一种基于大数据机器学习的特定人群视频识别方法及系统与流程

本发明涉及视频智能识别的
技术领域：
，尤其涉及一种基于大数据机器学习的特定人群视频识别方法，以及基于大数据机器学习的特定人群视频识别系统。
背景技术：
：目前的视频识别技术和产品基本上都是基于“有特征模型”的前提下，提取待识别的视频图像的特征，并与特征库进行比对，识别出所需的信息。例如用于交通行业的车牌号码识别，视频监控领域的人脸识别技术等，它们的主要技术特点都是预先建立好待识别图像的特征库。这种技术对于有特征库的识别需求可以工作的很好，并且识别的精确度很高；但是对于没有特征库的视频图像就无法识别了。比如：去识别一大群人中的一个陌生的人。在现实生活中却是有这样的需求的，并且按照人的经验也是能做到识别的。例如：有经验的警察可以在车站码头的熙熙攘攘的人群中发现可疑分子，尽管这个可疑分子警察事前根本不认识。再比如：有经验的销售人员能从顾客的神态中辨认出这个人是否是真心想购买商品。这个问题在现有的产品和技术中还没有很好的解决。另外，这个特征库因为是依靠人去建立的，在系统工作过程中，也不会自动的更新或者完善特征库，当外界条件发生变化时，系统的识别精度便会受到影响。而有时候有的特征库是很好建设的(比如汽车的车牌号、某些确定的人的人脸)，但有时候特征库却是难于建设的，比如一个未曾谋面的人的人脸。另外，对于海量的视频数据，如果使用目前的视频识别技术(对待识别的视频信号进行规格化-降维-对比等方法)，其数据运算量极大，需要较大量的计算资源来支撑，系统的投资比较大。技术实现要素：为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于大数据机器学习的特定人群视频识别方法，其具有通用性，可以在没有特征库的情况下进行视频图像识别，能够使用较少的计算量来完成对于从海量视频数据中快速识别所需要图像的工作。本发明的技术方案是：这种基于大数据机器学习的特定人群视频识别方法，该方法包括以下步骤：(1)提供原始数据：先给计算机若干段视频信息，并且告诉计算机，这些视频中的期望寻找对象；(2)设置检测数据：告诉计算机需要从哪些数据中去学习；(3)计算机在测量检测数据时，首先对原始数据进行图像的采集和规格化，然后对图像中出现的全部人脸进行识别，并测量所需要的特征数据，以及与现有知识之间的对应关系；(4)数据关联度分析：对采集的数据进行分析，分析出为所需时对应的参数的分布情况，以及不为所需时对应的参数目的分布情况；然后对这些分布情况进行统计和分析，找出各个参数分布的方差，以及各个参数分布重心的距离；(5)建设分级的特征库：对特征数据建设一级特征库和二级特征库；(6)针对每级特征库，进行比对，从而获得识别结果；(7)对计算机识别结果进行评判，如果结果错误则对步骤(4)、(5)进行修正。本发明基于大数据的机器学习理论，让计算机能自动的从大量的视频信息中去学习，学习所需要识别的人群的特征，建立待识别的特征库；再使用目前成熟的图像识别技术对待识别视频信息进行识别，并根据人的最终确认再次强化和修正学习结果，并用于下次的识别过程中，因此具有通用性，可以在没有特征库的情况下进行视频图像识别；对待识别的特征库按照特征权值进行二级(或者是多级)分类，在分析识别对比过程中，先进行少维度的一级识别，过滤掉大量关联度不高的视频图像信息，筛选出少量的嫌疑图像，然后进行大维度的二级识别，因此能够使用较少的计算量来完成对于从海量视频数据中快速识别所需要图像的工作。