CN110414333A - 一种图像边界的检测方法及装置 - Google Patents
一种图像边界的检测方法及装置 Download PDFInfo
- Publication number
- CN110414333A CN110414333A CN201910534900.7A CN201910534900A CN110414333A CN 110414333 A CN110414333 A CN 110414333A CN 201910534900 A CN201910534900 A CN 201910534900A CN 110414333 A CN110414333 A CN 110414333A
- Authority
- CN
- China
- Prior art keywords
- image
- outer profile
- boundary
- pixel
- equalization
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 7
- 230000002708 enhancing effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 210000001595 mastoid Anatomy 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V40/107—Static hand or arm
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像边界的检测方法及装置，涉及图像处理技术领域，为解决现有技术中不能准确检测手掌边界的问题而发明。该方法主要包括：根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像；将所述均值化图像进行二值化处理，生成边界图像；按照边缘检测算法，提取所述边界图像中物体的外轮廓图像；按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像；如果判断结果为是，则在待测图像中标记所述外轮廓图像的外轮廓像素点。本发明主要应用于图像识别的过程中。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像边界的检测方法及装置。
背景技术
检测图像边界，通常应用于图像识别的过程中，以检测手掌边界为例，该方法是手势识别和掌纹识别的基础。在检测手掌边界时容易受到背景干扰，如面部、颈部的皮肤或颜色与肤色相似的衣物等，特别是在背景复杂多变的情况下，背景干扰严重影响检测手掌边界的准确性。
在现有技术中，是通过取得手势图像，提取该手势图像在设定范围内的最大轮廓；计算最大轮廓的中的多个凹陷点的坐标值，得到多个凹陷点的平均点；使用腐蚀法多次处理最大轮廓，使处理后的轮廓的面积小于最大轮廓的面积且和最大轮廓的面积为设定比例；对处理后的轮廓的各像素点的坐标值进行加权，权值为该像素点在处理后的轮廓中的高度；计算加权后的像素点的平均点，得到第一平均点；判断第一平均点和凹陷点的平均点的欧拉距离是否小于设定阈值，如果为是则以第一平均点为手掌中心，对处理后的轮廓进行选择，去掉手臂部分，得到手势轮廓。
通过上述方案以手掌中心检测手掌边界，在执行步骤中的计算凹陷点的平均点、腐蚀算法和坐标值加权都对图像做修正处理，虽然能够减少背景干扰，但是不能准确的检测手势轮廓。
发明内容
有鉴于此，本发明提供一种图像边界的检测方法及装置，主要目的在于现有技术中不能准确检测图像边界的问题。
依据本发明一个方面，提供了一种图像边界的检测方法，包括：
根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像；
将所述均值化图像进行二值化处理，生成边界图像；
按照边缘检测算法，提取所述边界图像中物体的外轮廓图像；
按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像；
如果判断结果为是，则在待测图像中标记所述外轮廓图像的外轮廓像素点。
依据本发明另一个方面，提供了一种图像边界的检测装置，包括：
第一生成模块，用于根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像；
第二生成模块，用于将所述均值化图像进行二值化处理，生成边界图像；
第一提取模块，用于按照边缘检测算法，提取所述边界图像中物体的外轮廓图像；
判断模块，用于按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像；
标记模块，用于如果判断结果为是，则在待测图像中标记所述外轮廓图像的外轮廓像素点。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述图像边界的检测方法对应的操作。
