CN107316055A - 一种非标准字体的汉字自动符识别方法 - Google Patents
一种非标准字体的汉字自动符识别方法 Download PDFInfo
- Publication number
- CN107316055A CN107316055A CN201710383558.6A CN201710383558A CN107316055A CN 107316055 A CN107316055 A CN 107316055A CN 201710383558 A CN201710383558 A CN 201710383558A CN 107316055 A CN107316055 A CN 107316055A
- Authority
- CN
- China
- Prior art keywords
- mrow
- chinese character
- image
- standard font
- msub
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
Abstract
本发明提出了一种非标准字体的汉字自动符识别方法，采用如下步骤：步序1：基于稀疏编码得到待识别汉字图像中的基向量和稀疏系数，通过重构图像实现滤除噪声、处理边缘柔化；步序2：利用梯度方向平面直方图抽取出复杂环境下待识别汉字边缘梯度特征并以此减轻影响汉字识别的负面作用；步序3：将获得的待识别的非标准字体的汉字的边缘梯度特征输入到汉字分类器中，经行识别。本发明的技术方案解决了复杂环境下欢子存在的角度倾斜、光照不良、噪声干扰、边缘模糊、污损遮挡等情况下的非标准字体的汉字识别问题。
Description
技术领域
本发明涉及汉字识别领域，涉及汉字分类器的训练，属于一种非 标准字体的汉字自动符识别方法。
背景技术
文字识别在当下方兴未艾的物联网领域有着越来越高的使用需 求，比如在输入法、车牌识别、税票识别和文献录入等实际用途中有 着极高的实用化需求，正确定位和识别这些文字对于基于内容的内容 检索和信息过滤有着重要的意义。目前已经有不少的相关技术已经投 入到商业使用中，并且有些已经产生了较好的经济效益。但是，绝大 部分文字识别技术都限制于某些特定的场景，比如智能识别印刷体汉 字。
根据实际应用的场景不同，目前主流的汉字识别算法主要分为两 大类，即基于汉字笔画跟踪的方法和基于汉字图片的方法。目前基于 汉字笔画跟踪的方法主要使用在中文输入设备上，比如手机的手写输 入。然而，更多的实际应用环境下的非标准字体汉字的识别并不适用 该方法进行识别，因此基于图片的汉字识别更适用于复杂环境下的非 标准字体的汉字识别。具体而言，待提取文字的图像可以分为文档图 像、场景图像和原生数字图像三大类，其中后两者更适用与复杂环境 下的非标准字体汉字的识别。场景图像是指用摄像头拍摄到的图像， 场景中的文字信息也会作为场景的一部分被拍摄到场景图像中，因此 场景图像中的文字一般会淹没在复杂的背景环境中，同时可能会存在 角度偏斜，光照不良以及无损缺失等情况；原生数字图像则是计算机 按照一定的算法以数字形式保存的图像信息，为了便于在网络上传播， 因此一般无法避免低分辨率的情况，且通常存在压缩损失和边缘柔化 不良的问题。
复杂条件下图像文字提取系统的结构如图1所示，包括文本定位， 文字分割和文字识别三大部分，其中文字识别是最为复杂，也是需求 最为迫切的一项技术。
发明内容
针对现有非标准字体汉字识别技术的不足，本发明提出了一种非 标准字体的汉字自动符识别方法。本发明的技术方案解决了复杂环境 下欢子存在的角度倾斜、光照不良、噪声干扰、边缘模糊、污损遮挡 等情况下的非标准字体的汉字识别问题。
为了解决上述技术问题，本发明采用如下技术方案：
一种非标准字体的汉字自动符识别方法，其特征在于，包括以下 步骤：
步序1：基于稀疏编码得到待识别汉字图像中的基向量和稀疏系数， 通过重构图像实现滤除噪声、处理边缘柔化；
步序2：利用梯度方向平面直方图抽取出复杂环境下待识别汉字边缘 梯度特征并以此减轻影响汉字识别的负面作用；
步序3：将获得的待识别的非标准字体的汉字的边缘梯度特征输入到 汉字分类器中，经行识别。
前述的一种非标准字体的汉字自动符识别方法，其特征在于，步 序1利用稀疏编码得到的基向量和稀疏系数是通过多次训练得到的， 在训练阶段，需要对目标函数进行优化求解：
minf(B,S)＝[重构误差]+β[稀疏惩罚因子]
