CN105023004A - 一种曲率与小波轮廓增强相结合的人脸识别算法 - Google Patents
一种曲率与小波轮廓增强相结合的人脸识别算法 Download PDFInfo
- Publication number
- CN105023004A CN105023004A CN201510471000.4A CN201510471000A CN105023004A CN 105023004 A CN105023004 A CN 105023004A CN 201510471000 A CN201510471000 A CN 201510471000A CN 105023004 A CN105023004 A CN 105023004A
- Authority
- CN
- China
- Prior art keywords
- image
- profile
- human face
- curvature
- training 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.)
- Granted
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
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)
- Image Analysis (AREA)
Abstract
本发明公开了一种曲率与小波轮廓增强相结合的人脸识别算法,首先用图像的水平集曲率和小波增强人脸图像的整体轮廓,从而忽略人脸识别中光照、人脸的表情和部分遮挡物的影响,然后用PCA算法提取人脸特征。现有方法在光照、表情和遮挡不同时,识别率和鲁棒性会大大降低;为了克服光照、表情、姿势等非约束性变化条件下人脸识别率降低的弊端,并提高识别方法的鲁棒性,本发明利用了水平集曲率及SRC的优点,提出了一种曲率与小波轮廓增强的人脸识别算法,该算法充分利用了水平集曲率的性质、人脸图像轮廓的不变性和人脸图像轮廓对光照的不敏感性,在现有的稀疏表示理论基础上,提高了非约束性人脸的识别率,增强了识别系统的鲁棒性。
Description
技术领域
本发明涉及一种基于稀疏表示的人脸识别算法,尤其涉及一种曲率与小波轮廓增强相结合的人脸识别算法。
背景技术
人脸识别是机器视觉和模式识别领域的研究热点,具有广泛的应用价值。目前,已有许多特征提取和识别的方法,主要包括:主成分分析法、线性判别分析法、独立主元分析和支持向量机(SVM)方法等。然而大部分方法都是在受控环境下识别的,当光照、表情和遮挡不同时,这些方法的识别率和鲁棒性会大大降低。为了提高识别方法的鲁棒性,Wright等将稀疏表示(sparse representation-based classifier,SRC)推广应用到人脸识别中,提出了稀疏表示的人脸识别算法及一些扩展算法。2012年Deng等提出了扩展SRC算法,使人脸图像得到了较好的稀疏表示,提高了识别性能;Xu等提出了二重测试样本稀疏表示方法;Lai等提出了模块加权的稀疏表示人脸识别等。虽然基于稀疏表示的人脸识别算法得到了广泛应用,但该算法是通过求解l1范数最小值问题来进行识别,由于实际应用中每个人的人脸数据有限,会存在“维数灾难”的问题,因此Min等对此作出了改进,但该算法在非约束条件下,鲁棒性降低。
参考文献
[1]Wright J,Yang A Y,Ganesh A,et al.Robust face recognition via sparse representation[J].IEEETransaction on Pattern Analysis and Machine Intelligence,2009,31(2):210-227
[2]Wright J,Ma Y,Mairal J,et al.Sparse representation for computer vision and patternrecognition[J].Proceedings of the IEEE,2010,98(6):1031-1044.
[3]Deng W H,Hu J,Guo J.Extended SRC:Undersampled face recognition via Intra-Class variantdictionary[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2012,34(9):1864-1870.
[4]Yong Xu,David Zhang,Jian Yang,et al.A two–phase test sample sparse representation methodfor use with face recognition[J].IEEE transactions on circuits and systems for video technology,2011,21(9):1255-1262.
[5]Jian Lai,Xudong Jiang.Modular weighted global sparse representation for robust facerecognition[J].IEEE Signal processing letters,2012,19(9):571-574.
[6]Meng Yang,Lei Zhang,Xiangchu Feng,et al.Fisher discrimination dictionary learning for sparserepresentation[C]//Proceedings of Computer Vision(ICCV),2011IEEE International Conference on.LosAlamitos:IEEE Computer Society Press,2011:543-550.
[7]Rui Min,Jean-Luc Dugelay.Improved combination of LBP and sparse representation basedclassifycation(ARC)for face recognition[C]//Proceedings of Multimedia and Expo(ICME),2011 IEEEInternational Conference on.Los Alamitos:IEEE Computer Society Press,2011:1-6.
[8]温浩,卢朝阳,高全学.融合小波变换和张量PCA的人脸识别算法[J].西安电子科技大学,2009,36(4):602-607.
[9]余冰,金连甫,陈平.利用标准化LDA进行人脸识别[J].计算机辅助设计与图形学报,2003,15(3):302-306.
