CN106127193A - 一种人脸图像识别方法 - Google Patents
一种人脸图像识别方法 Download PDFInfo
- Publication number
- CN106127193A CN106127193A CN201610544157.XA CN201610544157A CN106127193A CN 106127193 A CN106127193 A CN 106127193A CN 201610544157 A CN201610544157 A CN 201610544157A CN 106127193 A CN106127193 A CN 106127193A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- facial image
- degree
- gabor
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (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)
- Image Processing (AREA)
Abstract
本发明属于人脸识别技术领域,涉及一种人脸图像识别方法,具体涉及一种人脸图像可变分块和LGBP(局部Gabor二值模式)相结合的识别方法;其主要工艺步骤包括提取图像、Gamma图像校正、带通滤波处理、对比度归一化处理、Gabor滤波处理、生成VBLGBP直方图序列和匹配人脸数据库;通过对人脸图像预处理克服光照的影响,通过引入人脸重点区域可变分块和Gabor滤波后统计LBP分量克服了人脸姿态和表情的影响,提高了单样本人脸识别的精确率,其原理可靠,操作工艺简便,人脸识别率高,应用环境友好。
Description
技术领域:
本发明属于人脸识别技术领域,涉及一种人脸图像识别方法,具体涉及一种人脸图像可变分块和LGBP(局部Gabor二值模式)相结合的识别方法,通过对获取的人脸图像进行预处理,减小光照的影响,再对原始图像进行Gabor滤波,并对人脸主要区域进行分块合并,克服姿态和表情的影响。
背景技术:
目前,单样本人脸识别技术是根据要检测的人脸图像到单样本人脸数据库里自动寻找最优匹配的一种技术,人脸库中的样本为单样本,也就是每个人对应数据库中的图像只有一张。由于类似身份证、驾照和护照等的人脸数据库相当庞大,如果不是单样本,数据库的规模必定成倍的增加,而且在识别的过程中,随着数据库规模的增大,识别的时间也就较长,不利于大多数情况的人脸识别。因此单样本人脸识别技术具有重要的意义,好的单样本人脸识别技术不但能够节省数据库的容量,而且对于提高识别效率具有深远的意义。目前,在单样本人脸图像识别技术中,对识别结果产生影响的最主要的两个因素为环境光照、人脸姿态和表情,但是,这些技术方法还有许多不尽人意的缺点,因此寻求设计一种人脸图像可变分块和LGBP相结合的人脸识别方法,具有良好的社会效益和经济效益。
发明内容:
本发明的目的在于克服现有技术存在的缺点,设计提供一种人脸图像可变分块和LGBP相结合的人脸图像识别方法,通过对人脸图像预处理克服了光照的影响,通过引入人脸重点区域可变分块和Gabor(伽柏)滤波后统计LBP(局部二值模式)分量克服人脸姿态和表情的影响。
为实现上述目的,本发明涉及的一种人脸图像识别方法的主体工艺包括以下步骤:
(1)、提取图像:将通过摄像摄影设备拍摄的待识别的原始人脸图像提取到计算机中,再把提取的待识别的原始人脸图像通过图像处理工具归一化为128×128像素大小,完成人脸图像的提取;
(2)、Gamma图像校正:对步骤(1)得到的人脸图像在计算机中使用Gamma校正工具进行Gamma校正,以便提高人脸图像中灰度值低的阴影区域的灰度值,方便图像的观测和处理,得到校正人脸图像;
(3)、带通滤波处理:对步骤(2)得到的校正人脸图像在计算机中使用MATLAB工具采用Gaussian(高斯)差分滤波(LOG算子,使用DOG来近似)进行带通滤波,以便处理噪声和局部阴影的影响;
(4)、对比度归一化处理:将步骤(3)得到的带通滤波后人脸图像在计算机的MATLAB工具中进行对比度归一化,将整个图像的灰度值限制在[-10:10]之间,以便减少图像整体偏暗或者整体偏亮的影响,得到均衡灰度人脸图像;
(5)、Gabor滤波处理:对步骤(4)得到的均衡灰度人脸图像在计算机的MATLAB工具中进行Gabor滤波处理,采用Gabor偶滤波器对均衡灰度人脸图像依次进行11×11、19×19和35×35三个卷积模板尺度及0度、45度、90度、135度、180度、225度、270度和315度八个方向进行滤波处理;得到Gabor滤波人脸增强图像;
(6)、生成VBLGBP直方图序列:将步骤(5)得到的Gabor滤波人脸增强图像在计算中进行可变分块LBP处理,处理时,把人脸重点区域眉毛、眼睛、鼻子和嘴巴上的小的分块合并为一个大的分块,使人脸克服表情和姿态的影响;再把处理后所得的所有区域的直方图串接为一个直方图序列,作为人脸图像的描述,即得VBLGBP直方图序列;
