CN103605953B - 基于滑窗搜索的车辆兴趣目标检测方法 - Google Patents

基于滑窗搜索的车辆兴趣目标检测方法 Download PDF

Info

Publication number
CN103605953B
CN103605953B CN201310530371.6A CN201310530371A CN103605953B CN 103605953 B CN103605953 B CN 103605953B CN 201310530371 A CN201310530371 A CN 201310530371A CN 103605953 B CN103605953 B CN 103605953B
Authority
CN
China
Prior art keywords
window
feature
search
sliding
interest
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.)
Active
Application number
CN201310530371.6A
Other languages
English (en)
Other versions
CN103605953A (zh
Inventor
解梅
朱伟
毛河
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Houpu clean energy Co.,Ltd.
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201310530371.6A priority Critical patent/CN103605953B/zh
Publication of CN103605953A publication Critical patent/CN103605953A/zh
Application granted granted Critical
Publication of CN103605953B publication Critical patent/CN103605953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明提供一种基于滑窗搜索的车辆兴趣目标检测方法,根据当前滑动搜索窗口的检测结果来控制下一次搜索时窗口的滑动速度,如当前滑动搜索窗口的检测结果属于目标兴趣区域,则表明当前窗口周围区域可能属于兴趣目标的概率较高,减速滑动窗口,以更小的滑动步长来进行特征提取;反之,则加速滑动窗口,增大滑动步长。这样重点关注对象的高密度特征区域,对非目标概率较高的区域快速扫描,就大大提高了目标检测的速度。

Description

基于滑窗搜索的车辆兴趣目标检测方法
技术领域
[0001] 本发明属于数字图像处理技术。
背景技术
[0002] 随着现代计算机技术的发展和计算机视觉原理的广泛应用,利用人工智能和计算 机图像处理技术对兴趣目标进行实时跟踪研究越来越热门,对目标进行动态实时跟踪定位 在现在化交通系统、智能监控系统、军事目标检测等方面具有广泛的应用价值。
[0003] 车辆兴趣目标一般包括车辆、车牌、车道线、车标等。无论是车牌检测、车标检测、 车道线检测、车辆检测、车辆跟踪等场景,从不同天气、光照等复杂场景的视频图像中高效、 准确地检测出兴趣目标区域是上述应用的基础。
[0004] 目前,滑窗搜索作为一种常用数字图像检测技术,是通过设定窗口以及窗口评价 估计函数,窗口以固定步长在场景内滑动,最后由评价估计函数在窗口区域内进行投票,从 而判断窗口区域是属于前景目标(兴趣目标)或背景(非目标)。
发明内容
[0005] 本发明所要解决的技术问题是,提供一种高效的基于滑窗搜索的车辆兴趣目标检 测方法。
[0006] 本发明为解决上述技术问题所采用的技术方案是,基于滑窗搜索的车辆兴趣目标 检测方法,包括以下步骤:
[0007] 步骤1:根据当前待检测的兴趣目标的先验尺寸信息设定滑动窗口的大小,进入步 骤2;
[0008] 步骤2:提取滑动搜索窗口内的特征向量Vr,根据特征向量Vr建立评价估计函数 /&,进入步骤3;
[0009] 步骤3:根据评价估计函数爲的投票结果判断出当前滑动搜索窗口的检测结果,并 判断对当前图片是否搜索完毕,如是,搜索结束,如否,进入步骤4;
[0010] 步骤4:根据当前滑动搜索窗口的检测结果来控制下一次搜索时窗口的滑动速度, 如当前滑动搜索窗口的检测结果属于目标兴趣区域,则减速滑动窗口,进入步骤2,如当前 滑动搜索窗口的检测结果不属于目标兴趣区域,则加速滑动窗口,进入步骤2。
[0011] 本发明方法根据当前滑动搜索窗口的检测结果来控制下一次搜索时窗口的滑动 速度,如当前滑动搜索窗口的检测结果属于目标兴趣区域,则表明当前窗口周围区域可能 属于兴趣目标的概率较高,减速滑动窗口,以更小的滑动步长来进行特征提取;反之,则加 速滑动窗口,增大滑动步长。这样重点关注对象的高密度特征区域,对非目标概率较高的区 域快速扫描,就大大提高了目标检测的速度。
[0012] 进一步的,为了单一特征对分类效果的依赖,提供出使用多信息目标特征描述对 滑动搜索窗口进行特征向量提取,所述特征向量包括滑动搜索窗口区域内的全局特征、局 部特征和仿生特征,所述全局特征包括梯度密度特征、边缘密度特征。
[0013] 更进一步的,为了简化度密度特征提取的运算复杂度,相比现有方法现在360度各 方向上进行投影再降维的做法,本发明在计算灰度图像梯度时,将360度圆周均分为8个角 度区间,一个角度区间内的像素构成一个方向梯度图,对于每个方向梯度图分为8个子图 像,每个子图像对应个一个维度,最终生成一个64维的特征向量作为梯度密度特征。
[0014] 具体的,仿生特征包括亮度特征、位置特征以及颜色特征。进一步的,提出使用中 心性差异对亮度特征、位置特征以及颜色特征进行描述,简单且快速。
[0015] 本发明的有益效果是,具有很高目标识别准确率,且在复杂的环境中鲁棒性强。
附图说明
[0016] 图1为中心尺度u,轮廓尺度V示意图;
[0017] 图2为滑窗搜索车辆兴趣目标示意图;
[0018]图3为实施例中采用haar-like特征种类。
具体实施方式
[0019] 为方便描述本发明内容,这里首先对一些现有技术进行定义:
[0020] 定义1梯度。在标量场f中的一点处存在一个矢量G,该矢量方向为f在该点处变化 率最大的方向,其模也等于这个最大变化率的数值,则矢量G称为标量场f的梯度。
[0021] 定义2H0G特征。方向梯度直方图(^Histogram of Oriented Gradient,H0G)特征是 一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,它通过计算和统计图像 局部区域的梯度方向直方图来构成特征。但其特征在于其在在一个网格密集的大小统一的 方格单元上计算,而且为了提高精确度使用了重叠的局部对比度归一化的方法。
[0022] 定义3haar_like特征。哈尔特征(Haar-Iike)是用于物体识别的一种数字图像特 征,哈尔特征使用检测窗口中指定位置的相邻矩形,计算每一个矩形的像素和并取其差值, 然后用这些差值来对图像的子区域进行分类。
[0023] 定义4高斯金字塔。对于大小为w X h的图像I,高斯金字塔Gj由I的几个分辨率减小 的高斯图像I1组成,其中,i={〇,l,......j}代表金字塔的级数,图像1:的大小为(w/21) X (h/21),图像I1由两步得到,先高斯平滑处理,用高斯函数生成的核进行滤波,再降采样,通 过对进行过高斯平滑处理的图像Ih进行隔行隔列采样而得到。
[0024] 定义5中心性差异。中心性差异是指动物对周边亮的中心暗区域敏感或者对周边 暗的中央亮区域敏感这种仿生性差异,描述中心性差异的两个参数中心尺度u和轮廓尺度 V,中心尺度u是表示同心圆R1内拥有的亮区或暗区对应的像素点个数,轮廓尺度V是表示当 前同心圆R2的半径减去同心圆Ri的半径,如附图1所示。
[0025] 定义6权重加强法。权重加强法是将各子特征图的特征值归一化到同一个范围内 后,计算出每一副特征图的全局极大M和除此全局极大之外的其它局部极大的平均值,再给 每一副特征图乘以加强因子(权重),实现突出目标贡献大的特征,而消弱贡献小的特征。
[0026] 实施例
[0027] 基于滑窗搜索的车辆兴趣目标检测方法,如附图2所示,包括以下步骤:
[0028] 步骤一车辆兴趣目标特征描述
[0029] 步骤1.1全局特征描述
[0030] 车辆目标区域通常含有丰富的边缘信息,纹理信息,且边缘分布在相对均匀的目 标区域内,根据此特点可构建全局特征对目标边缘进行描述。
[0031] 1)梯度密度描述
[0032] 目标区域含有丰富的梯度边缘信息,应用简化的HOG特征描述,计算灰度图像的梯 度,接着将360度圆周均分为8个角度区间,并将梯度方向属于同一角度区间的像素构成一 个方向梯度图(共计8个),对于每个方向梯度图,将其平分为8个子图像,将每个子图像中的 梯度模值求和,构成特征向量中的一个维度,最终生成一个8*8=64维的特征向量。
[0033] 2)边缘密度方差描述
[0034] 利用垂直边缘密度对图像区域描述,其定义如下:
[0035]
Figure CN103605953BD00051
[0036] 其中,Ev (i,j)是(i,j)处的垂直边缘大小,N是非零的垂直边缘像素数,斜垂直边 缘的计算可通过下式计算得到。
[0037]
Figure CN103605953BD00052
[0038] 其中G (i,j)代表梯度幅值,a (i,j)代表边缘角度。在目标区域内通过梯度算子产 生的梯度图,可根据梯度方向变化计算出最大梯度强度,提取一维特征。
[0039] 车辆兴趣目标通常均匀的分布在目标区域内,根据此特点,可把兴趣目标块分成η 个长、宽一样的子块,从而获取密度变化特征。兴趣目标边缘密度变化Vt可表示为下式:
[0040]
Figure CN103605953BD00053
[0041] 其中t表示兴趣目标垂直边缘的均值,ti表示子块垂直边缘的均值。根据上式可获 得兴趣目标边缘密度方差,并以此提取一维特征。
[0042] 1.2局部特征描述
[0043] 车辆兴趣目标可由haar-1 ike特征可反应出图像子块的边缘特征,这些同样的矩 形可在图像中以不同尺度、不同位置计算出单个haar-like特征,本实施例采用单个haar-like类型如附图3所示,特征的计算都是由黑色填充区域的像素值之和与白色填充区域的 像素值之和的差值。通过局部矩形,对兴趣目标进行特征描述。
[0044] 1.3仿生特征描述
[0045] 人类视觉系统通过获取亮度、形状、运动、颜色等基本信息来感知物体。其中亮度 是最基本的视觉信息,人类视觉系统通过亮度信息获得物体的轮廓、颜色、运动等,使用高 斯金字塔及小波分解抽取兴趣目标的亮度特征、位置特征和颜色特征。仿生特征描述如下 过程:
Figure CN103605953BD00054
[0046] 1)亮度特征是根据场景图像I包含R、G、B三个通道创建相应灰度图像的高斯金字 塔I (σ),尺度因子〇,根据中心性差异设定中心尺度u和尺度因子〇,根据公式v=u+〇,可得到 兴趣目标的亮度特征I(u,V)。
[0047] 2)位置特征是将I (σ)低通滤波产生 其中?是对应I的空间坐 标
Figure CN103605953BD00061
表示方向因子,N表示方向个 数(如N=4,其方向选取〇°、45°、9〇°、135°),再对1(〇,€〇小波分解,根据设定方向0〇1及中心尺 度提取位置特征S(u,v,a)。
[0048] 3)颜色特征是通过四个宽调谐的红色(R)、蓝色(B)、绿色(G)、黄色(Y)通道建立对 应高斯金字塔R(〇),G(〇),B(〇),Y(〇),根据中心性差异设定中心尺度和尺度因子,提取颜色 特征
Figure CN103605953BD00062
[0049] 4)根据提取的亮度特征、位置特征、颜色特征,使用权重加强法对各个尺度的特征 子图进行合并,得到最终兴趣目标的仿生特征。
[0050] 步骤一中提出了一种新的多信息目标特征描述方法,该方法有效结合目标区域内 的全局特征、局部特征和仿生特征,克服单一特征对分类效果的依赖,具有很强的鲁棒性。 局部特征的描述以及全局特征中边缘密度特征的描述方法为现有成熟技术。实施例在进行 梯度密度描述时,提出了简化的H0G,大大简化运算的复杂度。在进行仿生特征描述时,创新 地应用中心性差异对各个特征进行描述,简单且快速。
[0051] 步骤2滑窗搜索兴趣目标
[0052] 本部分提出了一种新的兴趣目标扫描方法。滑动窗口算子的一个像素对属于对象 的可能性及其邻域一个图像处理系统的搜索。搜索对象的特征描述将图像的像素分为两 类:候选目标像素和非目标区域。兴趣目标扫描方法大大提高了目标检测过程的速度,当目 标占图像中的小区域,通过快速扫描,只关注对象的高密度特征区域。
[0053] 兴趣目标扫描方法详细的实现过程如下:
[0054] 1)根据当前待检测的兴趣目标的先验尺寸信息设定滑动窗口的大小,进入步骤 2);
[0055] 2)根据上述步骤一提取的兴趣目标特征构成特征向量Vr,其中R是表示滑动搜索 窗口操作区域,并根据特征向量Vr建立评价估计函数:
Figure CN103605953BD00063
进入步骤3);其中,根据特征向量 建立评价估计函数为成熟技术,不在此赘述;
[0056] 3)根据评价估计函数
Figure CN103605953BD00064
:在区域内进行投票,通过高斯分布判定一个区域的投票是 否在其二元特征可接受值的中心范围内。若是则可判定候选区域为目标兴趣区域,若否,判 定候选区域为非目标兴趣区域,并判断对当前图片是否搜索完毕,如是,搜索结束,如否,进 入步骤4);
[0057] 4)根据当前滑动搜索窗口的检测结果来控制下一次搜索时窗口的滑动速度,如当 前滑动搜索窗口的检测结果属于目标兴趣区域,则减速滑动窗口,进入步骤2,如当前滑动 搜索窗口的检测结果不属于目标兴趣区域,则加速滑动窗口,进入步骤2):
[0058] 移动滑窗中心像素点(x,y),下一水平搜索定义为y’,y’可根据下式得到y’=y+YH (P),其中Yh (p)表示定义在水平轴上滑窗搜索速度,p表示当前窗口点的像素,同理可在竖 直轴建立滑窗搜索速度;
[0059] 非兴趣目标跳过:为减少非兴趣目标的扫描,滑窗扫描中高密度的零输出速率和 Yh(P)以最佳的传输速率以设定适当的窗口大小直接相关,为此调整下一搜索速度定义为 下式:
[0060]
Figure CN103605953BD00071
[0061] 其中a表示加速参数,d为减速参数。
[0062] 滑窗搜索参数优化:兴趣目标在图像中的尺寸与滑窗能够有效地区分感兴趣目标 区域与非目标区域。首先,在水平与垂直的最大滑窗速率参数不超过先验目标尺寸目标大 小,即水平轴上的最大滑动步长不超过先验目标尺寸的水平长度,垂直轴上的最大滑动步 长不超过先验目标尺寸的垂直长度;d取值范围在0至1之间,a取值范围大于0且小于在滑动 方向上对应的兴趣目标先验尺寸与当前搜索时窗口的滑动速度之差。
[0063] 步骤二中提出一种基于滑窗搜索的兴趣目标检测方法,该方法有效利用前景目标 与背景的特征,建立滑窗寻优搜索,通过区域投票实现兴趣目标的检测。与传统的检测算法 相比较,本发明的方法在应用复杂的环境中鲁棒性好,通用性强,可应用于车牌检测、车标 检测、车道线检测、车辆检测、车辆跟踪等场景。

Claims (6)

1. 基于滑窗搜索的车辆兴趣目标检测方法,其特征在于,包括以下步骤: 步骤1:根据当前待检测的兴趣目标的先验尺寸信息设定滑动窗口的大小,进入步骤2; 步骤2:提取滑动搜索窗口内的特征向量Vr,根据特征向量Vr建立评价估计函数
Figure CN103605953BC00021
进入 步骤3; 步骤3:根据评价估计函数
Figure CN103605953BC00022
的投票结果判断出当前滑动搜索窗口的检测结果,并判断 对当前图片是否搜索完毕,如是,搜索结束,如否,进入步骤4; 步骤4:根据当前滑动搜索窗口的检测结果来控制下一次搜索时窗口的滑动步长,如当 前滑动搜索窗口的检测结果属于目标兴趣区域,则减速滑动窗口,进入步骤2,如当前滑动 搜索窗口的检测结果不属于目标兴趣区域,则加速滑动窗口,进入步骤2。
2. 如权利要求1所述基于滑窗搜索的车辆兴趣目标检测方法,其特征在于, 减速滑动窗口的具体方法为:Yh (p+1) =dYH (p); 加速滑动窗口的具体方法为:Yh(p+1) =a+YH(p); 其中,Yh (ρ+l)表示下一次搜索时窗口的滑动步长;Yh (p)表示当前搜索时窗口的滑动步 长;d表示减速参数,取值范围在O至1之间;a表示加速参数,取值范围大于O且小于在滑动方 向上对应的兴趣目标先验尺寸与当前搜索时窗口的滑动步长之差。
3. 如权利要求1所述基于滑窗搜索的车辆兴趣目标检测方法,其特征在于,所述特征向 量包括滑动搜索窗口区域内的全局特征、局部特征和仿生特征,所述全局特征包括梯度密 度特征和边缘密度特征。
4. 如权利要求3所述基于滑窗搜索的车辆兴趣目标检测方法,其特征在于,在计算灰度 图像梯度时,将360度圆周均分为8个角度区间,一个角度区间内的像素构成一个方向梯度 图,对于每个方向梯度图分为8个子图像,每个子图像对应个一个维度,最终生成一个64维 的特征向量作为梯度密度特征。
5. 如权利要求3所述基于滑窗搜索的车辆兴趣目标检测方法,其特征在于,所述仿生特 征包括亮度特征、位置特征以及颜色特征。
6. 如权利要求5所述基于滑窗搜索的车辆兴趣目标检测方法,其特征在于,使用中心性 差异对亮度特征、位置特征以及颜色特征进行描述。
CN201310530371.6A 2013-10-31 2013-10-31 基于滑窗搜索的车辆兴趣目标检测方法 Active CN103605953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310530371.6A CN103605953B (zh) 2013-10-31 2013-10-31 基于滑窗搜索的车辆兴趣目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310530371.6A CN103605953B (zh) 2013-10-31 2013-10-31 基于滑窗搜索的车辆兴趣目标检测方法

Publications (2)

Publication Number Publication Date
CN103605953A CN103605953A (zh) 2014-02-26
CN103605953B true CN103605953B (zh) 2018-06-19

Family

ID=50124173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310530371.6A Active CN103605953B (zh) 2013-10-31 2013-10-31 基于滑窗搜索的车辆兴趣目标检测方法

Country Status (1)

Country Link
CN (1) CN103605953B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200202B (zh) * 2014-08-30 2017-07-11 电子科技大学 一种基于累加感知机的人体上半身检测方法
CN104298966B (zh) * 2014-09-17 2018-02-13 电子科技大学 一种车牌定位方法
CN104298976B (zh) * 2014-10-16 2017-09-26 电子科技大学 基于卷积神经网络的车牌检测方法
CN105095858A (zh) * 2015-06-26 2015-11-25 华为技术有限公司 嵌入视频检测方法及装置
CN105184291B (zh) * 2015-08-26 2019-07-30 深圳市捷顺科技实业股份有限公司 一种多类型车牌检测方法及系统
CN107194393B (zh) * 2016-03-15 2020-02-18 杭州海康威视数字技术股份有限公司 一种检测临时车牌的方法及装置
CN106251362B (zh) * 2016-07-15 2019-02-01 南京莱斯电子设备有限公司 一种基于快速相关邻域特征点的滑窗目标跟踪方法及系统
CN106203401B (zh) * 2016-08-11 2019-07-19 电子科技大学 一种车道线的快速检测方法
CN106709486A (zh) * 2016-11-11 2017-05-24 南京理工大学 基于深度卷积神经网络的自动车牌识别方法
CN107292277B (zh) * 2017-06-30 2020-08-21 深圳信路通智能技术有限公司 一种路侧双车位停车跟踪方法
CN109509345A (zh) * 2017-09-15 2019-03-22 富士通株式会社 车辆检测装置和方法
CN109583262B (zh) * 2017-09-28 2021-04-20 财团法人成大研究发展基金会 对象侦测的适应系统与方法
CN109471100A (zh) * 2018-10-16 2019-03-15 湖北航天技术研究院总体设计所 一种sar多普勒调频率估计方法及系统
CN109766841A (zh) * 2019-01-10 2019-05-17 深圳大学 车辆检测方法、装置及计算机可读存储介质
CN109862388A (zh) * 2019-04-02 2019-06-07 网宿科技股份有限公司 直播视频集锦的生成方法、装置、服务器及存储介质
US11025964B2 (en) 2019-04-02 2021-06-01 Wangsu Science & Technology Co., Ltd. Method, apparatus, server, and storage medium for generating live broadcast video of highlight collection
CN110287993A (zh) * 2019-05-22 2019-09-27 广东精点数据科技股份有限公司 一种基于图像特征细化的数据预处理方法及系统
CN112270690A (zh) * 2020-10-12 2021-01-26 淮阴工学院 一种基于改进clahe和滑窗搜索的自适应夜间车道线检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268489A (zh) * 2013-05-29 2013-08-28 电子科技大学 基于滑窗搜索的机动车号牌识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268489A (zh) * 2013-05-29 2013-08-28 电子科技大学 基于滑窗搜索的机动车号牌识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于仿生特征的人脸表情识别";王阳;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20120515(第05期);第2-2-1节 *
"基于自适应滑动窗的模糊场景行人快速检测";常庆龙,等;《电视技术》;20121231;第36卷(第19期);第1.2节 *

Also Published As

Publication number Publication date
CN103605953A (zh) 2014-02-26

Similar Documents

Publication Publication Date Title
CN103605953B (zh) 基于滑窗搜索的车辆兴趣目标检测方法
CN105260699B (zh) 一种车道线数据的处理方法及装置
CN106780485B (zh) 基于超像素分割和特征学习的sar图像变化检测方法
CN104850850B (zh) 一种结合形状和颜色的双目立体视觉图像特征提取方法
CN105608455B (zh) 一种车牌倾斜校正方法及装置
CN103903018A (zh) 一种复杂场景中对车牌进行定位的方法和系统
CN103778627B (zh) 一种基于sar图像的海域溢油检测方法
CN104978567B (zh) 基于场景分类的车辆检测方法
Li et al. Research on vehicle license plate location based on neural networks
CN103745197B (zh) 一种车牌检测方法及装置
CN104517095A (zh) 一种基于深度图像的人头分割方法
CN104143077B (zh) 基于图像的行人目标检索方法和系统
CN105405138B (zh) 基于显著性检测的水面目标跟踪方法
CN104063882A (zh) 一种基于双目的车辆视频测速方法
CN108492288B (zh) 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法
RU2395787C2 (ru) Способ обнаружения объектов
Börcs et al. Fast 3-D urban object detection on streaming point clouds
CN102393902A (zh) 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法
CN105069816B (zh) 一种进出口人流量统计的方法及系统
CN102938057A (zh) 一种车辆阴影消除方法及装置
CN109101924A (zh) 一种基于机器学习的路面交通标志识别方法
CN108664939A (zh) 一种基于hog特征与深度学习的遥感图像飞机识别方法
CN105139017B (zh) 融合仿射不变角点特征及视觉颜色特征的车牌定位算法
CN105893970A (zh) 基于亮度方差特征的夜间道路车辆检测方法
CN109255326A (zh) 一种基于多维信息特征融合的交通场景烟雾智能检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210517

Address after: No.3, 11th floor, building 6, no.599, shijicheng South Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041

Patentee after: Houpu clean energy Co.,Ltd.

Address before: 611731, No. 2006, West Avenue, Chengdu hi tech Zone (West District, Sichuan)

Patentee before: University of Electronic Science and Technology of China