CN104050676B - 一种基于Logistic回归模型的逆光图像检测方法及装置 - Google Patents

一种基于Logistic回归模型的逆光图像检测方法及装置 Download PDF

Info

Publication number
CN104050676B
CN104050676B CN201410306259.9A CN201410306259A CN104050676B CN 104050676 B CN104050676 B CN 104050676B CN 201410306259 A CN201410306259 A CN 201410306259A CN 104050676 B CN104050676 B CN 104050676B
Authority
CN
China
Prior art keywords
image
backlight
dimensional feature
value
feature vectors
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
CN201410306259.9A
Other languages
English (en)
Other versions
CN104050676A (zh
Inventor
杨弢
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.)
Chengdu Pinguo Technology Co Ltd
Original Assignee
Chengdu Pinguo Technology Co Ltd
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 Chengdu Pinguo Technology Co Ltd filed Critical Chengdu Pinguo Technology Co Ltd
Priority to CN201410306259.9A priority Critical patent/CN104050676B/zh
Publication of CN104050676A publication Critical patent/CN104050676A/zh
Application granted granted Critical
Publication of CN104050676B publication Critical patent/CN104050676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本发明公开了一种基于Logistic回归模型的逆光图像检测方法及装置,涉及图像处理技术，旨在提供一种能够自动检测拍摄环境是否处于逆光拍摄状态的算法。本发明技术要点：采集一图像；计算每个像素的亮度通道；统计图像的亮度通道直方图；计算图像的每个亮度等级的归一化概率；计算图像均值；算图像方差得到一个256维特征向量；将所述图像的256维特征向量带入逆光图像检测表达式求得P(y＝0|X)的值。

