CN107657216A - 基于干扰特征向量数据集的1比1人脸特征向量比对方法 - Google Patents
基于干扰特征向量数据集的1比1人脸特征向量比对方法 Download PDFInfo
- Publication number
- CN107657216A CN107657216A CN201710815976.8A CN201710815976A CN107657216A CN 107657216 A CN107657216 A CN 107657216A CN 201710815976 A CN201710815976 A CN 201710815976A CN 107657216 A CN107657216 A CN 107657216A
- Authority
- CN
- China
- Prior art keywords
- characteristic vector
- similarity
- interference
- similarity value
- personnel
- 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
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
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)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于干扰特征向量数据集的1比1人脸特征向量比对方法,属于人脸识别技术领域,包括:计算干扰数据集中每张人脸图像的干扰特征向量,构建干扰特征向量数据集;利用深度神经网络方法计算待测人脸图像的特征向量K;分别计算待测人脸图像的特征向量K与待比对人员的人脸特征向量数据集中特征向量的相似度值,并按相似度高低顺序选取前t1个相似度值;分别计算待测人脸图像特征向量K与干扰特征向量数据集中特征向量的相似度值,并按照相似度高低顺序选取前t2个相似度值;根据t1个相似度值和t2个相似度值,判断待测人脸图像是否为待比对人员。本发明将输入人脸的特征向量与干扰人脸特征向量集进行综合判断,提高系统的识别准确率。
Description
技术领域
本发明涉及人脸识别技术领域,特别涉及一种基于干扰特征向量数据集的1比1人脸特征向量比对方法。
背景技术
人脸识别,是基于人脸照片进行面部特征提取,然后识别身份信息的一种机器视觉识别技术。近年来,随着深度神经网络的快速发展以及在人脸识别领域中的应用,使得人脸识别的效果得到很大的提升。并且,人脸识别技术已经广泛应用与金融、教育、公安、医疗等众多领域。
人脸识别包括1:1人脸识别方式和1:N人脸识别方式,其中,1比1人脸识别是指将输入人脸与系统的指定人员进行匹配,确认输入人脸是否与该指定人员是同一个人。1比1人脸识别可用于指定人员的身份识别,比如考勤、签到、身份证识别等领域。
目前,1比1人脸识别方式中一般采用人脸特征向量比对方法,其原理是:基于提取出的人脸特征向量进行比对,判断输入人脸是否为指定人员。因此,特征向量比对方法直接影响到人脸识别的准确度和误识率。
现有的特征向量比对方法通常是计算出所提取的人脸特征向量与指定人员人脸特征向量的相似度,并将计算出的相似度与阈值比较来判断输入人脸是否为指定人员。但是,这种特征向量比对方法受光照、角度、年龄、胡须等各种因素的影响较大,导致人脸识别效果差强人意。
发明内容
本发明的目的在于提供一种基于干扰特征向量数据集的1比1人脸特征向量比对方法,以提高人脸识别的准确率。
为实现以上目的,本发明采用的技术方案为:提供一种基于干扰特征向量数据集的1比1人脸特征向量比对方法,包括:
S1、利用深度神经网络方法计算干扰数据集中每张人脸图像的干扰特征向量Ji,构建干扰特征向量数据集[J1,J2,…,Ji,…,JI],I为常数;
S2、利用深度神经网络方法计算待测人脸图像的特征向量K;
S3、分别计算所述待测人脸图像的特征向量K与待比对人员的特征向量数据集[P1,P2,…,Pq,…,PQ]中特征向量的相似度值,并按相似度高低顺序选取前t1个相似度值,其中Pq表示待比对人员的第q个特征向量,1≤q≤Q;
S4、分别计算所述待测人脸图像的特征向量K与所述干扰特征向量数据集中干扰特征向量的相似度值,并按照相似度高低顺序选取前t2个相似度值;
S5、根据所述t1个相似度值和所述t2个相似度值,判断所述待测人脸图像是否为所述待比对人员。
其中,所述的相似度值为特征向量K与特征向量Pq的余弦距离M或特征向量K与干扰特征向量Ji的余弦距离N。
其中,所述的步骤S3,具体包括:
初始化浮点数组R[t1],每个数组成员均初始化为0;
在待比对人员的特征向量数据集中取出一个特征向量pq,并计算特征向量pq与特征向量K的相似度M;
根据M和R[t1]的关系,更新浮点数组R[t1];
判断所述待比对人员的特征向量数据集中是否还存在未计算过相似度值的干扰特征向量;
若是,则取出待比对人员的下一个特征向量并计算其与待测特征向量相似度值;
若否,浮点数组R[t1]中保存着待比对人员的特征向量数据集中前t1个的相似度值。
其中,所述的步骤S4,具体包括:
初始化浮点数组R[t2],每个数组成员均初始化为0;
在干扰特征向量数据集中取出一个干扰特征向量Ji,并计算特征向量Ji与特征向量K的相似度N;