还提供了一种基于大数据机器学习的特定人群视频识别系统，该系统包括：原始数据获取模块，其配置来先给计算机若干段视频信息，并且告诉计算机，这些视频中的期望寻找对象；检测数据设置模块，其配置来告诉计算机需要从哪些数据中去学习；检测数据测量模块，其配置来首先对原始数据进行图像的采集和规格化，然后对图像中出现的全部人脸进行识别，并测量所需要的特征数据，以及与现有知识之间的对应关系；数据关联度分析模块，其配置来对采集的数据进行分析，分析出为所需时对应的参数的分布情况，以及不为所需时对应的参数目的分布情况；然后对这些分布情况进行统计和分析，找出各个参数分布的方差，以及各个参数分布重心的距离；分级的特征库建设模块，其配置来对特征数据建设一级特征库和二级特征库；比对模块，其配置来针对每级特征库，进行比对，从而获得识别结果；结果评判及修正模块，其配置来对计算机识别结果进行评判，如果结果错误则对数据关联度分析模块、分级的特征库建设模块进行修正。附图说明图1所示为根据本发明的基于大数据机器学习的特定人群视频识别方法的流程图。图2所示为单维参数的数据关联度分布。图3所示为两维参数的数据关联度分布。图4示出了图像采集和规格化过程。图5示出了强化和修正学习结果。具体实施方式如图1所示，这种基于大数据机器学习的特定人群视频识别方法，该方法包括以下步骤：(1)提供原始数据：先给计算机若干段视频信息，并且告诉计算机，这些视频中的期望寻找对象；(2)设置检测数据：告诉计算机需要从哪些数据中去学习；(3)计算机在测量检测数据时，首先对原始数据进行图像的采集和规格化，然后对图像中出现的全部人脸进行识别，并测量所需要的特征数据，以及与现有知识之间的对应关系；(4)数据关联度分析：对采集的数据进行分析，分析出为所需时对应的参数的分布情况，以及不为所需时对应的参数目的分布情况；然后对这些分布情况进行统计和分析，找出各个参数分布的方差，以及各个参数分布重心的距离；(5)建设分级的特征库：对特征数据建设一级特征库和二级特征库；(6)针对每级特征库，进行比对，从而获得识别结果；(7)对计算机识别结果进行评判，如果结果错误则对步骤(4)、(5)进行修正。本发明基于大数据的机器学习理论，让计算机能自动的从大量的视频信息中去学习，学习所需要识别的人群的特征，建立待识别的特征库；再使用目前成熟的图像识别技术对待识别视频信息进行识别，并根据人的最终确认再次强化和修正学习结果，并用于下次的识别过程中，因此具有通用性，可以在没有特征库的情况下进行视频图像识别；对待识别的特征库按照特征权值进行二级(或者是多级)分类，在分析识别对比过程中，先进行少维度的一级识别，过滤掉大量关联度不高的视频图像信息，筛选出少量的嫌疑图像，然后进行大维度的二级识别，因此能够使用较少的计算量来完成对于从海量视频数据中快速识别所需要图像的工作。另外，所述步骤(2)中，这些数据作为对象库被存放，这样方便系统的工程化应用，同时为用户提供可扩展的编辑界面，以便使用户对这些数据进行编辑和调整，更切近用户的使用场景。另外，如图4所示，所述步骤(3)中，对原始数据进行图像的采集和规格化包括以下步骤：(3.1)读入视频信号；(3.2)对视频信号逐帧分析，判断是否有人脸存在，如果有则将人脸区域数据裁剪出来；(3.3)将大小尺寸不同的图片规格化为统一的大小，并且将图片做灰度化处理；(3.4)将人脸的原始数据进行特征化处理，并先只得到人脸的一级特征库所要求的位置数据的特征空间向量，并提取待检测的数据。另外，所述步骤(4)中，所述参数为眉弯度、眼角下垂度、眼纵横比，嘴弯度、口鼻距。另外，所述步骤(4)中，对于单个参数的数据关联度分析，用重心D(X)、权值dif表征该参数在特征识别时的关联程度、有效性和可信度；当D(X)值越小、dif值越大时，该参数的判断权值越大，数据关联度越大，数据有效性和可信度越高；对于两个参数的数据关联度分析，用重心D(X+Y)、权值Dif表征该参数在特征识别时的关联程度、有效性和可信度；当D(X+Y)值越小、Dif值越大时，该参数的判断权值越大，数据关联度越大，数据有效性和可信度越高。另外，所述步骤(5)中，一级特征库选取眉弯度、眼角下垂度、眼纵横比的D(X)值和dif值作为备选参数。