[10]姜文涛,刘万军,袁姮.一种基于曲量场空间的人脸识别算法[J].计算机学报,2012,35(8):1739-1750.
发明内容
发明目的:为了克服现有技术中存在的不足,本发明利用了水平集曲率及SRC的优点,提供一种曲率与小波轮廓增强相结合的人脸识别算法,该算法充分利用了水平集曲率的性质、人脸图像轮廓的不变性和人脸图像轮廓对光照的不敏感性,在稀疏表示现有的理论基础上,提高了非约束性人脸的识别率,增强了识别系统的鲁棒性。
技术方案:为实现上述目的,本发明采用的技术方案为:
现有方法在光照、表情和遮挡不同时,识别率和鲁棒性会大大降低;为了克服光照、表情、姿势等非约束性变化条件下人脸识别率降低的弊端,并提高识别方法的鲁棒性,本发明利用了水平集曲率及SRC的优点,提出了一种曲率与小波轮廓增强的人脸识别算法,该算法充分利用了水平集曲率的性质、人脸图像轮廓的不变性和人脸图像轮廓对光照的不敏感性,在现有的稀疏表示理论基础上,提高了非约束性人脸的识别率,增强了识别系统的鲁棒性。
一种曲率与小波轮廓增强相结合的人脸识别算法,首先用图像的水平集曲率和小波增强人脸图像的整体轮廓,从而忽略人脸识别中光照、人脸的表情和部分遮挡物的影响,然后用PCA算法提取人脸特征。
上述曲率与小波轮廓增强相结合的人脸识别算法,具体包括如下步骤:
步骤一:建立结构函数式f(κ)是以原始图像I的水平集曲率κ为自变量的结构函数,f(κ)原则上是任何可以满足f(0)=0的单调递增函数,通过f(κ)检测原始图像I的初步轮廓;将水平集曲率κ作为检测因子得到原始图像I的初步轮廓f(κ),为了进一步得到原始图像I的整体轮廓,建立轮廓分布模型 是轮廓分布图像,I是原始图像,α,β是拟合系数,采用轮廓分布模型对原始图像I和初步轮廓f(κ)进行融合得到轮廓分布图像
步骤二:对步骤一得到的轮廓分布图像采用小波处理,用小波对轮廓分布图像进行分解,在频域里对轮廓分布图像进行增强,处理分解系数,突出轮廓分布图像的轮廓和整体结构,弱化细节,从而得到整体轮廓图像;
步骤三:对步骤二得到的整体轮廓图像采用PCA算法进行特征提取;
步骤四:对步骤三提取的特征进行归一化处理;
步骤五:采用步骤一到步骤四的方法,对训练样本图像和测试样本图像进行特征提取和归一化处理,得到训练样本和测试样本;第i类训练样本集Ai表示为:
将所有k类的总共n个训练样本组合在一起构成一个训练集A:
其中:第i类训练样本集Ai总共有ni个训练样本,vi,j表示第i类第j个训练样本;A∈Rm×n;
步骤六:将第i类测试样本yi进行稀疏表示:
其中,ai,j∈R,表示第i类第j个训练样本的重构系数;x为系数向量,只有第i类的系数值是非0元素,其他系数值为0,因此系数向量x是稀疏的;
利用 求解稀疏系数根据稀疏系数对测试样本yi进行分类识别。
有益效果:本发明提供的曲率与小波轮廓增强相结合的人脸识别算法,充分利用了水平集曲率的性质、人脸图像轮廓的不变性和人脸图像轮廓对光照的不敏感性,在现有的稀疏表示理论基础上,提高了非约束性人脸的识别率,增强了识别系统的鲁棒性;本发明方法具有如下优点:1、识别率高:随着训练样本数的增加,本发明的算法的识别率能够稳定的增加,最高能够达到98.50%;2、鲁棒性强:利用了轮廓不变性及轮廓对光照的不敏感性,以及小波增强图像的整体轮廓,增强了算法的鲁棒性;3、识别内容丰富:本算法综合了PCA和SRC算法的优点,并基于曲率和小波对图像轮廓进行了增强,将形态学特征应用到人脸识别中,丰富了人脸识别的内容的人脸识别算法。
附图说明
图1为曲率与小波轮廓增强的人脸识别流程图;
图2为结构检测图;
图3为融合轮廓分布图;
图4为图像轮廓增强图;
图5为增强图像的人脸特征图;
图6为不同算法人脸识别率的比较图;
图7为切矢量旋转速度示意图;
图8为法矢量旋转速度示意图;
具体实施方式
下面结合附图对本发明作更进一步的说明。
1、水平集曲率的概念
如图7所示,水平集曲率κ是切矢量T(s)的旋转角速度;如图8所示,水平集曲率κ是法矢量N(s)的旋转角速度;因此有式(1):
又因为单位法矢量N(s)=(-sinθ,cosθ)=(n1,n2),n1,n2表示法矢量,因此有式(2):
记ds=dx cosθ+dy sinθ,将ds=dx cosθ+dy sinθ与相比较,可得 带入式(2)可得 从而有式(3):
将平面封闭曲线C表示为式(4):
C={(x,y),I(x,y)=0}(4)
其中,I(x,y)是一个二维函数,将平面封闭曲线C上满足I(x,y)=c的点集,称为函数I(x,y)的一个水平(线)集,称I(x,y)是平面封闭曲线C的嵌入函数,c为常数;在水平(线)集的某一点p沿水平集的切线方向对I(x,y)求方向导数,由于I(x,y)沿水平集保持不变,则该式中的θ表示切矢量T(s)与x轴的夹角;因此可得到I(x,y)的梯度矢量为式(5):
梯度矢量与水平集的切矢量T(s)=(cosθ,sinθ)相垂直,即梯度矢量与水平集的法矢量平行;另一方面,根据式(5),由于梯度矢量总是指向I值增大的方向,所以水平集的单位法矢量N可表示为式(6):
一般约定式(6)取负号,将式(6)带入式(3)中,便可求得嵌入函数I(x,y)水平集曲率为:
2、曲率与小波轮廓增强的人脸识别算法
图像的水平集曲率不但是水平集形态学特征的一种重要描述,而且是几何体不平坦程度的一种度量,能够有效地检测图像的整体结构。鉴于此,首先用图像的水平集曲率和小波增强人脸图像的整体轮廓,从而忽略人脸识别中光照、人脸的表情和部分遮挡物的影响,然后用PCA算法提取人脸特征,具体算法步骤如下:
步骤一:建立结构函数式f(κ)是以原始图像I的水平集曲率κ为自变量的结构函数,f(κ)原则上是任何可以满足f(0)=0的单调递增函数,通过f(κ)检测原始图像I的初步轮廓(如图1所示);将水平集曲率κ作为检测因子得到原始图像I的初步轮廓f(κ),为了进一步得到原始图像I的整体轮廓,建立轮廓分布模型是轮廓分布图像,I是原始图像,α,β是拟合系数,采用轮廓分布模型对原始图像I和初步轮廓f(κ)进行融合得到轮廓分布图像(如图2所示);
步骤二:对步骤一得到的轮廓分布图像采用小波处理,用小波对轮廓分布图像进行分解,在频域里对轮廓分布图像进行增强,处理分解系数,突出轮廓分布图像的轮廓和整体结构,弱化细节,从而得到整体轮廓图像(如图3所示);
步骤三:对步骤二得到的整体轮廓图像采用PCA算法进行特征提取(如图4所示);
步骤四:对步骤三提取的特征进行归一化处理;
步骤五:采用步骤一到步骤四的方法,对训练样本图像和测试样本图像进行特征提取和归一化处理,得到训练样本和测试样本;第i类训练样本集Ai表示为:
将所有k类的总共n个训练样本组合在一起构成一个训练集A:
其中:第i类训练样本集Ai总共有ni个训练样本,vi,j表示第i类第j个训练样本;A∈Rm×n;
步骤六:将第i类测试样本yi进行稀疏表示:
其中,ai,j∈R,表示第i类第j个训练样本的重构系数;x为系数向量,只有第i类的系数值是非0元素,其他系数值为0,因此系数向量x是稀疏的;
由于人脸图像是高维数据,需在使用训练样本生成冗余字典之前用PCA方法进行降维,具体过程为:
首先,将平均脸记为Γ,xi表示第i个训练样本;则训练样本减去平均脸的差值向量可记为:
Ωi=xi-Γ
然后,将所有的Ωi组成一个协方差矩阵:
求解L得到该矩阵的特征向量,选取该矩阵的最大特征值对应的特征向量,得到特征子空间Z,计算训练样本在Z中的投影向量,将投影后的向量生成冗余字典;
在降维之后,为了计算系数向量x,需要求解如下的最小l0范数问题,即:
表示角度,||x||表示范数;最小l0范数化是一个Np-hard问题,难以直接求解。Donoho等人指出,如果x足够稀疏,通过求解如下的凸优化问题,可以正确恢复系数向量x:
其中,表示稀疏系数,是中的一个元素,||x||是||x||1中的一个元素;根据稀疏系数对测试样本yi进行分类识别。
曲率与小波轮廓增强的人脸识别算法的流程图如图5所示;该算法综合了PCA和SRC算法的优点,并基于曲率和小波对图像轮廓进行了增强,将形态学特征应用到人脸识别中,丰富了人脸识别的内容的人脸识别算法;该算法利用了轮廓不变性及轮廓对光照的不敏感性,以及小波增强图像的整体轮廓,增强了算法的鲁棒性。
3、实验结果与分析
为了验证本发明的有效性,通过著名的ORL人脸库(http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html)将本发明提出的算法与PCA算法、SRC算法、PCA&SRC算法进行比较。
在实验过程中将人脸库中的图像分成两部分,每部分5张图像,一部分作为训练图像,一部分作为测试图像,实验结果如表1、表2和图6所示。
表1 几种算法的人脸识别率(%)比较
表2 各算法对不同样本训练数人脸识别率(%)的比较
由表1可知,本发明提出的算法与PCA算法、SRC算法、PCA&SRC算法相比,识别率最高提高了18.5%。观察表2和图6,随着训练样本数的增加,本发明算法的识别率能够稳定的增加,最高能够达到98.50%,而PCA算法、SRC算法、PCA&SRC算法的识别率随着训练样本的增加出现下降的趋势,故本发明算法的识别系统鲁棒性较其它算法好。
综上所述,基于ORL人脸库的仿真结果表明,本发明所提算法提高了人脸识别率,识别系统鲁棒性较其它算法好。本发明算法综合了PCA和SRC算法的优点,并基于曲率和小波对图像轮廓进行了增强,将形态学特征应用到人脸识别中,丰富了人脸识别的内容的人脸识别算法。利用了轮廓不变性及轮廓对光照的不敏感性,以及小波增强图像的整体轮廓,增强了算法的鲁棒性。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种曲率与小波轮廓增强相结合的人脸识别算法,其特征在于:首先用图像的水平集曲率和小波增强人脸图像的整体轮廓,从而忽略人脸识别中光照、人脸的表情和部分遮挡物的影响,然后用PCA算法提取人脸特征。
2.根据权利要求1所述的曲率与小波轮廓增强相结合的人脸识别算法,其特征在于:包括如下步骤:
步骤一:建立结构函数式f(κ)是以原始图像I的水平集曲率κ为自变量的结构函数,f(κ)是任何可以满足f(0)=0的单调递增函数,通过f(κ)检测原始图像I的初步轮廓;将水平集曲率κ作为检测因子得到原始图像I的初步轮廓f(κ),为了进一步得到原始图像I的整体轮廓,建立轮廓分布模型 是轮廓分布图像,I是原始图像,α,β是拟合系数,采用轮廓分布模型对原始图像I和初步轮廓f(κ)进行融合得到轮廓分布图像
步骤二:对步骤一得到的轮廓分布图像采用小波处理,用小波对轮廓分布图像进行分解,在频域里对轮廓分布图像进行增强,处理分解系数,突出轮廓分布图像的轮廓和整体结构,弱化细节,从而得到整体轮廓图像;
步骤三:对步骤二得到的整体轮廓图像采用PCA算法进行特征提取;
步骤四:对步骤三提取的特征进行归一化处理;
步骤五:采用步骤一到步骤四的方法,对训练样本图像和测试样本图像进行特征提取和归一化处理,得到训练样本和测试样本;第i类训练样本集Ai表示为:
将所有k类的总共n个训练样本组合在一起构成一个训练集A:
其中:第i类训练样本集Ai总共有ni个训练样本,vi,j表示第i类第j个训练样本;A∈Rm×n;
步骤六:将第i类测试样本yi进行稀疏表示:
其中,ai,j∈R,表示第i类第j个训练样本的重构系数;x为系数向量,只有第i类的系数值是非0元素,其他系数值为0,因此系数向量x是稀疏的;
利用 求解稀疏系数根据稀疏系数对测试样本yi进行分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510471000.4A CN105023004B (zh) | 2015-08-04 | 2015-08-04 | 一种曲率与小波轮廓增强相结合的人脸识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510471000.4A CN105023004B (zh) | 2015-08-04 | 2015-08-04 | 一种曲率与小波轮廓增强相结合的人脸识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105023004A true CN105023004A (zh) | 2015-11-04 |
CN105023004B CN105023004B (zh) | 2018-05-04 |
Family
ID=54412959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510471000.4A Active CN105023004B (zh) | 2015-08-04 | 2015-08-04 | 一种曲率与小波轮廓增强相结合的人脸识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105023004B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993721A (zh) * | 2019-04-04 | 2019-07-09 | 电子科技大学成都学院 | 一种基于聚类算法和蚁群算法的图像增强方法 |
CN114898410A (zh) * | 2022-07-14 | 2022-08-12 | 安徽云森物联网科技有限公司 | 一种基于小波变换的跨分辨率行人重识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147556A1 (en) * | 2002-01-18 | 2003-08-07 | Madhusudhana Gargesha | Face classification using curvature-based multi-scale morphology |
CN101847203A (zh) * | 2009-03-25 | 2010-09-29 | 何玉青 | 一种基于红黑小波变换的人脸识别方法 |
CN104616249A (zh) * | 2014-11-24 | 2015-05-13 | 南京信息工程大学 | 一种基于曲率变分的小波变换图像去噪算法 |
CN104750926A (zh) * | 2015-03-27 | 2015-07-01 | 东南大学 | 基于节点曲率和小波分析的变截面梁损伤识别方法 |
-
2015
- 2015-08-04 CN CN201510471000.4A patent/CN105023004B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147556A1 (en) * | 2002-01-18 | 2003-08-07 | Madhusudhana Gargesha | Face classification using curvature-based multi-scale morphology |
CN101847203A (zh) * | 2009-03-25 | 2010-09-29 | 何玉青 | 一种基于红黑小波变换的人脸识别方法 |
CN104616249A (zh) * | 2014-11-24 | 2015-05-13 | 南京信息工程大学 | 一种基于曲率变分的小波变换图像去噪算法 |
CN104750926A (zh) * | 2015-03-27 | 2015-07-01 | 东南大学 | 基于节点曲率和小波分析的变截面梁损伤识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993721A (zh) * | 2019-04-04 | 2019-07-09 | 电子科技大学成都学院 | 一种基于聚类算法和蚁群算法的图像增强方法 |
CN114898410A (zh) * | 2022-07-14 | 2022-08-12 | 安徽云森物联网科技有限公司 | 一种基于小波变换的跨分辨率行人重识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105023004B (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279745B (zh) | 一种基于半脸多特征融合的人脸识别方法 | |
WO2017219391A1 (zh) | 一种基于三维数据的人脸识别系统 | |
CN104978550A (zh) | 基于大规模人脸数据库的人脸识别方法及系统 | |
