CN105184317A - 一种基于svm分类的车牌字符分割方法 - Google Patents

一种基于svm分类的车牌字符分割方法 Download PDF

Info

Publication number
CN105184317A
CN105184317A CN201510543250.4A CN201510543250A CN105184317A CN 105184317 A CN105184317 A CN 105184317A CN 201510543250 A CN201510543250 A CN 201510543250A CN 105184317 A CN105184317 A CN 105184317A
Authority
CN
China
Prior art keywords
car plate
license plate
image
null sequence
carry out
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
Application number
CN201510543250.4A
Other languages
English (en)
Other versions
CN105184317B (zh
Inventor
解梅
于国辉
黄成挥
罗招材
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 Group 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 CN201510543250.4A priority Critical patent/CN105184317B/zh
Publication of CN105184317A publication Critical patent/CN105184317A/zh
Application granted granted Critical
Publication of CN105184317B publication Critical patent/CN105184317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Character Input (AREA)

Abstract

本发明提供一种基于SVM分类器的一种车牌字符分割方法，包括：1)训练步骤：获取车牌样本图片转换为灰度图像；对灰度图像在垂直方向上进行像素值投影形成零序列集；根据零序列建立训练集的正负样本，对正样本训练集与负样本训练集中的车牌样本图片提取方向梯度直方图HOG特征后输入至分类器进行训练；2)分割步骤：获取待处理的车牌图片转换为灰度图像；根据扩展后的零序列进行垂直方向的截取，对截取的图片进行HOG特征提取，并将HOG特征输入分类器进行预测，如分类器输出结果为正，则保留截取的图片所对应的零序列集中该连续0元素段位置，否则删除该连续0元素段位置。本发明具有很高车牌字符分割正确率，且在复杂的环境中鲁棒性强。

Description

一种基于SVM分类的车牌字符分割方法
技术领域
本发明属于数字图像处理技术领域，涉及计算机视觉、模式识别相关理论知识，应用于车牌识别技术。
技术背景
随着计算机应用技术和人工智能学科研究的迅速发展，使得许多领域迫切需要应用图像处理技术，数字图像处理技术的应用领域越来越多，其中在智能交通系统中获得较好应用，而车牌识别系统是智能交通系统中的一个关键技术。车牌作为车辆的唯一标识，正确识别车牌有着许多现实意义。车牌字符分割技术则是整个车牌识别系统关键环节，该环节将定位后的车牌中的字符分割为单一字符，只有将车牌正确分割，才能为下一步的字符识别奠定基础，如果字符分割效果不佳，将对车牌的识别带来很大的问题，所以一个良好的字符分割方法对车牌识别系统有着重要的意义。当前对于车牌字符分割技术主要有以下方法：
1)基于垂直投影的车牌字符分割方法。此方法对于一些质量较差的车牌照片还是可能发生字符粘连或者对字符的误分割，对于复杂场景下不适宜。详见：迟晓君，孟庆春基于投影特征值的车牌字符分割算法，计算机应用研究，2006，1753-1755。
2)基于模板匹配的字符分割方法。该方法利用车牌字符串模板，通过模板匹配确定字符位置，对于图像质量较低匹配模版的构建是难题。详见：王兴玲最大类间方差车牌字符分割的模板匹配算法计算机工程，2006，32(19)：193-195。
3)基于连通域标记的车牌字符分割方法。该算法对车牌字符进行断裂的情况进行合并处理，对车牌字符区域实施区域标记的思想实现分割，该方法对背景噪声的干扰影响很大。详见：FengYang,ZhengMa,MeiXie.Anovelapproachforlicenseplatecharactersegmentation.20061stIEEEConferenceonIndustrialElectronicsandApplications,2006.
4)基于颜色信息的车牌字符分割方法。该算法根据车牌背景和前景字符颜色的差异，进行颜色不连续性分析，实现字符的分割。该方法对车牌区域的颜色信息要求较高，当环境复杂或距离远时，车牌字符分割效果很差且运算效率较慢。详见：刘奕，陈学佺，蒋治华.一种利用颜色信息的车牌字符分割新算法.计算机应用与软件.2005,8(22):98-100.
发明内容
本发明所要解决的技术问题是，提供一种提高准确率的车牌字符分割方法。
本发明为解决上述技术问题所采用的技术方案是，基于SVM分类器的一种车牌字符分割方法，包括以下步骤：
1)训练步骤
1.1获取车牌样本图片，根据颜色信息判断车牌颜色，对于黄色车牌在转换为灰度图像后进行反色处理，其它颜色的车牌直接转换为灰度图像；
1.2对灰度图像在垂直方向上进行像素值投影求得到投影向量；将得到投影向量设定阈值对投影向量进行二值化处理，将低于阈值的元素置0，记录投影向量中每一连续0元素段的起始位置与终止位置形成零序列集；
1.3根据零序列建立训练集的正负样本：
根据零序列集中每一连续0元素段进行左右扩展，得到扩展后的零序列集；从起始位置向零序列集的左端和右端扩展的距离不超过先验的单个车牌字符宽度的1/4；
根据扩展后的零序列集中的连续0元素段位置对各车牌样本图片进行垂直方向的截取，得到正样本训练集；
再对车牌样本图片等间隔进行垂直方向截取到负样本训练集；
对正样本训练集与负样本训练集中的车牌样本图片提取方向梯度直方图HOG特征后，将提取出的HOG特征输入至分类器进行训练；
2)分割步骤
2.1获取待处理的车牌图片，根据颜色信息判断车牌颜色，对于黄色车牌在转换为灰度图像后进行反色处理，其它颜色的车牌直接转换为灰度图像；
2.2根据扩展后的零序列集中的连续0元素段位置对待处理的车牌图片的灰度图像进行垂直方向的截取，对截取的图片进行HOG特征提取，并将HOG特征输入分类器进行预测，如分类器输出结果为正，则保留截取的图片所对应的零序列集中该连续0元素段位置，否则删除该连续0元素段位置；全部截取的图片均输入分类器之后，最终得到的零序列集即为当前车牌字符分割结果。
本发明的有益效果是，具有很高车牌字符分割正确率，且在复杂的环境中鲁棒性强。
具体实施方式
为方便描述本发明内容，这里首先对一些术语进行必要的定义：
定义1Prewitt算子。Prewitt算子是应用边缘检测的一阶微分算子，根据像素点的上下、左右邻点灰度差，在图像空间上利用水平和垂直方向模版与图像进行邻域卷积，从而完成去掉部分伪边缘。
定义2错切变换。图像的错切实际上是平面物体在投影平面上的非垂直投影，错切变换是使图形产生一个扭变，分为x和y方向的错切变换。
定义3零序列集。对图像投影求和形成向量，设定阀值，低于阀值的向量区域置零产生零序列集。
定义4零序列。零序列集中包含零值的一段区域。
一种基于SVM分类器的车牌字符分割方法，包含以下步骤：
一、训练阶段：
步骤1车牌倾斜矫正步骤。
步骤1.1水平方向矫正。根据车牌检测获得的彩色图像I，将图像高度尺寸上下各增大0.5倍得到I_re1，通过水平的prewitt算子检测I_re1的灰度图的水平边缘得到图像I_edge1，设置角度步长α，以当前位置做基准，从-θ到θ根据步长将车牌水平边缘图I_edge1在各个角度上进行旋转，计算各个角度下水平投影值的平方，对应于最大投影值平方的角度即为水平倾斜角度θx，根据水平倾斜角度θx，对I_re1进行水平旋转得到水平矫正后的图像I_hor。
步骤1.2垂直错切矫正。根据上步骤得到的I_hor，将其宽度尺寸左右各增大0.25倍得到图像I_re2，利用垂直的prewitt算子对图像I_re2的灰度图进行边缘检测得到图像I_edge2，以当前位置做基准，从-θ到θ以步长α在图像I_edge2上进行垂直方向的错切变换，分别统计其非零列的数量，并根据错切导致的多余零列计算出各个方向上零列数量之和，对应于最大零列之和的角度即为垂直错切角度θy，根据垂直错切角度θy对图像I_hor进行垂直矫正得到图像I_plate。
该步骤中提出一种基于旋转寻优与错切变换的倾斜矫正方法。该方法有效解决了车牌在复杂场景中检测不准确的难题，采用相对稳定的因素使得车牌信息更适用于后续处理(车牌字符分割、字符识别)。
步骤1中各子步骤均为成熟的现有技术，本实施例仅给出一个较优的，具体的实施组合，本领域技术人员可以根据现有其他的实施手段来实现车牌倾斜校正。
步骤2寻找零序列集。
步骤2.1投影特征分析。根据上步骤获得精确车牌图像I_plate，对其进行垂直方向上求和投影，把图像矩阵按列相加成一向量I_col。对于此向量进行二值化操作，选向量长度1/3到2/3之间元素求得均值T_mean和标准差T_sva，并选择权重W以公式T_thr＝T_mean+W×T_svr求得阀值T_thr，根据阀值对I_col进行处理，将低于阀值的区域置零。选择向量长度1/3到2/3的像素值为了确保所选择的区域为车牌图像的中段，这样能确保选择的图像中准确地包含了背景与字符部分，使得阀值T_thr更可靠。
步骤2.2寻找I_col中的零序列集。设置零序列集起始位置向量head，终止位置向量rear，对上步骤得到阀值后的I_col进行零序列判断，若I_col中当前元素值为零，且前一元素值大于零，则将当前元素位置放入head中，若I_col中当前元素值为零，且后一元素值大于零，则将当前元素位置放入rear中。向量head与rear中相同位置处的元素值分别为阀值后的I_col中的一个零序列的起始位置和终止位置(连续0元素段)，形成零序列集K。对生成的零序列进行处理赛选，对K中相邻的两个零序列计算其距离，width＝headj-rearj-1，若width<H*12/140则合并两个零序列，即head_new＝headj-1，rear_new＝rearj。
步骤3根据令序列建立训练集的正负样本
步骤3.1建立训练集。令H为车牌图像I_plate的高度。根据令序列K，在精确车牌图像I_plate对K中的每个零序列的head向左扩展head_new＝head-H*5/28；rear向右扩展rear_new＝rear+H*5/28。根据扩展后的零序列集K'，对车牌图像I_plate进行垂直方向的截取，得到正样本训练集M。对于车牌图像I_plate间隔每H*60/140垂直方向截取，得到负样本训练集N。根据实际应用选取500幅车牌图像进行正负样本选取即可。
步骤3.2根据训练集得到分类器的模型model。分别把正样本训练集M中的每个图片提取其HOG特征并标注为正样本1，再对负样本训练集N中的每一幅图片提取其HOG特征并标注为负样本-1。把所生成的训练文件传入支持向量机SVM分类器进行训练，得到model文件。
二、字符分割，利用SVM分类器对带分割的车牌图像的进行零序列进行筛选：
对车牌图像I_plate如上述正样本提取过程一样，首先对零序列进行扩展，扩展后根据零序列对车牌图像进行垂直方向截取，然后对所截取的每一幅图片分别进行HOG特征提取，并传进SVM分类器进行预测，预测结果若为1则所对应的零序列为正确并保留，若为-1则所对应的零序列为错误并删除。对车牌图像所对应的零序列集K的每个零序列进行上面的判断，最终得到经过SVM筛选过后的零序列集Ks。

Claims (6)

1.基于SVM分类器的一种车牌字符分割方法，其特征在于，包括以下步骤：
1)训练步骤
1.1获取车牌样本图片，根据颜色信息判断车牌颜色，对于黄色车牌在转换为灰度图像后进行反色处理，其它颜色的车牌直接转换为灰度图像；
1.2对灰度图像在垂直方向上进行像素值投影求得到投影向量；将得到投影向量设定阈值对投影向量进行二值化处理，将低于阈值的元素置0，记录投影向量中每一连续0元素段的起始位置与终止位置形成零序列集；
1.3根据零序列建立训练集的正负样本：
根据零序列集中每一连续0元素段进行左右扩展，得到扩展后的零序列集；从起始位置向零序列集的左端和右端扩展的距离不超过先验的单个车牌字符宽度的1/4；
根据扩展后的零序列集中的连续0元素段位置对各车牌样本图片进行垂直方向的截取，得到正样本训练集；
再对车牌样本图片等间隔进行垂直方向截取到负样本训练集；
对正样本训练集与负样本训练集中的车牌样本图片提取方向梯度直方图HOG特征后，将提取出的HOG特征输入至分类器进行训练；
2)分割步骤
2.1获取待处理的车牌图片，根据颜色信息判断车牌颜色，对于黄色车牌在转换为灰度图像后进行反色处理，其它颜色的车牌直接转换为灰度图像；
2.2根据扩展后的零序列集中的连续0元素段位置对待处理的车牌图片的灰度图像进行垂直方向的截取，对截取的图片进行HOG特征提取，并将HOG特征输入分类器进行预测，如分类器输出结果为正，则保留截取的图片所对应的零序列集中该连续0元素段位置，否则删除该连续0元素段位置；全部截取的图片均输入分类器之后，最终得到的零序列集即为当前车牌字符分割结果。
2.如权利要求1所述基于SVM分类器的一种车牌字符分割方法，其特征在于，从起始位置向左扩展以及终止位置向右扩展的距离为H*5/28，H表示车牌样本图片的高度。
3.如权利要求1所述基于SVM分类器的一种车牌字符分割方法，其特征在于，所述等间隔进行垂直方向截取为间隔每H*60/140进行垂直方向截取，H表示车牌样本图片的高度。
4.如权利要求1所述基于SVM分类器的一种车牌字符分割方法，其特征在于，车牌样本图片与待处理的车牌图片在进行灰度转换之前，先进行车牌倾斜矫正处理；
车牌倾斜矫正处理具体为：对车牌检测获得的图像分别在水平方向上旋转寻优和垂直方向上错切变换，得到车牌倾斜矫正后图像。
5.如权利要求1所述基于SVM分类器的一种车牌字符分割方法，其特征在于，所述阈值根据投影向量计算得到：
选择投影向量的处于中段位置的元素，通过求中段位置元素的均值与标准差得到阈值T_thr：T_thr＝T_mean+W×T_svr，其中，T_mean为中段位置元素的均值，T_svr为中段位置元素的标准差，W为权重系数。
6.如权利要求5所述基于SVM分类器的一种车牌字符分割方法，其特征在于，所述中段位置为向量长度的1/3至2/3。
CN201510543250.4A 2015-08-29 2015-08-29 一种基于svm分类的车牌字符分割方法 Active CN105184317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510543250.4A CN105184317B (zh) 2015-08-29 2015-08-29 一种基于svm分类的车牌字符分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510543250.4A CN105184317B (zh) 2015-08-29 2015-08-29 一种基于svm分类的车牌字符分割方法

Publications (2)

Publication Number Publication Date
CN105184317A true CN105184317A (zh) 2015-12-23
CN105184317B CN105184317B (zh) 2019-03-15

Family

ID=54906381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510543250.4A Active CN105184317B (zh) 2015-08-29 2015-08-29 一种基于svm分类的车牌字符分割方法

Country Status (1)

Country Link
CN (1) CN105184317B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392093A (zh) * 2017-06-14 2017-11-24 北京遥感设备研究所 一种基于机器学习和灰度投影算法相结合的铁轨识别系统
CN109034149A (zh) * 2017-06-08 2018-12-18 北京君正集成电路股份有限公司 一种字符识别方法及装置
CN109993171A (zh) * 2019-03-12 2019-07-09 电子科技大学 一种基于多模板和多比例的车牌字符分割方法
CN110533026A (zh) * 2019-07-18 2019-12-03 西安电子科技大学 基于计算机视觉的电竞图像数字与图标信息获取方法
CN111104946A (zh) * 2019-12-24 2020-05-05 江苏国光信息产业股份有限公司 一种基于svm分类器的纸币冠字号字符分割方法
CN112598005A (zh) * 2020-12-24 2021-04-02 深圳市信义科技有限公司 一种武警车牌字符分割方法、存储介质及计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI236638B (en) * 2004-03-24 2005-07-21 Univ Chung Yuan Christian Multiple recognition system and method for license plates
CN103455815A (zh) * 2013-08-27 2013-12-18 电子科技大学 一种复杂场景下的自适应车牌字符分割方法
CN104318225A (zh) * 2014-11-19 2015-01-28 深圳市捷顺科技实业股份有限公司 车牌检测方法及装置
CN104408475A (zh) * 2014-12-08 2015-03-11 深圳市捷顺科技实业股份有限公司 一种车牌识别方法及车牌识别设备
CN104809461A (zh) * 2015-05-08 2015-07-29 内蒙古科技大学 结合序列图像超分辨率重建的车牌识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI236638B (en) * 2004-03-24 2005-07-21 Univ Chung Yuan Christian Multiple recognition system and method for license plates
CN103455815A (zh) * 2013-08-27 2013-12-18 电子科技大学 一种复杂场景下的自适应车牌字符分割方法
CN104318225A (zh) * 2014-11-19 2015-01-28 深圳市捷顺科技实业股份有限公司 车牌检测方法及装置
CN104408475A (zh) * 2014-12-08 2015-03-11 深圳市捷顺科技实业股份有限公司 一种车牌识别方法及车牌识别设备
CN104809461A (zh) * 2015-05-08 2015-07-29 内蒙古科技大学 结合序列图像超分辨率重建的车牌识别方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034149A (zh) * 2017-06-08 2018-12-18 北京君正集成电路股份有限公司 一种字符识别方法及装置
CN107392093A (zh) * 2017-06-14 2017-11-24 北京遥感设备研究所 一种基于机器学习和灰度投影算法相结合的铁轨识别系统
CN107392093B (zh) * 2017-06-14 2019-01-01 北京遥感设备研究所 一种基于机器学习和灰度投影算法相结合的铁轨识别系统
CN109993171A (zh) * 2019-03-12 2019-07-09 电子科技大学 一种基于多模板和多比例的车牌字符分割方法
CN109993171B (zh) * 2019-03-12 2022-05-03 电子科技大学 一种基于多模板和多比例的车牌字符分割方法
CN110533026A (zh) * 2019-07-18 2019-12-03 西安电子科技大学 基于计算机视觉的电竞图像数字与图标信息获取方法
CN111104946A (zh) * 2019-12-24 2020-05-05 江苏国光信息产业股份有限公司 一种基于svm分类器的纸币冠字号字符分割方法
CN112598005A (zh) * 2020-12-24 2021-04-02 深圳市信义科技有限公司 一种武警车牌字符分割方法、存储介质及计算机设备

Also Published As

Publication number Publication date
CN105184317B (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN111145545B (zh) 基于深度学习的道路交通行为无人机监测系统及方法
CN105184317A (zh) 一种基于svm分类的车牌字符分割方法
CN105718870B (zh) 自动驾驶中基于前向摄像头的道路标线提取方法
WO2018214195A1 (zh) 一种基于卷积神经网络的遥感图像桥梁检测方法
CN105260699B (zh) 一种车道线数据的处理方法及装置
Yuan et al. Robust traffic sign recognition based on color global and local oriented edge magnitude patterns
CN103605953B (zh) 基于滑窗搜索的车辆兴趣目标检测方法
CN105608455B (zh) 一种车牌倾斜校正方法及装置
CN109949316A (zh) 一种基于rgb-t融合的电网设备图像弱监督实例分割方法
CN102073846B (zh) 基于航拍图像的交通信息获取方法
CN104102909B (zh) 基于多重视觉信息的车辆特征定位及匹配方法
CN103824070A (zh) 一种基于计算机视觉的快速行人检测方法
CN103886325B (zh) 一种分块的循环矩阵视频跟踪方法
CN103871077B (zh) 一种道路车辆监控视频中的关键帧提取方法
CN104166841A (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
CN105069774B (zh) 基于多示例学习与图割优化的目标分割方法
CN103455815B (zh) 一种复杂场景下的自适应车牌字符分割方法
CN103268489A (zh) 基于滑窗搜索的机动车号牌识别方法
CN105574521A (zh) 房屋轮廓提取方法和装置
CN109753949A (zh) 一种基于深度学习的多视窗交通标志检测方法
CN106503663A (zh) 一种基于深度学习的信号灯时长检测方法
CN107045722A (zh) 融合静态信息与动态信息的视频序列分割方法
CN104599291A (zh) 基于结构相似度和显著性分析的红外运动目标检测方法
CN115035251A (zh) 一种基于领域增强合成数据集的桥面车辆实时追踪方法
Elihos et al. Deep learning based segmentation free license plate recognition using roadway surveillance camera images

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: 20210519

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

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

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 (Group) Co.,Ltd.

Address before: 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 before: Houpu clean energy Co.,Ltd.