基于改進(jìn)隨機(jī)蕨的跟蹤注冊(cè)方法研究

曹鵬霞 李文新 馬偉蘋

(中國空間技術(shù)研究院蘭州空間技術(shù)物理研究所 甘肅 蘭州 730000)

0 引 言

增強(qiáng)現(xiàn)實(shí)[1](Augmented Reality, AR)是一種將計(jì)算機(jī)生成的3D模型、文本、圖像、視頻等虛擬的信息實(shí)時(shí)疊加到真實(shí)場(chǎng)景中并融合顯示的技術(shù)，它在醫(yī)療衛(wèi)生、軍事領(lǐng)域、工業(yè)維修、娛樂游戲等領(lǐng)域具有廣泛的應(yīng)用。對(duì)增強(qiáng)現(xiàn)實(shí)系統(tǒng)進(jìn)行研究需要涉及多項(xiàng)關(guān)鍵技術(shù)，如顯示技術(shù)、跟蹤注冊(cè)技術(shù)、場(chǎng)景融合和相機(jī)標(biāo)定(Calibration)技術(shù)等。如何能夠快速、精確地計(jì)算出攝像機(jī)相對(duì)于真實(shí)場(chǎng)景的位姿信息，并以位姿信息為基礎(chǔ)將虛擬信息與真實(shí)場(chǎng)景精準(zhǔn)對(duì)齊的技術(shù)，即跟蹤注冊(cè)技術(shù)。跟蹤注冊(cè)技術(shù)是開發(fā)增強(qiáng)現(xiàn)實(shí)系統(tǒng)的核心和難點(diǎn)，已經(jīng)成為增強(qiáng)現(xiàn)實(shí)走向更廣泛應(yīng)用亟需解決的一個(gè)關(guān)鍵問題[2]。目前，基于增強(qiáng)現(xiàn)實(shí)的跟蹤注冊(cè)問題主要分為基于特殊標(biāo)識(shí)的跟蹤注冊(cè)方法和無標(biāo)識(shí)點(diǎn)的跟蹤注冊(cè)方法兩大類。基于特殊標(biāo)識(shí)的跟蹤注冊(cè)方法最具代表性的是ARToolKit[3]和ARTag[4]。這類方法具有計(jì)算量小、執(zhí)行速度快、不需要復(fù)雜的硬件設(shè)備等優(yōu)勢(shì)。但是基于特殊標(biāo)識(shí)的跟蹤注冊(cè)方法需要在真實(shí)場(chǎng)景中預(yù)先放置人工標(biāo)識(shí)物，通過提取標(biāo)識(shí)物的特征獲得跟蹤注冊(cè)所需要的位姿信息從而實(shí)現(xiàn)跟蹤注冊(cè)。然而在真實(shí)場(chǎng)景中預(yù)先放置特殊的人工標(biāo)識(shí)物，使用特殊標(biāo)識(shí)物進(jìn)行跟蹤注冊(cè)的方法無法解決環(huán)境光照變化和標(biāo)志物被遮擋的問題，具有魯棒性差的缺點(diǎn)。同時(shí)，特殊標(biāo)識(shí)物在真實(shí)場(chǎng)景中也帶來了視覺污染問題。在這種情況下，必須使用基于無標(biāo)識(shí)的跟蹤注冊(cè)方法來解決增強(qiáng)現(xiàn)實(shí)中虛實(shí)場(chǎng)景的配準(zhǔn)問題[5]。因此，基于無標(biāo)識(shí)的跟蹤注冊(cè)方法是目前發(fā)展的方向。

