CN105678257A - 一种交通调查车型识别方法、装置及其系统 - Google Patents
一种交通调查车型识别方法、装置及其系统 Download PDFInfo
- Publication number
- CN105678257A CN105678257A CN201610006981.XA CN201610006981A CN105678257A CN 105678257 A CN105678257 A CN 105678257A CN 201610006981 A CN201610006981 A CN 201610006981A CN 105678257 A CN105678257 A CN 105678257A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle image
- image
- feature
- training
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种交通调查车型识别方法、装置及其系统,其中车型识别方法包括以下步骤:步骤一、对视频中的运动物体进行检测,获取车辆图像;步骤二、对所述车辆图像进行特征提取,所述车辆图像的特征包括车辆图像的边缘特征、纹理特征和形状特征中的一种或多种;步骤三、进行车型识别先验参数训练;步骤四、进行车型识别概率判别。车型识别装置包括:检测模块、特征提取模块、训练模块和判别模块。车型识别系统包括视频获取装置和上述车型识别装置。本发明充分利用了图像的底层特征特性并通过机器学习与模型概率判别策略,在很大程度上提高了准确率,并大大降低了交通调查成本,可以进行大规模的基于图像的交通调查车型识别工作。
Description
技术领域
本发明属于计算机视觉领域,尤其涉及一种交通调查车型识别方法、装置及其系统。
背景技术
交通调查指的是交通量、车速、交通运行特征、起讫点、交叉口、交通事故、交通环境等调查的统称。在此我们关注的是交通量中的车型判别问题。
对规划对象区域的交通需求特性、交通系统及其关联设施以及道路交通流特性进行调查,为交通规划提供可靠的依据,是制定科学合理的交通规划的基本前提和极其重要的环节。在进行交通系统规划过程中的每个阶段,都需要有和该阶段相对应的各种各样的基础数据。在制定交通规划时,为分析交通现状和存在的问题,建立交通需求预测模型并预测交通需求,分析交通的供求平衡以及交通供求关系的发展趋势,通常要进行大规模的交通调查,这一部分工作在制定交通规划的过程中占有相当大的比重。因此,进行合理而有效的交通调查,是交通规划中的重要课题之一,也是规划成败的关键。
支持向量机学习算法是一种有监督的自适应学习算法,它能够根据不同类别的输入训练样本特征值自动计算出对应的分类面,从而为后续的识别工作提供可靠的先验知识。这种方法的优点是,在样本特征表征全面且样本量充足的条件下能够进行很好的分类工作,同时对于不良数据的容忍力较强,可以适应多种不同的数据环境。因此该算法广泛应用于数据挖掘、图像分类、图像检索、图像物体识别、视频对象跟踪等多个图像处理领域。近年来伴随数据量的不断增加,该技术的应用在一定程度上推动了计算机视觉技术的发展。
在国家标准中,车辆类型分为:中小型客车、大型客车、小型货车、中型货车、大型货车、特大型货车、摩托车、拖拉机、集装箱车等九类。基于视频的交通调查车型识别是图像识别中的一项应用。一方面它可以根据视频快速的检测得到运动车辆,另一方面根据车辆图像可以准确的获得当前车辆在国标下的类型。
目前有一些有关交通调查车型识别的研究,也出现了很多相应的方法,其中相当多的方法都用到了地感线圈、激光、微波、超声波等技术,这些技术在一定程度上也都能达到国标下的准确率。但是要么检测设备往往比较昂贵,要么损坏率很高。从基于视频的角度来进行交通调查车型识别,目前还没有满足国标的产品,我们的这一项技术可以说填补了国内的空白。总体来说,我们提出的这种基于视频的交通调查车型识别方法,由于识别精度高、设备需求简单(只需要一台高清摄像机即可)、设备稳定、使用寿命长,获取数据便捷且直观(获取的是图像大大增强了可视化)、所需设备价格相对低廉等优点,使得该技术大大降低了交通调查的成本并且识别精度也大大高于国家标准。该算法能够适应阴雨天气、雾霾天气等相对复杂环境,所需设备安装简单后期升级维护方便。
伴随我国国民经济的快速发展,居民生活水平不断提高。交通调查中的车型判别能够在相当程度上反映出我国居民经济生活水平,因此做好这一项工作是十分必要的。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于视频的交通调查车型识别方法。该方法以描述车辆图像的多种特征为基础,融入了机器学习与联合概率判别的思想,充分提高了车型识别的精度,该方法可以有效地进行不同场景下的车型识别。
