薛云松，馮國(guó)瑞，劉立莊

(1.上海大學(xué) 通信與信息工程學(xué)院，上海200444；2.中國(guó)科學(xué)院 上海高等研究院，上海201210)

基于L1-BRD的視頻圖像車牌識(shí)別

薛云松1，馮國(guó)瑞1，劉立莊2

(1.上海大學(xué) 通信與信息工程學(xué)院，上海200444；2.中國(guó)科學(xué)院 上海高等研究院，上海201210)

針對(duì)實(shí)時(shí)視頻的車牌識(shí)別系統(tǒng)應(yīng)用，利用車牌的邊緣特征和形態(tài)學(xué)操作對(duì)車牌進(jìn)行粗定位，通過(guò)支持向量機(jī)(SVM)結(jié)合方向梯度直方圖特征(HOG)方法對(duì)粗定位車牌進(jìn)行鑒別真?zhèn)?。在?duì)字符進(jìn)行分割后，取連續(xù)多幀車牌，對(duì)字符特征利用L1-BRD (L1-norm Bin Ratio-Based Histogram Distance) 自適應(yīng)計(jì)算融合權(quán)重，使L1-BRD能夠從圖像間特征相似度評(píng)估擴(kuò)展到實(shí)時(shí)視頻中。把L1-BRD用于車牌字符識(shí)別，可以降低單幀圖像中噪聲及字符分割誤差產(chǎn)生的影響，有助于后期基于多幀加權(quán)直方圖特征進(jìn)行字符識(shí)別，提高車牌字符識(shí)別的準(zhǔn)確性和穩(wěn)定性，并保證了實(shí)時(shí)性。

車牌字符識(shí)別；L1-BRD；車牌定位；多幀加權(quán)直方圖特征；SVM

進(jìn)入新世紀(jì)以來(lái)，智能交通得到越來(lái)越廣泛的應(yīng)用，已經(jīng)成為交通管理系統(tǒng)不可缺少的一部分，它是通過(guò)視頻監(jiān)控系統(tǒng)得到的道路監(jiān)控視頻利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)道路狀況進(jìn)行自動(dòng)分析，而車牌識(shí)別技術(shù)是智能交通里非常重要的一部分，應(yīng)用于交通管理系統(tǒng)、車輛出入管理系統(tǒng)等領(lǐng)域[1]。

目前車牌識(shí)別的算法有很多，大致可以分為基于模板匹配、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)三類方法?；谀０迤ヅ涞姆椒ㄓ?jì)算速度快，但是對(duì)低分辨率圖像以及傾斜的車牌識(shí)別率較低；基于神經(jīng)網(wǎng)絡(luò)的方法在樣本量不充足的條件下容易造成局部假飽和的情況，字符識(shí)別率難以達(dá)到很高[2]；SVM基于統(tǒng)計(jì)學(xué)習(xí)，在有限樣本的情況下，訓(xùn)練得到最小的誤差，在高維空間建立一個(gè)最優(yōu)分類超平面，使正負(fù)樣本的特征向量與超平面的距離最大化，SVM在小樣本的限制下具有很好的適應(yīng)性，在處理高維模式識(shí)別時(shí)也具有很大的優(yōu)勢(shì)。方向梯度直方圖(HOG)特征是一種統(tǒng)計(jì)圖像局部區(qū)域的方向梯度直方圖構(gòu)成特征，HOG特征結(jié)合SVM分類器已被廣泛應(yīng)用于圖像識(shí)別中[3]。由于車輛含有大量的邊緣特征，在邊緣梯度方向的分布上很有特點(diǎn)，可以用HOG特征區(qū)分車牌真?zhèn)巍?/p>

現(xiàn)有的車牌識(shí)別方法大部分都是基于單幀圖像，當(dāng)車輛通過(guò)檢測(cè)區(qū)域觸發(fā)檢測(cè)條件，對(duì)當(dāng)前幀進(jìn)行識(shí)別，并且是車牌清晰、沒(méi)有噪聲的圖像。但在應(yīng)用于真實(shí)場(chǎng)景時(shí)，噪聲、字符分割上的誤差會(huì)造成當(dāng)前幀字符識(shí)別準(zhǔn)確率下降。本文使用多幀聯(lián)合檢測(cè)的方法降低了上述影響，該方法使用多幀車牌對(duì)應(yīng)字符特征的加權(quán)，其特征為針對(duì)二值圖像的方向梯度直方圖特征，使用字符特征間的距離得到權(quán)值，目前用來(lái)度量特征間距離的方法有很多種，如L1-norm距離、歐氏距離，而本文使用的是L1-BRD (L1-norm Bin Ratio-Based Histogram Distance)[4]，可以更準(zhǔn)確地度量直方圖特征間的相似度。

原始的L1-BRD是衡量單幅圖像直方圖特征間的相似度，通過(guò)直方圖內(nèi)bin之間的比值計(jì)算對(duì)應(yīng)比值間的距離，結(jié)合L1-norm距離消除噪聲干擾，所以它比普通計(jì)算特征間距離的方法具有更高的信息量，更能夠準(zhǔn)確衡量特征間的相似度[4]。將其用于基于多幀的車牌字符識(shí)別，通過(guò)計(jì)算多幀間對(duì)應(yīng)字符特征間的L1-BRD，算出各幀字符特征的權(quán)值，最后得到一個(gè)多幀加權(quán)特征，該特征可以有效解決在單幀圖像提取特征時(shí)由于字符分割誤差和噪聲造成的干擾。本文基于實(shí)際項(xiàng)目，對(duì)基于視頻的多幀聯(lián)合特征的車牌字符識(shí)別做了深入研究。

1 車牌定位與字符分割

整個(gè)車牌識(shí)別系統(tǒng)框架如圖1所示。

圖1 車牌識(shí)別系統(tǒng)框架

1.1 檢測(cè)觸發(fā)

基于視頻的車牌識(shí)別，需要設(shè)定一個(gè)觸發(fā)機(jī)制，當(dāng)車輛通過(guò)時(shí)才對(duì)當(dāng)前幀的圖像進(jìn)行后續(xù)檢測(cè)。在道路上劃定一塊檢測(cè)區(qū)域，檢測(cè)區(qū)域中分別設(shè)有一道觸發(fā)線。對(duì)前后幀該條線上的像素灰度值做差求和，若大于閾值，則對(duì)檢測(cè)區(qū)域進(jìn)行車牌識(shí)別。

1.2 基于邊緣特征和形態(tài)學(xué)的車牌粗定位

車牌跟背景區(qū)域相比，車牌含有大量的邊緣信息，而車輛含有很多水平邊緣，為得到車牌位置，只提取圖像垂直方向的Sobel邊緣[5]，即可剔除大量非目標(biāo)邊緣，保留車牌的邊緣信息，然后對(duì)圖像使用最大類間方差法(Otsu)進(jìn)行二值化[6]。

得到二值圖像后，為了能用連通域獲得車牌區(qū)域，需要讓邊緣區(qū)域連通起來(lái)，所以對(duì)二值圖像進(jìn)行形態(tài)學(xué)的閉操作，然后進(jìn)行連通域標(biāo)記，通過(guò)對(duì)車牌大小的先驗(yàn)認(rèn)識(shí)，設(shè)置閾值排除面積過(guò)大和過(guò)小的區(qū)域。對(duì)每個(gè)連通域取最小外接矩形[7]，能夠得到外接矩形的頂點(diǎn)坐標(biāo)，通過(guò)頂點(diǎn)坐標(biāo)可以計(jì)算出矩形偏轉(zhuǎn)角度，剔除角度偏轉(zhuǎn)過(guò)大的區(qū)域，篩選出寬高比在一定范圍內(nèi)的矩形，該矩形區(qū)域?qū)?yīng)原圖像即為車牌的候選區(qū)域[8]。

在實(shí)際應(yīng)用中，車輛的縱向柵格、車燈、車輛的圖案和復(fù)雜背景都會(huì)影響定位的結(jié)果，使得粗定位到的車牌候選區(qū)域含有一些非車牌區(qū)域。對(duì)粗定位到的車牌歸一化到128×32大小，提取HOG特征，然后結(jié)合SVM分類器鑒別車牌真?zhèn)?，可以有效地剔除偽車牌區(qū)域，準(zhǔn)確地定位出車牌[9-10]，如圖2所示。

圖2 車牌定位中間結(jié)果

1.3 利用投影法的字符分割

經(jīng)定位后的車牌并不能直接用于字符識(shí)別，為了使其更利于識(shí)別，將進(jìn)行如下車牌分割操作：

1)對(duì)車牌用Otsu法進(jìn)行二值化。為了統(tǒng)一讓字符部分為白色，底色為黑色。已知車牌中字符部分面積小于背景部分，統(tǒng)計(jì)二值圖像中白色像素點(diǎn)和黑色像素點(diǎn)的數(shù)目，讓數(shù)目多的像素點(diǎn)置為背景黑色，數(shù)目少的像素點(diǎn)置為前景白色。

2)得到二值圖像，先對(duì)其向下投影，算出每一列前景像素點(diǎn)數(shù)目，統(tǒng)計(jì)數(shù)目大于閾值的區(qū)域，即計(jì)算連續(xù)的線段，通過(guò)線段兩個(gè)端點(diǎn)坐標(biāo)把圖像分割成多個(gè)區(qū)域，對(duì)每一個(gè)區(qū)域統(tǒng)計(jì)每一行前景像素點(diǎn)的數(shù)目，統(tǒng)計(jì)大于閾值的區(qū)域，對(duì)圖像進(jìn)行切割，可以得到7塊字符區(qū)域[11]，結(jié)果如圖3所示。

圖3 字符分割

2 基于L1-BRD的多幀加權(quán)特征的字符識(shí)別

2.1 L1-BRD

BRD (Bin Ratio-Based Histogram Distance) 是intra-cross-bin距離，與先前的bin-to-bin距離相對(duì)[4]。BRD對(duì)局部匹配和直方圖歸一化具有魯棒性，并且具有線性的計(jì)算復(fù)雜度。

L2歸一化含有n個(gè)bin的直方圖，是一個(gè)列向量h∈Rn，如式(1)所示

(1)

現(xiàn)有2個(gè)L2歸一化后的含有n個(gè)bin的直方圖特征p和q，求其平方距離?？傻玫教卣鏖g的距離BRD(Bin Ratio-Based Histogram Distance)，得到

(2)

其中:P和Q是p和q比值矩陣。式(2)表示的距離并不穩(wěn)定，當(dāng)pi和qi很小時(shí)，很小的變化都會(huì)造成所得距離差異很大，為了避免這種情況，在式(2)中加入項(xiàng)1/qi+1/pi做除數(shù)，得到式(4)。

(3)

(4)

對(duì)比L1距離和L2距離這些針對(duì)n維向量的距離，BRD距離是n×n個(gè)比值的向量，所以它包含了比L1距離和L2距離更多的信息量。dBRD(p,q)的具體推導(dǎo)過(guò)程在文獻(xiàn)[4]中給出，該距離的時(shí)間復(fù)雜度只有O(n)。

BRD可以更準(zhǔn)確地度量特征向量間的距離，但是對(duì)噪聲比較敏感，而L1距離受噪聲的影響很小，所以采用結(jié)合L1距離和BRD距離的方法，即兩者的乘積，結(jié)果如式(5)，可以有效地消除噪聲干擾及數(shù)值很小時(shí)的影響[13]。

(5)

2.2 基于多幀聯(lián)合直方圖特征的字符識(shí)別

本文采用SVM結(jié)合多幀聯(lián)合方向梯度直方圖特征進(jìn)行字符識(shí)別。

一般SVM是一個(gè)用來(lái)解決兩分類問(wèn)題的分類器，當(dāng)處理多分類問(wèn)題時(shí)需要構(gòu)造合適的SVM多分類器。本文采用一對(duì)多組合的方法，把其中某一類作為正樣本，剩余其他類的樣本作為負(fù)樣本，多分類就可以轉(zhuǎn)化為二分類問(wèn)題[14]。對(duì)其構(gòu)建最優(yōu)分類超平面，在分類過(guò)程中需要構(gòu)造N個(gè)分類器。

中國(guó)的車牌號(hào)碼一共有7位，第1位為各省份的簡(jiǎn)稱，第2位為字母，后5位含有10個(gè)數(shù)字和除“I”“O”以外的24個(gè)大寫字母。所以本文需要構(gòu)造3種類型的SVM分類器[15]。

字符識(shí)別所用到特征是梯度方向的統(tǒng)計(jì)直方圖特征，本文針對(duì)的圖像是二值圖像，二值圖像的梯度方向只有0°、45°、90°和135°這4個(gè)方向，所以本文只需統(tǒng)計(jì)4個(gè)方向的方向梯度直方圖。具體步驟如下：

1)將得到的二值圖像兩邊補(bǔ)0，使其寬高相同，然后將圖像縮放到20×20大小。為了捕獲其輪廓信息，計(jì)算二值圖像中每個(gè)像素的梯度方向。

2)將圖像分成小的cell。統(tǒng)計(jì)每個(gè)cell的梯度方向直方圖，即每個(gè)梯度方向的個(gè)數(shù)，即形成每個(gè)cell的描述子。將幾個(gè)cell組成一個(gè)block。將該二值圖像的所有block的特征描述子串聯(lián)起來(lái)就可以得到該圖像的特征描述子。如圖4所示。

圖4 多幀聯(lián)合特征獲取流程圖

使用多幀聯(lián)合方向梯度直方圖特征，并記錄車牌中心位置，前后兩幀得到車牌的中心坐標(biāo)，若距離在一定閾值內(nèi)，則記錄為同一車牌。選取車牌進(jìn)入檢測(cè)區(qū)域內(nèi)檢測(cè)到的連續(xù)N個(gè)車牌。

(6)

將每組對(duì)應(yīng)字符的特征與所有字符特征間距離的平方和與所有距離的平方和的比值作為該字符的權(quán)值。對(duì)應(yīng)位置的N個(gè)字符特征hi,i∈[1,N]，可以得到N幀加權(quán)直方圖特征h。

(8)

(9)

將基于多幀加權(quán)的直方圖特征和多分類SVM分類器對(duì)車牌字符進(jìn)行識(shí)別，這種方法可以有效消除單幀車牌字符在分割或噪聲造成的影響，提高車牌字符識(shí)別的準(zhǔn)確率。

3 實(shí)驗(yàn)結(jié)果

本文基于CPU主頻2.83 GHz、4 Gbyte內(nèi)存的Windows7操作系統(tǒng)的計(jì)算機(jī)，利用VS2010和opencv2.4.6進(jìn)行實(shí)驗(yàn)，針對(duì)道路監(jiān)控錄像里經(jīng)過(guò)的車輛進(jìn)行實(shí)時(shí)的車牌識(shí)別。測(cè)試樣本為4小時(shí)監(jiān)控視頻中經(jīng)過(guò)的565輛車輛，視頻分辨率為1 920×1 080，場(chǎng)景為普通道路，攝像機(jī)架設(shè)在路邊高約2 m處，檢測(cè)目標(biāo)為面向攝像頭方向正面行駛的車輛。

圖5為車牌識(shí)別的部分結(jié)果圖，識(shí)別的結(jié)果記錄為文件名。

圖5 車牌識(shí)別結(jié)果

圖6為系統(tǒng)運(yùn)行的界面截圖，左邊顯示實(shí)時(shí)的監(jiān)控視頻，右邊方框顯示當(dāng)車輛通過(guò)檢測(cè)區(qū)域時(shí)識(shí)別到的車牌號(hào)碼。

圖6 車牌識(shí)別系統(tǒng)(截圖)

本文利用神經(jīng)網(wǎng)絡(luò)的方法、基于單幀的SVM和多幀聯(lián)合的SVM進(jìn)行車牌識(shí)別，同時(shí)使用總數(shù)4 340個(gè)英文字母、數(shù)字樣本和620個(gè)漢字的樣本進(jìn)行訓(xùn)練，得到的實(shí)驗(yàn)結(jié)果如表1所示，基于多幀聯(lián)合特征的方法對(duì)識(shí)別準(zhǔn)確率都有提升，3幀聯(lián)合特征提升不明顯，但是5幀就有了明顯的提升，98.1%的識(shí)別率明顯優(yōu)于神經(jīng)網(wǎng)絡(luò)和單幀SVM的方法。

表1 多種車牌字符識(shí)別方法識(shí)別結(jié)果 %

使用方法字母和數(shù)字識(shí)別率漢字識(shí)別率神經(jīng)網(wǎng)絡(luò)方法95.386.6單幀的直方圖特征96.890.13幀聯(lián)合直方圖特征97.291.75幀聯(lián)合直方圖特征98.193.5

表2中列出了同樣是基于5幀使用不同距離時(shí)的識(shí)別結(jié)果，使用L1距離并沒(méi)有提升識(shí)別正確率，使用歐氏距離得到的結(jié)果也不明顯，這兩種距離并不能很好地對(duì)直方圖特征間的差異做很好地度量，所以識(shí)別結(jié)果并沒(méi)有很大提升，而使用L1-BRD距離對(duì)識(shí)別率提升很大。

表2 使用不同距離度量權(quán)值的實(shí)驗(yàn)結(jié)果 %

使用方法字母和數(shù)字識(shí)別率漢字識(shí)別率L1距離97.089.7歐氏距離97.291.2L1-BRD98.193.5

本文利用連續(xù)多幀的車牌提取特征，其計(jì)算復(fù)雜度比單幀車牌提取特征要高，但是計(jì)算L1-BRD距離只有線性的時(shí)間復(fù)雜度，所以并不會(huì)導(dǎo)致車牌識(shí)別時(shí)間增加多少。圖7為本文方法和基于單幀方法進(jìn)行車牌識(shí)別時(shí)的計(jì)算時(shí)間，本文方法平均識(shí)別時(shí)間是70 ms，最大識(shí)別時(shí)間不會(huì)超過(guò)80 ms，一般監(jiān)控視頻幀率為25 f/s(幀/秒)，即40 ms更新一幀，本文方法在2幀不到的時(shí)間內(nèi)即可識(shí)別出一幅車牌，同一個(gè)車道前后車輛到達(dá)檢測(cè)區(qū)域的時(shí)間一般相差大于1 s，就算3個(gè)車道同時(shí)有車輛經(jīng)過(guò)檢測(cè)區(qū)域，也可以在0.2 s左右識(shí)別出3個(gè)車牌。與圖7b基于單幀的方法的檢測(cè)時(shí)間進(jìn)行對(duì)比，平均檢測(cè)時(shí)間只增加了10～20 ms，多幀加權(quán)的特征提取只占用了很少的計(jì)算時(shí)間。本文方法在提高檢測(cè)精度的同時(shí)，小幅降低了識(shí)別速度，保證了實(shí)時(shí)性，可很好地用于真實(shí)的監(jiān)控系統(tǒng)。

圖7 車牌識(shí)別時(shí)間

4 結(jié)束語(yǔ)

本文針對(duì)實(shí)時(shí)道路監(jiān)控視頻，提出了一種采用多幀聯(lián)合的直方圖特征和SVM分類器的車牌識(shí)別方法。在道路上的虛擬觸發(fā)線對(duì)通過(guò)的車輛利用形態(tài)學(xué)和SVM的方法進(jìn)行二次車牌定位，取連續(xù)多幀的車牌利用投影法進(jìn)行字符分割，提取方向梯度直方圖特征，算出對(duì)應(yīng)位各車牌字符特征間L1-BRD，得出各自權(quán)值，結(jié)果表明L1-BRD更能準(zhǔn)確衡量特征間相似度，將與其他幀差距較大的特征賦予很小的權(quán)值，因此可以消除字符分割的誤差和噪聲造成的影響。最后算出多幀字符特征加權(quán)后的聯(lián)合特征，利用多分類SVM進(jìn)行識(shí)別。將本文方法和采用神經(jīng)網(wǎng)絡(luò)、單幀及利用L1-norm距離、歐氏距離的識(shí)別方法做了仿真實(shí)驗(yàn)對(duì)比，結(jié)果表明本文方法在針對(duì)實(shí)時(shí)視頻的車牌字符識(shí)別中，在保證實(shí)時(shí)性的前提下，識(shí)別的準(zhǔn)確度均優(yōu)于其他方法。

[1] BASU J K，BHATTACHARYYA D， KIM T H. Use of artificial neural network in pattern recognition[J]. Transactions on international journal of software engineering and its applications， 2010， 4(2)：23-34.

[2] 林川， 吳正茂， 覃金飛. 基于機(jī)器視覺(jué)的分級(jí)車牌字符識(shí)別方法[J]. 電視技術(shù)， 2014， 38(11)： 198-201.

[3] DALAL N，TRIGGS B. Histograms of oriented gradients for human detection[C]//Proc. IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]：IEEE， 2005：886-893.

[4] HU W，XIE N. Bin ratio-based histogram distances and their application to image classification[J]. IEEE transactions on pattern analysis and machine intelligence， 2014， 36(12)： 2338-2352.

[5] 沈德海， 侯建， 鄂旭. 基于改進(jìn)的Sobel 算子邊緣檢測(cè)算法[J]. 電子技術(shù)， 2013， 23(11)： 22-25.

[6] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE transactions on systems， man， and cybernetics， 1979， 9 (1)： 62-66.

[7] 吳曉光， 王滌瓊， 盛慧. 一種獲取圖像區(qū)域最小外接矩形的算法及實(shí)現(xiàn)[J]. 計(jì)算機(jī)工程， 2004， 30(12)： 124-142.

[8] 李耀， 程勇， 曹雪虹. 一種復(fù)雜環(huán)境中的車牌定位算法[J].電視技術(shù)，2015， 39(12)： 104-112.

[9] 張晶， 呂少勝. 采用二次定位的車牌圖像定位算法研究[J]. 電視技術(shù)， 2013， 37(15)： 198-210.

[10] 隆曉玲， 楊靜. 基于SVM的車牌區(qū)域定位系統(tǒng)研究[J]. 信息技術(shù)， 2010 (8)： 55-61.

[11] 陳濤， 楊晨暉， 青波. 基于投影和固有特征結(jié)合的車牌字符分割方法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2009， 19(5)： 45-49.

[12] XIE N， LING H， HU W，et al. Use bin-ratio information for category and scene classification[C]//Proc. IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]：IEEE，2010： 2313-2319.

[13] GEHLER P，NOWOZIN S. On feature combination for multiclass object classification[C]// Proc. IEEE Conference on Computer Vision. [S.l.]：IEEE，2009：221-228.

[14] HSU C，LIN C. A comparison of methods for multiclass support vector machines[J]. IEEE transactions on neural networks， 2002，13(2)：415-425.

[15] 馬爽， 樊養(yǎng)余. 一種基于多特征提取的實(shí)用車牌識(shí)別方法[J]. 計(jì)算機(jī)應(yīng)用研究， 2013， 30(11)： 3495-3499.

薛云松，碩士生，主要研究方向?yàn)橐曨l內(nèi)容識(shí)別；

馮國(guó)瑞，副研究員，主要研究方向?yàn)閳D像視頻分析；

劉立莊，副研究員，主要研究方向?yàn)橐曨l圖像處理。

責(zé)任編輯：閆雯雯

Multi-frame license plate recognition method by using L1-BRD

XUE Yunsong1， FENG Guorui1， LIU Lizhuang2

(1.SchoolofCommunication&InformationEngineering，ShanghaiUniversity，Shanghai200444，China；2.ShanghaiAdvancedResearchInstitute，ChineseAcademyofSciences，Shanghai201210，China)

For the application of license plate recognition system based on real-time video， this paper firstly locates the license plates in coarser-grained way by using the edge features and morphological operations. Then it locates the license plates exactly by combining SVM(Support Vector Machine) and HOG(Histogram of Oriented Gradient) features， after segmenting characters， it selects a series of plates and calculates weights adaptively by using L1-BRDs， making L1-BRD be used in the real-time video for license plate character recognition from measuring feature’s similarity to a single image， it can reduce the effects because of noise and character segmentation in single-frame image， contribute to characters recognition by multi-frames weighted histogram features， this method can improve the accuracy， stability and instantaneity.

license plate character recognition； L1-BRD； license plate location； multi-frame weighted histogram feature； SVM

薛云松，馮國(guó)瑞，劉立莊. 基于L1-BRD的視頻圖像車牌識(shí)別[J].電視技術(shù)，2017，41(1)：73-78. XUE Y S， FENG G R， LIU L Z. Multi-frame license plate recognition method by using L1-BRD [J]. Video engineering，2017，41(1)：73-78.

TN911.73

A

10.16280/j.videoe.2017.01.015

國(guó)家自然科學(xué)基金項(xiàng)目(61373151;U1536109);上海市自然科學(xué)基金項(xiàng)目(13ZR1415000);上海市教委創(chuàng)新基金項(xiàng)目(14YZ019)

2016-03-23