亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種自適應(yīng)多模式交互圖像跟蹤算法研究*1

        2015-03-09 08:17:52黃金濤,楊紹清,劉松濤
        現(xiàn)代防御技術(shù) 2015年5期

        ?

        一種自適應(yīng)多模式交互圖像跟蹤算法研究*1

        黃金濤,楊紹清,劉松濤

        (海軍大連艦艇學(xué)院,遼寧 大連116018)

        摘要:圖像目標(biāo)的高精度穩(wěn)定跟蹤一直是艦載光電跟蹤中的一個(gè)技術(shù)難點(diǎn),由于傳統(tǒng)目標(biāo)跟蹤算法結(jié)構(gòu)單一、背景要求簡(jiǎn)單、穩(wěn)定性差,因而無法更好地在復(fù)雜背景下對(duì)目標(biāo)進(jìn)行穩(wěn)定、實(shí)時(shí)的跟蹤?;谝环N圖像背景復(fù)雜程度的自適應(yīng)判斷方法,提出一種形心跟蹤和相關(guān)跟蹤自適應(yīng)多模式交互的圖像跟蹤算法,利用形心跟蹤與相關(guān)跟蹤算法的互補(bǔ)性,通過模式轉(zhuǎn)換來提高目標(biāo)跟蹤穩(wěn)定性和精度。仿真結(jié)果表明,該算法計(jì)算量小,抗干擾性強(qiáng),跟蹤精度高。

        關(guān)鍵詞:艦載光電;跟蹤算法;模式轉(zhuǎn)換;背景復(fù)雜度;自適應(yīng)判斷;圖像目標(biāo)

        0引言

        圖像目標(biāo)復(fù)雜背景下的高精度穩(wěn)定跟蹤,通常情況下其跟蹤技術(shù)是在時(shí)域上進(jìn)行跟蹤,在連續(xù)幀中將相同的目標(biāo)對(duì)應(yīng)起來。而跟蹤的難點(diǎn)在于環(huán)境和目標(biāo)的復(fù)雜性,因此算法直接影響著跟蹤的準(zhǔn)確性和穩(wěn)定性。隨著人們對(duì)跟蹤系統(tǒng)的穩(wěn)定性、魯棒性要求的提高,研究一種精確、高性能、抗干擾的運(yùn)動(dòng)目標(biāo)跟蹤方法仍然是艦艇目標(biāo)跟蹤領(lǐng)域所面臨的一個(gè)巨大挑戰(zhàn)[1]。本文研究形心跟蹤和相關(guān)跟蹤相結(jié)合的自適應(yīng)模式轉(zhuǎn)換的圖像跟蹤算法,將這2種跟蹤算法相結(jié)合,揚(yáng)長(zhǎng)避短,以優(yōu)化復(fù)雜情況下目標(biāo)的穩(wěn)定、實(shí)時(shí)的跟蹤。

        1自適應(yīng)多模式跟蹤算法模型

        1.1形心跟蹤和相關(guān)跟蹤算法原理

        常用的跟蹤算法有對(duì)比度跟蹤算法和圖像相關(guān)跟蹤算法。其中對(duì)比度跟蹤是利用目標(biāo)與背景之間的對(duì)比度來識(shí)取和提取目標(biāo)信號(hào),實(shí)現(xiàn)自動(dòng)跟蹤目標(biāo)運(yùn)動(dòng)的一種方法,依跟蹤參考點(diǎn)的不同,對(duì)比度跟蹤的常用跟蹤算法有:最大對(duì)比度跟蹤、邊緣跟蹤、質(zhì)心跟蹤、形心跟蹤等[2]。這些跟蹤方法在解決各自特定的問題上具有很好的效果,但是它們?cè)谔幚砥渌麊栴}時(shí)會(huì)出現(xiàn)穩(wěn)定性差,跟蹤精度低等問題。為了進(jìn)一步優(yōu)化跟蹤方法,可以將2種或多種方法結(jié)合起來,通過跟蹤模式的智能轉(zhuǎn)換來提高目標(biāo)跟蹤的穩(wěn)定性和精度[3]。

