专利名称：在线检测列车驾驶员行为和疲劳状态的方法及其检测系统的制作方法
在线检测列车驾驶员行为和疲劳状态的方法及^t测系统
絲领域
本发明涉及列车驾驶安全技术领域，具,及在线检观咧车驾驶员行为和疲劳状态的方法及
其检测系统。
背景魷
目前公路交通上的疲劳检测系统已成为国内夕顺究热点，疲劳驾驶同样存在于"^t列车驾驶
员身上，但少有研究机构对列车上的疲劳检测^:进行研究。2008年4月28日鶴发生了备受关注 的胶济铁路火糊撞事故，事故死trrO人，416人受伤，其中重伤51人。据调査，胶济铁路重特大 交通安全事皿接原因为列车,，但相撞前，驾驶员处于疲劳状态未对前方瞭望清楚也失去避 免事故发生的最后一个机会。在列车上安装驾驶员监控装置，对保障驾驶员规范驾驶和提高列车 行驶娃具有駄意义。
目前尚未有在线检测列车驾驶员行为和疲劳状态的发明专利申请，而实现该技术涉及图像处 理、模式识另,机器学习领域多项难点。因此，目前急需一种功能全面、高效准确，且能不对驾 驶员的正常驾皿成干扰的在线监控技术方案。
发明内容
本发明的目的在于克服现有技术存在的Ji^不足，,在线检测列车驾驶员行为和疲劳状态 的方法及皿测系统。本发明M如下技术方案实现-
在线检测列车驾驶员行为及疲劳状态的力法，该方跑括
(1) 采用摄像头对列车驾驶员进行拍摄；
(2) 对摄像头采集到的图片进行Alt检测，得到AJ险图像及AJ^位置坐标，并判别驾驶员是 否脱岗和是否处于打盹^t态；
.(3)人眼睁闭状态判别顿AdaBoost算法训练出的睁眼图像检测器，从媒图像中找睁眼 图像，如果能找到，则判断此时驾驶员处于睁眼状态的；如果找不到，则判断驾驶员处于闭眼状 态；
(4)疲劳状态的检査方法实时计算闭眼时间占总测试时间的比例，该比例即是PERCLOS值， 用斜标疲劳状态。
上述的在线检测列车驾驶员行为及疲劳状态的方法中，舰驾驶员脱岗、打盹、及PERCLOS ,标的行为状态进行报警，同时对驾驶员脱岗、打盹以及PERCLOS ,标时的视频片皿行记 录， 1频片段存入存储器中。上述的在线检测列车驾驶员行为及疲劳状态的方法中，m脱岗、打盹、及PERCLOSH^标 的驾驶员发出报警，驾驶员在设定时间内返回到驾驶位置并按下用户按旨能消除报警。
上述的在线检测列车驾驶员行为及疲劳状态的方法中，步骤(1)中臓摄像头的镜头前安装
红外滤光片，该滤光片只允许红外，aa。
上述的在线检测列车驾驶员行为及疲劳状态的方法中，步骤(2)对摄像头采集到的图片进行 AM检测，若i^^集到的图片中检测不到人脸图像，贝伊漸驾驶员已离开摄像头的监控区， 处于脱岗状态。
战的在线检测列车驾驶员行为及疲劳状态的方法中，步骤(2)由A^检位置坐标统计媒 几何中心的变化，得出驾驶员头部运动状态，从而判断出驾驶员是否处于打盹状态。
上述的在线检测列车驾驶员行为及疲劳状态的方法中，步骤(2)中，当驾驶员头部中心坐标 点在设定时间内做反复的上下运动，贝胖,为驾驶员处于打盹状态。
上述的在线检测列车驾驶员行为及疲劳状态的方法中，步骤(3)中人眼睁闭状态判别方法是 舰斷艮检测器从媒图片中寻找睁目艮图像，如果找到睁眼图像判鹏张媒图片中柳臓是睁 开的，如果找不到睁眼图像，判断这张媒图片中柳艮睛是闭着的。.
