專利名稱：基于級聯(lián)式碼本生成的圖像分類方法
技術領域：
本發(fā)明屬與模式識別與信息處理技術領域，涉及一種基于級聯(lián)式碼本生成的圖像分類方法，具體的是一種圖像分類方法。
背景技術：
由于數碼相機等數碼產品的低廉價格，圖片、視頻數據可以很方便的拍攝并保存成方便計算機處理的電子形式。同時，互聯(lián)網資源的迅猛發(fā)展，使得廣大用戶開始面臨一個龐大的數據資源。單純的利用人力來維護和組織這些數據已經變得不現實。因此，開發(fā)一種技術來有效的組織這些個人或者企業(yè)圖片、視頻數據成為了一個熱點問題。然而，計算機不能“看”的很清楚它們不能像人一樣把圖像中的顏色像素轉換為更高級語義表示形式， 進而完成分類整理。一個人可以分類識別10，000多種視覺對象。對我們人類來說，分類過程很快，毫不費力而且對視角、光亮、遮擋和背景混淆有很好的魯棒性。而且，這個過程僅需要很少的監(jiān)督和少量實例。經過了幾十年的努力，研究者在特定目標(如，人臉，指紋識別)分類識別方面取得了很大進展，但是，到目前為止還沒有開發(fā)出一種通用的目標識別技術，滿足人們日常生活的需要。如何訓練計算機來模擬人的形象思維，達到人類的識別能力，仍然面臨著極大的挑戰(zhàn)。是挑戰(zhàn)，也是機會，因為這意味著這個領域還有著很大的發(fā)展空間。圖像分類的研究，大致可以追溯到60年代。在這個過程當中，圖像分類研究者在這個領域做出了大量工作，其中包含很多具有里程碑意義的方法?？偟膩碚f，目前圖像分類主要可以分為兩個流派其中之一是模仿人類的視覺器官，建立對應的分類子單元，以提高模仿程度來提高分類性能；另外一種就是模仿人類視覺的功能，而不刻意關注人實現過程中物理器官的反應。1964年，Neisser在中指出，人類的視覺系統(tǒng)的分類過程大致可以分為兩個階段意識前階段和意識階段。在意識前階段，目標上的突出的顯著局部區(qū)域會首先捕獲人的注意力；在意識階段，人們的視覺系統(tǒng)開始建立這些顯著部分的關系，進而識別出目標。這思路極大的影響了計算機視覺界(主要是通過馬爾的工作)，一系列有效的研究紛至沓來。與Neisser提出的意識前階段和意識階段的功能相對應，目標識別的過程大致可以分為兩個階段局部顯著區(qū)域檢測及描述和分類模型。在局部顯著區(qū)域檢測中，SIFT (尺度不變特征變換)以其穩(wěn)定的性能，成為了局部顯著區(qū)域檢測和描述的首選。同時，為了組織這些局部顯著區(qū)域以形成圖像的向量化描述，產生了一系列的分類模型，有部分-結構模型，基于輪廓的模型，語境語義相關模型，仿生學模型，特征包模型。在這些模型當中，特征包模型以其優(yōu)越的性能，簡潔的計算方式，成為圖像分類的主流模型。然而，特征包模型需要產生一個可供所有圖像局部區(qū)域映射的碼本。為了滿足這個需要，理想中的碼本應該涵蓋所有可能的局部顯著區(qū)域圖像塊。但是，圖像的變化時多樣且連續(xù)的，我們不可能生成一個碼本，能夠涵蓋所有的圖像塊。為了能夠近似的逼近圖像塊的各種變化，研究者選擇了聚類的方式，把多種類似的局部顯著區(qū)域圖像塊的連續(xù)變化映射到中間某個典型的圖像快上面。隨著圖像數目的增加，這種典型的局部區(qū)域圖像塊也會呈亞線性增長，由此帶來的便是圖像表示向量維數的增加，進而導致維數災難。如何產生碼本，使它既能滿足多樣性的要求，又在一定程度上避免維數災難，成了目前困擾特征包模型研究者的熱點問題。同時，對于特定類別分類問題，如果按照普通的分類方法，每個分類器的訓練過程，需要以本類別的訓練圖像為正樣本，其他所有訓練圖像作為負樣本，這樣就造成了分類器訓練中嚴重的樣本不均衡問題，使得正樣本淹沒在負樣本當中。