專利名稱：基于局部嵌入式隱馬爾可夫模型的照片生成方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理和計(jì)算機(jī)圖形學(xué)領(lǐng)域，特別涉及根據(jù)人臉畫像自動(dòng)生成照片的方法，可用于模式識(shí)別領(lǐng)域中基于畫像的照片庫中人臉檢索和識(shí)別。

背景技術(shù)：
人臉識(shí)別是目前最具潛力的身份認(rèn)證方法之一，在計(jì)算機(jī)視覺與模式識(shí)別等領(lǐng)域備受關(guān)注，并有著廣泛的應(yīng)用前景。其中一個(gè)重要的應(yīng)用就是在刑偵破案或反恐追逃過程中，根據(jù)所獲得的影像資料從已有的照片庫中自動(dòng)檢索犯罪嫌疑人從而確定其身份。與手動(dòng)的檢索方法相比，自動(dòng)檢索不僅可以在很大程度上提高效率，將人們從這項(xiàng)極為耗時(shí)和枯燥的工作中解放出來，而且可以減少主觀因素對(duì)識(shí)別結(jié)果的影響。然而，在實(shí)際情況下，很難獲取到犯罪嫌疑人的照片，只能根據(jù)目擊者的描述通過畫家的努力得到其模擬畫像，根據(jù)畫像在已有的照片數(shù)據(jù)庫中進(jìn)行基于內(nèi)容的檢索，實(shí)現(xiàn)犯罪嫌疑人身份的確認(rèn)和識(shí)別。畫像—照片識(shí)別作為人臉識(shí)別領(lǐng)域新的研究方向應(yīng)運(yùn)而生，研究人員致力于尋求高性能的基于畫像的自動(dòng)人臉識(shí)別技術(shù)?，F(xiàn)有的人臉識(shí)別方法大多是基于照片的，由于畫像與照片的產(chǎn)生機(jī)理和信息表達(dá)方式不同，兩者之間存在較大的幾何形變及紋理和灰度差異，即使同一個(gè)人的畫像和照片具有相似的幾何形狀，但是一定有相差甚遠(yuǎn)的紋理信息，這使得經(jīng)典的人臉識(shí)別方法無法直接應(yīng)用到畫像—照片識(shí)別中。因此，畫像—照片識(shí)別技術(shù)的研究具有很大的挑戰(zhàn)性，其重點(diǎn)和難點(diǎn)在于如何將兩者變換到同種信息表達(dá)模式下，減小二者的差異?，F(xiàn)有的研究主要從以下兩個(gè)方面進(jìn)行，一方面是將蘊(yùn)涵豐富信息的照片變換為包含較少信息的畫像，畫像的生成方法有以下三類 1.基于線性的方法。采用主成分分析算法分別在照片空間和畫像空間訓(xùn)練構(gòu)造各自的特征子空間，求出待變換的照片在照片特征空間中的投影系數(shù)，然后根據(jù)該投影系數(shù)求出利用照片重構(gòu)出待變換照片時(shí)所需的系數(shù)，在畫像空間中根據(jù)與照片相對(duì)應(yīng)的畫像及其系數(shù)重構(gòu)出偽畫像。該方法假定照片與畫像之間的映射是一種線性關(guān)系，無法真正地反映出二者之間的關(guān)系； 2.基于偽的非線性方法。將訓(xùn)練集中的照片—畫像對(duì)及待變換照片進(jìn)行均勻分塊，對(duì)于待變換照片的每一個(gè)小塊，在所有訓(xùn)練照片塊中找到與其最相似的N個(gè)小塊，然后通過對(duì)這N個(gè)照片塊對(duì)應(yīng)的畫像塊進(jìn)行線性加權(quán)來產(chǎn)生偽畫像塊，最后將所得的全部偽畫像塊組合成完整的偽畫像。該方法通過局部的線性組合來逼近全局的非線性關(guān)系，但是仍然不是真正意義上的非線性方法； 3.基于非線性的方法。該方法利用嵌入式隱馬爾可夫模型對(duì)照片與畫像之間的非線性關(guān)系進(jìn)行建模，根據(jù)所學(xué)習(xí)到的嵌入式隱馬爾可夫模型將待變換照片轉(zhuǎn)換成偽畫像。考慮到單個(gè)模型對(duì)無法充分地刻畫出照片與畫像之間的復(fù)雜的非線性關(guān)系，引入了選擇性集成的思想，針對(duì)每個(gè)照片—畫像對(duì)得到一個(gè)個(gè)體畫像生成器，選擇部分個(gè)體生成器進(jìn)行融合，從而將待變換的照片映射成相應(yīng)的偽畫像。然后，又在上述方法基礎(chǔ)上將圖像進(jìn)行分塊，對(duì)于每對(duì)訓(xùn)練照片塊—畫像塊利用上述方法進(jìn)行建模，根據(jù)模型將待變換照片塊轉(zhuǎn)變?yōu)閭萎嬒駢K，合并偽畫像塊得到偽畫像。這種方法是一種真正意義上的非線性方法，可以更加準(zhǔn)確地對(duì)照片與畫像之間的非線性關(guān)系建模。見文獻(xiàn)“Gao X B，ZhongJJ，Tao D C and Li X L.Local face sketch synthesis learning.Neurocomputing，71(10-12)1921～1930，2008”。
將照片生成畫像雖然這樣可以在一定程度上減小照片與畫像之間的差異，但在變換的過程中會(huì)丟失很多對(duì)檢索或識(shí)別極為有用的信息。因此，研究人員從另一方面進(jìn)行研究，通過機(jī)器學(xué)習(xí)的方法根據(jù)訓(xùn)練庫中已有的照片信息，從畫像中恢復(fù)出信息豐富的照片，這種方法對(duì)后續(xù)的識(shí)別過程更加有利。因此，根據(jù)畫像生成照片成為畫像—照片識(shí)別技術(shù)的關(guān)鍵。
目前照片生成方面的研究成果主要由卡內(nèi)基梅隆大學(xué)的Yung-hui Li等和香港中文大學(xué)的湯曉鷗等取得，其主要思想都是將待識(shí)別的畫像轉(zhuǎn)變成偽照片，進(jìn)行偽照片-照片的識(shí)別，他們所采用的偽照片生成方法不同，主要有以下兩種 1.基于子空間的方法。這是一種對(duì)混合空間進(jìn)行特征分析的方法，首先將照片空間和畫像空間進(jìn)行拼接合成混合空間，采用主成分分析算法對(duì)混合空間進(jìn)行訓(xùn)練構(gòu)造畫像一照片的全局子空間，然后將該全局子空間分割成照片特征子空間和畫像特征子空間，求出待變換畫像在畫像特征子空間的投影系數(shù)，最后利用投影系數(shù)在全局子空間重構(gòu)出人臉圖像向量，該向量的上半部分即為偽照片。該方法假定照片與畫像之間的映射是一種線性關(guān)系，而實(shí)際上二者之間的關(guān)系卻要復(fù)雜的多； 2.基于統(tǒng)計(jì)的方法。首先將訓(xùn)練集中的畫像—照片對(duì)進(jìn)行均勻分塊處理，通過引入一個(gè)公共變量空間，獲得照片塊空間和畫像塊空間之間的內(nèi)在聯(lián)系，然后利用張量模型學(xué)習(xí)畫像塊與其相應(yīng)照片塊之間的非線性關(guān)系，根據(jù)所獲得的張量模型，利用貝葉斯統(tǒng)計(jì)推理的方法，將待變換畫像轉(zhuǎn)變?yōu)橄鄳?yīng)的偽照片。
從上述分析可見，偽照片生成技術(shù)的研究還處于起步階段，并且上述兩種方法都需要大量的訓(xùn)練樣本，然而研究人員共享的公共畫像數(shù)據(jù)庫資源非常有限，獲取人工畫像又需要較高的代價(jià)，所能獲取的訓(xùn)練畫像是有限的，因此，人臉畫像數(shù)據(jù)庫的規(guī)模限制了偽照片生成方法的應(yīng)用與發(fā)展，如何更為有效地利用較少的訓(xùn)練樣本對(duì)畫像與照片之間的非線性關(guān)系建模成為照片生成與識(shí)別的關(guān)鍵。


