蒲富鵬，趙軍，安喆

?

基于機器視覺的車輪裂紋識別與提取

蒲富鵬，趙軍，安喆

(蘭州交通大學(xué) 機電工程學(xué)院，甘肅 蘭州 730070)

針對列車車輪輪緣及輪輞裂紋圖像特點，提出根據(jù)裂紋圖像特征結(jié)合Fisher法判別的車輪裂紋識別算法，同時針對圖像分割后提取出的圖像裂紋線斷裂不連續(xù)且不完整的問題，提出交互式裂紋線點采集提取結(jié)合曲線擬合生成裂紋線的方法；算法首先在圖像預(yù)處理基礎(chǔ)上，利用局部統(tǒng)計可變閾值法分割圖像，用小面積閾值初篩去斑，結(jié)合形態(tài)學(xué)操作后，計算面積、平均寬度、外接矩形長寬比和圓形度4個特征量，然后計算連續(xù)性篩選圖像中這些特征量的極值，再利用Fisher判別法對圖像中的裂紋進行識別，并提取圖像裂紋線坐標(biāo)，用多項式最小二乘曲線擬合出完整裂紋線。實驗結(jié)果表明本文方法具有較好的魯棒性。

車輪裂紋；圖像處理；Fisher判別法；識別

隨著列車向高速度、大密度、重載方向發(fā)展，輪對故障相對逐漸增多，其中常見的車輪裂紋，有輪緣裂紋和輪輞裂紋等，即列車在小曲線半徑的彎道行駛時，由于輪緣過薄等因素，鋼軌與車輪輪緣接觸處產(chǎn)生較大的接觸應(yīng)力，這種較大的接觸應(yīng)力超過材料本身的屈服極限，不僅造成輪緣表面產(chǎn)生明顯的塑性變形層，同時也使輪緣位置產(chǎn)生嚴(yán)重的異常磨耗和頂部碾堆。輪緣頂部碾堆部位作為應(yīng)力集中區(qū)，在隨后接觸載荷的作用下萌生裂紋并發(fā)生疲勞擴展，最終導(dǎo)致輪緣裂紋；輪輞部位受到的徑向拉應(yīng)力是疲勞裂紋的萌生應(yīng)力條件，在輻板孔位偏向輪緣時易發(fā)生裂紋萌生，尤其在長坡道制動時最易發(fā)生。其后在垂向和橫向機械載荷作用下輪輞處應(yīng)力接近疲勞極限，使得萌生裂紋逐漸擴展，最終導(dǎo)致輪輞裂紋[1]。研究裂紋識別及提取算法，設(shè)計一種機器視覺自動檢測裝置，迅速、準(zhǔn)確地檢測車輪裂紋，對提高檢修質(zhì)量、效率、保障行車安全以及列車高速化和重載化的實現(xiàn)有重要意義。機器視覺技術(shù)在列車輪對缺陷檢測中現(xiàn)已得到許多應(yīng)用[2?4]，具有無損，快速，準(zhǔn)確的特點。高向東等[5]提出一種基于結(jié)構(gòu)光視覺傳感器的車輛輪對踏面擦傷快速檢測方法，并建立了踏面擦傷數(shù)字矩陣，實現(xiàn)了輪對踏面擦傷最大深度及形狀的非接觸快速準(zhǔn)確檢測；楊雪榮等[6]提出了一種基于物理模型的計算機視覺輪對踏面擦傷檢測方法，利用CCD攝像機采集光條紋圖像，經(jīng)過圖像處理后獲得踏面截面輪廓，檢測輪對踏面擦傷；Rainer等[7]用CCD相機對行進中的車輪進行圖像的攝取，通過圖像處理技術(shù)的理論和推導(dǎo)，最終計算求取一定精度的車輪磨耗數(shù)據(jù)；田麗麗等[8]針對貨車車輪踏面?zhèn)麚p檢測問題，設(shè)計了踏面?zhèn)麚p動態(tài)檢測系統(tǒng)，實現(xiàn)了剝離和擦傷的準(zhǔn)確定位。本文研究重點是輪對被沖洗除銹后，慢速運行通過檢測區(qū)間時，對采集到的輪緣和輪輞圖像進行裂紋篩選識別及提取研究。