為了解決這個問題，有的研究者采用減少負樣本的方法，但是，由于減少了負樣本的多樣性，使得大量的負樣本被誤分為正，分類器的性能反而大大降低。同時有的研究者采用將負樣本分為幾部分，每一部分與正樣本訓練一個分類器，然后將所有分類器的輸出結果按照少數服從多數的投票方式，決定圖像的分類結果；然而此方式沒有認識到正樣本淹沒在負樣本中的根本原因并不是負樣本多，而是正負樣本的固定的映射空間本身具有一定的不可分性，而僅僅把負樣本分為幾部分并不是解決問題的關鍵，因此雖然采用負樣本分塊訓練分類器后投票的方法在一定程度上提高了性能，但是也沒有從根本上解決問題
發(fā)明內容
為了解決現有技術對多類別分類問題存在的困難，本發(fā)明的目的是提供一種既能夠集合類別之間的具有判別力的局部顯著區(qū)域圖像塊作為碼本，又能有效的降低分類中向量表示的維數災難問題的解決方法。同時避開樣本不均衡問題。為了達成所述目的，本發(fā)明采用基于級聯(lián)式的碼本生成的圖像分類方法，該圖像分類方法包括步驟如下步驟Sl 對圖像數據集進行預處理是利用局部顯著區(qū)域檢測子，檢測圖像數據集所有圖像中的局部顯著區(qū)域，并用向量表示，將所有圖像表示成為局部顯著區(qū)域圖像塊的集合；步驟S2 采用級聯(lián)的方式對局部顯著區(qū)域圖像塊的集合進行處理，生成碼本、將訓練圖像向量化并訓練分類器；步驟S3 利用級聯(lián)式訓練生成的碼本，將測試圖像采用與訓練圖像相同的方式向量化，并利用級聯(lián)式訓練步驟訓練好的分類器分類圖像，然后根據分類器的輸出標簽，得到測試圖像的分類結果。其中，所述圖像數據集包含訓練圖像集和測試圖像集；所述訓練圖像集根據圖像的標簽分為正訓練圖像和負訓練圖像分別作為正樣本和負樣本用于級聯(lián)式碼本生成以及分類器訓練；所述測試圖像集根據圖像的標簽分為正測試圖像和負測試圖像分別作為正樣本和負樣本用于檢驗所述基于級聯(lián)式碼本生成的圖像分類方法的性能其中，所述級聯(lián)式訓練的具體步驟如下步驟S21 將局部顯著區(qū)域圖像塊的集合中所有由正的訓練圖像經圖像預處理得到的局部顯著區(qū)域圖像塊利用k_均值聚類，生成k個聚類中心作為正碼本；步驟S22 從當前所有訓練圖像的負訓練圖像中，隨機選擇與正訓練圖像相同數目的圖像，構成采樣得負樣本；步驟S23 將局部顯著區(qū)域圖像塊集合中所有由采樣得負樣本經圖像預處理得到的局部顯著區(qū)域圖像塊利用k-均值聚類，生成k個聚類中心作為負碼本；步驟S24 將正碼本與負碼本融合，得到2k個聚類中心，作為本輪的碼本；
步驟S25 將當前所有訓練圖像中的每一塊局部顯著區(qū)域圖像塊按照最近鄰的法貝U，映射到本輪的碼本上，即將本輪的碼本中與每個局部顯著區(qū)域圖像塊最近的聚類中心作為該局部顯著區(qū)域圖像塊的代表；統(tǒng)計本輪的碼本中每一個聚類中心在當前所有訓練圖像中的每一幅圖像中出現的次數，形成本輪的碼本中每個聚類中心在該圖像中出現次數的直方圖向量，作為該圖像在本輪的碼本上表示的向量；步驟S26 選擇正訓練圖像和采樣得到的負訓練圖像對應的直方圖向量分別作為正負樣本訓練本輪的分類器，將本輪的碼本和訓練得到的本輪的分類器之間建立對應關系，保存在分類器文件夾中； 步驟S27 將當前所有的負訓練圖像對應的直方圖向量輸入本輪的分類器，如果分類器輸出大于閾值Tl，則負訓練圖像被錯誤分類；如果被誤分類的負訓練圖像個數小于正訓練圖像的個數，則訓練過程終止；否則，將分類錯誤的負訓練圖像作為新的負訓練圖像與原始的正訓練圖像構成新的訓練圖像回到步驟S22開始新的一輪訓練。其中，所述的測試圖像的分類，是采用級聯(lián)的方式使得每一幅測試圖像依次經過所有訓練好的分類器，在經過每一個訓練好的分類器的時候，將測試圖像在當前訓練好的分類器對應的碼本上面按照與訓練圖像相同的方式，生成直方圖向量，輸入分類器；若分類結果小于閾值T2，則圖像標簽為負，測試結束；否則，測試圖像進入下一個訓練好的分類器；只有當測試圖像在所有訓練好的分類器上面標簽都為正，測試圖像被標注為正圖像。本發(fā)明的有益效果與現有的傳統(tǒng)分類方法相比，本發(fā)明方法具有如下特點1.與現有的碼本相比，當負訓練圖像種類較多時，本發(fā)明的級聯(lián)式碼本生成中的每個碼本大小保持不變，有效的避免了維數災難問題。2.與現有的碼本相比，隨著負訓練圖像種類的增多，本發(fā)明的碼本可以保持著穩(wěn)定的判別性，使得分類結果更加穩(wěn)定。3.與現有的分類器訓練方法相比，本發(fā)明的分類器訓練總是在正負樣本數目相同的情況下進行，也就是本發(fā)明的訓練方法不存在樣本不均衡問題。本發(fā)明有效的解決了圖像表示向量維數與碼本多樣性之間的矛盾，使得圖像表示向量維數不大的情況下仍然有著較強的判別性。同時，基于級聯(lián)式碼本生成的圖像分類方法，使得特定類別分類器訓練中常見的樣本不均衡問題不再存在，有效地挺高了圖像分類的性能。


圖1是本發(fā)明基于級聯(lián)式碼本生成的圖像分類方法的流程2示出本發(fā)明基于級聯(lián)式碼本生成的圖像分類訓練流程圖；圖3示出本發(fā)明基于級聯(lián)式碼本生成的測試圖像分類流程圖。
具體實施例方式下面結合附圖詳細說明本發(fā)明技術方案中所涉及的各個細節(jié)問題。應指出的是， 所描述的實施例僅旨在便于對本發(fā)明的理解，而對其不起任何限定作用。如圖1示出本發(fā)明采用基于級聯(lián)式的碼本生成方法的圖像分類方法。針對正訓練圖像和每輪采樣得負訓練圖像的特點，生成合適的碼本，將符合這個特點的圖像映射到一個具有可分性的特征空間中。同時，在每一個分類器的訓練當中，本發(fā)明保證正負樣本的個數是相等的，這巧妙地解決了分類器訓練中的樣本不均衡問題。這里，為了解決碼本維數和判別性，以及樣本不均衡問題，測試圖像只有在經歷所有的分類器并全部判別為正的情況下才被分類為正，而只要有一個分類器判斷為負，測試圖像就被判為負。因此，在分類器的訓練過程當中，負訓練圖像經過分類器輸出的概率只有小于一個遠遠小于0. 5的閾值Tl才判別為負，以確保所有負訓練圖像都非常明確地被劃分為負樣本；同時測試圖像經過分類器時，只要大于一個小于0. 5的閾值T2本輪分類器即判別為正，以確保正的測試圖像能夠順利的被所有分類器正確分類。本發(fā)明旨在設計一種基于級聯(lián)式碼本生成的圖像分類方法，在有效的解決傳統(tǒng)代碼包模型對于特定目標分類問題存在的圖像表示向量維數與碼本多樣性之間的矛盾的同時，消除分類器訓練過程中存在的樣本不均衡問題對方法性能的影響。采用級聯(lián)式的碼本生成方法，根據訓練圖像的變化，動態(tài)地生成新的碼本，進而達到根據訓練圖像動態(tài)調整特征映射空間的目的，使得當前訓練圖像被映射到一個比傳統(tǒng)的單一碼本更具有可分性的特征空間中，減少了分類器的分類難度。然后在新的特征空間中，訓練分類器，進行分類?；诩壜?lián)式碼本生成的圖像分類方法的主要思想是，根據訓練圖像的特點，動態(tài)地調整特征映射空間，使得當前訓練圖像在調整后的特征空間中比傳統(tǒng)方法更容易被分類。該方法包括圖像數據集預處理、級聯(lián)式訓練過程和測試圖像的分類過程，如下所述步驟Sl 圖像數據集預處理過程利用局部顯著區(qū)域檢測子，我們采用尺度不變特征變換(SIFT)，檢測圖像數據集中所有圖像的局部顯著區(qū)域，并表示為128維的SIFT向量， 將圖像數據集中每一幅表示成為局部顯著區(qū)域圖像塊的集合。步驟S2 級聯(lián)式訓練步驟，如圖2示出，包括正碼本生成、負訓練圖像采樣、負碼本生成，正負碼本融合成本輪碼本，當前所有訓練圖像在本輪碼本上向量化，利用正訓練圖像和采樣得到的負訓練圖像對應的圖像向量訓練本輪分類器，利用本輪分類器分類當前負訓練圖像以及下一輪訓練圖像生成步驟，具體描述如下

步驟S21 將局部顯著區(qū)域圖像塊的集合中所有由正的訓練圖像通過圖像預處理得到的局部顯著區(qū)域圖像塊利用k_均值聚類，生成k個聚類中心作為正碼本；步驟S22 從當前所有訓練圖像的負訓練圖像中，隨機選擇與正訓練圖像相同數目的圖像，構成采樣得負樣本；步驟S23 將局部顯著區(qū)域圖像塊集合中所有由采樣得負樣本經圖像預處理得到的局部顯著區(qū)域圖像塊利用k_均值聚類，生成k個聚類中心作為負碼本；步驟S24 將正碼本與負碼本融合，得到2k個聚類中心，作為本輪的碼本；步驟S25 將當前所有訓練圖像中的每一塊局部顯著區(qū)域圖像塊按照最近鄰的法貝U，映射到本輪的碼本上，即將本輪的碼本中與每個局部顯著區(qū)域圖像塊最近的聚類中心作為該局部顯著區(qū)域圖像塊的代表；統(tǒng)計本輪的碼本中每一個聚類中心在當前所有訓練圖像中的每一幅圖像中出現的次數，形成本輪的碼本中每個聚類中心在該圖像中出現次數直方圖向量，作為該圖像在本輪的碼本上的表示向量；步驟S26 選擇正訓練圖像和采樣得到的負訓練圖像對應的直方圖向量分別作為正負樣本訓練本輪的分類器，將本輪的碼本和訓練得到的本輪的分類器之間建立對應關系，保存在分類器文件夾中；步驟S27 將當前所有的負訓練圖像對應的直方圖向量輸入本輪的分類器，如果分類器輸出大于閾值Tl，則負訓練圖像被錯誤分類；如果被誤分類的負訓練圖像個數小于正訓練圖像的個數，則訓練過程終止；否則，將分類錯誤的負訓練圖像作為新的負訓練圖像與原始的正訓練圖像構成新的訓練圖像回到步驟S22開始新的一輪訓練。其中Tl為大于 0小于0.5的值，在本發(fā)明中，Tl取值為0. 1。步驟S3 如圖3示出測試圖像的分類采用級聯(lián)的方式，對每一幅測試圖像，依次經過所有的分類器。在經過每一個分類器的時候，將測試圖像在當前的分類器對應的碼本 (例如碼本1、碼本2及碼本M)上面按照與訓練圖像相同的方式，生成直方圖向量，并將直方圖向量輸入分類器(例如分類器1、分類器2及分類器M)；若分類器輸出的分類結果小于閾值T2，則測試圖像判別為負，測試結束；若分類器輸出的分類結果大于閾值T2，則測試圖像判別為正，則測試圖像進入下一個分類器。只有當測試樣本在所有分類器上面標簽都為正，測試圖像被標注為正樣本。T2取大于0小于0. 5的值，本發(fā)明給出了 T2分別為0. 1和 0. 2時的方法的性能。本發(fā)明效果可以通過以下實驗進一步說明實驗條件實驗數據集是由美國加州理工大學提供的Caltech-IOl數據集上面進行。隨機產生某個類別作為分類的正類別(這里隨機產生的是第十類，大腦)，其他所有類別包括背景類為負類別。每個類別隨機選擇30幅圖片作為訓練數據，剩余的圖片作為測試數據，這樣，有30幅圖片作為正訓練樣本，30X101 = 3030幅圖像作為負訓練樣本，剩余 6081幅圖像作為測試樣本(68幅正測試樣本，6013幅負測試樣本)。碼本生成中，選擇正負碼本大小k = 500，也就是每次聚類的聚類中心數目為500。每一輪融合后碼本2k = 1000。 這里的分類器采用支持向量機(SVM)分類器，訓練參數c，g在每一輪中通過交叉驗證自動確定。實驗結果本發(fā)明的方法為所有的測試圖像給出預測標簽。如果標簽名稱與測試圖像的實際標簽相同，則為分類正確，否則為分類錯誤。正樣本召回率=分類正確的正測試樣本數目/正測試樣本總數；總的分類正確率=(分類正確的正測試樣本數目+分類正確的負測試樣本數目)/總的測試樣本數目。對比試驗是在這個數據集上面，采用傳統(tǒng)簡單的特征包模型，單獨利用SIFT局部特征所得的最好結果。
閾值選擇Tl = 0. 1，T2 = 0. 1 Tl = 0. 1,T2 = 0.2 傳統(tǒng)簡單方法~
~正樣本召回率97.06%92.65%~
總的分類正確率59.41%88. 54%59. 33%從實驗數據可知，本發(fā)明采用級聯(lián)式碼本生成的圖像分類方法，有著更高的分類性能。本發(fā)明的基于級聯(lián)式碼本生成的圖像分類方法大致描述如下首先利用尺度不 變特征變換SIFT將訓練圖像表示為局部顯著區(qū)域圖像塊的集合；由正訓練圖像經圖像預處理得到的所有局部顯著區(qū)域塊向量聚類生成正碼本；在每一輪中從當前負訓練圖像中隨機采樣與正訓練圖像數目相同的負訓練圖像構成采樣得負樣本，將由采樣得負樣本中圖像經圖像預處理得到的所有局部顯著區(qū)域圖像塊向量聚類生成負碼本；融合正碼本與負碼本成本輪的碼本，并將所有當前訓練圖像表示成碼本中碼字出現次數的直方圖向量。利用正訓練圖像和采樣得到的負樣本對應的直方圖向量作為正負樣本訓練本輪分類器；然后將當前所有負訓練圖像對應直方圖向量利用本輪分類器分類，如果分類錯誤的負訓練圖像數目小于正訓練圖像數目，訓練終止；否則，將分類錯誤的負訓練圖像作為為下一輪訓練的負訓練樣本與原始正訓練圖像構成下一輪的訓練的訓練圖像。測試過程中，測試樣本在每一輪中， 先按照本輪上的碼本，采用與訓練樣本相同的方式表示為直方圖向量，然后輸入本輪的分類器，如果分類結果為負，則圖像判別為負，本圖像測試過程結束。否則，進入下一輪的測試，只有當測試圖像在所有分類器上輸出都為正的情況下，測試圖像獲得正的類別標簽。上述基于級聯(lián)式碼本生成的圖像分類方法具有高度的實用性和應用價值。 以上所述，僅為本發(fā)明中的具體實施方式
，但本發(fā)明的保護范圍并不局限于此，任何熟悉該技術的人在本發(fā)明所揭露的技術范圍內，可理解想到的變換或替換，都應涵蓋在本發(fā)明的包含范圍之內，因此，本發(fā)明的保護范圍應該以權利要求書的保護范圍為準。
權利要求
1.一種基于級聯(lián)式碼本生成的圖像分類方法，其特征在于，該圖像分類方法包括步驟如下步驟Sl 對圖像數據集進行預處理是利用局部顯著區(qū)域檢測子，檢測圖像數據集所有圖像中的局部顯著區(qū)域，并用向量表示，將所有圖像表示成為局部顯著區(qū)域圖像塊的集合；步驟S2 采用級聯(lián)的方式對局部顯著區(qū)域圖像塊的集合進行處理，生成碼本、將訓練圖像向量化并訓練分類器；步驟S3:利用級聯(lián)式訓練生成的碼本，將測試圖像采用與訓練圖像相同的方式向量化，并利用級聯(lián)式訓練步驟訓練好的分類器分類圖像，然后根據分類器的輸出標簽，得到測試圖像的分類結果。
2.如權利要求1所述的基于級聯(lián)式碼本生成的圖像分類方法，其特征在于，所述圖像數據集包含訓練圖像集和測試圖像集，其中訓練圖像集根據圖像的標簽分為正訓練圖像和負訓練圖像分別作為正樣本和負樣本用于級聯(lián)式碼本生成以及分類器訓練；測試圖像集根據圖像的標簽分為正測試圖像和負測試圖像分別作為正樣本和負樣本用于檢驗所述基于級聯(lián)式碼本生成的圖像分類方法的性能。
3.如權利要求1所述的基于級聯(lián)式碼本生成的圖像分類方法，其特征在于，所述級聯(lián)式訓練的具體步驟如下步驟S21 將局部顯著區(qū)域圖像塊的集合中所有由正的訓練圖像經圖像預處理得到的局部顯著區(qū)域圖像塊利用k-均值聚類，生成k個聚類中心作為正碼本；步驟S22:從當前所有訓練圖像的負訓練圖像中，隨機選擇與正訓練圖像相同數目的圖像，構成采樣得負樣本；步驟S23 將局部顯著區(qū)域圖像塊集合中所有由采樣得負樣本經圖像預處理得到的局部顯著區(qū)域圖像塊利用k-均值聚類，生成k個聚類中心作為負碼本；步驟S24 將正碼本與負碼本融合，得到業(yè)個聚類中心，作為本輪的碼本； 步驟S25 將當前所有訓練圖像中的每一塊局部顯著區(qū)域圖像塊按照最近鄰的法則， 映射到本輪的碼本上，即將本輪的碼本中與每個局部顯著區(qū)域圖像塊最近的聚類中心作為該局部顯著區(qū)域圖像塊的代表；統(tǒng)計本輪的碼本中每一個聚類中心在當前所有訓練圖像中的每一幅圖像中出現的次數，形成本輪的碼本中每個聚類中心在該圖像中出現次數的直方圖向量，作為該圖像在本輪的碼本上的表示向量；步驟S26 選擇正訓練圖像和采樣得到的負訓練圖像對應的直方圖向量分別作為正負樣本訓練本輪的分類器，將本輪的碼本和訓練得到的本輪的分類器之間建立對應關系，保存在分類器文件夾中；步驟S27:將當前所有的負訓練圖像對應的直方圖向量輸入本輪的分類器，如果分類器輸出大于閾值Tl，則負訓練圖像被錯誤分類；如果被誤分類的負訓練圖像個數小于正訓練圖像的個數，則訓練過程終止；否則，將分類錯誤的負訓練圖像作為新的負訓練圖像與原始的正訓練圖像構成新的訓練圖像回到步驟S22開始新的一輪訓練。
4.如權利要求1所述的基于級聯(lián)式碼本生成的圖像分類方法，其特征在于，所述的測試圖像的分類，是采用級聯(lián)的方式使得每一幅測試圖像依次經過所有訓練好的分類器，在經過每一個訓練好的分類器的時候，將測試圖像在當前訓練好的分類器對應的碼本上面按照與訓練圖像相同的方式，生成直方圖向量，輸入分類器；若分類結果小于閾值T2，則圖像標簽為負，測試結束；否則，測試圖像進入下一個訓練好的分類器；只有當測試圖像在所有訓練好的分類器上面標簽都為正，測試圖像被標注為正圖像。
全文摘要
本發(fā)明為一種基于級聯(lián)式碼本生成的圖像分類方法，該方法采用級聯(lián)式的碼本生成方式，根據訓練樣本的變化，動態(tài)地調整樣本映射空間，使得訓練樣本更容易被分開，進而訓練基于當前碼本的分類器。測試圖像依次通過訓練好的每一個分類器，如果所有分類器輸出為正，圖像類別標簽判別為正，否則，圖像類別標簽判別為負。該方法采用級聯(lián)式的碼本生成方法，使得每一輪的碼本在保持較強的判別性的同時，降低了圖像表示的維數，解決了碼本多樣性與維數災難之間的矛盾；同時，本方法采用級聯(lián)式的碼本生成方式，使得每一輪訓練正負樣本數目相同，巧妙的解決了特定類別分類中常見的樣本不均衡問題，具有重要的應用價值。
文檔編號G06K9/66GK102156885SQ201010112508
公開日2011年8月17日 申請日期2010年2月12日 優(yōu)先權日2010年2月12日
發(fā)明者張琳波, 張榮國, 王春恒, 肖柏華, 蔡新元 申請人:中國科學院自動化研究所