CN103870810B - 一种人类指静脉生物密钥生成方法 - Google Patents
一种人类指静脉生物密钥生成方法 Download PDFInfo
- Publication number
- CN103870810B CN103870810B CN201410074438.4A CN201410074438A CN103870810B CN 103870810 B CN103870810 B CN 103870810B CN 201410074438 A CN201410074438 A CN 201410074438A CN 103870810 B CN103870810 B CN 103870810B
- Authority
- CN
- China
- Prior art keywords
- vein
- matrix
- vector
- user
- image
- 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
Links
Landscapes
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提出了一种指静脉生物密钥生成方法。本发明将用户指静脉图像经一系列图像处理后得到的特征向量向高维空间中投影,在高维空间中将向量稳定到可接受的波动范围内,再对稳定后的向量提取数字序列,从数字序列中编码指静脉生物密钥。整个方法在移动终端、认证服务器端均无需存储用户指静脉信息,也无需在网络中传递用户的指静脉图像。用户通过采集自身的指静脉图像在本地生成(用户名、密钥)对,通过(用户名、密钥)对衍生的各种认证方法进行网络身份认证。该方法还支持直接生成用户专属的指静脉密钥流,对用户私有数据进行加密保护,在网络安全领域可以有很好的应用。只要指静脉生物密钥的密钥空间足够大,可保证高安全性。
Description
技术领域
本发明属于信息安全技术领域,具体涉及一种从人类指静脉图像中提取人类指静脉生物密钥的方法。其能够通过摄取人类指静脉图像,直接生成生物密钥,为指静脉生物认证技术提供了一种新的认证方法。扩展指静脉识别技术在网络安全中的应用。
背景技术
手指静脉识别较其它生物特征具有很强的普遍性和惟一性,活体辨识,不存在仿制或失窃的风险,手指表面皮肤条件不影响识别工作,非接触性采集等优势,在本地身份认证领域,正越来越受到人们的重视。指静脉识别技术是一项新兴的技术,20世纪90年代,科研工作者发现利用人体手指血管红外成像,可以作为身份识别依据,给出了指静脉作为身份识别特征的理论依据。随后,20世纪末、21世纪初推出了多款指静脉识别产品。我国在2004年后陆续有大学开始研究指静脉识别技术,并研发相关产品。目前指静脉识别技术主要用于本地身份认证领域,较少扩展到网络身份认证领域。
指静脉识别与传统的生物特征识别技术框架类似,均采用首先获取生物信息图像,指静脉识别为用红外成像技术获取指静脉图像;然后从生物信息图像中提取生物特征,生成生物特征模板,存储在认证端;当用户需要进行身份认证时,再次采集生物信息图像,提取生物特征,与存储的生物特征模板进行比对,一致则认证通过,不一致则认证失败。
这一认证模式有些固有的缺点会限制指静脉识别技术在身份认证领域的发展。模式不支持加密。用户必须将其指静脉模板存储到认证端,认证时通过比对判定是否通过认证。这局限了指静脉生物特征识别技术在信息安全领域的发展。
曾经有科研工作者提出生物密钥的概念,希望直接从生物特征中获取稳定的生物密钥序列。但是指静脉生物特征信息不容易稳定,实际生产生活中尚未出现可实用的指静脉生物密钥技术。
发明内容
本发明提出了一种指静脉生物密钥生成方法。方法将用户指静脉图像经一系列图像处理后得到的特征向量向高维空间中投影,在高维空间中将向量稳定到可接受的波动范围内,再对稳定后的向量提取数字序列,从数字序列中编码指静脉生物密钥。整个方法在移动终端、认证服务器端均无需存储用户指静脉信息,也无需在网络中传递用户的指静脉图像。用户通过采集自身的指静脉图像在本地生成(用户名、密钥)对,通过(用户名、密钥)对衍生的各种认证方法进行网络身份认证。该方法还支持直接生成用户专属的指静脉密钥流,对用户私有数据进行加密保护,在网络安全领域可以有很好的应用。只要指静脉生物密钥的密钥空间足够大,可保证高安全性。本发明提取的指静脉生物密钥序列长度可大于128bit。
指静脉生物密钥生成分两部分,第一部分为指静脉生物密钥训练部分,第二部分为指静脉生物密钥提取部分。
指静脉生物密钥训练部分具体步骤为:
第一步,用户通过红外静脉采集设备采集用户指静脉图像,采集5幅以上,记采集幅数为M。
第二步,对指静脉图像进行预处理,含灰度化、尺寸归一化、方向滤波增强、平滑、细化处理。
第三步,对预处理后指静脉图像进行提取特征操作,用主成分分析法(PCA)提取特征向量。得指静脉在特征空间中的投影矩阵,记为P1。将求得的特征向量组织为一个M×D维的特征向量矩阵,记为S1,D为投影后特征向量元素个数。
第四步,将矩阵S1扩展为2个矩阵,L×L维的随机误差方阵EX,L×L维的标准值方阵EY,L>D。
第五步,求解EX的广义逆矩阵,记为IEX,将IEX左乘矩阵EY得到指静脉特征向量的高维空间投影矩阵PEX=IEX×EY,在用户端存储P1,PEX。
指静脉生物密钥训练完成。
指静脉生物密钥提取部分具体步骤为:
第一步,用户通过红外静脉采集设备采集用户指静脉图像。
第二步,对指静脉图像进行预处理,含灰度化、尺寸归一化、方向滤波增强、平滑、细化处理。
第三步,将预处理后指静脉图像转换为行向量,取指静脉生物密钥训练时存储的投影矩阵P1,左乘投影矩阵P1,得指静脉在特征空间中的特征向量,记为Z,长度为D。
第四步,将向量Z扩展为1×L维矩阵EZ,左乘PEX矩阵,得1×L维向量ED。扩展方法与指静脉生物密钥训练时一致。
第五步,用棋盘法对向量ED中的数值进行进一步稳定处理,取前DL个数值得1×DL维向量EE,DL≤D。将向量EE中各元素的数值前后拼接,即生成指静脉生物密钥。
本发明的有益效果:本发明提出了一种指静脉生物密钥生成方法。方法可以改变传统的网络生物特征身份认证模式,在移动终端、认证服务器端均无需存储用户指静脉信息,也无需在网络中传递用户的指静脉图像。用户只需在本地采集指静脉信息,直接生成密钥,以(用户名,密钥)对的方式进行身份认证。该方法可以使网络身份认证更灵活。同时,该方法还支持用指静脉对用户私有数据进行加密保护,在网络安全领域可以有很好的应用。
附图说明
图1为指静脉生物密钥生成示意图。
图2为基于指静脉生物密钥的网络身份认证示意图。
图3为指静脉灰度化处理效果示意图。
图4为指静脉邻域方向模板取值示意图。
图5为指静脉尺寸归一化、方向滤波增强效果示意图。
图6为指静脉平滑、细化处理效果示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
指静脉生物密钥提取流程如图1所示。基于指静脉生物密钥的网络身份认证模式如图2所示。由于指静脉图像拍摄时,手指活动范围较小,图像变形、移动范围不大。但是,采集设备采集图像的清晰程度会有差异。使得指静脉图像预处理阶段,静脉纹线是否准确刻画成为指静脉密钥能否成功提取的关键之一。
本发明提出的指静脉生物密钥生成方法包括两部分,第一部分为指静脉生物密钥训练部分,第二部分为指静脉生物密钥提取部分。
指静脉生物密钥训练部分具体步骤为:
第一步,用户通过红外静脉采集设备采集用户指静脉图像,采集5幅以上,记采集幅数为M。
第二步,对指静脉图像进行预处理,含灰度化、尺寸归一化、方向滤波增强、平滑、细化处理。
图像灰度化处理公式为
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (1)
R、G、B为红、绿、蓝三分量。灰度化效果如图3所示。
调整图像大小为统一尺寸,用户可凭经验自行决定,可取120×70像素。
手指静脉纹路有明显的方向性,需要针对这一特点选择适合纹路提取的方向方法,才能取得好的纹路增强效果。本发明采用的方法为:
1)选择邻域方向模板如图4所示。模板上的数值1~8分别对应代表8个离散方向,即从水平位置开始,按逆时针方向每隔22.5°确定一个方向;模板的方向角范围为[0,π)。
2)确定每个像素点的方向。利用图4所示邻域模板求出每个像素点在以该点为中心的8个方向上的像素灰度平均值,记为Gi,1<i<8。将Gi按两两垂直的方向分成4组,分别计算每组中2个平均值差的绝对值ΔGk,
ΔGk=|Gk-Gk+4| (2)
k为静脉纹路方向(k=1,2,3,4),取使ΔGk最大的方向,记为kmax。
取kmax和kmax+4方向中灰度平均值与当前像素点的灰度值接近的方向为像素点的纹线方向D(x,y),
所有像素点的方向组成了静脉图像的方向图。
3)用方向滤波器对静脉图像进行滤波操作。
用9*9模板构造8个方向的滤波模板,滤波器的系数从中心向方向两端衰减。水平方向滤波器模板如下式所示。
模板中系数a,b,c,d满足
d+2a+2b-2c=0;d>a>b≥0,c>0
a,b,c,d的值根据经验选定。
滤波时根据方向图得出某点及其周围区域的方向特征,并从滤波器组中选择一个相应方向的滤波器对这一块进行滤波(卷积运算),获得方向滤波增强后的图像。如图5所示。
对增强后图像进行平滑、细化处理。
用中值滤波对图像进行平滑,用查表法对图像进行细化。查表法为图像处理领域成熟的细化方法。细化处理后效果图如图6所示。
第三步,对预处理后指静脉图像,依行向量前后拼接,得1×N维向量,M幅图像对应的向量装配成一个M×N维的矩阵,用主成分分析法(PCA)提取特征向量投影矩阵,及投影后特征向量。主成分分析法是图像处理领域经典方法。处理后,得指静脉在特征空间中的投影矩阵,记为P1(N×D维)。将M幅指静脉图像左乘投影矩阵P1,得M×D维特征向量矩阵,记为S1,D为投影后特征向量元素个数。
第四步,将矩阵S1扩展为2个矩阵,L×L维的随机误差方阵EX,L×L维的标准值方阵EY,L>D。
取矩阵S1的M个行向量,求均值,得均值向量EB(1×D维);
设定波动范围Er,如Er=标准值方阵10;为EB增加随机误差扰动,计算公式为
S1j代表S1矩阵中的第j行,EXj代表一个行向量;rand(0,1)函数返回(0,1)之间的随机数;将EXj以行为单位装配为L×D维的矩阵。
构造L-D个非线性函数,输入变量是一维行向量(x1,x2,…,xD),D个元素,输出为一维行向量(x1,x2,…,xD,…,xL),L个元素。非线性函数可由用户自行定义,作为示例,可取如下非线性函数
Z(t)=(x1-x2)×sin(t)+(t^2)×(x3%10)(t为整数,0<t<L-D) (5)
sin(t)三角函数,(t^2)表示t的平方,(x3%10)表示x3模10运算。
用构造的Z(t)对EXj进行运算,j遍历1~L,得L×L维矩阵,即随机误差方阵EX。
EY构造方法为:
将均值向量EB重复L行,得L×D维矩阵,记为EYt。用Z(t)对EYtj进行运算,j遍历1~L,得L×L维矩阵,即标准值方阵EY。
第五步,求解EX的广义逆矩阵,记为IEX,将IEX左乘矩阵EY得到指静脉特征向量的高维空间投影矩阵PEX=IEX×EY,在用户端存储P1,PEX。
指静脉生物密钥训练完成。
指静脉生物密钥提取部分具体步骤为:
第一步,用户通过红外静脉采集设备采集用户指静脉图像。
第二步,对指静脉图像进行预处理,含灰度化、尺寸归一化、方向滤波增强、平滑、细化处理。处理方法与指静脉生物密钥训练部分相同。
第三步,将预处理后指静脉图像转换为行向量,转化方法为取图像矩阵所有的行向量,首尾拼接。取指静脉生物密钥训练时存储的投影矩阵P1,左乘投影矩阵P1,得指静脉在特征空间中的特征向量,记为Z,长度为D。
第四步,将向量Z扩展为1×L维矩阵EZ,左乘PEX矩阵,得1×L维向量ED。扩展方法与指静脉生物密钥训练时一致。
第五步,用棋盘法对向量ED中的数值进行进一步稳定处理,棋盘法描述如下:
对ED中的每一个元素(记为EDXi)进行一次运算,伪代码为
mod()为取模函数,maxdis标记棋盘法的格子大小。
取前DL个数值得1×DL维向量EE,DL≤D。将向量EE中各元素的数值前后拼接,即生成指静脉生物密钥。
本技术领域中的普通技术人员应当认识到,以上实施例仅是用来说明本发明,而并非作为对本发明的限定,只要在本发明的实质范围内,对以上实施例的变化、变型都将落在本发明的保护范围。
Claims (1)
1.一种人类指静脉生物密钥生成方法,其特征在于该方法包括以下步骤:指静脉生物密钥训练部分和指静脉生物密钥提取部分;
指静脉生物密钥训练部分具体步骤为:
第一步,用户通过红外静脉采集设备采集用户指静脉图像,采集5幅以上,记采集幅数为M;
第二步,对指静脉图像进行预处理,含灰度化、尺寸归一化、方向滤波增强、平滑、细化处理;
图像灰度化处理采用如下公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j);
其中R、G、B为红、绿、蓝三分量;
所述的尺寸归一化是调整图像大小为统一尺寸;
所述的方向滤波增强的具体方法是:
1)选择邻域方向模板,模板从水平位置开始,按逆时针方向每隔22.5°确定一个方向,共计8个离散方向;模板的方向角范围为[0,π];
2)确定每个像素点的方向:利用邻域模板求出每个像素点在以该点为中心的8个方向上的像素灰度平均值,记为Gi,1<i<8;将Gi按两两垂直的方向分成4组,分别计算每组中2个平均值差的绝对值ΔGk,ΔGk=|Gk-Gk+4|;其中k为静脉纹路方向,k=1,2,3,4,取使ΔGk最大的方向,记为kmax;取kmax和kmax+4方向中灰度平均值与当前像素点的灰度值接近的方向为像素点的纹线方向D(x,y);
所有像素点的方向组成了静脉图像的方向图;
3)用方向滤波器对静脉图像进行滤波操作:
用9×9模板构造8个方向的滤波模板,滤波器的系数从中心向方向两端衰减;水平方向滤波器模板如下式所示:
模板中系数a、b、c、d满足:d+2a+2b-2c=0;d>a>b≥0,c>0;
滤波时根据方向图得出某点及其周围区域的方向特征,并从滤波器组中选择一个相应方向的滤波器对这一块进行卷积运算滤波,获得方向滤波增强后的图像;
第三步,对预处理后指静脉图像进行提取特征操作,用主成分分析法提取特征向量,得指静脉在特征空间中的投影矩阵,记为P1;将求得的特征向量组织为一个M×D维的特征向量矩阵,记为S1,D为投影后特征向量元素个数;
第四步,将矩阵S1扩展为2个矩阵,L×L维的随机误差方阵EX,L×L维的标准值方阵EY,L>D;具体方法是:
取矩阵S1的M个行向量,求均值,得1×D维的均值向量EB;
设定波动范围Er,为EB增加随机误差扰动,计算公式为:
S1j代表S1矩阵中的第j行,EXj代表一个行向量;rand(0,1)函数返回(0,1)之间的随机数;将EXj以行为单位装配为L×D维的矩阵;
构造L-D个非线性函数,输入变量是一维行向量(x1,x2,…,xD),D个元素,输出为一维行向量(x1,x2,…,xD,…,xL),L个元素;非线性函数采用Z(t)=(x1-x2)×sin(t)+(t^2)×(x3%10)(t为整数,0<t<L-D);其中sin(t)为三角函数,(t^2)表示t的平方,(x3%10)表示x3模10运算;
用构造的Z(t)对EXj进行运算,j遍历1~L,得L×L维矩阵,即随机误差方阵EX;
EY构造方法为:
将均值向量EB重复L行,得L×D维矩阵,记为EYtj;用Z(t)对EYtj进行运算,j遍历1~L,得L×L维矩阵,即标准值方阵EY;
第五步,求解EX的广义逆矩阵,记为IEX,将IEX左乘矩阵EY得到指静脉特征向量的高维空间投影矩阵PEX=IEX×EY,在用户端存储P1,PEX;
指静脉生物密钥训练完成;
指静脉生物密钥提取部分具体步骤为:
第Ⅰ步,用户通过红外静脉采集设备采集用户指静脉图像;
第II步,对指静脉图像进行预处理,含灰度化、尺寸归一化、方向滤波增强、平滑、细化处理;处理方法与指静脉生物密钥训练部分第二步相同;
第Ⅲ步,将预处理后指静脉图像转换为行向量,取指静脉生物密钥训练时存储的投影矩阵P1,左乘投影矩阵P1,得指静脉在特征空间中的特征向量,记为Z,长度为D;
第Ⅳ步,将向量Z扩展为1×L维矩阵EZ,左乘PEX矩阵,得1×L维向量ED;扩展方法与指静脉生物密钥训练部分第四步相同;
第Ⅴ步,用棋盘法对向量ED中的数值进行进一步稳定处理,取前DL个数值得1×DL维向量EE,DL≤D;将向量EE中各元素的数值前后拼接,即生成指静脉生物密钥。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410074438.4A CN103870810B (zh) | 2014-03-03 | 2014-03-03 | 一种人类指静脉生物密钥生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410074438.4A CN103870810B (zh) | 2014-03-03 | 2014-03-03 | 一种人类指静脉生物密钥生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103870810A CN103870810A (zh) | 2014-06-18 |
CN103870810B true CN103870810B (zh) | 2017-02-08 |
Family
ID=50909326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410074438.4A Active CN103870810B (zh) | 2014-03-03 | 2014-03-03 | 一种人类指静脉生物密钥生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103870810B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104486306B (zh) * | 2014-12-04 | 2017-10-20 | 北京邮电大学 | 基于指静脉识别和云服务进行身份认证的方法 |
CH712399A2 (fr) * | 2016-04-27 | 2017-10-31 | Bron Christophe | Système d'identification biométrique basé sur les réseaux veineux et des codages uniques et non falsifiables de structures arborescentes et procédé associé. |
CN109285204B (zh) * | 2018-09-28 | 2022-11-25 | 杭州电子科技大学 | 一种指纹与指静脉比特级融合的生物密钥生成方法 |
CN109903444A (zh) * | 2019-03-29 | 2019-06-18 | 深圳市威富视界有限公司 | 指静脉锁及其控制方法 |
CN110336776B (zh) * | 2019-04-28 | 2021-09-28 | 杭州电子科技大学 | 一种基于用户图像智能采集的多点协同认证系统及方法 |
CN112906527B (zh) * | 2021-02-05 | 2024-03-29 | 杭州电子科技大学 | 一种基于深度神经网络编码的指静脉生物密钥生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063740A (zh) * | 2010-11-15 | 2011-05-18 | 北京交通大学 | 基于手掌静脉网络特征认证的实名制火车票检票系统 |
CN103258156A (zh) * | 2013-04-11 | 2013-08-21 | 杭州电子科技大学 | 一种基于指纹特征生成密钥的方法 |
CN103455744A (zh) * | 2013-08-27 | 2013-12-18 | 无锡华御信息技术有限公司 | 一种基于静脉标识技术的数据安全保护方法及系统 |
-
2014
- 2014-03-03 CN CN201410074438.4A patent/CN103870810B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063740A (zh) * | 2010-11-15 | 2011-05-18 | 北京交通大学 | 基于手掌静脉网络特征认证的实名制火车票检票系统 |
CN103258156A (zh) * | 2013-04-11 | 2013-08-21 | 杭州电子科技大学 | 一种基于指纹特征生成密钥的方法 |
CN103455744A (zh) * | 2013-08-27 | 2013-12-18 | 无锡华御信息技术有限公司 | 一种基于静脉标识技术的数据安全保护方法及系统 |
Non-Patent Citations (6)
Title |
---|
A Novel Finger Vein Pattern Extraction Approach for Near-Infrared Image;Xiang Yu et al.;《International Congress on Image and Signal Processing,2009》;20091031;第1-5页 * |
Finger Vein Identification Based On Minutiae Feature Extraction With Spurious Minutiae Removal;Preethy Prabhakar et al.;《2013 Third International Conference on Advances in Computing and Communications》;20130831;第196-199页 * |
Guided Gabor Filter for Finger Vein Pattern Extraction;Shan Juan Xie et al.;《2012 Eighth International Conference on Signal Image Technology and Internet Based Systems》;20121129;第118-123页 * |
基于指纹特征的密钥保护算法;林刚;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215(第S1期);论文正文第1-42页 * |
手指静脉图像的特征提取算法;孙磊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215(第S1期);论文正文第1-52页 * |
手指静脉识别技术;张军;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215(第S1期);论文正文第1-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103870810A (zh) | 2014-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103870810B (zh) | 一种人类指静脉生物密钥生成方法 | |
CN103886235B (zh) | 一种正面人脸图像生物密钥生成方法 | |
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
Lee et al. | Intra-class variation reduction using training expression images for sparse representation based facial expression recognition | |
CN102521575B (zh) | 基于多方向Gabor和Adaboost虹膜识别方法 | |
CN107330395A (zh) | 一种基于卷积神经网络的虹膜图像加密方法 | |
SG11201901766YA (en) | Electronic device, method and system of identity verification and computer readable storage medium | |
CN104657638B (zh) | 一种基于运动特征的手机解锁方法 | |
CN107220594A (zh) | 一种基于相似度保留堆叠自编码器的人脸姿态重建与识别方法 | |
CN103873254A (zh) | 一种人类声纹生物密钥生成方法 | |
CN104009973B (zh) | 一种基于集合多项式变换与调和的指纹细节信息隐藏与恢复方法 | |
CN108664859A (zh) | 指静脉识别方法及系统 | |
CN105530095A (zh) | 一种用户身份认证的方法及装置 | |
CN106897700A (zh) | 一种单样本人脸识别方法及系统 | |
Wu et al. | Fingerprint bio‐key generation based on a deep neural network | |
Balakumar et al. | Secure biometric key generation scheme for cryptography using combined biometric features of fingerprint and iris | |
CN113468988A (zh) | 一种基于ecg信号的多压力状态下身份识别方法 | |
CN109285204B (zh) | 一种指纹与指静脉比特级融合的生物密钥生成方法 | |
CN112906527B (zh) | 一种基于深度神经网络编码的指静脉生物密钥生成方法 | |
Kekre et al. | Performance comparison of DCT and VQ based techniques for iris recognition | |
CN105528591A (zh) | 基于多象限编码的活体指纹识别方法 | |
CN104462918A (zh) | 基于自适应非均匀量化的人脸生物密钥生成方法 | |
CN103455805A (zh) | 一种新的人脸特征描述方法 | |
CN108171769A (zh) | 一种基于dna的序列的人脸模型生成方法及人脸生成方法 | |
CN114550252A (zh) | 一种基于注意力机制的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |