鄭海波，韓小萱，史云靜，李 潔，朱秀昌

(南京郵電大學(xué)江蘇省圖像處理與圖像通信重點(diǎn)實(shí)驗(yàn)室，江蘇南京210003)

隨著多媒體技術(shù)的高速發(fā)展以及人們安全意識(shí)的提高，越來(lái)越多的場(chǎng)合安裝了監(jiān)控設(shè)備。監(jiān)控視頻的數(shù)量與日俱增，如何有效地從海量的監(jiān)控視頻中檢索出感興趣的視頻或片段，成為當(dāng)今國(guó)內(nèi)外研究的熱點(diǎn)［1－5］。傳統(tǒng)的視頻檢索(video retrieval)，是根據(jù)視頻的時(shí)間地點(diǎn)查找，然后人工尋找所需要的視頻片段。然而很多情況下，視頻的時(shí)間和地點(diǎn)是未知的，如果想要從海量的監(jiān)控視頻中查找到所需要的視頻，就會(huì)花費(fèi)大量的人力和物力?；趦?nèi)容的視頻檢索(Content－Based Video Retrieval，CBVR)技術(shù)，可以有效地解決這一問題。因此，基于內(nèi)容的視頻檢索更加符合人們的需求，研究監(jiān)控視頻庫(kù)的系統(tǒng)結(jié)構(gòu)和檢索技術(shù)具有十分重要的意義。

目前的基于內(nèi)容的視頻檢索系統(tǒng)主要是利用視頻處理技術(shù)，通過對(duì)視頻內(nèi)容進(jìn)行分析處理，將視頻分割成不同的場(chǎng)景和片段這兩個(gè)層次，然后提取出視頻片段中的紋理、顏色、形狀、運(yùn)行等全局特征，最后通過特征的匹配來(lái)實(shí)現(xiàn)視頻的檢索。這方面比較有代表性的系統(tǒng)是 Fischlar系統(tǒng)［6］和 IBM 公司的 Multimedia Search and Retrieval System［7］。而日常生活中的監(jiān)控視頻與普通視頻相比，有如下特點(diǎn):1)監(jiān)控視頻的背景變化緩慢。因?yàn)橐话惚O(jiān)控?cái)z像頭都是固定在某一特定的場(chǎng)合，其錄制的監(jiān)控視頻都是在某一特定場(chǎng)合下的視頻;2)監(jiān)控視頻有較大的冗余。監(jiān)控視頻中經(jīng)常會(huì)出現(xiàn)較長(zhǎng)的“靜止”畫面;3)監(jiān)控視頻中最感興趣的信息一般是行人、車輛等。因此，針對(duì)監(jiān)控視頻的這些特性，使用類似于Fischlar系統(tǒng)等系統(tǒng)，會(huì)產(chǎn)生建立索引的計(jì)算量太大，檢索效率低以及不能有效檢索所需要的感興趣信息(行人、車輛等)等問題。

