專利名稱:基于輪廓的車型識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理、模式識別技術(shù)領(lǐng)域：
，主要涉及對車輛目標(biāo)圖像的特征提取與形狀識別。
背景技術(shù)：
自動目標(biāo)識別ATR(Automatic Target Recognition)的研究是隨著圖像處理、模式識別、人工智能等學(xué)科的進(jìn)步逐步發(fā)展起來的。它的基本功用是利用從傳感器來的數(shù)據(jù)源自動地對目標(biāo)進(jìn)行探測、分類和識別。目標(biāo)分類和識別是對找出的運動區(qū)域的目標(biāo)進(jìn)行分類并確定其型號?？傮w而言，ATR是一種模仿人腦完成探測和識別目標(biāo)過程的系統(tǒng)。
自動目標(biāo)識別ATR系統(tǒng)可以采用多種傳感器數(shù)據(jù)源，基于圖像的目標(biāo)識別方法是一種重要而且非常適用的技術(shù)。自動圖像目標(biāo)識別系統(tǒng)中包括預(yù)處理、目標(biāo)檢測與分割、目標(biāo)特征提取、分類與識別、跟蹤等部分。其中，特征提取和目標(biāo)識別是決定系統(tǒng)性能的關(guān)鍵環(huán)節(jié)。圖像目標(biāo)識別特征的提取可采用多種方法，如傅立葉描述子、矩特征、變換域特征(小波變換、Gabor變換等)、邊緣輪廓特征等等。
其中傅立葉描述子是通過逐點掃描目標(biāo)圖像的邊界，并從設(shè)定點開始記錄各邊界點的坐標(biāo)位置。對坐標(biāo)序列進(jìn)行傅立葉變換，將得到的復(fù)系數(shù)稱為邊界的傅立葉描述子。但這種方法利用的目標(biāo)信息很少，只是提取了基于目標(biāo)圖像外邊界的特征，而且它對噪聲比較敏感，所以識別效果較差。詳見文獻(xiàn)岡薩雷斯，《數(shù)字圖像處理》，電子工業(yè)出版社，2003；TimothyP.Wallace and Paul A.Wintz，An Efficient Three-Demensional Aircraft RecognitionAlgorithm Using Normalized Fourier Descriptors，Computer Graphics And ImageProcessing，13，99-126。
變換域特征是通過不同尺度和系數(shù)的窗函數(shù)把目標(biāo)圖像映射到變換域中，再提取有用的識別特征。常用的變換方法有傅立葉變換、Hough變換、小波變換、Gabor變換等等。這些方法在各種特殊應(yīng)用中能得到理想的圖像信息，但其缺點是運算量較大，且物理意義不明確。詳見文獻(xiàn)萬峰杜明輝，人臉識別中一種新的Gabor特征提取方法，華南理工大學(xué)學(xué)報(自然科學(xué)版)，2004年08期間；周國民陳勇，人臉識別中應(yīng)用小波變換的兩個關(guān)鍵問題，浙江大學(xué)學(xué)報，2005年01期。
提取特征之后就需要對目標(biāo)進(jìn)行識別，識別就是將待測試的目標(biāo)樣本歸入已知的模式類別。目前常用的識別方法有近鄰法、神經(jīng)網(wǎng)絡(luò)、模糊識別方法等等。其中模糊識別方法需要準(zhǔn)確的模糊模型、隸屬度函數(shù)等前提條件。神經(jīng)網(wǎng)絡(luò)方法能夠有效地解決很多非線性問題，但它有很多重要的問題尚沒有徹底的理論解決，比如網(wǎng)絡(luò)節(jié)點數(shù)、初始權(quán)值和學(xué)習(xí)步長的確定，局部極小點等，所以在實際應(yīng)用中仍存在一定的問題。詳見文獻(xiàn)邊肇祺 張學(xué)工，模式識別，清華大學(xué)出版社，2000。

發(fā)明內(nèi)容本發(fā)明提出了一種新的基于輪廓的車輛目標(biāo)識別特征提取方法，它包含了全局形狀信息、局部統(tǒng)計信息和方向信息的復(fù)合識別特征的提取，并且提出一種雙閾值近鄰識別方法及其快速算法，在快速識別算法中采用了C-均值動態(tài)聚類與哈夫曼二叉樹原理相結(jié)合的方法，提出一種優(yōu)化匹配順序的二叉搜索樹，從而大大提高了識別效率和速度。
為了方便描述本發(fā)明地內(nèi)容，在此作一些術(shù)語定義1.邊緣輪廓觀察場景中亮度或其他性質(zhì)變化較快的部分通常是場景中不同物體之間的相交處，即邊緣。邊緣的檢測常借助空域微分算子進(jìn)行，通過模板與圖像卷積來完成。
2.訓(xùn)練樣本在分類問題中，已知一些樣本及它們的歸類，各類的決策函數(shù)由屬于該類的樣本的模式特征來表征，這樣的樣本稱為訓(xùn)練樣本。
3.車輛目標(biāo)圖像F的三個區(qū)域目標(biāo)真實區(qū)域1，目標(biāo)外圍區(qū)域2和背景區(qū)域3。目標(biāo)真實區(qū)域1和目標(biāo)外圍區(qū)域2稱為運動目標(biāo)區(qū)域。區(qū)域的劃分是根據(jù)車輛目標(biāo)分割過程中得到的運動區(qū)域和外截區(qū)域所確定的。
4.Canny邊緣檢測算子一種比較新的邊緣檢測算子，具有很好的邊緣檢測性能。Canny算子利用高斯函數(shù)的一階微分，能在噪聲抑制和邊緣檢測結(jié)果之間取得較好的平衡。
具體執(zhí)行步驟如下1)用高斯濾波器對圖像濾波，取出圖像中的噪聲。
2)用高斯算子的一階微分對圖像進(jìn)行濾波，得到每個象素梯度的大小|G|和方向θ|G|=[(∂f∂x)2+(∂f∂y)2]1/2]]>θ=tan-1[∂f∂y/∂f∂x]]]>f為濾波后的圖像。
3)梯度的方向可以定義為屬于4個區(qū)之一，左右為1區(qū)，左下、右上為2區(qū)，上下為3區(qū)，左上、右下為4區(qū)。各個區(qū)用不同的鄰近象素用來進(jìn)行比較，以決定局部極大值。
