人脸识别门禁系统技术文档
序言
本文档详细描述了人脸识别门禁系统的技术实现原理与方法。该系统旨在提供高安全性的门禁管理解决方案，通过先进的人脸识别技术，实现无接触式身份验证，提高安全管理效率。
系统整合了人工智能与计算机视觉技术，结合数据库管理系统，实现用户身份的自动识别与验证。相比传统的刷卡、指纹或密码门禁系统，人脸识别门禁系统具有操作便捷、难以伪造、卫生无接触等优势，尤其适合当今对安全性要求高的场所使用。
本项目采用Python作为主要开发语言，集成了多种开源技术框架，包括Flask、OpenCV、dlib、face_recognition等，构建了完整的人脸识别门禁解决方案，支持Web界面和桌面GUI应用两种使用模式。
1. 系统架构
1.1 总体架构
系统采用模块化设计，主要包含以下核心模块：
-
前端界面层：
- Web界面：基于Flask框架，提供用户管理、记录查询等功能
- GUI界面：基于PyQt5开发，提供实时监控和管理功能
-
应用逻辑层：
- 用户管理模块：处理用户注册、信息管理等功能
- 人脸识别模块：负责人脸检测、特征提取和身份识别
- 门禁控制模块：根据识别结果控制门禁开关
- 报警模块：处理未授权访问和异常情况
-
数据持久层：
- 数据库：使用SQLite存储用户信息、门禁记录和报警记录
- 文件存储：保存用户人脸图像和未识别人脸记录
1.2 技术栈
- 后端框架：Python + Flask
- 前端技术：HTML/CSS/JavaScript + Bootstrap
- GUI框架：PyQt5
- 数据库：SQLite + SQLAlchemy ORM
- 人脸识别：OpenCV + dlib + face_recognition
- 并发处理：多线程
1.3 模块间关系
+----------------+ +----------------+ +-----------------+
| 用户界面层 | <--> | 应用逻辑层 | <--> | 数据持久层 |
| (Web/GUI界面) | | (业务逻辑处理) | | (数据库/文件) |
+----------------+ +----------------+ +-----------------+
^ ^ ^
| | |
v v v
+----------------+ +----------------+ +-----------------+
| 用户交互模块 | | 人脸识别模块 | | 数据库模型 |
| (routes/GUI) | | (face_utils) | | (models) |
+----------------+ +----------------+ +-----------------+2. 人脸识别原理与实现
2.1 人脸识别流程
系统的人脸识别流程包含以下主要步骤：
- 人脸检测：从摄像头捕获的图像中检测人脸区域
- 活体检测：确认检测到的是真实人脸而非照片或视频
- 特征提取：提取人脸的关键特征点和生成特征向量
- 身份匹配：将提取的特征与数据库中已存储的特征进行比对
- 身份确认：根据比对结果确认身份，决定是否授权通行
2.2 人脸检测实现
系统使用dlib的HOG (Histogram of Oriented Gradients) 人脸检测器实现人脸检测功能：
python
def detect_faces(frame):
"""检测图像中的人脸位置"""
# 将图像从BGR转换为RGB格式
rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
# 使用HOG人脸检测器进行检测
face_locations = face_recognition.face_locations(rgb_frame, model="hog")
return face_locationsHOG人脸检测算法工作原理：
- 计算图像梯度的方向和大小
- 将图像分成小单元格，每个单元格生成梯度方向直方图
- 将单元格组合成更大的块，并进行局部对比度归一化
- 使用训练好的SVM分类器检测人脸
2.3 活体检测实现
为防止照片攻击，系统实现了基于纹理分析的活体检测功能：
python
def verify_face_liveness(frame, face_location):
"""验证人脸是否是真实的（活体检测）"""
# 从人脸位置提取人脸区域
top, right, bottom, left = face_location
face_image = frame[top:bottom, left:right]
# 转换为灰度图
gray = cv2.cvtColor(face_image, cv2.COLOR_BGR2GRAY)
