欢迎来到尧图网

客户服务 关于我们

您的位置：首页 > 新闻 > 资讯 > 特征提取算法之加速稳健特征（SURF）算法

特征提取算法之加速稳健特征（SURF）算法

2024/12/21 23:42:18 来源：https://blog.csdn.net/m0_60315436/article/details/144543972  浏览:  次   关键词：特征提取算法之加速稳健特征（SURF）算法

摘要： 本文全面深入地探讨计算机视觉中的加速稳健特征（SURF）算法。首先阐述计算机视觉领域中特征提取的重要性以及 SURF 算法诞生的背景和意义。详细剖析 SURF 算法的核心原理，包括积分图像的构建、近似 Hessian 矩阵行列式的计算以检测关键点、关键点主方向的确定以及特征描述子的生成等关键步骤。随后分别给出 SURF 算法在 C#、Python 和 C++ 三种主流编程语言中的详细实现代码，并对代码进行逐行注释和深入解读，使读者能够清晰地理解算法在不同编程环境下的具体实现细节和流程。接着探讨 SURF 算法在图像匹配、目标识别、图像检索和视频分析等多个重要应用领域中的实际应用方式和显著优势。

一、引言

计算机视觉旨在使计算机能够理解和分析图像与视频信息，从而实现诸如自动驾驶、图像识别、视频监控等众多复杂而智能的任务。在这个过程中，特征提取是至关重要的第一步。特征提取算法的目标是从原始图像数据中挖掘出具有代表性、稳定性和区分性的特征信息，这些特征能够在不同的图像条件下（如光照变化、尺度变化、旋转变化、视角变化以及一定程度的遮挡等）保持相对不变，为后续的高级视觉任务提供坚实的基础。

尺度不变特征变换（SIFT）算法是早期非常成功的特征提取算法之一，它在很多领域都取得了良好的应用效果。然而，SIFT 算法由于其计算复杂度较高，在一些对实时性要求较高的应用场景中（如实时视频监控、自动驾驶中的实时目标检测与识别等）面临挑战。为了克服 SIFT 算法的这一局限性，加速稳健特征（SURF）算法应运而生。SURF 算法在保持 SIFT 算法的一些优良特性（如尺度和旋转不变性等）的基础上，通过采用一些高效的计算方法和数据结构，显著提高了算法的计算速度，使得其在实时性要求较高的计算机视觉应用中具有更大的优势。

