基於車載單目相機的運動目標感知與告警方法
2023-06-14 17:43:51 4
專利名稱：基於車載單目相機的運動目標感知與告警方法
技術領域：
本發明屬於車載相機的運動目標感知方法，特別涉及基於車載單目相機 的運動目標感知與告警方法。
技術背景環境感知是車輛主動安全系統的主要功能，運動目標感知又是環境感知 中的重要組成部分。目前智能車輛的環境感知傳感器主要是毫米波雷達和激 光雷達，這類主動傳感器的作用區域有限，而且價格昂貴。當前，如何使用 攝像機感知環境，這類技術備受關注。所提出的解決方法主要有三類 一類 是使用雙目視覺方法，直接獲得場景深度，為運動目標檢測提供線索，但是 雙目視覺系統結構複雜，成本高；另一類方法是結合使用標定過的單目相機和車輛速度表、陀螺儀，或其它測量車輛運動狀態的傳感器，通過檢測車輛 運動狀態，計算背景在圖像中運動的軌跡，以此檢測出不符合這種運動軌跡 的運動目標，然而相機的參數有可能會隨著運動中車輛的振動而改變，初始 設定的相機參數不一定始終保持可靠，其次廉價的車輛運動狀態傳感器不能提供精確的運動狀態信息；第三種方法是只使用非標定單目相機，通過模型 參數估計方法，計算出背景在成像平面的投影的運動模型，以此檢測不符合 這類模型的運動目標。當使用非標定單目車載相機感知運動目標時，最大的困難是，車載相機 隨車運動，導致靜止的背景投影在相機的成像平面上時也發生了運動，幹擾 了原本的運動目標檢測。現有技術多隻使用由基礎矩陣來描述的外極點約束模型來區分背景和運動的像素點。(外極點約束模型是一種相機幾何模型，它 表示了相機移動時，空間中靜止點在兩個相機成像平面中的關係。基礎矩陣是一個3X3的方陣，其秩為2。)但是外極點約束模型並不能全面地區分背 景和運動的像素點，導致不能檢測與本車平行運動的目標。有些技術是把問 題簡化(IEEE CVPRW，06 pp.131-138),認為車輛只有直線運動，從而簡化 外極點約束模型，但是這種簡化導致系統的適用範圍變小。有些技術則在外極 點約束模型的基礎上加入部分先驗知識(IEEE IVS，06 pp.261-267)，例如車 輛高於地面，以期獲得更好的運動目標檢測效果。但是這些先驗知識沒有在 本質上克服外極點約束模型的缺點。 發明內容本發明的目的在於克服上述現有技術的不足，提供一種基於車載單目相 機的運動目標感知與告警方法，該方法能夠可靠地檢測運動目標，並在提高 模型參數估計精度的同時，減少參數估計的耗時。本發明的技術方案是這樣實現的包括以下步驟1) 攝像機採集道路前方連續的圖像序列，並通過圖像採集卡，輸入到計 算機系統中，由計算機軟體處理；2) 計算機軟體中的特徵點檢測與跟蹤模塊包括特徵點提取與匹配模塊和 圖像背景靜止特徵點跟蹤模塊；特徵點提取與匹配模塊從圖像序列中抽取連 續的三幀圖像，實施蘇珊SUSAN特徵點檢測和尺度不變特徵點檢測，並使 用尺度不變特徵點描述方法生成特徵點描述向量，再使用歐氏空間距離度量， 進行三幀圖像之間的特徵點匹配；特徵點提取與匹配模塊輸出的匹配特徵點 將同時輸出到圖像背景靜止特徵點跟蹤模塊、圖像靜止背景特徵點和運動目標特徵點分類模塊；3) 圖像背景靜止特徵點跟蹤模塊跟蹤靜止背景特徵點，並將數據輸入到 圖像靜止背景特徵點幾何約束模型參數估計模塊進行模型參數估計；4) 圖像靜止背景特徵點和運動目標特徵點分類模塊使用圖像靜止背景特 徵點幾何約束模型參數估計模塊輸出的模型參數構建幾何約束模型，將特徵 點提取與匹配模塊所輸出的所有匹配特徵點分成靜止背景點和運動目標點； 靜止背景點將反饋到圖像背景靜止特徵點跟蹤模塊；運動目標點將輸出到運 動特徵點時域濾波模塊，濾波後的運動特徵點數據將輸入到運動目標分割模 塊，目標分割結果輸出到運動目標顯示告警模塊。圖像背景靜止特徵點跟蹤模塊使用圖像靜止背景特徵點和運動目標特徵 點分類模塊反饋的前一幀的靜止背景特徵點，與當前幀的特徵點實行匹配， 實現跟蹤靜止背景特徵點；其過程為以前一幀靜止背景特徵點的坐標為參考，在當前幀的一個矩 形區域中，尋找可與前一幀靜止特徵點匹配的當前幀的特徵點，矩形區域的 長和寬與特徵點的"，力坐標呈下面的函數關係L 11=1>。+1 小-會-62| 其中w和h是矩形的長和寬，(x,力是特徵點坐標，(6^2)是上一圖像幀 的外極點參數，是(a。A，^,b。,bO函數參數。矩形的中心坐標(、~)為匹配使用的描述向量就是尺度不變特徵點描述向量，找到的這些匹配特 徵點，確定為當前圖像中的背景靜止特徵點；經過該模塊對靜止背景點的跟蹤，從所有特徵點中篩選出部分背景靜止點，用於幾何約束模型參數估計。所述的圖像靜止背景特徵點和運動目標特徵點分類模塊使用圖像靜止背 景特徵點幾何約束模型參數估計模塊輸出的模型參數構建幾何約束模型，採用一種通過2D平面投影變換計算外極點約束模型和結構一致性約束模型的 技術-首先，使用圖像背景靜止特徵點跟蹤模塊篩選得到的連續三幀圖像(A、 B、 C)中的匹配的靜止特徵點，估計相鄰兩幀之間的2D投影變換參數H，2和 H23;使用參數H^和H"，計算B、 C兩幀的靜止特徵點在A、 B兩幀中的2D 平面投影以及平面視差；其次，使用所述的平面視差，估計第二幀圖像B在第一幀圖像A中的外 極點&，和第三幀圖像C在第二幀圖像B中的外極點6";再使用平面視差和外極點ei2和e"計算靜止特徵點的3D結構向量，並使用3D結構向量估計 3D結構一致性模型參數G;最後，使用了外極點約束模型和結構一致性模型對特徵點提取與匹配模 塊輸出的所有特徵點進行分類特徵點越是符合模型，則與模型的匹配誤差 越小，特徵點就越趨向於被分類為靜止點；反之則越趨向於被分為運動點； 外極點約束模型的匹配誤差為《=O _ ^w M - (x - xw )e2 — (>xw — ;qyw)其中hA]是約束模型估計模塊的外極點參數e'2 ，"力是特徵點x的坐 標，^w，^)是x的2D平面投影坐標；結構一致性模型的匹配誤差為其中G是約束模型估計模塊輸出的結構一致性模型參數，g和P2是3D結構向量。本發明所提出的跟蹤靜止背景點估計約束模型參數的技術，可以使模型參數估計時間減少2/3，模型參數估計的精度提高15%左右。本發明提出的 通過2D投影變換，聯合外極點約束模型和結構一致性約束模型，分類圖像 靜止或運動像素點的技術，能夠可靠地感知道路上的運動目標，克服了單一 使用外極點約束模型時，無法感知與本車平行運動的目標的缺點。
圖1是方法工作的原理示意圖。圖2是方法的框架結構示意圖。圖3是方法流程示意圖。圖4是結合隨機採樣一致擬合方法的外極點約束模型參數估計流程示意圖。圖5是結合最小中值方差擬合方法的結構一致性約束模型參數估計流程 示意圖。圖6 (a)是本發明對道路上單個運動目標檢測的效果示意圖。 圖6 (b)是本發明對道路上多個運動目標檢測的效果示意圖。 下面結合附圖對本發明的內容作進一步詳細說明。
具體實施方式
參照圖1所示，道路上運動的目標和靜止的背景，例如運動的車輛和靜 止的房屋、樹木，雖然在車載相機的成像平面中均在運動，但是它們運動的 特性有明顯區別。通過連續幾幀圖像之間的特徵點匹配，圖像特徵點一般是 圖像灰度變化的局部極值點，或含有顯著結構信息的區域中心，現存在多種特徵點提取方法；圖像中匹配的特徵點代表了空間中同一個物理點，可以獲得特徵點的運動向量v，例如圖1中運動目標上的特徵點運動向量v，，背景中 房屋和樹木的運動向量V2和v、外極點約束模型和結構一致性約束模型是一 種描述靜止背景特徵點在相機成像平面上的運動特性的模型。外極點約束模 型是一種相機幾何模型，它表示了相機移動時，空間中靜止點在兩個相機成 像平面中的關係；結構一致性約束模型也是一種相機幾何模型，它表示了相 機移動時，空間中靜止點在三個相機成像平面中的關係；這兩種模型均是線 性模型。靜止背景特徵點的運動向量對於約束模型具有很小的匹配誤差，而 運動目標特徵點的運動向量對於約束模型具有很大的匹配誤差。使用這一原 理，可以利用連續圖像幀之間的特徵點匹配獲取特徵點的運動信息，並通過 準確估計約束模型的參數，然後對特徵點進行分類，實現運動目標感知。參照圖2所示，其包含 一臺不需要標定的單目攝像機； 一塊連接計算 機系統和攝像機的圖像採集卡，圖像採集結果輸入一個特徵點檢測與跟蹤模 塊，其中包括特徵點提取與匹配模塊和圖像靜止背景特徵點跟蹤模塊，其輸 出包括兩部分， 一部分是將要輸入靜止背景特徵點與運動特徵點分類模塊的 所有圖像特徵點及其匹配信息，另一部分是將要輸入圖像靜止背景特徵點幾 何約束模型參數估計模塊的經過跟蹤篩選出來的部分靜止背景特徵點匹配信 息；圖像靜止背景特徵點幾何約束模型參數估計模塊將計算得到的模型參數 估計結果輸入一個靜止背景特徵點與運動特徵點分類模塊；靜止背景特徵點 與運動特徵點分類模塊的輸出包括兩部分， 一部分是運動特徵點，將輸入運 動特徵點時域濾波模塊，另一部分是靜止背景特徵點，將輸入特徵點檢測與 跟蹤模塊，用於下一幀循環跟蹤靜止背景點； 一個運動特徵點時域濾波模塊，輸出濾波後的運動特徵點到一個運動目標分割模塊，為目標顯示與告警模塊 提供最終的目標信息； 一個參數輸入模塊用於系統參數設定。 參照圖3所示，其具體描述如下第一階段，攝像機拍攝的道路場景視頻首先被分解成圖像序列，然後每 連續的三幀圖像為一組參與運算，相鄰圖像組之間有二幀圖像是重複的。特 徵點提取與匹配模塊對三幀圖像進行蘇珊SUSAN特徵點檢測和尺度不變特 徵點檢測，並使用尺度不變特徵點描述方法生成特徵點描述向量/，再使用歐氏空間距離度量確定三幀圖像的特徵點之間匹配關係formula see original document page 11其中Xj是第一幀圖像中編號為i的特徵點，x)是第二幀圖像中編號為j的特徵點，x「是第三幀圖像中編號為l的特徵點。已知Xi尋找x;的公式如下 formula see original document page 11k其中^是第一幀圖像中編號為i的特徵點的描述向量，^是第二幀圖像中編號為k的特徵點描述向量。同理，已知x;可以尋找到^，最終形成匹配特徵點對formula see original document page 11然後圖像背景靜止特徵點跟蹤模塊使用圖像靜止背景 特徵點與運動目標特徵點分類模塊返回的前一幀圖像靜止背景特徵點，跟蹤當前幀的特徵點中的部分靜止背景特徵點。其方法是，以前一幀靜止背景特徵點的坐標為參考，在當前幀的一個矩形區域中，尋找可與前一幀靜止特徵點匹配的當前幀的特徵點。矩形區域的長和寬與特徵點的"力坐標呈下面的函數關係formula see original document page 11 其中W和h是矩形的長和寬，(x,力是特徵點坐標，(e,A)是上一圖像幀 的外極點參數，是(a。,a，，^b。,b，;)函數參數。矩形的中心坐標(、^)為匹配使用的描述向量就是特徵點提取與匹配模塊提取的尺度不變特徵點 描述向量。匹配方法也是使用歐氏空間距離度量決定匹配關係。該模塊為下 一階段的模型參數估計提供相對可靠的匹配特徵點數據。
第二階段是約束模型參數估計階段。首先使用第一階段篩選得到的連續
三幀圖像A、 B、 C中的匹配的靜止特徵點"'，x"x"，估計相鄰兩幀之間的2D 投影變換參數Hi2和H"，使其滿足下面的條件
可以使用直接線性變換法求解Hi2和H"。
其次使用l-^H'2X2」和X2w-「H23Xy計算B、 C兩幀的靜止特徵點在A、 B 兩幀中的2D投影"w，x"。
然後估計第二幀圖像B在第一幀圖像A中的外極點 ，和第三幀圖像C 在第二幀圖像B中的外極點e"，使其滿足下面的條件
為了便於運算，可將上式簡化。以計算e'2為例，^是一個2維向量[61，￡21， 第一幀A中的某個特徵點xi和對應的2D投影xiw也是2維向量，分別為[^" 和Kv，Xv]，那麼對於每一個靜止特徵點，均有下面的方程
若第一階段提供N個靜止特徵點，可以構建N個這樣的方程，構成超定 方程組。使用奇異值分解法可以計算出[e"e2]。為了減輕第一階段提供的靜止特徵點中含有的錯誤跟蹤點，被稱為外點，對外極點約束模型參數估計精度
的影響，要結合使用隨機採樣一致RANSAC參數擬合方法。隨機採樣一致 參數擬合方法是一種隨機參數估計法，具體過程參考圖4。
然後計算靜止特徵點的3D結構向量f ，這是一個4維向量h，y，"]。其 中x，》即為特徵點在成像平面上的坐標，W皮稱為歸一化的相對高度，其中 包含了點在空間的高度和深度信息。計算3D結構向量，主要是計算"這需 要兩幀圖像。以第一幀A和第二幀B為例，計算特徵點在這兩幀中的歸一化 的相對高度，需要B幀在A幀中的外極點ei2，特徵點在A幀的坐標x'，以 及該特徵點從B幀2D投影到A幀的坐標5^ 。計算公式如下
其中，x'、 xlw、 e'2均採用齊次坐標，即x^[x'，乂，l]T， xlw=hw，_ylw，l]T， e12=h，e2，l](這一點與外極點估計時不同)。於是就可以得到A幀和B幀的 特徵點3D結構向量^ ^K，為，1，^。同理可以得到B幀和C幀的特徵點3D結
構向量^-K，少2,"2]。
最後是估計三幀圖像的結構一致性約束模型。對於A幀和B幀的特徵點 3D結構向量&， B幀和C幀的特徵點3D結構向量^，該模型可以表述為 gGf2=0，其中G是一個4X4的矩陣，且秩為2。對於每一個特徵點均可構 成一個^(^^0的方程。若第一階段提供N個靜止特徵點，可以構建N個 這樣的方程，構成超定方程組。使用奇異值分解法可以計算出G。為了減輕 第一階段提供的靜止特徵點中含有的錯誤跟蹤點(稱為外點)，對結構一致性 約束模型參數估計精度的影響，要結合使用最小中值方差LMedS參數擬合方 法。最小中值方差參數擬合方法是一種隨機參數估計法，具體過程參考圖5。第三階段是特徵點分類階段。使用第二階段得到的模型參數，對當前幀 的所有特徵點進行分類。分類的依據是特徵點和模型的匹配誤差。特徵點越 是符合模型，與模型的匹配誤差越小，特徵點就越趨向於被分類為靜止點。
特徵點提取與跟蹤模塊輸出的A、 B、 C連續三幀圖像中的匹配的所有特徵 點"，x"x"，先被外極點約束模型分類。計算特徵點與外極點模型匹配誤差
的公式如下
formula see original document page 14艮 其中[e"^]是約束模型估計模塊的外極點參數。當某個特徵點與外極點模 型的匹配誤差超過設定的閾值^時，則將該特徵點分入運動目標點。匹配誤 差小於閾值^的特徵點進入使用結構一致性約束模型分類的階段。在此階段， 首先計算特徵點在A、 8兩幀中的30結構向量&=[^，>;'，1，/^和8、 C兩幀中 的3D結構向量^-^，A，l，W，計算方法和第二階段描述的方法相同。然後 計算特徵點與結構一致性約束模型的匹配誤差，公式如下-
formula see original document page 14
其中G是約束模型估計模塊的結構一致性模型參數。當某個特徵點的匹
配誤差《超過設定的閾值^時，則將該特徵點分入運動目標點
第四階段是運動目標的產生與分割階段。首先對運動特徵點進行時域濾 波，即某個特徵點只有在連續三幀內均被分入運動特徵點時，才被系統確認 為運動目標特徵點。接著計算以特徵點附近一定區域內的多個圖像塊內的光 流，根據比較圖像塊內的光流與以特徵點為中心的圖像塊內的光流的一致性， 確定該圖像塊是否屬於運動目標。最後將鄰近的圖像塊聚類在一起，形成最 後的運動目標區域。參照圖4所示，首先設定系統參數循環次數^和誤差閾值。然後進入 循環。在循環中，先隨機挑選3個特徵點，構建3個如下的方程
Oi -乂w)ei 一Oi _xiw)e2 =^^lw -、_ylw < Cy2 一Aw)a -(a - &w)e2 = _yj2w _&y2w
!_ O3 — ;V )e， — (A - x3w )e2 = _y3x3w — x3y3w
其中"^)是第i個特徵點的坐標，(^，l)是第i個特徵點的2D投影變換
坐標。使用奇異值分解得到的"，&)值。然後使用該(￡'，^)值，計算其餘特徵 點的模型擬合誤差，公式如下
《=Oi — Xw X - Oi — xiw )e2 — (>^1W - ;Ci_yiw)
剔除誤差大於設定閾值^的特徵點，使用剩餘的特徵點(稱為內點)，再
次構建方程組
-Mwh — —&w)e2 =_y,xlw -;^lw
U "iwh 一(、 _xlw)e2 =1 n 使用奇異值分解重新估計"A)值，記錄參數擬合誤差
《=2]" "iw)ei -" -Oe2 -d n)
其中，參與累加計算參數擬合誤差的特徵點中均為內點。結束循環後，
挑選參數擬合誤差最小的那一輪循環中，計算得到的"，6)值作為最終的外 極點參數值。
參照圖5所示，首先設定系統參數循環次數、然後進入循環。在循 環中，先隨機挑選15個特徵點，構建方程組
其中^表示第i個特徵點在第一幀和第二幀中的3D結構向量，5'表示第i個特徵點在第二幀和第三幀中的3D結構向量。使用奇異值分解法得到的g 值。然後使用該g值，計算其餘特徵點的模型擬合誤差，記錄模型擬合中值
誤差formula see original document page 16
結束循環後，找出所有循環中模型擬合中值誤差最小的那一輪循環，取 該輪循環中估計的G值，計算各個特徵點的擬合誤差-
formula see original document page 16
取模型擬合誤差小於中值誤差的那些特徵點，構造方程組: formula see original document page 16使用奇異值分解法，重新計算g的值，作為最終結構一致性模型的參數(
參照圖6所示，其中方框標註的區域是感知到的運動目標存在區域(
權利要求
1、基於車載單目相機的運動目標感知與告警方法，其特徵在於，包括以下步驟1)攝像機採集道路前方連續的圖像序列，並通過圖像採集卡，輸入到計算機系統中，等待計算機軟體處理；2)計算機軟體中的特徵點檢測與跟蹤模塊包括特徵點提取與匹配模塊和圖像背景靜止特徵點跟蹤模塊；特徵點提取與匹配模塊從圖像序列中抽取連續的三幀圖像，實施蘇珊SUSAN特徵點檢測和尺度不變特徵點檢測，並使用尺度不變特徵點描述方法生成特徵點描述向量，再使用歐氏空間距離度量，進行三幀圖像之間的特徵點匹配；特徵點提取與匹配模塊輸出的匹配特徵點將同時輸出到圖像背景靜止特徵點跟蹤模塊、圖像靜止背景特徵點和運動目標特徵點分類模塊；3)圖像背景靜止特徵點跟蹤模塊跟蹤靜止背景特徵點，並將數據輸入到圖像靜止背景特徵點幾何約束模型參數估計模塊進行模型參數估計；4)圖像靜止背景特徵點和運動目標特徵點分類模塊使用圖像靜止背景特徵點幾何約束模型參數估計模塊輸出的模型參數構建幾何約束模型，將特徵點提取與匹配模塊所輸出的所有匹配特徵點分成靜止背景點和運動目標點；靜止背景點將反饋到圖像背景靜止特徵點跟蹤模塊；運動目標點將輸出到運動特徵點時域濾波模塊，濾波後的運動特徵點數據將輸入到運動目標分割模塊，目標分割結果輸出到運動目標顯示告警模塊。
2、 根據權利要求1所述的方法，其特徵在於，圖像背景靜止特徵點跟蹤 模塊使用圖像靜止背景特徵點和運動目標特徵點分類模塊反饋的前一幀的靜止背景特徵點，與當前幀的特徵點實行匹配，實現跟蹤靜止背景特徵點；其過程為以前一幀靜止背景特徵點的坐標為參考，在當前幀的一個矩 形區域中，尋找可與前一幀靜止特徵點匹配的當前幀的特徵點，矩形區域的 長和寬與特徵點的"，力坐標呈下面的函數關係formula see original document page 3其中w和h是矩形的長和寬，(x,力是特徵點坐標，(e,，e2)是上一圖像幀 的外極點參數，是(a。，ap^，b。A)函數參數。矩形的中心坐標(、~)為formula see original document page 3匹配使用的描述向量就是尺度不變特徵點描述向量，找到的這些匹配特 徵點，確定為當前圖像中的背景靜止特徵點；經過該模塊對靜止背景點的跟 蹤，從所有特徵點中篩選出部分背景靜止點，用於幾何約束模型參數估計。
3.根據權利要求1所述的方法，其特徵在於，所述的圖像靜止背景特徵 點和運動目標特徵點分類模塊使用圖像靜止背景特徵點幾何約束模型參數估 計模塊輸出的模型參數構建幾何約束模型，採用一種通過2D平面投影變換 計算外極點約束模型和結構一致性約束模型的技術首先，使用圖像背景靜止特徵點跟蹤模塊篩選得到的連續三幀圖像(A、 B、 C)中的匹配的靜止特徵點，估計相鄰兩幀之間的2D投影變換參數H'2和 H";使用參數Hu和H"，計算B、 C兩幀的靜止特徵點在A、 B兩幀中的2D 平面投影以及平面視差；其次，使用所述的平面視差，估計第二幀圖像B在第一幀圖像A中的外 極點612，和第三幀圖像C在第二幀圖像B中的外極點e";再使用平面視差和外極點ei2和e"計算靜止特徵點的3D結構向量，並使用3D結構向量估計 3D結構一致性模型參數G;最後，使用了外極點約束模型和結構一致性模型對特徵點提取與匹配模 塊輸出的所有特徵點進行分類特徵點越是符合模型，則與模型的匹配誤差 越小，特徵點就越趨向於被分類為靜止點；反之則越趨向於被分為運動點； 外極點約束模型的匹配誤差為《=(少-少wM -(nw)e2 _(>aw -^w)其中h，^是約束模型估計模塊的外極點參數ei2 ，"力是特徵點x的坐 標，"w，^)是x的2D平面投影坐標；結構一致性模型的匹配誤差為其中G是約束模型估計模塊輸出的結構一致性模型參數，f,和g是3D結 構向量。
全文摘要
本發明公開了一種基於車載單目相機的運動目標感知與告警方法，該方法軟體中的特徵點檢測與跟蹤模塊包括特徵點提取與匹配模塊和圖像背景靜止特徵點跟蹤模塊；圖像背景靜止特徵點跟蹤模塊跟蹤靜止背景特徵點，圖像靜止背景特徵點和運動目標特徵點分類模塊使用圖像靜止背景特徵點幾何約束模型參數估計模塊輸出的模型參數構建幾何約束模型，將特徵點提取與匹配模塊所輸出的所有匹配特徵點分成靜止背景點和運動目標點；靜止背景點將反饋到圖像背景靜止特徵點跟蹤模塊；運動目標點將輸出到運動特徵點時域濾波模塊，濾波後的數據輸入到運動目標分割模塊，目標分割結果輸出到運動目標顯示告警模塊。該方法能夠提高模型參數估計精度，減少參數估計的耗時。
文檔編號G06T7/20GK101303732SQ200810017930
公開日2008年11月12日 申請日期2008年4月11日 優先權日2008年4月11日
發明者劉躍虎, 衝 孫, 張雪濤, 盛興東, 袁澤劍, 袁茂軍, 鄭南寧 申請人:西安交通大學