积分商城

最新搜索： STM32上实现FFT 电子元器件快速识别与检测 激光 STC单片机原理 GL3510 QCPL-RB5C
您现在的位置是：首页 > 技术资料 > 稀疏约束下快速低秩共享的字典学习方法及其人脸识别
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

稀疏约束下快速低秩共享的字典学习方法及其人脸识别

更新时间：2019-12-30 10:16:33 大小：2M 上传用户：IC老兵查看TA发布的资源 标签：人脸识别 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

字典学习是重要的特征表示方法之一,在人脸识别等方面有广泛的应用,特别适合解决姿态变化下的人脸识别问题,因而倍受研究者的关注.为有效增强字典的判别能力,研究者结合领域知识和抗噪等策略提出大量的字典学习模型,其中包括最近提出的同时进行降维和字典学习的方法,但这些方法侧重考虑样本中特定类的信息,未能有效考虑训练样本间的共享信息.因此,提出了一种稀疏约束下快速低秩共享的字典学习方法.该方法采用降维和字典联合进行学习的方式,并嵌入Fisher判别准则获得特定类字典和编码系数,同时施加低秩约束获得低秩共享字典,以此增强字典和编码系数的判别能力.此外,运用Cayley变换保护投影矩阵的正交性来获得紧凑的特征集合.在AR,Extended Yale B,CMU PIE和FERET四个数据集上的人脸识别实验验证所提方法的优越性.实验结果表明所提方法在表情变化下的人脸识别具有很强的鲁棒性,并对光照起到了抑制作用,尤其适合解决光照、表情变化下的小样本问题.


部分文件列表

文件名 大小
1577672186稀疏约束下快速低秩共享的字典学习方法及其人脸识别.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
：
ＤＯＩ１０．７５４４ｉｓｓｎ１０００１２３９ ．２０１８ ．２０１８０３６４  
－
计 算 机 研 究 与 发 展  
?
（）： ，  
５５８ １７６０１７７２ ２０１８  
－
ＪｏｕｒｎａｌｏｆＣｏｍ ｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏ ｍｅｎｔ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｐ ｐ  
ꢀ
稀疏约束下快速低秩共享的字典学习方法及其人脸识别  
田
泽
杨
明
李爱师  
ꢀ
ꢀ
ꢀ
ꢀ
（
）
南京师范大学计算机科学与技术学院 南京  
ꢀ
２１００２３  
ꢀ
（
＿
ｚｅｔｉａｎｅｄｕ １２６．ｃｏｍ  
＠
）
ＦａｓｔＬｏｗＲａｎｋＳｈａｒｅｄＤｉｃｔｉｏｎａｒ Ｌｅａｒｎｉｎ ｗｉｔｈＳａｒｓｉｔ ＣｏｎｓｔｒａｉｎｔｓｏｎＦａｃｅ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｐ
ꢀ
－
ｙ
ꢀ
ｇ
ꢀ
ｙ
ꢀ
Ｒｅｃｏｎｉｔｉｏｎ  
ｇ
，
ＴｉａｎＺｅ Ｙａｎ Ｍｉｎ ａｎｄＬｉＡｉｓｈｉ  
ꢀ ꢀ  
，
ｇ
ꢀ
ｇ
ꢀ
（
，
，
）
Ｃｏｌｌｅｅｏ Ｃｏｍ ｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏ  
ꢀ ꢀ ꢀ ꢀ  
ｇ
Ｎａｎｉｎ ＮｏｒｍａｌＵｎｉｖｅｒｓｉｔ Ｎａｎｉｎ ２１００２３  
ꢀ
ｊ ｇ  
ｆ
ｐ
ｇｙ  
ｙ
ｊ ｇ  
