一种基于运动向量轨迹的快速物体分割和追踪方法
【专利摘要】本发明涉及一种基于运动向量轨迹的物体分割和追踪方法，其步骤包括：解码待测的压缩视频，遍历待测视频的各视频帧以获取宏块的运动向量及残差信息，判别出表示宏块真实运动的运动向量并作为可信运动向量；利用可信运动向量在图像组中的三角形法则构造各视频帧的运动向量流；基于运动向量流，利用最大重叠准则匹配对应的宏块，得到基于宏块的运动轨迹；计算各宏块的运动轨迹间的最长相似距离；利用最长相似距离对宏块的运动轨迹进行聚类；通过宏块在空间的邻域相关性，判定同一类宏块运动轨迹是否属于同一物体；根据属于同一物体的宏块运动轨迹，得到该物体的运动轨迹。本发明能够同时实现物体分割和轨迹追踪，能够保证正确性并大幅提高计算效率。
【专利说明】
一种基于运动向量轨迹的快速物体分割和追踪方法
技术领域
[0001 ] 本发明涉及视频监控(Video Surveillance)方法，尤其涉及一种基于运动向量轨 迹的物体分割和追踪方法，以及该方法在压缩域的视频监控上的应用，该方法属于计算机 视觉领域的视频监控子领域。
【背景技术】
[0002] 近年来，作为一种经济有效的异常检测和安全防护方法，视频监控在各领域都得 到了广泛的应用，例如病人监护、交通监测、安防监察等。视频监控的实现通常包括物体检 测分割、物体追踪和运动识别分析三个部分，其中，物体分割和追踪方法是视频监控的关键 技术。
[0003] 随着视频压缩技术和高性能网络的快速发展，在视频监控中，高质量视频的传输 和存储得以实现。目前大多数的视频监控系统采用像素域的物体分割和追踪技术，但是像 素域技术的计算和时间开销普遍较大，不利于实际应用中的实时检测。因此，提出一种快速 准确的压缩域物体分割和追踪方法具有重要意义。
[0004] 现有的像素域算法一般通过背景消除的方法提取运动物体，然后使用卡尔曼滤波 器(Kalman filter)或粒子滤波器（particle filter)建立物体在若干帧中的关联。如 E1gamma1(A.E1gamma1,D.Harwood,and L.Davis,Nonparametric model for background subtraction,IEEE European Conference on Computer Vision,vol.1843,pp.751-767, June.2000.),KaewTraKulPong(P.KaewTraKulPong and R.Bowden,An improved adaptive background mixture model for real-time tracking with shadow detection,Video-Based Surveillance Systems,vol.1843,pp.135-144,Sept.2002.),Maddalena (L.Maddalena and A.Petrosino,The sobs algorithm:What are the limits?,IEEE Computer Society Conference on Computer Vision and Pattern Recognitionfforkshops,pp.21-26,June.2012.),Hofmann(M.Hofmann,P.Tiefenbacher, and G.Rigoll,Background segmentation with feedback:The pixel-based adaptive segmenter,IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops,pp.38-43,Jun.2012.),Barnich(0.Barnich and M.Droogenbroeck,Vibe:A universal background subtraction algorithm for video sequences,IEEE Transactions on Image Processing,vol.20,no.6,pp.1709-1724, Jun. 2011.)等提出的像素域的物体分割方法。此类方法以较高的计算复杂度为代价换取较 高的检测精度。
[0005] 另一方面，在实时轻量化的应用场景下，压缩域算法更为可行。此类方法大都使用 运动向量（Mot ion Vector，MV)实现物体分割和追踪。例如，Babu和Ramakr i shnan (R.V.Babu,K.R.Ramakrishnan,and S.H.Srinivasan,Video object segmentation:a compressed domain approach，IEEE Transactions on Circuits and Systems for Video Technology，vol. 14，no .4，pp .462-474,Apr. 2004.)在密集运动向量域提出 了一种 运动累积和空间插值的方法用于实现物体分割。Zeng等（W ? Zeng，J ? Du，W ? Gao，and Q. Huang,Robust moving object segmentation on h.264/avc compressed video using the block-based mrf model,Real-Time Imaging,vol.11,no.4,pp.290C299,Aug.2005.) 设计了一种马尔科夫随机场(Markov Random Field,MRF)模型，完成基于稀疏运动向量域 的运动物体提取。Liu等（Z.Liu，Z.Zhang，and L. Shen,Moving object segmentation in the h.264compressed domain,Optical Engineering,vol.46,no.1,pp.017003-017003-5，加11.2007.)通过归一化合并运动向量将视频帧划分为均质区域。1( &口(^&8和51^(^&8 (S.K.Kapotas and A.N.Skodras,Moving object segmentation in the h.264compressed domain,IEEE International Conference on Imaging Systems and Techniques，pp. 325-328，Jul. 2010.)使用运动向量和多重宏块尺寸进行运动物体检测。 Tom和Babu(M?Tom and R.V.Batu,Fast moving-object detection in h.264/avc compressed domain for video surveillance,IEEE National Conference on Computer Vision,Pattern Recognition,Image Processing and Graphics,pp.1-4,Dec.2013. 用量化参数和空间中值滤波实现快速运动检测。为了追踪运动物体，Lie等(W.N.Lie and R. L.Chen,Tracking moving objects in mpeg-compressed videos,IEEE International Conference on Multimedia and Expo,p.245,Aug.2001.)建议连接不同视频帧中的对应 宏块，Miguel等（P.M.Fonseca and J.Nesvadba,Face tracking in the compressed domainEURASIP Journal on Applied Signal Processing,vol?2006,pp?187, Jan. 2006.)使用解码MPEG-4视频得到的运动向量以及色彩纹理信息进行物体追踪。以上压 缩域的物体分割和追踪方法都依赖于运动向量。但是，运动向量由运动预测的性能决定，因 此宏块的运动不能完全由与其关联的运动向量决定。此外，现有所有的压缩域方法仅能实 现物体分割或追踪，将物体分割和追踪在一次操作中同时实现更有利于实时高效的视频监 控。
【发明内容】
[0006] 本发明的目的是提出一种基于运动向量的压缩域快速检测方法，该方法可同时实 现物体分割和轨迹追踪，在保证正确分割和追踪的前提下，可大幅度提高计算效率。
[0007] 作为运动预测的结果，运动向量代表了当前宏块(MB，maCr〇bl〇Ck)与其预测宏块 之间的偏移。运动向量的值由运动预测的性能决定，通过不同运动预测方法得到的运动向 量之间也存在一定差异。在某些情况下，运动向量的值不一定能正确反映宏块的真实运动 情况。众所周知，在视频帧中运动物体区域明显不同于静态背景区域。因此，如果运动向量 的值不能正确反映宏块的真实运动，其相应宏块的预测残差会相对较大。基于该原理，本发 明给出了 "可信运动向量"的概念。
[0008] 一个运动向量若满足以下条件，则被认为是可信的：
[0010] 其中，SAD(sum of absolute difference)是当前宏块和预测宏块之间的残差绝 对值之和，n是以当前宏块为中心的邻居范围的大小(一般取值为3)，S是SAD的标准差。该公 式计算了当前宏块的SAD与其邻居宏块的平均SAD间的差值。若该差值未超过预设阈值8,则 说明在nXn邻居区域内SAD的变化是平缓的且中间宏块为非极值点。因此，该宏块的运动向 量是可信运动向量，即其方向和幅值可以表征宏块的真实运动。
[0011]受像素域运动识别中"光流"（Optical Flow)概念的启发，本发明提出了"运动向 量流"（MV Flow)的概念。在像素域中，视频帧Ft中的密度光流cot=(Ut，vt)可通过追踪像素 点在下一帧F t+1中的位置得到，其中ut和vt分别是水平和垂直分量。尽管在作用域和实现细 节上存在不同，该过程与视频压缩过程中的运动预测相似。通过定位当前宏块在参考帧中 的位置可得到当前宏块的运动向量，且运动向量与《 t具有相似特性。
[0012]在本发明中，视频帧Ft的"运动向量流"被定义为 [0013] MVFt= {mvft1, i = l, ??? ,m}
[0014]其中，m是帧内的宏块个数，mvft1是在帧Ft-1中通过运动预测得到的可信运动向量。 基于运动向量流可提取基于宏块的轨迹，为了实现对轨迹的分类，本发明提出"最长相似距 离"（LSD，Longest Similar Distance)的概念用于度量轨迹间的相似性。轨迹Ta和Tb之间的 最长相似距离被定义为
[0016]其中，常量t是时间轴上的浮动参数，通过时间上的小范围伸缩可以处理宏块运动 的轻度提前或延迟。t'和f分别表示轨迹运动向量mvfa,v在轨迹Ta及运动向量在轨迹 Tb中存在的时间点，轨迹7:=丨…、vu>)).7；=丨 "Head"表示轨迹的头序列，其中，Head(Ta) = ((xa,i,ya,i),…，（xa,N-i，ya,N-i))，Head(Tb) = ((xb，i，yb，i)，…，（xb，N-1，yb，N-1)) 〇
[0017] mvfa,t，= (xa,t，，ya,t，）为轨迹Ta在帧Ft，中的运动向量，-G 为轨迹Tb 在帧中的运动向量。Z)(mv/a/, on.U =扣以-气,*)2 +()V '~)2: .，_计算了运动向量 mvfa, t，与运动向量间的欧氏距离，e为运动向量距离的阈值，一般为两轨迹间欧式距 离的标准差。
[0018] 本发明所采用的技术方案主要包括以下步骤(如无特殊说明，以下步骤均由计算 机和电子设备的软硬件执行）：
[0019] (1)选择可信运动向量。识别待测视频所用的视频压缩标准，使用该标准的解码端 解码待测视频。遍历各视频帧，在空间范围内获取宏块的运动向量及残差信息（SAD信息）， 根据可信运动向量的定义判定各宏块的运动向量是否表示宏块的真实运动。
[0020] (2)构造运动向量流。使用步骤（1)中选择的可信运动向量，基于图像组（G0P， group of picture)中运动向量间运算的三角形法则，构造各视频帧的运动向量流。
[0021 ] (3)提取基于宏块的轨迹。步骤(2)中构造得到的运动向量流由逐一指向前一帧的 运动向量构成，因此基于最大重叠准则匹配对应的宏块，通过连接匹配宏块在时间上相邻 的运动向量，可提取到基于该宏块的运动轨迹。
[0022] (4)计算最长相似距离。使用本发明中提出的定义，计算步骤(3)中各轨迹间的最 长相似距离，即分别计算每两个最长相似子轨迹间的距离。所述最长相似子轨迹是指两轨 迹间具有相似性的最长子轨迹。
[0023] (5)聚类基于宏块的轨迹。通过上述步骤，已获得一系列基于宏块的轨迹以及它们 之间的最长相似距离。由于属于同一物体的宏块具有相似的轨迹，因此通过利用最长相似 距离聚类基于宏块的轨迹，可对视频中的运动物体进行初步划分。
[0024] (6)判定邻域相关性。经过步骤(5)中的聚类，可对具有相似运动的宏块进行分类。 为了进一步判定每类的宏块是否属于同一物体，使用空间的邻域相关性进行判别。
[0025] (7)计算物体运动轨迹。通过步骤(5)和(6)，根据是否属于同一物体，基于宏块的 轨迹可被聚合为若干类。通过拟合各类轨迹的平均值，可得到该物体的运动轨迹。
[0026] 本发明的物体分割和追踪方法对视频监控领域的有益效果包括：
[0027] (1)提高了物体分割和追踪方法的处理效率。本发明利用压缩视频的固有特性，提 出了一种基于运动向量轨迹的快速方法。传统像素域的物体分割和追踪方法需将压缩视频 解码到原始视频流，然后对像素点进行处理，因此具有很高的计算复杂度和时间复杂度。本 发明中的方法可在解码压缩视频时利用运动向量及残差信息进行物体分割和追踪，所需计 算和时间开销较小，提高了物体分割和追踪的处理效率。
[0028] (2)保证了物体分割和追踪方法的准确率。为保证该方法的准确率，本发明定义了 可信运动向量、运动向量流及最长相似距离的概念，且使用聚类方法及空间邻域相关性判 别进行分类。由实验结果可知，物体分割的平均准确率为94.47%，且提取得到的物体运动 轨迹与人为标定的视觉轨迹偏差较小，可正确表征物体的运动。
[0029] (3)增强了物体分割和追踪方法在视频监控应用中的实用性。与传统检测方法相 比，本发明提出的压缩域快速方法可同时实现物体分割和追踪，适用于视频监控中的实时 处理，提高了该方法的实用性。
【附图说明】
[0030] 图1是本发明提出的基于运动向量轨迹的物体分割和追踪流程图；
[0031]图2是可信运动向量计算示意图；
[0032]图3是基于三角形法则的运动向量流计算示意图；
[0033] 图4是基于最大重叠准则的宏块匹配示意图；
[0034] 图5是基于宏块匹配的轨迹提取示意图；
[0035]图6是轨迹最长相似距离计算示意图；
[0036] 图7是基于宏块的轨迹聚类示意图；
[0037] 图8是视频帧空间邻域相关性判别示意图；
[0038] 图9是视频序列的实际物体分割效果图；
[0039] 图10是本发明方法对视频序列的物体分割效果图；
[0040] 图11是Tom方法对视频序列的物体分割效果图；
[0041 ]图12是本发明对视频序列的物体追踪效果图。
【具体实施方式】
[0042]下面结合附图和具体实施例对本发明方法作进一步描述。
[0043]本实施例是在MPEG4视频编码标准下对压缩域视频的物体分割和追踪，其仅仅是 本发明提出的改进的基于运动向量轨迹的快速检测方法在MPEG4标准中的应用，可以充分 说明该方法的效果。但本发明提出的是一个通用的框架，除本实施例之外，该方法可应用于 其他视频压缩标准下的物体分割和追踪。故基于本发明的框架提出的其他实施例，都属于 本发明的保护范围。
[0044]本实施例使用基于MPEG-4标准的ffmpeg编解码器对视频进行编解码操作，并拍摄 了多个具有不同运动特性(包括不同运动类型、运动方向和运动速度)的视频用于检验本发 明中物体分割和追踪的效果。视频的分辨率为720P(1280x720)，图像组长度为12帧，帧率为 25fps，平均码率为20Mbps。
[0045]图1为本发明提出的基于运动向量轨迹的物体分割和追踪流程图，其方法主要包 括以下步骤：
[0046] (1)宏块的可信运动向量判定。使用MPEG4标准的ffmpeg解码端解码待测视频，提 取视频帧中各宏块的运动向量及SAD信息。如图2所示，使用本发明中对可信运动向量的定 义计算该宏块SAD与其邻居宏块平均SAD的差值，若小于指定阈值则该宏块相应的运动向量 为可信运动向量。
[0047] (2)视频帧的运动向量流构造。根据本发明中的定义，视频帧的运动向量流为mvf 构成的集合，其中mvf是指向前一帧中预测宏块的运动向量，且各宏块的mvf可通过其原始 可信运动向量mv求得。图3所示的帧组为MPEG-4标准中IBBPBBTOBI图像组结构的一部分，4 个视频帧分别为I帧、B帧、B帧和P帧，并使用F:、&、&和F P表示，见图3中（a)~⑷图。在 帧仏中，通过匹配1\在参考帧Fi中的预测宏块MBi可得到指向前一帧的运动向量， 通过匹配/W乂在参考帧 Fp中的预测宏块MBp可得到指向第四帧的运动向量mv以，其中 即为该宏块的mvf。在帧仏中，宏块的运动向量和分别为在朽帧和 Fp帧进行 运动预测得到的前向和后向运动向量。和均非指向前一帧预测宏块的运动向 量，因此宏块的通过向量运算的三角形法则求得，。词理可 得，在帧Fp中，皿士 -，其中mv P,i是通过在Fi中进行运动搜索得到的运动向量。 遍历视频帧中的宏块并使用该步骤的方法计算其mvf，可完成视频帧运动向量流的构造。
[0048] (3)图像组中基于宏块匹配的轨迹提取。如图4所示，对于给定的压缩视频帧序列 M丨;"Ii，使用步骤(2)中的方法可算得各帧的运动向量流其中mvf t1指向帧Ft-i中的 相应预测宏块的位置。在帧Fh*，若该位置跨越多个宏块划分的边界，则使用最大重叠准 则匹配对应宏块，即选择具有最大重叠面积的宏块作为最优匹配宏块。因此，运动向量流可 连接各帧中的最优匹配宏块，通过该方法可延时间轴方向提取到以宏块为单位的运动轨 迹，如图5所示。
[0049] (4)轨迹最长相似距离的计算。步骤(3)中通过连接各帧中匹配宏块的mvft=(Xt， yt)可得到基于宏块的轨迹。对于每两个轨迹1和冗，= _式Jf=l_ =<(xw… 忑={-/；,}；!, -(.^^…，(^，，八#))，可使用本发明中提出的定义，计算两轨迹间的最 长相似距离，如图6所示。
[0050] (5)基于宏块的轨迹聚类。利用步骤(4)中算得的最长相似距离，将步骤(3)中得到 的基于宏块匹配的轨迹进行聚类。如图7所示，在该图像组的视频帧中，具有相似运动的宏 块可被分为一类(如图7中（a)图所示），即完成对视频帧中运动物体的初步划分（如图7中 (b)图所示）。
[0051] (6)视频帧中空间邻域相关性判别。经过步骤(5)中的聚类，基于宏块的轨迹被分 为若干类别，同一类中的轨迹具有相似的运动趋势。如果在视频中存在多个具有相似运动 的物体，则同一类中的宏块则不属于同一物体。因此，本发明使用宏块在空间的邻域相关性 判定同一类宏块是否属于同一物体。如图8所示，根据宏块的坐标再次进行分类，在空间相 邻的宏块将被分为同一类，即属于同一物体。
[0052] (7)基于聚类结果的物体运动轨迹计算。根据上述方法，属于同一物体的宏块轨迹 被分为同一类。通过对类别内各轨迹求平均可得物体的离散运动轨迹，拟合各离散数据点 即可得到物体的运动轨迹。
[0053] 为了评价运动物体分割方法的效果，通常通过将分割结果其与实际结果进行视觉 或定量对比。在本实验中，将本发明方法的分割效果与实际效果、Tom的压缩域分割方法的 效果进行对比。在定量评估方法中，视频帧中的像素点被标记为前景(foreground)或背景 (background)。若像素点被检测为属于运动物体，则其被标记为前景点，反之若被标记为背 景点。为评估物体分割的正确性，像素点被标记为真阳性（True Positive，TP)、假阳性 (False Positive，FP)、真阴性（True Negative，TN)和假阴性（False Negative，FN)四种类 另IJ。当该像素点被正确分割为前景点时，它是真阳性点，否则为假阳性点。同样的，当该像素 点被正确分割为背景点时其为真阴性点，否则为假阴性点。在该评价方法中，真阳性点、假 阳性点、真阴性点和假阴性点的个数分别用n tp、nfp、n?和N?表示，且各评价指标的计算方法 如表1所示。在本发明方法的分割结果评价中，首先统计视频帧中的N TP、Nfp、N?和Nfn用于计 算各视频帧中物体分割结果的评价指标，然后将各视频帧的平均指标作为该视频中物体分 割结果的评价指标。
[0054 ]表1物体分割评价指标的计算方法
[0056]图9、图10、图11分别展示了实际分割效果、本发明分割效果及Tom方法的分割效 果，表2记录了本发明分割方法的各评价指标。各图的4列分别表示对视频序列1、视频序列 2、视频序列3、视频序列4的实验结果，各图的首行为原始视频帧，其他行为分割结果。从图 10和表2中可知，与实际结果相比，本发明提出的方法可正确对运动物体进行分割，且本发 明的分割效果明显优于Tom的方法。本发明的方法可获得较高的正确率和特异率，且平均处 理速度(宏块级)为30fps，比像素域的方法要快速。
[0057]表2物体分割结果的详细评价
[0060]为了评价物体轨迹的正确性，使用视觉评估将提取的轨迹与实际运动轨迹进行对 比。通过连接各视频帧中运动物体的质心，可得到物体的视觉运动轨迹。视频序列1的提取 轨迹与实际轨迹对比如图12所示，原视频中的追踪物体标记如图12中（a)图所示，对该物体 的追踪轨迹如图12中(b)图所示。图12中(b)图的横坐标为各视频帧x方向上的宏块个数，纵 坐标为视频帧y方向的宏块个数。从图中可知，本发明方法提取的物体运动轨迹与实际标定 的轨迹偏差较小，因此，使用本发明方法提取的轨迹可正确表示物体在视频中的运动。
[0061 ]由以上【具体实施方式】中的实施例可知，本发明提出的压缩域基于运动向量流的运 动检测方法可以准确快速的对运动物体进行分割和追踪。在保证检测正确率的前提下，提 高了物体分割和追踪的处理效率，有利于在视频监控中的实际应用。
[0062]以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术 人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本 发明的保护范围应以权利要求书所述为准。
【主权项】
1. 一种基于运动向量轨迹的物体分割和追踪方法，其特征在于，包括以下步骤： 1) 解码待测的压缩视频，遍历待测视频的各视频帧，获取宏块的运动向量及残差信息， 通过残差信息判别出表示宏块真实运动的运动向量并将其作为可信运动向量； 2) 利用可信运动向量，根据宏块的可信运动向量在图像组中的三角形法则，构造各视 频帧的运动向量流； 3) 基于运动向量流，利用最大重叠准则匹配对应的宏块，得到基于宏块的运动轨迹； 4) 计算各宏块的运动轨迹间的最长相似距离； 5) 利用最长相似距离对宏块的运动轨迹进行聚类； 6) 通过宏块在空间的邻域相关性，判定同一类宏块运动轨迹是否属于同一物体； 7) 根据属于同一物体的宏块运动轨迹，得到该物体的运动轨迹。2. 如权利要求1所述的方法，其特征在于，步骤1)将满足以下条件的运动向量作为可信 运动向量：i e {1，2，…，n2_l}， 其中，SAD是当前宏块和预测宏块之间的残差绝对值之和，η是以当前宏块为中心的邻 居范围的大小，δ是SAD的标准差;该公式计算当前宏块的SAD与其邻居宏块的平均SAD间的 差值，若该差值未超过预设阈值δ，则该宏块的运动向量是可信运动向量。3. 如权利要求1所述的方法，其特征在于，步骤2)构造运动向量流时，原始运动向量通 过在参考帧中进行运动预测得到，且在图像组中存在时间关联，利用三角形法则计算得到 指向前一帧预测宏块的运动向量流。4. 如权利要求1或3所述的方法，其特征在于，步骤2)所述运动向量流由逐一指向前一 帧的运动向量构成，视频帧Ft的运动向量流定义为： MVFt= {mvft1,i = 1,··· ,m}, 其中，m是帧内的宏块个数，mvf t1是在帧Ft-i中通过运动预测得到的可信运动向量。5. 如权利要求1所述的方法，其特征在于，步骤3)所述最大重叠准则为，在提取过程中， 若匹配宏块跨越多个宏块划分的边界，则选择具有最大重叠面积的宏块作为最优匹配宏 块;使用运动向量流连接各帧中的最优匹配宏块，从而延时间轴方向提取到以宏块为单位 的运动轨迹。6. 如权利要求1所述的方法，其特征在于，步骤4)中，设两个轨迹分别为TdPTb^lJTdPTb 之间的最长相似距离定义为：其中，常量τ是时间轴上的浮动参数，通过时间上的小范围伸缩可以处理宏块运动的轻 度提前或延迟;t '和t*分别表示轨迹运动向量mvfa, t，在轨迹Ta及运动向量〃 在轨迹Tb中 存在的时间点；"Head"表示轨迹的头序列，其中，Head(Ta) = ((xa, i，ya,i) , ，（xa,N-i, ya，N-1) )，Head(Tb) = ((Xb,l，yb,l)，···，（Xb,N-1，yb,N-1) ) = (Xa,t'，ya,t'）为轨迹 Ta 在中贞 Ft，中的运动向量，wy/m = 为轨迹Tb在帧冲的运动向量；，计算了运动向量mvfa,t，与运动向量 间的欧氏距离，ε为运动向量距离的阈值。7. 如权利要求1所述的方法，其特征在于，步骤6)根据宏块的坐标进行分类，在空间相 邻的宏块被分为同一类，即属于同一物体;通过该步骤有效处理视频中存在具有多个相似 运动物体的情况。8. 如权利要求1所述的方法，其特征在于，步骤7)通过对属于同一物体的各宏块轨迹求 平均得到物体的离散运动轨迹，通过拟合各离散数据点得到物体的运动轨迹。
【文档编号】H04N7/18GK105931274SQ201610301029
【公开日】2016年9月7日
【申请日】2016年5月9日
【发明人】王培培, 曹纭, 赵险峰
【申请人】中国科学院信息工程研究所