CN110263726A - 一种基于深度相关性特征学习的指静脉识别方法及装置 - Google Patents
一种基于深度相关性特征学习的指静脉识别方法及装置 Download PDFInfo
- Publication number
- CN110263726A CN110263726A CN201910546950.7A CN201910546950A CN110263726A CN 110263726 A CN110263726 A CN 110263726A CN 201910546950 A CN201910546950 A CN 201910546950A CN 110263726 A CN110263726 A CN 110263726A
- Authority
- CN
- China
- Prior art keywords
- node
- minutiae point
- correlation feature
- depth correlation
- graph
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于深度相关性特征学习的指静脉识别方法及装置,属于生物识别领域,本发明要解决的技术问题为如何有效的对较细静脉的进行精确识别,建立细节点之间的关联性信息,确保具有较强的识别性能,采用的技术方案为:①该方法步骤如下:S1、提取细节点;S2、构建图节点;S3、学习相关性映射图:基于RankSVM的相关性图映射学习方法,获取相关性图的邻接矩阵,反映图节点之间的相关性信息;S4、深度相关性特征学习;S5、匹配:将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较,从而完成匹配任务。②该装置包括细节点提取模块、图节点构建模块、相关性映射图学习模块、深度相关性特征学习模块以及匹配模块。
Description
技术领域
本发明涉及生物识别领域,具体地说是一种基于深度相关性特征学习的指静脉识别方法及装置。
背景技术
随着社会的进步,各个领域技术都有了长足的发展。生物特征识别技术是利用人体生物特征或者行为特征进行人体身份认证,其中,人体生物特征主要包括两大类:外部生物特征和内部生物特征。外部生物特征如指纹、虹膜视和脸型等。内部生物特征如手指静脉等。手指静脉识别是一种具有巨大潜力的新兴生物识别技术,其具有内部特征、活体识别等优点受到越来越多研究者和开发人员的关注。特征提取是指静脉识别的关键一环。基于细节点的特征能够表示指静脉的拓扑结构,具有较强的可解释性。然而这类特征忽略了细节点之间的关联性信息,从而影响了最后的识别性能。因此,如何有效的对较细静脉的进行精确识别,建立细节点之间的关联性信息,确保具有较强的识别性能是目前现有技术中急需解决的技术问题。
专利号为CN109558827A的专利文献公开了一种基于个性化卷积神经网络的手指静脉识别方法,包括训练和识别两部分,在训练部分首先基于正类样本的重要性进行个性化加权,将个性化加权后的样本存入个性化信息生成中心,同时并将加权后的正类样本与收集的手指静脉图像构成样本对进行训练,以构建个性化的卷积神经网络,在识别部分则借助个性化信息生成中心构造,借助个性化的卷积神经网络完成识别,并输出识别结果,结果分为验证通过和验证不通过两种。该技术方案针对不同的场景要求获取重要客户的身份信息,提高识别率和用户满意度。但是不能有效的对较细静脉的进行精确识别,建立细节点之间的关联性信息,确保具有较强的识别性能。
发明内容
本发明的技术任务是提供一种基于深度相关性特征学习的指静脉识别方法及装置,来解决如何有效的对较细静脉的进行精确识别,建立细节点之间的关联性信息,确保具有较强的识别性能的问题。
本发明的技术任务是按以下方式实现的,一种基于深度相关性特征学习的指静脉识别方法,具体步骤如下:
S1、提取细节点:提取手指静脉的细节点;
S2、构建图节点:根据细节点构建手指静脉的图结构;
S3、学习相关性映射图:基于RankSVM的相关性图映射学习方法,获取相关性图的邻接矩阵,反映图节点之间的相关性信息;
S4、深度相关性特征学习:使用卷积神经网络对相关性映射图的有效信息进行深度学习,得到有效的深度相关性特征;
S5、匹配:将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较,从而完成匹配任务。
作为优选,所述步骤S1中提取细节点的具体步骤如下:
S101、对于一副手指静脉图像,用线性跟踪法对手指静脉的纹路进行分割,并进行二值化处理得到二值图像;
S102、对分割的二值图像进行细化,得到细化图像,基于细化图像提取整个手指静脉的细节点。
更优地,所述细节点包括手指静脉细化图像的交叉点和端点。
作为优选,所述步骤S2中构建图节点的具体内容如下:提取细节点的特征,并将细节点特征对应的相关特征向量作为图的一个节点;其中,细节点的特征包括细节点的空间位置信息、细节点的灰度值、3邻域内的平均灰度值及该邻域内的灰度变化和细节点的夹角。
更优地,所述细节点的空间位置信息是指细节点在图像中的横坐标和纵坐标。
