简介面向计算机视觉学习与开发的双目立体视觉系统资源包围绕立体匹配、视差计算、深度图生成、点云重建、目标检测与跟踪、实时视频处理及相机标定与校正等关键技术展开适用于机器人导航、自动驾驶等场景的算法验证与原型搭建。资源共132个文件、约8.12MB包含20个py、14个css、11个js、6个html等代码和前端文件另有图片、字体、txt说明及docx文档目录结构较完整。目前已有229人学习下载。读者可借此梳理从双目标定、极线校正、立体匹配到深度图生成与点云重建的完整技术流程获取可直接运行或二次开发的代码框架与可视化页面其中目标检测与跟踪、实时视频处理等模块可帮助理解动态场景下的视觉感知实现无论课程设计、项目研发还是技术入门都能获得参考。1. 双目测距不是“测”出来的是“找对应”找出来的这套系统解决什么问题第一次把双目相机对准室内白墙时我盯着输出的深度图愣了半天——整面墙一片漆黑远一点的桌角却是正常灰度。后来想明白双目深度感知从来不是“测距仪”而是一场逐像素的找对应立体匹配找到左右图像里的同一个点视差计算算它左右挪了多少像素深度图生成再用几何公式把距离算出来点云重建把一堆带颜色的点堆成空间坐标。标题这套系统完整走完这条流水线最后用目标检测与跟踪把“哪里有目标、离我多远、占多大空间”喂给机器人导航或自动驾驶环境使用。适合谁适合手上有一对普通USB相机、想做低成本3D感知的工程师和学生。你也别指望它解决白墙、反光和纯黑夜那是物理边界第五章专门聊。2. 相机标定与立体校正标定误差如何在深度图上被放大成几何误差2.1 内参、畸变和基线先想清楚哪个误差会直接折算成深度误差立体视觉的核心公式是 depth f * b / d。f 是焦距像素单位b 是左右相机光心之间的距离d 是视差。这三个量里f 和 b 都来自标定f 来自单目内参b 来自双目标定得到的平移向量。如果你的 f 偏了 1%距离就偏 1%b 偏 1%距离同样偏 1%。这不玄学是误差直传。所以标定这一步不是“差不多就行”而是一开始就要认真做的地基工程。相机标定通常拆成两次。第一次是单目标定拿到内参 fx、fy、cx、cy 和畸变系数 k1、k2、p1、p2第二次是双目标定拿到左右相机之间的旋转矩阵 R 和平移向量 T。很多人图省事直接用厂家给的内参跳过去结果立体校正出来的左右图在水平方向对不齐后面 SGBM 匹配出来的视差图全是横条纹。我的习惯是每换一台相机、每改一次分辨率、每换一次镜头都重新标一遍标定板是几十块钱的棋盘格不值得省这个时间。采集标定图像有个黄金规则棋盘格要覆盖画面的近、中、远左右倾斜上下偏移至少采 15 到 20 对有效图像。注意是“对”左右相机必须同步拍到同一个棋盘格不能左边拍一张右边拍一张拼凑。棋盘格在画面里占四分之一到三分之一比较合适太近会出大畸变太远角点检测不稳定。验收线我一般卡在两个数单目重投影误差小于 0.1 像素双目标定的重投影误差小于 1 像素。如果超了先回去检查角点是不是没有亚像素细化再检查是不是混入了太斜、太模糊的图像。2.2 用OpenCV从角点采集到stereoRectify标定脚本骨架与参数含义OpenCV 里完成这一套闭环很成熟核心是 findChessboardCorners、calibrateCamera、stereoCalibrate、stereoRectify 四个函数。先看标定主流程代码import cv2 import numpy as np import glob # 标定板参数内角点数和棋盘格边长 chessboard_size (9, 6) # 9x6 个内角点 square_size 25.0 # 棋盘格边长单位 mm objp np.zeros((chessboard_size[0] * chessboard_size[1], 3), np.float32) objp[:, :2] np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2) objp * square_size obj_points [] # 世界坐标系下的角点坐标 img_points_l [] # 左目角点像素坐标 img_points_r [] # 右目角点像素坐标 for left_path, right_path in zip( sorted(glob.glob(calib/left/*.jpg)), sorted(glob.glob(calib/right/*.jpg)) ): img_l