葉 璐,郭 立,劉 皓

(1.中國科學(xué)技術(shù)大學(xué)電子科學(xué)與技術(shù)系安徽合肥230027;2.中國科學(xué)技術(shù)大學(xué)物理系,安徽合肥230026)

基于多條件隨機(jī)場(chǎng)模型的異常行為檢測(cè)*

葉 璐1,郭 立1,劉 皓2

(1.中國科學(xué)技術(shù)大學(xué)電子科學(xué)與技術(shù)系安徽合肥230027;2.中國科學(xué)技術(shù)大學(xué)物理系,安徽合肥230026)

傳統(tǒng)的異常行為檢測(cè)多數(shù)是利用單特征建模,檢測(cè)的行為較為單一,檢測(cè)率較低,針對(duì)這些問題,提出一種基于多條件隨機(jī)場(chǎng)模型(MCRF)的異常行為檢測(cè)方法,MCRF模型具有融合多特征和聯(lián)系上下文信息的優(yōu)勢(shì)。通過Kinect獲取3D骨架數(shù)據(jù),提取角度、位置、速度三類特征,形成多類特征子集,利用基本的CRF模型對(duì)每一類特征子集建模,形成多個(gè)CRF單元,然后組合所有的CRF單元,得到MCRF模型,最后利用MCRF模型進(jìn)行異常行為檢測(cè)。實(shí)驗(yàn)結(jié)果表明基于MCRF的異常行為檢測(cè)方法具有較高的檢測(cè)率。

異常行為檢測(cè) 多條件隨機(jī)場(chǎng)模型 Kinect 3D骨架數(shù)據(jù) 特征提取

0 引 言

人體異常行為檢測(cè)[1-2]是計(jì)算機(jī)視覺領(lǐng)域一個(gè)熱門課題,在智能視頻監(jiān)控、智能機(jī)器人開發(fā)、人機(jī)交互、運(yùn)動(dòng)分析、視頻檢索等方面均有廣泛應(yīng)用。在人體異常行為檢測(cè)過程中,環(huán)境、人體行為動(dòng)作的復(fù)雜,人體形態(tài)個(gè)體差異等,這些都會(huì)對(duì)最終的檢測(cè)結(jié)果產(chǎn)生影響,因此,如何準(zhǔn)確高效的提取特征并對(duì)行為檢測(cè)是一個(gè)具有挑戰(zhàn)性的課題。

人體異常行為檢測(cè)問題主要包括目標(biāo)檢測(cè)與跟蹤,特征提取和行為識(shí)別,其中難點(diǎn)在于特征的提取和人體行為的分類、識(shí)別。早期采用一些簡(jiǎn)單的幾何模型描述人體,如基于節(jié)點(diǎn)的骨架模型[3]、二維輪廓模型[4]、三維圓柱體模型[5]、三維人體形狀模型[6]等,其中Fujiyoshi等人提出的Star-Model[7]應(yīng)用較廣,它提取目標(biāo)輪廓最明顯的五個(gè)拐點(diǎn)作為人體模型進(jìn)行行為檢測(cè)及識(shí)別。

1992年Yamato[8]首次將隱馬爾可夫模型(HMM,Hidden Markov Model)引入行為識(shí)別,開始了基于狀態(tài)空間的行為識(shí)別研究算法。HMM也得到了廣泛應(yīng)用,但是HMM這類產(chǎn)生式模型存在兩種問題:一是由于產(chǎn)生式模型定義的是聯(lián)合概率,必須羅列出所有觀察序列的可能,這在實(shí)際應(yīng)用中有很大的局限性。二是產(chǎn)生式模型為了便于模型處理,假設(shè)觀察序列都是基于條件獨(dú)立的,這個(gè)假設(shè)導(dǎo)致其不能聯(lián)系上下文,限制了特征的選擇。2001年Lafferty等[9]人首次提出了條件隨機(jī)場(chǎng)模型(CRF, Conditional Random Fields)。CRF模型采用一種概率無向圖的方式,直接對(duì)后驗(yàn)概率建模,不依賴于條件獨(dú)立假設(shè),具有聯(lián)系上下文的能力,但是目前CRF模型的開發(fā)工具只支持鏈?zhǔn)叫蛄?不能融合多類特征。