4)對梯度取兩個閾值T1和T2，T1＝0.4*T2。把梯度值小于T1的象素值的灰度設(shè)為0，得到圖像1。把梯度值小于T2的象素的灰度設(shè)為0，得到圖像2。然后以圖像2為基礎(chǔ)，以圖像1為補(bǔ)充來連接圖像的邊緣。
將以上執(zhí)行過程表達(dá)為函數(shù)canny()，如果原圖像為I，則邊緣檢測的結(jié)果E表示為E＝canny(I)。
Canny算子的原理可詳見文獻(xiàn)楊枝靈，王開，《Visual C++數(shù)字圖像獲取、處理及實踐應(yīng)用》，人民郵電出版社，2003。
5.Sobel算子一種常用的邊緣檢測方法，通過將模板與圖像進(jìn)行卷積來實現(xiàn)邊緣提取。
Sobel算子有兩個模板，一個是檢測垂直邊緣的Sx，另一個是檢測水平邊緣的Sy。
Sx=-101-202-101,]]>Sy=121000-1-21]]>Sobel算子詳見文獻(xiàn)岡薩雷斯，《數(shù)字圖像處理》，電子工業(yè)出版社，2003。
6.矩特征一幅M×N大小的圖像I(x，y)，其p+q階矩定義為mpq=Σx=0M-1Σy=0N-1xpyqI(x,y)]]>7.中心矩一幅M×N大小的圖像I(x，y)，其p+q階中心矩定義為μpq=Σx=0M-1Σy=0N-1(x-m10m00)p(y-m01m00)qI(x,y)]]>8.特征向量一般地把原始數(shù)據(jù)組成的空間叫測量空間，把分類識別賴以進(jìn)行的空間叫著特征空間，通過變換把測量空間中高維的時間空間模式信息轉(zhuǎn)化為較低維的特征空間中的模式，從而由特征空間中各維模式組成特征向量。
9.判別函數(shù)對于c類分類問題，按照決策規(guī)則可以把d維特征空間分成c個決策域，將劃分決策域的邊界面稱為決策面，在數(shù)學(xué)上用解析形式可以表示成決策面方程。用于表達(dá)決策規(guī)則的函數(shù)稱為判別函數(shù)。
10.最近鄰法假設(shè)有C個類別w1w2…wc的模式識別問題，每個類有標(biāo)明類別的樣本Ni(i＝1，2...c)個。對于未知類別的待測樣本x，規(guī)定wi類的判別函數(shù)為gi(x)=mink||x-xik||,k=1,2...Ni,]]>其中xik表示wi類的第k個樣本。
如果gj(x)=minigi(x),i=1,2...c]]>則判別為x∈wj。
11.K近鄰法假設(shè)有C個類別w1w2…wc的模式識別問題，一共有N個已知類別的訓(xùn)練樣本，其中來自類別w1w2…wc的樣本數(shù)分別為N1N2…Nc，即N＝N1+N2+...+Nc。對于未知類別的待測樣本x，找出與x距離最近的K個近鄰樣本。若K1，K2...Kc分別是K個近鄰中屬于w1w2…wc類的樣本數(shù)，則可以定義判別函數(shù)為gi(x)＝Ki，i＝1，2...c。
如果gj(x)=miniKi,i=1,2...c]]>則判別為x∈wj。
12.二叉搜索樹用二叉樹的形式來表達(dá)分類間的距離關(guān)系，并以此確定未知樣本與各類中訓(xùn)練樣本的匹配順序(搜索順序)。搜索樹由葉子節(jié)點和中間節(jié)點組成，每個葉子節(jié)點代表一個子分類，且子分類由該子分類中訓(xùn)練樣本的特征向量均值表征。將距離最近的兩個節(jié)點合并為一個新的節(jié)點(父節(jié)點)，并用兩個子節(jié)點的特征均值表征父節(jié)點，再用新節(jié)點與其他節(jié)點一起按此規(guī)則自下而上逐級合并，最后歸結(jié)到一個根節(jié)點。對未知樣本的識別是一個逆過程，從根節(jié)點開始搜索與未知樣本距離最近的節(jié)點，并結(jié)合近鄰判別法，最終找到未知樣本所屬的分類。
一種基于輪廓的車輛目標(biāo)識別算法，其特征包括如下執(zhí)行步驟假定所識別的車輛類型有c種，每種類型分別標(biāo)記為w1，w2Kwc(wi可以是如吉普、面包或者其他任何一種車型)。
步驟1，車輛目標(biāo)的分割及訓(xùn)練樣本的選擇首先，通過三幀法或時空法對視頻序列進(jìn)行處理，從視頻序列中分割出每幀的車輛目標(biāo)圖像，表示為F，圖像F中的象素表示為F(x，y)(0＜x＜M，0＜y＜N)，其中M是F的寬度，N是F的高度，如圖2所示。車輛目標(biāo)的分割過程詳見文獻(xiàn)Haitao Jia and Mei Xie，″AUTOMATIC MOVING TARGET DETECTING BY A NOVEL VIDEO SEGMENTATION ALGORITHM″，SPIEConference of Defense and Security Symposium 2005，Proc.SPIE Int.Soc.Opt.Eng.5817，312(2005)；Haitao Jia and Mei Xie，″MOVING OBJECT DETECTION BY A NOVELSPATIO-TEMPORAL SEGMENTATION″，SPIE Conference of Defense and Security Symposium 2005Proc.SPIE Int.Soc.Opt.Eng.5807，435(2005)。