cv2.imread(left_path) img_r cv2.imread(right_path) gray_l cv2.cvtColor(img_l, cv2.COLOR_BGR2GRAY) gray_r cv2.cvtColor(img_r, cv2.COLOR_BGR2GRAY) ret_l, corners_l cv2.findChessboardCorners(gray_l, chessboard_size, None) ret_r, corners_r cv2.findChessboardCorners(gray_r, chessboard_size, None) if ret_l and ret_r: criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_l cv2.cornerSubPix(gray_l, corners_l, (5, 5), (-1, -1), criteria) corners_r cv2.cornerSubPix(gray_r, corners_r, (5, 5), (-1, -1), criteria) obj_points.append(objp) img_points_l.append(corners_l) img_points_r.append(corners_r) # 单目标定 ret_l, mtx_l, dist_l, _, _ cv2.calibrateCamera( obj_points, img_points_l, gray_l.shape[::-1], None, None) ret_r, mtx_r, dist_r, _, _ cv2.calibrateCamera( obj_points, img_points_r, gray_r.shape[::-1], None, None) # 双目标定固定单目内参只优化外参 flags cv2.CALIB_FIX_INTRINSIC ret_s, mtx_l, dist_l, mtx_r, dist_r, R, T, E, F cv2.stereoCalibrate( obj_points, img_points_l, img_points_r, mtx_l, dist_l, mtx_r, dist_r, gray_l.shape[::-1], flagsflags) # 立体校正 R1, R2, P1, P2, Q, roi1, roi2 cv2.stereoRectify( mtx_l, dist_l, mtx_r, dist_r, gray_l.shape[::-1], R, T, alpha0.0)这段代码的逻辑是先对左右目分别做单目标定得到各自的畸变模型再固定住内参让 stereoCalibrate 只优化左右相机间的 R 和 T避免两个相机的内参在联合优化时互相“抢”最后 stereoRectify 输出立体校正需要的旋转矩阵 R1/R2、投影矩阵 P1/P2 和视差转深度的 Q 矩阵。参数上最需要注意的是 square_size。它只影响角点的世界坐标尺度双目标定的平移 T、后面的 Q 矩阵、深度图和点云单位全部继承这个单位。你用毫米后面深度图单位就是毫米用米后面就是米。我习惯用毫米因为导航里常常要毫米级精度显示的时候再统一转成米。alpha0.0 表示校正后图像只保留有效区域边缘会被裁剪掉但画面干净没有黑边alpha1.0 会保留全部像素代价是大片无内容黑边。做目标检测融合时我通常选 alpha0.0顺带把 roi1/roi2 存下来后面所有图像的坐标系都以校正后的图像为准。2.3 立体校正之后必须做的验证画横线看极线保存ROI和Q矩阵stereoRectify 跑完不是结束必须验证校正结果。最简单的做法是把左右校正后的图并排显示在图上画一条水平线。校正合格时左右图里的同一个特征点会落在这条水平线上这就是极线对齐。判断标准可以量化选 10 个以上分布在画面不同位置的角点统计左右目 y 坐标差平均偏差小于 1 个像素就可以放心进入立体匹配如果偏差达到 3 到 5 个像素先回去查是不是标定图像里混入了抖动模糊的帧。另一个容易翻车的地方是很多人只保存了内参和畸变忘了保存 Q、ROI 和校正用的映射表。立体校正之后原始图像要先经过 cv2.initUndistortRectifyMap cv2.remap 变成校正图再送给 SGBM检测框的坐标、视差图的坐标、点云的坐标全部是校正后坐标系。如果你把原始图上的检测框直接叠加到深度图上位置会整体偏移。我一般在标定阶段就把校正映射表存成文件pipeline 启动时加载一次后面每帧只做 remap不在实时路径里反复算映射。顺带说一个经验如果标定结果的重投影误差很低但校正后极线还是歪多半是左右目图像的时间戳不同步。两个普通 USB 相机各拍各的曝光时刻不一致棋盘格稍微一动就会引入无法靠标定消除的偏差。这个坑第五章专门讲。3. 立体匹配与视差计算SGBM的工程参数到底怎么调才不靠玄学3.1 立体匹配的本质在水平扫描线上给每个像素找“另一半”立体校正之后左右图像只剩水平方向的差异。假设左图某个像素在 (x, y)那么它在右图上的对应点一定在同一条水平线 y 上只是 x 方向偏左了。这个偏移量就是视差 d。物体离相机越近d 越大越远d 越小。立体匹配干的事就是沿扫描线搜索为每个像素找到“长得最像”的右图像素。把这个“像不像”量化就得到匹配代价。最常见的做法是 Census 变换它对比像素邻域的相对亮度对照明变化有一定宽容度这也是 SGBM 在实际车上比原始 BM 更实用的原因。SGBM 的思路也不复杂先计算每个像素在视差范围内的代价然后在多个方向做代价聚合最后用胜者为王挑出最小代价对应的那个视差。难的不是理解原理而是接受一个事实SGBM 是一大堆工程参数的组合没有一组参数能通吃所有场景它本身就是个黑匣子。这章写给想快速落地的人。工程上我不建议一上来就啃论文先用 OpenCV 的 SGBM 跑通再根据效果反推是哪里出了问题。常见做法是固定分辨率和帧率先把视差图调到“能看”再去微调参数追求精度。记住一个前提室外自动驾驶环境里光照变化剧烈SGBM 对高光和暗区都很敏感所以参数调整必须配合固定曝光否则调好的参数换个时间段就废了。3.2 SGBM参数表与调整顺序先定视差范围再动blockSize最后碰P1/P2下面这段是我常用的 SGBM 实例化代码OpenCV 的 Python 接口import cv2 min_disp 0 # 最小视差一般保持 0 num_disp 16 * 4 # 视差范围必须是 16 的倍数 block_size 11 # 匹配块大小必须为奇数 sgbm cv2.StereoSGBM_create( minDisparitymin_disp, numDisparitiesnum_disp, blockSizeblock_size, P18 * 3 * block_size ** 2, P232 * 3 * block_size ** 2, disp12MaxDiff1, uniquenessRatio10, speckleWindowSize100, speckleRange32, modecv2.STEREO_SGBM_MODE_SGBM_3WAY ) # 输入校正后的灰度图 disp sgbm.compute(gray_l_corrected, gray_r_corrected).astype(np.float32) / 16.0参数表如下照着这个顺序调比随机试错快得多参数作用调整建议minDisparity最小视差通常 0近距离目标大视差时才需要调负值numDisparities视差搜索范围先估算最近距离再反算视差上限必须是 16 的倍数blockSize匹配窗口边长奇数越大越平滑但越容易丢薄物体常用 9 或 11P1/P2平滑惩罚项P1 惩罚小起伏P2 惩罚深度不连续两者都随 blockSize 变化uniquenessRatio最小代价唯一的程度通常在 5 到 15太小噪声多太大会把整片区域判成无效disp12MaxDiff左右一致性检查阈值0 关闭1 到 3 开启越大容忍误差越大speckleWindowSize斑点滤波窗口把孤立小视差区域当作噪声滤掉100 起调speckleRange斑点内视差最大差值和窗口配合使用通常 16 到 64调节顺序我一般固定成三步。第一步确定 numDisparities假设最小探测距离是 0.5 米焦距 fx 约 500基线 b 约 0.06 米那么最大视差约 fx * b / 0.5 60 像素所以 numDisparities 取 64 或 80。这个数字定错后面全错远一点的目标直接匹配不到。第二步定 blockSize先取 11看边缘模糊还是噪声多边缘糊了就降到 7噪声多就升到 13。第三步才是 P1/P2P1 按 8 * 通道数 * blockSize^2 初始化P2 取 P1 的 4 倍然后再按需要微调。很多人一上来狂调 P2其实 P2 只对深度不连续处的平滑有意义调太大把物体边缘整个抹掉看起来干净但形状全错了。有一点必须提醒代码最后/16.0很容易漏。SGBM 输出的视差值为了保留亚像素精度放大了 16 倍整数意义上是 16 倍像素。忘了除整张视差图偏大 16 倍后面深度全错。我第一次跑通时就是这里翻车还回头重标定了一遍。3.3 视差后处理三步左右一致性、空洞填充与亚像素落地SGBM 的原始输出不能直接用。第一步是左右一致性检查也就是左图算出的视差换算到右图上再算一次差值超过阈值就判定为遮挡或误匹配置为无效。OpenCV 里可以设置 disp12MaxDiff 在计算时顺带做检查代价是计算量增加但对遮挡区域和物体边缘是质变级提升。实时视频处理时如果性能吃紧可以暂时关掉它但深度图质量会明显变差。第二步是空洞填充。无效视差在深度图上表现为黑点或黑洞尤其白墙、反光物体和无纹理地面。简单做法是沿水平方向取最近的有效视差值补上代码如下disp_filled disp.copy() invalid_mask disp min_disp # 每行从左到右传播最近的有效视差做空洞填充 for y in range(disp.shape[0]): last_valid 0 for x in range(disp.shape[1]): if invalid_mask[y, x]: disp_filled[y, x] last_valid else: last_valid disp[y, x]这个 Python 双层循环只是演示逻辑实际实时系统里会用 OpenCV 的滤波或者把填充算法向量化否则一帧 640x480 在 CPU 上循环根本跑不动。但重点不是性能而是要知道填充出来的视差是修复值不是真实测量。做机器人导航和自动驾驶环境时我的原则是填充视差只用于可视化绝对不拿它做避障判断。未知区域宁可保守也比把空白当成可通行要安全一万倍。第三步是亚像素。WTA 直接输出的视差是整数像素级用于测距会出阶梯状深度尤其在斜面和远处地面。SGBM 内部有亚像素插值所以输出才要除以 16。如果你发现距离精度一直差一个固定比例多半就是这里出了问题。4. 深度图生成与点云重建从视差公式到机器人可用的导航地图4.1 深度图公式与单位陷阱标定板单位决定深度单位有了视差图深度图就是一个公式Z f * b / d。f 来自相机内参b 来自双目标定的平移向量d 是视差。但工程落地时真正恶心的不是公式是单位传递。标定时棋盘格边长用毫米那么 Q 矩阵算出来的深度单位就是毫米用米深度单位就是米。最无语的坑是有人把标定板边长写成 25忘了乘 0.001结果点云整体缩小 40 倍。OpenCV 里不需要自己写三角测量reprojectImageTo3D 可以直接用 Q 矩阵做批量重投影import numpy as np import cv2 # disp 来自第三章float32单位像素 disp[disp 0] 0 # Q 来自 stereoRectify坐标单位由标定板单位决定 points_3d cv2.reprojectImageTo3D(disp, Q) # 过滤无效点和飞点 mask (disp 0) np.isfinite(points_3d).all(axis2) z points_3d[..., 2] mask (z 0.3) (z 15.0) # 深度范围单位按你的标定单位换算 xyz points_3d[mask] # 三维点 rgb gray_l_corrected[mask] # 同一位置的像素值灰度reprojectImageTo3D 的输出是一个与视差图同尺寸的三通道数组三个通道分别是相机坐标系下的 X、Y、Z。这里坐标系约定是X 向右Y 向下Z 朝前。对机器人导航来说Z 就是距离可以直接用于障碍物判断。注意 mask 里的深度范围0.3 米以下和 15 米以上都不可信近处视差大但受标定误差影响也大远处视差小到只有一两个像素深度误差会被放大到完全没法用。这个范围必须按你的基线长度重新算不是抄来的。4.2 从深度图到彩色点云坐标约定、离群点滤波与体素降采样拿到 xyz 之后点云就只是可视化问题了。我常用 Open3D 来显示和做后处理因为它内置了滤波、降采样和可视化省去自己造轮子import open3d as o3d pcd o3d.geometry.PointCloud() pcd.points o3d.utility.Vector3dVector(xyz.astype(np.float64)) pcd.colors o3d.utility.Vector3dVector(rgb.astype(np.float64) / 255.0) # 统计滤波去除离群飞点 pcd_filtered, ind pcd.remove_statistical_outlier( nb_neighbors20, std_ratio1.0) # 体素降采样控制点云密度 pcd_down pcd_filtered.voxel_down_sample(voxel_size0.02)统计滤波的原理是计算每个点与最近 K 个邻居的平均距离距离超过全局均值加 1 倍标准差就当作离群点剔除。std_ratio1.0 比较保守适合点云质量一般的场景如果飞点很多可以提到 1.5 或 2.0。但注意统计滤波不是万能的它擅长去除稀疏的孤立飞点对密集的错误重建没有效果。体素降采样把空间分成 2 厘米的立方体每个立方体只保留一个点这一步既减数据量又顺带平滑局部密度对实时可视化很有用。滤波的顺序我固定是先降采样减密度再做统计滤波最后才是半径滤波。反过来的话统计滤波会吃掉很多本应保留的远距离点。4.3 面向机器人导航的高度栅格把三维点云变成可通行区域真正的机器人导航很少直接用三维点云做路径规划算力扛不住而且点云噪声会让规划器来回抖。常见做法是把点云投影到二维栅格地图上每个栅格统计两件事最低点的高度和最高点的高度。高度差超过阈值说明这个栅格上有障碍物高度差小且最低点接近地面说明可通行。这一步即使点云有噪声只要栅格内有一个有效点判断仍然成立鲁棒性比直接对点云做聚类好得多。具体流程是把点云的 X、Y 按栅格分辨率量化比如每格 5 厘米Z 轴按高度分桶。对每个栅格保留最高点和最低点然后计算高度差。高度差阈值我一般取 5 厘米低于它且最高点低于机器人底盘高度的栅格标记为可通行超过阈值放大一圈作为障碍物膨胀区。这种做法在机器人导航里非常成熟因为它只关心“能不能走”不关心“这个东西是谁”。值得再强调一次双目对近处地面重建质量不错但超过 8 到 10 米视差只剩几个像素深度误差呈指数放大。所以高度栅格的有效范围要主动裁剪远处的栅格保持“未知”而不是用错误的深度去填。自动驾驶环境里这一点尤其要命——宁可让车慢下来也不能让它把远处的洞和墙判成路。5. 五个必踩的坑与排查手册白墙、时戳、飞点、分辨率和过曝5.1 白墙与无纹理地板SGBM的主场之外全是黑洞现象对着室内白墙或大面积纯色地板视差图一片黑墙角倒是正常。原因立体匹配要找“长得最像”的像素但纯色区域的每个像素周围长得都一样匹配代价没有区分度SGBM 在这个区域信噪比趋近于零结果就是无效视差。解决软件层面能做的只有两件事一是把 blockSize 调小让窗口尽量避开纯色区域二是把空洞填充打开让画面看起来没那么破但这些都是表面修复。真正的解法是换传感器方案给双目加一个红外纹理投射器或者改用结构光。如果你的项目必须依赖双目出深度那就把无纹理区域明确标记为“未知”不要填充也不要让导航规划器把它当成平坦路面冲过去。5.2 左右相机时间戳不同步静止正常、运动重影的元凶现象标定重投影误差很低极线也校好了但场景里一有运动物体深度图就出现重影轮廓静止时一切正常。原因两个普通 USB 相机各自独立曝光没有硬件同步信号左右帧的采集时刻相差几十毫秒。运动物体在左图曝光时在位置 A在右图曝光时已经挪到位置 B标定和校正都救不了这种动态失配。解决最可靠的方法是给双目模组加硬件同步也就是用同一路 strobe 信号触发两边的传感器同时曝光。买模组时可以确认它支不支持外部触发别只看分辨率。软件层面可以做的补偿是降低帧差容忍度或者对运动区域做匹配代价惩罚但效果有限。做自动驾驶环境尤其要重视这条因为车在动路边的杆子、行人都在相对运动时间戳不同步会让整个三维感知在动态场景里直接崩掉。5.3 物体边缘的长条飞点遮挡区的匹配本来就是瞎猜现象点云里前景物体的轮毂、车窗边缘拉出一条条向远处延伸的长刺深度从近处直接跳到背景。原因左右相机视角不同前景物体边缘后方的区域只被一边看到另一边看不到这种遮挡区域没有真实对应点SGBM 硬匹配出来的视差是错的投射到三维空间就成了向外拉的长条。