CN102073880A - 利用稀疏表示进行人脸识别的集成方法 - Google Patents
利用稀疏表示进行人脸识别的集成方法 Download PDFInfo
- Publication number
- CN102073880A CN102073880A CN 201110006401 CN201110006401A CN102073880A CN 102073880 A CN102073880 A CN 102073880A CN 201110006401 CN201110006401 CN 201110006401 CN 201110006401 A CN201110006401 A CN 201110006401A CN 102073880 A CN102073880 A CN 102073880A
- Authority
- CN
- China
- Prior art keywords
- test sample
- book collection
- training sample
- matrix
- expression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种利用稀疏表示进行人脸识别的集成方法,主要解决现有K-SVD字典学习方法识别稳定性低的问题。其实现步骤是:利用旋转森林算法生成旋转矩阵,通过旋转矩阵把同一人脸样本数据随机投影到不同的坐标系中,投影后的人脸样本数据比原数据更易于判别;利用稀疏表示分类方法对投影后的人脸样本数据进行识别;对投影后人脸样本的识别结果进行投票选择,得到原人脸样本的识别结果。本发明较现有的基于稀疏表示分类方法,在识别正确率和稳定性方面都有提高,可用于安全验证系统。
Description
技术领域
本发明属于数字图像处理技术领域,涉及数据的分类,可用于人脸识别。
背景技术
稀疏表示,已成为近年来数字图像处理研究的热点,其思想是指用尽可能简洁的方式表示图像,即用很少的数据捕获目标图像的的重要信息,这一思想为图像表示提供了新的理论与方法,具有重要的理论意义。
2008年,A.Yang等人提出了一种基于稀疏表示的人脸识别方法,其思想是将人脸识别看做为一个线性组合的过程,同一个人的人脸图像可以由该人的其他人脸图像很好的线性表示,即测试样本可以由训练样本线性表示,根据训练样本的标签对测试样本进行分类。该方法思路新颖,独特,引领了新一轮的基于稀疏表示的分类算法研究。在此基础上,J.Mairal等人提出了一种基于字典学习的稀疏表示分类方法,该方法通过K-SVD算法对训练样本进行学习,得到不同类别样本的字典,将测试样本在每个字典上稀疏分解,利用稀疏分解的误差进行识别分类。当训练样本足够多时,该方法可以得到很好的效果,但当训练样本较少时,该方法所得的结果并不稳定,这主要是由于当训练样本较少时,K-SVD算法每次学习得到的字典有一定的差异。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种利用稀疏表示进行人脸识别的集成方法,以提高人脸识别的稳定性和识别正确率。
实现本发明目的的技术思路是将旋转森林算法引入到稀疏表示分类中,通过投票选择,构造集成分类系统。其具体实现步骤包括如下:
(1)将所有人脸样本图像分别变换成一个向量,对所有向量进行归一化和随机降维处理,将处理后的向量随机分为测试样本集和训练样本集,定义测试样本集为y,训练样本集为A,其中A={A1,A2,K AN},N表示训练样本集的类别数,Ai,i=1,2,K,N表示第i类的训练样本;
(2)利用旋转森林算法产生K个旋转矩阵,通过旋转矩阵将训练样本集A={A1,A2,KAN}和测试样本集y映射为K组新的训练样本集和测试样本集yj,j=1,2,K,K,其中i=1,2,K,N表示第i类训练样本通过第j个旋转矩阵投影所得到的新的训练样本,yj表示测试样本集通过第j个旋转矩阵投影所得到的新的测试样本集;
(6)计算新的测试样本集yj在K组字典集上的K个识别结果为:{p1,p2,K,pK},其中i=1,2,K,N,j=1,2,K,K,对{p1,p2,K,pK}进行投票选择,得到原始测试样本集y的识别结果为
本发明与现有的技术相比具有以下优点:
1)本发明由于采用了旋转森林算法,通过旋转矩阵把同一样本数据随机投影到不同的坐标系中,投影后的样本数据比原数据更易于判别,因此提高了识别的正确率;
2)本发明由于采用了旋转森林算法和投票选择方法,故可弥补K-SVD学习方法不稳定的缺点,从而提高识别结果的稳定性。
附图说明
图1是本发明的流程图;
图2是本发明仿真使用的Extended Yale B人脸库的部分样本图;
图3是本发明与基于稀疏表示分类方法在稳定性方面的对比仿真结果图。
图4是集成规模对本发明分类正确率的影响曲线图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,将所有人脸样本图像分别变换成一个向量,对所有向量进行归一化和随机降维处理,将处理后的向量随机分为测试样本集和训练样本集,定义测试样本集为y,训练样本集为A,其中A={A1,A2,K AN},N表示训练样本集的类别数,Ai,i=1,2,K,N表示第i类的训练样本。
定义Y为训练样本集A对应的标签集合,其中Y=[w1,w2,K,wN],wi,i=1,2,K,N表示Ai对应的标签,定义F表示训练样本集的特征集,假设A中共有n个训练样本,每个训练样本有m个特征,则F为n×m的矩阵,定义k为随机分割块数,旋转映射的具体步骤如下:
2a)将特征集F随机分割成k个不交叉的子集,假设每个子集均包含M个特征,则M=(n×m)/k;
2b)令Fv,v=1,2,K,k表示第v个特征子集,令Av表示A中只包含Fv的样本子集,从Av所有样本中抽取75%的样本,构成一个新的样本集A′v;然后对新样本集A′v采用主成分分析变换,生成系数矩阵Cv,令K,表示矩阵中的系数,每个系数为M×1的向量;
2c)使用系数矩阵Cv中的系数构造系数旋转矩阵R;
2d)将矩阵R中的各列按照原始特征集的顺序重新排列,利用旋转矩阵R对样本进行旋转变换得到新的样本集A′=AR;
3a)对K-SVD算法中的优化公式进行变形得到:
其中f表示输入的训练数据,D表示目标训练字典,X表示稀疏分解系数,T0表示任意接近零的正数;C为字典D的总列数,dr为D的第r列原子,为X的第r行,r=1,2,K,C,Ez为不使用D的第z列原子dz进行稀疏分解所产生的误差矩阵;
其中表示误差矩阵,Ωz的大小为P*|ωz|,P为输入数据f的列数,表示的原子dz的位置,|ωz|表示ωz的模值,且Ωz在(ωz(r),r)处为1,其它地方全为0,1≤r≤|ωz|,ωz(r)表示ωz的第r个数;
3d)用左奇异矩阵U的第一列去更新目标训练字典D的第z列原子dz;
3e)重复步骤3b)到步骤3d)对D中所有原子进行更新处理;
4a)令变量dr为D的第r列原子,输入数据为f=yj;设定初始值R0f=f,将R0f分解为:r0r,其中R1f表示R0f分解后的分解残差,表示变量D中使残差能量最小的原子,表示R0f对的投影;由与R1f正交关系,得到:
步骤6,计算新的测试样本集yj在K组字典集上的K个识别结果为:{p1,p2,K,pK},其中i=1,2,K,N,j=1,2,K,K,对{p1,p2,K,pK}进行投票选择,得到原始测试样本集y的识别结果为本发明的效果可以通过以下仿真结果进一步说明。
1.仿真条件
应用本发明人脸识别方法、利用稀疏表示进行人脸识别的集成方法,对Extended Yale B人脸库进行仿真实验,Extended Yale B人脸库由2414张正面人脸图像组成,共分为38个类别,每张人脸图像的尺寸为192×168,并且都是在不同实验光照强度和角度下获得的,部分人脸样本如图2所示。
硬件平台为:Intel Core2Duo CPU E6550@2.33GHZ、2GB RAM
软件平台为:MATLAB 7.5
2.仿真内容
1)利用本发明对Extended Yale B人脸库进行识别,并与现有基于稀疏表示的人脸识别方法进行对比实验,将人脸数据分别随机降维为20、30、56、120、504后进行仿真实验,旋转森林选取K=10进行旋转变换,重复10次实验,求平均正确率,实验结果如表1所示。
2)针对稳定性的实验,进行本发明和现有基于稀疏表示分类算法的对比实验,人脸数据随机降维至56维,实验结果如图3所示,实线为本发明的识别正确率波动曲线,虚线为稀疏表示分类方法的识别正确率波动曲线。
3)针对集成规模对本发明分类结果的影响进行实验。人脸数据随机降维至56维,旋转森林分别选取5,10,15,…,100次旋转变换进行集成,实验结果如图4所示。
3.仿真结果分析
表1为本发明和基于稀疏表示分类方法的实验结果。
表1Extended Yale B人脸库上的分类正确率
由表1可见,本发明的分类正确率明显高于现有稀疏表示分类方法的正确率,从而证明了本发明的有效性。
由图3可见,现有基于稀疏表示分类方法的识别正确率的最大值为91.71%,最小值82.61%,最大波动幅度为9.10%,10次实验的方差为6.5464。而本发明的识别正确率的最大值为93.73%,最小值为89.70%,最大波动幅度为4.03%,10次实验方差为1.8651,从而证明了在稳定性方面,本发明也具有一定的优势。
由图4可见,当旋转变换次数为10时,识别结果趋于稳定,因此,本发明选取10次旋转变换可以达到很好的识别效果。
Claims (3)
1.一种利用稀疏表示进行人脸识别的集成方法,包括如下步骤:
(1)将所有人脸样本图像分别变换成一个向量,对所有向量进行归一化和随机降维处理,将处理后的向量随机分为测试样本集和训练样本集,定义测试样本集为y,训练样本集为A,其中A={A1,A2,KAN},N表示训练样本集的类别数,Ai,i=1,2,K,N表示第i类的训练样本;
(2)由旋转森林算法产生K个旋转矩阵,通过旋转矩阵将训练样本集A={A1,A2,KAN}和测试样本集y映射为K组新的训练样本集j=1,2,K,K和测试样本集yj,j=1,2,K,K,其中i=1,2,K,N表示第i类训练样本通过第j个旋转矩阵投影所得到的新的训练样本,yj表示测试样本集通过第j个旋转矩阵投影所得到的新的测试样本集;
(3)利用K-SVD算法对新的训练样本集进行学习,得到K组相对应的字典集j=1,2,K,K;
其中f表示输入的训练数据,D表示目标训练字典,X表示稀疏分解系数,T0表示任意接近零的正数;C为字典D的总列数,dr为D的第r列原子,为X的第r行,r=1,2,K,C,Ez为不使用D的第z列原子dz进行稀疏分解所产生的误差矩阵;
其中表示误差矩阵,Ωz的大小为P*|ωz|,P为输入数据f的列数,表示原子dz的位置,|ωz|表示ωz的模值,且Ωz在(ωz(r),r)处为1,其它地方全为0,1≤r≤|ωz|,ωz(r)表示ωz的第r个数;
2d)用左奇异矩阵U的第一列去更新目标训练字典D的第z列原子dz;
2e)重复步骤2b)到步骤2d)对D中所有原子进行更新处理;
3a)令变量dr为D的第r列原子,输入数据为f=yj,设定初始值R0f=f,将R0f分解为:r0∈r,其中R1f表示R0f分解后的分解残差,表示变量D中使残差能量最小的原子,表示R0f对的投影,由与R1f正交关系,得到:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110006401 CN102073880A (zh) | 2011-01-13 | 2011-01-13 | 利用稀疏表示进行人脸识别的集成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110006401 CN102073880A (zh) | 2011-01-13 | 2011-01-13 | 利用稀疏表示进行人脸识别的集成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102073880A true CN102073880A (zh) | 2011-05-25 |
Family
ID=44032414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110006401 Pending CN102073880A (zh) | 2011-01-13 | 2011-01-13 | 利用稀疏表示进行人脸识别的集成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102073880A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332087A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于稀疏表示的人脸识别方法 |
CN102592267A (zh) * | 2012-01-06 | 2012-07-18 | 复旦大学 | 基于稀疏表示的医学超声图像滤波方法 |
CN102622583A (zh) * | 2012-02-23 | 2012-08-01 | 北京师范大学 | 基于模型和稀疏表示的多角度型号识别方法及系统 |
CN102708384A (zh) * | 2012-06-04 | 2012-10-03 | 西南交通大学 | 一种基于随机蕨的自举弱学习方法及其分类器 |
CN103198305A (zh) * | 2013-04-19 | 2013-07-10 | 江苏科技大学 | 一种人脸视频图像验证方法及其嵌入式实现装置 |
CN103761533A (zh) * | 2014-01-21 | 2014-04-30 | 南京信息工程大学 | 基于核鉴别线性表示的分类方法 |
CN104281845A (zh) * | 2014-10-29 | 2015-01-14 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
CN104318269A (zh) * | 2014-11-19 | 2015-01-28 | 四川大学 | 基于子空间学习与稀疏编码的真迹鉴定方法 |
CN104573726A (zh) * | 2015-01-12 | 2015-04-29 | 山东师范大学 | 基于四等分及各成分重构误差最优组合的人脸图像识别方法 |
CN104933406A (zh) * | 2015-05-27 | 2015-09-23 | 南京邮电大学 | 一种高精度多角度人脸性别识别方法 |
CN105574515A (zh) * | 2016-01-15 | 2016-05-11 | 南京邮电大学 | 一种无重叠视域下的行人再识别方法 |
CN106066992A (zh) * | 2016-05-13 | 2016-11-02 | 哈尔滨工业大学深圳研究生院 | 基于自适应局部约束的判别字典学习算法及人脸识别系统 |
CN106326871A (zh) * | 2016-08-26 | 2017-01-11 | 中国计量大学 | 一种基于字典分解和稀疏表示的鲁棒人脸识别方法 |
CN106991355A (zh) * | 2015-09-10 | 2017-07-28 | 天津中科智能识别产业技术研究院有限公司 | 基于拓扑保持的解析型字典学习模型的人脸识别方法 |
CN107766832A (zh) * | 2017-10-30 | 2018-03-06 | 国网浙江省电力公司绍兴供电公司 | 一种用于现场作业施工管理的人脸识别方法 |
CN107924486A (zh) * | 2015-09-02 | 2018-04-17 | 高通股份有限公司 | 用于分类的强制稀疏 |
CN109766748A (zh) * | 2018-11-27 | 2019-05-17 | 昆明理工大学 | 一种基于投影变换与字典学习的行人再识别的方法 |
CN111583656A (zh) * | 2020-04-03 | 2020-08-25 | 北京博研中能科技有限公司 | 一种适用于新能源车的充电桩车位智能防控系统 |
CN112308151A (zh) * | 2020-11-03 | 2021-02-02 | 西安电子科技大学 | 基于加权的旋转森林高光谱图像分类方法 |
CN113239917A (zh) * | 2021-07-12 | 2021-08-10 | 南京邮电大学 | 一种基于奇异值分解的鲁棒人脸识别方法 |
CN115908870A (zh) * | 2022-10-19 | 2023-04-04 | 海南港航控股有限公司 | 一种基于异构数据融合的图文匹配方法及系统 |
CN117437522A (zh) * | 2023-12-19 | 2024-01-23 | 福建拓尔通软件有限公司 | 一种人脸识别模型训练方法、人脸识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819628A (zh) * | 2010-04-02 | 2010-09-01 | 清华大学 | 结合形状特征的稀疏表示人脸识别方法 |
CN101833654A (zh) * | 2010-04-02 | 2010-09-15 | 清华大学 | 基于约束采样的稀疏表示人脸识别方法 |
-
2011
- 2011-01-13 CN CN 201110006401 patent/CN102073880A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819628A (zh) * | 2010-04-02 | 2010-09-01 | 清华大学 | 结合形状特征的稀疏表示人脸识别方法 |
CN101833654A (zh) * | 2010-04-02 | 2010-09-15 | 清华大学 | 基于约束采样的稀疏表示人脸识别方法 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332087A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种基于稀疏表示的人脸识别方法 |
CN102592267A (zh) * | 2012-01-06 | 2012-07-18 | 复旦大学 | 基于稀疏表示的医学超声图像滤波方法 |
CN102592267B (zh) * | 2012-01-06 | 2014-09-03 | 复旦大学 | 基于稀疏表示的医学超声图像滤波方法 |
CN102622583A (zh) * | 2012-02-23 | 2012-08-01 | 北京师范大学 | 基于模型和稀疏表示的多角度型号识别方法及系统 |
CN102708384A (zh) * | 2012-06-04 | 2012-10-03 | 西南交通大学 | 一种基于随机蕨的自举弱学习方法及其分类器 |
CN103198305B (zh) * | 2013-04-19 | 2016-04-27 | 江苏科技大学 | 一种人脸视频图像验证方法及其嵌入式实现装置 |
CN103198305A (zh) * | 2013-04-19 | 2013-07-10 | 江苏科技大学 | 一种人脸视频图像验证方法及其嵌入式实现装置 |
CN103761533A (zh) * | 2014-01-21 | 2014-04-30 | 南京信息工程大学 | 基于核鉴别线性表示的分类方法 |
CN104281845A (zh) * | 2014-10-29 | 2015-01-14 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
CN104281845B (zh) * | 2014-10-29 | 2017-08-25 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
CN104318269A (zh) * | 2014-11-19 | 2015-01-28 | 四川大学 | 基于子空间学习与稀疏编码的真迹鉴定方法 |
CN104573726A (zh) * | 2015-01-12 | 2015-04-29 | 山东师范大学 | 基于四等分及各成分重构误差最优组合的人脸图像识别方法 |
CN104573726B (zh) * | 2015-01-12 | 2019-02-19 | 山东师范大学 | 基于四等分及各成分重构误差最优组合的人脸图像识别方法 |
CN104933406A (zh) * | 2015-05-27 | 2015-09-23 | 南京邮电大学 | 一种高精度多角度人脸性别识别方法 |
US11423323B2 (en) | 2015-09-02 | 2022-08-23 | Qualcomm Incorporated | Generating a sparse feature vector for classification |
CN107924486A (zh) * | 2015-09-02 | 2018-04-17 | 高通股份有限公司 | 用于分类的强制稀疏 |
CN106991355A (zh) * | 2015-09-10 | 2017-07-28 | 天津中科智能识别产业技术研究院有限公司 | 基于拓扑保持的解析型字典学习模型的人脸识别方法 |
CN106991355B (zh) * | 2015-09-10 | 2020-04-24 | 天津中科智能识别产业技术研究院有限公司 | 基于拓扑保持的解析型字典学习模型的人脸识别方法 |
CN105574515A (zh) * | 2016-01-15 | 2016-05-11 | 南京邮电大学 | 一种无重叠视域下的行人再识别方法 |
CN105574515B (zh) * | 2016-01-15 | 2019-01-01 | 南京邮电大学 | 一种无重叠视域下的行人再识别方法 |
CN106066992A (zh) * | 2016-05-13 | 2016-11-02 | 哈尔滨工业大学深圳研究生院 | 基于自适应局部约束的判别字典学习算法及人脸识别系统 |
CN106326871B (zh) * | 2016-08-26 | 2019-04-30 | 中国计量大学 | 一种基于字典分解和稀疏表示的鲁棒人脸识别方法 |
CN106326871A (zh) * | 2016-08-26 | 2017-01-11 | 中国计量大学 | 一种基于字典分解和稀疏表示的鲁棒人脸识别方法 |
CN107766832A (zh) * | 2017-10-30 | 2018-03-06 | 国网浙江省电力公司绍兴供电公司 | 一种用于现场作业施工管理的人脸识别方法 |
CN109766748A (zh) * | 2018-11-27 | 2019-05-17 | 昆明理工大学 | 一种基于投影变换与字典学习的行人再识别的方法 |
CN111583656A (zh) * | 2020-04-03 | 2020-08-25 | 北京博研中能科技有限公司 | 一种适用于新能源车的充电桩车位智能防控系统 |
CN112308151A (zh) * | 2020-11-03 | 2021-02-02 | 西安电子科技大学 | 基于加权的旋转森林高光谱图像分类方法 |
CN113239917A (zh) * | 2021-07-12 | 2021-08-10 | 南京邮电大学 | 一种基于奇异值分解的鲁棒人脸识别方法 |
CN113239917B (zh) * | 2021-07-12 | 2021-09-28 | 南京邮电大学 | 一种基于奇异值分解的鲁棒人脸识别方法 |
CN115908870A (zh) * | 2022-10-19 | 2023-04-04 | 海南港航控股有限公司 | 一种基于异构数据融合的图文匹配方法及系统 |
CN117437522A (zh) * | 2023-12-19 | 2024-01-23 | 福建拓尔通软件有限公司 | 一种人脸识别模型训练方法、人脸识别方法及装置 |
CN117437522B (zh) * | 2023-12-19 | 2024-05-03 | 福建拓尔通软件有限公司 | 一种人脸识别模型训练方法、人脸识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102073880A (zh) | 利用稀疏表示进行人脸识别的集成方法 | |
Leng et al. | A 3D model recognition mechanism based on deep Boltzmann machines | |
CN111160189A (zh) | 一种基于动态目标训练的深度神经网络人脸表情识别方法 | |
CN103839041A (zh) | 客户端特征的识别方法和装置 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN103745200A (zh) | 一种基于词带模型的人脸图像识别方法 | |
CN103279746B (zh) | 一种基于支持向量机的人脸识别方法及系统 | |
CN103413551A (zh) | 基于稀疏降维的说话人识别方法 | |
CN106205609A (zh) | 一种基于音频事件和主题模型的音频场景识别方法及其装置 | |
Zhao et al. | Bisecting k-means clustering based face recognition using block-based bag of words model | |
CN105528620B (zh) | 一种联合鲁棒主成分特征学习与视觉分类方法及系统 | |
CN103366182B (zh) | 基于全监督非负矩阵分解的人脸识别方法 | |
CN106056088B (zh) | 基于自适应虚拟样本产生准则的单样本人脸识别方法 | |
CN107133640A (zh) | 基于局部图像块描述子和费舍尔向量的图像分类方法 | |
CN104239859A (zh) | 基于结构化因子分析的人脸识别方法 | |
CN106529586A (zh) | 基于补充文本特征的图像分类方法 | |
CN102831389A (zh) | 基于判别分量分析的人脸表情识别算法 | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN102651072A (zh) | 一种面向三维人体运动数据的分类方法 | |
Zhang et al. | Video-based action recognition using rate-invariant analysis of covariance trajectories | |
CN102521599A (zh) | 一种基于集成学习的模式训练和识别方法 | |
CN109815478A (zh) | 基于卷积神经网络的药化实体识别方法及系统 | |
CN112949469A (zh) | 针对人脸篡改图像特点分布的图像识别方法、系统及设备 | |
Peng et al. | Hybrid super vector with improved dense trajectories for action recognition | |
CN102609733B (zh) | 海量人脸库应用环境下的人脸快速识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110525 |