一種圖像檢索的方法及裝置的制造方法
【專利摘要】本發(fā)明適用于信息技術(shù)領(lǐng)域，提供了一種圖像檢索的方法及裝置，包括：獲取每張樣本圖片的第一描述子和輸入圖片的第二描述子；將所述第一描述子和所述第二描述子分別由Fisher向量形式轉(zhuǎn)換成只包含“0”和“1”的向量形式；分別計(jì)算轉(zhuǎn)換后的所述第二描述子與每個(gè)轉(zhuǎn)換后的所述第一描述子的相似度，根據(jù)計(jì)算結(jié)果對(duì)所述樣本圖片進(jìn)行篩選，得到所述輸入圖片的檢索結(jié)果。本發(fā)明將圖片的描述子由Fisher向量轉(zhuǎn)換為只包含元素“0”和元素“1”的向量，以在進(jìn)行向量?jī)?nèi)積運(yùn)算之前對(duì)圖片進(jìn)行初步篩選，減少了進(jìn)行向量?jī)?nèi)積運(yùn)算的樣本圖片數(shù)量，從而在大規(guī)模的圖片檢索系統(tǒng)中大大地提升了圖像檢索的運(yùn)算速度，提高了檢索效率。
【專利說(shuō)明】
一種圖像檢索的方法及裝置
技術(shù)領(lǐng)域
[0001]本發(fā)明屬于信息技術(shù)領(lǐng)域，尤其涉及一種圖像檢索的方法及裝置。
【背景技術(shù)】
[0002]隨著數(shù)字技術(shù)、傳感技術(shù)和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，圖片的數(shù)量越來(lái)越多，內(nèi)容也越來(lái)越豐富，基于內(nèi)容的圖像檢索方式開(kāi)始發(fā)展起來(lái)，由最初的基于顏色信息和形狀信息生成描述子以進(jìn)行檢索，發(fā)展到基于BOW (bag of words)模型進(jìn)行檢索，通過(guò)特征點(diǎn)提取，并對(duì)提取的特征點(diǎn)進(jìn)行聚類后生成直方圖，以作為每幅圖片的描述子，用于進(jìn)行相似度匹配，完成圖像檢索。
[0003]基于BOW模型，現(xiàn)有技術(shù)利用高斯混合模型(Gaussian Mixture Model，GMM)產(chǎn)生Fisher向量形式的描述子，然而，隨著圖片數(shù)量的增加，為了不影響檢索的精度，生成Fisher向量所要用到的高斯模型的個(gè)數(shù)也需要增加，導(dǎo)致最后Fisher向量的維度是線性增長(zhǎng)的，從而影響了圖像檢索的效率。

【發(fā)明內(nèi)容】

[0004]本發(fā)明實(shí)施例的目的在于提供一種圖像檢索的方法及裝置，旨在解決現(xiàn)有技術(shù)中由于圖片數(shù)量增加，圖像檢索的效率受影響的問(wèn)題。
[0005]本發(fā)明實(shí)施例是這樣實(shí)現(xiàn)的，一種圖像檢索的方法，包括:
[0006]獲取每張樣本圖片的第一描述子和輸入圖片的第二描述子；
[0007]將所述第一描述子和所述第二描述子分別由Fisher向量形式轉(zhuǎn)換成只包含“O”和“I”的向量形式；
[0008]分別計(jì)算轉(zhuǎn)換后的所述第二描述子與每個(gè)轉(zhuǎn)換后的所述第一描述子的相似度，根據(jù)計(jì)算結(jié)果對(duì)所述樣本圖片進(jìn)行篩選，得到所述輸入圖片的檢索結(jié)果。
[0009]本發(fā)明實(shí)施例的另一目的在于提供一種圖像檢索的裝置，包括:
[0010]獲取單元，用于獲取每張樣本圖片的第一描述子和輸入圖片的第二描述子；
[0011]轉(zhuǎn)換單元，用于將所述第一描述子和所述第二描述子分別由Fisher向量形式轉(zhuǎn)換成只包含“O”和“ I”的向量形式；
