多特征融合匹配的霍夫森林多目標跟蹤

梁付新， 劉洪彬， 常發(fā)亮

(山東大學 控制科學與工程學院， 山東 濟南 250061)

多特征融合匹配的霍夫森林多目標跟蹤

梁付新， 劉洪彬， 常發(fā)亮

(山東大學 控制科學與工程學院， 山東 濟南 250061)

針對目標遮擋、形變等復雜環(huán)境中多目標跟蹤準確性低的問題，提出了一種多特征融合匹配的霍夫森林多目標跟蹤算法．首先，該算法根據(jù)目標檢測響應進行初步關(guān)聯(lián)，在線選取正負樣本，通過融合顏色直方圖、方向梯度直方圖特征以及光流信息構(gòu)建目標的特征模型;然后利用霍夫森林學習，形成可靠的長軌跡;最后采用多特征融合的軌跡匹配算法，引入顏色直方圖的相似性度量和基于Gabor濾波器的特征點匹配兩種方式，形成加權(quán)融合的概率矩陣，將長軌跡逐級關(guān)聯(lián)為目標的完整軌跡．實驗表明，該算法在多個復雜環(huán)境的視頻序列中，可以有效解決目標形變、相互遮擋等問題，能實現(xiàn)多目標的魯棒性跟蹤．

多目標;霍夫森林;顏色直方圖;相似性度量;特征點匹配

隨著視頻監(jiān)控系統(tǒng)的普及，目標檢測與跟蹤的研究逐漸成為計算機視覺領(lǐng)域的熱點研究方向，而多目標跟蹤作為其重要分支，主要對目標進行定位并形成運動軌跡，進一步確認視頻序列中每個目標的身份．近年來，基于數(shù)據(jù)關(guān)聯(lián)思想的多目標跟蹤算法得到許多學者的關(guān)注．文獻[1]提出分層逐級關(guān)聯(lián)的思想，通過建立高斯混合模型逐步關(guān)聯(lián)軌跡片段．文獻[2]引入模型在線學習機制，利用在線收集的樣本，建立特定的目標外觀模型，雖提高了跟蹤的精度，但判別性模型有待改進．文獻[3-4]將目標細化為多個局部區(qū)域，通過加權(quán)融合得到整體的關(guān)聯(lián)模型，但對目標相互遮擋現(xiàn)象處理效果不佳．文獻[5]不僅考慮目標的相似性，同時建立目標差異性模型，以關(guān)聯(lián)概率比為依據(jù)，構(gòu)建關(guān)聯(lián)模型．文獻[6]通過在線學習采集樣本，使用統(tǒng)計方法區(qū)分不同軌跡，將短小軌跡片段分層逐級關(guān)聯(lián)，但對于相似目標容易累積誤差，導致跟蹤準確度較低．

針對上述問題，筆者提出一種多特征融合匹配的霍夫森林多目標跟蹤算法．該算法采用在線學習的霍夫森林框架，通過顏色直方圖、方向梯度直方圖(Histogram of Oriented Gradient，HOG)以及光流信息構(gòu)建目標的特征模型，提高算法對目標外觀和運動模型的描述能力; 再引入多特征融合的軌跡匹配算法，利用顏色直方圖的相似性度量與Gabor特征點匹配兩種方式分別對目標軌跡實現(xiàn)再匹配，并將兩者加權(quán)融合．這樣不僅解決了誤差累積、跟蹤精度低的問題，還提高了處理目標遮擋和形變情況的能力，實現(xiàn)了復雜場景下的多目標跟蹤．文中算法的主要流程如圖1所示．

圖1 多目標跟蹤算法總體框架

1 初級關(guān)聯(lián)

初級關(guān)聯(lián)用于關(guān)聯(lián)相鄰幀間的檢測響應，形成短小可靠的軌跡片段．文中采用雙閾值關(guān)聯(lián)算法[6]，設檢測器得到的檢測響應集合D= {di}，i= {1，2，…，n}，檢測響應di= {ti，hi，li}，其中，t代表視頻序列的幀數(shù)，h代表檢測響應的外觀特征，l代表檢測響應的位置、尺寸信息．定義檢測響應之間的關(guān)聯(lián)概率為

p(di|dj)=pcol(di|dj)ploc(di|dj) ，j=i+1 ,

(1)

其中，pcol(di|dj)和ploc(di|dj)分別代表檢測響應基于外觀和位置的關(guān)聯(lián)概率．外觀信息取自顏色直方圖，位置信息主要依據(jù)目標面積的重疊率．當關(guān)聯(lián)概率p滿足

且r≠i，r≠j

(2)

時，表明兩個檢測響應關(guān)聯(lián)成功，其中，θ1和θ2分別為上閾值和下閾值．雙閾值關(guān)聯(lián)將散落的檢測響應關(guān)聯(lián)為多個短小的軌跡片段，每個軌跡片段長度有限，文中算法限制在20幀以內(nèi)，這樣不僅保證了數(shù)據(jù)關(guān)聯(lián)的正確性，還可以在線獲取足夠的訓練樣本．

2 基于霍夫森林的多目標跟蹤

霍夫森林是一種帶有位移信息的分類算法．基于霍夫森林的多目標跟蹤方法利用短小可靠的軌跡片段，在線提取樣本構(gòu)建決策樹，通過多個決策樹的投票完成分類任務，并將同類軌跡片段進行關(guān)聯(lián)，逐步關(guān)聯(lián)為長軌跡．

2.1 特征模型

為加強霍夫森林對目標的判別力，采用一種多種特征融合的判別模型．考慮到目標的相似性以及遮擋情況，采用顏色直方圖以及HOG特征[7-8]來判別目標．顏色直方圖將目標區(qū)域顏色量化，通過計算顏色落在每個區(qū)間內(nèi)的像素數(shù)量反映目標特性，對目標的部分遮擋與形變具有較強的適應性;HOG特征主要描述目標局部的表象和形狀信息，對圖像幾何與光學的形變都可以保持較好的不變性．同時采用兩種特征描述目標的外觀信息，可以更好地區(qū)分目標身份，加強對相似目標的判別．而對于光線較暗的運動目標，僅采用外觀特征不足以體現(xiàn)目標的特性，可引入目標的運動模型．文中采取中值流[9]光流跟蹤法作為目標的運動描述子．在相鄰幀間的目標區(qū)域生成光流點，將正向與反向誤差較低的點作為可靠光流點，通過直方圖量化統(tǒng)計得到模型的運動方向與速度．通過建立特征模型，軌跡片段中的檢測響應全部的特征可表示為

F={fhist，fhog，fmot} ,

(3)

其中，fhist代表顏色直方圖信息，fhog代表HOG特征信息，fmot代表運動信息．

2.2 樣本提取

有效樣本的提取對霍夫森林的成功構(gòu)建具有舉足輕重的作用．樣本提取需遵循以下原則:同一軌跡片段的檢測響應對是同一目標;存在時序重疊的軌跡片段間的檢測響應對屬于不同目標;時間相近但空間距離較大的檢測響應對屬于不同目標．樣本選取的具體流程如圖2所示．T表示時間序列，以10幀為例，經(jīng)過初步關(guān)聯(lián)得到短小可靠的軌跡片段，并對每個軌跡賦予身份信息，如圖2(b)所示，軌跡片段的顏色深淺代表不同的目標．根據(jù)上述的樣本選取原則，得到正負樣本集合，如圖2(c)所示．

圖2 樣本提取過程

2.3 霍夫森林構(gòu)建與軌跡關(guān)聯(lián)

霍夫森林由多棵決策樹組成，每棵決策樹通過節(jié)點分裂以遞歸方式構(gòu)建而成．根據(jù)樣本的特征信息，采用類別不純度與運動不確定性[6]指標劃分節(jié)點，使節(jié)點中樣本的外觀與運動信息最大可能地達到一致．

通過正負樣本構(gòu)建霍夫森林，提取葉子節(jié)點樣本的統(tǒng)計特性來估計軌跡片段的關(guān)聯(lián)概率．軌跡Ti與Tj基于外觀的關(guān)聯(lián)概率定義為

Papp(Ti|Tj)=Q(A+)/Q(A) ,

(4)

其中，Q(A)表示樣本落入葉子節(jié)點A的總數(shù)；Q(A+)代表節(jié)點A正樣本個數(shù)，以正樣本的比例估計兩軌跡基于外觀的關(guān)聯(lián)概率．軌跡Ti與Tj基于運動的關(guān)聯(lián)概率采用帶有高斯核的Parzen窗估計法，可定義為[10]

(5)

其中，si，mot表示葉子節(jié)點A中正樣本的運動量．在一棵決策樹的軌跡Ti與Tj概率關(guān)聯(lián)模型可定義為

P(Ti|Tj)=Papp(Ti|Tj)Pmot(Ti|Tj) ．

(6)

因此，多棵決策樹經(jīng)過投票得到軌跡Ti與Tj最終的關(guān)聯(lián)概率為

(7)

其中，Y代表霍夫森林的決策樹的數(shù)量．軌跡Ti與Tj的關(guān)聯(lián)概率X越高，表明兩軌跡同屬一個目標的概率越大．通過霍夫森林投票決策出最相近的軌跡片段，以時間序列相互關(guān)聯(lián)，初步完成目標的局部跟蹤．

3 多特征融合的軌跡匹配

文中針對霍夫森林輸出的多條長軌跡，采用一種多特征融合的軌跡匹配算法，既保留了霍夫森林在線訓練的優(yōu)越性，又有效解決了文獻[6]在后期級聯(lián)出現(xiàn)的誤差積累、精度低的問題．按照時間不相交的原則，將長軌跡分為多組，每兩組的多個軌跡分別提取目標的特征相互匹配．若滿足匹配條件，則證明兩條軌跡屬于同一目標，直至多組軌跡全部匹配完畢，實現(xiàn)目標的全程跟蹤．

3.1 顏色直方圖的相似性度量

軌跡匹配實質(zhì)上是求解兩軌跡之間的相近程度，而顏色直方圖的相似性度量法是常用的一種有效手段，具有旋轉(zhuǎn)、平移和尺度不變性的優(yōu)點．直方圖的相似性度量，一般通過直方圖之間的距離度量來實現(xiàn)．巴氏距離測量兩個離散概率分布的可分離性效果較好，因此，用來度量顏色直方圖的相似性，其定義如下:

(8)

其中，N為顏色直方圖中分組區(qū)間的數(shù)目，Hk為顏色分組區(qū)間的頻率．

采用顏色直方圖的相似性度量描述兩軌跡之間的關(guān)聯(lián)程度，首先將匹配軌跡的目標區(qū)域轉(zhuǎn)換到色度-飽和度-純度色彩模型(Hue-Saturation-Value，HSV)空間，多通道提取顏色直方圖．通過不同軌跡顏色直方圖的度量返回相關(guān)系數(shù)，作為相似概率．多個目標長軌跡兩兩進行相似性度量，形成匹配的概率矩陣．

3.2 多尺度Gabor濾波器的特征點匹配

在進行后續(xù)的軌跡匹配時，考慮到相似目標以及目標遮擋的情況，引入特征點匹配的方式對多組軌跡進行再匹配．受文獻[11]的啟發(fā)，對多條軌跡進行目標提取，根據(jù)各目標區(qū)域的特征點匹配情況，確定軌跡是否為同一目標．常用的匹配方法有尺度不變特征轉(zhuǎn)換(Scale Invariant Feature Transform，SIFT)算法、加速穩(wěn)健特征(Speeded Up Robust Features，SURF)算法等．文中采用多尺度Gabor濾波器的特征點匹配算法．該算法通過改進的環(huán)形Gabor濾波器生成目標圖像，采用實部響應作為圖像的多尺度特征，利用FAST和BRIEF算法對圖像進行特征點提取與描述，最后進行暴力匹配并提純，達到了很好的匹配效果．

圖3展示了不同數(shù)據(jù)庫不同算法的匹配效果．如圖3(a)，TUD數(shù)據(jù)庫行人色彩較暗，遮擋嚴重，相鄰幀間目標區(qū)域的特征點匹配準確性較低，而SIFT算法的匹配點對數(shù)不足文中算法的一半，SURF算法匹配效果最差; 如圖3(b)，DukeMTMC數(shù)據(jù)庫是校園實地場景拍攝，色彩鮮亮，由于檢測器誤差以及霍夫森林對軌跡片段的預估，使行人不能完整出現(xiàn)在有效區(qū)域，但文中算法的匹配效果仍比SIFT算法和SURF算法的匹配效果好．

圖3 不同匹配算法的效果對比

采用多尺度Gabor濾波器的特征點匹配算法，將霍夫森林輸出的多條長軌跡兩兩匹配，形成特征點矩陣，再將矩陣中匹配點數(shù)進一步轉(zhuǎn)化為相似概率，矩陣中每一數(shù)值表示兩軌跡為同一目標的概率．

3.3 匹配概率模型

顏色直方圖的相似性度量法和多尺度Gabor濾波器的特征點匹配法是兩種完全不同的匹配方式，為了提高軌跡匹配的準確性，引入權(quán)重系數(shù)，重新定義匹配概率模型

H(Ti|Tj)=ωhhist(Ti|Tj)+(1-ω)hfeature(Ti|Tj)， 0

(9)

其中，hhist(Ti|Tj)和hfeature(Ti|Tj)分別代表兩軌跡基于顏色直方圖的相似性度量和Gabor特征點匹配的關(guān)聯(lián)概率，ω為權(quán)重系數(shù)，Tθ為兩軌跡的時間閾值．當兩軌跡滿足該閾值時，通過加權(quán)得到最終的概率矩陣，找出行與列的最大值．若此概率滿足式(2)，則證明兩軌跡屬于同一目標，利用牛頓插值法填補軌跡間隙，得到新的長軌跡．若所有軌跡均存在時間交叉或匹配概率均不滿足式(2)，則表明軌跡匹配完畢．

4 實驗結(jié)果

為驗證文中算法對多目標跟蹤的有效性，選取3個視頻序列分別進行對比實驗．檢測結(jié)果均來自DPM檢測器，部分參數(shù)設置如下: 初級關(guān)聯(lián)的閾值θ1= 0.75，θ2= 0.10，霍夫森林決策樹數(shù)量Y= 10，每棵決策樹最大深度為15; 在軌跡匹配時，多條軌跡匹配的時間閾值Tθ=10，20，30; 匹配概率模型的權(quán)重系數(shù)ω= 0.7，可根據(jù)視頻場景適度調(diào)節(jié)．為了方便與其他算法進行客觀對比，采用文獻[8]定義的標準評估算法的性能．

實驗1 主要驗證文中算法對多目標跟蹤的可行性．視頻序列選自DukeMTMC數(shù)據(jù)庫carema5的某段序列[12]，共218幀，部分目標之間存在遮擋與形變情況．將文中算法(HF-HG)分別與文中僅采用顏色直方圖相似性度量匹配的跟蹤算法(HF-H)、文獻[6]提出的在線學習多目標跟蹤算法(HF)進行性能比較．

圖4展示了文中算法對DukeMTMC數(shù)據(jù)庫的跟蹤結(jié)果．從圖4中可知，目標5與目標1、目標2均存在部分遮擋的情況，而HF-HG算法仍可以準確地完成多目標跟蹤．不同算法跟蹤性能的對比結(jié)果如表1所示．表1中，Rcll表示成功匹配的檢測響應占所有檢測響應的百分比，Prcn表示成功匹配的檢測響應占真值的百分比，F(xiàn)AF表示平均每幀錯誤跟蹤的目標數(shù)，GT表示視頻序列跟蹤的總目標數(shù)，MT表示超過80%成功跟蹤的目標數(shù)，IDs表示目標被誤判的次數(shù)，MOTA表示從漏檢、誤檢和誤判等多方面評估跟蹤正確的百分比，MOTP表示輸出軌跡位置的準確性．HF-HG算法的性能指標基本上優(yōu)于HF和HF-H算法的，有效解決了軌跡關(guān)聯(lián)的累積誤差、準確性低的問題．其中，HF算法的MOTP最高，是因為在后期匹配的過程中，HF-HG算法僅使用牛頓插值法填補空隙，降低了目標位置的精確性，雖使MOTP在HF-H算法的基礎上有所提升，但仍略低于HF算法的．

圖4 文中算法對DukeMTMC數(shù)據(jù)庫跟蹤效果圖

方法Rcll(↑)/%Prcn(↑)/%FAF(↓)GTMT(↑)IDs(↓)MOTA(↑)/%MOTP(↑)/%HF92.295.20.2465287.374.7HF-H92.495.30.2466287.574.1HF-HG95.096.30.1966091.374.4

注:↑代表該參數(shù)值越大，跟蹤效果越好; ↓代表該參數(shù)值越小，跟蹤效果越好．

實驗2 主要驗證文中算法在目標相似與遮擋情況下對多目標跟蹤的有效性．分別采取TUD-Stadtmitte和TUD-Crossing兩個視頻序列進行對比實驗，總幀數(shù)分別為179幀和201幀．兩個數(shù)據(jù)庫均采用低攝像頭拍攝，存在嚴重的目標遮擋，而且相同目標遠近的尺寸差異較大，對后期的軌跡匹配是一個挑戰(zhàn)．

圖5分別展示了算法在TUD-Stadtmitte和TUD-Crossing數(shù)據(jù)庫上的跟蹤效果．從圖5可以看出，目標均能實現(xiàn)跟蹤，且保持身份信息不變．如表2所示，ML表示低于20%成功跟蹤的目標數(shù)，F(xiàn)rag表示跟蹤目標軌跡斷裂的次數(shù)，其余參數(shù)同表1．文中算法在TUD-Stadtmitte數(shù)據(jù)庫上取得了Prcn為99.5%，MT為7，IDs為零的最好結(jié)果，Rcll為81.6%，僅次于文獻[4]的結(jié)果，F(xiàn)AF為0.03，略低于文獻[2]的結(jié)果．相比文獻[6]的算法，文中算法的Rcll、Prcn、FAF、Frag均有提升，而且效果明顯，但在Frag上仍低于文獻[2，6]的算法結(jié)果，由于目標6、8遮擋嚴重，且目標8在視頻中多次停留，霍夫森林對于軌跡估計存在誤差，而在后期的軌跡匹配中，該誤差沒有進行矯正．因此，在與真實軌跡對比分析中，誤差部分判斷為軌跡斷裂，該點在后期有待提高．

表2 不同算法對TUD-Stadtmitte數(shù)據(jù)庫的跟蹤性能對比

注:↑代表該參數(shù)值越大，跟蹤效果越好;↓代表該參數(shù)值越小，跟蹤效果越好．

表3給出各算法在TUD-Crossing數(shù)據(jù)庫上的實驗結(jié)果．與其他算法相比，文中算法在FAF、IDs性能上均為最優(yōu)，且MT為10，ML為0，與文獻[2]的最好結(jié)果持平．該數(shù)據(jù)庫目標緊湊，相互遮擋與目標形變都是影響跟蹤性能的關(guān)鍵因素．如圖5的TUD-Crossing跟蹤效果圖，由于遮擋嚴重，再加上DPM檢測器的誤差，第1幀到40幀，目標2、4區(qū)域?qū)嶋H上均包含兩個行人．算法在Frag指標上表現(xiàn)較差，低于文獻[2，8]的算法結(jié)果．其主要原因在于，文中算法僅通過一級軌跡預估，對目標運動軌跡的估計略有不足; 后期進行軌跡匹配僅通過軌跡插值法填補空隙，這樣雖加強了目標跟蹤的準確性，卻增大了Frag; 而文獻[8]以時間滑動窗為基本關(guān)聯(lián)單位，根據(jù)Adaboost學習對目標進行分層多級關(guān)聯(lián)，有效減少了Frag．

表3 不同算法對TUD-Crossing數(shù)據(jù)庫的跟蹤性能對比

注:↑代表該參數(shù)值越大，跟蹤效果越好;↓代表該參數(shù)值越小，跟蹤效果越好．

5 結(jié) 束 語

為提高復雜環(huán)境下多目標跟蹤的準確性，文中提出一種多特征融合匹配的霍夫森林多目標跟蹤算法．通過融合顏色直方圖、HOG特征以及光流信息建立判別式特征模型，在霍夫森林訓練的基礎上，輸出可靠的長軌跡，再根據(jù)顏色相似性度量和Gabor特征點匹配的加權(quán)融合處理方式進行軌跡再匹配，實現(xiàn)多目標的全程跟蹤．實驗表明，改進算法的跟蹤精度顯著提高，有效解決了目標形變和目標遮擋帶來的影響．后續(xù)工作將考慮如何提高模型的軌跡預估能力，進一步加強算法的跟蹤精度．

參考文獻：

[1] HUANG C, LI Y, NEVATIA R. Multiple Target Tracking by Learning-based Hierarchical Association of Detection Responses[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(4): 898-910.

[2] KUO C H, NEVATIA R. How Does Person Identity Recognition Help Multi-person Tracking?[C]//Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2011: 1217-1224.

[3] YANG B, NEVATIA R. Online Learned Discriminative Part-based Appearance Models for Multi-human Tracking[C]//Lecture Notes in Computer Science: 7572. Heidelberg: Springer Verlag, 2012: 484-498.

[4] YANG B, NEVATIA R. Multi-target Tracking by Online Learning a CRF Model of Appearance and Motion Patterns[J]. International Journal of Computer Vision, 2014, 107(2): 203-217.

[6] XIANG J, SANG N, HOU J. An Online Learned Hough Forest Model for Multi-target Tracking[C]//Proceedings of the 2015 IEEE International Conference on Image Processing. Piscataway: IEEE, 2015: 2398-2402.

[7] 別秀德, 劉洪彬, 常發(fā)亮, 等. 自適應分塊的多特征融合多目標跟蹤[J]. 西安電子科技大學學報, 2017, 44(2): 163-168.

BIU Xiude, LIU Hongbin, CHANG Faliang, et al. Multi-target Tracking Method Based on Adaptive Fragment and Multi-feature Fusion[J]. Journal of Xidian University, 2017, 44(2): 163-168.

[8] 黃奇, 項俊, 侯建華, 等. 聯(lián)合特征融合和判別性外觀模型的多目標跟蹤[J]. 中國圖象圖形學報, 2015, 20(9): 1188-1198.

HUANG Qi, XIANG Jun, HOU Jianhua, et al. Multi-target Tracking Algorithm Based on Feature Fusion and Discriminative Appearance Model[J]. Journal of Image and Graphics, 2015, 20(9): 1188-1198.

[9] KALAL Z, MIKOLAJCZYK K, MATAS J. Forward-backward Error: Automatic Detection of Tracking Failures[C]//Proceedings of the International Conference on Pattern Recognition. Piscataway: IEEE, 2010: 2756-2759.

[10] XIANG J, SANG N, HOU J, et al. Hough Forest-based Association Framework with Occlusion Handling for Multi-target Tracking[J]. IEEE Signal Processing Letters, 2016, 23(2): 257-261.

[11] 彭志勇, 常發(fā)亮, 劉洪彬, 等. 基于HSV模型和特征點匹配的行人重識別算法[J]. 光電子·激光, 2015, 26(8): 1575-1582.

PENG Zhiyong, CHANG Faliang, LIU Hongbin, et al. Person Re-identification Algorithm Based on HSV Model and Key-points Matching[J]. Journal of Optoelectronics·Laser, 2015, 26(8): 1575-1582.

[12] RISTANI E, SOLERA F, ZOU R, et al. Performance Measures and a Data Set for Multi-target, Multi-camera Tracking[C]//Lecture Notes in Computer Science: 9914. Heidelberg: Springer Verlag, 2016: 17-35.

Multi-targettrackingalgorithmbasedonthemulti-featurefusionmatchingandHoughforest

LIANGFuxin，LIUHongbin，CHANGFaliang

(School of Control Science and Engineering, Shandong Univ., Ji’nan 250061, China)

In order to solve the problem of low accuracy due to target occlusion and deformation in multi-target tracking, this paper proposes a multi-target tracking algorithm based on the multi-feature fusion matching and Hough forest. First, we select positive and negative samples online according to primary association among detection responses and construct the feature model of the target with color histogram, histogram of oriented gradient (HOG) and optical flow information. Then, longer trajectory associations are generated based on the online learned Hough forest framework. Finally, a trajectory matching algorithm based on multi-feature fusion is proposed, and we introduce two methods of similarity measure in color histogram and feature points matching based on the Gabor filter to generate the probability matrix with the weighted factor. Therefore, it can further form the complete trajectories of the targets by associating them gradually. Experimental results show that the proposed algorithm can effectively solve the problems of target deformation and mutual occlusion in the video sequences of complex environments, and realize the robust tracking of multiple targets.

multiple targets; Hough forest; color histogram; similarity measure; feature point matching

2017-01-21

時間：2017-06-29

國家自然科學基金資助項目(61673244)

梁付新(1992-)，男，山東大學碩士研究生，E-mail: lfx1173473041@163.com．

http://kns.cnki.net/kcms/detail/61.1076.TN.20170629.1735.046.html

10.3969/j.issn.1001-2400.2018.01.023

TP391

A

1001-2400(2018)01-0129-06

(編輯： 齊淑娟)