專利名稱：基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種生物特征身份識別技術(shù)，具體涉及一種基于多尺度二階微分結(jié)構(gòu)(VLSDM)模型進(jìn)行紋理分析及改進(jìn)分水嶺算法的手背靜脈識別方法。
背景技術(shù)：
靜脈模式特征的提取與匹配是靜脈識別系統(tǒng)的核心問題，其研究內(nèi)容包括兩個部分1、靜脈特征提取方法研究；2、靜脈特征匹配方法研究。靜脈特征提取方法主要負(fù)責(zé)將靜脈模式的個體差異性特征選取和描述出來，匹配算法負(fù)責(zé)在特征空間中找到合適的度量準(zhǔn)則，將不同類的特征區(qū)分開，同時又能很好的測度同類特征的相似性。特征提取是匹配的前提和基礎(chǔ)，特征類型選取是否合適以及對其描述是否合理對識別系統(tǒng)性能的影響很大。從模式識別理論的角度來考慮，圖像中能用于識別的信息屬性大致可分為四類 統(tǒng)計(jì)特性、幾何結(jié)構(gòu)特性、模糊特性及知識特性。通常根據(jù)所要解決的問題特性及信息提取算法實(shí)現(xiàn)的難易程度，選擇其中的一種或多種信息作為識別特征信息。針對靜脈識別系統(tǒng)來說，其最為顯著的個體特性是靜脈模式的紋理信息，其特點(diǎn)是橫斷面像素值呈脊形分布、具有一定方向和寬度、紋理走向方向局部區(qū)域變化不大(即可局部近似為直線)?？梢?， 靜脈紋理中所包含的信息更接近上述四個信息屬性中的幾何結(jié)構(gòu)特性。不過也有研究者對靜脈模式的統(tǒng)計(jì)特征展開研究將樣本灰度圖像按行列依次連續(xù)展開，形成一維的隨機(jī)向量，然后利用主成份分析(PCA)方法對大量樣本進(jìn)行統(tǒng)計(jì)分析，找到一組合適的特征基，用其對靜脈樣本圖像進(jìn)行K-L變換，從而得到靜脈特征向量；文獻(xiàn)將二值圖像中的靜脈紋理區(qū)域像素點(diǎn)和背景區(qū)域像素點(diǎn)進(jìn)行坐標(biāo)編碼，形成一個寬為原來圖像的兩倍、高與原圖像相同的一個新的二維靜脈樣本，然后利用廣義矩估計(jì)方法(GMM)，對大量樣本進(jìn)行統(tǒng)計(jì)分析，估計(jì)出樣本矩空間一組合適的基，利用這組基對樣本進(jìn)行變換，得到樣本矩特征向量作為靜脈模式特征用于識別。這類方法都不可避免地遇到推廣性的問題，即算法性能很大程度上依賴于測試集和訓(xùn)練集之間數(shù)據(jù)分布的相似程度。盡管統(tǒng)計(jì)學(xué)習(xí)理論以該問題為核心進(jìn)行了深入的探討，但在實(shí)際應(yīng)用中，該問題仍然很棘手，尤其是對不可能獲得待識別個體多個靜脈樣本的情況，這就意味著不可能對它們進(jìn)行有效訓(xùn)練，只能寄希望于統(tǒng)計(jì)學(xué)習(xí)策略的泛化能力來提高識別系統(tǒng)的性能，這會帶來很大的不確定性。目前大多數(shù)討論的是提取靜脈紋理幾何細(xì)節(jié)特征，它們又可以分為五類第一類是將靜脈紋理區(qū)域作為靜脈特征，這類方法的主要特點(diǎn)是必須對靜脈圖像進(jìn)行二值分割以得到準(zhǔn)確的靜脈紋理區(qū)域，而實(shí)際上由于目前大多數(shù)采集裝置所獲得的靜脈樣本圖像存在邊緣模糊、粘連、灰度值分布不均等特點(diǎn)，導(dǎo)致二值化分割結(jié)果存在許多問題，如失去靜脈交叉處的連接性，雖然提出了一種利用增強(qiáng)濾波組代替高通濾波器來改善這個問題，但是這種方法提取的靜脈區(qū)域邊緣不光滑、有噪聲，另外所形成的特征維數(shù)也太.大，不利于推廣。第二類是提取靜脈紋理的骨架形狀作為靜脈特征，這類方法又分為兩種，一種是基于模板，另一種是基于線性分割。將靜脈骨架進(jìn)行平移旋轉(zhuǎn)操作，然后將它們所得結(jié)果融合形成靜脈骨架模板，用于識別；將靜脈骨架進(jìn)行直線分割生成一系列骨架直線特征，用于識別。這兩種方法對所提取的靜脈骨架質(zhì)量要求挺高，通常是在二值化靜脈圖像的基礎(chǔ)上進(jìn)行骨架提取，而在對靜脈圖像二值化的過程中不可避免的會丟失一些特征信息、且容易受噪聲干擾，導(dǎo)致提取的骨架并不準(zhǔn)確，因此，跳過二值化過程，利用分水嶺算法直接對灰度靜脈圖像進(jìn)行骨架提取，大多數(shù)情況下，該方法可以直接從灰度靜脈圖像中提取出靜脈骨架，但是存在過分割，無法正確提取距離較近的靜脈紋理骨架。第三類為提取靜脈骨架交叉點(diǎn)和端點(diǎn)作為靜脈特征，這類特征一般從靜脈骨架中提取，因此第二類方法所遇到的問題直接會影響到該類特征的可靠性和準(zhǔn)確度，而且靜脈模式紋理本身存在特征點(diǎn)少的問題，很難保證足夠進(jìn)行靜脈識別所需的特征點(diǎn)；并且端點(diǎn)是由于對靜脈區(qū)域進(jìn)行切割而導(dǎo)致的，不同切割方法會帶來不同的端點(diǎn)，其存在不確定性。第四類是將多種靜脈特征進(jìn)行融合形成融合靜脈特征，這類方法為了克服以上三類方法所存在的問題，嘗試將多種手背靜脈細(xì)節(jié)特征進(jìn)行融合，得到新的靜脈特征，提取出靜脈骨架信息后，對圖像進(jìn)行分塊，然后統(tǒng)計(jì)不同塊中所含靜脈骨架點(diǎn)的數(shù)量、橫向二階矩、縱向二階矩，再將所有塊中的這三個統(tǒng)計(jì)特征值組合，形成三個不同的特征向量，分別進(jìn)行匹配操作，然后將匹配度值融合，融合后識別系統(tǒng)性能有所改善，但是該算法對樣本歸一化要求比較高，當(dāng)樣本發(fā)生平移、旋轉(zhuǎn)時，識別系統(tǒng)的性能會受到一定的影響。第五類是將靜脈樣本圖像進(jìn)行多尺度分解形成一組不同尺度不同頻帶的子圖，通過對子圖進(jìn)行分析，得到靜脈的特征，然后進(jìn)行匹配。靜脈紋理骨架結(jié)構(gòu)是靜脈模式各種不同類型的幾何結(jié)構(gòu)特征中最直接、最穩(wěn)定的結(jié)構(gòu)特征。靜脈紋理骨架結(jié)構(gòu)特征受光照、噪聲的影響相對較小，并且具有足夠的區(qū)分能力，因此非常適合用來進(jìn)行靜脈識別。目前采用靜脈紋理骨架形狀特征進(jìn)行識別靜脈識別， 可分為兩種，一種是基于骨架模板的方法，將靜脈紋理骨架進(jìn)行平移和旋轉(zhuǎn)結(jié)果融合形成骨架模板用于識別，其缺點(diǎn)是改變了原靜脈骨架中細(xì)節(jié)特征及結(jié)構(gòu)特征，容易引起識別系統(tǒng)誤識和拒識，且所需特征存儲量大；另一種是基于直線分割的方法，對靜脈骨架進(jìn)行直線分割，形成一組直線特征用于識別，雖然這樣處理后使得靜脈骨架的表示變得簡化，因此減少了所需特征存量，但其丟失許多靜脈骨架的細(xì)節(jié)特征，容易引起識別系統(tǒng)誤識，另外，這種方法對骨架噪聲非常敏感，噪聲引起的骨架斷裂及錯誤分叉點(diǎn)會導(dǎo)致骨架的直線分割結(jié)果差別很大而不能正確匹配，引起識別系統(tǒng)拒識。以上兩種方法均不是直接采用靜脈骨架結(jié)構(gòu)特征進(jìn)行靜脈識別。與本發(fā)明申請的內(nèi)容相關(guān)的公開報(bào)道包括[I] 丁宇航，手背靜脈識別技術(shù)研究，哈爾濱工程大學(xué)，2006 ；[2]F. Motato Toro and H. Loaiza Correa, Biometric identification using infrared dorsum hand vein images， Ingenierae Investigacin， vol.29，2009， pp.90-100 ；[3]R. Dell 1 Aquila, Generalized Method of Moments, Journal of the American Statistical Association，vol. 101，2006，pp.1309-1310 ;
[4]J. Cross and C. Smith, Thermographic imaging of the subcutaneous vascular network of theback of the hand for biometric identification， in Institute of Electrical and Electronics Engineers 29th Annual 1995 International Carnahan Conference on 1995，pp.20-35 ；[5]G. Park, S. Im, and H. Choi, A person identification algorithm utilizing hand vein pattern， in Korea Signal Processing Conference，1997，pp.1107—1110 ；[6] S. -K. Im, H. Park, S. Kim, C. Chung, and H. Choi, Improved vein pattern extracting algorithm and its implementation，2000 ;[7] S. -K. Im, H. Park，Y. Kim, S. Han, S. Kim, C. Kang, and C. Chung, An biometric identification system by extracting hand vein patterns，J0URNAL-K0REAN PHYSICAL SOCIETY，vol. 38，2001，pp.268-272 ；[8]S. -K. Im, H. Choi, T. Ltd, and S. Seoul，A filter bank algorithm for hand vascular pattern biometrics，2002 ;[9]S. Lopez and A. Gonzalez, Hand veins segmentation and matching under adverse conditions，2003，pp.166 ；[10]L. Wang and G. Leedham, A thermal hand vein pattern verification system, Pattern Recognition and Image Analysis,2005, pp.58-65 ；[11]L. Wang, G. Leedham, and S. Cho，Infrared imaging of hand vein patterns for biometric purposes，let Computer Vision, vol. I,2007,pp.113—122 ；[12]L. Wang and G. Leedham, Gray-Scale Skeletonization of Thermal Vein Patterns Using the Watershed Algorithm in Vein Pattern Biometrics，2006 ；[13]L. Wang, G. Leedham, and D. Siu-Yeung Cho，Minutiae feature analysis for infrared hand vein pattern biometrics， Pattern Recognition， vol.41，2008， pp.920_929 ；[14]A. Kumar and K. Prathyusha, Personal Authentication using Hand Vein Triangulation and Knuckle Shape， IEEE Transactions on Image ；[15]周斌，林喜榮，賈惠波，宋榕，多特征融合的手背血管識別算法，清華大學(xué)學(xué)報(bào)自然科學(xué)版，vol. 47，2007，pp. 194-197 ；[16]韓笑，人體手背靜脈識別算法研究，吉林大學(xué)，2007 ；[17]林喜榮，莊波，人體手背血管圖像的特征提取及匹配，清華大學(xué)學(xué)報(bào)自然科學(xué)版，vol. 43，2003，pp. 164-167. Processing, vol. 18，2009，pp ；[18]X. Wu, D. Zhang, and K. Wang, Palm line extraction and matching for personal authentication,Systems,Man and Cybernetics,Part A Systems and Humans， IEEE Transactions on，vol. 36，2006，pp.978-987。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種能夠解決樣本旋轉(zhuǎn)和平移對識別影響、加快匹配速度等問題的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法。本發(fā)明的目的是這樣實(shí)現(xiàn)的
包括ROI區(qū)域自動提取、基于多尺度VLSDM模型對樣本進(jìn)行多尺度分析、靜脈模式紋理骨架提取、靜脈骨架特征描述與匹配；第一步，利用基于手背目標(biāo)外部輪廓分析的方法從原始樣本中提取出靜脈樣本的ROI區(qū)域；第二步，基于多尺度VLSDM模型對ROI區(qū)域的靜脈圖像進(jìn)行多尺度分析，得到靜脈紋理的形態(tài)響應(yīng)、方向響應(yīng)及尺度響應(yīng)；第三步，利用改進(jìn)分水嶺算法從第二步所得形態(tài)響應(yīng)中提取出靜脈紋理骨架特征；第四步，利用鏈碼及方向空間采樣編碼描述靜脈紋理骨架的結(jié)構(gòu)特征及方向特征，并利用改進(jìn)的模板匹配方法對特征進(jìn)行匹配。本發(fā)明還可以包括這樣一些特征I、所述的手背目標(biāo)圖像區(qū)域提取根據(jù)靜脈樣本圖像中手部目標(biāo)圖像區(qū)域與背景區(qū)域像素點(diǎn)的分布規(guī)律，采用閾值分割將手部目標(biāo)圖像從原始靜脈樣本中分離出來，閾值T 的計(jì)算公式如下

權(quán)利要求
1.一種基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是第一步，利用基于手背目標(biāo)外部輪廓分析的方法從原始樣本中提取出靜脈樣本的ROI 區(qū)域；第二步，基于多尺度VLSDM模型對ROI區(qū)域的靜脈圖像進(jìn)行多尺度分析，得到靜脈紋理的形態(tài)響應(yīng)、方向響應(yīng)及尺度響應(yīng)；第三步，利用改進(jìn)分水嶺算法從第二步所得形態(tài)響應(yīng)中提取出靜脈紋理骨架特征；第四步，利用鏈碼及方向空間采樣編碼描述靜脈紋理骨架的結(jié)構(gòu)特征及方向特征，并利用改進(jìn)的模板匹配方法對特征進(jìn)行匹配。
2.根據(jù)權(quán)利要求I所述的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是所述提取出靜脈樣本的ROI區(qū)域包括手背目標(biāo)圖像區(qū)域提取、手背外部輪廓關(guān)鍵點(diǎn)提取、ROI區(qū)域位置確定；所述的手背目標(biāo)圖像區(qū)域提取的方法為根據(jù)靜脈樣本圖像中手部目標(biāo)圖像區(qū)域與背景區(qū)域像素點(diǎn)的分布規(guī)律，采用閾值分割將手部目標(biāo)圖像從原始靜脈樣本中分離出來，閾值T的計(jì)算公式為5, /W < 45 —5+ (5 X O —45))/10，45<m<55 ~ 110+ (25X(m-55))/60, 55 <m<115 55, m >115式中，m表示樣本圖像中非零像素點(diǎn)灰度平均值；所述的手背外部輪廓關(guān)鍵點(diǎn)提取的方法為第一步，求取有效輪廓點(diǎn)集及距離基準(zhǔn)線； 第二步，求取有效輪廓關(guān)鍵點(diǎn)；第三步，判斷所獲得的關(guān)鍵點(diǎn)個數(shù)是否為15，如不是則執(zhí)行第四步；第四步，采用關(guān)鍵點(diǎn)修正構(gòu)建方法獲得關(guān)鍵點(diǎn)。
3.根據(jù)權(quán)利要求2所述的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是所述利用改進(jìn)分水嶺算法從第二步所得形態(tài)響應(yīng)中提取出靜脈紋理骨架特征的方法為首先提取局部形態(tài)響應(yīng)中的脊線，脊線相當(dāng)于分水嶺，背景相當(dāng)與盆地；然后將區(qū)域合并融合到盆地標(biāo)注中，對不同盆地記錄面積和標(biāo)號；最后將區(qū)域合并融合到分水嶺標(biāo)注中。
4.根據(jù)權(quán)利要求3所述的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是所述利用改進(jìn)的模板匹配方法對特征進(jìn)行匹配是直接采用靜脈骨架結(jié)構(gòu)特征作為識別特征，同時采用不同的特征描述方法對其進(jìn)行描述，這樣既保持了靜脈骨架的原有形態(tài)，又減少了特征存儲量，其平移和旋轉(zhuǎn)校正在匹配算法中完成。
5.根據(jù)權(quán)利要求3所述的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是所述求取有效輪廓點(diǎn)集及距離基準(zhǔn)線的過程為提取的二值化目標(biāo)圖像的輪廓外曲線，采用經(jīng)典Douglas-Peucker輪廓多邊形擬合算法,對輪廓外曲線進(jìn)行擬合，取擬合精度閾值為50個像素點(diǎn)，則獲得一個擬合四邊形，設(shè)I為所述四邊形上邊L3的長度，將L3向下平移1/8個像素單位，即得到基準(zhǔn)線Ld ；采用局部均值法對原始距離分布曲線進(jìn)行處理，N為有效輪廓線所包含的總點(diǎn)數(shù)，局部平滑直徑為不小于N/24的最小整數(shù)；然后，采用閾值曲線對平滑距離曲線進(jìn)行分割，正常情況下，平滑距離分布曲線與閾值曲線將存在八個交點(diǎn)，并稱之為第一類特征點(diǎn)；最后，利用第一類特征點(diǎn)構(gòu)建第二類和第三類特征點(diǎn)的方法得到其他七個特征點(diǎn)，即正常情況總共得到15個特征點(diǎn)。
6.根據(jù)權(quán)利要求5所述的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是所述的閾值曲線的數(shù)學(xué)表達(dá)式為
7.根據(jù)權(quán)利要求6所述的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是所述的利用第一類特征點(diǎn)構(gòu)建第二類和第三類特征點(diǎn)的數(shù)學(xué)表達(dá)式分別為(1)構(gòu)建第二類特征點(diǎn)的數(shù)學(xué)表達(dá)
8.根據(jù)權(quán)利要求7所述的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是所述采用關(guān)鍵點(diǎn)修正構(gòu)建方法獲得關(guān)鍵點(diǎn)的具體方法為用Pm、Pde分別表示線段Ld與輪廓線的左、右兩個交點(diǎn)，手背外部輪廓近似四變形的上邊與輪廓線的左右兩個交點(diǎn)分別用PpP3Ii表不，用表不Pdl和的中心點(diǎn)，用表不Pde 和P3k的中心點(diǎn)，則由和確定的直線與輪廓線有左右兩個交點(diǎn)，就是所要求的左右兩個第一類特征點(diǎn)if，其他六個第一類特征點(diǎn)將由if確定的線段分成了七等份， 則確定其他六個第一類特征點(diǎn)位置的公式為
9.根據(jù)權(quán)利要求8所述的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是獲得第一類特征點(diǎn)壞、巧、g、P71、S，第二類特征點(diǎn)if Jf、P3\ if和第三類特征點(diǎn)if、p2\ if后，在此基礎(chǔ)上確定ROI區(qū)域的方法為(1)、尋找基準(zhǔn)線段通過基準(zhǔn)線確定ROI的方向和基準(zhǔn)位置，選取由第一類關(guān)鍵點(diǎn)if 和片構(gòu)成的線段記為Lkd作為基準(zhǔn)線段；(2)、判斷樣本的左右性分別從if和#作兩條垂線，令兩條垂線與輪廓線的交點(diǎn)分別為K、P2:，設(shè)if和構(gòu)成的線段長度為U #和^^構(gòu)成的線段長度為11，如果仁< I1，則說明手背樣本來自右手，反之來自左手；(3)、尋找ROI的有效右邊線段選擇矩形ROI，ROI的有效左邊線段一定與Led垂直，尋找有效左線段的方法分兩種情況第一中情況是樣本來自右手，則選擇從片作一條與Led垂直 的直線；第二種情況是樣本來自左手，則選擇從片作一條與Led垂直的直線；無論是哪一種情況，均需要作一條與Lkd垂直的直線，直線與線段Led和輪廓線相交，得到兩交點(diǎn)，分別記為Puo P ，由Pui和P 構(gòu)成的線段即為所求的ROI有效右邊線段；(4)、尋找ROI的有效左邊線段分為兩種情況如果樣本來自右手，則從if作一條與Lkd 垂直的直線；反之，樣本來自左手，則從<作一條與Lkd垂直的直線；無論哪情況，所作垂線與線段Led和輪廓線相交，產(chǎn)生兩個交點(diǎn)，分別記為Pu、Pcl,由Pu和Pa構(gòu)成的線段即為所求的有效左邊線段；(5)、尋找ROI的上、下邊線段選取由Pui和Pa所組成的線段作為ROI的上邊線段，而尋找ROI下邊線段的方法分三種情況，令ROI有效左邊線段的長度為L1，有效右邊線段的長度為L2,如果L1 > L2,則從點(diǎn)Rai作一條直線，所述直線與有效左邊線段相交，產(chǎn)生一個交點(diǎn)， 記為F α，此時，ROI的下邊線段由點(diǎn)α組成；如果L1 < L2，則從點(diǎn)Pa作一條直線，與有效右邊線段相交，產(chǎn)生一個交點(diǎn)，記為P Oi，此時，ROI的下邊線段由點(diǎn)P'組成；如果L1 = L2,此時,ROI的下邊線段由點(diǎn)Pce和Pcl組成；經(jīng)過上述過程處理后，得到矩形ROI區(qū)域的四個頂點(diǎn)坐標(biāo)值。
10.根據(jù)權(quán)利要求9所述的基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法，其特征是所述的VLSDM模型由靜脈紋理局部曲面形狀約束模型和靜脈紋理的顯著二階微分結(jié)構(gòu)特征量組成，首先，根據(jù)靜脈紋理局部曲面形狀約束索引值不同的特點(diǎn)，結(jié)合采樣定理及加權(quán)融合的方法得到融合形狀約束索引值計(jì)算模型即SICM模型； 然后，根據(jù)曲面最大主曲率對靜脈紋理的描述能力較強(qiáng)的特點(diǎn)，選取曲面最大主曲率作為 VLSDM模型中的靜脈紋理的顯著二階微分結(jié)構(gòu)特征量；最后，采用基于最大似然估計(jì)模型改進(jìn)的組合方式將SICM模型與顯著二階微分結(jié)構(gòu)特征量進(jìn)行融合，從而形成VLSDM模型。
全文摘要
本發(fā)明提供的是基于多尺度二階微分結(jié)構(gòu)模型及改進(jìn)分水嶺算法的手背靜脈識別方法。利用基于手背目標(biāo)外部輪廓分析的方法從原始樣本中提取出靜脈樣本的ROI區(qū)域；基于多尺度VLSDM模型對ROI區(qū)域的靜脈圖像進(jìn)行多尺度分析，得到靜脈紋理的形態(tài)響應(yīng)、方向響應(yīng)及尺度響應(yīng)；利用改進(jìn)分水嶺算法從第二步所得形態(tài)響應(yīng)中提取出靜脈紋理骨架特征；利用鏈碼及方向空間采樣編碼描述靜脈紋理骨架的結(jié)構(gòu)特征及方向特征，并利用改進(jìn)的模板匹配方法對特征進(jìn)行匹配。本發(fā)明解決樣本旋轉(zhuǎn)和平移對識別影響、加快算法匹配速度等問題，且該方法的效率符合模式識別系統(tǒng)的要求。
文檔編號G06K9/00GK102622587SQ201210059350
公開日2012年8月1日 申請日期2012年3月8日 優(yōu)先權(quán)日2012年3月8日
發(fā)明者付斌, 馮偉興, 劉靜宇, 唐墨, 崔建文, 杜同春, 熊新炎, 王科俊 申請人:哈爾濱工程大學(xué)