根据本发明的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述图像边界的检测方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种图像边界的检测方法及装置，首先根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像，然后将均值化图像进行二值化处理，生成边界图像，再按照边缘检测算法，提取边界图像中物体的外轮廓图像，再按照支持向量机SVM算法，判断外轮廓图像是否为目标图像，最后如果判断结果为是，则在待测图像中标记外轮廓图像的外轮廓像素点。与现有技术相比，本发明实施例通过对图像进行均值化和二值化处理，能够减少背景干扰增强检测鲁棒性。在采用SVM算法判断外轮廓图像是否为手掌图像时，能够减少计算量提高检测速度。通过均值化图像、二值化图像和外轮廓图像的阶梯式提取方案，一步一步的递归图像内容，增加提取外轮廓图像的准确性，以提高判断手掌边界的准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种图像边界的检测方法流程图；
图2示出了本发明实施例提供的另一种图像边界的检测方法流程图；
图3示出了本发明实施例提供的一种图像边界的检测装置组成框图；
图4示出了本发明实施例提供的另一种图像边界的检测装置组成框图；
图5示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种图像边界的检测方法，如图1所示，该方法包括：
101、根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像。
预置基准颜色是指现在RGB标准中的红、绿、蓝三种基本色的设置参数，行业中通常选取为[123.7，116.8，103.9]。均值化处理就是将待测图像中的除了基本色之外的颜色尽量向基本色中的某一种颜色靠拢，均值化处理后的均值化图像与待测图像相比会缩小图像中像素之间的差距，同时增加图像对比度。在均值化图像中比较容易区分手掌肤色和背景色。待测图像是由多个像素点构成，如果采用RGB标准则每个像素点由红绿蓝三种参数表示，如像素点值为[137，56，128]，[113，127，92]，[89，162，104]，将相同基本上对应值进行均值化处理，重新生成各个像素点值[26，-59，20]，[0，12，-8]，[-24，47，-4]，能够减少后续的数据运算量，同时增强图像的清晰度和完整性。
102、将所述均值化图像进行二值化处理，生成边界图像。
二值化处理就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，图像的二值化使图像中数据量大为减少，从而能凸显出待测图像中物体的轮廓。边界图像的灰度值包括0或255，与均值化图像相比减少大量数据。边界图像中背景图像也只有黑白两种颜色，能够消除背景图像中的部分干扰因素。
103、按照边缘检测算法，提取所述边界图像中物体的外轮廓图像。
边缘检测的目的是标识数字图像中亮度变化明显的点，按照边缘检测算法提取的外轮廓图像与边界图像相比，大幅度减少数据量，并且剔除不相关信息，保留图像的结构属性。边缘检测算法基本上可以分为基于查找的检测方法和基于零穿越的检测方法。基于查找的检测方法通过寻找图像一阶导数中的最大值和最小值来检测边界轮廓，将边界轮廓定位在梯度最大的方向。基于零穿越的检测方法通过寻找图像二阶导数零穿越来寻找边界轮廓，将边界轮廓定位在二阶导数的过零点。
外轮廓图像是指待测图像中所有物体的二值化的轮廓图像，外轮廓图像的图像数量大于1。如果待测图像中的物体包括拍摄背景中的建筑、马路、车辆，以及拍摄头、手、胳膊，那么外轮廓图像包括与建筑、马路、车辆、头、手、胳膊一一对应的二值化的轮廓图像。
104、按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像。
目标图像是指任意物体的图像，可以为手部图像、人脸图像、动物图像等等。为了进行有效识别，目标图像通过各种角度进行拍摄。如果目标图像为手部图像，那么目标图像包括至少一种手姿势的目标图像，手姿势包括五指合并掌心伸展、五指张开掌心伸展和部分手指微屈掌心伸展等等。。手掌姿势是指包括手掌和手指，且手掌与手指的不同相对位置。如果应用手掌图像作为生物识别依据，以手指和手掌组成的目标图像作为区分手掌与其他物体的依据，能够保证待测图像中包括手掌图像且图像数据量越小越好。在本步骤中，需要判断每一张外轮廓图像是否为目标图像。SVM算法用于根据预先训练好的SVM模型，判断外轮廓图像是否为目标图像。SVM模型实际上是线性分类器，是根据训练图像及其对应的分类结果训练得到的。训练图像可以分为两类，包含目标图像的正样本图像和不包含目标图像的负样本图像，相应的分类结果包括包含目标图像和不包含目标图像两类。
105、如果判断结果为是，则在所述待测图像中标记所述外轮廓图像的外轮廓像素点。
如果判断外轮廓图像为目标图像，则在待测图像中标记外轮廓图像中的外轮廓像素点，至到所有的外轮廓图像都完成判断或判断并标记的步骤。还可以判断所有的外轮廓图像是否为目标图像后，将在待测图像中标记外轮廓图像为目标图像的所有的外轮廓像素点。无论采用边判断边标记的方式，还是采用先判断后标记的方式，只要保证所有的外轮廓图像都经过判断过程，所有的外轮廓图像为手掌的都在待测图像中被标记即可。
在待测图像中标记外轮廓像素点，以便于获取外轮廓点内部的有效图像，以进行图像识别。标记外轮廓像素点可采用更改像素点颜色、统一记录外轮廓像素点位置和为外轮廓像素点添加标识等方式。
本发明提供了一种图像边界的检测方法，首先根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像，然后将均值化图像进行二值化处理，生成边界图像，再按照边缘检测算法，提取边界图像中物体的外轮廓图像，再按照支持向量机SVM算法，判断外轮廓图像是否为目标图像，最后如果判断结果为是，则在待测图像中标记外轮廓图像的外轮廓像素点。与现有技术相比，本发明实施例通过对图像进行均值化和二值化处理，能够减少背景干扰增强检测鲁棒性。在采用SVM算法判断外轮廓图像是否为手掌图像时，能够减少计算量提高检测速度。通过均值化图像、二值化图像和外轮廓图像的阶梯式提取方案，一步一步的递归图像内容，增加提取外轮廓图像的准确性，以提高判断手掌边界的准确性。
本发明实施例提供了另一种图像边界的检测方法，如图2所示，该方法包括：
201、根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像。
预置基准颜色包括红、绿、蓝三种基本色对应的颜色亮度，与其相对于均值化图像的生成方法具体包括：根据预置基准颜色，建立单色通道，所述单色通道包括红色通道、绿色通道和蓝色通道；分别获取所述待测图像经过所述红色通道、所述绿色通道和所述蓝色通道的单色图像；将所述单色图像进行均值化处理，生成单色均值化图像；合并所述单色均值化图像，生成所述均值化图像。
单色通道用于滤除待测图像中该通道色彩以外的其他色彩，以改变待测图像中的颜色。经过不同的单色通道，生成与其对应的单色图像，单色通道的数量与单色图像的一一对应的。对每个单色图像进行均值化处理，将单色图像中除了基本色之外的颜色尽量像基本色中的某一种颜色靠拢，每个单色图像生成一个单色均值图像。根据单色均值图像中色彩的记录方式，合并三个单色均值图像，生成待测图像的均值化图像。
将单色图像进行均值化处理，生成单色均值化图像，具体包括：计算所述单色图像的像素在各灰度级中的分布概率p(i)，p(i)＝ni/n,i∈(0,1,…L-1)，其中i为图像的灰度级个数，p(i)为第i个灰度级的分布概率，ni为所述待测图像中属于第i个灰度级的像素点个数，n为所述待测图像的像素点的总数，L为正整数且最大值为256；计算所述分布概率的累计概率c(j)，所述计算累计概率的累计概率函数为将预置像素范围值与所述累计概率c(j)做乘积运算，生成所述单色均值图像。
202、将所述均值化图像进行二值化处理，生成边界图像。
边界图像是二值化图像，包括0或255两种灰度值，与待测图像相比数据量较少，能够凸显出待测图像中物体的轮廓。
203、按照边缘检测算法，提取所述边界图像中物体的外轮廓图像。
图像边缘也就是图像轮廓，一般是指图像在某一局部强度剧烈变化的区域，强度变化一般包括阶跃变化和屋顶变化。边缘检测的目的在于找到具有阶跃变化或者屋顶变化的像素点的集合。根据图像的变化特点，对于阶跃变化一阶导数的峰值为边缘点，对于屋顶变化一阶导数的零点为边缘点。为了便于计算，根据导数分割原理进行实例化形成各种算子，以在计算过程中直接使用。一阶导数算子包括：Roberts Cross算子，Prewitt算子，Sobel算子，Kirsch算子和罗盘算子等等。
按照边缘检测算法，提取边界图像中物体的外轮廓图像，具体包括：根据预置边缘检测算子，计算所述边界图像的梯度膜和局部梯度方向；在所述梯度方向上，获取所述梯度膜的最大值和最小值；根据在所述边界图像中所述最大值和所述最小值对应的相对位置，生成并提取所述外轮廓图像。其中预置边缘算子分别为一阶导数算子中的任一算子。
204、按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像。
判断外轮廓图像是否为目标图像，是指判断外轮廓图像构成的形状是否为目标图像形状，也就是判断待测图像中与外轮廓图像位置相对应的物体图像是否为目标图像。判断外轮廓图像是否为目标图像，具体包括：从所述外轮廓图像中，随机选取起始像素点，并记录所述起始像素点的起始像素位置；计算所述起始像素点，与所述起始像素点对应的相邻像素点之间的像素方差，并记录所述相邻像素点的相邻像素位置；如果所述像素方差小于第一预置阈值，则确定所述相邻像素点为新的起始像素点；如果所述相邻像素位置与所述起始像素位置相同，则利用SVM模型提取所述外轮廓图像的轮廓向量；如果所述轮廓向量与预置特征向量的相似度大于第二预置阈值，则确定所述外轮廓图像是目标图像。
外轮廓图像可以分为封闭和非封闭两种。在外轮廓图像中随机选取起始像素点，计算该点与相邻像素点之间的像素方差，如果像素方差小于第一预置阈值，则认为该像素点之前为连续的，示例性的第一预置阈值为1.5。当连续的像素点能递归到起始像素点的时候，认为是外轮廓图像封闭的，对封闭的轮廓，采用SVM分类识别的方式。识别过程包括：利用预先训练好的SVM模型计算外轮廓图像中各种物体的轮廓向量，利用SVM训练好的预置特征向量和轮廓向量进行对比，相似度超过第二预置阈值，则认为该外轮廓图像是目标图像，示例性的第二预置阈值为90％。
利用SVM模型提取外轮廓图像的轮廓向量之前，还包括：获取训练图像，所述训练图像中包括正样本图像和负样本图像；根据所述训练图像，训练并保存SVM模型。在训练SVM模型时，能够训练得到对判断是否为手掌影响较大的图像特征。然后将该图像特征记录在SVM模型中，以便于根据SVM模型提取外轮廓图像的与该特征对应的轮廓向量。预置特征向量，可以是通用数据，也可以是训练数据中包含目标图像的所有图像的特征向量对应的平均值，还可以是训练数据中任一包含目标图像的图像的特征向量，在本发明实施例中对预置特征向量的来源不做限定。
205、如果判断结果为是，则在所述待测图像中标记所述外轮廓图像的外轮廓像素点。
在待测图像中标记外轮廓像素点，以便于获取外轮廓点内部的图像，以进行掌纹识别。标记外轮廓像素点可采用更改像素点颜色、统一记录外轮廓像素点位置和为外轮廓像素点添加标识等方式。
206、根据所述外轮廓图像像素点，获取所述待测图像中外轮廓内的有效图像。
