發(fā)布時間：2014-12-20 20:57

【摘要】 我國城市當前面臨嚴峻的混合交通問題，需要通過智能化交通進行解決。而混合交通參數(shù)的高效、準確提取是智能化交通管理與控制的基礎。目前常規(guī)的檢測器難以滿足混合交通參數(shù)提取的需求，迫切需要開發(fā)一種有針對性的混合交通檢測系統(tǒng)。因此，混合交通視頻檢測技術(shù)的研究及相應系統(tǒng)的開發(fā)對于提高城市交通控制的實時性和準確性具有重要意義，對有效進行交通管理和保障交通安全具有重要作用。但是由于目前混合交通視頻檢測關(guān)鍵技術(shù)研究不足，使得混合交通視頻檢測系統(tǒng)的開發(fā)與實現(xiàn)受到嚴重限制。本文針對這一問題，結(jié)合混合交通視頻檢測的實際需求，對普適性的攝像機參數(shù)標定、混合交通前景信息提取和補償、混合交通快速分類和識別、混合交通多運動目標跟蹤和遮擋處理等關(guān)鍵技術(shù)進行了研究和討論。論文完成的主要科研工作及取得的主要科研成果概括如下：(1)基于像素角映射的攝像機標定算法當前對于攝像機標定的問題研究較多，但以往的標定方法在適應性和快速性方面存在一定的問題。本文在前人研究的基礎上，提出了基于像素角映射的攝像機標定算法。即在針孔成像線性模型的基礎上，分別考慮了像素與像素角、像素角與世界坐標兩組非線性映射關(guān)系，并根據(jù)混合交通視頻檢測的實際情況對標定算法進行了簡化。同時引入攝像機高度和傾角等參數(shù)，擴大了標定算法的適用范圍。最后通過試驗對比驗證了本文提出的標定算法具有檢測精度高、適用范圍廣、靈活性強、魯棒性好等優(yōu)點，具有良好的工程實用價值。(2)結(jié)合歷史信息的混合交通前景提取和補償算法針對混合交通場景的復雜性，本文在利用分段加權(quán)直方圖(Partition WeightedHistogram, PWH)背景模型獲取背景圖像和背景邊緣的基礎上，通過引入歷史信息來改進傳統(tǒng)的邊緣檢測算法。首先通過將當前邊緣信息、背景邊緣信息及歷史信息進行對比，經(jīng)過推理和二次分析剔除背景邊緣信息，獲取前景邊緣信息。然后通過融合差分信息，利用種子點生長法實現(xiàn)前景輪廓的補償與修正，提取出能夠滿足混合交通分類識別需求的前景輪廓信息。最后，結(jié)合本文前景提取算法實現(xiàn)了陰影處理與夜間檢測。(3)結(jié)合極限學習機(ELM)訓練的混合交通快速分類識別算法針對混合交通視頻檢測算法常常因為缺乏有效的分類特征而導致識別精度低以及傳統(tǒng)智能算法學習計算量大而導致實時性差的問題，在以往研究的基礎上，提出了結(jié)合極限學習機(Extreme Learning Machine, ELM)訓練的混合交通快速分類識別算法。該算法以邊緣輪廓偏心率向量為分類特征，并利用等角度間隔抽樣的方法對邊緣輪廓偏心率向量進行了維數(shù)統(tǒng)一，克服了以往算法識別精度低的問題。再通過將極大極小偏心距的比值引入到混合交通特征表達中，克服了行人和自行車特征區(qū)分度不高的問題。最后在特征選取和表達的基礎上結(jié)合ELM的分類機制對混合交通進行了快速分類識別，克服了采用支持向量機(Support Vector Machine, SVM)等傳統(tǒng)智能算法耗時長的問題，實現(xiàn)了混合交通的快速、準確識別。(4)多目標跟蹤和遮擋處理機制針對混合交通中多目標跟蹤及遮擋處理難以實現(xiàn)的問題，提出了基于Kalman濾波和PCA-SIFT(Principal ComponentsAnalysis applied to SIFT)匹配的方法進行多目標跟蹤和遮擋處理。利用Kalman濾波結(jié)合真實世界參數(shù)進行前景多目標預測，判斷是否出現(xiàn)遮擋現(xiàn)象。通過對遮擋現(xiàn)象的判斷結(jié)果選取不同的跟蹤策略：若未發(fā)現(xiàn)遮擋，則采用基于世界坐標約束的Kalman濾波進行跟蹤，保證跟蹤的快速性；若發(fā)現(xiàn)遮擋，則結(jié)合預測信息鎖定靶區(qū)域，縮小檢索范圍，再利用PCA-SIFT算法進行快速匹配，完成遮擋還原，實現(xiàn)了多運動目標的預測及跟蹤，確保了跟蹤結(jié)果的準確性及快速性。最后，在實際交通場景中對本文開發(fā)的檢測系統(tǒng)進行了測試，結(jié)果表明：該系統(tǒng)能夠良好地完成混合交通視頻檢測任務，準確提取多種混合交通參數(shù)。最后對本文的研究內(nèi)容進行總結(jié)和展望�？偨Y(jié)了本文所取得的研究成果以及創(chuàng)新點，針對本文研究的不足提出了下一步的研究計劃。 

第1章 緒論

 

視頻檢測技術(shù)能夠為智能交通系統(tǒng)采集必要的參數(shù)，對提高交通控制的實時性和準確性具有重要意義，對交通管理具有重要的作用。面對我國當前的混合交通問題，現(xiàn)有的混合交通視頻檢測技術(shù)存在許多不足之處，主要體現(xiàn)在：(1)缺乏具有普適性的攝像機標定算法；(2)前景信息提取效果差；(3)混合交通前景分類識別精度不足；(4)多目標跟蹤遮擋處理難以實現(xiàn)。本文針對以上問題，在總結(jié)國內(nèi)外相關(guān)交通視頻檢測技術(shù)研究和應用現(xiàn)狀的基礎上，完成了混合交通視頻檢測關(guān)鍵技術(shù)的研究。

 

1.1   課題來源

本文主要依托以下項目完成：

(1)吉林省科技廳發(fā)展項目：“混合交通視頻檢測智能設備的研究與開發(fā)”(項目編號20080432)，2008.09~2010.12。

(2)國家“863”計劃項目：“基于多源融合的混合交通行人安全狀態(tài)識別技術(shù)”(項目編號2009AA11Z210)，2009.06~2011.12。

(3)國家自然科學基金項目“基于人車沖突辨識的行人危險狀態(tài)預警方法研究”(項目編號51108208)，2012.01~2014.12。

(4)國家自然科學基金項目“基于全時空信息的交叉口混合交通流運行機理研究”(項目編號 51278454)，2013.01~2016.12。

 

1.2   研究背景及意義

近年來我國城市化進程飛速發(fā)展，交通擁堵和交通事故等問題日益嚴重。城市管理者在努力提高城市交通運行效率的同時也開始密切關(guān)注交通安全等問題。由于我國人口數(shù)量多、密度大，當前的城市道路交通設施難以滿足人們?nèi)粘３鲂械男枨螅�使混合交通成為我國城市交通的主要特征之一，也成為我國交通擁堵和交通事故的主要原因之一。目前，城市道路交通擁堵和交通事故頻發(fā)等問題已經(jīng)嚴重制約了我國經(jīng)濟的快速發(fā)展，威脅到人民的生命財產(chǎn)安全。世界衛(wèi)生組織2009年對道路交通安全的評估數(shù)據(jù)表明：全球每年在道路交通事故喪生者中接近半數(shù)是行人或騎自行車(摩托)者，且致死率是機動車駕駛員的4倍�！吨腥A人民共和國道路交通事故統(tǒng)計年報》數(shù)據(jù)顯示，最近五年來(2008 年~2012年)，我國每年因交通事故受傷的行人總數(shù)從56303人降低到了 37877 人，因交通意外死亡的行人總數(shù)從 18913 人降到了 15690 人，雖然總受傷人數(shù)和總死亡人數(shù)均有所下降，但是當年的總受傷率和總死亡率并沒有下降，仍然分別占到 17%和 25%左右。以北京和廣州為例，北京的交通事故中行人傷亡率占交通事故總傷亡人數(shù)的 38%；廣州的行人傷亡所占比例甚至超過 40%。而美國 2007 年和 2008年發(fā)生的嚴重交通事故中死亡人數(shù)分別為37435人和34017人，其中行人死亡數(shù)分別為4699人和4378人，僅占總死亡總?cè)藬?shù)的 12.5%和 12.9%。通過對比國內(nèi)外統(tǒng)計數(shù)據(jù)可以看出：國外行人交通事故發(fā)生率低，且交通事故大多以車車碰撞事故為主；而中國由于城市的混合交通特性導致人車碰撞事故較多，行人死亡率也較高。

隨著智能交通系統(tǒng)的不斷完善和發(fā)展，許多先進國家在交通管理和控制方面取得了良好的成果，說明通過獲取交通信息并采取相應的措施進行智能管理和控制，能夠有效地減少交通事故的發(fā)生，降低交通傷亡率。因此為了有效地管理我國城市交通，提高道路通行效率和車輛行駛安全，迫切需要一套較為系統(tǒng)的混合交通檢測技術(shù)，快速有效地獲取混合交通參數(shù)。常用的交通參數(shù)檢測器主要包括環(huán)形感應線圈、波頻檢測器和視頻檢測器等。環(huán)形感應線圈適用于機動車流量的檢測，無法實現(xiàn)機動車的分類以及混合交通中行人、自行車的分類和識別，同時由于該檢測器造價和安裝費用均較高、檢測范圍有限且無法重復利用，限制了其在實際交通檢測中的廣泛應用。波頻檢測器(主要有微波檢測器、雷達檢測器、超聲波檢測器等)雖然安裝相對簡便，并可以調(diào)整檢測范圍，但無法實現(xiàn)高密度狀態(tài)的準確檢測，也無法對檢測目標進行分類和識別。這些傳統(tǒng)檢測器由于是利用電磁、聲波等手段進行檢測，只能判斷是否存在物體，并獲取相應的參數(shù)，卻無法區(qū)分所檢測到物體的類型，從而只能夠完成機動車的檢測，雖然可以為城市交通管理提供所需要的部分機動車數(shù)據(jù)信息，但鑒于混合交通主體(包括機動車、行人和以自行車為代表的非機動車等)的特殊性和復雜性使傳統(tǒng)檢測器不能準確、實時地提供足夠的混合交通流信息，難以滿足我國城市交通管理和控制的需求，因此迫切需要一種行之有效的檢測技術(shù)及系統(tǒng)，為我國混合交通信息的獲取及混合交通的控制提供服務。

 

第2章   交通場景映射技術(shù)

 

交通場景映射是混合交通前景狀態(tài)和真實參數(shù)獲取的基礎，通過映射可完成參數(shù)在像素坐標與空間坐標之間的轉(zhuǎn)換。要得到該映射關(guān)系，就需要通過攝像機標定算法來實現(xiàn)。但當前攝像機標定算法存在適應性差、計算復雜等問題，本文在原有線性模型基礎上，通過引入像素坐標-像素角、像素角-世界坐標兩組非線性映射關(guān)系，建立了基于像素角映射的攝像機標定算法，克服了線性模型標定精度低的問題。又引入高度、角度參數(shù)及其求取方法，使標定模型能夠適應攝像機高度、傾角的變化，擴展了算法的適用性。最后通過多組試驗測試，驗證了本文標定算法在近距離和遠距離標定時都具有良好的精度和魯棒性。

 

2.1   概述

直接通過視頻檢測提取的混合交通參數(shù)多是基于像素坐標的，而交通管理和控制中采用的參數(shù)通常是基于世界坐標的，因此為了實現(xiàn)混合交通真實參數(shù)的轉(zhuǎn)換及獲取，需要對交通場景映射關(guān)系進行研究。該映射關(guān)系的求取是通過攝像機標定算法來實現(xiàn)，即通過攝像機標定求出該攝像機的幾何成像模型，精確地獲取空間點與攝像機圖像像素點的對應關(guān)系，再將獲取的信息還原到世界坐標系下，為后續(xù)真實參數(shù)的提取、統(tǒng)計及分析服務。

攝像機標定算法主要包括傳統(tǒng)標定算法和自標定算法兩大類。傳統(tǒng)標定算法中比較典型的是直接線形變換法、考慮畸變補償?shù)膬刹椒�、透視變換矩陣法及雙平面法等。

直接線性變換法(DLT法)利用針孔攝像機模型對攝像機模型參數(shù)進行線性求解，該方法使用簡單，但是由于標定時未考慮非線性變化導致精度較差。對此，Dainis和Juberts[88]對DLT法進行了改進，在標定時考慮了非線性優(yōu)化，使得精度有了一定提高。攝像機透視變換矩陣法不需要對求解出的攝像機參數(shù)進行優(yōu)化就可以得到標定結(jié)果，具有較好的實時性，但是同樣忽略了非線性因素，從而影響了標定精度�？紤]畸變補償?shù)膬刹椒ㄖ幸?Tsai 法最為經(jīng)典，該方法通過徑向約束線性求解，筆耕文化傳播，并結(jié)合非線性優(yōu)化算法求解畸變系數(shù)，得到了較好的標定效果，但要想進一步提高精度，需要大量增加參照點，且一旦改變攝像機的高度或角度等參數(shù)后，其參數(shù)就需要重新標定，適用性較差。雙平面標定方法由 Martin提出，并被 Ma[90]進行了大量改進，該類方法與傳統(tǒng)針孔模型的主要區(qū)別在于不要求投影到圖像平面上的光線必須經(jīng)過光心，僅是通過圖像平面上任意兩點來標定平面各自的對應點就可以確定產(chǎn)生該圖像點的光線。該類方法也可使用線性求解，但參數(shù)過多，需要進行大量設置。 

 

2.2   基于像素角映射的攝像機標定算法

2.2.1   圖像像素-像素角映射模型

在針孔成像原理中，世界坐標系W通過共線原理可以直接映射到像素坐標系I(x,y)上，如圖2.1所示。

 

圖 2.1 中，點 O 為所有光線都通過的針孔； ( , ,)W W WT X Y Z 為物點； ( ,)I IL x y 為像點。根據(jù)針孔成像模型，世界空間中任意一點通過針孔，經(jīng)映射都可在像素坐標上對應表示，即物點 T、針孔 O 以及像點 L，都在同一條直線上。由于傳統(tǒng)的針孔模型是通過線性計算圖像上各個像素與真實世界位置的對應關(guān)系來求解的，該方法一旦攝像機的高度和角度發(fā)生變化，其線性參數(shù)也將發(fā)生變化，需要重新進行標定，且基于線性映射關(guān)系的標定算法精度較低從而限制了該類方法的使用。

考慮到各個像素點與之對應的像素角只受攝像機內(nèi)部成像器件影響，在選取該映射關(guān)系建模并標定參數(shù)后就能獲得很好的精度和魯棒性。再通過引入攝像機高度、傾角等參數(shù)，可使標定具有很好的普適性，因此本文利用像素角映射的方法來達到攝像機標定的目的，將過去像素與世界坐標的線性映射關(guān)系，擴展為像素與像素角、像素角與世界坐標的非線性映射模型兩部分。

 

第3 章  混合交通前景信息提取及補償技術(shù)........29

3.1  概述...............29

3.2 PWH 背景模型..................30

第4 章  混合交通前景快速分類識別技術(shù) ...........  55

4.1  概述...............55

4.2  混合交通前景特征選擇.................56

第5 章  混合交通多目標跟蹤及遮擋處理技術(shù)..........73

5.1  概述............73

5.2  無遮擋條件下多目標運動預測與跟蹤 ............74

 

第5章   混合交通多目標跟蹤及遮擋處理技術(shù)

 

混合交通前景多目標跟蹤能為交通參數(shù)獲取提供技術(shù)支持，但由于混合交通場景中前景多目標容易出現(xiàn)遮擋等問題，導致跟蹤匹配的難度大，準確率低。針對該問題，為實現(xiàn)最優(yōu)化的跟蹤效果，提出了一種針對性的混合交通多目標跟蹤及遮擋處理技術(shù)。該技術(shù)首先通過預測，判斷前景多目標是否出現(xiàn)遮擋現(xiàn)象；當未發(fā)現(xiàn)遮擋時，采用結(jié)合標定算法的Kalman 濾波進行跟蹤；當預測出現(xiàn)遮擋時，快速鎖定遮擋靶區(qū)域并通過PCA-SIFT 算子對靶區(qū)域進行快速匹配完成遮擋估計和還原，實現(xiàn)多目標預測與跟蹤。最后將本文的算法進行系統(tǒng)集成，對實際場景下的混合交通參數(shù)進行了提取，并與實測數(shù)據(jù)進行對比，驗證了本文的研究成果具有可提取參數(shù)豐富、準確性高等優(yōu)點。

 

5.1   概述

混合交通前景多目標的跟蹤是實現(xiàn)多種參數(shù)提取的必要技術(shù)，通過跟蹤可以得到前景目標的運動軌跡，并獲取其速度、加速度以及其它時空信息。目標跟蹤即通過一定的算法模型，經(jīng)過推理和預測將當前獲取的前景目標與之前的前景目標間建立起一一對應的關(guān)系。這類算法通過選取前景目標自身內(nèi)部穩(wěn)定且在時空上能夠?qū)崿F(xiàn)密切關(guān)聯(lián)的特征信息來進行匹配實現(xiàn)跟蹤的。密切相關(guān)的信息可以是前景自身某些明顯特征(比如尺寸、形狀、紋理等)，基于此方法的就屬于特征匹配跟蹤算法。它不是跟蹤全部圖像，而是針對性地跟蹤關(guān)鍵點，并通過關(guān)鍵點完成目標匹配。其優(yōu)點是即使待跟蹤目標被部分遮擋，只要關(guān)鍵點未受影響，仍可繼續(xù)實現(xiàn)正確跟蹤。但當遮擋程度嚴重或出現(xiàn)重疊時，該方法就將難以保證跟蹤的準確性。在實際使用此跟蹤方法時常采用特征點結(jié)合Kalman 濾波器預測的方式，以便實現(xiàn)較為良好的跟蹤效果和跟蹤速度。而利用目標所在的圖像區(qū)域，采用相關(guān)算法實現(xiàn)跟蹤的是區(qū)域匹配跟蹤算法。其通過提取待匹配的目標模板，并在后續(xù)視頻中根據(jù)設置的參數(shù)進行全圖匹配搜索，選取最佳的匹配目標，實現(xiàn)跟蹤。該類算法的優(yōu)點是跟蹤效果較好，特別在無遮擋狀態(tài)下，其匹配穩(wěn)定且精度高。但該跟蹤算法存在匹配過程復雜，實時性差等缺點，不適用于復雜場景下的多目標跟蹤。除上述兩種方法外，也有采用活動輪廓匹配的方法來實現(xiàn)跟蹤的。該類方法中比較經(jīng)典的有 Snake 算法和基于 Hausdorff 距離的輪廓跟蹤算法。該類算法可實現(xiàn)輪廓的實時更新，以求取最優(yōu)的跟蹤匹配位置。但該算法計算量較大，無法滿足多目標跟蹤的實時需求，且當目標出現(xiàn)遮擋時，前景輪廓信息難以分離，致使活動輪廓匹配的誤差較大。

 

第6章   總結(jié)及展望

 

6.1   工作總結(jié)

本文根據(jù)智能交通管理和控制系統(tǒng)的實際需求，對混合交通視頻檢測的關(guān)鍵技術(shù)進行了研究，主要完成了以下工作：

(1)完成了具有普適性的攝像機標定算法研究工作，提出了一種適應性強、靈活方便的攝像機標定算法。針對以往攝像機標定算法中難以同時滿足靈活性及準確性要求的問題，通過引入像素角映射，對傳統(tǒng)的線性模型進行了改進，將以往求解像素坐標與世界坐標的直接線性映射模型轉(zhuǎn)化為求解像素坐標-像素角、像素角-世界坐標兩個非線性映射模型，從而提高了算法的精度；同時在攝像機標定中引入高度和傾角參數(shù)，使標定算法在完成可視角標定后就能廣泛地使用，提高了算法的適應性；最后根據(jù)實際的混合交通視頻檢測需求針對性地求解像平面與路面的映射關(guān)系進而簡化了計算過程，使其更加便捷；此外本文所提出的標定技術(shù)在實際應用中，可針對攝像機的不同高度和傾角條件調(diào)整相應的參數(shù)，因此算法使用的靈活性較強。之后將本文的與經(jīng)典的Tsai5法以及Tsai34法標定法在近距離和廣域標定中進行了對比，測試結(jié)果表明本文算法具有精度高、使用方便、適應范圍廣等特點，能夠適應混合交通視頻檢測對場景標定和參數(shù)轉(zhuǎn)換的需求。

(2)完成了混合交通場景的背景建模工作，建立了一種能夠適應復雜條件的 PWH背景模型。針對復雜條件下背景點的值易受隨機擾動和前景干擾影響而難以被真實獲取的問題，提出了一種基于分段加權(quán)直方圖(PWH)的背景模型，本模型充分考慮了真實背景值受隨機波動影響所表現(xiàn)出的分布情況，通過將像素值對應的頻率按照不同的權(quán)重進行分段加權(quán)，確保加權(quán)后的頻率能夠克服隨機擾動的影響，并對流量較大時的前景干擾具有一定的適應性，可較好地反映出真實背景值，進而完成混合交通背景圖像的提取工作。之后又將本文背景模型與多種模型在不同的交通環(huán)境下進行了提取測試，通過對比試驗驗證了本文的背景提取算法能夠適應不同的交通流量，并能進行有效的背景表達。

(3)完成了混合交通前景提取及補償技術(shù)研究，提出了一種結(jié)合歷史信息的前景提取及補償算法。傳統(tǒng)的前景提取算法存在著難以同時做到既較好地分割前景目標又保留精確前景信息的問題。這些問題影響了混合交通前景提取的效果，對后續(xù)前景目標的分類識別產(chǎn)生了較大影響。本文利用之前構(gòu)建的背景模型獲取背景圖像和背景邊緣，又將歷史信息引入到邊緣檢測算法中，實現(xiàn)當前邊緣與背景邊緣的相似性對比和二次對比，從而獲取初始前景邊緣信息。再通過融合差分信息的種子點生長算法，對前景邊緣進行補償，得到了更加準確的前景邊緣輪廓。最后通過對不同實際交通場景下的視頻序列進行測試，驗證了本文方法能夠在準確剔除背景邊緣的基礎上，獲取較為準確的前景邊緣輪廓信息，為后續(xù)混合交通前景目標的分類與識別奠定良好的信息基礎，為混合交通參數(shù)提取給予有力的支持。

(4)完成了混合交通前景快速分類識別技術(shù)研究工作，提出了一種基于邊緣偏心率向量特征的快速分類識別算法。首先通過結(jié)合歷史信息獲取的前景目標邊緣輪廓，根據(jù)形心位置構(gòu)建了邊緣輪廓偏心距向量。在此基礎上采用等角度間隔抽樣的方法完成了不同類型前景目標向量的維數(shù)統(tǒng)一，使本文構(gòu)建的分類特征具有廣泛可比性，之后通過將向量元素除以極大值完成了尺度歸一化；并考慮行人、自行車、機動車輪廓特征的區(qū)別，將偏心距極大極小值之比引入到向量構(gòu)建中，解決了行人、自行車特征區(qū)別模糊的問題，完成了邊緣偏心率特征向量的表達。同時結(jié)合ELM分類器進行訓練，克服了傳統(tǒng)智能算法訓練計算量大的問題，實現(xiàn)了混合交通的快速分類與準確識別。

參考文獻:

[1] 江晟,王殿海,趙瑩瑩,胡宏宇.  混合交通特征表達及快速檢測算法[J]. 吉林大學學報(工學版). 2012(06)
[2] 劉懷愚,李璟,洪留榮.  利用局部特征的子空間車輛識別算法[J]. 計算機工程與應用. 2010(30)
[3] 熊英,馬惠敏.  3維物體SIFT特征的提取與應用[J]. 中國圖象圖形學報. 2010(05)
[4] 陳海林,吳秀清,胡俊華.  基于局部特征空間相關(guān)核的圖像目標分類[J]. 光電工程. 2009(03)
[5] 施家棟,王建中,王紅茹.  基于光流的人體運動實時檢測方法[J]. 北京理工大學學報. 2008(09)
[6] 曾艷,于濂.  一種新的道路交通背景提取算法及研究[J]. 中國圖象圖形學報. 2008(03)
[7] 李牧,閆繼紅,李戈,趙杰.  自適應Canny算子邊緣檢測技術(shù)[J]. 哈爾濱工程大學學報. 2007(09)
[8] 張曉龍,江川.  基于AUC的SVM多類分類方法的研究[J]. 計算機工程與應用. 2007(14)
[9] 金虎,樓文娟,陳勇.  基于自適應BP神經(jīng)網(wǎng)絡的橋梁結(jié)構(gòu)荷載識別[J]. 浙江大學學報(工學版). 2005(10)



本文編號：10504