SpeededUpRobustFeaturesSURF算法全文翻译.docx
《SpeededUpRobustFeaturesSURF算法全文翻译.docx》由会员分享，可在线阅读，更多相关《SpeededUpRobustFeaturesSURF算法全文翻译.docx（30页珍藏版）》请在冰豆网上搜索。
SpeededUpRobustFeaturesSURF算法全文翻译
Speeded-UpRobustFeatures（SURF）
HerbertBay,AndreasEss,TinneTuytelaars,LucVanGool
摘要
这篇文章提出了一种尺度和旋转不变的检测子和描述子，称为SURF（Speeded-UpRobustFeatures）。
SURF在可重复性、鉴别性和鲁棒性方面都接近甚至超过了以往的方案，同时计算和比较的速度更快。
这依赖于使用了积分图进行图像卷积、使用现有的最好的检测子和描述子（特别是，基于Hessian矩阵方法的检测子，和基于分布的描述子）、以及简化这些算法到了极致。
这些最终实现了新的检测、描述和匹配过程的结合。
本文包含对检测子和描述子的详细阐述，之后探究了一些关键参数的作用。
作为结论，我们用两个目标相反的应用测试了SURF的性能：
摄像头校准（图像配准的一个特列）和目标识别。
我们的实验验证了SURF在计算机视觉广泛领域的实用性。
1.引言
在两个图片中找到相似场景或目标的像素点一致性，这是许多计算机视觉应用中的一项任务。
图像配准，摄像头校准，目标识别，图像检索只是其中的一部分。
寻找离散像素点一致性的任务可以分为三步。
第一，选出兴趣点并分别标注在图像上，例如拐角、斑块和T型连接处。
兴趣点检测子最有价值的特性是可重复性。
可重复性表明的是检测子在不同视觉条件下找到相同真实兴趣点的能力。
然后，用特征向量描述兴趣点的邻域。
这个描述子应该有鉴别性，同时对噪声、位移、几何和光照变换具有鲁棒性。
最后，在不同的图片之间匹配特征向量。
这种匹配基于向量间的马氏或者欧氏距离。
描述子的维度对于计算时间有直接影响，对于快速兴趣点匹配，较小的维度是较好的。
然而，较小的特征向量维度也使得鉴别度低于高维特征向量。
我们的目标是开发新的检测子和描述子，相对于现有方案来说，计算速度更快，同时又不牺牲性能。
为了达成这一目标，我们必须在二者之间达到一个平衡，在保持精确性的前提下简化检测方案，在保持足够鉴别度的前提下减少描述子的大小。
相关文献中已经提出了大量的检测子和描述子。
同时，基于基准数据库的详细的对于和评估也已经进行过。
我们的快速检测子和描述子在文献4中介绍过。
它建立在前人的成就上。
在我们对基准数据库的实验上，SURF检测子和描述子不止更快，而且可重复性更好，同时鉴别力更高。
我们关注于尺度和平面内旋转不变的检测子和描述子。
对于常见的光学畸变，这似乎在特征复杂性和鲁棒性之间达到了妥协。
倾斜，各向异质性，缩放和透视效应被认为是次要影响，在一定程度上可以被描述子的鲁棒性修复。
注意到使用椭圆放射正规化，描述子可以扩展到放射不变区域，虽然这将会影响到计算时间。
另一方面，检测子的扩展并不那么直观。
我们假定一个简单的线性模型，带有偏置（偏移）和反向变化（尺度因子）。
检测子和描述子都没有使用颜色信息。
本文的结构如下。
第二部分我们回顾了之前关于兴趣点检测和描述的著作。
第三部分描述了用于快速鲁棒兴趣点检测的策略。
对输入图像在不同尺度上进行了分析，以确保尺度不变形。
检测到的兴趣点在第四部分用旋转和尺度不变描述子进行了表述。
此外，还提出了一种基于兴趣点和邻域对比的简单高效的首行索引技巧。
第五部分讨论了可用参数及其影响，包括垂直版本（非旋转不变）的优点。
我们同样研究了SURF在两种重要应用场景中的表现。
首先，我们考虑了一种特殊的图像配准场景，称为3D重建中的摄像头校准。
然后，我们试验了SURF在目标识别中的应用。
相对于其他方法，这两个应用都突出了SURF的速度和鲁棒性。
第六部分是一个总结。
2.相关工作
2.1兴趣点检测
最常用的检测子是1988年提出的基于二阶矩矩阵的Harris角点检测子。
然而，Harris角点不是尺度不变的。
Lindeberg介绍了自动尺度选择的概念，可以根据兴趣点的特征尺寸检测兴趣点。
他用Hessian矩阵和Laplacian矩阵的秩（以及Hessian的迹）检测类似斑块的结构。
MikolajczykandSchmid提炼了这种方法，创造了鲁棒性好，尺度不变，高重复性的特征检测子，称为Harris-Laplace和Hessian-Laplace。
他们使用（适应尺度的）Harris方法或者Hessian矩阵行列式来选择位置，使用Laplacian选择尺度。
为了提高速度，Lowe提出了用DifferenceofGaussians（DoG）来近似DifferenceofGaussians（DoG）的方法。
此外还有其他尺度不变检测子，例如KadirandBrady提出的显著区域检测子，这种检测子将一个区域内的熵最大化，另外还有JurieandSchmid的基于边缘的检测子。
这些算法不易优化，尽管几个放射不变特征检测子已经被提出用来应对宽视角变化，然而这些超出了本文的范围。
通过公开资料对现有检测子的对比，我们能得出结论，基于Hessian矩阵的检测子比基于Harris的更稳定和可重复。
另外，Hessian矩阵行列式也比迹有优势，因为它对于拖尾的，局部错误的结构误警更少。
我们同样观察到，它的DoG近似能在损失精确度的情况下提高速度。
2.2兴趣点描述
特征描述子有很多种，例如高斯导数、不变矩、符合特征、可控滤波、基于相位的局部特征等。
描述子代表兴趣点附近的小范围特征分布。
Lowe发明的基于相位局部特征已经被证明优于其他的。
这是因为其获取了大量空间强度信息，同时对小范围变形和局部错误有稳健性。
文献24中的SIFT描述子计算兴趣点附近的方向梯度柱状图，存储为128D向量（八个方向数据，每个方向含4x4个分量）。
这种基本方法的优化版本有很多。
KeandSukthankar把PCA加入到兴趣点附近的梯度图。
PCA-SIFT输出36D描述子，匹配更快，但是MikolajczykandSchmid在一片对比论文中指出，其鉴别度低于SIFT，并且PCA计算低于SIFT。
在其论文中，作者提出了一种SIFT的变种，叫做GLOH，它的鉴别度比SIFT高，但是计算量更高，因为这种算法也使用PCA提取数据。
实际应用中，SIFT描述子描述子仍然是最吸引人，也是最常用的描述子。
它的鉴别度和速度对于即时应用很关键。
最近，文献37等在FPGA上实现了SIFT算法，速度提高了一个数量级。
同时，Grabner等人用积分图近似SIFT。
他们的检测方法基于difference-of-mean，不需要插值，描述子基于积分柱状图。
他们达到了和我们相同的速度（虽然特征描述的速度是固定的），但是是以降低SIFT的质量为代价的。
概况的说，描述子的高维度是SIFT在匹配阶段的缺点。
对于普通PC上的即时应用来说，检测、描述、匹配，这三个阶段都要快。
提高匹配速度的方法有很多，全都是减少近似匹配的计算量。
这些方法包括：
Lowe的最优值优先、balltrees、词汇树、位置敏感哈希、冗余比特向量等。
此外，我们建议使用Hessian矩阵来大大提高匹配速度。
同时减少描述子的维度，任何匹配算法都能提高速度。
3.兴趣点检测
我们的兴趣点检测方法使用了非常基本的Hessian矩阵近似，使用由Viola和Jones推广的积分图，这将大大减少计算量。
Simard等指出，积分图适用于大量箱式小波的一般框架。
3.1积分图
为了让这篇文章更完备，我们简要讨论一下积分图的概念。
它使得箱型卷积滤波速度更快。
积分图IΣ（X）在位置X=（x,y）处代表I在X之前的矩形区域像素值的和。
一旦积分图计算好了，计算任何垂直矩形区域的密度只需要三个加法，如图1。
因此，计算时间将不依赖于大小。
这在我们的方法中是很重要的，因为我们使用大尺寸滤波器。
3.2基于Hessian矩阵的兴趣点检测
我们使用Hessian矩阵是因其良好的精确度。
确切的说，我们检测行列式最大的类似斑块的结构。
相对于Mikolajczyk和Schmid的Hessian-Laplace检测子，我们同样使用Hessian矩阵来选择尺度，这一点Lindeberg已经做过。
对于一个图像中的点X=（x,y），尺度为σ的Hessian矩阵H（X,σ）定义为：
其中Lxx（X,σ）为点X处的高斯二阶倒数
的卷积。
Lxy（X,σ）和Lyy（X,σ）与之类似。
高斯对于尺度分析是最优的，但在实际应用中需要离散化和裁剪（图2）。
这使其在π/4的奇数倍旋转时的可重复性有损失。
这是基于Hessian检测子的通病。
图3显示了两种基于Hessian的检测子对于单纯图像旋转的可重复性。
可重复性在π/2的整数倍时达到最大，这是因为滤波器是方形的。
然而，检测子的表现还是不错的，性能的微小减少并不比离散和裁剪带来的快速卷积的优点重要。
实际的滤波器不可能是理想的，考虑到Lowe在LoG近似方法上的成功，我们进一步近似了Hessian矩阵。
这种高斯二阶倒数近似可以利用积分图，大大减少计算复杂度。
计算时间也不依赖于滤波器大小。
第五部分和图3显示，其性能与离散裁剪的高斯法相当或更好。
图2中的9x9方形滤波器是σ=1.2的高斯滤波器的近似，这也是计算斑块响应图的最小的尺度（最大的空间分辨率）。
我们将其标注为Dxx，Dyy和Dxy。
为了计算简单，我们将方形区域的权重设为固定值。
因此：
滤波器响应的相关权重w是为了平衡Hessian行列式的表达式。
这是为了保持高斯核和近似高斯核的能量守恒。
其中|X|F是F范数。
为了理论上的正确性，权重需要根据尺度变化。
实际中，我们设为常数，因为它对实验结果并没有重要影响。
此外，滤波器响应根据尺度进行了归一化，这保证了对于不同尺寸有等量的F范数，这是上一节中讨论的，对于尺度分析很重要的一方面。
近似的Hessian行列式代表了图像在X点处的斑块响应。
这些响应保存在不同尺度的斑块响应图中，3.4节中将会检测局部最大值。
3.3尺度空间表示
兴趣点需要在不同的尺度进行检测，不只是因为一致性搜索的比较需要在不同尺度的图片中进行。
尺度空间通常以图像金字塔的形式呈现。
图像多次被高斯平滑，然后下采样，以得到金字塔高层的图像。
Lowe将金字塔不同层次的图像相减以得到DoG（DifferenceofGaussi-ans）图像。
因为用了积分图，我们不需要将同样的滤波器迭代应用在上次输出的图层上，而是使用任意尺度的方形滤波器，这样不同层可以有同样的速度，甚至可以并行执行（虽然还未在本文使用）。
因此，尺度空间是使用放大的滤波器尺度，而不是迭代减小图像大小。
图4是上节介绍的9x9滤波器输出，这是初始尺度层，我们记为尺度s=1.2（近似于σ=1.2的高斯导数）。
接下来的图层通过使用逐渐增大的滤波器得到，也利用积分图的离散特性和我们滤波器的特殊结构。
我们这样采样的动机是为了减小计算量。
此外，因为我们不需要下采样，因此也不需要对齐。
在下层，方形滤波器保存放大后会消失的高频部分，这会限制尺度不变性。
然而这在我们的实验中并不明显。
尺度空间被划分为组，一组代表一系列滤波器响应图，通过对同样的图像使用不断增大的滤波器卷积得到。
总体上，一组包含尺度因子为2（这意味着滤波器大小需要至少增加一倍）。
一个组又被分为固定数量的子尺度层。
因为积分图的离散型，两个子层间的最小尺度差依赖于l0，二阶偏导在倒数方向（x或y）的突出块的长度，这个值被设置为滤波器大小的三分之一。
对于9x9滤波器，这个值是3。
对于两个连续层，尺度至少增加2像素（一边一个），以保持大小为偶数，确保中心点的存在。
这使得总的覆盖面积增加了6像素（如图5）。
另外，由于l0对于面积的差异性（例如，垂直滤波器中间段的宽度），滤波器大小的调整带来了舍入误差。
然后，由于这些误差通常小于l0，这是可以接受的近似。
尺度空间的构建从9x9滤波器开始，计算图像的斑块响应，作为最小尺度层。
然后，滤波器增至15x15，21x21，和27x27，尺度变化了两倍多。
但这是必须的，因为3D非最大化抑制不仅要在本空间内，还要在临尺度内进行。
因此，第一和最后一层Hessian响应图本身并不能包含最大值，他们只是用来同其他层做比较的。
所以，如3.4节所述，插之后可能的最小尺度是σ=1.6=1.2*（12/9），对应的滤波器大小是12x12，最大到σ=3.2=1.2*（24/9）。
其他组也类似。
对每个新组，滤波器大小增倍（从6-12到24-48）。
同时，每个新组提取兴趣点的采样间隔加倍。
相对于传统下采样方法，这将减少计算量和精确度损失。
第二组的滤波器大小是15,27,39,51，第三组是27,51,75,99，如果原始图片还大于对应滤波器，尺度空间还需要第四组分析，滤波器大小为51,99,147，195。
图6前三组滤波器大小的总图。
之后的组可用同样的方法计算。
然而在典型的尺度分析中，每组检测到的兴趣点会急速减少，见图7。
较大的尺度变化，特别是每组的第一个滤波器（从9到15，1.7倍），提供的尺度采样相当粗糙。
因此，我们同样实现了一种较好的尺度采样的尺度空间。
在放大两倍的图像的积分图上计算，第一组的第一个滤波器大小为15，之后的大小是21,27,33,39。
第二组开始，滤波器大小按12递增。
第三和第四组按同样方法。
如此，第一个滤波器变化率就是1.4（21/15）。
这种精确版本的，可用二次插值检测的最小尺度是s=（1.2*（18/9））/2=1.2。
因为任何尺度滤波器的F范数都是常数，因此本身就是尺度标准化的，不需要再对滤波响应加权，更多信息参见文献22。
3.4兴趣点定位
为了在图像及不同尺度中定位兴趣点，我们用了3x3x3邻域非最大化抑制。
具体的，我们用了NeubeckandVanGool方法的快速变种。
Hessian矩阵行列式的最大值在尺度和图像空间被插值，依据BrownandLowe提出的方法。
尺度空间在我们的方法中尤其重要，因为每组第一个滤波器的尺度差异比较大。
图8显示了用我们的快速Hessian检测子检测到的兴趣点。
4.兴趣点描述和匹配
我们的描述子描述了在兴趣点附近分布的强度内容，类似于SIFT及其变种的梯度信息。
我们基于x和y方向的一阶哈里斯小波响应的分布，而非梯度，分布数据为64维。
这减少了特征计算和匹配的时间，同时也增强了鲁棒性。
此外，基于Laplacian的符号，我们提出了新的索引步骤，这不仅提高了描述子的鲁棒性，还提高了匹配速度（最高2倍）。
我们称之为SURF—Speeded-UpRobustFeatures。
第一步是基于兴趣点周围的圆形区域，确定一个可重现的方位。
然后构建一个与其同向的方形区域，在其中提取SURF描述子。
最后，在两个图片间匹配。
这三步具体如下。
4.1确定方向
为了做到对图像旋转不变，需要对兴趣点确定一个可重现的方向。
为此，我们在兴趣点半径6s的圆形邻域内计算x和y方向的Haar小波响应，s是兴趣点所在的尺度。
采样步长也不依赖于尺度，选为s。
为了与其他的保持一致，小波大小也不依赖于尺度，边长定位4s。
因此，我们还可以用积分图做快速滤波。
图9显示了所用滤波器。
任意尺度只需要六步计算就能得到x或者y方向的响应。
小波响应计算好以后，用中心位于兴趣点的σ=2s的高斯滤波器加权，响应值用二维空间中的点表示，横坐标表示水平响应，纵坐标表示垂直响应。
主方向通过在大小为π/3的滑动窗口内计算响应和来估计，如图10。
窗口内的水平和垂直响应被相加，两个和输出一个方向向量，所有窗口中的最长向量定义了兴趣点的方向。
滑动窗口的大小需要小心选择，过小的窗口只能找到一个主导梯度，过大的窗口只能输出一个毫无意义的最大值。
两种结果都是不正确的方向。
在许多应用中，方位不变性并不是必须的。
参考文献3和4中的实验使用了垂直版本的SURF（U-SURF）来检测目标，U-SURF计算更快，也更有鉴别力，并且在±15°内有可靠性。
4.2基于Haar小波响应和的描述子
描述子提取的第一步，是构建一个方形区域，中心在兴趣点，方位沿着上节中选出的方向，窗的大小是20s。
如图11。
这个区域又被整齐的划分为4x4的子区域，其中包含了重要的空间信息。
对每个子区域，我们计算5x5等间距采样点的小波响应。
简单期间，我们称水平方向的Haar小波响应为dx，垂直方向的为dy（滤波器大小为2s），再次参见图9。
这里的水平和垂直是相对于兴趣点的方向，见图12。
为了提高对几何畸变和定位误差的鲁棒性，响应值dx和dy首先经过了中心点在兴趣点的σ=3.3s的高斯加权。
然后，每个子区域的小波响应dx和dy相加，构成了特征向量的第一组条目。
为了引入强度变化的极性信息，我们同时提取出了响应绝对值|dx|和|dy|的和。
由此，每个子区域有了4维的强度结构描述向量v=（Σdx,Σdy,Σ|dx|,Σ|dy|）。
如此继续计算所有4x4子区域，结果就是64维的描述向量。
这里的小波响应对亮度便宜不变。
把描述子变成单位矢量，就也是对对比度不变（尺度不变的一种）。
图13显示了三种图像强度明显不同的子区域的描述子属性。
可以预想，这种局部强度模式的结合，可以产生有鉴别力的描述子。
SURF在某些点上很接近SIFT，例如关注于场强信息的空间分布。
然而第五节显示了，SURF全面超过了SIFT。
我们相信这是因为SURF整合了子图像的梯度信息，而SIFT是依靠单独梯度的方向。
这使得SURF对噪声较不敏感，如图14中的例子所示。
为了得到现在的SURF描述子，我们实验了较多和较少的小波特征点，二阶导，高阶小波，PCA，中值，均值，等等。
通过全面的评估，得到了效果最好的一组。
之后我们改变了采样点和子区域数目，发现4x4的子区域分割方案是最好的，见第五节。
不过到过细的子区域鲁棒性较差，并且匹配时间增加太多。
另一方面，使用3x3子区域得到的短描述子（SURF-36）表现稍差，但是匹配很快，相对于文中其他描述子来说还是可以接受的。
我们还测试了另外一种版本的SURF描述子，将一对特征相加（SURF-128）。
还是用之前的加法，但是数据划分的更细。
对于dy<0和dy>0，分别计算dx和|dx|的和，dy和|dy|也一样根据dx的符号划分，因此特征的数量就增倍。
这样的描述子鉴别力跟强，计算也并不特别慢，但是因为维度高，匹配会较慢。
4.3快速索引匹配
匹配阶段的快速索引使用了潜在兴趣点的Laplacian算子（即Hessian矩阵的迹）。
典型的兴趣点是斑块状的，Laplacian算子的符号可以区分出黑背景亮斑块与其相反情形。
因为Laplacian算子在检测阶段已经计算出来，这里使用并不增加额外计算量。
在匹配阶段，我们只比较有相同黑白对比的特征点，如图15。
因此，这点小信息使得快速匹配称为可能，而且不减弱描述子性能。
注意这对更高级的索引方法也是有利的。
例如k-d树，相对于随机选取一个元素或者使用特征统计参数，这个额外的信息为数据分割定义了一个有意义的超平面。
5.结果
以下结果既包含仿真数据，也包含实际测试结果。
首先我们评估了一些参数的影响，在标准测试集上展示了我们的描述子和检测子。
然后我们描述了两个可能的应用。
对于同其他检测子和描述子的详细对比，我们参考文献4。
SURF已经在一些实际应用中测试过。
文献3中已经展示了SURF在目标识别中的应用。
Cattin等人用SURF做人类视网膜图像拼接，这一任务没有其他检测子或描述子能做。
更进一步，对于图像配准，本文关注于稍难一些的摄像头校准和3D重建，还有款基线应用。
SURF能在一些困难的应用中精确可靠的校准摄像头。
最后，我们介绍了SURF在目标识别中的应用。
5.1实验评估与参数设置
我们使用Mikolajczyk提供的视频序列和测试软件，评估标准是可重复性得分。
测试序列包括图片，纹理和结构化场景。
序列包含很多几何和光学变换，例如视点变换，缩放旋转，图像模糊，亮度变换和JPEG压缩。
本文所有实验的时间，是在奔腾四3.0GHz标准PC上运行测得的。
5.1.1SURF检测子
我们测试了自己的快速Hessian检测子，根据初始高斯导数滤波器大小，FH-9代表我们的快速Hessian检测子初始滤波器大小为9x9，FH-15是15x15滤波器用于第二次的图片输入。
除此之外，本节的所有实验使用相同的阈值和参数。
本文检测子与Lowe的DoG检测子和Mikolajczyk的Harris-Laplace、Hessian-Laplace检测子对比，检测到的兴趣点平均数目非常相似（见表1）。
阈值根据DoG检测子检测到的兴趣点调整。
FH-9检测子比DoG快五倍以上，比Hessian-Laplace快十倍以上。
FH-15检测子比DoG快三倍以上，比Hessian-Laplace快四倍以上（见表1）。
同时，我们的检测子的可重复性与其他相当甚至更好。
所有检测子在Graffiti序列上的可重复性得分（图16上部）大致相当。
FH-15在Wall序列上的可重复性得分（图16下部）优于其他检测子。
Graffiti和Wall序列都包含平面外旋转，这会导致放射畸变，然而所有检测子都只对图片旋转和尺度不变。
因此，这种畸变应被视为总体稳健性的一个特征。
在Boat序列中（图17上部），FH-15也显得比其他好。
FH-9和FH-15在Bikes序列中（图17下部）都比其他好。
我们的检测子的优势和精准度会在5.2和5.3节中继续阐述。
5.1.2SURF描述子
本节我们关注SURF中两个影响查全率和查准率的参数。
首先，图12中方形网格的数量，以及描述子的大小，是影响匹配速度的两个主要因素。
其次，我们将考虑之前提到过的扩展的描述子。
图18显示了不同尺度方形网格的查准率和查全率，其中包括标准描述子和扩展描述子。
只有分割数目是变化的，总方向大小不变。
SURF-36意味3x3网格，SURF-72是它对应的扩展。
同样，SURF-100是5x5，SURF-144是6x6，SURF-200和SURF-288是他们的扩展。
为了在不同图像上（我们在每个测试集取一对图像）得到均值，我们使用比例匹配方案。
4x4方形在所有测试中的查准率和查全率都明显优于其他。
然而，3x3也是不错的选择，特别当匹配速度比较重要时。
进一步分析，我们发现扩展描述子查全率较差，但是查准率好。
总之，扩展描述子作用有限。
描述子的更多测试参见文献【4】。
在这里，我们只比较两个优秀的描述方案（SIFT和GLOH），同样是使用平均值（见图19）。
SURF-64最终胜出。
SURF的另一个优势是计算快。
1529个兴趣点的检测和描述只用了610ms，它的改进版本U-SURF只用了400ms。
5.23D中的应用
本节我们将评估Fast-Hessian检测子在摄像头自校准和3D重建中的精度。
第一个评估在双视角中与两个最新的检测子分别对比。
一个已知的场景被用来提供定量结果。
第二次评估使用N维摄像头自校准和密集3D多视角重建，这需要在宽基线情况下进行。
5.2.1双视角例子
为了评估不同兴趣点检测方案在摄像头校准和3D重建中的表现，我们创建了一个控制环境。
这样一个测试场景包含两个高度纹理化的平面，组成一个合适的角度（本例测得为88.6°），见图20。
图片大小为800x600，主点和宽高比未知。
因为正确匹配点的数目对于精度很重要，所以我们调整了兴趣点检测子参数，使得在匹配后，留下800个正确的匹配（匹配点不属于过滤掉的角度）。
匹配阶段是用SURF-128，两个平面的定位使用RAN-SAC以及正交回归。
评估标准是两个平面的角度，以及使用不同兴趣点描述子重建后的3D点与各自平面的平均距离和不一致性。
表2展示了Fast-Hessian（FH-15）特征点对于重建角度的正交投影。
有趣的是，具有更好理论基础的Harris和Hessian-Laplace检测子
升级会员 