發(fā)明內(nèi)容
本發(fā)明的目的在于解決現(xiàn)有方法不能利用較少的訓(xùn)練樣本準(zhǔn)確地學(xué)習(xí)畫像與照片之間復(fù)雜的非線性關(guān)系的問題，提出一種基于局部嵌入式隱馬爾可夫模型的照片生成方法及裝置，以利用較少的訓(xùn)練樣本，更簡單、更有效、更準(zhǔn)確的實(shí)現(xiàn)基于畫像的人臉照片生成。
實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是將訓(xùn)練樣本集中的畫像—照片對(duì)及待變換畫像都進(jìn)行均勻劃分，采用機(jī)器學(xué)習(xí)的方法對(duì)訓(xùn)練集中畫像塊—照片塊對(duì)之間的非線性關(guān)系進(jìn)行學(xué)習(xí)和建模，針對(duì)每個(gè)畫像塊—照片塊對(duì)得到一個(gè)個(gè)體照片塊生成器，利用選擇性集成思想選擇部分個(gè)體生成器進(jìn)行融合，從而將待變換的畫像塊映射成相應(yīng)的偽照片塊，將這些偽照片塊進(jìn)行組合得到偽照片，具體過程如下 1)將畫像—照片對(duì)樣本集劃分為訓(xùn)練集和測(cè)試集，從測(cè)試集中選取一張測(cè)試畫像S，將訓(xùn)練集中的N個(gè)畫像—照片對(duì)作為訓(xùn)練樣本，并對(duì)測(cè)試畫像及訓(xùn)練樣本進(jìn)行均勻劃分，每個(gè)圖像被劃分為重疊的塊； 2)對(duì)于測(cè)試畫像的每個(gè)塊si，計(jì)算該塊與所有訓(xùn)練畫像塊的相似度，并選擇其中相似度最大的K個(gè)訓(xùn)練畫像塊； 3)根據(jù)所選的K個(gè)訓(xùn)練畫像塊，找到對(duì)應(yīng)的K個(gè)訓(xùn)練照片塊，構(gòu)成訓(xùn)練畫像塊—照片塊對(duì)(schok，pchok)，對(duì)每個(gè)訓(xùn)練畫像塊—照片塊對(duì)(schok，pchok)進(jìn)行聯(lián)合訓(xùn)練，建立耦合模型對(duì)庫，即建立嵌入式隱馬爾可夫模型對(duì)

k＝1，2，…，K，一般取K＝7； 4)將測(cè)試畫像塊si在K個(gè)模型對(duì)中的每一個(gè)模型對(duì)

的畫像塊模型

下進(jìn)行解碼，根據(jù)解碼的結(jié)果在相應(yīng)的照片塊模型

下重構(gòu)生成對(duì)應(yīng)于si的中間偽照片塊ppseuk，K個(gè)模型可生成K個(gè)中間偽照片塊； 5)將這K個(gè)中間偽照片塊進(jìn)行加權(quán)融合，得到最終的對(duì)應(yīng)于si的偽照片塊； 6)將所獲得的所有偽照片塊進(jìn)行組合得到與測(cè)試畫像S對(duì)應(yīng)的偽照片。
本發(fā)明提供的基于局部嵌入式隱馬爾可夫模型的照片生成虛擬裝置，包括 樣本集劃分裝置，用于將畫像—照片對(duì)樣本集劃分為訓(xùn)練集和測(cè)試集，選取測(cè)試集中的一張畫像作為測(cè)試畫像S，訓(xùn)練集中的N個(gè)畫像—照片對(duì)作為訓(xùn)練樣本； 圖像分塊裝置，用于對(duì)圖像進(jìn)行分塊處理，將測(cè)試畫像及訓(xùn)練樣本中的所有人臉圖像均勻地劃分為相互重疊的塊，測(cè)試畫像S的塊為{s1，s2，…，sM}，對(duì)于訓(xùn)練集中的第i個(gè)畫像—照片對(duì)Stri和Ptri，分別被劃分為{Stri1，stri2，…，striM}和{ptri1，ptri2，…，ptriM}，其中M為每個(gè)圖像的塊數(shù)； 訓(xùn)練畫像塊選擇裝置，用于對(duì)每個(gè)訓(xùn)練畫像塊建立嵌入式隱馬爾可夫模型λ，用前向—后向算法計(jì)算測(cè)試畫像塊sj的觀察向量

與模型λ的相似度

并選擇相似度最大的K個(gè)模型對(duì)應(yīng)的畫像塊schok，相似度分別為



k＝1，2，…，K，K值通過設(shè)定一個(gè)相似度水平閾值來控制，一般設(shè)為7； 耦合模型對(duì)庫建立裝置，根據(jù)上步中選擇到的K個(gè)畫像塊，在訓(xùn)練集中確定與之相對(duì)應(yīng)的照片塊，構(gòu)成K對(duì)畫像塊—照片塊(schok，pchok)，并對(duì)每對(duì)畫像塊—照片塊(schok，pchok)進(jìn)行聯(lián)合訓(xùn)練，建立耦合模型對(duì)庫

其中k＝1，2，…，K； 中間偽照片塊生成裝置，用于根據(jù)K個(gè)訓(xùn)練樣本模型對(duì)，將測(cè)試畫像塊sj進(jìn)行解碼，并重構(gòu)生成K個(gè)中間偽照片塊pseuk，其中k＝1，2，…，K； 加權(quán)系數(shù)確定裝置，用于根據(jù)訓(xùn)練畫像塊選擇裝置中計(jì)算得到的測(cè)試畫像塊sj與其K近鄰的相似度，設(shè)定各中間偽照片塊的加權(quán)系數(shù)為 其中，

為測(cè)試畫像塊sj的觀察向量，

為利用前向—后向算法計(jì)算得到的

與模型

的相似度； 最終偽照片塊生成裝置，用于將所獲得的K個(gè)中間偽照片塊根據(jù)加權(quán)系數(shù)確定裝置中的加權(quán)系數(shù)進(jìn)行加權(quán)融合，得到對(duì)應(yīng)于測(cè)試畫像塊sj的最終偽照片塊
偽照片合成裝置，用于重復(fù)操作上述訓(xùn)練畫像塊選擇裝置～最終偽照片塊生成裝置，直到測(cè)試畫像S的所有塊都被轉(zhuǎn)換成偽照片塊，將這些偽照片塊進(jìn)行組合，生成對(duì)應(yīng)于測(cè)試畫像S的偽照片。
上述照片生成虛擬裝置，其中所述的耦合模型對(duì)庫建立裝置包括 特征合成子裝置，用于對(duì)所選擇的每一對(duì)畫像塊—照片塊(schok，pchok)分別進(jìn)行特征提取，并將所提取的畫像特征與照片特征進(jìn)行組合； 模型建立子裝置，用于利用Baum-Welch算法根據(jù)組合特征建立嵌入式隱馬爾可夫模型； 模型分解子裝置，用于對(duì)所建立的嵌入式隱馬爾可夫模型進(jìn)行分解，得到分別對(duì)應(yīng)于畫像塊和照片塊的嵌入式隱馬爾可夫模型，構(gòu)成耦合模型對(duì)
耦合模型對(duì)庫建立子裝置，用于將每一對(duì)畫像塊和照片塊按照特征合成子裝置～模型分解子裝置建立非線性關(guān)系，構(gòu)成K個(gè)訓(xùn)練樣本模型對(duì)。
上述照片生成虛擬裝置，其中所述的中間偽照片塊生成裝置包括 解碼子裝置，用于將測(cè)試畫像塊sj在每一個(gè)訓(xùn)練樣本模型對(duì)

的畫像塊模型

下進(jìn)行雙重嵌入的Viterbi解碼，得到最優(yōu)的解碼狀態(tài)序列Q＝(q1，q2，…，qτ)以及混合序列M＝(m1，m2，…，mτ)，其中τ為圖像塊中像素的個(gè)數(shù)； 重構(gòu)子裝置，用于重構(gòu)出每個(gè)象素點(diǎn)的灰度值，每個(gè)象素點(diǎn)在Q及M中對(duì)應(yīng)一個(gè)狀態(tài)序號(hào)qk及混合序號(hào)mk，且qk和mk在

中對(duì)應(yīng)一個(gè)高斯分布，高斯分布的均值向量是該象素點(diǎn)的觀測(cè)序列，該觀測(cè)序列的第一個(gè)值即為重構(gòu)的該象素的灰度值，依次重構(gòu)出每個(gè)象素點(diǎn)的灰度值即可得到一個(gè)中間偽照片塊； 中間偽照片塊生成子裝置，用于對(duì)于K個(gè)訓(xùn)練樣本模型對(duì)均按解碼子裝置和重構(gòu)子裝置生成K個(gè)中間偽照片塊。
本發(fā)明由于融合了局部策略，采用嵌入式隱馬爾可夫模型對(duì)畫像塊—照片塊對(duì)之間的非線性關(guān)系進(jìn)行建模，利用選擇性集成的思想對(duì)部分個(gè)體生成器進(jìn)行融合，與非線性偽畫像生成方法相比較，具有如下優(yōu)點(diǎn) a)生成的照片更清晰，質(zhì)量更高，保存了更多的紋理信息，如圖4和圖5所示，與非線性偽畫像生成方法產(chǎn)生的偽畫像和原始畫像之間的差異相比，用本發(fā)明方法所生成的偽照片更加接近于原始照片； b)生成的照片具有更高的識(shí)別能力，本發(fā)明方法高出非線性偽畫像生成方法1.96個(gè)百分點(diǎn)。



圖1為本發(fā)明的基于局部嵌入式隱馬爾可夫模型的照片生成方法流程圖； 圖2為訓(xùn)練畫像塊—照片塊對(duì)聯(lián)合訓(xùn)練的示意圖； 圖3為本發(fā)明的基于局部嵌入式隱馬爾可夫模型的照片生成虛擬裝置； 圖4為當(dāng)照片為彩色圖像時(shí)，生成的偽照片效果圖，其中 圖4(a)為原始畫像， 圖4(b)為原始照片， 圖4(c)為本發(fā)明生成的偽照片， 圖4(d)為非線性偽畫像生成方法產(chǎn)生的偽畫像； 圖5為當(dāng)照片為灰度圖像時(shí)，生成的偽照片效果圖，其中 圖5(a)為原始畫像， 圖5(b)為原始照片， 圖5(c)為本發(fā)明生成的偽照片， 圖5(d)為非線性偽畫像生成方法產(chǎn)生的偽畫像。

具體實(shí)施例方式 本發(fā)明的核心思想是考慮到相對(duì)于整個(gè)人臉而言，局部人臉特征不但可以提供更加詳細(xì)的信息，而且結(jié)構(gòu)更加單一，有利于嵌入式隱馬爾可夫模型(E-HMM)的狀態(tài)估計(jì)，將圖像都進(jìn)行分塊處理，以更準(zhǔn)確地表達(dá)訓(xùn)練畫像和照片之間的非線性關(guān)系。由于嵌入式隱馬爾可夫模型具有很好的人臉表示能力，利用嵌入式隱馬爾可夫模型來獲得畫像塊與照片塊之間的非線性關(guān)系，得到照片塊的個(gè)體生成器，但單個(gè)個(gè)體生成器對(duì)畫像塊與照片塊的非線性關(guān)系建模的能力有限，因此將個(gè)體生成器進(jìn)行選擇性集成來產(chǎn)生偽照片塊。
參照如圖1，本發(fā)明的照片生成是選取出測(cè)試畫像和畫像一照片訓(xùn)練集，將測(cè)試畫像和訓(xùn)練集中的所有圖像進(jìn)行均勻分塊；對(duì)于測(cè)試畫像的一個(gè)塊，比較它與訓(xùn)練集中的每個(gè)畫像塊的相似性，并從訓(xùn)練集中選擇出最相似的K個(gè)畫像塊，對(duì)這K個(gè)畫像塊及其對(duì)應(yīng)的照片塊建立模型以表達(dá)它們之間的非線性關(guān)系，構(gòu)成K個(gè)訓(xùn)練樣本模型對(duì)；根據(jù)該測(cè)試畫像塊，通過K個(gè)訓(xùn)練樣本模型對(duì)可生成K個(gè)中間偽照片塊，將其進(jìn)行加權(quán)融合得到偽照片塊；在得到測(cè)試畫像的所有塊對(duì)應(yīng)的偽照片塊后，組合偽照片塊生成最終的偽照片。具體過程如下 第一步，劃分訓(xùn)練庫。
將畫像—照片對(duì)樣本集劃分為訓(xùn)練集和測(cè)試集，選取測(cè)試集中的一張畫像作為測(cè)試畫像S，訓(xùn)練集中的N個(gè)畫像—照片對(duì)作為訓(xùn)練樣本； 第二步，對(duì)圖像進(jìn)行分塊處理。
將測(cè)試畫像及訓(xùn)練樣本中的所有人臉圖像均勻地劃分為相互重疊的塊，測(cè)試畫像S的塊為{s1，s2，…，sM}，對(duì)于訓(xùn)練樣本中的第i個(gè)畫像—照片對(duì)Stri和Ptri，分別被劃分為{stri1，stri2，…，striM}和{ptri1，ptri2，…，ptriM}，其中M為每個(gè)圖像的塊數(shù)；第三步，將測(cè)試畫像的每個(gè)塊sj與所有訓(xùn)練畫像塊進(jìn)行相似度比較。
對(duì)每個(gè)訓(xùn)練畫像塊建立嵌入式隱馬爾可夫模型λ，用前向—后向算法計(jì)算測(cè)試畫像塊sj的觀察向量

與模型λ的相似度

并選擇相似度最大的K個(gè)模型對(duì)應(yīng)的畫像塊schok，相似度分別為k＝1，2，…，K，K值通過設(shè)定一個(gè)相似度水平閾值來控制，一般設(shè)為7； 第四步，建立訓(xùn)練樣本模型對(duì)。
根據(jù)上步中選擇到的K個(gè)畫像塊，在訓(xùn)練集中確定與之相對(duì)應(yīng)的照片塊，構(gòu)成K對(duì)畫像塊—照片塊對(duì)(schok，pchok)，并按照?qǐng)D2所示過程，對(duì)每對(duì)畫像塊—照片塊(schok，pchok)進(jìn)行聯(lián)合訓(xùn)練，建立耦合模型對(duì)庫

其中k＝1，2，…，K 1.對(duì)所選擇的每一對(duì)畫像塊—照片塊(schok，pchok)分別進(jìn)行特征提取，并將所提取的畫像特征與照片特征進(jìn)行組合； 2.利用Baum-Welch算法根據(jù)組合特征建立嵌入式隱馬爾可夫模型E-HMM； 3.對(duì)所建立的嵌入式隱馬爾可夫模型進(jìn)行分解，得到分別對(duì)應(yīng)于畫像塊和照片塊的嵌入式隱馬爾可夫模型，構(gòu)成耦合模型對(duì)

每個(gè)耦合模型對(duì)

中的兩個(gè)嵌入式隱馬爾可夫模型具有相同的狀態(tài)轉(zhuǎn)移矩陣，且兩個(gè)模型中對(duì)應(yīng)狀態(tài)的高斯混合模型有不同的均值向量和協(xié)方差矩陣； 4.將每一對(duì)畫像塊和照片塊按照1～3步建立非線性關(guān)系，構(gòu)成K個(gè)訓(xùn)練樣本模型對(duì)。
第五步，生成中間偽照片塊。
根據(jù)K個(gè)訓(xùn)練樣本模型對(duì)，將測(cè)試畫像塊sj進(jìn)行解碼，并重構(gòu)生成K個(gè)中間偽照片塊pseuk，其中k＝1，2，…，K，具體過程如下 1.將測(cè)試畫像塊sj在每一個(gè)訓(xùn)練樣本模型對(duì)

的畫像塊模型

下進(jìn)行雙重嵌入的Viterbi解碼，得到最優(yōu)的解碼狀態(tài)序列Q＝(q1，q2，…，qτ)以及混合序列M＝(m1，m2，…，mτ)，其中τ為圖像塊中像素的個(gè)數(shù)； 2.每個(gè)象素點(diǎn)在Q及M中對(duì)應(yīng)一個(gè)狀態(tài)序號(hào)qk及混合序號(hào)mk，且qk和mk在

中對(duì)應(yīng)一個(gè)高斯分布，高斯分布的均值向量是該象素點(diǎn)的觀測(cè)序列，該觀測(cè)序列的第一個(gè)值即為重構(gòu)的該象素的灰度值，依次重構(gòu)出每個(gè)象素點(diǎn)的灰度值即可得到一個(gè)中間偽照片塊； 3.對(duì)于K個(gè)訓(xùn)練樣本模型對(duì)均按照1～2步進(jìn)行，可生成K個(gè)中間偽照片塊； 第六步，確定加權(quán)系數(shù)。
根據(jù)第三步中計(jì)算得到的測(cè)試畫像塊sj與其K近鄰的相似度，則各中間偽照片塊的加權(quán)系數(shù)為 其中，

為測(cè)試畫像塊sj的觀察向量，

為利用前向-后向算法計(jì)算得到的

與模型

的相似度； 第七步，融合生成最終偽照片塊。
將所獲得的K個(gè)中間偽照片塊根據(jù)第六步中的加權(quán)系數(shù)進(jìn)行加權(quán)融合，得到對(duì)應(yīng)于測(cè)試畫像塊sj的最終偽照片塊
第八步，合成最終的偽照片。
重復(fù)進(jìn)行上述第三步～第七步，直到測(cè)試畫像S的所有塊都被轉(zhuǎn)換成了偽照片塊，將這些偽照片塊進(jìn)行組合，生成對(duì)應(yīng)于測(cè)試畫像S的偽照片。
參照?qǐng)D3，本發(fā)明的虛擬裝置包括樣本集劃分裝置、圖像分塊裝置、訓(xùn)練畫像塊選擇裝置、耦合模型對(duì)庫建立裝置、中間偽照片塊生成裝置、加權(quán)系數(shù)確定裝置、最終偽照片塊生成裝置及偽照片合成裝置，其中耦合模型對(duì)庫建立裝置包括特征合成子裝置、模型建立子裝置、模型分解子裝置和耦合模型對(duì)庫建立子裝置，中間偽照片塊生成裝置包括解碼子裝置、重構(gòu)子裝置和中間偽照片塊生成子裝置。整個(gè)裝置的工作過程如下 樣本集劃分裝置，將畫像一照片對(duì)樣本集劃分為訓(xùn)練集和測(cè)試集，選取測(cè)試集中的一張畫像作為測(cè)試畫像S，訓(xùn)練集中的N個(gè)畫像—照片對(duì)作為訓(xùn)練樣本，并將獲得的圖像輸入圖像分塊裝置，對(duì)圖像進(jìn)行分塊處理，將測(cè)試畫像及訓(xùn)練樣本中的所有人臉圖像均勻地劃分為相互重疊的塊，測(cè)試畫像S的塊為{s1，s2，…，sM}，對(duì)于訓(xùn)練訓(xùn)練樣本中的第i個(gè)畫像—照片對(duì)Stri和Ptri，分別被劃分為{stri1，stri2，…，striM}和{ptri1，ptri2，…，ptriM}圖像子塊，其中M為每個(gè)圖像的塊數(shù)，該裝置劃分的這些圖像子塊輸出到訓(xùn)練畫像塊選擇裝置； 在訓(xùn)練畫像塊選擇裝置中，對(duì)每個(gè)訓(xùn)練畫像塊建立嵌入式隱馬爾可夫模型λ，用前向—后向算法計(jì)算測(cè)試畫像塊sj的觀察向量

與模型λ的相似性

并選擇相似度最大的K個(gè)模型對(duì)應(yīng)的畫像塊schok，相似度分別為


…，

K值通過設(shè)定一個(gè)相似度水平閾值來控制，一般設(shè)為7。將該裝置選擇出的K個(gè)畫像塊輸入到耦合模型對(duì)庫建立裝置，在訓(xùn)練集中確定與之相對(duì)應(yīng)的照片塊，構(gòu)成K對(duì)畫像塊—照片塊(schok，pchok)，對(duì)每一對(duì)畫像塊—照片塊(schok，pchok)利用特征合成子裝置進(jìn)行特征提取和組合，根據(jù)所得到的組合特征通過模型建立子裝置，利用Baum-Welch算法建立嵌入式隱馬爾可夫模型E-HMM，將該模型輸入模型分解子裝置進(jìn)行分解，得到分別對(duì)應(yīng)于畫像塊和照片塊的嵌入式隱馬爾可夫模型，構(gòu)成耦合模型對(duì)

上述特征合成子裝置～模型分解子裝置在耦合模型對(duì)庫建立子裝置中重復(fù)進(jìn)行，用于為每一對(duì)畫像塊和照片塊建立非線性關(guān)系，構(gòu)成K個(gè)訓(xùn)練樣本模型對(duì)； 根據(jù)耦合模型對(duì)庫建立裝置輸出的K個(gè)訓(xùn)練樣本模型對(duì)，首先在中間偽照片塊生成裝置的解碼子裝置中，將測(cè)試畫像塊sj在每一個(gè)訓(xùn)練樣本模型對(duì)

的畫像塊模型

下進(jìn)行雙重嵌入的Viterbi解碼，得到最優(yōu)的解碼狀態(tài)序列Q＝(q1，q2，…，qτ)以及混合序列M＝(m1，m2，…，mτ)，其中τ為圖像塊中像素的個(gè)數(shù)，然后將輸出的Q和M輸入到重構(gòu)子裝置，重構(gòu)出每個(gè)象素點(diǎn)的灰度值，每個(gè)象素點(diǎn)在Q及M中對(duì)應(yīng)一個(gè)狀態(tài)序號(hào)qk及混合序號(hào)mk，且qk和mk在

中對(duì)應(yīng)一個(gè)高斯分布，高斯分布的均值向量是該象素點(diǎn)的觀測(cè)序列，該觀測(cè)序列的第一個(gè)值即為重構(gòu)的該象素的灰度值，依次重構(gòu)出每個(gè)象素點(diǎn)的灰度值即可得到一個(gè)中間偽照片塊，最后中間偽照片塊生成子裝置用于對(duì)于K個(gè)訓(xùn)練樣本模型對(duì)均按解碼子裝置和重構(gòu)子裝置生成K個(gè)中間偽照片塊psenk，其中k＝1，2，…，K； 在利用加權(quán)系數(shù)確定裝置根據(jù)訓(xùn)練畫像塊選擇裝置中得到的測(cè)試畫像塊sj與其K近鄰的相似度，設(shè)定各中間偽照片塊的加權(quán)系數(shù)的基礎(chǔ)上，在最終偽照片塊生成裝置中將所獲得的K個(gè)中間偽照片塊進(jìn)行加權(quán)融合，得到對(duì)應(yīng)于測(cè)試畫像塊sj的最終偽照片塊 其中， 為加權(quán)系數(shù)，

為測(cè)試畫像塊sj的觀察向量，

為利用前向—后向算法計(jì)算得到的

與模型

的相似度； 最后，偽照片合成裝置重復(fù)操作上述訓(xùn)練畫像塊選擇裝置～最終偽照片塊生成裝置，直到測(cè)試畫像S的所有塊都被轉(zhuǎn)換成了偽照片塊，將這些偽照片塊進(jìn)行組合，生成對(duì)應(yīng)于測(cè)試畫像S的偽照片。
本發(fā)明的優(yōu)點(diǎn)可通過以下實(shí)驗(yàn)進(jìn)一步說明 實(shí)驗(yàn)分別在香港中文大學(xué)多媒體實(shí)驗(yàn)室提供的彩色人臉照片和對(duì)應(yīng)畫像庫及灰度人臉照片和對(duì)應(yīng)畫像庫上進(jìn)行。為了驗(yàn)證本發(fā)明提出的照片自動(dòng)生成方法的有效性，設(shè)計(jì)了兩組測(cè)試實(shí)驗(yàn)，將本發(fā)明與非線性偽畫像生成方法進(jìn)行對(duì)比 1)將通用圖像質(zhì)量指標(biāo)UIQI作為客觀標(biāo)準(zhǔn)來評(píng)價(jià)生成照片的質(zhì)量。
在參考圖像為x＝{xi|i＝1，2，…，N}的情況下，待測(cè)試圖像y＝{yi|i＝1，2，…，N}的圖像質(zhì)量指標(biāo)為 其中， UIQI值越高，則表明待測(cè)試圖像的質(zhì)量越好。本實(shí)驗(yàn)中以原始照片作為參考圖像，計(jì)算本發(fā)明生成的偽照片的UIQI值，以原始畫像作為參考圖像，計(jì)算根據(jù)非線性偽畫像生成方法獲得的偽畫像的UIQI值，在彩色人臉照片和對(duì)應(yīng)畫像庫上進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)如表1，生成的部分偽照片如圖4。
表1 彩色圖像的UIQI值比較 表1中給出將七個(gè)不同的人P1，P2，…，P7的畫像作為待變換畫像利用本發(fā)明方法得到的偽照片的質(zhì)量，將這七個(gè)人的照片作為待變換照片利用非線性偽畫像生成方法得到的偽畫像的質(zhì)量，以及將測(cè)試集中所有人的畫像轉(zhuǎn)變成的偽照片，照片轉(zhuǎn)變成的偽畫像的平均圖像質(zhì)量。對(duì)于每個(gè)照片，即表的每一列，利用本發(fā)明方法得到的偽照片(c)的UIQI值比利用非線性偽畫像生成方法獲得的偽畫像(d)的UIQI值高，而且本發(fā)明方法生成所有偽照片的平均UIQI值也比非線性偽畫像生成方法產(chǎn)生的所有偽畫像的平均UIQI值高。由于Q值越高，表明圖像的質(zhì)量越好，因此本發(fā)明方法生成的偽照片更清晰，質(zhì)量更高，保存了更多的紋理信息。
當(dāng)實(shí)驗(yàn)數(shù)據(jù)為灰度人臉照片和對(duì)應(yīng)畫像庫時(shí)，數(shù)據(jù)如表2，生成的部分偽照片如圖5。
表2 灰度圖像的UIQI值比較 由表2可以得出與上述表1一致的結(jié)論。因此，對(duì)于灰度的實(shí)驗(yàn)數(shù)據(jù)，本發(fā)明方法生成的偽照片同樣優(yōu)于非線性偽畫像生成方法產(chǎn)生的偽畫像。
對(duì)應(yīng)于表1和表2的實(shí)驗(yàn)數(shù)據(jù)，圖4和圖5分別給出了實(shí)驗(yàn)結(jié)果圖，圖中每行對(duì)應(yīng)于不同的人，其中(a)列為原始畫像，(b)列為原始照片，(c)列為本發(fā)明方法生成的偽照片，(d)列為非線性偽畫像生成方法產(chǎn)生的偽畫像。從視覺效果上來看，與(d)列中由非線性偽畫像生成方法產(chǎn)生的偽畫像和(a)列中的原始畫像之間的差異相比，用本發(fā)明方法所生成的(c)列中的偽照片更加接近于(b)列中原始照片。
2)將生成的偽照片用于畫像—照片識(shí)別中，通過識(shí)別效果來評(píng)價(jià)本發(fā)明的有效性。
分別采用三種的不同方法進(jìn)行人臉識(shí)別的實(shí)驗(yàn)第一組為將原始畫像與照片進(jìn)行直接比較；第二組為在非線性偽畫像生成方法產(chǎn)生的偽畫像集中進(jìn)行原始畫像識(shí)別；第三組為本發(fā)明方法生成的偽照片在原始照片集中的識(shí)別結(jié)果。三種方法中均采用Eigenface方法進(jìn)行識(shí)別實(shí)驗(yàn)，針對(duì)彩色人臉照片和對(duì)應(yīng)畫像庫的識(shí)別結(jié)果如表3。
表3 針對(duì)彩色實(shí)驗(yàn)數(shù)據(jù)的不同人臉識(shí)別方法的效果比較 由表3可以看出，后兩種方法的識(shí)別率均高于在原始照片集中直接識(shí)別原始畫像的識(shí)別率，而將本發(fā)明方法生成的偽照片在原始照片集中進(jìn)行識(shí)別則具有更高的識(shí)別率，即識(shí)別率高出非線性偽畫像生成方法1.96個(gè)百分點(diǎn)。
針對(duì)灰度人臉照片和對(duì)應(yīng)畫像庫的識(shí)別結(jié)果如表4，顯然后兩種方法的識(shí)別率均高于在原始照片集中直接識(shí)別原始畫像的識(shí)別率。雖然后兩種方法的識(shí)別能力相同，但是從表2可知，本發(fā)明方法所生成的圖像質(zhì)量優(yōu)于非線性偽畫像生成方法，因此，本發(fā)明方法更具有潛力獲得較高的識(shí)別率。
表4 針對(duì)灰度實(shí)驗(yàn)數(shù)據(jù)的不同人臉識(shí)別方法的效果比較
權(quán)利要求
1.一種基于局部嵌入式隱馬爾可夫模型的照片生成方法，包括如下過程
A.將畫像—照片對(duì)樣本集劃分為訓(xùn)練集和測(cè)試集，選取測(cè)試集中的一張畫像作為測(cè)試畫像S，訓(xùn)練集中的N個(gè)畫像—照片對(duì)作為訓(xùn)練樣本；
B.對(duì)圖像進(jìn)行分塊處理，將測(cè)試畫像及訓(xùn)練集中的所有人臉圖像均勻地劃分為相互重疊的塊，測(cè)試畫像S的塊為{s1，s2，…，sM}，對(duì)于訓(xùn)練集中的第i個(gè)畫像—照片對(duì)Stri和Ptri，分別被劃分為{stri1，stri2，…，striM}和{ptri1，ptri2，…，ptriM}，其中M為每個(gè)圖像的塊數(shù)；
C.對(duì)每個(gè)訓(xùn)練畫像塊建立嵌入式隱馬爾可夫模型λ，用前向—后向算法計(jì)算測(cè)試畫像塊sj的觀察向量
與模型λ的相似性
并選擇相似度最大的K個(gè)模型對(duì)應(yīng)的畫像塊schok，相似度分別為k＝1，2，…，K，K值通過設(shè)定一個(gè)相似度水平閾值來控制，一般設(shè)為7；
D.根據(jù)上步中選擇到的K個(gè)畫像塊，在訓(xùn)練集中確定與之相對(duì)應(yīng)的照片塊，構(gòu)成K對(duì)畫像塊—照片塊(schok，pchok)，并對(duì)每對(duì)畫像塊—照片塊(schok，pchok)進(jìn)行聯(lián)合訓(xùn)練，建立耦合模型對(duì)庫(
)，其中k＝1，2，…，K；
E.根據(jù)K個(gè)訓(xùn)練樣本模型對(duì)，將測(cè)試畫像塊sj進(jìn)行解碼，并重構(gòu)生成K個(gè)中間偽照片塊pseuk，其中k＝1，2，…，K；
F.根據(jù)過程C中計(jì)算得到的測(cè)試畫像塊sj與其K近鄰的相似度，設(shè)定各中間偽照片塊的加權(quán)系數(shù)為
其中，
為測(cè)試畫像塊sj的觀察向量，
為利用前向—后向算法計(jì)算得到的
與模型
的相似度；
G.將所獲得的K個(gè)中間偽照片塊根據(jù)過程F中的加權(quán)系數(shù)進(jìn)行加權(quán)融合，得到對(duì)應(yīng)于測(cè)試畫像塊sj的最終偽照片塊psj
H.重復(fù)進(jìn)行上述過程C～過程G，直到測(cè)試畫像S的所有塊都被轉(zhuǎn)換成了偽照片塊，將這些偽照片塊進(jìn)行組合，生成對(duì)應(yīng)于測(cè)試畫像S的偽照片。
2.根據(jù)權(quán)利要求1所述的人臉照片自動(dòng)生成方法，其特征在于步驟D所述的“建立耦合模型對(duì)”，按如下過程進(jìn)行
D1.對(duì)所選擇的每一對(duì)畫像塊—照片塊(schok，pchok)分別進(jìn)行特征提取，并將所提取的畫像特征與照片特征進(jìn)行組合；
D2.利用Baum-Welch算法根據(jù)組合特征建立嵌入式隱馬爾可夫模型E-HMM；
D3.對(duì)所建立的嵌入式隱馬爾可夫模型進(jìn)行分解，得到分別對(duì)應(yīng)于畫像塊和照片塊的嵌入式隱馬爾可夫模型，構(gòu)成耦合模型對(duì)
D4.將每一對(duì)畫像塊和照片塊按照過程D1～過程D3建立非線性關(guān)系，構(gòu)成K個(gè)訓(xùn)練樣本模型對(duì)。
3.根據(jù)權(quán)利要求2所述的人臉照片自動(dòng)生成方法，其特征在于步驟D3“耦合的模型對(duì)
”中的兩個(gè)嵌入式隱馬爾可夫模型，具有相同的狀態(tài)轉(zhuǎn)移矩陣，且兩個(gè)模型中對(duì)應(yīng)狀態(tài)的高斯混合模型有不同的均值向量和協(xié)方差矩陣。
4.根據(jù)權(quán)利要求1所述的人臉畫像自動(dòng)生成方法，其特征在于步驟E所述的“根據(jù)K個(gè)訓(xùn)練樣本模型對(duì)，將測(cè)試畫像塊sj進(jìn)行解碼，并重構(gòu)生成中間偽照片塊”，按如下過程進(jìn)行
E1.將測(cè)試畫像塊sj在每一個(gè)訓(xùn)練樣本模型對(duì)
的畫像塊模型
下進(jìn)行雙重嵌入的Viterbi解碼，得到最優(yōu)的解碼狀態(tài)序列Q＝(q1，q2，…，qτ)以及混合序列M＝(m1，m2，…，mτ)，其中τ為圖像塊中像素的個(gè)數(shù)；
E2.每個(gè)象素點(diǎn)在Q及M中對(duì)應(yīng)一個(gè)狀態(tài)序號(hào)qk及混合序號(hào)mk，且qk和mk在
中對(duì)應(yīng)一個(gè)高斯分布，高斯分布的均值向量是該象素點(diǎn)的觀測(cè)序列，該觀測(cè)序列的第一個(gè)值即為重構(gòu)的該象素的灰度值，依次重構(gòu)出每個(gè)象素點(diǎn)的灰度值即可得到一個(gè)中間偽照片塊；
E3.對(duì)于K個(gè)訓(xùn)練樣本模型對(duì)均按過程E1～過程E2進(jìn)行，生成K個(gè)中間偽照片塊。
5.一種基于局部嵌入式隱馬爾可夫模型的照片生成裝置，包括
樣本集劃分裝置，用于將畫像—照片對(duì)樣本集劃分為訓(xùn)練集和測(cè)試集，選取測(cè)試集中的一張畫像作為測(cè)試畫像S，訓(xùn)練集中的N個(gè)畫像—照片對(duì)作為訓(xùn)練樣本；
圖像分塊裝置，用于對(duì)圖像進(jìn)行分塊處理，將測(cè)試畫像及訓(xùn)練集中的所有人臉圖像均勻地劃分為相互重疊的塊，測(cè)試畫像S的塊為{s1，s2，…，sM}，對(duì)于訓(xùn)練集中的第i個(gè)畫像—照片對(duì)Stri和Ptri，分別被劃分為{stri1，stri2，…，striM}和{ptri1，ptri2，…，ptriM}，其中M為每個(gè)圖像的塊數(shù)；
訓(xùn)練畫像塊選擇裝置，用于對(duì)每個(gè)訓(xùn)練畫像塊建立嵌入式隱馬爾可夫模型λ，用前向—后向算法計(jì)算測(cè)試畫像塊sj的觀察向量
與模型λ的相似性
并選擇相似度最大的K個(gè)模型對(duì)應(yīng)的畫像塊schok，相似度分別為
其中k＝1，2，…，K，K值通過設(shè)定一個(gè)相似度水平閾值來控制，一般設(shè)為7；
耦合模型對(duì)庫建立裝置，根據(jù)上步中選擇到的K個(gè)畫像塊，在訓(xùn)練集中確定與之相對(duì)應(yīng)的照片塊，構(gòu)成K對(duì)畫像塊—照片塊(schok，pchok)，并對(duì)每對(duì)畫像塊—照片塊(schok，pchok)進(jìn)行聯(lián)合訓(xùn)練，建立耦合模型對(duì)庫
其中k＝1，2，…，K；
中間偽照片塊生成裝置，用于根據(jù)K個(gè)訓(xùn)練樣本模型對(duì)，將測(cè)試畫像塊sj進(jìn)行解碼，并重構(gòu)生成K個(gè)中間偽照片塊pseuk，其中k＝1，2，…，K；
加權(quán)系數(shù)確定裝置，用于根據(jù)訓(xùn)練畫像塊選擇裝置中計(jì)算得到的測(cè)試畫像塊sj與其K近鄰的相似度，設(shè)定各中間偽照片塊的加權(quán)系數(shù)為
其中，
為測(cè)試畫像塊sj的觀察向量，
為利用前向—后向算法計(jì)算得到的
與模型
的相似度；
最終偽照片塊生成裝置，用于將所獲得的K個(gè)中間偽照片塊根據(jù)加權(quán)系數(shù)確定裝置中的加權(quán)系數(shù)進(jìn)行加權(quán)融合，得到對(duì)應(yīng)于測(cè)試畫像塊sj的最終偽照片塊
偽照片合成裝置，用于重復(fù)操作上述訓(xùn)練畫像塊選擇裝置～最終偽照片塊生成裝置，直到測(cè)試畫像S的所有塊都被轉(zhuǎn)換成了偽照片塊，將這些偽照片塊進(jìn)行組合，生成對(duì)應(yīng)于測(cè)試畫像S的偽照片。
6.根據(jù)權(quán)利要求5所述的人臉照片自動(dòng)生成裝置，其中耦合模型對(duì)庫建立裝置，包括
特征合成子裝置，用于對(duì)所選擇的每一對(duì)畫像塊—照片塊(schok，pchok)分別進(jìn)行特征提取，并將所提取的畫像特征與照片特征進(jìn)行組合；
模型建立子裝置，用于利用Baum-Welch算法根據(jù)組合特征建立嵌入式隱馬爾可夫模型E-HMM；
模型分解子裝置，用于對(duì)所建立的嵌入式隱馬爾可夫模型進(jìn)行分解，得到分別對(duì)應(yīng)于畫像塊和照片塊的嵌入式隱馬爾可夫模型，構(gòu)成耦合模型對(duì)
耦合模型對(duì)庫建立子裝置，用于將每一對(duì)畫像塊和照片塊按照特征合成子裝置～模型分解子裝置建立非線性關(guān)系，構(gòu)成K個(gè)訓(xùn)練樣本模型對(duì)。
7.根據(jù)權(quán)利要求5所述的人臉照片自動(dòng)生成裝置，其中中間偽照片塊生成裝置，包括
解碼子裝置，用于將測(cè)試畫像塊sj在每一個(gè)訓(xùn)練樣本模型對(duì)
的畫像塊模型
下進(jìn)行雙重嵌入的Viterbi解碼，得到最優(yōu)的解碼狀態(tài)序列Q＝(q1，q2，…，qτ)以及混合序列M＝(m1，m2，…，mτ)，其中τ為圖像塊中像素的個(gè)數(shù)；
重構(gòu)子裝置，用于重構(gòu)出每個(gè)象素點(diǎn)的灰度值，每個(gè)象素點(diǎn)在Q及M中對(duì)應(yīng)一個(gè)狀態(tài)序號(hào)qk及混合序號(hào)mk，且qk和mk在
中對(duì)應(yīng)一個(gè)高斯分布，高斯分布的均值向量是該象素點(diǎn)的觀測(cè)序列，該觀測(cè)序列的第一個(gè)值即為重構(gòu)的該象素的灰度值，依次重構(gòu)出每個(gè)象素點(diǎn)的灰度值即可得到一個(gè)中間偽照片塊；
中間偽照片塊生成子裝置，用于對(duì)于K個(gè)訓(xùn)練樣本模型對(duì)均按解碼子裝置和重構(gòu)子裝置生成K個(gè)中間偽照片塊。
全文摘要
本發(fā)明公開了一種基于局部嵌入式隱馬爾可夫模型的照片生成方法。該方法的過程是從樣本集中劃分出訓(xùn)練集和測(cè)試集，選取測(cè)試集中的一張畫像作為待變換畫像，訓(xùn)練集中的畫像一照片對(duì)作為訓(xùn)練樣本，將待變換畫像及所有訓(xùn)練樣本均勻劃分為相互重疊的塊；對(duì)于待變換畫像的每個(gè)塊，從訓(xùn)練樣本中選擇出相似度最大的K個(gè)訓(xùn)練畫像塊及其對(duì)應(yīng)的K個(gè)訓(xùn)練照片塊，并對(duì)每對(duì)訓(xùn)練畫像塊和照片塊進(jìn)行聯(lián)合訓(xùn)練，建立耦合模型對(duì)庫，根據(jù)K個(gè)耦合模型對(duì)生成K個(gè)中間偽照片塊，將其進(jìn)行加權(quán)融合，得到最終的偽照片塊；將所有偽照片塊進(jìn)行組合得到最終的偽照片。本發(fā)明生成的照片清晰，質(zhì)量高，紋理豐富，可用于根據(jù)模擬照片實(shí)現(xiàn)對(duì)犯罪嫌疑人身份的自動(dòng)確認(rèn)和識(shí)別。
文檔編號(hào)G06K9/62GK101482925SQ20091002094
公開日2009年7月15日 申請(qǐng)日期2009年1月16日 優(yōu)先權(quán)日2009年1月16日
發(fā)明者高新波, 冰 肖, 潔 李, 田春娜, 成 鄧, 文 路 申請(qǐng)人:西安電子科技大學(xué)