Zeng et al. | Deep Convolutional Neural Network Used in Single Sample per Person Face Recognition. | |
CN105956552B (zh) | 一种人脸黑名单监测方法 | |
Bedre et al. | Comparative study of face recognition techniques: a review | |
Saikia et al. | Approaches and issues in offline signature verification system | |
Sang et al. | Pose-invariant face recognition via RGB-D images | |
Lei et al. | Gender classification using automatically detected and aligned 3D ear range data | |
Lan et al. | A non-rigid registration method with application to distorted fingerprint matching | |
CN105023004A (zh) | 一种曲率与小波轮廓增强相结合的人脸识别算法 | |
Zhang et al. | A survey on occluded face recognition | |
Ren et al. | Object detection using boosted local binaries | |
Wang et al. | Face recognition based on nonsubsampled contourlet transform and block-based kernel fisher linear discriminant | |
Zhang et al. | Finger vein recognition based on Gabor filter | |
Yin et al. | Video text localization based on Adaboost | |
Gondhi et al. | An efficient algorithm for facial landmark detection using haar-like features coupled with corner detection following anthropometric constraints | |
Sureshkumar et al. | Handwritten Tamil character recognition and conversion using neural network | |
Al-Akam et al. | Local and Global Feature Descriptors Combination from RGB-Depth Videos for Human Action Recognition. | |
Yu et al. | Research on video face detection based on AdaBoost algorithm training classifier | |
Van et al. | GridLDA of Gabor wavelet features for palmprint identification | |
Suresh Kumar et al. | Handwritten Tamil character recognition using RCS algorithms | |
Spizhevoy | Robust dynamic facial expressions recognition using Lbp-Top descriptors and Bag-of-Words classification model | |
Mavaddati | A novel face detection method based on over-complete incoherent dictionary learning | |
Zhang et al. | A score level fusion framework for gait-based human recognition |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190312 Address after: 210046 Building 13, Building B, Xingzhi Science Park, Xingzhi Road, Nanjing Economic and Technological Development Zone, Jiangsu Province Patentee after: Nanjing Dunhua Electronic Technology Co., Ltd. Address before: 210044 Ning six road, Nanjing, Jiangsu Province, No. 219 Patentee before: Nanjing University of Information Science and Technology |