上述的在线检测列车驾驶员行为及疲劳状态的方法中，步骤(3)中所述睁眼图像检测器M 如下步骤训练得到-
(3.1) 收集Alt图片组成测试图片库，收集睁眼眼睛图片组成正样本集，收集非睁眼图片组 成负样本集；
(3.2) 使用AdaBoost算法从正样本集和负样本集中学习出临时睁眼图像检测器；
(3.3) 使用临时睁眼图像检测器对测试图片库中的每一张图片进行检测，将本身不是睁眼而 被临时睁眼图像检测器检测为睁眼的图像保存为图片并力倒负样本集中，形成新的负样本集，将 本身是睁眼而被临时睁眼图像检测器检测为非睁眼的图像保存为图片并加到正样本集中，形成新 的正样**，同时统计该临时睁眼图像检测器的检测准确度；
(3.4) 再用AdaBoost算法从新的正样本集和负样本集中学习出另一临时睁眼图像检测器；
(3.5) {顿步骤(3.4)戶腿的另一临时御艮图像检测器重复步骤步骤(3.3)和(3.4)， 直到步骤(3.3)戶脱的临时駒艮图像检测器的检测准确度满足设定的准确率，以该满足设定的准 确率的临时睁眼图像检测器作为训练得到的斷艮图像检测器。
实现Jd^在线检测列车驾驶员行为及疲劳状态的方法的检测系统，该系统包括摄像头、 式主机、报警装置、用户按键和存储器，摄像头、报警装置、用户按键和存储器分别与^A式主 禾腿接；所述摄像头采集到连续的驾驶室内的图片，然后将采集至啲图片4输给駄式主机处理， 得出驾驶员是否在打盹、是否离岗或是否疲劳，如果出现以上三种情况中的至少一种，就发送报 警信号给报警模块进行报警，同时将视频记录至存储器，直到驾驶员从打盹、疲劳中恢复或回到了岗位并M31用户按键停止报警。
总的来说，本发明相对于现有技术具有如下优点与积极效果
本发明针对列车驾驶员行为监控及疲劳状态检测领域的空白，提出了一种在列CT境下卿 的驾驶员行为监控及疲劳状态检测的方法及检测系统。本发明采用摄像头(红外摄像头)捕捉驾 驶员驾驶图片，通过图像处理和模式识别的过程，对驾驶员的驾驶行为及疲劳状态进行检测，并 对不规范驾驶行为(如离岗)及处于疲劳状态的驾驶员进行报警。本发明采用了新的眼睛睁闭状 态检测方法，达到高效、准确的检测效果。本发明提供的检测系皿用非接触式的监控方式，摄 像头采集驾驶员驾驶图像，采用图像处理和模式识别技术对采集到的连续的图像进行分析，获取
驾驶员的驾驶状雜息。对处于脱岗，打盹，PERCLOS超标处于疲劳状态的驾驶员进行报警，同时 记录报警时的驾驶图像以备以后分析，超赐醒驾驶员及保障安全行驶的目的。
图1是具体实施方式
中的检测系统的硬件结构示意图。
图2是具体实施方式
中的检测系统的工作^l呈图。
图3是具体实施方式
中御艮检测器训练ii^呈图。
图4是具体实施方式
中打盹状态舰傅里叶变换结果图。
图5是具体实施方式
中Haar特征;tii辦征。
图6是具体实施方式
中Haar特征^型特征。
節是具体实施方式
中Haar1T征;t^角特征。
下面结合附图对本发明的具体实施作进一步说明。
1. 如图l所示检测系统的结构及各乡賊部^ii接方式如下
系统由红外摄像头、红外光源、^A式主机、报警装置、用户按键、存储器和嵌入式主机组 成。红外摄像头为USB接口摄像头对红外光敏感，在滤去可见光的情景下可根据被拍摄物体反射
的红外光成像，与嵌A^;主机的usB接口相连；报警器是一个扬声器与駄式主机的音频接口相
连;鹏为保存违规驾驶视频麟存储空间，与駄式主机的SATA口相连，本系统4挑容量为40G 的硬盘，硬盘的容量根据系统一次工作所需拍摄量而定也可适当增大硬盘容量；红外光源为多个 发光二极管构成，可与嵌入式主机的并口相连，由嵌入式主机并口供电。
2. 如图2所示流程亂系统的工作流程如下
首先读取摄像头当前拍摄到的图像，对该图像进行人脸检测，如果没有检领接u人脸，根据以
往也连续没有检测到人脸的次数，判断驾驶员是否离岗，如果检测到了A^，根据这张Alt图像
的中心坐标及之前的人脸图像的中心坐标做打盹检测，若检测到打目皿行报警；若没有检测到打
6B屯接着对i^A脸图働艮睛睁闭状态检测，将当前的眼睛睁闭检测结果，连同之前柳臓睁闭状态 检测结果一超妙ERCLOS统计，计算出当前的PERCLOS，判断PERCLOS值是否超标，如果超标 进行报警，否则回到开始读取摄像头图像进行下一次检测；对于出现报警后的操作是这样的，检 测用户按键是否有输入，如果没有，从摄像头读取图像记录该图像到视频文件，如果有则停止视 频记录，停止报警，这次检测结束。对于本系统，每次检测结束都会自动重启检测流程，因此本 系统能一直工作，从而对驾驶员不正确的驾驶行为给予警示。
3. 本发明采用红外摄像头对驾驶员进行拍摄，摄像头微置在驾驶位置的正fn^下，舰
距离约为1米，从而在正常驾驶瞎况下驾驶员头部左右移动时也能拍摄到驾驶员头部同时不遮驾驶 员视线。红外光源放置在正常驾驶时驾驶员头部位置的正前方靠下，以保证红夕卜光源皿的红外 光能尽量多的洒在驾驶员头部。
4. 本发明红外摄像头采集驾驶员驾驶视频图像，且在镜头前安装红外滤光片，该滤光片只允 许红外光线通过，可以滤織他可见光。 一般来说驾驶室内光线有两种情景晚上和白天，在白 天，光线充足拍摄到的图像清晰，在夜晚，因为少了太阳光的照射，驾驶环境的光线会偏暗。若 在所述的两种光线情境下，娜红外摄像头且在镜头前加滤光片，同时在夜晚情景下使用红外光 源补光，那么红外摄像头拍摄到的图像光线差异将会变得很小，因为这时摄像头拍摄到的都是红 外光线充足的情景。使用这种方法得到的白天和夜晚的驾驶图像差异不大，将方面后面的图像处 理。
5. 媒检测Alt区域的检测是在摄像头拍摄到的每帧图片中，定位出AJt区域。为了兼顾 人脸检测算法的实时性和准确性，我们采用Adaboos虔法学习到的A^特征xml文件检测人脸，该 人脸检测方法在各种复杂背景及光照条件均快速有效。这里所说的AM检测具体内容包括两个方 面AM检测辦和人麟征xml文件。^AJ^检测辦可从OpenCV (计飾开源视觉库)获得， 它是随0penCV发布的，本系皿用的人脸特征xml文件为haarcascade一frontalface一alt.xml，在 已发布的OpenCV l.O中也能找到该xml文件。AJ^特征xml文件也可通过训练获得，具体训练步骤 与睁眼检测器的训练步骤相同，只是将正样本设定为媒图片，负样本设定为非ABt图片。人脸 特&il文件是由一组级联的Haar1T征分类器组成，本系^AJ^检测,的流程是
(1) 读取,图片。
(2) 对被检图片预处理将彩色被检图片转换为灰度被检图片。
(3) 从M被检图片中提取子图像，预先设定初始子图像窗口大小、窗口放大比例、移动步 长，提取的方法是如果被检图片大于初始子图像窗口大小，从左右，上下两个方向遍历整幅被 检图像，遍历是先脏到右移动初始子图像窗口，每次移动一个步长，直到窗口移出被检图片， 得到一组子图像，向下移动一个步长，再从左向右移动得到另外一组子图像，按这样的策略移动 直到窗口移出了被检图片。以窗口放大比例縮小被检图片，再按上面的提取^法提取一组子图像，这样一直縮小窗口提取子图像，直到窗口縮小到比初始子图像窗口小。
(4)对上一步中得到的每一个子图像，舰媒特征xml文件进行检测，如果检测通过该子 图像就被判定为检测倒的AM图像。
6.人眼睁闭状态识别，包括睁眼检测器的训练湘目赚状态判别。
睁眼检测器训练方法如下如图3所恭川练i^呈，该训练可采用0penCV ^i乓的AdaBoost学 习禾將Haartraining.exe (i)^j 可从0penCV中文官方网站发布的0penCV l.O版本中获得)。 具体训练步骤如下
(1) 在开銜川练之前首先要收翻赋图片集，正样本集和负样本集，其中观赋图片集是一
，含睁眼图像的图片，正样本集由睁眼图片组成、负样本集由截取人脸中非睁眼 区域图像保存下来的图片组成，睁目艮图片M包含斷艮图像的整幅A^图片截取出 来的，截取方法是f顿初始大小30*20 (单位是像素)的矩形框去套取睁眼图像， 套取时要f顿形框中心和眼睛几何中心重合，如果矩形框不够大就以1:1. 2的比例 放大矩形框的长和宽。
(2) 将用上一步收集的图片，分别駄正样本集和负样本集，即更新正负样本集。上一步
的图片在第一次训练时指的是一开始收集的正样本集和负样本集中的另陛图片。以 后的训练指的是步骤(4)中测^#测繊确率时得到的正样本图片和负样本图片。
(3) 使用Adaboost学习禾歸从该样本集中学习出临时睁眼检测器。这里的Adaboost学习
禾聘就是上面提到的Haartraining. exe。
(4) 拿上一步学习出的临时削艮检测器，对测试图片難测，对于该检测器框出的睁眼图
片进行AX判断，把那些不是御艮图片的收離来准备放至晚样本集，鄉卩些是睁 眼图像而没有检测出的，手动框出(方法和步骤(1)框正样本一样)保存为图片 准备放到负样賴。同时统计出该临时检测器的检测准确率，即正确检测的 爐与 检测至啲总7爐的比例，这里正确检测是指检测器检测结果和AX判断结果一致。 判断准确率是否达到要求，本系统设定的检测准确率指标是99%。当不倉鹏隨标 准的临时睁眼检测器重复步骤(2)，步骤(3)得到新的临时睁眼检测器，直到训 练得到的临时睁眼检测器达到检测准确率指标。
(5) 步骤(4)得到的达到准确率指标的御艮检测器就是本次训练得到的最终的御艮检测器。
另外，Haartraining.e紐f顿Adaboost算法学习出多个Haar特征强分类器，并将这些Haar特征 强分类器级联组合在一起，形成了最终的xml文件。Haartraining.exe训练流程如下
(1) 创建Haar特征。
(2) 载入正样本，负样本。
8(3) 判断虚警率是否超lj指标，如果达到指标瑕啭到步骤(8)执行。
(4) 判断是否训练了指定数目的强分类器，如果训练够了瑕啭到步骤(8)执行。
(5) 计算Haar特征值。
(6) 训练一个强分类器。
(7) 保存强分类器信息到临时文件，跳转执行步骤(2)。
(8) 保存级联强分类器信息到xral文件。 常用的Haar特征有三种
(1) 边界特征如图5所示，分别表征了上下和左右边，征；
(2) 线型特征如图6所示；
(3) 对角特征如图7所示。
图5、 6、 7中齡Haar特征有黑白两种区域，计算Haar特征时，就是将於黑白区域像素 之和乘以相应的权動口敏。
眼睛状态判别方法如下4顿睁眼检测器M脸图片中寻找睁眼图像，当找到睁眼图像时， 判断这张人脸中柳臓是睁开的，如果找不到睁眼图像，判臓张媒中柳臓是闭着的。该方 法事实上是可行的，而且比睁眼闭眼都判断更简便，因为人眼睁闭一共就两种情况，只需要判断 是否睁眼，就能得到目隨睁闭状态结果。
7. 驾驶员脱岗识别若在红外摄像头连续的采集到的图片中检测不到人脸图像，说明驾驶员 不在监控区内，则可判断驾驶员离岗了。本系统采用一个可设的变量来确定连续多少帧检测不到 人脸视为驾驶员离岗，默认这一变量为100，根据本系统的检测帧率10帧/秒(该检测帧率取决
于駄式主机的计算性能)，这时此变量的意思是当io秒钟检测不到人脸图像时判定驾驶员离岗。
8. 疲劳值的检测和疲劳指标的设定
本系 劳状态由PERCL0S值fg^，理论上PERCL0S计算公式如下
其中p为PERCLOS值，tA为总的统计时间，tc为统计到的闭眼的时间。 而在本系统中统计PERCL0S值时有3个预设的变量
Tmax:单次检测睁闭眼的最大作用时间，它是可以预设的，这里设定为100ms;
Nmin:计算PERCL0S ilL^需最少检测 ，，本系统设定为32;
Nmax:计算PERCL0S值所需最多检测次数，本系统设定为1024; 设当前检测 娥为N; p为当前PERCLOS值；ri为第i次检湖啲睁闭眼结果，其值在睁眼时为0， 在闭眼为l; ti为第i次检测的作用时间；与上次检测的间隔为td;<formula>formula see original document page 10</formula>
疲劳指标设定策略如下对于疲劳指标反映的是系,驾驶员疲劳状态反映的灵敏度，因此 可通舰各种疲劳禾號驾驶员进行疲劳值测算的实验获得一个灵鹏适当使系统不会过于灵敏 以至对司机正常的眨眼多一点而判定司机是疲劳，也不会过于迟钝，对司机长达几秒钟的闭眼而 不做出疲劳判定。本系^劳指标设定为50，对于灵敏度要求高一点的情况，可以适当附氏该值。
9.打盹检测
取一组连续的人脸检测结果中，得到一乡IA脸中心坐标的纵坐标，该组坐标的个数是Nm，本 系统中该值被设为64，该组m^标可以反S^A头部在64/Fs时间内的运动规律，Fs为采样频率(本 系统此值约为10Hz)。做FFT变换(快速傅里叶变换)。FFT变换的结果(己经滤除直流成分的结 果)如图4所示，,标为各频域分量的幅度值，横坐标N为AJ险中心m^标点个数。在FFT变 换中横坐标某点n所标的频率为Fn=(n-1)*FS/Nfft，此图为人打盹时的人脸坐标FFT变换， 可见人打盹时在上述FFT变换的低频部分出现了峰值。经多次测试表明，人打盹的头部运动频率 范围大概在0.3HZ至1HZ之间。打盹状态判别的具体傲法是做15次FFT变换(每次取Nfft个人 脸中心纵坐标)，若其中有8次低频系数的，出现了如上图所示的低频峰值，判断驾驶员处于打 盹状态。
纵坐标为各频域分量的幅度值，N为坐标点。在FFT变换中某点n所表示的频率为说
Fn=(n-l)*Fs/Nfft，此图为人打盹时的AM坐标FFT变换，可见人打盹时在W FFT变换的低频部分出现了峰值。经多次测试表明，人打盹的头部运动频率范围大概在0. 3HZ至1HZ之间。打盹状态判别的具体做法是做15次FFT变换(每次取Nm个人脸中心iW^标)，若其中有8次低频系数的，出现了如上图所示的低频峰值，判断驾驶员处于打盹状态。10.报警
本系敏用声音报警，当系统检测出现驾驶员脱岗、打盹、疲劳状^IB标时，用来报警的扬声器会发出刺耳的报警声，同时记录摄像头拍摄到的画面到硬盘中，若驾驶员按了用户按键，则报警声停止，同时文件记录也停止，本系统检测禾將将重新开始检测；若驾驶员不按用户按键，报警声将一直播放，同时摄像头拍摄到的画面也会被记录到硬盘中。
权利要求
1、在线检测列车驾驶员行为及疲劳状态的方法，其特征在于包括(1)采用摄像头对列车驾驶员进行拍摄；(2)对摄像头采集到的图片进行人脸检测，得到人脸图像及人脸位置坐标，并判别驾驶员是否脱岗和是否处于打盹状态；(3)人眼睁闭状态判别使用AdaBoost算法训练出的睁眼图像检测器，从人脸图像中找睁眼图像，如果能找到，则判断此时驾驶员处于睁眼状态的；如果找不到，则判断驾驶员处于闭眼状态；(4)疲劳状态的检查方法实时计算闭眼时间占总测试时间的比例，该比例即是PERCLOS值，用来标示疲劳状态。
2、 根据权利要求l戶舰的在线检测列车驾驶员行为及疲劳状态的方法，辦征在于对驾驶员 脱岗、打盹、及PERCLOSi^标的行为状态进行报警，同时对驾驶员脱岗、打盹以及PERCLOS值 超标时的视频片段进行记录，将视频片段存入存储器中。
3、 根据权利要求2戶脱的在线检测列车驾驶员行为及疲劳状态的方法，辦征在于对脱岗、 打盹、及PERCLOSftM标的驾驶员发出报警，驾驶员在设定时间内返回至檔驶位置，下用户按 财能消除报警。
4、 根据权利要求10M的在线检测列车驾驶员行为及疲劳状态的方法，其特征在于步骤(1) 中所述摄像头的镜头前安装红外滤光片，该滤光片只允许红外光线通过。
5、 根据权利要求l戶舰的在线检测列车驾驶员行为及疲劳状态的方法，其特征在于步骤(2) 对摄像头采集到的图片进行Ali检测，若连雜采集到的图片中检测不到媒图像，则判断驾驶 员已离开摄像头的监控区，处于脱岗状态。
6、 根据权利要求l所述的在线检测列车驾驶员行为及疲劳状态的方法，其特征在于步骤(2) 由人脸检位置坐标统计A^几何中心的变化，得出驾驶员头部运动状态，从而判断出驾驶员是否 处于打盹状态。
7、 根据权利要求6所述的在线检测列车驾驶员行为及疲劳状态的方法，其特征在于步骤(2) 中，当驾驶员头部中心坐标点在设定时间内做反复的上下运动，则判断为驾驶员处于打盹状态。
8、 根据权利要求i戶腐的在线检测列车驾驶员行为及疲劳状态的方法，其;miE在于步骤(3)中人眼睁闭状态判别方法是4顿御艮检测器从AM图片中寻找睁眼图像，如果找到睁眼图像判 断这张人脸图片中的眼睛是睁开的，如果找不到御艮图像，判縱张AM图片中的眼睛是闭着的。
9、 根据权利要求l戶腿的在线检测列车驾驶员行为及疲劳状态的方法，其特征在于步骤(3) 中所述睁眼图像检测器舰如下步驟川练得到(3.i)收^yi图片组^i试图片库，收集睁眼眼睛图片组成正样本集，收集非御艮图片组(3. 2) f細AdaBoost算法从正样賴和负样本集中学习出临时睁眼图像检测器；(3.3) 使用临时睁眼图像检测器对测试图片库中的每一张图片进行检测，将本身不是睁眼而 被临时睁眼图像检测器检测为睁眼的图像保存为图片并加至晚样本集中，形成新的负样本集，将 本身是御艮而被临时睁眼图像检测器检测为非睁眼的图像保存为图片并加到正样賴中，形成新 的正样本集，同时统计该临时御艮图像检测器的检测准确度；(3.4) 再用AdaBoost算法从新的正样本集和负样本集中学习出另一临时睁眼图像检测器；(3.5) {^步骤(3.4)戶;M的另一临时睁眼图像检测器重复步骤步骤(3.3)和(3.4)， 直到步骤(3.3)戶腿的临时睁眼图像检测器的检测准确度满足设定的准确率，以该满足设定的准 确率的临时睁眼图像检测器作为训练得到的睁眼图像检测器。
10、实现权利要求l所述方法的检测系统，其特征在于该系统包括摄像头、嵌入式主机、报警 装置、用户按键和存储器，摄像头、报警装置、用户按键和存储器分别与^A式主m3i接；所述 摄像头采集到驗的驾鹏内的图片，然后将采集到的图片〗纖给嵌A^主机处理，得出驾驶员 是否在打盹、是否离岗或是否疲劳，如果出现以JlH种情况中的至少一种，就皿报警信号给报 警模± 行报警，同时将视频记录至存储器，直到驾驶员从打盹、疲劳中恢复或回到了岗位并通 过用户按键停止报警。
全文摘要
本发明公开了在线检测列车驾驶员行为和疲劳状态的方法及其检测系统。所述方法包括采用摄像头对列车驾驶员进行拍摄；对摄像头采集到的图片进行人脸检测，并判别驾驶员是否脱岗和是否处于打盹状态；再使用AdaBoost算法训练出的睁眼图像检测器，从人脸图像中找睁眼图像，判断此时驾驶员是否处于睁眼状态；实时计算闭眼时间占总测试时间的比例，该比例即是PERCLOS值，用来标示疲劳状态。所述系统包括摄像头、嵌入式主机、报警装置、用户按键和存储器，摄像头、报警装置、用户按键和存储器分别与嵌入式主机连接；本发明填补了列车驾驶员行为监控及疲劳状态检测领域的空白，能在列车环境下实现驾驶员行为的监控及疲劳状态的检测。
文档编号G06K9/00GK101639894SQ20091004230
公开日2010年2月3日 申请日期2009年8月31日 优先权日2009年8月31日
发明者倪向东, 秦华标, 程东旭 申请人:华南理工大学