本文提出了一種基于內(nèi)容的監(jiān)控視頻檢索系統(tǒng)的構(gòu)建方法。根據(jù)監(jiān)控視頻的場(chǎng)景變化緩慢的特點(diǎn)，使用關(guān)鍵幀提取技術(shù)［8－9］來(lái)生成視頻摘要，通過精簡(jiǎn)的關(guān)鍵幀圖像來(lái)反映監(jiān)控視頻的主要信息。人們通常對(duì)監(jiān)控視頻中的行人、人臉以及車輛等信息更感興趣，因此利用機(jī)器學(xué)習(xí)方法對(duì)這些感興趣區(qū)域進(jìn)行識(shí)別，然后提取出關(guān)鍵幀圖像中的車輛圖像、行人甚至人臉圖像。將生成的這些圖像信息及監(jiān)控視頻之間建立關(guān)系映射，并存儲(chǔ)在關(guān)系型數(shù)據(jù)庫(kù)中。然后利用開源的CBIR(Content－Based Image Retrieval)工具 Lucene Image Retrieval［10－12］構(gòu)建基于內(nèi)容的圖像檢索系統(tǒng)。首先分別將生成的關(guān)鍵幀圖像、車輛圖像、行人圖像和人臉圖像建立基于顏色、紋理、邊緣等特征的索引，形成多層次的信息數(shù)據(jù)庫(kù)。然后根據(jù)用戶輸入的待檢測(cè)圖像，檢索出相同或者相似的目標(biāo)圖像，再根據(jù)關(guān)系型數(shù)據(jù)庫(kù)中保存的目標(biāo)圖像與監(jiān)控視頻的對(duì)應(yīng)關(guān)系找到對(duì)應(yīng)的監(jiān)控視頻。最終完成了根據(jù)圖像內(nèi)容檢索目標(biāo)監(jiān)控視頻的目的。因此，本文提出的基于內(nèi)容的海量監(jiān)控視頻的多層次檢索系統(tǒng)主要包含關(guān)鍵幀提取子系統(tǒng)、車輛檢測(cè)子系統(tǒng)、行人檢測(cè)子系統(tǒng)、人臉識(shí)別子系統(tǒng)、視頻數(shù)據(jù)庫(kù)管理子系統(tǒng)、基于內(nèi)容的圖像檢索子系統(tǒng)、數(shù)據(jù)庫(kù)管理子系統(tǒng)、Web應(yīng)用和用戶交互界面等模塊。實(shí)驗(yàn)表明，該系統(tǒng)能夠高效準(zhǔn)確地檢索出所需監(jiān)控的視頻。該系統(tǒng)采用Java Web開發(fā)技術(shù)，B/S(Browser/Server)系統(tǒng)架構(gòu)，具有很強(qiáng)的實(shí)用性、可移植性及可擴(kuò)展性。

1 相關(guān)技術(shù)

1.1 關(guān)鍵幀提取

視頻摘要技術(shù)主要分為兩大類，即關(guān)鍵幀(Key Frames)技術(shù)和縮略視頻(Video Skim)或濃縮視頻(Video Synopsis)技術(shù)［13］。結(jié)合監(jiān)控視頻的特點(diǎn)，本文使用的是關(guān)鍵幀技術(shù)。常見的關(guān)鍵幀算法有:幀差法(Frame Difference)，近似平均法(Approximate Median)，混合高斯法(Mixture of Gaussian)。本文選取效果較好的混合高斯法。在用混合高斯模型法獲得關(guān)鍵幀時(shí)，首先建立混合高斯模板［14－15］，通過計(jì)算新建像素模板與已知模板的相符程度判斷某一像素屬于前景還是背景。學(xué)習(xí)速率的選擇對(duì)背景圖像的準(zhǔn)確性有一定的影響，更新速度過慢會(huì)延長(zhǎng)背景建立的時(shí)間;更新速度過快又可能將短暫停留的前景目標(biāo)誤當(dāng)作背景。

1.2 行人檢測(cè)和車輛檢測(cè)

基于高斯混合模型，獲得了能夠體現(xiàn)視頻內(nèi)容的關(guān)鍵幀集合。由于同一場(chǎng)景下占有視頻幀較大比例的背景圖像變化不明顯，直接用關(guān)鍵幀進(jìn)行檢索的準(zhǔn)確率大大降低，這就要求對(duì)檢索范圍進(jìn)一步縮小。在監(jiān)控視頻中，行人和車輛是主要關(guān)注的目標(biāo)，因此采用HOG(Histograms of Oriented Gradients)［16］的方法來(lái)檢測(cè)行人與車輛。HOG訓(xùn)練樣本時(shí)分為兩大部分，包括特征提取和訓(xùn)練方法，流程圖如圖1所示。特征提取的流程包括:色彩的伽馬歸一化，梯度的計(jì)算，構(gòu)建以cell為單位的利用梯度幅值作為加權(quán)方案的方向直方圖，將多個(gè)cell單元的方向直方圖組合為更大的區(qū)間塊block并對(duì)block內(nèi)的直方圖向量進(jìn)行標(biāo)準(zhǔn)化，最后合并檢測(cè)窗口內(nèi)的block直方圖向量。訓(xùn)練方法采用的是支持向量機(jī)(Support Vector Machine，SVM)［17］中簡(jiǎn)單的線性SVM訓(xùn)練得到檢測(cè)行人和車輛的相關(guān)系數(shù)，使用SVM進(jìn)行目標(biāo)檢測(cè)的流程如圖1所示。

圖1 HoG樣本訓(xùn)練與SVM目標(biāo)檢測(cè)流程圖

1.3 人臉檢測(cè)