另外，所述步骤(6)中，根据一级特征库的参数分割画面，取得画面的局部特征数据；与一级特征库进行比对，筛选出可疑结果。另外，所述步骤(6)中，对待识别的图像进行全特征对比，以获得准确的结果。另外，如图5所示，所述步骤(7)包括以下步骤：(7.1)对计算机识别的结果进行评判，然后由计算机去收集与此结果相关的视频信息和人物特征；(7.2)计算机使用这些数据去修正之前学习的模型；(7.3)进行验算；(7.4)判断结果是否正确，是则执行步骤(7.5)，否则执行步骤(7.2)；(7.5)结束。本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种基于大数据机器学习的特定人群视频识别系统，该系统通常以与方法各步骤相对应的功能模块的形式表示。使用该方法的系统包括：原始数据获取模块，其配置来先给计算机若干段视频信息，并且告诉计算机，这些视频中的期望寻找对象；检测数据设置模块，其配置来告诉计算机需要从哪些数据中去学习；检测数据测量模块，其配置来首先对原始数据进行图像的采集和规格化，然后对图像中出现的全部人脸进行识别，并测量所需要的特征数据，以及与现有知识之间的对应关系；数据关联度分析模块，其配置来对采集的数据进行分析，分析出为所需时对应的参数的分布情况，以及不为所需时对应的参数目的分布情况；然后对这些分布情况进行统计和分析，找出各个参数分布的方差，以及各个参数分布重心的距离；分级的特征库建设模块，其配置来对特征数据建设一级特征库和二级特征库；比对模块，其配置来针对每级特征库，进行比对，从而获得识别结果；结果评判及修正模块，其配置来对计算机识别结果进行评判，如果结果错误则对数据关联度分析模块、分级的特征库建设模块进行修正。本申请提案的详细描述如下：本发明的内容是：基于大数据的机器学习理论，让计算机能自动的从大量的视频信息中去学习，学习所需要识别的人群的特征，建立待识别的特征库；再使用目前成熟的图像识别技术对待识别视频信息进行识别，并根据人的最终确认再次强化和修正学习结果，并用于下次的识别过程中。在海量数据识别过程中，对待识别的特征库按照特征权值进行二级(或者是多级)分类，在分析识别对比过程中，先进行少维度的一级识别，过滤掉大量关联度不高的视频图像信息，筛选出少量的嫌疑图像，然后进行大维度的二级识别，做到精准识别和高效识别。1)数据要求为了让计算机能够自动学习到知识，必须为计算机提供一些原始的数据：先给计算机若干段视频信息，并且告诉计算机，这些视频中那些人是我们希望寻找的对象。计算机根据这些已有的视频信息和知识(那些人是我们希望寻找的对象)，去视频中查找这些人的特征，并将这些特征记忆起来，完成学习。为了让计算机学习的结果更加具有普遍性，要求提供的这些视频信息具有如下要求：1、视频的数量要足够的多，也就是样本要足够的大，学习的结果才具有普遍性，否则会受到小样本特征的局限；2、待识别的人物应该足够的多，决不能只有一个或者极少的人，这样学习的结果会受到该人物特有的举动特点影响，而使得学习结果不具备普遍性；3、提供的被识别的视频应尽可能的清晰，比如光照条件好，被识别人物没有遮挡等，以使得识别数据具有最少的干扰数据，从而得到的特征数据更为准确，识别过程也会比较快速。2)学习过程●设置检测数据设置检测数据就是告诉计算机：需要从哪些数据中去学习，因为不同的视频图像所包含的数据非常大，不可能对全部的数据进行检测，而不同的对象(如人脸、肢体动作、或者背景)其值得测量的数据是不同的，比如人脸表情的测量最常用的测量元素是眼、眉、嘴、额头、脸庞、鼻子等，测量数据可能是眉的弯度、眼角角度、嘴角角度等，用以识别人的表情大类(如中性、高兴、悲伤、惊奇、恐惧、愤怒、厌恶等)和细分子类(如：惶恐不安、极度紧张、一般紧张等)。当然，这些测量数据一般是作为对象库被存放在系统中的，这样方便系统的工程化应用，同时为用户提供可扩展的编辑界面，以便使用户对这些数据进行编辑和调整，更切近用户的使用场景(如用于刑侦方面的监控更加侧重于对悲伤、惊奇、恐惧、愤怒、厌恶等表情的关注；用于商业领域发掘潜在购买用户时更加侧重于对中性、高兴、厌恶等表情的分析)。为了便于读者对本文的理解，本文以“眉弯度、眼角下垂度、眼纵横比，嘴弯度、口鼻距”几个检测数据为例进行说明，在实际项目应用中的检测数据与此是会有差别的，并且实际应用时的检测数据维度会远大于此，例如除了人脸数据外，还有肢体动作数据，如移动速度与行走方式。●测量检测数据计算机在测量检测数据时，首先需要对被检测的视频流数据进行图像的采集和规格化，这个过程和图像采集和规格化章节所描述的是一致的，在本处不再进行详细描述。然后对图像中出现的全部人脸进行识别，并测量所需要的特征数据，以及与现有知识之间的对应关系，表1是一个测量数据的简化例子：表1序号眉弯度眼角下垂度眼纵横比嘴弯度口鼻距是否为所需10.0090.0102.5010.020430Y20.0100.0122.5230.019469N30.0110.0112.4990.022510Y40.0890.0122.5780.018499Y50.0120.0132.3990.023482N60.0100.0102.4830.017531Y是否为所需指的是这条人脸数据是不是我们希望寻找的对象，Y表示是，N表示不是。●数据关联度分析数据关联度分析是对表1采集的数据进行分析，分析出“是否为所需”的值为Y值时，对应的各个参数“眉弯度、眼角下垂度、眼纵横比，嘴弯度、口鼻距”的分布情况，以及“是否为所需”的值为N值时这些参数的分布情况。然后对这些分布情况进行统计和分析，找出各个参数分布的集中程度(方差)，以及Y和N值所对应的各个参数分布重心的距离。图2是单个参数(眉弯度)的数据关联度分布图，其中圆圈点表示“是否为所需”的值为Y值的图像的分布点，三角点表示“是否为所需”的值为N值的图像的分布点。从图中可以看出：“是否为所需”的值为Y值的图像的分布点趋于集中于一个点，这个点就是该参数(眉弯度)的分布重心。■将图2中的随机变量记做X，则X的平均偏差[X-E(X)]2的均值E{[X-E(X)]2}就是X的方差，记做D(X)，D(X)表达了对于“是否为所需”的值为Y的全部“眉弯度”的参数的“聚散程度”，也就是说这些参数偏离分布重心的程度。D(X)值越小说明这些参数分布越集中，D(X)值越大说明这些参数分布越分散。■显然，D(X)值越小，该参数(眉弯度)对识别的可信度越大，其权值越大。同样的道理，对于“是否为所需”的值为N值的图像也是相同的。另外，对于“是否为所需”的值为Y和N的两个分布重心的值的距离，称之为该参数(眉弯度)的“差异表现”(记做：dif)，显然，dif的值越大，该参数对Y和N值对象的区分程度越明显，该参数的权值也越大。小结：对于单个参数的数据关联度分析，引入了两个值进行识别，一个是D(X)，一个是dif，它们可以表征该参数在特征识别时的关联程度、有效性和可信度。也就是说：当D(X)值越小、dif值越大时，该参数的判断权值越大，数据关联度越大，数据有效性和可信度越高。b)、多参数的数据关联度分析在实际工作中，绝对不能只判断一个参数，为了达到数据的准确判断，往往需要判断数十个乃至几十个参数，这就是多参数的数据关联度分析。多参数的数据关联度分析与单参数的分析理论是一致的，下面先就两维数据进行分析，再推至N维数据。图3是两个参数(眉弯度和眼角下垂度)的数据关联度分布图，其中圆圈点表示“是否为所需”的值为Y值的图像的分布点，三角点表示“是否为所需”的值为N值的图像的分布点。从图中可以看出：■“是否为所需”的值为Y值的图像的分布点趋于集中于一个点(上图蓝色圆圈内)，这个点就是该参数(眉弯度和眼角下垂度)的分布重心。■将图3中的随机变量记做X和Y(X和Y相互独立)，则D(X+Y)＝D(X)+D(Y)就是X和Y的方差，D(X+Y)表达了对于“是否为所需”的值为Y的全部“眉弯度”和“眼角下垂度”的参数的“聚散程度”，也就是说这些参数偏离分布重心的程度。D(X+Y)值越小说明这些参数分布越集中，D(X+Y)值越大说明这些参数分布越分散。■显然，D(X+Y)值越小，该参数(眉弯度和眼角下垂度)对识别的可信度越大，其权值越大。同样的道理，对于“是否为所需”的值为N值的图像也是相同的。另外，对于“是否为所需”的值为Y和N的两个分布重心的值的距离，称之为该参数(眉弯度和眼角下垂度)的“差异表现”(记做：Dif)，Dif的几何意义就是图2中两个圆圈之间的直线距离。显然，Dif的值越大，该参数对Y和N值对象的区分程度越明显，该参数的权值也越大。小结：对于两个参数的数据关联度分析，也是引入了两个值进行识别，一个是D(X+Y)，一个是Dif，它们可以表征该参数在特征识别时的关联程度、有效性和可信度。也就是说：当D(X+Y)值越小、Dif值越大时，该参数的判断权值越大，数据关联度越大，数据有效性和可信度越高。对于多参数的情况，其分析方法与两参数的情况是一致的，在此不再展开描述。●建设特征库和分级一般情况下，为了对海量数据进行快速分析，一般均需要对特征数据进行分级，当然对特征数据进行分级设置是本专利提出的，在传统的其他视频处理方法上暂时没有发现使用这种方法。至于是分两级还是更多的级，取决于实际的应用情况，但是一般情况下，分两级就足够了。在两级特征库建设时，一般一级特征库是使用“关键单参数”方法建设的，二级特征库采用“全单参数”和“多参数联合”的方法建设的。a)、一级特征库的建设为了对海量数据进行快速处理，一般采用“关键单参数”方法建设。即：在若干参数中，选取D(X)值小于一定数、dif值大于一定数的参数作为备选参数。比如：对全部的视频样本的数据分析之后，发现“眉弯度、眼角下垂度、眼纵横比”这三个参数的D(X)值小于所设定的值，并且dif值大于所设定的值，因此选中这三个参数作为一级库的建设参数。另外，给这些选中的参数设置相应的权值，设置权值也是依据D(X)和dif值，也就是这两个值越优秀的参数，其权值越大。一个一级特征库的例子如表2：表2b)、二级特征库的建设二级特征库一般是详细和全面的描述了所希望的图形的特征数据，因此对图形的特征数据进行无遗漏的表达，一般必须具用“全单参数”，以及一些“多参数联合”的分布特征。其中：全单参数表达了全部的单个参数的重心分布情况以及它们的权值分配情况，其设置方法与以及特征库的方法是相同的。“多参数联合”的分布特征是考虑到多个参数的组合搭配情况，它能更精准的描述被检测图形的特征，用于对图形的精准识别。它的表达是多个参数的组合搭配关系，以及这些组合的权重关系。表3是一个“多参数联合”的分布特征库的一个示例。表33)视频识别过程●图像采集和规格化对于人群的识别，主要包括对人脸的识别和对人的肢体动作的识别。它们的分析处理原理是一样的，只是对识别的对象不同，本文以人脸识别过程为例进行描述，说明计算机从视频信号的采集到人脸的定位、到对图像的规格化，然后进行数据采集的全过程的工作原理。人脸识别是基于人的脸部特征信息进行身份识别的一种智能图像识别技术。系统对视频数据流信息进行分析，自动在视频图像中检测和跟踪人脸，并与预设的人脸特征数据库信息(这与前面所描述的特征数据库是两个概念，这里的特征库定义的是什么图像是人脸，比如“有鼻子有眼的一个椭圆形的图像”)进行比对和识别，然后对捕获的人脸进行特征数据提取，完成特征数据的采集工作。图像采集和规格化过程包括以下几步骤：●读入视频信号：从实时视频数据流中获得视频信号，完成原始数据的采集过程。●人脸识别和定位：对视频信号进行逐帧分析，判断是否有人脸存在，如果有则将人脸区域数据裁剪出来，为下一步分析处理。这一步的处理依赖于一个通用人脸特征数据库，根据数据库的特征进行大致识别。另外对于相邻帧的数据做对比，获得人脸相似度最好的一帧当做最终的选择。●人脸规格化指的是将大小尺寸不同的图片规格化为统一的大小，并且将图片做灰度化处理，以便后续进行处理。●人脸局部位置特征提取：将人脸的原始的进行特征化处理，并先只得到人脸的局部位置(一级特征库所要求的位置)数据的特征空间向量，并提取待检测的数据，进入一级特征对比环节进行比较和识别。●一级比对为了解决快速识别问题，引入了“一级对比”的概念，其本质是让计算机在图形识别时处理更少量的数据，比如仅仅处理局部面部数据，从而减少计算工作量和提高计算速度。一级对比因为只提取了最关键的几个特征数据，因此其判断的结果不可能非常准确，但是判断的原则是“宁错勿漏”，因此在相似度阈值上要设置的比较宽泛，使得值得怀疑的图像都不会被漏掉。一级对比的过程如下：①根据一级特征库的参数分割画面，取得画面的局部特征数据；②与特征库进行比对，筛选出可疑结果，之后转入二级对比过程。●二级比对在一级对比识别为“可疑”结果后，需要对图像进一步的详细识别，对待识别的图像进行全特征(二级特征库)对比，已获得准确的结果。二级对比与一级对比的处理逻辑是一致的，但是要处理的数据量较大，对图像减维时的最终预留的维数较多，以便获得更加准确的结果。当然这步处理的计算工作量比一级对比时大的多，但是经过一级过滤之后，流转到本级的待处理的图像数会比较少。4)强化和修正学习结果基于机器学习的技术都会有漏判和误判的问题，这些数据却是机器二次学习的重要数据，因此收集人对计算机识别结果的评判并进行模型的自动修正是非常关键的。在错误数据收集过程，需要人工介入，对计算机识别的结果进行评判，也就是告诉计算机人工识别的结果是正确的还是错误的。然后由计算机去收集与此结果相关的视频信息和人物特征。之后进入修正参数环节，也就是计算机将使用这些数据去修正之前学习的模型。在这个过程中，其运算过程与“2)学习过程”基本一致，只是数据源增加了一个：刚才用户的评判结果。在此不再详细描述。再对模型修正完成之后，需要进行验算环节，这个环节其实就是“3)视频识别过程”章节所描述的内容。待识别的数据源还是之前识别的那段视频数据，但是特征库是新修正后的特征库(在“修正参数”环节将系统自动学习的模型修正了)。通过本次的运算，看修正后的模型能否运算出正确的结果。如果能运算到正确的结果，则说明修正是有效的；如果运算的结果还是错误的，则需要再次进行参数的修正。再次修正时需要更换图像采集点，因为视频数据中有很多帧的人脸图像，受角度、光线、时间等因素的影响，对其数据的采集是有一定的影响的。本发明可以解决那些没有特征库的视频信息的识别，也不需要使用者建设待识别的图像特征库，而是基于已知的视频图像信息去自动学习和建设特征库，并继而进行视频信息的识别。它可以基于海量视频数据进行快速高效的识别，所需的计算资源远少于目前传统的视频图像识别技术，对于工程实施和运营成本有较高的价值。它可以广泛应用于各个行业的视频图像识别，从大量陌生的视频信息中识别出用户所希望的特定类型的视频图像。本发明的保护点如下：●基于大量的视频信息和知识(已经知道了这些视频信息中哪个人是需要识别的人)，让计算机自动学习待识别人物特征库的思想和识别方法；●对待识别的图像特征库按其特征权重进行分级的思想和方法；●对海量视频数据，快速的进行图像的识别和分析的思想和方法；●根据最终确认强化和修正学习结果的思想和方法。本发明与传统的视频图像识别相比有如下优点，这也是传统的方法所不能实现的功能：1、方法具有通用性，对于不同的视频识别需求都能满足，对待识别的图像没有特殊要求；2、不需要人工建设待识别的特征库，机器会基于已有知识进行自动学习，并根据识别结果对自己的知识进行修正；3、对于海量视频数据，其识别效率高，运算量小；工程实施和运营成本低。以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。当前第1页1 2 3