一種圖像主體對象的識別方法
【專利摘要】本發(fā)明公開了一種圖像主體對象的識別方法，其通過對待識別圖像進(jìn)行圖像顯著性檢測以獲取圖像的顯著性區(qū)域，并計算包含所述的顯著性區(qū)域的最大矩形區(qū)域，最后根據(jù)所述的最大矩形區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，識別得到待識別圖像的主體對象，從而能夠大大提升識別主體對象的正確率，適應(yīng)各式各樣的構(gòu)圖。
【專利說明】一種圖像主體對象的識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像識別方法，特別是一種圖像主體對象的識別方法。
【背景技術(shù)】
[0002]目前，我們在識別圖像中的主體對象主要是提取圖像的最中間位置的圖像來進(jìn)行識別，但是我們在拍攝時為了使拍攝照片更好看，往往在構(gòu)圖上采用“黃金分割”，它是廣泛存在于自然界的一種現(xiàn)象，簡單的說就是將攝影的主體對象放在位于畫面大約三分之一處，讓人覺得畫面和諧充滿美感。“黃金分割法”又稱“三分法則”，“三分法則”就是將整個畫面在橫、豎方向各用兩條直線分割成等份的三部分，我們將拍攝的主體放置在任意一條直線或直線的交點(diǎn)上這樣比較符合人類的視覺習(xí)慣。拍攝時可直接調(diào)出相機(jī)的“井”字輔助線，將拍攝主體放在4個交叉點(diǎn)上，這樣畫面立刻就活了起來。而這樣就導(dǎo)致圖像主體識別的錯誤率居高不下。

【發(fā)明內(nèi)容】

[0003]本發(fā)明為解決上述問題，提供了一種圖像主體對象的識別方法，其通過圖像顯著性檢測及卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，能夠大大提升識別主體對象的正確率，適應(yīng)各式各樣的構(gòu)圖。
[0004]為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為:
[0005]一種圖像主體對象的識別方法，其特征在于，包括以下步驟:
[0006]10.接收待識別圖像；
[0007]20.對所述待識別圖像進(jìn)行圖像顯著性檢測以獲取圖像的顯著性區(qū)域；
[0008]30.計算包含所述的顯著性區(qū)域的最大矩形區(qū)域；
[0009]40.根據(jù)所述的最大矩形區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，識別得到待識別圖像的主體對象。
[0010]優(yōu)選的，所述的步驟20中對待識別圖像進(jìn)行圖像顯著性檢測進(jìn)一步包括:
[0011]21.提取圖像特征:采用高斯濾波器對待識別圖像進(jìn)行濾波和采樣，形成以待識別圖像為底層的高斯金字塔模型；然后對高斯金字塔模型中的每一層分別提取各種圖像特征，形成特征金字塔模型；再根據(jù)該特征金字塔模型進(jìn)行計算得到所述待識別圖像的特征圖；
[0012]22.生成顯著圖:把每一個所述的特征圖歸一化處理，并將各個歸一化處理后的特征圖進(jìn)行綜合計算，得到對應(yīng)于待識別圖像的顯著圖。
[0013]優(yōu)選的，所述的步驟20中對待識別圖像進(jìn)行圖像顯著性檢測后生成顯著圖，用白色和黑色對該顯著圖進(jìn)行標(biāo)記以獲取圖像的顯著性區(qū)域，其中，白色表示圖像中顯著的區(qū)域，黑色表示圖像中不顯著的區(qū)域。
[0014]優(yōu)選的，所述的步驟30中計算包含所述的顯著性區(qū)域的最大矩形區(qū)域，主要通過標(biāo)記法對所述顯著圖進(jìn)行連通區(qū)域的計算和提取，從而得到最大矩形區(qū)域。[0015]優(yōu)選的,所述的標(biāo)記法進(jìn)一步包括:
[0016]31.初始標(biāo)記值記為I ;
[0017]32.對所述顯著圖進(jìn)行逐行掃描，找到一個未標(biāo)記區(qū)域的顏色為白色的像素點(diǎn)，標(biāo)記該像素點(diǎn)的標(biāo)記值為I ;
[0018]33.檢查該點(diǎn)的八鄰域的像素點(diǎn)并標(biāo)記像素點(diǎn)滿足為顏色為白色的像素點(diǎn)且未被標(biāo)記的標(biāo)記值為當(dāng)前標(biāo)記值，同時將新增的標(biāo)記像素點(diǎn)記錄下來作為區(qū)域增長的種子點(diǎn)；
[0019]34.在后續(xù)的標(biāo)記像素點(diǎn)過程中，不斷從記錄種子點(diǎn)的數(shù)組中取出一個種子，實(shí)施上述的操作，如此循環(huán)，直到記錄種子點(diǎn)的數(shù)組為空；
[0020]35.若一個連通區(qū)域標(biāo)記結(jié)束，則標(biāo)記值+1，并遍歷下一個連通區(qū)域，直到所有像素點(diǎn)被標(biāo)記為止；
[0021]36.獲取每個標(biāo)記值的最大區(qū)域，并將每個標(biāo)記值為I的白色區(qū)域連接起來，然后計算出顯著性區(qū)域與非顯著性區(qū)域的比例達(dá)到最大的矩形區(qū)域?yàn)樗龅淖畲缶匦螀^(qū)域。
[0022]優(yōu)選的，所述的步驟40中根據(jù)所述的最大矩形區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，識別得到待識別圖像的主體對象，主要是系統(tǒng)預(yù)先收集各種類型的主體對象的圖像進(jìn)行分類并標(biāo)注標(biāo)簽，從而得到帶有標(biāo)簽的圖像塊，并將其作為樣本圖像輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)。
[0023]優(yōu)選的,所述的圖像主體對象的分類標(biāo)簽包括:人物標(biāo)簽、食物標(biāo)簽、動物標(biāo)簽、建筑物標(biāo)簽、交通工具標(biāo)簽。
[0024]優(yōu)選的，所述的步驟40中進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，主要是將樣本圖像輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，并將分類錯誤的樣本圖像收集起來重新進(jìn)行標(biāo)注，再將重新標(biāo)注后的樣本圖像再次進(jìn)行訓(xùn)練學(xué)習(xí)，重復(fù)上述過程直到分類正確為止。
[0025]本發(fā)明的有益效果是:
[0026]本發(fā)明的一種圖像主體對象的識別方法，其通過對待識別圖像進(jìn)行圖像顯著性檢測以獲取圖像的顯著性區(qū)域，并計算包含所述的顯著性區(qū)域的最大矩形區(qū)域，最后根據(jù)所述的最大矩形區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，識別得到待識別圖像的主體對象，從而能夠大大提升識別主體對象的正確率，適應(yīng)各式各樣的構(gòu)圖。
【專利附圖】

【附圖說明】
[0027]此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本發(fā)明的一部分，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中:
[0028]圖1為本發(fā)明一種圖像主體對象的識別方法的流程簡圖；
[0029]圖2為本發(fā)明一實(shí)施例的待識別圖像；
[0030]圖3為對圖2進(jìn)行圖像顯著性檢測后的圖；
[0031]圖4為在圖3的基礎(chǔ)上獲取最大矩形區(qū)域的不意圖。
【具體實(shí)施方式】
[0032]為了使本發(fā)明所要解決的技術(shù)問題、技術(shù)方案及有益效果更加清楚、明白，以下結(jié)合附圖及實(shí)施例對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。[0033]如圖1所示，本發(fā)明的一種圖像主體對象的識別方法，其包括以下步驟:
[0034]10.接收待識別圖像，如圖2 ;
[0035]20.對所述待識別圖像進(jìn)行圖像顯著性檢測，如圖3，以獲取圖像的顯著性區(qū)域；
[0036]30.計算包含所述的顯著性區(qū)域的最大矩形區(qū)域，如圖4 ;主要是為了獲取顯著性區(qū)域最大的部分，方便接下來的主體對象的識別；
[0037]40.根據(jù)所述的最大矩形區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，識別得到待識別圖像的主體對象。
[0038]所述的步驟20中對待識別圖像進(jìn)行圖像顯著性檢測進(jìn)一步包括:
[0039]21.提取圖像特征:采用高斯濾波器對待識別圖像進(jìn)行濾波和采樣，形成以待識別圖像為底層的高斯金字塔模型；然后對高斯金字塔模型中的每一層分別提取各種圖像特征，形成特征金字塔模型；再根據(jù)該特征金字塔模型進(jìn)行計算得到所述待識別圖像的特征圖；具體為:先把待識別圖像表示成9層的高斯金字塔，其中第O層是待識別圖像，I到8層分別是用5*5的高斯濾波器對待識別圖像進(jìn)行濾波和采樣形成的，大小分別為待識別圖像的1/2到1/256，然后對金字塔每一層分別提取各種特征，例如:亮度、紅色、綠色、藍(lán)色、黃色、方向等特征，形成特征金字塔，然后再進(jìn)行計算得到各個特征的特征圖。
[0040]22.生成顯著圖:把每一個所述的特征圖歸一化處理，以消除干擾噪聲及突出顯著部分，并將各個歸一化處理后的特征圖進(jìn)行綜合計算，得到對應(yīng)于待識別圖像的顯著圖；具體為:對每個特征圖分別用二維高斯差函數(shù)進(jìn)行卷積，并把卷積結(jié)果疊加回原特征圖，使同種特征以側(cè)抑制的方式在空間上競爭；卷積和迭代過程進(jìn)行多次，這樣可以讓少數(shù)幾個最顯著的點(diǎn)均勻分布在整個特征圖上，從而每個特征圖上只保留少數(shù)的幾個顯著點(diǎn)，在疊加多個特征圖時能把多種顯著特征的點(diǎn)突現(xiàn)出來；接下來分別把每一類歸一化后的特征圖逐點(diǎn)求和，得到對應(yīng)于每一類特征的顯著圖，綜合所有特征的顯著性，就得到對應(yīng)于待識別圖像的顯著圖。
[0041]所述的步驟20中對待識別圖像進(jìn)行圖像顯著性檢測后生成顯著圖，用白色和黑色對該顯著圖進(jìn)行標(biāo)記以獲取圖像的顯著性區(qū)域，其中，白色表示圖像中顯著的區(qū)域，黑色表示圖像中不顯著的區(qū)域。
[0042]所述的步驟30中計算包含所述的顯著性區(qū)域的最大矩形區(qū)域，主要通過標(biāo)記法對所述顯著圖進(jìn)行連通區(qū)域的計算和提取，從而得到最大矩形區(qū)域。
[0043]所述的標(biāo)記法進(jìn)一步包括:
[0044]31.初始標(biāo)記值記為I ;
[0045]32.對所述顯著圖進(jìn)行逐行掃描，找到一個未標(biāo)記區(qū)域的顏色為白色的像素點(diǎn)，標(biāo)記該像素點(diǎn)的標(biāo)記值為I ;
[0046]33.檢查該點(diǎn)的八鄰域的像素點(diǎn)并標(biāo)記像素點(diǎn)滿足為顏色為白色的像素點(diǎn)且未被標(biāo)記的標(biāo)記值為當(dāng)前標(biāo)記值，同時將新增的標(biāo)記像素點(diǎn)記錄下來作為區(qū)域增長的種子點(diǎn)；
[0047]34.在后續(xù)的標(biāo)記像素點(diǎn)過程中，不斷從記錄種子點(diǎn)的數(shù)組中取出一個種子，實(shí)施上述的操作，如此循環(huán)，直到記錄種子點(diǎn)的數(shù)組為空；
[0048]35.若一個連通區(qū)域標(biāo)記結(jié)束，則標(biāo)記值+1，并遍歷下一個連通區(qū)域，直到所有像素點(diǎn)被標(biāo)記為止；
[0049]36.獲取每個標(biāo)記值的最大區(qū)域，并將每個標(biāo)記值為I的白色區(qū)域連接起來，然后計算出顯著性區(qū)域與非顯著性區(qū)域的比例達(dá)到最大的矩形區(qū)域?yàn)樗龅淖畲缶匦螀^(qū)域，如圖2至圖4所示。
[0050]所述的步驟40中根據(jù)所述的最大矩形區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，識別得到待識別圖像的主體對象，主要是系統(tǒng)預(yù)先收集各種類型的主體對象的圖像進(jìn)行分類并標(biāo)注標(biāo)簽，從而得到帶有標(biāo)簽的圖像塊，并將其作為樣本圖像輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；進(jìn)一步的，所述的步驟40中進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，主要是將樣本圖像輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，并將分類錯誤的樣本圖像收集起來重新進(jìn)行標(biāo)注，即，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，再將重新標(biāo)注后的樣本圖像再次進(jìn)行訓(xùn)練學(xué)習(xí)，如此重復(fù)“訓(xùn)練_>調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)_>再訓(xùn)練”的過程直到分類正確為止。
[0051]上述的圖像主體對象的分類標(biāo)簽包括:人物標(biāo)簽、食物標(biāo)簽、動物標(biāo)簽、建筑物標(biāo)簽、交通工具標(biāo)簽；該分類標(biāo)簽還可以進(jìn)一步細(xì)分，例如動物標(biāo)簽還可以分為貓、狗等，交通工具標(biāo)簽還可以分為車、船、飛機(jī)等，對于無法分類的圖像則分類為其他標(biāo)簽。
[0052]本實(shí)施例中網(wǎng)格結(jié)構(gòu)順序?yàn)檩斎雽觃>Κ個小組層_>全連接層_>SoftMax層，其中K大于等于I ;小組層包括卷積層、激活層、下采樣層、歸一化層；卷積層、激活層、下采樣層、歸一化層中每個層的核大小以及輸出大小都是可以進(jìn)行任意調(diào)節(jié)的，并且每個層都有一個輸入且產(chǎn)生一個輸出，每一層的輸出作為下一層的輸入。
[0053]其中，輸入層的輸入大小為Height x Weight x Channel,其中Weight、Height為輸入層圖像的寬和高，Channel為輸入層圖像的顏色通道；由于本發(fā)明使用GPU硬件實(shí)現(xiàn)的原因，Weight = Height ;輸入圖像的channel只能為I或者3。
[0054]卷積層:
[0055]I)核的大小必須是奇數(shù)，且不大于該層輸入的寬或者高；
[0056]2)中間表示通過卷積層時不改變寬和高，通道數(shù)可變可不變；理論上可以為任意正整數(shù)，由于本發(fā)明使用GPU硬件實(shí)現(xiàn)的原因，這里為16的倍數(shù)。
[0057]激活層:
[0058]I)激活層不改變卷積層表示的寬、高或者通道數(shù)；
[0059]2)激活層所使用的激活函數(shù)包括但不限于以下函數(shù)類型:
[0060]f (X) = I/ (l+e_x)
[0061]f (X) = a*tanh(b*x)，a, b 為任意數(shù)
[0062]f (X) = max (O, x)
[0063]f (X) = min (a, max (O, x))
[0064]f (X) = log (l+ex)
[0065]f (x) = I X
[0066]f(X) = X2
[0067]j (Y) —
[0068]f (X) = ax+b
[0069]3)激活層跟在卷積層或者全連接之后。
[0070]下采樣層:
[0071]I)下采樣層不改變中間表示的通道數(shù)；[0072]2)下采樣層對圖像的縮小比即為核的大小:即核為m X η的下采樣層會造成中間表示縮小為上一層的(l/m)x(l/n)，理論上m和η可為任意自然數(shù)，由于本發(fā)明使用GPU硬件實(shí)現(xiàn)的原因，m = η。例如，15x15x32通過3x3的下采樣后,變成5x5x32 ; 15x15x32通過5x5的下采樣后，變成3x3x32 ;但是15x15x32不能進(jìn)行2x2的下采樣，因?yàn)?5不能被2整除；并不是說，輸入尺寸必須是2的次冪，即16、32、64等，輸入尺寸只要保證能被所有下采樣層采樣即可。
[0073]歸一化層:
[0074]I)歸一化層不改變中間表示的任何尺寸；
[0075]2)歸一化層不是必須的，可要可不要，添加歸一化層通常會提高精度并增加計算量；是否添加歸一化層，要看添加后實(shí)際提升的精度和損失的速度。
[0076]一般的組合是:卷積_>激活_>下采樣_>歸一化。
[0077]以下情況特殊:
[0078]I)添加歸一化層“劃不來”時，取消歸一化層，即采用以下組合:卷積_>激活_>下采樣；
[0079]2)歸一化層提前，效果基本相同，即采用以下組合:卷積_>激活_>歸一化_>下采樣。
[0080]3)取消下采樣層:卷積_>激活；或者卷積_>激活_>歸一化；下采樣本質(zhì)是為了增加魯棒性，同時順便有減少后續(xù)層的運(yùn)算量的作用；一個網(wǎng)絡(luò)中通常會有幾層下采樣，但并不是所有的“卷積_>激活”后面都要跟下采樣。
[0081]全連接層:
[0082]I)通過全連接層后的中間表示會變成I維的，不再是3維的；
[0083]2)全連接的輸出可以任意；
[0084]3) 一旦進(jìn)過全連接，就無法進(jìn)行卷積、下采樣或歸一化；
[0085]4)全連接后面可以接激活層，或者繼續(xù)接全連接。
[0086]SoftMax 層:
[0087]接在全連接層之后，作用是把全連接產(chǎn)生的實(shí)值變成[0，1]之間的概率。
[0088]本發(fā)明最后使用的網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。
[0089]表1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
[0090]
【權(quán)利要求】
1.一種圖像主體對象的識別方法，其特征在于，包括以下步驟: 10.接收待識別圖像； 20.對所述待識別圖像進(jìn)行圖像顯著性檢測以獲取圖像的顯著性區(qū)域； 30.計算包含所述的顯著性區(qū)域的最大矩形區(qū)域； 40.根據(jù)所述的最大矩形區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，識別得到待識別圖像的主體對象。
2.根據(jù)權(quán)利要求1所述的一種圖像主體對象的識別方法，其特征在于:所述的步驟20中對待識別圖像進(jìn)行圖像顯著性檢測進(jìn)一步包括: 21.提取圖像特征:采用高斯濾波器對待識別圖像進(jìn)行濾波和采樣，形成以待識別圖像為底層的高斯金字塔模型；然后對高斯金字塔模型中的每一層分別提取各種圖像特征，形成特征金字塔模型；再根據(jù)該特征金字塔模型進(jìn)行計算得到所述待識別圖像的特征圖； 22.生成顯著圖:把每一個所述的特征圖歸一化處理，并將各個歸一化處理后的特征圖進(jìn)行綜合計算，得到對應(yīng)于待識別圖像的顯著圖。
3.根據(jù)權(quán)利要求1或2所述的一種圖像主體對象的識別方法，其特征在于:所述的步驟20中對待識別圖像進(jìn)行圖像顯著性檢測后生成顯著圖，用白色和黑色對該顯著圖進(jìn)行標(biāo)記以獲取圖像的顯著性區(qū)域，其中，白色表示圖像中顯著的區(qū)域，黑色表示圖像中不顯著的區(qū)域。
4.根據(jù)權(quán)利要求3所述的一種圖像主體對象的識別方法，其特征在于:所述的步驟30中計算包含所述的顯著性區(qū)域的最大矩形區(qū)域，主要通過標(biāo)記法對所述顯著圖進(jìn)行連通區(qū)域的計算和提取，從而得到最大矩形區(qū)域。
5.根據(jù)權(quán)利要求4所述的一種圖像主體對象的識別方法，其特征在于:所述的標(biāo)記法進(jìn)一步包括: 31.初始標(biāo)記值記為I; 32.對所述顯著圖進(jìn)行逐行掃描，找到一個未標(biāo)記區(qū)域的顏色為白色的像素點(diǎn)，標(biāo)記該像素點(diǎn)的標(biāo)記值為I ; 33.檢查該點(diǎn)的八鄰域的像素點(diǎn)并標(biāo)記像素點(diǎn)滿足為顏色為白色的像素點(diǎn)且未被標(biāo)記的標(biāo)記值為當(dāng)前標(biāo)記值，同時將新增的標(biāo)記像素點(diǎn)記錄下來作為區(qū)域增長的種子點(diǎn)； 34.在后續(xù)的標(biāo)記像素點(diǎn)過程中，不斷從記錄種子點(diǎn)的數(shù)組中取出一個種子，實(shí)施上述的操作，如此循環(huán)，直到記錄種子點(diǎn)的數(shù)組為空； 35.若一個連通區(qū)域標(biāo)記結(jié)束，則標(biāo)記值+1，并遍歷下一個連通區(qū)域，直到所有像素點(diǎn)被標(biāo)記為止； 36.獲取每個標(biāo)記值的最大區(qū)域，并將每個標(biāo)記值為I的白色區(qū)域連接起來，然后計算出顯著性區(qū)域與非顯著性區(qū)域的比例達(dá)到最大的矩形區(qū)域?yàn)樗龅淖畲缶匦螀^(qū)域。
6.根據(jù)權(quán)利要求1所述的一種圖像主體對象的識別方法，其特征在于:所述的步驟40中根據(jù)所述的最大矩形區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，識別得到待識別圖像的主體對象，主要是系統(tǒng)預(yù)先收集各種類型的主體對象的圖像進(jìn)行分類并標(biāo)注標(biāo)簽，從而得到帶有標(biāo)簽的圖像塊，并將其作為樣本圖像輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)。
7.根據(jù)權(quán)利要求6所述的一種圖像主體對象的識別方法，其特征在于:所述的圖像主體對象的分類標(biāo)簽包括:人物標(biāo)簽、食物標(biāo)簽、動物標(biāo)簽、建筑物標(biāo)簽、交通工具標(biāo)簽。
8.根據(jù)權(quán)利要求6所述的一種圖像主體對象的識別方法，其特征在于:所述的步驟40中進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，主要是將樣本圖像輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，并將分類錯誤的樣本圖像收集起來重新進(jìn)行標(biāo)注，再將重新標(biāo)注后的樣本圖像再次進(jìn)行訓(xùn)練學(xué)習(xí)，重復(fù)上述過程直到分 類正確為止。
【文檔編號】G06K9/66GK103955718SQ201410205350
【公開日】2014年7月30日 申請日期:2014年5月15日 優(yōu)先權(quán)日:2014年5月15日
【發(fā)明者】張偉, 傅松林, 王喆, 胡瑞鑫 申請人:廈門美圖之家科技有限公司