對(duì)于檢索到的行人圖像，對(duì)其進(jìn)行人臉檢測(cè)，以提高檢索的效率。本文中人臉檢測(cè)采用的是Viola P等人提出的級(jí)聯(lián) Adaboost方法［18］，利用積分圖法來(lái)加快Haar矩形特征的計(jì)算，利用多個(gè)最佳弱分類器訓(xùn)練到強(qiáng)分類器。在檢測(cè)人臉時(shí)使用級(jí)聯(lián)的方法來(lái)加快檢測(cè)速度達(dá)到實(shí)時(shí)檢測(cè)的要求。圖2是人臉檢測(cè)中分類器訓(xùn)練的流程圖和人臉檢測(cè)的流程圖。

圖2 級(jí)聯(lián)分類器的訓(xùn)練與人臉檢測(cè)流程圖

1.4 CBVR框架LIRe

LIRe是使用Java編程語(yǔ)言開發(fā)的一個(gè)可擴(kuò)展的開源CBIR庫(kù)［11］。其中，Lucene是Apache軟件基金會(huì)項(xiàng)目組下的一個(gè)開源的全文檢索引擎包，它使用Java開發(fā)，開發(fā)人員很容易對(duì)其擴(kuò)展，以定制自己的檢索引擎。LIRe就是在Lucene的基礎(chǔ)上，結(jié)合圖像的顏色、邊緣、紋理及局部特征，構(gòu)建CBIR引擎包。LIRe使用的主要圖像特大致可以分為如下幾類:

1)顏色，如顏色布局(Color Layout)、可變長(zhǎng)顏色(Scalable Color)、自動(dòng)顏色關(guān)聯(lián)圖(Auto Color Correlogram)、聯(lián)合直方圖、RGB顏色直方圖、Opponent顏色直方圖等。

2)邊緣，如邊緣直方圖(Edge Histogram)，分層梯度方向直方圖(Pyramid Histogram of Oriented Gradients)，顏色和邊緣的方向性描述符(Color and Edge Directivity Descriptor，CEDD)，模糊顏色和紋理直方圖(Fuzzy Color and Texture Histogram，F(xiàn)CTH)等。

3)紋理，如 Tamura Texture Features(粗糙度、對(duì)比度、方向度等心理學(xué)上的紋理特征)、Gabor紋理特征等。

4)局部特征，如尺度不變特征變換(Scale－Invariant Feature Transform，SIFT)等。

LIRe檢索圖像分為2個(gè)步驟:1)索引文件的生成，即特征庫(kù);2)根據(jù)用戶輸入的圖像，從特征庫(kù)中查詢出相同或相似的圖像。圖3是LIRe對(duì)一幅圖像生成索引的流程示意圖。從圖中可以看出，LIRe首先提取圖像的顏色、紋理等特征，然后用對(duì)應(yīng)的直方圖數(shù)組來(lái)表示圖像。最后，按照Lucene的索引格式，將特征數(shù)據(jù)寫入到索引文件，形成“特征庫(kù)”。另外，索引文件中還保存了圖像的其他信息，如圖像的名稱、圖像所在路徑等。

圖3 LIRe對(duì)一幅圖像生成索引文件的示意圖

LIRe檢索圖像的過程示意圖如圖4所示，檢索圖像需要經(jīng)過如下步驟:

1)對(duì)用戶輸入的圖像進(jìn)行特征提取，生成相應(yīng)的特征向量A;

2)逐個(gè)讀取“特征庫(kù)”中的特征向量B;

3)計(jì)算輸入圖像的特征向量A與向量B之間的“距離”;

4)按照“距離”的數(shù)值，從小到大排序。距離越小，說明兩者圖像越相近。

圖4 LIRe檢索圖像的過程示意圖

不同特征類型的特征向量之間的距離衡量標(biāo)準(zhǔn)是不同的，比如，對(duì)于邊緣特征，使用l1范數(shù)，即設(shè)U，V分別代表2幅圖像的邊緣特征向量，它們之間的距離d表示為

