图像局部特征匹配方法及系统与流程

1.本发明涉及图像处理技术领域，尤其涉及到一种图像局部特征匹配方法及系统。


背景技术：

2.许多基本的计算机视觉任务，如structure from motion(sfm)、simultaneous localization and mapping(slam)、相对姿态估计和视觉定位等，都是以匹配同一场景下的两个或多个视图为中心。图像匹配任务旨在将两幅图像中具有相同/相似属性的内容或结构进行像素上的识别与对齐。
3.现有的图像匹配方法可以分为三种类型：detect then describe框架、describe to detect框架以及detect free框架。detect then describe框架首先检测图像关键点，然后在关键点周围生成patch，并将patch送入特征提取网络提取特征；describe to detect框架则首先使用cnn提取密集的描述符，然后基于该描述符的可分辨性来确定该描述符是否作为关键点的可能性；detector free框架不需要检测图像的关键点，使用cnn或transformer提取不同层次的特征图，然后根据粗粒度的特征图进行粗级别的匹配，最后在粗略匹配的基础上根据细粒度的特征图进行细化匹配。这种方法由于直接计算待匹配图像特征图之间全部特征向量的相似度，所以可以产生可重复的密集匹配，更有利于在低纹理区域以及重复图案产生对应关系。目前来看，这种无检测器方法在大多数情况下优于基于检测器的方法。
4.然而，在图像匹配任务中，许多场景中需要匹配的两幅图像都有一些尺度变化。这种尺度变化是物体与摄像机之间距离变化的自然结果。此外，众所周知，cnn提取的特征描述符只是平移等变的，而不是尺度等变的，这意味着cnn缺乏处理尺度变化的专门方法，这也在一定程度上限制了cnn在处理图像方面的性能。因此，在处理有明显尺度变化的图像数据时，cnn往往不能发挥应有的作用。因此，如何提升图像匹配能力和精准度，是一个亟需解决的技术问题。
5.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

6.本发明的主要目的在于提供一种图像局部特征匹配方法及系统，旨在更好地解决图像匹配的问题，改善具有显著尺度变化的图像匹配模型的性能，具有更佳的匹配能力和匹配精准度，并且在匹配图像具有较大尺度变化时效果显著。
7.为实现上述目的，本发明提供一种图像局部特征匹配方法，所述方法包括以下步骤：
8.将两张待匹配图像输入尺度等变主干网络中，提取粗粒度特征图和细粒度特征图；
9.将两张待匹配图像的粗粒度特征图分别送入信息融合模块处理；
10.利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配；
11.对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测。
12.可选的，所述方法还包括：基于具有特征金字塔结构的宽残差网络和具有尺度等变性的卷积，建立尺度等变主干网络。
13.可选的，提取粗粒度特征图和细粒度特征图，具体包括：使用尺度等变主干网络从两张带匹配图像中提取多层次特征；基于提取的特征，确定粗粒度特征图和细粒度特征图。
14.可选的，所述方法还包括：建立包括自我注意力层和交叉注意力层的信息融合模块，所述信息融合模块通过自我注意力层和交叉注意力层对两张待匹配图像的粗粒度特征图进行信息融合传递。
15.可选的，所述信息融合模块采用线性transfomer模型；所述线性transfomer模型使用公式sim(q,k)＝φ(q)
·
φ(k)
t
来计算参与注意力层计算的向量之间的相似性；其中，q,k表示参与注意力层计算的向量,sim表示向量之间的相似性，φ＝elu+1表示使用elu函数处理向量的核函数，
●
表示向量的点积运算；t代表转置操作；这个操作代替了传统transfomer模型中q,k向量乘积后，使用softmax函数进行相似度计算的操作。
16.可选的，利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配，具体包括：计算两张待匹配图像的相似度矩阵，在两个维度上应用softmax，得到软互最近邻匹配的概率矩阵，选择置信度高于阈值的匹配，采用相互最近邻准则过滤离群粗匹配，获得最终预测的粗匹配。
17.可选的，所述粗匹配的损失函数为：
[0018][0019]
其中，表示使用相互最近邻法则生成的用于监督的真值粗匹配的对应关系，表示粗匹配的匹配结果，表示置信矩阵中位置的数值；该式子即为最小化网格中的负对数似然损失。
[0020]
可选的，对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测，具体包括：对于每个粗匹配，将其定位到细粒度特征图上的对应位置，裁剪两组局部窗口，利用信息融合模块对每个窗口内的裁剪后的特征进行变换，将变换后a图特征的中心位置的向量与b特征向量中所有向量相关，得到热图，计算概率分布的期望，得到最终位置。
[0021]
可选的，所述细匹配的损失函数为：
[0022][0023]
其中，mf表示最终匹配预测；表示最终匹配预测的对应关系；为真值的细匹配对应位置，|| ||2表示l2范数，为对应每个查询点的相应热图的方差，来测量每一对匹配关系的不确定性。
[0024]
此外，为了实现上述目的，本发明还提供了一种图像局部特征匹配系统，所述系统包括：
[0025]
提取模块，用于将两张待匹配图像输入尺度等变主干网络中，提取粗粒度特征图和细粒度特征图；
[0026]
融合模块，用于将两张待匹配图像的粗粒度特征图分别送入信息融合模块处理；
[0027]
粗匹配模块，用于利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配；
[0028]
细匹配模块，用于对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测。
[0029]
此外，为了实现上述目的，本发明还提供了一种图像局部特征匹配设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像局部特征匹配程序，所述图像局部特征匹配程序被所述处理器执行时实现上述的图像局部特征匹配方法的步骤。
[0030]
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有图像局部特征匹配程序，所述图像局部特征匹配程序被处理器执行时实现上述的图像局部特征匹配方法的步骤。
[0031]
本发明实施例提出的一种图像局部特征匹配方法及系统，所述方法包括：将两张待匹配图像输入尺度等变主干网络中，提取粗粒度特征图和细粒度特征图；将两张待匹配图像的粗粒度特征图分别送入信息融合模块处理；利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配；对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测。本发明通过将尺度等变卷积引入到了目前无检测器的图像匹配框架中，解决了在图像存在大尺度变化时图像匹配困难的问题，具有更佳的匹配能力和匹配精准度，并且在匹配图像具有较大尺度变化时效果显著。
附图说明
[0032]
图1为本发明实施例方案涉及的硬件运行环境的装置结构示意图；
[0033]
图2为本发明实施例图像局部特征匹配方法的流程示意图；
[0034]
图3为本发明实施例图像局部特征匹配的原理示意图；
[0035]
图4为本发明实施例的图像局部特征匹配主干网络的模型图；
[0036]
图5为本发明实施例的图像匹配结果对比示意图；
[0037]
图6为本发明实施例的位姿估计auc指标对比图。
[0038]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0039]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0040]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0041]
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
[0042]
如图1所示，该装置可以包括：处理器1001，例如cpu，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。
用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0043]
本领域技术人员可以理解，图1中示出的装置的结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0044]
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像局部特征匹配程序。
[0045]
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的图像局部特征匹配程序，并执行以下操作：
[0046]
将两张待匹配图像输入尺度等变主干网络中，提取粗粒度特征图和细粒度特征图；
[0047]
将两张待匹配图像的粗粒度特征图分别送入信息融合模块处理；
[0048]
利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配；
[0049]
对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测。
[0050]
本发明应用于装置的具体实施例与下述应用图像局部特征匹配方法的各实施例基本相同，在此不作赘述。
[0051]
本发明实施例提供了一种图像局部特征匹配方法，参照图2和图3，图2为本发明图像局部特征匹配方法实施例的流程示意图，图3为本发明图像局部特征匹配的原理示意图。
[0052]
本实施例中，所述图像局部特征匹配方法包括以下步骤：
[0053]
s1：将两张待匹配的图像输入尺度等变主干网络中提取粗细两种粒度的特征图；
[0054]
具体地，s1包括：
[0055]
s11：参见图4，本发明设计了一个尺度等变版本的wideresnet网络，以此来提取尺度等变的特征。其中主要设计思路主要包括以下几点：
[0056]
目前最先进的图像密集匹配的方法在待匹配图像有较大的尺度变化的情况下表现并不是很好。选择使用sesn中提出的方法来构建尺度等变的可控神经网络：使用可控的卷积核来构建尺度等变的卷积层，并将其他常见的块操作泛化为尺度等变的。这种方法对于任何离散的尺度变换因子都是尺度等变的。使用wideresnet的修改版替换cnn主干。对比wideresnet和我们的模型的basic block，我们用sesn中提出的conv h
→
h代替了普通卷积层。
[0057]
s12：使用带有fpn结构的wideresnet结构的尺度等变版本来从两幅图像中提取多层次的特征并使用粗细两种粒度的特征。将1/8原图大小的特征图定义为粗粒度特征图，将1/2原图大小的特征图定义为细粒度特征图。具体来说，网络在实际推理时接收大小为(640,480,3)的数据，经过设计的尺度等变cnn特征提取网络的convz2h层后提升至四维，即此时的特征图已经含有了尺度维度的信息。经过3个block后，特征图的尺寸逐渐变小，通道数逐渐增加，主干网络可以计算出不同尺度下图像的特征图。最终得到长为80,宽为60,通道数256的粗粒度特征以及长为320,宽为240,通道数128的细粒度特征图，dropout操作用
来防止网络过拟合。这时的粗细粒度的特征图已经在一定范围的尺度变化下具有了等变性。
[0058]
s2：两张图的粗粒度特征分别送入信息融合模块处理。传统transformer的注意力机制表达式为：attention(q,k,v)＝softmax(qk
t
)v。信息融合模块由自我注意力层以及交叉注意力层组成。具体来说，信息融合模块包括了nc层的注意力模块的堆叠，每一个注意力模块先执行自我注意力，然后执行交叉注意力，从而完成两幅图像特征之间的信息传递。其中，自我注意力在图像内进行信息的传递交互，交叉注意力则在图像间进行信息的传递交互。为了降低计算复杂度，将传统transformer替换成了线性transformer。线性transformer使用sim(q,k)＝φ(q)
●
φ(k)
t
,其中φ＝elu+1来代替原本q,k矩阵乘积后softmax的操作。这样计算复杂度就从o(n2)降低到了o(n)。经过信息融合模块处理之后，可以得到更加易于匹配的图像特征。
[0059]
s3：利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配；
[0060]
首先计算出两幅待匹配图片的余弦相似度矩阵，然后在其两个维度上应用softmax操作(简称为dual-softmax)，得到软互最近邻匹配的概率矩阵。矩阵中每一行或列表示了待匹配a图或b图中某一像素，与其对应b图或a图所有像素匹配的概率。基于该矩阵，选择置信度高于一定阈值的匹配，并进一步采用相互最近邻(mnn)准则过滤可能的离群粗匹配异常值。从而得到最终预测的粗匹配。
[0061]
其中，设计粗匹配的损失函数loss为：
[0062][0063]
其中，表示使用相互最近邻法则生成的用于监督的真值粗匹配的对应关系，表示粗匹配的匹配结果，表示置信矩阵中位置的数值；该式子即为最小化网格中的负对数似然损失。
[0064]
s4：对于每个粗匹配，在相应细特征图的区域进行细化匹配得到最终匹配预测，其包括以下步骤：
[0065]
s41:对于每个粗匹配，使用一种基于相关性的方法来使匹配细化。具体来说，先将其定位到细特征图上的对应位置，然后裁剪两组局部窗口。之后在经过信息融合模块对每个窗口内的裁剪后特征进行变换。之后将变换后a图特征的中心位置的向量与b特征向量中所有向量相关(矩阵相乘再softmax)，得到一个heatmap。该heatmap表示^j邻域内每个像素与^i的匹配概率。之后计算概率分布的期望，得到最终位置，如图5所示。
[0066]
其中，设计细匹配的损失函数loss为：
[0067][0068]
其中，mf表示最终匹配预测；表示最终匹配预测的对应关系；为真值的细匹配对应位置，|| ||2表示l2范数，为对应每个查询点的相应热图的方差，来测量每一对匹配关系的不确定性。
[0069]
s42：设计评估指标进行客观评估。
[0070]
使用位姿估计任务(pose estimation)作为测试任务来评价模型性能。计算所计算出相机位姿的误差在阈值(5
°
，10
°
，20
°
)处的auc：
[0071][0072]
其中，表示第i个预测样本的序号(概率得分从小到达大排列)；m，n分别是正负样本的数目；表示只把正样本的序号加起来。位姿误差被定义为旋转和平移中角度误差的最大值。用ransac从预测匹配中求解基本矩阵从而恢复相机位姿。
[0073]
在另一实施例中，在其他客观环境相同的情况下，与无检测器的图像匹配方法loftr进行对比实验，从而验证本发明设计的方法的图像匹配效果。
[0074]
megadepth数据集是一个利用网络图片的室外场景数据集，将其测试集(10个场景)根据图像对的重叠率(指两幅图像的共可见区域)的大小分为四个子集[1，2]，[2，3]，[3，4]，[4，+∞]，其中后三个子集被合并为[2，+∞]，被视为具有显著尺度变化的图像对集。本技术将megadepth数据集中的[2，3]，[3，4]，[4，+∞]三个子集作为测试集，在三种尺度变化上检测模型对于图像尺度变化的鲁棒性。使用在阈值为(5
°
，10
°
，20
°
)的auc值来评估网络在图像匹配任务上的质量。
[0075]
如图6所示，使用s4所述的客观评价指标auc，对本发明方法与经典loftr的图像匹配方法进行对比，本发明方法的auc值在所测试的各个尺度变化下都较高，表明本发明所设计的方法的图像匹配准确度非常高，效果非常理想。
[0076]
在本实施例中，提供了一种建立关键点结构体，以利用关键点结构体中的关键点的位置信息和顺序信息确定绕制点，进而绘制目标绕线图形。通过获取原始绕线版图数据文件和/或标准图形文件中的目标图形，提取目标图形种的关键点的信息，以此获得可调用的关键点结构体，从而调用关键点结构体以绘制目标绕制版图，本实施例利用了绕线版图数据文件的可移植性以及关键点结构体的调用的特性，提高了绕线版图的绘制效率。
[0077]
在另一实施例中，还提出一种图像局部特征匹配系统实施例，该图像局部特征匹配系统包括：
[0078]
提取模块，用于将两张待匹配图像输入尺度等变主干网络中，提取粗粒度特征图和细粒度特征图；
[0079]
融合模块，用于将两张待匹配图像的粗粒度特征图分别送入信息融合模块处理；
[0080]
粗匹配模块，用于利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配；
[0081]
细匹配模块，用于对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测。
[0082]
本发明图像局部特征匹配系统的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
[0083]
此外，本发明还提出一种图像局部特征匹配设备，其特征在于，所述图像局部特征匹配设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像局部特征匹配程序，其中：所述图像局部特征匹配程序被所述处理器执行时实现本发明各个实施例所述的图像局部特征匹配方法。
[0084]
本技术图像局部特征匹配设备的具体实施方式与上述图像局部特征匹配方法各实施例基本相同，在此不再赘述。
[0085]
此外，本发明还提出一种可读存储介质，所述可读存储介质包括计算机可读存储介质，其上存储有图像局部特征匹配程序。所述可读存储介质可以是图1的终端中的存储器1005，也可以是如rom(read-only memory，只读存储器)/ram(random access memory，随机存取存储器)、磁碟、光盘中的至少一种，所述可读存储介质包括若干指令用以使得一台具有处理器的图像局部特征匹配设备执行本发明各个实施例所述的图像局部特征匹配方法。
[0086]
本技术可读存储介质中图像局部特征匹配程序的具体实施方式与上述图像局部特征匹配方法各实施例基本相同，在此不再赘述。
[0087]
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第n实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0088]
需要说明的是，在本文中，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，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0089]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0090]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0091]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.图像局部特征匹配方法，其特征在于，所述方法包括以下步骤：将两张待匹配图像输入尺度等变主干网络中，提取粗粒度特征图和细粒度特征图；将两张待匹配图像的粗粒度特征图分别送入信息融合模块处理；利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配；对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测。2.如权利要求1所述图像局部特征匹配方法，其特征在于，所述方法还包括：基于具有特征金字塔结构的宽残差网络和具有尺度等变性的卷积，建立尺度等变主干网络。3.如权利要求2所述图像局部特征匹配方法，其特征在于，提取粗粒度特征图和细粒度特征图，具体包括：使用尺度等变主干网络从两张带匹配图像中提取多层次特征；基于提取的特征，确定粗粒度特征图和细粒度特征图。4.如权利要求1所述图像局部特征匹配方法，其特征在于，所述方法还包括：建立包括自我注意力层和交叉注意力层的信息融合模块，所述信息融合模块通过自我注意力层和交叉注意力层对两张待匹配图像的粗粒度特征图进行信息融合传递。5.如权利要求4所述图像局部特征匹配方法，其特征在于，所述信息融合模块采用线性transfomer模型；所述线性transfomer模型使用公式sim(q,k)＝φ(q)
·
φ(k)
t
来计算参与注意力层计算的向量之间的相似性；其中，q,k表示参与注意力层计算的向量,sim表示向量之间的相似性，φ＝elu+1表示使用elu函数处理向量的核函数，
·
表示向量的点积运算；t代表转置操作；这个操作代替了传统transfomer模型中q,k向量乘积后，使用softmax函数进行相似度计算的操作。6.如权利要求1所述图像局部特征匹配方法，其特征在于，利用可微匹配层进行特征匹配，得到置信矩阵p
c
，从而得到粗匹配，具体包括：计算两张待匹配图像的相似度矩阵，在两个维度上应用softmax，得到软互最近邻匹配的概率矩阵，选择置信度高于阈值的匹配，采用相互最近邻准则过滤离群粗匹配，获得最终预测的粗匹配。7.如权利要求6所述图像局部特征匹配方法，其特征在于，所述粗匹配的损失函数为：其中，表示使用相互最近邻法则生成的用于监督的真值粗匹配的对应关系，表示粗匹配的匹配结果，表示置信矩阵中位置的数值；该式子即为最小化网格中的负对数似然损失。8.如权利要求1所述图像局部特征匹配方法，其特征在于，对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测m
f
。具体包括：对于每个粗匹配，将其定位到细粒度特征图上的对应位置，裁剪两组局部窗口，利用信息融合模块对每个窗口内的裁剪后的特征进行变换，将变换后a图特征的中心位置的向量与b特征向量中所有向量相关，得到热图，计算概率分布的期望，得到最终位置。9.如权利要求8所述图像局部特征匹配方法，其特征在于，所述细匹配的损失函数为：
其中，m
f
表示最终匹配预测；表示最终匹配预测的对应关系；为真值的细匹配对应位置，2表示l2范数，为对应每个查询点的相应热图的方差，来测量每一对匹配关系的不确定性。10.一种图像局部特征匹配系统，其特征在于，所述系统包括：提取模块，用于将两张待匹配图像输入尺度等变主干网络中，提取粗粒度特征图和细粒度特征图；融合模块，用于将两张待匹配图像的粗粒度特征图分别送入信息融合模块处理；粗匹配模块，用于利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配；细匹配模块，用于对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测。

技术总结
本发明公开了一种图像局部特征匹配方法及系统，所述方法包括：将两张待匹配图像输入尺度等变主干网络中，提取粗粒度特征图和细粒度特征图；将两张待匹配图像的粗粒度特征图分别送入信息融合模块处理；利用可微匹配层进行特征匹配，得到置信矩阵，从而得到粗匹配；对于每个粗匹配，在对应的细粒度特征图的区域进行细匹配，得到最终匹配预测。本发明通过将尺度等变卷积引入到了目前无检测器的图像匹配框架中，解决了在图像存在大尺度变化时图像匹配困难的问题，具有更佳的匹配能力和匹配精准度，并且在匹配图像具有较大尺度变化时效果显著。著。著。


技术研发人员：廖赟 段清 刘俊晖 邸一得 周豪 朱开军
受保护的技术使用者：云南览易网络科技有限责任公司
技术研发日：2023.04.24
技术公布日：2023/7/25