ꢀ
ꢀ
Ａｂｓｔｒａｃｔ Ｄｉｃｔｉｏｎａｒ ｌｅａｒｎｉｎ ｉｓｏｎｅｏｆｔｈｅｍｏｓｔｉｍ ｏｒｔａｎｔｆｅａｔｕｒｅｒｅｒｅｓｅｎｔａｔｉｏｎｍｅｔｈｏｄｓ．Ｉｔｈａｓａ  
ꢀ ꢀ ꢀ ｐ ꢀ ꢀ ｐ ꢀ ꢀ ꢀ  
ｇ ꢀ ꢀ ꢀ  
ｙ
ꢀ
ꢀ
ｗｉｄｅｒａｎｅｏｆａ ｌｉｃａｔｉｏｎｓｉｎｆａｃｅｒｅｃｏｎｉｔｉｏｎａｎｄｏｔｈｅｒａｓｅｃｔｓ．Ｉｔｉｓ ａｒｔｉｃｕｌａｒｌ ｓｕｉｔａｂｌｅｆｏｒｓｏｌｖｉｎ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｐ ꢀ ꢀｐ ꢀ ꢀ  
ｇꢀ ꢀｐｐ ｙ ｇ  
ｇ
ꢀ
，
ｆａｃｅｒｅｃｏｎｉｔｉｏｎ ｒｏｂｌｅｍｓｕｎｄｅｒｔｈｅｃｈａｎｅｏｆ ｏｓｅ ａｎｄｈａｓａｔｔｒａｃｔｅｄ ｍｕｃｈａｔｔｅｎｔｉｏｎｆｒｏｍ ｍａｎ  
ꢀｐ  
ｇꢀ ꢀｐ ｙ  
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｒｅｓｅａｒｃｈｅｒｓ．Ｉｎｏｒｄｅｒｔｏｅｎｈａｎｃｅｔｈｅｄｉｓｃｒｉｍｉｎａｔｉｖｅａｂｉｌｉｔ ｏｆｄｉｃｔｉｏｎａｒ ｒｅｓｅａｒｃｈｅｒｓｈａｖｅ ｕｔｆｏｒｗａｒｄ  
ｙ ꢀ  
ꢀ ꢀ ꢀｐ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ａｌａｒｅｎｕｍｂｅｒｏｆｄｉｃｔｉｏｎａｒ ｌｅａｒｎｉｎ ｍｏｄｅｌｓｉｎｃｏｍｂｉｎａｔｉｏｎ ｗｉｔｈｄｏｍａｉｎｋｎｏｗｌｅｄｅａｎｄａｎｔｉｎｏｉｓｅ  
ｇꢀ  
ꢀ ｇꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ －  
ｙ
ꢀ
ｇ
ꢀ
，
ｓｔｒａｔｅｉｅｓ ｉｎｃｌｕｄｉｎ ｔｈｅｒｅｃｅｎｔｌ ｒｏｏｓｅｄ ｍｅｔｈｏｄｓｆｏｒｓｉｍｕｌｔａｎｅｏｕｓｄｉｍｅｎｓｉｏｎａｌｉｔ ｒｅｄｕｃｔｉｏｎａｎｄ  
ｙｐ ｐ  
ｇ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
，
ｄｉｃｔｉｏｎａｒ ｌｅａｒｎｉｎ ｂｕｔｔｈｅｓｅ ｍｅｔｈｏｄｓｆｏｃｕｓｏｎｔｈｅｓｅｃｉｆｉｃｃｌａｓｓｓａｍ ｌｅｓａｎｄｆａｉｌｔｏｃｏｎｓｉｄｅｒｔｈｅ  
ｐ ꢀ  
ｙ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ ꢀ ꢀｐ  
－
ꢀ
ꢀ
ꢀ ꢀ  
ꢀ
，
ｓｈａｒｉｎ ｉｎｆｏｒｍａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｒａｉｎｉｎ ｓａｍ ｌｅｓ．Ｔｈｅｒｅｆｏｒｅ ｗｅ ｒｏｏｓｅ ａ ｆａｓｔｌｏｗｒａｎｋ ｓｈａｒｅｄ  
－
ｇ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ｐ
ꢀｐ ｐ ꢀ ꢀ  
ꢀ
ꢀ
ｄｉｃｔｉｏｎａｒ ｌｅａｒｎｉｎ ｗｉｔｈｓａｒｓｉｔ ｃｏｎｓｔｒａｉｎｔｓａ ｒｏａｃｈ．Ｔｈｅｍｅｔｈｏｄｌｅａｒｎｓｄｉｍｅｎｓｉｏｎａｌｉｔ ｒｅｄｕｃｔｉｏｎ  
ꢀｐ ꢀｐｐ ꢀ ꢀ ꢀ  
ｙ ｙ  
ꢀ
ｙ
ꢀ
ｇ
ꢀ
ꢀ
，
ａｎｄｄｉｃｔｉｏｎａｒ ｏｉｎｔｌ ａｎｄｅｍｂｅｄｓＦｉｓｈｅｒｄｉｓｃｒｉｍｉｎａｎｔｃｒｉｔｅｒｉａｔｏｏｂｔａｉｎｓｅｃｉｆｉｃｃｌａｓｓｄｉｃｔｉｏｎａｒ ａｎｄ  
ｙｊ  
ꢀ ꢀ ꢀｐ  