式中，X＝(x1,x2,x3,…,xn)表示训练集中的n幅包含汉字的图像 减去各自的平均灰度值后得到的m个k维向量的训练数据集，其 中k为每幅图像的像素数量，同样的B＝(b1,b2,b3,…,bn)表示经稀 疏编码计算得到的n个k维稀疏系数向量；S表示稀疏系数矩阵， 每一列的Si为一副图像的n维稀疏系数向量；β表示一个用来平 衡重构误差和稀疏性的常数，Φ(Sij)表示非线性的稀疏惩罚函数， 因此惩罚函数可以表示为：
该目标函数为优化目标，原理是基于整个图像求得所有的基向量B和 对应的稀疏系数S。
前述的一种非标准字体的汉字的识别方法，其特征在于，所述的 1中重新构建图像的方法是根据基向量B对任意的一个待识别汉字的 图像I中求取它的稀疏系数，然后再根据Inew(x,y)＝BS+t进行重构 得到复原图像Inew，上式中t为图像I的平均灰度值。
前述的一种非标准字体的汉字的识别方法，其特征在于，步序2 需要在步骤1中构建的复原图像上提取梯度方向直方图的特征，具体 为：
(a)需要计算点(x,y)的梯度幅值G(x,y)和方向θ(x,y)，具体 的计算公式如下，
其中GX(x,y),GY(x,y)分别表示该位移点在水平方向和垂直方向上的 梯度幅度，相邻位移点的计算方法如下：
Gx(x,y)＝I(x+1,y)-I(x-1,y)
Gy(x,y)＝I(x,y+1)-I(x,y-1)
(b)在每一个块内基于单元格平面统计直方图，对于该单元格内每 一个像素点的权值的确定，需要根据其梯度幅度值采用高斯加权统计 得到梯度方向所属的直方图分组；
(c)通过滑动检测窗口扫描图像，直到将检测窗口中的所有检测块 的特征向量依次地连接起来，重新在系统中构建起待识别非标准字体 汉字的边缘梯度特征。
前述的一种非标准字体的汉字的识别方法，其特征在于，所述的 检测块内的单元格平面统计直方图，对于同一块内所有单元格的特征 向量均采用L2-Hys归一化方式进行归一化处理，即它可以通过先进 行L2-norm，对结果进行截短，然后再重新归一化得到。
前述的一种非标准字体的汉字的识别方法，其特征在于，步序2 中的所述负面作用包括字体倾斜、光照不均、部分遮挡。
前述的一种非标准字体的汉字的识别方法，其特征在于，步序3 中所述的汉字分类器为ILDA分类器，具体是先进行分类训练，完成 训练后方可实现汉字的识别。
本发明的有益效果是：本发明的原理简单清晰，通过采用稀疏编 码和梯度方向上的平面直方图相结合的方式，实现了在复杂环境中的 非标准字体汉字的自动化识别功能。特别是对于汉字处于光照强度不 一、受噪声干扰和边缘柔化存在差异甚至是部分遭到遮挡时都有较强 的识别准确率，解决了在复杂环境下，非标准字体汉字的机器自动化 识别的难题，大幅提高了汉字识别速度和准确率，为物联网和互联网 +的实际应用提供了一条新的思路。
附图说明
下面结合附图和具体实施方式对本发明作进一步描述：
图1是本发明的示意图。
具体实施方式
下面结合附图对本发明作进一步描述：
一种非标准字体的汉字自动符识别方法，其特征在于，包括以下 步骤：
步序1.基于稀疏编码得到待识别汉字图像中的基向量和稀疏 系数，通过重构图像实现滤除噪声、处理边缘柔化；
从理想条件下的数学角度分析，稀疏编码是对图像数据进行线性 分解后得到基向量和稀疏系数的过程。建立稀疏编码模型后，对 于每一个输入图像，只有少数的几个基函数会有较大的响应输出， 能够消除数据之间的高阶相关冗余，因此可以用在图像特征提取 和过滤噪声等方面，本步序是基于稀疏编码用以除去图像信息中 的噪声。
在训练阶段，需要对目标函数进行优化求解：
minf(B,S)＝[重构误差]+β[稀疏惩罚因子]
式中，X＝(x1,x2,x3,…,xn)表示训练集中的n幅包含汉字的图像 减去各自的平均灰度值后得到的m个k维向量的训练数据集，其 中k为每幅图像的像素数量，同样的B＝(b1,b2,b3,…,bn)表示经稀 疏编码计算得到的n个k维稀疏系数向量；S表示稀疏系数矩阵， 每一列的Si为一副图像的n维稀疏系数向量。β表示一个用来平 衡重构误差和稀疏性的常数，Φ(Sij)表示非线性的稀疏惩罚函数， 反映了图像编码的稀疏程度，因此惩罚函数可以表示为：
根据优化目标，基于整幅汉字图像求取所有的基向量B和对应的 稀疏系数S。要求所有的输入图像各向同性地分布在基向量上，并 且所有基向量上的稀疏系数的分布概率也是相同的。通过系数编 码的处理，可以发现重构后的非标准字体汉字图像与重构后的训练图像表现出了更强的相似性，噪声和边缘柔化问题因此得到了 很好地处理，因此从算法上保证了文字识别系统对这两种一台情 况的鲁棒性。
