发明创造名称：基于视频的城市道路交通拥堵检测系统
外观设计名称：
决定号：187412
决定日：2019-08-21
委内编号：1F263535
优先权日：
申请（专利）号：201510969912.4
申请日：2015-12-22
复审请求人：电子科技大学
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：刘洋
合议组组长：刘慧敏
参审员：刘楠
国际分类号：G08G1/01,G06K9/00
外观设计分类号：
法律依据：专利法第22条第3款
决定要点
：若一项权利要求与最接近的对比文件相比具有区别，但该区别或被其他对比文件公开，或为本领域常规选择，那么该权利要求不具备创造性。
全文：
本复审请求涉及申请号为201510969912.4，名称为“基于视频的城市道路交通拥堵检测系统”的发明专利申请（下称本申请）。申请人为电子科技大学。本申请的申请日为2015年12月22日，公开日为2016年04月20日。
经实质审查，国家知识产权局原审查部门以本申请权利要求1-4不具备专利法第22条第3款规定的创造性为由，于2018年08月14日做出驳回决定。其中引用了如下3篇对比文件：
对比文件1：CN 101807345A，公开日：2010年08月18日；
对比文件2：“基于视频的城市交通拥堵程度分析技术研究”李洪敏，《中国优秀硕士学位论文全文数据库》2013年第4期；公开日：2013年04月15日；
对比文件3：“城市道路交通流视频检测与数据处理技术研究”张楠，《中国优秀硕士学位论文全文数据库》；公开日：2013年12月15日。
驳回决定所依据的文本为：申请日提交的说明书摘要、说明书第1-243段、摘要附图、说明书附图1-20；2018年2月5日提交的权利要求第1-4项。
驳回决定所针对的权利要求书如下：
“1. 基于视频的城市道路交通拥堵检测系统，其特征在于，采用如下步骤：
读取视频以及预处理视频，以获取视频帧；
将获取的视频帧进行背景建模，获得背景帧序列和前景帧序列；
对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，并在平滑滤波处理后按前景帧序列保存单帧前景图片；
按前景帧序列顺序播放单帧前景图片并对运动目标进行卡尔曼滤波跟踪以获得道路中车速，以及根据运动目标的前景帧序列计算并得出路面占有率以及路面占有率离差平方值；
利用模糊C均值聚类算法对路面占有率以及路面占有率离差平方值进行聚类，分别计算并得出与对应聚类中心的欧式距离；
所获得的欧式距离再结合车速,进行交通拥堵等级检测和划分；
在拥堵等级划分过程中，如果述的车速不属于所获得交通拥堵等级对应公共规定的车速，则所获得的交通拥堵等级重置为所述车速所属公共规定车速范围对应的交通拥堵等级；
交通拥堵等级采用模糊综合检测算法、人工神经网络法或灰色决策法中任意一种。
2. 根据权利要求1所述的基于视频的城市道路交通拥堵检测系统，其特征在于，所述的预处理视频，包括检测视频的格式并获取视频的帧率、播放长度、帧高度和宽度属性。
3. 根据权利要求1所述的基于视频的城市道路交通拥堵检测系统，其特征在于，所述的对获取的视频帧进行背景建模，包括对获取的视频帧录制背景和/或前景视频帧，获取已录制的背景和/或前景帧数，获取已录取的背景和/或前景时间，并进行混合高斯背景建模和/或平均建模。
4. 根据权利要求1所述的基于视频的城市道路交通拥堵检测系统，其特征在于，所述的对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，包括对与背景帧序列同帧的前景帧序列，通过设置有效阈值面积、设置前景二值化阈值和设置平均建模参数进行检测，并通过背景差分法和/或帧间差法提取运动目标。”