其次，從分割出的車輛目標(biāo)圖像中為每種車型選擇訓(xùn)練樣本圖像，選擇的原則是作為訓(xùn)練樣本的目標(biāo)圖像應(yīng)該包括視頻中車輛目標(biāo)出現(xiàn)的所有角度和姿態(tài)信息。設(shè)為車型wi選擇了Ni個訓(xùn)練樣本{xi1，xi2K xijK xiNi}，其中，xij表示車型wi中的第j個訓(xùn)練樣本，并且i＝{1，2K c}，則一共選擇了N個訓(xùn)練樣本，N=ΣiNi.]]>步驟2，車輛目標(biāo)的輪廓提取首先，在步驟1分割得到的車輛目標(biāo)圖像F中，將運動目標(biāo)區(qū)域(包括目標(biāo)真實區(qū)域1和目標(biāo)外圍區(qū)域2)的象素均值賦予黑色背景區(qū)域3中的每一個象素，得到均值填充后的車輛目標(biāo)圖像F，如圖3所示。步驟如下運動目標(biāo)區(qū)域的象素灰度均值graymean＝mean(F(x，y))，象素(x，y)∈(A∪B)；然后用灰度均值graymean替換F中黑色背景區(qū)域3中象素點的灰度值F(x，y)＝meangray，象素(x，y)∈C；得到均值填充后的車輛目標(biāo)圖像F，其象素表示為F(x，y)(0＜x＜M，0＜y＜N)，如圖4所示。
其次，用Canny算子對均值填充后的車輛目標(biāo)圖像F中每個訓(xùn)練樣本進(jìn)行邊緣檢測將Canny算子邊緣檢測的過程表達(dá)為函數(shù)canny()，則車輛目標(biāo)圖像F每個訓(xùn)練樣本經(jīng)邊緣檢測得到的整體輪廓結(jié)果為Ec＝canny(F)，其寬度為M，高度為N，其中的象素表示Ec(x，y)(0＜x＜M，0＜y＜N)，如圖5所示。
步驟3，計算縱向和橫向的輪廓分布用Sobel算子中垂直邊緣檢測模板的Sx和水平邊緣檢測模板的Sy將車輛目標(biāo)的整體輪廓結(jié)果Ec(x，y)分解為縱向和橫向的輪廓分布。
用Sobel算子的垂直邊緣檢測模板Sx與Ec卷積，得到車輛輪廓的縱向分布值Ev＝|Ec*Sx|；用水平邊緣檢測模板Sy與Ec卷積，得到車輛輪廓的橫向分布值Eh＝|Ec*Sy|；如圖6(1)、(2)所示為車輛目標(biāo)輪廓的縱橫分布信息。
步驟4，車輛目標(biāo)識別特征的提取(1)車輛目標(biāo)全局形狀矩特征的提取根據(jù)步驟2得到的車輛目標(biāo)每個訓(xùn)練樣本整體輪廓圖像Ec(x，y)(0＜x＜M，0＜y＜N)，首先求出車輛目標(biāo)每個訓(xùn)練樣本的整體輪廓圖像Ec(x，y)的長寬比特征f1＝M/N；車輛目標(biāo)每個訓(xùn)練樣本整體輪廓圖像Ec(x，y)的p+q階矩定義為
μpq=Σx=0M-1Σy=0N-1(x-x-)p(y-y-)qEc(x,y)]]>x-=Σx=0M-1Σy=0N-1xEc(x,y)Σx=0M-1Σy=0N-1Ec(x,y),y-=Σx=0M-1Σy=0N-1yEc(x,y)Σx=0M-1Σy=0N-1Ec(x,y)]]>其中，μ20為圖像在水平方向上的伸展度，μ02為圖像在垂直方向上的伸展度；μ11為圖像的傾斜度；μ30為圖像在水平方向上的重心偏移度，μ03為圖像在垂直方向上的重心偏移度；μ21為圖像水平伸展的均衡程度，μ12為圖像垂直伸展的均衡程度。
由以上二階矩(p+q＝2)或三階矩(p+q＝3)，得到全局輪廓圖像的各種形狀矩特征(詳見文獻(xiàn)張宏林，《Visual C++數(shù)字圖像模式識別技術(shù)及工程實踐》，人民郵電出版社，2003。)輪廓長寬度f2=(μ20-μ02μ20+μ02+1)/2]]>輪廓拉長度f3=λ1-λ2λ1+λ2]]>λ1=(μ20+μ02)+(μ20-μ02)2+4μ2112]]>λ2=(μ20+μ02)-(μ20-μ02)2+4μ2112]]>輪廓伸展度f4=(μ20+μ02)/m00size]]>m00=Σx=0M-1Σy=0N-1Ec(x,y),size=M*N]]>三階矩分解為正和為負(fù)兩部分，μpq＝μ+pq+μ-pq(p+q＝3)，通過三階矩提取的特征如下水平偏移度f5=(μ+30-μ-30μ+30+μ-30+1)/2]]>垂直偏移度f6=(μ+03-μ-03μ+03+μ-03+1)/2]]>
水平伸展均衡度f7=(μ+21-μ-21μ+21+μ-21+1)/2]]>垂直伸展均衡度f8=(μ+12-μ-12μ+12+μ-12+1)/2]]>(2)車輛目標(biāo)局部統(tǒng)計特征對于M*N大小的車輛目標(biāo)圖像，其縱向輪廓分布圖Ev(x，y)和橫向輪廓分布圖Eh(x，y)的尺寸大小同樣是M*N；首先，將Ev(x，y)和Eh(x，y)分別平均劃分為K*K個區(qū)域塊(一般K取3或4)，如圖7所示。然后，分別統(tǒng)計每個區(qū)域塊中邊緣輪廓點所占輪廓點總量的比例，并以此構(gòu)建縱向和橫向的比例值矩陣Rv和Rh；。
Rv(i,j)=Σx=i*Nx(i+1)Nx-1Σy=j*Ny(j+1)Ny-1Ev(x,y)Σx=0N*Nx-1Σy=0N*Ny-1Ev(x,y)i,j={0,1...K-1}NxMKNy=NK]]>Rh(i,j)=Σx=i*Nx(i+1)Nx-1Σy=j*Ny(j+1)Ny-1Eh(x,y)Σx=0N*Nx-1Σy=0N*Ny-1Eh(x,y)i,j={0,1...K-1}Nx=MKNy=NK]]>(3)車輛目標(biāo)復(fù)合特征向量的建立及識別特征庫的建立將以上計算所得的比例值矩陣Rv和Rh中的元素按行排列起來，與(1)中所得的8個全局形狀矩特征值f1f2…f8串接起來構(gòu)成用于識別目標(biāo)的特征向量V，V＝[Rv(0，0)，Rv(0，1)...Rv(0，K-1)，Rv(1，0)...Rv(K-1，K-1)，Rh(0，0)...Rh(K-1，K-1)，f1，f2...f8]建立一個識別特征庫，用于存放車輛訓(xùn)練樣本的特征向量。首先將車型w1中N1個訓(xùn)練樣本的特征向量V存放到識別特征庫，再依次將車型w2，w3K wc中所有訓(xùn)練樣本的識別特征向量V存放到識別特征庫中。
步驟5，用雙閾值近鄰識別算法識別車輛目標(biāo)(1)車輛目標(biāo)訓(xùn)練樣本間的距離定義對于所選擇的N個車輛訓(xùn)練樣本{x1x2K xN}，每個樣本提取的識別特征都是長度為K的向量，表示為xi=[xi1xi2KxiK](i=1...N)]]>
