復(fù)雜環(huán)境中機(jī)動(dòng)車跟蹤實(shí)時(shí)性算法

楊 樂(lè)， 張長(zhǎng)勇， 徐 萍

(中國(guó)民航大學(xué) a. 基礎(chǔ)實(shí)驗(yàn)中心；b. 航空自動(dòng)化學(xué)院，天津 300300)

?

復(fù)雜環(huán)境中機(jī)動(dòng)車跟蹤實(shí)時(shí)性算法

楊 樂(lè)a， 張長(zhǎng)勇b， 徐 萍b

(中國(guó)民航大學(xué) a. 基礎(chǔ)實(shí)驗(yàn)中心；b. 航空自動(dòng)化學(xué)院，天津 300300)

針對(duì)復(fù)雜環(huán)境中機(jī)動(dòng)車跟蹤問(wèn)題，為克服光照變化、噪聲干擾、其他隨機(jī)運(yùn)動(dòng)物體干擾，提出一種機(jī)動(dòng)車識(shí)別和跟蹤實(shí)時(shí)性算法。首先對(duì)圖像進(jìn)行光照補(bǔ)償減少光照影響，用Surendra算法和三幀差法檢測(cè)運(yùn)動(dòng)目標(biāo)，并建立ROI(感興趣區(qū)域)以縮小Haar識(shí)別范圍提高系統(tǒng)響應(yīng)速度；其次由訓(xùn)練好的級(jí)聯(lián)分類器在ROI范圍內(nèi)識(shí)別機(jī)動(dòng)車，從而保證高檢測(cè)率和低誤檢率；最后利用Camshift算法跟蹤機(jī)動(dòng)車。為驗(yàn)證算法有效性搭建嵌入式系統(tǒng)平臺(tái)，實(shí)驗(yàn)結(jié)果表明在背景復(fù)雜且其他運(yùn)動(dòng)物體干擾下，該算法較使用傳統(tǒng)目標(biāo)跟蹤算法具有更好的魯棒性和實(shí)時(shí)性。

自適應(yīng)光照補(bǔ)償；三幀差法；Haar分類器；Camshift算法；目標(biāo)跟蹤

0 引 言

當(dāng)前，機(jī)動(dòng)車實(shí)時(shí)跟蹤相關(guān)技術(shù)已成為交通智能化研究的一個(gè)重要課題，在道路通行、安全管理等多方面具有重要的研究?jī)r(jià)值和應(yīng)用意義，只有設(shè)計(jì)出具有更好的實(shí)時(shí)性、魯棒性的算法才能克服光照變化、噪聲干擾、隨機(jī)性運(yùn)動(dòng)物體干擾等不確定性因素，實(shí)現(xiàn)復(fù)雜環(huán)境中機(jī)動(dòng)車跟蹤。針對(duì)這一問(wèn)題，國(guó)內(nèi)外有許多不同研究方法：①粒子濾波方法[1-3]抗干擾能力強(qiáng)，可以估計(jì)目標(biāo)狀態(tài)，但存在粒子退化現(xiàn)象且計(jì)算復(fù)雜，穩(wěn)定性和實(shí)時(shí)性差; ②Kalman濾波[4-6]原理簡(jiǎn)單容易操作，但是算法要求運(yùn)動(dòng)狀態(tài)符合高斯分布，而且線性化誤差容易導(dǎo)致濾波精度差; ③光流法[7-8]基于差分，不僅能獲取運(yùn)動(dòng)物體的運(yùn)動(dòng)信息，還能在不知道任何場(chǎng)景信息情況下檢測(cè)出運(yùn)動(dòng)對(duì)象，但是算法實(shí)時(shí)性差，易在復(fù)雜環(huán)境中跟蹤失敗; ④Camshift[9-12]算法能有效解決目標(biāo)變形和遮擋問(wèn)題，但在較復(fù)雜背景下效果不好。綜上所述，關(guān)于機(jī)動(dòng)車實(shí)時(shí)跟蹤的現(xiàn)有各種實(shí)現(xiàn)算法均有其局限性。

