手写汉字识别的发展综述
一、手写汉字识别的研究背景与现状在上个世纪60年代，美国IBM公司开始进行了对印刷体汉字的模式识别研究工作，1996年Casey和Nag用模板匹配法成功的识别出了1000个印刷体汉字，在全球范围内，汉字识别开始展开了。而就在这个时候，研究界对手写汉字识别也掀起了高潮。因为汉字在日语中占有一定的地位，手写体汉字识别（HCCR）在一开始是由日本率先尝试研究的，在80年代，国内开始了对手写汉字的研究，因为汉语作为我们的母语，汉字主要在我国广泛使用，对汉字的种类、内涵、造字原理国内的掌握情况较透彻，所以关于手写汉字识别的深入研究主要集中在国内。手写体汉字识别由于数据采集方式不同可以划分为脱机手写体汉字识别和联机手写体汉字识别两大类。联机手写汉字识别所处理的手写文字是书写者通过物理设备(如数字笔、数字手写板或者触摸屏)在线书写获取的文字信号，书写的轨迹通过定时采样即时输入到计算机中。而脱机手写文字识别所处理的手写文字是通过扫描仪或摄像头等图像捕捉设备采集到的手写文字二维图片。由于识别的对象不同，使得这两类手写识别技术所采用的方法和策略也不尽相同。前者的识别对象是一系列的按时间先后排列的采样点信息，而后者则是丢失了书写笔顺信息的二维像素信息，由于没有笔顺信息，加之由于拍照扫描设备在不同光照、分辨率、书写纸张等条件下，数字化会带来一定的噪声干扰，一般来说，脱机手写文字识别比联机手写文字识别更加困难。手写汉字识别是一个极具挑战性的模式识别及机器学习问题，主要表现在:1)书写方式随意，不规正，无法达到印刷体要求；2)汉字字符级别比较繁杂，极具变化特点；3)诸多汉字在外形上相似，容易混淆；4)要求具备庞大的训练数据，但采集困难，特别是随意性、无约束性手写，对应数据库的构建显得力不从心。可见，手写汉字识别进步空间较大，需要综合各项技术，增加训练样本数据，提升识别率。一般而言，传统的手写中文单字识别系统主要包括数据预处理、特征提取和分类识别三部分。然而，近些年来，传统的手写汉字识别框架进展并不明显，原地踏步，急需寻找其它的解决方案。而深度学习正满足了手写汉字识别革新需求。实践证明，在深度学习技术协助下，联机HCCR、脱机HCCR的识别率都大为提升，同原有的识别技术相比进步非常明显。
二、深度学习模型典型的深度学习结构包括：1.深度置信网络(DBN)[1]，2006年，Hinton等人在长期研究后，推出了DBN。DBN极具创造性，囊括了无监督逐层训练理念，对神经网络隐藏层进行了丰富，壮大了训练方法。在DBN结构下，模型参数的初始解更加合理。利用无监督逐层训练，还能够进行层次性学习。2.CNN的最早雏形理念是由Fukushima在1980年首次提出，LeCun等将反向传播算法(Back-propagation，BP)用于卷积结构，提出了层与层之间局部连接且具有多层结构的卷积神经网络模型[2]。作为前馈神经网络，CNN非常适用于处理大型图像。在CNN架构中，设计有特征提取层、映射层。LeCun在卷积结构中应用反向传播算法，使卷积神经网络模型结构层次不断增加。在新结构层中，可看到交替的卷积聚合层。2012年，Krizhevsky加深了CNN，在Dropout、ReLU技术下，取得了ImageNet比赛的胜利[3]。3.2007年，Ranzato对深度学习结构进行了创新，得到层叠自动编码机架构。这样，原来的RBM由AE(自动编码机)取代，神经网络结构共2层，具有无监督特点。4.同SAE、CNN、DBN不同的是，RNN中的输出结果受到不同时期输入影响，此类神经网络具有存储记忆功能。也就是说，当前、过去输入，以及未来可能存在的输入都会对输出进行重建。在训练时，RNN也会生成反向传播算法，即BPTT。但是，在记忆时间上是短暂的，无法长期保存。近年来还涌现出不少别的深度学习模型，其中一类值得关注的模型是深度强化学习(DRN)[4]，例如GoogleDeepMind团队2015年提出的深度Q网络(DQN)，其在模拟人的智能及在线强化学习方面表现出优异的性能。
三、基于深度学习的手写汉字识别1.基于CNN的端到端的识别方法
