简介：面向C/C++开发者与计算机视觉学习者的OpenCV动态扣图工程源码，聚焦实时视频流和连续图像序列中的前景对象提取，可用于监控、智能交通、人机交互等场景的原型验证。内容围绕BackgroundSubtractorMOG2与KNN两种背景减除模型展开，涵盖背景模型初始化与持续更新、前景二值掩码生成、轮廓检测与目标追踪，并包含鼠标选区指定背景/前景样本的交互式实现，以及学习率、混合高斯数量、噪声阈值等参数调优思路。压缩包共254个文件、约97.48MB，以126个hpp和49个h头文件为主体，辅以12个dll、6个lib及sln、vcxproj等工程配置和少量可执行文件，便于对照编译、调试与复用。已有476人学习，适合希望从完整工程理解背景建模流程、积累OpenCV视频分析实践经验的读者参考。

1. 从一段边缘全是锯齿的素材说起：这套 OpenCV 动态抠图源码解决的是什么

短视频换背景、直播虚拟场景、证件照换底色，这三类需求撞在一起时，OpenCV 动态抠图就成了绕不开的一环。某开发者拿颜色阈值加轮廓试了两天，白天勉强能用，一换灯光边缘就碎成锯齿，头发丝整片断掉。这套 C/C++ 源码把"动态"拆成两件事：单帧用 GrabCut 的 GMM 迭代做前景分割，帧间用背景建模、掩膜平滑和边缘羽化保证稳定。它适合会一点 C++、要把抠图嵌进自己工程的人，不适合指望一键出影视级发丝的人。下面按编译、参数、动态场景、避坑的顺序拆。

2. 编译与跑通：把 C++ 源码变成能输出掩膜的可执行文件

拿到源码包，第一步要做的是让它先跑出一张掩膜，而不是急着读实现。原因很简单：GrabCut 这类算法的输入约定比代码逻辑更容易出问题，图像通道数、矩形坐标、掩膜初始值，任意一个不对，结果就是全黑或者全白，你会误以为是算法本身不行。先把一个最小可执行文件跑通，后面调参数才有参照系。

2.1 依赖与目录：OpenCV 4.x + CMake 的最小组合

这套源码的依赖不复杂，核心是 OpenCV 的 core、imgproc、video、videoio、highgui 五个模块。video 模块负责视频流读写和背景建模，videoio 负责解码，highgui 只在调试预览时用得上。如果源码里出现了guidedFilter，还需要额外装 opencv_contrib，并链接 ximgproc，这一点在编译前就要确认，否则会卡在一堆未定义符号上。

我一般会把目录整理成下面这样，源码包自带的目录如果不一致，按这个结构挪一下，后面 CMake 写起来会省事：

先确认本机 OpenCV 能被找到。Linux 下最直接的一条命令是pkg-config --modversion opencv4，能打印出版本号说明头文件和库路径都注册好了。Windows 下没有 pkg-config，就在 CMake 里显式指定OpenCV_DIR，指向opencv/build下的 cmake 目录。macOS 用 Homebrew 装的，opencv4的 pkg-config 名称一般也是这个。

提示：OpenCV 3 和 4 在颜色空间常量命名上有差异，源码里如果写的是CV_BGR2GRAY，在 4.x 下可能直接编译不过。统一改成cv::COLOR_BGR2GRAY这类带命名空间的写法，能少踩一轮坑。

2.2 从源码到可执行：一份能复现的 CMakeLists 与编译命令

源码包如果没带构建脚本，用下面这份就够。关键在于find_package只拉需要的组件，链接时不要图省事写${OpenCV_LIBS}之外的东西，contrib 模块要单独加。

cmake_minimum_required(VERSION 3.10) project(matting_demo CXX) set(CMAKE_CXX_STANDARD 14) set(CMAKE_CXX_STANDARD_REQUIRED ON) # 只找实际用到的模块，contrib 的 ximgproc 按需追加 find_package(OpenCV REQUIRED COMPONENTS core imgproc video videoio highgui) add_executable(matting_demo src/main.cpp src/grabcut_matting.cpp src/mask_postprocess.cpp ) target_include_directories(matting_demo PRIVATE ${OpenCV_INCLUDE_DIRS} include ) target_link_libraries(matting_demo PRIVATE ${OpenCV_LIBS})

