• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 8
    • 下载费用:30 金币  

    重庆时时彩杀号软件手机版: 一种复杂环境下的道路检测方法.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201611031981.1

    申请日:

    2016.11.19

    公开号:

    CN106570495A

    公开日:

    2017.04.19

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06K 9/00申请日:20161119|||公开
    IPC分类号: G06K9/00 主分类号: G06K9/00
    申请人: 南宁市浩发科技有限公司
    发明人: 陈锡清
    地址: 530000 广西壮族自治区南宁市青秀区星湖路南二里7号南湖明珠3单元D1号房
    优先权:
    专利代理机构: 北海市佳旺专利代理事务所(普通合伙) 45115 代理人: 黄建中
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611031981.1

    授权公告号:

    |||

    法律状态公告日:

    2017.05.17|||2017.04.19

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种复杂环境下的道路检测方法,包括以下步骤:S1:通过装置于车辆内的摄像机实时的采集行驶道路路面信息,将获得的车辆行驶视频按照帧分割成一系列的图像序列,并按照一定的选择规则选取图像进行预处理;S2:将预处理后的图像通过图像纹理分割,划分为纹理及结构相似的若干个不同区域;S3:在纹理相似的图像道路区域中,选择车辆行驶前方的两块相对称的纹理区,进行低秩序分解,获取道路区域的图像低秩序纹理方向及其延长线;S4:将图像进行合并处理最终得到图像的消失点;S5:与对步骤S2同时,对图像进行显著性检测,获得图像的显著性目标;S6:结合所检测到的消失点,确定车辆行驶的方向和变化趋势。

    权利要求书

    1.一种复杂环境下的道路检测方法,其特征在于,包括以下步骤:
    S1:通过装置于车辆内的摄像机实时的采集行驶道路路面信息,将获得的车辆行驶视
    频按照帧分割成一系列的图像序列,并按照一定的选择规则选取图像进行预处理;
    S2:将预处理后的图像通过图像纹理分割,划分为纹理及结构相似的若干个不同区域;
    S3:在纹理相似的图像道路区域中,选择车辆行驶前方的两块相对称的纹理区,进行低
    秩序分解,获取道路区域的图像低秩序纹理方向及其延长线;
    S4:将图像进行合并处理最终得到图像的消失点;
    S5:与对步骤S2同时,对图像进行显著性检测,获得图像的显著性目标;
    S6:结合步骤S4中所检测到的消失点,确定车辆行驶的方向和变化趋势。
    2.根据权利要求1所述的道路检测方法,其特征在于,所述图像纹理分割方法具有如
    下:
    S2-1:首先利用Matlab算法将图像进行L级小波分解为:
    <mrow> <msubsup> <mi>I</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> <mn>0</mn> </msubsup> <mo>=</mo> <msub> <mi>H</mi> <mi>c</mi> </msub> <msub> <mi>H</mi> <mi>r</mi> </msub> <msubsup> <mi>I</mi> <mi>l</mi> <mn>0</mn> </msubsup> </mrow>
    <mrow> <msubsup> <mi>I</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> <mn>1</mn> </msubsup> <mo>=</mo> <msub> <mi>G</mi> <mi>c</mi> </msub> <msub> <mi>H</mi> <mi>r</mi> </msub> <msubsup> <mi>I</mi> <mi>l</mi> <mn>0</mn> </msubsup> </mrow>
    <mrow> <msubsup> <mi>I</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> <mn>2</mn> </msubsup> <mo>=</mo> <msub> <mi>H</mi> <mi>c</mi> </msub> <msub> <mi>G</mi> <mi>r</mi> </msub> <msubsup> <mi>I</mi> <mi>l</mi> <mn>0</mn> </msubsup> </mrow>
    <mrow> <msubsup> <mi>I</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> <mn>3</mn> </msubsup> <mo>=</mo> <msub> <mi>G</mi> <mi>c</mi> </msub> <msub> <mi>G</mi> <mi>r</mi> </msub> <msubsup> <mi>I</mi> <mi>l</mi> <mn>0</mn> </msubsup> </mrow>
    其中,H和G代表低通滤波器和高通滤波器,r和c代表行和列,l∈{1,2,...,L};
    均值为:
    方差为:
    S2-2:然后用四分法对上述求得的各维纹理特征进行平滑处理,根据均值和方差计算
    公式,在第l级分解下,获得以(x,y)为中心的w×w四个邻域子窗口图像区域的均值和方差,
    可得最小方差为:
    <mrow> <msubsup> <mi>V</mi> <mi>min</mi> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>min</mi> <mo>{</mo> <msubsup> <mi>V</mi> <mrow> <mi>l</mi> <mo>,</mo> <mi>k</mi> </mrow> <mi>e</mi> </msubsup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>e</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>,</mo> <mn>4</mn> <mo>}</mo> <mo>;</mo> </mrow>
    S2-3:最后使用kd树的数据结构对这些特征进行k均值聚类:
    1)首先,构建一个建一个二叉kd树,用来存放多维聚类数据,对原始图像进行L级小波
    分解,当L=2时,在各级分解图像的每个位置形成4维特征矢量将
    第二级分解后的图像在水平和垂直方向均扩展2倍,构成一个8维特征矢量
    2)其次,计算新的聚类中心,固定聚类数目k(k≥2)和聚类中心Z0,初始化n=1,对每个
    结点u,距离第n-1步形成的聚类中心集合Zn-1的中点最近的中心为:
    <mrow> <msup> <mi>Z</mi> <mo>*</mo> </msup> <mo>=</mo> <mi>min</mi> <mo>{</mo> <mo>|</mo> <mo>|</mo> <msubsup> <mi>Z</mi> <mi>i</mi> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>C</mi> <mi>min</mi> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>/</mo> <mn>2</mn> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>}</mo> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>k</mi> <mo>,</mo> </mrow>
    假设C为包含所有数据的最小盒子,Cmin表示C沿分割维数的最小值,Cmax表示C沿分割维
    数的最大值,若||z-C||>||Z*-C||,z∈Zn-1\{Z*},则将z滤波掉,构成新的聚类中心为:
    <mrow> <msubsup> <mi>Z</mi> <mi>i</mi> <mi>n</mi> </msubsup> <mo>=</mo> <msubsup> <mi>Z</mi> <mi>i</mi> <mi>n</mi> </msubsup> <mo>&CenterDot;</mo> <mi>L</mi> <mi>S</mi> <mo>/</mo> <msubsup> <mi>Z</mi> <mi>i</mi> <mi>n</mi> </msubsup> <mo>&CenterDot;</mo> <mi>c</mi> <mi>o</mi> <mi>u</mi> <mi>n</mi> <mi>t</mi> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>k</mi> <mo>,</mo> </mrow>
    其中,和分别代表距离第i个聚类中心最近数据点的线性和相应数据
    点的数目,迭代进行滤波处理直到聚类中心不再改变,最终即可得到分割效果良好的纹理
    图像。
    3.根据权利要求1所述的道路检测方法,其特征在于,所述显著性检测具体方法如下:
    S5-1:首先在Lab空间中计算图像的像素平均值;
    S5-2:然后对图像进行高斯模糊,消除图像中的纹理细节以及噪声,DoG滤波器如下:
    <mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>D</mi> <mi>o</mi> <mi>G</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <mi>&pi;</mi> </mrow> </mfrac> <mo>&lsqb;</mo> <mfrac> <mn>1</mn> <msubsup> <mi>&sigma;</mi> <mn>1</mn> <mn>2</mn> </msubsup> </mfrac> <msup> <mi>e</mi> <mfrac> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>y</mi> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mrow> <mn>2</mn> <msubsup> <mi>&sigma;</mi> <mn>1</mn> <mn>2</mn> </msubsup> </mrow> </mfrac> </msup> <mo>-</mo> <mfrac> <mn>1</mn> <msubsup> <mi>&sigma;</mi> <mn>2</mn> <mn>2</mn> </msubsup> </mfrac> <msup> <mi>e</mi> <mfrac> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>y</mi> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mrow> <mn>2</mn> <msubsup> <mi>&sigma;</mi> <mn>2</mn> <mn>2</mn> </msubsup> </mrow> </mfrac> </msup> <mo>&rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mi>G</mi> <mrow> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&sigma;</mi> <mn>1</mn> </msub> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mi>G</mi> <mrow> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&sigma;</mi> <mn>2</mn> </msub> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
    其中,σ1,σ2是高斯标准差;
    S5-3:最后使用公式S(x,y)=||Iv-Iwhc(x,y)||获取图像的显著性区域,其中,S是显著
    性图,Iv是图像的颜色及亮度特征向量,Iwhc是对应的高斯模糊图像像素向量值,|| ||是L2
    的范数。

    说明书

    一种复杂环境下的道路检测方法

    技术领域

    本发明具体涉及一种复杂环境下的道路检测方法。

    背景技术

    随着科技的广泛应用和社会经济的不断发展,同时高精密电子设备的不断研发和
    更新换代,价格的降低其用途也变得更加广泛。在这日新月异的发展前提下,人们也越来越
    注重出行时的舒适、快捷及安全。因此有越来越多的人们关注车辆的智能化,希望能够获得
    更加有帮助的系统来获得便捷的出行和避免事故出现的危害。

    智能车辆系统需要多方面的技术,诸如视频采集,道路检测、数据处理等。作为智
    能车辆驾驶系统的基础核心技术,随着研究的深化,道路检测技术的发展也变得更加重要,
    因此,道路检测技术的研究工作成为计算机视觉研究的重要主题,特别是在自动驾驶、汽车
    碰撞预警和行人检测方面具有重大的应用,道路检测技术的主要目的通过查找车辆周围环
    境,寻找可供车辆通行的区域,包括车辆在道路中的行驶方向和通行道路区域,工作应用在
    户外真实环境下的无人驾驶技术受到诸多环境的影响,使得道路检测方法的应用也受到了
    巨大限制,为了能够更好获得道路检测技术,得到更好的检测结果,更加先进和实用的方法
    需要我们不断的更新和探索。复杂环境下道路检测受到更多因素的影响,使得很多已有算
    法受到严重影响。

    发明内容

    本发明要解决的技术问题是提供一种复杂环境下的道路检测方法。

    复杂环境下的道路检测方法,包括以下步骤:

    S1:通过装置于车辆内的摄像机实时的采集行驶道路路面信息,将获得的车辆行
    驶视频按照帧分割成一系列的图像序列,并按照一定的选择规则选取图像进行预处理;

    S2:将预处理后的图像通过图像纹理分割,划分为纹理及结构相似的若干个不同
    区域;

    S3:在纹理相似的图像道路区域中,选择车辆行驶前方的两块相对称的纹理区,进
    行低秩序分解,获取道路区域的图像低秩序纹理方向及其延长线;

    S4:将图像进行合并处理最终得到图像的消失点;

    S5:与对步骤S2同时,对图像进行显著性检测,获得图像的显著性目标;

    S6:结合步骤S4中所检测到的消失点,确定车辆行驶的方向和变化趋势。

    进一步的,所述图像纹理分割方法具有如下:

    S2-1:首先利用Matlab算法将图像进行L级小波分解为:





    其中,H和G代表低通滤波器和高通滤波器,r和c代表行和列,l∈{1,2,...,L};

    均值为:

    方差为:

    S2-2:然后用四分法对上述求得的各维纹理特征进行平滑处理,根据均值和方差
    计算公式,在第l级分解下,获得以(x,y)为中心的w×w四个邻域子窗口图像区域的均值和
    方差,可得最小方差为:


    S2-3:最后使用kd树的数据结构对这些特征进行k均值聚类:

    1)首先,构建一个建一个二叉kd树,用来存放多维聚类数据,对原始图像进行L级
    小波分解,当L=2时,在各级分解图像的每个位置形成4维特征矢量
    将第二级分解后的图像在水平和垂直方向均扩展2倍,构成一个8维特征矢量

    2)其次,计算新的聚类中心,固定聚类数目k(k≥2)和聚类中心Z0,初始化n=1,对
    每个结点u,距离第n-1步形成的聚类中心集合Zn-1的中点最近的中心为:


    假设C为包含所有数据的最小盒子,Cmin表示C沿分割维数的最小值,Cmax表示C沿分
    割维数的最大值,若||z-C||>||Z*-C||,z∈Zn-1\{Z*},则将z滤波掉,构成新的聚类中心为:


    其中,和分别代表距离第i个聚类中心最近数据点的线性和相应
    数据点的数目,迭代进行滤波处理直到聚类中心不再改变,最终即可得到分割效果良好的
    纹理图像。

    进一步的,所述显著性检测具体方法如下:

    S5-1:首先在Lab空间中计算图像的像素平均值;

    S5-2:然后对图像进行高斯模糊,消除图像中的纹理细节以及噪声,DoG滤波器如
    下:


    其中,σ1,σ2是高斯标准差;

    S5-3:最后使用公式S(x,y)=||Iv-Iwhc(x,y)||获取图像的显著性区域,其中,S是
    显著性图,Iv是图像的颜色及亮度特征向量,Iwhc是对应的高斯模糊图像像素向量值,|| ||
    是L2的范数。

    纹理分割是利用纹理特征进行区域分割聚类的一种手段,主要是将图像划分为一
    组具有相对一致纹理特征的有限区域集,包括纹理特征提取、纹理边界处理和纹理特征分
    类等。纹理分割的目的是为图像处理中的计算机视觉与图像理解服务。在图像中,进行纹理
    分割后在相同或相似的纹理区域选择多块纹理块,特征提取后能够得到纹理方向,为消失
    点的寻找提供了更加方便和快捷的处理方法。

    纹理方向性是纹理图像所具有的一个基本特征,它是一个区域上的概念,任何独
    立存在的像素是没有方向的,只有在一个大的邻域内统计特征才能确定纹理的方向性。纹理
    的方向性有着很强的现实意义,能够预测卫星云图的变化方向和地质侵蚀现象发生的方向。

    消失点,依据透视投影原理,三维空间中的平行直线映射到图像投影平面上时将
    相交于一个点,即为消失点。消失点蕴含了直线的方向信息,通过对消失点的分析处理,能
    够有效地获得场景的三维结构和方向信息,有助于对场景的理解。

    任何图像都具有不同的纹理,由于道路的特殊性使得结构性道路和非结构性道路
    都具有一定的方向性,客观上为消失点的研究提供了依据。纹理方向性为图像的消失点的
    研究和查找提供了更加简单和快速的方法。在图像中为了要获得消失点,把两幅具有矩阵
    低秩纹理方向上的图片合成一幅图片时能够在图像中得到消失点。根据图像中所选取两处
    区域的低秩纹理方向,找到每幅图像选取区域的纹理方向线延长线,合并两幅图像后,延长
    线交叉与一点,即消失点。

    图像的视觉显著性对象是指在图像的大量视觉信息中能够被迅速发现的,对视觉
    系统来说是“感兴趣的”和“有意义”的物体对象。视觉的选择注意性在于视觉系统无法并行
    的处理海量视觉信息,也不需要毫无区别的处理所有信息。

    在驾驶车辆行驶中,驾驶车前方的车辆、行人及其障碍物是人们最为注意的目标。
    从视频中转化而来的图像,我们可以分析,图像中的显著性对象就是我们在驾驶过程中要
    注意避让的目标。

    本发明的有益效果是:

    将纹理方向作为道路消失点检测的依据,在相同的纹理区域中,纹理具有相似的
    低秩纹理方向,我们将图像的纹理方向作为消失点判断的依据,经过图像之间的消失点变
    换和移动,从而确定车辆行驶的方向是否改变;将图像中的显著性对象作为障碍物,并在消
    失点方向上确定行驶车辆是否需要改变方向;结合消失点的方向变化及车辆行驶时的道路
    显著性情况,合理的调整车辆的行驶方向,保证车辆运行中的稳定性。

    具体实施方式

    以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。

    复杂环境下的道路检测方法,包括以下步骤:

    S1:通过装置于车辆内的摄像机实时的采集行驶道路路面信息,将获得的车辆行
    驶视频按照帧分割成一系列的图像序列,并按照一定的选择规则选取图像进行预处理;

    S2:将预处理后的图像通过图像纹理分割,划分为纹理及结构相似的若干个不同
    区域;

    S3:在纹理相似的图像道路区域中,选择车辆行驶前方的两块相对称的纹理区,进
    行低秩序分解,获取道路区域的图像低秩序纹理方向及其延长线;

    S4:将图像进行合并处理最终得到图像的消失点;

    S5:与对步骤S2同时,对图像进行显著性检测,获得图像的显著性目标;

    S6:结合步骤S4中所检测到的消失点,确定车辆行驶的方向和变化趋势。

    所述图像纹理分割方法具有如下:

    S2-1:首先利用Matlab算法将图像进行L级小波分解为:





    其中,H和G代表低通滤波器和高通滤波器,r和c代表行和列,l∈{1,2,...,L};

    均值为:

    方差为:

    S2-2:然后用四分法对上述求得的各维纹理特征进行平滑处理,根据均值和方差
    计算公式,在第l级分解下,获得以(x,y)为中心的w×w四个邻域子窗口图像区域的均值和
    方差,可得最小方差为:


    S2-3:最后使用kd树的数据结构对这些特征进行k均值聚类:

    1)首先,构建一个建一个二叉kd树,用来存放多维聚类数据,对原始图像进行L级
    小波分解,当L=2时,在各级分解图像的每个位置形成4维特征矢量
    将第二级分解后的图像在水平和垂直方向均扩展2倍,构成一个8维特征矢量

    2)其次,计算新的聚类中心,固定聚类数目k(k≥2)和聚类中心Z0,初始化n=1,对
    每个结点u,距离第n-1步形成的聚类中心集合Zn-1的中点最近的中心为:


    假设C为包含所有数据的最小盒子,Cmin表示C沿分割维数的最小值,Cmax表示C沿分
    割维数的最大值,若||z-C||>||Z*-C||,z∈Zn-1\{Z*},则将z滤波掉,构成新的聚类中心为:


    其中,和分别代表距离第i个聚类中心最近数据点的线性和相应
    数据点的数目,迭代进行滤波处理直到聚类中心不再改变,最终即可得到分割效果良好的
    纹理图像。

    所述显著性检测具体方法如下:

    S5-1:首先在Lab空间中计算图像的像素平均值;

    S5-2:然后对图像进行高斯模糊,消除图像中的纹理细节以及噪声,DoG滤波器如下:


    其中,σ1,σ2是高斯标准差;

    S5-3:最后使用公式S(x,y)=||Iv-Iwhc(x,y)||获取图像的显著性区域,其中,S是
    显著性图,Iv是图像的颜色及亮度特征向量,Iwhc是对应的高斯模糊图像像素向量值,|| ||
    是L2的范数。

    关 键 词:
    一种 复杂 环境 道路 检测 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:一种复杂环境下的道路检测方法.pdf
    链接地址://www.4mum.com.cn/p-6092744.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03