CN105975937A - 基于无监督学习的道路检测方法及系统 - Google Patents

基于无监督学习的道路检测方法及系统 Download PDF

Info

Publication number
CN105975937A
CN105975937A CN201610294862.9A CN201610294862A CN105975937A CN 105975937 A CN105975937 A CN 105975937A CN 201610294862 A CN201610294862 A CN 201610294862A CN 105975937 A CN105975937 A CN 105975937A
Authority
CN
China
Prior art keywords
road
image
image pattern
cluster
dimensional feature
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
Application number
CN201610294862.9A
Other languages
English (en)
Inventor
张培炎
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.)
Shenzhen Julong science and Education Network Co., Ltd.
Original Assignee
Nanjing Campus Secure Network 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 Nanjing Campus Secure Network Technology Co Ltd filed Critical Nanjing Campus Secure Network Technology Co Ltd
Priority to CN201610294862.9A priority Critical patent/CN105975937A/zh
Publication of CN105975937A publication Critical patent/CN105975937A/zh
Pending legal-status Critical Current

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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Abstract

本发明具体涉及一种基于无监督学习的道路检测方法及系统，该方法包括：从像素大小为M*N的待检测道路图像中随机选取n个像素大小为W*W的图像样本；根据待检测道路图像左上角像素的坐标和色彩特征值，计算每个图像样本i左上角像素的坐标(xi,yi)和色彩特征值si，得到每个图像样本i的三维特征向量；对图像样本i的三维特征向量进行归一化处理和白化处理，得到图像样本i经过归一化处理和白化处理后的三维特征向量对特征表达式进行K均值聚类计算，得到k个类簇；对k个类簇的聚类中心进行非线性映射，得到k个非线性映射值对特征表达式y＝{ym,m＝1,2,...,k}进行K均值聚类计算，得到道路和非道路两个类簇，其中聚类数K＝2。通过本发明的技术方案，能提高道路检测的效率和准确率。

