融合深度和轮廓与RGB-D传感器扫描透明的对象

文摘

基于结构光或激光扫描三维重建已广泛应用于工业测量、机器人导航、虚拟现实。然而,大多数现代范围传感器无法扫描透明物体和其他一些特殊的材料,表面不能反射准确的深度,因为光的吸收和折射。在这篇文章中,我们融合的深度和轮廓信息从一个RGB-D传感器(Kinect v1)恢复失去的透明物体表面。我们的系统分为两个部分。首先,我们利用零和错误的深度由透明材料从多个视图搜索3 d地区包含透明的对象。然后,基于形状轮廓技术,我们恢复视觉船体的三维模型在这些嘈杂的地区。联合Grabcut分割操作多个彩色图像提取轮廓。的初始约束Grabcut自动确定。实验验证我们的方法可以提高透明物体的3 d模型在实际场景。我们的系统是节省时间的,健壮的,在整个过程中没有任何交互操作。

1。介绍

基于结构光三维重建,包括干涉图样,红外斑点,TOF、和激光扫描,是广泛应用于工业测量、机器人导航、虚拟现实的精确测量。尽管良好的性能在特定设置,是麻烦的结构光扫描透明的对象。透明的对象属于非镜面不能正确反映深度光吸收的特性,反射和折射。因此,一些3 d采集系统是专门为透明的开发对象(1- - - - - -3]。

另一方面,消费级RGB-D传感器的普及,如Kinect,让它更容易结合深度和RGB信息改进3 d扫描系统。我们意识到,我们可以通过结合被动恢复透明的表面重建方法透明物体出现在彩色图像的稳定形状。自透明的对象通常是用更少的纹理,形状轮廓(SFS)被认为是更适合解决透明问题。此外,SFS的缺陷,未能形成凹对象可以通过结构光。

一些研究人员试图融合的深度和3 d扫描轮廓信息。Yemez和Wetherilt4)提供一个3 d扫描系统,融合激光扫描和SFS的表面来填补漏洞。Narayan et al。5船体]融合视觉和深度图像的2 d图像域。和他们的方法可以获得高质量的模型简单,凹,透明物体交互式分割。然而,他们两人只有实现良好的结果在实验室环境但不适用于自然场景和复杂的背景。

Lysenkov et al。6)提出一个实用的方法来处理透明的现实世界中的对象。我们的想法是类似于他们的。我们也试图寻找近似透明的对象和其他一些地区nonspecular对象暗示深度传感器的噪声在我们使用Grabcut [7)(经典图像消光法)提取彩色图像的轮廓。

本文的主要贡献(我)一个完整的系统解决问题的容积三维重建基于多个RGB-D透明物体的图像与已知的姿势,(2)一种新型管道定位在反弹前透明对象SFS的模型,(3)一个健壮的透明物体定位算法都暗示零深度(ZD)和错误的深度(WD),(iv)我们的系统能够应对真实世界的数据,不需要任何交互操作。

2。相关工作

2.1。透明的对象定位

透明和半透明的对象的属性在主动和被动重建系统是复杂和难以捉摸,因为它受多种因素的影响8]。所以大多数之前的工作透明对象定位在现实世界中往往专注于透明物体的外观,而不是加快预计模型。

Klank et al。9)内部感觉矛盾来自两个TOF摄像头检测和重建透明物体。王等人。10]玻璃边界探测器融入MRF框架定位玻璃对象一双RGB-D图像。文献[6发展机器人抓取系统,可以解决透明问题。在重建的一部分,6ZD)检测透明像素的深度图像,为Grabcut提供初始化(7)进一步在相应的彩色图像分割。Alt et al。11]提出一种方法来检测透明物体通过搜索几何不一致和背景扭曲造成的折射和反射的红外线Kinect。

所有上述作品本地化透明对象2 d图像域和[6,10独立于每个RGB-D帧)段。但许多其他种类的ZD、WD噪音都包含在深度图像,阴影噪声等提高透明区域的过高的风险。为此,我们探索一种新的策略,共同检测透明物体在三维空间中从多个深度图像。

2.2。多视图分割

多视图分割(MVS)是关键问题轮廓的形状,和两个主要技术流在以前的工作。

一个是联合分割直接在3 d体积根据观察从多个视图12- - - - - -14]。这些文件分别扩展活动轮廓,贝叶斯推理,Grabcut 3 d体积表示。MVS上透明的对象是具有挑战性的,因为它们相似的背景颜色和强度。在这种情况下,彩色图像的边界信息变得越来越重要,但很容易破碎,从2 d到3 d体积。3 d边界词只能帮助表面光滑但未能正确错误的分割。

我们落在其他流方法:分割图像(15- - - - - -17]。Zhang et al。15]让多个彩色图像共享GMM的前景和背景颜色模型和传播轮廓的分割线索在视图一致性所诱导的深度。考虑到透明对象反映了不可靠的深度,我们共同段多个RGB-D图像基于Grabcut [7用另一种方式)。

3所示。系统概述

图1提供了该方法的管道。系统的输入数据包括深度和彩色视频RGB-D传感器收集到的多个视图,例如,Kinect v1。我们假设每个颜色深度和相机的姿势已经知道通过校准或连续跟踪,例如,Kinectfusion [18]。

对于每个深度帧,我们首先分类深度像素分成几个类别:测量深度,nonmeasured深度可进一步分为阴影噪声,超出范围的噪音,噪音和特殊的表面。然后,对于测量深度,我们遵循签署的截断距离函数(TSDF) [19)集成范围指向全球立体像素网格和获得原始模型可能错过了透明的对象。在另一个进程,一个算法来搜索噪音地区三维工作空间。三个变量相结合的体素与沉重的噪音。变量,分别zero-depth像素的线索,签署了距离的方差,frame-frame深度一致性。一个或多个噪声区域由这些嘈杂的体素被认为是包含透明对象或其他特殊材料。

然后,我们reproject每个噪声区域在颜色帧来获取一个儿童彩色图像序列。之后,轮廓提取子图像恢复丢失的表面由透明的对象。对于分割,我们扩展Grabcut [7一种无监督和联合的方式。“无监督”意味着Grabcut如标签的初始约束先验前景和背景像素是自动生成的指导与噪声区域。“联合”包含两层含义。一个是我们共同考虑观察深度和先天的像素颜色信息来确定;另一个是颜色Grabcut GMM模型由多个孩子共享图片。最后,TSDF模型和生成视觉船体是完整的模型的融合。

值得注意的是,与其他系统(4,5),我们船体变形的视觉在几个较小的体积,而不是整个工作空间。因此,SFS的复杂性和工作负载可以松了一口气。在接下来的两个部分,噪声区域的算法搜索和联合多视图分割将详细讨论。

4所示。噪声区域搜索

存在各种噪声对深度图像传感器捕捉到范围。Kinect v1,零深度(ZD)可能是由于噪音超出范围,影子噪音,镜面或非镜面噪音,横向噪音。错误的深度可能引入的镜面或非镜面和传感器本身的偏差20.]。所以我们不认为这是一个可行的方法来定位和恢复噪声区域由透明材料直接在深度图像的自然场景。我们采取一种更健壮的方案搜索区域的特殊表面3 d空间。

4.1。深度分类

为了避免其他类型的噪声干扰,我们分类深度像素在每个深度图像分成几类,之前我们尝试寻找噪音感兴趣的地区。

首先,测量深度保留没有任何操作。

其次,我们提出的检测阴影噪声的方法于et al。21]。阴影噪声出现在物体阻碍的道路从投影结构光三角测量系统中的相机。

第三,ZD范围进行分类。一些噪音引起的该类ZD太远或太近测量;另一种是ZD确定噪声源除了工作空间的边界。工作空间的深度范围由两个值,和。为每个深度帧,我们让每个ZD 3像素沿着四个方向(上,下,左,右)像素的像素在图像平面。一旦遇到一个像素的深度测量以及之间的值和,我们得分的ZD像素+ 4,停止行进的。一旦遇到测量像素的深度超出了工作空间,我们的分数通过−1和停止游行。我们试着寻找超出范围ZD像素区域毗邻超出范围的深度。如果ZD像素游行,直到满足图像的边界,它将得分−4。完成四个方向的得分后,ZD像素的评分小于0被视为噪音超出范围。此外,对于以下操作,我们也区分太远太近ZD然后填补太远ZD由大的深度值代表背景。

没有分类的ZD像素离开被视为噪声由透明的对象或其他特殊材料。深度分类的结果可以在图中找到2。尽管一些超出范围ZD像素是低估了,误认为是透明噪声由于我们保守的计划,这个错误有一个小的噪音影响以下地区在3 d空间搜索。

4.2。搜索大量嘈杂的体素

观察到Kinect v1,通常有两种类型的深度透明对象的外观。见图3底部的瓶子和水,zero-depth噪声出现跨多个深度帧是一致的。另一种外观存在的颈瓶,它是混合着零深度和错误的深度,从实际价值的转变。混合区域观察到很不稳定,一直在改变从帧到帧即使深度相机和场景都保持不动。为了方便起见,我们名字两种外观零深度(ZD)和错误的深度(WD)在下面描述。

我们使用三个统计,全面评估每个立体像素的噪声严重发现ZD地区和WD地区3 d空间。

首先,如发现ZD地区,我们积累的透明ZD(去年分段分类)为每个从幕后投影体素的全球立体像素网格。2 d ZD地区可以从多个图像传播体元网格虽然有些干扰ZD噪声已被错误归类将会蔓延整个体积。在固定背景的情况下,甚至干扰像素从背景中检测出相同的位置可以分散在连续帧的改变相机的姿势。

第二,与此同时,我们融合深度数据与TSDF表示三维模型;我们计算的方差签署距离函数(SDFV)找到WD区域。体素在WD地区应该有很高的价值SDFV因为漂流和不一致的深度与ZD混合。然而,由于相机的姿势估计误差和偏差的测量深度传感器,高SDFV也躺在不透明的物体表面附近。

利用这一事实WD像素的深度不断变化的每时每刻,我们将使用第三个变量“frame-frame深度差异”来抑制干扰。对应像素的深度不同的是剩余两个邻居深度帧。然后剩余积累到每个3 d立体像素空间和搜索透明物体的区域高残留积累。这个特性的能力独自搜索WD地区弱,随机背景也会产生相对高frame-frame深度差异和体素网格内的空气可以领导为WD地区。但在不透明的物体的表面价值低,足以让我们找到结合SDFV WD区域。

为什么我们把上面的三个统计搜索噪音地区总结表1。最后一列提供了理想的算法来区分噪声区域和正常正确对象和空气。我们的想法可以表达的(1下标)约意味着某些变量的体素和高价值。

不透明的融合模型,我们计算一个射影TSDF [19]Kinectfusion(相同的方式18]。考虑到包括ZD,我们设置了自卫队的ZD体素(投射到ZD像素)当删除自卫队(2)。自卫队的表面认为是负面而背后是正的。TSDFs从多个帧是由简单的加权平均融合(3),TSDF,表示th深度帧权函数控制距离和角度的测量。 同时,我们把我们的算法来搜索重嘈杂的体素如上定义。

4.2.1。准备ZD积累

当每个立体像素图像投射到深度(4)和自卫队分配价值,ZD积累。表示6自由度变换矩阵,将体素从全球坐标转换为本地。是相机的内部参数和表示透视投影。 我们添加了体素的严重性从所有帧深度观察寻找ZD地区。同时,积极投票时给出了体素落在“透明噪音”(TN)像素和消极体元时可以看到前面的表面。 投票后,阈值设置为每个立体像素找到ZD地区。每个阈值成正比的帧数和成反比;体素的次阻挡我们考虑透明的对象可以被其他简单对象。 在实践中= 0.9。的也需要被截断时假设这个闭塞的时代,是小于帧总数的一半。否则,坚实的体素,属于正常对象将引入ZD地区由于微小的阈值不正确。

4.2.2。SDFV

透明的对象通常是造成的WD飘到更远的位置比真正的表面和总是ZD包围。作为区分WD SDFV,我们截断自卫队的ZD体素在计算SDFV之前。 计算方差,新的TSDF和广场逐帧更新。 和SDFV可以计算 注意,多个对象之间的空气也可以输出高方差的TSDF因为它是隐藏的好几倍。因此,我们放大的体素的重量同时减少了体重=但不是通过ZD体素。它能增强对遮挡的鲁棒性。

我们定义如下所示,在实践中是一个实验性的阈值设置为0.8。

4.2.3。深度不同

投射到每个体素th和th帧计算原始深度的差异(除了太远ZD)和积累的差异。 然后假设定义我们可以容忍每一帧的平均差异。

减少内存和计算负载,体素的“深度不同”可以计算后TSDF集成和SDFV计算完成。

4.3。分区噪声区域

检测噪声像素点后(1),我们转向分区噪声区域。因为不学习噪声区域的数量,我们首先使用意味着分类的像素点集群。对于每一个集群,一个3 d边界框分配给它。3 d边界框所代表的基础点,长度,宽度和高度。那么任何重叠边界框在3 d空间应该合并为一个更大的一个乏味的人工作。最终噪声区域是固定的,直到没有重叠的工作空间的边界框。

5。多视图分割

剩下的我们工作的目的是重建中的透明对象检测噪声区域。我们应用Grabcut [7),使多视图分割轮廓。首次约束可以取代手工操作的自动引导的嘈杂的体素和深度图像。在我们的例子中,分段是一项相当具有挑战性的任务由于相似的外貌和其背景透明的对象。幸运的是,可以利用两个额外的优势:多个图像和深度。尽管我们无法估计的透明物体的形状不准确的深度,深度图像可以帮助我们确定背景的一部分。

5.1。为Grabcut生成先验约束

Grabcut交互式分割是基于颜色高斯混合模型(GMM)。原来的方法涉及到一些手动操作,如将一个边界框和绘画涂鸦来初始化前景和背景像素。在我们的工作中,3 d边界框的噪音地区投射到每个彩色图像来确定二维边界框可以附上透明的对象。和先验前景像素是由噪声像素点情绪投射到彩色图像生成的。颜色和深度相机的相对姿态校准。缓解的复杂性和计算分割,我们定制一个孩子从原始图像通过扩大2 d图像边界框一点(30像素矩形的每条边)。操作(图中所示4)。

5.2。调整先验约束

噪声区域发现通过我们的方法在最后一节可以覆盖的区域透明的对象,但通常大一点。一些噪声像素投影到图像可能会超出了实际对象,导致糟糕的约束。确保先验前景的有效性,我们需要腐蚀的先天的像素。我们首先计算他们的中心,然后沿着几个方向的像素远离中心删除(图4)。沿一定方向的距离计算的像素线传递中心的距离。删除远像素的阈值是由最远的点沿着方向决定的。

此外,我们提供了先天的背景像素的深度。噪音的3 d边界框区域从本地和全局获得每个彩色图像的深度范围。考虑到漂流深度的现象,我们还包括深度对应于原始先验前景像素更新深度范围。所有的像素超出范围深度可以看作是背景。引起的深度,透明物体的颜色框架是完全或部分被非透明的对象被删除,不应该加入轮廓的形状的过程。

5.3。联合Grabcut

跨多个视图对象相似的外表,背景颜色是随机的。所以一方面我们让每个图像共享相同的前景GMM时共同使用Grabcut分割。另一方面,我们为背景构建多个GMM只有邻近的彩色图像之间共享。在实践中,我们计算的关键帧用于船体变形的视觉和颜色让每5相邻帧背景GMM分享。子图像分割迭代同时通过最大流算法。每次迭代后,从所有的面具共享GMM EM学习。轮廓提取Grabcut直到达到收敛。为了避免overcarving,我们使用软视觉船体:体素作为前景评判是否下降所有的轮廓。稳定的行为观察设置。

最后,我们融合视觉船体和TSDF最后一个完整的模型。我们只是接受体素的前景取决于视觉船体或TSDF。TSDF的范围和等位面谎言,而我们分配概率视觉范围的船体和交叉值是。我们统一的范围和零交点价值和获得由(14)。我们提取的等值面使用多维数据集[游行22]。 在哪里

6。实验

评估该方法,我们收集一组通过Kinect v1 RGB-D数据从多个视图。我们采取两种实验方法:(我)把对象放在一个旋转舞台,校准Kinect的相对运动和旋转舞台。摄像机可以在360度覆盖对象。数据列表包括600深度图像分辨率和40彩色图像分辨率(图5(一个)第一个四个例子数据6(一),6 (b),6 (c))。(2)手里持有Kinect扫描的一组对象在一个杂乱的办公室。Kinectfusion [18)是用来跟踪相机的运动。

6.1。实验噪声区域搜索

第一个四块数据显示在图6是被一个静态Kinect和一个旋转平台。在过去的两个例子,Kinect递给搬到扫描静态场景。

在图6(一),红色的点是reprojection嘈杂的体素检测到我们的方法。它表明,是否与固定或变化的背景,吵闹的地区都可以正确地发现。我们的方法直接搜索噪声区域体积网格可以输出准确的结果和对轻微阻塞是健壮的。虽然地区发现有点比真正的价值,我们几乎错过了透明和其他nonspecular对象(鼠标在第四排图6吸收的红外Kinect),可能会破坏3 d模型。随后的SFS的地区有很好的指导和初始化的步骤。图6 (b)显示了ZD地区的结果当我们不考虑错误的深度。一些噪音区域是在这种情况下。证明三个静态噪声区域搜索的结合提高了该方法的可行性。

噪声像素由透明或其他特殊对象往往淹没在其他类型的噪音,例如,阴影噪声和横向噪音。所以很难定位透明对象在图像域。即使改进援助的颜色信息(6),结果远非令人满意的真实数据,可以图所示6 (c)。的方法(6是我们自己通过OPENCV实现。相比之下,我们的方法执行比(6),结果显示在[11]。

6.2。实验3 d重建

我们共同段多个彩色图像透明物体的轮廓。我们比较我们的方法通过Grabcut[与独立分割7]算法;我们使用OPENCV提供的源代码。见图7,我们联合分割相结合的深度提供背景信息和股票GMM模型能够获得更准确的轮廓。此外,定量评估结果后,我们带4的例子,我们的数据和手动标签地面真理。轮廓误差百分比的测量是错误的像素相对于地面真理子图像。子图像自动生成的嘈杂的地区如前所述。结果可以在表中找到2。

一些例子的最后的3 d模型由我们的系统扫描,显示在图8,验证它可以恢复丢失的透明的物体表面三维重建基于结构光,例如,Kinectfusion [18]。我们的方法可以提供比原来更好的可视化模型,但仍对测量精度的限制。

7所示。结论

在这篇文章中,我们本地化的区域透明对象基于体积在自然环境三维重建,然后完善区域内轮廓的三维模型。实验表明,我们的方法可以得到可靠的透明物体的位置和其他一些不友好的材料打扰基于结构光的三维重建。共同和轮廓提取multiviews方法可以恢复透明的网格,提高三维模型由Kinectfusion扫描。

我们未来的工作将集中在相机的姿势优化可以进一步提高透明物体的视觉船体。我们计划实施噪声区域搜索算法与GPU开发一个在线检测器,紧随其后的是短暂的离线SFS计算。

的利益冲突

作者宣称没有利益冲突有关的出版。作者宣称他们没有任何商业或关联利益代表的利益冲突与提交的工作。

引用

1. 刘、陈x和中州。杨,”Frequency-based透明和镜面对象的三维重建,”美国27日IEEE计算机视觉与模式识别会议,CVPR 20142014年6月,页660 - 667。视图:出版商的网站|谷歌学术搜索
2. k .汉K.-Y。k . Wong和m .刘”,一个固定的观点方法透明物体的密度重建”《德国模式识别会议施普林格,页4001 - 4008年,德国柏林。视图:出版商的网站|谷歌学术搜索
3. s Wanner)和b . Goldluecke重建从核面反射和透明的表面图像,”课堂讲稿在计算机科学(包括子系列讲义在人工智能和课堂讲稿在生物信息学)卷,8142年,页1 - 10,2013。视图:出版商的网站|谷歌学术搜索
4. y Yemez和c j . Wetherilt“容积重建表面轮廓和范围数据的融合技术,”计算机视觉和图像理解,卷105,不。1,30-41,2007页。视图:出版商的网站|谷歌学术搜索
5. k . s . Narayan j .沙a·辛格和p . Abbeel”范围传感器和高质量的三维扫描轮廓融合,”诉讼的IEEE机器人与自动化国际会议上,ICRA 20152015年5月,页3617 - 3624。视图:出版商的网站|谷歌学术搜索
6. 即Lysenkov诉Eruhimov, g . Bradski”识别和姿态估计的透明物体kinect传感器,”《机器人科学和系统的国际会议上,RSS 20122012年7月,页273 - 280。视图:谷歌学术搜索
7. c·洛特,诉柯尔莫哥洛夫,a·布莱克,““GrabCut”:互动前景提取使用迭代图削减,”ACM交易图片,23卷,不。3、309 - 314年,2004页。视图:出版商的网站|谷歌学术搜索
8. Ihrke, k . n . Kutulakos惠普a . Lensch m . Magnor和w·Heidrich“透明和镜面对象重建,”计算机图形学论坛卷,29号8,2400 - 2426年,2010页。视图:出版商的网站|谷歌学术搜索
9. 美国Klank、d .纸箱和m . Beetz“透明的对象检测和重建在移动平台上,”诉讼的IEEE机器人与自动化国际会议上,ICRA 20112011年5月,页5971 - 5978。视图:出版商的网站|谷歌学术搜索
10. x t . Wang,他和n·巴恩斯,“玻璃对象分割通过标签转移联合深度和外观集合管,”20 IEEE国际会议上图像处理程序,ICIP 20132013年9月,页2944 - 2948。视图:出版商的网站|谷歌学术搜索
11. n . Alt p,施泰因巴赫和大肠,“重建透明物体在非结构化场景深度相机,”20 IEEE国际会议上图像处理程序,ICIP 20132013年9月,页4131 - 4135。视图:出版商的网站|谷歌学术搜索
12. c·h·埃斯特万·施密特,“轮廓和立体融合为3 d对象建模、”计算机视觉和图像理解,卷96,不。3、367 - 392年,2004页。视图:出版商的网站|谷歌学术搜索
13. k . Kolev t Brox d·克莱莫,“快联合估计的轮廓和密集的3 d几何从多个图像,”IEEE模式分析与机器智能,34卷,不。3、493 - 505年,2012页。视图:出版商的网站|谷歌学术搜索
14. n·d·f·坎贝尔,g . Vogiatzis c·埃尔南德斯和r . Cipolla”自动3 d对象分割多个视图使用体积graph-cuts,”图像和视觉计算,28卷,不。1,14-25,2010页。视图:出版商的网站|谷歌学术搜索
15. c . Zhang, z, r . Cai et al .,“联合多视图分割和定位RGB-D图像使用depth-induced轮廓一致性,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页4031 - 4039年,NV,美国,2016年。视图:出版商的网站|谷歌学术搜索
16. a . Djelouah js。弗朗哥·e·波伊尔,intelsat公司的p·佩雷斯,f•勒•克拉克就经常借“对象分割,稀疏视点一致性”IEEE模式分析与机器智能,37卷,不。9日,第1903 - 1890页,2015年。视图:出版商的网站|谷歌学术搜索
17. a . Djelouah js。弗朗哥·e·波伊尔,intelsat公司的p·佩雷斯,f . l .•克拉克就经常借“视点对象分割在时间和空间上,”《14 IEEE计算机视觉国际会议上,ICCV 20132013年12月,页2640 - 2647。视图:出版商的网站|谷歌学术搜索
18. 美国Izadi r·a·纽科姆,o . Hilliges et al .,“KinectFusion:实时致密的表面映射和跟踪”学报第十届IEEE国际研讨会上混合和增强现实,ISMAR 20112011年10月,页127 - 136。视图:出版商的网站|谷歌学术搜索
19. b . Curless和m . Levoy体积的方法从图像范围,构建复杂模型”学报》第23届年会在计算机图形学和互动技术1996年8月,页303 - 312。视图:谷歌学术搜索
20. t . Mallick p p Das, a . k . Majumdar“Kinect深度图像噪声特征:复习一下,”IEEE传感器杂志,14卷,不。6,1731 - 1740年,2014页。视图:出版商的网站|谷歌学术搜索
21. y, y, y,和美国,“影子Kinect的修复方法深度地图”计算机视觉——ACCV 2012:亚洲会议上计算机视觉卷,7727在计算机科学的课堂讲稿施普林格,页615 - 626年,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
22. w·e·Lorensen和h·e·克莱恩”游行多维数据集:一个高分辨率的3 d表面构造算法,”ACM Siggraph计算机图形学,21卷,不。4、163 - 169年,1987页。视图:谷歌学术搜索

版权

版权©2017怡君霁et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。