由于單個(gè)CRF模型很難對(duì)多類特征進(jìn)行建模,單個(gè)CRF模型對(duì)多類特征進(jìn)行建模會(huì)導(dǎo)致描述不準(zhǔn)確,2007年Zhong和Wang[10]提出了一種多CRF組合模型(MCRF,Multiple CRF Ensemble Model),到目前關(guān)于MCRF的研究還比較少,應(yīng)用也不夠廣泛。

傳統(tǒng)的異常行為檢測(cè)多數(shù)是利用單特征建模,檢測(cè)的行為較為單一,檢測(cè)率較低,針對(duì)這些問題,提出一種基于MCRF的異常行為檢測(cè)方法,MCRF模型具有融合多特征和聯(lián)系上下文信息的優(yōu)勢(shì)。傳統(tǒng)的異常行為檢測(cè)提取的特征多數(shù)是2D特征,不包含深度信息,無法解決遮擋問題,而基于Kinect獲得的骨架數(shù)據(jù)提取得到的角度、位置、速度特征可以解決這個(gè)問題,這三類屬于3D特征,包含深度信息。最終實(shí)驗(yàn)結(jié)果表明基于MCRF的異常行為檢測(cè)方法具有較高的檢測(cè)率。

1 特征提取

采用基于Kinect獲得的具有20個(gè)關(guān)節(jié)點(diǎn)的骨架模型,通過這20個(gè)關(guān)節(jié)點(diǎn)可以準(zhǔn)確表達(dá)出人的行為,從這20個(gè)關(guān)節(jié)點(diǎn)中選取15個(gè)關(guān)鍵關(guān)節(jié)點(diǎn)處理得到角度、位置、速度三類特征。角度特征包含4個(gè)手臂角度特征、4個(gè)腿部角度特征和2個(gè)軀干角度特征,位置特征包含9個(gè)關(guān)鍵關(guān)節(jié)的位置特征,速度特征包含整體速度、2個(gè)腕關(guān)節(jié)的速度和2個(gè)踝關(guān)節(jié)的速度,這三類特征是表述人體行為的關(guān)鍵特征。例如,拳擊(boxing)行為主要就是手部的運(yùn)動(dòng),可以通過4個(gè)手臂角度特征、4個(gè)手臂關(guān)節(jié)位置特征和2個(gè)腕關(guān)節(jié)的速度特征與其他行為加以區(qū)分;逃逸(run)行為是人體整體的運(yùn)動(dòng),與walk非常相似,但是與walk相比,相鄰兩幀間的角度特征變化較大,速度特征的大小也較大,通過這兩個(gè)特征可以區(qū)分出run和walk。

1.1 人體結(jié)構(gòu)向量

從Kinect獲得的20個(gè)關(guān)節(jié)點(diǎn)中選取15個(gè)關(guān)鍵關(guān)節(jié)點(diǎn)(頭節(jié)點(diǎn)A1、肩關(guān)節(jié)中心節(jié)點(diǎn)A2、兩個(gè)肩關(guān)節(jié)A3和A4、兩個(gè)肘關(guān)節(jié)A5和A6、兩個(gè)腕關(guān)節(jié)A7和A8、臀部中心節(jié)點(diǎn)A9、兩個(gè)髖關(guān)節(jié)A10和A11、兩個(gè)膝關(guān)節(jié)A12和A13、兩個(gè)踝關(guān)節(jié)A14和A15),如圖1所示。

圖1 人體骨架Fig.1 Human skeleton diagram

另定義A16為左右踝關(guān)節(jié)A14和A15的中點(diǎn),A17為左右髖關(guān)節(jié)A10和A11的中點(diǎn),通過17個(gè)點(diǎn)的坐標(biāo)可以構(gòu)造出23個(gè)人體結(jié)構(gòu)向量,這23個(gè)向量分為手臂、腿部、軀干、特殊四個(gè)部分:。向量定義如表1所示。

表1 人體結(jié)構(gòu)向量定義Table1 Definition of human body structure vector

續(xù)表1

其中,手臂、腿部、軀干三部分向量組合得到向量間的角度特征,特殊向量通過求模、歸一化得到位置特征。

1.2 人體結(jié)構(gòu)向量間的角度特征

由于人體體型差異以及kinect與人體相對(duì)位置的不同,相同動(dòng)作得到的人體結(jié)構(gòu)向量也會(huì)有很大差異,不能作為歸一化后的特征,所以要對(duì)人體結(jié)構(gòu)向量進(jìn)行進(jìn)一步處理。

當(dāng)人做某一個(gè)動(dòng)作時(shí),人體結(jié)構(gòu)變化基本一致,也就是說人體結(jié)構(gòu)向量間的角度變化趨勢(shì)基本一致,故可選擇人體結(jié)構(gòu)向量間的角度作為歸一化后的特征。

選取上面手臂、腿部、軀干的14個(gè)人體結(jié)構(gòu)向量構(gòu)成10個(gè)角度特征,包括三個(gè)部分10個(gè)角度特征:手臂角度特征{α1,α2,α3,α4}、腿部角度特征{β1,β2,β3,β4}、軀干角度特征{θ1,θ2}。角度特征定義如表2所示。

表2 角度特征定義Table 2 Definition of angle feature

1.3 人體關(guān)鍵關(guān)節(jié)的位置特征

在某些情況下僅使用人體結(jié)構(gòu)向量間的角度特征并不能描述行為的細(xì)節(jié)部分,例如拳擊時(shí),判斷拳頭與身體的相對(duì)位置,此時(shí)角度特征不能提供足夠的信息,在這種情況下需要添加人體關(guān)鍵關(guān)節(jié)的位置特征來輔助角度特征。

選取頭節(jié)點(diǎn)、兩個(gè)肘關(guān)節(jié)、兩個(gè)腕關(guān)節(jié)、兩個(gè)膝關(guān)節(jié)、兩個(gè)踝關(guān)節(jié)作為關(guān)鍵關(guān)節(jié)。人體關(guān)鍵關(guān)節(jié)的位置特征即這9個(gè)關(guān)鍵關(guān)節(jié)點(diǎn)的位置信息:{d1,d2,d3,d4,d5,d6,d7,d8,d9}。

以人體臀部中心節(jié)點(diǎn)為參考節(jié)點(diǎn),人體關(guān)鍵關(guān)節(jié)的9個(gè)位置特征包括頭節(jié)點(diǎn)與踝關(guān)節(jié)中點(diǎn)的距離d1和其他8個(gè)關(guān)鍵關(guān)節(jié)與參考節(jié)點(diǎn)的距離d2,d3,d4,d5,d6,d7,d8,d9,通過d1的大小可以判斷人體是否處于站立狀態(tài)(包括走、跑等站立狀態(tài)動(dòng)作),而通過其他8個(gè)距離大小變化可以判斷相應(yīng)節(jié)點(diǎn)的運(yùn)動(dòng)狀態(tài)。

為了消除個(gè)體體型差異問題,將距離歸一化處理(距離除以h)得到9個(gè)關(guān)鍵關(guān)節(jié)點(diǎn)的歸一化距離,h表示人體處于站立狀態(tài)時(shí)頭節(jié)點(diǎn)A1到兩個(gè)踝關(guān)節(jié)A14和A15的中點(diǎn)A16的距離。位置特征定義如表3所示。

表3 位置特征定義Table 3 Definition of location feature

1.4 人體關(guān)鍵關(guān)節(jié)的速度特征

在有了關(guān)鍵關(guān)節(jié)位置特征的輔助下,某些類似動(dòng)作還是無法明顯區(qū)分,如走和原地踏步,兩種動(dòng)作的角度特征變化與位置特征變化基本一致,這個(gè)時(shí)候區(qū)分兩種動(dòng)作就需要通過引入速度特征,原地踏步時(shí)人整體沒有位移,速度為0;而走時(shí)人體是有位移的,速度不為0。

選取臀部中心節(jié)點(diǎn)、兩個(gè)腕關(guān)節(jié)、兩個(gè)踝關(guān)節(jié)作為關(guān)鍵關(guān)節(jié),這5個(gè)關(guān)鍵關(guān)節(jié)構(gòu)成了5個(gè)速度特征: {v1,v2,v3,v4,v5},速度特征定義如表4所示。

表4 速度特征定義Table 4 Definition of speed feature

由于相鄰兩幀時(shí)間差很小,故可以將相鄰兩幀的位移看做是第i幀的速度。通過整體速度特征可以判斷人體整體的速度,利于區(qū)分原地動(dòng)作和走、跑等非原地動(dòng)作;通過手臂2個(gè)腕關(guān)節(jié)的速度特征可以判斷人體手臂運(yùn)動(dòng)狀態(tài),利于識(shí)別拳擊這種快速手臂運(yùn)動(dòng)的行為;通過腿部2個(gè)踝關(guān)節(jié)的速度特征可以判斷人體腿部運(yùn)動(dòng)狀態(tài),利于識(shí)別走、跑這種腿部運(yùn)動(dòng)較多的動(dòng)作。

2 MCRF模型

假設(shè)y={yi,i=1,2,…,n}表示觀測(cè)樣本序列,yi是第i幀的觀測(cè)數(shù)據(jù),x={xi,i=1,2,…n}表示觀測(cè)樣本序列的標(biāo)記。Lafferty等給出了條件隨機(jī)場(chǎng)模型的數(shù)學(xué)表達(dá)式:

式中,Z(y,θ)=∑xexp{∑

c∈Cφc(xc,y,θ)}為歸一化函數(shù),φc為定義在基團(tuán)c上的帶有參數(shù)θ的勢(shì)函數(shù)。

對(duì)第i幀觀測(cè)樣本yi,提取了K種類型的特征

利用貝葉斯定律,后驗(yàn)概率可以等價(jià)為:

進(jìn)一步變換可得:

在式(3)中,由于y為給定的觀測(cè)圖像,所以p(fk(y))以及p(fk(y)|f1:K-1(y))均為固定變量。故后驗(yàn)概率可改寫為:

式中,為常數(shù)。對(duì)p(x)以及p(x|fk(y))建模,得到MCRF模型最終表達(dá)式[11]:

對(duì)于給定M幅獨(dú)立同分布訓(xùn)練圖像{xm,ym,m=1,2,…,M},估計(jì)其MCRF模型中的參數(shù)θ={β,采取極大似然估計(jì)方法(ML)。

最終可以通過L-BFGS算法[12]獲得參數(shù)的最優(yōu)解,獲得模型參數(shù)之后,通過模型推斷獲得觀測(cè)序列的標(biāo)記,采用的是Viterbi算法動(dòng)態(tài)求解。

3 異常行為檢測(cè)

3.1 異常行為

異常行為定義為特殊環(huán)境下的某種特定行為,如拳擊,逃逸,在地鐵出口處反向進(jìn)入,取款機(jī)處徘徊等等,訓(xùn)練的樣本行為共有6種:bend,boxing, wave1(揮左手),wave2(揮右手),walk,run。將其中的2種:boxing(拳擊)和run(逃逸)定義為異常行為,其他4種行為定義為正常行為。

3.2 異常行為檢測(cè)

對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練得到MCRF模型參數(shù),在獲得模型參數(shù)后,測(cè)試視頻序列經(jīng)過MCRF模型推斷得到一組觀測(cè)序列的最大可能標(biāo)記,通過這組標(biāo)記序列判斷這組測(cè)試視頻序列的行為,為此需要設(shè)置一個(gè)閾值p=80%。當(dāng)測(cè)試序列的某一類標(biāo)記所占比重pi≥p時(shí),認(rèn)定這組測(cè)試序列是第i種行為,i=1,2,3,4,5,6對(duì)應(yīng)bend,boxing,wave1,wave2, walk,run這6種行為。當(dāng)i=2,6時(shí),即測(cè)試序列行為表示boxing和run行為時(shí),認(rèn)定這組測(cè)試序列是異常行為。

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)平臺(tái)為PC機(jī),CPU為Inter雙核T8100,主頻2.1 GHz,內(nèi)存2.0 GB,操作系統(tǒng)為windowXP,32位。主要函數(shù)采用C++、matlab編程,并在matlab2011b環(huán)境下對(duì)其調(diào)用。實(shí)驗(yàn)數(shù)據(jù)來自kinect拍攝,包括6種行為:bend,boxing,wave1,wave2,walk, run。每種行為包括10個(gè)人的視頻樣本,每個(gè)人每種行為做20次,總共1 200段視頻序列,其中1 000段視頻序列作為訓(xùn)練數(shù)據(jù),剩下200段視頻序列作為測(cè)試數(shù)據(jù),這200段測(cè)試視頻序列包含有4種正常行為和2種異常行為(boxing和run)。實(shí)驗(yàn)結(jié)果如表5所示。

表5 異常行為檢測(cè)率Table 5 Abnormal activity detection rates

由表5可知,基于MCRF的異常行為檢測(cè)的6種行為中,bend檢測(cè)率最高為99.5%,boxing檢測(cè)率為96.5%,wave1檢測(cè)率為98.6%,wave2檢測(cè)率為96.6%,walk和run的檢測(cè)率相比較而言比較低,為93.1%和94.1%。由于walk和run行為動(dòng)作比較接近,故walk和run的檢測(cè)率與其他行為相比較低。

表6給出了基于MCRF的異常行為檢測(cè)方法與其他方法檢測(cè)率的比較,其中文獻(xiàn)[11]中采用的HMM模型不能聯(lián)系上下文、限制特征的選擇,檢測(cè)率為92.5%。文獻(xiàn)[12-13]所用特征均為2D特征,不包含深度信息,無法解決遮擋問題,檢測(cè)率分別為91.7%和94.17%。基于MCRF模型的異常行為檢測(cè)方法采用的是由骨架數(shù)據(jù)處理得到的3D特征,模型采用的是MCRF模型,具有融合多特征和聯(lián)系上下文信息的優(yōu)勢(shì),檢測(cè)率高于以上方法,對(duì)特定行為的平均檢測(cè)率達(dá)到了96.4%,對(duì)異常行為boxing(拳擊)和run(逃逸)的平均檢測(cè)率達(dá)到了95.3%。

表6 與其他方法檢測(cè)率比較Table 6 Comparison of detection rates for different algorithm

5 結(jié) 語

文中提出一種基于多條件隨機(jī)場(chǎng)模型(MCRF)的異常行為檢測(cè)方法,MCRF模型具有融合多特征和聯(lián)系上下文信息的優(yōu)勢(shì)。通過Kinect獲得的3D骨架數(shù)據(jù),經(jīng)過特征提取得到角度、位置、速度三類特征,形成多類特征子集,利用基本的CRF模型對(duì)每一類特征子集建模,形成多個(gè)CRF單元,然后組合所有的CRF單元,得到MCRF模型,最后利用MCRF模型進(jìn)行異常行為檢測(cè)。實(shí)驗(yàn)結(jié)果表明具有較高的檢測(cè)率,達(dá)到了96.4%。

基于MCRF的異常行為檢測(cè)方法只能識(shí)別單個(gè)人的行為,而不能識(shí)別多人交互的行為(如兩人拳擊對(duì)打等)以及群體的行為(如火災(zāi)逃生等),如何識(shí)別多人交互和群體行為是下一步的研究方向。

[1] 路海先,郭立,桂樹,等.基于潛在主題的視頻異常行為分析[J].通信技術(shù),2012,45(07):67-71.

LU Hai-xian,GUO Li,GUI Shu,et al.Abnormal Behavior Analysis Based on Latent Topics[J].Communication Technology,2012,45(07):67-71.

[2] 劉鵬,郭立,王成彰,等.基于條件隨機(jī)場(chǎng)與區(qū)域劃分的異常行為檢測(cè)[J].通信技術(shù),2013,46(08):108-111.

LIU Peng,GUO Li,WANG Cheng-zhang,YU Hao.Abnormal Detection Based on Conditional Random Fields and Background Scene Partition[J].Communication Technology,2013,46(08):108-111.

[3] GUO Y,XU G,TSUJI S.Tracking Human Body Motion Based on a Stick Figure Model[J].Visual Communication Image Representation,1994,5(01):1-9.

[4] JU S X,BLACK M J,YACCOB Y.Cardboard People:a Parameterized Model of Articulated Image Motion[C]// Proceedings of the IEEE International Conference on Automatic Face and Gesture Recognition.Killington,Vermont,USA:FG'96,1996:38-44.

[5] ROHR K.Towards Model-based Recognition of Human Movements in Image Sequences[J].CVGIP:Image Understanding,1994,59(01):94-115.

[6] 谷軍霞.行為表征與行為識(shí)別方法研究[D].北京:清華大學(xué),2010.

GU J X.Research on Action Represention and Action Recognition[D].Beijing:Tsinghua University,2010.

[7] FUJIYOSHI H,LIPTON A J.Real-time Human Motion Analysis by Image Skeletonization[C].//Proceedings of the 4th IEEE Workshop on Applications of Computer Vision.Sarasota,FL,USA:WACV’98,1998:15-21.

[8] YAMATO J,OHYA J,ISHII K.Recognizing Human Action in Time-sequential Images Using Hidden Markov Model[C]//Computer Vision and Pattern Recognition, 1992.Proceedings CVPR'92.,1992 IEEE Computer Society Conference on 1992.Champaign,IL:CVPR,1992: 379-385.

[9] LAFFERTY J,MCCALLUM A,PEREIRA F C N.Conditional Random Fields:Probabilistic Models for Segmenting and Labeling Sequence Data[C]//Proceedings of the 18th International Conference on MachineLearning.San Francisco:Margan Kaufmann,2001:282-289.

[10] ZHONG P,WANG R.A Multiple Conditional Random Fields Ensemble Model for Urban Area Detection in Remote Sensing Optical Images[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(39):78-88.

[11] 鐘平.面向圖像標(biāo)記的隨機(jī)場(chǎng)模型研究[D].長沙:國防科學(xué)技術(shù)大學(xué),2008.

ZHONG P.Random Field Models for Image Labeling [D].Changsha:National University of Defense Technology,2008.

[12] BYRD R H,NOCEDAL J,SCHNABEL R B.Representations of Quasi—Newton Matrices and Their Use in Limited Memory Methods[J].Mathematical Programming,1994,63(04):129-156.

[13] UDDIN M Z,THANG N D,KIMJ T,et al.Human Activity Recognition Using Body Joint-Angle Features and Hidden MarkovModel[J].ETRIJournal,2011, 33(04):569-579.

[14] WANG Y,MORI G.Learning a Discriminative Hidden Part Model for Human Action Recognition[C]//AdvancesinNeuralInformationProcessingSystems (NIPS).Vancouver,British Columbia,Canada:NIPS, 2008:8-11.

[15] 王媛媛,王斌.人體行為識(shí)別的條件隨機(jī)場(chǎng)方法[J].重慶理工大學(xué)學(xué)報(bào):自然科學(xué),2013,27(06):93-99.

WANG Yuan-yuan,WANG Bin.The Conditional Random Fields Method for Human Action Recognition.Journal of Chongqing University of Technology(Natural Science),2013,27(06):93-99.

YE Lu(1990-),male,graduate student, majoring in abnormal activity detection.

郭 立(1946—),男,博士生導(dǎo)師,教授,主要研究方向?yàn)閳D像與視頻處理;

GUO Li(1946-),male,Ph.D.supervisor,professor, mainly working at image and video processing.

劉 皓(1987—),男,博士研究生,主要研究方向?yàn)橐曨l信息分析與處理。

LIU Hao(1987-),male,Ph.D.student,majoring in video analysis and processing.

Abnormal Activity Detection based on Multiple CRF Ensemble Model

YE Lu1,GUO Li1,LIU Hao2
(1.Department of Electronic Science and Technology,University of Science and Technology of China,Hefei Anhui 230027, China;2.Department of Physics,University of Science and Technology of China,Hefei Anhui 230026,China)

Most of traditional abnormal activity detection is modeling by a single feature,so the testing activity is simple,and the detection accuracy rate is relatively low.For these problems,abnormal activity detection based on multiple CRF ensemble model is proposed.The advantage of MCRF model is the ability of combining more features and utilizing adaptive contextual information.There are three features:angle feature,position feature,speed feature by the 3D skeleton data of Kinect.And several features subsets can be formed through more features extraction.Then CRF model is used for each feature subset and to get CRF units.Finally,all the CRF units are combined to produce MCRF model which is utilized to detect abnormal activity.The experimental results indicate that the detection accuracy rate of this method is better.

abnormal activity detection;multiple CRF ensemble model;Kinect;3D skeleton data;feature extraction

TP391.7

A

1002-0802(2014)06-0612-06

10.3969/j.issn.1002-0802.2014.06.006

葉 璐(1990—),男,碩士研究生,主要研究方向?yàn)楫惓Ｐ袨闄z測(cè);

2014-03-10;

2014-04-29 Received date：2014-03-10;Revised date：2014-04-29

國家自然科學(xué)基金(No.61071173)

Foundation Item:National Natural Science Foundation of China(No.61071173)