上面这段 CMake 的逻辑是：COMPONENTS限定查找范围，避免本机装了残缺的 OpenCV 时链接到不存在的模块；target_include_directories把头文件目录和 OpenCV 头文件一起挂上；target_link_libraries只链 OpenCV 库，不带多余依赖。参数上唯一需要改的是CMAKE_CXX_STANDARD，源码里用了 C++17 的 structured binding 就提到 17，否则 14 足够。

生成和编译两条命令：

mkdir -p build && cd build cmake .. -DOpenCV_DIR=/path/to/opencv/lib/cmake/opencv4 cmake --build . -j4

OpenCV_DIR指向的是 OpenCV 安装目录下的lib/cmake/opencv4，不是 OpenCV 根目录，这是最常见的路径写错。-j4按机器核数改，编译期主要开销在模板实例化，核多的机器拉到-j8也正常。

不想用 CMake 的话，单条 g++ 也能编，适合快速验证：

g++ -std=c++14 src/*.cpp -Iinclude \ $(pkg-config --cflags --libs opencv4) \ -O2 -o matting_demo

-O2别省，GrabCut 的 GMM 迭代在 Debug 下慢到你会怀疑算法复杂度。pkg-config那一串同时给出 include 路径和链接参数，顺序不能颠倒，库要放在源文件后面。

2.3 第一次运行：输入输出约定与三个必查项

最小可执行文件不需要接摄像头，先拿一张图跑通单帧。下面这段就是源码里main.cpp的骨架，输入图片路径和可选矩形，输出二值掩膜和抠出的前景。

#include <opencv2/opencv.hpp> #include <iostream> int main(int argc, char** argv) { if (argc < 2) { std::cerr << "用法: " << argv[0] << " <图片路径> [x y w h]\n"; return -1; } cv::Mat img = cv::imread(argv[1], cv::IMREAD_COLOR); if (img.empty()) { std::cerr << "读图失败，先检查路径和文件编码\n"; return -2; } // 四通道图直接进 grabCut 会报断言，先统一成三通道 if (img.channels() == 4) { cv::cvtColor(img, img, cv::COLOR_BGRA2BGR); } cv::Rect rect(10, 10, img.cols - 20, img.rows - 20); if (argc == 6) { rect = cv::Rect(std::atoi(argv[2]), std::atoi(argv[3]), std::atoi(argv[4]), std::atoi(argv[5])); } // 矩形必须完全落在图像内，越界是最常见的翻车点 rect &= cv::Rect(0, 0, img.cols, img.rows); cv::Mat mask(img.size(), CV_8UC1, cv::GC_PR_BGD); cv::Mat bgdModel, fgdModel; cv::grabCut(img, mask, rect, bgdModel, fgdModel, 5, cv::GC_INIT_WITH_RECT); // 0/2 是背景，1/3 是前景，这里只保留确定前景和可能前景 cv::Mat bin = (mask == cv::GC_FGD) | (mask == cv::GC_PR_FGD); bin.convertTo(bin, CV_8U, 255); cv::Mat fg; img.copyTo(fg, bin); cv::imwrite("mask.png", bin); cv::imwrite("fg.png", fg); return 0; }

逻辑上分四步：读图并统一通道、构造初始掩膜、调用grabCut、把 0/1/2/3 的标签映射成 0/255 的二值图。注意(mask == cv::GC_FGD) | (mask == cv::GC_PR_FGD)这一句，很多示例只取GC_PR_FGD，会丢掉确定前景像素，边缘看起来像被啃掉一圈。

参数上要盯三个地方。rect默认留了 10 像素边，如果前景贴边，这个边要缩小，否则前景边缘会被判成背景。iterCount给 5 是单帧的稳妥值，视频流里为了帧率一般降到 1 到 3。初始掩膜用GC_PR_BGD全图铺底，表示"全部可能是背景"，让算法从矩形内部往外推。

跑完先看三件事：mask.png是不是全黑或全白、fg.png的背景区域有没有残留、边缘有没有明显的方块感。全黑通常是矩形越界或图像通道不对；边缘方块感是掩膜没做后处理，下一章会补。

3. GrabCut 参数拆解：矩形初始化、模型尺寸与掩膜初值

GrabCut 的接口看起来参数不多，真正会影响结果的就三个：你怎么给初始掩膜、迭代几次、前景背景两个 GMM 模型怎么维护。其余细节都封在实现里，翻博客找"终止条件参数"会白费时间，因为 C++ 接口根本没暴露它。

3.1 四种初始化方式：RECT、MASK、预计算与掩膜复用

grabCut的最后一个参数决定初始化方式，常用的是前两种：

矩形初始化最简单，但边界很硬：矩形外一律当确定背景，人物肩膀超出矩形一点，那块就直接没了。我一般会把矩形往外扩 5% 到 10%，宁可多带一点背景，让 GMM 自己去分。

掩膜初始化是视频场景的关键。把上一帧的结果直接当下一帧的初值，相当于给算法一个强先验，帧间抖动会小很多：

// prevMask 来自上一帧，取值必须是 0/1/2/3 cv::Mat mask = prevMask.clone(); // MASK 模式下 rect 参数被忽略，传空 Rect 即可 cv::grabCut(img, mask, cv::Rect(), bgdModel, fgdModel, 2, cv::GC_INIT_WITH_MASK);

这里迭代次数只给 2，因为初值已经很好，多迭代反而会把上一帧的误差放大。bgdModel和fgdModel跨帧复用能省一点初始化开销，但场景切换、镜头切换时必须release()后重新分配，否则旧场景的颜色统计会污染新帧。

3.2 三个必须调对的参数：iterCount、模型尺寸与掩膜初值

iterCount是唯一直接暴露的迭代控制。单帧图给 5 基本够，复杂背景给到 8 收益也很小；视频流给 1 到 3，再高帧率扛不住。真正决定收敛质量的是初始掩膜，迭代次数只是修正量。

bgdModel和fgdModel这两个矩阵经常被忽略。它们必须是CV_64FC1、尺寸1x65，由grabCut内部按需分配。如果你手动构造，类型不对会直接断言失败；如果你跨帧复用，记得每 30 到 50 帧重置一次，防止模型漂移。

cv::Mat bgdModel, fgdModel; // 首次调用传空 Mat，函数内部会分配 1x65 CV_64FC1 cv::grabCut(img, mask, rect, bgdModel, fgdModel, 3, cv::GC_INIT_WITH_RECT); // 场景切换时强制重置，避免旧颜色统计污染新帧 bgdModel.release(); fgdModel.release();

掩膜初值的取值只有四个：GC_BGD=0、GC_FGD=1、GC_PR_BGD=2、GC_PR_FGD=3。从二值图转过来时必须做映射，255直接塞进去会被当成非法标签，结果不可预期。常见做法是把确定前景设 1、确定背景设 0、其余设 3，让算法只优化不确定区域。

3.3 掩膜后处理：形态学、孔洞填充与边缘羽化

grabCut出来的掩膜是标签图，不是给人看的二值图，边缘还带着 GMM 的颗粒感。后处理这一步不做，合成结果会有明显的毛边和碎块。

cv::Mat refineMask(const cv::Mat& rawMask) { // 1) 标签图转二值图 cv::Mat bin = (rawMask == cv::GC_FGD) | (rawMask == cv::GC_PR_FGD); bin.convertTo(bin, CV_8U, 255); // 2) 开运算去孤立噪点，核大小随分辨率走 cv::Mat kernel = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(5, 5)); cv::morphologyEx(bin, bin, cv::MORPH_OPEN, kernel); // 3) 闭运算补前景内部的小孔 cv::morphologyEx(bin, bin, cv::MORPH_CLOSE, kernel); // 4) 只保留最大连通域，去掉背景里飞来的碎块 std::vector<std::vector<cv::Point>> contours; cv::findContours(bin, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); if (!contours.empty()) { auto largest = std::max_element( contours.begin(), contours.end(), [](const auto& a, const auto& b) { return cv::contourArea(a) < cv::contourArea(b); }); cv::Mat clean = cv::Mat::zeros(bin.size(), CV_8UC1); cv::drawContours(clean, std::vector<std::vector<cv::Point>>{*largest}, -1, 255, cv::FILLED); bin = clean; } // 5) 高斯羽化，sigma 控制过渡带宽度 cv::Mat alpha; cv::GaussianBlur(bin, alpha, cv::Size(0, 0), 1.5); return alpha; }

逻辑说明：开运算去掉背景误判的孤立白点，闭运算补前景内部因颜色接近背景而产生的小洞，最大连通域过滤掉画面边缘飞来的碎块，最后高斯模糊把硬边变成 3 到 5 像素的过渡带。cv::Size(0, 0)表示让 OpenCV 根据 sigma 自动算核大小，sigma 给 1.5 对应 720p 素材；4K 素材给 2.5 到 3.0，否则过渡带相对画面太窄，缩放后还是硬边。

参数上唯一要随分辨率改的是形态学核大小。720p 用 5x5，1080p 用 7x7，4K 用 9x9 或 11x11。核太小去不掉噪点，核太大会把手指、发梢这类细结构一起腐蚀掉。这一步做完再合成，边缘的"纸片感"会明显下降。

4. 动态场景的帧间稳定：从单帧抠图到时序掩膜

单帧掩膜好看，不等于视频好看。视频里最刺眼的问题不是边缘精度，是闪烁：同一块背景，这一帧判前景、下一帧判背景，人眼看着就像在抖。要压住它，得在单帧结果之外再加一层时序逻辑。

4.1 背景差分与 MOG2：什么时候该把动态交给背景建模

镜头固定、光照稳定的场景，背景建模比逐帧 GrabCut 更稳也更快。OpenCV 的 MOG2 把每个像素建模成多个高斯分布，前景就是"不符合背景分布"的像素。

// history 控制背景记忆长度，varThreshold 控制判定敏感度 cv::Ptr<cv::BackgroundSubtractorMOG2> bg = cv::createBackgroundSubtractorMOG2(500, 16.0, true); cv::Mat fgMask; bg->apply(frame, fgMask); // detectShadows=true 时阴影像素是 127，不是 255，要单独处理 cv::Mat shadow = (fgMask == 127); fgMask.setTo(0, shadow);

history=500在 25fps 下大约记 20 秒背景，人流密集的场景可以降到 200，让背景模型跟得快一点；varThreshold=16是默认值，光照变化剧烈时提到 25 到 36 能减少误检，但太低会把缓慢移动的前景吞进背景。detectShadows打开后阴影是 127，不处理就会在合成图里留一圈灰边。

MOG2 的边界很清楚：镜头一动、焦距一变，背景模型立刻失效，画面会整片判前景。所以我的习惯是先用 MOG2 出粗掩膜，再把它当 GrabCut 的初始掩膜，两者结合比单用任何一个都稳。

4.2 时序平滑：掩膜 EMA、光流对齐与抖动抑制

最省事的平滑是 EMA，把当前帧掩膜和上一帧按比例混合：

double alpha = 0.4; // 当前帧权重，越小越稳、越大越跟手 if (prevMask.empty()) prevMask = curMask.clone(); cv::addWeighted(curMask, alpha, prevMask, 1.0 - alpha, 0, prevMask);

alpha给 0.4 意味着当前帧占四成、历史占六成，静态场景很稳，但快速挥手会出现拖影。要压拖影就得做运动补偿，用光流把上一帧掩膜先对齐到当前帧，再混合：

cv::Mat flow; cv::calcOpticalFlowFarneback(prevGray, gray, flow, 0.5, 3, 15, 3, 5, 1.2, 0); cv::Mat mapX(prevGray.size(), CV_32FC1), mapY(prevGray.size(), CV_32FC1); for (int y = 0; y < flow.rows; ++y) { for (int x = 0; x < flow.cols; ++x) { cv::Vec2f f = flow.at<cv::Vec2f>(y, x); mapX.at<float>(y, x) = x + f[0]; mapY.at<float>(y, x) = y + f[1]; } } cv::Mat warpedPrev; cv::remap(prevMask, warpedPrev, mapX, mapY, cv::INTER_LINEAR);

Farneback 的参数里，pyr_scale=0.5是金字塔缩放，levels=3决定能跟踪多大的位移，winsize=15是局部窗口，越大越平滑但越慢，poly_n=5和poly_sigma=1.2控制多项式展开的平滑度。这套参数在 720p、人物中速移动下比较稳，快速运动要加levels到 4，但帧率会掉三分之一左右。

光流对齐之后再做 EMA，拖影会明显减轻。代价是每帧多一次稠密光流计算，1080p 下大概多 15 到 25 毫秒，实时场景要权衡。

4.3 Alpha 混合与边缘：发丝上的硬边怎么救

二值掩膜合成出来的人物边缘是硬切，放大看像贴纸。改善的办法是让边缘带 alpha 渐变，同时对前景内部做引导滤波，把边缘贴回原图纹理。

cv::Mat guide; cv::cvtColor(img, guide, cv::COLOR_BGR2GRAY); // radius 越大越平滑，eps 越小越贴边缘 cv::Mat refined; cv::ximgproc::guidedFilter(guide, alphaMask, refined, 8, 1e-2); // 三通道 alpha 用于合成 cv::Mat alpha3; cv::cvtColor(refined, alpha3, cv::COLOR_GRAY2BGR); alpha3.convertTo(alpha3, CV_32F, 1.0 / 255.0); cv::Mat fg, bg, out; img.convertTo(fg, CV_32F); bg.convertTo(bg, CV_32F); out = fg.mul(alpha3) + bg.mul(cv::Scalar::all(1.0) - alpha3); out.convertTo(out, CV_8UC3);

guidedFilter的radius=8对应约 16 像素窗口，eps=1e-2决定边缘保留强度，eps 越大越平滑、越小越贴原始边缘。发丝这类高频细节，eps 给 1e-3 到 5e-3 之间效果更自然，但背景纹理也会透过来一点，需要按素材试。

如果本机没装 contrib，退而求其次用双边滤波：

cv::Mat refined; cv::bilateralFilter(alphaMask, refined, 9, 75, 75);

d=9是邻域直径，sigmaColor=75控制颜色相似度容忍，sigmaSpace=75控制空间距离影响。效果比引导滤波差一档，但依赖少，适合先跑通再替换。

5. 避坑与排查：五类跑不出结果的常见问题

这一章按"现象、原因、解决"写，每条都是实际调试里反复出现的。遇到问题先对号入座，比漫无目的地改参数快得多。

5.1 掩膜全黑或全白：从颜色空间到矩形坐标的排查顺序

现象：跑完mask.png全黑，fg.png是一张全黑图。原因通常是矩形越界。cv::Rect的x + width超过图像宽度时，GrabCut 内部裁出来的区域是空的，所有像素都按背景处理。解决是把矩形和图像区域做一次与运算，代码就是 2.3 里那句rect &= cv::Rect(0, 0, img.cols, img.rows)，别省。

现象：掩膜全白，前景铺满整张图。原因多半是传入的是四通道 PNG，alpha 通道被当成第四个颜色维度参与 GMM，前景背景分不开。解决是先cvtColor成三通道，或者在imread时直接传cv::IMREAD_COLOR强制三通道。

现象：掩膜边缘有一圈整齐的直角。原因是矩形初始化时前景贴边，矩形外的像素被硬判成背景。解决办法是把矩形往外扩 5% 到 10%，或者干脆改用掩膜初始化，先用粗略阈值圈一个更大的范围。

5.2 视频流下的闪烁与拖影：三个反例

现象：同一块背景区域逐帧黑白跳变，合成后像在闪。原因是每帧都从GC_INIT_WITH_RECT重新开始，初始掩膜每帧都是全GC_PR_BGD，GMM 每次重头收敛，结果自然不稳定。解决是把上一帧掩膜当下一帧初值，用GC_INIT_WITH_MASK，迭代次数降到 2。

现象：人物快速挥手时手边缘拖着一条残影。原因是 EMA 的alpha给小了，历史权重太高。解决是把alpha从 0.3 提到 0.5 到 0.6，或者加光流对齐后再混合。判断标准很简单：手停下后残影超过两帧还没消失，就是平滑过头了。

现象：人物站定不动超过十几秒，身体局部被吞进背景。原因是 MOG2 的history太短或者学习率太高，静止前景被当成背景更新掉了。解决办法是给前景区域加冻结更新：把上一帧掩膜膨胀后作为掩膜传给bg->apply(frame, fgMask, learningRate)，前景区域的学习率传 0，背景区域传默认值。

5.3 编译期与运行期的崩溃：通道数、路径与 Release 版本

现象：编译报COLOR_BGR2GRAY未声明。原因是头文件只包含了opencv2/core.hpp，颜色转换常量在imgproc.hpp里。解决是统一包含opencv2/opencv.hpp，或者显式加上#include <opencv2/imgproc.hpp>。

现象：imread返回空，但路径肉眼看着没问题。Windows 下最常见的是路径含中文，imread按窄字符处理会失败。解决办法是用std::ifstream读二进制再cv::imdecode，或者把素材路径改成纯英文。Linux 下则要检查工作目录，相对路径是相对可执行文件启动目录，不是源码目录。

现象：Debug 编译正常，Release 下跑几帧就崩。原因是 Release 下未初始化的cv::Mat不会自动填零，越界访问直接段错误。排查顺序是：所有at<T>访问前打印rows、cols、channels；跨线程共享的Mat一律clone()后再传；bgdModel和fgdModel在场景切换时release()而不是复用。

注意：grabCut对输入图像尺寸有隐式要求，极小图（比如小于 20x20）会直接断言失败。批量处理前先过滤掉尺寸异常的帧，比在算法里加判断省事。

6. 把抠图嵌进流水线：降采样策略与一个可复用的自检脚本

真正上线时，没人会拿 1080p 原图逐帧跑 GrabCut，太慢。我一般把工作分辨率压到 480p 做分割，再把掩膜放大回原图做边缘修正，速度能差出三到四倍，边缘质量靠引导滤波补回来。

const int kWorkWidth = 480; double scale = static_cast<double>(kWorkWidth) / img.cols; cv::Mat small; cv::resize(img, small, cv::Size(), scale, scale, cv::INTER_AREA); // 小图上跑 GrabCut，迭代 3 次足够 cv::Mat smallMask; cv::grabCut(small, smallMask, smallRect, bgdModel, fgdModel, 3, cv::GC_INIT_WITH_RECT); // 掩膜放大回原图，用线性插值保留过渡带 cv::Mat fullMask; cv::resize(smallMask, fullMask, img.size(), 0, 0, cv::INTER_LINEAR); // 全分辨率原图做引导，把边缘贴回去 cv::Mat guide; cv::cvtColor(img, guide, cv::COLOR_BGR2GRAY); cv::ximgproc::guidedFilter(guide, fullMask, fullMask, 8, 1e-2);

这段的关键在最后两步：INTER_LINEAR放大掩膜会自带一点过渡，比INTER_NEAREST的锯齿边好；引导滤波用全分辨率灰度图当引导，把放大过程中糊掉的边缘重新对齐到原图纹理。radius给 8 是 1080p 下的经验值，4K 素材给 12 到 16。

参数调没调对，不能靠眼睛。我习惯用一个人工标注的小验证集跑批量对比，统计 IoU 和单帧耗时：

import cv2 import numpy as np import time def iou(pred, gt): p = pred > 127 g = gt > 127 inter = np.logical_and(p, g).sum() union = np.logical_or(p, g).sum() return inter / union if union else 0.0 cases = [("data/01.jpg", "data/01_gt.png"), ("data/02.jpg", "data/02_gt.png")] for img_path, gt_path in cases: gt = cv2.imread(gt_path, cv2.IMREAD_GRAYSCALE) t0 = time.time() # 这里换成调用可执行文件或直接调 C++ 导出接口 pred = cv2.imread("mask.png", cv2.IMREAD_GRAYSCALE) dt = (time.time() - t0) * 1000 print(f"{img_path} IoU={iou(pred, gt):.3f} 耗时={dt:.1f}ms")

跑上十张不同光照、不同背景复杂度的样张，把iterCount、工作分辨率、guidedFilter的eps做成三组对照，记录在表里再定参数，比拍脑袋靠谱：

表里能看出一个反直觉的点：480p 到 720p，IoU 只涨了两个点，耗时翻倍；720p 到原图，IoU 没变，耗时再翻近三倍。所以除非素材本身就是低分辨率、前景占比极小，480p 加全分辨率修边是性价比最高的档位。

我踩过最贵的一次坑，是拿单张图调好的iterCount=8直接上视频流，帧率从 25 掉到 7，还以为是编码问题查了一下午。从那以后每次换场景，我都强制先跑一遍上面这个 IoU 加耗时的对照表，确认参数量级再往流水线里塞。希望这套拆法能帮到你，少走几段弯路。

本文还有配套的精品资源，点击获取