無標(biāo)識(shí)跟蹤注冊(cè)主要是根據(jù)已知場(chǎng)景參考模板與當(dāng)前幀的自然特征對(duì)攝像機(jī)的姿勢(shì)進(jìn)行估計(jì)。主要有基于模板特征跟蹤和基于模板圖像匹配兩種方法。基于模板特征跟蹤的跟蹤注冊(cè)方法中Tomasi[6]等提出的KLT(Kanade-Lucas-Tomasi)跟蹤算法因其具有實(shí)時(shí)性優(yōu)點(diǎn)而應(yīng)用廣泛。文獻(xiàn)[7-8]成功地將KLT跟蹤算法應(yīng)用于無標(biāo)識(shí)增強(qiáng)現(xiàn)的實(shí)跟蹤注冊(cè)過程。但是，KLT跟蹤算法具有受光照條件影響較大的缺點(diǎn)，并且當(dāng)目標(biāo)變換較快或出現(xiàn)較大遮擋時(shí)，存在跟蹤失敗的問題，這使得其應(yīng)用場(chǎng)景受限。基于模板圖像匹配的跟蹤注冊(cè)方法主要解決寬基線匹配的問題[9]。傳統(tǒng)的寬基線匹配算法中，局部特征描述子(Scale-invariant feature transform，SIFT)因具有很強(qiáng)的穩(wěn)健性而廣泛應(yīng)用于模式識(shí)別和圖像匹配等領(lǐng)域[10]。2004年，文獻(xiàn)[11]第一次將SIFT算子應(yīng)用于AR系統(tǒng)的跟蹤注冊(cè)。但是傳統(tǒng)的寬基線匹配算法都具有計(jì)算復(fù)雜的特點(diǎn)，很難滿足增強(qiáng)現(xiàn)實(shí)系統(tǒng)在實(shí)時(shí)性方面的要求。針對(duì)此問題，Lepetit[12]等將寬基線圖像匹配視為分類問題，構(gòu)造了一種基于樸素貝葉斯的隨機(jī)蕨(Random ferns)分類器，將運(yùn)算量較大的部分放到分類器的訓(xùn)練過程離線完成，進(jìn)而提高算法的實(shí)時(shí)性。

將基于隨機(jī)蕨分類器的寬基線匹配應(yīng)用于AR跟蹤注冊(cè)雖然能夠解決條件差、目標(biāo)被部分遮擋時(shí)跟蹤注冊(cè)失敗的問題，同時(shí)與傳統(tǒng)自然特征匹配算法相比提高了算法的實(shí)時(shí)性。但是單純的原始隨機(jī)蕨算法仍然不能滿足AR系統(tǒng)實(shí)時(shí)性的要求。因此，本文提出了一種改進(jìn)隨機(jī)蕨的無標(biāo)識(shí)增強(qiáng)現(xiàn)實(shí)跟蹤注冊(cè)算法。使用具有快速特點(diǎn)的FAST角點(diǎn)進(jìn)行特征檢測(cè)來進(jìn)一步提高算法的實(shí)時(shí)性。針對(duì)FAST 角點(diǎn)特征檢測(cè)不具備尺度不變性和仿射不變性的問題，對(duì)隨機(jī)蕨叢的仿射過程進(jìn)行改進(jìn)，確保算法的魯棒性。

1 隨機(jī)蕨算法

1.1 基本隨機(jī)蕨算法

隨機(jī)蕨算法最早是由Lepetit等[13]提出的，是隨機(jī)森林算法的一種簡化形式，且具有比隨機(jī)森林算法更好的性能。它將隨機(jī)森林的層次結(jié)構(gòu)特征通過將每層結(jié)點(diǎn)選取相同的決策而改為非層次結(jié)構(gòu)特征，從而將樹結(jié)構(gòu)轉(zhuǎn)化為結(jié)構(gòu)相對(duì)單一的蕨結(jié)構(gòu)，如圖1所示。

圖1 隨機(jī)蕨結(jié)構(gòu)

基于樸素貝葉斯的隨機(jī)蕨分類器的基本思想與基于隨機(jī)森林的特征匹配類似[14]，把模板圖像描述為H個(gè)特征點(diǎn)，建立特征點(diǎn)數(shù)據(jù)集K={k1,k2,…,kH}，把特征點(diǎn)ki,i=1,2,…,H及以其為中心的圖像塊p(ki)可能出現(xiàn)的形式作為一類ci,i=1,2,…,H。在線檢測(cè)匹配階段，針對(duì)輸入圖像檢測(cè)到的特征點(diǎn)kinput及以其對(duì)應(yīng)的圖像塊p(kinput)，求其最大可能歸屬于H個(gè)特征點(diǎn)中的一個(gè)類ci。

設(shè)fj,j=1,2,…,N是輸入圖像特征點(diǎn)圖像塊p(kinput)的二元特征集，圖像塊p(kinput)的大小為L×L(一般取L=32)，fj的值取決于圖像塊p(kinput)在分類器訓(xùn)練階段隨機(jī)生成的兩個(gè)像素點(diǎn)位置dj1和dj2的灰度值Id j1和Id j2的大小[15]，即:

(1)

將輸入特征點(diǎn)圖像塊p(kinput)所屬的類別定義為：

(2)

式中：C表示類別，由貝葉斯公式可得：

(3)

假設(shè)先驗(yàn)概率P(C)為均勻分布，式(3)分母部分與類別無關(guān)，因而式(2)可以轉(zhuǎn)化為：

(4)

由fj之間的獨(dú)立性可得：

(5)

為了降低式(5)的存儲(chǔ)量并保證fj之間的相關(guān)性，隨機(jī)蕨采用半樸素貝葉斯分類器[16]。將特征fj分為M組，即M個(gè)“蕨”，每組特征個(gè)數(shù)為S=N/M，即S個(gè)節(jié)點(diǎn)。在半樸素貝葉斯分類器條件下，我們認(rèn)為不同蕨之間是相互獨(dú)立的，同一蕨內(nèi)節(jié)點(diǎn)之間具有相關(guān)性，因此式(5)可以簡化為：

(6)

式中：Fm=[fσ(m,1),fσ(m,2),…，fσ(m,S)],m=1,2，…,M，表示第m個(gè)蕨；fσ(m,j)表示范圍為1,2，…，N的隨機(jī)數(shù)。由此可知p(kinput)的所屬類別為：

(7)

1.2 改進(jìn)的隨機(jī)蕨算法

1.2.1基于FAST角點(diǎn)的特征檢測(cè)

特征檢測(cè)是隨機(jī)蕨分類器離線訓(xùn)練過程和在線檢測(cè)匹配程的重要的第一步。為了給后續(xù)的分類過程以及虛擬渲染過程提供更多的時(shí)間，本方案采用比原算法Lepetit關(guān)鍵點(diǎn)的檢測(cè)方法更加快速的FAST角點(diǎn)檢測(cè)的方法來完成模板以及當(dāng)前幀的特征點(diǎn)檢測(cè)。

2006年，Rosten 和Drummond[17]提出了FAST角點(diǎn)特征檢測(cè)算子。FAST 角點(diǎn)特征檢測(cè)最大的優(yōu)點(diǎn)是快速、具有杰出的實(shí)時(shí)性。它與Lepetit關(guān)鍵點(diǎn)、SIFT、MSER、SURF特征檢測(cè)方法的檢測(cè)速度對(duì)比如表1所示。

表1 不同特征檢測(cè)算子檢測(cè)速度對(duì)比

檢測(cè)中，PC機(jī)為Pentium(R)Dual-coreT4400@2.20 GHz,ROM 2 GB的普通PC，特征檢測(cè)所用視頻時(shí)長10 s，分辨率為320×240，幀率25 幀/秒，平均每幀特征點(diǎn)數(shù)為150 點(diǎn)左右。

FAST角點(diǎn)特征檢測(cè)具有角點(diǎn)檢測(cè)算子的共性，即具有旋轉(zhuǎn)不變性和對(duì)光照不敏感的特點(diǎn)。然而SURF、SIFT等特征檢測(cè)算法因加入了多尺度的高斯卷積核而具有尺度不變性，這一點(diǎn)卻恰恰是具有最快檢測(cè)速度的FAST 角點(diǎn)特征檢測(cè)算法所欠缺的。針對(duì)這一問題，本文算法將FAST角點(diǎn)檢測(cè)算法代替Lepetit關(guān)鍵點(diǎn)的檢測(cè)方法應(yīng)用于隨機(jī)蕨的特征檢測(cè)，并對(duì)隨機(jī)蕨離線訓(xùn)練階段的仿射過程進(jìn)行改進(jìn)來解決FAST角點(diǎn)特征不具備尺度不變性與仿射不變性的問題。

1.2.2仿射過程的改進(jìn)

