專利名稱:基于最小二乘距離特征曲線的人體運動序列分割方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種三維人體捕捉數(shù)據(jù)智能處理,主要用于運動數(shù)據(jù)的檢索與合成等數(shù)據(jù)重用技術(shù)。
背景技術(shù):
隨著計算機動畫技術(shù)的發(fā)展,利用運動捕捉數(shù)據(jù)驅(qū)動人物模型生成動畫成為3D動畫制作中的一項關(guān)鍵技術(shù)。近年來,運動捕捉技術(shù)發(fā)展迅速,運動捕捉設(shè)備逐漸普及,隨著運動捕捉數(shù)據(jù)的積累和數(shù)據(jù)規(guī)模的不斷擴大,出現(xiàn)了很多商業(yè)和非商業(yè)的運動捕捉數(shù)據(jù)庫,為用戶提供豐富的數(shù)據(jù)資源。然而由于商業(yè)運動捕捉設(shè)備比較昂貴,運行維護成本較高且數(shù)據(jù)采集過程費時費力等原因,造成了數(shù)據(jù)采集成本較高。同時,對于同一動作進行重復(fù) 采集也會造成不必要的資源浪費。人體運動捕捉數(shù)據(jù)重用技術(shù),通過對運動捕捉數(shù)據(jù)庫的檢索獲取需要的數(shù)據(jù),并通過運動編輯與合成生成新的運動序列進行動畫制作,這樣不僅可以節(jié)約動畫制作的成本,而且提高了動畫制作的效率,因此運動捕捉數(shù)據(jù)重用技術(shù)成為近年來國內(nèi)外研究的一個熱點。運動數(shù)據(jù)分割技術(shù)作為計算機動畫中的一個研究熱點,其目的是將包含多個動作的長運動序列分割為具有特定語義的運動片段,這項技術(shù)在運動檢索、運動合成、運動壓縮、運動數(shù)據(jù)分析與處理等方面具有十分重要的作用和意義。雖然直接對人體運動片段進行捕捉或者通過人工手動對運動序列進行分割可以獲取具有固定語義的運動片段,但是由于人體運動復(fù)雜多樣,而且運動數(shù)據(jù)量龐大,通過這兩種方法獲取運動片段不但成本高而且效率低下,在實際應(yīng)用中很少使用。因此如何設(shè)計一種人體運動序列自動分割方法成為計算機動畫中亟待解決的一個問題。
發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種人體運動序列自動分割方法,采用最小二乘距離將運動序列簡化為一條距離特征曲線,通過提取曲線主要極值點,將運動序列分割為動素單元,最后根據(jù)運動的特征將含有多個動作的長運動序列分割為具有特定語義的運動片段(例如“走”、“跑”、“跳躍”等)。本發(fā)明方法定義的人體運動姿態(tài)相似度符合人的主觀判斷,分割效果與手動分割結(jié)果基本一致,從而為運動數(shù)據(jù)的檢索與合成等數(shù)據(jù)重用技術(shù)提供數(shù)據(jù)保障和技術(shù)支持。為了達到上述目的,本發(fā)明提供了一種基于最小二乘距離特征曲線的人體運動序列分割方法,包括如下步驟SI、犾得人體運動序列;S2、選擇人體姿態(tài)模板,用作最小二乘距離的比較標準;S3、利用奇異值分解的方法計算運動序列中每幀數(shù)據(jù)與模板的最小二乘距離,將人體運動序列簡化為二維特征曲線;S4、利用小波分析的方法對運動特征曲線進行降噪處理;
S5、提取特征曲線中的主要極值頂點,將運動序列分割為動素;S6、對動素進行相似聚類,獲得動素的標號序列;S7、對運動序列進行語義分割首先利用人體運動層次化結(jié)構(gòu)特征,根據(jù)標號序列中動素變化規(guī)律對人體運動序列進行粗略語義分割,然后對語義動作進行邊界探測,提高語義分割的準確性;S8、運動序列分割結(jié)果輸出。其中,所述步驟S3的過程為 首先,對于載入的人體運動序列,根據(jù)骨架結(jié)構(gòu)信息選取決定姿態(tài)的關(guān)節(jié)點,并獲得關(guān)于所述關(guān)節(jié)點的每幀人體運動數(shù)據(jù);然后,利用奇異值分解的方法計算每幀人體運動數(shù)據(jù)與S2中人體姿態(tài)模板之間的最小二乘距離;最后,把最小二乘距離作為特征,將人體運動序列簡化為一條二維特征曲線。所述步驟S5的過程為根據(jù)運動曲線變化提取所有局部極值頂點,通過設(shè)定閾值過濾相鄰且取值相近的頂點,獲得主要的極值點;把主要極值頂點作為動素分割點,將運動序列分割為動素。優(yōu)選方式下,S5中所述閾值選定為6. 5。此外,步驟SI中人體運動序列可從現(xiàn)有技術(shù)的人體運動庫中導(dǎo)入數(shù)據(jù)(例如卡內(nèi)基梅隆大學(xué)的CMU運動捕捉數(shù)據(jù)庫),也可自行獲得或建立數(shù)據(jù)。步驟S7中在動素分割的基礎(chǔ)上對運動序列進行語義分割的方法具體描述為根據(jù)人體運動層次化結(jié)構(gòu)中不同語義動作由不同動素或按照不同順序組合而成這一特征,首先按照動素變化規(guī)律將人體運動序列分割為周期運動和非周期運動,然后對于非周期運動可能含有多個語義動作的情況根據(jù)動素幅度變化對非周期運動進行再次分割,最終完成對整個運動序列的分割。具體說,步驟S7的過程為對于周期運動根據(jù)動素的周期變化提取出所有周期語義運動動作。對于非周期動作,有三種情況運動序列短,則將其視為兩個相鄰語義動作之間的過渡動作(運動序列短的實例包含動素少于兩個或動作持續(xù)時間小于O. 5秒);運動序列長,則通過相鄰動素的變化幅度對其進行再次分割;如果相鄰動素變化幅度相差過大時,在兩動素連接處設(shè)置一個分割點;最終,完成對整個運動序列的分割。此夕卜,當兩個語義動作之間存在過渡動作時,進行分割點位置校正通過將過渡動作與語義動作中相應(yīng)動素進行逐幀相似比較,獲得分割點位置。本發(fā)明基于最小二乘距離特征曲線的人體運動序列分割方法,在人體運動捕捉數(shù)據(jù)的基礎(chǔ)上,引入人體運動姿態(tài)之間的最小二乘距離做為人體運動數(shù)據(jù)的特征,定義姿態(tài)之間的相似度,將人體運動序列簡化為一條運動曲線,并通過對人體運動規(guī)律的分析將人體運動序列分割為具有特定語義的運動片段。首先,選取一幀數(shù)據(jù)作為模板,計算運動序列中每幀數(shù)據(jù)與模板的最小二乘距離,由于人體運動捕捉數(shù)據(jù)采樣頻率很高,將相鄰最小二乘距離相連接便形成一條連續(xù)變化的曲線;然后通過小波濾波,剔除曲線中的局部噪聲,使曲線變得平滑光順;然后通過提取曲線中的主要極值頂點,所有極值頂點將運動序列分割為動素序列;最后通過對動素進行聚類,根據(jù)人體運動的周期規(guī)律和幅度變化將人體運動序列分割為具有特定語義的運動片段。該方法定義的人體運動姿態(tài)相似度符合人的主觀判斷,分割效果與手動分割結(jié)果基本一致。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點
I、本發(fā)明提出的基于最小二乘距離特征曲線的人體運動序列分割方法實現(xiàn)了人體運動序列的自動分割,分割前無需知道運動序列中含有的運動種類及數(shù)量。2、在本發(fā)明中定義的基于最小二乘距離的人體相似度度量方法符合人的主觀認知,分割結(jié)果與人工手動分割結(jié)果基本一致。
圖I是本發(fā)明算法流程圖;圖2是人體運動層次結(jié)構(gòu)示意圖;圖3是姿態(tài)與模板之間的最小二乘距離一個實施例的狀態(tài)示意圖;圖4是以圖3所示的最小二乘距離作為特征的人體運動序列曲線示意圖;
圖5是小波分解示意圖;圖6是主要極值點提取示意圖;圖7是語義分割結(jié)果示意圖。
具體實施例方式本發(fā)明的技術(shù)方案是首先,計算運動序列中每幀數(shù)據(jù)與一個固定姿態(tài)模板之間的最小二乘距離,將運動序列簡化為一條運動特征曲線,使用小波濾波對特征曲線進行降噪處理;然后提取運動曲線中的主要極值點,將相鄰極值點之間的部分定義為動素單元,得到一個動素序列;最后,對動素單元進行相似聚類,根據(jù)人體運動的層次化結(jié)構(gòu)特征,利用不同的語義動作由不同的動素單元按不同順序組合而成這一特性,將運動序列分割為具有特定語義特征的運動片段,并對每個語義片段進行邊界探測,實現(xiàn)語義動作的精確分割。附圖I所示為本發(fā)明算法流程圖,其具體包括以下技術(shù)環(huán)節(jié)I.人體運動層次化結(jié)構(gòu)分析人體運動是一個高級而且復(fù)雜的行為運動過程,而且具有層次化結(jié)構(gòu)特征,根據(jù)主觀認知的不同可將人體運動分為三個層次結(jié)構(gòu),即行為層、語義動作層、動素層。第一層為行為層,在行為層中,運動數(shù)據(jù)為長運動序列,包含多個語義動作,運動具有主觀目的性,為了實現(xiàn)某一目的而將多個動作組合在一起;第二層為語義動作層,在這一層中的動作為具有特定語義的單獨動作,例如“走、跑、跳、踢”等;最底層為動素層,這一層中的動作為組成運動的最小基本單位,可將其看做是語義動作的分解,每個動素為部分身體的運動過程,例如“左腳\右腳向前\向后移動”。如附圖2所示。在運動層次化結(jié)構(gòu)里面,低層次的運動按照不同的順序結(jié)構(gòu)組合成高級的運動,并最終形成完整的人體動作。本發(fā)明的目的是在語義動作層將人體運動分割為具有特定語義的動作片段,由于不同的語義動作片段,其包含的動素及動素組合方式都不相同,例如一個“走然后撿東西”的運動序列,其動素組成可表示為{1 2 1 2 1 2 3 4},其中{I 2}表示一個走的循環(huán)序列,{34}表示彎腰然后直立的過程,這種通過動素表示運動序列的方法,不僅簡單直觀,而且利于運動序列的語義分割。因此本發(fā)明的分割思想為通過運動曲線的極值點將人體運動分割為動素,然后通過對動素序列變化規(guī)律的分析實現(xiàn)語義動作片段的分割。2.運動數(shù)據(jù)格式
本專利所述方法針對人體運動捕捉數(shù)據(jù),數(shù)據(jù)格式采用BVH文件數(shù)據(jù)格式,BVH格式文件由兩部分組成骨架信息和數(shù)據(jù)塊。骨架信息通過樹型結(jié)構(gòu)來表示,人體關(guān)節(jié)用節(jié)點表示,肢體用節(jié)點之間的連接表示,整個骨架模型表示為一個球棒模型。人體運動捕捉數(shù)據(jù)是對人體運動姿態(tài)的連續(xù)采集,可將人體運動數(shù)據(jù)視為在離散時間點采樣得到的人體姿態(tài)序列,并用下面公式來表示M= {F(1),F(xiàn)(2),...,F(xiàn)(n)},其中M是一個具有η幀運動數(shù)據(jù)的運動序列,F(xiàn)(i)表示運動數(shù)據(jù)M中的第i幀。由于在本方法中,數(shù)據(jù)幀之間的最小二乘距離需要由關(guān)節(jié)點三維空間坐標計算得到,因此將數(shù)據(jù)幀F(xiàn) (i)如下表示
_] F⑴={pia, pij2,
其中Pi,k表示F(i)中第k個關(guān)節(jié)點的三維坐標,每個關(guān)節(jié)的三維空間坐標可通過BVH數(shù)據(jù)中關(guān)節(jié)的旋轉(zhuǎn)變量以及其父關(guān)節(jié)的坐標計算得到。3.最小二乘距離曲線[利用奇異值分解(SVD)的方法]由于人體運動數(shù)據(jù)維數(shù)較高,在對數(shù)據(jù)進行處理的過程中容易陷入維數(shù)災(zāi)難,在本發(fā)明中,引入一個姿態(tài)模板,通過計算每一幀運動數(shù)據(jù)與姿態(tài)模板的最小二乘距離,從而將運動數(shù)據(jù)簡化為一條二維運動曲線。下面給出最小二乘距離曲線的計算過程。給定一個姿態(tài)模板Q= Iq1, q2,…qm}以及一巾貞運動數(shù)據(jù)F = {p1;p2,…,PmMt為相對應(yīng)的兩個三維空間點集具有以下關(guān)系Pi = Rqi+T+Np i = 1,…,m這里,R為一個3*3的旋轉(zhuǎn)矩陣,T為平移向量,Ni為噪聲向量。那么經(jīng)仿射變換[R,T]作用之后,姿態(tài)F與模板姿態(tài)Q之間的距離可以表示為d = ±\\N1f=±\\Pl-(Rqi+T)f
i=l i=l容易理解,存在一個仿射變換[RS,TS]使得距離d最小,gp dmm = Yj \Ρι - {Rsqt + Ts )f
J=I其中,IK ^J = arg πι ηΣ Wp1 ~ ( + r)lf
[RJ] i=l則Clniin即為F與Q之間的最小二乘距離。如附圖3所示。為了計算最小二乘距離,首先需要計算使其達到最小二乘距離的空間仿射變換[Rs, Ts],這里我們采用奇異值分解的方法對以上問題進行求解,具體過程如下給定兩個相對應(yīng)的三維點集P= {Pi},P' = {p' J,其最小二乘距離仿射變換[Rs, TJ可經(jīng)過以下6步計算得到步驟I、分別計算P與P'的質(zhì)心P, P';步驟2、分別計算向量序列Qi = ρ「ρ, q' i = p'「P';步驟3、計算3X3矩陣丑=,這里j表示V i的轉(zhuǎn)置;
i=lcIi步驟4、對矩陣H進行奇異值分解,H = UAVt,計算X = VUt ;
步驟5、計算矩陣X的行列式,如果det(X) = 1,旋轉(zhuǎn)矩陣為R = VUt,如果det (X)=-I,令 Ψ = (V1, V2,_v3),旋轉(zhuǎn)矩陣為 Rs = V' Ut ;步驟6、計算平移向量Ts = p' -Rp ;按照上面的步驟我們可以求得每幀數(shù)據(jù)與姿態(tài)模板之間的最小二乘距離,在引入的數(shù)據(jù)中包含28個關(guān)節(jié)點,而人體運動姿態(tài)主要由其中19個關(guān)節(jié)點決定,因此本方法在計算最小二乘距離過程中只考慮這19個主要關(guān)節(jié)點以減少計算量。然后將相鄰運動數(shù)據(jù)求得的最小二乘距離依次相連便形成了一條二維曲線。如附圖4所示。4.運動序列分割在運動序列中,運動的極限姿態(tài)往往對應(yīng)于運動曲線中的頂點位置,因此本發(fā)明 采用的運動序列分割方法的基本思想是從運動曲線中提取主要頂點并作為動素分割的依據(jù),然后通過對動素層次的分析實現(xiàn)在語義層次的運動序列分割。4. I運動曲線降噪由于在運動捕捉過程中,受到各種客觀原因的影響,捕捉動作會出現(xiàn)微小的跳動,這會造成運動曲線局部出現(xiàn)毛刺現(xiàn)象,進而會影響到極值點的提取。在信號處理中,小波分析是公認的最新時頻分析工具,其中小波分析的重要應(yīng)用之一就是小波降噪,在本發(fā)明中,通過小波降噪對運動曲線進行降噪處理。運動曲線作為一組含有噪聲的信號序列具有如下形式d (k) = f (k) + ε · e (k), k = I, 2, ...,η這里,d(k)為原始信號,f(k)為主信號,e(k)為噪聲信號。一般情況下,噪聲信號表現(xiàn)為高頻信號,而主信號的頻率一般低于噪聲信號,因此小波降噪過程如下步驟I、對信號進行小波分解,隨著分解層次的升高,噪聲信息的含量變的越來越小。(如附圖5所示,圖中分解層次為5層)步驟2、小波分解高頻系數(shù)的閾值量化,對各個分解尺度下的高頻系數(shù)選擇一個閾值進行軟閾值量化處理。步驟3、小波重構(gòu),根據(jù)小波分解的最底層低頻系數(shù)和各層高頻系數(shù)進行一維小波重構(gòu)。4. 2動素分割動素的起始和終止姿態(tài)與運動曲線中的極值頂點基本相對應(yīng),經(jīng)過小波降噪之后運動曲線變得相對光滑。首先根據(jù)與相鄰幀最小二乘距離的比較提取所有局部極值頂點,然而一般情況下仍然會有一些相鄰極值點的取值很接近,然后通過比較相鄰極值點的變化幅度,設(shè)定一個閾值,將比較接近的相鄰極值點過濾掉,從而提取運動曲線中主要的極值點。(如附圖6所示,圖a為所有極值點,圖b為提取的主要極值點)。其中,過濾相近頂點而設(shè)定的閾值對動素分割效果有直接的影響,如果閾值過小,則會出現(xiàn)多余的頂點,會導(dǎo)致將一個動素分割為多個動素;相反,如果閾值設(shè)定過大,則會將多個動素合并為一個動素。這些都會影響到語義分割的結(jié)果,本發(fā)明在實驗過程中所采用的閾值為經(jīng)過多次反復(fù)實驗而得到的最優(yōu)值。在實驗中發(fā)現(xiàn),動素在對應(yīng)最小二乘距離特征曲線中的變化幅度一般都在10以上,而冗余極值點之間的變化幅度基本都在5以下,因此我們在區(qū)間(5,10)之間選擇閾值。通過對數(shù)據(jù)的反復(fù)多次實驗,這里我們選擇的最優(yōu)閾值為6. 5。
相鄰極值點之間的部分被看做一個動素,運動序列便轉(zhuǎn)化為一個動素序列。為了找出運動的規(guī)律特征,對動素進行相似聚類,相似度比較標準為(I)運動曲線相似性比較;(2)動素起始與結(jié)束姿態(tài)相似性。對動素進行相似比較之后,將相似的動素標以相同的類號,然后得到動素的標號序列,如下所示[I 212121345674589898 10 1112 13 10 11 14 15 16 1718 15 19 20 21 22 23 24 21 22 23 24 21 2225 26 27 26 27]4. 3語義分割人體運動在語義動作層次上可分為周期性運動和非周期性運動,對動素序列進行觀察容易發(fā)現(xiàn),周期性運動所包含的動素變化也具有周期性,因此首先根據(jù)動素的周期變化提取出所有周期語義運動動作,對于非周期部分,如果運動序列很短,則將其視為兩個相鄰語義動作之間的過渡,反之,則通過相鄰動素的變化幅度對其進行再次分割,如果相鄰動素變化幅度相差過大時,在兩動素連接處設(shè)置一個分割點。通過以上步驟,運動序列的主要語義動作已經(jīng)被分割出來,但分割點的位置都在曲線極值點的位置處,然而當兩個相鄰語義動作之間存在過渡片段時,過渡片段會包含語義動作中的部分運動,因此這種情況下,分割點的準確位置一般不在極值點位置處。為了得到運動序列準確的分割位置,最后將過渡片段與語義動作中的相應(yīng)動素進行逐幀相似比較,當相似度大于設(shè)定的閾值時,在該處設(shè)定分割點取代原來的分割點,最終實現(xiàn)運動序列的準確分割。也就是說,根據(jù)動素變化規(guī)律對運動序列進行分割,分割點的位置都在特征曲線的極值頂點處,而當兩個語義動作之間存在過渡動作時,過渡動作中包含了其相鄰語義動作中的一部分,在本發(fā)明的分割方法中,對于這種情況進行了分割點位置校正,通過將過渡動作與語義動作中相應(yīng)動素進行逐幀相似比較獲得更加準確的分割點位置,使得由本方法而獲得的分割結(jié)果更加接近人工手動分割的結(jié)果。下面通過具體的實施方式對本發(fā)明的方法做進一步說明。實驗環(huán)境為Windows XP系統(tǒng),程序語言為Matlab,硬件配置為Intel 4核主頻2. 40GHz CPU,內(nèi)存為3. 25GB。采用的數(shù)據(jù)為CMU人體運動捕捉標準數(shù)據(jù)庫中的數(shù)據(jù),數(shù)據(jù)格式為BVH。具體實施步驟為步驟I :選取原始數(shù)據(jù)。原始數(shù)據(jù)存儲格式如下
權(quán)利要求
1.一種基于最小二乘距離特征曲線的人體運動序列分割方法,其特征在于,包括如下步驟 51、獲得人體運動序列; 52、選擇人體姿態(tài)模板,用作最小二乘距離的比較標準; 53、利用奇異值分解的方法計算運動序列中每幀數(shù)據(jù)與模板的最小二乘距離,將人體運動序列簡化為二維特征曲線; 54、利用小波分析的方法對運動特征曲線進行降噪處理; 55、提取特征曲線中的主要極值頂點,將運動序列分割為動素; 56、對動素進行相似聚類,獲得動素的標號序列; 57、對運動序列進行語義分割首先利用人體運動層次化結(jié)構(gòu)特征,根據(jù)標號序列中動素變化規(guī)律對人體運動序列進行粗略語義分割,然后對語義動作進行邊界探測; 58、運動序列分割結(jié)果輸出。
2.根據(jù)權(quán)利要求I所述基于最小二乘距離特征曲線的人體運動序列分割方法,其特征在于,所述步驟S3的過程為 首先,對于載入的人體運動序列,根據(jù)骨架結(jié)構(gòu)信息選取決定姿態(tài)的關(guān)節(jié)點,并獲得關(guān)于這些關(guān)節(jié)點的每幀人體運動數(shù)據(jù); 然后,利用奇異值分解的方法計算每幀人體運動數(shù)據(jù)與S2中人體姿態(tài)模板之間的最小二乘距離; 最后,把最小二乘距離作為特征,將人體運動序列簡化為一條二維特征曲線。
3.根據(jù)權(quán)利要求I所述基于最小二乘距離特征曲線的人體運動序列分割方法,其特征在于,所述步驟S5的過程為根據(jù)運動曲線變化提取所有局部極值頂點,通過設(shè)定閾值過濾相鄰且取值相近的頂點,獲得主要的局部極值頂點;把主要極值頂點作為動素分割點,將運動序列分割為動素。
4.根據(jù)權(quán)利要求3所述基于最小二乘距離特征曲線的人體運動序列分割方法,其特征在于,所述步驟S5中,所述閾值選定為6. 5。
5.根據(jù)權(quán)利要求I所述基于最小二乘距離特征曲線的人體運動序列分割方法,其特征在于,步驟SI中人體運動序列從現(xiàn)有技術(shù)的人體運動庫中導(dǎo)入數(shù)據(jù)。
6.根據(jù)權(quán)利要求1-5任一所述基于最小二乘距離特征曲線的人體運動序列分割方法,其特征在于,所述S7的過程為 對于周期運動根據(jù)動素的周期變化提取出所有周期語義運動動作; 對于非周期動作運動序列短,則將其視為兩個相鄰語義動作之間的過渡動作;運動序列長,則通過相鄰動素的變化幅度對其進行再次分割;如果相鄰動素變化幅度相差過大時,在兩動素連接處設(shè)置一個分割點; 最終,完成對整個運動序列的分割。
7.根據(jù)權(quán)利要求6所述基于最小二乘距離特征曲線的人體運動序列分割方法,其特征在于,所述步驟S7中,當兩個語義動作之間存在過渡動作時,進行分割點位置校正通過將過渡動作與語義動作中相應(yīng)動素進行逐幀相似比較,獲得分割點位置。
全文摘要
本發(fā)明公開了一種基于最小二乘距離特征曲線的人體運動序列分割方法,該方法在人體運動捕捉數(shù)據(jù)的基礎(chǔ)上,引入人體運動姿態(tài)之間的最小二乘距離做為人體運動數(shù)據(jù)的特征,定義姿態(tài)之間的相似度,將人體運動序列簡化為一條運動曲線,并通過對人體運動規(guī)律的分析將人體運動序列分割為具有特定語義的運動片段。本發(fā)明方法定義的人體運動姿態(tài)相似度符合人的主觀判斷,分割效果與手動分割結(jié)果基本一致。從而為運動數(shù)據(jù)的檢索與合成等數(shù)據(jù)重用技術(shù)提供數(shù)據(jù)保障和技術(shù)支持。
文檔編號G06F17/30GK102819549SQ20121011080
公開日2012年12月12日 申請日期2012年4月16日 優(yōu)先權(quán)日2012年4月16日
發(fā)明者張強, 劉瑞, 魏小鵬 申請人:大連大學(xué)