二、SURF 算法原理

  1. 积分图像
    • 积分图像是 SURF 算法的一个重要基础数据结构。对于一幅输入图像I(x,y)，其积分图像II(x,y)的定义为：。直观地说，积分图像中的每个点(x,y)的值等于原图像中以(0,0)为左上角顶点、为右下角顶点的矩形区域内所有像素值的总和。
    • 积分图像的计算可以通过递推公式高效地实现。设，则有：
      • （当时x>0），且。
      • （当y>0时），且。
    • 通过预先计算积分图像，在后续计算图像中某个矩形区域的像素和时，可以通过简单的加减法在常数时间内完成，而无需对矩形区域内的每个像素进行重复累加，大大提高了计算效率。例如，要计算图像中以(x1,y1)为左上角顶点、(x2,y2)为右下角顶点的矩形区域的像素和，可以使用公式。
  2. 近似 Hessian 矩阵行列式计算与关键点检测
    • SURF 算法使用近似的 Hessian 矩阵来检测关键点。对于图像中的每个点（x,y），其近似 Hessian 矩阵H(x,y)在尺度下的表示为：
      ，其中、和是图像在尺度下的二阶偏导数的近似值。
    • 为了计算这些近似二阶偏导数，SURF 算法使用了盒式滤波器（box filter）。与 SIFT 算法中使用的高斯核不同，盒式滤波器可以通过积分图像快速计算。例如，对于Lxx的近似计算，使用特定的盒式滤波器模板与积分图像进行卷积操作。
    • 计算出近似 Hessian 矩阵后，通过计算其行列式的值来确定关键点。关键点通常是在尺度空间中行列式值局部最大或最小的点。具体来说，将每个点的行列式值与其周围邻域点的行列式值进行比较，如果该点的行列式值大于或小于其邻域点的行列式值，则可能是一个关键点。为了去除一些不稳定的关键点，还会设置一个阈值，只有行列式值大于该阈值的点才会被进一步考虑。同时，还需要对边缘响应进行抑制，因为边缘点的 Hessian 矩阵行列式值也可能较大，但它们并不是我们真正想要的关键点。通过计算 Hessian 矩阵的迹与行列式的比值，并将比值不在一定范围内的点排除，可以有效地抑制边缘响应。
  3. 关键点主方向确定
    • 为了使特征描述子具有旋转不变性，需要确定关键点的主方向。在以关键点为中心的圆形邻域内（半径通常根据关键点的尺度确定），计算每个像素点的 Haar 小波响应。Haar 小波响应包括水平方向和垂直方向的响应，分别记为dx和dy。
    • 然后，以关键点为中心，将邻域划分为多个扇形子区域（例如，通常划分为 60 个扇形，每个扇形角度为6°），在每个子区域内统计 Haar 小波响应的幅值和方向信息。通过构建方向直方图来表示这些信息，直方图的峰值方向即为关键点的主方向。在计算方向直方图时，还可以根据像素点到关键点的距离进行加权，使得距离关键点较近的像素点对主方向的确定贡献更大。
  4. 特征描述子生成
    • 以关键点为中心，取一个特定大小的邻域窗口（大小通常根据关键点的尺度确定，例如取一个边长为20s的正方形窗口，其中s为关键点的尺度），并将其按照主方向旋转到水平方向。然后将该邻域划分为4x4个子区域，在每个子区域内计算 Haar 小波响应的统计信息。
    • 具体来说，对于每个子区域，计算水平方向和垂直方向的 Haar 小波响应的绝对值之和以及它们的乘积。这样就得到一个4x4x4=64维的特征向量（因为每个子区域有 4 个统计值），这个特征向量就是该关键点的 SURF 特征描述子。该描述子具有旋转、尺度和一定程度的光照不变性，能够有效地描述关键点周围的图像特征，从而为后续的特征匹配和图像分析任务提供有力支持。