根据N和R[t2]的关系,更新浮点数组R[t2];
判断所述干扰特征向量数据集中是否还存在未计算过相似度值的干扰特征向量;
若是,则取出下一个干扰特征向量并计算其与待侧特征向量的相似度值;
若否,浮点数组R[t2]中保存着干扰特征向量数据集中前t2个的相似度值。
其中,所述的步骤S5,具体包括:
分别计算R数组的平均值r、G数组的平均值g;
根据R数组及其平均值r、G数组及其平均值g之间的关系,判断所述待测人脸图像是否为所述待比对人员。
与现有技术相比,本发明存在以下技术效果:本发明基于干扰数据集构建干扰特征向量数据集。将输入人脸的特征向量,与待比对人员的特征向量数据集以及干扰特征向量数据集进行综合判断,可以有效规避各种光照、角度等因素的影响,提高系统的识别准确率。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1是本发明中一种基于干扰特征向量数据集的1比1人脸特征向量比对方法的流程示意图。
具体实施方式
为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。
如图1所示,本实施例公开了一种基于干扰特征向量数据集的1比1人脸特征向量比对方法,包括如下步骤S1至S5:
S1、利用深度神经网络方法计算干扰数据集中每张人脸图像的干扰特征向量Ji,构建干扰特征向量数据集[J1,J2,…,Ji,…,JI],I为常数;
需要说明的是,本实施例中收集一个包含2千张陌生人脸照片的人脸数据集作为干扰数据集。针对每张照片,使用基于深度神经网络的人脸特征提取算法,计算出该照片所对应的特征向量,该特征向量由128个浮点数组成。这个特征向量可以标示照片中的人脸特征,通过不同人脸的特征向量比对,可以计算出人脸之间的相似度。对2千张人脸照片计算完特征向量后,可以得到一个包含2千个特征向量的数据集,作为干扰特征向量数据集[J1,J2,…,Ji,…,JI],其中1≤i≤I,I取值为2000,每个干扰特征向量由128个浮点数构成,Jiu(1≤u≤128)标示Ji特征向量的第u个分量。
S2、利用深度神经网络方法计算待测人脸图像的特征向量K;
需要说明的是,本实施例对输入的人脸照片,经过降噪等必要的处理之后,使用训练好的深度人脸特征神经网络,计算出该照片中人脸所对应的特征向量,作为待测特征向量并记为K,由128个浮点数构成,Kj(1≤j≤128)标示该特征向量的第j个分量。
S3、分别计算所述待测人脸图像的特征向量K与待比对人员的特征向量数据集[P1,P2,…,Pq,…,PQ]中特征向量的相似度值,并按相似度高低顺序选取前t1个相似度,其中Pq表示待比对人员的第q个特征向量,1≤q≤Q,每个人脸特征向量由128个浮点数构成,Pqv(1≤v≤128)标示该特征向量的第v个分量。
需要说明的是,人脸识别系统事先已经存储了待比对人员的若干张照片的特征向量,作为其特征向量数据集[P1,P2,…,Pq,…,PQ]。
下面以选取前3个相似度值为例进行说明:
将特征向量K与系统中事先存储的待比对人员的特征向量逐一比对,选出最相似的3个特征向量。具体的过程如下:
a、初始化浮点数组R[3],每个数组成员均初始化为0;
b、从系统中取出待比对人员的一个特征向量Pq;
c、计算特征向量Pq与输入特征向量K的余弦距离M,计算公式具体为:
其中,M即为特征向量Ji与特征向量K的相似度值。
d、当R[0]<M时,执行下列操作更新R数组:然后跳转到分步骤h继续执行。
e、当R[1]<M<R[0]时,执行下列操作更新R数组:然后跳转到分步骤h继续执行。
f、当R[2]<M<R[1]时,执行R[2]=M操作,更新R数组,然后跳转到分步骤h继续执行。
g、当M<R[2]时,不做任何操作,直接跳转到分步骤h继续执行。
h、判断系统中是否还存在没有计算过相似度值的待比对人员特征向量,若是,则取出下一个特征向量Pq+1并跳转到分步骤c继续执行。否则,流程结束,R数组中保存着待比对人员的特征向量数据集中前3名的相似度值。
S4、分别计算所述待测人脸图像的特征向量K与所述干扰特征向量数据集中特征向量的相似度值,并按照相似度高低顺序选取前t2个相似度值;
需要说明的是,将特征向量K与干扰数据集的特征向量逐一比对,选出最相似的3个特征向量。具体的过程如下:
a`、初始化浮点数组G[3],每个数组成员均初始化为0。
b`、从干扰特征向量数据集中取出一个特征向量Ji。
c`、计算干扰特征向量Ji与输入特征向量K的余弦距离N。计算公式为:
其中,N即为干扰特征向量Ji与输入特征向量K的相似度值。
d`、当G[0]<N时,执行下列操作更新G数组:然后跳转到分步骤h`继续执行。
e`、当G[1]<N<G[0]时,执行下列操作更新G数组:然后跳转到分步骤h`继续执行。
f`、当G[2]<N<G[1]时,执行操作更新G数组:G[2]=N。然后跳转到分步骤h`继续执行。
g`、当N<G[2]时,不做任何操作,直接跳转到分步骤h`继续执行。
h`、判断干扰数据集中是否还存在没有计算过相似度值的干扰特征向量,若是,则取出下一个干扰特征向量Ji+1并跳转到分步骤c`继续执行。否则,流程结束,G数组中保存着干扰特征向量数据集中前3名的相似度值。
S5、根据所述t1个相似度值和所述t2个相似度值,判断所述待测人脸图像是否为所述待比对人员。
进一步地,以R数组、G数组中均为前3名的相似度值为例,综合分析R数组和G数组的不同情况,判断所述待测人脸图像和所述待比对人员是否为同一个人。具体的过程如下:
(1)计算R数组的平均值r,计算公式为:
(2)计算G数组的平均值g,计算公式为:
(3)当G[0]<R[2],且r>0.75时,表明所述待测试特征向量与所述待比对人员的相似度值明显高于干扰数据集的相似度值,且所述待测试人脸与所述待比对人员平均相似度值较高。可以判断所述待测试人脸与所述待比对人员为同一个人。
(4)当G[0]+0.02<R[0],且r>0.8时,表明所述待比对人员特征向量数据集中的最大相似度值明显高于所述干扰数据集中的最大相似度值,且所述待测试人脸与所述待比对人员的平均相似度值较高。可以判断所述待测试人脸与所述待比对人员为同一个人。
(5)当G[2]<R[0],且r>0.83时,表明所述待比对人员特征向量数据集中的最大相似度值可以在所述干扰特征向量数据集的相似度值中排到前3名,且所述待测试人脸与所述待比对人员的平均相似度很高。这种情况下,可以判断所述待测试人脸与所述待比对人员为同一个人。
(6)当R数组的平均值r与G数组的平均值g,满足以下3个条件中的任意一条时。
表明所述待比对人员的平均相似度值极高,且所述待比对人员的平均相似度值与所述干扰特征向量数据集的平均相似度值相差不大。这种情况下,可以判断所述待测试人脸与所述待比对人员为同一个人。
(7)如果G数组和R数组以及其平均值g和r,不满足分步骤(3)到分步骤(6)的任何一个条件时。可以判断所述待测试人脸与所述待比对人员不是同一个人。
需要说明的是,本发明通过将待测试人脸的特征向量,与待比对人员的特征向量集以及干扰人脸特征向量集的综合判断,可以有效规避各种光照、角度等因素的影响,提高系统的识别准确率。同时,本发明通过使用干扰特征向量数据集,可以有效地排除待测试人脸照片不是待比对人员,但是与待比对人员照片很相似时,产生误识的情况,进而降低系统的误识率。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于干扰特征向量数据集的1比1人脸特征向量比对方法,其特征在于,包括:
S1、利用深度神经网络方法计算干扰数据集中每张人脸图像的干扰特征向量Ji,构建干扰特征向量数据集[J1,J2,…,Ji,…,JI],I为常数;
S2、利用深度神经网络方法计算待测人脸图像的特征向量K;
S3、分别计算所述待测人脸图像的特征向量K与待比对人员的特征向量数据集[P1,P2,…,Pq,…,PQ]中特征向量的相似度值,并按相似度高低顺序选取前t1个相似度值,其中Pq表示待比对人员的第q个特征向量,1≤q≤Q;
S4、分别计算所述待测人脸图像的特征向量K与所述干扰特征向量数据集中特征向量的相似度值,并按照相似度高低顺序选取前t2个相似度值;
S5、根据所述t1个相似度值和所述t2个相似度值,判断所述待测人脸图像是否为所述待比对人员。
2.如权利要求1所述的人脸特征向量比对方法,其特征在于,所述的相似度值为特征向量K与特征向量Pq的余弦距离M或特征向量K与干扰特征向量Ji的余弦距离N。
3.如权利要求1所述的人脸特征向量比对方法,其特征在于,所述的步骤S3,具体包括:
初始化浮点数组R[t1],每个数组成员均初始化为0;
在待比对人员的特征向量数据集中取出一个特征向量pq,并计算特征向量pq与特征向量K的相似度M;
根据M和R[t1]的关系,更新浮点数组R[t1];
判断所述待比对人员的特征向量数据集中是否还存在未计算过相似度的特征向量;
若是,则取出待比对人员的下一个特征向量并计算其与待测特征向量的相似度值;
若否,浮点数组R[t1]中保存着待比对人员特征向量数据集中前t1个的相似度值。
4.如权利要求1所述的人脸特征向量比对方法,其特征在于,所述的步骤S4,具体包括:
初始化浮点数组R[t2],每个数组成员均初始化为0;
在干扰特征向量数据集中取出一个干扰特征向量Ji,并计算特征向量Ji与特征向量K的相似度N;
根据N和R[t2]的关系,更新浮点数组R[t2];
判断所述干扰特征向量数据集中是否还存在未计算过相似度的干扰特征向量;
若是,则取出下一个干扰特征向量并计算其与待侧特征向量的相似度值;
若否,浮点数组R[t2]中保存着干扰特征向量数据集中前t2个的相似度值。
5.如权利要求1所述的人脸特征向量比对方法,其特征在于,所述的步骤S5,具体包括:
分别计算R数组的平均值r、G数组的平均值g;
根据R数组及其平均值r、G数组及其平均值g之间的关系,判断所述待测人脸图像是否为所述待比对人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815976.8A CN107657216A (zh) | 2017-09-11 | 2017-09-11 | 基于干扰特征向量数据集的1比1人脸特征向量比对方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815976.8A CN107657216A (zh) | 2017-09-11 | 2017-09-11 | 基于干扰特征向量数据集的1比1人脸特征向量比对方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107657216A true CN107657216A (zh) | 2018-02-02 |
Family
ID=61129535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710815976.8A Pending CN107657216A (zh) | 2017-09-11 | 2017-09-11 | 基于干扰特征向量数据集的1比1人脸特征向量比对方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657216A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985198A (zh) * | 2018-07-02 | 2018-12-11 | 四川斐讯信息技术有限公司 | 一种基于大数据特征向量的余弦距离计算方法 |
CN112733067A (zh) * | 2020-12-22 | 2021-04-30 | 上海机器人产业技术研究院有限公司 | 一种面向机器人目标检测算法的数据集选择方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885310A (zh) * | 2006-06-01 | 2006-12-27 | 北京中星微电子有限公司 | 人脸模型训练模块及方法、人脸实时认证系统及方法 |
CN101964064A (zh) * | 2010-07-27 | 2011-02-02 | 上海摩比源软件技术有限公司 | 一种人脸比对方法 |
CN104573696A (zh) * | 2014-12-29 | 2015-04-29 | 杭州华为数字技术有限公司 | 用于处理人脸特征数据的方法和装置 |
CN105447441A (zh) * | 2015-03-19 | 2016-03-30 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
CN105678232A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的人脸图片特征提取与对比方法 |
CN106156755A (zh) * | 2016-07-29 | 2016-11-23 | 深圳云天励飞技术有限公司 | 一种人脸识别中的相似度计算方法及系统 |
CN106778684A (zh) * | 2017-01-12 | 2017-05-31 | 易视腾科技股份有限公司 | 深度神经网络训练方法及人脸识别方法 |
CN106919917A (zh) * | 2017-02-24 | 2017-07-04 | 北京中科神探科技有限公司 | 人脸比对方法 |
-
2017
- 2017-09-11 CN CN201710815976.8A patent/CN107657216A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885310A (zh) * | 2006-06-01 | 2006-12-27 | 北京中星微电子有限公司 | 人脸模型训练模块及方法、人脸实时认证系统及方法 |
CN101964064A (zh) * | 2010-07-27 | 2011-02-02 | 上海摩比源软件技术有限公司 | 一种人脸比对方法 |
CN104573696A (zh) * | 2014-12-29 | 2015-04-29 | 杭州华为数字技术有限公司 | 用于处理人脸特征数据的方法和装置 |
CN105447441A (zh) * | 2015-03-19 | 2016-03-30 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
CN105678232A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的人脸图片特征提取与对比方法 |
CN106156755A (zh) * | 2016-07-29 | 2016-11-23 | 深圳云天励飞技术有限公司 | 一种人脸识别中的相似度计算方法及系统 |
CN106778684A (zh) * | 2017-01-12 | 2017-05-31 | 易视腾科技股份有限公司 | 深度神经网络训练方法及人脸识别方法 |
CN106919917A (zh) * | 2017-02-24 | 2017-07-04 | 北京中科神探科技有限公司 | 人脸比对方法 |
Non-Patent Citations (3)
Title |
---|
刘燕飞: "人脸认证特征提取及阈值平衡方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
朱文忠: "基于数据集的人脸识别算法比较分析", 《科学技术与工程》 * |
马俊伟 等: "一种基于人脸特征的网络身份认证系统设计", 《网络安全技术与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985198A (zh) * | 2018-07-02 | 2018-12-11 | 四川斐讯信息技术有限公司 | 一种基于大数据特征向量的余弦距离计算方法 |
CN112733067A (zh) * | 2020-12-22 | 2021-04-30 | 上海机器人产业技术研究院有限公司 | 一种面向机器人目标检测算法的数据集选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vijayarani et al. | Performance analysis of canny and sobel edge detection algorithms in image mining | |
CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
Faraji et al. | Face recognition under varying illuminations using logarithmic fractal dimension-based complete eight local directional patterns | |
CN107644204A (zh) | 一种用于安防系统的人体识别与跟踪方法 | |
CN107103281A (zh) | 基于聚集损失深度度量学习的人脸识别方法 | |
CN108235770A (zh) | 图像识别方法及云端系统 | |
CN105160318A (zh) | 基于面部表情的测谎方法及系统 | |
RU2019102416A (ru) | Способ и устройство для систем детектирования/распознавания лица | |
WO2011152844A1 (en) | Image clustering using a personal clothing model | |
Alheeti | Biometric iris recognition based on hybrid technique | |
CN103049736A (zh) | 一种基于最大稳定极值区域的人脸识别方法 | |
CN109766785A (zh) | 一种人脸的活体检测方法及装置 | |
Sun et al. | Curve aligning approach for gait authentication based on a wearable accelerometer | |
Karna et al. | Normalized cross-correlation based fingerprint matching | |
CN107657216A (zh) | 基于干扰特征向量数据集的1比1人脸特征向量比对方法 | |
Rahman et al. | Score level and rank level fusion for kinect-based multi-modal biometric system | |
CN107704809A (zh) | 基于干扰特征向量数据集的1比n人脸特征向量比对方法 | |
TW201120765A (en) | of the same. | |
Jayalakshmi et al. | A study of Iris segmentation methods using fuzzy C-means and K-means clustering algorithm | |
Garg et al. | Biometric authentication using soft biometric traits | |
Hassan et al. | Facial image detection based on the Viola-Jones algorithm for gender recognition | |
Pandey et al. | Survey on finger vein recognition using convolutional neural network | |
CN107066943B (zh) | 一种人脸检测方法及装置 | |
Szymkowski et al. | Finger veins feature extraction algorithm based on image processing methods | |
Chinnaiah et al. | A new deliberation of embedded based assistive system for Yoga |
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 | ||
CB02 | Change of applicant information |
Address after: 230000 Yafu Park, Juchao Economic Development Zone, Chaohu City, Hefei City, Anhui Province Applicant after: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. Address before: 102, room 602, C District, Hefei National University, Mount Huangshan Road, 230000 Hefei Road, Anhui, China Applicant before: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |