一種高維局部二值模式人臉識(shí)別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種高維局部二值模式人臉識(shí)別算法及系統(tǒng)，該算法包括以下步驟:S1、獲取人臉圖像，并對(duì)其進(jìn)行預(yù)處理得到相同尺寸的灰度圖像；S2、對(duì)預(yù)處理后的灰度圖像進(jìn)行HDLBP特征提取，得到對(duì)應(yīng)的特征圖像；S3、提取特征圖像的直方圖，得到對(duì)應(yīng)的特征向量；S4、根據(jù)特征向量與特征數(shù)據(jù)庫(kù)中的信息進(jìn)行比較，得到識(shí)別結(jié)果。本發(fā)明能夠提取圖像的局部特征和全局特征，大幅提高了算法的識(shí)別率；且在保證算法復(fù)雜度不高的基礎(chǔ)上，增加了圖像識(shí)別的準(zhǔn)確率。
【專利說(shuō)明】
-種高維局部二值模式人臉識(shí)別方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及人臉識(shí)別領(lǐng)域，尤其設(shè)及一種高維局部二值模式人臉識(shí)別方法及系 統(tǒng)。
【背景技術(shù)】
[0002] 局部二值模式化Ocal Binary pattern,LBP)算法作為人臉識(shí)別算法的一種，是由 Ojala、Ahonen等于1996年提出的一種依賴于局部紋理描述的算法，用于描述像素點(diǎn)與其鄰 域內(nèi)像素點(diǎn)在數(shù)值上的關(guān)系，因其計(jì)算方法簡(jiǎn)明，對(duì)圖像的局部特征有很好的描述性，對(duì)光 照的不敏感性等特點(diǎn)而在人臉識(shí)別領(lǐng)域中被廣泛的采用。同時(shí)，由于LBP描述子只注重了圖 像的局部特征的描述，忽略了對(duì)圖像全局特征的描述，導(dǎo)致了 LBP算法在全局特征提取上的 不足。為了有效的解決運(yùn)個(gè)問(wèn)題，眾多學(xué)者對(duì)其進(jìn)行了研究，并且提出了許多的改進(jìn)和優(yōu)化 方法。
[0003] 周軟等提出分塊處理的方法，W期待解決LBP描述子在提取全局特征上不足的問(wèn) 題。分快處理的核屯、思想是按照一定的大小等分原圖，或是按照人的五官所在的位置劃分 原圖，對(duì)子圖分別提取LBP特征，將所有的特征向量級(jí)聯(lián)在一起，得到全局上的一些特性，通 過(guò)實(shí)驗(yàn)證明分快處理后LBP算法的性能要優(yōu)于未處理前的LBP算法，但是在對(duì)原圖按照一個(gè) 什么樣的標(biāo)準(zhǔn)進(jìn)行劃分運(yùn)一點(diǎn)上卻沒(méi)有一個(gè)肯定的答案。既不能在對(duì)原圖的處理上得到很 好的效果，于是王紅等從LBP描述子本身進(jìn)行研究，其思路是通過(guò)等倍的放大LBP描述子，使 其能夠提取到更大范圍內(nèi)的圖像特征。進(jìn)行比較的不再是某一個(gè)像素點(diǎn)，而是包括某個(gè)像 素點(diǎn)在內(nèi)的固定鄰域內(nèi)的像素點(diǎn)的均值來(lái)進(jìn)行計(jì)算，保證了局部特性也在一定程度上體現(xiàn) 了全局特性，但對(duì)于鄰域大小的選擇又成為了研究的重點(diǎn)。同樣是從化P描述子本身出發(fā)， 不同于等倍放大的原理，王成等通過(guò)多尺度加權(quán)中屯、點(diǎn)多層次鄰域內(nèi)的特征體現(xiàn)全局特 征，鄰域內(nèi)的點(diǎn)距離中屯、點(diǎn)越近，進(jìn)行加權(quán)時(shí)的權(quán)值就越重，加權(quán)的層次越多，體現(xiàn)的全局 性就越好，同時(shí)計(jì)算復(fù)雜度就越高。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要解決的技術(shù)問(wèn)題在于針對(duì)現(xiàn)有技術(shù)中不能提取全局特征的缺陷，提供一 種能夠大大提高算法識(shí)別率的高維局部二值模式人臉識(shí)別方法及系統(tǒng)。
[0005] 本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：
[0006] 本發(fā)明提供一種高維局部二值模式人臉識(shí)別算法，包括W下步驟：
[0007] S1、獲取人臉圖像，并對(duì)其進(jìn)行預(yù)處理得到相同尺寸的灰度圖像；
[000引S2、對(duì)預(yù)處理后的灰度圖像進(jìn)行皿LBP特征提取，得到對(duì)應(yīng)的特征圖像；
[0009] S3、提取特征圖像的直方圖，得到對(duì)應(yīng)的特征向量；
[0010] S4、根據(jù)特征向量與特征數(shù)據(jù)庫(kù)中的信息進(jìn)行比較，得到識(shí)別結(jié)果。
[0011] 進(jìn)一步地，本發(fā)明的步驟Sl中預(yù)處理得到灰度圖像的方法具體為：
[0012] 設(shè)人臉灰度圖像的局部紋理V的分布為：
[OOU] V = v(gc go ... gp-1 g)
[0014] 其中，gc代表窗口的中屯、闊值，gi(i = 0,2...p-l)表示各領(lǐng)域像素點(diǎn)的灰度值，P表 示領(lǐng)域點(diǎn)個(gè)數(shù)，g表示人臉灰度圖像的灰度均值，計(jì)算公式為：
[0015]
[0016] 其中，mXn是灰度圖像的大小，g(i j)是圖像中每一個(gè)像素點(diǎn)的灰度值。
[0017] 進(jìn)一步地，本發(fā)明的步驟S2中進(jìn)行皿LBP特征提取的方法具體為：
[0018] HDLBP描述子在計(jì)算時(shí)，首先延用了經(jīng)典的LBP描述子在窗口內(nèi)的計(jì)算方法，保證 了局部特征;然后對(duì)窗口中屯、像素點(diǎn)灰度值和人臉灰度圖像的灰度均值運(yùn)用同樣的計(jì)算方 法，保證全局特征;最后將局部特征作為低維，全局特征作為高維整合在一起，計(jì)算的結(jié)果 就是該窗口內(nèi)中屯、像素點(diǎn)的特征值。
[0019] 進(jìn)一步地，本發(fā)明的步驟S2中進(jìn)行高維和低維融合的方法具體為：
[0020] 將中屯、特征作為最高維的分量加入到邊緣特征的二進(jìn)制序列中，使得特征序列向 高一維伸展，擴(kuò)大特征序列包含的信息量;根據(jù)如下公式將低維特征和高維特征融合在一 起，使兩列特征序列變成一列特征序列，并按照二進(jìn)制轉(zhuǎn)十進(jìn)制的方法進(jìn)行計(jì)算即可得到 對(duì)應(yīng)的特征值;計(jì)算公式為：
[0021]
[0022] 其中，gc代表窗口的中屯、闊值，gi(i = 0,2...p-l)表示各領(lǐng)域像素點(diǎn)的灰度值，P表 示領(lǐng)域點(diǎn)個(gè)數(shù)，g表示人臉灰度圖像的灰度均值，計(jì)算公式為：
[0023]
[0024] 其中，mXn是灰度圖像的大小，g(i j)是圖像中每一個(gè)像素點(diǎn)的灰度值。[00巧]進(jìn)一步地，本發(fā)明的步驟S2中進(jìn)行皿LBP特征提取的公式為：
[0026]
[0027]
[0028] 進(jìn)一步地，本發(fā)明的步驟S3中提取特征圖像的直方圖的方法具體為：
[0029] 根據(jù)輸入的特征圖像，將圖像中所有的像素點(diǎn)按照其灰度值的大小進(jìn)行升序排 序，然后統(tǒng)計(jì)具有相同灰度值的像素點(diǎn)出現(xiàn)的次數(shù)，得到一個(gè)n*l序列，即特征向量，其中n 表示特征圖像中不同灰度值的個(gè)數(shù)，直方圖的計(jì)算公式如下：
[0030] h(i) =gi i G (I ,n)
[0031] 其中h(i)表示灰度值為gi的像素點(diǎn)的個(gè)數(shù)。
[0032] 進(jìn)一步地，本發(fā)明的步驟S4中得出識(shí)別結(jié)果的方法具體為：
[0033] 根據(jù)特征向量與特征數(shù)據(jù)庫(kù)中的信息進(jìn)行比較，W歐氏距離為衡量，利用最鄰近 分類法進(jìn)行識(shí)別。
[0034] 本發(fā)明提供一種高維局部二值模式人臉識(shí)別系統(tǒng)，包括：
[0035] 圖像預(yù)處理單元，用于獲取人臉圖像，并對(duì)其進(jìn)行預(yù)處理得到相同尺寸的灰度圖 像；
[0036] HDLBP特征提取單元，用于對(duì)預(yù)處理后的灰度圖像進(jìn)行皿LBP特征提取，得到對(duì)應(yīng) 的特征圖像；
[0037] 特征向量提取單元，用于提取特征圖像的直方圖，得到對(duì)應(yīng)的特征向量；
[0038] 圖像識(shí)別單元，用于根據(jù)特征向量與特征數(shù)據(jù)庫(kù)中的信息進(jìn)行比較，得到識(shí)別結(jié) 果。
[0039] 本發(fā)明產(chǎn)生的有益效果是:本發(fā)明的高維局部二值模式人臉識(shí)別算法，通過(guò)延用 經(jīng)典的LBP描述子在窗口內(nèi)的計(jì)算方法，保證了局部特征;然后對(duì)窗口中屯、像素點(diǎn)灰度值和 人臉灰度圖像的灰度均值運(yùn)用同樣的計(jì)算方法，保證全局特征;最后將局部特征作為低維， 全局特征作為高維整合在一起，作為該窗口內(nèi)中屯、像素點(diǎn)的特征值;本發(fā)明的算法能夠提 取圖像的局部特征和全局特征，大幅提高了算法的識(shí)別率;且在保證算法復(fù)雜度不高的基 礎(chǔ)上，增加了圖像識(shí)別的準(zhǔn)確率。
【附圖說(shuō)明】
[0040] 下面將結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明，附圖中：
[0041] 圖1是本發(fā)明實(shí)施例的高維局部二值模式人臉識(shí)別算法的流程圖；
[0042] 圖2是本發(fā)明實(shí)施例的高維局部二值模式人臉識(shí)別算法的融合過(guò)程；
[0043] 圖3是本發(fā)明實(shí)施例的高維局部二值模式人臉識(shí)別算法的框圖；
[0044] 圖4是本發(fā)明實(shí)施例的高維局部二值模式人臉識(shí)別算法的計(jì)算過(guò)程圖；
[0045] 圖5是本發(fā)明實(shí)施例的高維局部二值模式人臉識(shí)別系統(tǒng)的框圖。
【具體實(shí)施方式】
[0046] 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，W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)施例僅用W解釋本發(fā)明，并不 用于限定本發(fā)明。
[0047] 如圖1所示，本發(fā)明實(shí)施例的高維局部二值模式人臉識(shí)別算法，包括W下步驟：
[0048] S1、獲取人臉圖像，并對(duì)其進(jìn)行預(yù)處理得到相同尺寸的灰度圖像;預(yù)處理得到灰度 圖像的方法具體為：
[0049] 設(shè)人臉灰度圖像的局部紋理V的分布為：
[0050] V = v(gc 阱...前-1 邑）
[0051] 其中，gc代表窗口的中屯、闊值，gi(i = 0,2...p-l)表示各領(lǐng)域像素點(diǎn)的灰度值，P表 示領(lǐng)域點(diǎn)個(gè)數(shù)，g表示人臉灰度圖像的灰度均值，計(jì)算公式為：
[0化2]
[0053] 其中，mXn是灰度圖像的大小，g(i j)是圖像中每一個(gè)像素點(diǎn)的灰度值。
[0054] S2、對(duì)預(yù)處理后的灰度圖像進(jìn)行HDLBP特征提取，得到對(duì)應(yīng)的特征圖像;進(jìn)行HDLBP 特征提取的公式為：
[0化5]
[0化6]
[0057] S3、提取特征圖像的直方圖，得到對(duì)應(yīng)的特征向量；
[005引S4、根據(jù)特征向量與特征數(shù)據(jù)庫(kù)中的信息進(jìn)行比較，得到識(shí)別結(jié)果。
[0059] HDLBP描述子在計(jì)算時(shí)，首先延用了經(jīng)典的LBP描述子在窗口內(nèi)的計(jì)算方法，保證 了局部特征;然后對(duì)窗口中屯、像素點(diǎn)灰度值和人臉灰度圖像的灰度均值運(yùn)用同樣的計(jì)算方 法，保證全局特征;最后將局部特征作為低維，全局特征作為高維整合在一起，計(jì)算的結(jié)果 就是該窗口內(nèi)中屯、像素點(diǎn)的特征值。
[0060] 如圖2所示，融合的過(guò)程具體為：
[0061] 中屯、特征作為最高維的分量加入到邊緣特征的二進(jìn)制序列中，使得特征序列向高 一維伸展，特征序列包含的信息量更大。由于低維特征和高維特征融合在一起，使得兩列特 征序列變成一列特征序列，因此將特征序列轉(zhuǎn)化成特征值時(shí)，只需要按照二進(jìn)制轉(zhuǎn)十進(jìn)制 的方法進(jìn)行計(jì)算即可得到對(duì)應(yīng)的特征值，計(jì)算公式為：
[0062]
[0063] 如圖3所示，在本發(fā)明的另一個(gè)具體實(shí)施例中，
[0064] 算法的具體計(jì)算過(guò)程如下：
[0065] 第一步:輸入待識(shí)別的人臉圖像；
[0066] 第二步:對(duì)輸入的人臉圖片進(jìn)行預(yù)處理，得到相同尺寸的灰度圖像；
[0067] 第S步:按照下列公式提取待識(shí)別人臉圖像的皿LBP特征，得到對(duì)應(yīng)的特征圖像；
[0068] 根據(jù)輸入的灰度圖像，按照如下計(jì)算g的公式計(jì)算出g的取值，然后利用HDLBP特征 的計(jì)算公式對(duì)灰度圖像自左向右，自上而下進(jìn)行掃描，對(duì)于每一次i，j的取值都有一個(gè)對(duì)應(yīng) 的特征值，由特征值組成的圖像即是特征圖像。
[0069]
[0070]
[0071]
[0072] 第四步:提取特征圖像的直方圖，得到對(duì)應(yīng)的特征向量；
[0073] 根據(jù)輸入的特征圖像，將圖像中所有的像素點(diǎn)按照其灰度值的大小進(jìn)行升序排 序，然后統(tǒng)計(jì)具有相同灰度值的像素點(diǎn)出現(xiàn)的次數(shù)，得到一個(gè)n*l序列，即特征向量，其中n 表示特征圖像中不同灰度值的個(gè)數(shù)，直方圖的計(jì)算公式如下：
[0074] h(i)=gi iG(l,n)
[0075] 其中h(i)表示灰度值為gi的像素點(diǎn)的個(gè)數(shù)。
[0076] 第五步：在建立的特征數(shù)據(jù)庫(kù)上，W歐氏距離為衡量，利用最鄰近分類法進(jìn)行識(shí) 別；
[0077] n維空間中的歐氏距離計(jì)算公式如下：
[007引
[0079] 其中Xik和X2k分別是n維向量Xi和X2的第k為分量。最近鄰分類法:將待分類數(shù)據(jù)，按 照距離劃分到與其距離最近的樣本所在的類中。
[0080] 利用歐氏距離的公式計(jì)算出特征向量與特征數(shù)據(jù)庫(kù)中所有樣本的歐氏距離，其中 具有最小距離的樣本即是識(shí)別的結(jié)果。其中，cT是特征向量Xk與數(shù)據(jù)庫(kù)中第m個(gè)樣本yk的歐 氏距離。
[0081]
[0082] 第六步:輸出識(shí)別的結(jié)果。
[0083] 如圖4所示，利用0化人臉庫(kù)和YALE人臉庫(kù)進(jìn)行實(shí)驗(yàn)，0化人臉庫(kù)由劍橋大學(xué)媒體 AT&T實(shí)驗(yàn)室創(chuàng)建的。該庫(kù)包括40類人臉，每類10幅，大小為112 X 92的灰度圖像。所有的圖像 都有相似的暗背景，同一人的不同圖像是在不同時(shí)間、不同光照、不同頭部姿態(tài)、不同表情 和不同細(xì)節(jié)下拍攝而成的;YALE人臉庫(kù)是美國(guó)耶魯大學(xué)建立的一個(gè)人臉數(shù)據(jù)庫(kù)，該庫(kù)包含 15個(gè)人，每人11幅，包括不同表情、不同光照方向W及細(xì)節(jié)變化等。將人臉庫(kù)統(tǒng)一分為測(cè)試 樣本和實(shí)驗(yàn)樣本，對(duì)于ORL人臉庫(kù)，測(cè)試樣本:實(shí)驗(yàn)樣本=5:5;對(duì)YALE人臉庫(kù)，測(cè)試樣本:實(shí) 驗(yàn)樣本=6:5。
[0084] 實(shí)驗(yàn)結(jié)果如下表所示。
[0085]
[0086] 由上可見:不論是在YALE人臉庫(kù)還是在WL人臉庫(kù)上，高維局部二值模式算法的識(shí) 別率都要高于傳統(tǒng)局部二值模式。
[0087] 針對(duì)傳統(tǒng)局部二值模式的人臉識(shí)別算法不能提取全局特征的缺點(diǎn)，提出了一種基 于高維局部二值模式的人臉識(shí)別算法。本算法相對(duì)于傳統(tǒng)的局部二值模式算法，大大的提 高了算法的識(shí)別率。
[0088] 如圖5所示，本發(fā)明實(shí)施例的高維局部二值模式人臉識(shí)別系統(tǒng)，用于實(shí)現(xiàn)本發(fā)明實(shí) 施例的高維局部二值模式人臉識(shí)別算法，包括：
[0089] 圖像預(yù)處理單元，用于獲取人臉圖像，并對(duì)其進(jìn)行預(yù)處理得到相同尺寸的灰度圖 像；
[0090] HDLBP特征提取單元，用于對(duì)預(yù)處理后的灰度圖像進(jìn)行皿LBP特征提取，得到對(duì)應(yīng) 的特征圖像；
[0091] 特征向量提取單元，用于提取特征圖像的直方圖，得到對(duì)應(yīng)的特征向量；
[0092] 圖像識(shí)別單元，用于根據(jù)特征向量與特征數(shù)據(jù)庫(kù)中的信息進(jìn)行比較，得到識(shí)別結(jié) 果。
[0093] 應(yīng)當(dāng)理解的是，對(duì)本領(lǐng)域普通技術(shù)人員來(lái)說(shuō)，可W根據(jù)上述說(shuō)明加 W改進(jìn)或變換， 而所有運(yùn)些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種高維局部二值模式人臉識(shí)別算法，其特征在于，包括以下步驟： 51、 獲取人臉圖像，并對(duì)其進(jìn)行預(yù)處理得到相同尺寸的灰度圖像； 52、 對(duì)預(yù)處理后的灰度圖像進(jìn)行HDLBP特征提取，得到對(duì)應(yīng)的特征圖像； 53、 提取特征圖像的直方圖，得到對(duì)應(yīng)的特征向量； 54、 根據(jù)特征向量與特征數(shù)據(jù)庫(kù)中的信息進(jìn)行比較，得到識(shí)別結(jié)果。2. 根據(jù)權(quán)利要求1所述的高維局部二值模式人臉識(shí)別算法，其特征在于，步驟Sl中預(yù)處 理得到灰度圖像的方法具體為： 設(shè)人臉灰度圖像的局部紋理V的分布為：其中，g。代表窗口的中心閾值，ρ(? = 〇,2...ρ-1)表示各領(lǐng)域像素點(diǎn)的灰度值，p表示領(lǐng) 域點(diǎn)個(gè)數(shù)，g表示人臉灰度圖像的灰度均值，計(jì)算公式為：其中，mXn是灰度圖像的大小，g(i j)是圖像中每一個(gè)像素點(diǎn)的灰度值。3. 根據(jù)權(quán)利要求1所述的高維局部二值模式人臉識(shí)別算法，其特征在于，步驟S2中進(jìn)行 HDLBP特征提取的方法具體為： HDLBP描述子在計(jì)算時(shí)，首先延用了經(jīng)典的LBP描述子在窗口內(nèi)的計(jì)算方法，保證了局 部特征;然后對(duì)窗口中心像素點(diǎn)灰度值和人臉灰度圖像的灰度均值運(yùn)用同樣的計(jì)算方法， 保證全局特征;最后將局部特征作為低維，全局特征作為高維整合在一起，計(jì)算的結(jié)果就是 該窗口內(nèi)中心像素點(diǎn)的特征值。4. 根據(jù)權(quán)利要求3所述的高維局部二值模式人臉識(shí)別算法，其特征在于，步驟S2中進(jìn)行 高維和低維融合的方法具體為： 將中心特征作為最高維的分量加入到邊緣特征的二進(jìn)制序列中，使得特征序列向高一 維伸展，擴(kuò)大特征序列包含的信息量;根據(jù)如下公式將低維特征和高維特征融合在一起，使 兩列特征序列變成一列特征序列，并按照二進(jìn)制轉(zhuǎn)十進(jìn)制的方法進(jìn)行計(jì)算即可得到對(duì)應(yīng)的 特征值;計(jì)算公式為：其中，g。代表窗口的中心閾值，ρ(? = 〇,2...ρ-1)表示各領(lǐng)域像素點(diǎn)的灰度值，p表示領(lǐng) 域點(diǎn)個(gè)數(shù)，g表示人臉灰度圖像的灰度均值，計(jì)算公式為：其中，mXn是灰度圖像的大小，g(i j)是圖像中每一個(gè)像素點(diǎn)的灰度值。5. 根據(jù)權(quán)利要求2所述的高維局部二值模式人臉識(shí)別算法，其特征在于，步驟S2中進(jìn)行 HDLBP特征提取的公式為：其中，S函數(shù)如下6. 根據(jù)權(quán)利要求1所述的高維局部二值模式人臉識(shí)別算法，其特征在于，步驟S3中提取 特征圖像的直方圖的方法具體為： 根據(jù)輸入的特征圖像，將圖像中所有的像素點(diǎn)按照其灰度值的大小進(jìn)行升序排序，然 后統(tǒng)計(jì)具有相同灰度值的像素點(diǎn)出現(xiàn)的次數(shù)，得到一個(gè)n* 1序列，即特征向量，其中η表示特 征圖像中不同灰度值的個(gè)數(shù)，直方圖的計(jì)算公式如下： h(i) = gi ie (Ι,η) 其中h(i)表示灰度值為gl的像素點(diǎn)的個(gè)數(shù)。7. 根據(jù)權(quán)利要求1所述的高維局部二值模式人臉識(shí)別算法，其特征在于，步驟S4中得出 識(shí)別結(jié)果的方法具體為： 根據(jù)特征向量與特征數(shù)據(jù)庫(kù)中的信息進(jìn)行比較，以歐氏距離為衡量，利用最鄰近分類 法進(jìn)行識(shí)別。8. -種高維局部二值模式人臉識(shí)別系統(tǒng)，其特征在于，包括： 圖像預(yù)處理單元，用于獲取人臉圖像，并對(duì)其進(jìn)行預(yù)處理得到相同尺寸的灰度圖像； HDLBP特征提取單元，用于對(duì)預(yù)處理后的灰度圖像進(jìn)行HDLBP特征提取，得到對(duì)應(yīng)的特 征圖像； 特征向量提取單元，用于提取特征圖像的直方圖，得到對(duì)應(yīng)的特征向量； 圖像識(shí)別單元，用于根據(jù)特征向量與特征數(shù)據(jù)庫(kù)中的信息進(jìn)行比較，得到識(shí)別結(jié)果。
【文檔編號(hào)】G06K9/00GK106022223SQ201610305175
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月10日
【發(fā)明人】鄧燕妮, 褚四勇, 龔良文, 涂林麗, 尉成勇, 趙東明, 劉小珠, 傅劍
【申請(qǐng)人】武漢理工大學(xué)