基于自適應(yīng)表示的人臉畫像合成方法
【專利摘要】本發(fā)明公開了一種基于自適應(yīng)表示的人臉畫像合成方法，主要解決現(xiàn)有方法合成畫像清晰度低和細節(jié)不完整的問題。其實現(xiàn)步驟是：首先對數(shù)據(jù)庫進行處理，將所有的圖像進行圖像濾波后，對圖像分塊并提取圖像塊特征，得到一個訓練畫像塊字典和兩個照片塊字典；其次根據(jù)測試照片塊中是否包含邊緣信息或者面部特征信息選擇不同的字典，尋找近鄰塊；最后利用馬爾可夫網(wǎng)絡(luò)模型得到待合成畫像塊，并對所有的待合成畫像塊進行融合得到合成畫像。本發(fā)明與現(xiàn)有方法相比，合成結(jié)果具有更高的清晰度、細節(jié)更完整，可用于人臉檢索與識別。
【專利說明】
基于自適應(yīng)表示的人臉畫像合成方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明是屬于圖像處理的技術(shù)領(lǐng)域，更進一步涉及模式識別與計算機視覺技術(shù)領(lǐng) 域中的人臉畫像合成方法，可用于刑偵破案中的人臉檢索與識別。
【背景技術(shù)】
[0002] 隨著現(xiàn)代社會以及多媒體的發(fā)展，人們越來越多的視頻影像被記錄下來，如何根 據(jù)已有的影像來鑒別和認證一個人的身份，已成為需要解決的問題之一，其中人臉識別具 有直接、友好和方便等特點，得到了廣泛的研究與應(yīng)用。人臉識別技術(shù)其中一個重要應(yīng)用就 是協(xié)助警方刑偵破案。但是在很多情況下，一些重案的嫌疑犯的照片是很難獲得的，或者得 到的照片不是正面的或者光照不均勻，那么警方就可以根據(jù)現(xiàn)場目擊證人的描述繪制出嫌 疑犯的畫像，之后在警方的照片數(shù)據(jù)庫中進行檢索與識別。由于人臉照片和畫像在成像機 制、形狀和紋理方面都存在較大的差異，用人臉畫像直接采用現(xiàn)有的人臉識別方法識別效 果較差。針對上述問題，一共有兩種方法:一種解決方案是將警方人臉數(shù)據(jù)庫中的照片轉(zhuǎn)化 成合成畫像，之后將待識別畫像在合成畫像數(shù)據(jù)庫中進行識別；另一種方案是將待識別畫 像轉(zhuǎn)化成合成照片，之后對其在警方的照片數(shù)據(jù)庫中進行識別。目前人臉畫像合成通常基 于三種方法:其一，基于局部線性的人臉畫像合成方法;其二，基于馬爾可夫網(wǎng)絡(luò)模型的人 臉畫像合成方法;其三，基于稀疏表示的人臉畫像合成方法。
[0003] Liu等人在文南犬 "Q· S· Liu and X. 0. Tang1A nonlinear approach for face sketch synthesis and recognition , in Proc. IEEE Int. Conference on Computer Vision，San Diego ,CA,pp .1005-1010，20-26Jun. 2005." 中提出了一種借助局部線性來近 似全局非線性的方法將照片轉(zhuǎn)化成合成畫像。該方法實施方式是:首先將訓練集中的照片-畫像對及待變換照片劃分成相同大小及相同重疊區(qū)域的圖像塊，對于待變換照片的每一個 照片塊在訓練照片塊中尋找它的K個近鄰照片塊，然后將K個照片塊對應(yīng)的畫像塊進行加權(quán) 組合得到待合成畫像塊，最后將所有的待合成畫像塊融合得到合成畫像。但是該方法存在 的不足之處是：由于近鄰個數(shù)是固定的，導致合成結(jié)果存在清晰度低、細節(jié)模糊的缺陷。
[0004] Wang等人在文獻 "X· Wang，and X · Tang，"Face Photo-Sketch Synthesis and Recognition，''IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(11 ),1955-1967,2009"中提出了一種基于馬爾可夫網(wǎng)絡(luò)模型的人臉畫像合成方法。該方 法實施方式是:首先將訓練集中的畫像-照片對及測試照片分塊，然后根據(jù)測試照片塊與訓 練照片塊之間的關(guān)系以及相鄰位置的畫像塊之間的關(guān)系，建立馬爾可夫網(wǎng)絡(luò)模型，對每個 測試照片塊尋找一個最佳的訓練畫像塊作為待合成畫像塊，最后將所有的待合成畫像塊融 合得到合成畫像。但是該方法存在的不足之處是：由于每個照片塊位置只選擇一個訓練畫 像塊進行畫像合成，導致合成結(jié)果存在塊效應(yīng)和細節(jié)缺失的問題。
[0005] 高新波等人申請的專利技術(shù)"基于稀疏表示的畫像-照片生成方法"（申請?zhí)枺?201010289330.9申請日：2010-09-24申請公布號：CN 101958000 A)中公開了一種基于稀疏 表示的人臉畫像合成方法。該方法實施方式是:首先采用已有方法生成合成畫像或合成照 片的初始估計，然后利用稀疏表示的方法合成出細節(jié)信息，最后將初始估計和細節(jié)信息進 行融合。但是該方法存在的不足之處是:忽略了相鄰位置的圖像塊之間的關(guān)系，導致合成結(jié) 果存在模糊和塊效應(yīng)。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述現(xiàn)有方法的不足，提出一種基于自適應(yīng)表示的人臉畫 像合成方法，以提高合成畫像的圖像質(zhì)量。
[0007] 實現(xiàn)本發(fā)明目的的技術(shù)方案包括：
[0008] 1. 一種基于自適應(yīng)表示的人臉畫像合成方法，包括如下步驟：
[0009] (1)將畫像-照片對數(shù)據(jù)庫劃分為訓練庫和測試庫，并從測試庫中選取一張測試照 片 PTe;
[0010] ⑵將訓練庫中的照片進行高斯差分濾波，并將訓練庫中的照片和對應(yīng)的濾波圖 像劃分為大小相同及重疊程度相同的塊;？·^=^·?!·,：!，？·?!·』，…，？·?!·,：!，…，？·?!^}，]^：!^^"* 塊的總個數(shù)；
[0011] (3)用訓練照片塊以及對應(yīng)的濾波圖像塊作為兩個特征，得到第一種訓練照片塊 字典D pl，并對訓練照片塊以及對應(yīng)的濾波圖像塊分別提取加速魯棒特征和局部二值模式特 征，用這四個特征作為第二種訓練照片塊字典％ 2;
[0012] ⑷將訓練庫中的畫像劃分為大小相同及重疊程度相同的塊STr = {STr,l，STr,2,…， STr,i，···，STr,N}，得到訓練畫像塊字典Ds;
[0013] (5)將測試照片進行邊緣檢測和特征點檢測，得到測試照片的邊緣信息和特征點 信息；
[0014] (6)將測試庫中的照片進行高斯差分濾波，并將測試照片和濾波后的照片劃分為 大小相同及重疊程度相同的塊Ρτ?= {Ρτ?,ι,Ρτμ，…，Ρτμ，…,Ρτθ,ν}，并判斷每個測試照片塊 Ph i是否有邊緣信息或者特征點信息：
[0015]如果這個照片塊包含邊緣信息或者特征點信息，對測試照片塊P^1提取加速魯棒 特征和局部二值模式特征，根據(jù)特征距離從訓練照片塊字典Dp2中尋找K個相近的照片塊作 為待選擇照片塊^ = 尤，同時從訓練畫像塊字典Ds中 選擇與近鄰照片塊對應(yīng)的畫像塊作為待選擇畫像塊f = , ,...，5V,，...，;Aj
[0016] 如果這個照片塊不包含邊緣信息或者特征點信息，將這個測試照片塊PtmW及對 應(yīng)的濾波圖像塊作為特征，根據(jù)特征距離從訓練照片塊字典D pl中尋找K個相近的照片塊作 為待選擇照片塊，同時從訓練畫像塊字典Ds中選擇與近鄰 照片塊對應(yīng)的畫像塊作為待選擇畫像塊》S*7K; = …,Sjwa:]·;
