專利名稱：基于視頻的交通信號燈檢測方法及裝置的制作方法
技術領域：
本發明涉及智能交通技術領域，更具體地說，涉及一種基于視頻的交通信號燈檢測方法及裝置。
背景技術：
隨著社會經濟的發展，汽車在人們日常生活中扮演一個不可或缺的角色，然而汽車數量的日益增多也給城市交通管理特別是一線大城市的交通管理帶來巨大挑戰。智能交通已經成為如今城市交通管理的重要手段，其中電子警察系統更是成為城市道路違章檢測、車流量統計等管理手段的主要實現途徑。而交通信號燈作為電子警察系統的輸入信號之一，成為交通執法管理的重要依據。目前現有的交通信號燈檢測方式可分為以下幾種一種是傳統的通過連接線來進行智能交通監控系統與交通信號燈之間的通信，對于連接線纜的方式來說，工程線路過長， 有時候需要跨過路口，施工、維護難度高；另一種是通過無線收發設備來進行智能交通監控系統與交通信號燈之間的通信，該方式雖然可以避免傳統的線纜連接方式的缺陷，但是無線收發設備價格昂貴，且受周圍電磁環境干擾較大，有時候會出現無法接收信號的現象，而且會增加項目成本。現有技術還公開了一種交通違章監控系統，該系統通過預先設置交通信號燈的區域，對攝像機實時傳輸過來的每一幀圖像的交通信號燈區域進行識別，具體是對交通信號燈區域的亮度、色度、對比度進行閾值比較來綜合判斷交通信號燈的顏色狀態。該系統通過視頻方式對交通信號燈區域的亮度、色度等的調整很大程度上是一種基于經驗的閾值判斷，無法涵蓋各種光照條件下交通信號燈的顏色變化情況，從而在某些特殊環境中的信號燈檢測會出現異常。

發明內容
本發明的發明目的是針對現有技術的缺陷，提出一種基于視頻的交通信號燈檢測方法及裝置，用以實現智能交通監控系統與交通信號燈的真正分離，并且能有效地檢測出各種光照條件下的交通信號燈的顏色變化情況。根據本發明的一個方面，提供一種基于視頻的交通信號燈檢測方法，其包括獲取視頻圖像中采樣像素點的顏色特征屬性；將采樣像素點的顏色特征屬性通過預先訓練得到的識別模型映射到高維空間，與各種顏色類別的支持向量做點積運算；所述識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的；根據點積運算的結果， 檢測出采樣像素點對應的交通信號燈的顏色。根據本發明的另一方面，提供一種基于視頻的交通信號燈檢測裝置，其包括特征屬性獲取模塊，用于獲取視頻圖像中采樣像素點的顏色特征屬性；運算模塊，用于將采樣像素點的顏色特征屬性通過預先訓練得到的識別模型映射到高維空間，與各種顏色類別的支持向量做點積運算；所述識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的；識別模塊，用于根據點積運算的結果，檢測出采樣像素點對應的交通信號燈的顏色。本發明通過實時的視頻圖像來識別交通信號燈的顏色，實現了智能交通監控系統與交通信號燈的真正分離，智能交通監控系統不再受實際環境中交通信號燈安裝位置的影響，避免了工程線纜過長，施工、維護難度高的問題，從而降低了項目成本；本發明是通過預先訓練得到的識別模型來得到識別結果，該識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的，因此該方法能適應現實環境中多種因素(如光照、塵土或霧)對交通信號燈顏色的影響，保證識別結果的準確性。


圖1為本發明提供的基于視頻的交通信號燈檢測方法一實施例流程圖；圖2為本發明提供的基于視頻的交通信號燈檢測方法一實施例中獲取識別模型的流程圖；圖3為本發明提供的基于視頻的交通信號燈檢測裝置一實施例的結構示意圖。
