《视频目的跟踪算法综述_蔡荣太.docx》由会员分享，可在线阅读，更多相关《视频目的跟踪算法综述_蔡荣太.docx（29页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、视频目的跟踪算法综述_蔡荣太1引言目的跟踪可分为主动跟踪和被动跟踪。视频目的跟踪属于被动跟踪。与无线电跟踪测量相比，视频目的跟踪测量具有精度高、隐蔽性好和直观性强的优点。这些优点使得视频目的跟踪测量在靶场光电测量、天文观测设备、武器控制系统、激光通信系统、交通监控、场景分析、人群分析、行人计数、步态识别、动作识别等领域得到了广泛的应用1-2。根据被跟踪目的信息使用情况的不同，可将视觉跟踪算法分为基于比照度分析的目的跟踪、基于匹配的目的跟踪和基于运动检测的目的跟踪。基于比照度分析的跟踪算法主要利用目的和背景的比照度差异，实现目的的检测和跟踪。基于匹配的跟踪主要通过前后帧之间的特征匹配实现目的的定
2、位。基于运动检测的跟踪主要根据目的运动和背景运动之间的差异实现目的的检测和跟踪。前两类方法都是对单帧图像进行处理，基于匹配的跟踪方法需要在帧与帧之间传递目的信息，比照度跟踪不需要在帧与帧之间传递目的信息。基于运动检测的跟踪需要对多帧图像进行处理。除此之外，还有一些算法不易归类到以上3类，如工程中的弹转机跟踪算法、多目的跟踪算法或其他一些综合算法。2基于比照度分析的目的跟踪算法基于比照度分析的目的跟踪算法利用目的与背景在比照度上的差异来提取、识别和跟踪目的。这类算法根据跟踪参考点的不同能够分为边缘跟踪、形心跟踪和质心跟踪等。这类算法不合适复杂背景中的目的跟踪，但在空中背景下的目的跟踪中非常有效。
3、边缘跟踪的优点是脱靶量计算简单、响应快，在某些场合如要求跟踪目的的左上角或右下角等有其独到之处。缺点是跟踪点易受干扰，跟踪随机误差大。重心跟踪算法计算简便，精度较高，但容易遭到目的的剧烈运动或目的被遮挡的影响。重心的计算不需要清楚的轮廓，在均匀背景下能够对整个跟踪窗口进行计算，不影响测量精度。重心跟踪十分合适背景均匀、比照度小的弱小目的跟踪等一些特殊场合。图像二值化之后，按重心公式计算出的是目的图像的形心。一般来讲形心与重心略有差异1-2。3基于匹配的目的跟踪算法3.1特征匹配特征是目的可区别与其他事物的属性，具有可区分性、可靠性、独立性和稀疏性。基于匹配的目的跟踪算法需要提取目的的特征，并在
4、每一帧中寻找该特征。寻找的文章编号：10028692202012-0135-04视频目的跟踪算法综述*蔡荣太1，吴元昊2，王明佳2，吴庆祥11.福建师范大学物理与光电信息科技学院，福建福州350108；2.中国科学院长春光学精细机械与物理研究所，吉林长春130033【摘要】介绍了视频目的跟踪算法及其研究进展，包括基于比照度分析的目的跟踪算法、基于匹配的目的跟踪算法和基于运动检测的目的跟踪算法。重点分析了目的跟踪中特征匹配、贝叶斯滤波、概率图模型和核方法的主要内容及最新进展。此外，还介绍了多特征跟踪、利用上下文信息的目的跟踪和多目的跟踪算法及其进展。【关键词】目的跟踪；特征匹配；贝叶斯滤波；概率
5、图模型；均值漂移；粒子滤波【中图分类号】TP391.41；TN911.73【文献标识码】ASurveyofVisualObjectTrackingAlgorithmsCAIRong-tai1,WUYuan-hao2,WANGMing-jia2,WUQing-xiang11.SchoolofPhysics,Optics,ElectronicScienceandTechnology,FujianNormalUniversity,Fuzhou350108,China;2.ChangchunInstituteofOptics,FineMechanicsandPhysics,ChineseAcademy
6、ofScience,Changchun130033,China【Abstract】Thefieldofvisualobjecttrackingalgorithmsareintroduced,includingvisualtrackingbasedoncontrastanalysis,visualtrackingbasedonfeaturematchingandvisualtrackingbasedonmovingdetection.Featurematching,Bayesianfiltering,probabilisticgraphicalmodels,kerneltrackingandth
7、eirrecentdevelopmentsareanalyzed.Thedevelopmentofmultiplecuesbasedtracking,contextsbasedtrackingandmulti-targettrackingarealsodiscussed【Keywords】visualtracking;featurematching;Bayesianfiltering;probabilisticgraphicalmodels;meanshift;particlefilter论文*国家“863计划项目2006AA703405F；福建省自然科学基金项目2020J05141；福建省教
8、育厅科技计划项目JA09040算法描绘能力状态表示方法拓扑构造KF线性、高斯一个随机变量向量固定PF非线性、任意分布一个随机变量向量固定HMMs非线性、任意分布一个随机变量向量固定DBNs非线性、任意分布随机变量向量集可变表1贝叶斯跟踪方法经过就是特征匹配经过。特征提取是一种变换或者编码，将数据从高维的原始特征空间通过映射，变换到低维空间的表示。根据Marr的特征分析理论，有4种典型的特征计算理论：神经复原论、构造分解理论、特征空间论和特征空间的近似。神经复原论直接源于神经学和解剖学的特征计算理论，它与生物视觉的特征提取经过最接近，其主要技术是Gabor滤波器、小波滤波器等。构造分解理论是到目
9、前为止唯一能够为新样本进行增量学习提供原则的计算理论，目前从事该理论研究的有麻省理工学院实验组的视觉机器项目组等。特征空间论主要采用主分量分析PCA、独立分量分析ICA、稀疏分量分析SCA和非负矩阵分解NMF等技术抽取目的的子空间特征。特征空间的近似属于非线性方法，合适于解决高维空间上复杂的分类问题，主要采用流形、李代数、微分几何等技术1。目的跟踪中用到的特征主要有几何形状、子空间特征、外形轮廓和特征点等。其中，特征点是匹配算法中常用的特征。特征点的提取算法很多，如KanadeLucasTomasiKLT算法、Harris算法、SIFT算法以及SURF算法等。特征点一般是稀疏的，携带的信息较少
10、，能够通过集成前几帧的信息进行补偿。目的在运动经过中，其特征如姿态、几何形状、灰度或颜色分布等也随之变化。目的特征的变化具有随机性，这种随机变化能够采用统计数学的方法来描绘。直方图是图像处理中天然的统计量，因而彩色和边缘方向直方图在跟踪算法中被广泛采用。3.2贝叶斯跟踪目的的运动往往是随机的，这样的运动经过能够采用随机经过来描绘。很多跟踪算法往往建立在随机经过的基础之上，如随机游走经过、马尔科夫经过、自回归AR经过等。文献3和文献4采用二阶AR模型来跟踪目的的运动，采用一阶AR模型来跟踪目的的尺度变化。随机经过的处理在信号分析领域较成熟，其理论和技术如贝叶斯滤波能够借鉴到目的跟踪中。贝叶斯滤波
11、中，最有名的是Kalman滤波KF。KF能够比拟准确地预测平稳运动目的在下一时刻的位置，在弹道目的跟踪中具有非常成功的应用。一般而言，KF能够用作跟踪方法的框架，用于估计目的的位置，减少特征匹配中的区域搜索范围，提高跟踪算法的运行速度。KF只能处理线性高斯模型，KF算法的两种变形EKF和UKF能够处理非线性高斯模型。两种变形扩展了KF的应用范围，但是不能处理非高斯非线性模型，这个时候就需要用粒子滤波PF。由于运动变化，目的的形变、非刚体、缩放等问题，定义一个可靠的分布函数是非常困难的，所以在PF中存在例子退化问题，于是引进了重采样技术。事实上，贝叶斯框架下视觉跟踪的很多工作都是在PF框架下寻找
12、更为有效的采样方法和建议概率分布。这些工作得到了很多不同的算法，如马尔可夫链蒙特卡洛MCMC方法、Unscented粒子滤波器UPF、Rao-Blackwellised粒子滤波器RBPF等。文献5引入了一种新的自适应采样方法序贯粒子生成方法，在该方法中粒子通过重要性建议概率密度分布的动态调整顺序产生。文献6根据率失真理论推导了确定粒子分配最优数目的方法，该方法能够最小化视觉跟踪中粒子滤波的整体失真。文献7计算最优重要性采样密度分布和一些重要密度分布之间的KL距离，分析了这些重要密度分布的性能。文献8在粒子滤波框架下，采用概率分类器对目的观测量进行分类，确定观测量的可靠性，通过加强相关观测量和抑
13、制不相关观测量的方法提高跟踪性能。除了KF和PF之外，隐马尔科夫模型HMMs和动态贝叶斯模型DBNs9也是贝叶斯框架下重要的视觉跟踪方法。HMMs和DBNs将运动目的的内部状态和观测量用状态变量向量表示，DBNs使用状态随机变量向量集，并在它们之间建立概率关联。HMMs将系统建模为马尔科夫经过。这些算法的主要区别如表1所示。表1中每个简单的算法都能够看成是下一行复杂算法的特例。反之，每个复杂算法都能够看成是简单算法的扩展。其中，DBNs具有最佳的灵敏性，能够处理不同的运动模型和不同的状态变量组合。DBNs又能够看作概率图模型PGMs9的一个例子。PGMs的基本思想是用图形的方式将多变量概率分布
14、分解，统计变量用图的节点表示，变量间的条件关系用图的连接或边表示。PGMs能够分为有向图DAGs和无向图Ugs。前者能够处理时间形式，合适目的跟踪和场景理解等任务。后者能很好地描绘图像像素之间的空间依靠性，合适图像分割和图像分析等任务。通过组合图理论和概率理论，PGMs能够用来处理问题描绘中的不确定性。不确定性恰好符合人类视觉系统中天然的概率性和视觉模糊性如遮挡、从3D到2D投影的信息损失。通过规定概率模型元素之间的关系，PGMs能够有效地表示、学习和计算复杂的概率模型。PGMs能够有效地组合目的的动态信息和外观信息，有效解决目的的运动估计问题，为目的跟踪提供了很好的理论框架。表1中算法都能够
15、看成是PGMs的特殊形式。3.3核方法核方法的基本思想是对类似度概率密度函数或者后验概率密度函数采用直接的连续估计。这样处理一方面能够简化采样，另一方面能够采用估计的函数梯度有效定位采样粒子。采用连续概率密度函数能够减少高维状态空间引起的计算量问题，还能够保证例子接近分布形式，避免粒子退化问题。核方法一般都采用彩色直方图作为匹配特征。MeanShift10是核方法中最有代表性的算法，其含义正如其名，是“偏移的均值向量。直观上看，假如样本点从一个概率密度函数中采样得到，由于非零的概率密度梯度指向概率密度增加最大的方向，从平均上来讲，采样区域内的样本点更多的落在沿着概率密度梯度增加的方向。因而，对
16、应的MeanShift向量应该指向概率密度梯度的负方向。MeanShift跟踪算法反复不断地把数据点朝向MeanShift矢量方向进行移动，最终收敛到某个概率密度函数的极值点。在MeanShift跟踪算法中，类似度函数用于刻画目的模板和候选区域所对应的两个核函数直方图的类似性，采用的是Bhattacharyya系数。因而，这种方法将跟踪问题转化为MeanShift形式匹配问题。核函数是MeanShift算法的核心，能够通过尺度空间差的局部最大化来选择核尺度，若采用高斯差分计算尺度空间差，则得到高斯差分MeanShift算法。MeanShift算法假设特征直方图足够确定目的的位置，并且足够稳健，
17、对其他运动不敏感。该方法能够避免目的形状、外观或运动的复杂建模，建立类似度的统计测量和连续优化之间的联络。但是，MeanShift算法不能用于旋转和尺度运动的估计。为克制以上问题，人们提出了很多改良算法，如多核跟踪算法、多核协作跟踪算法和有效的最优核平移算法等。文献11则针对能够获得目的多视角信息的情况，提出了一种从目的不同视角获得多个参考直方图，加强MeanShift跟踪性能的算法。4基于运动检测的目的跟踪算法基于运动检测的目的跟踪算法通过检测序列图像中目的和背景的不同运动来发现目的存在的区域，实现跟踪。这类算法不需要帧间的形式匹配，不需要在帧间传递目的的运动参数，只需要突出目的和非目的在时
18、域或者空域的区别即可。这类算法具有检测多个目的的能力，可用于多目的检测和跟踪。这类运动目的检测方法主要有帧间图像差分法、背景估计法、能量积累法、运动场估计法等。光流算法是基于运动检测的目的跟踪的代表性算法。光流是空间运动物体在成像面上的像素运动的瞬时速度，光流矢量是图像平面坐标点上的灰度瞬时变化率。光流的计算利用图像序列中的像素灰度分布的时域变化和相关性来确定各自像素位置的运动，研究图像灰度在时间上的变化与景象中物体构造及其运动的关系。将二维速度场与灰度相联络，引入光流约束方程，得到光流计算的基本算法。根据计算方法的不同，能够将光流算法分为基于梯度的方法、基于匹配的方法、基于能量的方法、基于相
19、位的方法和基于神经动力学的方法。文献12提出了一种基于摄像机光流反向相关的无标记跟踪算法，该算法利用反向摄像机消除光流中的一样成分，得到有效的跟踪效果。文献13将光流算法的亮度约束转化为上下文约束，把上下文信息集成到目的跟踪的运动估计里，仿照光流算法，提出了上下文流算法。文献14引入了几何流的概念，用于同时描绘目的在空间上和时间上的运动，并基于李代数推导了它的矢量空间表示。几何流在几何约束条件下，将复杂运动建模为多个流的组合，构成一个随机流模型。该算法在运动估计中集成了点对和帧差信息。文献15介绍了使用相互关的对光照稳健的可变光流算法。文献16提出了基于三角化高阶类似度函数的光流算法三角流算法
20、。该算法采用高阶条件随机场进行光流建模，使之包含标准的光流约束条件和仿射运动先验信息，对运动估计参数和匹配准则进行联合推理。局部仿射形变的类似度能量函数能够直接计算，构成高阶类似度函数，用三角形网格求解，构成三角流算法。5其他跟踪问题视觉跟踪从不同的角度和应用场合出发，会碰到很多不同的问题，比方多模跟踪、多特征跟踪、多目的跟踪、多摄像机跟踪17、3D跟踪18和特定应用的跟踪等。5.1多特征跟踪和利用上下文信息的目的跟踪利用多特征刻画目的是一种非常有效的实现稳健跟踪的方法。不同的特征能够从一样的或者不同的传感器获得，如彩色和轮廓19，彩色和梯度20，Haar-Like特征和边缘21，角点、彩色和
21、轮廓22，彩色和边缘6，彩色和Wi-Fi三角化23等。在贝叶斯框架下，有三种方法能够集成多个特征：1假设特征之间是统计独立的，能够将多个特征以加权和的形式组合起来；2假设多个特征之间的条件关联服从线性约束，能够将类似度概率密度分布表示为各个特征类似度概率密度分布的线性组合；3文献19给出了一种愈加复杂的方法，该方法不对各个特征施加关联约束，用概率方法建立各个特征之间的关联。除了联合使用目的的多特征之外，还能够充分采用上下文、背景和辅助目的等信息来实现稳健的目的跟踪。如文献24设计了一种考虑上下文的跟踪算法。该算法采用数据挖掘技术在视频中获取辅助目的，并将辅助目的用在跟踪中。对目的和这些辅助目的
22、的协作跟踪能够获得有效的跟踪性能。这里的辅助目的是至少在一小段时间内和目的同时出现，和目的具有一样的相关性运动并且比目的更容易跟踪的视频内容。文献25在跟踪算法中，同时采用目的和目的周围背景的特征点，将目的特征点用于跟踪，将背景特征点用于鉴别目的能否被遮挡。5.2多目的跟踪多目的跟踪MTVT在每帧图像中同时正确地对各个目的进行编号，主要算法有概率数据关联PDAF、联合概率数据关联JPDAF。文献26给出了两种新的数据关联方法：联合类似度滤波JLF和约束的联合类似度滤波CJLF。前者是JPDAF算法的扩展，它增加了目的相对于摄像机的深度标志，能够预测目的之间的遮挡，能够采用不同的特征计算类似度。
23、后者集成了目的的刚性关联和深度约束，能够更好地处理大目的之间的穿插。随机集滤波和有限集统计算法是另外一类多目的跟踪方法。有限集统计算法中采用概率假设密度函数，能够解决目的状态变量和观测向量维度变化的问题，能够比拟有效地解决目的数量的增减问题3，27，28。6小结笔者系统地介绍了基于比照度分析的目的跟踪算法、基于匹配的目的跟踪算法和基于运动检测的目的跟踪算法，重点介绍了特征匹配、贝叶斯与概率图模型下的视觉跟踪算法和核跟踪算法的主要技术内容及其最新进展，对多特征跟踪、上下文跟踪和多目的跟踪的进展也作了简单介绍。由于目的跟踪任务的复杂性，应该根据不同的应用场合选用不同的跟踪方法。在系统设计中，应该根
24、据详细的精度要求、稳健性要求、计算复杂度要求和实时性要求等采用不同的算法。多种技术的联合应用能够有效克制单一技术的局限性。因而，目的跟踪算法的方向发展为多模跟踪、多特征融合跟踪、基于目的所在的上下文和运动轨迹等信息的跟踪。参考文献：1蔡荣太.非线性自适应滤波器在电视跟踪中的应用D.北京：中国科学院，2020.2蔡荣太，雷凯，张旭光，等.基于.net的视频跟踪仿真平台设计J.计算机仿真，2007，2412：181-184.3MAGGIOE，TAJM，CAVALLAROA.Efficientmulti-targetvisualtrackingusingrandomfinitesetsJ.IEEET
25、ransactionsonCircuitsandSystemsforVideoTechnology，2020，188：1016-1027.4XUX，LIB.AdaptiveraoblackwellizedparticlefilteranditsevaluationfortrackinginsurveillanceJ.IEEETransactionsonImageProcessing，2007，163：838-849.5LAOY，ZHUJ，ZHENGY.SequentialparticlegenerationforvisualtrackingJ.IEEETransactionsonCircuit
26、sandSystemsforVideoTechnology，2020，199：1365-1378.6PANP，SCHONFILDD.DynamicproposalvarianceandoptimalparticleallocationinparticlefilteringforvideotrackingJ.IEEETransactiononCircuitsandSystemsforVideoTechnology，2020，189：1268-1279.7BOUAYNAYAN，SCHONFELDD.Ontheoptimalityofmotion-basedparticlefilteringJ.IE
27、EETransactionsonCircuitsandSystemsforVideoTechnology，2020，197：1068-1072.8IOANNISP，EDWINHR.CoupledpredictionclassificationforrobustvisualtrackingJ.IEEETransactionsonPatternAnalysisandMachineIntelligence，2020，329：1553-1567.9SOTODA，REGAZZONIMCS.BayesiantrackingforvideoanalyticsJ.IEEESignalProcessingMag
28、azine，2020，275：46-55.10王宇.基于MeanShift的序列图像手势跟踪算法J.电视技术，2020，346：99-101.11LEICHTERI，LINDENBAUMM，RIVLINE.MeanShifttrackingwithmultiplereferencecolorhistogramsJ.ComputerVisionandImageUnderstanding，2020，1143：400-408.12GUPTAP，VITORIALN，LAVIOLAJJ.MarkerlesstrackingusingpolarcorrelationofcameraopticalflowC
29、/Proc.2020IEEEVirtualRealityConference.Waltham，MA，UK：IEEEPress，2020：223-226.13WUYing，FANJialue.ContextualflowC/Proc.2020IEEEInternationalConferenceonComputerVision，Miami，FL，USA：IEEEPress，2020：33-40.14LIND，GRIMSONE，FISHERJ.ModelingandestimatingpersistentmotionwithgeometricflowsC/Proc.2020IEEEInternat
30、ionalCon-ferenceonComputerVision.SanFrancisco，CA，USA：IEEEPress，2020：1-8.15MOLNARJ，CHETVERIKOVD，FAZEKASS.Illumination-robustvariationalopticalflowusingcross-correlationJ.ComputerVisionandImageUnderstanding，2020，11410：1104-1114.16GLOCKERB，HEIBELTH，NAVABN，etal.Triangleflow：opticalflowwithtriangulation-
31、basedhigher-orderlikelihoodsC/Proc.下转第142页LectureNotesinComputerScienceECCV2020.Heraklion，Crete，Greece：s.n.，2020：272-285.17ESHELR，MOSESY.TrackinginadensecrowdusingmultiplecamerasJ.InternationalJournalofComputerVision，2020，881：129-143.18LIR，TIANT，SCLAROFFS，etal.3Dhumanmotiontrackingwithacoordinatedmi
32、xtureoffactoranalyzersJ.InternationalJournalofComputerVision，2020，871-2：170-190.19NOGUERMF，SANFELIUA，SAMARASD.DependentmultiplecueintegrationforrobusttrackingJ.IEEETransactionsonPatternAnalysisandMachineIntelligence，2020，304：670-685.20CHANGC，ANSARIR，KHOKHARA.Multipleobjecttrackingwithkernelparticlef
33、ilterC/Proc.IEEEConferenceonComputerVisionandPatternRecognition.SanDiego，CA，USA：IEEEPress，2005：566-573.21YANGC，DURAISWAMIR，DAVISL.FastmultipleobjecttrackingviaahierarchicalparticlefilterC/Proc.IEEEInternationalCon-ferenceonComputerVision.Beijing，China：IEEEPress，2005：212-219.22MAKRISA，KOSMOPOULOSD，PE
34、RANTONISS，etal.HierarchicalfeaturefusionforvisualtrackingC/Proc.IEEEInternationalCon-ferenceonImageProcessing，SanAntonio，Texas，USA：IEEEPress，2007：289-292.23MIYAKIT，YAMASAKIT，AIZAWAK.TrackingpersonsusingparticlefilterfusingvisualandWi-FilocalizationsforwidelydistributedcameraC/Proc.IEEEInternationalC
