基于深度神经网络的语音驱动发音器官的运动合成

唐郅　侯进



基于深度神经网络的语音驱动发音器官的运动合成

唐郅1侯进1

实现一种基于深度神经网络的语音驱动发音器官运动合成的方法，并应用于语音驱动虚拟说话人动画合成.通过深度神经网络（Deep neural networks，DNN）学习声学特征与发音器官位置信息之间的映射关系，系统根据输入的语音数据估计发音器官的运动轨迹，并将其体现在一个三维虚拟人上面.首先，在一系列参数下对比人工神经网络（Artificial neural network，ANN）和DNN的实验结果，得到最优网络;其次，设置不同上下文声学特征长度并调整隐层单元数，获取最佳长度;最后，选取最优网络结构，由DNN输出的发音器官运动轨迹信息控制发音器官运动合成，实现虚拟人动画.实验证明，本文所实现的动画合成方法高效逼真.

深度神经网络，语音驱动，运动合成，虚拟说话人

引用格式唐郅，侯进.基于深度神经网络的语音驱动发音器官的运动合成.自动化学报，2016，42（6）：923-930

由于视觉与听觉是人类最主要、最便捷的两种沟通方式，因此虚拟人动画结合听视觉双模态沟通方式的特点，将虚拟人的视觉信息作为其声音的一种补充.例如，额外的舌头和唇部等发音器官的运动，眉毛和眼睑等面部特征，甚至是头部和肢体的动作等，这些附加信息可以极大提高虚拟人动画的真实感和可懂度.基于语音驱动虚拟人动画的方法已经被证实在人机交互应用中十分有效［1-5］.

语音的产生与声道发音器官的运动直接相关，如唇部、舌头和软腭的位置与移动.因此，本文根据声学特征参数估计发音器官的位置信息，并体现在一个虚拟说话人上面，实现语音驱动虚拟说话人动画合成.其中，最重要的环节是声视觉映射，即研究声学特征与发音器官位置信息的映射问题.

在最近的十年里，人工神经网络（Artificial neural network，ANN）［6］、隐马尔科夫模型（Hidden Markov model，HMM）［7］、高斯混合模型（Gaussian mixture model，GMM）［8］和动态贝叶斯网络（Dynamic Bayesian network，DBN）［9］等被应用于研究声视觉映射问题.然而，声学特征与发音器官位置信息之间的映射关系是一个非线性，多对多的映射问题.因此，使用这些算法研究声视觉映射问题的预测精度较低.在Uria等［10］和Zhao等［11］的研究中，将声学特征与发音器官位置信息之间的映射视为一个回归问题，使用深度神经网络（Deep neuralnetworks，DNN）寻找两者之间的连续映射关系，并取得良好的实验效果.

在虚拟人面部运动控制问题上，绝大多数研究者都将发音器官的运动合成作为一个重要的研究方向，主要体现在唇舌模型的运动控制，实现虚拟人动画合成.目前主要有两种主流方法，一种是基于参数控制的方法［12-13］，另一种是基于数据驱动的方法［14-15］.前者首先建立一个基于二维正面照片的三维人物面部模型，然后定义一些模型控制参数，通过计算每一帧动画所需要的参数控制虚拟人面部动画；后者则是先建立一个图像样本的表情数据库，在合成阶段根据算法将合适的嘴巴图像从微表情数据库中选出来，合成情感说话人面部动画.

针对本文实际情况，采用实验室前期工作，基于运动轨迹分析的3D唇舌肌肉控制模型［16］.该模型的优点在于通过分析嘴部和舌部的运动轨迹，将其分解为一些机械运动的组合，只需要几个控制参数便能够很好地实现唇部和舌部的自然运动合成.

本文实现一种语音驱动虚拟说话人动画合成方法.首先，本文比较基于ANN和DNN的方法研究声学特征与发音器官位置信息之间映射关系的优劣.其中，ANN的网络权值采用随机初始化方式，而DNN采取预训练的方式初始化网络权值.然后，在得到较好的网络结构的基础上，我们进一步研究上下文（Context）长度对其重构误差的影响，获得最佳的Context长度.最后，在这两个实验结果的基础上，选取最优网络结构，由DNN输出的发音器官位置信息控制发音器官运动合成，实现虚拟人动画.实验证明，本文所实现的动画合成方法有效逼真.