# 使用局部二值模式(LBP)特征提取纹理信息
# 实际实现中会使用更复杂的算法
# 分析图像纹理特征，判断是否为真实人脸
# ... 实际计算过程略 ...
return is_real, confidence活体检测的核心思想：
- 分析人脸图像的纹理特征，真实人脸具有自然的纹理变化
- 检测人脸的微表情和眨眼动作
- 分析深度信息，平面照片缺乏自然的深度变化
2.4 人脸特征提取
系统使用dlib的人脸特征点检测和face_recognition库实现特征提取：
python
def extract_facial_features(image, face_location):
"""提取更详细的人脸特征"""
if landmark_predictor is None:
return None
# 将face_location格式转换为dlib格式
top, right, bottom, left = face_location
dlib_rect = dlib.rectangle(left, top, right, bottom)
# 获取人脸关键点
landmarks = landmark_predictor(image, dlib_rect)
# 提取眼睛、鼻子、嘴等特征的位置信息
features = {}
# 眼睛间距
left_eye_x = (landmarks.part(36).x + landmarks.part(39).x) / 2
left_eye_y = (landmarks.part(36).y + landmarks.part(39).y) / 2
right_eye_x = (landmarks.part(42).x + landmarks.part(45).x) / 2
right_eye_y = (landmarks.part(42).y + landmarks.part(45).y) / 2
features['eye_distance'] = np.sqrt((right_eye_x - left_eye_x)**2 + (right_eye_y - left_eye_y)**2)
# 眼睛与嘴巴的比例
mouth_x = (landmarks.part(48).x + landmarks.part(54).x) / 2
mouth_y = (landmarks.part(48).y + landmarks.part(54).y) / 2
eyes_center_x = (left_eye_x + right_eye_x) / 2
eyes_center_y = (left_eye_y + right_eye_y) / 2
features['eye_mouth_ratio'] = np.sqrt((mouth_x - eyes_center_x)**2 + (mouth_y - eyes_center_y)**2) / features['eye_distance']
# 脸部宽高比
face_width = right - left
face_height = bottom - top
features['face_ratio'] = face_width / face_height
return features特征提取过程：
- 检测68个人脸关键点（眼睛、鼻子、嘴唇等）
- 计算关键点间的几何关系和比例
- 使用深度学习模型生成128维人脸编码向量
2.5 身份匹配算法
系统使用欧氏距离进行人脸特征比对和身份匹配：
python
def recognize_face(face_encoding, known_face_encodings, tolerance=0.5):
"""识别人脸"""
if not known_face_encodings:
return None, 1.0
# 提取用户ID和编码
user_ids = [uid for uid, _ in known_face_encodings]
encoding_data = [data for _, data in known_face_encodings]
# 计算与已知人脸的距离
face_distances = []
for data in encoding_data:
if isinstance(data, dict) and 'encoding' in data:
# 新格式：字典包含编码和特征
encoding = data['encoding']
distance = face_recognition.face_distance([encoding], face_encoding)[0]
# 如果有额外特征，增加其权重
if data.get('features') is not None:
distance *= 0.95
face_distances.append(distance)
else:
# 旧格式：直接是编码
distance = face_recognition.face_distance([data], face_encoding)[0]
face_distances.append(distance)
# 找到最小距离
if face_distances:
min_distance_idx = np.argmin(face_distances)
min_distance = face_distances[min_distance_idx]
# 确保是numpy类型，避免可能的类型错误
if isinstance(min_distance, np.ndarray):
min_distance = float(min_distance)
# 如果最小距离小于容差，返回匹配的用户ID
if min_distance <= tolerance:
return user_ids[min_distance_idx], min_distance
return None, 1.0 if not face_distances else min_distance身份匹配原理：
- 计算待识别人脸编码与数据库中所有人脸编码的欧氏距离
- 找出距离最小的人脸编码对应的用户
- 如果最小距离小于预设阈值（tolerance），认为匹配成功
- 阈值越小，要求越严格，错误接受率降低但错误拒绝率可能增加
3. 数据库设计与实现
3.1 数据库模型
系统使用SQLAlchemy ORM框架实现数据库操作，主要包含以下数据模型：
3.1.1 用户模型（User）
python
class User(db.Model):
__tablename__ = 'users'
id = db.Column(db.Integer, primary_key=True)
username = db.Column(db.String(100), unique=True, nullable=False)
name = db.Column(db.String(100), nullable=False)
email = db.Column(db.String(120), unique=True, nullable=False)
password = db.Column(db.String(200), nullable=False)
face_encoding = db.Column(db.PickleType, nullable=True) # 人脸编码
image_file = db.Column(db.String(100), nullable=True, default='default.jpg') # 人脸图像文件
register_date = db.Column(db.DateTime, nullable=False, default=datetime.utcnow)
role = db.Column(db.String(20), nullable=False, default='user') # 用户角色：admin或user
# 一对多关系：一个用户可以有多个门禁记录
access_records = db.relationship('AccessRecord', backref='user', lazy=True)3.1.2 门禁记录模型（AccessRecord）
python
class AccessRecord(db.Model):
__tablename__ = 'access_records'
id = db.Column(db.Integer, primary_key=True)
user_id = db.Column(db.Integer, db.ForeignKey('users.id'), nullable=False)
timestamp = db.Column(db.DateTime, nullable=False, default=datetime.utcnow)
access_type = db.Column(db.String(10), nullable=False) # 'entry' 或 'exit'
status = db.Column(db.String(20), nullable=False) # 'authorized' 或 'unauthorized'3.1.3 报警记录模型（Alert）
python
class Alert(db.Model):
__tablename__ = 'alerts'
id = db.Column(db.Integer, primary_key=True)
timestamp = db.Column(db.DateTime, nullable=False, default=datetime.utcnow)
alert_type = db.Column(db.String(50), nullable=False) # 报警类型
description = db.Column(db.Text, nullable=True) # 报警描述
image_file = db.Column(db.String(100), nullable=True) # 报警时捕获的图像
processed = db.Column(db.Boolean, default=False) # 报警是否已处理3.2 数据库操作实现
系统封装了一系列数据库操作函数，提供统一的接口：
python
# 用户管理
def get_user_by_id(user_id):
"""根据用户ID获取用户"""
return User.query.get(user_id)
def create_user(username, name, email, password, role='user', face_encoding=None, image_file=None):
"""创建新用户"""
user = User(
username=username,
name=name,
email=email,
password=password,
role=role,
face_encoding=face_encoding,
image_file=image_file
)
db.session.add(user)
db.session.commit()
return user
# 门禁记录管理
def record_access(user_id, access_type='entry', status='authorized'):
"""记录门禁访问"""
record = AccessRecord(
user_id=user_id,
access_type=access_type,
status=status
)
db.session.add(record)
db.session.commit()
return record
# 报警管理
def create_alert(alert_type, description=None, image_file=None):
"""创建报警记录"""
alert = Alert(
alert_type=alert_type,
description=description,
image_file=image_file,
processed=False
)
db.session.add(alert)
db.session.commit()
return alert4. 摄像头模块实现
4.1 Web应用摄像头实现
Web应用使用Flask与OpenCV结合，实现实时视频流处理：
python
class Camera:
"""相机类，用于处理视频流"""
def __init__(self, camera_id=0):
"""初始化相机"""
self.camera_id = camera_id
self.is_running = False
self.thread = None
self.frame = None
self.processed_frame = None
self.last_access = 0
self.known_face_encodings = []
self.recognized_users = {} # 最近识别的用户 {user_id: (timestamp, name)}
self.access_animations = {} # 访问动画 {user_id: (timestamp, face_location, access_granted)}
def start(self):
"""启动相机线程"""
if self.thread is None:
self.is_running = True
self.thread = threading.Thread(target=self._capture_loop)
self.thread.daemon = True
self.thread.start()
def _capture_loop(self):
"""捕获视频帧的循环"""
# 初始化相机
camera = cv2.VideoCapture(self.camera_id)
# 加载已知人脸编码
self._load_known_faces()
# 处理帧的间隔（秒）
process_interval = 0.5 # 每0.5秒处理一次
last_process_time = 0
while self.is_running:
# 捕获一帧
success, frame = camera.read()
# 保存原始帧
self.frame = frame
# 定期处理帧（降低CPU使用率）
current_time = time.time()
if current_time - last_process_time >= process_interval:
# 处理帧
self._process_frame(frame)
last_process_time = current_time
# 生成MJPEG流供前端显示
# ...4.2 GUI应用摄像头实现
GUI应用使用PyQt5与OpenCV结合，实现实时视频处理：
python
class VideoThread(QThread):
"""视频处理线程"""
change_pixmap_signal = pyqtSignal(QImage)
face_detected_signal = pyqtSignal(list, list, list) # 人脸位置、姓名、状态
access_granted_signal = pyqtSignal(str, float) # 用户名、匹配度
access_denied_signal = pyqtSignal(str, float) # 拒绝原因、匹配度
def run(self):
"""线程主函数"""
# 初始化相机
cap = cv2.VideoCapture(self.camera_id)
# 加载已知人脸编码
self._load_known_faces()
while self.running:
ret, frame = cap.read()
# 处理帧，识别人脸
current_time = time.time()
if current_time - last_process_time >= self.process_interval:
self._process_frame(frame)
last_process_time = current_time
# 转换帧格式并发送信号
rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
h, w, ch = rgb_frame.shape
bytes_per_line = ch * w
q_img = QImage(rgb_frame.data, w, h, bytes_per_line, QImage.Format_RGB888)
self.change_pixmap_signal.emit(q_img)4.3 实时视频处理优化
系统采用以下策略优化实时视频处理性能：
- 间隔处理：不处理每一帧，而是每隔一段时间（如0.5秒）处理一次，减少CPU使用率
- 多线程处理：将视频捕获和处理放在单独的线程中，避免阻塞主UI线程
- 降低分辨率：设置适当的视频捕获分辨率，平衡识别效果和处理速度
- 识别频率控制：对同一用户的重复识别设置时间间隔（如5秒），避免重复处理和记录
5. Web应用实现
5.1 Flask应用结构
系统使用Flask的Blueprint功能组织不同模块的路由：
python
# 创建Blueprint
main = Blueprint('main', __name__) # 主页模块
auth = Blueprint('auth', __name__) # 认证模块
user = Blueprint('user', __name__) # 用户模块
admin = Blueprint('admin', __name__) # 管理员模块
api = Blueprint('api', __name__) # API接口
camera_bp = Blueprint('camera_bp', __name__) # 摄像头模块
# 在应用初始化时注册Blueprint
def init_routes(app):
app.register_blueprint(main)
app.register_blueprint(auth, url_prefix='/auth')
app.register_blueprint(user, url_prefix='/user')
app.register_blueprint(admin, url_prefix='/admin')
app.register_blueprint(api, url_prefix='/api')
app.register_blueprint(camera_bp, url_prefix='/camera')5.2 用户认证实现
系统实现了基于Session的用户认证机制：
python
@auth.route('/login', methods=['GET', 'POST'])
def login():
"""登录"""
if request.method == 'POST':
username = request.form.get('username')
password = request.form.get('password')
user = get_user_by_username(username)
if user and check_password_hash(user.password, password):
session['user_id'] = user.id
session['user_role'] = user.role
next_page = request.args.get('next')
if next_page:
return redirect(next_page)
elif user.role == 'admin':
return redirect(url_for('admin.dashboard'))
else:
return redirect(url_for('main.index'))
flash('登录失败，请检查用户名和密码。', 'danger')
return render_template('auth/login.html')5.3 访问控制实现
系统使用装饰器实现路由的访问控制：
python
def admin_required(f):
"""检查用户是否具有管理员权限的装饰器"""
def decorated_function(*args, **kwargs):
if 'user_id' not in session or session.get('user_role') != 'admin':
flash('您没有权限访问此页面。', 'danger')
return redirect(url_for('main.index'))
return f(*args, **kwargs)
decorated_function.__name__ = f.__name__
return decorated_function
def login_required(f):
"""检查用户是否已登录的装饰器"""
def decorated_function(*args, **kwargs):
if 'user_id' not in session:
flash('请先登录。', 'danger')
return redirect(url_for('auth.login', next=request.url))
return f(*args, **kwargs)
decorated_function.__name__ = f.__name__
return decorated_function5.4 视频流实现
系统使用生成器函数和MJPEG流实现实时视频传输：
python
@camera_bp.route('/live-stream')
def live_stream():
"""实时视频流"""
return Response(generate(),
mimetype='multipart/x-mixed-replace; boundary=frame')
def generate():
"""生成MJPEG视频流"""
camera = get_camera()
camera.start()
while True:
frame = camera.get_frame()
if frame is None:
continue
# 将帧编码为JPEG格式
_, jpeg = cv2.imencode('.jpg', frame)
# 以多部分响应格式返回
yield (b'--frame\r\n'
b'Content-Type: image/jpeg\r\n\r\n' + jpeg.tobytes() + b'\r\n')6. GUI应用实现
6.1 PyQt5应用结构
系统使用PyQt5实现了独立的桌面GUI应用：
python
class MainWindow(QMainWindow):
"""主窗口类"""
def __init__(self):
super().__init__()
self.setWindowTitle('人脸识别门禁系统')
self.setMinimumSize(800, 600)
# 初始化视频线程
self.video_thread = VideoThread()
self.video_thread.change_pixmap_signal.connect(self.update_image)
self.video_thread.face_detected_signal.connect(self.update_face_info)
self.video_thread.access_granted_signal.connect(self.on_access_granted)
self.video_thread.access_denied_signal.connect(self.on_access_denied)
# 初始化UI
self.init_ui()
# 启动视频线程
self.video_thread.start()
def init_ui(self):
"""初始化用户界面"""
# 主布局
main_layout = QVBoxLayout()
# 创建选项卡
self.tabs = QTabWidget()
# 添加各功能选项卡
self.create_monitor_tab() # 监控选项卡
self.create_user_tab() # 用户管理选项卡
self.create_records_tab() # 记录查询选项卡
self.create_alerts_tab() # 报警管理选项卡
self.create_settings_tab() # 系统设置选项卡
# 将选项卡添加到主布局
main_layout.addWidget(self.tabs)
# 设置中心部件
central_widget = QWidget()
central_widget.setLayout(main_layout)
self.setCentralWidget(central_widget)6.2 实时视频显示
GUI应用使用信号和槽机制处理视频显示：
python
@pyqtSlot(QImage)
def update_image(self, image):
"""更新图像显示"""
self.video_label.setPixmap(QPixmap.fromImage(image))
@pyqtSlot(list, list, list)
def update_face_info(self, face_locations, face_names, face_status):
"""更新人脸信息显示"""
self.face_list.clear()
for name, status in zip(face_names, face_status):
item = QListWidgetItem(f"{name} - {'已授权' if status == 'authorized' else '未授权'}")
if status == 'authorized':
item.setForeground(Qt.green)
else:
item.setForeground(Qt.red)
self.face_list.addItem(item)6.3 用户管理界面
GUI应用实现了完整的用户管理功能：
python
def create_user_tab(self):
"""创建用户管理选项卡"""
user_tab = QWidget()
layout = QHBoxLayout()
# 用户列表
self.user_list = QListWidget()
self.refresh_users() # 刷新用户列表
# 操作按钮
buttons_layout = QVBoxLayout()
add_btn = QPushButton('添加用户')
add_btn.clicked.connect(self.add_user)
edit_btn = QPushButton('编辑用户')
edit_btn.clicked.connect(self.edit_user)
delete_btn = QPushButton('删除用户')
delete_btn.clicked.connect(self.delete_user)
buttons_layout.addWidget(add_btn)
buttons_layout.addWidget(edit_btn)
buttons_layout.addWidget(delete_btn)
buttons_layout.addStretch()
# 添加到布局
layout.addWidget(self.user_list)
layout.addLayout(buttons_layout)
user_tab.setLayout(layout)
self.tabs.addTab(user_tab, '用户管理')7. 安全特性实现
7.1 密码安全
系统使用Werkzeug的安全哈希算法实现密码加密存储：
python
from werkzeug.security import generate_password_hash, check_password_hash
# 密码加密
hashed_password = generate_password_hash(password)
# 密码验证
if check_password_hash(user.password, password):
# 密码正确，允许登录7.2 活体检测安全
系统实现了多层活体检测策略防止照片欺骗：
- 纹理分析：分析人脸图像的纹理特征，真实人脸与照片有明显区别
- 眨眼检测：监测眼部区域的变化，检测自然眨眼动作
- 深度分析：通过提取不同区域的特征，分析人脸的自然立体特性
python
def verify_face_liveness(frame, face_location):
"""验证人脸是否是真实的（活体检测）"""
# ... 实现代码 ...
# 使用多种策略判断活体
liveness_score = 0.0
# 策略1: 图像纹理分析
texture_score = analyze_texture(face_region)
liveness_score += texture_score * 0.4 # 权重0.4
# 策略2: 眨眼检测
blink_score = detect_blink(face_region, landmarks)
liveness_score += blink_score * 0.3 # 权重0.3
# 策略3: 深度分析
depth_score = analyze_depth(face_region)
liveness_score += depth_score * 0.3 # 权重0.3
# 判断是否为真实人脸
is_real = liveness_score >= 0.75 # 阈值0.75
return is_real, liveness_score7.3 入侵检测与报警
系统实现了自动入侵检测和报警功能：
python
# 创建报警记录
alert_type = "未授权访问"
description = f"检测到未授权的人脸访问，时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"
create_alert(alert_type, description, image_filename)
# 触发报警通知
trigger_alarm(alert_type, description)报警通知功能使用邮件发送：
python
def send_alert_email(recipient, subject, body):
"""发送报警邮件"""
msg = MIMEMultipart()
msg['From'] = SMTP_USER
msg['To'] = recipient
msg['Subject'] = subject
# 添加正文
msg.attach(MIMEText(body, 'plain'))
# 发送邮件
try:
server = smtplib.SMTP(SMTP_SERVER, SMTP_PORT)
server.starttls()
server.login(SMTP_USER, SMTP_PASSWORD)
server.send_message(msg)
server.quit()
return True
except Exception as e:
print(f"邮件发送失败: {e}")
return False8. 系统性能与优化
8.1 性能优化策略
系统实现了多种优化策略以提高性能：
- 多线程处理：使用独立线程处理视频捕获和人脸识别，避免阻塞主线程
- 间隔处理：不处理每一帧，而是每隔一段时间（如0.5秒）处理一次
- 模型选择：使用HOG人脸检测器而非更慢的CNN模型，在保持准确率的同时提高处理速度
- 图像缩放：将输入图像缩小到合适尺寸再进行处理，提高检测速度
- 缓存机制：缓存已知人脸编码，避免重复计算
8.2 资源占用优化
针对CPU和内存占用优化的措施：
- 按需加载：只在需要时加载人脸识别模型
- 定时关闭：长时间无活动自动关闭摄像头
- 批量处理：将多个操作合并批量处理
- 内存管理：及时释放不再使用的资源
python
# 长时间无活动自动关闭摄像头
if current_time - self.last_access > 600: # 10分钟无活动
self.stop()
break9. 部署与维护
9.1 系统部署
系统支持多种部署方式：
- 本地部署：在本地计算机上运行，适用于小型办公室或家庭
- 服务器部署：在服务器上部署Web应用，通过网络访问
- 边缘设备部署：在专用的门禁控制设备上部署，如树莓派
部署流程：
1. 安装依赖包：pip install -r requirements.txt
2. 下载模型文件：python download_models.py
3. 初始化数据库：python init_db.py
4. 运行应用：
- Web应用：python run.py
- GUI应用：python run_gui.py9.2 系统维护
系统提供了便捷的维护功能：
- 用户管理：添加、编辑和删除用户
- 记录管理：查询和导出门禁记录
- 报警处理：查看和处理报警记录
- 系统设置：调整系统参数，如识别阈值、报警配置等
10. 总结与展望
10.1. 系统特点总结
本人脸识别门禁系统具有以下特点：
- 高安全性：结合人脸识别与活体检测，有效防止伪造欺骗
- 易用性：提供Web和GUI两种界面，满足不同用户需求
- 灵活性：模块化设计，便于扩展和定制
- 实时性：优化的视频处理流程，确保实时响应
- 可靠性：完善的异常处理和报警机制，保障系统稳定运行
10.2. 未来发展方向
系统可以从以下方面进一步发展和完善：
- 多模态融合：结合人脸识别与其他生物识别技术（如指纹、虹膜）提高安全性
- 深度学习优化：采用更先进的深度学习模型提高识别准确率
- 分布式部署：支持多门点联网管理，集中控制
- 移动端开发：开发移动应用，实现远程监控和管理
- 智能分析：加入人流统计、异常行为检测等智能分析功能
综上所述，本人脸识别门禁系统通过整合人工智能与计算机视觉技术，为门禁管理提供了安全、高效的解决方案。系统的模块化设计和优化策略，确保了良好的性能和用户体验，为智能安防领域提供了新的选择。