呂亞運(yùn)，郎 朗，楊會(huì)成，陳孟元

基于RGB歸一化模型與分群算法的交通燈檢測(cè)

呂亞運(yùn)，郎 朗?，楊會(huì)成，陳孟元

（安徽工程大學(xué)安徽省電氣傳動(dòng)與控制重點(diǎn)實(shí)驗(yàn)室，安徽蕪湖 241000）

交通燈檢測(cè)是智能交通系統(tǒng)研究的一個(gè)重要方向，采用了一種交通燈實(shí)時(shí)檢測(cè)算法.首先，對(duì)圖像進(jìn)行RGB歸一化處理，得到了幾種顏色獨(dú)立的圖像.然后提取圖像的二值化信息，并作形態(tài)學(xué)處理.接著對(duì)圖像進(jìn)行分群操作和標(biāo)記處理，并且根據(jù)交通燈形狀區(qū)域特點(diǎn)做出邊長(zhǎng)與面積條件判斷.最后通過提取交通燈的樣本空間來進(jìn)行匹配，從而鎖定交通燈位置.實(shí)驗(yàn)部分將其與傳統(tǒng)的Hough算法進(jìn)行比較，結(jié)果表明所提算法可以更快且準(zhǔn)確地檢測(cè)到交通燈.

交通燈檢測(cè)；智能交通系統(tǒng)；形態(tài)學(xué)處理

近年來，人們對(duì)智能交通系統(tǒng)的關(guān)注度越來越高，國(guó)內(nèi)外關(guān)于自動(dòng)駕駛輔助系統(tǒng)的研究也得到了迅猛發(fā)展.在同時(shí)混合了自動(dòng)與手動(dòng)的復(fù)雜交通狀況下，交通燈的恰當(dāng)控制將成為不可或缺的重要因素.因而通過檢測(cè)并正確識(shí)別出交通燈，駕駛員將會(huì)獲得有用的道路信息.但在道路場(chǎng)景圖片中，交通燈通常顯得比其他事物小，同時(shí)周邊還有許多和交通燈顏色相近的事物，這使得對(duì)交通燈的檢測(cè)絕非易事.

在前人的研究中，徐成［1］等提出運(yùn)用Lab色彩空間來提取交通燈形狀特點(diǎn)，并根據(jù)這些屬性過濾掉一些候選區(qū)的目標(biāo)，然后通過交通燈的模板匹配得出檢測(cè)結(jié)果.楊懌菲［2］提出一種基于空間信息的彩色圖像評(píng)價(jià)方法，將圖像變換到S-CIELab空間，并構(gòu)造出評(píng)價(jià)圖像質(zhì)量標(biāo)準(zhǔn).文獻(xiàn)［3］運(yùn)用CamShift算法來對(duì)交通燈進(jìn)行追蹤與定位，然后通過模板匹配來檢測(cè)交通燈顏色狀況.文獻(xiàn)［4］提出一種動(dòng)態(tài)視覺模型檢測(cè)駕駛環(huán)境的變化，最終識(shí)別出道路標(biāo)志牌.文獻(xiàn)［5-8］采用傳統(tǒng)的Hough算法來檢測(cè)目標(biāo)的幾何形狀，Hough算法是將圖像中目標(biāo)的幾何形狀轉(zhuǎn)換成數(shù)學(xué)模型，并對(duì)模型參數(shù)進(jìn)行匹配選擇，滿足給定閾值范圍隨即輸出對(duì)應(yīng)目標(biāo)形狀.

然而Hough算法處理過程中的運(yùn)算量比較大，對(duì)處理器性能要求比較高.本文提出將RGB歸一化模型與分群算法運(yùn)用在交通燈檢測(cè)上，充分利用了交通燈固有特點(diǎn)、攝像機(jī)標(biāo)定參數(shù)以及圖像處理技術(shù)等知識(shí)進(jìn)行實(shí)驗(yàn)操作.為了使實(shí)驗(yàn)結(jié)果具備更強(qiáng)的魯棒性，添加了一個(gè)簡(jiǎn)單的跟蹤平臺(tái)，以便于系統(tǒng)更好地處理掉那些與目標(biāo)無關(guān)的噪聲.為了保證具有安全的實(shí)時(shí)操作過程，在原有處理規(guī)則的基礎(chǔ)上對(duì)算法進(jìn)行了優(yōu)化，采用的方法是系統(tǒng)通過不斷地尋找與交通燈顏色和光學(xué)特點(diǎn)相類似的目標(biāo)，從而實(shí)現(xiàn)對(duì)顏色框架的檢測(cè).然后，跟蹤平臺(tái)將會(huì)鎖定并保持住那些符合交通燈特點(diǎn)的區(qū)域，同時(shí)也會(huì)過濾掉那些不符合其特點(diǎn)的區(qū)域.因此，基于原來的簡(jiǎn)單方法得到了一個(gè)可以實(shí)時(shí)起作用的算法.