        (1) 形心跟蹤

        從傳感器獲取的數(shù)字圖像經(jīng)邊緣檢測(cè)得到二值圖像后,經(jīng)過計(jì)算得到目標(biāo)的形心,當(dāng)目標(biāo)姿態(tài)變化時(shí), 形心的位置變動(dòng)較小,即對(duì)目標(biāo)形態(tài)的變化具有很好的適應(yīng)能力[4]。所以采用形心跟蹤模式時(shí)跟蹤比較平穩(wěn), 而且抗雜波干擾的能力較強(qiáng),算法簡(jiǎn)便,實(shí)時(shí)性好,是成像跟蹤系統(tǒng)中常用的一種跟蹤模式。但當(dāng)目標(biāo)所處的背景較復(fù)雜,目標(biāo)的邊緣變得很不明顯時(shí),基于邊緣檢測(cè)的形心跟蹤法就不能穩(wěn)定地跟蹤目標(biāo)。

        某任意圖像的邊界所圍成的封閉區(qū)域如圖1所示。設(shè)y=f(x)所圍成的封閉區(qū)域內(nèi)各點(diǎn)的x坐標(biāo)為x∈[xmin,xmax],xi為封閉區(qū)域任意點(diǎn)處的x坐標(biāo)。fmin(x)和fmax(x) 為直線x=xi與圖像邊界交點(diǎn)處的縱坐標(biāo)[5]。

        圖1 任意圖像邊界圍成的區(qū)域Fig.1 Region of random image boundary

        當(dāng)x=xi與圖像邊界有2n個(gè)交點(diǎn)時(shí),圖像中心M(x0,y0)為

        (1)

        (2) 相關(guān)跟蹤

        相關(guān)跟蹤是一種利用相關(guān)測(cè)度與匹配來確定瞄準(zhǔn)點(diǎn)的一種跟蹤方式[6]。其基本原理就是將跟蹤窗口中的圖像特征,以數(shù)字的形式貯存下來,以后按一定間隔用目標(biāo)模板與實(shí)時(shí)電視圖像的各個(gè)子區(qū)域圖像進(jìn)行比較并算出相關(guān)函數(shù)值,找出相關(guān)性最強(qiáng)的圖像所在位置,就認(rèn)為是當(dāng)前目標(biāo)的位置,這就是相關(guān)跟蹤的基本思想,這種方法也叫做“圖像匹配”[7]。由于目標(biāo)的運(yùn)動(dòng),跟蹤窗口內(nèi)的圖像也在變化,因而所記憶的圖像模板也是不斷刷新的。

        相關(guān)跟蹤算法有多種,這里采用均值歸一化相關(guān)測(cè)度[8]。若((i,j)為M×N的目標(biāo)參考圖像,逐點(diǎn)計(jì)算參考圖像((i,j)與當(dāng)前搜索圖像g(i,j)的互相關(guān)函數(shù),在(x,y)處,均值歸一化互相觀測(cè)度為

        (2)

        圖像相關(guān)跟蹤具有很好的識(shí)別能力,可以跟蹤復(fù)雜背景中的目標(biāo),能在低信噪比條件下提供最好的跟蹤性能,跟蹤距離遠(yuǎn),可靠性高,是目前使用較為廣泛的跟蹤器[9]。但它對(duì)于目標(biāo)姿態(tài)變化的適應(yīng)能力較差,解算器的結(jié)構(gòu)復(fù)雜運(yùn)算量較大,一般用于跟蹤低速運(yùn)動(dòng)的目標(biāo)。

        1.2跟蹤算法流程[10]

        通過分析各種跟蹤算法的可知,最大對(duì)比度跟蹤、質(zhì)心跟蹤、邊緣跟蹤的算法具有各自的缺點(diǎn)。而形心跟蹤與相關(guān)跟蹤雖有各自的缺點(diǎn),卻有先天的互補(bǔ)性:形心跟蹤計(jì)算量小,對(duì)目標(biāo)姿態(tài)的變化不敏感,但不適于跟蹤復(fù)雜背景下的目標(biāo);相關(guān)跟蹤計(jì)算量大,實(shí)時(shí)性不好,對(duì)目標(biāo)姿態(tài)變化的適應(yīng)能力較差,但卻在背景復(fù)雜的情況下具有很好的穩(wěn)定性。

        當(dāng)傳感器獲得目標(biāo)圖像并邊緣檢測(cè)后,利用判別算法對(duì)獲得的圖像進(jìn)行目標(biāo)跟蹤模式的判斷,若是復(fù)雜背景下的低對(duì)比度的目標(biāo),則選用相關(guān)跟蹤;反之,則使用形心跟蹤。仿真流程圖如圖2所示。

        圖2 綜合跟蹤算法流程圖Fig.2 Flow chart of comprehensive tracking algorithm

        其中,第1個(gè)“Sobel 邊緣檢測(cè)”的閾值是根據(jù)圖像的對(duì)比度獲得的,對(duì)于某次跟蹤過程,一旦確定就不再改變;“Sobel 邊緣檢測(cè)的閾值(T)”的閾值是實(shí)時(shí)的,是由上一步“閾值自動(dòng)設(shè)定”算法所確定。另外,“相關(guān)跟蹤”算法中所用的模板是上一幀圖像的跟蹤結(jié)果。

        1.3閾值T的自適應(yīng)過程

        在分析的大量不同灰度,背景各異以及不同姿態(tài)的??漳繕?biāo)圖像中,亮度最低及亮度最高的圖像所需的極限閾值分別為0.05和0.40。也就是說若將閾值T設(shè)在區(qū)間[0.05,0.40]之間,就能滿足將絕大多數(shù)的目標(biāo)圖像與背景分離出來的要求。通過對(duì)邊緣檢測(cè)后的二值圖像進(jìn)行分析,將閾值可分為初步定為0.05,0.10,0.15,0.20,0.30和0.40。

        為了實(shí)現(xiàn)閾值T的自動(dòng)設(shè)定,手動(dòng)設(shè)定閾值對(duì)圖像進(jìn)行邊緣檢測(cè)。得到邊緣檢測(cè)的二值圖像后,計(jì)算其形心,將所得的結(jié)果放入原圖像中進(jìn)行比較。并且每幅圖像使用不同的閾值處理后所得的二值圖像都會(huì)對(duì)應(yīng)不同的F值(如表1),F(xiàn)是經(jīng)過邊緣檢測(cè)后的二值圖像中濾除小于閾值的邊緣后,所剩下的目標(biāo)邊緣的相對(duì)數(shù)量[11]。F值的計(jì)算過程如下:

        設(shè)二值圖像的規(guī)格為X×Y,其中的某個(gè)像素為g(i,j)。在二值圖像中,亮點(diǎn)處g(i,j)=1,反之,g(i,j)=0。

        (3)

        通過分析大量實(shí)際的圖像,比較計(jì)算所得的形心和原圖的形心后,將跟蹤效果好的閾值對(duì)應(yīng)的F值標(biāo)記下來。典型圖像的試驗(yàn)分析結(jié)果列出如下表1所示。

        表1 典型圖像F值

        其中,圖像4和13均可設(shè)定2個(gè)閾值以實(shí)現(xiàn)良好的跟蹤效果。

        通過對(duì)上述13組典型??毡尘跋履繕?biāo)圖像的F值數(shù)據(jù)分析,若F值過大,則說明經(jīng)過邊緣檢測(cè)(濾波)后,圖像中的剩余的邊緣較多。除了目標(biāo)的邊緣外,還殘存大量的背景邊緣。在形心計(jì)算過程中,形心計(jì)算是不能區(qū)分某個(gè)邊緣是目標(biāo)邊緣還是背景邊緣的[12]。所以,多余的背景邊緣就會(huì)被誤認(rèn)為是目標(biāo)邊緣,從而導(dǎo)致形心計(jì)算結(jié)果偏離了真正的目標(biāo)。而F值過小則有可能除了濾除背景中的邊緣外,目標(biāo)上的強(qiáng)度較小的邊緣也被過分地濾除,極限情況是將圖像中的所有邊緣全部濾去。同樣,過度濾除邊緣也會(huì)導(dǎo)致形心跟蹤的精度變差。

        根據(jù)F值所具有的實(shí)際意義,若能找到F值的變化范圍,再以該變化范圍為限制條件。將邊緣檢測(cè)后的二值圖像計(jì)算F值,并判斷該F值是否落入該預(yù)設(shè)的范圍,將該值與預(yù)設(shè)的范圍相比較。若大于上限,則增大閾值,以濾除更多的邊緣;小于上限,則說明邊緣被過度濾除,應(yīng)減小閾值。這樣,便實(shí)現(xiàn)了閾值的自動(dòng)設(shè)定[13]。

        表1中的跟蹤統(tǒng)計(jì)結(jié)果顯示,跟蹤效果較好的閾值所對(duì)應(yīng)的F值的范圍為[10,80]。只要以該F值的范圍為限制條件,使邊緣檢測(cè)后的二值圖像的F值落入該范圍,則相應(yīng)的閾值T就可確定。

        1.4跟蹤模式的自動(dòng)選擇

        通常情況下,背景比較復(fù)雜的圖像邊緣特性也比較豐富。為此,可以以邊緣的豐富程度作為判定依據(jù)來判別背景是復(fù)雜還是簡(jiǎn)單,進(jìn)而進(jìn)行跟蹤模式的智能選擇[14]。

        在上述的形心跟蹤算法中,選用了sobel邊緣檢測(cè)算子來進(jìn)行目標(biāo)和背景的邊緣檢測(cè),通過該算子對(duì)圖像的處理就可以得到目標(biāo)邊緣的二值圖像。對(duì)該圖像計(jì)算F值便可以判斷圖像邊緣的復(fù)雜程度。但為了適應(yīng)不同條件下的背景,形心跟蹤算法中邊緣檢測(cè)算子的閾值是自適應(yīng)的。由于這里要進(jìn)行跟蹤模式的判斷,為使判斷的條件是相同的,閾值必須為一恒定值[15]。

        假定從傳感器中得到目標(biāo)的連續(xù)的5幀圖像fk+1,fk+2,fk+3,fk+4,fk+5。這5幅圖像在較短的時(shí)間間隔內(nèi)取得,相鄰2幅圖像間的變化是漸變的,故沒有必要在相鄰幾幅間判斷是否改變跟蹤模式。另外,在5幅圖像的范圍內(nèi),目標(biāo)姿態(tài)發(fā)生的變化較小,可以消除因目標(biāo)姿態(tài)變化而引起的邊緣變化。當(dāng)逐漸的差別累積到5幅(根據(jù)傳感器采樣頻率)時(shí),就有必要對(duì)跟蹤的模式進(jìn)行一次判斷:

        (4)

        式中:Fk+5和Fk+1是在將閾值固定情況下計(jì)算出的F值。這里FL的定義是第k+5幅圖像中的邊緣豐富程度與第k+1幅的差相對(duì)于k+1的值。與絕對(duì)閾值相比,該算法通過Fk+5-Fk+1可以消除目標(biāo)邊緣對(duì)背景判斷的影響。在模式判斷的過程中,無需對(duì)目標(biāo)是大目標(biāo)(面目標(biāo))還是小目標(biāo)(點(diǎn)目標(biāo))進(jìn)行判斷。

        假定第k+1,k+2,k+3,k+4,幅圖像的跟蹤模式已選定。對(duì)第k+5幅而言,若第k+1幅采用形心跟蹤模式,當(dāng)FL≥T,則表明第5幅與第1幅的邊緣豐富程度差距相當(dāng)大, 已經(jīng)到了形心跟蹤無

        法滿足的程度了,此時(shí)就需要改變跟蹤模式了。當(dāng)FL

        這樣第k+6幅的跟蹤模式可以結(jié)合第k+2幅按上述算法進(jìn)行計(jì)算得到,依此類推,只要事先指定前4幅的跟蹤模式(采樣率大時(shí),相鄰4幅圖像的差別很小,跟蹤模式往往與第1幅設(shè)為同一種),就可以實(shí)現(xiàn)跟蹤模式的智能選擇。

        2仿真結(jié)果及分析

        本文算法的核心是跟蹤模式的自動(dòng)選擇,判定背景復(fù)雜時(shí)跟蹤模式轉(zhuǎn)換為相關(guān)跟蹤以獲取目標(biāo)信息。而相關(guān)跟蹤所需的目標(biāo)的初始參考模塊是由形心跟蹤的結(jié)果得到(適用于目標(biāo)從簡(jiǎn)單背景進(jìn)入到復(fù)雜背景的情況),也可由人為提取。

        由于目標(biāo)在運(yùn)動(dòng)過程中,姿態(tài)在不斷地發(fā)生變化,因此,使用固定模板不能實(shí)現(xiàn)穩(wěn)定的跟蹤。接下來的相關(guān)跟蹤的目標(biāo)參考模板就可以以上一幀中的匹配/結(jié)果區(qū)域作為更新模板代替當(dāng)前模板,以實(shí)現(xiàn)對(duì)下一幀的跟蹤,即下一幀圖像的目標(biāo)參考模板是從上一幀圖像的跟蹤窗中獲得的。依此類推,在有了初始目標(biāo)參考模板后,就可以自動(dòng)實(shí)現(xiàn)目標(biāo)穩(wěn)定有效的跟蹤了。

        圖3中的a),b),c)為實(shí)拍的運(yùn)動(dòng)目標(biāo)的圖像及相對(duì)應(yīng)的單純使用目標(biāo)形心跟蹤的跟蹤結(jié)果。

        由圖3可以看出目標(biāo)逐漸駛?cè)霃?fù)雜的背景下(c)左圖)。由于a)和b)的背景較簡(jiǎn)單,邊緣和對(duì)比度都不明顯,可以很好地實(shí)現(xiàn)跟蹤。但當(dāng)背景中出現(xiàn)非常清晰的邊緣(清晰的山體)時(shí),邊緣檢測(cè)后的山體的邊緣甚至強(qiáng)于目標(biāo)邊緣,故跟蹤的十字線定位到山體上,偏離了目標(biāo)。

        對(duì)圖3c)中的圖像使用本文的跟蹤算法的跟蹤結(jié)果如圖4所示。

        圖3 復(fù)雜背景下對(duì)目標(biāo)使用形心跟蹤仿真結(jié)果Fig.3 Simulation results of centroid tracking to   target under complex environment

        圖4 復(fù)雜背景下輔以相關(guān)跟蹤后的仿真結(jié)果Fig.4 Simulation results of tracking mode conversion   to target under complex environment

        仿真結(jié)果表明,本文算法通過檢測(cè)目標(biāo)圖像邊緣復(fù)雜程度來完成跟蹤模式的轉(zhuǎn)換,優(yōu)化了形心跟蹤和相關(guān)跟蹤的不足,提高了圖像目標(biāo)的穩(wěn)定性、跟蹤精度和適應(yīng)復(fù)雜背景的能力。

        3結(jié)束語

        本文圖像跟蹤算法通過模式轉(zhuǎn)換將形心跟蹤和相關(guān)跟蹤相結(jié)合,提高了跟蹤的實(shí)時(shí)性,又保證了跟蹤效果的穩(wěn)定性。閾值的設(shè)定是很關(guān)鍵的,仿真中自動(dòng)設(shè)定閾值在整個(gè)跟蹤過程中能較穩(wěn)定地跟蹤著目標(biāo)。從目前實(shí)驗(yàn)結(jié)果來看,本文算法更能適應(yīng)復(fù)雜環(huán)境,可以為優(yōu)化艦艇目標(biāo)跟蹤提供參考。

        參考文獻(xiàn):

        [1]齊立峰,惠小平. 基于ML-PDA算法的低可見目標(biāo)跟蹤研究[J].弾箭與制導(dǎo)學(xué)報(bào),2014,34(1);27-32.

        QI Li-feng, HUI Xiao-ping. Research on Tracking Low Observable Targets Based on ML-PDA Algorithm[J]. Journal of Projectiles,Rockets,Missiles and Guidance,2014,34(1);27-32.

        [2]席志紅,邢代玉,徐錫超. 復(fù)雜運(yùn)動(dòng)情況下的多目標(biāo)檢測(cè)與追蹤[J].計(jì)算機(jī)測(cè)量與控制,2014,22(1):51-53.

        XI Zhi-hong,XING Dai-yu,XU Xi-chao.Multi-Targets Detection and Tracking Algorithm Complicated Movements[J]. Computer Measurement & Control,2014,22(1):51-53.

        [3]BLACKMAN S S.Multiple Hypothesis Tracking for Multiple Target Tracking [J]. IEEE Aerospace and Electronic Systems Magazine,2004,19(1):5-18.

        [4]LU Zi-yun, LIU Wei.The Compensated HS Optical Flow Estimation Based on Matching Harris Corner Points[C]∥Proceedings of International Conference on Electrical and Control Engineering,Wuhan,China,2010;2279-2280.

        [5]LIU Jing, WANG Ling.Improved Algorithm of Gaussian Mixture Model for Background Subtraction [J]. Computer Engineering and Application,2010,46(13):168-170.

        [6]JIN Hua. Application of Fuzzy Neural Network in Multi-maneuvering Target Tracking[C]∥ 2nd International Asia Conference on Informatics in Control, Automation and Robotics(CAR),2010,1;92-95.

        [7]Grzegorz M Wojcik, Wieslaw A Kaminski.Liquid State Machine Built of Hodgkin-Huxley Neurons and Pattern Recognition[J]. Neurocomputing,2004(7):58-60;245-251.

        [8]YILMAZ A, JAVED O, SHAH M.Object Tracking: A Survey [J].ACM Computing Surveys,2006,38(4):1-45.

        [9]STAUFFER C, GRIMSON W.Learning Patterns of Activity Using Real-Time Tracking [J]. IEEE Trans on Patterns Analysis and Machine Intelligence,2000,22(8):747-757.

        [10]BAR-SHALOM Y.Multitarget-Multisensor Tracking: Advanced applications Vol.I [M].Artech House Publisher,1992.

        [11]張明杰,康寶玉.改進(jìn)的目標(biāo)檢測(cè)與自動(dòng)跟蹤方法研究[J].計(jì)算機(jī)工程與設(shè)計(jì),2014,35(4):1308-1311.

        ZHANG Ming-jie,KANG Bao-yu.Modified Object Detection and Automatic Tracking Method[J]. Computer Engineering and Design,2014,35(4):1308-1311.

        [12]李濤,陳磊,周勝增,等.一種多目標(biāo)自動(dòng)跟蹤的邏輯關(guān)聯(lián)方法[J].聲學(xué)技術(shù),2013,32(6);469-472.

        LI Tao,CHEN Lei,ZHOU Sheng-zeng,et al.A Logical Association Method in Multi-Target Automatic Tracking[J]. Technical Acoustics,2013,32(6):469-472.

        [13]高飛,蔣建國,安紅新,等.一種快速運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].合肥土業(yè)大學(xué)學(xué)報(bào),2012,35(2);180-183.

        GAO Fei,JIANG Jian-guo,AN Hong-xin,et al.A Fast Detection Algorithm for Moving Object[J].Journal of Hefei University of Technology,2012, 35 (2):180-183.

        [14]萬纓,韓毅,盧漢清. 運(yùn)動(dòng)目標(biāo)檢測(cè)算法的探討[J].計(jì)算機(jī)仿真,2006,23(10):221-226.

        WAN Ying ,HAN Yi,LU Han-qing.The Methods for Moving Object Detection[J].Computer Simulation,2006,23 (10);221-226.

        [15]陸文廣. 快速目標(biāo)識(shí)別與跟蹤方法及實(shí)現(xiàn)研究[D].南京:南京理工大學(xué),2005.

        LU Wen-guang.Study on Methods and Implementation of Fast Object Automatic Detection and Tracking[D]. Nanjing: Nanjing University of Science and Technology,2005.

        An Adaptive Tracking Algorithm of Multimodal Interaction Image

        HUANG Jin-tao, YANG Shao-qing, LIU Song-tao

        (Dalian Naval Academy,Liaoning Dalian 116018,China)

        Abstract:The high precision stability of image target tracking has been a technical difficulty for ship-borne photoelectric tracking. Due to the single target tracking algorithm, simple background requirements, poor stability of the traditional structure, the target tracking cannot be better stabilized during real-time tracking under complex background. Based on an adaptive judgment method of image background complexity, a kind of image tracking algorithm of centroid tracking and correlation tracking adaptive multimodal interaction is presented by using complementary between centroid tracking and correlation tracking algorithm, to improve stability and accuracy of target tracking through model transformation. The simulation results show that the algorithm take a small amount of calculation and strong anti-jamming, high tracking precision.

        Key words:shipboard photoelectric;tracing algorithm;mode converter; background complexity;adaptive judgment;image target

        中圖分類號(hào):TN911.73;TP391.9

        文獻(xiàn)標(biāo)志碼:A

        文章編號(hào):1009-086X(2015)-05-0094-05

        doi:10.3969/j.issn.1009-086x.2015.05.016

        通信地址:116018大連市中山區(qū)解放路667號(hào)研究生1隊(duì)E-mail:1049314987@qq.com

        作者簡(jiǎn)介:黃金濤(1990-),男,陜西銅川人。碩士生,研究方向?yàn)檐娛聢D像圖形處理與虛擬現(xiàn)實(shí)。

        *收稿日期:2014-09-29;修回日期:2014-12-29

        国产一区二区三区探花| 天码av无码一区二区三区四区 | 国产精品亚洲A∨无码遮挡| 自拍偷区亚洲综合激情| 成年美女黄的视频网站| 亚洲av综合色区无码一二三区 | 一本大道道久久综合av| 久久精品国产视频在热| 提供最新的在線欧美综合一区| 蜜臀av国内精品久久久人妻| av网站大全免费在线观看| 亚欧免费无码aⅴ在线观看| 亚州综合激情另类久久久| 日本女优一区二区在线免费观看 | 亚洲一区二区三区无码国产| 手机在线精品视频| 琪琪av一区二区三区| 免费观看91色国产熟女| 亚洲av日韩专区在线观看| 国产免费看网站v片不遮挡| 女同重口味一区二区在线| 亚洲熟女精品中文字幕| 久久久www成人免费无遮挡大片| 国产欧美日韩专区毛茸茸| 亚洲精彩av大片在线观看| 日本少妇浓毛bbwbbwbbw| 熟女俱乐部五十路二区av| 日韩精品视频免费福利在线观看| 激情精品一区二区三区| 双腿张开被9个男人调教| 中文字幕永久免费观看| 中文字幕文字幕视频在线 | 免费观看性欧美大片无片| 亚洲精品成人av一区二区| 国产乱人伦偷精品视频还看的| 久久精品国产精品青草| 久青草国产视频| 亚洲国产综合久久精品| 国产私人尤物无码不卡| 国内大量揄拍人妻在线视频| 免费女同毛片在线不卡|