一種基于視頻的多人體目標在線測量方法
【專利摘要】本發明公開了一種基于視頻的多人體目標高度實時在線測量方法，其包括：步驟1、對相機進行標定，獲取相機的內參數矩陣和外參數矩陣，根據所述內參數矩陣和外參數矩陣計算無窮垂直消影點；步驟2、獲取待檢測視頻中運動人體的前景圖像；步驟3、對所述前景圖像進行形態學處理；步驟4、獲取所述前景圖像中每一個運動人體位置的矩形包圍框；步驟5、從所獲取的每一個運動人體位置的矩形包圍框中提取頭部特征點和腳部特征點；步驟6、根據所提取的頭部特征點和腳部特征點求解每一個運動人體的身高。
【專利說明】
一種基于視頻的多人體目標在線測量方法
技術領域
[0001] 本發明涉及一種基于視頻的多人體目標實時在線測量方法，屬于計算機視覺技術 領域。
【背景技術】
[0002] 基于視頻的動態目標測量是指利用計算機視覺技術測量視頻中動態目標的三維 信息，它是視頻分析的一項基本任務，其中對視頻中的運動人體的身高進行測量是動態目 標測量的一項重要技術。
[0003] 常用物體高度測量方法有基于立體視覺的方法或者基于RGB-D相機的方法，相比 于只利用單攝像頭的目標測量算法，這些算法需要特定的硬件設備，并且加大了硬件的成 本，因此基于單目相機的目標測量算法有較大的優勢。一些學者提出了基于單幅圖像進行 場景測量的方法，這些方法已經在建筑物測量以及犯罪現場測量中得到了一定的應用。然 而大多數基于單幅圖像的測量的方法都是針對外形規則的剛體目標提出的，而對行人或者 其他非剛體目標則無法適用，并且在目前已有的文獻當中很少有針對運動人體目標進行測 量的算法。
[0004] 董秋雷等發表的論文"基于視頻的實時自動人體高度測量"（自動化學報，2009，35 (2) :137-144)提出了一種基于視頻的單人目標高度測量方法，該方法首先通過高斯混合模 型獲取運動人體的前景區域圖像，然后在前景區域圖像中提取人體的頭部和腳部特征點， 再根據所提取的特征點建立約束方程求取近似人體的高度。該方法同時在視頻中跟蹤雙腳 區域，根據雙腳區域的跟蹤結果，引入一條關于特征點所對應空間點的幾何約束以進一步 優化測量結果。該方法能夠在分辨率較低的鏡頭下實現人體高度的自動測量。該方法能夠 實現對視頻中單個人體目標進行測量，但是不能測量視頻中多個人體目標的高度信息，并 且由于該方法在對人體腳部區域進行建模時，是通過高斯混合模型對鞋子的顏色進行建 模，因此只能對鞋子顏色與衣服顏色反差較大的人體目標進行測量。
[0005] 針對視頻中的多個運動人體目標進行測量的方法，目前鮮有文獻提出具體的解決 方法。
【發明內容】
[0006] 針對現有技術中存在的缺點，本發明的目的在于采用計算機視覺技術，對單個攝 像頭拍攝的視頻中的一個或者多個人體目標高度進行測量。
[0007] 為了實現上述目的，本發明采用的技術方案如下：
[0008] 根據本發明一方面，其提供了一種基于視頻的多人體目標高度實時在線測量方 法，其包括：
[0009] 步驟1、對相機進行標定，獲取相機的內參數矩陣和外參數矩陣，根據所述內參數 矩陣和外參數矩陣計算無窮垂直消影點；
[0010]步驟2、獲取待檢測視頻中運動人體的前景圖像；
[0011] 步驟3、對所述前景圖像進行形態學處理；
[0012] 步驟4、獲取所述前景圖像中每一個運動人體位置的矩形包圍框；
[0013] 步驟5、從所獲取的每一個運動人體位置的矩形包圍框中提取頭部特征點和腳部 特征點；
[0014] 步驟6、根據所提取的頭部特征點和腳部特征點求解每一個運動人體的身高。
[0015] 根據本發明另一方面，其提供了一種基于視頻的多人體目標高度實時在線測量裝 置，其包括：
[0016] 標定模塊，用于對相機進行標定，獲取相機的內參數矩陣和外參數矩陣，根據所述 內參數矩陣和外參數矩陣計算無窮垂直消影點；
[0017] 前景檢測模塊，用于獲取待檢測視頻中運動人體的前景圖像；
[0018] 預處理模塊，用于對所述前景圖像進行形態學處理；
[0019] 人體區域獲取模塊，用于獲取所述前景圖像中每一個運動人體位置的矩形包圍 框；
[0020] 特征點提取模塊，用于從所獲取的每一個運動人體位置的矩形包圍框中提取頭部 特征點和腳部特征點；
[0021 ]身高計算模塊，用于根據所提取的頭部特征點和腳部特征點求解每一個運動人體 的身高。本發明通過獲取視頻中每一個人體所在的矩形區域，從每一個運動人體目標的矩 形區域中提取出人體的頭部和腳部特征點，再建立約束方程求解每一個人體的高度。相比 于以往方法，本發明一種基于視頻的多人體目標實時在線測量方法具有以下有益效果：
[0022] (1)能夠對視頻中的運動人體目標的高度進行實時自動的測量，并且不要求人體 外觀(主要是指不要求人體服飾顏色與鞋子)的顏色反差較大，可以根據人體形態特征自動 提取頭部和腳部特征點。
[0023] (2)采用的背景建模算法可以只通過一幀圖像快速的提取出運動目標區域，即使 出現光照突變或者背景變化的情況，也能快速準確的分割背景和前景。并且，該算法所提取 的運動人體的目標區域團塊相對完整，可以更好的進行單個人體區域的提取。
[0024] (3)在人體團塊提取過程中，采用了有效的濾波方法，排出了由于背景干擾和圖像 噪聲帶來的影響，并且針對不連通的人體區域，采用了基于距離判斷的團塊方法，所提取的 運動人體目標區域更加準確。
[0025] (4)在確定單個人體目標區域時，采用基于擴展卡爾曼濾波的目標跟蹤算法確定 人體區域的搜索區域。這樣做有兩個好處:首先可以更加提高算法的效率;再者還能防止由 于分割出的不連通的人體前景區域而導致特征點檢測錯誤。
【附圖說明】
[0026] 圖1為本發明實施基于視頻的人體身高自動測量方法的流程圖。
[0027] 圖2A-2B為本發明實施基于視頻的人體身高自動測量方法中的運動人體的前景區 域分割結果，圖2A為原始灰度圖像，圖2B為前景分割結果。
[0028] 圖3A-3B為本發明實施基于視頻的人體身高自動測量方法中的多人目標團塊檢測 和跟蹤的效果圖，圖3A為灰度圖像，圖3B為多人目標團塊效果圖。
[0029] 圖4為本發明實施基于視頻的人體身高自動測量方法中的頭部特征點的提取結果 示意圖。
[0030] 圖5A-5B為本發明實施基于視頻的人體身高自動測量方法中的人體目標腳部區域 和腳部特征點的示意圖。
[0031] 圖6為本發明實施基于視頻的人體身高自動測量方法中的單個人體目標高度測量 結果示意圖。
[0032] 圖7為本發明實施基于視頻的人體身高自動測量方法中的多個人體目標高度測量 結果示意圖。
[0033]圖8為本發明方法時間效率分析及實時性驗證圖。
[0034]圖9A-9B為將本發明方法在部分監控數據上進行測試的結果示意圖。
【具體實施方式】
[0035]為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照 附圖，對本發明作進一步的詳細說明。
[0036]為了是本領域普通技術人員更好的理解本發明，首先對其中的一些基本概念和算 法進行解釋性說明：
[0037] ①圖像坐標系是以圖像左上角為原點，以像素為坐標單位的直角坐標系。其中u，v 分別表示像素在數字圖像中的列數與行數。
[0038] ②本發明中相機模型是線性相機模型，相機的內參數矩陣A和外參數矩陣[R t]均 事先標定好，相機的投影矩陣為A[R t]，Hg是像平面與標定板平面的單應矩陣。在一實施例 中，本發明提到的內參數矩陣H3A是3 X 3的上三角矩陣，R是3 X 3的旋轉矩陣，t是3 X 1的 平移向量。
[0039]③直線的消影點(Vanishing point)是指空間中直線上的無窮遠點在像平面上的 投影點。本發明中，將空間中垂直于地平面的直線的消影點稱為垂直消影點。當內參數A和 外參數[R t]已知時，垂直消影點mv可根據下式確定：
[0040] smv=A(ri Xr2) (1)
[0041] 其中，s是非零尺度因子，在齊次坐標運算中不影響計算結果。rdPrsSR的第一列 和第二列。
[0042] ④卡爾曼濾波(Kalman filter)是一種利用線性系統狀態方程，通過系統輸入輸 出觀測數據，對系統狀態進行最優估計的算法。由于觀測數據中包括系統中的噪聲和干擾 的影響，所以最優估計也可看作是濾波過程。利用卡爾曼濾波進行最優估計時，不需要存儲 之前的測量數據。當系統獲取新的測量數據后，利用新的測量數據和前一時刻狀態變量的 估計值，利用系統本身的狀態轉移方程，即可按遞推的方式計算當前時刻的狀態變量的估 計值，且其計算量小，可實時計算。卡爾曼濾波算法是針對線性系統的濾波算法，但是實際 情況下，狀態方程和測量方程均可能是非線性系統方程。這種情況下可以采用擴展卡爾曼 濾波(Extended Kalman Fi 1 ter，EKF)算法，其基本思想是:在濾波值附近，應用泰勒展開式 將非線性系統展開，并省去二階以上的高階項，從而原非線性系統就變成了一個線性系統， 再用標準卡爾曼濾波算法進行濾波處理。本發明中采用擴展卡爾曼濾波算法對人體目標進 行跟蹤。
[0043] ④Vibe背景分割(Visual Background Extractor)算法是一種基于像素的背景建 模或前景檢測的算法，該方法與傳統的方法最大的不同就在于:傳統的方法將圖像中每一 個像素進行統計建模，并計算每一個像素的概率分布函數，然后通過統計分布函數的統計 參數(例如平均值和方差)確定該像素是否屬于背景;Vibe算法則不用概率分布函數對每一 個像素點進行建模，而是直接為每一個背景像素點建立一個樣本集合，樣本集合中是由該 像素點過去的像素值和若干其鄰域點的像素值組成，然后將每一個新的像素值和樣本集合 的像素值進行比較，判斷是否屬于背景點。在模型的初始化上，Vibe背景分割算法只需要一 張圖片就能對模型進行初始化，相比于其他背景分割的算法，有較大優勢。此外，其模型的 更新策略也充分考慮到了像素之間的空間相關性，能夠應對背景的突然變化。本發明中采 用Vibe算法對運動人體目標進行前景分割。
[0044] 如圖1所示，本發明提出的一種基于視頻的多人體目標高度實時在線測量方法的 詳細步驟如下：
[0045] 1.對相機進行標定，獲取相機的內參數和外參數矩陣，并計算無窮消影點的圖像 點，在本步驟中，可以直接采用OpenCV的相機標定程序對相機進行標定，得到相機的像平面 與地面之間的單應矩陣H g、內參數A和外參數[R t]。當內參數矩陣和外參數矩陣已知時，垂 直消影點mv可以通過式（1)計算得到；
[0046] 2.利用Vibe算法獲取待檢測視頻中運動人體的前景圖像；
[0047] 在本發明的提取前景分割步驟中，采用Vibe算法進行前景分割，在一實施例中，基 本參數可設置為r = 25,巾=20,其中r為以當前像素為中心圓的半徑大小，巾為每個像素隨 機采樣的數目。圖2A-2B是利用Vibe算法提取到的運動人體的前景圖像，圖2A為原始灰度圖 像，圖2B為前景分割結果。
[0048] 3.對所述前景圖像進行形態學處理；
[0049]在本發明的前景圖像的形態學處理中，主要對圖像進行腐蝕、膨脹和中值模糊三 個操作。首先對前景圖像進行腐蝕操作，在一實施例中，窗口大小設置為3 X 3;然后再對前 景圖像進行膨脹操作，同樣在一實施例中設置窗口大小為3X3;最后對處理后的前景圖像 進行中值模糊，在一實施例中，窗口大小為3 X 3。
[0050] 4.獲取前景圖像中每一個人體位置的矩形包圍框；
[0051] 在經過步驟3獲取去掉碎片的運動人體的前景圖像后，可以通過對前景圖像進行 團塊檢測和擴展卡爾曼濾波算法確定視頻中每一個運動人體的矩形區域，該步驟具體的做 法:若運動人體第一次出現在視頻中，則采用團塊檢測的方法檢測出該人體目標的矩形包 圍盒位置;若運動人體不是第一次出現在視頻中，則采用擴展卡爾曼濾波算法跟蹤該運動 人體的矩形包圍框區域，估計在下一幀時該人體的包圍框位置，并在該區域重新進行團塊 檢測。
[0052]在本步驟中，有兩點需要進一步說明：（a)在對前景圖像進行團塊檢測時，由于噪 聲的干擾，會檢測出一些噪聲點，為了提取人體團塊區域，剔除前景圖像中面積小于500的 團塊，。由于背景分割算法將人體目標分割成不連通的區域，需要對不同團塊質心之間距離 小于某一個固定閾值的團塊進行合并，在本發明方法中，設置該閾值為250; (b)在對人體區 域矩形包圍框用擴展卡爾曼濾波進行目標跟蹤時，假定經過人體團塊檢測得到的矩形區域 用對角坐標表示該矩形為(^， 71，^，72)，那么在進行跟蹤時的矩形區域大小應該設置為 (X1-30， yi-30，X2+30，y2+30)。圖3為基于視頻的人體身高自動測量方法中的多人目標團塊 檢測和跟蹤的效果圖，圖3A為多人目標團塊灰度圖像，圖3B為多人目標團塊效果圖。
[0053] 5.從所獲取的每一個人體位置的矩形包圍框中提取頭部和腳部特征點的圖像點；
[0054] 本步驟分為頭部特征點提取和腳部特征點提取兩個步驟。
[0055]頭部特征點Vhead的提取步驟為：
[0056]計算垂直消影點mv與前景圖像上所有點的距離，如果mv在圖像坐標系下v方向的分 量為正值，則對應距離最大的點為頭部頂點的圖像特征點;反之，則對應距離最小的點為頭 部頂點的圖像特征點vhd，如圖4所示，其示出了基于視頻的人體身高自動測量方法中的頭 部特征點的提取結果。
[0057]腳部特征點的提取步驟為：
[0058] ( 1 )提取前景圖像V軸方向上的最高點Vmax和頭部特征點Vhead，貝可大致得出人體 區域在圖像V軸方向上的取值范圍。根據人體形態特征，腳部區域不會超過整個人體區域在 圖像V軸方向上的1〇%。則可以知道腳部區域在圖像V軸方向上的投影范圍為[9*(^^_ Vhd)，Vmax]，其中0為[0.8，0.9 ]之間的常數，圖5A示出了基于視頻的人體身高自動測量方 法中的人體目標腳部區域圖像。
[0059] (2)以頭部特征點mh點為原點，mh點到垂直消影點mv的向量方向為縱軸方向建 立臨時的平面坐標系，在此坐標系下求腳部區域邊緣的灰度梯度，由于人在運動中兩腳在 圖像中的投影很可能有重疊，因此采取兩種情況進行處理：（a)如果兩腳在圖像上的投影不 重疊，也就是說檢測到兩塊不連通的區域，那么可以檢測到兩段邊緣曲線，將這兩段曲線上 灰度梯度方向與心^方向夾角大于90°的邊緣點集合分別記為&和&，然后提取每個集合 中縱坐標最大的點，分別記為》^和w /2 Kb)如果兩腳在圖像上的投影有重疊，也就是說只能 在圖像上檢測到一塊連通的區域，那么可以檢測到一段邊緣曲線，將此曲線上灰度梯度方 向與 4^,,方向夾角大于90°的邊緣點集合記為Tf，然后從集合中提取橫坐標最小的點和橫坐 標最大的點，分別記為°圖5B示出了基于視頻的人體身高自動測量方法中的人體 目標腳部特征點，圖中實心圓圈是根據此步驟提取的腳部特征點的圖像點。
[0060] 6.建立約束方程組求解人體身高
[0061] 根據步驟5提取的兩個腳部圖像特征點》4和~/.，可以確定在圖像坐標系下的一個 直線方程Lf
[0062] aix+biy+ci = 0 (2)
[0063] 其中ai，bi，ci均為常數。
[0064]又由頭部頂點的圖像特征點mh和垂直消影點mv，在圖像坐標系下可以確定另外一 個直線方程Lv
[0065] a2X+b2y+C2 = 0 (3)
[0066] 其中a2，b2，C2均為常數。
[0067] 根據垂直消影點的定義可知，頭部頂點與垂直消影點的連線垂直于兩個腳部特征 點的連線，也就說直線Lf和直線L v的交點是垂足圖像點，記垂足圖像點為mP。聯立(2)和(3) 即可求得直線Lf和直線L v的交點mP，通常情況下叫不在無窮遠處。
[0068]假定在三維空間中人頭部頂點的齊次坐標為?11=(乂11，￥11，2 11，1)7，因為地平面是世 界坐標系的XY平面，因此三維空間中人頭部頂點在地平面上的投影點的三維齊次坐標為Pp = (Xh，Yh，0，l)T，則有 卜、
[0069] smp^H^ Yh U」 (4)
[0070] 將聯系方程(2)和(3)求得的叫坐標代入(4)，即可求得Xh，Yh，也就說已經確定了Pp 的空間坐標。
[0071] 在已知&的情況下，可以確定投影矩陣Pro,投影矩陣可以提供關于人頭頂點的兩 個約束方程
[0072] smh=ProPh (5)
[0073] 將(4)求得的Xh和Yh代入(5)，即可求得最小二乘意義下的人頭部頂點Z軸坐標Zh， 也就是人的高度。圖6為本發明實施基于視頻的人體身高自動測量方法中的單個人體目標 高度測量結果，圖7為本發明實施基于視頻的人體身高自動測量方法中的多個人體目標高 度測量結果。
[0074] 圖8是以實驗視頻數據為自動化所智能化大廈正門東側監控攝像頭所采集的視頻 為實驗數據，對算法的實時性進行驗證的時間消耗圖，可以看出每一幀的運行時間在40-55ms之間擺動，其曲線雖偶有波動但是總體情況平穩，平均每幀處理時間48.79ms，即實際 測量的幀率為20.1幀/s，可以滿足在線對視頻中多個人體目標進行身高測量的運行時間需 求。圖9所示是為了驗證算法的通用性，將該算法應用在更多的數據集上進行測試，測量結 果如9A-9B所示。
[0075] 以上所述的具體實施例，對本發明的目的、技術方案和有益效果進行了進一步說 明，所用理解的是，以上所述僅為本發明的具體實施例而已，并不用于限制本發明，凡在本 發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護范 圍之內。
【主權項】
1. 一種基于視頻的多人體目標高度實時在線測量方法，其包括： 步驟1、對相機進行標定，獲取相機的內參數矩陣和外參數矩陣，根據所述內參數矩陣 和外參數矩陣計算無窮垂直消影點； 步驟2、獲取待檢測視頻中運動人體的前景圖像； 步驟3、對所述前景圖像進行形態學處理； 步驟4、獲取所述前景圖像中每一個運動人體位置的矩形包圍框； 步驟5、從所獲取的每一個運動人體位置的矩形包圍框中提取頭部特征點和腳部特征 點' ； 步驟6、根據所提取的頭部特征點和腳部特征點求解每一個運動人體的身高。2. 如權利要求1所述的方法，其中，步驟6具體包括： 步驟601:根據所提取的兩個腳部特征點確定該兩個腳部特征點所在直線的方程Lf; 步驟602:根據所述頭部特征點和無窮垂直消影點確定所述頭部特征點和無窮垂直消 影點所在直線的方程Lv; 步驟603:根據方程Lf和Lv確定垂直交點化； 步驟604:假設頭部特征點齊次坐標為扣=(Xh，化，Zh, 1)T，其在地平面上的投影點的齊 次坐標為Pp=(抽，Yh，0，l)T，則根據如下投影方程得到抽，化，進而得到Pp=(抽，Yh，0，l)T:其中，S是非零尺度因子，Hg為根據相機標定得到的像平面與標定板平面的單應矩陣； 步驟605:根據Hg確定投影矩陣Pro，進而根據如下投影方程確定扣=(抽，化，Zh，1 )T，Zh即 為人體身高： Smh = ProPh 其中，mil為頭部特征點。3. 如權利要求1所述的方法，其中，步驟2中采用Vibe算法獲取運動人體的前景圖像。4. 如權利要求1所述的方法，其中，步驟3中對所述前景圖像進行形態學處理包括:對所 述前景圖像進行腐蝕、膨脹和中值模糊操作。5. 如權利要求1所述的方法，其中，步驟4包括： 若運動人體第一次出現在待檢測視頻中，則采用團塊檢測方法檢測出運動人體的矩形 包圍框;若運動人體不是第一次出現在待檢測視頻中，則采用擴展卡爾曼濾波算法跟蹤該 運動人體的矩形包圍框，估計在下一帖時該運動人體的矩形包圍框，并在該矩形包圍框中 重新進行團塊檢測。6. 如權利要求5所述的方法，其中，步驟4包括： 在對所述前景圖像進行團塊檢測時，剔除前景圖像中面值小于預定值的團塊，并設定 團塊面積在預定范圍內； 將不同團塊質屯、之間的距離小于預定闊值的團塊進行合并。7. 如權利要求1所述的方法，其中，步驟5中頭部特征點的提取包括： 計算無窮垂直消影點mv與前景輪廓上所有點的距離，如果mv在圖像坐標下V方向的分量 為正值，則對應距離中最大的點作為頭部特征點；反之，如果mv在圖像坐標下V方向的分量 為負值，則對應距離最小的點作為頭部特征點。8. 如權利要求1所述的方法，其中，步驟5中腳部特征點的提取步驟包括： 提取前景圖像V軸方向上的最高點Vmax和頭部特征點Vhead，則可大致得出人體區域在圖 像V軸方向上的取值范圍； W頭部特征點皿點為原點，皿點到無窮垂直消影點Hlv的向量方向為縱軸方向建立臨 時的平面坐標系;在此坐標系下求腳部區域邊緣的灰度梯度;如果檢測到兩段邊緣曲線，將 運兩段曲線上灰度梯度方向與方向夾角大于90°的邊緣點集合分別記為與和7>,，然后 提取每個集合中縱坐標最大的點，分別記為W.S:和W/:=如果檢測到一段邊緣曲線，將此邊緣 曲線上灰度梯度方向與方向夾角大于90°的邊緣點集合記為Tf,然后從集合中提取橫坐 標最小的點和橫坐標最大的點，分別記為和W.: 日M/。即為腳部特征點。9. 一種基于視頻的多人體目標高度實時在線測量裝置，其包括： 標定模塊，用于對相機進行標定，獲取相機的內參數矩陣和外參數矩陣，根據所述內參 數矩陣和外參數矩陣計算無窮垂直消影點； 前景檢測模塊，用于獲取待檢測視頻中運動人體的前景圖像； 預處理模塊，用于對所述前景圖像進行形態學處理； 人體區域獲取模塊，用于獲取所述前景圖像中每一個運動人體位置的矩形包圍框； 特征點提取模塊，用于從所獲取的每一個運動人體位置的矩形包圍框中提取頭部特征 點和腳部特征點； 身高計算模塊，用于根據所提取的頭部特征點和腳部特征點求解每一個運動人體的身 局。10. 如權利要求9所述的裝置，其中，所述身高計算模塊如下計算人體身高： 根據所提取的兩個腳部特征點確定該兩個腳部特征點所在直線的方程Lf; 根據所述頭部特征點和無窮垂直消影點確定所述頭部特征點和無窮垂直消影點所在 直線的方程Lv; 根據方程Lf和Lv確定垂直交點Hip; 假設頭部特征點齊次坐標為扣=(Xh，化，Zh, 1)T，其在地平面上的投影點的齊次坐標為 Pp =(抽，化，0，1 )T，則根據如下投影方程得到抽，化，進而得到Pp =(抽，化，0，1 )T:其中，S是非零尺度因子，Hg為根據相機標定得到的像平面與標定板平面的單應矩陣； 根據Hg確定投影矩陣Pro,進而根據如下投影方程確定扣=(抽，Yh, Zh, l)T，Zh即為人體身 局： Smh = PrOPh 其中，Hlh為頭部特化點D
【文檔編號】G06T7/20GK105913464SQ201610204926
【公開日】2016年8月31日
【申請日】2016年4月5日
【發明人】吳毅紅, 張亮, 董秋雷
【申請人】中國科學院自動化研究所