分，这个算法与背景差分的结合将大大改善图像分割的性能。日本的立命馆大学的Shinya Miyamori提出了自适应BP-RRC混合模型的背景减法[2]。针对BP-RRC通过评估每一个像素点的局部纹理，抑制亮度变化的影响，实现强劲的背景减法。然而这种方法易受到背景局部照明变化产生错误。自适应BP-RRC混合模型的背景减法可以应对各种光照变化引起的纹理变化，改善了这个纹理背景模型。加利福利亚大学伯克利分校的ZuWhan Kim[3]提出了基于动态特征与分组实时目标跟踪背景减法。这是一种增强的背景，它使用一个低级别的特征跟踪线索。所得到的的背景减法的线索被用来改善改特征的检测和分组结果。再用一个动态多级特征的分组方法提供高质量的运动轨迹等。
国内也有很多科研机构与学者对背景差分算法进行研究，例如北京邮电大学的硕士吴晶[4]针对背景差分算法中几个难点提出了相应的解决方法。首先为解决背景差分的初始化问题,提出运用对称差分算法自动提取空背景,即使在很复杂场景中,也能够有效提取空背景；其次面对背景差分中的前景检测的困难,提出结合使用图像分割算法Graph-Cut算法和SVM分类算法,充分运用视频序列的时间和空间信息,对背景差分的前景与背景的分割效果大幅提升；最后对背景差分的阴影有效处理,结合使用纹理概率等特征,大幅改善了阴影消除的效果；还有哈尔滨工业大学的陈凤东[5]还提出了基于动态阀值背景差分算法的目标检测方法。该算法的主要思想是通过获取两帧图像的光线变化情况来动态决定阀值，很好的提高了目标检测的效果，增强了系统对复杂环境的自适应的能力；北京理工大学的光电成像技术与系统教育部重点实验室提出了复杂背景下的颜色分离背景差分目标检测方法[6]，主要通过对RGB三个独立的通道进行背景差分计算，然后二值化后，将三个通道的值进行合成，得到完整的前景运动目标，同时再利用边缘检测对运动目标进行修正，最大化减小光照变化带来的噪声，背景的更新则是通过对RGB三个通道使用自适应的权值进行递归。这样得到的背景就可以实现很好的实时性。实现了在复杂场景下高速有效识别颜色的异同，避免将背景与前景灰度相近部分混淆，降低检测的准确性等等。
对视频中的运动轨迹的提取是多学科、多领域交叉的前沿科技领域，也是当前全球性重点关注的热点。怎样对特殊的公共场合和国家敏感安全部门进行全方位的时间与空间上的自动监控，是各个国家都密切关注的热点问题，最为有效解决该问题的手段正是视频监控系统。而视频监控系统中的关键就是模式的识别与运动轨迹的提取。本论文就是针对运动轨迹提取算法而提出的。由于该技术拥有广泛的应用前景和重要的经济价值，激发了世界上（尤其是欧、美发达国家的）广大科研工作者、研究机构和企业的浓厚兴趣，迄今为止，众多的知名高校和研究所，如麻省理工学院、牛津大学等众多世界名校都已经专门设立了对运动目标检测的理论研究与实际应用的研究实验室。美英等国家都已经在大量的相关项目中成功实现了对运动目标检测技术的实际应用。并取得了众多技术上的突破与创新。例如，在1996年至1999年间，美国国防高级研究项目署（DARPA）设立了视觉重大监控项目VSAM（Video Surveillance And Monitoring）[7，8]，以卡内基梅隆大学为首，同时与麻省理工学院等美国十几所高等院校和研究机构密切合作，最主要的研究方向是针对应用于战场和普通民用场景监控的智能化，充分运用视频理解、网络通信、多种传感器融合等技术实现对未来城市、战场等进行全天候的智能监控；DARPA在2000年又资助了重大项目HID(Human Identification at a Distance）计划[9]，研究开辟多模式的监控手段来达到远距离对人的检测、分类和识别的目的，实现提升国防实力、民用场合保护人民众群人身财产安全的能力；此外英国的雷丁大学的VIEWS项目组也开展了对车辆和行人的跟踪及交互作用识别相关研究，针对场景中包括行人和车辆的情况开发了一个监控系统[10]。这一关键技术利用分析运动目标轨迹达到不仅具有自动识别扒手和盗车贼的能力，同时还能够给人们预报即将可能发生的危险情况，并提供合乎逻辑的措施选择，将危害与损失降到最低点；MlT媒体实验室开发的Pfinder系统[11]，使用基于颜色统计的方法，对大视角范围内的人体各个部位进行实时跟踪与定位，该系统实现了静态复杂背景下的实时用户运动跟踪，并且能够克服短暂的光照变化和遮挡等因素的扰动；马里兰大学的Haritaoglu等在2000年开发了一个实时视觉监控系统W4(who，when，Where，What)[12,13]用于分析人体活动，它结合运动估计和目标匹配来进行需求目标进行检测与跟踪，能够跟踪人体的各个部分，如头、躯干、手和脚的相对位置和大小等等。
在全球合作方面更是进一步深入，合作与分享技术与标准，是视频监控的发展能够得到有力的推动的重要原因之一。从1998年起，IEEE协会资助了国际视觉监控系列会议，至今己经分别在印度、美国、爱尔兰等地召开多届相关会议。国际权威期刊International Journal of Computer Vision和IEEE Trans On Pattern Analysis and Machine Intelligence等都出版了有关视频监控的专题。
就我国相关技术发展而言，国内己有许多高等院校和研究机构在运动目标轨迹跟踪领域投入了大量的物力与财力进行研发，如中国科学院自动化研究所、上海交通大学图像处理与模式识别研究所、浙江大学计算机辅助设计与图形学国家重点实验室、西安电子科技大学ISN国家重点实验室图像传输与处理研究所等和华中科技大学图像识别与人工智能研究所等。其中，中国科学院自动化研究所模式识别国家重点实验室对该范畴做了大量实验与研究，他们在人体运动分析、交通行为分析等领域取得了丰硕的科研成果。为了进一步推动我国视频监控的发展，中国科学院自动化研究所在2002年,2003年和2011年分别举办了第一届，第二届和第三届全国智能视觉监控会议，围绕智能视觉监控领域中的运动检测与跟踪、物体识别与分类、行为理解、多传感器融合、硬件系统集成等主题，展开了广泛的成果展示与交流。与会人员还就智能视觉监控系统的设计及开发的相关技术、视觉监控技术的未来发展趋势、应用前景以及其中存在的若干关键问题进行了深入研讨，取得了很好的学术交流效果。每两年举办一届的全国图像图形学学术会议（NCIG）是中国图像图形学会主办的最高级别的系列国内会议，迄今已经成功举办了14届。会议期间同时举办图像图形领域科研成果以及相关产品展览，也为视频监控系统的交流提供重要的平台。《模式识别与人工智能》、《软件学报》和《计算机辅助设计与图形学学报》等一些杂志也发表了大量关于运动目标轨迹提取的研究成果。在应用面，国内相关企业也打破了国际垄断，填补了国内视频监控领域的空白，如北京智博宏通科技有限公司的ESHT系列产品，云君瑞视频集中监控系统等产品。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/txgc/2190.html