1 裂紋識別及提取方法的提出

輪緣和輪輞處經(jīng)常會出現(xiàn)周向條形結(jié)構(gòu)裂 紋[1]，如圖1所示，同時根據(jù)輪軸廠、段修檢修工藝[9]，輪緣、輪輞裂紋應(yīng)進行旋修加工，若經(jīng)旋修無法消除，則應(yīng)更換車輪。利用機器視覺對車輪裂紋缺陷進行自動化檢測，從而代替人工檢查，在降低工人勞動強度的同時還能提高準(zhǔn)確率及檢測效率，具有較好實際營運意義。

圖1 輪緣及輪輞裂紋

首先對輪緣及輪輞圖像進行裂紋檢測，確定車輪上是否存在裂紋。然后在確定存在裂紋的車輪圖像上，采用數(shù)據(jù)點提取并進行曲線擬合的方法，獲得完整裂紋線，方法流程如圖2所示。

圖2 方法的整體流程

2 裂紋圖像處理

2.1 基于局部統(tǒng)計的可變閾值分割

可變閾值處理是把一幅圖像分成不重疊的矩形，用于補償光照和反射的不均勻性，同時矩形要足夠小，使光照都近似是均勻的。用一幅圖像中每個點的一個鄰域內(nèi)像素的標(biāo)準(zhǔn)差和均值來進行局部閾值處理，用于確定局部閾值非常有用，因為它們是局部對比度和平均灰度的描述子，令和m表示一幅圖像中以坐標(biāo)(,)為中心鄰域所包含像素集合的標(biāo)準(zhǔn)差和均值。下面是可變局部閾值的通用形式：

式中：和是非負(fù)常數(shù)。

分割后的圖像如下計算：

2.2 圖像前處理過程

根據(jù)原裂紋圖像及直方圖，如圖3(a)所示，灰度要么集中于亮端，要么集中于暗端，即灰度分布不均勻，顯示了較低的對比度，利用模糊增強方 法[10]，進行模糊濾波(3(b))，將原圖像灰度在整個灰度范圍上進行擴展，使其均勻地分布于整個灰度范圍上，以增強圖像對比度，將圖像中裂紋凸顯，然后用局部統(tǒng)計的可變閾值法分割圖像，獲得以裂紋為主要區(qū)域的二值圖像(3(c))。對圖像進行翻轉(zhuǎn)，用小面積閾值初篩去除部分斑點噪聲，即計算圖像中各連通域的面積特征量，以去除最大量斑點噪聲和保留完整裂紋區(qū)域為原則，設(shè)定幾個較小的面積初始閾值進行篩選試驗，通過幾次試驗，確定了小面積閾值為5，最后利用小模板的形態(tài)學(xué)閉操作對裂紋區(qū)小間距斷裂部位進行連接(3(d))，以便在處理后保留的裂紋線盡可能完整。

3 裂紋區(qū)域篩選

對于裂紋特征選取，洪漢玉等[11]將裂紋寬度、長度和最小外接矩形的面積作為特征量；衛(wèi)軍等[12]對裂紋的長度和寬度進行測量，并將其作為特征向量，王睿等[13]對裂紋進行了比較全面的描述，包括面積、周長、集中度和區(qū)域長寬比等6項。本文最初綜合文獻中提出的裂紋特征量，對圖3(d)中的2組圖像進行6特征量(面積、周長、平均寬度、集中度、外接矩形長寬比和圓形度)的提取與篩選，并得出了一致的結(jié)論：面積、集中度和圓形度篩選率較高，均達到93%以上；面積與周長篩選效果相近，但面積篩選掉更多非裂紋區(qū)域；圓形度與集中度篩選效果相近，但圓形度篩選掉更多非裂紋區(qū)域；平均寬度和長寬比平均篩選率分別為18.03%和80.37%，但篩選掉了面積、集中度、圓形度均沒有篩選掉的非裂紋區(qū)域，同時平均寬度篩選對裂紋區(qū)域做了較完整的保留。

根據(jù)以上結(jié)論同時考慮裂紋與非裂紋區(qū)域的差異性，提出通過提取以下4個特征對裂紋進行 識別。

1) 面積，各連通域所占像素數(shù)：

式中：為連通域像素數(shù)。

2) 平均寬度，連通域平均寬度計算公 式為：

3) 外接矩形長寬比；

圓形度，表示區(qū)域接近圓的程度，當(dāng)區(qū)域為圓時，=1，定義式如下：

針對以上4個裂紋特征，對圖3(d)中各連通域(8連通)分別計算各特征量，其中圖3(d)左中各連通域特征量如表1所示，圖3(d)右中各連通域特征量如表2所示。

(a) 原圖及直方圖；(b) 模糊增強及直方圖；(c) 可變閾值分割；(d) 負(fù)片閉操作

圖3 圖像前處理

Fig. 3 Image preprocessing

表1 圖3(d)左各連通域特征量

表2 圖3(d)右各連通域特征量

應(yīng)用4個特征量，分別對圖3(d)中各連通域進行篩選，如下：

針對每組圖像連通域集合，計算4組特征量(面積、平均寬度、長寬比和圓形度)，即1組圖像會得到4組特征量，給出各自的初始估計閾值，以最大程度篩除非裂紋區(qū)域和盡可能完整保留裂紋區(qū)域為原則，根據(jù)以上確定好的篩選條件，通過多次篩選試驗，確定出了各特征量閾值，分別為：

用各自的閾值進行篩選，對應(yīng)篩選效果依次如圖4(a)，圖4(b)，圖4(c)和圖4 (d)所示。

圖3(d)左各連通域特征量篩選效果如圖4 所示。

(a) 面積篩選；(b) 寬度篩選；(c) 長寬比篩選；(d) 圓形度篩選

對應(yīng)各特征量篩選率如表3所示。

表3 特征量篩選率

圖3(d)右各連通域特征量篩選效果如圖5 所示。

(a) 面積篩選；(b) 寬度篩選；(c) 長寬比篩選；(d) 圓形度篩選

對應(yīng)各特征量篩選率如表4所示。

表4 特征量篩選率

從2組篩選效果圖和篩選率可以知道，面積和圓形度篩選率最高，均達到93%以上；平均寬度篩選率只有0.01%和36.04%，但較其他篩選相比，對裂紋區(qū)域做了較完整的保留；長寬比篩選率分別為76.28%和84.45%，但篩選掉了面積、圓形度未能篩選掉的非裂紋區(qū)域。因此，綜合考慮各特征量的篩選特性，用4個特征量，即面積、平均寬度、外接矩形長寬比和圓形度對圖像進行連續(xù)性篩選，同時，在這里加入無裂紋圖像的篩選效果，方便比較。其中式(7)為連續(xù)篩選式，圖6為連續(xù)篩選效果。

式中：f為篩選前圖像連通域集合；等為篩選條件；f5為篩選后圖像中連通域；F為篩選后圖像中連通域集合。

從連續(xù)性篩選效果中可以看出，在有裂紋的圖像中，經(jīng)圖像前處理及篩選后留下了以裂紋為主要部分的區(qū)域，而在無裂紋圖像中，經(jīng)處理后留下了一些較小的斑點。同時，計算得到在裂紋圖像中4特征量的綜合篩選率分別為97.78%和99.64%，達到最大。

4 裂紋圖像識別

連續(xù)性篩選后的車輪二值圖像中，裂紋圖像和非裂紋圖像雖具有差異性，但如何識別出車輪部位是否存在裂紋，是問題的關(guān)鍵。就表面裂紋的識別有相關(guān)學(xué)者做出研究Ohjk等[14]采用裂縫追蹤算法進行裂紋識別；Fujita等[15]應(yīng)用Hessian矩陣的特征值和特征向量來判別結(jié)構(gòu)形狀以區(qū)分裂紋；Sinha等[16]提出一種統(tǒng)計過濾的識別算法，并對圖像分別通過canny邊緣檢測與Otsu閾值分割的結(jié)果進行比較；Jahanshahi等[17]用深度信息對圖像進行表面重建然后識別裂紋；本文利用提取的面積、平均寬度、外接矩形長寬比和圓形度4個特征量，結(jié)合Fisher判別法進行識別分類，以確定圖像中是否存在裂紋。在4個特征量篩選后的圖像中，連通域較多，結(jié)合連續(xù)性篩選原則與篩選后裂紋與非裂紋二值圖像的差異性，分別計算每一副篩選后圖像各連通域的面積、平均寬度和長寬比的最大值以及圓形度最小值，利用Fisher判別法進行樣本訓(xùn)練與預(yù)測。

4.1 Fisher判別法

Fisher線性判別分析方法[18]的基本思想是通過對樣本的變換,將樣本投影到一條直線上且該直線的方向能使樣本的投影得到最佳區(qū)分,如圖7所示。也就是說變換后的樣本類別間離散度達到最高,類內(nèi)的樣本離散度達到最低,從而提高各類別之間的區(qū)分能力，同時Fisher法對原始數(shù)據(jù)分布并無特殊要求，非常適合事先不知道樣本分布的情況[19]。

圖7 Fisher判別

1) 計算2類樣本均值向量1和2，求出2類樣本類內(nèi)離散度矩陣和總類間離散度矩陣；

3) 對于未知樣本，計算它在*上的投影點，根據(jù)決策規(guī)則分類。

4.2 樣本訓(xùn)練與分類

對于200個有裂紋和無裂紋圖像樣本，經(jīng)圖像前處理和4特征量的連續(xù)性篩選后，先計算各樣品的4個特征量極值，然后，取70個有裂紋樣品和70個無裂紋樣本作為2類訓(xùn)練集，余下60個樣本，即30個有裂紋樣本，30個無裂紋樣本作為測試數(shù)據(jù)集，分別進行訓(xùn)練與測試。表5為60個測試樣本的測試結(jié)果。

表5 樣本測試結(jié)果

在60個測試樣品中，除了第37個和第57個給出了錯誤的測試結(jié)果，其余58個樣品的分類均正確，分類準(zhǔn)確率達到了96.7%，這也驗證了所選擇的4個特征量極值作為分類特征的有效性，同時也證明了將Fisher分類器用于裂紋識別的高可 靠性。

5 裂紋線提取

5.1 擬合坐標(biāo)系(空間坐標(biāo)系)與圖像坐標(biāo)系

圖8(a)為空間坐標(biāo)系，即擬合坐標(biāo)系。將一幅圖像轉(zhuǎn)換為數(shù)字形式，要求數(shù)字化坐標(biāo)和振幅。將坐標(biāo)數(shù)字化稱為取樣，振幅數(shù)字化稱為量化。取樣和量化的結(jié)果是一個實數(shù)矩陣，得到一幅有著行和列的圖像，大小為×，并顯示在約定的圖像坐標(biāo)系圖8(b)中，通常使用(,)而不是(,)來表示行與列。根據(jù)擬合坐標(biāo)系與圖像坐標(biāo)系的異同，在擬合前進行坐標(biāo)變換,如式(8)所示，擬合后進行坐標(biāo)反變換，如式(9)所示。

式中：1和1為圖像坐標(biāo)；2和2為空間坐標(biāo)；

式中：3和3為空間坐標(biāo)；4和4為圖像坐標(biāo)。

(a) 空間坐標(biāo)系；(b) 圖像坐標(biāo)系

5.2 裂紋線擬合

在檢測到圖像存在裂紋后，進行點采集裂紋線擬合，生成完整裂紋線，以便獲得裂紋的更詳細(xì)信息，擬合流程如圖9所示。

圖9 裂紋線擬合流程

1) 圖像讀?。涸谧R別出圖像中存在裂紋后，重新讀取圖像；

2) 擬合點采集：在圖像讀取后，自動彈出采集圖像，順著裂紋圖像，點擊操作進行點采集，依次獲得擬合點。同時根據(jù)式(8)進行圖像坐標(biāo)到擬合坐標(biāo)的變換，顯示于空間坐標(biāo)系中，如圖10(a)所示；

3) 裂紋線擬合：根據(jù)采集到的擬合點，利用多項式最小二乘法進行擬合，獲得擬合裂紋線，如圖10(b)所示；

4) 標(biāo)記：根據(jù)式(9)進行坐標(biāo)反變換，于圖像坐標(biāo)系中獲得二值圖像裂紋線，如圖10(c)所示，并在原圖上進行標(biāo)記，檢驗擬合效果，如圖10(d)所示。

(a) 擬合點；(b) 擬合線；(c) 二值裂紋線；(d) 標(biāo)記

采用MATLAB進行界面操作，對上述算法進行集成，直觀地進行裂紋檢測與擬合，識別與擬合提取界面如圖11所示，界面左側(cè)為操作模塊，界面右側(cè)為顯示模塊。