具體實施例方式本發明提供了一種基于視頻的交通信號燈檢測方法及裝置，其核心思想是獲取視頻圖像中采樣像素點的顏色特征屬性；將采樣像素點的顏色特征屬性通過預先訓練得到的識別模型映射到高維空間，與各種顏色類別的支持向量做點積運算；所述識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的；根據點積運算的結果，檢測出采樣像素點對應的交通信號燈的顏色。本發明通過實時的視頻圖像來識別交通信號燈的顏色，實現了智能交通監控系統與交通信號燈的真正分離，智能交通監控系統不再受實際環境中交通信號燈安裝位置的影響，避免了工程線纜過長，施工、維護難度高的問題，從而降低了項目成本。而且本發明是通過預先訓練得到的識別模型來得到識別結果，該識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的，因此該方法能適應現實環境中多種因素(如光照、塵土或霧)對交通信號燈顏色的影響，保證識別結果的準確性。下面結合附圖及優選實施方式對本發明技術方案進行詳細說明。圖1為本發明提供的基于視頻的交通信號燈檢測方法一實施例流程圖。如圖1所示，該方法包括以下步驟步驟101、從視頻圖像中獲取交通信號燈顏色的待識別區域，對待識別區域進行采樣取點，得到采樣像素點。本實施例中，智能交通監控系統的攝像機實時拍攝交通信號燈的顏色變化情況， 得到視頻圖像。在實際應用環境中，攝像機一旦安裝好，其安裝位置和角度不會隨意發生改變，因此圖像中交通信號燈的位置一般是固定不變的。本實施例可以在視頻圖像中設置固定的感興趣區域作為交通信號燈顏色的待識別區域。從理論上來講，待識別區域的顏色為單一顏色，通過識別出的只需很少的像素點的顏色便可認定其代表該待識別區域的顏色， 因此本實施例在待識別區域中進行采樣取點，得到若干個采樣像素點作為處理對象，從而能在保證準確率的情況下實現實時識別。
此外，設置固定的感興趣區域也是對實際應用環境進行分析后得出的。由于城市路口的交通信號燈的位置很少發生變化，而攝像機的安裝位置也是根據實際路口環境設置好之后很少再更改，自然地交通信號燈出現在攝像機視頻圖像中的位置也是固定不變的， 所以本實施例無需進行交通信號燈顏色的待識別區域的動態定位，預先設定好感興趣區域作為待識別區域可以減少識別所需時間，更好的滿足實時運行需求。步驟102、獲取采樣像素點的顏色特征屬性。在攝像機拍攝的視頻圖像中，像素點的顏色空間一般為RGB模式。而本實施例選取國際發光照明委員會(簡稱CIE)提出的Lab模式作為顏色識別的特征屬性。因此需要將采樣像素點的顏色空間轉換到Lab顏色空間。Lab顏色空間是由CIE于1976年公布的一種顏色模型，它是表征物體顏色空間最完備的顏色模型之一，同時也是最接近人類視覺的顏色表征。它采用一組L、a、b數據將一種顏色表示出來，一組L、a、b數據與一種顏色一一對應，其中L值表示亮度，a值表示紅綠方向顏色變化，b值表示黃藍方向顏色變化。a值為正值表示向紅色方向變化，a值為負值表示向綠色方向變化，b值為正值表示向黃色方向變化，b值為負值表示向藍色方向變化。由于Lab顏色空間的顏色分布均勻，該顏色空間的兩種顏色的色差可以用歐式距離來表示。Lab顏色特征屬性通過進行非線性映射可映射到線性可分的特征空間，有利于采用支持向量機進行分類，適合作為采樣像素點的顏色特征屬性。步驟103、將采樣像素點的顏色特征屬性作標準化處理。本實施例的Lab顏色特征屬性為三維特征屬性，為了防止某一維特征屬性的絕對數值過大，對其他維的特征屬性產生影響，需要對Lab顏色特征屬性作標準化處理。舉例來說，如屬性L的取值范圍為W，100]，屬性a的取值范圍為[_1，1]，屬性b的取值范圍為
，將屬性L和a的取值范圍作標準化處理，將屬性L和a的取值范圍全部統一到取值范圍
內。步驟104、將采樣像素點的顏色特征屬性通過預先訓練得到的識別模型映射到高維空間，與各種顏色類別的支持向量做點積運算；識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的。支持向量機(Support Vector Machine,以下簡稱SVM)方法是通過一個非線性映射，將樣本空間映射到一個高維的特征空間，使得在原來的樣本空間中非線性可分的問題轉化為在特征空間中的線性可分的問題的方法，該高維空間是一個線性可分空間。對于分類問題來說，很可能在低維樣本空間內無法線性處理的數據，在高維特征空間中卻可以通過一個線性超平面實現線性劃分。本實施例即采用這種方法，將采樣像素點的Lab顏色特征屬性通過預先訓練得到的識別模型映射到高維的線性可分空間，與各種顏色類別的支持向量做點積運算，即分別與紅色類別的支持向量、綠色類別的支持向量以及黃色類別的支持向量做點積運算。步驟105、根據點積運算的結果，檢測出采樣像素點對應的交通信號燈的顏色。在與各種顏色類別的支持向量做點積運算之后，獲取點積運算得到的距離最小的結果，該距離最小的結果對應的顏色即為采樣像素點對應的交通信號燈的顏色。舉例來說， 若采樣像素點的特征屬性數據與紅色類別的支持向量做點積運算后得到的距離最小，那么認定當前采樣像素點對應的交通信號燈的顏色為紅色。
上述識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的，圖2為本發明提供的基于視頻的交通信號燈檢測方法一實施例中獲取識別模型的流程圖，如圖2所示，該訓練的步驟具體包括步驟201、采集不同光照條件下交通信號燈各顏色的樣本數據。為了適應現實環境下不同光照條件下的交通信號燈顏色識別，本實施例分別在不同光照條件如日光、補光燈等照射條件下進行交通信號燈的樣本數據采集，用于訓練出識別模型。步驟202、獲取交通信號燈的各顏色的樣本數據的顏色特征屬性作為交通信號燈的訓練樣本集。由于采集的樣本數據的顏色空間一般為RGB模式，本實施例需要將樣本數據的顏色空間轉換到Lab顏色空間，獲得樣本數據的Lab顏色特征屬性作為訓練樣本集。獲取紅燈、綠燈和黃燈顏色的樣本數據的Lab顏色特征屬性作為訓練樣本集。步驟203、將訓練樣本集作標準化處理。本實施例的Lab顏色特征屬性為三維特征屬性，為了防止某一維特征屬性的絕對數值過大，對其他維的特征屬性產生影響，需要對Lab顏色特征屬性作標準化處理。步驟204、選取徑向基函數為支持向量機的核函數。在實際應用中，多數的分類問題通常是分類多于兩種類別的問題，此時采用支持向量機進行分類的時候，需要將多分類問題通過某一函數映射到高維空間中，而能夠作此映射的函數就是核函數。核函數分為很多種，例如線性核函數、多項式核函數、Sigmoid核函數和徑向基核函數。本實施例中，選取徑向基核函數為支持向量機的核函數。徑向基核函數是沿徑向對稱的標量函數，適合作為多分類問題的核函數。徑向基核函數的參數Y可以通過步驟204得到，它表征線性分類的最小誤差，它的變化能隱含的改變映射核函數，從而改變樣本數據子空間分布的復雜程度。步驟205、將訓練樣本集分成多個等份做封閉測試，得到懲罰系數和核函數參數。所謂將訓練樣本集分成多個等份做封閉測試指的是根據訓練樣本集所包含的訓練數據的數量將訓練樣本集進行等分，分成k個訓練數據數量相等的子集，輪流選取一個子集用于測試，另外k-Ι個子集用于對分類器進行訓練，使得整個訓練樣本集中的每一個子集都被預測一次。該方法交叉驗證的正確率是k次正確分類數據百分比的平均值，可以防止過擬合的問題。舉例來說，設訓練樣本集包含10000條訓練數據，可按照訓練樣本集的排列順序將其等分為5個子集，每個子集包含2000條訓練數據。首先選取第1個子集用作測試數據， 另外4個子集用作訓練數據，進行模型訓練并測試；然后選取第2個子集用作測試數據，另外4個子集用作訓練數據，進行模型訓練并測試；依此類推，共進行5次模型訓練和測試，這個過程即為等份封閉測試的過程。通過上述等份封閉測試的過程，可以得到適合的懲罰系數C和核函數參數。在訓練過程中，有的訓練數據相對來說并不是真正有用的訓練數據，而是噪聲數據，對模型訓練會產生消極作用，需要將這些噪聲數據對模型的影響降到最低程度。懲罰系數C的作用表征對這些噪聲數據對錯分樣本懲罰的程度。若C值較小，則會忽略噪聲數據，但是訓練誤差就越大，使得結構風險也變大；若C值較大，懲罰程度就越高，對錯分樣本的約束程度就越高，則會使得分類問題變成無解，進而退化為硬間隔問題。所以選擇合適的懲罰系數C還是很有必要的。核函數參數是后續識別過程所需核函數的參數，可以在訓練過程中得到。步驟206、根據得到的懲罰系數和核函數參數，對訓練樣本集中的樣本進行訓練， 得到各種顏色類別的支持向量，從而獲取識別模型。本步驟得到的各種顏色類別的支持向量用于與采樣像素點的顏色特征屬性數據做點積運算，從而實現檢測交通信號燈顏色的目的。進一步的，由于交通信號燈的顏色種類是固定的，只有紅燈、綠燈和黃燈三種，而且這三種顏色的信號燈的排列也是遵循某種預先設定的交通信號燈變化規則的，例如綠燈熄滅后應該是黃燈先亮等。因此，本實施例可以在得到點積運算的結果之后，結合預先設定的規則對該結果進行矯正，得到采樣像素點對應的交通信號燈的顏色。該矯正包括對識別出的錯誤結果進行矯正，還包括當識別結果出現異常時，可以根據預先設定的規則推導出當前信號燈的顏色。本實施例提供的方法通過實時的視頻圖像來識別交通信號燈的顏色，實現了智能交通監控系統與交通信號燈的真正分離，智能交通監控系統不再受實際環境中交通信號燈安裝位置的影響，避免了工程線纜過長，施工、維護難度高的問題，從而降低了項目成本。而且本實施例提供的方法是通過預先訓練得到的識別模型來得到識別結果，該識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的，因此該方法能適應現實環境中多種因素(如光照、塵土或霧)對交通信號燈顏色的影響，保證識別結果的準確性。 本實施例采用的支持向量機的方法具有良好的分類能力，且具有分類速度快的特點，在確保準確性的前提下能夠滿足實時運算要求。本實施例在得到識別結果之后，可以結合預先設定的規則對匹配結果進行矯正，確保最終結果能符合常識且滿足實際需求。本實施例可用于高清電子警察項目中路口交通信號燈檢測，為車輛的闖紅燈檢測以及不按道行駛檢測提供必要的執法依據。圖3為本發明提供的基于視頻的交通信號燈檢測裝置一實施例的結構示意圖。如圖3所示，該裝置包括特征屬性獲取模塊10、運算模塊20和識別模塊30。其中，特征屬性獲取模塊10用于獲取視頻圖像中采樣像素點的顏色特征屬性；運算模塊20用于將采樣像素點的顏色特征屬性通過預先訓練得到的識別模型映射到高維空間，與各種顏色類別的支持向量做點積運算；識別模塊30用于根據點積運算的結果，檢測出采樣像素點對應的交通信號燈的顏色；該識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的。該裝置還可以包括模型獲取模塊40，該模型獲取模塊40用于獲取識別模型。需要說明的是，識別模型是通過預先訓練中得到的，并不是在實際運行中一直在進行訓練。所述模型獲取模塊40包括采集單元41、特征屬性獲取單元42、訓練單元43和模型獲取單元44。其中，采集單元41用于采集不同光照條件下交通信號燈各顏色的樣本數據；特征屬性獲取單元42用于獲取各顏色的樣本數據的顏色特征屬性作為訓練樣本集；訓練單元43用于將訓練樣本集分成多個等份做封閉測試，得到懲罰系數和核函數參數；模型獲取單元44用于選取徑向基函數為支持向量機的核函數，根據得到懲罰系數和核函數參數對訓練樣本集中的樣本進行訓練，得到各種顏色類別的支持向量，從而獲取識別模型。在攝像機拍攝的視頻圖像中，像素點的顏色空間一般為RGB模式，本實施例選取CIE提出的Lab模式作為顏色識別的特征屬性，所以需要將采樣像素點的顏色空間轉換到 Lab顏色空間。上述特征屬性獲取模塊10具體用于獲取視頻圖像中采樣像素點的Lab顏色特征屬性；上述特征屬性獲取單元42具體用于獲取各顏色的樣本數據的Lab顏色特征屬性作為訓練樣本集。本實施例的Lab顏色特征屬性為三維特征屬性，為了防止某一維特征屬性的絕對數值過大，對其他維的特征屬性產生影響，需要對Lab顏色特征屬性作標準化處理。因此， 該裝置還可以包括處理模塊50，用于將采樣像素點的顏色特征屬性作標準化處理。上述模型獲取模塊40還可以包括處理單元45，用于將訓練樣本集作標準化處理。上述識別模塊30具體用于獲取經過點積運算得到的距離最小的結果，識別出所述距離最小的結果對應的顏色即為采樣像素點對應的交通信號燈的顏色。進一步的，由于交通信號燈的顏色種類是固定的，只有紅燈、綠燈和黃燈三種，而且這三種顏色的信號燈的排列也是遵循某種預先設定的交通信號燈變化規則的，例如綠燈熄滅后應該是黃燈先亮等。上述識別模塊30可以具體用于根據點積運算的結果，結合預先設定的規則進行矯正，得到采樣像素點對應的交通信號燈的顏色。本實施例提供的裝置通過實時的視頻圖像來識別交通信號燈的顏色，實現了智能交通監控系統與交通信號燈的真正分離，智能交通監控系統不再受實際環境中交通信號燈安裝位置的影響，避免了工程線纜過長，施工、維護難度高的問題，從而降低了項目成本。而且本實施例提供的裝置是通過預先訓練得到的識別模型來得到識別結果，該識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的，因此該裝置能適應現實環境中多種因素(如光照、塵土或霧)對交通信號燈顏色的影響，保證識別結果的準確性。 本實施例采用的支持向量機的方法具有良好的分類能力，且具有分類速度快的特點，在確保準確性的前提下能夠滿足實時運算要求。本實施例在得到識別結果之后，可以結合預先設定的規則對匹配結果進行矯正，確保最終結果能符合常識且滿足實際需求。本實施例可用于高清電子警察項目中路口交通信號燈檢測，為車輛的闖紅燈檢測以及不按道行駛檢測提供必要的執法依據。最后，需要注意的是以上列舉的僅是本發明的具體實施例子，當然本領域的技術人員可以對本發明進行改動和變型，倘若這些修改和變型屬于本發明權利要求及其等同技術的范圍之內，均應認為是本發明的保護范圍。
權利要求
1.一種基于視頻的交通信號燈檢測方法，其特征在于，包括 獲取視頻圖像中采樣像素點的顏色特征屬性；將采樣像素點的顏色特征屬性通過預先訓練得到的識別模型映射到高維空間，與各種顏色類別的支持向量做點積運算；所述識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的；根據點積運算的結果，檢測出采樣像素點對應的交通信號燈的顏色。
2.根據權利要求1所述的方法，其特征在于，還包括獲取識別模型的步驟；該步驟包括采集不同光照條件下交通信號燈各顏色的樣本數據；獲取交通信號燈各顏色的樣本數據的顏色特征屬性作為交通信號燈的訓練樣本集； 選取徑向基函數為支持向量機的核函數；將交通信號燈的訓練樣本集分成多個等份做封閉測試，得到交通信號燈對應的識別模型的懲罰系數和核函數的參數；根據得到的懲罰系數和核函數參數，對訓練樣本集中的樣本進行訓練，得到各種顏色類別的支持向量，從而獲取交通信號燈對應的識別模型。
3.根據權利要求2所述的方法，其特征在于，所述獲取視頻圖像中采樣像素點的顏色特征屬性具體為獲取視頻圖像中采樣像素點的Lab顏色特征屬性；所述獲取交通信號燈各顏色的樣本數據的顏色特征屬性作為交通信號燈的訓練樣本集具體為獲取交通信號燈各顏色的樣本數據的Lab顏色特征屬性作為交通信號燈的訓練樣本集。
4.根據權利要求2所述的方法，其特征在于，在所述將采樣像素點的顏色特征屬性通過預先訓練得到的識別模型映射到高維空間之前還包括將采樣像素點的顏色特征屬性作標準化處理；在所述將交通信號燈的訓練樣本集分成多個等份做封閉測試之前還包括將訓練樣本集作標準化處理。
5.根據權利要求1所述的方法，其特征在于，所述根據點積運算的結果，檢測出采樣像素點對應的交通信號燈的顏色包括獲取經點積運算得到的距離最小的結果，所述距離最小的結果對應的顏色為采樣像素點對應的交通信號燈的顏色。
6.根據權利要求1所述的方法，其特征在于，所述根據點積運算的結果，檢測出采樣像素點對應的交通信號燈的顏色具體為根據點積運算的結果，結合預先設定的交通信號燈變化規則，得到采樣像素點對應的交通信號燈的顏色。
7.一種基于視頻的交通信號燈檢測裝置，其特征在于，包括特征屬性獲取模塊，用于獲取視頻圖像中采樣像素點的顏色特征屬性； 運算模塊，用于將采樣像素點的顏色特征屬性通過預先訓練得到的識別模型映射到高維空間，與各種顏色類別的支持向量做點積運算；所述識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的；識別模塊，用于根據點積運算的結果，檢測出采樣像素點對應的交通信號燈的顏色。
8.根據權利要求7所述的裝置，其特征在于，還包括模型獲取模塊； 所述模型獲取模塊包括采集單元，用于采集不同光照條件下交通信號燈各顏色的樣本數據； 特征屬性獲取單元，用于獲取交通信號燈各顏色的樣本數據的顏色特征屬性作為交通信號燈的訓練樣本集；訓練單元，用于將訓練樣本集分成多個等份做封閉測試，得到懲罰系數和核函數參數；模型獲取單元，用于選取徑向基函數為支持向量機的核函數，利用根據得到的懲罰系數和核函數參數，對訓練樣本集中的樣本進行訓練，得到各種顏色類別的支持向量，從而獲取交通信號燈對應的識別模型。
9.根據權利要求8所述的裝置，其特征在于，所述特征屬性獲取模塊具體用于獲取視頻圖像中采樣像素點的Lab顏色特征屬性；所述特征屬性獲取單元具體用于獲取交通信號燈各顏色的樣本數據的Lab顏色特征屬性作為交通信號燈的訓練樣本集。
10.根據權利要求8所述的裝置，其特征在于，還包括處理模塊，用于將采樣像素點的顏色特征屬性作標準化處理；所述模型獲取模塊還包括處理單元，用于將交通信號燈的訓練樣本集作標準化處理。
11.根據權利要求7所述的裝置，其特征在于，所述識別模塊具體用于獲取經過點積運算得到的距離最小的結果，識別出所述距離最小的結果對應的顏色即為采樣像素點對應的交通信號燈的顏色。
12.根據權利要求7所述的裝置，其特征在于，所述識別模塊具體用于根據點積運算的結果，結合預先設定的交通信號燈變化規則，得到采樣像素點對應的交通信號燈的顏色。
全文摘要
本發明公開了一種基于視頻的交通信號燈檢測方法及裝置，屬于智能交通技術領域。該檢測方法包括獲取視頻圖像中采樣像素點的顏色特征屬性；將采樣像素點的顏色特征屬性通過預先訓練得到的識別模型映射到高維空間，與各種顏色類別的支持向量做點積運算；所述識別模型是通過采集不同光照條件下交通信號燈各顏色的樣本數據訓練得到的；根據點積運算的結果，檢測出采樣像素點對應的交通信號燈的顏色。本發明通過實時的視頻圖像來識別交通信號燈的顏色，實現了智能交通監控系統與交通信號燈的真正分離；該方法能適應現實環境中多種因素對交通信號燈顏色的影響，保證識別結果的準確性。
文檔編號G06K9/66GK102298852SQ201110249688
公開日2011年12月28日 申請日期2011年8月26日 優先權日2011年8月26日
發明者延瑾瑜, 張歡歡, 張濱, 晏峰, 李大鵬, 溫煒, 范云霞, 范友健 申請人:北京漢王智通科技有限公司