式中:L為向量的長(zhǎng)度。而且對(duì)于特征，比如顏色特征，使用l2范數(shù)距離，即

而CEDD特征則使用Tanimoto系數(shù)，然后將Tonimoto系數(shù)轉(zhuǎn)化為距離。Tanimoto系數(shù)的定義為

特征之間的距離d與Tanimoto系數(shù)之間的轉(zhuǎn)化關(guān)系為

總之，通過計(jì)算特征之間距離，尋找出最相似的圖像，由于之前特征庫(kù)中保存了圖像的名稱、路徑等信息，這樣就能夠找到與之相類似的原圖像，進(jìn)而完成了“以圖搜圖”的全過程。

1.5 Java Web開發(fā)框架

本系統(tǒng)使用 Java Web開發(fā)技術(shù)，系統(tǒng)前端使用JavaScript、Html和Jquery技術(shù)，系統(tǒng)后端采用 Struts2+Spring+Hibernate三大主流開源框架開發(fā)。結(jié)合LIRe完成基于內(nèi)容的圖像檢索子系統(tǒng)。同時(shí)，用Web的方式管理視頻庫(kù)、圖像庫(kù)和特征庫(kù)。同時(shí)為該系統(tǒng)設(shè)計(jì)了用戶管理模塊。普通用戶可以通過上傳圖像，從多個(gè)層次檢索所需視頻。系統(tǒng)管理員擁有普通用戶的權(quán)限之外，還可以管理視頻庫(kù)、圖像庫(kù)和特征庫(kù)，控制索引文件的分布和存儲(chǔ)。整個(gè)系統(tǒng)具有圖像上傳、圖像特征選取、監(jiān)控視頻播放等功能。用戶只需要使用瀏覽器就可以使用該系統(tǒng)，充分體現(xiàn)了B/S架構(gòu)的優(yōu)點(diǎn)。

2 系統(tǒng)設(shè)計(jì)

2.1 多層次信息數(shù)據(jù)庫(kù)設(shè)計(jì)

多層次信息數(shù)據(jù)庫(kù)的結(jié)構(gòu)圖如圖5所示。首先，通過關(guān)鍵幀提取子系統(tǒng)提取出監(jiān)控視頻中的關(guān)鍵幀圖像，這些關(guān)鍵幀圖像能夠反映監(jiān)控視頻的主要內(nèi)容，在一定程度上去除了監(jiān)控視頻的冗余信息。其次，使用行人檢測(cè)子系統(tǒng)和車輛檢測(cè)子系統(tǒng)對(duì)關(guān)鍵幀圖像當(dāng)中的行人和車輛進(jìn)行提取，同時(shí)，對(duì)于行人圖像，再使用人臉識(shí)別子系統(tǒng)提取出行人中的人臉圖像，進(jìn)一步提取出了監(jiān)控視頻中最感興趣的部分。最后，使用LIRe索引生成模塊對(duì)生成的圖像分別建立含有圖像特征的特征庫(kù)，即Lucene的索引文件，以備檢索。另外，為了能夠根據(jù)檢索出的圖像查找到該圖像所在的視頻，將視頻與圖像的關(guān)系保存在關(guān)系型數(shù)據(jù)庫(kù)中。因此，最終得到的多層次信息數(shù)據(jù)庫(kù)包括視頻庫(kù)、關(guān)鍵幀圖像庫(kù)、行人圖像庫(kù)、車輛圖像圖、人臉圖像庫(kù)以及它們之間的關(guān)系數(shù)據(jù)庫(kù)和特征庫(kù)。

圖5 多層次信息數(shù)據(jù)庫(kù)的結(jié)構(gòu)圖

2.2 檢索框架設(shè)計(jì)

系統(tǒng)采用B/S架構(gòu)，使用Java Web開發(fā)技術(shù)，將系統(tǒng)的各個(gè)模塊整合成一個(gè)多層次的檢索系統(tǒng)。圖6是系統(tǒng)的檢索框架圖，用戶可以從監(jiān)控視頻的場(chǎng)景圖、行人圖像、車輛圖像或者人臉圖像4個(gè)角度對(duì)監(jiān)控視頻進(jìn)行檢索。

圖6 系統(tǒng)的檢索框架圖

檢索過程如下:

1)用戶使用瀏覽器，登錄系統(tǒng)的Web頁(yè)面，從本地選擇1幅圖像(場(chǎng)景、行人、車輛或人臉)，同時(shí)需要選擇檢索時(shí)所需要的圖像特征;

2)瀏覽器將圖像上傳到Web服務(wù)器后臺(tái);

3)服務(wù)器后臺(tái)調(diào)用LIRe檢索模塊，根據(jù)用戶選擇的特征，對(duì)圖像進(jìn)行特征提取，生成特征向量;

4)LIRe模塊讀取特征庫(kù)，將特征庫(kù)中的特征向量與待檢測(cè)圖像的特征進(jìn)行對(duì)比，選擇最相近的多幅圖像，根據(jù)相識(shí)度排序，生成圖像集;

5)根據(jù)關(guān)系數(shù)據(jù)庫(kù)中圖像與視頻之間的對(duì)應(yīng)關(guān)系，檢索到與該圖像對(duì)應(yīng)的視頻;

6)后臺(tái)程序?qū)z索結(jié)果和檢索時(shí)間等信息反饋到前端，供用戶瀏覽觀看。

3 檢索實(shí)驗(yàn)

整個(gè)海量監(jiān)控視頻檢索系統(tǒng)部署在4臺(tái)Sugon天闊I420r－G型流媒體服務(wù)器和2臺(tái)Sugon海量存儲(chǔ)服務(wù)器上，系統(tǒng)總存儲(chǔ)容量為24 Tbyte，操作系統(tǒng)版本為Ubuntu Server 12．04LTS，JDK 版本為 OpenJDK6，Web 容器為Tomact6，系統(tǒng)使用的關(guān)系型數(shù)據(jù)庫(kù)為MySQL數(shù)據(jù)庫(kù)。監(jiān)控視頻素材為選自公司內(nèi)部監(jiān)控視頻、交通路口監(jiān)控視頻以及室內(nèi)監(jiān)控視頻等，數(shù)據(jù)量為15 Gbyte。系統(tǒng)主要分為檢索模塊、索引管理模塊和系統(tǒng)管理模塊，用戶在第一次進(jìn)行檢索之前，需要使用索引管理模塊生成對(duì)應(yīng)的特征庫(kù)。

圖7～圖9表示了一個(gè)檢索實(shí)例，其中圖7為用戶選擇CEDD特征作為檢索特征的檢索入口頁(yè)面。圖8為用戶上傳的待檢索圖像。圖9為檢索結(jié)果的頁(yè)面。從檢索結(jié)果的頁(yè)面中可以看到，用戶能夠檢索出與之相同或相似的行人圖像，并根據(jù)檢索結(jié)果與原圖像之間的“距離”依次排序。最右邊一列為檢索結(jié)果圖像所屬的監(jiān)控視頻，用戶可以對(duì)視頻進(jìn)行瀏覽和播放。同理，用戶也可以上傳車輛圖像、人臉圖像或者場(chǎng)景圖像對(duì)監(jiān)控視頻進(jìn)行檢索，同樣能夠得到相應(yīng)的監(jiān)控視頻。

圖7 檢索界面(截圖)

圖10是系統(tǒng)在當(dāng)前配置下，不同特征下的平均檢索時(shí)間，橫坐標(biāo)是圖像特征，縱坐標(biāo)是檢索所需要的平均時(shí)間。從圖中可以看出，在系統(tǒng)在當(dāng)前實(shí)驗(yàn)環(huán)境下，能夠?qū)崟r(shí)地檢索出所需要的視頻。

圖10 不同特征下系統(tǒng)檢索需要的平均時(shí)間

4 結(jié)束語(yǔ)

針對(duì)海量監(jiān)控視頻，本文提出了基于內(nèi)容的多層次檢索方案。依次從監(jiān)控視頻中提取有效的關(guān)鍵幀圖像、行人圖像、車輛圖像以及人臉圖像等多層次信息，然后利用基于內(nèi)容的圖像檢索技術(shù)，建立完善的特征庫(kù)和關(guān)系型數(shù)據(jù)庫(kù)，同時(shí)結(jié)合Web開發(fā)技術(shù)，形成一套完整的監(jiān)控視頻的檢索系統(tǒng)。系統(tǒng)采用B/S架構(gòu)，使其具有很強(qiáng)的實(shí)用性和可擴(kuò)展性，并且支持海量監(jiān)控視頻的檢索。從實(shí)驗(yàn)結(jié)果可以看出，該系統(tǒng)具有較好的實(shí)時(shí)性，并能夠較準(zhǔn)確地檢索出相應(yīng)的監(jiān)控視頻。今后的研究工作主要是:進(jìn)一步提高檢索的實(shí)時(shí)性和準(zhǔn)確性，同時(shí)提高整個(gè)系統(tǒng)的健壯性和穩(wěn)定性。

:

［1］ PATEL B V，DEORANKAR A V，MESHRAM B B．Content based video retrieval using entropy，edge detection，black and white color features［C］//Proc．2010 2nd International Conference on Computer Engineering and Technology(ICCET)．［S．l．］:IEEE Press，2010:272－276．

［2］ JONES S，SHAO L．Content－based retrieval of human actions from realistic video databases［J］．Information Sciences，2013(236):56－65．

［3］ KEKRE H B，THEPADE S D，GUPTA S．Content based video retrieval in transformed domain using fractional coefficients［J］．International Journal of Image Processing(IJIP)，2013，7(3):237－247．

［4］ LEE F，KOTANI K，CHEN Q，et al．Fast search for MPEG video clips from large video database using combined histogram features［C］//Proc．the World Congress on Engineering．London:［s．n．］，2010:637－640．

［5］徐忠強(qiáng)．電視新聞節(jié)目基于內(nèi)容的視頻檢索技術(shù)及實(shí)現(xiàn)［J］．電視技術(shù)，2008，32(1):72－74．

［6］ O＇CONNOR N E，MARLOW S，MURPHY N，et al．Fischlar:an on－line system for indexing and browsing broadcast television content［EB/OL］．［2013－12－20］．http://www．lw20．com/2011050311769609．html．

［7］ CAMPBELL M，HAUBOLD A，LIU M，et al．IBM research TRECVID－2007 video retrieval system［EB/OL］．［2013－12－20］．http://www．doc88．com/p－478420540695．html．

［8］ BAYONA A，SANMIGUEL J C，MARTINEZ J M．Stationary foreground detection using background subtraction and temporal difference in video surveillance［C］//Proc．2010 17th IEEE International Conference on Image Processing(ICIP)．［S．l．］:IEEE Press，2010:4657－4660．

［9］ KOMAGAL E，VINODHINI A，SRINIVASAN A，et al．Real time background subtraction techniques for detection of moving objects in video surveillance system［C］//Proc．2012 International Conference on Computing，Communication and Applications(ICCCA)．［S．l．］:IEEE Press，2012:1－5．

［10］ LUX M，CHATZICHRISTOFIS S A．Lire:lucene image retrieval:an extensible java CBIR library［C］//Proc．the 16th ACM International Conference on Multimedia．Vancouver:［s．n．］，2008:1085－1088．

［11］ LUX M．Content based image retrieval with lire［C］//Proc．the 19th ACM International Conference on Multimedia．［S．l．］:ACM，2011:735－738．

［12］ KOGLER M，LUX M．Robust image retrieval using bag of visual words with fuzzy codebooks and fuzzy assignment［C］//Proc．the 12th International Conference on Knowledge Management and Knowledge Tech-nologies．［S．l．］:ACM，2012:34－37．

［13］ TRUONG B T，VENKATESH S．Video abstraction:a systematic review and classification［J］．ACM Transactions on Multimedia Computing，Communications，and Applications(TOMCCAP)，2007，3(1):3．

［14］ ZIVKOVIC Z．Improved adaptive Gaussian mixture model for background subtraction［C］//Proc．the 17th International Conference on Pattern Recognition，2004．［S．l．］:IEEE Press，2004:28－31．

［15］ ZIVKOVIC Z，HEIHDEN F．Efficient adaptive density estimation per image pixel for the task of background subtraction［J］．Pattern Recognition Letters，2006，27(7):773－780．

［16］ DALAL N，TRIGGS B．Histograms of oriented gradients for human detection［C］//Proc．IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2005．［S．l．］:IEEE Press，2005:886－893．

［17］ CHANG C C，LIN C J．LIBSVM:a library for support vector machines［J］．ACM Transactions on Intelligent Systems and Technology(TIST)，2011，2(3):27．

［18］ VIOLA P，JONES M．Rapid object detection using a boosted cascade of simple features［C］//Proc．the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2001．［S．l．］:IEEE Press，2011:511－518．