步序2、利用梯度方向平面直方图抽取出复杂环境下待识别汉字边 缘梯度特征并以此减轻影响汉字识别的负面作用，譬如字体倾斜、 光照不均、部分遮挡等等；
梯度方向直方图对于光照变化、字体偏斜及位移具有鲁棒性。梯 度方向直方图通过提取局部区域的特征，无须考虑图像的完整信 息，在现实应用过程中，现将图像的检测窗口划分为小的单元格， 计算单元格内的所有的像素点的一维梯度或边缘方向直方图，然后将若干单元格组成较大区域的块，再在块内进行对比度归一化 处理，通过滑动窗口密集扫描图像，就可以获得最终的梯度方向 特征向量。虽然该方法在图像中文字提取的具体应用中可以提高 复杂环境下的文本定位和文字识别效率，但是当文字信息过于密 集时，同时存在文字倾斜，光照不良，噪声干扰以及字体污损缺 失时，直接在图像上进行提取特征进行文字识别，存在效率低下 的问题。
因此，需要在步骤1中构建的复原图像上提取梯度方向直方图的 特征，具体为：
首先，需要计算点(x,y)的梯度幅值G(x,y)和方向θ(x,y)，具 体的计算公式如下，
其中GX(x,y),GY(x,y)分别表示该位移点在水平方向和垂直方
向上的梯度幅度，相邻位移点的计算方法如下：
Gx(x,y)＝I(x+1,y)-I(x-1,y)
Gy(x,y)＝I(x,y+1)-I(x,y-1)
然后，在每一个块内基于单元格平面统计直方图，对于该单元格内每 一个像素点的权值的确定，需要根据其梯度幅度值采用高斯加权统计 得到梯度方向所属的直方图分组；
最后，通过滑动检测窗口扫描图像，直到将检测窗口中的所有检测块 的特征向量依次地连接起来，重新在系统中构建起待识别非标准字体 汉字的边缘梯度特征。检测块内的单元格平面统计直方图，对于同一 块内所有单元格的特征向量均采用L2-Hys归一化方式进行归一化处 理，即它可以通过先进行L2-norm，对结果进行截短，然后再进行归 一化处理。
步序3将获得的待识别的非标准字体的汉字的边缘梯度特征输入到 汉字分类器中，经行识别。
本步序是将步序2中获得的梯度直方图特征送入到分类器中，由分类 器进行训练后进行识别，即采用ILDA进行汉字的识别，具体过程为： 将提取到的特征向量送入到ILDA进行训练，得到最佳的变换矩阵， 再将有利于分类识别的特征向量保留下来，消除冗余的非必要信息后， 进行汉字识别。
通过以上步骤，实现了在复杂环境中的非标准字体汉字的自动化识别 功能。特别是对于汉字处于光照强度不一、受噪声干扰和边缘柔化存 在差异甚至是部分遭到遮挡时都有较强的识别准确率，解决了在复杂 环境下，非标准字体汉字的机器自动化识别的难题，大幅提高了汉字 识别速度和准确率。
Claims (7)
1.一种非标准字体的汉字自动符识别方法，其特征在于，包括以下步骤：
步序1：基于稀疏编码得到待识别汉字图像中的基向量和稀疏系数，通过重构图像实现滤除噪声、处理边缘柔化；
步序2：利用梯度方向平面直方图抽取出复杂环境下待识别汉字边缘梯度特征并以此减轻影响汉字识别的负面作用；
步序3：将获得的待识别的非标准字体的汉字的边缘梯度特征输入到汉字分类器中，经行识别。
2.根据权利要求1所述的一种非标准字体的汉字自动符识别方法，其特征在于，步序1利用稀疏编码得到的基向量和稀疏系数是通过多次训练得到的，在训练阶段，需要对目标函数进行优化求解：
式中，X＝(x1,x2,x3,…,xn)表示训练集中的n幅包含汉字的图像减去各自的平均灰度值后得到的m个k维向量的训练数据集，其中k为每幅图像的像素数量，同样的B＝(b1,b2,b3,…,bn)表示经稀疏编码计算得到的n个k维稀疏系数向量；S表示稀疏系数矩阵，每一列的Si为一副图像的n维稀疏系数向量。β表示一个用来平衡重构误差和稀疏性的常数，Φ(Sij)表示非线性的稀疏惩罚函数，因此惩罚函数可以表示为：
<mrow>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
</mrow>
该目标函数为优化目标，原理是基于整个图像求得所有的基向量B和对应的稀疏系数S。
3.根据权利要求2所述的一种非标准字体的汉字的识别方法，其特征在于，所述的1中重新构建图像的方法是根据基向量B对任意的一个待识别汉字的图像I中求取它的稀疏系数，然后再根据Inew(x,y)＝BS+t进行重构得到复原图像Inew，上式中t为图像I的平均灰度值。
4.根据权利要求1所述的一种非标准字体的汉字的识别方法，其特征在于，步序2需要在步骤1中构建的复原图像上提取梯度方向直方图的特征，具体为：(a)需要计算点(x,y)的梯度幅值G(x,y)和方向θ(x,y)，具体的计算公式如下，
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>tan</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
其中GX(x,y),GY(x,y)分别表示该位移点在水平方向和垂直方向上的梯度幅度，相邻位移点的计算方法如下：
Gx(x,y)＝I(x+1,y)-I(x-1,y)
Gy(x,y)＝I(x,y+1)-I(x,y-1)
(b)在每一个块内基于单元格平面统计直方图，对于该单元格内每一个像素点的权值的确定，需要根据其梯度幅度值采用高斯加权统计得到梯度方向所属的直方图分组；
(c)通过滑动检测窗口扫描图像，直到将检测窗口中的所有检测块的特征向量依次地连接起来，重新在系统中构建起待识别非标准字体汉字的边缘梯度特征。
5.根据权利要求4所述的一种非标准字体的汉字的识别方法，其特征在于，所述的检测块内的单元格平面统计直方图，对于同一块内所有单元格的特征向量均采用L2-Hys归一化方式进行归一化处理，即它可以通过先进行L2-norm，对结果进行截短，然后再重新归一化得到。
6.根据权利要求1所述的一种非标准字体的汉字的识别方法，其特征在于，步序2中的所述负面作用包括字体倾斜、光照不均、部分遮挡。
7.根据权利要求1所述的一种非标准字体的汉字的识别方法，其特征在于，步序3中所述的汉字分类器为ILDA分类器，具体是先进行分类训练，完成训练后方可实现汉字的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710383558.6A CN107316055A (zh) | 2017-05-26 | 2017-05-26 | 一种非标准字体的汉字自动符识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710383558.6A CN107316055A (zh) | 2017-05-26 | 2017-05-26 | 一种非标准字体的汉字自动符识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107316055A true CN107316055A (zh) | 2017-11-03 |
Family
ID=60181682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710383558.6A Pending CN107316055A (zh) | 2017-05-26 | 2017-05-26 | 一种非标准字体的汉字自动符识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107316055A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426004A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于纠错输出编码的车型识别方法 |
| CN103761531A (zh) * | 2014-01-20 | 2014-04-30 | 西安理工大学 | 基于形状轮廓特征的稀疏编码车牌字符识别方法 |
| CN104239872A (zh) * | 2014-09-26 | 2014-12-24 | 南开大学 | 异态汉字识别方法 |
| CN104573707A (zh) * | 2014-12-17 | 2015-04-29 | 安徽清新互联信息科技有限公司 | 一种基于多特征融合的车牌汉字识别方法 |
| CN105488536A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院合肥物质科学研究院 | 一种基于多特征深度学习技术的农田害虫图像识别方法 |
-
2017
- 2017-05-26 CN CN201710383558.6A patent/CN107316055A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426004A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于纠错输出编码的车型识别方法 |