為此，本文提出一種結(jié)合三幀差法、Haar分類器和Camshift的機(jī)動(dòng)車跟蹤實(shí)時(shí)性算法，分為運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)分類、機(jī)動(dòng)車跟蹤。算法主要原理為，首先對(duì)圖像進(jìn)行光照補(bǔ)償，根據(jù)Surendra背景更新算法和三幀差法檢測(cè)運(yùn)動(dòng)目標(biāo)并建立感興趣區(qū)域(ROI)；然后載入已訓(xùn)練好的機(jī)動(dòng)車分類器識(shí)別運(yùn)動(dòng)目標(biāo)，若為機(jī)動(dòng)車則標(biāo)記ROI并準(zhǔn)備跟蹤，否則放棄ROI；最后由Camshift算法跟蹤機(jī)動(dòng)車。為驗(yàn)證算法效果，搭建嵌入式系統(tǒng)平臺(tái)，移植算法進(jìn)行實(shí)驗(yàn)。結(jié)果表明算法具有兩大優(yōu)勢(shì)：①具有較好的實(shí)時(shí)性，建立ROI大大縮小了Haar分類識(shí)別范圍，提高了系統(tǒng)運(yùn)行速度，并且合理設(shè)定分類器閾值、制定分類器檢測(cè)策略也使得算法具有較快的反應(yīng)速度；②魯棒性較好，對(duì)圖像光照補(bǔ)償?shù)阮A(yù)處理減少了光照的影響，且在運(yùn)動(dòng)目標(biāo)檢測(cè)得到ROI基礎(chǔ)上進(jìn)行目標(biāo)分類，解決了Haar分類器檢測(cè)率與誤檢率成正比關(guān)系的難題，使算法同時(shí)具有高檢測(cè)率和低誤檢率，而Haar特征提取率高和Camshift跟蹤效果好的特點(diǎn)也進(jìn)一步保證了算法的魯棒性。因此，算法具有較好的實(shí)時(shí)性、魯棒性。

1 基于三幀差法的運(yùn)動(dòng)目標(biāo)檢測(cè)

算法第一步驟為運(yùn)動(dòng)目標(biāo)檢測(cè)。為減少光照影響，先對(duì)圖像進(jìn)行光照補(bǔ)償?shù)阮A(yù)處理，然后提取背景圖像檢測(cè)運(yùn)動(dòng)目標(biāo)。

1.1 圖像預(yù)處理

采用一種自適應(yīng)光照補(bǔ)償方法[13]實(shí)現(xiàn)對(duì)圖像的光補(bǔ)。由于實(shí)際中同時(shí)包含過(guò)亮區(qū)域和過(guò)暗區(qū)域的圖像很少，可以把光補(bǔ)問(wèn)題簡(jiǎn)化為兩個(gè)子問(wèn)題：用對(duì)數(shù)變換對(duì)過(guò)暗圖像進(jìn)行光照補(bǔ)償，用反對(duì)數(shù)變換對(duì)過(guò)亮圖像進(jìn)行光照補(bǔ)償，如式(1)。

(1)

式中：a是圖像可以存在的最小灰度值；b是圖像可以存在的最大灰度值。光照補(bǔ)償后對(duì)圖像中值濾波去除噪聲，并進(jìn)行直方圖均衡，改善圖像質(zhì)量。

1.2 運(yùn)動(dòng)目標(biāo)檢測(cè)

圖像預(yù)處理后，開始檢測(cè)運(yùn)動(dòng)目標(biāo)，具體流程為：

(1) 提取圖像背景。由Surendra背景更新算法，將第一幀圖像作為原始背景，設(shè)定閾值、最大迭代次數(shù)、迭代速度等參數(shù)，求取當(dāng)前幀的幀間差分圖像并二值化處理。用二值化圖像更新背景圖像，迭代次數(shù)加1，直至達(dá)到最大迭代次數(shù)。背景圖像更新方法如式(2)，式中Bi(x,y)、Di(x,y)分別為背景圖像和前景圖像在(x,y)處亮度值，Ii為輸入第i幀圖像，α為更新速度，此時(shí)Bi(x,y)可視為背景圖像；

(2)

(2) 使用三幀差分法檢測(cè)運(yùn)動(dòng)目標(biāo)。先用第k幀圖片減去第k-1幀圖片，得到二值圖像D1(x,y)，再用第k+1幀圖片減去第k幀圖片，得到二值圖像D2(x,y)，最后用D1(x,y)和D2(x,y)進(jìn)行“與”運(yùn)算，得到三幀差圖像D(x,y)。公式如下，其中T為閾值；

(3)

(4)

(5)

(3) 對(duì)三幀差圖像D(x,y)進(jìn)行腐蝕、膨脹形態(tài)學(xué)處理，完成運(yùn)動(dòng)目標(biāo)檢測(cè)并得到ROI。ROI內(nèi)運(yùn)動(dòng)物體是否為機(jī)動(dòng)車，還需進(jìn)一步由Haar級(jí)聯(lián)分類器識(shí)別判斷。

2 基于Haar級(jí)聯(lián)分類器的目標(biāo)分類

一般情況下，復(fù)雜環(huán)境中除機(jī)動(dòng)車外還會(huì)有其他運(yùn)動(dòng)物體，且機(jī)動(dòng)車自身形態(tài)、顏色各異，背景又千差萬(wàn)別，人為地尋找目標(biāo)間的差異和共性十分困難。統(tǒng)計(jì)學(xué)習(xí)的方法能夠借助機(jī)器對(duì)大量樣本進(jìn)行統(tǒng)計(jì)計(jì)算，便于從中找出規(guī)律，挑選出合適的特征進(jìn)行分類，因此算法第二步驟用Haar級(jí)聯(lián)分類器進(jìn)行目標(biāo)分類。首先提取樣本圖像中的Haar特征，對(duì)每一個(gè)特征訓(xùn)練一個(gè)弱分類器并將他們疊加構(gòu)成強(qiáng)分類器，最后將若干個(gè)強(qiáng)分類器串聯(lián)成級(jí)聯(lián)分類器，用于ROI內(nèi)目標(biāo)分類。

2.1 Haar特征及積分圖像法

Viola等[14]提出了類似Haar小波的矩形特征，其值是黑色矩形和白色矩形在圖像子窗口對(duì)應(yīng)區(qū)域的灰度值之和的差，它反映圖像局部的灰度變化。為了能夠盡量使得Haar特征適應(yīng)各種檢測(cè)目標(biāo)的灰度分布，此后的文獻(xiàn)不斷對(duì)其擴(kuò)展，較具代表性的共有15種Haar特征原型，如圖1所示。

為降低Haar特征計(jì)算成本，本文采用積分圖像[15]算法，這種方法在計(jì)算矩形特征時(shí)不必每次重新統(tǒng)計(jì)矩形內(nèi)像素灰度值的和，而只需索引幾個(gè)相應(yīng)點(diǎn)的積分圖像值即可計(jì)算出矩形特征值，計(jì)算時(shí)間也不會(huì)隨矩形大小的變化而變化，為檢測(cè)速度提供保障。

2.2 Aaboost分類器訓(xùn)練

由于在圖像上匹配的Haar特征數(shù)量巨大，本文采用Adaboost算法選擇更好的Haar特征組合，即分類器。每個(gè)Haar特征對(duì)應(yīng)一個(gè)弱分類器，第j個(gè)特征的弱分類器為：

圖1 擴(kuò)展的Haar特征原型

(6)

式中：hj為弱分類器的值；θj為分類閾值；pj用于控制不等號(hào)方向；fj(x)為矩形特征值。通過(guò)對(duì)正負(fù)樣本進(jìn)行分析，選擇分類錯(cuò)誤率εt最低的T個(gè)弱分類器，

最后得到的強(qiáng)分類器為

(7)

這個(gè)強(qiáng)分類器相當(dāng)于讓所有弱分類器投票，再對(duì)投票結(jié)果按照弱分類器的錯(cuò)誤率加權(quán)求和，結(jié)果與平均投票比較并得出最終結(jié)果。由強(qiáng)分類器訓(xùn)練級(jí)聯(lián)分類器方法為：

(1)設(shè)每層最大錯(cuò)誤率為fmax，最小通過(guò)率為d，整個(gè)分類器錯(cuò)誤率為Fmax。初始化F1=1,i=1；

(2)WhileFi>Fmax，使用訓(xùn)練樣本訓(xùn)練第i層，并設(shè)定閾值使誤報(bào)率fiFmax，訓(xùn)練停止，得到級(jí)聯(lián)分類器。

如圖2所示，T為檢測(cè)率，F(xiàn)為誤檢率，每一層對(duì)應(yīng)一個(gè)AdaBoost算法訓(xùn)練得到的強(qiáng)分類器。越靠后的層弱分類器越多，分類性能也越強(qiáng)。檢測(cè)時(shí)圖像ROI只有通過(guò)所有層才能被判斷為正例即機(jī)動(dòng)車；若在其中任一層被判斷為反例即被拋棄。為保證算法運(yùn)行速度，首先應(yīng)合理設(shè)定閾值，令分類器前兩層即排除大量非機(jī)動(dòng)車子窗口，僅留下疑似機(jī)動(dòng)車子窗口參與后續(xù)分類；其次，采用固定被檢ROI大小，縮放檢測(cè)子窗口方法對(duì)圖像遍歷，得到機(jī)動(dòng)車目標(biāo)。

本文算法在第一步檢測(cè)運(yùn)動(dòng)目標(biāo)得到ROI基礎(chǔ)上實(shí)現(xiàn)目標(biāo)分類，不僅有效解決了Haar分類器檢測(cè)率與誤檢率成正比關(guān)系的難題，使得算法具有較高的檢測(cè)率的同時(shí)也有較低的誤檢率；而且對(duì)運(yùn)動(dòng)目標(biāo)初步定位得到ROI，縮小了Haar分類識(shí)別范圍，提高了檢測(cè)速度，很好地滿足了實(shí)際應(yīng)用要求。

3 基于Camshift算法的機(jī)動(dòng)車跟蹤

通過(guò)Haar分類器識(shí)別出ROI內(nèi)運(yùn)動(dòng)目標(biāo)確實(shí)為機(jī)動(dòng)車，下一步就要利用Camshift算法實(shí)現(xiàn)跟蹤。其基本思想是先將一幀視頻圖像轉(zhuǎn)換到HSV空間中，利用H分量生成顏色直方圖，然后反向投影得到顏色概率分布圖，對(duì)每一幀圖像均選取一定大小的搜索窗口，通過(guò)計(jì)算窗口范圍內(nèi)的零階矩和一階矩得到窗口質(zhì)心，將窗口中心移動(dòng)到質(zhì)心。重復(fù)上述步驟，直到窗口中心與質(zhì)心變化范圍小于閾值。

首先計(jì)算目標(biāo)色度分量直方圖，相對(duì)于當(dāng)前幀，計(jì)算搜索窗口二階矩M20，M02，M11，

(8)

利用直方圖計(jì)算輸入圖像的反向投影圖，利用MeanShift算法在反向投影圖中迭代搜索，直到其收斂或達(dá)到最大迭代次數(shù)，并保存零次矩。如滿足下式

(9)

則下一搜索窗口的長(zhǎng)度和寬度分別為

(10)

當(dāng)視頻序列逐幀變化時(shí)，Camshift算法逐幀進(jìn)行處理，實(shí)現(xiàn)對(duì)機(jī)動(dòng)車的跟蹤。

4 實(shí)驗(yàn)平臺(tái)搭建及結(jié)果分析

為驗(yàn)證算法的有效性，搭建嵌入式系統(tǒng)實(shí)驗(yàn)平臺(tái)。將編譯好的程序移植到開發(fā)板，借助OPENCV庫(kù)對(duì)攝像機(jī)視場(chǎng)中正在運(yùn)動(dòng)的機(jī)動(dòng)車實(shí)現(xiàn)動(dòng)態(tài)跟蹤功能，其中分類器訓(xùn)練選取MIT CBCL CAR DATABASE中1000張不同角度的汽車圖片作為正樣本，選用1000張人物、風(fēng)景等其他圖片作為負(fù)樣本。

4.1 嵌入式系統(tǒng)設(shè)計(jì)與開發(fā)環(huán)境

本文嵌入式系統(tǒng)實(shí)驗(yàn)平臺(tái)采用三星S3C2440A處理器， 400 MHz主頻，64 MB內(nèi)存。采用Ubuntu12.04為系統(tǒng)軟件開發(fā)平臺(tái)，軟件開發(fā)采用交叉編譯方式，使用arm-linux-gcc4.3.3交叉編譯器，程序主要由C語(yǔ)言寫成。 CCD攝像機(jī)通過(guò)攝像機(jī)模塊接入開發(fā)板，采集到的模擬信號(hào)經(jīng)解碼變?yōu)閿?shù)字信號(hào)被CPU處理，實(shí)現(xiàn)目標(biāo)跟蹤功能，最后將處理好的圖像經(jīng)過(guò)網(wǎng)絡(luò)傳輸?shù)接?jì)算機(jī)顯示。

4.2 實(shí)驗(yàn)結(jié)果及分析

復(fù)雜環(huán)境中可能對(duì)機(jī)動(dòng)車跟蹤產(chǎn)生影響的因素主要包括：靜止不動(dòng)的機(jī)動(dòng)車目標(biāo)，以及運(yùn)動(dòng)的非機(jī)動(dòng)車目標(biāo)，如行人、自行車等。為此，選取校園和小區(qū)內(nèi)兩個(gè)實(shí)驗(yàn)地點(diǎn)，根據(jù)四種不同環(huán)境情況共進(jìn)行8組實(shí)驗(yàn)。四種不同環(huán)境情況分別為：①攝像機(jī)視場(chǎng)中非機(jī)動(dòng)車運(yùn)動(dòng)物體(自行車、行人等)較少，且靜止停放車輛較少；②攝像機(jī)視場(chǎng)中非機(jī)動(dòng)車運(yùn)動(dòng)物體較少，但靜止停放機(jī)動(dòng)車較多；③攝像機(jī)視場(chǎng)中非機(jī)動(dòng)車運(yùn)動(dòng)物體較多，但停放車輛較少；④攝像機(jī)視場(chǎng)中非機(jī)動(dòng)車運(yùn)動(dòng)物體較多，且靜止停放車輛也較多。每組實(shí)驗(yàn)車輛均為100輛次，分別統(tǒng)計(jì)檢測(cè)率、誤檢率、系統(tǒng)耗時(shí)等，實(shí)驗(yàn)效果如圖3、圖4，統(tǒng)計(jì)結(jié)果分別如表1、表2所示。

(a)攝像機(jī)跟蹤圖像(b)提取背景(c)反向投影圖像(d)直方圖

圖3 小區(qū)內(nèi)機(jī)動(dòng)車跟蹤結(jié)果

由表1、表2可見，①雖然實(shí)驗(yàn)地點(diǎn)和環(huán)境不同，但8組實(shí)驗(yàn)結(jié)果基本一致，不同條件下算法檢測(cè)率均較高，驗(yàn)證了算法的魯棒性；②系統(tǒng)耗時(shí)短，算法實(shí)時(shí)性好；③背景提取效果較好，背景復(fù)雜度對(duì)實(shí)驗(yàn)結(jié)果基本沒(méi)有影響；④運(yùn)動(dòng)物體過(guò)多會(huì)增加誤檢率，但誤檢率整體較低，小于5%。

(a)攝像機(jī)跟蹤圖像(b)提取背景(c)反向投影圖像(d)直方圖

圖4 校園內(nèi)機(jī)動(dòng)車跟蹤結(jié)果

5 結(jié) 語(yǔ)

為實(shí)現(xiàn)復(fù)雜環(huán)境中機(jī)動(dòng)車實(shí)時(shí)性跟蹤，本文提出結(jié)合三幀差法、Haar分類和Camshift算法的機(jī)動(dòng)車檢測(cè)、跟蹤算法。實(shí)驗(yàn)證明三幀差法應(yīng)用簡(jiǎn)單、實(shí)時(shí)性好，提取ROI能夠縮小Haar分類識(shí)別范圍提高算法運(yùn)行速度；而Haar特征提取效率高，在ROI范圍內(nèi)的分類識(shí)別保證了算法同時(shí)具有高檢測(cè)率和低誤檢率；Camshift算法具有很好的跟蹤效果，三者結(jié)合起來(lái)確保了算法的魯棒性和實(shí)時(shí)性。但是該算法在運(yùn)動(dòng)物體干擾較多時(shí)誤檢率增加，需進(jìn)一步研究改進(jìn)。

[1] 郝志成.決策主導(dǎo)的多模式融合目標(biāo)跟蹤算法[J].儀器儀表學(xué)報(bào),2013,34(3):487-493.

[2] 許倫輝,叢曉野.改進(jìn)粒子濾波對(duì)人物跟蹤的應(yīng)用[J].計(jì)算機(jī)仿真,2014,31(1):344-347,387.

[3] 朱良誼,王 慶.一種基于粒子濾波的優(yōu)化目標(biāo)跟蹤算法研究[J].西北工業(yè)大學(xué)學(xué)報(bào),2013,31(6):967-973.

[4] 朱志玲,阮秋琦.結(jié)合尺度不變特征變換和Kalman濾波的Mean Shift視頻運(yùn)動(dòng)目標(biāo)跟蹤[J].計(jì)算機(jī)應(yīng)用,2013,33(11):3179-3182,3243.

[5] 侯 靜,景占榮,羊 彥.遠(yuǎn)距離干擾環(huán)境下目標(biāo)跟蹤的擴(kuò)展卡爾曼粒子濾波算法[J].電子與信息學(xué)報(bào),2013,35(7):1587-1592.

[6] Culpepper B J, Sohl-Dickstein J. Building a better probabilistic model of images by factorization[C]//Proceedings of the 2011 IEEE International Conference on Computer Vision(ICCV), Barcelona, Spain:IEEE, 2011:2011-2017.

[7] 袁國(guó)武,陳志強(qiáng),龔 健，等.一種結(jié)合光流法與三幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].小型微型計(jì)算機(jī)系統(tǒng),2013,34(3):668-671.

[8] 李劍峰,黃增喜,劉怡光.基于光流場(chǎng)估計(jì)的自適應(yīng)Mean-Shift目標(biāo)跟蹤算法[J].光電子激光,2012,23(10):1996-2002.

[9] 王景武,王玉德,王東方.改進(jìn)的Camshift與Kalman融合的目標(biāo)跟蹤算法[J].電子技術(shù),2014,1:11-13.

[10] 申鉉京,張 博.基于圖像矩信息的Camshift視覺(jué)跟蹤算法[J].北京工業(yè)大學(xué)學(xué)報(bào),2012,38(1):105-109.

[11] 劉海洋,劉元安,高錦春,等.基于發(fā)布訂閱結(jié)構(gòu)的計(jì)算機(jī)視覺(jué)跟蹤研究[J].計(jì)算機(jī)學(xué)報(bào),2012,35(8):1767-1773.

[12] Agudo A, Calvo B. FEM models to code non-rigid EKF monocular SLAM[C]//Proceedings of the 2011 IEEE International Conference on Computer Vision(ICCV), Barcelona, Spain:IEEE, 2011:1586-1593.

[13] 鄭偉華,戴 永.自適應(yīng)同態(tài)對(duì)數(shù)光照補(bǔ)償[J].中國(guó)圖像圖形學(xué)報(bào),2011,16(8):1429-1436.

[14] Viola Paul, Jones Michael, Snow Daniel. Detecting pedestrians using patterns of motion and appearance[J]. International Journal of Computer Vision, 2005, 65(2):153-161.

[15] Oro D, Fernandez C. Real-time GPU-based face detection in HD video sequences[C]//Proceedings of the 2011 IEEE International Conference on Computer Vision(ICCV), Barcelona, Spain:IEEE, 2011:530-537.

Real-time Tracking Algorithm of Vehicle in Dense Clutter

YANGLea,ZHANGChang-yongb,XUPingb

(a.Basic Experiment Center, b.Aeronautical Automation College,Civil Aviation University of China, Tianjin 300300, China)

A speedy algorithm was proposed to aim at the problem of vehicle tracking in dense clutter. Firstly, illumination compensation was used on video to reduce illumination effects. The moving target was detected with Surendra algorithm and three-frame-difference method. The ROI was established to narrow the identified range of Haar classifier and used to improve efficiency of the algorithm. Secondly, the moving vehicle was identified in ROI by the cascade classifier with the high detection rate but low false detection rate. Thirdly, the moving vehicle was tracked with the Camshift algorithm. An embedded system platform was established to verify the effect of algorithm. Experimental results showed that the algorithm had good reliability and robustness, high detection rate and low false detection rate compared with single traditional algorithm.

adaptive illumination compensation; three-frame-difference method; Haar classifier; Camshift algorithm; target tracking

2014-05-19

中央高校基本科研業(yè)務(wù)費(fèi)(ZXH2012D012)

楊 樂(lè)(1982-)，男，天津人，碩士，實(shí)驗(yàn)師，主要研究方向?yàn)閳D像處理。Tel.:13642018020;E-mail:l-yang@cauc.edu.cn

TP391.4

A

1006-7167(2015)01-0130-04