2012年，多列CNN模型(MCDNN)由IDSIA实验室推出，同样具有“端-端”特点。MCDNN中，需要对CNN网络进行GPU训练，并平均集成CNN输出；以图像的形式转换联机、脱机手写样本，并通过CNN训练。在训练时，拒绝特征选择、提取，识别结果便是CNN输出结果。MCDNN在脱机及联机中文识别均取得了当时最先进水平的识别结果。
2.结合领域知识的CNN识别方法
虽然以MCDNN为代表的端到端的CNN模型设计简单，也取得了优异的识别性能，但端到端的方法一个不足之处在于其没有很好地利用要手写文字的一些先验领域知识，例如联机时序信息、领域相关的数据生成技术、方向变换特征等，而这些领域信息是无法通过CNN网络自动学习而获取的。下面将介绍近年来传统领域知识和CNN相结合的手写汉字识别方法。
数据生成技术：为了避免在训练过程中出现过拟合以及提升CNN模型的识别性能，除了采用Dropout等一些经典的方法之外，获取充足的训练样本是保障CNN等模型获得高性能的前提。但很多时候我们获得的训练样本是十分有限的，因此，数据增加技术是一种非常重要的提升CNN系统鲁棒性及推广能力的技术。2)方向变换特征：Graham等人不仅对稀疏CNN模型进行了研究，也对CNN输入层开展了全新的知识路径积分特征分析[5]。经实践，新技术能够提取联机时序信息特征，准确度比较高。在知识路径中，还加入了特征图。为此，同MCDNN法相比，识别CASIA-OLHWDB数据集的操作显得更为方便，速度更快，准确性更高。3.其他改进的CNN识别方法
在手写汉字识别领域，为了进一步提升深度学习模型的性能，研究人员除了加大模型深度和宽度及将传统领域知识与深度模型相结合之外，还对深度学习的网络结构和训练方法进行了各种改进。例如，CNN中常见最大值聚合操作的大小和步长一般都是整数，Graham[6]对此提出了更一般化的分数最大值聚合方法。除此之外，研究者对深度模型的样本训练方式也做出了改进。Yang等[7]从心理学对人的记忆遗忘规律的研究中受到启发，提出DropSample样本训练技术。另外，文献[8]提出了两种改进的CNN模型用于脱机手写汉字识别:RelaxationCNN(R-CNN)及AlternatelytrainingCNN(ART-CNN)。
4.基于其他深度模型的识别方法
拥有多个隐层的全连接神经网络一般可以统称为DNN，例如含有多个隐藏层的多层感知器神经网络，传统的多层神经网络的训练容易过拟合、容易陷入局部最优，而且随着层数加深会出现梯度弥散等问题。2014年，Du等[9]将传统方法和DBN方法结合，使用了三种分类器:原型距离、DNN和Bottleneck特征分类器。原型分类器由聚类算法构建，使用基于最大样本分离边界的最小分类误差准则进一步改进，是一个小型且高效的分类器。两个主流的深度神经网络CNN和DBN相比较而言，CNN不需要预训练，则相比于DBN的逐层预训练要省时，同时CNN因为加入卷积操作，能够更好处理图像信息，DBN则主要处理一维的数据，因此在手写体汉字识别中，CNN比DBN略胜一筹。此外，SAE等其他深度模型在大类别手写中文文字识别中的成功应用报道尚不多见。
5.基于RNN/LSTM的文本行识别方法
如前文所述，采用深度学习等技术之后，目前手写单字符识别问题已经在某种程度上获得了较好的解决，但相对单字符识别而言，含序列信息的手写文本行识别仍然是此领域还未解决的难点问题之一。针对此问题，一个有极大潜力的解决办法是应用深度学习方法中回归神经网络(RNN)模型，特别是LSTM和BLSTM等模型，由于对序列数据有很好的建模能力，因此它们更适合于解决诸如包含时序先后顺序信息的文字行识别问题。
四、总结、讨论与展望本文简要回顾了手写体汉字识别的研究背景，介绍了传统手写汉字识别系统中各个主要步骤所涉及到主要技术，指出当前研究的主要困难及所面临的挑战。然后介绍了CNN、RNN、LSTM、SAE、DBN等几种主要的深度学习模型。在此基础上，详细综述及分析了近年来采用基于深度学习的方法在联机及脱机手写体汉字识别的最新进展，总结了各种深度学习模型在手写体汉字识别的研究现状。手写体汉字识别经历了四十多年的长足发展,在单字和文本行识别性能上有了很大的提高，特别是以CNN为代表的一系列深度学习模型的出现，手写单字符中文识别问题已经基本上得到了很好解决,无论是联机还是脱机手写中文字符识别，目前基于CNN及其改进模型的方法均取得了接近甚至是超过人眼识别性能的高识别率。