[0012]檢索單元，用于分別計(jì)算轉(zhuǎn)換后的所述第二描述子與每個(gè)轉(zhuǎn)換后的所述第一描述子的相似度，根據(jù)計(jì)算結(jié)果對(duì)所述樣本圖片進(jìn)行篩選，得到所述輸入圖片的檢索結(jié)果。
[0013]本發(fā)明實(shí)施例將圖片的描述子由Fisher向量轉(zhuǎn)換為只包含元素“O”和元素“ I”的向量，以在進(jìn)行向量?jī)?nèi)積運(yùn)算之前對(duì)圖片進(jìn)行初步篩選，減少了進(jìn)行向量?jī)?nèi)積運(yùn)算的樣本圖片數(shù)量，從而在大規(guī)模的圖片檢索系統(tǒng)中大大地提升了圖像檢索的運(yùn)算速度，提高了檢索效率。
【附圖說(shuō)明】
[0014]圖1是本發(fā)明實(shí)施例提供的圖像檢索的方法的實(shí)現(xiàn)流程圖；
[0015]圖2是本發(fā)明實(shí)施例提供的圖像檢索的方法S102的具體實(shí)現(xiàn)流程圖；
[0016]圖3是本發(fā)明實(shí)施例提供的圖像檢索的方法S103的具體實(shí)現(xiàn)流程圖；
[0017]圖4是本發(fā)明實(shí)施例提供的圖像檢索的裝置的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0018]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0019]圖1示出了本發(fā)明實(shí)施例提供的圖像檢索的方法的實(shí)現(xiàn)流程，詳述如下:
[0020]在SlOl中，獲取每張樣本圖片的第一描述子和輸入圖片的第二描述子。
[0021]首先，基于BOW模型對(duì)樣本圖片和輸入圖片分別依次進(jìn)行特征提取和特征聚類，得到每張圖片的描述子，該描述子用Fisher向量形式進(jìn)行表示。
[0022]其中，可以采用特征點(diǎn)提取的方式，例如，尺度不變特征轉(zhuǎn)換(Scale-1nvariantfeature transform，SIFT)算法，SURF (Speeded Up Robust Features)算法等，對(duì)輸入圖片進(jìn)行特征提取，其中，SIFT特征具有旋轉(zhuǎn)不變形、尺度不變性、以及對(duì)亮度變化保持不變性等良好特性。同時(shí)，由于圖片顏色信息也具備一定的區(qū)分度，因此，也可以對(duì)輸入圖片進(jìn)行顏色特征提取。此外，還可以對(duì)輸入圖片進(jìn)行整個(gè)圖像或者某一部分圖像的方向梯度直方圖(Histograms of Oriented Gradients, HOG)特征提取。
[0023]在本實(shí)施例中，采用GMM，選取一定數(shù)量的高斯函數(shù)，利用提取到的特征點(diǎn)訓(xùn)練GMM的各個(gè)參數(shù)。其中，用X= {xt，t = 1，…，T}表示從圖片中提取到的特征向量，GMM的參數(shù)為λ = Iwi, μ;，Σ i，i = 1，…，N}，W1、μ^ΡΣ i分別表示高斯函數(shù)i的權(quán)重、均值向量和協(xié)方差矩陣，所述N為高斯函數(shù)的個(gè)數(shù)。
[0024]而基于GMM的Fisher向量生成在很多研究工作中相應(yīng)提到，根據(jù)數(shù)據(jù)庫(kù)圖片(即樣本圖片)的規(guī)模，選擇適當(dāng)?shù)腉MM數(shù)量N，對(duì)于圖像的特征提取產(chǎn)生D維的特征向量(例如，SIFT特征向量為128維，SURF特征向量為64維，顏色特征向量為96維)，最后生成的Fisher向量維度為(2*D+1)*N-1，而一般在實(shí)際應(yīng)用中，由于忽略了 O階信息，因此最后的實(shí)際向量維度為2*D*N。
[0025]從以上描述可以看出，圖片數(shù)量的增長(zhǎng)會(huì)間接導(dǎo)致GMM數(shù)量N的增長(zhǎng)，而對(duì)于大規(guī)模的圖像檢索，通常最后向量的維度是上萬(wàn)維，計(jì)算圖片相似度的時(shí)候采用向量?jī)?nèi)積的計(jì)算方式，這樣無(wú)疑會(huì)因?yàn)榫S度過(guò)高，圖片數(shù)量過(guò)大而大大降低運(yùn)算的效率。因此，在S102中，對(duì)Fisher向量進(jìn)行轉(zhuǎn)換，以簡(jiǎn)化圖片的相似度計(jì)算復(fù)雜度:
[0026]在S102中，將所述第一描述子和所述第二描述子分別由Fisher向量形式轉(zhuǎn)換成只包含“O”和“I”的向量形式。
[0027]作為本發(fā)明的一個(gè)實(shí)施例，可以將Fisher向量轉(zhuǎn)換成同維度的只包含元素“O”和“I”的向量(以下簡(jiǎn)稱01向量)，其轉(zhuǎn)換方法如下:
[0028]將所述Fisher向量中大于或等于O的元素置I，并將所述Fisher向量中小于O的元素置O，得到每張所述樣本圖片的第三描述子和所述輸入圖片的第四描述子。
[0029]具體地，通過(guò)如下公式重置Fisher向量描述子:
[0030]f (z) = (sign (Z)+1)/2 (z # 0)
[0031]對(duì)于z = 0，我們直接令f (z) = 1，通過(guò)上式處理，便可生成與Fisher向量同維度的01向量，由此，每張樣本圖片F(xiàn)isher向量形式的第一描述子被轉(zhuǎn)換成01向量形式的第三描述子，輸入圖片F(xiàn)isher向量形式的第二描述子被轉(zhuǎn)換成01向量形式的第四描述子。
[0032]從統(tǒng)計(jì)學(xué)的角度來(lái)講，在一定程度上，分布相似的相同長(zhǎng)度的一組數(shù)據(jù)應(yīng)該具備類似的均值，因此，進(jìn)一步地，作為本發(fā)明的另一實(shí)施例，還可以通過(guò)圖2所示方法，將Fisher向量轉(zhuǎn)換為維度更低的01向量:
[0033]在S201中，將所述Fisher向量等分成M份，所述M為大于I的整數(shù)。
[0034]在S202中，對(duì)每一份所述Fisher向量取均值。
[0035]在S203中，若所述均值大于或等于0，則在該均值所在位置置1，若所述均值小于0，則在該均值所在位置置0，得到每張所述樣本圖片的第五描述子和所述輸入圖片的第六描述子。
[0036]由此，每張樣本圖片F(xiàn)isher向量形式的第一描述子被轉(zhuǎn)換成01向量形式的第五描述子，輸入圖片F(xiàn)isher向量形式的第二描述子被轉(zhuǎn)換成01向量形式的第六描述子，且第六描述子的向量維度要低于第四描述子的向量維度。
[0037]需要說(shuō)明的是，將Fisher向量轉(zhuǎn)換成同維度的01向量，以及將Fisher向量轉(zhuǎn)換成更低維度的01向量，這兩種轉(zhuǎn)換過(guò)程可以同時(shí)進(jìn)行，也可以不分次序地先后進(jìn)行。
[0038]對(duì)于生成的M維向量，可以將其分為幾個(gè)塊，每個(gè)塊以建立表的方式來(lái)維護(hù)，這樣在后續(xù)計(jì)算過(guò)程中，可以通過(guò)查表來(lái)減少計(jì)算工作量。
[0039]在S103中，分別計(jì)算轉(zhuǎn)換后的所述第二描述子與每個(gè)轉(zhuǎn)換后的所述第一描述子的相似度，根據(jù)計(jì)算結(jié)果對(duì)所述樣本圖片進(jìn)行篩選，得到所述輸入圖片的檢索結(jié)果。
[0040]在通過(guò)S102將Fisher向量進(jìn)行轉(zhuǎn)換之后，基于轉(zhuǎn)換后的向量對(duì)樣本圖片進(jìn)行初步篩選、過(guò)濾，減少樣本圖片的數(shù)量，再將剩余的樣本圖片與輸入圖片進(jìn)行向量?jī)?nèi)積，從而得到檢索結(jié)果。
[0041]優(yōu)選地，當(dāng)Fisher向量分別被轉(zhuǎn)換為同維度的01向量和更低維度的01向量時(shí)，S103的執(zhí)行過(guò)程如圖3所示:
[0042]在S301中，分別計(jì)算所述輸入圖片的第六描述子與每張所述樣本圖片的第五描述子的第一相似度，對(duì)所述第一相似度低的所述樣本圖片進(jìn)行過(guò)濾。
[0043]首先，比對(duì)更低維度的01向量之間的相似度。對(duì)于數(shù)以十萬(wàn)甚至百萬(wàn)計(jì)的樣本圖片來(lái)說(shuō)，運(yùn)行低維度的內(nèi)積運(yùn)算速度比直接進(jìn)行上萬(wàn)維的向量的內(nèi)積運(yùn)算速度要快得多，優(yōu)選地，所述M可以為64，以更好地在運(yùn)算速度與過(guò)濾精度之間保持平衡。根據(jù)內(nèi)積運(yùn)算的結(jié)果，計(jì)算出第六描述子與不同樣本圖片的第五描述子之間的第一相似度，并將第一相似度低于預(yù)設(shè)閾值的樣本圖片進(jìn)行過(guò)濾。
[0044]在S302中，分別計(jì)算所述輸入圖片的第四描述子與過(guò)濾后的每張所述樣本圖片的第三描述子的第二相似度，對(duì)所述第二相似度低的所述樣本圖片進(jìn)行再次過(guò)濾。
[0045]在經(jīng)過(guò)S301對(duì)樣本圖片進(jìn)行過(guò)濾之后，對(duì)與Fisher向量同維度的01向量進(jìn)行相似度計(jì)算，即，將輸入圖片的第四描述子與過(guò)濾后的每張樣本圖片的第三描述子進(jìn)行相似度計(jì)算。具體地，可以對(duì)二者的01向量進(jìn)行按位異或，統(tǒng)計(jì)運(yùn)算結(jié)果中為I的位的個(gè)數(shù)，個(gè)數(shù)越多則認(rèn)為兩幅圖片的相似度越高，將運(yùn)算結(jié)果中為I的位的個(gè)數(shù)作為第二相似度，并將第二相似度低于預(yù)設(shè)閾值的樣本圖片進(jìn)行再次過(guò)濾。
[0046]在S303中，分別對(duì)所述輸入圖片的第二描述子與再次過(guò)濾后的每張所述樣本圖片的第一描述子做向量?jī)?nèi)積，得到所述輸入圖片匹配檢索結(jié)果。
[0047]在經(jīng)過(guò)S302對(duì)樣本圖片進(jìn)行再次過(guò)濾之后，再用剩下的為數(shù)不多的樣本圖片直接與輸入圖片進(jìn)行向量?jī)?nèi)積，并將計(jì)算結(jié)果最優(yōu)的樣本圖片匹配為該輸入圖片的檢索結(jié)果O
[0048]在本實(shí)施例中，通過(guò)實(shí)驗(yàn)證明，進(jìn)行64位運(yùn)算所花費(fèi)的時(shí)間是最短的，進(jìn)行與Fisher向量同維度的01向量的按位異或運(yùn)算的時(shí)間其次，直接進(jìn)行向量?jī)?nèi)積所花的運(yùn)算時(shí)間最長(zhǎng)。雖然采用S301和S302兩次的篩選過(guò)程會(huì)增加額外的排序運(yùn)算，但是對(duì)比于只進(jìn)行向量的內(nèi)積運(yùn)算，隨著樣本圖片數(shù)量的增長(zhǎng)，排序運(yùn)算所耗費(fèi)的時(shí)間對(duì)最終運(yùn)算時(shí)間的影響作用就大大降低，因此，總的說(shuō)來(lái)，對(duì)于大規(guī)模的圖片檢索來(lái)說(shuō)，本方案可以在一定程度上改善檢索效率，且實(shí)驗(yàn)結(jié)果證明本方案會(huì)帶來(lái)檢索精度的略微提高。