在待测图像中被标记的外轮廓像素点，构成了目标图像形状。以外轮廓像素点为边界点，在待测图像中且在边界点内部的图像为有效图像，有效图像是指包括识别图像有效信息的图像部分。
207、提取所述有效图像的图像特征。
以有效图像为手掌图像为例进行说明，利用掌纹的纹线特征、点特征、纹理特征和几何特征完全可以确定一个人的身份，提取掌纹特征也就是提取手掌图像的纹线特征、点特征、纹理特征和几何特征。掌纹是指手腕与手指之间的手掌表面上的各种纹线。掌纹的形态由遗传基因控制，即使由于某种原因表皮剥落，新生的掌纹纹线仍保持着原来的结构。
掌纹中最重要的特征是纹线特征，而且这些纹线特征中最清晰的几条纹线基本上是伴随人的一生不发生变化的。点特征主要是指手掌上所具有的和指纹类似的皮肤表面特征，如掌纹乳突纹在局部形成的奇异点及纹形。纹理特征，主要是指比纹线更短、更细的一些纹线，但其在手掌上分布是毫无规律的。掌纹的特征还包括几何特征：如手掌的宽度、长度和几何形状，以及手掌不同区域的分布。
208、如果所述图像特征记录在预置特征识别库中，则生成所述待测图像识别成功的提示信息。
以有效图像为手掌图像为例进行说明，在掌纹识别之前，通常需要录入用户掌纹，提取用户掌纹特征，然后将用户掌纹特征保存在掌纹识别库中。提取用户掌纹特征的方法与步骤207中提取手掌图像的掌纹特征的方法相同。将手掌图像的掌纹特征与掌纹识别库中的用户掌纹特征进行比较，如果手掌图像的掌纹特征与某一用户掌纹特征相同，则该手掌图像中的手掌是某一用户的手掌，生成待测图像识别成功的提示信息。该提示信息可以是开门的执行信息，可以是识别成功的记录信息，还可以是锁门的执行信息，在本发明中对识别成功后的执行操作不做限定。
209、如果所述图像特征未记录在所述预置特征识别库中，则生成所述待测图像识别失败的提示信息。
以有效图像为手掌图像为例进行说明，本步骤是与步骤208是并列的两个判断分支，其判断过程相同，如果手掌图像的掌纹特征与掌纹识别库中的某一用户掌纹特征不同，则该手掌图像中的手掌不是某一用户的手掌，生成识别失败的提示信息。该提示信息，可以是重新拍摄待测图像的摄像头启动信息，可以是通知管理员的告警信息，还可以是锁死当前掌纹识别系统的防护信息，在本发明中对识别失败后的执行操作不做限定。
本发明提供了一种图像边界的检测方法，首先根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像，然后将均值化图像进行二值化处理，生成边界图像，再按照边缘检测算法，提取边界图像中物体的外轮廓图像，再按照支持向量机SVM算法，判断外轮廓图像是否为目标图像，最后如果判断结果为是，则在待测图像中标记外轮廓图像的外轮廓像素点。与现有技术相比，本发明实施例通过对图像进行均值化和二值化处理，能够减少背景干扰增强检测鲁棒性。在采用SVM算法判断外轮廓图像是否为手掌图像时，能够减少计算量提高检测速度。通过均值化图像、二值化图像和外轮廓图像的阶梯式提取方案，一步一步的递归图像内容，增加提取外轮廓图像的准确性，以提高判断手掌边界的准确性。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种图像边界的检测装置，如图3所示，该装置包括：
第一生成模块31，用于根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像；
第二生成模块32，用于将所述均值化图像进行二值化处理，生成边界图像；
第一提取模块33，用于按照边缘检测算法，提取所述边界图像中物体的外轮廓图像；
判断模块34，用于按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像；
标记模块35，用于如果判断结果为是，则在待测图像中标记所述外轮廓图像的外轮廓像素点。
本发明提供了一种图像边界的检测装置，首先根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像，然后将均值化图像进行二值化处理，生成边界图像，再按照边缘检测算法，提取边界图像中物体的外轮廓图像，再按照支持向量机SVM算法，判断外轮廓图像是否为目标图像，最后如果判断结果为是，则在待测图像中标记外轮廓图像的外轮廓像素点。与现有技术相比，本发明实施例通过对图像进行均值化和二值化处理，能够减少背景干扰增强检测鲁棒性。在采用SVM算法判断外轮廓图像是否为手掌图像时，能够减少计算量提高检测速度。通过均值化图像、二值化图像和外轮廓图像的阶梯式提取方案，一步一步的递归图像内容，增加提取外轮廓图像的准确性，以提高判断手掌边界的准确性。
进一步的，作为对上述图2所示方法的实现，本发明实施例提供了另一种图像边界的检测装置，如图4所示，该装置包括：
第一生成模块41，用于根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像；
第二生成模块42，用于将所述均值化图像进行二值化处理，生成边界图像；
第一提取模块43，用于按照边缘检测算法，提取所述边界图像中物体的外轮廓图像；
判断模块44，用于按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像；
标记模块45，用于如果判断结果为是，则在待测图像中标记所述外轮廓图像的外轮廓像素点。
进一步地，所述第一生成模块41，包括：
建立单元411，用于根据预置基准颜色，建立单色通道，所述单色通道包括红色通道、绿色通道和蓝色通道；
获取单元412，用于分别获取所述待测图像经过所述红色通道、所述绿色通道和所述蓝色通道的单色图像；
生成单元413，用于将所述单色图像进行均值化处理，生成单色均值化图像；
合并单元414，用于合并所述单色均值化图像，生成所述均值化图像。
进一步地，所述生成单元413，包括：
计算子单元4131，用于计算所述单色图像的像素在各灰度级中的分布概率p(i)，p(i)＝ni/n,i∈(0,1,…L-1)，其中i为图像的灰度级个数，p(i)为第i个灰度级的分布概率，ni为所述待测图像中属于第i个灰度级的像素点个数，n为所述待测图像的像素点的总数，L为正整数且最大值为256；
所述计算子单元4131，还用于计算所述分布概率的累计概率c(j)，所述计算累计概率的累计概率函数为
生成子单元4132，用于将预置像素范围值与所述累计概率c(j)做乘积运算，生成所述单色均值图像。
进一步地，所述第一提取模块43，包括：
计算单元431，用于根据预置边缘检测算子，计算所述边界图像的梯度膜和局部梯度方向；
获取单元432，用于在所述梯度方向上，获取所述梯度膜的最大值和最小值；
提取单元433，用于根据在所述边界图像中所述最大值和所述最小值对应的相对位置，生成并提取所述外轮廓图像。
进一步地，所述判断模块44，包括：
选取单元441，用于从所述外轮廓图像中，随机选取起始像素点，并记录所述起始像素点的起始像素位置；
计算单元442，用于计算所述起始像素点，与所述起始像素点对应的相邻像素点之间的像素方差，并记录所述相邻像素点的相邻像素位置；
所述计算单元442，还用于如果所述像素方差小于第一预置阈值，则确定所述相邻像素点为新的起始像素点；
提取单元443，用于如果所述相邻像素位置与所述起始像素位置相同，则利用SVM模型提取所述外轮廓图像的轮廓向量；
确定单元444，用于如果所述轮廓向量与预置特征向量的相似度大于第二预置阈值，则确定所述外轮廓图像是目标图像。
进一步地，所述方法还包括：
获取单元445，用于所述利用SVM模型提取所述外轮廓图像的轮廓向量之前，获取训练图像，所述训练图像中包括正样本图像和负样本图像；
训练单元446，用于根据所述训练图像，训练并保存SVM模型。
进一步地，所述方法还包括：
获取模块46，用于所述在待测图像中标记所述外轮廓图像的外轮廓像素点之后，根据所述外轮廓图像像素点，获取所述待测图像中外轮廓内的有效图像；
第二提取模块47，用于提取所述有效图像的图像特征；
第三生成模块48，用于如果所述图像特征记录在预置特征识别库中，则生成所述待测图像识别成功的提示信息；
所述第三生成模块48，还用于如果所述图像特征未记录在所述预置特征识别库中，则生成所述待测图像识别失败的提示信息。
本发明提供了一种图像边界的检测装置，首先根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像，然后将均值化图像进行二值化处理，生成边界图像，再按照边缘检测算法，提取边界图像中物体的外轮廓图像，再按照支持向量机SVM算法，判断外轮廓图像是否为目标图像，最后如果判断结果为是，则在待测图像中标记外轮廓图像的外轮廓像素点。与现有技术相比，本发明实施例通过对图像进行均值化和二值化处理，能够减少背景干扰增强检测鲁棒性。在采用SVM算法判断外轮廓图像是否为手掌图像时，能够减少计算量提高检测速度。通过均值化图像、二值化图像和外轮廓图像的阶梯式提取方案，一步一步的递归图像内容，增加提取外轮廓图像的准确性，以提高判断手掌边界的准确性。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的图像边界的检测方法。
图5示出了根据本发明一个实施例提供的一种计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。
如图5所示，该计算机设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述图像边界的检测方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像；
将所述均值化图像进行二值化处理，生成边界图像；
按照边缘检测算法，提取所述边界图像中物体的外轮廓图像；
按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像；
如果判断结果为是，则在待测图像中标记所述外轮廓图像的外轮廓像素点。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包括在本发明的保护范围之内。
Claims (10)
1.一种图像边界的检测方法，其特征在于，包括：
根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像；
将所述均值化图像进行二值化处理，生成边界图像；
按照边缘检测算法，提取所述边界图像中物体的外轮廓图像；
按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像；
如果判断结果为是，则在所述待测图像中标记所述外轮廓图像的外轮廓像素点。
2.如权利要求1所述的方法，其特征在于，所述根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像，包括：
根据预置基准颜色，建立单色通道，所述单色通道包括红色通道、绿色通道和蓝色通道；
分别获取所述待测图像经过所述红色通道、所述绿色通道和所述蓝色通道的单色图像；
将所述单色图像进行均值化处理，生成单色均值化图像；
合并所述单色均值化图像，生成所述均值化图像。
3.如权利要求2所述的方法，其特征在于，所述将所述单色图像进行均值化处理，生成单色均值化图像，包括：
计算所述单色图像的像素在各灰度级中的分布概率p(i)，p(i)＝ni/n,i∈(0,1,…L-1)，其中i为图像的灰度级个数，p(i)为第i个灰度级的分布概率，ni为所述待测图像中属于第i个灰度级的像素点个数，n为所述待测图像的像素点的总数，L为正整数且最大值为256；
计算所述分布概率的累计概率c(j)，所述计算累计概率的累计概率函数为
将预置像素范围值与所述累计概率c(j)做乘积运算，生成所述单色均值图像。
4.如权利要求1所述的方法，其特征在于，所述按照边缘检测算法，提取所述边界图像中物体的外轮廓图像，包括：
根据预置边缘检测算子，计算所述边界图像的梯度膜和局部梯度方向；
在所述梯度方向上，获取所述梯度膜的最大值和最小值；
根据所述边界图像中所述最大值和所述最小值对应的相对位置，生成并提取所述外轮廓图像。
5.如权利要求1所述的方法，其特征在于，所述按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像，包括：
从所述外轮廓图像中，随机选取起始像素点，并记录所述起始像素点的起始像素位置；
计算所述起始像素点，与所述起始像素点对应的相邻像素点之间的像素方差，并记录所述相邻像素点的相邻像素位置；
如果所述像素方差小于第一预置阈值，则确定所述相邻像素点为新的起始像素点；
如果所述相邻像素位置与所述起始像素位置相同，则利用SVM模型提取所述外轮廓图像的轮廓向量；
如果所述轮廓向量与预置特征向量的相似度大于第二预置阈值，则确定所述外轮廓图像是目标图像。
6.如权利要求5所述的方法，其特征在于，所述利用SVM模型提取所述外轮廓图像的轮廓向量之前，所述方法还包括：
获取训练图像，所述训练图像中包括正样本图像和负样本图像；
根据所述训练图像，训练并保存SVM模型。
7.如权利要求1所述的方法，其特征在于，所述在待测图像中标记所述外轮廓图像的外轮廓像素点之后，所述方法还包括：
根据所述外轮廓图像像素点，获取所述待测图像中外轮廓内的有效图像；
提取所述有效图像的图像特征；
如果所述图像特征记录在预置特征识别库中，则生成所述待测图像识别成功的提示信息；
如果所述图像特征未记录在所述预置特征识别库中，则生成所述待测图像识别失败的提示信息。
8.一种图像边界的检测装置，其特征在于，包括：
第一生成模块，用于根据预置基准颜色，对待测图像进行均值化处理，生成均值化图像；
第二生成模块，用于将所述均值化图像进行二值化处理，生成边界图像；
第一提取模块，用于按照边缘检测算法，提取所述边界图像中物体的外轮廓图像；
判断模块，用于按照支持向量机SVM算法，判断所述外轮廓图像是否为目标图像；
标记模块，用于如果判断结果为是，则在待测图像中标记所述外轮廓图像的外轮廓像素点。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的图像边界的检测方法对应的操作。
10.一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的图像边界的检测方法对应的操作。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910534900.7A CN110414333A (zh) | 2019-06-20 | 2019-06-20 | 一种图像边界的检测方法及装置 |
| PCT/CN2019/118348 WO2020253062A1 (zh) | 2019-06-20 | 2019-11-14 | 一种图像边界的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910534900.7A CN110414333A (zh) | 2019-06-20 | 2019-06-20 | 一种图像边界的检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414333A true CN110414333A (zh) | 2019-11-05 |
Family
ID=68359390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910534900.7A Pending CN110414333A (zh) | 2019-06-20 | 2019-06-20 | 一种图像边界的检测方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110414333A (zh) |
| WO (1) | WO2020253062A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992355A (zh) * | 2019-12-17 | 2020-04-10 | 华南农业大学 | 一种柔性作物过敏图像边界界定方法及系统 |
| CN111192314A (zh) * | 2019-12-25 | 2020-05-22 | 新绎健康科技有限公司 | 一种确定gdv能量图像中手指的内外轮廓比率的方法及系统 |
| WO2020253062A1 (zh) * | 2019-06-20 | 2020-12-24 | 平安科技（深圳）有限公司 | 一种图像边界的检测方法及装置 |
| CN112465850A (zh) * | 2020-12-08 | 2021-03-09 | 中国科学院计算技术研究所数字经济产业研究院 | 外围边界建模方法、智能监控方法及装置 |
| CN113126132A (zh) * | 2021-04-09 | 2021-07-16 | 内蒙古科电数据服务有限公司 | 一种移动巡检中轨迹校准与分析方法及系统 |
| CN114529545A (zh) * | 2022-04-22 | 2022-05-24 | 天津理工大学 | 一种基于无人机的道路缺陷自动检测方法及系统 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113197571A (zh) * | 2021-05-07 | 2021-08-03 | 广州晓康医疗科技有限公司 | 一种基于雷达的步态训练评估方法及其装置 |
| CN113518182B (zh) * | 2021-06-30 | 2022-11-25 | 天津市农业科学院 | 一种基于树莓派的黄瓜表型特征测量方法 |
| CN113781510A (zh) * | 2021-09-15 | 2021-12-10 | 上海金仕达软件科技有限公司 | 边缘检测方法、装置及电子设备 |
| CN116433700B (zh) * | 2023-06-13 | 2023-08-18 | 山东金润源法兰机械有限公司 | 一种法兰零件轮廓视觉定位方法 |
| CN116433701B (zh) * | 2023-06-15 | 2023-10-10 | 武汉中观自动化科技有限公司 | 一种工件孔洞轮廓的提取方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903089A (zh) * | 2012-09-07 | 2013-01-30 | 山东大学 | 一种Linux环境下生成遥感图像快视图的方法 |
| CN103177259A (zh) * | 2013-04-11 | 2013-06-26 | 中国科学院深圳先进技术研究院 | 色块识别方法及装置 |
| CN108564124A (zh) * | 2018-04-13 | 2018-09-21 | 山东农业大学 | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 |
| CN108647634A (zh) * | 2018-05-09 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 图像边框查找方法、装置、计算机设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6015267B2 (ja) * | 2012-09-13 | 2016-10-26 | オムロン株式会社 | 画像処理装置、画像処理プログラム、これを記録したコンピュータ読み取り可能な記録媒体、および、画像処理方法 |
| CN106407909B (zh) * | 2016-08-31 | 2019-04-02 | 北京贝塔科技股份有限公司 | 人脸识别方法、装置及系统 |
| CN108288024A (zh) * | 2017-12-20 | 2018-07-17 | 深圳和而泰数据资源与云技术有限公司 | 人脸识别方法及装置 |
| CN110414333A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技（深圳）有限公司 | 一种图像边界的检测方法及装置 |
-
2019
- 2019-06-20 CN CN201910534900.7A patent/CN110414333A/zh active Pending
- 2019-11-14 WO PCT/CN2019/118348 patent/WO2020253062A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903089A (zh) * | 2012-09-07 | 2013-01-30 | 山东大学 | 一种Linux环境下生成遥感图像快视图的方法 |
| CN103177259A (zh) * | 2013-04-11 | 2013-06-26 | 中国科学院深圳先进技术研究院 | 色块识别方法及装置 |
| CN108564124A (zh) * | 2018-04-13 | 2018-09-21 | 山东农业大学 | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 |
| CN108647634A (zh) * | 2018-05-09 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 图像边框查找方法、装置、计算机设备及存储介质 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020253062A1 (zh) * | 2019-06-20 | 2020-12-24 | 平安科技（深圳）有限公司 | 一种图像边界的检测方法及装置 |
| CN110992355A (zh) * | 2019-12-17 | 2020-04-10 | 华南农业大学 | 一种柔性作物过敏图像边界界定方法及系统 |
| CN110992355B (zh) * | 2019-12-17 | 2023-03-14 | 华南农业大学 | 一种柔性作物过敏图像边界界定方法及系统 |
| CN111192314A (zh) * | 2019-12-25 | 2020-05-22 | 新绎健康科技有限公司 | 一种确定gdv能量图像中手指的内外轮廓比率的方法及系统 |
| CN111192314B (zh) * | 2019-12-25 | 2024-02-20 | 新绎健康科技有限公司 | 一种确定gdv能量图像中手指的内外轮廓比率的方法及系统 |
| CN112465850A (zh) * | 2020-12-08 | 2021-03-09 | 中国科学院计算技术研究所数字经济产业研究院 | 外围边界建模方法、智能监控方法及装置 |
| CN113126132A (zh) * | 2021-04-09 | 2021-07-16 | 内蒙古科电数据服务有限公司 | 一种移动巡检中轨迹校准与分析方法及系统 |
| CN113126132B (zh) * | 2021-04-09 | 2022-11-25 | 内蒙古科电数据服务有限公司 | 一种移动巡检中轨迹校准与分析方法及系统 |
| CN114529545A (zh) * | 2022-04-22 | 2022-05-24 | 天津理工大学 | 一种基于无人机的道路缺陷自动检测方法及系统 |
| CN114529545B (zh) * | 2022-04-22 | 2022-07-12 | 天津理工大学 | 一种基于无人机的道路缺陷自动检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020253062A1 (zh) | 2020-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414333A (zh) | 一种图像边界的检测方法及装置 | |
| CN104915972B (zh) | 图像处理装置、图像处理方法以及程序 | |
| JP5010905B2 (ja) | 顔認証装置 | |
| CN106023257B (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
| CN106951869B (zh) | 一种活体验证方法及设备 | |
| CN109858439A (zh) | 一种基于人脸的活体检测方法及装置 | |
| JP2000003452A (ja) | デジタル画像における顔面の検出方法、顔面検出装置、画像判定方法、画像判定装置およびコンピュ―タ可読な記録媒体 | |
| CN107844736A (zh) | 虹膜定位方法和装置 | |
| CN106446862A (zh) | 一种人脸检测方法及系统 | |
| CN110414330B (zh) | 一种手掌图像的检测方法及装置 | |
| Jung et al. | Eye detection under varying illumination using the retinex theory | |
| Cheong et al. | A novel face detection algorithm using thermal imaging | |
| Ji et al. | Face occlusion detection using skin color ratio and LBP features for intelligent video surveillance systems | |
| CN110020627A (zh) | 一种基于深度图与特征融合的行人检测方法 | |
| CN109977941A (zh) | 车牌识别方法及装置 | |
| CN107103301B (zh) | 视频目标时空最大稳定性判别性颜色区域匹配方法和系统 | |
| Shah et al. | Multi-camera handoff for person re-identification | |
| CN108171229A (zh) | 一种空心粘连验证码的识别方法及系统 | |
| CN108256518A (zh) | 文字区域检测方法及装置 | |
| CN108242061A (zh) | 一种基于Sobel算子的超市购物车手部识别方法 | |
| Dahal et al. | Incorporating skin color for improved face detection and tracking system | |
| Roy et al. | An adaptive fusion scheme of color and edge features for background subtraction | |
| Liang et al. | Applying Image Processing Technology to Face Recognition. | |
| Aminian et al. | Face detection using color segmentation and RHT | |
| Jang et al. | Skin region segmentation using an image-adapted colour model |
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 |