专利名称：基于Gabor变换的人脸疲劳序列模式识别系统的制作方法
基于Gabor变换的人脸疲劳序列模式识别系统
技术领域：
本发明属于信息技术应用领域，具体是指一种基于Gabor变换的人脸疲劳序列模 式识别系统。背景技术：
根据美国联邦调查局显示，20%-30%的交通事故都是由于疲劳驾驶所引起的，驾 驶员疲劳检测技术的研究对于预防交通事故有着重要意义。目前驾驶员疲劳检测研究方法可以分成两大类，一类是从驾驶员自身特征出发， 通过某种设备获取驾驶员的生理参数特征或者视觉特征，利用驾驶员在正常状态和疲劳状 态的特征模式不同，采用相应的模式识别技术进行分类判别，从而检测到是否有疲劳产生； 另一类是根据车辆的行为表现间接判断驾驶员是否产生疲劳，在这类技术中，通过传感器 获取车辆在行驶过程中的各种参数，根据车辆行驶过程中的异常情况，如车辆是否超过道 路标识线，速度是否超速，车辆之间的距离是否太近等，通过车辆的异常情况判断驾驶员是 否有疲劳产生。基于视觉特征的疲劳检测技术是利用摄像机和计算机视觉、数字图像处理，模式 识别等技术对视觉特征进行分类识别。当驾驶员疲劳时会出现眼睑运动速度变慢，眼睛睁 开幅度变小，眼睛凝视方向狭窄甚至闭眼等，有的会有频繁点头、打呵欠等，因此可以通过 研究眼睑眨动、眼球运动、头部的位移面部表情等视觉特征进行疲劳检测，而且这种检测方 法是非接触式的，不会给驾驶员带来负担。Gabor小波的核函数与人类视觉系统中简单细胞的视觉刺激响应非常相似，有很 好的空间局部性和方向选择性特征。它在提取目标的局部空间和频率域信息方面具有良好 的特性。Gabor小波对于图像的边缘敏感，能够提供良好的方向选择和尺度选择特性，且对 于光照变化不敏感，由于他们的生物相关性和计算特性，因此Gabor小波被广泛应用于不 同的图像处理应用中，如人脸识别，表情识别等。但目前已有的基于Gabor变换的驾驶员疲 劳状态识别系统一般是基于监视器采集到的单幅脸部图形特征来判别驾驶员是否处于疲 劳驾驶状态，从而导致误判率很高，例如驾驶员偶尔打一个哈欠并不代表其真正的疲劳。
发明内容本发明所要解决的技术问题在于提供一种能有效识别驾驶员是否疲劳的基于 Gabor变换的人脸疲劳序列模式识别系统。本发明采用以下技术方案解决上述技术问题基于Gabor变换的人脸疲劳序列模式识别系统，该系统包括四个部分基于Gabor变换的人脸图像特征抽取利用监视器对驾驶员的脸部图像进行采 集，并将采集得到的数据存入到统一的原始图像数据库中，然后，基于Gabor变换对每一幅 原始脸部图像进行特征抽取，得到对应的人脸特征向量表示，构造人脸特征表示库；基于数据挖掘技术的人脸疲劳序列模式挖掘对采集到的用于疲劳特征序列模式训练的驾驶员脸部疲劳图像序列，通过基于Gabor变换的人脸图像特征抽取，形成驾驶员 脸部疲劳特征向量序列，进而构造疲劳特征序列模式训练数据库S，然后，在此基础上，基于 序列模式挖掘技术挖掘出驾驶员脸部疲劳特征序列模式；基于滑动时间窗技术的人脸图像序列抽取利用给定的用于分段采样的滑动时间 窗Δ T，对监视器实时监控到的驾驶员脸部图像数据流进行采样，形成时间跨度为ΔΤ的采 样脸部图像序列，并通过基于Gabor变换的人脸图像特征抽取，形成驾驶员脸部采样特征 向量序列；基于模式匹配技术的人脸疲劳序列模式识别将得到的驾驶员脸部采样特征向量 序列，与利用基于序列模式挖掘技术挖掘出的驾驶员脸部疲劳特征序列模式，进行序列模 式匹配，从而判定当前驾驶员是否处于疲劳状态。所述基于Gabor变换的人脸图像特征抽取包括假定一副人脸图像为I (x，y)，则 可通过Gabor变换得到该图像在方向u与尺度ν下的Gabor表示为Gv，u (x，y)，其中u e
，ν e
。然后，假定每幅人脸图像的宽度和高度相同，分别为W 和H，通过宽度和高度分别为Lx和Ly的采样窗口，可将整幅人脸图像剖分为T ( = T0^T1)个
小的矩形子图{Lwre
}，其中:T0=+1 ,Γ, =。选择
每个矩形子图的中心点yi,r)作为样本点，从而可将矩形子图LiJ在方向U与尺度V 下的特征值GmrOq.r，Yi, r)。令
测脸部图像η
在方向u与尺度ν下的特征可表示为一个T维0-1向量
再令
，则脸部
图像Ii在尺度ν下的特征可在经过方向融合之后进一步表示为一个T维0-1向量Vi, ν = (Di,.,ο, Diiva, · · ·，Du1)，最后，令不，V={v,’则脸部图像Ii可最终表示为一
个S-I维的多尺度特征向量.
由此，任意一个给定的 人脸图像序列S = <I0, I1, ...，Ilri)可表示为一个多尺度特征向量序列fc/K，.,.,/::〉。所述基于数据挖掘技术的人脸疲劳序列模式挖掘包括对训练集中的每个驾驶 员疲劳图像序列又=(…》..，力>，利用基于Gabor变换的人脸图像特征抽取方 法表示成对应的疲劳特征向量序列《=<■ ,(,...,/,L-P。然后，假定图像t 对应的拍摄时间分别为TQ，T1, ... J,、々 =F^maxiroJi,■··, 7"..,」.} ’则选择二表示 st的序号，从而可得到疲劳特征序列模式训练数据库ρ (<n:V5.>)；在此基础上，基于一个给定的支持度阀值mirusupport，对任意序列α，定义其在5中的支持度计算方式为 support(a,i) = |{<0:·>|(<0 e )Λ(α〔::;)}|’若supporl(ot—、)2min—support,
则称α为一个疲劳序列模式，长度为1的疲劳序列模式简称为1-疲劳序列模式。最后，基 于序列模式挖掘技术，即可挖掘出疲劳特征序列模式训练数据库 中的所有疲劳序列模式 Ψ ；所述基于滑动时间窗技术的人脸图像序列抽取包括假定监视器连续实时采 集到的驾驶员脸部图像数据流为I1, 12，...，Ij,...，定义滑动时间窗大小为时间间隔 ΔΤ，则通过该滑动时间窗即可将上述监视器连续实时采集到的驾驶员脸部图像数据流 分段为离散的驾驶员脸部图像序列；然后，即可针对得到的任意驾驶员脸部图像序列 乃, ‘K,…，，利用基于Gabor变换的人脸图像特征抽取方法表示成对应 的特征向量序列二‘；所述基于模式匹配技术的人脸疲劳序列模式识别包括针对上述得到的当前驾 驶员脸部图像特征向量序列基于模式匹配的方法，将ΓΓ与挖掘得到的疲劳序列模式集 合ψ中的每个疲劳序列模式进行对比，若存在一个Ψ中的疲劳序列模式β为二的子序 列，则通过监视器发布告警信息，提示驾驶员当前已处于疲劳状态。其中，一个序列S = <Sl，S2, . . , Sl>称为另一个序列t = <ti; t2，. . .，tm>的子序列，当且仅当存在一系列整数 1 ^ J1 ^ j2 ^ ... ^ J1 ^ m，使得 本发明的优点在于以监视器连续实时采集到的驾驶员脸部图像数据流数据作为 数据源，基于Gabor变换与数据挖掘技术，提出了一种可快速有效地判定驾驶员当前是否 处于疲劳驾驶状态的人脸疲劳序列模式识别模型，基于该模型的人脸疲劳序列模式识别系 统能实时有效地监控驾驶员当前是否处于疲劳驾驶状态。在该方法中，不是单纯基于单幅 脸部图形特征来判别驾驶员是否处于疲劳驾驶状态，而是基于驾驶员在一段连续时间内的 脸部图形序列，通过判定在该序列中驾驶员的脸部图形特征变化来识别其是否真正处于疲 劳状态，与已有同类方法相比，该方法不但在逻辑上更为合理，而且在性能上也有大幅度提 高，具有非常低的误判率和非常高的准确率，是一种切实可行的驾驶员疲劳检测技术，对于 预防交通事故的发生有着重要意义。
下面参照附图结合实施例对本发明作进一步的描述。图1是本发明的基于Gabor变换的人脸疲劳序列模式识别系统框架图。图2是本发明的一种基于Gabor变换的人脸图像特征抽取算法流程图。图3是本发明的一种基于序列模式挖掘技术的人脸疲劳序列模式挖掘算法流程 图。图4是本发明的一种基于滑动时间窗技术的驾驶员疲劳序列模式实时识别算法 流程图。
具体实施方式本发明提出一种可实时快速判定驾驶员是否处于疲劳驾驶状态的基于Gabor变 化与序列模式挖掘技术的人脸疲劳序列模式识别模型，在该模型中，为了实现最终的人脸 疲劳序列模式识别，首要解决的问题是如何构建人脸图像的特征表示模型和特征表示库， 以期利用此特征表示模型和特征表示库能方便的对人脸图像进行数学表示。其次是如何找 到一种快速合适的方法对造成疲劳图像序列数据进行疲劳序列模式提取，使得可基于驾驶 员的疲劳图像序列数据进行训练，并最终得到驾驶员处于疲劳驾驶状态时的疲劳特征序列 模式集。再次是如何将监视器连续实时采集到的脸部图像数据流离散化为脸部图像序列， 以便能基于前面得到的疲劳特征序列模式集进行驾驶员当前状态的识别处理。最后一个问 题是如何设计一种有效的方式基于前面得到的疲劳特征序列模式集对当前得到的驾驶员 脸部图像序列进行模式匹配，使得系统能页利识别驾驶员当前是否处于疲劳驾驶状态。图1所示为基于Gabor变换的人脸疲劳序列模式识别系统框架图，其中详细展示 了基于Gabor变换的人脸疲劳序列模式识别系统所包括的四个部分，其中每个部分产生的 结果作为下一个部分数据处理的对象。
第一个部分进行的是基于Gabor变换的人脸图像特征抽取，得到原始人脸图像所 对应的Gabor特征向量表示，并将训练库中的疲劳图像序列转换为Gabor疲劳特征向量序 列，在第二部分中经过为每个Gabor疲劳特征向量序列增加序号的预处理以后，形成原始 疲劳特征序列数据库，随后采用序列模式挖掘技术，最终得到疲劳特征序列模式集，形成分 类器。第三部分，在接下来的对监视器实时连续采集的驾驶员脸部图像数据流的疲劳状态 识别中，根据滑动时间窗对监视器实时连续采集的驾驶员脸部图像数据流进行采样，得到 驾驶员的当前脸部图像序列。第四部分，对得到的驾驶员的当前脸部图像序列，利用Gabor 变换得到对应的Gabor特征序列，再通过将得到的对应的Gabor特征序列与疲劳特征序列 模式集中的疲劳特征序列模式进行模式匹配，对驾驶员当前是否处于疲劳驾驶状态进行模 式识别。图2为一种基于Gabor变换的人脸图像特征抽取算法流程图。令i表示复数符号，U，ν分别表示Gabor小波的方向与尺度，K表 示方向的总个数，Il . Il表示范数操作符，则基于二维Gabor小波的核函数
知㈣)=竽哪(-鸣近一—读-⑦)广印，，釦，其中，《广
.v" ,
度V和方向U下对应的Gabor表示为 再假定每幅人脸图像的宽度和高度相同，分别为W和H，通过宽度和高度分别为 1^和Ly的采样窗口，可将整幅人脸图像剖分为T
)个小的矩形子图ILi^re [O,
Iu r)作为样本点，从而可将矩形子图Lu在方向U与尺度V下的特征值Gi, v, u,r(Xi,r,yi,r)0
则脸部图像Ii在方向u与尺度ν下的特征可表
示为一个 T 维 0-1 I^fi Vijvju = (TijVjUj0(xij0, Yijο)，TijVjUjl(xia, yia)，· · ·，TijVjUjT(xijT_i; Yij η))，再令:
,则脸部图像Ii在尺度ν下的特征可在经
过方向融合之后进一步表示为一个T维0-1向量Vi,v = (Dij Vj0, Dijva, ...，Di,^),最 后，令石
，则脸部图像Ii可最终表示为一个S-I维的多尺度特征向量由此，任意一个给定的人脸图像序列S = <1。， 11，...，^可表示为一个多尺度特征向量序列炉'=<>。完成这些预备工作后，正式的算法流程分为以下步骤步骤Al 对每幅人脸图像Ii，经过Gabor变换得到其在方向u与尺度ν下对应的 Gabor表示图像；步骤Α2 针对得到的在方向u与尺度ν下的Gabor表示图像，基于采样窗口将整 幅图像剖分为T(ZTc^T1)个小的矩形子图ILi^re
}；步骤A3 选择每个矩形子图的中心点Yi, r)作为样本点，从而可将矩形子图 L^在方向u与尺度ν下的特征值GmJxiY Yi, r)；步骤A4 基于G^m (Xi,r, Yi,r)，得到人脸图像Ii在方向u与尺度ν下对应的特正
向里 Vi, V，u — (Ti, v，u，0 (Xi，0，yi，0)，Ti, ν, U, 1 (Xi’ 1，Υ , )，· · ·，^i, v, u, χ (Xi, Τ—1，Yi, T-l))；步骤A5 在经过方向融合之后，得到脸部图像Ii在尺度ν下对应的特征向量Vi, v
—(Di，v，0，Di7v7l，· · ·，Di, V, T-l)；步骤A6 基于Vi, v = (Di^0, Diiva, ...，D^^)，得到脸部图像Ii对应的多尺度特 征向量步骤Α7:算法终止。由此，任意一个给定的人脸图像序列S = <I0, I1, ... , D可表示为一个多尺度 特征向量序列Z 二 </丨Vi,...,〔一。图3为一种基于序列模式挖掘技术的人脸疲劳序列模式挖掘算法流程图。针对选定的由驾驶员疲劳图像序列构成的训练库，首先，通过基于Gabor变换 的人脸图像特征抽取算法，将任意一个给定的疲劳图像序列S = Otl, I1,‘,表 示为一个多尺度特征向量序列圹=</;:\i:‘,。然后，假定图像^ /丨’,…，/:;^对应 的拍摄时间分别为TQ，T1,...，乙，令二 max{ro, Γ丨.，厂，则选择Γ「表示St 的序号，从而可得到疲劳特征序列模式训练数据库^={<7V.,S:‘>}。在此基础上，基于一 个给定的支持度阀值mirusupport，对任意序列α，定义其在: ·中的支持度计算方式为support(a,) = I{<Tr ,5:'>| (<rr' ,5. >e S)A(a c5.")}| ,^fsupport(ot,5) > min_support,
则称α为一个疲劳序列模式，长度为1的疲劳序列模式简称为1-疲劳序列模式。最后，基 于序列模式挖掘技术，即可挖掘出疲劳特征序列模式训练数据库 中的所有疲劳序列模式 Ψ。基于以上准备工作，基于序列模式挖掘技术的人脸疲劳序列模式挖掘算法的步骤具体 如下步骤Bl 构造疲劳特征序列数据库 ;步骤Bll 将疲劳图像序列& = </:-.、. — !，/: 一表示为Gabor疲劳特征序 列>；步骤Β12 通过为每个Gabor疲劳特征序列f:增加序号(，将Gabor疲劳特征序列 表示为形式；从而构造疲劳特征序列数据库戶{ <r:\S>)；步骤B2:扫描9得到所有的频繁项(即1-序列模式)Xl，X2, ... , xn,同时收 集每个Xi的支持度Supporti,假定得到的1-序列模式集为L1 = <Xl，X2, ... , xn>，其 中，L1中的各个1-序列模式Xl，x2, . . . , xn是按照各自的支持度的降序排列的，即有 Support1 ^ support2 ^ . . . ^ Supportn ；步骤B3 :F0R(k = 2 ；Llrl Φ Φ ；k++) DO BEGIN ；/y^M B4 :Ck = fatigue-sequential-patterns-candidates-generate (L^1)；步骤B5 :F0R each<7r.,5y> e DO ；步骤B6 对Ck中的每个候选序列，若其为S「的一个子序列，则将该候选序列的支 持度加1 ；步骤B7 令Lk = {Ck中支持度大于等于mirusupport的候选序列}；步骤B8 =END ；步骤B9 返回UKLk中的最大序列子算法 fat igue-sequential-patterns-candi dates-generate (L^1)白勺步骤如 下步骤Cl (连接阶段)通过将Llri与自身连接，形成候选的k-疲劳序列模式集，其 中，Lk—与自身连接的方式如下对“―中的两个(k-l)_疲劳序列模式81与82，若通过删除S1中的第一个项(item) 与删除S2的最后一个项所得到的子序列是相同的，则称这两个序列S1与S2是可连接的。由 此，通过将S2的最后一个项添加到S1中，可得到一个新的候选k-疲劳序列模式。由于S2的 最后一个项可能为S2中的一个单独的项集(itemset)，也可能为S2中最后一个项集中的最 后一个项，因此，在通过将Llri与自身连接时，除了需要将S2的最后一个项作为一个单独的 项集添加到S1中来构造一个新的候选k-疲劳序列模式之外，还需要将S2的最后一个项作为 S1中的最优一个项集中的最后一个项添加到S1中来构造另一个新的候选k-疲劳序列模式；步骤C2 (剪枝阶段)在上述得到的所有候选k_疲劳序列模式中，若某个候选 k_疲劳序列模式具有一个支持度小于mirusupport的(k_l)-子序列，则删除该候选k_疲 劳序列模式。图4是一种基于滑动时间窗 技术的驾驶员疲劳序列模式实时识别算法流程图。该算法针对监视器实时采集的连续的驾驶员脸部图像数据流数据，首先通过选定的滑动时间窗口大小得到当前的驾驶员脸部头像序列，其中，图像序列的时间跨度为滑动 时间窗口的大小。然后，利用基于Gabor变换的人脸图像特征抽取算法得到对应的Gabor 特征序列。 本发明以监视器连续实时采集到的驾驶员脸部图像数据流数据作为数据源，基 于Gabor变换与数据挖掘技术，提出了一种可快速有效地判定驾驶员当前是否处于疲劳驾 驶状态的人脸疲劳序列模式识别模型，基于该模型的人脸疲劳序列模式识别系统能实时有 效地监控驾驶员当前是否处于疲劳驾驶状态。在该方法中，不是单纯基于单幅脸部图形特 征来判别驾驶员是否处于疲劳驾驶状态，而是基于驾驶员在一段连续时间内的脸部图形序 列，通过判定在该序列中驾驶员的脸部图形特征变化来识别其是否真正处于疲劳状态，与 已有同类方法相比，该方法不但在逻辑上更为合理，而且在性能上也有大幅度提高，具有非 常低的误判率和非常高的准确率，是一种切实可行的驾驶员疲劳检测技术，对于预防交通 事故的发生有着重要意义。
10
权利要求
基于Gabor变换的人脸疲劳序列模式识别系统，其特征在于该系统包括四个部分基于Gabor变换的人脸图像特征抽取利用监视器对驾驶员的脸部图像进行采集，并将采集得到的数据存入到统一的原始图像数据库中，然后，基于Gabor变换对每一幅原始脸部图像进行特征抽取，得到对应的人脸特征向量表示，构造人脸特征表示库；基于数据挖掘技术的人脸疲劳序列模式挖掘对采集到的用于疲劳特征序列模式训练的驾驶员脸部疲劳图像序列，通过基于Gabor变换的人脸图像特征抽取，形成驾驶员脸部疲劳特征向量序列，进而构造疲劳特征序列模式训练数据库S，然后，在此基础上，基于序列模式挖掘技术挖掘出驾驶员脸部疲劳特征序列模式；基于滑动时间窗技术的人脸图像序列抽取利用给定的用于分段采样的滑动时间窗ΔT，对监视器实时监控到的驾驶员脸部图像数据流进行采样，形成时间跨度为ΔT的采样脸部图像序列，并通过基于Gabor变换的人脸图像特征抽取，形成驾驶员脸部采样特征向量序列；基于模式匹配技术的人脸疲劳序列模式识别将得到的驾驶员脸部采样特征向量序列，与利用基于序列模式挖掘技术挖掘出的驾驶员脸部疲劳特征序列模式，进行序列模式匹配，从而判定当前驾驶员是否处于疲劳状态。
2.如权利要求1所述的基于Gabor变换的人脸疲劳序列模式识别系统，其特征在于 所述基于Gabor变换的人脸图像特征抽取包括假定一副人脸图像为I (x，y)，则可通过Gabor变换得到该图像在方向u与尺度v下的Gabor表示为Gv,u(x，y)，其中u G
，v G
。然后，假定每幅人脸图像的宽度和高度相同，分别为W 和H，通过宽度和高度分别为“和Lv的采样窗口，可将整幅人脸图像剖分为T( = T。*!^个g
}，其中 + 1;选择每个矩形子图的中心点(Xu，yiJ作为样本点，从而可将矩形子图Lu在方向u与尺度v下的 特征值k^ ( 、 1: //G, (X,,,乃》>0.(Xi,r，yi,r)；令 ’则脸部图像 I,在方向U与尺度V下的特征可表示为一个T维0-1向量V^u = (Tm。(Xi,0, yi,0)，Ti.m (Xu，Yi,i)，…，Ti7V,u, T(xi T_1 yi,T-i))，再令: ，则脸部图像1在尺度v下的特征可在经过方向融合之后进一步表示为一个T维0-1向量、，=D^h)，最后，令 测脸部图像L可最终表示为一个S-1维的多尺度特征向量=({0,足()},{1,；由此，任意一个给定的人脸图像序列S = <I0, Ii，. . .，In_i>可表示为一个多尺度特征向量序列卜/丨’所述基于数据挖掘技术的人脸疲劳序列模式挖掘包括对训练集中的每个驾驶员疲 劳图像序列& =义 …，，…义〉，利用基于Gabor变换的人脸图像特征抽取方法表示成对应的疲劳特征向量序列.:二=<夂，彳，…, ’」:-:>；然后，假定图像/r, 对应的拍摄时间分别为tq，1\，Th...,:}，则选择r/表 示St的序号，从而可得到疲劳特征序列模式训练数据库{<tV_,€>};在此基础上， 基于一个给定的支持度阀值min_support，对任意序列a，定义其在s中的支持度计算方 式为 support(a,0 = |{<7*厂，5>| (<r.",5； > e 5)a( )}丨，若 support(a，S)彡 min_ support，则称a为一个疲劳序列模式，长度为1的疲劳序列模式简称为1-疲劳序列模式。 最后，基于序列模式挖掘技术，即可挖掘出疲劳特征序列模式训练数据库S中的所有疲劳 序列模式▽；所述基于滑动时间窗技术的人脸图像序列抽取包括假定监视器连续实时采集到 的驾驶员脸部图像数据流为Ip 12，..，Ij,...定义滑动时间窗大小为时间间隔AT， 则通过该滑动时间窗即可将上述监视器连续实时采集到的驾驶员脸部图像数据流分 段为离散的驾驶员脸部图像序列；然后，即可针对得到的任意驾驶员脸部图像序列 ” 丨一.，:，…，力>，利用基于Gabor变换的人脸图像特征抽取方法表示成对应的特征向量序列二.；所述基于模式匹配技术的人脸疲劳序列模式识别包括针对上述得到的当前驾驶员 脸部图像特征向量序列""S于模式匹配的方法，将尽’与挖掘得到的疲劳序列模式集合 ^中的每个疲劳序列模式进行对比，若存在一个W中的疲劳序列模式0为rr的子序列， 则通过监视器发布告警信息，提示驾驶员当前已处于疲劳状态。其中，一个序列S = <Sl， s2，. . .，Sl>称为另一个序列t = <t:, t2，. . .，tffl>的子序列，当且仅当存在一系列整数 1彡丄彡j2彡…彡丄彡m，使得A^；-，幻^、，…而^.。
全文摘要
基于Gabor变换的人脸疲劳序列模式识别系统，包括四个部分基于Gabor变换的人脸图像特征抽取；基于数据挖掘技术的人脸疲劳序列模式挖掘；基于滑动时间窗技术的人脸图像序列抽取；基于模式匹配技术的人脸疲劳序列模式识别。本发明以通过监视器连续采集到的人脸图像数据流作为数据源，基于Gabor变换，结合序列模式挖掘技术，提出了一种基于Gabor变换的人脸疲劳序列模式识别模型，基于该模型的人脸疲劳序列模式识别系统能有效识别驾驶员的疲劳状态。
文档编号G06K9/46GK101859386SQ201010173888
公开日2010年10月13日 申请日期2010年5月17日 优先权日2010年5月17日
发明者杨海燕, 王桐森, 王雷, 蒋新华 申请人:福建工程学院