CN104951760B - 一种基于方向场细节点描述子的指纹分类方法 - Google Patents
一种基于方向场细节点描述子的指纹分类方法 Download PDFInfo
- Publication number
- CN104951760B CN104951760B CN201510324121.6A CN201510324121A CN104951760B CN 104951760 B CN104951760 B CN 104951760B CN 201510324121 A CN201510324121 A CN 201510324121A CN 104951760 B CN104951760 B CN 104951760B
- Authority
- CN
- China
- Prior art keywords
- point
- mrow
- fingerprint
- concentric circles
- sample
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了一种基于方向场细节点描述子(Orientation_based Minutia Descriptor,OMD)的指纹分类方法,本发明主要包括两个部分:1、在指纹图像中以中心点向下40像素为中心构建一个覆盖整幅图像的大尺度方向场细节点描述子,并提取为该指纹的特征向量;2、利用该特征向量通过SVM进行快速、准确的指纹分类。本发明首次将方向场细节点描述子运用于指纹分类领域,对方向场细节点描述子进行改进,构建了覆盖整幅指纹图像的大尺度方向场细节点描述子;相对于已有的分类算法,本发明提出的基于方向场细节点描述子的指纹分类方法不论是在时间花费还是精确度上都具有一定的优势。
Description
技术领域
本发明涉及基于方向场细节点描述子的指纹分类方法,属于数字图像处理 技术领域。
背景技术
指纹作为一种存在于人类指尖的生物特征由于其唯一性、不变性和低成本 已经被广泛地用于司法和民间的身份认证场合。总体上基于指纹的识别系统在 两种模式下工作:确认和识别[1]。在确认模式下用户输入他的指纹并请求一 个认证,然后系统确认是否这个输入的指纹属于所请求的身份。在识别模式下, 用户输入他的指纹,然后系统在数据库中寻找这个指纹的并识别出该用户的身 份。因此自动指纹识别需要输入指纹和指纹库中所有指纹进行匹配,当我们获 得的更大的数据库识别过程势必更加复杂。尽管在指纹认证方面已经存在了令 人满意的结果,但是从1:1的认证过程扩展为1:N的识别过程时不管是时间 花费还是精确度都严重地恶化[1:D.Maltoni,D.Maio,A.K.Jain,A. Prabhakar,Handbook of Fingerprint Recognition,Springer, NewYork,2003]。普遍的策略是在分类之前把指纹库中指纹分成一系列具有共 同点的组[2:N.K.Ratha,S.Chen,K.Karu,A.Jain,Areal-time matching system for large fingerprint databases,IEEETransactions on Pattern Analysis and Machine Intelligence 18(8)(1996)799–813.M.Liu,X.D. Jiang,A.C.Kot,Efficient fingerprint search based on databaseclustering,Pattern Recognition40(6)(2007)1793–1803.]输入的指纹先粗 略地与每个组进行匹配,然后再与一个或多个与该指纹在一定程度上相似的组 内的指纹进行匹配。所谓指纹分类就是通过一个精确并且稳定的方法把指纹分 在一个预定义的类中。建立索引表加快在大规模的识别系统中搜索指纹库的速 度是十分重要的。指纹识别已经研究了超过一个世纪。大多数指纹分类算法都 是根据高尔顿-亨利Galton-Henry分类表:[3、4:E.R.Henry,Classification and Uses of Fingerprints,Routledge,London,1900.]来把指纹分为5个常规 的类型:尖拱型、平拱型、左旋型、右旋型和涡型。稳定并且可靠的指纹分类 由于固有的种间模糊性仍然是一个具有挑战性的问题。指纹分类由于其重要性 和本质上的难度已经引起了巨大的研究兴趣,许多算法在文献中被提出[5:K. Karu,A.K.Jain,Fingerprint classification,Pattern Recognition29 (3)(1996)389–404.][6:A.K.Jain,S.Prabhakar,L.Hong,A multi-channel approach to fingerprintclassification,IEEE Transactions on Pattern Analysis and Machine Intelligence21 (4)(1999)348–359.][7:G.T.Candela,P.J.Grother,C.I.Watson,R.A.Wilkin son,C.L.Wilson,PCASYS—a pattern-level classification automation system forfingerprints,Technique Report:NISTTR5647,August1995.][8: R.Cappelli,D.Maio,D.Maltoni,Fingeprint classification based on multi-space KL,in:Proceedings ofWorkshop on Automatic Identification Advanced Technologies,1999,pp.117–120.][9:C.H.Park,H.Park, Fingerprint classification using fast Fourier transformand nonlinear discriminant analysis,Pattern Recognition38(4)(2005)495–503.][10:Y. Yao,P.Frasconi,M.Pontil,Fingerprint classification with combination ofsupport vector machine,in:Proceedings of 3rd International Conference onAudio-and Video-based Biometric Person Authentication,2001,pp.253–258.][11:A.Senior,A combination fingerprint classification,IEEE Transactions onPattern Analysis and Machine Intelligence 23(10)(2001)1165–1174.][12:G.L.Marcialis,F. Roli,P.Frasconi,Fingerprint classification by combination offlat and structural approaches,in:Proceedings of International Conference onAudio-and Video-based Biometric Person Authentication(3rd), 2001,pp.241–246.][13:X.Tan,B.Bhanu,Y.Lin,Fingerprint classification based on learned features,IEEE Transactions on System, Man and Cybernetics,PartC35(3)(2005)287–300(special issue on Biometrics).]。一个有效的指纹分类算法通常提取一组具有表现力的特征集 来获取每个指纹独特的并包含某些可以决定指纹类型的信息。指纹由交错的脊谷线组成。总体上能表现指纹的有两种特征:描述全局脊谷线流向的模糊特征 还有精确描述脊线异常点的精确特征——细节点。奇异点也可以被认为是脊线 结构上的异常点。存在两种奇异点,core点和delta点。为了促进数据库搜 索指纹一般根据模糊特征进行分类,而精确特征被用来进行指纹的匹配。大部 分公布的指纹分类方法使用一个或多个下列的特征:奇异点、方向场、脊谷线 流向和Gabor滤波响应。在对基于Gabor滤波响应特征的指纹分类算法 FingerCode[6:A.K.Jain,S.Prabhakar,L.Hong,A multi-channel approach tofingerprint classification,IEEE Transactions on Pattern Analysis and MachineIntelligence 21(4)(1999)348–359.]的研究中发现Gabor滤波响应尽管在分类方 面有着显著的效果,但其对特征向量的提取方式相对复杂。所以本文在对 FingerCode[6:A.K.Jain,S.Prabhakar,L.Hong,A multi-channel approach to fingerprintclassification,IEEE Transactions on Pattern Analysis and Machine Intelligence21(4)(1999)348–359.]算法分析和总结的基础上,通过一个在指纹 core点周围进行构建的大范围方向场细节点描述子[14:Jianjiang Feng. Combining minutiae descriptorsfor fingerprint matching.Pattern Recognition,2008, 41(1):342~352.][15:M.Tico,P.Kuosmanen.Fingerprint matching using an orientation-based minutiadescriptor.IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(8):1009-1014.]作为特征向量。大量实验证明: 相对于已有的分类方法,本发明提出的基于方向场细节点描述子的指纹分类方 法,不论是在时间花费还是精确度上都具有一定的优势。
发明目的:
本发明的目的是构建一个覆盖整幅指纹图像的大尺度方向场细节点描述 子,并提取为该指纹的特征向量,以提高1:N的指纹识别的速度和精度。该 发明主要以中心点向下40像素为中心构建一个覆盖整幅指纹图像的大尺度方 向场细节点描述子,并提取为该指纹的特征向量;利用该特征向量通过SVM 进行快速、准确的指纹分类。
发明内容
本发明为实现上述目的,采用如下技术方案:
1)、在经过预处理的指纹图像中寻找参考点。参考FingerCode算法参考 点取中心点在不越过图像边界的情况下向下40pixel记为Pr,以指纹库 FVC2002/DB1为例纵坐标不得超过354(图像边界20pixel);
2)、以参考点为中心取半径为30、60、90、120的同心圆,每个同心圆上 从水平开始分别均匀取6、12、18、24个取样点,提取各个点的方向信息;
取样点记为Pij,取样点的横纵坐标分别通过式(1)(2)进行计算得出,
其中Xij表示从参考点向外第j个同心圆上第i个点的横坐标;其中Yij表 示从参考点向外第j个同心圆上第i个点的纵坐标;Pr.x和Pr.y分别表示参考 点的横纵坐标;r表示参考点到第一个同心圆半径和两个同心圆之间的半径差, 优选地,设为30;num表示初始同心圆的取样点数,优选地,num设为6。
3)、越界处理:
(1)对取样点越界的判断。当该取样点满足以下条件时判断为越界:取 样点位于指纹图像外;取样点位于指纹前景区域外。判断取样点是否位于指纹 图像外,只需要判断Xij和Yij是否小于0或是超过图像的像素范围。本方案通 过该取样点处方向场信息是否存在来判断该点是否位于前景区域。
(2)对越界取样点信息的处理:若该点在第一层同心圆上,则把该点的 方向值设为参考点的方向值;若该点位于中心点和第一个同心圆点的延长线与 所在同心圆的交点位置,则该取样点的方向值取该延长线与上一个同心圆交点 位置处取样点的方向值,式(3);当取样点为该同心圆上最后一个点时取样点 的方向值取上一个同心圆第一个和最后一个点方向值的平均值,式(4);其他 情况下取样点的方向值为上一个同心圆和该取样点距离最近的两个点方向的 平均值,式(5)。
Pij.dir=Pab.dir其中b=j-1,
其中b=j-1,a=1,c=(j-1)*num (4)
其中b=j-1,
4)、提取所有取样点的方向信息作为该指纹分类时的特征向量,通过SVM 进行分类。
有益效果:
本发明的优点在于:本发明首次将方向场细节点描述子运用于指纹分类领 域;本发明对方向场细节点描述子进行改进,构建了覆盖整幅指纹图像的大尺 度方向场细节点描述子;相对于已有的分类算法本发明提出的基于方向场细节 点描述子的指纹分类算法指纹分类算法不论是在时间花费还是精确度上都具 有一定的优势。
附图说明
图1.经过预处理的指纹图像;
图2.参考点提取;
图3.完整的特征提取示例;
图4.越界处理示例。
具体实施方式
下面将结合附图及具体实施例对本发明所述的一种基于方向场细节点描 述子的指纹分类算法作进一步详细描述。
具体步骤如下:
步骤1:寻找参考点,如图2。参考FingerCode算法参考点取中心点在不 越过图像边界的情况下向下40pixel记为Pr,以指纹库FVC2002/DB1为例纵坐 标不得超过354(图像边界20pixel)。
步骤2:取样点记为Pij,取样点的横纵坐标分别通过式(1)、(2)进行计 算得出:
其中Xij表示从参考点向外第j个同心圆上第i个点的横坐标;其中Yij表 示从参考点向外第j个同心圆上第i个点的纵坐标;Pr.x和Pr.y分别表示参考 点的横纵坐标;r表示参考点到第一个同心圆半径和两个同心圆之间的半径 差,在本实施例中设为30;num表示初始同心圆的取样点数,本实施例设为6。
步骤3:越界处理,
(1)对取样点越界的判断。当该取样点满足以下条件时判断为越界:取 样点位于指纹图像外;取样点位于指纹前景区域外。判断取样点是否位于指纹 图像外,只需要判断Xij和Yij是否小于0或是超过图像的像素范围,通过该取 样点处方向场信息是否存在来判断该点是否位于前景区域。
(2)对越界取样点信息的处理:若该点在第一层同心圆上,则把该点的 方向值设为参考点的方向值;若该点位于中心点和第一个同心圆点的延长线与 所在同心圆的交点位置,则该取样点的方向值取该延长线与上一个同心圆交点 位置处取样点的方向值,式(3);当取样点为该同心圆上最后一个点时取样点 的方向值取上一个同心圆第一个和最后一个点方向值的平均值,式(4);其他 情况下取样点的方向值为上一个同心圆和该取样点距离最近的两个点方向的 平均值,式(5)。
Pij.dir=Pab.dir其中b=j-1,
其中b=j-1,a=1,c=(j-1)*num (4)
其中b=j-1,
步骤4:提取所有取样点的方向信息作为该指纹分类时的特征向量,通过 SVM进行分类。
Claims (2)
1.一种基于方向场细节点描述子的指纹分类方法,其特征在于,步骤如下:
1)、在经过预处理的指纹图像中寻找参考点,参考FingerCode算法参考点取中心点在不越过图像边界的情况下向下40pixel记为Pr;
2)、以参考点为中心取半径为30、60、90、120的同心圆,每个同心圆上从水平开始分别均匀取6、12、18、24个取样点,提取各个点的方向信息;
取样点记为Pij,取样点的横纵坐标分别通过公式(1)、(2)进行计算得出:
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>Pr</mi>
<mo>.</mo>
<mi>x</mi>
<mo>+</mo>
<mi>r</mi>
<mo>*</mo>
<mi>j</mi>
<mo>*</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>+</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mo>*</mo>
<mi>j</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>Pr</mi>
<mo>.</mo>
<mi>y</mi>
<mo>+</mo>
<mi>r</mi>
<mo>*</mo>
<mi>j</mi>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>+</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mo>*</mo>
<mi>j</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Xij表示从参考点向外第j个同心圆上第i个点的横坐标;其中Yij表示从参考点向外第j个同心圆上第i个点的纵坐标;Pr.x和Pr.y分别表示参考点的横纵坐标;r表示参考点到第一个同心圆半径和两个同心圆之间的半径差;num表示初始同心圆的取样点数;
3)、越界处理:
(1)对取样点越界的判断,当该取样点满足以下条件时判断为越界:取样点位于指纹图像外;取样点位于指纹前景区域外,判断取样点是否位于指纹图像外,只需要判断Xij和Yij是否小于0或是超过图像的像素范围,通过该取样点处方向场信息是否存在来判断该点是否位于前景区域;
(2)对越界取样点信息的处理:若该点在第一层同心圆上,则把该点的方向值设为参考点的方向值;若该点位于中心点和第一个同心圆点的延长线与所在同心圆的交点位置,则该取样点的方向值取该延长线与上一个同心圆交点位置处取样点的方向值,见公式(3);当取样点为该同心圆上最后一个点时取样点的方向值取上一个同心圆第一个和最后一个点方向值的平均值,见公式(4);其他情况下取样点的方向值为上一个同心圆和该取样点距离最近的两个点方向的平均值,见公式(5);
Pij.dir=Pab.dir其中b=j-1,
其中b=j-1,a=1,c=(j-1)*num (4)
其中b=j-1,
4)、提取所有取样点的方向信息作为该指纹分类时的特征向量,通过SVM进行分类。
2.如权利要求1所述的方法,其特征在于,在公式(1)、(2)中,r设为30,num设为6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510324121.6A CN104951760B (zh) | 2015-06-12 | 2015-06-12 | 一种基于方向场细节点描述子的指纹分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510324121.6A CN104951760B (zh) | 2015-06-12 | 2015-06-12 | 一种基于方向场细节点描述子的指纹分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104951760A CN104951760A (zh) | 2015-09-30 |
CN104951760B true CN104951760B (zh) | 2018-04-10 |
Family
ID=54166402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510324121.6A Active CN104951760B (zh) | 2015-06-12 | 2015-06-12 | 一种基于方向场细节点描述子的指纹分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104951760B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874851B (zh) * | 2017-01-12 | 2019-07-23 | 杭州晟元数据安全技术股份有限公司 | 一种基于多参考节点的指纹识别方法 |
CN109063572A (zh) * | 2018-07-04 | 2018-12-21 | 南京信息工程大学 | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 |
CN109255318A (zh) * | 2018-08-31 | 2019-01-22 | 南京信息工程大学 | 基于多尺度和多卷积层特征融合的指纹活性检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1447272A (zh) * | 2002-03-26 | 2003-10-08 | 北京中科模识科技有限公司 | 指纹细节大拓扑结构匹配算法 |
CN101609499A (zh) * | 2008-06-20 | 2009-12-23 | 南京理工大学 | 快速指纹识别方法 |
CN104156707A (zh) * | 2014-08-14 | 2014-11-19 | 深圳市汇顶科技股份有限公司 | 指纹识别方法及其指纹识别装置 |
CN104615635A (zh) * | 2014-11-10 | 2015-05-13 | 南方医科大学 | 基于方向特征的手掌静脉分类索引构建方法 |
-
2015
- 2015-06-12 CN CN201510324121.6A patent/CN104951760B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1447272A (zh) * | 2002-03-26 | 2003-10-08 | 北京中科模识科技有限公司 | 指纹细节大拓扑结构匹配算法 |
CN101609499A (zh) * | 2008-06-20 | 2009-12-23 | 南京理工大学 | 快速指纹识别方法 |
CN104156707A (zh) * | 2014-08-14 | 2014-11-19 | 深圳市汇顶科技股份有限公司 | 指纹识别方法及其指纹识别装置 |
CN104615635A (zh) * | 2014-11-10 | 2015-05-13 | 南方医科大学 | 基于方向特征的手掌静脉分类索引构建方法 |
Non-Patent Citations (2)
Title |
---|
"A Multichannel Approach to Fingerprint Classification";Anil K. Jain;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;19990430;第21卷(第4期);第349-359页 * |