圖11 裂紋檢測及擬合軟件界面

6 結(jié)論

1) 基于試驗研究，提出裂紋自動檢測的數(shù)字圖像處理流程，同時綜合文獻中已提出的裂紋特征，對裂紋識別特征進行優(yōu)化，確定了最適宜于裂紋圖像識別的4個特征。

2) 針對篩選后的裂紋圖像與非裂紋圖像差異性，提出用4個特征量極值結(jié)合Fisher法進行裂紋識別，達到裂紋檢測的目的，由于利用裂紋特征量進行了連續(xù)性篩選，再利用判別器進行分類，較其他直接進行裂紋與非裂紋識別，使得識別準(zhǔn)確率達到96%以上。

3) 針對分割、篩選后的裂紋線斷裂不完整的問題，提出擬合點采集的裂紋線提取方法，提取了完整裂紋線，為獲得裂紋的進一步信息做好了準(zhǔn)備。

4) 針對本文所解決的2類問題，即裂紋的篩選識別與提取，對算法進行集成，建立MATLAB界面操作系統(tǒng)，直觀地進行裂紋檢測與擬合提取。

[1] 黃毅, 程雷. 鐵路貨車檢修技術(shù)[M]. 北京: 中國鐵道出版社, 2010: 375?376. HUANG Yi, CHENG Lei. Maintenance technology of railway freight train[M]. Beijing: China Railway Press, 2010: 375?376.

[2] 宋志明. 列車車輪踏面擦傷圖像檢測算法研究[D]. 成都: 西南交通大學(xué), 2012. SONG Zhiming. The research on locomotive wheelset tread scrape image inspection algorithm[D]. Chengdu: Southwest Jiaotong University, 2012.

[3] 關(guān)毅. 基于CCD的火車車輪踏面損傷的自動檢測[D].蘭州: 蘭州理工大學(xué), 2016. GUAN Yi. Automatic detection of wearing train wheel tread based on CCD[D]. Lanzhou: Lanzhou University of Technology, 2016.

[4] 阮成雄, 阮秋琦. 基于LoG梯度加權(quán)Haar-like特征的車輪裂紋檢測[J]. 鐵道學(xué)報, 2013, 35(5): 62?68. RUAN Chengxiong, RUAN Qiuqi. Wheel crack detrction based on LoG gradient weighted Haar-like features[J]. Journal of the China Railway Society, 2013, 35(5): 62?68.

[5] 高向東, 謝子方, 趙傳敏, 等. 基于結(jié)構(gòu)光視覺傳感的輪對踏面擦傷快速檢測[J]. 鐵道學(xué)報, 2008, 30(2): 23?27. GAO Xiangdong, XIE Zifang, ZHAO Chuanmin, et al. Detection of tread surface flats of wheelsets based on structional light visual sensing[J]. Journal of the China Railway Society, 2008, 30(2): 23?27.

[6] 楊雪榮, 張湘?zhèn)? 成思源, 等. 基于物理模型的計算機視覺輪對踏面擦傷檢測方法[J]. 機械工程學(xué)報, 2009, 45(5): 215?219.YANG Xuerong, ZHANG Xiangwei, CHENG Siyuan, et al. Method of physical-based computer vision detection for tread surface flats of wheelsets[J]. Chinese Journal of Mechanical Engineering, 2009, 45(5): 215?219.

[7] Rainer Pohl, Erhard A, Montag H J, et al. NDT technique for railway wheel and gauge corner inspection[J]. NDT & E Internal, 2004, 37(2): 89?94.

[8] 田麗麗, 方宗德, 趙勇, 等. 鐵路貨車車輪踏面?zhèn)麚p檢測中剝離與擦傷定位方法[J]. 鐵道學(xué)報, 2009, 31(5): 31?36. TIAN Lili, FANG Zongde, ZHAO Yong, et al. Locating methods of peeling and flat spots in detection of wheel tread damages of railway wagons[J]. Journal of the China Railway Society, 2009, 31(5): 31?36.

[9] 劉吉遠(yuǎn), 陳雷. 鐵路貨車輪軸技術(shù)概論[M]. 北京: 中國鐵道出版社, 2009: 375?376. LIU Jiyuan, CHEN Lei. Technology introduction of wheel and axle of railway freight train[M]. Beijing: China Railway Press, 2009: 375?376.

[10] 田海韜, 趙軍, 蒲富鵬. 馬鈴薯芽眼圖像的分割與定位方法[J]. 浙江農(nóng)業(yè)學(xué)報, 2016, 28(11): 1947?1953.TIAN Haitao, ZHAO Jun, PU Fupeng. A Method for recognizing potato’s bud eye[J]. Acta Agriculturae Zhejiangensis, 2016, 28(11): 1947?1953.

[11] 洪漢玉, 章秀華, 程莉, 等. 道路病害形態(tài)特征的圖像分析[J]. 武漢工程大學(xué)學(xué)報, 2014, 36(4): 70?75. HONG Hanyu, ZHANG Xiuhua, CHENG Li, et al. Image analysis method for road disease morphology characteristic[J]. Journal of Wuhan Institute of Technology, 2014, 36(4): 70?75.

[12] 衛(wèi)軍, 曹龍飛, 曾艷霞, 等. 混凝土結(jié)構(gòu)裂縫特征提取研究[J]. 武漢理工大學(xué)學(xué)報, 2011, 33(11): 72?75. WEI Jun, CAO Longfei, ZENG Yanxia, et al. Study on feature extraction of concrete structure cracks[J]. Journal of Wuhan University of Technology, 2011, 33(11): 72? 75.

[13] 王睿, 漆泰岳, 雷波, 等. 隧道襯砌裂縫特征提取方法研究[J]. 巖石力學(xué)與工程學(xué)報, 2015, 34(6): 1211?1217. WANG Rui, QI Taiyue, LEI Bo, et al. Characteristic ectraction of cracks of tunnel lining[J]. Chinese Journal of Rock Mechanics and Engineering, 2015, 34(6): 1211?1217.

[14] Ohjk, Jang G, Oh S, et al. Bridge inspection robot system with machine vision[J]. Automation in Construction, 2009, 18(7): 929?941.

[15] Fujita Y, Hamamoto Y. A robust automatic crack detection method from noisy concrete surfaces[J]. Machine Vision and Application, 2011, 22(2): 245?254.

[16] Sinha S K, Fieguth P W. Automated detection of cracks in buried concrete pipe images[J]. Automation in Construction, 2006, 15(1): 58?72.

[17] Jahanshahi M R, Masri S F. Adaptive vision-based crack detection using 3D scene reconstruction for condition assessment of structures[J]. Automation in Construction, 2012, 22: 567?576.

[18] Fisher R. The use of multiple measures in taxonomic problems[J]. Journal of Eugenics, 1936(7): 179?188.

[19] 姜春露, 姜振泉, 孫強.基于Fisher判別分析法的隧洞圍巖分類[J]. 煤炭學(xué)報, 2012, 37(10): 1665?1670. JIANG Chunlu, JIANG Zhenquan, SUN Qiang. Classification of rocks surrounding tunnel using Fisher discriminant analysis method[J]. Journal of China Coal Society, 2012, 37(10): 1665?1670.

(編輯 陽麗霞)

Recognition and extraction of wheel cracks based on machine vision

PU Fupeng, ZHAO Jun, AN Zhe

(School of Mechanical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

Based on the characteristics of train wheel cracks on flange and rim, this study proposed a wheel crack recognition algorithm combining features of cracks image with Fisher criterion. Simultaneously, aiming at the discontinuous and incomplete crack line of extraction after segmentation, a new interactive point acquisition algorithm of crack line extraction was proposed combining with curves fitting. This algorithm uses the image segmentation method based on local statistics variable threshold, which has a small area threshold filtering to remove speckle noises, combines the mathematical morphology operation, and calculates the respective four features in every image after image preprocessing. Then, the extremums of four features in the continuous filtering image was calculated, and the Fisher method was used to recognize the image. Meanwhile, the image crack line coordinates were extracted, and the whole crack line was extracted by polynomial least square curve fitting method. Experimental results showed that the method has general adaptability.

wheel cracks; image processing; Fisher criterion; recognition

10.19713/j.cnki.43?1423/u.2018.08.027

U279.3

A

1672 ? 7029(2018)08 ? 2113 ? 10

2017?06?09

國家自然科學(xué)基金資助項目(61462059)；甘肅省自然科學(xué)基金資助項目(148RJZA054)

趙軍(1975?)，男，甘肅古浪人，教授，博士，從事計算機視覺與計算機圖形學(xué)研究；E?mail：zhaojun@mail.lzjtu.cn