在此定義一個振幅向量，用來表示各維特征值的變化范圍swing＝[s1s2K sK]，其中Sj=maxi(xij)-mini(xij),i={1,2KN},j={1,2KK}]]>則樣本特征向量xi和xj問的距離定義為(xi,xj)=Σk=1K|xik-xjk|Sk]]>(2)雙閾值近鄰識別方法對于識別系統(tǒng)處理的c個車輛類型w1，w2K wc，wi代表不同的車型(比如吉普、面包或者其他)。第i個車型wi有Ni個訓(xùn)練樣本{xi1，xi2K xijK xiNi}，其中，xij表示第wi類的第j個訓(xùn)練樣本，并且i＝{1，2K c}，ΣiNi=N.]]>現(xiàn)有未知待測樣本x，要將其歸入其中一類。
首先設(shè)置閾值T1和T2，且T1＜T2。其中，T1＝(0.06～0.08)*K，T2＝(0.13～0.15)*K，K為特征向量長度。
然后，計算未知待測樣本x與各訓(xùn)練樣本類間的最短距離d(x,wi)=minj(d(x,xij)),j=1,2KNi,i=1,2Λc]]>如果d(x,wl)=mini(d(x,wi))]]>且d(x，wl)＜T1，則判決x∈wl；否則，統(tǒng)計各類中與未知待測樣本x的距離在T1和T2之間的樣本數(shù) 滿足條件的樣本總數(shù)Num=Σi=1cNumi,]]>并設(shè)置比例λ＝(0.6～0.7)。
如果Numl=maxi(Numi)]]>且Numl>Num*λ，則判決x∈wl；否則拒絕識別。
步驟6，雙閾值近鄰法的快速算法設(shè)有N個車輛訓(xùn)練樣本X＝{x1x2K xN)，每個樣本的特征向量xi=[xi1xi2KxiK].]]>(1)初始劃分子類1>計算訓(xùn)練樣本特征向量的均值向量mean＝[mean1mean2K meanK]，meank=1NΣi=1Nxik,k=1,2...K.]]>
2>計算用來表示各維特征向量值的變化范圍的振幅向量s＝[s1s2K sK]，其中Sj=maxi(xij)-mini(xij),i={1,2KN},j={1,2KK}.]]>3>計算各訓(xùn)練樣本特征向量與均值之間的距離，d(xi,mean)=Σk=1K|xik-meank|/sk,i={1,2KN}]]>4>先將所有訓(xùn)練樣本作為一個類W，子類數(shù)量Nw＝1。遍歷所有的訓(xùn)練樣本，找出與均值距離最近的樣本xnear和最遠(yuǎn)的樣本xfar，將它們作為新的子類W1和W2代表點。
遍歷其他訓(xùn)練樣本，根據(jù)與代表點的距離將樣本歸入子類W1或W2。即，如果d(xi，xnear)＜d(xi，xfar)，則將樣本xi歸入子類W1；否則，將樣本xi歸入子類W2。
5>找出當(dāng)前已有分類中樣本最多的子類Wk，其樣本數(shù)為Nk。計算該子類的均值，meank=1NkΣi=1Nkxj,xj∈Wk]]>遍歷Wk中所有樣本，找出與均值meank距離最近的樣本xnear和距離最遠(yuǎn)的樣本xfar。子類數(shù)量增1，Nw＝Nw+1，并新增子類WNw和Wk′。將xnear作為子類Wk′的代表點，xfar，作為子類WNw的代表點。重新遍歷Wk中的樣本，根據(jù)它們與代表點xnear和xfar間的距離進(jìn)行歸類。
如果J(xj，xnear)＜d(xj，xfar)，則將樣本xj歸入子類Wk′；否則，將樣本xj歸入子類WNk+1。
遍歷完成后，用Wk′賦值Wk，Wk＝Wk′，并刪去子類Wk′。
6>如果當(dāng)前分類數(shù)Nw已經(jīng)達(dá)到預(yù)先指定的大小R(R可取值為接近
的整數(shù))，則停止分類，否則返回步驟5>。
初始分類的過程如圖8所示。
(2)調(diào)整子類劃分1>經(jīng)過步驟(1)，訓(xùn)練樣本被初始劃分為R個子類W1W2…WR。分別統(tǒng)計各子類中的訓(xùn)練樣本個數(shù)，記為N1N2…NR。
2>計算各子類Wi(i＝1，2...R)的特征向量均值meani=1NiΣj=1Nixij,i={1,2KR}]]>用meani表示前一次向量均值，用meani′表示當(dāng)前向量均值。
3>以計算所得的均值特征向量作為各子類的代表點，用最近鄰法重新調(diào)整子類。遍歷所有樣本點xj，j＝{1，2K N}如果d(xj,meanl)=mini(d(xj,meani)),]]>則將xj歸入W1。
4>重新統(tǒng)計各子類中的訓(xùn)練樣本個數(shù)，記為N1′N2′…NR′。再次計算各個新分類的特征向量均值，meani=meani′,meani′=1Ni′Σj=1N′ixij,i={1,2KR}]]>如果Σi=1R|meani-meani′|>0,]]>則返回步驟2>，否則結(jié)束循環(huán)。
子類劃分調(diào)整后的結(jié)果如圖9所示。
(3)建立二叉搜索樹1>將(2)中生成的子類Wi(i＝1，2...R)定義為一個節(jié)點Si(i＝1，2...R)，節(jié)點集S＝{S1，S2K SR}。
2>計算兩兩分類間的距離，d(Si,Sj)=Σk=1K|meanik-meanjk|sk,]]>i≠j，i(j)＝{1，2K R}3>按照哈夫曼編碼的原理，找出距離最近的兩個子類Sm和Sn，使得d(Sm,Sn)=mini,jd(Si,Sj),]]>i≠j，i(j)＝{1，2K R}以Sm和Sn為左右子節(jié)點，生成一個新節(jié)點Smn，其特征向量定義為Sm和Sn的均值特征向量的均值meanmn=meanm+meann2.]]>從節(jié)點集S中刪去Sm和Sn，將Smn歸入節(jié)點集S。
4>如果S中不止一個節(jié)點，則計算節(jié)點Smn與其他節(jié)點間的距離，返回到3>。否則，二叉搜索樹建立完畢，結(jié)束循環(huán)。
構(gòu)建的二叉搜索樹形如圖10所示。