(7)匹配人脸数据库:将步骤(6)得到的人脸图像的VBLGBP直方图序列与人脸数据库中的人脸图像的VBLGBP一维向量特征进行欧式距离计算,距离最短的数据库中的人脸图像即为识别得到的人脸图像,实现人脸图像的识别。
本发明与现有技术相比,通过对人脸图像预处理克服光照的影响,通过引入人脸重点区域可变分块和Gabor滤波后统计LBP分量克服了人脸姿态和表情的影响,提高了单样本人脸识别的精确率,其原理可靠,操作工艺简便,人脸识别率高,应用环境友好。
附图说明:
图1为数据库选取的两张不同光照条件下的人脸图像。
图2为本发明涉及的Gamma校正后的人脸图像。
图3为本发明涉及的高斯差分带通滤波后得到的人脸图像。
图4为本发明涉及的对比度归一化处理后得到的人脸图像。
图5为传统人脸识别采用固定分块模式。
图6本发明涉及的对人脸重点区域内的LBP分块合并过程图像。
图7为本发明涉及的将直方图按列块连接为长直方图序列的过程图。
图8为本发明涉及的人脸图像识别工艺流程示意框图。
具体实施方式:
下面通过实施例并结合附图对本发明作进一步说明。
实施例1:
本实施例涉及的人脸图像识别方法的主题工艺包括如下步骤:
(1)、提取图像:将通过摄像摄影设备拍摄的待识别的原始人脸图像提取到计算机中,再把提取的待识别的原始人脸图像通过图像处理工具归一化为128×128像素大小,完成人脸图像的提取;
(2)、Gamma图像校正:对步骤(1)得到的人脸图像在计算机中使用Gamma校正工具进行Gamma校正,以便提高人脸图像中灰度值低的阴影区域的灰度值,方便图像的观测和处理,得到校正人脸图像;
(3)、带通滤波处理:对步骤(2)得到的校正人脸图像在计算机中使用MATLAB工具采用Gaussian(高斯)差分滤波(LOG算子,使用DOG来近似)进行带通滤波,以便处理噪声和局部阴影的影响;
(4)、对比度归一化处理:将步骤(3)得到的带通滤波后人脸图像在计算机的MATLAB工具中进行对比度归一化,将整个图像的灰度值限制在[-10:10]之间,以便减少图像整体偏暗或者整体偏亮的影响,得到均衡灰度人脸图像;
(5)、Gabor滤波处理:对步骤(4)得到的均衡灰度人脸图像在计算机的MATLAB工具中进行Gabor滤波处理,采用Gabor偶滤波器对均衡灰度人脸图像依次进行11×11、19×19和35×35三个卷积模板尺度及0度、45度、90度、135度、180度、225度、270度和315度八个方向进行滤波处理;得到Gabor滤波人脸增强图像;
(6)、生成VBLGBP直方图序列:将步骤(5)得到的Gabor滤波人脸增强图像在计算中进行可变分块LBP处理,处理时,把人脸重点区域眉毛、眼睛、鼻子和嘴巴上的小的分块合并为一个大的分块,使人脸克服表情和姿态的影响;再把处理后所得的所有区域的直方图串接为一个直方图序列,作为人脸图像的描述,即得VBLGBP直方图序列;
(7)匹配人脸数据库:将步骤(6)得到的人脸图像的VBLGBP直方图序列与人脸数据库中的人脸图像的VBLGBP一维向量特征进行欧式距离计算,距离最短的数据库中的人脸图像即为识别得到的人脸图像,实现人脸图像的识别。
实施例2:
本实施例涉及的人脸图像可变分块和LGBP相结合的人脸识别方法的处理工艺包括如下步骤:
(1)、提取图像:将通过摄像摄影设备拍摄的待识别的原始人脸图像提取到计算机中,再把提取的待识别的原始人脸图像通过图像处理工具归一化为128×128像素大小,完成人脸图像的提取;
(2)、Gamma图像校正:对步骤(1)得到的人脸图像在计算机中使用Gamma校正工具进行Gamma校正,以便提高人脸图像中灰度值低的阴影区域的灰度值,方便图像的观测和处理,得到校正人脸图像;
在Gamma校正工具中进行如下处理:
建立Gamma校正模型为
I'(i,j)=Ik(i,j)
其中,I为图像的灰度值,I’为校正后的灰度值,k为校正系数取0.2,从而降低人脸图像图像中高低灰度的差值;
(3)、带通滤波处理:对步骤(2)得到的校正人脸图像,在计算机中使用MATLAB工具采用Gaussian(高斯)差分滤波进行带通滤波,以便处理噪声和局部阴影的影响;
具体操作步骤为:
建立Gaussian(高斯)差分滤波模型为
im=gaussianfilter(im,sigma0)-gaussianfilter(im,sigma1);
其中im为步骤(2)得到的校正人脸图像,gaussianfilter为高斯卷积滤波,sigma0取值为1,其高斯卷积窗口大小为[-3:3];sigma1取值为2,其高斯卷积窗口大小为[-6:6];处理完成得到带通滤波后人脸图像;
高斯卷积时的窗口大小为:高斯卷积的窗口为:[ceil(-3.0*sigma-0.5):floor(3.0*sigma+0.5)],ceil()和floor()函数分别为括号内的值向上取整数和向下取整数。当sigma(0)取1时,高斯卷积窗口取为[-3:3],当sigma1取2时,高斯卷积窗口取为[-6:6];