[0017] (7)利用提取的圖像塊特征，通過交替迭代的方法求解馬爾可夫網(wǎng)絡(luò)模型，得到每 個測試照片塊?1^,:1的多個特征之間的權(quán)值以1={以^1心,2，~心,1，~心,1_}，1<1<1^為特 征的總個數(shù)，同時得到每個測試照片塊對應(yīng)的待選擇照片塊：^；的權(quán)值CO1= { ω1;1， ω?,2,···, wiJ,···, ω?,κ};
[0018] (8)利用步驟（6)得到的待選擇畫像塊H = ^7wl,5；.,和步驟 (7)得到的權(quán)值ωι={ωι,^co1,2，···，CO 1WsCO1,κ}，按照下式得到每個測試照片塊Ρ Τ(3>1對 應(yīng)的待合成畫像協(xié)
[0019]
[0020] (9)迭代執(zhí)行步驟(7)-(8)直至得到N塊最終的待合成畫像塊，并將這些待合成畫 像塊進行組合得到與測試照片對應(yīng)的合成畫像。
[0021 ]本發(fā)明與現(xiàn)有方法相比具有如下優(yōu)點：
[0022] 第一，本發(fā)明考慮了相鄰位置圖像塊之間的關(guān)系，同時在每個塊位置選擇K個近鄰 塊進行重建，使得合成結(jié)果更加清晰；
[0023] 第二，本發(fā)明采用了自適應(yīng)表示的方法，不同的區(qū)域使用不同的特征進行合成，用 不同的特征衡量兩個圖像塊之間的距離關(guān)系，提高了合成結(jié)果的質(zhì)量并使細節(jié)更加完整。
【附圖說明】
[0024]圖1為本發(fā)明的實現(xiàn)流程圖；
[0025]圖2為用發(fā)明與現(xiàn)有的四種方法在CUHK student數(shù)據(jù)庫上的合成畫像的對比結(jié)果 圖。
【具體實施方式】
[0026]本發(fā)明的核心思想是:通過自適應(yīng)表示的思想提出一種人臉畫像合成方法，使不 同的人臉區(qū)域用不同的特征進行合成，提高合成結(jié)果的圖像質(zhì)量。
[0027]參照圖1，本發(fā)明的實施步驟如下：
[0028] 步驟1，選取測試照片PTe。
[0029] 從畫像-照片N對數(shù)據(jù)庫中劃分出訓練庫和測試庫，并從測試庫中選取一張照片作 為測試照片。
[0030] 步驟2,獲取兩個訓練照片塊字典Dpl和Dp2。
[0031] 2a)將訓練庫中的照片進行高斯差分濾波：
[0032] 2al)構(gòu)造兩個不同尺度值〇的高斯函數(shù)：
[0033]
[0034] 其中，G(x，y，〇)表示在〇尺度值下的高斯函數(shù)，x、y分別表示照片中像素點對應(yīng)的 橫、縱坐標值；
[0035] 2a2)將照片分別與兩個不同尺度的高斯函數(shù)進行卷積，得到兩個卷積后的照片；
[0036] 2a3)將兩個卷積后的照片相減，得到的圖像就是照片經(jīng)過高斯差分濾波后的結(jié) 果；
[0037] 2b)將訓練庫中的照片和對應(yīng)的濾波圖像劃分為相同大小及相同重疊程度的塊， 用訓練照片塊以及對應(yīng)的濾波圖像塊作為兩個特征，得到第一種訓練照片塊字典D pl;
[0038] 2c)對訓練照片塊以及對應(yīng)的濾波圖像塊分別提取加速魯棒特征和局部二值模式 特征，用這四個特征作為第二種訓練照片塊字典％ 2;
[0039] 所述加速魯棒特征特征和局部二值模式特征的提取方法，分別參考文獻"H.Bay， A.Ess,T.Tuytelaars,L.Gool.SURF:Speeded Up Robust Features.Computer Vision and Image Understanding，110(3): 346-359，2008" 與 "T · Ojala，M· PfetikSiiieii5T · MSeftpfl Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence，24(7):97h987,2002"〇
[0040] 步驟3,獲取訓練畫像塊字典Ds。
[0041] 將訓練庫中的畫像劃分為相同大小及相同重疊程度的塊，得到訓練畫像塊字典 Ds 〇
[0042]步驟4,獲取測試照片的信息。
[0043] 將測試照片進行邊緣檢測和特征點檢測，得到測試照片的邊緣信息和特征點信 息；
[0044] 步驟5,獲得待選擇照片塊和待選擇畫像塊€。
[0045] 將測試庫中的照片進行高斯差分濾波，并將測試照片和濾波后的照片劃分為大小 相同及重疊程度相同的塊PTf3= {Ρτ?,ι,Ρτ?』，…，Ρτμ，…，Ρτθ,ν}，并判斷每個測試照片塊Ptm 是否有邊緣信息或者特征點信息：
[0046] 如果這個照片塊包含邊緣信息或者特征點信息，對測試照片塊P^1提取加速魯棒 特征和局部二值模式特征，根據(jù)特征距離從訓練照片塊字典D p2中尋找K個相近的照片塊作 為待選擇照片= Λ.Ρ..^夂，同時從訓練畫像塊字典Ds中 選擇與近鄰照片塊對應(yīng)的畫像塊作為待選擇畫像塊= ;
[0047] 如果這個照片塊不包含邊緣信息或者特征點信息，將這個測試照片塊PTe>1以及對 應(yīng)的濾波圖像塊作為特征，根據(jù)特征距離從訓練照片塊字典D pl中尋找K個相近的照片塊作 為待選擇照片塊^ = Piwi, A,.2,…義..P…，同時從訓練畫像塊字典Ds中選擇與近鄰 照片塊對應(yīng)的畫像塊作為待選擇畫像塊.，心』。.
[0048] 步驟6，求解多特征之間的權(quán)值Pi和待選擇照片塊的權(quán)值ω i。
[0049] 利用提取的圖像塊特征，通過交替迭代的方法求解馬爾可夫網(wǎng)絡(luò)模型，得到每個 測試照片塊的多個特征之間的權(quán)值以1={以1,1心,2，~心,1，~心,山1<1^1^為特征的總 個數(shù)，同時得到每個測試照片塊對應(yīng)的待選擇照片塊€的權(quán)值W1= {ω1;1，ω1>2,…， ?ij,···, ω?)Κ}〇
[0050] 所述的通過交替迭代的方法求解步驟如下：
[0051] 6a)每個測試照片塊均隨機初始化多個特征之間的權(quán)值;^和待選擇照片塊的初 始值為ω i;
[0052] 6b)根據(jù)歐氏距離公式計算待選擇照片塊與測試照片塊的多個特征之間的歐式距 離，得出測試照片塊與待選擇照片塊之間的關(guān)系：
[0053]
[0054] 其中，d代表兩個特征之間的距離，X^x2分別代表兩個特征向量的橫坐標，71和72 分別代表兩個特征向量的縱坐標；
[0055] 6c)根據(jù)6b)所述的歐氏距離公式，計算相鄰位置的待選擇畫像塊的像素值之間的 歐式距離，從而得出相鄰位置的待選擇畫像塊之間的關(guān)系；
[0056] 6d)將6b)和6c)的結(jié)果帶入到馬爾可夫模型中；
[0057] 6e)利用馬爾科夫模型，根據(jù)多個特征之間的初始化權(quán)值;^對待選擇照片塊的初 始化權(quán)值i；進行優(yōu)化，得到優(yōu)化后的待選擇照片塊的權(quán)值ω ,;
[0058] 6f)根據(jù)馬爾科夫模型以及6e)優(yōu)化出來的待選擇照片塊的權(quán)值Co1，優(yōu)化多個特 征之間的初始化權(quán)值^，得到優(yōu)化后的多個特征之間的權(quán)值;
[0059] 6g)迭代執(zhí)行6b)至6f)，直至每個測試照片塊對應(yīng)的待選擇照片塊的權(quán)值Co1不再 變化或者達到預設(shè)的迭代次數(shù)，得到每個測試照片塊的多個特征之間的權(quán)值W和待選擇照 片塊的權(quán)值《i。
[0060] 步驟7,求解待合成畫像塊
[0061] 利用步驟5得到的待選擇畫像塊&和步驟6得到的權(quán)值ω ,，按照下式得到每個測 試照片塊對應(yīng)的待合成畫像塊S1:
[0062] Si=^oiO
[0063] 步驟8,迭代執(zhí)行得到最終的合成畫像。
[0064] 迭代執(zhí)行步驟6至步驟7直至得到所有的待合成畫像塊，并將得到的這些待合成畫 像塊進行融合得到與測試照片對應(yīng)的合成畫像。
[0065] 本發(fā)明的效果可以通過以下仿真實驗做進一步的說明。
[0066] 1.仿真條件
[0067]本發(fā)明是在中央處理器為Inter(R)Core(TM)i5-3470 3.20GHz、內(nèi)存 16G、WIND0WS 7操作系統(tǒng)上，運用美國Mathworks公司開發(fā)的MATLAB 2012b進行仿真。數(shù)據(jù)庫采用香港中 文大學CUHK student數(shù)據(jù)庫。
[0068] 2.仿真內(nèi)容
[0069]實驗1:照片到畫像的合成
[0070]用本發(fā)明方法和現(xiàn)有基于局部線性的方法LLE、基于馬爾可夫隨機場的方法MRF、 基于馬爾可夫權(quán)重場的方法MWF以及基于多特征融合方法MrFSPS，在香港中文大學的CUHK student數(shù)據(jù)庫上進行照片到畫像的合成，實驗結(jié)果如圖2,其中：
[0071] 圖2(a)為原始照片；
[0072] 圖2(b)為基于局部線性的方法LLE合成的畫像；
[0073]圖2 (c)為基于馬爾可夫隨機場的方法MRF合成的畫像；
[0074]圖2 (d)為基于馬爾可夫權(quán)重場的方法MffF合成的畫像；
[0075]圖2 (e)為基于多特征融合方法MrFSPS合成的畫像；
[0076]圖2(f)為本發(fā)明方法合成的畫像。
[0077]由實驗1結(jié)果可見，由于本發(fā)明借助了自適應(yīng)表示的思想，可以使人臉圖像的不同 區(qū)域使用不同的特征表示，可以更好的衡量兩個圖像塊之間的距離關(guān)系，使得合成結(jié)果優(yōu) 于其他的人臉畫像合成方法，驗證了本發(fā)明的先進性。
【主權(quán)項】
1. 一種基于自適應(yīng)表示的人臉畫像合成方法，包括如下步驟： (1) 將畫像-照片對數(shù)據(jù)庫劃分為訓練庫和測試庫，并從測試庫中選取一張測試照片 Ρτβ； (2) 將訓練庫中的照片進行高斯差分濾波，并將訓練庫中的照片和對應(yīng)的濾波圖像劃 分為大小相同及重疊程度相同的塊;Ρτγ={Ρτι·,1,Ρτι·,2, . . . ,PTr,i, . . . ,Ρτγ,ν} ,1 y如，Ν為塊 的總個數(shù)； (3) 用訓練照片塊W及對應(yīng)的濾波圖像塊作為兩個特征，得到第一種訓練照片塊字典 Dpi,并對訓練照片塊W及對應(yīng)的濾波圖像塊分別提取加速魯棒特征和局部二值模式特征， 用運四個特征作為第二種訓練照片塊字典Dp2; (4) 將訓練庫中的畫像劃分為大小相同及重疊程度相同的塊STr={ST"，STr,2,...， STr,i，. . .，STr,N}，得到訓練畫像塊字典DS; (5) 將測試照片進行邊緣檢測和特征點檢測，得到測試照片的邊緣信息和特征點信息； (6) 將測試庫中的照片進行高斯差分濾波，并將測試照片和濾波后的照片劃分為大小 相同及重疊程度相同的塊PTe={PTe,l，PTe,2, . . .，PTe,i，. . .，Ρτ6,ν}，并判斷每個測試照片塊 Ρτθ, i是否有邊緣信息或者特征點信息： 如果運個照片塊包含邊緣信息或者特征點信息，對測試照片塊Ρτβ,ι提取加速魯棒特征 和局部二值模式特征，根據(jù)特征距離從訓練照片塊字典Dp2中尋找Κ個相近的照片塊作為待 選擇照片塊>:: ={巧,,,.1，巧>,。，...，也。，...，巧>.,&.}，：1客/這1：，同時從訓練畫像塊字典化中選擇與 近鄰照片塊對應(yīng)的畫像塊作為待選擇畫像塊,，...，馬,,,κ}; 如果運個照片塊不包含邊緣信息或者特征點信息，將運個測試照片塊PTe,iW及對應(yīng)的 濾波圖像塊作為特征，根據(jù)特征距離從訓練照片塊字典Dpi中尋找K個相近的照片塊作為待 選擇照片塊[巧W巧,,。....，巧.,,9.，...，巧>,&.}，同時從訓練畫像塊字典化中選擇與近鄰照 片塊對應(yīng)的畫像塊作為待選擇畫像塊S: = (S。,。，; (7) 利用提取的圖像塊特征，通過交替迭代的方法求解馬爾可夫網(wǎng)絡(luò)模型，得到每個測 試照片塊PTe,i的多個特征之間的權(quán)值1?={μΜ，μL,2, . . .，μL,1，. . .，yi,L}，1 y如，L為特征 的總個數(shù)，同時得到每個測試照片塊對應(yīng)的待選擇照片塊的權(quán)值ωι={ ω 1,1， Wi'2, · . . , ω"，...，ω?'κ}; (8) 利用步驟(6)得到的待選擇畫像塊瓦={馬,,心餐搏，…，馬巧馬汲 到的權(quán)值ω 1= { ω 1,1，ω 1,2，. . .，ω 1J，. . .，ω ι,κ}，按照下式得到每個測試照片塊PTe,擁應(yīng) 的待合成畫像塊Si:(9) 迭代執(zhí)行步驟(7)-(8)直至得到N塊最終的待合成畫像塊，并將運些待合成畫像塊 進行組合得到與測試照片對應(yīng)的合成畫像。2. 根據(jù)權(quán)利要求1所述的基于自適應(yīng)表示的人臉畫像合成方法，其特征在于，步驟(2) 中對訓練庫中的照片進行高斯差分濾波，按如下步驟進行： (2a)構(gòu)造兩個不同尺度值ο的高斯函數(shù)：其中，G(x，y，〇)表示在0尺度值下的高斯函數(shù)，x、y分別表示照片中像素點對應(yīng)的橫、縱 坐標值； (2b)將照片分別與兩個不同尺度的高斯函數(shù)進行卷積，得到兩個卷積后的照片； (2c)將兩個卷積后的照片相減，得到的圖像就是照片經(jīng)過高斯差分濾波后的結(jié)果。3.根據(jù)權(quán)利要求1所述的基于自適應(yīng)表示的人臉畫像合成方法，其特征在于，步驟(7) 中通過交替迭代的方法求解馬爾可夫網(wǎng)絡(luò)模型，步驟如下： (3a)每個測試照片塊Ρτβ,ι均隨機初始化多個特征之間的權(quán)值ft和待選擇照片塊的初始 值為巧；' (3b)根據(jù)待選擇照片塊與測試照片塊的多個特征之間的距離，計算測試照片塊與待選 擇照片塊之間的關(guān)系； (3c)根據(jù)相鄰位置的待選擇畫像塊的像素值之間的距離，計算相鄰位置的待選擇畫像 塊之間的關(guān)系； (3d)將(3b)和(3c)的結(jié)果帶入到馬爾可夫模型中； (3e)利用馬爾科夫模型，根據(jù)多個特征之間的初始化權(quán)值;^對待選擇照片塊的初始化 權(quán)值進行優(yōu)化，得到優(yōu)化后的待選擇照片塊的權(quán)值ω 1; (3f)根據(jù)馬爾科夫模型W及(3e)優(yōu)化出來的待選擇照片塊的權(quán)值ωι，優(yōu)化多個特征之 間的初始化權(quán)值心，得到優(yōu)化后的多個特征之間的權(quán)值μι; (3g)迭代執(zhí)行(3b)至(3f)，直至每個測試照片塊對應(yīng)的待選擇照片塊的權(quán)值不再變化 或者達到預設(shè)的迭代次數(shù)，得到每個測試照片塊的多個特征之間的權(quán)值μι和待選擇照片塊 的權(quán)值Wi。
【文檔編號】G06T5/50GK105844605SQ201610152915
【公開日】2016年8月10日
【申請日】2016年3月17日
【發(fā)明人】王楠楠, 于昕曄, 高新波, 彭春蕾, 李潔, 査文錦, 孫雷雨, 張宇航, 朱明瑞, 曹兵, 馬卓奇
【申請人】西安電子科技大學