(4)在識別過程中，從樹根節(jié)點開始遍歷二叉搜索樹。原則是，比較未知待測樣本x的特征向量與當(dāng)前節(jié)點的左右子節(jié)點的特征向量間的距離，距離小則先遍歷。用前述的雙閾值近鄰法判別當(dāng)前葉子節(jié)點所對應(yīng)的樣本分類中的訓(xùn)練樣本，直到判別出未知樣本的類別，或者拒絕識別為止。
圖1，識別系統(tǒng)執(zhí)行步驟圖2，已分割的車輛目標(biāo)例圖圖3，車輛目標(biāo)圖像中的區(qū)域劃分1表示車輛目標(biāo)的真實區(qū)域2表示車輛目標(biāo)外維區(qū)域3表示背景區(qū)域圖4，均值填充后的車輛目標(biāo)圖像圖5，車輛目標(biāo)的邊緣提取結(jié)果圖6，車輛目標(biāo)輪廓的橫向分布和縱向分布圖圖7，用于局部特征統(tǒng)計的區(qū)域塊劃分圖8，雙閾值近鄰法的快速算法中子類初始劃分過程圖9，雙閾值近鄰法的快速算法中調(diào)整分類過程圖10，二叉搜索樹示意圖圖11，部分模板樣本圖圖12模板樣本的邊緣輪廓信息圖13模板樣本邊緣輪廓的橫向分布圖圖14模板樣本邊緣輪廓的縱向分布圖圖15待測車輛目標(biāo)記取輪廓信息分析圖16二叉搜索樹圖17待測目標(biāo)樣本具體實施方式
本實施例針對吉普、面包、皮卡、羚羊四種車型的視頻序列進(jìn)行了實驗。
步驟1，車輛目標(biāo)的分割及訓(xùn)練樣本的選擇視頻序列中運動車輛目標(biāo)的提取通過說明書步驟一中提到的三幀法或時空法實現(xiàn)。為了實現(xiàn)有效的識別，模板庫中車輛樣本應(yīng)該包括視頻中車輛目標(biāo)出現(xiàn)的所有角度和姿態(tài)信息。實驗中分別對吉普、面包、皮卡、羚羊四種車型進(jìn)行了模板樣本的挑選，根據(jù)所用實驗數(shù)據(jù)的情況，所選擇的模板樣本數(shù)分別為吉普(50)、面包(50)、皮卡(54)、羚羊(50)。模板樣本的抽樣顯示如圖11。
步驟2，車輛目標(biāo)的輪廓提取根據(jù)說明書中步驟二來提取車輛目標(biāo)的邊緣輪廓。圖12給出了圖11中模板樣本圖像的對應(yīng)輪廓圖像。
步驟3，計算縱向和橫向的輪廓分布根據(jù)說明書中步驟三來取得邊緣輪廓的橫向和縱向分布，如圖13，圖14所示。
步驟4，識別特征的提取提取出樣本的邊緣輪廓信息之后，再根據(jù)說明書中步驟四(識別特征的提取)即可計算各模板樣本的特征向量(一共提取了26個特征)。表1給出了圖11中吉普車型代表樣本的特征值。
表1圖11中吉普車型代表樣本的特征值
將選取的模板樣本分別標(biāo)號為1～50(吉普類W1)、51～100(面包類W2)、101～154(皮卡類W3)、155～204(羚羊類W4)。將它們的特征向量按標(biāo)號順序存放在特征庫中。
步驟5，用雙閾值近鄰識別算法識別車輛目標(biāo)1)樣本間的距離定義樣本提取的識別特征都是26維向量，定義為x＝[x1x2K x26]。根據(jù)模板樣本庫中所有特征值計算各特征的變化范圍，定義為一個振幅向量swing。
swing＝[1.2274 0.6400 0.6821 0.0859 0.3184 0.2449 0.34620.2487 0.2396 0.2486 0.1720 0.2290 0.2117 0.2077 0.21960.3220 0.2197 0.4566 0.3612 0.4232 0.4212 0.5239 0.41190.3438 0.2680 0.3572]則樣本特征向量x和y間的距離定義為d(x,y)=Σk=126|xk-yk|swing[k].]]>2)閾值的確定通過多次實驗，得出各閾值的合理設(shè)置為T1＝0.08*26，T2＝0.135*26N0＝3， λ＝0.63)待測樣本的識別現(xiàn)有從視頻序列中新提取的車輛樣本，其原圖像及輪廓分析過程如圖15所示。
該待測樣本的特征向量為x＝[0.8667 0.4465 0.1560 0.3989 0.43440.5230 0.4729 0.4813 0.0798 0.0973 0.0524 0.1397 0.06980.1347 0.1097 0.1771 0.1372 0.1774 0.1774 0.1452 0.05650.1855 0.0323 0.1290 0.0565 0.0323]。
待測樣本特征向量x與模板樣本特征向量yi(i＝1～204)間的距離如下5.8040 6.4456 6.3982 7.2645 7.8414 5.7722 5.7728 6.11085.3456 6.8399 5.7497 5.0771 6.4022 6.8924 6.8225 6.68546.3350 6.6224 5.7025 5.4429 6.2062 6.6687 6.0915 6.55035.7644 5.1122 5.1571 5.7427 6.4428 5.2612 5.0954 5.95735.5482 5.8897 6.2209 6.2147 6.1151 6.3085 5.8857 5.95565.0835 4.5176 5.4113 5.2107 5.3792 5.1004 5.8348 5.51295.8050 4.8120 5.2444 5.3133 5.3716 4.3887 5.5832 4.83304.1709 5.1517 3.2774 3.9053 4.4480 4.2151 4.9360 5.56834.5083 5.8995 6.7211 6.5441 6.2824 6.5670 6.1059 6.65095.3101 3.4867 2.7096 3.4050 2.5673 2.1324 3.1389 3.53343.1602 3.7410 4.0519 4.1603 3.8009 3.6475 3.4780 3.98824.0980 3.3352 2.7493 2.8574 3.5204 4.0328 4.8241 6.80127.7006 