[0049]本發(fā)明實(shí)施例將圖片的描述子由Fisher向量轉(zhuǎn)換為只包含元素“O”和元素“ I”的向量，以在進(jìn)行向量?jī)?nèi)積運(yùn)算之前對(duì)圖片進(jìn)行初步篩選，減少了進(jìn)行向量?jī)?nèi)積運(yùn)算的樣本圖片數(shù)量，從而在大規(guī)模的圖片檢索系統(tǒng)中大大地提升了圖像檢索的運(yùn)算速度，提高了檢索效率。
[0050]對(duì)應(yīng)于上文實(shí)施例所述的圖像檢索的方法，圖4示出了本發(fā)明實(shí)施例提供的圖像檢索的裝置的結(jié)構(gòu)框圖，為了便于說(shuō)明，僅示出了與本實(shí)施例相關(guān)的部分。
[0051 ] 參照?qǐng)D4，該裝置包括:
[0052]獲取單元41，獲取每張樣本圖片的第一描述子和輸入圖片的第二描述子。
[0053]轉(zhuǎn)換單元42，將所述第一描述子和所述第二描述子分別由Fisher向量形式轉(zhuǎn)換成只包含“O”和“I”的向量形式。
[0054]檢索單元43，分別計(jì)算轉(zhuǎn)換后的所述第二描述子與每個(gè)轉(zhuǎn)換后的所述第一描述子的相似度，根據(jù)計(jì)算結(jié)果對(duì)所述樣本圖片進(jìn)行篩選，得到所述輸入圖片的檢索結(jié)果。
[0055]可選地，所述轉(zhuǎn)換單元42具體用于:
[0056]將所述Fisher向量中大于或等于O的元素置I，并將所述Fisher向量中小于O的元素置O，得到每張所述樣本圖片的第三描述子和所述輸入圖片的第四描述子。
[0057]可選地，所述轉(zhuǎn)換單元42還用于:
[0058]將所述Fisher向量等分成M份，所述M為大于I的整數(shù)。
[0059]對(duì)每一份所述Fisher向量取均值。
[0060]若所述均值大于或等于0，則在該均值所在位置置1，若所述均值小于0，則在該均值所在位置置0，得到每張所述樣本圖片的第五描述子和所述輸入圖片的第六描述子。
[0061]可選地，所述M為64。
[0062]可選地，所述檢索單元43包括:
[0063]第一過(guò)濾子單元，分別計(jì)算所述輸入圖片的第六描述子與每張所述樣本圖片的第五描述子的第一相似度，對(duì)所述第一相似度低的所述樣本圖片進(jìn)行過(guò)濾。
[0064]第二過(guò)濾子單元，分別計(jì)算所述輸入圖片的第四描述子與過(guò)濾后的每張所述樣本圖片的第三描述子的第二相似度，對(duì)所述第二相似度低的所述樣本圖片進(jìn)行再次過(guò)濾。
[0065]第三過(guò)濾子單元，分別對(duì)所述輸入圖片的第二描述子與再次過(guò)濾后的每張所述樣本圖片的第一描述子做向量?jī)?nèi)積，得到所述輸入圖片匹配檢索結(jié)果。
[0066]以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1.一種圖像檢索的方法，其特征在于，包括: 獲取每張樣本圖片的第一描述子和輸入圖片的第二描述子； 將所述第一描述子和所述第二描述子分別由Fisher向量形式轉(zhuǎn)換成只包含“O”和“I”的向量形式； 分別計(jì)算轉(zhuǎn)換后的所述第二描述子與每個(gè)轉(zhuǎn)換后的所述第一描述子的相似度，根據(jù)計(jì)算結(jié)果對(duì)所述樣本圖片進(jìn)行篩選，得到所述輸入圖片的檢索結(jié)果。2.如權(quán)利要求1所述的方法，其特征在于，所述將所述第一描述子和所述第二描述子分別由Fisher向量形式轉(zhuǎn)換成只包含“O”和“I”的向量形式包括: 將所述Fisher向量中大于或等于O的元素置I，并將所述Fisher向量中小于O的元素置O，得到每張所述樣本圖片的第三描述子和所述輸入圖片的第四描述子。3.如權(quán)利要求2所述的方法，其特征在于，所述將所述第一描述子和所述第二描述子分別由Fisher向量形式轉(zhuǎn)換成只包含“O”和“I”的向量形式還包括: 將所述Fisher向量等分成M份，所述M為大于I的整數(shù)； 對(duì)每一份所述Fisher向量取均值； 若所述均值大于或等于O，則在該均值所在位置置1，若所述均值小于O，則在該均值所在位置置O，得到每張所述樣本圖片的第五描述子和所述輸入圖片的第六描述子。4.如權(quán)利要求3所述的方法，其特征在于，所述M為64。5.如權(quán)利要求3或4所述的方法，其特征在于，所述分別計(jì)算轉(zhuǎn)換后的所述第二描述子與每個(gè)轉(zhuǎn)換后的所述第一描述子的相似度，根據(jù)計(jì)算結(jié)果對(duì)所述樣本圖片進(jìn)行篩選，得到所述輸入圖片的檢索結(jié)果包括: 分別計(jì)算所述輸入圖片的第六描述子與每張所述樣本圖片的第五描述子的第一相似度，對(duì)所述第一相似度低的所述樣本圖片進(jìn)行過(guò)濾； 分別計(jì)算所述輸入圖片的第四描述子與過(guò)濾后的每張所述樣本圖片的第三描述子的第二相似度，對(duì)所述第二相似度低的所述樣本圖片進(jìn)行再次過(guò)濾； 分別對(duì)所述輸入圖片的第二描述子與再次過(guò)濾后的每張所述樣本圖片的第一描述子做向量?jī)?nèi)積，得到所述輸入圖片匹配檢索結(jié)果。6.一種圖像檢索的裝置，其特征在于，包括: 獲取單元，用于獲取每張樣本圖片的第一描述子和輸入圖片的第二描述子； 轉(zhuǎn)換單元，用于將所述第一描述子和所述第二描述子分別由Fisher向量形式轉(zhuǎn)換成只包含“O”和“I”的向量形式； 檢索單元，用于分別計(jì)算轉(zhuǎn)換后的所述第二描述子與每個(gè)轉(zhuǎn)換后的所述第一描述子的相似度，根據(jù)計(jì)算結(jié)果對(duì)所述樣本圖片進(jìn)行篩選，得到所述輸入圖片的檢索結(jié)果。7.如權(quán)利要求6所述的裝置，其特征在于，所述轉(zhuǎn)換單元具體用于: 將所述Fisher向量中大于或等于O的元素置I，并將所述Fisher向量中小于O的元素置O，得到每張所述樣本圖片的第三描述子和所述輸入圖片的第四描述子。8.如權(quán)利要求7所述的裝置，其特征在于，所述轉(zhuǎn)換單元還用于: 將所述Fisher向量等分成M份，所述M為大于I的整數(shù)； 對(duì)每一份所述Fisher向量取均值； 若所述均值大于或等于O，則在該均值所在位置置1，若所述均值小于O，則在該均值所在位置置O，得到每張所述樣本圖片的第五描述子和所述輸入圖片的第六描述子。9.如權(quán)利要求8所述的裝置，其特征在于，所述M為64。10.如權(quán)利要求8或9所述的裝置，其特征在于，所述檢索單元包括: 第一過(guò)濾子單元，用于分別計(jì)算所述輸入圖片的第六描述子與每張所述樣本圖片的第五描述子的第一相似度，對(duì)所述第一相似度低的所述樣本圖片進(jìn)行過(guò)濾； 第二過(guò)濾子單元，用于分別計(jì)算所述輸入圖片的第四描述子與過(guò)濾后的每張所述樣本圖片的第三描述子的第二相似度，對(duì)所述第二相似度低的所述樣本圖片進(jìn)行再次過(guò)濾； 第三過(guò)濾子單元，用于分別對(duì)所述輸入圖片的第二描述子與再次過(guò)濾后的每張所述樣本圖片的第一描述子做向量?jī)?nèi)積，得到所述輸入圖片匹配檢索結(jié)果。
【文檔編號(hào)】G06F17/30GK105989128SQ201510083238
【公開(kāi)日】2016年10月5日
【申請(qǐng)日】2015年2月13日
【發(fā)明人】王仕強(qiáng), 馮良炳, 趙永剛
【申請(qǐng)人】深圳先進(jìn)技術(shù)研究院