35、onferenceonImageProcessing，SanAntonio，Texas，USA：IEEEPress，2007：225-228.24YANGM，HUAG，WUY.Context-awarevisualtrackingJ.IEEETransactionsonPatternAnalysisandMachineIntelligence，2020，317：1195-1209.25KHANZH，GUIYH.JointfeaturecorrespondencesandappearancesimilarityforrobustvisualobjecttrackingJ.IEEETransact
36、ionsonInformationForensicsandSecurity，2020，53：591-606.26RASMUSSENC，HAGERGD.ProbabilisticdataassociationmethodsfortrackingcomplexvisualobjectsJ.IEEETransactionsonPatternAnalysisandMachineIntelligence，2001，236：560-576.27MAHLERR.MultitargetBayesianfilterinviafirst-ordermultitargetmomentsJ.IEEETransacti
37、onsonAerospaceandElectronicSystems，2003，394：1152-1178.28HUEC，CHDREJPL，PEREZP.SequentialMonteCarlomethodsformultipletargettrackinganddatafusionJ.IEEETransactionsonSignalProcessing，2002，502：309-325.笕作者简介：蔡荣太1979-，博士，讲师，研究方向为图像处理与计算机视觉，智能信息处理。责任编辑：任健男收稿日期：2020-07-06该系统采用信息推送技术，能够在没有用户干涉的情况下比方用户离线的情况下，根
38、据用户定制的查询需求自动进行批量的智能信息检索处理，对通过热链接定制的查询需求，系统自动将检索结果按各自的发送周期定期推送到用户的电子邮箱中，用户无需登录系统，即可在个人计算机上查看检索结果；对通过温链接和冷链接定制的查询需求，系统自动将检索结果有或无的信息主动推送到用户的电子邮箱中，温链接的检索结果还将保留在系统内置的用户个人文件箱中。这样就实现了信息服务由被动地“拉到主动地“推的转变，提高了工作效率。参考文献：1KARIMS，TJOAAM.Towardstheuseofontologiesforimprovinguserinteractionforpeoplewithspecialneed
39、sEB/OL.2020-01-02.http：/www.ifs.tuwien.ac.at/skarim/Camera%20Ready-Ontologies%20for%20Special%20People-v3_reviewed.pdf.2CATARCIT，DONGILLIP，MASCIOTD，etal.AnontologybasedvisualtoolforqueryformulationsupportEB/OL.2020-01-02.http:/3Fdoi%3D10.1.1.4.7045%26rep%3Drep1%26type%3Dpdf&sa=U&ei=WWz_TJOcKsL3rQeTm
40、aT-Bw&ved=0CBAQFjAA&usg=AFQjCNFAk4yAq2BirvNTO_7cK06vri_rAg.3GARC魱AE，SICILIAMA.Designingontology-basedinteractiveinformationretrievalinterfacesEB/OL.2020-01-02.http:/www.4GAUCHS，CHAFFEEJ，PRETSCHNERA.Ontology-basedpersonalizedsearchandbrowsingEB/OL.2020-01-02.hk/url?q=http：/1.1.93.3661%26rep%3Drep1%26
41、type%3Dpdf&sa=U&ei=_mz_TNSvCMmrrAePl52iCA&ved=0CBAQFjAA&usg=AFQjCNHvcLjPNNmCzItR5ZJIJ2BfFbJAyA.5TRAJKOVAJ.Improvingontology-baseduserprofilesD.Kansas：UniversityofKansas，2003.笕作者简介：张树东，博士后，副研究员，研究方向为网络与分布式计算；陈燕，博士，高工，研究方向为管理信息系统。责任编辑：哈宏疆收稿日期：2020-09-23笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕笕上接第138页