"Combining minutiae descriptors for fingerprint matching";Jianjiang Feng;《Pattern Recognition》;20081231;第41卷(第1期);第342-352页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104951760A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392082B (zh) | 一种基于深度学习的小面积指纹比对方法 | |
Zhu et al. | Fingerprint matching based on global alignment of multiple reference minutiae | |
CN108416342A (zh) | 一种结合细节点和细线结构的指纹识别方法 | |
US9911027B2 (en) | Fingerprint authentication system, fingerprint authentication program and fingerprint authentication method | |
CN102479328B (zh) | 基于生物特征的身份验证装置及其方法 | |
Song et al. | Aggregating minutia-centred deep convolutional features for fingerprint indexing | |
Gupta et al. | Fingerprint indexing schemes–a survey | |
CN104951760B (zh) | 一种基于方向场细节点描述子的指纹分类方法 | |
Charfi et al. | Bimodal biometric system based on SIFT descriptors of hand images | |
Song et al. | Fingerprint indexing based on pyramid deep convolutional feature | |
Hamouchene et al. | Efficient approach for iris recognition | |
CN101178767A (zh) | 人脸和虹膜混合识别的新方法-识别层融合 | |
CN109977909B (zh) | 基于细节点区域匹配的手指静脉识别方法及系统 | |
Jie et al. | Fingerprint minutiae matching algorithm for real time system | |
CN103246877A (zh) | 基于图像轮廓的人脸识别新方法 | |
Kant et al. | Reducing process-time for fingerprint identification system | |
Zhang et al. | Unmatched minutiae: Useful information to boost fingerprint recognition | |
CN102194111A (zh) | 非接触握拳式手背静脉样本roi区域自适应提取方法 | |
CN102819754A (zh) | 一种基于Sigmoid扩展的指纹分数融合系统及方法 | |
Yuan et al. | A real time fingerprint recognition system based on novel fingerprint matching strategy | |
Wang et al. | A performance evaluation of shape and texture based methods for vein recognition | |
Lin et al. | Design of online non-contact palmprint recognition simulation system | |
Chen et al. | A fusion method for partial fingerprint recognition | |
CN100365646C (zh) | 基于差分运算的高精度掌纹识别方法 | |
Feng et al. | Fingerprint representation and matching in ridge coordinate system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191129 Address after: 221300 South of Binhu Avenue and West of Taihu Avenue in Pizhou High-tech Industrial Development Zone, Xuzhou City, Jiangsu Province Patentee after: Jiangsu Food & Gathering Technology Co., Ltd. Address before: 210044 Nanjing Ning Road, Jiangsu, No. six, No. 219 Patentee before: Nanjing University of Information Science and Technology |
|
TR01 | Transfer of patent right |