專利名稱：膚色檢測系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明關(guān)于一種膚色檢測系統(tǒng)及方法，特別是涉及一種魯棒性在線膚色檢測系統(tǒng)及方法。
背景技術(shù)：
目前，常見的膚色檢測方法一般有如下幾種I、固定閾值法由于膚色的聚集性強(qiáng)，在顏色空間中的分布相對集中，用數(shù)學(xué)表達(dá)式明確規(guī)定膚色范圍是一種簡單的膚色建模方法。通?？梢圆捎肶CbCr顏色空間，當(dāng)像素的顏色落入Cr E [133,173]和Cb e [77，127]限定的矩形區(qū)域，就認(rèn)為是屬于膚色像素。2、參數(shù)化方法具有一個(gè)明確的函數(shù)形式，能夠通過訓(xùn)練數(shù)據(jù)來獲得相應(yīng)的參數(shù)， 訓(xùn)練和分類速度較慢，例如利用單高斯模型或者混合高斯模型對膚色進(jìn)行建模。3、非參數(shù)化方法通過訓(xùn)練集中的膚色出現(xiàn)頻率直接估計(jì)每種顏色的膚色概率，構(gòu)造膚色概率圖，為離散化的每一個(gè)格子賦予一個(gè)概率值，例如查找表和貝葉斯方法。然而，上述傳統(tǒng)的膚色檢測方法普遍存在如下問題1)受背景干擾嚴(yán)重。在理想情況下算法性能較好，但當(dāng)存在光照條件的改變、運(yùn)動模糊以及復(fù)雜背景時(shí)，現(xiàn)有方法誤差較大，還必須通過后續(xù)的圖像處理方法改善，例如腐蝕膨脹、或者條件約束，當(dāng)為復(fù)雜背景或者背景為其它類膚色的物體，比如木頭、沙灘、頭發(fā)等將會被誤判為膚色；2)現(xiàn)有的膚色檢測算法多為離線學(xué)習(xí)算法，即通過大量視頻作為樣本，學(xué)習(xí)出膚色分類器。將該膚色分類器作為通用分類器，適用于任何一個(gè)測試視頻，不同內(nèi)容的視頻采用相同的分類標(biāo)準(zhǔn)。然而不同視頻由于光照、運(yùn)動以及人種等等的不同，采用通用的分類標(biāo)準(zhǔn)，難以達(dá)到令人滿意的精度。

發(fā)明內(nèi)容
為克服上述現(xiàn)有膚色檢測方法普遍存在的泛化性能低、難以適應(yīng)復(fù)雜背景的不足，本發(fā)明之目的在于提供一種膚色檢測系統(tǒng)及方法，以達(dá)到魯棒性強(qiáng)、檢測精度高的目的。為達(dá)上述及其它目的，本發(fā)明提出一種膚色檢測系統(tǒng)，用于對視頻進(jìn)行膚色檢測，至少包括膚色粗查找模組，利用該視頻自身的若干幀作為樣本，對樣本視頻的第一幀圖形進(jìn)行顏色空間的轉(zhuǎn)換，并通過收集樣本圖片訓(xùn)練出膚色查找表，對該第一幀圖像，利用該膚色查找表進(jìn)行膚色的粗檢測，獲得初始膚色樣本；以及膚色精檢測模組，對該初始膚色樣本進(jìn)行EM聚類，建立初始高斯分布模型，再利用該初始高斯模型對該樣本視頻的第二幀視頻進(jìn)行膚色分類，得到新的膚色樣本，對新的膚色樣本進(jìn)行EM聚類，從而更新初始高斯分布模型，以此類推，直至該樣本視頻的所有幀。進(jìn)一步地，該膚色粗查找模組包括空間轉(zhuǎn)換模組，用于將該樣本視頻的第一幀圖像從RGB空間轉(zhuǎn)化為HSV空間；
膚色查找表建立模組，收集樣本圖片，并手工標(biāo)注圖片中膚色區(qū)域，在HSV空間下，首先去除V分量，再利用貝葉斯方法訓(xùn)練出二維查找表；以及粗檢測模組，對該第一幀圖像，在檢測過程中利用膚色查找表直接查找相應(yīng)參數(shù)，實(shí)現(xiàn)膚色的粗檢測。進(jìn)一步地，該樣本圖片為利用互聯(lián)網(wǎng)、視頻、圖片庫資源收集獲得的1027幅樣本圖片。進(jìn)一步地，該膚色精檢測模組包括初始高斯膚色模型建立模組，利用該膚色粗檢測模組粗檢測后的初始膚色樣本進(jìn) 行EM聚類，建立初始高斯分布模型；膚色檢測模組，利用該初始高斯膚色模型對該樣本視頻的下一幀圖像進(jìn)行膚色檢測，得到新的膚色區(qū)域；模型更新模組，以該膚色區(qū)域?yàn)楦碌哪w色樣本，再去進(jìn)行EM聚類，更新高斯膚色模型，以此類推，直至樣本視頻的所有幀。進(jìn)一步地，該系統(tǒng)利用視頻自身前50幀作為樣本視頻。進(jìn)一步地，該EM聚類第一步是E步驟，即計(jì)算期望，利用對隱藏變量的現(xiàn)有估計(jì)值，計(jì)算其最大似然估計(jì)值；第二步是M步驟，最大化在E步驟上求得的最大似然值來計(jì)算參數(shù)的值，M步驟上找到的參數(shù)估計(jì)值被用于下一個(gè)E步驟計(jì)算中，這個(gè)過程不斷交替進(jìn)行，直到收斂為止。為達(dá)到上述及其他目的，本發(fā)明還提供一種膚色檢測方法，用于對視頻進(jìn)行膚色檢測，包括如下步驟步驟一，利用視頻自身的若干幀作為樣本視頻，對樣本視頻的第一幀圖像進(jìn)行顏色空間的轉(zhuǎn)換；步驟二，通過收集樣本圖片訓(xùn)練出膚色查找表；步驟三，對該第一幀圖像，利用膚色查找表進(jìn)行膚色粗檢測，獲得初始膚色樣本；步驟四，對粗檢測后的初始膚色樣本進(jìn)行EM聚類，建立初始高斯分布模型；步驟五，利用初始高斯模型對該樣本視頻的第二幀視頻進(jìn)行膚色分類，得到新的膚色樣本；以及步驟六，對新的膚色樣本進(jìn)行EM聚類，從而更新初始高斯分布模型，以此類推，直至該樣本視頻的所有幀。進(jìn)一步地，于步驟一中，將樣本視頻的第一幀圖像從RGB空間轉(zhuǎn)化為HSV空間。進(jìn)一步地，于步驟二中，t通過收集樣本圖片，并手工標(biāo)注圖片中膚色區(qū)域，在HSV空間下，首先去除V分量，再利用貝葉斯方法訓(xùn)練出二維查找表。進(jìn)一步地，該EM聚類第一步是E步驟，即計(jì)算期望，利用對隱藏變量的現(xiàn)有估計(jì)值，計(jì)算其最大似然估計(jì)值；第二步是M步驟，最大化在E步驟上求得的最大似然值來計(jì)算參數(shù)的值，M步驟上找到的參數(shù)估計(jì)值被用于下一個(gè)E步驟計(jì)算中，這個(gè)過程不斷交替進(jìn)行，直到收斂為止。與現(xiàn)有技術(shù)相比，本發(fā)明一種膚色檢測系統(tǒng)及方法采用在線膚色分類，對不同的視頻，以自身的視頻幀為學(xué)習(xí)樣本，學(xué)習(xí)出自身的膚色分類器，克服了視頻受光照、人種以及復(fù)雜背景的影響，同時(shí)本發(fā)明采用增量式的EM聚類，樣本不斷更新，修正膚色高斯模型，提聞了檢測速度。


圖I為本發(fā)明一種膚色檢測系統(tǒng)的系統(tǒng)架構(gòu)圖；圖2為本發(fā)明一種膚色檢測方法的步驟流程圖；圖3為本發(fā)明一種膚色檢測方法之較佳實(shí)施例的步驟流程圖。
具體實(shí)施例方式以下通過特定的具體實(shí)例并結(jié)合

本發(fā)明的實(shí)施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭示的內(nèi)容輕易地了解本發(fā)明的其它優(yōu)點(diǎn)與功效。本發(fā)明亦可通過其它不同的具體實(shí)例加以施行或應(yīng)用，本說明書中的各項(xiàng)細(xì)節(jié)亦可基于不同觀點(diǎn)與應(yīng)用，在不背離 本發(fā)明的精神下進(jìn)行各種修飾與變更。圖I為本發(fā)明一種膚色檢測系統(tǒng)的系統(tǒng)架構(gòu)圖。如圖I所示，本發(fā)明一種膚色檢測系統(tǒng)，至少包括膚色粗查找模組10及膚色精檢測模組11。其中膚色粗查找模組10利用視頻自身若干幀作為樣本，對樣本視頻的第一幀圖像進(jìn)行顏色空間的轉(zhuǎn)換，并通過收集樣本圖片訓(xùn)練出膚色查找表，對樣本視頻的第一幀圖像，利用膚色查找表進(jìn)行膚色的粗檢測。具體來說，膚色粗查找模組10包括空間轉(zhuǎn)換模組101、膚色查找表建立模組102以及粗檢測模組103，空間轉(zhuǎn)換模組101用于將樣本視頻的第一幀圖像從RGB空間轉(zhuǎn)化為HSV空間，由于原始RGB空間未能將亮度與色度分開，R、G、B三者具有較強(qiáng)的關(guān)聯(lián)性，當(dāng)亮度改變時(shí)會對三個(gè)分量都產(chǎn)生影響，因此不適合在該空間下進(jìn)行膚色檢測，為了達(dá)到良好的檢測效果，本發(fā)明采用HSV空間，因此空間轉(zhuǎn)換模組101會將RGB空間轉(zhuǎn)化為HSV空間，由于RGB空間轉(zhuǎn)化為HSV空間為現(xiàn)有技術(shù)，在此則不予贅述。膚色查找表建立模組102通過收集樣本圖片，并手工標(biāo)注圖片中膚色區(qū)域，在HSV空間下，首先去除V分量，再利用貝葉斯方法訓(xùn)練出二維查找表，在本發(fā)明較佳實(shí)施例中，膚色查找表建立模組102利用互聯(lián)網(wǎng)、視頻、圖片庫等資源收集樣本圖片1027幅。粗檢測模組103對樣本視頻的第一幀圖像，在運(yùn)動區(qū)域，在檢測過程中利用膚色查找表直接查找相應(yīng)參數(shù)，實(shí)現(xiàn)膚色的粗檢測，在本發(fā)明中，膚色查找表是一種非參數(shù)的膚色檢測方法，通過增加存儲空間來減少計(jì)算時(shí)間，在檢測過程中直接查找相應(yīng)參數(shù)，無需重復(fù)計(jì)算，這樣可以提高檢測速度。膚色精檢測模組11對膚色粗檢測模組11粗檢測后的初始膚色樣本進(jìn)行EM聚類，建立初始高斯分布模型，再利用初始高斯模型對第二幀視頻進(jìn)行膚色分類，得到新的膚色樣本，對新的膚色樣本進(jìn)行EM聚類，從而更新初始高斯分布模型，以此類推，直至樣本視頻的所有幀，在本發(fā)明較佳實(shí)施例中，利用視頻自身的前50幀作為樣本。具體來說，膚色精檢測模組11進(jìn)一步包括初始高斯膚色模型建立模組110、膚色檢測模組111以及模型更新模組112，初始高斯膚色模型建立模組110利用膚色粗檢測模組11粗檢測后的初始膚色樣本進(jìn)行EM聚類，建立初始高斯分布模型。假設(shè)膚色粗查找后的區(qū)域集合包含兩類高斯分布，即膚色分布以及非膚色分布，然后通過最大似然估計(jì)，確定各個(gè)分布的參數(shù)。假設(shè)觀測樣本X = {xk}, k e [1，N],由包含m = 2個(gè)有限混合分布模型構(gòu)成
P(斗) = [::]# 噸)CDPi (X I Θ J為概率密度，Ji .是混合分布模型中第i個(gè)分布的先驗(yàn)概率，并且滿足
Σ:廠 I。Φ = {> i，μ i，Σ J為第i個(gè)分布的參數(shù)集合；其中μ i表示均值，Σ i表示協(xié)方
差矩陣。第一步是計(jì)算期望(E步驟)，利用對隱藏變量的現(xiàn)有估計(jì)值，計(jì)算其最大似然估計(jì)值；第二步是最大化(M步驟)，最大化在E步驟上求得的最大似然值來計(jì)算參數(shù)的值。M步驟上找到的參數(shù)估計(jì)值被用于下一個(gè)E步驟計(jì)算中，這個(gè)過程不斷交替進(jìn)行，直到收斂為止。具體過程如下 I)隨機(jī)初始化待估參數(shù)Φ (°) = { τι i； μ i； Σ J , i = I. . . mo其中協(xié)方差矩陣為單位矩陣，先驗(yàn)概率π i = Ι/m ;均值μ i隨機(jī)初始化。2)重復(fù)E步驟以及M步驟。E步驟在觀察樣本和當(dāng)前解給定的條件下，計(jì)算完全數(shù)據(jù)的對數(shù)似然函數(shù)期望值。
π,Ρ^χjtut,^ )Eij = . -(2)每一個(gè)樣本以不同概率屬于各個(gè)高斯分布，概率值由參數(shù)計(jì)算得到。Eu表示第j個(gè)樣本屬于第i類分布的概率。M步驟重新估計(jì)分布參數(shù)，以使得數(shù)據(jù)的似然性最大，給出未知變量的期望估計(jì)。U] = ；； ]( 3 )Σ=———--⑷
U
Y'v E疋=^LJL(5)
1 N ... = arg max Eij (6)不斷迭代E步驟以及M步驟，通過公式(3) (5)重復(fù)計(jì)算參數(shù)，直到參數(shù)收斂為止。此時(shí)求得的參數(shù)Θ*確定了各個(gè)成分的分布。膚色檢測模組111利用初始高斯膚色模型對下一幀圖像進(jìn)行膚色檢測，得到新的膚色區(qū)域。模型更新模組112則以該膚色區(qū)域?yàn)楦碌哪w色樣本，再去進(jìn)行EM聚類，更新高斯膚色模型，以此類推，直至樣本視頻的所有幀。圖2為本發(fā)明一種膚色檢測方法的步驟流程圖。如圖2所示，本發(fā)明一種膚色檢測方法，包括如下步驟步驟201，利用視頻自身若干幀作為樣本視頻，對樣本視頻的第一幀圖像進(jìn)行顏色空間的轉(zhuǎn)換，在本發(fā)明較佳實(shí)施例中，將樣本視頻的第一幀圖像從RGB空間轉(zhuǎn)化為HSV空間；步驟202，通過收集樣本圖片訓(xùn)練出膚色查找表，在本發(fā)明較佳實(shí)施例中，通過收集樣本圖片，并手工標(biāo)注圖片中膚色區(qū)域，在HSV空間下，首先去除V分量，再利用貝葉斯方法訓(xùn)練出二維查找表；步驟203，對樣本視頻的第一幀圖像，利用膚色查找表進(jìn)行膚色粗檢測，獲得初始膚色樣本；步驟204，對粗檢測后的初始膚色樣本進(jìn)行EM聚類，建立初始高斯分布模型；
步驟205，利用初始高斯模型對第二幀視頻進(jìn)行膚色分類，得到新的膚色樣本；步驟206，對新的膚色樣本進(jìn)行EM聚類，從而更新初始高斯分布模型，以此類推，直至樣本視頻的所有幀。圖3為本發(fā)明一種膚色檢測方法之較佳實(shí)施例的步驟流程圖，以下將配合圖3對本發(fā)明之膚色檢測方法進(jìn)一步說明。步驟1，初始化，i = 1，采集第一幀圖像在內(nèi)存。將RGB轉(zhuǎn)換為HSV空間，利用查找表，進(jìn)行膚色粗檢測，得到粗檢膚色區(qū)域(即初始膚色樣本)。步驟2，對粗檢膚色區(qū)域進(jìn)行EM聚類，得到高斯膚色模型。步驟3，i = i+1 ;判斷i是否滿足i < 50 ;若滿足轉(zhuǎn)至步驟4 ;否則轉(zhuǎn)至步驟5。步驟4，利用現(xiàn)有高斯膚色模型對第i幀進(jìn)行膚色檢測，得到膚色區(qū)域，即膚色樣本。轉(zhuǎn)至步驟2。步驟5，結(jié)束，得到最終膚色模型。一個(gè)實(shí)用的膚色檢測系統(tǒng)必須能夠處理由于成像條件變化引起的膚色變化。不同的視頻由于拍攝條件、拍攝內(nèi)容等的不同，如果采用通用的膚色分類器，分類效果很難滿足各個(gè)視頻的要求。本發(fā)明針對不同的視頻，利用視頻自身前50幀作為樣本，在線學(xué)習(xí)出該視頻的膚色分類器，從而滿足精度要求。傳統(tǒng)的EM算法，需要收集所有的樣本后再進(jìn)行聚類，這樣由于前50幀的樣本數(shù)量大，會使得在第50幀時(shí)，學(xué)習(xí)時(shí)間長，用戶會感覺到明顯的停頓等待。因此本發(fā)明使用增量式的EM聚類。首先利用查找表方法對第一幀進(jìn)行膚色檢測，得到初始的膚色樣本，對該樣本進(jìn)行EM聚類，建立初始高斯分布模型；再利用初始高斯模型對第二幀視頻進(jìn)行膚色分類，得到新的膚色樣本，對新的膚色樣本進(jìn)行EM聚類，從而更新初始高斯分布模型。以此類推，直至第50幀。這樣既滿足了實(shí)時(shí)性要求，又達(dá)到了精度要求。綜上所述，本發(fā)明一種膚色檢測系統(tǒng)及方法采用在線膚色分類，對不同的視頻，以自身的視頻幀為學(xué)習(xí)樣本，學(xué)習(xí)出自身的膚色分類器，克服了視頻受光照、人種以及復(fù)雜背景的影響，同時(shí)本發(fā)明采用增量式的EM聚類，樣本不斷更新，修正膚色高斯模型，提高了檢測速度。與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)(I)克服了傳統(tǒng)膚色檢測算法魯棒性差的問題，對復(fù)雜背景以及類膚色背景有較好的分類性。(2)識別速度快、能夠滿足實(shí)時(shí)要求。(3)不同的視頻內(nèi)容采用不同的膚色分類標(biāo)準(zhǔn)，精度高，具有很好的推廣應(yīng)用價(jià)值。上述實(shí)施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何本領(lǐng)域技術(shù)人員均可在不違背本發(fā)明的精神及范疇下，對上述實(shí)施例進(jìn)行修飾與改變。因此，本發(fā)明的權(quán)利保護(hù)范 圍，應(yīng)如權(quán)利要求書所列。
權(quán)利要求
1.一種膚色檢測系統(tǒng)，用于對視頻進(jìn)行膚色檢測，至少包括 膚色粗查找模組，利用該視頻自身的若干幀作為樣本，對樣本視頻的第一幀圖形進(jìn)行顏色空間的轉(zhuǎn)換，并通過收集樣本圖片訓(xùn)練出膚色查找表，對該第一幀圖像，利用該膚色查找表進(jìn)行膚色的粗檢測，獲得初始膚色樣本；以及 膚色精檢測模組，對該初始膚色樣本進(jìn)行EM聚類，建立初始高斯分布模型，再利用該初始高斯模型對該樣本視頻的第二幀視頻進(jìn)行膚色分類，得到新的膚色樣本，對新的膚色樣本進(jìn)行EM聚類，從而更新初始高斯分布模型，以此類推，直至該樣本視頻的所有幀。
2.如權(quán)利要求I所述的膚色檢測系統(tǒng)，其特征在于，該膚色粗查找模組包括 空間轉(zhuǎn)換模組，用于將該樣本視頻的第一幀圖像從RGB空間轉(zhuǎn)化為HSV空間； 膚色查找表建立模組，收集樣本圖片，并手工標(biāo)注圖片中膚色區(qū)域，在HSV空間下，首 先去除V分量，再利用貝葉斯方法訓(xùn)練出二維查找表；以及 粗檢測模組，對該第一幀圖像，在檢測過程中利用膚色查找表直接查找相應(yīng)參數(shù)，實(shí)現(xiàn)膚色的粗檢測。
3.如權(quán)利要求2所述的膚色檢測系統(tǒng)，其特征在于該樣本圖片為利用互聯(lián)網(wǎng)、視頻、圖片庫資源收集獲得的1027幅樣本圖片。
4.如權(quán)利要求2所述的膚色檢測系統(tǒng)，其特征在于，該膚色精檢測模組包括 初始高斯膚色模型建立模組，利用該膚色粗檢測模組粗檢測后的初始膚色樣本進(jìn)行EM聚類，建立初始高斯分布模型； 膚色檢測模組，利用該初始高斯膚色模型對該樣本視頻的下一幀圖像進(jìn)行膚色檢測，得到新的膚色區(qū)域； 模型更新模組，以該膚色區(qū)域?yàn)楦碌哪w色樣本，再去進(jìn)行EM聚類，更新高斯膚色模型，以此類推，直至樣本視頻的所有幀。
5.如權(quán)利要求4所述的膚色檢測系統(tǒng)，其特征在于該系統(tǒng)利用視頻自身前50幀作為樣本視頻。
6.如權(quán)利要求4所述的膚色檢測系統(tǒng)，其特征在于該EM聚類第一步是E步驟，即計(jì)算期望，利用對隱藏變量的現(xiàn)有估計(jì)值，計(jì)算其最大似然估計(jì)值；第二步是M步驟，最大化在E步驟上求得的最大似然值來計(jì)算參數(shù)的值，M步驟上找到的參數(shù)估計(jì)值被用于下一個(gè)E步驟計(jì)算中，這個(gè)過程不斷交替進(jìn)行，直到收斂為止。
7.一種膚色檢測方法，用于對視頻進(jìn)行膚色檢測，包括如下步驟 步驟一，利用視頻自身的若干幀作為樣本視頻，對樣本視頻的第一幀圖像進(jìn)行顏色空間的轉(zhuǎn)換； 步驟二，通過收集樣本圖片訓(xùn)練出膚色查找表； 步驟三，對該第一幀圖像，利用膚色查找表進(jìn)行膚色粗檢測，獲得初始膚色樣本； 步驟四，對粗檢測后的初始膚色樣本進(jìn)行EM聚類，建立初始高斯分布模型； 步驟五，利用初始高斯模型對該樣本視頻的第二幀視頻進(jìn)行膚色分類，得到新的膚色樣本；以及 步驟六，對新的膚色樣本進(jìn)行EM聚類，從而更新初始高斯分布模型，以此類推，直至該樣本視頻的所有幀。
8.如權(quán)利要求7所述的一種膚色檢測方法，其特征在于于步驟一中，將樣本視頻的第一幀圖像從RGB空間轉(zhuǎn)化為HSV空間。
9.如權(quán)利要求8所述的一種膚色檢測方法，其特征在于于步驟二中，t通過收集樣本圖片，并手工標(biāo)注圖片中膚色區(qū)域，在HSV空間下，首先去除V分量，再利用貝葉斯方法訓(xùn)練出二維查找表。
10.如權(quán)利要求8所述的一種膚色檢測方法，其特征在于該EM聚類第一步是E步驟，即計(jì)算期望，利用對隱藏變量的現(xiàn)有估計(jì)值，計(jì)算其最大似然估計(jì)值；第二步是M步驟，最大化在E步驟上求得的最大似然值來計(jì)算參數(shù)的值，M步驟上找到的參數(shù)估計(jì)值被用于下一個(gè)E步驟計(jì)算中，這個(gè)過程不斷交替進(jìn)行，直到收斂為止。
全文摘要
本發(fā)明公開了一種膚色檢測系統(tǒng)及方法，該方法包括如下步驟利用視頻自身的若干幀作為樣本視頻，對樣本視頻的第一幀圖像進(jìn)行顏色空間的轉(zhuǎn)換；通過收集樣本圖片訓(xùn)練出膚色查找表；對該第一幀圖像，利用膚色查找表進(jìn)行膚色粗檢測；對粗檢測后的初始膚色樣本進(jìn)行EM聚類，建立初始高斯分布模型；利用初始高斯模型對該樣本視頻的第二幀視頻進(jìn)行膚色分類，得到新的膚色樣本；以及對新的膚色樣本進(jìn)行EM聚類，從而更新初始高斯分布模型，以此類推，直至該樣本視頻的所有幀，本發(fā)明可以達(dá)到魯棒性強(qiáng)、檢測精度高的目的。
文檔編號G06K9/00GK102968623SQ201210524658
公開日2013年3月13日 申請日期2012年12月7日 優(yōu)先權(quán)日2012年12月7日
發(fā)明者趙瑩 申請人:上海電機(jī)學(xué)院