Geliştirilmiş araç gölge çıkarma algoritmasına dayalı olarak öndeki hareketli araçların gerçek zamanlı tespiti
Özet: Yolun önünde hareket eden araçların tespiti, araç güvenliği destekli sürüşün önemli bir yönüdür Sağlam bir gerçek zamanlı algılama yönteminin geliştirilmesi, aktif güvenlik uyarısını gerçekleştirmenin etkili bir yoludur. Monoküler görüş ve şerit hatlarına dayalı olarak trapezoidal ilgi bölgesini (ROI) belirleyin Aracın gölge özelliklerine göre, aracın gölge eşiğini hesaplamak için değişken bir dikdörtgen pencereli uyarlanabilir bir ortalama varyans yöntemi önerilmiştir. Ayrıca, araç alt gölgesi ile yol yüzeyi arasındaki kesişme çizgisinin hipotezini oluşturmak için araç kuyruk genişliği şablonuna dayalı bir yanal geçiş minimum ortalama yöntemi önerilmiştir; daha sonra, araç alt gölgesinin gri değer özellikleri, tespit etmek için alt gölge çizgisini doğrulamak için kullanılır. araç. Yukarıdaki yöntem, doğrulama için kendi geliştirdiği bir DSP deneysel platforma uygulanır.Sonuçlar, bu yöntemin ortalama hesaplama döngüsünün sadece 38.46 ms olduğunu ve araçları farklı trafik ortamlarında ve hava koşullarında iyi bir şekilde algılayabildiğini ve iyi bir gerçek zamanlı performansa sahip olduğunu göstermektedir. Ve güçlü sağlamlık.
TP391.41
Bir
10.16157 / j.issn.0258-7998.174365
Çince alıntı biçimi: Zhu Yingkai, Luo Wenguang, Bin Yang.Geliştirilmiş araç alt gölge çıkarma algoritmasına dayalı olarak ileri hareket eden araçların gerçek zamanlı tespiti.Elektronik Teknoloji Uygulaması, 2018, 44 (4): 86-89, 98.
İngilizce alıntı biçimi: Zhu Yingkai, Luo Wenguang, Bin Yang.Geliştirilmiş araç gölge çıkarma algoritmasına dayalı önden hareket eden araçların gerçek zamanlı tespiti.Elektronik Tekniğin Uygulanması, 2018, 44 (4): 86-89, 98.
Önde hareket eden araçların gerçek zamanlı tespiti
geliştirilmiş araç gölge çıkarma algoritmasına dayalı
Zhu Yingkai, Luo Wenguang, Bin Yang
(Elektrik ve Bilgi Mühendisliği Okulu, Guangxi Bilim ve Teknoloji Üniversitesi, Liuzhou 545006, Çin)
Öz: Araçların yol cephesinde tespiti, araç güvenliği sürüş yardımının ana alanıdır ve güçlü sağlamlığa sahip gerçek zamanlı test yöntemlerinin geliştirilmesi, aktif güvenlik erken uyarısını gerçekleştirmenin etkili bir yoludur.Monoküler görüş ve öndeki trapezoidal bölge şerit çizgileri ile belirlenen ilgi (ROI), gölgelerin eşiğini hesaplamak için değişken bir dikdörtgen pencere uyarlanabilir ortalama varyans farkı yöntemi, araç gölgesinin karakteristiğine göre ileri sürülür ve ardından, iz genişliği şablonunun zeminine göre, yatay bir geçiş Gölgeler ve yol kavşağı hipotezi oluşturmak için minimum ortalama yöntem sunulmuştur.Sonunda, aracın gölge çizgisi, aracın algılanması için araç alt gölgesinin gri değeri özelliği ile doğrulanır.Yukarıdaki yöntemler, kendi geliştirdiği Doğrulama için DSP deneysel platformu. Sonuçlar, yöntemin ortalama hesaplama süresinin yalnızca 38.46 milisaniye olduğunu ve araç farklı trafik ortamlarında ve hava koşullarında tespit edilebilir Yöntem iyi bir gerçek zamanlı performansa ve güçlü bir sağlamlığa sahiptir.