Description

基于无监督学习的道路检测方法及系统
技术领域
本发明涉及模式识别技术领域，具体涉及一种基于无监督学习的道路检测方法及系统。
背景技术
通过有监督学习的方法进行道路检测是模式识别领域新兴的一种方法。有监督的学习分为训练和测试两个阶段，在训练阶段，通过适当地提取样本特征学习出一个函数，在接下来的测试阶段中，就可以利用这个函数对新的数据进行结果的预测。在道路检测中，常用于训练的特征有色彩特征(如灰度特征、RGB特征等)、纹理特征(如光强分布、颜色分布等)等。通过对这些特征进行训练可以得到一个分类器，用于区分道路和非道路。如果训练的样本足够大，用这种方法进行道路检测能够比单纯地利用图像处理技术进行道路检测取得更好的效果。然而，这种方法也存在着如下四种弊端：
(1)图像中道路及其周边环境特征各异，尤其是对于有复杂形状、多变光照的道路图像来说，很难选取合适的特征进行训练，这极大地降低了测试阶段的鲁棒性。
(2)训练样本和测试样本之间特征的差异可能较大，这就意味着即便训练得再全面，也不能对测试样本进行很好地分类。
(3)要想取得较好的训练效果，需要大量的样本，而监督学习对训练集的要求是包括特征和目标，目标是需要通过人工标注的。因此，在大样本的前提下，用监督学习的方法进行道路检测，工作繁重，效率较低。
(4)现有的用于道路检测的监督式学习方法大多只考虑了道路的色彩或纹理特征，这些特征在阴影等不良因素的干扰下的适应性较差，这对最终的检测结果会产生不利的影响。
总之，现有的基于学习的道路检测方法能够取得一定的效果，但其局限性也是不容忽视的，集中体现在四个方面：在不同道路环境下鲁棒性较差、训练样本和测试样本之间的差异较大、训练需要大量样本且工作繁重、用于道路检测的图像特征选择不全面。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于无监督学习的道路检测方法及系统，提高道路检测的效率和准确率。
为实现以上目的，本发明采用如下技术方案：
一种基于无监督学习的道路检测方法，包括：
步骤S1、从像素大小为M*N的待检测道路图像中随机选取n个像素大小为W*W的图像样本，其中M、N≥W，
步骤S2、根据待检测道路图像左上角像素的坐标和色彩特征值，计算每个图像样本i左上角像素的坐标(xi,yi)和色彩特征值si，得到每个图像样本i的三维特征向量其中1≤i≤n，所述色彩特征值为该像素的灰度特征值或RGB特征值；
步骤S3、对图像样本i的三维特征向量进行归一化处理和白化处理，得到图像样本i经过归一化处理和白化处理后的三维特征向量
步骤S4、对特征表达式进行K均值聚类计算，得到k个类簇，其中聚类数K＝k，n≥k≥2；
步骤S5、对所述k个类簇的聚类中心cm进行非线性映射，得到k个非线性映射值
步骤S6、对特征表达式y＝{ym,m＝1,2,...,k}进行K均值聚类计算，得到道路和非道路两个类簇，其中聚类数K＝2。
优选地，所述步骤S3中对图像样本i的三维特征向量进行归一化处理，具体为根据公式对图像样本i的三维特征向量进行归一化处理，其中μi为所有图像样本的三维特征向量的均值，σi为所有图像样本的三维特征向量的标准差。
优选地，所述步骤S5具体为：根据公式对所述k个类簇的聚类中心cm进行非线性映射，其中μ(z)为z＝{zm|m＝1,2,...,k}中所有元素的均值。
优选地，所述步骤S1具体为：从像素大小为M*N的待检测道路图像中按预设密度随机选取n个像素大小为W*W的图像样本。
另外，本发明还提出了一种基于无监督学习的道路检测系统，包括：
选取单元，用于从像素大小为M*N的待检测道路图像中随机选取n个像素大小为W*W的图像样本，其中M、N≥W，
计算单元，用于根据待检测道路图像左上角像素的坐标和色彩特征值，计算每个图像样本i左上角像素的坐标(xi,yi)和色彩特征值si，得到每个图像样本i的三维特征向量其中1≤i≤n，所述色彩特征值为该像素的灰度特征值或RGB特征值；
处理单元，用于对图像样本i的三维特征向量进行归一化处理和白化处理，得到图像样本i经过归一化处理和白化处理后的三维特征向量
聚类单元，用于对特征表达式进行K均值聚类计算，得到k个类簇，其中聚类数K＝k，n≥k≥2；
非线性映射单元，用于对所述k个类簇的聚类中心cm进行非线性映射，得到k个非线性映射值
所述聚类单元，还用于对特征表达式y＝{ym,m＝1,2,...,k}进行K均值聚类计算，得到道路和非道路两个类簇，其中聚类数K＝2。
优选地，所述处理单元，具体用于根据公式对图像样本i的三维特征向量进行归一化处理，其中μi为所有图像样本的三维特征向量的均值，σi为所有图像样本的三维特征向量的标准差。
优选地，所述非线性映射单元，具体用于根据公式对所述k个类簇的聚类中心cm进行非线性映射，其中μ(z)为z＝{zm|m＝1,2,...,k}中所有元素的均值。
优选地，所述选取单元，具体用于从像素大小为M*N的待检测道路图像中按预设密度随机选取n个像素大小为W*W的图像样本。
本发明采用以上技术方案，至少具备以下有益效果：
本发明提供的这种基于无监督学习的道路检测方法及系统由于选取的是每个图像样本左上角像素的坐标(空间特征)和色彩特征值(色彩特征)作为学习样本的特征值，而左上角像素的坐标是不会受道路图像的光照和阴影等因素的影响发生改变，因此相比现有技术，本发明提供的这种基于无监督学习的道路检测方法及系统抗干扰能力相对较强，道路检测准确率更高。