作为优选,所述步骤S3中学习相关性映射图的具体步骤如下:
S301、对于节点A,构建相关性信息,将节点A与剩余的节点构造样本对;
S302、通过样本对训练RankSVM;
S303、找到RankSVM输出的前K个样本,即与节点A相关的K个样本;
S304、计算节点A与K个样本的相似度,即得到相关性信息;其中,节点A与K个样本的相似度利用欧氏距离计算两个样本的相似度;
S305、按照步骤S301-步骤S304计算出任何节点的相关性信息,即完成相关性映射图的学习。
作为优选,所述步骤S4中深度相关性特征学习是采用Resnet对相关特征进行学习。
作为优选,所述步骤S5中相似度比较是采用欧式距离进行相似度度量;对于待验证用户,找到与验证用户的图像欧式距离最小的模板,即能得到用户信息。
一种基于深度相关性特征学习的指静脉识别装置,该装置包括,
细节点提取模块,用于提取手指静脉的细节点;
图节点构建模块,用于根据细节点构建手指静脉的图结构;
相关性映射图学习模块,用于基于RankSVM的相关性图映射学习方法,获取相关性图的邻接矩阵,反映图节点之间的相关性信息;
深度相关性特征学习模块,用于使用卷积神经网络对相关性映射图的有效信息进行深度学习,得到有效的深度相关性特征;
匹配模块,用于将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较,从而完成匹配任务。
本发明的基于深度相关性特征学习的指静脉识别方法及装置具有以下优点:
(一)、本发明能够解决手指静脉的精确识别问题,以本发明提出的方法作为核心技术,可用于生物识别等领域,识别精度的提高则可提高产品竞争力,更加有助于公司在“智慧安防”领域的业务蓬勃发展,可以带来良好的经济效益和社会效益;
(二)、本发明有效的对较细静脉的进行精确识别,建立细节点之间的关联性信息,确保具有较强的识别性能,提高指静脉识别精度;
(三)、本发明使用卷积神经网络对相关性映射图进行学习,学习出更高效的深度图特征,学习到的深度图特征能够获取细节点之间的相关性信息,进一步提高了识别精度。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于深度相关性特征学习的指静脉识别方法的流程框图;
附图2为基于深度相关性特征学习的指静脉识别装置的结构框图。
具体实施方式
参照说明书附图和具体实施例对本发明的一种基于深度相关性特征学习的指静脉识别方法及装置作以下详细地说明。
实施例1:
如附图1所示,本发明的基于深度相关性特征学习的指静脉识别方法,具体步骤如下:
S1、提取细节点:提取手指静脉的细节点;具体步骤如下:
S101、对于一副手指静脉图像,用线性跟踪法对手指静脉的纹路进行分割,并进行二值化处理得到二值图像;
S102、对分割的二值图像进行细化,得到细化图像,基于细化图像提取整个手指静脉的细节点。其中,细节点包括手指静脉细化图像的交叉点和端点。
S2、构建图节点:根据细节点构建手指静脉的图结构;具体内容如下:提取细节点的特征,并将细节点特征对应的相关特征向量作为图的一个节点;其中,细节点的特征包括细节点的空间位置信息、细节点的灰度值、3邻域内的平均灰度值及该邻域内的灰度变化和细节点的夹角;细节点的空间位置信息是指细节点在图像中的横坐标和纵坐标。
S3、学习相关性映射图:基于RankSVM的相关性图映射学习方法,获取相关性图的邻接矩阵,反映图节点之间的相关性信息;具体步骤如下:
S301、对于节点A,构建相关性信息,将节点A与剩余的节点构造样本对;
S302、通过样本对训练RankSVM;
S303、找到RankSVM输出的前K个样本,即与节点A相关的K个样本;
S304、计算节点A与K个样本的相似度,即得到相关性信息;其中,节点A与K个样本的相似度利用欧氏距离计算两个样本的相似度;
S305、按照步骤S301-步骤S304计算出任何节点的相关性信息,即完成相关性映射图的学习。
S4、深度相关性特征学习:使用卷积神经网络对相关性映射图的有效信息进行深度学习,得到有效的深度相关性特征;深度相关性特征学习是采用Resnet对相关特征进行学习。
S5、匹配:将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较,从而完成匹配任务。相似度比较是采用欧式距离进行相似度度量;对于待验证用户,找到与验证用户的图像欧式距离最小的模板,即能得到用户信息。
实施例2:
如附图2所示,本发明的基于深度相关性特征学习的指静脉识别装置,该装置包括,
细节点提取模块,用于提取手指静脉的细节点;
图节点构建模块,用于根据细节点构建手指静脉的图结构;
相关性映射图学习模块,用于基于RankSVM的相关性图映射学习方法,获取相关性图的邻接矩阵,反映图节点之间的相关性信息;
深度相关性特征学习模块,用于使用卷积神经网络对相关性映射图的有效信息进行深度学习,得到有效的深度相关性特征;
匹配模块,用于将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较,从而完成匹配任务。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于深度相关性特征学习的指静脉识别方法,其特征在于,具体步骤如下:
S1、提取细节点:提取手指静脉的细节点;
S2、构建图节点:根据细节点构建手指静脉的图结构;
S3、学习相关性映射图:基于RankSVM的相关性图映射学习方法,获取相关性图的邻接矩阵,反映图节点之间的相关性信息;
S4、深度相关性特征学习:使用卷积神经网络对相关性映射图的有效信息进行深度学习,得到有效的深度相关性特征;
S5、匹配:将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较,从而完成匹配任务。
2.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法,其特征在于,所述步骤S1中提取细节点的具体步骤如下:
S101、对于一副手指静脉图像,用线性跟踪法对手指静脉的纹路进行分割,并进行二值化处理得到二值图像;
S102、对分割的二值图像进行细化,得到细化图像,基于细化图像提取整个手指静脉的细节点。
3.根据权利要求2所述的基于深度相关性特征学习的指静脉识别方法,其特征在于,所述细节点包括手指静脉细化图像的交叉点和端点。
4.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法,其特征在于,所述步骤S2中构建图节点的具体内容如下:提取细节点的特征,并将细节点特征对应的相关特征向量作为图的一个节点;其中,细节点的特征包括细节点的空间位置信息、细节点的灰度值、3邻域内的平均灰度值及该邻域内的灰度变化和细节点的夹角。
5.根据权利要求4所述的基于深度相关性特征学习的指静脉识别方法,其特征在于,所述细节点的空间位置信息是指细节点在图像中的横坐标和纵坐标。
6.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法,其特征在于,所述步骤S3中学习相关性映射图的具体步骤如下:
S301、对于节点A,构建相关性信息,将节点A与剩余的节点构造样本对;
S302、通过样本对训练RankSVM;
S303、找到RankSVM输出的前K个样本,即与节点A相关的K个样本;
S304、计算节点A与K个样本的相似度,即得到相关性信息;其中,节点A与K个样本的相似度利用欧氏距离计算两个样本的相似度;
S305、按照步骤S301-步骤S304计算出任何节点的相关性信息,即完成相关性映射图的学习。
7.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法,其特征在于,所述步骤S4中深度相关性特征学习是采用Resnet对相关特征进行学习。
8.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法,其特征在于,所述步骤S5中相似度比较是采用欧式距离进行相似度度量;对于待验证用户,找到与验证用户的图像欧式距离最小的模板,即能得到用户信息。
9.一种基于深度相关性特征学习的指静脉识别装置,其特征在于,该装置包括,
细节点提取模块,用于提取手指静脉的细节点;
图节点构建模块,用于根据细节点构建手指静脉的图结构;
相关性映射图学习模块,用于基于RankSVM的相关性图映射学习方法,获取相关性图的邻接矩阵,反映图节点之间的相关性信息;
深度相关性特征学习模块,用于使用卷积神经网络对相关性映射图的有效信息进行深度学习,得到有效的深度相关性特征;
匹配模块,用于将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较,从而完成匹配任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910546950.7A CN110263726B (zh) | 2019-06-24 | 2019-06-24 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910546950.7A CN110263726B (zh) | 2019-06-24 | 2019-06-24 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263726A true CN110263726A (zh) | 2019-09-20 |
CN110263726B CN110263726B (zh) | 2021-02-02 |
Family
ID=67920610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910546950.7A Active CN110263726B (zh) | 2019-06-24 | 2019-06-24 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263726B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079551A (zh) * | 2019-11-25 | 2020-04-28 | 五邑大学 | 基于奇异值分解的手指静脉识别方法、装置和存储介质 |
CN112115952A (zh) * | 2020-08-25 | 2020-12-22 | 济南浪潮高新科技投资发展有限公司 | 一种基于全卷积神经网络的图像分类方法、设备及介质 |
CN113221844A (zh) * | 2021-06-07 | 2021-08-06 | 山东建筑大学 | 基于深度学习的掌纹细节点真伪甄别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140093146A1 (en) * | 2011-09-30 | 2014-04-03 | University Of Louisville Research Foundation, Inc. | Three dimensional minutiae extraction in three dimensional scans |
CN106126523A (zh) * | 2016-06-12 | 2016-11-16 | 中国科学院软件研究所 | 一种假币犯罪信息分析系统及分析方法 |
CN106991368A (zh) * | 2017-02-20 | 2017-07-28 | 北京大学 | 一种基于深度卷积神经网络的指静脉验证身份识别方法 |
CN108509927A (zh) * | 2018-04-09 | 2018-09-07 | 中国民航大学 | 一种基于局部对称图结构的手指静脉图像识别方法 |
CN108596126A (zh) * | 2018-04-28 | 2018-09-28 | 中国民航大学 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 中国民航大学 | 一种融合局部编码与cnn模型手指静脉识别方法 |
CN109902585A (zh) * | 2019-01-29 | 2019-06-18 | 中国民航大学 | 一种基于图模型的手指三模态融合识别方法 |
-
2019
- 2019-06-24 CN CN201910546950.7A patent/CN110263726B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140093146A1 (en) * | 2011-09-30 | 2014-04-03 | University Of Louisville Research Foundation, Inc. | Three dimensional minutiae extraction in three dimensional scans |
CN106126523A (zh) * | 2016-06-12 | 2016-11-16 | 中国科学院软件研究所 | 一种假币犯罪信息分析系统及分析方法 |
CN106991368A (zh) * | 2017-02-20 | 2017-07-28 | 北京大学 | 一种基于深度卷积神经网络的指静脉验证身份识别方法 |
CN108509927A (zh) * | 2018-04-09 | 2018-09-07 | 中国民航大学 | 一种基于局部对称图结构的手指静脉图像识别方法 |
CN108596126A (zh) * | 2018-04-28 | 2018-09-28 | 中国民航大学 | 一种基于改进的lgs加权编码的手指静脉图像识别方法 |
CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 中国民航大学 | 一种融合局部编码与cnn模型手指静脉识别方法 |
CN109902585A (zh) * | 2019-01-29 | 2019-06-18 | 中国民航大学 | 一种基于图模型的手指三模态融合识别方法 |
Non-Patent Citations (1)
Title |
---|
王科俊,等: ""基于静脉识别的身份认证方法研究"", 《工程技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079551A (zh) * | 2019-11-25 | 2020-04-28 | 五邑大学 | 基于奇异值分解的手指静脉识别方法、装置和存储介质 |
CN111079551B (zh) * | 2019-11-25 | 2023-09-05 | 五邑大学 | 基于奇异值分解的手指静脉识别方法、装置和存储介质 |
CN112115952A (zh) * | 2020-08-25 | 2020-12-22 | 济南浪潮高新科技投资发展有限公司 | 一种基于全卷积神经网络的图像分类方法、设备及介质 |
CN113221844A (zh) * | 2021-06-07 | 2021-08-06 | 山东建筑大学 | 基于深度学习的掌纹细节点真伪甄别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110263726B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106326886B (zh) | 基于卷积神经网络的手指静脉图像质量评估方法 | |
CN107392082B (zh) | 一种基于深度学习的小面积指纹比对方法 | |
CN107423701B (zh) | 基于生成式对抗网络的人脸非监督特征学习方法及装置 | |
Cerutti et al. | Understanding leaves in natural images–a model-based approach for tree species identification | |
CN101499134B (zh) | 基于现场可编程门阵列的虹膜识别方法及系统 | |
CN106778584A (zh) | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 | |
CN106326874A (zh) | 一种人眼图像中的虹膜识别方法及其装置 | |
CN106548159A (zh) | 基于全卷积神经网络的网纹人脸图像识别方法与装置 | |
CN110263726A (zh) | 一种基于深度相关性特征学习的指静脉识别方法及装置 | |
CN108596126B (zh) | 一种基于改进的lgs加权编码的手指静脉图像识别方法 | |
CN109190566A (zh) | 一种融合局部编码与cnn模型手指静脉识别方法 | |
US20210326571A1 (en) | Fast and robust friction ridge impression minutiae extraction using feed-forward convolutional neural network | |
CN111985332B (zh) | 一种基于深度学习的改进损失函数的步态识别方法 | |
CN102902980A (zh) | 一种基于线性规划模型的生物特征图像分析与识别方法 | |
Paul et al. | Extraction of facial feature points using cumulative histogram | |
CN107944366A (zh) | 一种基于属性学习的手指静脉识别方法及装置 | |
CN115294638A (zh) | 基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统 | |
Feng et al. | Detecting locally, patching globally: An end-to-end framework for high speed and accurate detection of fingerprint minutiae | |
CN103903017A (zh) | 一种基于自适应软直方图局部二值模式的人脸识别方法 | |
Thakkar et al. | Iris recognition supported best gabor filters and deep learning cnn options | |
CN111898400A (zh) | 一种基于多模态特征融合的指纹活性检测方法 | |
Akulwar et al. | Secured multi modal biometric system: a review | |
CN110738985A (zh) | 基于语音信号的跨模态生物特征识别方法及系统 | |
Liu et al. | A novel high-resolution fingerprint representation method | |
Monwar | A Multimodal Biometric System Based on Rank Level Fusion |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210112 Address after: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong Applicant after: INSPUR GROUP Co.,Ltd. Address before: North 6th floor, S05 building, Langchao Science Park, 1036 Langchao Road, hi tech Zone, Jinan City, Shandong Province, 250100 Applicant before: SHANDONG INSPUR ARTIFICIAL INTELLIGENCE RESEARCH INSTITUTE Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |