本发明涉及数据处理技术领域，特别涉及一种基于图像分析的智能自动门控制方法。
背景技术：
基于红外传感器的自动门，已经应用于社会的各个生活领域。目前，红外自动门在有些情形下并不适用。比如，某个红外自动门安装在走廊的侧面上时，有很多从走廊经过的人并不是想要出门，但是红外门会开启，因为当前的红外自动门无法分辨出行人的行走方向。而且，当该走廊上人流量足够大时，红外自动门将处于高频率的开启和关闭状态。一方面，加快了自动红外门的损坏。另一方面，由于自动门的高频率开启，也导致对周边的环境产生很大的噪音干扰，影响工作人员的工作学习。
技术实现要素：
本发明的目的在于提供一种基于图像分析的智能自动门控制方法，提高智能自动门的智能化水平。
为实现以上目的，本发明采用的技术方案为：
采用一种基于图像分析的智能自动门控制方法，包括如下步骤：
对智能自动门上安装的摄像机的监控区域进行背景建模，得到初始背景图像；
将摄像机当前采集的图像与初始背景图像做差分，得到前景图像；
在前景图像中，对行人进行检测和定位，得到行人所在区域对应的中心点位置；
根据连续多帧图像中的行人所在区域对应中心点位置，进行行人位置的跟踪，得到行人的行走方向；
判断行人的行走方向与水平方向是否平行；
若是则控制智能自动门开门，否则智能自动门不开门。
优选地，在所述在行人的行走方向与水平方向平行之后，还包括：
(a)获取连续多帧图像中行人所在区域对应中心点位置的移动轨迹，得到行人行走的速度；
(b)判断行人行走速度是否小于设定阈值，若是则执行步骤(c)，若否则执行步骤(f)；
(c)对行人朝向进行分析，并判断行人脸朝向是否是正面，若是则执行步骤(d)，若否执行步骤(f)；
(d)对行人人脸偏转角度进行分析，并判断行人人脸偏转角度是否在设定范围以内，若是在执行步骤(e)，若否则执行步骤(f)；
(e)控制智能自动门开门；
(f)智能自动门不开门。
优选地，在所述对智能自动门上安装的摄像机的监控区域进行背景建模，得到初始背景图像之后，还包括：
根据设定的区域范围对摄像机当前采集的图像、初始背景图像进行提取，得到缩小范围后的当前图像、初始背景图像；
相应地，所述将摄像机当前拍摄到的图像与初始背景图像做差分，得到前景图像，包括：
将缩小范围后的图像与缩小范围后的初始背景图像做差分，得到前景图像。
优选地，对智能自动门上安装的摄像机的监控区域进行背景建模，得到背景图像，具体包括：
对摄像机的监控区域图像进行采集，获取N帧监控区域图像；
采用帧差法检测监控区域图像中是否存在运动目标；
若是，则重新采集摄像机的监控区域图像，直至获取N帧不存在运动目标的监控区域图像作为背景图像；
对所述N帧背景图像中相同像素点位置的像素求平均，得到初始背景图像；
对采集的当前帧监控区域图像中每一个像素点进行分析，判断是否存在像素点属于所述初始背景图像；
若某像素点属于背景像素时，则利用加权的方式将该像素点更新到初始背景图像中，以实现初始背景图像的更新。
优选地，在前景图像中，对行人进行检测和定位，得到行人所在区域对应的中心点位置，具体包括：
利用单个行人图像样本构成的第一训练数据集，对构建的第一神经网络进行训练，得到行人检测器；
在所述缩小范围的采集图像中，提取出每个行人的区域部分；
将每个单独的行人区域将作为单独的行人检测器输入，经过行人检测器预测之后，输出该当前采集图像中行人的中心点位置。
优选地，根据连续多帧图像中的行人所在区域对应中心点位置，进行行人位置的跟踪，得到行人的行走方向，具体包括：
将连续多帧采集图像中的全部行人区域送入到行人检测器进行预测，得到每个行人区域所对应的中心点位置；
采用最小距离法对相邻帧中的行人区域进行匹配，得到相邻帧中属于同一个行人的行人区域；
将相邻帧中属于同一个人的行人区域关联起来，并将相邻帧中，同一个行人所对应区域的中心位置连线，得到该行人的移动轨迹；
根据该行人的移动轨迹，判断该行人的行走方向。
优选地，获取连续多帧图像中行人所在区域对应中心点位置的移动轨迹，得到行人行走的速度，具体包括：
连续获取某一个行人在连续M帧图像范围内的移动轨迹，并记录轨迹初始点和结束点；
将轨迹结束点与起始点的距离的差值除以所述帧图像个数，得到行人的平均速度。
优选地，对行人朝向进行分析，具体包括：
构建第二神经网络和第二训练数据集，并利用第二训练数据集对构建的第二神经网络进行训练，得到人脸朝向检测器；
对输入的图像帧进行归一化处理，将归一化后的图像作为人脸朝向检测器的输入，得到输入图像帧中人脸朝向是正面的比例和人脸朝向是侧面的比例；
在人脸朝向是正面的比例和人脸朝向是侧面的比例中选择比例较高的人脸朝向作为人脸朝向检测器的检测结果。
优选地，对行人人脸偏转角度进行分析，具体包括：
构建第三神经网络和第三训练数据集，并利用第三训练数据集对第三神经网络进行训练，得到人脸偏转角度检测器；
对输入图像帧进行裁剪，得到保留有行人头部的局部图像区域；
对局部图像区域进行归一化处理，得到归一化后的局部图像区域；
将归一化后的局部图像区域作为人脸偏转角度检测器的输入，得到人脸偏转角度。
优选地，在前景图像中，对行人进行检测和定位，得到行人所在区域对应的中心点位置之后，还包括：
对行人区域进行裁剪，保留人体的手臂区域。
对人体的手臂区域进行阈值化、连通域提取操作，得到手臂区域的所有连通域；
选取连通域面积最大所对应的连通域，并求解该连通区域的外接矩形；
在外接矩形水平方向的长度小于竖直方向的角度时，控制智能自动门开启。
与现有技术相比，本发明存在以下技术效果：本发明通过安装在智能自动门上的摄像头，对监控区域的图像进行采集，并对采集到的图像进行分析，得到过往行人的行走方向，并在行人的行走方向与摄像头垂直时，控制智能自动门开启。这里在红外自动门安装在走廊的侧面时，在判断行人的行走方向与水平方向平行时，控制智能自动门开启。本方案通过对包含行人的图像进行处理，依据行人行走的方向控制智能自动门的开/关，与现有技术中只要有行人在走廊经过就控制智能自动门开启的方式相比，可极大的降低了自动门错误开启的可能，使得自动门适用于走廊等复杂环境中，降低了智能自动门的损坏率。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1是一种基于图像分析的智能自动门控制方法的流程示意图；
图2是相邻像素的定义示意图；
图3是神经网络结构示意图；
图4是单个神经元结构示意图；
图5是一种基于图像分析的智能自动门控制方法的总体流程示意图；
图6是挥手检测的流程示意图。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1所示，本实施例公开了一种基于图像分析的智能自动门控制方法，包括如下步骤：
S101、对智能自动门上安装的摄像机的监控区域进行背景建模，得到初始背景图像；
S102、将摄像机当前采集的图像与初始背景图像做差分，得到前景图像；
S103、在前景图像中，对行人进行检测和定位，得到行人所在区域对应的中心点位置；
S104、根据连续多帧图像中的行人所在区域对应中心点位置，进行行人位置的跟踪，得到行人的行走方向；
S105、判断行人的行走方向与水平方向是否平行；
S106、若是则控制智能自动门开门；
S107、否则智能自动门不开门。
作为进一步优选的方案，由于智能自动门上的摄像机是固定的，因此可以对摄像机的监控区域进行背景建模，得到背景图像，以降低无效搜索。本实施例中在步骤S101中采用多帧平均值和实时迭代的方法进行背景建模，具体包括：
(1)采集总共N帧(比如300帧)的监控区域图像。
(2)采用帧差法检测N帧监控区域图像中是否存在运动目标，如果有，则重新采集，直到不存在运动目标的监控区域图像数量符合要求为止。其检测监控区域图像中是否存在运动目标的过程如下：
a1、帧差处理：对于当前获取的第i帧监控区域图像Pi+1与上一帧监控区域图像Pi作帧差，帧差结果记为Di+1，i≥0：
Di+1(x,y)＝|Pi+1(x,y)-Pi(x,y)|，
其中，Pi+1(x,y)表示在第Pi+1帧监控区域图像中点(x,y)对应的像素值，pi(x,y)表示在第Pi帧监控区域图像中点(x,y)对应的像素值，Di+1(x,y)表示在第Di+1个帧差图像中，点(x,y)对应的像素值。
b1、阈值化操作：按照阈值为20，对帧差图像Di+1进行阈值化操作，具体原理如下：
在帧差图像Di+1中，对其每个像素点(x,y)，如果Di+1(x,y)的值大于20，便将该点(x,y)作为前景像素保留下来，同时将该点的像素值变成1，如果Di+1(x,y)的值小于20，将该点的像素值变成0，最终图像记为DXi+1。
需要说明的是，该阈值取值为20是本领域人员经大量实验得到的一个用于进行阈值化操作的经验阈值。
b1、生成连通域：逐像素点遍历图像DXi+1，如果相邻两个像素的像素值都不为0，则将这两个像素划入到同一个连通域中，如此得到多个连通域。其中，两个像素相邻的定义如图2所示，对于像素x，像素1-8均是其相邻的像素。
d1、计算连通域的面积：对每个连通域进行面积分析，如果存在某一个连通域的面积(白色像素点的个数)大于30个像素，则认为该连通域面积过大，即确定该第Pi+1帧含有运动目标，并将该帧舍去。若每个连通域的面积均小于或等于30个像素，认为第Pi+1帧不包含运动目标，将该帧保留，并作为背景图像，记为Sj，1≤j≤N。
继续对帧Pi+2和帧Pi+1重复执行步骤b至d，直至不存在运动目标的监控区域图像满足N帧。
(3)利用上述获得的N帧背景图像，在每一个像素点位置，计算平均值，得到初始背景图像，并记为B：
其中，B(x,y)表示在初始背景图像B在点(x,y)位置处的像素值，Si(x,y)表示在图像Si中点(x,y)位置处的像素值。
(4)在实时检测过程中，对当前帧监控区域图像中的每一个像素进行分析，如果某像素点属于背景像素，则利用加权的方式，将当前像素更新到背景图像中，过程如下：
a2、将判断像素点是否属于背景像素的阈值设为e＝20，其中，20为一个经验阈值。
b2、在实时监测的过程中，假设当前帧监控区域图像为Pj，则对Pj进行逐像素点分析，如果该像素点满足：|pj(x,y)-B(x,y)|＜e，则对该像素点进行背景更新的操作，否则对于该像素点不执行背景更新操作。其中，Pj(x,y)表示在当前帧Pj中像素点(x,y)处对应的像素值大小。
c2、对于初始背景图像B来说，其图像信息相对稳定，故在更新背景的过程中，其应该保持较大的比重，当前帧监控区域图像中某像素点(x,y)的背景更新操作为：
B(x,y)＝B(x,y)*0.9+0.1*Pj(x,y)。
作为进一步优选的方案，在步骤S101之后，还包括：
根据设定的区域范围对摄像机当前采集的图像、初始背景图像进行提取，得到缩小范围后的当前图像、初始背景图像；
相应地，所述将摄像机当前拍摄到的图像与初始背景图像做差分，得到前景图像，包括：
将缩小范围后的图像与缩小范围后的初始背景图像做差分，得到前景图像。
需要说明的是，对于智能自动门系统来说，其自动门的正上方会有一个摄像头来监视周围的环境，检测周围是否有人经过，从而控制智能自动门开启。但是对于摄像机来说，其监控区域往往不仅仅局限于走廊，还会包括一些人并不会出现的区域。这些人不会出现的区域，会增加系统诊断是否需要开启自动门的时间。基于此，本实施例针对摄像头所实时采集的图像帧，人工设置一个区域范围(该区域范围是根据经验和实际场合设置)，区域范围以外将极少出现人员活动。利用该区域范围对图像帧进行裁剪，从而可以极大地提高检测速度，降低不必要的干扰。
作为进一步优选的方案，在步骤S103中：在前景图像中，对行人进行检测和定位，得到行人所在区域对应的中心点位置，具体包括：
(1)利用第一训练数据集来训练神经网络Faster-RCNN，得到行人检测器。其中第一训练数据集包括公开的数据集以及自己收集的数据集，数据集中为单个行人的图像，数据集的规模是10000张行人图像，具体训练步骤如下：
A、对10000张行人图像进行人工标定，得到任何一张图像Di中行人的中心点位置即行人的腹部区域位置，记为Yi，最终获取到10000组(Di,Yi)对。
B、用10000组的Di作为输入，10000组Yi作为输出，且Di所代表的输入和Yi所代表的输出是一组映射数据，从而来拟合一种映射关系F。获取映射关系F后，对于任何一个给定的输入，根据映射关系F，来预测其结果，即映射关系F的输出。
本实施例中采用BP(back propagation)算法来拟合这种映射关系。对于Faster-RCNN来说，其是由多个神经元所构成的网络，如图3所示，对于单个神经元的BP算法具体如下：
需要说明的是，简单小神经网络的结构可如图4所示，其中每一个圆圈代表着一个神经元，w1和w2代表神经元之间的权重，b表示偏置，g(z)为激活函数，从而使得输出变得非线性，a表示输出，x1和x2表示输入，则针对当前结构，输出的可表示为：
a＝g(x1*w1+x2*w2+1*b)，
可知，在输入数据和激活函数不变的情况下，神经网络输出的值a与权重和偏置有关。通过调节不同的权重和偏置，神经网络的输出也会有不同的结果。
因此，上述映射关系F是由神经元之间的权重以及偏置所得到的，对于不同值的权重和偏置，其映射关系F也不同。因此，拟合映射关系F的过程：找出一个权重和偏置，使得在这种权重和偏置下，映射关系F达到最优。即对于给定的第一样本训练集的输入Di，求取的F(Di)与Yi误差最小。
对于已知神经网络输出的值(预测值)为a，假设其对应的真实值为a'，其BP算法执行过程如下：
(B-1)随机初始化每条连接线权重(w1和w2)和偏置b；
(B-2)对于输入数据x1、x2，BP算法都会先执行前向传输得到预测值a；
(B-3)根据真实值a'与预测值a之间的误差逆向反馈更新神经网络中每条连接线的权重和每层的偏置。其中，权重和偏置的更新方式如下：
即利用E分别求w1、w2、b的偏导，其中η表示学习率，为预先设置好的参数。
(B-4)不断重复步骤(B-1)至(B-3)，直到网络收敛，即E的值最小或者基本保持不变，则表示网络已经训练完毕。
(2)在完成Faster-RCNN(其是一个现有的行人检测框架，无需构建)的训练之后，摄像头实时采集的图像Si，在经过裁剪，将得到的缩小范围的区域图像记为Ci。在图像Ci中，可能会包含多个行人，因此，从Ci中提取出每个行人的区域部分，然后每个单独的行人区域将作为单独的Faster-RCNN的输入。具体执行如下：
A、与初始背景图像作帧差：对于初始背景图像B，也进行裁剪操作得到缩小范围后的初始背景图像，记为Bs。此时Bs与Ci的尺寸大小相同，可以进行帧差操作，帧差结果记为Zi，帧差原理同上。
B、二值化操作：对帧差图像Zi进行二值化操作，阈值为20(经验阈值)，二值化后图像记为Ei。
C、连通域提取：对图像Ei进行生成连通域操作。
D、形状尺寸判断：对于Ei图像每个连通域进行求取其外接矩形，如果该连通域的外接矩形面积大于100个像素(经验阈值)，则认为该连通域对应的是行人，记录下该外接矩形的左上角坐标，并保留，否则将该连通域删除。
对于保留下的连通域，由于已知其外接矩形的左上角坐标，故按照其坐标位置和矩形尺寸在图像Ci中提取对应的区域，提取到的区域将作为Faster-RCNN的神经网络输入。
(3)在经过Faster-RCNN的预测之后，其网络的输出即表示在该输入图像中行人的中心点位置。
在实际应用中，由于行人的行走是连续的，可以在连续的多帧中进行行人的跟踪，得到行人的行走方向，则上述步骤S104：根据连续多帧图像中的行人所在区域对应中心点位置，进行行人位置的跟踪，得到行人的行走方向，具体包括：
(1)在连续多帧采集图像中，假设当前帧为Pi，Pij为当前帧下第j个行人检测区域。将Pij送入到Faster-RCNN进行预测后，将该网络的倒数第二层的输出数据记录下来，标记为Tij(其以向量的形式存储)，将其作为特征，从而筛选出同一个人的运动区域。
(2)假设帧图像Pi中有j个行人区域，并已经检测到每个行人区域的中心位置，Pi+1帧图像中同样有j个行人区域，并已经检测到每个行人区域的中心位置，将相邻帧中属于同一个人的行人区域关联起来，即可获取到该行人的走向轨迹。
本实施例中采用最小距离的方法，实现相邻帧中同一个行人区域的匹配，具体过程如下：
A、已知帧Pi中的第j个行人区域的特征为Tij，求取帧Pi中第k个行人区域与帧Pi+1中第l个行人区域的差别度Xkl，计算公式为：
其中，Tiko表示特征Tik的第o个分量的值，M表示特征向量的总的分量个数。
B、对于帧Pi中第k个行人区域，求取其与帧Pi+1中所有行人区域的差别度，记录下差别度取得最小值情况下，其所对应帧Pi+1中行人区域的编号，记为g。故帧Pi中第k个行人区域与帧Pi+1中第g个行人区域属于同一个行人，这两个区域一一对应，满足匹配。
C、依次对帧Pi中剩下的行人区域执行步骤(A)至(B)，从而寻找对应的匹配区域。
(3)将相邻帧中同一个行人的区域关联起来，然后将相邻帧中，同一个行人所对应区域的中心位置即Faster-RCNN的输出进行连线，获取某一个行人的移动轨迹。
(4)根据移动轨迹，获取行人的方向。具体为：如果轨迹线条近似和水平方向平行，则该行人无出门意向，则将该行人所对应的区域从原始图像中删除，降低干扰，为更加精确判断是否有人要出门奠定基础。
如图5所示，作为进一步优选的方案，本实施例在上述判断行人的行走方向与水平方向平行之后，还包括如下步骤：
(a)获取连续多帧图像中行人所在区域对应中心点位置的移动轨迹，得到行人行走的速度；
(b)判断行人行走速度是否小于设定阈值，若是则执行步骤(c)，若否则执行步骤(f)；
(c)对行人朝向进行分析，并判断行人脸朝向是否是正面，若是则执行步骤(d)，若否执行步骤(f)；
(d)对行人人脸偏转角度进行分析，并判断行人人脸偏转角度是否在设定范围以内，若是在执行步骤(e)，若否则执行步骤(f)；
(e)控制智能自动门开门；
(f)智能自动门不开门。
作为进一步优选的方案，对行人行走的速度进行分析的过程为：
(1)连续获取某一个行人在连续10帧范围内的移动轨迹，并记录轨迹初始点和结束点。
(2)计算行人的平均速度V，公式如下：
其中，L表示为轨迹结束点与起始点的距离的差值。
(3)如果平均速度V大于5个像素(经验阈值)，则认为该行人是走廊上行走的人，不用开门，否则，对行人朝向进行分析。
需要说明的是，在实际应用中，准备出门的人与在走廊上直线行走的人，他们的速度是不一样的，因此可以通过判断行人的速度来检测是否有人要出门。
作为进一步优选的方案，对行人朝向进行分析，过程如下：
对于人脸的正面图像和侧脸图像来说，其差异是比较大，通过对人脸图像的内容分析，判断出当前人脸的朝向是正面还是侧面。同样，我们采用神经网络的方式来从事下面的判断任务，具体实施如下：
(1)构建第二神经网络：构建的第二神经网络具有5层，第一层是输入层，为300个神经元，第二到第四层为隐含层，分别含有200，400，400个神经元，最后一层是输出层为2个神经元。
(2)构建第二训练数据集：在该数据集中，共有6000个数据集，其中包含3000张人正脸图像，以及3000张人侧脸图像。
(3)利用第二训练数据集对第二神经网络进行训练，然后利用BP算法来更新权重，原理与上述步骤训练Faster-RCNN相同。
(4)待网络训练结束后，便可以对图像进行预测，判断其是属于有人侧脸还是正脸，具体过程为：
A、在当前的图像帧中，检测得到行人位置和尺寸，然后将行人区域提取出来，并记为R。
B、对图像R进行归一化，使其变成30*10的大小，然后将归一化后的图像作为神经网络的输入(每一个像素点正好对于神经网络输入层的一个神经元，一共300个像素，正好对应神经网络输入层的300个神经元)。
C、神经网络的输出一个二维的向量，第一个分量代表这个输入数据属于正脸的比例，第二个分量代表这个输入数据属于侧脸的比例。
(5)选择比例最高的值作为神经网络的结果。如果神经网络判断当前人脸朝向是侧面，则结束操作，并告知自动门，不用开启。如果神经网络判断当前人脸朝向是正面，则对人脸偏转角度进行分析。
需要说明的是，在得到人脸朝向图像之后，还需要进一步判断人脸朝向与正面(正对摄像机方向)的夹角度数，对于要出入自动门的行人来说，其人脸朝向与摄像机方向(自动门的正上方有一个摄像机)是满足一定的夹角度数的，如果夹角度数过大，则自动门不开启，该行人并不是打算出门。该处同样采用神经网络的方式来判断人脸朝向与正面的夹角度数，具体过程如下：
(1)构建第三神经网络：构建的神经网络具有5层，第一层是输入层，为200个神经元，第二到第四层为隐含层，分别含有300，300，400个神经元，最后一层是输出层为1个神经元。
(2)构建第三训练数据集：该数据集共包含5000张人脸位于不同朝向的图像。
(3)对第三神经网络进行训练，具体利用BP算法来更新权重等，训练过程与上述训练Faster-RCNN相同。
(4)待神经网络训练结束后，利用其对图像进行预测，判断人脸的具体朝向角度，具体的判断过程如下步骤所示。
对图像区域R进行裁剪，只保留区域R上方的部分(人体头部大概约占整个身体长度的)，并记为TH。由于图像区域R是人体的整体区域信息，故提取其上方的区域，可基本获取完成的头部信息。
对图像TH进行归一化，使其变成20*10的大小，然后将归一化后的图像作为神经网络的输入(每一个像素点正好对于神经网络输入层的一个神经元，一共200个像素，正好对应神经网络输入层的200个神经元)。
神经网络的输出便是该输入图像对应的人脸朝向角度。
如果输出的结果值的范围在正负20°(以顺时针方向为正)以内，则通知自动门开启，否则自动门不开启。
需要说明的是，本实施例提供的一种基于图像分析的智能自动门控制方法，通过摄像头采集监控区域的图像，并对图像中行人的行走方向、速度、人脸朝向、人脸偏转角度进行分析，可准确的判断监控区域内行人的出门意向，从而控制智能自动门开启，避免了智能自动门频繁错误开启而加快其损坏。
在实际应用中，为了应对意外情况，导致无法自动开门(比如上述判断均错误地认定该人并不是向门的方向走来，自动门故不开启)，本实施例提供应急策略即通过挥手来控制开门。如图6所示，挥手检测实现过程如下：
(1)针对当前同样与背景作差，可以得到人体的前景区域Q。
(2)对前景区域进行上述的行人检测，根据检测的结果，我们可以获取到人体的身体躯干区域。
(3)对于步骤1中的前景区域Q来说，我们将步骤2中获取的身体躯干区域从Q中删除掉，则删除后的区域基本只剩下人体的手臂区域，记为H。
(4)对手部区域H进行阈值化操作和生成连通域操作，阈值是20(经验阈值)。
(5)寻找经过步骤4操作后，连通域面积最大所对应的连通域(其对应的手臂区域，其他面积较小的连通域为噪声区域)，并记为Y。
(6)对连通域Y求取外接矩形，如果外接矩形的水平方向的长度小于竖直方向的长度，则认为连通域Y所表示的意思为挥手(挥手的时候，手臂是呈现竖直方向的)，则告诉自动门需要开启，否则不开启。
需要说明的是，本实施例中通过增加挥手检测，在上述判断均错误，导致无法自动开门，可通过对行人进行挥手检测来控制开启自动门，进一步提高了自动门开启的准确了，以及提高了用户体验度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。