1　基于深度神经网络的声视觉映射

1.1深度置信网络

深层次网络训练中的高度非凸性（Highly nonconvex property）和梯度扩散（Gradient diffusion）等问题导致直接训练一个DNN是一件很困难的事情.Hinton等提出一种构建深层次结构神经网络的切实可行的方案［17］.该方法的关键在于使用若干个受限的玻尔兹曼机（Restricted Boltzmann machine，RBM）无监督生成预训练，并将这些RBM逐层依次向上堆砌成一个DBN.生成预训练阶段使每一个RBM接近全局最优，从而确保DBN可以获得一个更优的网络权值初值.

1.1.1受限的玻尔兹曼机

RBM是一种可以用无向图模型表述的概率模型.该无向图模型拥有两层结构，且每一层由若干个概率单元组成.一个用于描述输入数据特征的可见层和一个隐藏层.所有的可见层单元通过一个无向权值与随机二值的隐藏层单元全连接，而在可见层和隐藏层的层内单元间无连接.

RBM是一个基于能量的模型，在模型参数θ下，记其可见层和隐藏层的联合组态为，其能量函数为.则可见层与隐藏层的联合概率分布为

当RBM的可见层和隐藏层单元都是随机二值类型时，我们采用Bernoulli-Bernoulli RBM（二值RBM）.其联合概率分布的能量函数被定义为

当可见层输入是实际的特征值时，如语音参数梅尔倒谱系数（Mel-scale frequency cepstral coefficients，MFCC），而隐藏层是随机二值类型时，我们采用Gaussian-Bernoulli RBM（GRBM）［18］.

通常，我们将GRBM输入端的实际的特征数据进行归一化处理，使其具有0均值且标准差为1.则其联合概率分布的能量函数被定义为

在RBM的生成训练阶段，我们使用对比散度（Contrastive divergence，CD）［19］算法.

1.1.2堆砌RBM成DBN

我们将若干个RBM自下而上一层一层地堆砌成DBN，堆砌规则可参见文献［20］.因为本文中输入的数据为声学特征，故最低层RBM本文采用GRBM，其他层为二值RBM.将GRBM隐藏层单元的状态作为新数据，用于训练更高一层的二值RBM；而在两个二值RBM之间使用低层的输出值作为更高一层的输入数据.采用这种重复的方法，我们可以获得期望的隐藏层层数的网络结构.

1.2搭建并微调DNN结构

本文在DBN的最顶层增加一个线性输出层形成DNN［21］，用于研究声学特征与发音器官位置信息之间的映射问题.输入为语音特征参数，输出为发音器官的位置信息.使用预训练DBN获得的各层参数依次初始化与DNN对应的每一层，这样我们便可以获得一个接近最优参数的深层网络结构.最后，我们便可以将DNN当作传统的ANN，使用误差反向传播（Error back propagation，BP）算法进行微调网络参数.

2　语料库

本文使用MNGU0数据库［22］研究声学特征与发音器官位置信息之间的映射问题.该数据库采用电磁关节造影技术（Electromagnetic articulography，EMA）并行记录一个说话者说话时发音器官的位置信息，同时记录说话者的语音数据资料.如图1所示，分别记录上唇（UL）、下唇（LL）、下颌切牙（LI）、舌尖（T1）、舌片（T2）和舌背（T3）上观测点的位置信息.EMA以200Hz的采样频率记录这6个观测点的x和y轴坐标值，共计12维数据.至于音频数据，首先将记录的语音数据降低采样频率至16kHz，然后使用STRAIGHT［23］提取40维频率扭曲线谱频率（Frequency-warped line spectral frequencies，LSFs），并加一个增益值.在所有的EMA 和LSFs参数向量的每一个维度上，先减去其平均值，然后除以4倍的标准差，进行归一化处理.

MNGU0数据库包含1354个语音片段文件和对应的EMA数据文件.其中，校验和测试数据集各具有63个音频和对应的EMA数据文件，则剩余的1228个音频和对应的EMA数据文件作为训练数据集.

图1　MNGU0数据库中EMA记录发音器官的6个观测点［22］Fig.1　Positioning of the six electromagnetic coils in the MNGU0 dataset［22］

3　发音器官模型

本文主要驱动的发音器官为嘴部和舌部，我们采用实验室前期工作基于运动轨迹分析的3D唇舌肌肉控制模型［16］.图2和图3分别代表三维虚拟人唇部模型和舌部模型.该模型的优点在于通过分析嘴部和舌部的运动轨迹，将其分解为一些机械运动的组合，只需通过计算口轮匝肌外圈肌、舌纵肌等的肌肉收缩量oos、zt和下颌的旋转角度jaw，便可以很好地实现唇部和舌部的自然运动合成.

根据文献［16］，推出口轮匝肌外圈肌的肌肉收缩量的计算公式如下：

其中，Δx为预测出上唇的x坐标相对其初始状态的相对变化量；hm为初始状态下唇舌模型的上下嘴唇高度差；ht为初始状态下测量的上唇与下唇的y坐标的相对差值；Kx为伸缩系数，通过实验获得Kx=0.2；Ls为唇舌模型中唇部长度.

图2　嘴部网格模型Fig.2　Mouth mesh model

图3　舌部网格模型Fig.3　Tongue mesh model

计算下颌的旋转角度jaw的方法如图4所示.其中，点U和L分别表示上唇和下唇的测量点位置；O′为线段的中点；点J为初始状态时下颌切牙测量点位置；J′为说话时下颌切牙的一个位置.则计算下颌的旋转角度公式为

图4　下颌的旋转角度分析Fig.4　The rotation of the mandible angle analysis

根据文献［16］，推出舌纵肌的肌肉收缩量的计算公式如下：

其中，dT为初始状态下舌片T2与舌尖T1之间的距离；dT′为说话时舌片T2与舌尖T1之间的距离；Kd为伸缩系数，通过实验获得Kd=0.05；dm为唇舌模型中舌片与舌尖之间的距离.

我们通过DNN预测输出的发音器官位置信息可以计算出口轮匝肌外圈肌、舌纵肌等的肌肉收缩量oos、zt和下颌的旋转角度jaw，从而实现发音器官的运动合成.

4　实验结果与分析

本文的实验环境为 Intel Xeon E3-1231 v3 3.4GHz，16GB内存，Window 7，Matlab 2012b，VS2010，OpenGL.

采用均方根误差（Root mean-squared error，RMSE）评价基于神经网络的方法实现声学特征与发音器官位置信息之间映射关系的实验效果，其定义如下：

其中，ei为发音器官位置信息的估计值；ti为发音器官位置信息的真实测量值.

本文分别计算发音器官位置信息的每一维RMSE，然后取12维RMSE的平均值作为最终的重构误差RMSE.

采用文献［24］的客观评价方法评价唇部动画合成的真实度.本文考查实际唇部的归一化高度与动画合成唇部的归一化高度的差值其中，分别是在发音阶段实际唇部和动画合成唇部的高度；分别是在唇部自然闭合状态下实际唇部和动画合成唇部的高度.

本文分别计算每个测试数据的客观评测值Obj，并取其均值，作为最终的动画合成评测结果.

4.1实验条件

本文使用N个语音帧组成的上下文窗（Context window）作为DNN的输入数据，调整N获得最优的实验结果.因为本文使用41维语音参数（40 维LSFs加1个增益值），因此DNN的输入层单元数为41×N.至于输出端，本文不仅选择与当前上下文窗的中间时刻对应的12维EMA数据，而且还考虑EMA数据的一阶和二阶差分.所以，DNN输出层含有36个单元.

在本文中，输入层为GRBM，其他层为二值RBM.在预训练阶段，本文设置所有RBM的小批量（Mini-batch）为128，动量因子为0.9，未使用权值衰减.设置GRBM的学习速率为0.001，迭代50次；而二值RBM的学习速率为0.01，迭代10次.

在DNN调整网络权值阶段，本文采用BP算法的随机梯度下降法微调网络权值，且小批量同为128.设置网络的学习速率为0.01，动量因子为0.9，迭代500次.在每次迭代时，网络学习速率的衰减因子为0.99.

4.2ANN和DNN实验结果的对比

本文进行一系列实验，比较ANN和DNN的实验结果优劣.在此次实验中，本文采用10个语音帧组成的上下文窗作为DNN的输入层，故输入层有410个节点单元.ANN和DNN网络分别含有1至4个隐藏层，且每个隐藏层分别有100、200、300和400个单元，均采用测试数据集进行测试，共得到32组实验结果，如图5所示.

图5　对比ANN和DNN的实验结果Fig.5　Comparison on the experimental results of ANN and DNN

从图5中可知，基于DNN方法的重构误差明显小于ANN.因此，使用基于DNN的方法研究声学特征与发音器官位置信息之间映射关系的效果更优.另外，当DNN含有3个隐藏层，且每个隐藏层层内具有300个单元时，在10个语音帧组成的上下文窗的条件下，其重构误差最小.

文献［11］中也选择MNGU0数据库作为训练与测试，其DNN含有4个隐藏层，且每个隐藏层均含有1000个单元的网络结构.从文献［11］的结果图中可以看出，其最优结果大于0.145cm，而本文所得到的最小重构误差小于文献［11］中的结果，效果更优.

图6　比较ANN和DNN估计的发音器官运动轨迹Fig.6　Comparison on the estimated articulatory motion trajectories between ANN and DNN

图6为由400帧语音参数估计出的舌尖（T1）、舌片（T2）和上唇（UL）运动轨迹.图中实线为真实值，点虚线为ANN估计值，短线虚线为DNN估计值.从图6中可以看出，采用基于DNN的方法拟合出特征点的运动轨迹更接近真实的运动轨迹，故DNN的拟合效果优于ANN.通过对比重构误差和拟合T2的运动轨迹这两个方面，均可以发现DNN优于ANN.

4.3上下文的长度对实验结果的影响

在基于深度学习的语音识别领域，研究人员发现将长的上下文声学特征作为输入端，可以获得更好的识别效果［25］.因此，本文尝试寻找最佳的上下文窗作为DNN的输入数据，使估计出发音器官的位置信息的重构误差最小.本文试验6～30个语音帧组成的上下文窗，且每次增加4帧.我们采用含有3个隐藏层的预训练网络，且在训练阶段均迭代500次，调整隐藏层层内单元数使网络最优.

实验结果如表1所示，从中我们发现适当地增加上下文窗的长度可以降低重构误差，但过长的上下文窗并不能取得更好效果.因此，使用适当长度的上下文声学特征作为DNN的输入端，可以有效地降低重构误差.本文上下文长度为22帧，且DNN每层含有500隐藏单元时，RMSE最小，为0.134cm.

表1　上下文窗的长度对RMSE的影响Table 1　Effect of the length of the context window on the RMSE

4.4唇部动画评价结果

本文在前两个实验结果的基础上，选取含有3个隐藏层，每层含有500个单元的深度神经网络，其DNN输入端为22帧语音参数的最优网络.我们使用得到的12维发音器官位置信息控制虚拟人动画合成.

通过本文使用的方法合成测试集中的一段House shook的三维人脸口型动画.为了方便而直观地验证人脸口型动画的逼真度，录制真实人脸视频与基于本文方法合成的动画进行对比，如图7所示.

图7中第1行为真实人脸在说话时的口型截图，第2行为本文方法合成的三维人脸口型动画截图.通过主观对比评价可以发现，基于本文方法合成的动画与真实说话人发音口型变化规律相同.

采用客观评价方法对本文合成的63个测试动画进行客观评测，得到评测结果如表2所示.结果表明基于本文方法实现的动画效果比传统方法较优，并且动画合成更加简易.

表2　客观评价结果Table 2　Objective assessment results

通过主客观评价分析，得出本文所实现的方法接近真实说话人的口型动画变化趋势，并且合成的口型动画的综合客观评价结果较好.因此，实验结果证明本文所实现的动画合成方法简易有效且逼真.

图7　口型动画部分截图Fig.7　Snapshots from the lip animation

5　结论

本文实现一种基于深度神经网络的语音驱动发音器官运动合成的方法，将其用于语音驱动虚拟说话人系统.通过DNN学习语音特征与发音器官位置信息之间的映射关系，从而根据输入的语音数据估计出发音器官的运动轨迹，并将其体现在一个三维虚拟人上面.首先，本文在一系列参数下对比ANN 和DNN的实验结果，得到最优网络；其次，设置不同上下文声学特征长度并调整隐层单元数，获取最佳长度；最后，本文在这两个结论的基础上，选取最优网络结构，由DNN输出的发音器官位置信息控制发音器官运动合成，实现虚拟人动画.实验证明，本文所实现的动画合成方法高效且逼真，优点在于合成动画的控制参数少，简单方便.但是，也存在一些问题，如本文只使用了舌纵肌控制舌部动画合成，实现舌头卷起动作，而未考虑控制舌头厚度变化.因此，在未来工作中会对其进行改善，生成更加逼真的舌部动画.

References

1 Liu J，You M Y，Chen C，Song M L.Real-time speech-driven animation of expressive talking faces.International Journal of General Systems，2011，40（4）：439-455

2 Le B H，Ma X H，Deng Z G.Live speech driven head-andeye motion generators.IEEE Transactions on Visualization and Computer Graphics，2012，18（11）：1902-1914

3 Han W，Wang L J，Soong F，Yuan B.Improved minimum converted trajectory error training for real-time speech-tolips conversion.In：Proceedings of the 2012 IEEE International Conference on Acoustics，Speech，and Signal Processing（ICASSP）.Kyoto，Japan：IEEE，2012.4513-4516

4 Ben-Youssef A，Shimodaira H，Braude D A.Speech driven talking head from estimated articulatory features.In：Proceedings of the 2014 IEEE International Conference on Acoustics，Speech，and Signal Processing（ICASSP）.Florence，Italy：IEEE，2014.4573-4577

5 Ding C，Zhu P C，Xie L，Jiang D M，Fu Z H.Speechdriven head motion synthesis using neural networks.In：Proceedings of the 2014 Annual Conference of the International Speech Communication Association（INTERSPEECH）.Singapore，Singapore：ISCA，2014.2303-2307

6 Richmond K，King S，Taylor P.Modelling the uncertainty in recovering articulation from acoustics.Computer Speech and Language，2003，17（2-3）：153-172

7 Zhang L，Renals S.Acoustic-articulatory modeling with the trajectory HMM.IEEE Signal Processing Letters，2008，15：245-248

8 Toda T，Black A W，Tokuda K.Statistical mapping between articulatory movements and acoustic spectrum using a Gaussian mixture model.Speech Communication，2008，50（3）：215-227

9 Xie L，Liu Z Q.Realistic mouth-synching for speech-driven talking face using articulatory modelling.IEEE Transactions on Multimedia，2007，9（3）：500-510

10 Uria B，Renals S，Richmond K.A deep neural network for acoustic-articulatory speech inversion.In：Proceedings of the 2011 NIPSWorkshop on Deep Learning and Unsupervised Feature Learning.Granada，Spain：NIPS，2011.1-9

11 Zhao K，Wu Z Y，Cai L H.A real-time speech driven talking avatar based on deep neural network.In：Proceedings of the 2013 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference（APSIPA）.Kaohsiung，China：IEEE，2013.1-4

12 Tang H，Fu Y，Tu J L，Hasegawa J M，Huang T S.Humanoid audio-visual avatar with emotive text-to-speech synthesis. IEEE Transactions on Multimedia，2008，10（6）：969-981

13 Fu Y，Li R X，Huang T S，Danielsen M.Real-time multimodal human-avatar interaction.IEEE Transactions on Circuits and Systems for Video Technology，2008，18（4）：467-477

14 Schreer O，Englert R，Eisert P，Tanger R.Real-time vision and speech driven avatars for multimedia applications.IEEE Transactions on Multimedia，2008，10（3）：352-360

15 Liu K，Ostermann J.Realistic facial expression synthesis for an image-based talking head.In：Proceedings of the 2011 IEEE International Conference on Multimedia and Expo （ICME）.Barcelona，Spain：IEEE，2011.1-6

16 Yang Yi，Hou Jin，Wang Xian.Mouth and tongue model controlled by muscles based on motion trail analyzing.Application Research of Computers，2013，30（7）：2236-2240（杨逸，侯进，王献.基于运动轨迹分析的3D唇舌肌肉控制模型.计算机应用研究，2013，30（7）：2236-2240）

17 Hinton G E，Salakhutdinov R R.Reducing the dimensionality of data with neural networks.Science，2006，313（5786）：504-507

18 Hinton G E.A practical guide to training restricted Boltzmann machines.Neural Networks：Tricks of the Trade（2nd Edition）.Berlin：Springer-Verlag，2012.599-619

19 Tieleman T.Training restricted Boltzmann machines using approximations to the likelihood gradient.In：Proceedings of the 25th International Conference on Machine Learning （ICML）.New York，USA：ACM，2008.1064-1071

20 Hinton G E，Osindero S，Teh Y W.A fast learning algorithm for deep belief nets.Neural Computation，2006，18（7）：1527 -1554

21 Hinton G，Deng L，Yu D，Dahl G E，Mohamed A R，Jaitly N，Senior A，Vanhoucke V，Nguyen P，Sainath T N，KingsburyB.Deep neural networks for acoustic modeling in speech recognition：the shared views of four research groups.IEEE Signal Processing Magazine，2012，29（6）：82-97

22 Richmond K，Hoole P，King S.Announcing the electromagnetic articulography（day 1）subset of the mngu0 articulatory.In：Proceedings of the 2001 Annual Conference of the International Speech Communication Association（INTERSPEECH）.Florence，Italy：ISCA，2011.1505-1508

23 Kawahara H，Estill J，Fujimura O.Aperiodicity extraction and control using mixed mode excitation and group delay manipulation for a high quality speech analysis，modification and synthesis system STRAIGHT.In：Proceedings of the 2nd International Workshop Models and Analysis of Vocal Emissions for Biomedical Application（MAVEBA）. Firenze，Italy，2001.59-64

24 Li Hao，Chen Yan-Yan，Tang Chao-Jing.Dynamic Chinese visemes implemented by lip sub-movements and weighting function.Signal Processing，2012，28（3）：322-328（李皓，陈艳艳，唐朝京.唇部子运动与权重函数表征的汉语动态视位.信号处理，2012，28（3）：322-328）

25 Deng L，Li J Y，Huang J T，Yao K S，Yu D，Seide F，Seltzer M，Zweig G，He X D，Williams J，Gong Y F，Acero A.Recent advances in deep learning for speech research at Microsoft. In：Proceedings of the 2013 IEEE International Conference on Acoustics，Speech，and Signal Processing（ICASSP）. Vancouver，Canada：IEEE，2013.8604-8608

唐 郅西南交通大学信息科学与技术学院硕士研究生.主要研究方向为虚拟说话人动画与模式识别.

E-mail：tang_zhi@126.com

（TANG ZhiMaster student at the SchoolofInformationScienceand Technology，Southwest Jiaotong University.His research interest covers talking avatar animation and pattern recognition.）

侯 进西南交通大学信息科学与技术学院副教授.主要研究方向为计算机动画，数字艺术和自动驾驶.本文通信作者.

E-mail：jhou@swjtu.edu.cn

（HOU JinAssociate professor at the School of Information Science and Technology，Southwest Jiaotong University.Her research interest covers computer animation，digital art，and automatic driving. Corresponding author of this paper.）

Speech-driven Articulator Motion Synthesis with Deep Neural Networks

TANG Zhi1HOU Jin1

This paper implements a deep neural networks（DNN）approach for speech-driven articulator motion synthesis，which is applied to speech-driven talking avatar animation synthesis.We realize acoustic-articulatory mapping by DNN. The input of the system is acoustic speech and the output is the estimated articulatory movements on a three-dimensional avatar.First，through comparison on the performance between ANN and DNN under a series of parameters，the optimal network is obtained.Second，for different context acoustic length configurations，the number of hidden layer units is tuned for best performance.So we get the best context length.Finally，we select the optimal network structure and realize the avatar animation by using the articulatory motion trajectory information output from the DNN to control the articulator motion synthesis.The experiment proves that the method can vividly and efficiently realize talking avatar animation synthesis.

Deep neural networks（DNN），speech-driven，motion synthesis，talking avatar

10.16383/j.aas.2016.c150726

Tang Zhi，Hou Jin.Speech-driven articulator motion synthesis with deep neural networks.Acta Automatica Sinica，2016，42（6）：923-930

2015-10-31录用日期2016-05-03
Manuscript received October 31，2015；accepted May 3，2016
成都市科技项目（科技惠民技术研发项目）（2015-HM01-00050-SF），四川省动漫研究中心2015年度科研项目（DM201504），西南交通大学2015年研究生创新实验实践项目（YC201504109）资助
Supported by Science and Technology Program of Chengdu （Science and Technology Benefit Project）（2015-HM01-00050-SF），2015 Annual Research Programs of Sichuan Animation Research Center（DM201504），and 2015 Graduate Innovative Experimental Programs of Southwest Jiaotong University（YC2015 04109）
本文责任编委柯登峰
Recommended by Associate Editor KE Deng-Feng
1.西南交通大学信息科学与技术学院成都611756
1.School of Information Science and Technology，Southwest Jiaotong University，Chengdu 611756