1　算法描述

交通燈檢測(cè)整體流程圖如圖1所示.首先將圖像進(jìn)行RGB歸一化處理并對(duì)其進(jìn)行集群操作，然后提取圖像二值化信息并作形態(tài)學(xué)處理，接著對(duì)圖像進(jìn)行分群操作與標(biāo)記處理，最后將圖像候選區(qū)中的目標(biāo)與所建的交通燈樣本空間數(shù)據(jù)進(jìn)行匹配，滿足條件的就可認(rèn)為是交通燈，從而鎖定交通燈位置.在進(jìn)行紅綠燈檢測(cè)實(shí)驗(yàn)之前，需要了解攝像機(jī)固有的與外在的標(biāo)定參數(shù)，并且通過查閱國(guó)內(nèi)相關(guān)法律法規(guī)來了解交通燈的限高.另外，為了加快圖像的處理過程，在圖像中偏低一點(diǎn)的位置開始尋找目標(biāo)進(jìn)行檢測(cè).這是因?yàn)樵谄囆旭傔^程中，遠(yuǎn)處的交通燈通常在圖像中偏低的位置開始出現(xiàn).將這個(gè)位置對(duì)應(yīng)的范圍計(jì)算出來，即感興趣區(qū)域（ROI，region of interest），如圖2所示.由圖2可知，圖像中的灰白部分是交通燈檢測(cè)的區(qū)域.

1.1RGB歸一化模型與集群操作

在計(jì)算機(jī)視覺領(lǐng)域，對(duì)顏色進(jìn)行檢測(cè)和對(duì)其進(jìn)行集群操作是常識(shí)性問題.交通燈圖像中的RGB元素通常要受到諸如景物亮度變化、距離變化等環(huán)境因素的影響.為了解決這個(gè)問題，從60幅未作處理的原圖像中提取了RGB元素，同時(shí)也對(duì)這60幅經(jīng)過“歸一化”處理的圖像中提取了RGB元素.這些圖像是專門從霧、雪、晴朗的天氣或夜間有照明等不同的環(huán)境條件下挑選出來的.然后，手動(dòng)挑選每張圖像中的紅、黃、綠像素點(diǎn).對(duì)于每個(gè)像素點(diǎn)，有6個(gè)與之對(duì)應(yīng)的值，它們分別是3個(gè)RGB空間元素值（R，G，B）和3個(gè)經(jīng)過“歸一化”處理過的RGB元素值（RN，GN，BN）.文中算法需要結(jié)合這6個(gè)元素來獲取圖像中紅、黃、綠色對(duì)應(yīng)目標(biāo)的鮮明邊緣.

RGB“歸一化”處理是將原始的RGB圖像轉(zhuǎn)換成RGB空間模型的過程.原始圖像的RGB空間元素值（R，G，B）除以像素之和s，即可得到對(duì)應(yīng)的歸一化的值（RN，GN，BN）.RGB歸一化模型的建立極大地減少了原始圖像RGB值的運(yùn)算量，加快了交通燈影像處理過程.其具體處理公式如下：

式中，s為R，G，B 3元素值的總和，計(jì)算公式為：

對(duì)RGB空間元素進(jìn)行“歸一化”處理后，再對(duì)圖像中的顏色進(jìn)行集群操作.由于所要提取的交通燈顏色只有紅，黃，綠3種顏色，交通燈其他背景顏色在二值化處理后只有黑白兩種顏色，每個(gè)像素對(duì)應(yīng)一個(gè)取值范圍，因而它們被分成了以下5個(gè)族群：

每一個(gè)像素通過計(jì)算的一組中間變量范圍來確定，例如RN-GN表示“歸一化”后的紅色像素值減去“歸一化”后綠色像素值.每個(gè)希臘字母分別表示對(duì)應(yīng)范圍的閾值.因此，對(duì)于族群1（紅色），參數(shù)設(shè)定為：α =0.36，β=0.08，γ=0.14；對(duì)于族群2（黃色），參數(shù)設(shè)定為：δ=0.65，ω=0.16，τ=0.15；同樣，對(duì)于族群3（綠色），參數(shù)設(shè)定為：μ=-0.16，ρ=0.18，ε=0.25；最后，對(duì)于族群4（黑色），由于交通燈的背景顏色實(shí)際上在白天并不全是黑色（即對(duì)應(yīng)R=G=B=0），因此設(shè)定參數(shù)φ=0.30.

在集群操作后，得到了5個(gè)獨(dú)立的單色圖像，圖像包含紅、黃、綠、黑、白5種像素，集群操作的結(jié)果已經(jīng)成功實(shí)現(xiàn).

1.2交通燈信息的提取

（1）二值化處理.為了進(jìn)一步縮短處理時(shí)間，減小處理器的運(yùn)算量，本文采用一種運(yùn)算量較小的sobel算子來過濾交通燈信息，其數(shù)學(xué)表達(dá)式為：

因此，交通燈二值化處理為：

式中，I（x，y）為交通燈圖像的亮度值；B（x，y）為通過二值化處理后的圖像；T為設(shè)定的閾值.為了確保系統(tǒng)的魯棒性，通過統(tǒng)計(jì)實(shí)時(shí)圖像中的亮度值來提取T值，使得系統(tǒng)可以在白天與夜晚都能檢測(cè)到交通燈.由于前面設(shè)定的交通燈ROI范圍有可能影響到交通燈信息提取的準(zhǔn)確性，因此，為了防止實(shí)際過程中提取的交通燈信息出現(xiàn)部分缺失問題，需要對(duì)交通燈信息進(jìn)行存儲(chǔ)與過濾.設(shè)定En為交通燈信息集合，結(jié)合上面的表達(dá)式，如果Bn（x，y）=0，那么En=En-i.其中，En-i是第n-i張交通燈影像信息集合.換言之，如果當(dāng)前交通燈信息集合En因?yàn)锽n（x，y）=0而無法獲取時(shí)，就采用第n-i張交通燈影像信息集合En-i作為當(dāng)前交通燈信息提取的結(jié)果.

現(xiàn)如今，我國(guó)市場(chǎng)化程度持續(xù)提升，此種條件下，物流業(yè)得到了十分良好的發(fā)展，企業(yè)之間的市場(chǎng)競(jìng)爭(zhēng)也日益激烈，我國(guó)許多企業(yè)的管理層均在積極探尋各種可提升企業(yè)市場(chǎng)綜合競(jìng)爭(zhēng)力的管理措施。基于此，企業(yè)為了更好的滿足客戶服務(wù)相關(guān)標(biāo)準(zhǔn)提出的高要求，必然會(huì)提升其物流方面的成本費(fèi)用，所以，物流管理這種現(xiàn)代化管理手段越來越受到企業(yè)的廣泛重視，這一工作內(nèi)容也因此被提上了日程。對(duì)于企業(yè)來說，其于激烈市場(chǎng)競(jìng)爭(zhēng)當(dāng)中的綜合競(jìng)爭(zhēng)能力是其能否獲得理想績(jī)效的關(guān)鍵，現(xiàn)代物流與供應(yīng)量理論這些新型理論是在市場(chǎng)競(jìng)爭(zhēng)日益激烈、企業(yè)經(jīng)營(yíng)規(guī)模持續(xù)擴(kuò)大、企業(yè)顧客需求不斷變化、新興工商模式相繼涌現(xiàn)、市場(chǎng)主體地位日漸變化等條件下提出的。

（2）形態(tài)學(xué)處理.每張圖像中，除了一些特定的噪聲外，要對(duì)許多候選區(qū)進(jìn)行檢測(cè)，通常大部分噪聲可以通過形態(tài)學(xué)運(yùn)算操作移除掉，常見的兩大形態(tài)學(xué)處理為腐蝕與膨脹.為了得到更好的處理效果，一般將兩者結(jié)合起來，本次實(shí)作采用的是先腐蝕后膨脹處理，即Img′=（（Img-E）+D），式中，E為腐蝕操作；D為膨脹操作.

腐蝕操作包含“收縮”或“細(xì)化”的過程，同時(shí)也有修補(bǔ)殘缺像素點(diǎn)的作用.腐蝕的一個(gè)遮罩如圖3所示.由圖3可知，它是以中心為原點(diǎn)，周圍相鄰的8個(gè)像素點(diǎn)值取決于原點(diǎn)對(duì)應(yīng)值的大小.如果原點(diǎn)對(duì)應(yīng)值大于給定閾值，那么將其余8個(gè)值設(shè)定為最大值（255），反之則將其設(shè)定為最小值（0）.類似的，膨脹操作將會(huì)使圖像中選定的目標(biāo)“加長(zhǎng)”或“變粗”.最后，通過對(duì)交通燈信息的提取得到了一幅新的圖像.

1.3目標(biāo)的分群與標(biāo)記處理

經(jīng)過腐蝕膨脹處理后的圖像依然是一幅只有紅、黃、綠、黑4種獨(dú)立的單色圖像.由于在圖像中還存在許多與交通燈顏色相近的目標(biāo)，如廣告牌、汽車尾燈等，因此需要將這些不相關(guān)的目標(biāo)去除掉.為了縮短圖像處理時(shí)間，首先對(duì)各個(gè)目標(biāo)進(jìn)行分群操作.通常圖像中有顏色的目標(biāo)都具有對(duì)應(yīng)特定的形狀，通過分群算法將形狀近似的目標(biāo)歸為一個(gè)群落，并對(duì)每一群落用數(shù)字作標(biāo)記以便將它們區(qū)分開來.這樣將圖像ROI中的目標(biāo)分成了好幾個(gè)群落，并且每定義一個(gè)群，就對(duì)其進(jìn)行數(shù)字標(biāo)記處理，數(shù)字的標(biāo)記處理便于接下來進(jìn)一步縮小交通燈范圍，同時(shí)也避免了重復(fù)掃描，加快了處理進(jìn)程.

式中，len gth和width分別表示所選目標(biāo)的長(zhǎng)和寬；μ是設(shè)定的閾值.

系統(tǒng)掃描候選區(qū)目標(biāo)的長(zhǎng)和寬的結(jié)果，排除了不滿足長(zhǎng)和寬條件的目標(biāo).同時(shí)，為了過濾現(xiàn)場(chǎng)復(fù)雜環(huán)境中一些瑣碎的噪聲，規(guī)定候選區(qū)域范圍大小，即：

式中，Q表示候選區(qū)域面積大??；a和b分別是對(duì)應(yīng)面積閾值.計(jì)算ROI中候選區(qū)域的面積可以進(jìn)一步排除一部分目標(biāo)，使得圖像中近似交通燈的目標(biāo)范圍縮小了.

1.4交通燈區(qū)域的鎖定

在汽車行駛過程中，由于攝像頭角度已固定，可選擇的ROI逐步偏移到了圖像上方，因而需要對(duì)交通燈進(jìn)行重新掃描.為了進(jìn)一步鎖定交通燈，采用“像素密度”這個(gè)變量來描述交通燈區(qū)域大小.通常每一個(gè)交通燈周邊都會(huì)有對(duì)應(yīng)的深色邊框，而交通燈在邊框中的區(qū)域大小是固定的，于是“像素密度”的范圍也就確定了，即：

式中，A表示交通燈周邊深黑色邊框區(qū)域面積；變量S（x）表示候選區(qū)交通燈的面積；η表示一個(gè)設(shè)定的密度閾值.

通過對(duì)真實(shí)場(chǎng)景中的交通燈形狀進(jìn)行“歸一化”的處理，建立了一個(gè)交通燈的樣本空間數(shù)據(jù)庫(kù)，這個(gè)“歸一化”后的圓以一定的比例大小對(duì)應(yīng)圖像中的交通燈.進(jìn)行檢測(cè)時(shí)調(diào)用這個(gè)樣本空間中的數(shù)據(jù)，將這些數(shù)據(jù)與圖像中類似交通燈的目標(biāo)像素進(jìn)行匹配，滿足條件的就是交通燈，從而進(jìn)一步鎖定交通燈.

2　實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)的處理過程將在嵌入式系統(tǒng)中完成，處理器采用德州儀器的OMAP4460.實(shí)測(cè)的攝像頭采用羅技C920，系統(tǒng)影像的采樣速率是30 Frame/s.通過檢測(cè)交通燈顯示出來，實(shí)測(cè)系統(tǒng)的FPS（Frame per second）為40，這已經(jīng)能夠滿足檢測(cè)交通燈的實(shí)時(shí)性.為了調(diào)整系統(tǒng)對(duì)影像的采樣速率，在攝像頭采集到圖像信號(hào)后，增加了影像解碼器的環(huán)節(jié)，這同時(shí)也增強(qiáng)了處理器對(duì)影像數(shù)據(jù)流的吞吐量.另外，本次實(shí)作過程中，為了達(dá)到實(shí)時(shí)的檢測(cè)要求，在處理器中使用了Kudaa加速技術(shù)，這使得系統(tǒng)內(nèi)核的整體處理速度得到了提高.同時(shí)影像解碼器實(shí)時(shí)地與處理器中通過Kudaa加速的OpenCV程序相聯(lián)系，從而進(jìn)一步控制系統(tǒng)整體的采樣速率.

實(shí)測(cè)的結(jié)果如圖4、圖5所示.圖4a是交通燈的真實(shí)場(chǎng)景；圖4b是ROI部分經(jīng)過RGB集群操作后圖像.由圖4b可以看出圖像只剩下5種顏色獨(dú)立的空間；圖4c是ROI部分經(jīng)過二值化處理后的圖像；圖4d是將二值化后的圖像經(jīng)過分群與標(biāo)記操作，對(duì)交通燈的初步鎖定圖像；圖4e是將沒有提取二值化信息的圖像經(jīng)過分群與標(biāo)記處理后的結(jié)果.由圖4e看出分群操作尤其排除了車尾燈對(duì)交通燈檢測(cè)的影響；圖4f是經(jīng)過與歸一化圓的樣本空間進(jìn)行匹配以后的最終鎖定的交通燈圖像.圖5a是存在與交通燈顏色相近的標(biāo)志牌干擾下的場(chǎng)景圖像；圖5b是提取了候選區(qū)域二值化信息后的圖像；圖5c是系統(tǒng)避開了標(biāo)志牌顏色的干擾進(jìn)而鎖定交通燈的圖像.結(jié)果表明，在排除過濾掉一些標(biāo)志牌、車尾燈等形狀和顏色與交通燈相近的目標(biāo)后，文中系統(tǒng)可以準(zhǔn)確識(shí)別并鎖定到交通燈.

為了驗(yàn)證分群算法的時(shí)效性與準(zhǔn)確性，將其與傳統(tǒng)的Hough算法進(jìn)行比較，結(jié)果如表1與圖6所示.從表1可以看出，Hough算法從30幀實(shí)時(shí)交通圖像中成功檢測(cè)到了21幀，而所用分群算法則從30幀圖像中成功檢測(cè)到了27幀，精確度明顯優(yōu)于傳統(tǒng)算法.傳統(tǒng)算法對(duì)所有30幀圖像的平均處理時(shí)間為0.685 s，而分群算法的平均處理時(shí)間為0.443 s，處理時(shí)間上也減少了.圖6是兩種算法對(duì)每一幀圖像處理時(shí)間對(duì)比柱狀圖.從圖6中可以看出，分群算法對(duì)每一幀圖像的處理時(shí)間都比傳統(tǒng)的Hough算法少，這極大地加快了系統(tǒng)的處理進(jìn)程，進(jìn)一步體現(xiàn)出系統(tǒng)實(shí)時(shí)效果.

表1　算法精確度與平均處理時(shí)間

3　結(jié)論與展望

提出了一種基于RGB空間歸一化模型與分群操作的交通燈檢測(cè)算法.算法首先對(duì)實(shí)時(shí)交通場(chǎng)景圖像進(jìn)行RGB顏色種類的歸一化處理，得到了幾種顏色獨(dú)立的圖像.然后為了進(jìn)一步縮短處理時(shí)間，提取圖像的二值化信息并且進(jìn)行形態(tài)學(xué)處理.接著對(duì)圖像進(jìn)行分群操作并作標(biāo)記處理，通過對(duì)比目標(biāo)長(zhǎng)寬條件與候選區(qū)的面積條件進(jìn)一步篩選目標(biāo).最后通過匹配交通燈形狀樣本空間中的數(shù)據(jù)鎖定交通燈.實(shí)際檢測(cè)的結(jié)果表明，所采用的分群算法可以實(shí)時(shí)準(zhǔn)確地識(shí)別出交通燈，對(duì)比傳統(tǒng)的Hough算法，準(zhǔn)確度與處理時(shí)間都有明顯的優(yōu)越性.但所采用的算法仍有不足之處，本文實(shí)際檢測(cè)是在城市統(tǒng)一交通燈形狀情況下進(jìn)行的，若換成諸如箭頭狀的交通燈，系統(tǒng)就無法識(shí)別，所以對(duì)于交通燈樣本的數(shù)據(jù)庫(kù)還有待進(jìn)一步完善.另外，在檢測(cè)到交通燈的同時(shí)還可以加入距離檢測(cè)，使得智能交通系統(tǒng)進(jìn)一步完善，這也是未來將要研究的課題.

［1］ 徐成，譚乃強(qiáng)，劉彥.基于Lab色彩空間和模板匹配的實(shí)時(shí)交通燈識(shí)別算法［J］.計(jì)算機(jī)應(yīng)用，2010，30（5）：1 251-1 254.

［2］ 楊懌菲.基于空間信息的彩色逆半調(diào)圖像評(píng)價(jià)方法［J］.計(jì)算機(jī)應(yīng)用，2009，29（6）：1 699-1 701.

［3］ Jesse Levinson，Jake Askeland，Jennifer Dolson，et al.Traffic light mapping，localization，and state detection for autonomous vehicles［C］//David Menotti.2011 IEEE International Conference on Robotics and Automation.Shanghai：IEEE xplore Digital Library，2011：5 784-5 791.

［4］ C Y Fang，C S Fuh，S W Chen，et al.A road sign recognition system based on dynamic visual model［C］//R.Schettini. Proceedings of the 2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.TaiPei：IEEE xplore Digital Library，2003：750-755.

［5］ Y Zhang，L Wu.A rotation invariant image descriptor based on radon transform［J］.International Journal of Digital Content Technology and its Applications，2011，5（4）：209-217.

［6］ F Lindner，U Kressel，S Kaelberer.Robust recognition of traffic signals［C］//David.Proceedings of the 2004 IEEE International Vehicle Symposium.Parma：IEEE xplore Digital Library，2004：49-53.

［7］ Nathaniel Fairfield，Chris Urmson.Traffic light mapping and detection［C］//Steve Hank.2011 IEEE International Conference on Robotics and Automation.Shanghai：IEEE xplore Digital Library，2011：5 421-5 426.

［8］ H Chinthaka N Premachandra，Tomohiro Yendo，Mehrdad Panahpour Tehrani，et al.High-speed-camera image processing based LED traffic light detection for road-to-vehicle visible light communication［C］//R.Deriche.2010 IEEE Intelligent Vehicles Symposium.California：IEEE xplore Digital Library，2010：793-798.

Traffic lights detection based on normalization model and clustering algorithm

LV Ya-yun，LANG Lang?，YANG Hui-cheng，CHEN Meng-yuan
（Anhui Key Laboratory of Electric Drive and Control，Anhui Polytechnic University，Wuhu 241000，China）

Traffic lights detection is an important research direction of intelligent transportation system with adopts the real-time detection algorithm adopted.Firstly，the image is processed by RGB normalization model，which produces several independent image colors.Secondly，the algorithm extracts the binarization information from the image and makes the morphological processing.Thirdly，it exerts the clustering operation and labeling processing for each image and makes the condition judgment on the length and area according to the shape characteristics of traffic lights region.Finally，the value is extracted from the sample space of traffic lights and matched with the one from the real-time scene.Therefore，the position of traffic lights is locked well.The experiment compares the Clustering algorithm with the traditional Hough algorithm and the results show that the proposed algorithm can quickly and accurately detect the traffic lights.

traffic lights detection；intelligent transportation system；morphological processing

TP37

A

1672-2477（2015）02-0069-06

2014-08-04

安徽高校自然科學(xué)研究重大基金資助項(xiàng)目（KJ2014ZD04）

呂亞運(yùn)（1990-），男，江蘇南京人，碩士研究生.

郎 朗（1956-），女，安徽蚌埠人，正高級(jí)工程師，碩導(dǎo).