| CN103761531A (zh) * | 2014-01-20 | 2014-04-30 | 西安理工大学 | 基于形状轮廓特征的稀疏编码车牌字符识别方法 |
| CN104239872A (zh) * | 2014-09-26 | 2014-12-24 | 南开大学 | 异态汉字识别方法 |
| CN104573707A (zh) * | 2014-12-17 | 2015-04-29 | 安徽清新互联信息科技有限公司 | 一种基于多特征融合的车牌汉字识别方法 |
| CN105488536A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院合肥物质科学研究院 | 一种基于多特征深度学习技术的农田害虫图像识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902622B (zh) | 一种用于登机牌信息验证的文字检测识别方法 | |
| CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
| CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
| CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
| CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
| EP2605186B1 (en) | Method and apparatus for recognizing a character based on a photographed image | |
| WO2023082784A1 (zh) | 一种基于局部特征注意力的行人重识别方法和装置 | |
| CN104239872A (zh) | 异态汉字识别方法 | |
| CN111680690A (zh) | 一种文字识别方法及装置 | |
| CN104537381B (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
| CN110399882A (zh) | 一种基于可变形卷积神经网络的文字检测方法 | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111414938B (zh) | 一种板式换热器内气泡的目标检测方法 | |
| CN113052170A (zh) | 一种无约束场景下的小目标车牌识别方法 | |
| CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
| CN116189162A (zh) | 一种船牌检测与识别方法、装置、电子设备和储存介质 | |
| Zhang et al. | Single image dehazing based on bright channel prior model and saliency analysis strategy | |
| CN104966109A (zh) | 医疗化验单图像分类方法及装置 | |
| CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
| CN114694133B (zh) | 一种基于图像处理与深度学习相结合的文本识别方法 | |
| CN112365451A (zh) | 图像质量等级的确定方法、装置、设备及计算机可读介质 | |
| Zhu et al. | ID card number detection algorithm based on convolutional neural network | |
| CN113727050B (zh) | 面向移动设备的视频超分辨率处理方法、装置、存储介质 | |
| CN107316055A (zh) | 一种非标准字体的汉字自动符识别方法 | |
| CN115439850A (zh) | 基于审单的图文字符识别方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171103 |
|
| RJ01 | Rejection of invention patent application after publication |