Anahtar kelimeler: araç algılama; monoküler görüş; ilgi alanı; araç gölgesi
0 Önsöz
Öndeki aracın video tabanlı gerçek zamanlı algılama teknolojisi, karayolu üzerinde giden aracın önündeki aracın videosunu gerçek zamanlı olarak toplamak için Şarjla Birleştirilmiş Cihaz (CCD) kullanır ve ardından videodaki videoyu tanımlamak için görüntüyü analiz eder ve işler. araç. Bu tür araştırmalar, sürücülerin sürüş baskısını azaltmak ve trafik kazalarını azaltmak için büyük önem taşıyan araç güvenliği destekli sürüş alanına aittir. Çok sayıda belge, aracın alt kısmının gölge özelliklerinin daha önemli olduğunu göstermektedir, bu nedenle aracın alt kısmındaki gölgenin doğru bir şekilde tanımlanması, araç tespiti için bir ön şarttır.
Aracın gölge özelliğine dayalı araç algılama yöntemleri, ağırlıklı olarak model bazlı ve özellik bazlı yöntemlerdir. Model tabanlı yöntemler genellikle, iyi uyarlanabilirliğe sahip, ancak inşa edilecek modellerin sayısı ile sınırlı olan, araçlar, sahneler ve aydınlatma hakkındaki önceki bilgilere dayanarak 2B veya 3B gölge modelleri oluşturur. Özellik bazlı yöntem, aracın gölgesinin gri değeri, dokusu, şekli ve eğim özelliklerine dayanır ve aracın gölgesi yol yüzeyinden bölünür.Aracın konumu, aracın gölge tespiti ile belirlenir ve nihai olarak araç konum tespiti amacına ulaşılır. Işıktan etkilenir.
Özet olarak, bu makale, aracın alt gölge eşiğini doğru bir şekilde elde etmek için geliştirilmiş bir sürekli değişken dikdörtgen pencere uyarlamalı ortalama varyans farkı yöntemi önermekte ve arabanın kuyruğunun genişliğine dayalı bir yanal geçiş minimum ortalama yöntemi önermektedir. , Gerçek zamanlı araç tespiti elde etmek için aracın altında tarama hipotezini oluşturma yöntemi.
1 Araç algılama algoritması
Araç algılama algoritmasının gerçekleştirilme süreci şu şekildedir: Öndeki aracın ilgi bölgesini (ROI) belirlemek; aracın gölge eşiğini hesaplamak ve alt takımın hipotezini oluşturmak; aracı tespit etmek için alt takımın hipotezini doğrulamak.
1.1 ROI Seçimi
ROI seçimi, aracın görüntüde görünebileceği aralığı tahmin etmektir. Makul ROI alanı seçimi, görüntü algılama alanını azaltabilir ve gerçek zamanlı performansı artırabilir. Çalışmalar, şerit çizgilerine göre yamuk ROI'nin belirlenmesinin büyük miktarda hesaplamayı azaltabileceğini göstermiştir. Bu yazıda, trapezoidal ROI alanı, şerit çizgisinin tanımlanabileceği varsayımı altında belirlenir. Trapezoidal ROI alanı, araç tabanının gölge bilgisini tamamen tutar, algoritma tarafından tespit edilen alanı azaltır ve algoritmanın gerçek zamanlı performansını iyileştirir. Aynı zamanda, yamuk ROI seçimi, en uzaktaki aracın tanıma aralığını arttırır Sabit bir ufuk noktası olan üçgen ROI yöntemi ile karşılaştırıldığında, kaçırılan araç algılama oranını azaltır.
1.2 Araç tabanının gölge eşiğinin hesaplanması
Araç tabanının gölgesinin görüntüdeki yol üzerindeki izdüşüm şekli genellikle yaklaşık bir dikdörtgendir, bu nedenle bu makale araç tabanının gölgesinin şeklini bir dikdörtgen olarak ele almaktadır. Pek çok istatistikten sonra, genişliğin arabanın altındaki gölge dikdörtgeninin yüksekliğine oranının yaklaşık 5: 1 olduğu sonucuna varılabilir. Bu nedenle, geçiş şablonu olarak genişlik-yükseklik oranı 5: 1 olan dikdörtgen bir pencere seçilir ve araç tabanının gölge eşiğini elde etmek için ROI alanındaki tüm pikseller aşağıdan yukarıya ve soldan sağa sırayla geçilir. Değişken dikdörtgen pencerenin ortalama varyans farkının uyarlanabilir eşiğinin hesaplama formülü şöyledir:
Formülde Th, ROI bölgesinin eşiğidir; M, dikdörtgen pencereyi geçerek elde edilen minimum gri değer ortalamasıdır; , M'ye karşılık gelen dikdörtgen pencerede pikselin gri değerinin standart sapmasıdır; G (u, v) koordinat noktasıdır ( Pikselin u, v) noktasındaki gri değeri. Çaprazlama işlemi sırasında koordinat noktası (u, v) ROI'deki tüm piksellerden alınır ve sıra aşağıdan yukarıya, soldan sağa; (um, vm) M'nin karşılık gelen pikselidir. Nokta koordinatları; G ve Y, görüntüdeki dikdörtgen pencerenin piksellerinin genişliği ve yüksekliğidir; w ve h, çapraz dikdörtgen pencerede bulunan piksellerden sol üst piksel noktasına kadar olan yatay ve dikey piksel mesafeleridir. Minimum birim piksel uzunluğu 1'dir ve uzunluk birimi aşağıdaki resimde piksel uzunluğu birimi olarak kabul edilir.
Görüntünün perspektif ilkesine göre, aynı nesne ne kadar uzaksa, görüntüde o kadar küçük gösterilecektir ve bunun tersi de geçerlidir. Aynı şekilde görseldeki kabin altının gölgesi de bu özelliğe sahiptir. Şekil 1, görüntüdeki mesafe değiştikçe araç tabanının gölge genişliğinin değişim kuralını yaklaşık olarak göstermektedir. AB çizgi segmenti, bu görüntüde kabin tabanının gölgesinin gerçek pozisyonudur.Kabin altının gölgesinin pozisyonu sırasıyla CD ve EF'de yer alıyorsa, bu zamandaki genişlik sırasıyla CD ve EF çizgi segmentlerinin uzunluğudur.ABFE tarafından çevrelenen trapezoidal alana yakındır. Aracın gölgesinin bulunduğu alanı varsayın. Gerçek zamanlı videodaki resmin değişimi sürekli bir süreç olduğu için araç altındaki gölgenin boyutundaki değişim süreklidir ve dikdörtgen araç altındaki gölgenin genişlik ve yüksekliğindeki değişim de süreklidir.
Aracın gölge boyutunun yukarıda bahsedilen değişiklik kuralından, aracın gölgesinin gri eşiğini çözmek için sabit boyutlu dikdörtgen bir pencere kullanmanın mantıksız olduğu görülebilir, bu nedenle dikdörtgen pencerenin eşiğini çözmek için sürekli değişen bir yöntem önerilmektedir. Şekil 1'de S sürekli değişen dikdörtgen bir penceredir, ROI alanındaki tüm pikselleri geçtiğinde, dikey eksenin V yönündeki piksel koordinatları bir birim piksel yukarı hareket ettiğinde W'nin değeri w, H azalır. Değeri her zaman W'nin 1/5 katıdır; U yatay ekseni boyunca hareket ederken, S'nin boyutu değişmeden kalır. S genişliğinin W boylamasına değişim oranı:
Formülde w, dikdörtgen pencere S'nin uzunlamasına genişlik değişim oranıdır, Wmax, yamuk ROI'nin altındaki dikdörtgen pencere S'nin genişliğidir, Wmin, yamuk ROI'nin altındaki dikdörtgen pencere S'nin genişliğidir ve HROI, yamuk ROI'nin yüksekliğidir (bkz.Şekil 1 ).
Değişken dikdörtgen pencerenin uyarlanabilir araç alt gölgesinin eşik değerini hesaplamanın değiştirilmiş yöntemini, sabit dikdörtgen pencerenin araç alt gölgesinin eşik değerini hesaplamanın geleneksel yöntemiyle karşılaştırarak, bu kağıdın değiştirilmiş dikdörtgen penceresinin araç alt gölgesine uyarlandığı eşik segmentasyon ikili görüntüsünden görülebilir. Eşik hesaplama yöntemi, geleneksel sabit dikdörtgen pencere eşiği hesaplama yöntemi ile hesaplanan eşikten daha doğrudur. Bunlar arasında, Şekil 2 (a), değişken bir dikdörtgen pencere uyarlanabilir araç alt gölge eşiğinin ikili bir görüntü bölümlemesidir ve Şekil 2 (b) ve Şekil 2 (c), araç gölge eşiği altında sabit bir dikdörtgen pencerenin bir ikili görüntü bölümlemesidir.
1.3 Araba gölge algılama
1.3.1 Aracın altında tarama varsayımı
Araç alt gölge tespiti, aracın alt gölgesi ile yol yüzeyi arasındaki kesişme hattının konumunu tespit ederek öndeki aracın konumunu belirlemektir. Araç alt gölgesi ile yol yüzeyi arasındaki kesişme çizgisi (bundan böyle toplu olarak araç alt gölge çizgisi olarak anılacaktır) genellikle uzunluğu dikey eksene göre sürekli değişen bir yatay çizgi bölümüdür ve araç alt gölge çizgisi üzerindeki piksel noktalarının ortalama gri değeri Th eşiğinden daha azdır. Yukarıda bahsedilen araç alt gölge çizgisinin özelliklerine dayalı olarak, bu makale, araç alt gölge hipotezini hızlı bir şekilde oluşturmak için araç kuyruk genişliği şablonuna dayalı bir yanal geçiş minimum gri seviyeli ortalama yöntemi önermektedir. Şekil 3, aracın altında farazi tarama oluşturma sürecinin şematik bir diyagramıdır. Araç kuyruk genişliği şablonuna bağlı olarak, ROI alanındaki her satırın minimum gri değerini satır satır hesaplayın:
Formülde, Mv minimum gri ölçekli ortalama değerdir, yani ROI alanının dikey eksen koordinat değeri v değişmediğinde, v'ninci sıradaki tüm pikselleri geçmek için araç kuyruk genişliği şablonunu Wv'nin alt kapak çizgisinin uzunluğu ile alın ve ilkini elde edin V satırındaki değer; Şekil 3'te açıklandığı gibi aracın altının gölge boyutunun değişim kuralı ile aynıdır, dikey eksen koordinat değerinin değişmesiyle Wv değeri değişir ve boyuna değişim oranı denklem (4) 'de w ile aynıdır.
Ardından, hesaplanan Mv'yi eşikle karşılaştırın, eğer Mv < Daha sonra, Mv'ye karşılık gelen koordinat değeri (u, v) kaydedilir.Bu zamandaki koordinat değeri, alt takım gölge çizgisinin varsayımsal sol köşe koordinatıdır ve gölge çizgisinin uzunluğu, dikey eksen koordinat değeri v'ye karşılık gelen Wv'dir. Şekil 3 v'in satırından elde edilen Mv 'Th'den küçükse, piksel noktası (u' + g, v ') aracın alt gölge çizgisinin sol köşesinin koordinatıdır ve araç alt gölge çizgisinin uzunluğu Wv'dir. Araç tabanının gölge şekli dikdörtgen olduğundan Mv'yi tatmin eder. < Şekil 4'te gösterildiği gibi, birden fazla araç altı gölge çizgisi Th vardır, ROI alanında birden fazla araç altı gölge hattı hipotezi üretilir. Aracın gölgesi genişletildikten sonra, şablonu oluşturmak için 10 araç gölgesi olduğu hesaplanabilir (örnek olarak Şekil 4'ü alın) Aracı doğru bir şekilde algılamak için, benzersiz araç gölgesini belirlemek için varsayımsal sonuçların doğrulanması gerekir.
1.3.2 Araç altında taramanın doğrulanması
Araç tabanının gölge çizgisi doğrudan araç tabanının gölgesinin altında olduğu için araç alt gölgesinin özellikleri kullanılarak araç altının gölge çizgisinin hipotezi doğrulanmıştır. Araç tabanının gölge şeklinin dikdörtgen olduğu ve ortalama gri değerinin eşikten daha küçük olduğu bilinmektedir Bu nedenle, aracın farazi gölge çizgisinde pikselin gri değerinin ortalama değerini elde etmek için Wv genişliğinde ve Hv = Wv / 5 yüksekliğinde doğrulama dikdörtgen penceresi Sv kullanılır. Ortalama (u, v). Piksel noktası (u, v), aracın altındaki taramanın üstlendiği sol tepe noktasının koordinat konumudur ve ayrıca doğrulama dikdörtgen penceresi Sv'nin sol alt köşesinin koordinatıdır. Ortalama (u, v) hesaplama formülü:
Araç altı gölge hattı doğrulaması, araç altı gölge uzunluğu Wv'nin azalan sırasına göre gerçekleştirilir.Görüntüleme sürecinde araç altı gölge çizgisi olduğunda, Ortalama (u, v) olduğu varsayılır. < Yani aracın altındaki tek gölge çizgisi olduğu belirlenir ve doğrulama süreci sona erer.
2 DSP donanım sistemi ve gerçek zamanlı algoritma uygulaması
2.1 DSP donanım sistemi
Bu makalede seçilen DSP, Şekil 5'te gösterildiği gibi video yakalama donanım sistemini oluşturmak için çekirdek işlemci olarak kullanılan TMS320DM6437'dir.
Şekil 5'teki VPFE ve VPBE, sırasıyla video işleme alt sisteminin (VPSS) ön ucu ve arka ucudur. Sistem, gerçek zamanlı video toplamak için bir CCD kamera kullanır ve video bilgilerini VPFE'ye iletir.VPFE, analog video sinyallerini dijital video sinyallerine dönüştürür ve gerçek zamanlı araç konumu algılama algoritması işleme için DM6437'ye iletir ve son olarak LED'ler aracılığıyla görüntüler.
2.2 Gerçek zamanlı algoritma uygulaması
Çevrimdışı araç algılama algoritmasının en uzun kısmı, aracın altındaki gölge eşiğinin hesaplanmasıdır Deney, her görüntü çerçevesi için eşik hesaplamasının gerçek zamanlı performansının zayıf olduğunu doğruladı. Araç otoyolda çalıştığı için aydınlatma ve yol yapısı belli bir süre içinde neredeyse değişmez ve bu da aracın tabanının gölge eşiğine daha büyük etki eden bir faktör olur. Bu nedenle, bu makale araç alt gölge eşiğinin bir birim süre (1 s) içinde değişmediğini varsaymaktadır. Bu makaledeki algoritmaya dayanarak, aralık çerçevelerinin eşiğini çözmek için bir yöntem önerilmiştir. Yani, gerçek zamanlı videoda eşik, her aralıkta aynı sayıda görüntü karesi için çözülür. Aralık çerçeve sayısı eşiğini çözmenin gerçek zamanlı etkisini sezgisel olarak yansıtmak için, Tablo 1'de gösterildiği gibi, üç farklı aralık çerçeve sayısı durumunda DSP gerçek zamanlı algoritmanın gerçek zamanlı karşılaştırma sonuçları verilmiştir.
Tablo 1'den DSP'nin saniye başına işlem hızının, araç algılamanın gerçek zamanlı gereksinimlerini karşılayabilen 30 kare aralıkta 26 kare / sn'ye ulaştığı görülebilir, bu nedenle bu algoritma aralık için 30 kare seçer. Şekil 6, hareketli araç tespiti için DSP gerçek zamanlı algoritma programının bir akış şemasıdır Ana adımlar şunları içerir: RIO alanı seçimi, eşik hesaplaması, araç alt gölge çizgisi hipotezi ve araç alt gölge çizgisi doğrulaması.
3 Test sonuçlarının analizi
Bu deneyde kullanılan video, örnek olarak 20-25 Eylül 2015 tarihleri arasında Renmin West Yolu, Xiushan Yolu, Haimen Şehri, Şangay Henan Orta Yolu Yenan Viyadüğü Tüneli ve diğer bölümlerde çekilen görüntüleri alan bir sürüş kayıt cihazından geliyor.
Şekil 7, farklı aydınlatma ve yol koşulları altında DSP'nin gerçek zamanlı araç algılama sonuçlarından rastgele seçilen sonuçların bir kısmının bir diyagramıdır. Bu algoritma, farklı aydınlatma, farklı yol paraziti ve çeşitli çalışma koşulları altında araç algılamayı karşılayabilir. Algoritmanın gerçek zamanlı performansını ve doğruluğunu daha sezgisel olarak yansıtmak için, bu makale literatürün yöntemine atıfta bulunur ve basit çalışma koşulları ve karmaşık çalışma koşulları altında 8000 video görüntüsünün algılama sonuçlarını rastgele sayar. Bunlar arasında, basit çalışma koşulu normal aydınlatma ve yol yüzeyinde parazit olmamasıdır; karmaşık çalışma koşulu zayıf aydınlatma, yol işaretleme paraziti, yol gölge paraziti vb. İki çalışma koşulu altında araç tespitinin istatistiksel sonuçları Tablo 2'de gösterilmektedir.
4. Sonuç
Deneysel sonuçlar, değişken dikdörtgen pencereli uyarlanabilir ortalama varyans farkı eşiği çözüm yönteminin, farklı aydınlatma ve farklı yol koşullarında aracın gölge eşiğini doğru ve hızlı bir şekilde hesaplayabildiğini göstermektedir; araç kuyruk genişliği şablonuna dayalı satır satır minimum ortalama arama Alt takım gölge çizgisinin hipotezini üretme yöntemi, algoritmanın gerçek zamanlı performansını büyük ölçüde artırabilir ve DSP gerçek zamanlı algoritmanın gerçekleştirilmesi için uygun koşullar sağlayabilir.
Özetle, gelişmiş araç alt gölge çıkarma algoritmasına dayalı ileri hareket eden araçların gerçek zamanlı algılama teknolojisi, iyi bir gerçek zamanlı performansa ve güçlü sağlamlığa sahiptir ve araçları farklı trafik ortamlarında ve hava koşullarında iyi bir şekilde algılayabilir.
Referanslar
Chen Suting, Yang Shihong İlgi bölgesine dayalı değişken frekanslı CCD gerçek zamanlı işleme sistemi Elektronik Teknoloji Uygulaması, 2012, 38 (1): 34-37.
Qu Shiru, Li Xu. Video görüntüsüne dayalı çok özellikli ön araç algılama algoritması üzerine araştırma.Çin Kontrol ve Karar Konferansı (CCDC). IEEE, 2016: 3831-3835.
COLLADO J M, HILARIO C. Akıllı araçlar için model tabanlı araç algılama IEEE Akıllı Araçlar Sempozyumu (S.l.) IEEE, 2004: 572-577.
Hu Yin, Yang Jingyu Model tabanlı araç algılama ve izleme Çin Görüntü ve Grafik Dergisi, 2008, 13 (3): 450-455.
SANIN A, SANDERSON C, LOVELL B C. Gölge algılama: son yöntemlerin araştırılması ve karşılaştırmalı değerlendirmesi Örüntü Tanıma, 2013, 45 (4): 1684-1695.
Jin Lisheng, Gu Baiyuan, Wang Rongben ve diğerleri.Çok özellikli füzyona dayalı önceki araç tespiti.IEEE Uluslararası Vechiküler Elektronik ve Güvenlik Konferansı, ICVES 2006, 2007: 356-360.
YANG M S, LAI C Y, LIN C Y. Gauss karışım modelleri için sağlam bir EM kümeleme algoritması Örüntü Tanıma, 2012, 45 (11): 3950-3961.
Qi Meibin, Pan Yan, Zhang Yinxia Araç tabanının gölgesine göre ileri hareket eden araçların tespiti Elektronik Ölçüm ve Cihaz Dergisi, 2012, 26 (1): 54-59.
Hu Yin Monoküler görüşe dayalı hareketli hedef algılama ve izleme algoritması üzerine araştırma Nanjing: Nanjing Bilim ve Teknoloji Üniversitesi, 2007.
KROEGER T, Dai Dengxin, GOOL L V. Ortak ufuk noktası çıkarma ve izleme. IEEE Bilgisayarla Görü ve Örüntü Tanıma Konferansı. IEEE, 2015: 2449-2457.
Gu Baiyuan Monoküler görüşe dayalı güvenli mesafe uyarı sistemi üzerine araştırma Changchun: Jilin Üniversitesi, 2006.
Yang Biwu, Guo Xiaosong.Kamera merceğinin doğrusal olmayan bozulma düzeltme yöntemlerine genel bakış Çin Görüntü ve Grafik Dergisi, 2005, 10 (3): 269-274.
TSENG SP, FONG D.A DSP tabanlı gerçek zamanlı ön araba algılama sürüş asistanı sistemi SICE Yıllık Konferansı, 2010: 2419-2423.
yazar bilgileri:
Zhu Yingkai, Luo Wenguang, Bin Yang
(Elektrik ve Bilgi Mühendisliği Okulu, Guangxi Bilim ve Teknoloji Üniversitesi, Liuzhou 545006, Guangxi)