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ｙ
ꢀ
ꢀ
，
ｃｏｄｉｎ ｃｏｅｆｆｉｃｉｅｎｔｓ．Ａｔｔｈｅｓａｍｅｔｉｍｅ ｗｅｅｎｆｏｒｃｅａｌｏｗｒａｎｋｃｏｎｓｔｒａｉｎｔｔｏｏｂｔａｉｎｔｈｅｌｏｗｒａｎｋｓｈａｒｅｄ  
ꢀꢀ ꢀ ꢀ ꢀ ꢀ  
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
－
ꢀ
，
ｄｉｃｔｉｏｎａｒ ｔｏｅｎｈａｎｃｅｔｈｅｄｉｓｃｒｉｍｉｎａｔｉｖｅａｂｉｌｉｔ ｏｆｄｉｃｔｉｏｎａｒ ａｎｄｃｏｄｉｎ ｃｏｅｆｆｉｃｉｅｎｔｓ．Ｉｎａｄｄｉｔｉｏｎ ｔｈｅ  
ｙ ꢀ  
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
Ｃａｌｅ ｔｒａｎｓｆｏｒｍｉｓｕｓｅｄｔｏ ｒｏｔｅｃｔｔｈｅｏｒｔｈｏｏｎａｌｉｔ ｏｆｔｈｅ ｒｏｅｃｔｉｏｎ ｍａｔｒｉｘｔｏｃａｔｃｈａｃｏｍ ａｃｔ  
ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀ ꢀ ꢀｐ ｊ ꢀ ꢀ ꢀ ꢀꢀ  
ｙ ｙ ｐ  
ｇ
ｙ
ꢀ
ꢀ
，
，
，
ｆｅａｔｕｒｅｓｅｔ．ＦａｃｅｒｅｃｏｎｉｔｉｏｎｅｘｅｒｉｍｅｎｔｓｏｎＡＲ ＥｘｔｅｎｄｅｄＹａｌｅＢ ＣＭＵＰＩＥ ａｎｄＦＥＲＥＴｄａｔａｓｅｔｓ  
ꢀ ｐ ꢀ ꢀ  
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｄｅｍｏｎｓｔｒａｔｅｔｈｅｓｕｅｒｉｏｒｉｔ ｏｆｏｕｒａ ｒｏａｃｈ．Ｔｈｅｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅ ｒｏｏｓｅｄｍｅｔｈｏｄ  
ｙ ꢀ ꢀｐｐ  
ꢀ ꢀ ｐ ꢀ ｐ ꢀ ꢀ ꢀ ꢀ ꢀｐ ｐ ꢀ  
ꢀ
，
ｈａｓｓｔｒｏｎ ｒｏｂｕｓｔｎｅｓｓｔｏｆａｃｅｒｅｃｏｎｉｔｉｏｎｕｎｄｅｒｆａｃｉａｌｅｘｒｅｓｓｉｏｎｃｈａｎｅｓ ａｎｄ ｌａｓａｎｉｎｈｉｂｉｔｏｒ ｒｏｌｅ  
ꢀ ꢀ ꢀ ｐ ꢀｐ ｙꢀ ꢀ  
ꢀ
ｇ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｇ
ｙ
ꢀ
ｉｎｌｉｈｔｉｎ ．Ｉｔｉｓ ｅｓｅｃｉａｌｌ ｓｕｉｔａｂｌｅｆｏｒｓｏｌｖｉｎ ｓｍａｌｌｓａｍ ｌｅ ｒｏｂｌｅｍｓ ｕｎｄｅｒｉｌｌｕｍｉｎａｔｉｏｎ ａｎｄ  
ｐ ꢀｐ  
ꢀ ꢀ ꢀ ꢀ  
ꢀ ｇ  
ｇ
ꢀ ꢀ ｐ  
ｙ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｅｘｒｅｓｓｉｏｎｃｈａｎｅｓ．  
ꢀ
ｐ ｇ  
；
； ； ；  
Ｋｅ ｗｏｒｄｓ ｆａｃｅｒｅｃｏｎｉｔｉｏｎ ｄｉｃｔｉｏｎａｒ ｌｅａｒｎｉｎ ｓａｒｓｉｔ ｃｏｎｓｔｒａｉｎｔｓ ｌｏｗｒａｎｋｍｏｄｅｌｓ ｓｈａｒｅｄｆｅａｔｕｒｅｓ  
ｇ ｐ  
ꢀ
ꢀ
ｇ
ｙ
ꢀ
ｙ
ꢀ
－
ꢀ
ꢀ
ｙ
ꢀ
， ，  
字典学习是重要的特征表示方法之一 在人脸识别等方面有广泛的应用 特别适合解决姿态变  
摘
要
ꢀ
ꢀ
， ，  
化下的人脸识别问题 因而倍受研究者的关注 为有效增强字典的判别能力 研究者结合领域知识和抗  
．
， ，  
噪等策略提出大量的字典学习模型 其中包括最近提出的同时进行降维和字典学习的方法 但这些方法  
， ，  
侧重考虑样本中特定类的信息 未能有效考虑训练样本间的共享信息 因此 提出了一种稀疏约束下  
．
：
；
：
修回日期  
２０１８ ０６ ０６  
收稿日期  
－ －  
２０１８ ０５ １８  
－
－
ꢀ
ꢀ
：
基金项目 国家自然科学基金重点项目  
（
）；  
国家自然科学基金项目  
（
）
６１４３２００８  
６１２７２２２２  
（
）
Ｔｈｉｓｗｏｒｋｗａｓｓｕ ｏｒｔｅｄｂ ｔｈｅＫｅ ＰｒｏｒａｍｏｆｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ ６１４３２００８ ａｎｄｔｈｅＮａｔｉｏｎａｌ  
ꢀ ｐｐ ꢀｙ ꢀ ｙ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
（
）
ＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ ６１２７２２２２ ．  
ꢀ ꢀ  
ꢀ
ꢀ
：
通信作者 杨明  
（ ）  
ｍ．ａｎ ｎｎｕ．ｅｄｕ．ｃｎ  
ｙ ｇ＠ ｊ  
ꢀ
：
泽等 稀疏约束下快速低秩共享的字典学习方法及其人脸识别  
田
ꢀ
１７６１  
，
快速低秩共享的字典学习方法 该方法采用降维和字典联合进行学习的方式 并嵌入  
．
判别准则  
Ｆｉｓｈｅｒ  
， ，  
获得特定类字典和编码系数 同时施加低秩约束获得低秩共享字典 以此增强字典和编码系数的判别能  
，
力 此外 运用  
．
，
，
ＡＲ ＥｘｔｅｎｄｅｄＹａｌｅＢ  
ꢀ
变换保护投影矩阵的正交性来获得紧凑的特征集合 在  
．
Ｃａｌｅ  
ｙ ｙ  
ꢀ
和
ＣＭＵＰＩＥ ＦＥＲＥＴ  
ꢀ
四个数据集上的人脸识别实验验证所提方法的优越性 实验结果表明所提方法在  
．
， ， 、  
表情变化下的人脸识别具有很强的鲁棒性 并对光照起到了抑制作用 尤其适合解决光照 表情变化下  
的小样本问题  
．
； ； ； ；  
人脸识别 字典学习 稀疏约束 低秩模型 共享特征  
关键词  
ꢀ
中图法分类号  
ＴＰ１８１  
ꢀ
、 、 、  
人脸识别存在光照 表情 姿态 小样本等挑战  
，
收敛性不能被保证 因此降低了字典的学习能力 针  
．
ꢀꢀ  
［ ］  
１５  
［ ］  
１６  
， ，  
性问题 同时 人脸识别的高维问题也增加了人脸识  
，
对此问题  
ＳＥＤＬ  
通过  
变换来保护投影  
Ｃａｌｅ  
ｙ ｙ  
，
别 的 难 度 通 常 使 用 经 典 的 降 维 方 法 主 要 有  
，
矩阵的正交性 从而获得重要和紧凑的特征  
．
［］  
１
，
［］  
２
［］  
３
，
降 维 得 到 的 子 空 间 能 够  
和
，
针对上述所提字典学习的不足 本文提出一种  
ＬＤＡ ＬＰＰ  
ＰＣＡ  
提高人脸识别的准确率 但是这些方法对人脸识别  
．
（
）
稀疏约束下快速低秩共享的字典学习  
ＦＬＲＳＤＬＳＣ  
、
存在的光照 表情等问题不具有良好的鲁棒性 稀疏  
．
，
方法 并将其用于人脸图像分类 本文的主要贡献有  
．
表示可以较好地解决这些问题  
：
个方面  
．
３
［］  
４
稀疏表示 已 经成为 信 号 处 理 领 域 的 强 大 工  
）
字典学习框架由特定类的字典和共享的子  
１
［］  
５
、
［］  
６
、
具 应用包括压缩感知  
．
稀疏信号恢复  
图像分  
，
字典所组成 对于特定类的字典 嵌入  
．
判别  
Ｆｉｓｈｅｒ  
［］  
７
，
以及信号分类 在这些应用领域中 信号通常可  
．
割
； ， ，  
准则 对于共享的子字典 嵌入低秩约束 因此 该方  
．
，
以由固定的字典来表示 基于这一理论 稀疏表示分  
．
，
法能从样本中获得共享和特定类的特征 以此增强  
，
类器被提出并应用于人脸识别 然而 固定的字典对  
．
字典和稀疏编码的判别能力  
．
，
于分类任务并没有足够的鉴别力 这就促进基于稀  
）
通过  
２
变换保护投影矩阵的正交性来  
Ｃａｌｅ  
ｙ ｙ  
疏约束的字典学习研究  
．
获得紧凑的特征  
．
字典学习可以分为无监督字典学习和有监督字  
）
，
采用降维和字典学习同时进行的方法 增强  
３
［］  
８
典学习  
算法为无监督字典学习的典型代  
．ＫＳＶＤ  
字典对降维后样本的表示能力  
．
，
表 通过奇异值分解对字典原子进行更新 文献  
．
［］  
９
，
算法 将线性分类器加入  
提出  
字典  
ＫＳＶＤ  
ＤＫＳＶＤ  
相关工作  
１
ꢀ
，
学习模型 促使  
［ ］  
算法具有分类能力 文献  
． １０  
ＫＳＶＤ  
将鉴别性稀疏编码误差项加入  
算法促使稀  
ＤＫＳＶＤ  
（
）
稀疏嵌入字典学习  
１．１  
ＳＥＤＬ  
年提出一种同时降维和字典  
２０１７  
ꢀ
［ ］  
将
１１  
疏编码的判别能力进一步加强 文献  
．
Ｆｉｓｈｅｒ  
等人于  
Ｃｈｅｎ  
，
判别准则嵌入到字典和稀疏编码中 这促使稀疏编  
（
ＳＥＤＬ  
）
应用于人脸 识别 其 目 标函数  
．
学习的方法  
，
码和字典都具有判别能力 但其仅考虑样本中特有  
：
如下  
，
的信息 没有考虑 样 本 间 的 共 享 信息 针 对 这 一问  
．
１
（ ， ， ， ）  
Ｊ ＰＹ Ｄ Ｘ ＝  
（ ， ， ， ）  
ＰＹ Ｄ Ｘ ＋  
Ｘ ＋  
１
λ
１
ｆ
２
，
题 文献  
［ ］  
提出利用低秩约束字典来获得样本间  
１２  
，
的共享信息 这增强了字典和稀疏编码的判别能力  
λ
２
Ｔ
２
．
（ ）  
ｇ
，
ꢀ
Ｆ
（）  
１
Ｘ ＋ Ｐ ＰＹ－Ｙ  
λ
３
２
［
９１２  
－
］
，
此外 大部分有监督字典学习  
都是先对数  
Ｔ
，
ｓ．ｔ． Ｐ Ｐ＝Ｉ  
ꢀ
，
据进行降维再进行字典学习 这些方法不能从原数  
， （ ， ， ， ）  
为变量  
ＰＹ Ｄ Ｘ  
ｆ
， ， ，  
ＰＹ Ｄ Ｘ  
，
的函数  
其中  
，
据集中获得更为重要的特征 从而降低字典的学习  
Ｃ
［
］
１３  
，
能力 针对这一问题 稀疏嵌入框架 被提出 通过  
，
．
（ ， ， ， ）  
ＰＹ Ｄ Ｘ  
（ ， ， ， ），  
ＰＹ Ｄ Ｘ  
γ
（）  
２
＝
ｆ
ｃ
ｃ
∑
ｃ １  
＝
同时降维和字典学习的策略来增强字典和稀疏编码  
２
Ｆ
（ ， ， ， ）  
ＰＹ Ｄ Ｘ  
ｃ
ＰＹ ＤＸ  
－
ｃ ｃ  
γ
＝
＋
ｃ
［ ］  
通过约束投影矩阵正交来获  
１４  
的判别能力 文献  
．
Ｃ
２
２
Ｆ
ｃ
ｊ
ＤＸｃ  
ｊ
，
得紧凑的特征 但其投影矩阵的求解是不恰当的且  
；
（）  
３
ＰＹ  
ＤＸ  
ｃ
Ｆ
－
＋
ｃ
ｃ
∑
，
１
ｃ
ｊ≠  
＝
ｊ

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号