Description

一种基于Logistic回归模型的逆光图像检测方法及装置
技术领域
本发明涉及图像处理技术，尤其是一种快速逆光图像检测方法。
背景技术
在摄影技术中，对逆光的处理很早就存在。具体来说，就是用图像采集设备，包括相机，手机，面对太阳等强光源进行图像采集。但这样拍摄出的照片往往对比度过强，丢失了很多的图像细节，而且照片颜色信息丢失很严重。随着手持移动设备成像质量的提高，越来越多的用户使用手机拍照。因此在日光下拍摄照片变得很常见。为了能够帮助用户在逆光条件下也能拍摄出满意的照片，因此需要设计一种算法对逆光场景进行自动检测，后续再使用一系列逆光照片修复算法，这样用户就可以在逆光拍摄条件下，也能直接得到满意的照片。
发明内容
本发明所要解决的技术问题是：针对上述存在的问题，提供一种能够自动检测拍摄环境是否处于逆光拍摄状态的算法，以便准确的对逆光场景进行实时检测。
本发明采用的技术方案包括：
步骤301：采集一图像；
按照步骤302～306得到所述图像的256维特征向量；
步骤302：提取图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道；
步骤303：统计图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]；
步骤304：计算图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数；
步骤305：计算图像均值：
步骤306：计算图像方差得到一个256维特征向量vari(x,y)＝0..255：vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]；
步骤307：将所述图像的256维特征向量带入逆光图像检测表达式求得P(y＝0|X)的值，若P(y＝0|X)>0.5，则可以判定为逆光，否则为非逆光；其中，n＝1或2或∞，x表示所述图像的256维特征向量，模型参数向量w为已知常向量。
进一步，所述模型参数向量w的获取方法包括：
步骤401：采集M张逆光图像与N张非逆光图像；M、N均为不为0的自然数；
然后按照步骤402～406处理每张图像：
步骤402：提取图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道；
步骤403：统计图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]；
步骤404：计算图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数；
步骤405：计算图像均值：
步骤406：计算图像方差得到一个256维特征向量vari(x,y)＝0..255：vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]；
步骤407：使用每张图像的256维特征向量建立Logistic回归模型如下：
其中y0＝0表示逆光,y1＝1表示非逆光，w表示待求的模型参数向量，x表示图像的256维特征向量，n与步骤307中的取值一致；
步骤408：求解所述Logistic回归模型的模型参数向量w。
对应上述方法，本发明还提供了一种逆光图像检测装置。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明能够快速检测出逆光及非逆光图像，对逆光场景进行实时检测。当利用本发明提取的图像256维特征向量建立范数-2的Logistic模型时，逆光检测运算量较小且运算结果更加准确，使得本发明能在手机等便携式移动设备上推广。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1为本发明中模型训练流程图。
图2为本发明中逆光检测流程图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
本发明主要包括两部分，一部分是对大量逆光与非逆光图像进行处理，提取个图像的特征向量，利用特征向量训练Logistic回归模型，得到模型中参数向量w的值，将参数向量带入所述模型中，得到逆光图像检测表达式。另一部分是利用逆光图像检测表达式对图像进行实际逆光检测。
参考图1，训练Logistic回归模型的具体流程包括：
步骤101：采集M张逆光图像与N张非逆光图像；M、N均为不为0的自然数；其取值越大，训练出来的Logistic回归模型就越准确，例如M、N各取1000。
然后按照步骤102～106处理每张图像：
步骤102：提取图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道；例如利用公式L＝0.299*R+0.587*G+0.114*B计算像素的亮度通道，在其他实施例中，公式中的系数还可以取其他值。
步骤103：统计图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]，也即是遍历一张图像，统计属于0～255不同亮度值的像素点个数。
步骤104：计算图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数。
步骤105：计算图像均值：
步骤106：计算图像方差得到一个256维特征向量vari(x,y)＝0..255：vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]。
步骤107：使用每张图像的256维特征向量建立Logistic回归模型如下：
其中y0＝0表示逆光,y1＝1表示非逆光，w表示待求的模型参数向量，x表示图像的256维特征向量，n＝1或2或∞。
步骤108：求解所述Logistic回归模型的模型参数向量w，并带入表达式中便得到逆光图像检测表达式，n的取值与步骤107中的一致，x表示所述新图像的256维特征向量。
在一个具体实施例中，使用极大似然法求解模型参数向量w，此方法为本领域标准算法。
参考图2，利用逆光图像检测表达式对图像进行实际逆光检测的流程包括：
步骤109：采集一新图像，按照与步骤102～106一样的方法得到所述新图像的256维特征向量；并将所述新图像的256维特征向量带入逆光图像检测表达式，求得P(y＝0|X)的值，若P(y＝0|X)>0.5，则可以判定为逆光，否则为非逆光。
优选的，Logistic回归模型中，当n取值为2，即选择是范数-2的Logistic回归模型时，计算量较小且判断的准确性更佳，尤其适合运用在手机等移动设备上，当训练的是范数-2的Logistic回归模型，相应的，表达式中的n也应取2。
将手机本发明方法运用到手机等移动设备上的实施例中时，训练Logistic回归模型的步骤101～108可以在生产厂家内执行，将得到的模型参数向量w直接在手机上使用即可。
具体的，在手机上运行这样的方法步骤：
步骤301：采集一图像。
按照步骤302～306得到所述图像的256维特征向量；本实施例中的步骤302～306与上一实施例中步骤102～106一样，为了表示是不同实施例中的方法步骤，因此对步骤的编号进行了区分。
步骤302：提取图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道。
步骤303：统计图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]。
步骤304：计算图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：
pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数。
步骤305：计算图像均值：
步骤306：计算图像方差得到一个256维特征向量vari(x,y)＝0..255：vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]。
步骤307：将所述图像的256维特征向量带入逆光图像检测表达式求得P(y＝0|X)的值，若P(y＝0|X)>0.5，则可以判定为逆光，否则为非逆光；其中，n＝1或2或∞，优选取2；x表示所述图像的256维特征向量，模型参数向量w为训练模型得到的常向量。本实施例中逆光图像检测表达式的n取值与训练Logistic回归模型时的n的取值一致。
对应第二种实施例，本发明还提供了一种图像逆光检测装置，包括：
图像采集单元，用于采集图像。
亮度通道计算单元，用于提取图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道。
亮度通道直方图统计单元，用于统计图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]。
亮度等级归一化概率计算单元，用于计算图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：
pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数。
图像均值计算单元，用于计算图像均值：
图像256维特征向量计算单元，用于计算图像方差得到一个256维特征向量vari(x,y)＝0..255：
vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]。
逆光图像检验单元，用于将所述图像的256维特征向量带入逆光图像检测表达式求得P(y＝0|X)的值，若P(y＝0|X)>0.5，则可以判定为逆光，否则为非逆光；其中，n＝1或2或∞，优选为2，x表示所述图像的256维特征向量，模型参数向量w为已知常向量。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (5)

1.一种逆光检测方法，其特征在于，包括：
步骤101：采集M张逆光图像与N张非逆光图像；M、N均为不为0的自然数；
然后按照步骤102～106处理每张图像：
步骤102：提取图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道；
步骤103：统计图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]；
步骤104：计算图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数；
步骤105：计算图像均值：p[i(x,y)]为第i(x,y)个亮度等级的归一化概率；
步骤106：计算图像方差得到一个256维特征向量vari(x,y)＝0..255：vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]；
步骤107：使用每张图像的256维特征向量建立Logistic回归模型如下：
其中y0＝0表示逆光,y1＝1表示非逆光，w表示待求的模型参数向量，x表示图像的256维特征向量，n＝1或2或∞；
步骤108：求解所述Logistic回归模型的模型参数向量w，并带入表达式中便得到逆光图像检测表达式，n的取值与步骤107中的一致；
步骤109：采集一新图像，按照步骤102～106得到所述新图像的256维特征向量；并将所述新图像的256维特征向量带入逆光图像检测表达式，求得P(y＝0|X)的值，若P(y＝0|X)大于设定的阈值，则可以判定为逆光，否则为非逆光。
2.根据权利要求1所述的一种逆光检测方法，其特征在于，所述阈值为0.5。
3.一种逆光图像检测方法，其特征在于，包括：
步骤301：采集一图像；
按照步骤302～306得到所述图像的256维特征向量；
步骤302：提取图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道；
步骤303：统计图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]；
步骤304：计算图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：
pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数；
步骤305：计算图像均值：p[i(x,y)]为第i(x,y)个亮度等级的归一化概率；
步骤306：计算图像方差得到一个256维特征向量vari(x,y)＝0..255：
vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]；
步骤307：将所述图像的256维特征向量带入逆光图像检测表达式求得P(y＝0|X)的值，若P(y＝0|X)大于设定阈值，则可以判定为逆光，否则为非逆光；其中，n＝1或2或∞，x表示所述图像的256维特征向量，模型参数向量w为已知常向量；
所述模型参数向量w的获取方法包括：
步骤401：采集M张逆光图像与N张非逆光图像；M、N均为不为0的自然数；
然后按照步骤402～406处理每张图像：
步骤402：提取图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道；
步骤403：统计图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]；
步骤404：计算图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数；
步骤405：计算图像均值：p[i(x,y)]为第i(x,y)个亮度等级的归一化概率；
步骤406：计算图像方差得到一个256维特征向量vari(x,y)＝0..255：vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]；
步骤407：使用每张图像的256维特征向量建立Logistic回归模型如下：
其中y0＝0表示逆光,y1＝1表示非逆光，w表示待求的模型参数向量，x表示图像的256维特征向量，n与步骤307中的取值一致；
步骤408：求解所述Logistic回归模型的模型参数向量w。
4.根据权利要求3所述的一种逆光图像检测方法，其特征在于，所述设定的阈值为0.5。
5.一种逆光图像检测装置，其特征在于，包括：
图像采集单元，用于采集图像；
亮度通道计算单元，用于提取图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道；
亮度通道直方图统计单元，用于统计图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]；
亮度等级归一化概率计算单元，用于计算图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：
pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数；
图像均值计算单元，用于计算图像均值：p[i(x,y)]为第i(x,y)个亮度等级的归一化概率；
图像256维特征向量计算单元，用于计算图像方差得到一个256维特征向量vari(x,y)＝0..255：
vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]；
逆光图像检验单元，用于将所述图像的256维特征向量带入逆光图像检测表达式求得P(y＝0|X)的值，若P(y＝0|X)大于设定的阈值时，则可以判定为逆光，否则为非逆光；其中，n＝1或2或∞，x表示所述图像的256维特征向量，模型参数向量w为已知常向量；
还包括模型参数向量w训练单元，其进一步包括：
模型训练图像采集单元，用于采集M张逆光图像与N张非逆光图像；M、N均为不为0的自然数；
模型训练亮度通道计算单元，提取各图像的各个像素的R、G、B值，并根据所述R、G、B值计算每个像素的亮度通道；
模型训练亮度通道直方图统计单元，用于统计各图像的亮度通道直方图histi(x,y)＝0..255[i(x,y)]；
模型训练亮度等级归一化概率计算单元，用于计算各图像的每个亮度等级的归一化概率pi(x,y)＝0..255[i(x,y)]：
pi(x,y)＝0..255[i(x,y)]＝histi(x,y)＝0..255[i(x,y)]/(size)，其中size为图像的像素总数；
模型训练图像均值计算单元，用于计算各图像均值：
p[i(x,y)]为第i(x,y)个亮度等级的归一化概率；
模型训练图像256维特征向量计算单元，用于计算各图像方差得到各图像的256维特征向量vari(x,y)＝0..255：
vari(x,y)＝0..255＝(i(x,y)+1-mean)2*p[i(x,y)]；
建模单元，用于使用每张图像的256维特征向量建立Logistic回归模型如下：
其中y0＝0表示逆光,y1＝1表示非逆光，w表示待求的模型参数向量，x表示图像的256维特征向量，n与逆光图像检验单元中的取值一致；
模型参数向量w求解单元，用于求解所述Logistic回归模型的模型参数向量w。
CN201410306259.9A 2014-06-30 2014-06-30 一种基于Logistic回归模型的逆光图像检测方法及装置 Active CN104050676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410306259.9A CN104050676B (zh) 2014-06-30 2014-06-30 一种基于Logistic回归模型的逆光图像检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410306259.9A CN104050676B (zh) 2014-06-30 2014-06-30 一种基于Logistic回归模型的逆光图像检测方法及装置

Publications (2)

Publication Number Publication Date
CN104050676A CN104050676A (zh) 2014-09-17
CN104050676B true CN104050676B (zh) 2017-03-15

Family

ID=51503459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410306259.9A Active CN104050676B (zh) 2014-06-30 2014-06-30 一种基于Logistic回归模型的逆光图像检测方法及装置

Country Status (1)

Country Link
CN (1) CN104050676B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700426B (zh) * 2015-04-02 2017-11-03 厦门美图之家科技有限公司 一种判断图像是否偏暗或偏亮的方法和系统
CN107888840B (zh) * 2017-10-30 2019-10-15 Oppo广东移动通信有限公司 高动态范围图像获取方法和装置
CN108198180B (zh) * 2018-01-10 2019-11-26 南通大学 一种图像亮度值变化原因的判定方法
CN111985527B (zh) * 2020-07-03 2024-05-17 广州市卓航信息科技有限公司 一种逆光图像自动检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101008762A (zh) * 2007-01-30 2007-08-01 北京中星微电子有限公司 一种逆光检测方法、逆光补偿终止检测方法及相应装置
CN102196182A (zh) * 2010-03-09 2011-09-21 株式会社理光 逆光检测设备及逆光检测方法
CN102238339A (zh) * 2011-06-21 2011-11-09 深圳市先河系统技术有限公司 一种逆光补偿方法
CN103634528A (zh) * 2012-08-23 2014-03-12 中兴通讯股份有限公司 逆光补偿方法、装置及终端
CN103646392A (zh) * 2013-11-21 2014-03-19 华为技术有限公司 逆光检测方法及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101008762A (zh) * 2007-01-30 2007-08-01 北京中星微电子有限公司 一种逆光检测方法、逆光补偿终止检测方法及相应装置
CN102196182A (zh) * 2010-03-09 2011-09-21 株式会社理光 逆光检测设备及逆光检测方法
CN102238339A (zh) * 2011-06-21 2011-11-09 深圳市先河系统技术有限公司 一种逆光补偿方法
CN103634528A (zh) * 2012-08-23 2014-03-12 中兴通讯股份有限公司 逆光补偿方法、装置及终端
CN103646392A (zh) * 2013-11-21 2014-03-19 华为技术有限公司 逆光检测方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
后验概率估计及其应用：基于核Logistic回归的方法;李滔 等;《模式识别与人工智能》;20061231;第19卷(第6期);全文 *

Also Published As

Publication number Publication date
CN104050676A (zh) 2014-09-17

Similar Documents

Publication Publication Date Title
CN104361314B (zh) 基于红外与可见光图像融合的变电设备定位方法及装置
CN105279372B (zh) 一种确定建筑物高度的方法和装置
CN104050676B (zh) 一种基于Logistic回归模型的逆光图像检测方法及装置
Bulanon et al. Development of a real-time machine vision system for the apple harvesting robot
CN110991266B (zh) 一种双目人脸活体检测方法及装置
CN111462058B (zh) 一种水稻有效穗快速检测方法
CN104036231B (zh) 人体躯干识别装置及方法、终点影像检测方法、装置
CN104766310B (zh) 光源检测系统和检测方法
CN107680114A (zh) 一种基于计算机图像处理的草地盖度测算方法
CN109522775A (zh) 人脸属性检测方法、装置及电子设备
CN106960175A (zh) 基于深度卷积神经网络的第一视角动态手势检测方法
CN108389181A (zh) 一种基于深度学习和法向图的零件缺陷检测和定位方法
CN102074031B (zh) 一种印刷电路板外观检查机的建标方法
CN108416814A (zh) 一种菠萝头部的快速定位与识别方法及系统
CN110110732A (zh) 一种用于餐饮后厨的智能巡查算法
CN105654468B (zh) 一种基于深度学习和图像边缘信息的茶叶嫩芽检测方法
CN115984698A (zh) 一种基于改进YOLOv5的荔枝果实生长期识别方法
CN110751668B (zh) 图像处理方法、装置、终端、电子设备及可读存储介质
CN104361566B (zh) 一种优化暗部区域的图像处理方法
CN113411510B (zh) 一种基于图像质量评价和红热锻件的相机自动曝光算法
CN112449115B (zh) 拍摄方法、装置和电子设备
CN111369497B (zh) 一种行走式树上果实连续计数方法及装置
CN106067020A (zh) 实时场景下快速获取有效图像的系统和方法
CN104978558B (zh) 目标的识别方法及装置
CN108985325A (zh) 一种分类方法、装置、设备和系统

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 610041, Chengdu, Chengdu, Sichuan, China (Sichuan) free trade test area, Chengdu high tech Zone, middle section of Tianfu Avenue, No. 1268, 1

Patentee after: Chengdu PinGuo Digital Entertainment Ltd.

Address before: 610041 C12-16 software building, Tianfu Software Park, hi tech Zone, Sichuan, Chengdu

Patentee before: Chengdu PinGuo Digital Entertainment Ltd.