7.8817 6.5116 7.6312 5.5377 5.8958 6.0869 5.97265.7191 6.9849 6.2304 6.9617 6.6094 6.2829 5.4526 6.49886.3776 6.0944 5.2525 6.9824 6.4114 6.4480 6.3623 6.77576.7572 6.4860 5.8189 5.5493 4.7789 5.0411 6.3282 4.68234.4168 5.2016 5.7912 4.9132 4.9626 4.8926 4.9646 5.12445.6039 5.7389 5.7815 5.5300 5.3398 5.4380 5.2025 5.14155.2801 4.1740 3.8921 3.1848 5.1357 4.7248 5.8617 5.97556.5187 5.8004 7.3864 7.9564 7.2756 7.7429 7.0481 7.10326.9488 7.1296 6.6092 5.8290 6.1316 4.9662 6.4467 5.04195.5437 5.9988 5.6223 6.0598 5.8972 5.7001 5.2170 6.74816.0637 4.9237 5.1903 4.8736 5.0897 4.5893 5.4600 5.69686.4320 5.8341 5.6406 5.9203 6.5840 6.7119 6.4533 6.11756.6378 7.5723 5.8000 5.0224 4.3918 5.1679 6.2230 5.27045.8107 5.3922 5.0450 5.9099通過比較，可查找出第78個模板樣本與待測樣本x距離最近。其中y78∈W2(面包類)，距離d(x，y78)＝2.132。根據(jù)說明書中雙閾值近鄰識別方法的步驟，引入閾值進(jìn)行判別。
因為d(x，y78)＞T1，則不能通過第一步判別待測樣本。
統(tǒng)計各類中與未知樣本x的距離在T1和T2之間的樣本數(shù)Numi。結(jié)果如表2所示表2各類樣本統(tǒng)計表
通過計算，滿足條件的樣本總數(shù)Num=Σi=1cNumi=13.]]>Num2＝max(Numi)，且Num2＞Num*λ，所以判決x∈W2(面包類)。
步驟6，雙閾值近鄰法的快速算法在步驟5中我們可以看到，雖然能得到正確的識別結(jié)果，但是待測樣本與模板庫中每個樣本都進(jìn)行了比較，計算量很大，不適于數(shù)據(jù)量更大的識別問題。由此引入了快速算法。
1)模板樣本的子類劃分根據(jù)說明書中6(1)初始分類和6(2)調(diào)整分類兩個步驟，分別對4種車型進(jìn)行子類劃分。在此，我們將各個車型的模板樣本劃分為8個子類。結(jié)果如下吉普類(W1)
面包類(W2)
皮卡類(W3)
羚羊類(W4)
2)二叉搜索樹的建立根據(jù)1)計算的結(jié)果，4種車型的模板樣本分別被劃分為8個子類，一共有32個子類。將子類W11，W12...W18...W48依次標(biāo)記為32個節(jié)點1，2...32。再按說明書中步驟七(3)的過程，逐步生成二叉搜索樹中的節(jié)點33，34，35...。搜索樹的建立結(jié)果如圖16。其中，灰色的單元代表步驟1)劃分得到的樣本子類，白色的單元代表搜索樹建立過程中的中間節(jié)點。
4)帶入待測樣本進(jìn)行識別圖17給出了幾個待測目標(biāo)樣本的圖像，表3給出了對各個待測樣本進(jìn)行識別時的搜索路徑和與模板庫樣本進(jìn)行比較的次數(shù)。
表3圖17中待測樣本的識別過程及結(jié)果
4.識別結(jié)果在實驗中，我們對4種車輛(吉普、面包、皮卡、羚羊)的數(shù)據(jù)源進(jìn)行了測試。利用上述步驟建立的模板庫和識別方法，對每種車輛類型隨機(jī)選取了大約100個目標(biāo)圖像進(jìn)行實驗，結(jié)果如表4所示。
表4識別結(jié)果
權(quán)利要求
1.一種基于輪廓的車輛目標(biāo)識別算法，其特征包括如下執(zhí)行步驟假定所識別的車輛類型有c種，每種類型分別標(biāo)記為w1，w2K wc(wi可以是如吉普、面包或者其他任何一種車型)；步驟1，車輛目標(biāo)的分割及訓(xùn)練樣本的選擇首先，通過三幀法或時空法對視頻序列進(jìn)行處理，從視頻序列中分割出每幀的車輛目標(biāo)圖像，表示為F，圖像F中的象素表示為F(x，y)(0＜x＜M，0＜y＜N)，其中M是F的寬度，N是F的高度；其次，從分割出的車輛目標(biāo)圖像中為每種車型選擇訓(xùn)練樣本圖像，選擇的原則是作為訓(xùn)練樣本的目標(biāo)圖像應(yīng)該包括視頻中車輛目標(biāo)出現(xiàn)的所有角度和姿態(tài)信息；設(shè)為車型wi選擇了Ni個訓(xùn)練樣本{xi1，xi2K xijK xiNi}，其中，xij表示車型wi中的第j個訓(xùn)練樣本，并且i＝{1，2K c}，則一共選擇了N個訓(xùn)練樣本，N=ΣiNi;]]>步驟2，車輛目標(biāo)的輪廓提取首先，在步驟1分割得到的車輛目標(biāo)圖像F中，將運動目標(biāo)區(qū)域的象素均值賦予黑色背景區(qū)域3中的每一個象素，得到均值填充后的車輛目標(biāo)圖像F，步驟如下運動目標(biāo)區(qū)域的象素灰度均值graymean＝mean(F(x，y))，象素(x，y)∈(AB)；然后用灰度均值graymean替換F中黑色背景區(qū)域3中象素點的灰度值F(x，y)＝meangray，象素(x，y)∈C；得到均值填充后的車輛目標(biāo)圖像F，其象素表示為F(x，y)(0＜x＜M，0＜y＜N)，如圖4所示；其次，用Canny算子對均值填充后的車輛目標(biāo)圖像F中每個訓(xùn)練樣本進(jìn)行邊緣檢測將Canny算子邊緣檢測的過程表達(dá)為函數(shù)canny()，則車輛目標(biāo)圖像F每個訓(xùn)練樣本經(jīng)邊緣檢測得到的整體輪廓結(jié)果為Ec＝canny(F)，其寬度為M，高度為N，其中的象素表示Ec(x，y)(0＜x＜M，0＜y＜N)；步驟3，計算縱向和橫向的輪廓分布用Sobel算子中垂直邊緣檢測模板的Sx和水平邊緣檢測模板的Sy將車輛目標(biāo)的整體輪廓結(jié)果Ec(x，y)分解為縱向和橫向的輪廓分布；用Sobel算子的垂直邊緣檢測模板Sx與Ec卷積，得到車輛輪廓的縱向分布值Ev＝|Ec*Sx|；用水平邊緣檢測模板Sy與Ec卷積，得到車輛輪廓的橫向分布值Eh＝|Ec*Sy|；步驟4，車輛目標(biāo)識別特征的提取(1)車輛目標(biāo)全局形狀矩特征的提取根據(jù)步驟2得到的車輛目標(biāo)每個訓(xùn)練樣本整體輪廓圖像Ec(x，y)(0＜x＜M，0＜y＜N)，首先求出車輛目標(biāo)每個訓(xùn)練樣本的整體輪廓圖像Ec(x，y)的長寬比特征fi＝M/N；車輛目標(biāo)每個訓(xùn)練樣本整體輪廓圖像Ec(x，y)的p+q階矩定義為μpq=Σx=0M-1Σy=0N-1(x-x‾)p(y-y‾)qEc(x,y)]]>x-=Σx=0M-1Σy=0N-1xEc(x,y)Σx=0M-1Σy=0N-1Ec(x,y),y-=Σx=0M-1Σy=0N-1yEc(x,y)Σx=0M-1Σy=0N-1Ec(x,y)]]>其中，μ20為圖像在水平方向上的伸展度，μ02為圖像在垂直方向上的伸展度；μ11為圖像的傾斜度；μ30為圖像在水平方向上的重心偏移度，μ03為圖像在垂直方向上的重心偏移度；μ21為圖像水平伸展的均衡程度，μ12為圖像垂直伸展的均衡程度；由以上二階矩(p+q＝2)或三階矩(p+q＝3)，得到全局輪廓圖像的各種形狀矩特征輪廓長寬度f2=(μ20-μ02μ20+μ02+1)/2]]>輪廓拉長度f3=λ1-λ2λ1+λ2]]>λ1=(μ20+μ02)+(μ20-μ02)2+4μ2112]]>λ2=(μ20+μ02)-(μ20-μ02)2+4μ2112]]>輪廓伸展度f4=(μ20+μ02)/m00size]]>m00=Σx=0M-1Σy=0N-1Ec(x,y),size=M*N]]>三階矩分解為正和為負(fù)兩部分，μpq＝μ+pq+μ-pq(p+q＝3)，通過三階矩提取的特征如下水平偏移度f5=(μ+30-μ-30μ+30+μ-30+1)/2]]>垂直偏移度f6=(μ+03-μ-03μ+03+μ-03+1)/2]]>水平伸展均衡度f7=(μ+21-μ-21μ+21+μ-21+1)/2]]>垂直伸展均衡度f8=(μ+12-μ-12μ+12+μ-12+1)/2]]>(2)車輛目標(biāo)局部統(tǒng)計特征對于M*N大小的車輛目標(biāo)圖像，其縱向輪廓分布圖Ev(x，y)和橫向輪廓分布圖Eh(x，y)的尺寸大小同樣是M*N；首先，將Ev(x，y)和Eh(x，y)分別平均劃分為K*K個區(qū)域塊(一般K取3或4)，然后，分別統(tǒng)計每個區(qū)域塊中邊緣輪廓點所占輪廓點總量的比例，并以此構(gòu)建縱向和橫向的比例值矩陣Rv和Rh；Rv(i,j)=Σx=i*Nx(i+1)Nx-1Σy=j*Ny(j+1)Ny-1Ev(x,y)Σx=0N*Nx-1Σy=0N*Ny-1Ev(x,y)i,j={0,1...K-1}Nx=MKNy=NK]]>Rh(i,j)=Σx=i*Nx(i+1)Nx-1Σy=j*Ny(j+1)Ny-1Eh(x,y)Σx=0N*Nx-1Σy=0N*Ny-1Eh(x,y)i,j={0,1...K-1}Nx=MKNy=NK]]>(3)車輛目標(biāo)復(fù)合特征向量的建立及識別特征庫的建立將以上計算所得的比例值矩陣Rv和Rh中的元素按行排列起來，與(1)中所得的8個全局形狀矩特征值f1f2…f8串接起來構(gòu)成用于識別目標(biāo)的特征向量 V，V＝[Rv(0，0)，Rv(0，1)...Rv(0，K-1)，Rv(1，0)...Rv(K-1，K-1)，Rh(0，0)...Rh(K-1，K-1)，f1，f2...f8]建立一個識別特征庫，用于存放車輛訓(xùn)練樣本的特征向量；首先將車型w1中N1個訓(xùn)練樣本的特征向量V存放到識別特征庫，再依次將車型w2，w3K wc中所有訓(xùn)練樣本的識別特征向量V存放到識別特征庫中；步驟5，用雙閾值近鄰識別算法識別車輛目標(biāo)(1)車輛目標(biāo)訓(xùn)練樣本間的距離定義對于所選擇的N個車輛訓(xùn)練樣本{x1x2K xN}，每個樣本提取的識別特征都是長度為K的向量，表示為xi=xi1xi2KxiK(i=1...N)]]>在此定義一個振幅向量，用來表示各維特征值的變化范圍swing＝[s1s2K sK]，其中sj=maxi(xij)-mini(xij)]]>，i＝{1，2K N)，j＝{1，2K K}則樣本特征向量xi和xj間的距離定義為d(xi,xj)=Σk=1K|xik-xjk|sk]]>(2)雙閾值近鄰識別方法對于識別系統(tǒng)處理的c個車輛類型w1，w2K wc，wi代表不同的車型(比如吉普、面包或者其他)；第i個車型wi有Ni個訓(xùn)練樣本{xi1，xi2KxijKxiNi}，其中，xij表示第wi類的第j個訓(xùn)練樣本，并且i＝{1，2K c}，ΣiNi=N]]>；現(xiàn)有未知待測樣本x，要將其歸入其中一類；首先設(shè)置閾值T1和T2，且T1＜T2；其中，T1＝(0.06～0.08)*K，T2＝(0.13～0.15)*K，K為特征向量長度；然后，計算未知待測樣本x與各訓(xùn)練樣本類間的最短距離d(x,wi)=minj(d(x,xij)),j=1,2KNi,i=1,2Λc]]>如果d(x,wl)=mini(d(x,wi))]]>且d(x，wl)＜T1，則判決x∈wl；否則，統(tǒng)計各類中與未知待測樣本x的距離在T1和T2之間的樣本數(shù) 滿足條件的樣本總數(shù)Num=Σi=1cNumi]]>，并設(shè)置比例λ＝(0.6～0.7)；如果Numl=maxi(Numi)]]>且Numl＞Num*λ，則判決x∈wl；否則拒絕識別；步驟6，雙閾值近鄰法的快速算法設(shè)有N個車輛訓(xùn)練樣本X＝{x1x2K xN}，每個樣本的特征向量xi=xi1xi2KxiK;]]>(1)初始劃分子類1>計算訓(xùn)練樣本特征向量的均值向量mean＝[mean1mean2K meanK]，meank=1NΣi=1Nxik,k=1,2...K;]]>2>計算用來表示各維特征向量值的變化范圍的振幅向量s＝[s1s2K sK]，其中Sj=maxi(xij)-mini(xij),]]>i＝{1，2K N}，j＝{1，2KK}；3>計算各訓(xùn)練樣本特征向量與均值之間的距離d(xi,mean)=Σk=1K|xik-meank|/Sk,i={1,2KN}]]>4>先將所有訓(xùn)練樣本作為一個類W，子類數(shù)量Nw＝1；遍歷所有的訓(xùn)練樣本，找出與均值距離最近的樣本xnear和最遠(yuǎn)的樣本xfar，將它們作為新的子類W1和W2代表點；遍歷其他訓(xùn)練樣本，根據(jù)與代表點的距離將樣本歸入子類W1或W2；即，如果d(xi，xnear)＜d(xi，xfar)，則將樣本xi歸入子類W1；否則，將樣本xi歸入子類W2；5>找出當(dāng)前已有分類中樣本最多的子類Wk，其樣本數(shù)為Nk；計算該子類的均值，meank=1NkΣi=1Nkxj,xj∈Wk]]>遍歷Wk中所有樣本，找出與均值meank距離最近的樣本xnear和距離最遠(yuǎn)的樣本xfar；子類數(shù)量增1，Nw＝Nw+1，并新增子類WNw和Wk′；將xnear作為子類Wk′的代表點，xfar作為子類WNw的代表點；重新遍歷Wk中的樣本，根據(jù)它們與代表點xnear和xfar間的距離進(jìn)行歸類；如果d(xj，xnear)＜d(xj，xfar)，則將樣本xj歸入子類W′k；否則，將樣本xj歸入子類WNk+1；遍歷完成后，用Wk′賦值Wk，Wk=Wk′,]]>并刪去子類Wk′；6>如果當(dāng)前分類數(shù)Nw已經(jīng)達(dá)到預(yù)先指定的大小R(R可取值為接近
的整數(shù))，則停止分類，否則返回步驟5>；(2)調(diào)整子類劃分1>經(jīng)過步驟(1)，訓(xùn)練樣本被初始劃分為R個子類W1W2…WR；分別統(tǒng)計各子類中的訓(xùn)練樣本個數(shù)，記為N1N2…NR；2>計算各子類Wi(i＝1，2…R)的特征向量均值meani=1NiΣj=1Nixij,i={1,2KR}]]>用meani表示前一次向量均值，用meani′表示當(dāng)前向量均值；3>以計算所得的均值特征向量作為各子類的代表點，用最近鄰法重新調(diào)整子類；遍歷所有樣本點xj，j＝{1，2KN}如果d(xj,meanl)=mini(d(xj,meani)),]]>則將xj歸入Wl；4>重新統(tǒng)計各子類中的訓(xùn)練樣本個數(shù)，記為N1′N2′…NR′；再次計算各個新分類的特征向量均值，meani=meani′,meani′=1Ni′Σj=1N′ixij,i={1,2KR}]]>如果Σi=1R|meani-meani′|>0,]]>則返回步驟2>，否則結(jié)束循環(huán)；(3)建立二叉搜索樹1>將(2)中生成的子類Wi(i＝1，2…R)定義為一個節(jié)點Si(i＝1，2…R)，節(jié)點集S＝{S1，S2K SR}；2>計算兩兩分類間的距離，d(Si,Sj)=Σk=1K|meanik-meanjk|Sk,]]>i≠j，i(j)＝{1，2KR}3>按照哈夫曼編碼的原理，找出距離最近的兩個子類Sm和Sn，使得d(Sm,Sn)=mini,jd(Si,Sj),]]>i≠j，i(j)＝{1，2KR}以Sm和Sn為左右子節(jié)點，生成一個新節(jié)點Smn，其特征向量定義為Sm和Sn的均值特征向量的均值meanmn=meanm+meann2;]]>從節(jié)點集S中刪去Sm和Sn，將Smn歸入節(jié)點集S；4>如果S中不止一個節(jié)點，則計算節(jié)點Smn與其他節(jié)點間的距離，返回到3>；否則，二叉搜索樹建立完畢，結(jié)束循環(huán)；(4)在識別過程中，從樹根節(jié)點開始遍歷二叉搜索樹；原則是，比較未知待測樣本x的特征向量與當(dāng)前節(jié)點的左右子節(jié)點的特征向量間的距離，距離小則先遍歷；用前述的雙閾值近鄰法判別當(dāng)前葉子節(jié)點所對應(yīng)的樣本分類中的訓(xùn)練樣本，直到判別出未知樣本的類別，或者拒絕識別為止；
專利摘要
本發(fā)明公開了一種新的基于輪廓的車輛目標(biāo)識別特征提取方法，它是包含了全局形狀信息、局部統(tǒng)計信息和方向信息的復(fù)合識別特征。同時，本發(fā)明結(jié)合已有的最近鄰、K近鄰識別方法，提出一種綜合的雙閾值近鄰識別方法，并給出其快速算法。在快速識別算法中采用了C－均值動態(tài)聚類與哈夫曼二叉樹原理相結(jié)合的方法，構(gòu)造一種優(yōu)化匹配順序的二叉搜索樹，從而大大提高了識別效率和速度。本發(fā)明可廣泛應(yīng)用于遙感圖像識別，遠(yuǎn)程監(jiān)控，智能交通管理，軍事偵察，精確制導(dǎo)等各個領(lǐng)域。
文檔編號G06K9/64GK1996346SQ200510022429
公開日2007年7月11日 申請日期2005年12月29日
發(fā)明者解梅, 黃宇 申請人:電子科技大學(xué)導(dǎo)出引文BiBTeX, EndNote, RefMan