一種基于不對稱變換的行人再標(biāo)識方法
【專利摘要】本發(fā)明公開了一種基于不對稱變換的行人再標(biāo)識方法，包括步驟：提取訓(xùn)練所用的行人圖像集的LOMO特征構(gòu)成特征矩陣，構(gòu)建每一張訓(xùn)練所用的測試圖像期望的稀疏重構(gòu)向量；構(gòu)建需要優(yōu)化的整體的目標(biāo)函數(shù)；采用交替優(yōu)化的框架隊所述目標(biāo)函數(shù)進(jìn)行優(yōu)化，當(dāng)目標(biāo)函數(shù)收斂后，得到非對稱變換矩陣TA和TB；在測試階段，使用變換后的圖像集中的圖像特征來對變換后的測試集中的圖像特征進(jìn)行重構(gòu)；使用重構(gòu)系數(shù)向量的大小關(guān)系對圖像集中的圖像進(jìn)行排序。本發(fā)明提高了稀疏重構(gòu)的可靠性，提高了行人再標(biāo)識的準(zhǔn)確性和魯棒性；解決了行人再標(biāo)識問題中遮擋情況帶來的困擾；且提高了行人再標(biāo)識的準(zhǔn)確性。
【專利說明】
-種基于不對稱變換的行人再標(biāo)識方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種行人再標(biāo)識的方法，尤其設(shè)及一種多帖情況下的，基于不對稱變 換的行人再標(biāo)識方法。
【背景技術(shù)】
[0002] 行人再標(biāo)識問題是對于一個已知每一張圖片標(biāo)號的圖像集，從中尋找與當(dāng)前未標(biāo) 識圖像最相近的圖片來對圖片進(jìn)行標(biāo)識，主要分為兩個步驟:特征提取和度量學(xué)習(xí)。由于光 照、姿態(tài)、遮擋、背景等因素的變化，導(dǎo)致類間差異的存在，使得行人再標(biāo)識問題成為一個非 常具有挑戰(zhàn)性的問題。
[0003] 此外，在行人再標(biāo)識的實現(xiàn)過程中，一般的做法是使用一個魯棒的描繪子或者具 有判別性的度量學(xué)習(xí)模型來對圖像集中圖像進(jìn)行排序，然而運樣的缺點是沒有考慮到測試 圖像與圖像集中所有圖像相似性的相對關(guān)系，大量關(guān)于測試圖像的信息沒有被利用到，使 得匹配性能不能達(dá)到很好的效果。
[0004] Gius邱pe LiSanti在2015年提出利用稀疏重構(gòu)的方法來解決行人再標(biāo)識問題，稀 疏重構(gòu)的方法把測試圖像近似為圖像集中的所有圖像的線性組合，并且利用重構(gòu)誤差來對 圖像集中所有圖像進(jìn)行排序。然而由于行人再標(biāo)識問題中不同攝像頭下得到的樣本具有巨 大的差異性，從一個攝像頭下得到的樣本對于另外一個攝像頭的樣本沒有足夠的表達(dá)能 力，導(dǎo)致在原有空間中進(jìn)行稀疏重構(gòu)的效果并不理想。

【發(fā)明內(nèi)容】

[0005] 為克服現(xiàn)有的行人再標(biāo)識方法的不足，提供一種匹配率高、魯棒性強的行人再標(biāo) 識方法，本發(fā)明提出一種基于不對稱變換的行人再標(biāo)識方法，本發(fā)明的技術(shù)方案是運樣 的：
[0006] -種基于不對稱變換的行人再標(biāo)識方法，包括步驟：
[0007] SI:提取訓(xùn)練所用的行人圖像集的LOMO特征構(gòu)成特征矩陣G和P，對于每一個行人 的所有圖像特征進(jìn)行求平均操作，得到表示該行人的特征；
[000引S2:構(gòu)建每一張訓(xùn)練所用的測試圖像期望的稀疏重構(gòu)向量；
[0009] S3:得到所有測試圖像期望的稀疏重構(gòu)向量后，構(gòu)建需要優(yōu)化的整體的目標(biāo)函數(shù)；
[0010] S4:采用交替優(yōu)化的框架隊所述目標(biāo)函數(shù)進(jìn)行優(yōu)化，當(dāng)目標(biāo)函數(shù)收斂后，得到非對 稱變換矩陣Ta和Tb;
[0011] S5:在測試階段，將圖像集中的圖像使用非對稱變換矩陣Ta進(jìn)行變換，將測試集中 的圖像使用非對稱變換矩陣Tb進(jìn)行變換，并使用變換后的圖像集中的圖像特征來對變換后 的測試集中的圖像特征進(jìn)行重構(gòu)；
[0012] S6:使用重構(gòu)系數(shù)向量的大小關(guān)系對圖像集中的圖像進(jìn)行排序。
[0013] 進(jìn)一步地，步驟Sl包括步驟：
[0014] Sll:對行人圖像進(jìn)行處理；
[0015] S12:除了顏色的描繪子外，還對所述行人圖像的紋理子進(jìn)行描繪；
[0016] S13:檢測處于同一水平線上的所有子窗口，選取直方圖中每個位置最大的值作為 該水平線的總體特征；
[0017] S14:將顏色描繪子的特征和紋理描繪子的特征串聯(lián)成為LOMO特征。
[001引更進(jìn)一步地，步驟Sl 1中使用Retinex算法進(jìn)行行人圖像處理。
[0019] 更進(jìn)一步地，步驟S12中使用SILTP對圖像紋理進(jìn)行描繪。
[0020] 進(jìn)一步地，步驟S2構(gòu)建每一張訓(xùn)練所用的測試圖像期望的稀疏重構(gòu)向量包括步 驟：
[0021] 對于訓(xùn)練用的測試圖像特征，在訓(xùn)練用的圖像集平均特征尋找與其類標(biāo)一樣的特 征并記錄其位置，構(gòu)造一個長度與圖像集特征數(shù)目相等的全0向量，并將該向量中對應(yīng)于所 述類標(biāo)一樣的特征的位置設(shè)置為1.
[0022] 進(jìn)一步地，步驟S3中目標(biāo)函數(shù)的構(gòu)建具體步驟為:假設(shè)訓(xùn)練所用的行人圖像集中 測試圖像數(shù)量為n，對于測試圖像Pk構(gòu)造的構(gòu)造期望的稀疏編碼向量Sk,待優(yōu)化不對稱的變 換矩陣分別為Ta和Tb,其中Ta和Tb初始為單位陣，構(gòu)造的目標(biāo)函數(shù)為
[0023]
[0024]
[0025] !構(gòu)系數(shù)向量，S= ki, S2, .. .Sn]是所有待優(yōu)化的系數(shù)向量組成的矩陣。
[00%] 進(jìn)一步地，步驟S4包括步驟：
[0027] S41:初始化Ta和Tb為單位陣，目標(biāo)函數(shù)S為隨機矩陣；
[0028] S42:固定Ta和Tb，對S進(jìn)行優(yōu)化，由于Ta和Tb已經(jīng)被固定，S的每一列此時都是相互 獨立的，因此S的每一列Si此時都可W通過求解下面的式子進(jìn)行更新：
[0029]
[0030]
[0031] si,j^U，j = i，；^...，n;
[0032] S43:固定S和Tb,對Ta進(jìn)行優(yōu)化，通過讓目標(biāo)函數(shù)對Ta求導(dǎo)得到關(guān)于Ta的局部最小 值對Ta進(jìn)行更新：
[0033]
[0034] S44:固定S和Ta,對Tb進(jìn)行優(yōu)化，通過讓目標(biāo)函數(shù)對Tb求導(dǎo)得到關(guān)于Tb的局部最小 值對Tb進(jìn)行更新：
[0035]
[0036] S45:重復(fù)執(zhí)行步驟S42至S44,直到目標(biāo)函數(shù)別欠斂，得到最終需要學(xué)習(xí)的非對稱變 換矩陣Ta和Tb。
[0037]進(jìn)一步地，步驟S5中所述使用變換后的圖像集中的圖像特征來對變換后的測試集 中的圖像特征進(jìn)行重構(gòu)包括步驟：
[003引 SW ?對豐巧傻隹W巧細(xì)Il巧圖像集屬于同一個人的特征向量求平均，得到矩陣夢后：
[0039]
[0040]
[0041] S52:將測試圖像/f圖像分別通過投影矩陣Ta進(jìn)行投影，將與圖像集盡f中的圖像 通過投影矩陣Tb進(jìn)行投影，最后求解下面的式子得到重構(gòu)系數(shù)向量Si:
[0042]
[0043]
[0044] si,m^0,m=l ,2,. . . ,n〇
[0045] 本發(fā)明的有益效果在于，首先，本發(fā)明通過將圖像特征投影到變換空間中去，使得 屬于同一個行人的圖像之間的重構(gòu)誤差變小，同時使得不屬于同一個人行人的圖像之間的 重構(gòu)誤差變大，提高了稀疏重構(gòu)的可靠性，提高了行人再標(biāo)識的準(zhǔn)確性和魯棒性;其次，本 發(fā)明針對行人再標(biāo)識問題中的有可能出現(xiàn)遮擋的問題，通過在匹配前對每個人的所有圖像 進(jìn)行平均操作，很大程度上解決了行人再標(biāo)識問題中遮擋情況帶來的困擾;再次，本發(fā)明把 通過在求解重構(gòu)系數(shù)向量的過程中添加明確的約束，使得兩個圖像之間的重構(gòu)系數(shù)可W有 效的表達(dá)兩個圖像之間的匹配概率，很大程度上提高了行人再標(biāo)識的準(zhǔn)確性。
[0046]
【附圖說明】
[0047] 圖1是本發(fā)明基于不對稱變換的行人再標(biāo)識方法流程圖；
[004引圖2是步驟S4中目標(biāo)函數(shù)優(yōu)化流程圖。
【具體實施方式】
[0049] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于 本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護(hù)的范圍。
[0050] 請參見圖1，一種基于不對稱變換的行人再標(biāo)識方法，包括步驟：
[0051] SI:提取訓(xùn)練所用的行人圖像集的LOMO特征構(gòu)成特征矩陣G和P，對于每一個行人 的所有圖像特征進(jìn)行求平均操作，得到表示該行人的特征；
[0052] S2:構(gòu)建每一張訓(xùn)練所用的測試圖像期望的稀疏重構(gòu)向量；
[0053] S3:得到所有測試圖像期望的稀疏重構(gòu)向量后，構(gòu)建需要優(yōu)化的整體的目標(biāo)函數(shù)；
[0054] S4:采用交替優(yōu)化的框架隊所述目標(biāo)函數(shù)進(jìn)行優(yōu)化，當(dāng)目標(biāo)函數(shù)收斂后，得到非對 稱變換矩陣Ta和Tb;
[0055] S5:在測試階段，將圖像集中的圖像使用非對稱變換矩陣Ta進(jìn)行變換，將測試集中 的圖像使用非對稱變換矩陣Tb進(jìn)行變換，并使用變換后的圖像集中的圖像特征來對變換后 的測試集中的圖像特征進(jìn)行重構(gòu)；
[0056] S6:使用重構(gòu)系數(shù)向量的大小關(guān)系對圖像集中的圖像進(jìn)行排序。
[0057] 其中，在步驟Sl中，提取LOMO特征的過程，包括步驟Sll:使用Retinex算法對行人 圖像進(jìn)行處理，運個算法通過處理彩色圖像使得結(jié)果對于光照變化具有很好的魯棒性： S12:除了顏色的描述子之外，還使用紋理描述子來對圖像的特征進(jìn)行表達(dá)，運里使用 SILTP來對圖像紋理進(jìn)行描繪;S13:提出使用滑動窗口來表達(dá)一張行人圖片的局部細(xì)節(jié)，我 檢測處于同一水平線上的所有子窗口，選取直方圖中每個位置最大的值作為該水平線的總 體特征，運樣的操作使得輸出的直方圖特征得到對于角度不變的效果，同時還可W捕捉到 行人的局部區(qū)域特征最終和步驟S14:將上述的顏色描繪子和紋理描繪子串聯(lián)成為LOMO特 征。
[0058] 在步驟S2中，構(gòu)造期望的稀疏編碼向量的步驟如下：對于訓(xùn)練用的測試圖像特征 巧、^在訓(xùn)練用的圖像集平均特征浸尋找與其類標(biāo)一樣的特征&并記錄去位置，構(gòu)造一個長 度與圖像集特征數(shù)目相等的全0向量，并將該向量中對應(yīng)于^的位置設(shè)置為1.
[0059] 在步驟S3中，構(gòu)建目標(biāo)函數(shù)的具體步驟為:假設(shè)有訓(xùn)練集中測試圖像數(shù)量為n，對 于測試圖像化構(gòu)造的構(gòu)造期望的稀疏編碼向量Sk,待優(yōu)化不對稱的變換矩陣分別為Ta和Tb。 構(gòu)造的目標(biāo)函數(shù)為
[0060]
[0061]
[0062]
[0063] 步驟S4包括步驟：
[0064] S41:初始化Ta和Tb為單位陣，目標(biāo)函數(shù)S為隨機矩陣；
[00化]S42:固定Ta和Tb，對S進(jìn)行優(yōu)化，由于Ta和Tb已經(jīng)被固定，S的每一列此時都是相互 獨立的，因此S的每一列Si此時都可W通過求解下面的式子進(jìn)行更新：
[0066]
[0067]
[006引 si,j>0, j = l ,2, . . . ,n;
[0069] S43:固定S和Tb,對Ta進(jìn)行優(yōu)化，通過讓目標(biāo)函數(shù)對Ta求導(dǎo)得到關(guān)于Ta的局部最小 值對Ta進(jìn)行更新：
[0070]
[0071] S44:固定S和Ta,對Tb進(jìn)行優(yōu)化，通過讓目標(biāo)函數(shù)對Tb求導(dǎo)得到關(guān)于Tb的局部最小 值對Tb進(jìn)行更新：
[0072]
'/
[0073] S45:重復(fù)執(zhí)行步驟S42至S44,直到目標(biāo)函數(shù)別欠斂，得到最終需要學(xué)習(xí)的非對稱變 換矩陣Ta和Tb。
[0074] 步驟S5中所述使用變換后的圖像集中的圖像特征來對變換后的測試集中的圖像 特征進(jìn)行重構(gòu)包括步驟：
[0075] S51:對于圖像集W及測試圖像集屬于同一個人的特征向量求平均，得到矩陣 戸'點
[0076]
[0077]
[0078] S52:將測試圖像if圖像分別通過投影矩陣Ta進(jìn)行投影，將與圖像集巧f中的圖像 通過投旨'/4HR電T。巧:旨鳥巨古.解下面的式子得到重構(gòu)系數(shù)向量Si :
[0079]
[0080]
[0081 ] Si,m^〇,m=l ,2,. . . ,n〇
[0082] 本發(fā)明基于不對稱變換的稀疏重構(gòu)行人再標(biāo)識方法，其一個實施例如下：
[0083] 步驟SI:對于圖像集W及測試圖像，首先提取提魯棒的特征描述符L0M0,具體可參 考('S. Liao ,Y.Hu ,X. Zhu,and S. Z. Li , ('Person re-identif ication by local maximal occurrence representation and metric learning,，，in CVP民，2015.pp. 2197-2206，，。
[0084] 步驟S 2 :對于所有屬于第i個人的特征集合
和
出其平均特征巧^日S作為運個人的描述子;對于訓(xùn)練用的測 試樣本g ^戈到與其匹配的行人特征^生成其期望的重構(gòu)系數(shù)向量，具體地，先生成一個 全0向量，其長度為圖像集的特征數(shù)目，然后將對應(yīng)于&的那一位置設(shè)為1.
[0085] 步驟S3:當(dāng)每一個訓(xùn)練樣本的重構(gòu)系數(shù)向量都構(gòu)造完成之后，我們構(gòu)造總體的目 標(biāo)函數(shù)：
[0086；
[0087]
[008引
[0089] 其中i,.是對于第i個樣本期望的重構(gòu)系數(shù)向量，S=kl，S2，...Sn]是所有待優(yōu)化的 系數(shù)向量組成的矩陣。
[0090] 步驟S4:目標(biāo)函數(shù)的優(yōu)化過程如圖2所示，運里采用的是交替優(yōu)化框架對目標(biāo)函數(shù) 進(jìn)行優(yōu)化：
[0091] S41:初始化Ta和Tb為單位陣，S為隨機矩陣。
[0092] S42:固定Ta和Tb，對S進(jìn)行優(yōu)化，由于Ta和Tb已經(jīng)被固定，S的每一列此時都是相互 獨立的，因此S的每一列Si此時都可W通過求解下面的式子進(jìn)行更新，
[0093]
[0094]
[0095] SiJ^O, j = l ,2, . . . ,n
[0096] 運個問題可W通過簡單的凸優(yōu)化工具包進(jìn)行求解，在運里我們通過CVX工具包進(jìn) 行求角軍，詳細(xì)課參見('M.Grant and S.Boyd.Graph implementations for non-smooth convex programs.In V.Blondel,S.Boyd,and H.Kimura,editors,Recent Advances in Learning and Control,Lecture Notes in Control and Information Sciences,pages 95-110,2008/'。
[0097] S43:固定S和Tb,對Ta進(jìn)行優(yōu)化，通過讓目標(biāo)函數(shù)對Ta求導(dǎo)得到關(guān)于Ta的局部最小 值對Ta進(jìn)行更新：
[009引
[0099] S44:固定S和Ta,對Tb進(jìn)行優(yōu)化，通過讓目標(biāo)函數(shù)對Tb求導(dǎo)得到關(guān)于Tb的局部最小 值對Tb進(jìn)行更新：
[0100]
[0101] S45:重復(fù)執(zhí)斤步驟S42-S44，知道目標(biāo)函數(shù)收斂，得到最終需要學(xué)習(xí)的不對稱變換 矩陣Ta和Tb。
[0102] 步驟S5:在測試階段，先將所有圖像分別提取LOMO特征，對于圖像集W及測試圖像 集屬于同一個人的特征向量求平均，得到矩陣
[0103]
[0104]
[0105] 然后將測試圖像Pit與圖像集。'中的圖像分別通過投影矩陣Ta和Tb進(jìn)行投影，最后 求解下面的式子得到重構(gòu)系數(shù)向量Si。
[0106]
[0107]
[010引 si,m>0,m=l ,2,. . . ,n。
[0109] 步驟S6:通過重構(gòu)系數(shù)向量Si的大小關(guān)系對圖像集G'中的圖像進(jìn)行排序。
[0110] 通過W上步驟，就可W組成一個行人身份在跨攝像頭場景下再標(biāo)識的系統(tǒng)。
[0111] W上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員 來說，在不脫離本發(fā)明原理的前提下，還可W做出若干改進(jìn)和潤飾，運些改進(jìn)和潤飾也視為 本發(fā)明的保護(hù)范圍。
【主權(quán)項】
1. 一種基于不對稱變換的行人再標(biāo)識方法，其特征在于，包括步驟： S1:提取訓(xùn)練所用的行人圖像集的LOMO特征構(gòu)成特征矩陣G和P，對于每一個行人的所 有圖像特征進(jìn)行求平均操作，得到表示該行人的特征； S2:構(gòu)建每一張訓(xùn)練所用的測試圖像期望的稀疏重構(gòu)向量； S3:得到所有測試圖像期望的稀疏重構(gòu)向量后，構(gòu)建需要優(yōu)化的整體的目標(biāo)函數(shù)； S4:采用交替優(yōu)化的框架隊所述目標(biāo)函數(shù)進(jìn)行優(yōu)化，當(dāng)目標(biāo)函數(shù)收斂后，得到非對稱變 換矩陣Τα和TB; S5:在測試階段，將圖像集中的圖像使用非對稱變換矩陣Τα進(jìn)行變換，將測試集中的圖 像使用非對稱變換矩陣Τβ進(jìn)行變換，并使用變換后的圖像集中的圖像特征來對變換后的測 試集中的圖像特征進(jìn)行重構(gòu)； S6:使用重構(gòu)系數(shù)向量的大小關(guān)系對圖像集中的圖像進(jìn)行排序。2. 如權(quán)利要求1所述的基于不對稱變換的行人再標(biāo)識方法，其特征在于，步驟S1包括步 驟： S11:對行人圖像進(jìn)行處理； S12:除了顏色的描繪子外，還對所述行人圖像的紋理子進(jìn)行描繪； S13:檢測處于同一水平線上的所有子窗口，選取直方圖中每個位置最大的值作為該水 平線的總體特征； S14:將顏色描繪子的特征和紋理描繪子的特征串聯(lián)成為LOMO特征。3. 如權(quán)利要求2所述的基于不對稱變換的行人再標(biāo)識方法，其特征在于，步驟SI 1中使 用Retinex算法進(jìn)行行人圖像處理。4. 如權(quán)利要求2所述的基于不對稱變換的行人再標(biāo)識方法，其特征在于，步驟S12中使 用SILTP對圖像紋理進(jìn)行描繪。5. 如權(quán)利要求1所述的基于不對稱變換的行人再標(biāo)識方法，其特征在于，步驟S2構(gòu)建每 一張訓(xùn)練所用的測試圖像期望的稀疏重構(gòu)向量包括步驟： 對于訓(xùn)練用的測試圖像特征，在訓(xùn)練用的圖像集平均特征尋找與其類標(biāo)一樣的特征并 記錄其位置，構(gòu)造一個長度與圖像集特征數(shù)目相等的全〇向量，并將該向量中對應(yīng)于所述類 標(biāo)一樣的特征的位置設(shè)置為1。6. 如權(quán)利要求1所述的基于不對稱變換的行人再標(biāo)識方法，其特征在于，步驟S3中目標(biāo) 函數(shù)的構(gòu)建具體步驟為:假設(shè)訓(xùn)練所用的行人圖像集中測試圖像數(shù)量為n，對于測試圖像p k 構(gòu)造的構(gòu)造期望的稀疏編碼向量sk，待優(yōu)化不對稱的變換矩陣分別為Τα和TB，其中Τα和TB初 始為單位陣，構(gòu)造的目標(biāo)函數(shù)為其中筆.是對于第i個樣本期 望的重構(gòu)系數(shù)向量，S=[S1，S2，...Sn]是所有待優(yōu)化的系數(shù)向量組成的矩陣。7. 如權(quán)利要求1所述的基于不對稱變換的行人再標(biāo)識方法，其特征在于，步驟S4包括步 驟： S41:初始化Τα和TB為單位陣，目標(biāo)函數(shù)S為隨機矩陣； S42:固定Τα和TB，對S進(jìn)行優(yōu)化，由于Τα和TB已經(jīng)被固定，S的每一列此時都是相互獨立 的，因此S的每一列81此時都可以通過求解下面的式子進(jìn)行更新：Sij^o, j = l ,2,... ,η； S43:固定S和ΤΒ，對Τα進(jìn)行優(yōu)化，通過讓目標(biāo)函數(shù)對Τα求導(dǎo)得到關(guān)于Τα的局部最小值對Τα 進(jìn)行更新：S44:固定3和1^，對ΤΒ進(jìn)行優(yōu)化，通過讓目標(biāo)函數(shù)對ΤΒ求導(dǎo)得到關(guān)于ΤΒ的局部最小值對Τ Β 進(jìn)行更新：i S45:重復(fù)執(zhí)行步驟S42至S44,直到目標(biāo)函數(shù)S收斂，得到最終需要學(xué)習(xí)的非對稱變換矩 陣Τα和TB〇8.如權(quán)利要求1所述的基于不對稱變換的行人再標(biāo)識方法，其特征在于，步驟S5中所述 使用變換后的圖像集中的圖像特征來對變換后的測試集中的圖像特征進(jìn)行重構(gòu)包括步驟： S51:對于圖像集以及測試圖像集屬于同一個人的特征向量求平均，得到矩陣S52:將測試圖像if圖像分別通過投影矩陣TA進(jìn)行投影，將與圖像集中的圖像通過 投影矩陣TB進(jìn)行投影，最后求解下面的式子得到重構(gòu)系數(shù)向量s1: Si ,ιη^ 〇 j πι - 1，2，. . .，η 〇
【文檔編號】G06K9/62GK105956606SQ201610255341
【公開日】2016年9月21日
【申請日】2016年4月22日
【發(fā)明人】賴劍煌, 何煒雄, 陳穎聰
【申請人】中山大學(xué)