三、SURF 算法的 C# 实现

using System;
using System.Collections.Generic;
using System.Drawing;
using System.Drawing.Imaging;class SURF
{// 计算积分图像private static int[,] IntegralImage(Bitmap image){int width = image.Width;int height = image.Height;int[,] integralImage = new int[height, width];BitmapData imageData = image.LockBits(new Rectangle(0, 0, width, height), ImageLockMode.ReadOnly, PixelFormat.Format24bppRgb);unsafe{byte* imagePtr = (byte*)imageData.Scan0.ToPointer();// 计算第一行的积分图像值integralImage[0, 0] = imagePtr[0];for (int x = 1; x < width; x++){integralImage[0, x] = integralImage[0, x - 1] + imagePtr[x * 3];}// 计算剩余行的积分图像值for (int y = 1; y < height; y++){int sum = 0;for (int x = 0; x < width; x++){sum += imagePtr[(y * imageData.Stride) + (x * 3)];integralImage[y, x] = integralImage[y - 1, x] + sum;}}}image.UnlockBits(imageData);return integralImage;}// 计算近似 Hessian 矩阵行列式private static double[,] ApproximateHessian(int[,] integralImage, double hessianThreshold){int width = integralImage.GetLength(1);int height = integralImage.GetLength(0);double[,] hessian = new double[height, width];// 使用盒式滤波器计算近似 Hessian 矩阵行列式int[] boxFilterX = { -1, 0, 1, -2, 0, 2, -1, 0, 1 };int[] boxFilterY = { -1, -2, -1, 0, 0, 0, 1, 2, 1 };for (int y = 1; y < height - 1; y++){for (int x = 1; x < width - 1; x++){double dxx = 0, dyy = 0, dxy = 0;for (int i = 0; i < 9; i++){for (int j = 0; j < 9; j++){int xIndex = x + j - 4;int yIndex = y + i - 4;if (xIndex >= 0 && xIndex < width && yIndex >= 0 && yIndex < height){dxx += boxFilterX[i] * boxFilterX[j] * integralImage[yIndex, xIndex];dyy += boxFilterY[i] * boxFilterY[j] * integralImage[yIndex, xIndex];dxy += boxFilterX[i] * boxFilterY[j] * integralImage[yIndex, xIndex];}}}hessian[y, x] = dxx * dyy - (0.9 * dxy * dxy);  // 这里的 0.9 是经验值，可调整if (hessian[y, x] < hessianThreshold){hessian[y, x] = 0;}}}return hessian;}// 检测关键点private static List<PointF> DetectKeypoints(double[,] hessian){List<PointF> keypoints = new List<PointF>();int height = hessian.GetLength(0);int width = hessian.GetLength(1);for (int y = 1; y < height - 1; y++){for (int x = 1; x < width - 1; x++){if (hessian[y, x]!= 0){// 与周围点比较确定是否为局部极大值bool isMax = true;for (int i = -1; i <= 1; i++){for (int j = -1; j <= 1; j++){if (i == 0 && j == 0) continue;if (hessian[y + i, x + j] > hessian[y, x]){isMax = false;break;}}if (!isMax) break;}if (isMax){keypoints.Add(new PointF(x, y));}}}}return keypoints;}// 计算关键点特征描述子private static float[] ComputeDescriptor(Bitmap image, PointF keypoint, double scale){// 取圆形邻域int radius = (int)(9 * scale);  // 可根据尺度调整半径float[] descriptor = new float[64];  // 这里采用 64 维描述子示例BitmapData imageData = image.LockBits(new Rectangle(0, 0, image.Width, image.Height), ImageLockMode.ReadOnly, PixelFormat.Format24bppRgb);unsafe{byte* imagePtr = (byte*)imageData.Scan0.ToPointer();int centerX = (int)keypoint.X;int centerY = (int)keypoint.Y;// 划分子区域（这里采用 4x4 划分）for (int i = 0; i < 4; i++){for (int j = 0; j < 4; j++){// 计算子区域内 Haar 小波响应float sumX = 0, sumY = 0, sumAbsX = 0, sumAbsY = 0;for (int y = centerY - radius + i * (radius / 2); y < centerY - radius / 2 + i * (radius / 2); y++){for (int x = centerX - radius + j * (radius / 2); x < centerX - radius / 2 + j * (radius / 2); x++){if (x >= 0 && x < image.Width && y >= 0 && y < image.Height){int dx = imagePtr[(y * imageData.Stride) + (x * 3 + 1)] - imagePtr[(y * imageData.Stride) + (x * 3 - 1)];int dy = imagePtr[(y * imageData.Stride) + (x * 3 + 3)] - imagePtr[(y * imageData.Stride) + (x * 3 - 3)];sumX += dx;sumY += dy;sumAbsX += Math.Abs(dx);sumAbsY += Math.Abs(dy);}}}descriptor[(i * 4 + j) * 4] = sumX;descriptor[(i * 4 + j) * 4 + 1] = sumY;descriptor[(i * 4 + j) * 4 + 2] = sumAbsX;descriptor[(i * 4 + j) * 4 + 3] = sumAbsY;}}}image.UnlockBits(imageData);return descriptor;}// SURF 算法主函数public static void SURFAlgorithm(Bitmap image, double hessianThreshold){// 计算积分图像int[,] integralImage = IntegralImage(image);// 计算近似 Hessian 矩阵行列式double[,] hessian = ApproximateHessian(integralImage, hessianThreshold);// 检测关键点List<PointF> keypoints = DetectKeypoints(hessian);// 计算关键点特征描述子List<float[]> descriptors = new List<float[]>();foreach (PointF keypoint in keypoints){// 获取关键点的尺度信息（这里简化为固定值，实际可根据构建尺度空间过程确定）double scale = 1.0;float[] descriptor = ComputeDescriptor(image, keypoint, scale);descriptors.Add(descriptor);}// 这里可以进行后续的操作，比如特征匹配等// 例如，可以将关键点和描述子存储起来，以便在其他图像中进行匹配查找// 简单打印关键点数量和描述子数量Console.WriteLine($"检测到的关键点数量: {keypoints.Count}");Console.WriteLine($"计算得到的描述子数量: {descriptors.Count}");}
}

在上述 C# 代码中：

  • IntegralImage方法用于计算图像的积分图像。通过锁定图像内存，利用不安全代码块高效地遍历图像像素，按照积分图像的递推公式计算出每个点的积分值。首先计算第一行的积分值，然后逐行计算剩余行的积分值，最后解锁图像内存并返回积分图像数组。
  • ApproximateHessian方法利用盒式滤波器计算近似 Hessian 矩阵行列式。在计算过程中，通过双重循环遍历图像中的每个点，对于每个点，使用特定的盒式滤波器模板与积分图像进行卷积操作，得到近似的二阶偏导数dxx、dyy和dxy，进而计算出 Hessian 矩阵行列式的值。将行列式值小于设定阈值的点置为0，以筛选出可能的关键点区域，最后返回近似 Hessian 矩阵行列式数组。
  • DetectKeypoints方法在计算得到的近似 Hessian 矩阵中检测关键点。通过遍历矩阵中的每个非零元素，将其与周围邻域（3x3邻域）的值进行比较，判断是否为局部极大值。若该点的值大于其邻域内所有点的值，则确定为局部极大值点，即关键点，并将其坐标添加到关键点列表中，最后返回关键点列表。
  • ComputeDescriptor方法计算关键点的特征描述子。首先根据关键点的尺度确定圆形邻域的半径，然后在该邻域内按照4x4的划分方式计算子区域的 Haar 小波响应。通过遍历子区域内的像素，计算水平和垂直方向的像素差值作为 Haar 小波响应的近似值，分别累加到相应的变量中，最后将这些统计值存储到特征描述子数组中，返回该数组。
  • SURFAlgorithm主函数则依次调用上述方法，完成从图像输入到关键点检测和特征描述子计算的整个 SURF 算法流程。先计算积分图像，接着基于积分图像计算近似 Hessian 矩阵行列式，然后检测关键点，再为每个关键点计算特征描述子。在完成这些操作后，函数打印出检测到的关键点数量和计算得到的描述子数量，并可以进行后续的特征匹配等操作。例如，可以将关键点和描述子存储到数据库中，当有新的图像需要进行匹配时，从数据库中读取已有的关键点和描述子信息，与新图像中的关键点和描述子进行匹配，从而实现图像的识别、检索或拼接等应用。

四、SURF 算法的 Python 实现

import cv2
import numpy as npdef surf_algorithm(image, hessian_threshold):"""SURF 算法主函数:param image: 输入图像:param hessian_threshold: Hessian 矩阵行列式阈值:return: 关键点列表和特征描述子列表"""# 创建 SURF 对象surf = cv2.xfeatures2d.SURF_create(hessian_threshold)# 检测关键点并计算特征描述子keypoints, descriptors = surf.detectAndCompute(image, None)# 这里可以进行后续的操作，比如特征匹配等# 例如，可以将关键点和描述子存储起来，以便在其他图像中进行匹配查找print("检测到的关键点数量:", len(keypoints))print("计算得到的描述子数量:", len(descriptors))return keypoints, descriptors# 读取图像
image = cv2.imread('test.jpg')
# 运行 SURF 算法
keypoints, descriptors = surf_algorithm(image, 400)

在上述 Python 代码中，利用了 OpenCV 库中的cv2.xfeatures2d.SURF_create函数创建 SURF 对象，并通过detectAndCompute方法直接检测图像中的关键点并计算其特征描述子。这种方式相对简洁高效，因为 OpenCV 已经对 SURF 算法进行了优化和封装。在实际应用场景中，如大规模图像数据的处理和分析，Python 的简洁性和 OpenCV 库强大的功能能够显著提高开发效率。例如在图像搜索引擎中，使用 SURF 算法提取图像特征，Python 代码可以快速地处理大量图像数据，建立图像特征索引库，当用户输入查询图像时，能够迅速在索引库中匹配相似图像并返回结果。

五、SURF 算法的 C++ 实现

#include <iostream>
#include <opencv2/opencv.hpp>
#include <vector>using namespace std;
using namespace cv;vector<KeyPoint> detectKeypoints(Mat image, double hessianThreshold) {// 创建 SURF 对象Ptr<SURF> surf = SURF::create(hessianThreshold);// 存储关键点vector<KeyPoint> keypoints;// 检测关键点surf->detect(image, keypoints);return keypoints;
}Mat computeDescriptors(Mat image, vector<KeyPoint> keypoints) {// 创建 SURF 对象Ptr<SURF> surf = SURF::create();// 存储特征描述子Mat descriptors;// 计算特征描述子surf->compute(image, keypoints, descriptors);return descriptors;
}void surfAlgorithm(Mat image, double hessianThreshold) {// 检测关键点vector<KeyPoint> keypoints = detectKeypoints(image, hessianThreshold);// 计算特征描述子Mat descriptors = computeDescriptors(image, keypoints);// 这里可以进行后续的操作，比如特征匹配等// 例如，可以将关键点和描述子存储起来，以便在其他图像中进行匹配查找cout << "检测到的关键点数量: " << keypoints.size() << endl;cout << "计算得到的描述子数量: " << descriptors.rows << endl;
}

在上述 C++ 代码中，借助 OpenCV 库实现 SURF 算法。首先通过SURF::create函数创建 SURF 对象，并分别使用detect方法检测关键点和compute方法计算特征描述子。这种实现方式利用了 OpenCV 对 SURF 算法的高效优化，使得代码简洁明了。在实际应用中，如计算机视觉项目中的目标检测与识别任务，C++ 语言的高效性和 OpenCV 库的丰富功能相结合，可以快速处理图像数据，准确提取图像特征，为后续的目标分析提供有力支持。例如在智能安防监控系统中，对监控视频流中的图像进行实时处理，C++ 实现的 SURF 算法能够快速检测出目标物体的关键点和特征描述子，进而与已知目标模型进行匹配，实现目标的快速识别与预警。

六、SURF 算法的应用

  1. 图像匹配
    • SURF 算法在图像匹配方面表现出色。在图像拼接应用中，例如将多幅具有重叠区域的风景照片拼接成一幅全景图时，SURF 能够提取出每幅图像中的关键点和特征描述子。通过在不同图像间匹配这些特征点，找到它们的对应关系，从而确定图像之间的相对位置和旋转角度等几何变换信息。即使图像存在一定的光照变化、尺度差异（如拍摄距离不同导致景物大小不同）或轻微的旋转，SURF 特征也能较为稳定地表示图像特征，使得图像拼接后的全景图过渡自然、无缝连接。在基于内容的图像检索中，SURF 同样发挥着重要作用。当用户提供一幅查询图像时，系统对图像库中的所有图像提取 SURF 特征并与查询图像的特征进行匹配。通过计算特征点之间的距离或相似度度量，返回与查询图像相似的图像结果。例如在一个包含大量旅游照片的数据库中，若用户想要查找与某张特定风景照相似的其他照片，SURF 算法可以快速地在数据库中筛选出具有相似地貌、建筑等特征的图像，大大提高了图像检索的准确性和效率。
  2. 目标识别
    • 在目标识别领域，SURF 算法可用于识别图像中的特定目标物体。首先，针对目标物体的样本图像集提取 SURF 特征并建立特征模型库。在识别过程中，对输入的待识别图像提取 SURF 特征，然后将这些特征与特征模型库中的特征进行匹配。例如在人脸识别应用中，SURF 能够捕捉到人脸的关键特征点，如眼睛、鼻子、嘴巴等部位的特征信息。即使人脸存在表情变化、一定程度的遮挡（如戴眼镜、帽子等）或不同的拍摄角度，SURF 特征依然可以有效地表示人脸的独特性，从而实现准确的人脸识别。在工业生产线上的产品质量检测中，对于特定形状和纹理的产品，SURF 算法可以提取产品表面的特征，识别出产品是否存在缺陷或与标准产品的差异，通过对大量正常产品和缺陷产品样本的 SURF 特征学习，建立分类模型，进而对新生产的产品进行快速检测和分类。
  3. 图像检索
    • 如前面所述，SURF 算法在图像检索方面具有显著优势。它能够将图像的视觉内容转化为特征向量表示，使得图像检索不再仅仅依赖于图像的文件名、标签等元数据。在一个大型图像数据库中，无论是自然风景图像、人物照片还是产品图片等，SURF 特征都可以对图像进行细致的描述。例如在一个电商平台的商品图片检索系统中，当用户输入一张商品图片时，系统利用 SURF 算法提取图片的特征，并与数据库中所有商品图片的特征进行比对。即使商品图片存在拍摄角度、背景、光照等差异，只要商品主体的关键特征相似，就能被检索出来。这大大提高了用户查找商品的便捷性和准确性，提升了购物体验。同时，在学术研究领域，对于图像数据集的管理和检索，SURF 算法也有助于研究人员快速找到具有相似特征的图像数据，促进相关研究的进展。
  4. 视频分析
    • 在视频分析中，SURF 算法可用于视频帧之间的特征匹配与跟踪。视频由一系列连续的帧组成，SURF 可以提取每帧图像中的特征点并跟踪它们在不同帧中的位置变化。例如在监控视频分析中，对于运动目标如行人、车辆等，SURF 算法能够在连续帧中识别出目标的特征点，通过匹配这些特征点确定目标的运动轨迹、速度等信息。在交通流量监测中，可以利用 SURF 对车辆进行特征提取和跟踪，统计不同时间段内通过特定路段的车辆数量、车辆类型等信息，为交通管理提供数据支持。在视频内容分析方面，如对体育比赛视频进行分析，SURF 算法可以识别运动员、球等关键目标的特征，进而分析比赛的动作、战术等内容，例如判断运动员的动作姿态、球的运动轨迹等，为体育赛事的分析和转播提供有价值的信息。

七、SURF 算法的优势与局限性

  1. 优势
    • 计算效率高：相较于 SIFT 算法，SURF 算法采用了积分图像和盒式滤波器等技术，大大减少了计算量，提高了算法的执行速度。这使得它在实时性要求较高的应用场景中（如实时视频监控、自动驾驶中的实时目标检测等）具有明显的优势，可以快速地处理大量的图像数据，及时给出分析结果。
    • 尺度和旋转不变性：SURF 算法通过构建尺度空间和确定关键点主方向，使得提取的特征在图像尺度变化和旋转变化时具有较好的不变性。这使得它能够在不同拍摄条件下准确地识别和匹配图像特征，例如在处理从不同距离和角度拍摄的同一物体的图像时表现出色，为图像匹配、目标识别等任务提供了可靠的基础。
    • 对光照变化有一定鲁棒性：虽然不是完全不受光照影响，但 SURF 算法在一定程度的光照变化情况下仍能保持特征的稳定性。其在计算特征描述子时，通过对 Haar 小波响应的计算和处理，能够在一定程度上减轻光照变化对特征的干扰，使得在不同光照环境下拍摄的图像之间的特征匹配成为可能，提高了算法在实际应用中的适用性。
  2. 局限性
    • 特征描述子区分度相对较低：与一些基于深度学习的特征提取方法相比，SURF 算法的 64 维特征描述子在表达图像特征的丰富度和区分度上可能略显不足。在一些复杂场景中，可能会出现不同物体的特征描述子较为相似的情况，从而影响目标识别和图像匹配的准确性。例如在一个包含众多相似物体且背景复杂的图像数据库中，SURF 算法可能无法精确地识别出每个物体的独特特征，导致检索或识别结果出现误差。
    • 对严重遮挡敏感：虽然 SURF 算法在一定程度的遮挡情况下仍能工作，但当目标物体被大面积遮挡时，提取的特征可能会受到严重影响，导致特征匹配失败或目标识别不准确。例如在人脸识别中，如果人脸被物体遮挡了大部分区域，SURF 可能无法准确地识别出人脸身份，因为关键特征点被遮挡后无法完整地描述人脸特征，限制了其在一些存在严重遮挡情况的应用场景中的使用。

八、总结与展望

SURF 算法作为计算机视觉领域的重要特征提取算法，在图像匹配、目标识别、图像检索和视频分析等众多应用中发挥了积极的作用。通过其独特的积分图像构建、近似 Hessian 矩阵行列式计算、关键点主方向确定和特征描述子生成机制，能够有效地提取具有尺度、旋转和一定光照不变性的图像特征，并且在计算效率上相较于传统的 SIFT 算法有了显著的提升。

版权声明:

本网仅为发布的内容提供存储空间，不对发表、转载的内容提供任何形式的保证。凡本网注明“来源：XXX网络”的作品，均转载自其它媒体，著作权归作者所有，商业转载请联系作者获得授权，非商业转载请注明出处。

我们尊重并感谢每一位作者，均已注明文章来源和作者。如因作品内容、版权或其它问题，请及时与我们联系，联系邮箱：809451989@qq.com，投稿邮箱：809451989@qq.com

相关资讯

热文排行

最新新闻

推荐新闻

热搜词

Spring学习之——Sping-XML windows上安装Redis ArkTs组件的学习 【arm】国民N32G435通用定时器霍尔配置，双边沿输入捕获配置 CTFHub ssrf 【数据结构——查找】顺序查找（头歌实践教学平台习题）【合集】