(4)、对比度归一化处理:将步骤(3)得到的带通滤波后人脸图像在计算机的MATLAB工具中进行对比度归一化,将整个图像的灰度值限制在[-10:10]之间,以便减少图像整体偏暗或者整体偏亮的影响,得到均衡灰度人脸图像;
具体操作如下:
在MATLAB工具中建立处理模型为
其中a取为0.1,trim取为10,mean为均值操作,min为取极小值操作,处理后消除了图像中由于强光照,鼻子的遮挡等原因造成的极值点的影响;
以上处理后的图像依然存在灰度超大值点,通过在MATLAB工具中再建立一个处理模型进行处理,把所有的灰度限制在一定的范围内,该处理模型为:I″′(i,j)=trim*tanh(I″(x,y)/trim),trim取10,这样图像中的灰度值限制在[-10 10]之间。减小了图像整体偏暗或偏亮的影响;
(5)、Gabor滤波处理:对步骤(4)得到的均衡灰度人脸图像在计算机的MATLAB工具中进行Gabor滤波处理,采用Gabor偶滤波器对均衡灰度人脸图像依次进行11×11、19×19和35×35三个卷积模板尺度及0度、45度、90度、135度、180度、225度、270度和315度八个方向进行滤波处理;得到Gabor滤波人脸增强图像;
利用Gabor滤波器计算出的5个尺度,8个方向的Gabor模板从细尺度到粗尺度的卷积模板的大小依次为:11×11,19×19,35×35,67×67,131×131。由于模板太大,在程序实现时,速度太慢,效率太低,因此我们不得不减小Gabor模板的尺度,从第四和第五尺度的Gabor滤波器模板,可以看出,卷积模板太大,而人脸归一化后的图像只有128×128大小,因此利用这两个模板的话,图像的细节信息全部丢失,因此,在实现Gabor滤波器的时候,我们只保留前三个较小的尺度,但是还是对8个方向进行滤波。这样运算量降为5个尺度的6.1%,运算效率大大提高。在Gabor滤波中,通常有三种滤波方式,分别为奇滤波,偶滤波和利用模板滤波。在实现时,我们采用偶滤波的形式,如果采用奇滤波,那么会造成图像的漂移,而如果利用模的方式进行滤波,需要分别计算奇和偶滤波后的结果,运算量是偶滤波器的两倍。考虑到Gabor滤波器的运算速度,我们只采用Gabor滤波中的偶滤波器;
(6)、生成VBLGBP(可变分块LBP)直方图序列:将步骤(5)得到的Gabor滤波人脸增强图像生成对Gabor滤波后的图像在计算中进行可变分块LBP处理,处理时,把人脸重点区域眉毛、眼睛、鼻子和嘴巴上的小的分块合并为一个大的分块,从而人脸克服表情和姿态的影响;再把处理后所得的所有区域的直方图串接为一个直方图序列,作为人脸图像的描述,即得VBLGBP直方图序列;
(7)匹配人脸数据库:将步骤(6)得到的人脸图像的VBLGBP直方图序列与人脸数据库中的人脸图像的VBLGBP一维向量特征进行欧式距离计算,距离最短的数据库中的人脸图像即为为识别得到的人脸,实现人脸图像识别;
进行欧式距离计算模型为
其中,x,ξ分别为两个比较的直方图序列,i,j分别表示对应于第j个局部子块的第i个bin(分块),ωj为第j个局部子块的权值,在本算法中ωj全部取为1。
本实施例在FERET数据集上达到98.8%的正确识别率,达到预期效果。
Claims (1)
1.一种人脸图像识别方法,其特征在于其主体工艺包括以下步骤:
(1)、提取图像:将通过摄像摄影设备拍摄的待识别的原始人脸图像提取到计算机中,再把提取的待识别的原始人脸图像通过图像处理工具归一化为128×128像素大小,完成人脸图像的提取;
(2)、Gamma图像校正:对步骤(1)得到的人脸图像在计算机中使用Gamma校正工具进行Gamma校正,以便提高人脸图像中灰度值低的阴影区域的灰度值,方便图像的观测和处理,得到校正人脸图像;
(3)、带通滤波处理:对步骤(2)得到的校正人脸图像在计算机中使用MATLAB工具采用Gaussian差分滤波进行带通滤波,以便处理噪声和局部阴影的影响;
(4)、对比度归一化处理:将步骤(3)得到的带通滤波后人脸图像在计算机的MATLAB工具中进行对比度归一化,将整个图像的灰度值限制在[-10:10]之间,以便减少图像整体偏暗或者整体偏亮的影响,得到均衡灰度人脸图像;
(5)、Gabor滤波处理:对步骤(4)得到的均衡灰度人脸图像在计算机的MATLAB工具中进行Gabor滤波处理,采用Gabor偶滤波器对均衡灰度人脸图像依次进行11×11、19×19和35×35三个卷积模板尺度及0度、45度、90度、135度、180度、225度、270度和315度八个方向进行滤波处理;得到Gabor滤波人脸增强图像;
(6)、生成VBLGBP直方图序列:将步骤(5)得到的Gabor滤波人脸增强图像在计算中进行可变分块LBP处理,处理时,把人脸重点区域眉毛、眼睛、鼻子和嘴巴上的小的分块合并为一个大的分块,使人脸克服表情和姿态的影响;再把处理后所得的所有区域的直方图串接为一个直方图序列,作为人脸图像的描述,即得VBLGBP直方图序列;