仿射過程的作用主要是提取穩(wěn)定點(diǎn)和生成訓(xùn)練片元，是隨機(jī)蕨離線訓(xùn)練階段的關(guān)鍵步驟。針對(duì)FAST 角點(diǎn)特征檢測(cè)不具備尺度不變性和仿射不變性的問題，對(duì)隨機(jī)蕨的仿射過程進(jìn)行改進(jìn)。由于攝像機(jī)模型在不同內(nèi)外部參數(shù)條件下的三維場(chǎng)景與對(duì)應(yīng)的二維成像視圖間的透視映射關(guān)系，本方案將具有4自由度無平移向量的仿射變化來近似代替視圖間的透視映射。用對(duì)模板圖像做無平移仿射變化所得的仿射圖像來選取穩(wěn)定點(diǎn)集和生成訓(xùn)練片元可以在保證精確的對(duì)應(yīng)關(guān)系的同時(shí)模擬目標(biāo)在不同視角下的成像效果[18]。因此，本方案通過對(duì)離線訓(xùn)練過程中的仿射過程進(jìn)行改進(jìn)來解決特征點(diǎn)不具備尺度不變性和仿射不變性的問題。將模板圖像作為正視圖，經(jīng)仿射變換得到仿射視圖，仿射視圖模擬不同視角變換的當(dāng)前幀視圖。假設(shè)模板圖像中的點(diǎn)x與當(dāng)前幀圖像中的點(diǎn)x′互為同名點(diǎn)，它們之間的關(guān)系可以用仿射變換近似表示為：

(8)

忽略平移向量后同名點(diǎn)之間的關(guān)系可以表示為：

(9)

非奇異仿射矩陣的線性矩陣A通過奇異值分解為：

A=UDVT=(UVT)(VDVT)=R(θ)R(φ)DR(-φ)

(10)

(11)

(12)

(13)

因此，上述過程可以看作是將模板圖像中的x經(jīng)旋轉(zhuǎn)變換R(-φ)、沿x和y方向不等距縮放D、回轉(zhuǎn)變化R(φ)以及旋轉(zhuǎn)變換R(θ)后得到x′。仿射變換矩陣A包含θ、φ、λ1和λ2四個(gè)參數(shù)。θ為旋轉(zhuǎn)因子，φ為形變因子，λ1和λ2分別為x和y方向上的尺度因子。

2 跟蹤注冊(cè)算法設(shè)計(jì)

本文提出的基于改進(jìn)隨機(jī)蕨的無標(biāo)識(shí)增強(qiáng)現(xiàn)實(shí)跟蹤注冊(cè)算法主要包括離線訓(xùn)練階段、在線檢測(cè)匹配階段以及三維注冊(cè)階段，算法流程圖如圖2所示。離線訓(xùn)練階段首先是提取目標(biāo)圖像一定數(shù)目的FAST特征點(diǎn)，提取穩(wěn)定特征點(diǎn)和生成訓(xùn)練樣本；然后將訓(xùn)練樣本投入到一定規(guī)模的隨機(jī)蕨中訓(xùn)練得到隨機(jī)蕨分類器。在線檢測(cè)匹配過程首先是提取一定數(shù)目的FAST特征點(diǎn)，將特征點(diǎn)對(duì)應(yīng)的片元投入隨機(jī)蕨分類器進(jìn)行粗匹配，使用RANSAC剔除誤匹配后進(jìn)行三維位姿估計(jì)。三維注冊(cè)階段是根據(jù)每幀位姿估計(jì)結(jié)果使用OpenGL進(jìn)行虛擬渲染。

圖2 基于改進(jìn)隨機(jī)蕨的增強(qiáng)現(xiàn)實(shí)跟蹤注冊(cè)算法流程圖

2.1 離線訓(xùn)練

然后在模板圖像穩(wěn)定特征點(diǎn)集基礎(chǔ)上生成訓(xùn)練片元。對(duì)模板圖像I0按照A(φ,θ,λ1,λ2)進(jìn)行仿射變換并按上述步驟得到穩(wěn)定特征點(diǎn)集，之后以每個(gè)穩(wěn)定特征點(diǎn)投影到仿射視圖中對(duì)應(yīng)點(diǎn)為中心，截取像素片元作為訓(xùn)練片元得到訓(xùn)練集Btrain。具體參數(shù)設(shè)置為仿射參數(shù)設(shè)置為φ,θ∈[0,2π]，λ1,λ2∈[0.6,1.5]。對(duì)每個(gè)類為ci,i=1,2，…,H將旋轉(zhuǎn)因子從1°～360°按步長為一度循環(huán)并隨機(jī)選取仿射參數(shù)進(jìn)行30次仿射變換，即每類得到10 800個(gè)訓(xùn)練片元。

