一種人臉識(shí)別的特征提取方法及裝置制造方法
【專利摘要】本發(fā)明適用于計(jì)算機(jī)【技術(shù)領(lǐng)域】，提供了一種人臉識(shí)別的特征提取方法及裝置，包括：提取人臉圖像的多尺度LBP特征；提取所述人臉圖像的SIFT特征；獲取第一權(quán)重因子和第二權(quán)重因子，所述第一權(quán)重因子對(duì)應(yīng)所述人臉圖像的LBP特征，所述第二權(quán)重因子對(duì)應(yīng)所述人臉圖像的SIFT特征；根據(jù)所述第一權(quán)重因子和所述第二權(quán)重因子，對(duì)所述人臉圖像的所述LBP特征和所述SIFT特征進(jìn)行組合，生成所述人臉圖像的人臉特征。本發(fā)明實(shí)現(xiàn)了對(duì)人臉紋理信息和人臉局部區(qū)域邊緣信息的保留，有效地提高了人臉識(shí)別過程中人臉特征提取的精度。
【專利說明】一種人臉識(shí)別的特征提取方法及裝置
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明屬于計(jì)算機(jī)【技術(shù)領(lǐng)域】，尤其涉及一種人臉識(shí)別的特征提取方法及裝置。
【背景技術(shù)】
[0002]人臉識(shí)別，是基于人的臉部特征信息，通過計(jì)算機(jī)進(jìn)行身份識(shí)別的一種技術(shù)，當(dāng)給定一張人臉時(shí)，通過人臉識(shí)別算法在預(yù)存儲(chǔ)了不同身份的眾多人臉的數(shù)據(jù)庫中進(jìn)行查找，匹配出與給定的人臉最為相似的人臉，那么，該給定人臉的身份即為匹配出的人臉?biāo)鶎?duì)應(yīng)的身份。目前，人臉識(shí)別技術(shù)被廣泛應(yīng)用在安防、信息安全領(lǐng)域。
[0003]人臉識(shí)別技術(shù)的核心為對(duì)人臉特征的提取，目前，最常用的特征提取算法是局部二值模式(Local Binary Patterns, LBP)算法和尺度不變特征轉(zhuǎn)換(Scale-1nvariantfeature transform, SIFT)算法,然而,對(duì)于LBP算法來說,其不能有效表征人臉局部區(qū)域的邊緣信息；而對(duì)于SIFT算法來說，其容易造成人臉部紋理信息的遺失，因此，綜合說來，上述算法均會(huì)對(duì)人臉特征的提取精度造成影響。

【發(fā)明內(nèi)容】

[0004]本發(fā)明實(shí)施例的目的在于提供一種人臉識(shí)別的特征提取方法，旨在解決現(xiàn)有的人臉特征提取算法對(duì)人臉特征提取的精度低的問題。
[0005]本發(fā)明實(shí)施例是這樣實(shí)現(xiàn)的，一種人臉識(shí)別的特征提取方法，包括:
[0006]提取人臉圖像的多尺度局部二值模式LBP特征；
[0007]提取所述人臉圖像的尺度不變特征轉(zhuǎn)換SIFT特征；
[0008]獲取第一權(quán)重因子和第二權(quán)重因子,所述第一權(quán)重因子對(duì)應(yīng)所述人臉圖像的LBP特征，所述第二權(quán)重因子對(duì)應(yīng)所述人臉圖像的SIFT特征；
[0009]根據(jù)所述第一權(quán)重因子和所述第二權(quán)重因子，對(duì)所述人臉圖像的所述LBP特征和所述SIFT特征進(jìn)行組合，生成所述人臉圖像的人臉特征。
[0010]本發(fā)明實(shí)施例的另一目的在于提供一種人臉識(shí)別的特征提取裝置，包括:
[0011]第一提取單元，用于提取人臉圖像的多尺度局部二值模式LBP特征；
[0012]第二提取單元，用于提取所述人臉圖像的尺度不變特征轉(zhuǎn)換SIFT特征；
[0013]獲取單元，用于獲取第一權(quán)重因子和第二權(quán)重因子，所述第一權(quán)重因子對(duì)應(yīng)所述人臉圖像的LBP特征，所述第二權(quán)重因子對(duì)應(yīng)所述人臉圖像的SIFT特征；
[0014]生成單元，用于根據(jù)所述第一權(quán)重因子和所述第二權(quán)重因子，對(duì)所述人臉圖像的所述LBP特征和所述SIFT特征進(jìn)行組合，生成所述人臉圖像的人臉特征。
[0015]在本發(fā)明實(shí)施例中，將多尺度LBP特征提取與SIFT特征提取同時(shí)應(yīng)用到人臉識(shí)別的特征提取過程中，并通過為根據(jù)上述兩種算法提取出的人臉特征分別賦予相應(yīng)的權(quán)重，從而最終確定出人臉圖像的人臉特征，實(shí)現(xiàn)了對(duì)人臉紋理信息和人臉局部區(qū)域邊緣信息的保留，有效地提高了人臉識(shí)別過程中人臉特征提取的精度?！緦＠綀D】

【附圖說明】
[0016]圖1是本發(fā)明實(shí)施例提供的人臉識(shí)別的特征提取方法的實(shí)現(xiàn)流程圖；
[0017]圖2是本發(fā)明實(shí)施例提供的人臉識(shí)別的特征提取方法SlOl的具體實(shí)現(xiàn)流程圖；
[0018]圖3是本發(fā)明實(shí)施例提供的人臉識(shí)別的特征提取方法圖像分塊的示意圖；
[0019]圖4是本發(fā)明實(shí)施例提供的人臉識(shí)別的特征提取方法S102的具體實(shí)現(xiàn)流程圖；
[0020]圖5是本發(fā)明實(shí)施例提供的人臉識(shí)別的特征提取裝置的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0021]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，以下結(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)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0022]在本發(fā)明實(shí)施例中，將多尺度LBP特征提取與SIFT特征提取同時(shí)應(yīng)用到人臉識(shí)別的特征提取過程中，并通過為根據(jù)上述兩種算法提取出的人臉特征分別賦予相應(yīng)的權(quán)重，從而最終確定出人臉圖像的人臉特征，實(shí)現(xiàn)了對(duì)人臉紋理信息和人臉局部區(qū)域邊緣信息的保留，有效地提高了人臉識(shí)別過程中人臉特征提取的精度。
[0023]圖1示出了本發(fā)明實(shí)施例提供的人臉識(shí)別的特征提取方法的實(shí)現(xiàn)流程，詳述如下:
[0024]在SlOl中，提取人臉圖像的多尺度LBP特征。
[0025]為了克服單尺度LBP算法提取出的人臉特征在人臉紋理信息表達(dá)上的不充分，在本實(shí)施例中，使用不同半徑大小來對(duì)人臉圖像進(jìn)行LBP特征提取，從而獲取到人臉圖像在多個(gè)尺度下的LBP特征，實(shí)現(xiàn)了對(duì)人臉紋理信息的完整表達(dá)，有效地提高了人臉特征提取的精度。
[0026]具體地，如圖2所示，SlOl具體為:
[0027]在S201中，對(duì)所述人臉圖像進(jìn)行分塊，得到N個(gè)圖像分塊，所述N為大于I的整數(shù)。
[0028]如圖3所示，假定人臉圖像的像素大小為WXH，其中，W為該人臉圖像的像素寬度，H為該人臉圖像的像素高度，則從人臉圖像的像素坐標(biāo)(0，0)開始，對(duì)該人臉圖像進(jìn)行分場(chǎng)，依次從該人臉圖像中劃分出像素大小為aXb的圖像分塊，那么最終該人臉圖像被劃分成了(W/a)X (H/b)個(gè)圖像分塊。在本實(shí)施例中，在對(duì)人臉圖像進(jìn)行分塊時(shí)，可以設(shè)置人臉圖像的像素寬度W為每一個(gè)圖像分塊的像素寬度a的倍數(shù)，設(shè)置人臉圖像的像素高度H為每一個(gè)圖像分塊的像素高度b的倍數(shù)，以使得人臉圖像最終被劃分為若干個(gè)大小相等的圖像分塊。
[0029]作為本發(fā)明的一個(gè)實(shí)現(xiàn)示例，所述a和b均可以取32像素大小，從而劃分得到的圖像分塊的像素大小為32X32。
[0030]在S202中，分別對(duì)每一個(gè)所述圖像分塊進(jìn)行多尺度的LBP特征提取，得到每一個(gè)所述圖像分塊的多尺度LBP特征。
[0031 ] 在本實(shí)施例中，在對(duì)每一個(gè)圖像分塊進(jìn)行LBP特征提取時(shí)，均采用多尺度LBP特征提取的方法，對(duì)于每一個(gè)圖像分塊，分別采用不同像素大小的半徑，每一個(gè)半徑實(shí)際對(duì)應(yīng)著一個(gè)尺度，由此得到M個(gè)尺度下該圖像分塊的LBP特征。
[0032]作為本發(fā)明的一個(gè)實(shí)現(xiàn)示例，可以分別采用像素大小為1、3、5、7的半徑來對(duì)圖像分塊進(jìn)行LBP特征提取，最終，對(duì)于每一個(gè)圖像分塊，均得到了這四個(gè)尺度之下的LBP特征。研究表明，LBP的特征值主要集中在59個(gè)“統(tǒng)一模式(Uniform Patterns)”中，因此，根據(jù)上述LBP的特征提取，對(duì)于每一個(gè)圖像分塊，在每個(gè)半徑之下得到的LBP特征為一個(gè)59維的向量，那么將四個(gè)尺度之下根據(jù)LBP特征得出的59維向量進(jìn)行合并，即形成了一個(gè)236維的向量，該236維的向量對(duì)應(yīng)了一個(gè)圖像分塊的LBP特征。
[0033]在S203中，組合N個(gè)所述圖像分塊的所述多尺度LBP特征，并進(jìn)行歸一化處理，得到所述人臉圖像的LBP特征。
[0034]在本實(shí)施例中，將S202中計(jì)算得到的每一個(gè)圖像分塊的多尺度LBP特征進(jìn)行組合，當(dāng)在四個(gè)尺度下進(jìn)行LBP特征提取時(shí)，會(huì)形成一個(gè)維數(shù)為(W/a)X (H/b)X236的向量，并對(duì)該向量進(jìn)行歸一化處理，從而得到當(dāng)前進(jìn)行人臉特征提取的人臉圖像的LBP特征。
[0035]在本實(shí)施例中，使用不同半徑大小來對(duì)人臉圖像進(jìn)行LBP特征提取，從而獲取到人臉圖像在多個(gè)尺度下的LBP特征，實(shí)現(xiàn)了對(duì)人臉紋理信息的完整表達(dá)。
[0036]在S102中，提取所述人臉圖像的SIFT特征。
[0037]為了克服LBP算法無法有效表征人臉局部區(qū)域的邊緣信息的缺陷，在本實(shí)施例中，還需要提取人臉圖像的SIFT特征，具體地，如圖3所示，S102具體為:
[0038]在S401中，對(duì)所述人臉圖像進(jìn)行分塊，得到N個(gè)圖像分塊，所述N為大于I的整數(shù)。
[0039]在S401中，對(duì)圖像進(jìn)行分塊的相關(guān)原理如前述實(shí)施例S201中所述，在此不再贅述。
[0040]在S402中，分別對(duì)每一個(gè)所述圖像分塊進(jìn)行SIFT特征提取，得到每一個(gè)所述圖像分塊的SIFT特征。
[0041]在本實(shí)施例中，對(duì)每一個(gè)圖像分塊進(jìn)行SIFT特征提取，根據(jù)SIFT特征的提取原理，每一個(gè)圖像分塊可以提取得到一個(gè)128維的向量，該128維的向量即為該圖像分塊對(duì)應(yīng)的SIFT特征。
[0042]在S403中，組合N個(gè)所述圖像分塊的所述SIFT特征，并進(jìn)行歸一化處理，得到所述人臉圖像的SIFT特征。
[0043]在本實(shí)施例中，將S104中計(jì)算得到的每一個(gè)圖像分塊的SIFT特征進(jìn)行組合，形成一個(gè)維數(shù)為(W/a) X (H/b) X 128的向量，并對(duì)該向量進(jìn)行歸一化處理，從而得到當(dāng)前進(jìn)行人臉特征提取的人臉圖像的SIFT特征。
[0044]在S103中，獲取第一權(quán)重因子和第二權(quán)重因子,所述第一權(quán)重因子對(duì)應(yīng)所述人臉圖像的LBP特征，所述第二權(quán)重因子對(duì)應(yīng)所述人臉圖像的SIFT特征。
[0045]在本實(shí)施例中，第一權(quán)重因子和第二權(quán)重因子用于調(diào)整人臉紋理信息與人臉局部區(qū)域的邊緣信息在最終生成的人臉特征中所占的權(quán)重，當(dāng)?shù)谝粰?quán)重因子的值大于第二權(quán)重因子的值時(shí)，在最終生成的人臉特征中，對(duì)人臉紋理信息表達(dá)的完整程度更高，對(duì)人臉局部區(qū)域邊緣信息的表征最弱；當(dāng)?shù)诙?quán)重因子的值大于第一權(quán)重因子的值時(shí)，在最終生成的人臉特征中，對(duì)人臉紋理信息表達(dá)的完整程度不會(huì)達(dá)到最高，但對(duì)人臉局部區(qū)域邊緣信息的表征更為有效。因此，通過合理設(shè)置這兩個(gè)權(quán)重因子，可以有效地平衡最終生成的人臉特征中對(duì)人臉紋理信息及人臉局部區(qū)域邊緣信息的表達(dá)權(quán)重，以根據(jù)實(shí)際的人臉識(shí)別場(chǎng)景，最為有效地進(jìn)行人臉特征的提取。
[0046]在本實(shí)施例中，S103之前，可以隨時(shí)根據(jù)實(shí)際的人臉識(shí)別場(chǎng)景需求，對(duì)第一權(quán)重因子和第二權(quán)重因子進(jìn)行調(diào)整。同時(shí)，作為本發(fā)明的一個(gè)實(shí)施例，第一權(quán)重因子與第二權(quán)重因子之和可以被約束為I，以便于在權(quán)重因子調(diào)整的過程中，更好地確定LBP特征與SIFT特征在最終生成的人臉特征中所占的權(quán)重。
[0047]在S104中，根據(jù)所述第一權(quán)重因子和所述第二權(quán)重因子，對(duì)所述人臉圖像的所述LBP特征和所述SIFT特征進(jìn)行組合，生成所述人臉圖像的人臉特征。
[0048]具體地，在S104中，可以將F_X V-和FsiftX Vsift進(jìn)行組合，得到所述人臉圖像的人臉特征，其中，所述F-為所述第一權(quán)重因子，所述V-為所述人臉圖像的所述LBP特征，所述Fsift為所述第二權(quán)重因子，所述Vsift為所述人臉圖像的所述SIFT特征。
[0049]在S104中，當(dāng)在四個(gè)尺度下進(jìn)行LBP特征提取時(shí)，最終會(huì)生成一個(gè)維數(shù)為(W/a) X(H/b) X364的向量，通過對(duì)該向量進(jìn)行歸一化處理，即可生成最終確定的人臉圖像的人臉特征。
[0050]基于上述方法，最終確定出的人臉圖像的人臉特征既能夠較為完整地表達(dá)了人臉紋理信息，又能夠較為充分地表達(dá)人臉局部區(qū)域的邊緣信息，從而使得提取出的人臉特征更為精確，那么基于該人臉特征所進(jìn)行的人臉識(shí)別過程也更為準(zhǔn)確。
[0051]圖5示出了本發(fā)明實(shí)施例提供的人臉識(shí)別的特征提取裝置的結(jié)構(gòu)框圖，該裝置可以用于運(yùn)行本發(fā)明圖1至圖4實(shí)施例所述的人臉識(shí)別的特征提取方法。為了便于說明，僅不出了與本實(shí)施例相關(guān)的部分。
[0052]參照?qǐng)D5，該裝置包括:
[0053]第一提取單元51，提取人臉圖像的多尺度LBP特征。
[0054]第二提取單元52，提取所述人臉圖像的SIFT特征。
[0055]獲取單元53，獲取第一權(quán)重因子和第二權(quán)重因子，所述第一權(quán)重因子對(duì)應(yīng)所述人臉圖像的LBP特征，所述第二權(quán)重因子對(duì)應(yīng)所述人臉圖像的SIFT特征。
[0056]生成單元54，根據(jù)所述第一權(quán)重因子和所述第二權(quán)重因子，對(duì)所述人臉圖像的所述LBP特征和所述SIFT特征進(jìn)行組合，生成所述人臉圖像的人臉特征。
[0057]可選地，所述第一提取單元51包括:
[0058]第一分塊單元，對(duì)所述人臉圖像進(jìn)行分塊，得到N個(gè)圖像分塊，所述N為大于I的整數(shù)。
[0059]第一提取子單元，分別對(duì)每一個(gè)所述圖像分塊進(jìn)行多尺度的LBP特征提取，得到每一個(gè)所述圖像分塊的多尺度LBP特征。
[0060]第一組合子單元，組合N個(gè)所述圖像分塊的所述多尺度LBP特征，并進(jìn)行歸一化處理，得到所述人臉圖像的LBP特征。
[0061]可選地，所述第二提取單元52包括:
[0062]第二分塊單元，對(duì)所述人臉圖像進(jìn)行分塊，得到N個(gè)圖像分塊，所述N為大于I的整數(shù)。
[0063]第二提取子單元，分別對(duì)每一個(gè)所述圖像分塊進(jìn)行SIFT特征提取，得到每一個(gè)所述圖像分塊的SIFT特征。
[0064]第二組合子單元，組合N個(gè)所述圖像分塊的所述SIFT特征，并進(jìn)行歸一化處理，得到所述人臉圖像的SIFT特征。
[0065]可選地，所述生成單元54具體用于:[0066]將行組合，并進(jìn)行歸一化處理，得到所述人臉圖像的人臉特征，其中，所述F-為所述第一權(quán)重因子，所述V-為所述人臉圖像的所述LBP特征，所述Fsift為所述第二權(quán)重因子，所述Vsift為所述人臉圖像的所述SIFT特征。
[0067]可選地，所述第一權(quán)重因子和所述第二權(quán)重因子之和為I。
[0068]在本發(fā)明實(shí)施例中，將多尺度LBP特征提取與SIFT特征提取同時(shí)應(yīng)用到人臉識(shí)別的特征提取過程中，并通過為根據(jù)上述兩種算法提取出的人臉特征分別賦予相應(yīng)的權(quán)重，從而最終確定出人臉圖像的人臉特征，實(shí)現(xiàn)了對(duì)人臉紋理信息和人臉局部區(qū)域邊緣信息的保留，有效地提高了人臉識(shí)別過程中人臉特征提取的精度。
[0069]以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種人臉識(shí)別的特征提取方法，其特征在于，包括: 提取人臉圖像的多尺度局部二值模式LBP特征； 提取所述人臉圖像的尺度不變特征轉(zhuǎn)換SIFT特征； 獲取第一權(quán)重因子和第二權(quán)重因子，所述第一權(quán)重因子對(duì)應(yīng)所述人臉圖像的LBP特征，所述第二權(quán)重因子對(duì)應(yīng)所述人臉圖像的SIFT特征； 根據(jù)所述第一權(quán)重因子和所述第二權(quán)重因子，對(duì)所述人臉圖像的所述LBP特征和所述SIFT特征進(jìn)行組合，生成所述人臉圖像的人臉特征。
2.如權(quán)利要求1所述的方法，其特征在于，所述提取人臉圖像的多尺度LBP特征包括: 對(duì)所述人臉圖像進(jìn)行分塊，得到N個(gè)圖像分塊，所述N為大于I的整數(shù)； 分別對(duì)每一個(gè)所述圖像分塊進(jìn)行多尺度的LBP特征提取，得到每一個(gè)所述圖像分塊的多尺度LBP特征； 組合N個(gè)所述圖像分塊的所述多尺度LBP特征，并進(jìn)行歸一化處理，得到所述人臉圖像的LBP特征。
3.如權(quán)利要求1所述的方法，其特征在于，所述提取人臉圖像的SIFT特征包括: 對(duì)所述人臉圖像進(jìn)行分塊，得到N個(gè)圖像分塊，所述N為大于I的整數(shù)； 分別對(duì)每一個(gè)所述圖像分 塊進(jìn)行SIFT特征提取，得到每一個(gè)所述圖像分塊的SIFT特征； 組合N個(gè)所述圖像分塊的所述SIFT特征，并進(jìn)行歸一化處理，得到所述人臉圖像的SIFT特征。
4.如權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述第一權(quán)重因子和所述第二權(quán)重因子，對(duì)所述人臉圖像的所述LBP特征和所述SIFT特征進(jìn)行組合，生成所述人臉圖像的人臉特征包括: 將RbpXVi^bp和FsiftXVsift進(jìn)行組合，并進(jìn)行歸一化處理，得到所述人臉圖像的人臉特征，其中，所述F-為所述第一權(quán)重因子，所述V-為所述人臉圖像的所述LBP特征，所述Fsift為所述第二權(quán)重因子，所述Vsift為所述人臉圖像的所述SIFT特征。
5.如權(quán)利要求4所述的方法，其特征在于，所述第一權(quán)重因子和所述第二權(quán)重因子之和為I。
6.一種人臉識(shí)別的特征提取裝置，其特征在于，包括: 第一提取單元，用于提取人臉圖像的多尺度局部二值模式LBP特征； 第二提取單元，用于提取所述人臉圖像的尺度不變特征轉(zhuǎn)換SIFT特征； 獲取單元，用于獲取第一權(quán)重因子和第二權(quán)重因子，所述第一權(quán)重因子對(duì)應(yīng)所述人臉圖像的LBP特征，所述第二權(quán)重因子對(duì)應(yīng)所述人臉圖像的SIFT特征； 生成單元，用于根據(jù)所述第一權(quán)重因子和所述第二權(quán)重因子，對(duì)所述人臉圖像的所述LBP特征和所述SIFT特征進(jìn)行組合，生成所述人臉圖像的人臉特征。
7.如權(quán)利要求6所述的裝置，其特征在于，所述第一提取單元包括: 第一分塊單元，用于對(duì)所述人臉圖像進(jìn)行分塊，得到N個(gè)圖像分塊，所述N為大于I的整數(shù)； 第一提取子單元，用于分別對(duì)每一個(gè)所述圖像分塊進(jìn)行多尺度的LBP特征提取，得到每一個(gè)所述圖像分塊的多尺度LBP特征；第一組合子單元，用于組合N個(gè)所述圖像分塊的所述多尺度LBP特征，并進(jìn)行歸一化處理，得到所述人臉圖像的LBP特征。
8.如權(quán)利要求6所述的裝置，其特征在于，所述第二提取單元包括: 第二分塊單元，用于對(duì)所述人臉圖像進(jìn)行分塊，得到N個(gè)圖像分塊，所述N為大于I的整數(shù)； 第二提取子單元，用于分別對(duì)每一個(gè)所述圖像分塊進(jìn)行SIFT特征提取，得到每一個(gè)所述圖像分塊 的SIFT特征； 第二組合子單元，用于組合N個(gè)所述圖像分塊的所述SIFT特征，并進(jìn)行歸一化處理，得到所述人臉圖像的SIFT特征。
9.如權(quán)利要求6所述的裝置，其特征在于，所述生成單元具體用于: 將RbpXVi^bp和FsiftXVsift進(jìn)行組合，并進(jìn)行歸一化處理，得到所述人臉圖像的人臉特征，其中，所述F-為所述第一權(quán)重因子，所述V-為所述人臉圖像的所述LBP特征，所述Fsift為所述第二權(quán)重因子，所述Vsift為所述人臉圖像的所述SIFT特征。
10.如權(quán)利要求9所述的裝置，其特征在于，所述第一權(quán)重因子和所述第二權(quán)重因子之和為I。
【文檔編號(hào)】G06K9/46GK103745207SQ201410040459
【公開日】2014年4月23日 申請(qǐng)日期:2014年1月27日 優(yōu)先權(quán)日:2014年1月27日
【發(fā)明者】馮良炳 申請(qǐng)人:中國科學(xué)院深圳先進(jìn)技術(shù)研究院