(7)匹配人脸数据库:将步骤(6)得到的人脸图像的VBLGBP直方图序列与人脸数据库中的人脸图像的VBLGBP一维向量特征进行欧式距离计算,距离最短的数据库中的人脸图像即为识别得到的人脸图像,实现人脸图像的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610544157.XA CN106127193B (zh) | 2016-07-12 | 2016-07-12 | 一种人脸图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610544157.XA CN106127193B (zh) | 2016-07-12 | 2016-07-12 | 一种人脸图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106127193A true CN106127193A (zh) | 2016-11-16 |
CN106127193B CN106127193B (zh) | 2019-09-06 |
Family
ID=57283683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610544157.XA Active CN106127193B (zh) | 2016-07-12 | 2016-07-12 | 一种人脸图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127193B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106507199A (zh) * | 2016-12-20 | 2017-03-15 | 深圳Tcl数字技术有限公司 | 电视节目推荐方法及装置 |
CN107948700A (zh) * | 2017-11-23 | 2018-04-20 | 深圳Tcl数字技术有限公司 | 节目推荐方法、系统及计算机可读存储介质 |
CN108664919A (zh) * | 2018-05-04 | 2018-10-16 | 南京邮电大学 | 一种基于单样本的行为识别与检测方法 |
CN109782214A (zh) * | 2019-01-26 | 2019-05-21 | 段俊杰 | 电能表状态远程发送机构 |
CN109859146A (zh) * | 2019-02-28 | 2019-06-07 | 电子科技大学 | 一种基于U-net卷积神经网络的彩色眼底图像血管分割方法 |
CN110816473A (zh) * | 2019-11-29 | 2020-02-21 | 福尔达车联网(深圳)有限公司 | 一种车辆控制方法、车辆控制系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024141A (zh) * | 2010-06-29 | 2011-04-20 | 上海大学 | 基于Gabor小波变换和局部二值模式优化的人脸识别方法 |
CN103646234A (zh) * | 2013-11-15 | 2014-03-19 | 天津天地伟业数码科技有限公司 | 基于lgbph特征的人脸识别方法 |
CN104778457A (zh) * | 2015-04-18 | 2015-07-15 | 吉林大学 | 基于多示例学习的视频人脸识别算法 |
CN105512599A (zh) * | 2014-09-26 | 2016-04-20 | 数伦计算机技术(上海)有限公司 | 人脸识别方法及人脸识别系统 |
-
2016
- 2016-07-12 CN CN201610544157.XA patent/CN106127193B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024141A (zh) * | 2010-06-29 | 2011-04-20 | 上海大学 | 基于Gabor小波变换和局部二值模式优化的人脸识别方法 |
CN103646234A (zh) * | 2013-11-15 | 2014-03-19 | 天津天地伟业数码科技有限公司 | 基于lgbph特征的人脸识别方法 |
CN105512599A (zh) * | 2014-09-26 | 2016-04-20 | 数伦计算机技术(上海)有限公司 | 人脸识别方法及人脸识别系统 |
CN104778457A (zh) * | 2015-04-18 | 2015-07-15 | 吉林大学 | 基于多示例学习的视频人脸识别算法 |
Non-Patent Citations (1)
Title |
---|
孙刘杰等: "基于分块大小可变的指纹图像增强算法", 《包装工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106507199A (zh) * | 2016-12-20 | 2017-03-15 | 深圳Tcl数字技术有限公司 | 电视节目推荐方法及装置 |
CN107948700A (zh) * | 2017-11-23 | 2018-04-20 | 深圳Tcl数字技术有限公司 | 节目推荐方法、系统及计算机可读存储介质 |
CN108664919A (zh) * | 2018-05-04 | 2018-10-16 | 南京邮电大学 | 一种基于单样本的行为识别与检测方法 |
CN109782214A (zh) * | 2019-01-26 | 2019-05-21 | 段俊杰 | 电能表状态远程发送机构 |
CN109859146A (zh) * | 2019-02-28 | 2019-06-07 | 电子科技大学 | 一种基于U-net卷积神经网络的彩色眼底图像血管分割方法 |
CN110816473A (zh) * | 2019-11-29 | 2020-02-21 | 福尔达车联网(深圳)有限公司 | 一种车辆控制方法、车辆控制系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106127193B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127193A (zh) | 一种人脸图像识别方法 | |
CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
US20220092882A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN107316031A (zh) | 用于行人重识别的图像特征提取方法 | |
CN107844795B (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
CN103218605B (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN103116896B (zh) | 一种基于视觉显著性模型的自动检测跟踪方法 | |
CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
CN112287866A (zh) | 一种基于人体关键点的人体动作识别方法及装置 | |
CN103268497A (zh) | 一种人脸姿态检测方法与在人脸识别中的应用 | |
CN105760898A (zh) | 一种基于混合组回归方法的视觉映射方法 | |
CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
CN105354558A (zh) | 人脸图像匹配方法 | |
CN104102903A (zh) | 一种基于src的二次人脸识别方法 | |
CN104778707A (zh) | 一种改进广义Hough变换的电解电容检测方法 | |
CN104484672B (zh) | 基于多帧图片和自主学习的快速车牌识别方法 | |
CN103955682A (zh) | 基于surf兴趣点的行为识别方法及装置 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
CN110956082A (zh) | 基于深度学习的人脸关键点检测方法和检测系统 | |
CN105760879A (zh) | 基于傅里叶梅林变换的图像几何匹配方法 | |
CN104966054A (zh) | 无人机可见光图像中的弱小目标检测方法 | |
CN104091325A (zh) | 汽车仪表盘视觉检测中基于尺度不变特征变换的图像roi定位方法及装置 | |
CN106599810A (zh) | 一种基于栈式自编码的头部姿态估计方法 | |
CN115311241A (zh) | 一种基于图像融合和特征增强的煤矿井下行人检测方法 | |
CN103208003B (zh) | 一种基于几何图形特征点形状描述子的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201229 Address after: 266071 11, level 6, software park, 288 Ningxia Road, Shinan District, Qingdao, Shandong. Patentee after: SONGLI HOLDINGS GROUP Co.,Ltd. Address before: 266071 Shandong city of Qingdao province Ningxia City Road No. 308 Patentee before: QINGDAO University |