为实现上述目的,一方面,本发明提供了一种交通调查车型识别方法,该方法包括以下步骤:
步骤一、对视频中的运动物体进行检测,获取车辆图像;
步骤二、对所述车辆图像进行特征提取,所述车辆图像的特征包括车辆图像的边缘特征、纹理特征和形状特征中的一种或多种;
步骤三、进行车型识别先验参数训练;
步骤四、进行车型识别概率判别。
作为本发明的一种改进,上述步骤一具体包括:基于背景建模的前景检测算法对视频中的运动物体进行检测,从而获取车辆图像。
作为本发明的一种改进,在上述步骤一之后,步骤二之前,还包括步骤:通过二类判别模型对获取的车辆图像进行判别,所述二类判别模型通过以下步骤获得:事先将多个正样本车辆图像与样本车辆图像进行基于图像内容的图像特征描述,在此基础上通过神经网络进行训练,获得所述二类判别模型。
作为本发明的一种改进,在获取车辆图像后,通过坐标映射算法对当前各个角度的车辆图像进行统一的几何校正,使其成像角度统一。
作为本发明的一种改进,上述步骤二具体包括:对所述车辆图像进行归一化处理,然后提取所述车辆图像的边缘特征、纹理特征和形状特征中的一种或多种。
作为本发明的一种改进,上述步骤三具体包括:在进行车型识别先验参数训练时,将获取的车辆图像特征单独通过支持向量机SVM进行参数训练,所述参数训练步骤包括:
将所述车辆图像特征中的车辆图像的形状特征进行大类训练,将车辆首先分成客车、货车、拖拉机、摩托车;然后再通过边缘特征进行子类训练,将客车分成中小型客车和大型客车;最后再通过纹理特征将货车分成中小型货车和中型货车,将大型货车分成大型货车、特大型货车和集装箱车。
作为本发明的一种改进,上述步骤四包括:在进行车型识别概率判别时,首先计算出所述车辆图像各特征下的相应结果,然后按照联合概率判别的方法计算得出最终的车型类别。
作为本发明的一种改进,上述步骤四包括:在进行车型识别概率判别阶段自顶而下进行三级识别:首先用提取的车辆图像的形状特征识别出客车、货车、拖拉机和摩托车中的一种;然后再用提取的车辆图像的边缘特征识别出中小型客车和大型客车中的一种;再用提取的车辆图形的纹理特征识别出中小型货车、中型货车、大型货车、特大型货车和集装箱车中的一种。
另一方面,本发明提供了一种交通调查车型识别装置,该装置包括:
检测模块,用于对视频中的运动物体进行检测,获取车辆图像;
特征提取模块,用于对所述车辆图像进行特征提取,所述车辆图像的特征包括车辆图像的边缘特征、纹理特征和形状特征中的一种或多种;
训练模块,用于进行车型识别先验参数训练;
判别模块,用于进行车型识别概率判别。
又一方面,本发明提供了一种交通调查车型识别系统,该系统包括:视频获取装置和上述车型识别装置;其中视频获取装置用于获取视频资源,车型识别装置用于对视频资源中的车辆图像进行识别。
在本发明中,图像的特征描述能够全面的描述图像的边缘、纹理和形状信息,特征数据学习技术能够对无关数据的干扰有较强的容忍度,并且能够适应多种识别场景。在识别阶段采取了三级自上而下的逐一概率联合识别,有效的提高了车型识别的准确率。
附图说明
图1为本发明实施例提供的一种交通调查车型识别方式流程示意图;
图2为本发明实施例提供的一种交通调查车型识别装置结构示意图;
图3为本发明实施例提供的一种交通调查车型识别系统结构示意图;
图4为本发明实施例车辆图像边缘特征提取方法示意框图;
图5为本发明实施例车辆图像形状特征提取方法示意框图;
图6为本发明实施例车辆图像纹理特征提取方法示意框图。
具体实施方式
结合附图,本发明的基本思想是针对视频交通调查车型识别的实际情况,将整个识别工作分为三个部分。在进行车型识别之前,首先对获取的运动车辆图像几何矫正、图像归一化再进行一系列特征提取以及基于机器学习思想的学习与训练,以得到各特征描述下的分类识别参数;然后在识别阶段根据得到的运动车辆图像再进几何矫正、图像归一化与特征提取,将所得各种特征放入识别参数模型自上而下进行三级识别;最后根据各级的识别结果得出最终的车辆类型。以上方法可以适应阴雨、雾霾等多种不良场景,拥有较高的识别精度。
图1为本发明实施例提供的一种交通调查车型识别方式流程示意图。如图1所示,该方法包括步骤101-104:
步骤101,对视频中的运动物体进行检测,获取车辆图像;
具体地,在车型判别之初,对视频中的运动物体进行检测是通过基于背景建模的前景检测算法获取的,之所以选取背景建模的方法是因为路面交通环境往往比较单一,该方法在这种环境下能够比较准确的检测出运动物体。
优选地,在获得运动物体图像之后,为确保当前图像确实是车辆图像,需要进行运动车辆判别。运动车辆判别是通过二类判别模型对获取的车辆图像进行判别,所述二类判别模型通过以下步骤获得:事先将多个正样本车辆图像与样本车辆图像进行基于图像内容的图像特征描述,在此基础上通过神经网络进行训练,获得所述二类判别模型。
步骤102,对车辆图像进行特征提取,所述车辆图像的特征包括车辆图像的边缘特征、纹理特征和形状特征中的一种或多种。
具体地,在车辆特征提取时,同时计算了车辆目标图像的边缘特征(提取方法流程图如图4所示)、形状特征(提取方法流程图如图5所示)和纹理特征(提取方法流程图如6图所示)。
优选地,在获取到运动车辆的图像之后我们按照参照标定的大地坐标与图像坐标进行换算,在此基础上将目标车辆图像进行基于换算坐标的图像变换,以此保证图像对齐。例如,通过坐标映射算法对当前各个角度的车辆图像进行统一的几何校正,使其成像角度统一。
步骤103,进行车型识别先验参数训练;
具体地,首先是选取样本对车辆类型进行先验学习。在进行车型识别先验参数训练时,我们分别将获取得到的三种图像特征单独通过支持向量机(SVM)进行训练。首先通过形状特征进行大类训练:将车辆首先分成客车、货车、拖拉机、摩托车;然后再通过边缘特征进行子类训练:将客车分成中小型客车、大型客车,将货车分成中小型货车与大型货车;最后再用纹理特征进行最后的划分:将中小型货车分为小型货车和中型货车,将大型货车分成大型货车、特大型货车和集装箱车。
步骤104,进行车型识别概率判别。
具体地,在车型识别概率判别阶段自顶而下进行了三级识别:首先用提取车辆图像的形状特征,以此识别出客车、货车、拖拉机、摩托车;然后再提取图像的边缘特征,以此识别出中小型客车、大型客车;最后提取图像的问特征,识别出中小型货车、中型货车、大型货车、特大型货车或集装箱车。
本发明实施例在图像特征提取的基础上,把图像处理领域中应用非常广泛的图像底层特征、聚类学习思想和概率预测方法有效地结合在了一起。第一部分的训练学习可以根据所选的车辆样本图像计算获得识别模型。在识别阶段,根据具体获得的初始预测结果进行基于概率判别方法的结果融合,直至得到最终结果。
本发明能在保障完成基本识别功能的前提下,结构简单,复杂度低,算法效率高,适合在交通调查中进行车型判别的应用。
图2为本发明实施例提供的一种交通调查车型识别装置结构示意图。如所2所示,该车型识别装置20包括:检测模块21、特征提取模块22、训练模块23和判别模块24。其中,
检测模块21用于对视频中的运动物体进行检测,获取车辆图像。
特征提取模块22用于对车辆图像进行特征提取,所述车辆图像的特征包括车辆图像的边缘特征、纹理特征和形状特征中的一种或多种。
训练模块23用于进行车型识别先验参数训练。
判别模块24用于进行车型识别概率判别。
本发明实施例提供的车型识别装置中的各模块分别实施图1所示的车型识别方法中的各步骤,在此不在赘述。
图3为本发明实施例提供的一种交通调查车型识别系统结构示意图。如图3所示,该系统包括视频获取装置30和如图2所示的车型识别装置20。其中视频获取装置20用于获取视频资源,车型识别装置20用于对所述视频资源中的车辆图像进行识别。优先地,视频获取装置30可以采用一台高清摄像机。
显而易见,在不偏离本发明的真实精神和范围的前提下,在此描述的本发明可以有许多变化。因此,所有对于本领域技术人员来说显而易见的改变,都应包括在本权利要求书所涵盖的范围之内。本发明所要求保护的范围仅由所述的权利要求书进行限定。
Claims (10)
1.一种交通调查车型识别方法,其特征在于,包括以下步骤:
步骤一、对视频中的运动物体进行检测,获取车辆图像;
步骤二、对所述车辆图像进行特征提取,所述车辆图像的特征包括车辆图像的边缘特征、纹理特征和形状特征中的一种或多种;
步骤三、进行车型识别先验参数训练;
步骤四、进行车型识别概率判别。
2.根据权利要求1所述的方法,其特征在于,所述步骤一包括:
基于背景建模的前景检测算法对视频中的运动物体进行检测,从而获取车辆图像。
3.根据权利要求1所述的方法,其特征在于,在所述步骤一之后,所述步骤二之前,还包括步骤:
通过二类判别模型对获取的车辆图像进行判别;
所述二类判别模型通过以下步骤获得:
事先将多个正样本车辆图像与样本车辆图像进行基于图像内容的图像特征描述,在此基础上通过神经网络进行训练,获得所述二类判别模型。
4.根据权利要求1或3所述的方法,其特征在于,在获取车辆图像后,通过坐标映射算法对当前各个角度的车辆图像进行统一的几何校正,使其成像角度统一。
5.根据权利要求1所述的方法,其特征在于,所述步骤二包括:
对所述车辆图像进行归一化处理,然后提取所述车辆图像的边缘特征、纹理特征和形状特征中的一种或多种。
6.根据权利要求1所述的方法,其特征在于,所述步骤三具体包括:
在进行车型识别先验参数训练时,将获取的车辆图像特征单独通过支持向量机SVM进行参数训练,所述参数训练步骤包括:
将所述车辆图像特征中的车辆图像的形状特征进行大类训练,将车辆首先分成客车、货车、拖拉机、摩托车;然后再通过边缘特征进行子类训练,将客车分成中小型客车和大型客车;最后再通过纹理特征将货车分成中小型货车和中型货车,将大型货车分成大型货车、特大型货车和集装箱车。
7.根据权利要求1所述的方法,其特征在于,所述步骤四包括:
在进行车型识别概率判别时,首先计算出所述车辆图像各特征下的相应结果,然后按照联合概率判别的方法计算得出最终的车型类别。
8.根据权利要求1或6所述的方法,其特征在于,所述步骤四包括:
在进行车型识别概率判别阶段自顶而下进行三级识别:首先用提取的车辆图像的形状特征识别出客车、货车、拖拉机和摩托车中的一种;然后再用提取的车辆图像的边缘特征识别出中小型客车和大型客车中的一种;再用提取的车辆图形的纹理特征识别出中小型货车、中型货车、大型货车、特大型货车和集装箱车中的一种。
9.一种交通调查车型识别装置,其特征在于,包括:
检测模块,用于对视频中的运动物体进行检测,获取车辆图像;
特征提取模块,用于对所述车辆图像进行特征提取,所述车辆图像的特征包括车辆图像的边缘特征、纹理特征和形状特征中的一种或多种;
训练模块,用于进行车型识别先验参数训练;
判别模块,用于进行车型识别概率判别。
10.一种交通调查车型识别系统,其特征在于,包括:视频获取装置和如权利要求9所述的车型识别装置;
所述视频获取装置,用于获取视频资源;
所述车型识别装置,用于对所述视频资源中的车辆图像进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610006981.XA CN105678257A (zh) | 2016-01-06 | 2016-01-06 | 一种交通调查车型识别方法、装置及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610006981.XA CN105678257A (zh) | 2016-01-06 | 2016-01-06 | 一种交通调查车型识别方法、装置及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105678257A true CN105678257A (zh) | 2016-06-15 |
Family
ID=56299153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610006981.XA Pending CN105678257A (zh) | 2016-01-06 | 2016-01-06 | 一种交通调查车型识别方法、装置及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678257A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993032A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车目标识别方法、装置及相机 |
CN112825133A (zh) * | 2020-11-18 | 2021-05-21 | 无锡臻永科技有限公司 | 智能化对象信息解析平台及方法 |
CN114882708A (zh) * | 2022-07-11 | 2022-08-09 | 临沂市公路事业发展中心 | 一种基于监控视频的车辆识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080056535A1 (en) * | 2006-09-01 | 2008-03-06 | Harman Becker Automotive Systems Gmbh | Image recongition system |
CN103258213A (zh) * | 2013-04-22 | 2013-08-21 | 中国石油大学(华东) | 一种用于智能交通系统中的动态车辆车型识别方法 |
CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和系统 |
-
2016
- 2016-01-06 CN CN201610006981.XA patent/CN105678257A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080056535A1 (en) * | 2006-09-01 | 2008-03-06 | Harman Becker Automotive Systems Gmbh | Image recongition system |
CN103258213A (zh) * | 2013-04-22 | 2013-08-21 | 中国石油大学(华东) | 一种用于智能交通系统中的动态车辆车型识别方法 |
CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993032A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车目标识别方法、装置及相机 |
CN109993032B (zh) * | 2017-12-29 | 2021-09-17 | 杭州海康威视数字技术股份有限公司 | 一种共享单车目标识别方法、装置及相机 |
CN112825133A (zh) * | 2020-11-18 | 2021-05-21 | 无锡臻永科技有限公司 | 智能化对象信息解析平台及方法 |
CN112825133B (zh) * | 2020-11-18 | 2021-11-05 | 广西飞云科技产业有限公司 | 智能化对象信息解析系统及方法 |
CN114882708A (zh) * | 2022-07-11 | 2022-08-09 | 临沂市公路事业发展中心 | 一种基于监控视频的车辆识别方法 |
CN114882708B (zh) * | 2022-07-11 | 2022-09-30 | 临沂市公路事业发展中心 | 一种基于监控视频的车辆识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Survey on performance of deep learning models for detecting road damages using multiple dashcam image resources | |
Zhu et al. | Pavement distress detection using convolutional neural networks with images captured via UAV | |
CN109657552B (zh) | 基于迁移学习实现跨场景冷启动的车型识别装置与方法 | |
Mi et al. | Research on regional clustering and two-stage SVM method for container truck recognition | |
CN103854320B (zh) | 基于激光雷达的车型自动识别方法 | |
CN103258213B (zh) | 一种用于智能交通系统中的动态车辆车型识别方法 | |
CN103020605B (zh) | 基于决策层融合的桥梁识别方法 | |
CN102509291B (zh) | 基于无线网络视频传感器的公路路面病害检测及识别方法 | |
CN109101932B (zh) | 基于目标检测的多任务及临近信息融合的深度学习方法 | |
CN114596555B (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
CN109829458B (zh) | 实时自动生成记录系统操作行为的日志文件的方法 | |
CN102073852A (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
CN113370977A (zh) | 一种基于视觉的智能车辆前向碰撞预警方法及系统 | |
CN105678257A (zh) | 一种交通调查车型识别方法、装置及其系统 | |
CN113128476A (zh) | 一种基于计算机视觉目标检测的低功耗实时头盔检测方法 | |
Li et al. | Pixel-level recognition of pavement distresses based on U-Net | |
Rakotondrajao et al. | Road boundary detection for straight lane lines using automatic inverse perspective mapping | |
CN107705256A (zh) | 一种基于接触网语义的前向车载视频图像增强方法 | |
CN107545244A (zh) | 基于图像处理技术的限速标志检测方法 | |
Shokri et al. | Utility poles extraction from mobile LiDAR data in urban area based on density information | |
CN114359493B (zh) | 一种用于无人船生成三维语义地图的方法和系统 | |
CN113298044B (zh) | 基于定位补偿的障碍物检测方法、系统、设备及存储介质 | |
CN105740827A (zh) | 一种基于快速标记连通的停止线检测与测距算法 | |
CN113536973B (zh) | 一种基于显著性的交通标志检测方法 | |
Tian et al. | Robust traffic sign detection in complex road environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160615 |