解决先把 disp12MaxDiff 打开让左右一致性检查把这些区域标记为无效再把 speckleWindowSize 调大把孤立的小噪声块聚成带滤掉。但我要坦白说这些手段只能减轻不能根治。车玻璃、反光面、细长杆件永远是双目的软肋。做导航时对这类区域可以在时间维度上做多帧融合这一帧判不出来的下一帧换一个视角往往能补上比单帧硬扛可靠得多。5.4 改了采集分辨率却没改内参深度全部漂移的常见翻车现象运行时把相机分辨率从 1920x1080 降到 640x480同一场景的深度整体偏大或偏小而且边缘有轻微形变。原因内参是在 1920 分辨率下标定的fx、fy、cx、cy 都对应原始像素坐标。降到 640 后同样一个物理点落在不同的像素位置上直接用原内参当然全错。解决一种做法是把 fx、fy、cx、cy 按缩放比例换算cx、cy 乘以 640/1920fx、fy 同理畸变系数可以近似沿用但会有误差更稳的做法是干脆固定采集分辨率不要中途切换。如果业务上必须变就按新分辨率重新跑一遍标定把新的内参、畸变、校正映射表和 Q 矩阵全部生成一份按分辨率分文件加载。这个坑在实时视频处理里特别常见因为为了跑高帧率很多人会动态降低分辨率然后忘了内参也跟着变了。5.5 夜间过曝与高反差场景双目感知的物理边界要认现象晚上路灯下或车灯照射时亮区边缘出现大量黑色空洞暗区深度噪声明显变大同一个场景白天调好的参数在晚上表现差很多。原因两个原因叠加。一是相机自动曝光会根据整体亮度调整但左右相机的自动曝光算法各自独立两边亮度不一致破坏匹配代价的一致性二是高光区域溢出暗区信噪比太低SGBM 在这种图上的代价计算本身就不可靠。解决第一步固定曝光时间和增益关闭自动曝光左右目用同一套曝光参数。第二步对图像做直方图拉伸或轻度去噪再进 SGBM能改善一部分。但如果场景里有强光源直接入镜局部过曝依然无解。诚实讲双目在夜间自动驾驶环境里的可靠范围非常有限工程上必须做传感器冗余要么加激光雷达或毫米波雷达要么加主动光源相机。不要把双目当成全天候方案。6. 目标检测框吃进深度图把“它有多远”换成“它占多大地”6.1 检测框与深度图融合中位数比均值可靠得多目标检测与跟踪这一层很多人拿到检测框就直接取框中心点的深度当目标距离。这个做法有两个问题中心点可能落在车窗、反光面或低纹理区域深度无效框内包含大量背景像素直接取均值会把距离明显拉远。工程习惯是取框内有效深度的中位数同时检查有效像素占比# box 是检测框坐标必须在校正后图像坐标系下 x1, y1, x2, y2 box depth_roi depth[y1:y2, x1:x2] valid depth_roi[(depth_roi 0.5) (depth_roi 20.0)] # 有效像素少于 10%视为未知不要硬报距离 if valid.size (x2 - x1) * (y2 - y1) * 0.1: target_depth None else: target_depth float(np.median(valid)) # 用校正后的焦距估算目标物理尺寸 fx P1[0, 0] fy P1[1, 1] width (x2 - x1) * target_depth / fx height (y2 - y1) * target_depth / fy这段代码的关键点是深度图必须与检测框所在的 RGB 图是同一套坐标系也就是都来自校正后的图像否则框和深度对不上。fx、fy 不要用原始标定的内参要用 stereoRectify 输出的 P1 矩阵里的值因为校正后主点和焦距都变了。距离估算用中位数而不是均值因为框内的飞点和背景噪声会被中位数天然过滤掉一次错误的极端值不会把结果带偏。有效像素占比低于 10% 时返回 None意思是“我不确定”这对后续跟踪和规划非常重要——宁可少报不可错报。6.2 静态误差报表与轻量跟踪先证明测距可靠再谈实时跟踪这一层不需要额外堆算法检测框之间用 IOU 匹配做轻量关联距离用卡尔曼滤波做平滑就够了。但习惯上我会先跑静态误差报表把标定板或纸箱放在 1 米、2 米、3 米、5 米处分别测 100 帧记录误差中位数和 P95 误差。5 米内误差超过 3%先回头查标定再查视差范围最后才怀疑检测框精度。这套流程能保证你拿到的是一个“心里有底”的测距系统。早年我做某个模拟项目X时习惯把检测、测距当成两个黑匣子硬拼后来发现真正的活全在边界条件和坐标一致性上。现在我的流程是固定的先静态报表再动态视频先证明测距可信再做跟踪融合。希望帮到你。本文还有配套的精品资源点击获取