由以上兩步，可以得到穩(wěn)定特征點(diǎn)即初始類ci和訓(xùn)練集Btrain，之后便可進(jìn)行離線訓(xùn)練。隨機(jī)生成M×S的隨機(jī)蕨叢，即包含M棵蕨，每棵蕨含有S個(gè)節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)隨機(jī)生成一個(gè)判斷函數(shù)，判斷函數(shù)對(duì)每個(gè)訓(xùn)練片元在L×L(取L=32)范圍內(nèi)選取一對(duì)像素位置dj1和dj2。對(duì)每個(gè)初始類ci根據(jù)隨機(jī)蕨M×S對(duì)隨機(jī)像素位置dj1和dj2的灰度值由式(1)計(jì)算類ci的M個(gè)隨機(jī)蕨中S個(gè)二元特征fi的值，并根據(jù)fi的值計(jì)算出式(7)中的每個(gè)隨機(jī)蕨Fm和類ci的條件概率P(Fm|C=ci)。

2.2 在線檢測(cè)匹配

通過隨機(jī)蕨叢分類器對(duì)當(dāng)前幀和模板圖像進(jìn)行粗匹配之后，采用隨機(jī)抽樣一致性(RANSAC)算法來剔除誤匹配。通常情況下，隨機(jī)蕨蕨數(shù)規(guī)模越大，匹配的正確率就越高，但是耗時(shí)也越長。圖3、圖4為經(jīng)粗匹配和RANSAC算法剔除誤匹配后，匹配點(diǎn)數(shù)隨隨機(jī)蕨數(shù)目的變化趨勢(shì)以及每個(gè)FAST特征點(diǎn)平均匹配時(shí)間隨隨機(jī)蕨數(shù)目的變化趨勢(shì)，取隨機(jī)蕨棵樹M=30。

圖3 匹配點(diǎn)數(shù)隨隨機(jī)蕨數(shù)目遞增的變化趨勢(shì)

圖4 單點(diǎn)匹配時(shí)間隨隨機(jī)蕨數(shù)目遞增的變化趨勢(shì)

2.3 三維位姿估計(jì)

通過前面兩節(jié)可知，通過隨機(jī)蕨叢分類器可以檢測(cè)出當(dāng)前幀中的目標(biāo)，從而得到當(dāng)前幀檢測(cè)出來的目標(biāo)與模板的對(duì)應(yīng)關(guān)系為：

(X1,2，…，N,t)=Hn(X1,2，…，N,t0)

式中：Hn為當(dāng)前幀目標(biāo)點(diǎn)集與模板點(diǎn)集之間的對(duì)應(yīng)關(guān)系，即單應(yīng)性矩陣。攝像機(jī)透射投影模型與根據(jù)模板使用隨機(jī)蕨算法檢測(cè)到的目標(biāo)的投影關(guān)系如圖5所示。使用將場(chǎng)景的坐標(biāo)系定義在檢測(cè)到的目標(biāo)上的方法來簡化透射投影方程，即檢測(cè)目標(biāo)平面為Z平面[19]。

圖5 檢測(cè)目標(biāo)投影和攝像機(jī)運(yùn)動(dòng)關(guān)系

圖中(xp,yp)為當(dāng)前幀目標(biāo)上的任意點(diǎn)的坐標(biāo)，(x0,y0)為對(duì)應(yīng)目標(biāo)模板投影到攝像機(jī)平面上的坐標(biāo)，(xn,yn)為其投影到攝像機(jī)平面上的坐標(biāo)。因此有以下關(guān)系：

(14)

(15)

(16)

視覺透射投影方程為[20]：

(17)

式中：λ是縮放因子，K是攝像機(jī)內(nèi)參，[R|T]是攝像機(jī)外參，R=[r1r2r3]是旋轉(zhuǎn)矩陣。因?yàn)閳?chǎng)景坐標(biāo)定義在檢測(cè)到的目標(biāo)上，[R|T]就是我們需要求解的跟蹤注冊(cè)的三維位姿。因?yàn)闄z測(cè)目標(biāo)平面為Z平面，所有zp=0。將式(14)-式(16)代入式(17)得：

(18)

3 實(shí) 驗(yàn)

本文算法實(shí)驗(yàn)是在VS 2012和OpenCV 2.4.9環(huán)境下實(shí)現(xiàn)的，PC機(jī)為Pentium(R) Dual-coreT4400@2.20 GHz,ROM 2 GB的普通PC，采用普通攝像頭Logitech C525獲取圖像。模板圖像分辨率為600×480。

實(shí)驗(yàn)使用基于樸素貝葉斯分類的隨機(jī)蕨叢算法對(duì)模板進(jìn)行寬基線匹配檢測(cè)。圖6為檢測(cè)結(jié)果，可以看出，模板在不同角度、不同光照環(huán)境下都能被準(zhǔn)確地檢測(cè)出來。當(dāng)目標(biāo)模板被部分遮擋時(shí)，仍然能夠準(zhǔn)確地檢測(cè)出目標(biāo)。

(a) 旋轉(zhuǎn)尺度變化 (b) 光照條件變化 (c) 目標(biāo)部分被遮擋圖6 基于隨機(jī)蕨寬基線匹配檢測(cè)效果

使用原始隨機(jī)蕨叢算法得到目標(biāo)后，對(duì)其進(jìn)行三維位姿估計(jì)，使用OpenGL繪圖便可以實(shí)現(xiàn)三維跟蹤注冊(cè)。雖然該方法能夠解決環(huán)境光照條件變化以及目標(biāo)被部分遮擋情況下跟蹤注冊(cè)失敗的問題，并且與傳統(tǒng)匹配算法相比能夠把耗時(shí)較多的部分轉(zhuǎn)為離線訓(xùn)練階段，但對(duì)其運(yùn)算時(shí)間進(jìn)行測(cè)試，如表2所示，使用原始隨機(jī)蕨叢算法仍不能滿足增強(qiáng)現(xiàn)實(shí)系統(tǒng)實(shí)時(shí)性的要求。本文通過使用具有快速特點(diǎn)的FAST角點(diǎn)進(jìn)行特征點(diǎn)檢測(cè)來進(jìn)一步提高算法的實(shí)時(shí)性，同時(shí)針對(duì)FAST特征的缺點(diǎn)對(duì)仿射過程進(jìn)行改進(jìn)從而保證改進(jìn)算法在不同條件下的檢測(cè)效果。

表2 不同方法的增強(qiáng)現(xiàn)實(shí)平均跟蹤注冊(cè)單幀耗時(shí)

圖7是利用本文算法針對(duì)不同條件下的目標(biāo)進(jìn)行虛實(shí)配置的實(shí)驗(yàn)效果。將本文提出的改進(jìn)隨機(jī)蕨算法應(yīng)用于無標(biāo)識(shí)增強(qiáng)現(xiàn)實(shí)跟蹤注冊(cè)，可以解決在光照條件變化、目標(biāo)被部分遮擋情況下的跟蹤注冊(cè)失敗的問題，基本能夠滿足AR系統(tǒng)實(shí)時(shí)性的要求。

(a) 目標(biāo)模板 (b) 旋轉(zhuǎn)尺度變化

(c) 光照條件變化 (d) 目標(biāo)部分被遮擋圖7 基于改進(jìn)隨機(jī)蕨的無標(biāo)識(shí)增強(qiáng)現(xiàn)實(shí)跟蹤注冊(cè)效果

4 結(jié) 語

本文提出了一種基于改進(jìn)隨機(jī)蕨的無標(biāo)識(shí)增強(qiáng)現(xiàn)實(shí)跟蹤注冊(cè)算法。通過使用隨機(jī)蕨算法解決在光照條件變化、目標(biāo)被部分遮擋情況下的跟蹤注冊(cè)失敗的問題，并通過使用FAST角點(diǎn)進(jìn)行特征點(diǎn)提取來提高檢測(cè)速度。針對(duì)FAST角點(diǎn)特征存在不具備仿射不變性和尺度不變性的問題，對(duì)隨機(jī)蕨算法的仿射過程進(jìn)行改進(jìn)保證目標(biāo)檢測(cè)的精度。相對(duì)于傳統(tǒng)的匹配算法和原始隨機(jī)蕨算法，本文方法在保證目標(biāo)檢測(cè)精度的同時(shí)，單幀耗時(shí)約為33 ms，基本上能夠滿足增強(qiáng)現(xiàn)實(shí)系統(tǒng)實(shí)時(shí)性的要求。