另外，由于本发明提供的这种基于无监督学习的道路检测方法及系统，图像样本是随机选取的，整个道路检测的过程减少了人工标注的过程，因此相比现有技术，不仅减少了人工参与带来的检测误差，同时还节省了人力消耗，检测效率更高。
附图说明
图1为本发明一实施例提供的一种基于无监督学习的道路检测方法的流程示意图；
图2为本发明一实施例提供的一种基于无监督学习的道路检测系统的示意框图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。参见图1，本发明一实施例提供的一种基于无监督学习的道路检测方法，包括：
步骤S1、从像素大小为M*N的待检测道路图像中随机选取n个像素大小为W*W的图像样本，其中M、N≥W，
步骤S2、根据待检测道路图像左上角像素的坐标和色彩特征值，计算每个图像样本i左上角像素的坐标(xi,yi)和色彩特征值si，得到每个图像样本i的三维特征向量其中1≤i≤n，所述色彩特征值为该像素的灰度特征值或RGB特征值；
步骤S3、对图像样本i的三维特征向量进行归一化处理和白化处理，得到图像样本i经过归一化处理和白化处理后的三维特征向量
步骤S4、对特征表达式进行K均值聚类计算，得到k个类簇，其中聚类数K＝k，n≥k≥2；
步骤S5、对所述k个类簇的聚类中心cm进行非线性映射，得到k个非线性映射值
步骤S6、对特征表达式y＝{ym,m＝1,2,...,k}进行K均值聚类计算，得到道路和非道路两个类簇，其中聚类数K＝2。
由上述技术方案可知，本发明提供的这种基于无监督学习的道路检测方法及系统，首先从待检测道路图像中随机选取若干个小的方形区域作为学习样本，获取方形区域左上角像素的坐标(空间特征)和色彩特征值(色彩特征)，以此构建出该像素点的三维特征向量，并对特征向量进行归一化和白化处理，并对进行归一化和白化处理后的特征向量进行K均值聚类计算，聚类数为k，最后对这k个类簇的聚类中心进行非线性映射得到新的特征表达式，并对新的特征表达式进行K均值聚类计算，聚类数为2，由此确定出道路和非道路两个类簇。
本发明提供的这种基于无监督学习的道路检测方法及系统由于选取的是每个图像样本左上角像素的坐标(空间特征)和色彩特征值(色彩特征)作为学习样本的特征值，而左上角像素的坐标是不会受道路图像的光照和阴影等因素的影响发生改变，因此相比现有技术，本发明提供的这种基于无监督学习的道路检测方法及系统抗干扰能力相对较强，道路检测准确率更高。
另外，由于本发明提供的这种基于无监督学习的道路检测方法及系统，图像样本是随机选取的，整个道路检测的过程减少了人工标注的过程，因此相比现有技术，不仅减少了人工参与带来的检测误差，同时还节省了人力消耗，检测效率更高。
优选地，所述步骤S3中对图像样本i的三维特征向量进行归一化处理，具体为根据公式对图像样本i的三维特征向量进行归一化处理，其中μi为所有图像样本的三维特征向量的均值，σi为所有图像样本的三维特征向量的标准差。
优选地，所述步骤S5具体为：根据公式对所述k个类簇的聚类中心cm进行非线性映射，其中μ(z)为z＝{zm|m＝1,2,...,k}中所有元素的均值。
优选地，所述步骤S1具体为：从像素大小为M*N的待检测道路图像中按预设密度随机选取n个像素大小为W*W的图像样本。
可以理解的是，按预设密度随机选取图像样本，相当于从待检测道路图像中均匀提取图像样本，这样选取的图像样本更具代表性，相比现有技术，可以减少学习样本和测试样本之间的特征差异。
参见图2，本发明还提出了一种基于无监督学习的道路检测系统100，包括：
选取单元101，用于从像素大小为M*N的待检测道路图像中随机选取n个像素大小为W*W的图像样本，其中M、N≥W，
计算单元102，用于根据待检测道路图像左上角像素的坐标和色彩特征值，计算每个图像样本i左上角像素的坐标(xi,yi)和色彩特征值si，得到每个图像样本i的三维特征向量其中1≤i≤n，所述色彩特征值为该像素的灰度特征值或RGB特征值；
处理单元103，用于对图像样本i的三维特征向量进行归一化处理和白化处理，得到图像样本i经过归一化处理和白化处理后的三维特征向量
聚类单元104，用于对特征表达式进行K均值聚类计算，得到k个类簇，其中聚类数K＝k，n≥k≥2；
非线性映射单元105，用于对所述k个类簇的聚类中心cm进行非线性映射，得到k个非线性映射值
所述聚类单元104，还用于对特征表达式y＝{ym,m＝1,2,...,k}进行K均值聚类计算，得到道路和非道路两个类簇，其中聚类数K＝2。
优选地，所述处理单元103，具体用于根据公式对图像样本i的三维特征向量进行归一化处理，其中μi为所有图像样本的三维特征向量的均值，σi为所有图像样本的三维特征向量的标准差。
优选地，所述非线性映射单元105，具体用于根据公式对所述k个类簇的聚类中心cm进行非线性映射，其中μ(z)为z＝{zm|m＝1,2,...,k}中所有元素的均值。
优选地，所述选取单元101，具体用于从像素大小为M*N的待检测道路图像中按预设密度随机选取n个像素大小为W*W的图像样本。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (8)

1.一种基于无监督学习的道路检测方法，其特征在于，包括：
步骤S1、从像素大小为M*N的待检测道路图像中随机选取n个像素大小为W*W的图像样本，其中M、N≥W，
步骤S2、根据待检测道路图像左上角像素的坐标和色彩特征值，计算每个图像样本i左上角像素的坐标(xi,yi)和色彩特征值si，得到每个图像样本i的三维特征向量其中1≤i≤n，所述色彩特征值为该像素的灰度特征值或RGB特征值；
步骤S3、对图像样本i的三维特征向量进行归一化处理和白化处理，得到图像样本i经过归一化处理和白化处理后的三维特征向量
步骤S4、对特征表达式进行K均值聚类计算，得到k个类簇，其中聚类数K＝k，n≥k≥2；
步骤S5、对所述k个类簇的聚类中心cm进行非线性映射，得到k个非线性映射值
步骤S6、对特征表达式y＝{ym,m＝1,2,...,k}进行K均值聚类计算，得到道路和非道路两个类簇，其中聚类数K＝2。
2.根据权利要求1所述的基于无监督学习的道路检测方法，其特征在于，所述步骤S3中对图像样本i的三维特征向量进行归一化处理，具体为根据公式对图像样本i的三维特征向量进行归一化处理，其中μi为所有图像样本的三维特征向量的均值，σi为所有图像样本的三维特征向量的标准差。
3.根据权利要求1所述的基于无监督学习的道路检测方法，其特征在于，所述步骤S5具体为：根据公式对所述k个类簇的聚类中心cm进行非线性映射，其中μ(z)为z＝{zm|m＝1,2,...,k}中所有元素的均值。
4.根据权利要求1～3任一项所述的基于无监督学习的道路检测方法，其特征在于，所述步骤S1具体为：从像素大小为M*N的待检测道路图像中按预设密度随机选取n个像素大小为W*W的图像样本。
5.一种基于无监督学习的道路检测系统，其特征在于，包括：
选取单元，用于从像素大小为M*N的待检测道路图像中随机选取n个像素大小为W*W的图像样本，其中M、N≥W，
计算单元，用于根据待检测道路图像左上角像素的坐标和色彩特征值，计算每个图像样本i左上角像素的坐标(xi,yi)和色彩特征值si，得到每个图像样本i的三维特征向量其中1≤i≤n，所述色彩特征值为该像素的灰度特征值或RGB特征值；
处理单元，用于对图像样本i的三维特征向量进行归一化处理和白化处理，得到图像样本i经过归一化处理和白化处理后的三维特征向量
聚类单元，用于对特征表达式进行K均值聚类计算，得到k个类簇，其中聚类数K＝k，n≥k≥2；
非线性映射单元，用于对所述k个类簇的聚类中心cm进行非线性映射，得到k个非线性映射值
所述聚类单元，还用于对特征表达式y＝{ym,m＝1,2,...,k}进行K均值聚类计算，得到道路和非道路两个类簇，其中聚类数K＝2。
6.根据权利要求5所述的基于无监督学习的道路检测系统，其特征在于，所述处理单元，具体用于根据公式对图像样本i的三维特征向量进行归一化处理，其中μi为所有图像样本的三维特征向量的均值，σi为所有图像样本的三维特征向量的标准差。
7.根据权利要求5所述的基于无监督学习的道路检测系统，其特征在于，所述非线性映射单元，具体用于根据公式对所述k个类簇的聚类中心cm进行非线性映射，其中μ(z)为z＝{zm|m＝1,2,...,k}中所有元素的均值。
8.根据权利要求5～7任一项所述的基于无监督学习的道路检测系统，其特征在于，所述选取单元，具体用于从像素大小为M*N的待检测道路图像中按预设密度随机选取n个像素大小为W*W的图像样本。
CN201610294862.9A 2016-05-05 2016-05-05 基于无监督学习的道路检测方法及系统 Pending CN105975937A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610294862.9A CN105975937A (zh) 2016-05-05 2016-05-05 基于无监督学习的道路检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610294862.9A CN105975937A (zh) 2016-05-05 2016-05-05 基于无监督学习的道路检测方法及系统

Publications (1)

Publication Number Publication Date
CN105975937A true CN105975937A (zh) 2016-09-28

Family

ID=56991889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610294862.9A Pending CN105975937A (zh) 2016-05-05 2016-05-05 基于无监督学习的道路检测方法及系统

Country Status (1)

Country Link
CN (1) CN105975937A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085765A (zh) * 2017-04-14 2017-08-22 重庆邮电大学 一种基于无监督聚类分析与灰理论的地区经济评估方法
CN107392176A (zh) * 2017-08-10 2017-11-24 华南理工大学 一种基于kmeans的高效车辆检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464951A (zh) * 2007-12-21 2009-06-24 北大方正集团有限公司 图像识别方法及系统
CN102270301A (zh) * 2011-06-07 2011-12-07 南京理工大学 一种svm与激光雷达结合检测非结构化道路边界的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464951A (zh) * 2007-12-21 2009-06-24 北大方正集团有限公司 图像识别方法及系统
CN102270301A (zh) * 2011-06-07 2011-12-07 南京理工大学 一种svm与激光雷达结合检测非结构化道路边界的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ADAM COATES 等: "An Analysis of Single-Layer Networks in Unsupervised Feature Learning", 《PROCEEDINGS OF THE 14TH INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND STATISTICS 2011 》 *
SIYU XIA 等: "Road Detection via Unsupervised Feature Learning", 《IVCNZ 2015》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085765A (zh) * 2017-04-14 2017-08-22 重庆邮电大学 一种基于无监督聚类分析与灰理论的地区经济评估方法
CN107392176A (zh) * 2017-08-10 2017-11-24 华南理工大学 一种基于kmeans的高效车辆检测方法
CN107392176B (zh) * 2017-08-10 2020-05-22 华南理工大学 一种基于kmeans的高效车辆检测方法

Similar Documents

Publication Publication Date Title
CN109948425B (zh) 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置
Li et al. Automatic pavement crack detection by multi-scale image fusion
CN108549891B (zh) 基于背景与目标先验的多尺度扩散显著目标检测方法
CN106683091B (zh) 一种基于深度卷积神经网络的目标分类及姿态检测方法
CN106023257B (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN104616664B (zh) 一种基于声谱图显著性检测的音频识别方法
CN109919177B (zh) 基于层次化深度网络的特征选择方法
CN102117413B (zh) 基于多层特征的不良图像自动过滤方法
CN109711288A (zh) 基于特征金字塔和距离约束fcn的遥感船舶检测方法
CN104484681B (zh) 基于空间信息和集成学习的高光谱遥感影像分类方法
CN108009509A (zh) 车辆目标检测方法
CN109255375A (zh) 基于深度学习的全景图像对象检测方法
CN104573744B (zh) 精细粒度类别识别及物体的部分定位和特征提取方法
CN109284786B (zh) 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN110569796A (zh) 一种车道线动态检测和车道分界线的拟合方法
CN109242829A (zh) 基于小样本深度学习的液晶屏缺陷检测方法、系统及装置
CN109118528A (zh) 基于区域分块的奇异值分解图像匹配算法
CN106778687A (zh) 基于局部评估和全局优化的注视点检测方法
CN107066972B (zh) 基于多通道极值区域的自然场景文本检测方法
CN105069774B (zh) 基于多示例学习与图割优化的目标分割方法
CN108830312B (zh) 一种基于样本自适应扩充的集成学习方法
Chang et al. Fabric defect detection based on pattern template correction
CN104463243B (zh) 基于平均脸特征的性别检测方法
CN108492298A (zh) 基于生成对抗网络的多光谱图像变化检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20161207

Address after: 450000 Henan City, Zhengzhou province Jinshui District, No. 226 Nanyang Road, building 59, No. 10

Applicant after: Zhang Peiyan

Address before: 210000 Jiangsu city of Nanjing Province Economic and Technological Development Zone Xing Chi road Xingzhi Science Park building C room 0706

Applicant before: Nanjing Campus Secure Network Technology Co., Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20170817

Address after: 210038 Jiangsu Province Economic and Technological Development Zone Nanjing Xing Zhi road Xingzhi Science Park building C room 0706

Applicant after: Nanjing Campus Secure Network Technology Co., Ltd.

Address before: 450000 Henan City, Zhengzhou province Jinshui District, No. 226 Nanyang Road, building 59, No. 10

Applicant before: Zhang Peiyan

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20170928

Address after: 518100, Guangdong, Shenzhen, Longgang District, Longgang street, Baoqing Road, double ring new information industry park office building on the third floor

Applicant after: Shenzhen Julong science and Education Network Co., Ltd.

Address before: 210038 Jiangsu Province Economic and Technological Development Zone Nanjing Xing Zhi road Xingzhi Science Park building C room 0706

Applicant before: Nanjing Campus Secure Network Technology Co., Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160928