驳回决定主要认为：本申请权利要求1与对比文件1的区别在于，读取视频后对视频进行预处理；对运动目标去噪处理采用平滑滤波处理；还结合车速检测交通拥堵等级，车速通过按前景帧序列顺序播放单帧前景图片并对运动目标进行卡尔曼滤波跟踪获得；在拥堵等级划分过程中，如果所述的车速不属于所获得交通拥堵等级对应公共规定的车速，则所获得的交通拥堵等级重置为所述车速所属公共规定车速范围对应的交通拥堵等级；交通拥堵等级采用模糊综合检测算法、人工神经网络法或灰色决策法中任意一种；上述区别或被对比文件2、3公开，或为本领域惯用手段，因此权利要求1不具备专利法第22条第3款规定的创造性。从属权利要求2-4的附加技术特征或被对比文件1公开，或为本领域常用技术手段，因此权利要求2-4不具备专利法第22条第3款规定的创造性。
申请人（下称复审请求人）对上述驳回决定不服,于2018年10月22日向国家知识产权局提出了复审请求，未修改申请文件。复审请求人认为：（1），本申请权利要求1中还限定了获得交通拥堵等级的方法有模糊综合检测算法、人工神经网络法或灰色决策法中任意一种，对比文件1中传统的模糊C均值聚类算法的缺陷在于：①、模糊C均值聚类算法不适用于当前海量的交通样本数据，且对异常噪声数据比较敏感，很难有效的识别噪声数据，（2）、该算法对初始化特别敏感，很容易陷入局部极小值或者鞍点，得不到全局最优；②、本申请使用速度交通参数是为了解决灰色决策法中利用模糊C均值聚类算法所得出结果的不确定性，使判定结果更加准确，对比文件3中当采用非速度的交通参数判定交通状态与采用速度判断的交通状态不同时，采用速度作为唯一判定标准，此时并没有参考模糊C均值聚类算法所采用非速度交通参数判定的结果。
经形式审查合格，国家知识产权局于2018年10月31日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书坚持原驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年05月22日向复审请求人发出复审通知书，指出：本申请权利要求1与对比文件1的区别在于：（1）本申请还限定了对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，而对比文件1中通过减背景法提取出前景及运动目标，其并未限定背景帧与前景帧同帧；按前景帧序列顺序播放单帧前景图片并对运动目标进行卡尔曼滤波跟踪以获得道路中车速，在拥堵等级划分过程中，如果所述的车速不属于所获得交通拥堵等级对应公共规定的车速，则所获得的交通拥堵等级重置为所述车速所属公共规定车速范围对应的交通拥堵等级；本申请中进行交通拥堵等级检测和划分时依靠欧式距离结合车速，而对比文件1中交通拥堵等级检测和划分则仅依靠欧式距离；本申请中对前景帧序列进行平滑滤波处理并保存单帧前景图片，而对比文件1在前景帧中进行了去除噪声处理，即进行了滤波处理，但未限定其为平滑滤波；（2）交通拥堵等级采用模糊综合检测算法、人工神经网络法或灰色决策法中任意一种；上述区别（1）或被对比文件3公开或为本领域常规选择，区别（2）为本领域常规选择，因此权利要求1不具备专利法第22条第3款规定的创造性。从属权利要求2-4的附加技术特征或被对比文件1公开或为本领域常规选择，因此权利要求2-4也不具备专利法第22条第3款规定的创造性。
复审请求人于2019年07月01日提交了意见陈述书，同时提交了权利要求书的全文修改替换页，具体修改包括：在复审通知书针对文本的基础上，将所有从属权利要求2-4的附加技术特征合并入权利要求1，同时还将说明书中关于平均建模的方法及神经网络法的具体算法加入权利要求1中。修改后的权利要求1内容如下：
“1. 基于视频的城市道路交通拥堵检测系统，其特征在于，采用如下步骤：
读取视频以及预处理视频，以获取视频帧；
将获取的视频帧进行背景建模，获得背景帧序列和前景帧序列；
对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，并在平滑滤波处理后按前景帧序列保存单帧前景图片；
按前景帧序列顺序播放单帧前景图片并对运动目标进行卡尔曼滤波跟踪以获得道路中车速，以及根据运动目标的前景帧序列计算并得出路面占有率以及路面占有率离差平方值；利用模糊C均值聚类算法对路面占有率以及路面占有率离差平方值进行聚类，分别计算并得出与对应聚类中心的欧式距离；
所获得的欧式距离再结合车速，进行交通拥堵等级检测和划分；
在拥堵等级划分过程中，如果述的车速不属于所获得交通拥堵等级对应公共规定的车速，则所获得的交通拥堵等级重置为所述车速所属公共规定车速范围对应的交通拥堵等级；
交通拥堵等级采用模糊综合检测算法、人工神经网络法或灰色决策法中任意一种；
所述的预处理视频，包括检测视频的格式并获取视频的帧率、播放长度、帧高度和宽度属性；
所述的对获取的视频帧进行背景建模，包括对获取的视频帧录制背景和/或前景视频帧，获取已录制的背景和/或前景帧数，获取已录取的背景和/或前景时间，并进行混合高斯背景建模和/或平均建模；
所述的对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，包括对与背景帧序列同帧的前景帧序列，通过设置有效阈值面积、设置前景二值化阈值和设置平均建模参数进行检测，并通过背景差分法和/或帧间差法提取运动目标；
所述的平均建模该方法是将所需要的检测帧的相同位置的像素点值和背景中相同位置的像素点值相减，得到要检测的前景；背景中像素点u(x，y)，待检测的像素点为T(x，y)，前景差值d(x，y)，将差值和提前设定好的阈值T进行比较，得出真正需要输出的out(x，y)值，
d(x，y)＝I(x，y)-u(x，y) (E4)
用Tt(x，y)表示图像(x，y)位置处t时刻时的像素值，Δt表示两帧之间的时间间隔，
Ft(x，y)＝|It(x，y)-It-Δt(x，y)| (E6)
T＝a(x，y) β×s (E9)
在每一帧视频检测之后需要更近背景来提高算法的鲁棒性，即提高系统性能保持能力；相应的u(x，y)、a(x，y)和s(x，y)更新为u′(x，y)，a′(x，y)和s′(x，y)，
u′(x，y)＝(1-α)×u(x，y) α×I(x，y) (E10)
a′(x，y)＝(1-α)×a(x，y) α×F(x，y) (E11)
s′(x，y)＝(1-α)×s(x，y) α×|F(x，y)-a′(x，y)| (E12)
α是学习率，值越大，更新越快；
所述神经网络法具体包括：
(1).输入层
输入层主要是输入已经采取好的交通参数，如车辆等待时间、车辆在道路上的排队长度、车辆行驶速度、道路占有率等；
(2).中间层中间层主要是对输入层数据进行处理，在对输入进网络的数据进行处理之前，首先要确保网络已经对现实中的交通道路状况进行了模拟，保证网络可以对各种数据具有判断的能力；
(3).输出层将中间层处理的结果输出来；
所述决策法具体包括：
A.确定集合F＝(f1，f2....fn)作为评价目标，该集合有已建立好的评审小组确定；
B.采用U-V模糊映射模型对评价结果进行模糊处理；
C.确定评语集合A，得到模糊评定映射集合；
D.将评定指标进行量化处理，确定比较矩阵K和经过层次分析法分析之后得到的判定矩阵Q，在计算γij是采用的计算公式即：
bm即为评判因素集合中最为重要因素与最为不重要因素的比；权系数字Wk的计算方法为
E.确定决策矩阵DΣ，评判结果的确定是选取DΣ的最大值：
”
复审请求人认为：经过上述修改本申请具备了创造性。
在上述程序的基础上，合议组认为本案事实已经清楚，可以作出审查决定。
二、决定的理由
1、审查文本的确定
复审请求人在复审程序中，于2019年07月01日修改了申请文件，经审查上述修改符合专利法第33条的规定，因此本复审决定依据的文本为：申请日提交的说明书摘要、说明书第1-243段、摘要附图、说明书附图1-20；及2019年07月01日提交的权利要求第1项。
2、关于创造性
专利法第22条第3款规定：创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步，该实用新型具有实质性特点和进步。
若一项权利要求与对接近的对比文件相比具有区别，但该区别或被其他对比文件公开，或为本领域常规选择，那么该权利要求不具备创造性。
复审请求人认为：经过上述修改本申请具备了创造性。合议组认为，本申请权利要求1请求保护基于视频的城市道路交通拥堵检测系统，对比文件1公开了一种基于视频检测技术的交通拥堵判别方法，其实施必然是基于视频采集设备、数字图像处理装置/服务器等构成的系统来实现，并具体公开了（参见说明书第5-81段，附图1-3，权利要求1-5）： 步骤一、对交通视频图像建立背景模型；步骤二、对背景模型提取前景和前景去噪，用背景模型提取前景具体包括，通过减背景法提取出前景，通过分析比较前景发生的概率去除路旁树叶抖动等噪声，通过背景差分法获取的前景目标中夹杂着噪声，特别是树叶抖动引起的噪声，通过概率分析得知，前景是由车辆移动还是树叶抖动形成的具有不同的可能性，当P (xt)≥P (xt)则认为是树叶噪声，需要去除，否则，则是前景目标，可以保留，其中，xt为被判断的像素点，以xt前一帧中该坐标点的8邻域为范围，取得该范围内各像素点属于背景点的概率值，最小概率值为P (xt)，取得xt前一帧中该坐标点的8邻域范围内各像素点属于前景点的概率值，最大概率值为P (xt)；步骤三、计算道路占有率及占有率方差，具体地，步骤三中获取交通参数信息，包括：道路占有率、占有率方差、占有率变化量绝对值，1)通过步骤一和步骤二中的目标前景提取和背景道路预先识别获得道路占有率，2)运算占有率方差；步骤四、建立拥堵判别模型；其中：步骤一中从图像序列中提取连续的N帧图像，记为(f，f，...f)；步骤四中建立拥堵判别模型包括如下步骤：1)建立交通状态判断区域选取i时刻的道路占有率C及占有率方差D令采样标本利用模糊C-均值算法(Fuzzy C-Means，FCM)经过多次迭代，得到道路畅通、道路缓行和交通拥堵报警状态；三类模糊聚类的聚类中心矩阵的第一行表示道路占有率，第二行表示占有率方差；其中，ω，ω，ω分别代表道路畅通、道路缓行和交通拥堵报警三个状态的聚类中心；2)建立拥堵模糊聚类判别器建立||x-ω||聚类判别器，采样标本x，C表示i时刻的道路占有率，D表示占有率方差；其中，|| x-ω ||表示第i组数据对于第j类聚类中心的距离；判断|| x-ω ||是否等于min{|| x-ω||}如果等于则表明x距离聚类中心ω最近，则将x归到ω所代表的类别中去，此时交通状态为ω代表的状态，其中k＝1...N代表N种不同的交通状态，其中，N＝3；对获取的连续N帧图像，通过Epanechnikov核函数公式计算出每个像素点的灰度值的概率分布，并设置阈值以确定背景灰度取值，从而实现背景建模，通过减背景法提取出前景，获得背景。
可见，对比文件1中步骤一中从图像序列中提取连续的N帧图像对应于本申请的获取视频帧，同时在获取视频帧前必然先读取视频以及预处理视频；对比文件1的步骤二中用背景模型提取前景具体包括，通过减背景法提取出前景，可见其必然先获取了背景帧，因此对比文件1的步骤二对应于本申请的将获取的视频帧进行背景建模获得背景帧和前景帧序列；对比文件1步骤二中通过减背景法提取出前景，去除前景中抖动噪声，当P (xt)≥P (xt)成立，认为是抖动噪声，去除，否则，为前景目标，保留，对前景帧序列进行检测并提取运动目标，去除前景中抖动噪声相当于滤波处理，因而对比文件1公开了进行滤波处理；对比文件1中的步骤三对应于本申请的以及根据运动目标的前景帧序列计算并得出路面占有率以及路面占有率离差平方值；对比文件1的步骤四对应于本申请的利用模糊C均值聚类算法对路面占有率以及路面占有率离差平方值进行聚类，分别计算并得出与对应聚类中心的欧式距离，所获得的欧式距离进行交通拥堵等级检测和划分； 对比文件1公开的“|| x-ω||表示第i组数据对于第j类聚类中心的距离；判断|| x-ω||是否等于min{|| x-ω||}如果等于则表明x距离聚类中心ω最近，则将x归到ω所代表的类别中去，此时交通状态为ω代表的状态”对应于本申请的欧式距离的获取；
可见本申请权利要求1与对比文件1的区别在于：（1）本申请还限定了对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，而对比文件1中通过减背景法提取出前景及运动目标，其并未限定背景帧与前景帧同帧；按前景帧序列顺序播放单帧前景图片并对运动目标进行卡尔曼滤波跟踪以获得道路中车速，在拥堵等级划分过程中，如果所述的车速不属于所获得交通拥堵等级对应公共规定的车速，则所获得的交通拥堵等级重置为所述车速所属公共规定车速范围对应的交通拥堵等级；本申请中进行交通拥堵等级检测和划分时依靠欧式距离结合车速，而对比文件1中交通拥堵等级检测和划分则仅依靠欧式距离；本申请中对前景帧序列进行平滑滤波处理并保存单帧前景图片，而对比文件1在前景帧中进行了去除噪声处理，即进行了滤波处理，但未限定其为平滑滤波；（2）交通拥堵等级采用模糊综合检测算法、人工神经网络法或灰色决策法中任意一种，并具体限定了神经网络法、决策法的具体内容或步骤；（3）所述的预处理视频，包括检测视频的格式并获取视频的帧率、播放长度、帧高度和宽度属性；（4）所述的对获取的视频帧进行背景建模，包括获取已录制的背景和/或前景帧数，获取已录取的背景和/或前景时间，并进行混合高斯背景建模和/或平均建模，并限定了平均建模的具体步骤；（5）所述的对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，包括对与背景帧序列同帧的前景帧序列，通过设置有效阈值面积、设置前景二值化阈值和设置平均建模参数进行检测，并通过背景差分法和/或帧间差法提取运动目标。
可见本申请实际解决的技术问题是：如何准确地确定拥堵等级。
针对上述区别（1），对比文件3公开了城市道路交通流视频检测与数据处理，并具体公开了（参见第32-59页）：第四章中基于Kalman滤波预测运动车辆轨迹，第五章5.1节公开了：在上一章（即第四章）对车辆进行跟踪（即基于Kalman滤波预测运动车辆轨迹）的基础上，对所跟踪的车辆逐一求出其速度，然后求出平均值，即可作为整个交通流在该时段的速度，也即是说对比文件3公开了对运动目标进行卡尔曼滤波跟踪以获得道路中车速，对比文件3中还公开了基于模糊C均值聚类算法将交通流划分为畅通流/自由流、同步流、拥堵流，从图 5.4 和表 5.5 中可以看出，交通流速度参数最能反映交通流状态，可以凭借速度参数即可将交通流的三类状态区分开来, 单独用占有率或者流量也可以将拥堵状态判断出来，当占有率大于44%时，或者流量小于48 辆/min,这两种情况下可将交通状态划归为拥挤状态。在占有率和流量其他的量值下，都不能单独进行交通状态的判断，必须与其他的参数综合起来进行判断，表 5.5所显示的即为交通状态分析的数值显示结果，如果有个别数据车流量属于一种交通状态，速度和占有率属于另一种状态的话，则直接用速度来判断该数据，由对比文件3第五章5.2.1节及5.2.3节可知，对比文件3中公开了根据所获得的欧式距离及车速确定交通拥堵等级，同时基于对比文件3中公开的“在占有率和流量其他的量值下，都不能单独进行交通状态的判断，必须与其他的参数综合起来进行判断, 表 5.5所显示的即为交通状态分析的数值显示结果，如果有个别数据车流量属于一种交通状态，速度和占有率属于另一种状态的话，则直接用速度来判断该数据”的基础上，结合本领域实际情况及普通人的认知，可知速度实质上是最能体现是否发生拥堵的参数，因而本领域技术与人员容易想到“在拥堵等级划分过程中，如果所述的车速不属于所获得交通拥堵等级对应公共规定的车速，则所获得的交通拥堵等级重置为所述车速所属公共规定车速范围对应的交通拥堵等级”，至于为了实现对运动目标的分析/跟踪而按前景帧序列顺序播放单帧前景图片则是本领域常规选择，且在对比文件1已经公开了在前景帧中进行了去除噪声处理（即进行了滤波处理）的情况下，具体地对前景帧序列进行平滑滤波处理并保存单帧前景图片则是本领域为实现图像的去噪/滤波处理的常规选择，且对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，还是通过减背景法提取出前景及运动目标均是获取运动目标的常规选择，且两种方法的所需计算能力及提取运动目标的准确度等方面的优缺点也是本领域所熟知的；
针对区别（2），采用模糊综合检测算法、人工神经网络法或灰色决策法中任意一种来划分/判断/确定交通拥堵等级属于本领域的常规选择，例如：（1）“基于视频处理的城市道路交通拥堵判别技术研究”，王川童，《中国优秀硕士学位论文全文数据库·信息科技辑》2011年第04期，2011年04月15日；第11-14页第2.2.3节公开了：目前，主要的交通拥堵判别算法有：①灰色决策法；②人工神经网络方法；④模糊综合判别方法；（2）“高速公路拥堵事件检测中的背景建模及状态判别方法研究”，徐云飞，《中国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》2015年第1期，第15-18页第2.2.3节公开了：常用的基于视频的交通拥堵状态判别算法，主要包括①灰色决策法；②人工神经网络算法；④模糊聚类”；（3）“北京市快速路服务水平分级与评价方法的研究”，董晓婷，《中国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》2010年第02期，2010年02月15日，第8-11页第1.2.2节、第36-56页第5章公开了：目前，典型的服务水平评价方法有模糊综合评判方法、灰色决策法等；人工BP神经网络评价方法与模糊推理系统FIS评价方法的结果对比，进一步说明了BP神经网络评价的可靠性和精确性；选用人工神经网络法或灰色决策法中任意一种来划分/判断/确定交通拥堵等级属于本领域的常规选择，并且在交通拥堵判断中，神经网络法、决策法的具体内容或步骤也属于本领域技术人员熟知的，例如前述三篇文献中均有具体的神经网络法、决策法的具体内容或步骤，具体参见前述内容，因此本申请权利要求1中限定的神经网络法、决策法的具体内容或步骤也属于本领域常规选择；
针对区别（3），视频预处理包括检测视频的格式并获取视频的帧率、播放长度、帧高度和宽度属性，属于本领域通过视频图像处理技术计算交通参数时的常规选择；
针对区别（4），对比文件1还公开了以下技术特征（参见对比文件1说明书第0043-0055段）：对获取的连续N帧图像，通过Epanechnikov核函数公式计算出每个像素点的灰度值的概率分布，并设置阈值以确定背景灰度取值，从而实现背景建模，通过减背景法提取出前景，获得背景，在此基础上，为了保证交通参数计算的准确性，还获取已录取的背景和/或前景帧数、时间，对于本领域技术人员来说是容易想到的；且通过核函数、混合高斯函数、平均建模进行背景建模，均属于图像处理领域进行背景建模的常规设计；另外通过平均建模及其具体步骤进行背景建模，属于图像处理领域进行背景建模的常规设计；
针对区别（5），对比文件1还公开了以下技术特征（参见说明书第49-53段）：通过背景差分法获取前景目标（即移动车辆），在此基础上，具体通过对应的背景帧、前景帧设置有效阈值面积、设置前景二值化阈值和设置平均建模参数是本领域常用技术手段，属于公知常识，同时对比文件3中公开了（参见说明书第13-16页）通过背景差分法和/或帧间差法提取运动目标；
综上，在对比文件1的基础上结合对比文件3及本领域公知常识得到权利要求1的技术方案对本领域技术人员而言是显而易见的，权利要求1不具备突出的实质性特点和显著的进步，不具备专利法第22条第3款规定的创造性。
综上所述，本申请权利要求1不符合专利法第22条第3款的规定。
基于上述事实和理由，合议组做出如下决定。
三、决定
维持国家知识产权局于2018年08月14日对本申请作出的驳回决定。
如对本复审请求审查决定不服,根据专利法第41条第2款的规定,请求人自收到本决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