然而，在手写汉字识别领域，仍然很多值得研究的问题有待解决，例如:1)手写文本行识别问题:目前基于深度学习模型的联机及脱机手写文本行识别的成功报道很少。对于联机中文手写文本行识别，目前最好的识别率指标均才达到95%左右，而脱机手写文本行识别最好的指标仅为90%左右[10],特别是以整行为单位来评价识别率，行级别的识别率将会很低，仍然有很大的提升空间。可以说联机及脱机手写文本行识别仍然是未解决的难题。2)无约束的手写文字识别问题:其中一个值得关注的研究问题是旋转无关的手写识别问题，根据2010年发布的国家标准GB/T18790-2010“联机手写汉字识别系统技术要求与测试规程”，手写输入软件及设备必须要能识别±45度的手写样本，然而目前市场上的绝大部分主流输入法产品均无法满足此要求。尽管一些研究人员注意到此问题，并开展了不少前期探索工作，但总体而言，此问题仍然远未得到有效解决。相信深度学习新技术的出现，将为解决此问题提供崭新的思路及技术手段。另外，目前的研究工作绝大部分局限于解决简单的问题，例如单字符识别或简单的文本行识别，对于联机手写重叠文本行识别、混合手写单字/文本行/重叠以及来自整屏任意无约束书写的手写汉字识别的研究工作仍然鲜有报道，这是一个值得研究的课题。3)超大类别手写汉字识别问题:目前手写汉字识别研究报道所能识别的文字类型基本上以国标一级字库3755类汉字为主，针对实际应用场景下要能识别10000个以上类别的实用化手写识别研究的报道还不多，且缺乏公开的超大类别(例如支持GB8010-2000标准的27533类)训练及测试数据集。在如此大类别的情况下，如何研究一个处理速度快、模型参数足够小的可实用化的基于深度学习的解决方案将变得极具挑战性。因此，超大规模数据集的构建、针对各种深度学习模型的快速算法、深度学习模型的参数压缩技术等问题仍然需要研究人员的继续探索及解决。此外，超大类别还有一个很大的应用是古籍文献及手稿的内容识别及检索，中国古籍的字符类别超过3万类，而且有更多的变体字和相似字，如何解决训练样本不足的问题以及如何设计超大类别分类器都是值得关注的问题。4)新的深度学习模型在手写汉字识别中的应用研究:目前在手写汉字识别领域能取得比传统方法明显好的深度学习模型主要是基于CNN及其各种改进方法，其他的深度学习模型如DBN、RNN、LSTM/BLSTM/MDLSTM以及深度强化学习(DRN)模型在大类别手写汉字识别中的研究工作开展得还不多，各种深度学习模型之间的相互联系及融合应用的研究并不深入，我们十分期待其他的深度学习模型以及未来能有更新更好的针对文字识别的深度模型能提出来，并在手写汉字识别领域能取得突破性进展，从而促进此领域的研究及发展。5)自然场景中的文字检测与识别:近年来，随着大量的互联网图片爆炸式增长，自然场景中的文字检测及识别成为文字识别乃至计算机视觉领域一个极其重要和广受关注的热点研究课题，深度学习理论及技术的出现和发展为解决这一极具挑战的难题提供了很好的解决方案，近年来已经出现了大量研究成果[11]。但与传统的MSER框架的方法相比，深度学习的方法处理速度慢、模型参数存储量大等也亟待解决。此外，目前绝大多数研究工作是针对英文语言，针对中文的自然场景文字检测及识别的研究报道还不多见,而自然场景图像中的手写汉字检测及识别方面的研究工作开展的还很少，要解决这些问题任重而道远。总体而言，深度学习为解决手写汉字识别提供了新的理念及技术，近几年来也在此领域诸多方面取得了大量的研究成果，但仍然有不少研究问题值得进一步研究。
参考文献[1]HintonGE,SalakhutdinovRR.Reducingthedimensionalityofdatawithneuralnetworks.Science,2006,313(5786):504-507[2]LeCunY,BoserB,DenkerJS,HendersonD,HowardRE,HubbardW,JackelLD.Backpr-opagationappliedtohand-writtenzipcoderecognition.NeuralComputation,1989,1(4):541-551[3]RussakovskyO,DengJ,SuH,KrauseJ,SatheeshS,MaSA,HuangZH,KarpathyA,KhoslaA,BernsteinM,BergAC,LiFF.ImageNetlargescalevisualrecognitionchallenge.InternationalJournalofComputerVision,2015,115(3):211-252[4]LittmanML.Reinforcementlearningimprovesbehaviourfromevaluativefeedback.Nature,2015,521(7553):445-451[5]GrahamB.Spatially-sparseconvolutionalneuralnetworks.arXiv:1409.6070,2014.[6]GrahamB.Fractionalmax-pooling.arXiv:1412.6071,2014.[7]YangWX,JinLW,TaoDC,XieZC,FengZY.DropSample:anewtrainingmethodtoenhancedeepconvolutionalneuralnetworksforlarge-scaleunconstrainedhandwrittenChinesecharacterrecognition.arXiv:1505.05354,2015.[8]WuCP,FanW,HeY,SunJ,NaoiS.Handwrittencharacterrecognitionbyalternatelytrainedrelaxationconvolutionalneuralnetwork.In:Proceedingsofthe14thInternationalConferenceonFrontiersinHandwritingRecognition.Crete,Greece:IEEE,2014.291-296[9]DuJ,HuJS,ZhuB,WeiS,DaiLR.Astudyofdesigningcompactclassi¯ersusingdeepneuralnetworksforonlinehandwrittenChinesecharacterrecognition.In:Proceedingsofthe22ndInternationalConferenceonPatternRecognition.Stockholm,Sweden:IEEE,2014.2950-2955[10]MessinaR,LouradourJ.Segmentation-freehandwrittenChinesetextrecognitionwithLSTM-RNN.In:Proceedingsofthe13thInternationalConferenceonDocumentAnalysisandRecognition.Tunis:IEEE,2015.171-175[11]JaderbergM,VedaldiA,ZissermanA.Deepfeaturesfortextspotting.In:Proceedingsofthe13thEuropeanConferenceComputerVision.Zurich,Switzerland:Springer,2014.512-528
OCR技术的发展及应用
一、OCR技术的发展历程
OCR（OpticalCharacterRecognition）的概念诞生于1929年，由德国的科学家Tausheck首先提出，并且申请了专利。几年后，美国科学家Handel也提出了对文字进行识别的想法，但这种梦想直到计算机诞生后才变成为现实。现在这一技术已经由计算机来实现，OCR的意思也就演变成为利用光学技术对文字和字符进行扫描识别，并将其转化为计算机内码。
图像识别的发展，主要经历了哪几个阶段
图像识别技术是人工智能的一个重要领域。它是指对图像进行对象识别，以识别各种不同模式的目标和对像的技术。
图像识别发展的三阶段
图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，从印刷文字识别到手写文字识别，应用非常广泛。
数字图像处理和识别的研究很早，至今也有近50年历史。数字图像与模拟图像相比具有存储，传输方便可压缩、传输过程中不易失真、处理方便等巨大优势，这些都为图像识别技术的发展提供了强大的动力。
物体的识别主要指的是对三维世界的客体及环境的感知和认识，属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向，其研究成果被广泛应用在各种工业及探测机器人上。现代图像识别技术的一个不足就是自适应性能差，一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果。
图像识别问题的数学本质属于模式空间到类别空间的映射问题。目前，在图像识别的发展中，主要有三种识别方法：统计模式识别、结构模式识别、模糊模式识别。图像分割是图像处理中的一项关键技术，自20世纪70年代，其研究已经有几十年的历史，一直都受到人们的高度重视，至今借助于各种理论提出了数以千计的分割算法，而且这方面的研究仍然在积极地进行着。人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：AI可以识别图像，但它能理解标题吗？http://www.duozhishidai.com/article-10635-1.html图像识别是什么，卷积神经网络如何进行图像识别的？http://www.duozhishidai.com/article-1957-1.html图像识别技术是什么，应用于智能家居哪些领域http://www.duozhishidai.com/article-133-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
识别OCR发展简史
尤其是由清华大学电子工程系研制的清华TH一OCR产品和由汉王集团开发的尚书OCR产品，它们始终都处于技术发展的最前沿，并占据着最大的市场份额，代表着印刷体汉字识别技术的发展潮流。目前，印刷体汉字识别技术的研究热点已经从单纯的文字识别转移到了表格的自动识别与录入，图文混排和多语种混排的版面分析、版面理解和版面恢复，名片识别，金融票据识别和古籍识别等内容上。并且出现了许多相关的识别系统，如:中安未来科技推出的名片识别系统、身份证识别系统和“慧视”屏幕文字图像识别系统等等。这些新的识别系统的出现，标志着印刷体汉字识别技术的应用领域得到了广阔的扩展。
中安未来科技OCR识别工作流程概述
OCR识别系统，其目的很简单，把影像作转换，使影像内的图形继续保存、有表格的则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少、识别出的文字可再使用及分析，当然也可节省因键盘输入的人力与时间。
OCR识别流程剖析
1.图像输入、预处理：
2.图像输入：对于不同的图像格式，有着不同的存储格式，不同的压缩方式。预处理：主要包括二值化，噪声去除，倾斜较正等
3.二值化：
对摄像头拍摄的图片，大多数是彩色图像，彩色图像所含信息量巨大，对于图片的内容，我们可以简单的分为前景与背景，为了让计算机更快的，更好的识别文字，我们需要先对彩色图进行处理，只保留前景信息与背景信息，可以简单的定义前景信息为黑色，背景信息为白色，这就是二值化图了。
4.噪声去除：
对于不同的文档，我们对燥声的定义可以不同，根据燥声的特征进行去燥，就叫做噪声去除
5.倾斜较正：
由于一般用户，在拍照文档时，都比较随意，因此拍照出来的图片不可避免的产生倾斜，这就需要文字识别软件进行较正。
6.版面分析：
将文档图片分段落，分行的过程就叫做版面分析，由于实际文档的多样性，复杂性，因此，目前还没有一个固定的，最优的切割模型。
7.字符切割：
由于拍照条件的限制，经常造成字符粘连，断笔，因此极大限制了识别系统的性能，这就需要文字识别软件有字符切割功能。
8.字符识别：
这一研究，已经是很早的事情了，比较早有模板匹配，后来以特征提取为主，由于文字的位移，笔画的粗细，断笔，粘连，旋转等因素的影响，极大影响特征的提取的难度。
9.版面恢复：
人们希望识别后的文字，仍然像原文档图片那样排列着，段落不变，位置不变，顺序不变的输出到word文档,pdf文档等，这一过程就叫做版面恢复。
10.后处理、校对:
根据特定的语言上下文的关系，对识别结果进行较正，就是后处理。
目前的OCR识别技术早已成功应用于生活的方方面面：像小区出入口的车牌识别一体机、银行开户使用的银行卡识别、名片管理时的名片识别工具等等。OCR识别技术正在影响着我们的生活。返回搜狐，查看更多
图像识别（一）：发展与演进
0分享至随着计算机技术的发展，科学技术的不断进步，图像识别技术的应用日益广泛，例如：在一些公司中，通过人脸识别或指纹识别进行员工考勤打卡；支付宝通过人脸识别的方式进行支付；在交通管理系统中，通过采集汽车牌照来识别车辆是否有违规违章行为；在无人监考的考试中，通过识别考生的肢体动作来判断考生是否有作弊行为；在农业方面的种子识别技术、食品品质检测技术；在医学中的心电图识别技术等。图像识别已经融入在我们的日常生活中，并随着社会实践中越来越丰富的应用场景，被识别的对象内容也越来越复杂。近年来人工智能、深度学习等科学技术的快速发展，图像识别技术也日趋成熟，并在工业、农业、交通、医学等各个领域发挥着至关重要的作用。一、图像识别技术的发展图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，从印刷文字识别到手写文字识别，应用非常广泛，并且已经研制出了许多专用设备。数字图像处理和识别至今也有近50年历史了，数字图像与模拟图像相比具有存储，传输方便可压缩、传输过程中不易失真、处理方便等巨大优势，这些都为图像识别技术的发展提供了强大的动力。物体的识别主要指的是对三维世界的客体及环境的感知和认识，属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向，其研究成果被广泛应用在各种工业及探测机器人上。简言之，图像识别的发展经历就是从简单到复杂的识别过程。二、图像识别问题的方法在图像识别的问题中，其数据本质是模式空间到类别空间的映射问题。目前主要的识别方法有三种：统计模式识别、结构模式识别、模糊模式识别。统计模式识别是结合了统计概率论的贝叶斯决策系统进行模式识别，首先根据待识别对象的所包含的原始数据信息，从中提取出若干能够反映该类对象某方面性质的相应特征参数，并根据识别的实际需要从中选择一些参数的组合作为一个特征向量，根据统计决策的原理对特征空间进行划分，从而达到识别不同特征对象的目的。主要的分类方法有判别函数法、非线性映射法、K-近邻分类法、特征分析法等。结构模式识别是根据识别对象的结构特征，将复杂的模式结构先通过分解，划分为多个相对更简单的且更容易区分的子模式，若得到的子模式仍有识别难度，则继续对其进行分解，直到最终得到的子模式具有容易表示且容易被识规的结构为止，通过这些子模式就可以复原原先比较复杂的模式结构，主要用于需要对识别对象的各部分之间的联系进行精确识别时。而模糊识别则是对统计方法和结构方法的有用补充，对模糊事物进行识别和判断，其理论基础是模糊数据。它根据人辨别事物的思维逻辑，吸取人脑的识别特点，将计算机中常用的二值逻辑转向连续逻辑。模糊识别的结果是用被识别对象隶属于某一类别的程度，即用隶属度表示。可简化识别系统的结构，更广泛、深入地模拟人脑的思维过程，从而对客观事物进行更为有效地分类与识别。识别图像对人类来说是件极容易的事情，但是对机器而言，这也经历了漫长岁月。在计算机视觉领域，图像识别这几年的发展突飞猛进。例如，在PASCALVOC物体检测基准测试中，检测器的性能从平均准确率30%飙升到了现在的超过90%。对于图像分类，在极具挑战性的ImageNet数据集上，目前先进算法的表现甚至超过了人类。图像识别技术的高价值应用就发生在你我身边，例如视频监控、自动驾驶和智能医疗等，而这些图像识别最新进展的背后推动力是深度学习。深度学习的成功主要得益于三个方面：大规模数据集的产生、强有力的模型的发展以及可用的大量计算资源。对于各种各样的图像识别任务，精心设计的深度神经网络已经远远超越了以前那些基于人工设计的图像特征的方法。尽管到目前为止深度学习在图像识别方面已经取得了巨大成功，但在它进一步广泛应用之前，仍然有很多挑战需要我们去面对。与此同时，我们也看到了很多具有未来价值的研究方向。喜欢本文的话，欢迎关注活在信息时代哦：）特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端