CN110532867B - 一种基于黄金分割法的人脸图像聚类方法 - Google Patents
一种基于黄金分割法的人脸图像聚类方法 Download PDFInfo
- Publication number
- CN110532867B CN110532867B CN201910663745.9A CN201910663745A CN110532867B CN 110532867 B CN110532867 B CN 110532867B CN 201910663745 A CN201910663745 A CN 201910663745A CN 110532867 B CN110532867 B CN 110532867B
- Authority
- CN
- China
- Prior art keywords
- clustering
- cluster
- face
- optimal
- calculating
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于黄金分割法的人脸图像聚类方法,包括以下步骤:1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示;2)应用K‑Means++聚类算法实现对图像表征的聚类;3)基于0.618黄金分割法确定最优聚类数目,过程为:首先,给定聚类范围[a,b],K∈[a,b]。在范围内任意初始化给定聚类数目K0,基于聚类结果的内部性能评估指标构建优化函数f(K);接着,基于0.618黄金分割优化算法一维动态搜索函数最优解。该最优解即为最优聚类数目K*,对应聚类结果C*即为该人脸图像库的最佳聚类。本发明显著提升人脸图像聚类性能。
Description
技术领域
本发明涉及一种人脸图像聚类方法,尤其是一种基于黄金分割法的人脸图像聚类方法。
背景技术
随着计算机视觉和模式识别技术的快速发展,图像作为一种最普遍的视觉信息呈现模式,具有广泛的应用前景。在“大数据”时代,每天都产生大量的图片。例如,在社交媒体上,据Facebook的报道每天平均产生着3.5亿张图片,其中大部分是人脸图像。在司法调查中,依然有着庞大数量的图片急需鉴别和归类。在社会治安维护和监控管理上,由摄像头捕捉的大量人脸图像需要进行身份认证和入库比对。但是,这些人脸图像通常没有身份标签,或者是标签遗失了。在面对如此庞大的图像数据库时,应用人工标注的方法难以保证身份辨认的准确性和有效性,并且是非常费时费力的。
机器学习的兴起为解决这一棘手的问题提供了有效的方案。近年来,深度卷积神经网络DCNN在图像特征提取和身份识别上展现出了优越的性能:根据目前国内外的研究,其识别性能已经远远超过了人眼。同时,数据聚类技术日益成熟,为解决大规模图像数据识别与归类问题提供了方法依据。但是,应用聚类技术需要提前给定图像聚类的数目。通常而言,面对大规模的图像数据库,该聚类数可能是成百上千甚至难以确定的。
发明内容
为了克服现有人脸图像聚类方法的性能较差的不足,为了显著提升人脸图像聚类性能,本发明提供了一种基于黄金分割法的人脸图像聚类方法。
本发明解决其技术问题所采用的技术方案是:
一种基于黄金分割法的人脸图像聚类方法,所述识别方法包括如下步骤:
1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示,步骤如下:
步骤1.1:预处理是对图像做初步的修正处理;
步骤1.2:基于Dlib人脸标注的68个特征点,准确定位图像中的人脸区域并裁剪该区域;
步骤1.3:应用预训练的DCNN(Dlib ResNet)提取裁剪后人脸的特征,并输出128维的特征向量作为该人脸的表征;
2)应用K-Means++聚类算法实现对图像表征的聚类,操作步骤如下:
步骤2.1:以列矩阵形式表示人脸表征的集合X=(X1,X2,···,Xn),其中X为128维度的人脸表征,n为人脸的数目;
步骤2.2:给定聚类数目K,随机初始化选择一个表征作为聚类中心点;
步骤2.4:在SumD(X)的范围内生成一个随机数κ。使用如下准则:κ-=D(Xi)直至κ<0来选择下一个聚类中心,这样使得拥有较大D(Xi)的表征点有更高的概率被选择作为下一个聚类中心点;
步骤2.5:重复步骤2.3至步骤2.4直至K个聚类中心点 (U1,U2,···,UK)选择完毕;
步骤2.7:根据最小的Dij确定Xi的簇标记:λi=argminj∈{1,2,···,K}Dij;
步骤2.10:重复步骤2.6至步骤2.9,直到Uj *=Uj;
步骤2.11:输出簇划分结果C={C1,C2,···,CK};
3)基于0.618黄金分割法确定最优聚类数目,过程为:首先,给定聚类范围[a,b],K∈[a,b]。在范围内任意初始化聚类数目K0,基于聚类结果的内部性能评估指标构建优化函数f(K);接着,基于0.618 黄金分割优化算法一维动态搜索函数最优解,该最优解即为最优聚类数目K*,对应聚类结果C*即为该人脸图像库的最佳聚类。
进一步,所述步骤3)中,所述动态搜索步骤如下:
计算聚类内部性能指标DBI系数作为优化函数关于K的对应输出值f(K),对应簇划分C={C1,C2,···,CK},该过程表示为:
其中,各参数与函数实现定义如下:
K:聚类数目;
avg(C):簇内人脸表征均值;
|C|:簇C中的人脸表征数目;
DU(Ci,Cj):Ci和Cj簇间的中心距离;
U:簇C的中心;
由于不同的K产生的不同聚类结果皆可计算其DBI系数,因此可构建关于K的优化目标函数f(K),最优的聚类数K*必然对应着最小的DBI值,因此f(K)可在K*的邻域[a,b]内视为单峰函数,应用0.618 黄金分割法搜索步骤如下:
步骤3.1:给定初始聚类数目范围[a0,b0],误差条件ε;
步骤3.2:计算λ0=a0+0.382(b0-a0),μ0=a0+0.618(b0-a0);
步骤3.3:计算函数值f1=f([λk])和f2=f([μk]),其中变量值向下取整;
步骤3.4:若bk-ak≤ε,则结束搜索;若bk-ak>ε,则转至步骤3.5;
步骤3.5:若f1>f2,则转至步骤3.6;若f1<f2,则转至步骤3.7;
步骤3.6:ak+1=λk,bk+1=bk,λk+1=μk,μk+1=ak+1+0.618(bk+1-ak+1)。计算函数值f2=f([μk+1]),转至步骤3.8;
步骤3.7:ak+1=ak,bk+1=μk,μk+1=λk,λk+1=ak+1+0.382(bk+1-ak+1)。计算函数值f1=f([λk+1]),转至步骤3.8;
步骤3.8:置k:=k+1,转至步骤3.4;
本发明的技术构思为:在当前“大数据”时代背景下,许多领域如社交媒体、司法调查等,产生了海量的未标识人脸图像。为解决大规模人脸图像数据库的人脸身份识别和归类的问题,我们结合DCNN 和K-Means++聚类算法提供了一种有效的解决方案。首先,采用DCNN 实现对人脸图像的表征。接着,应用K-Means++聚类算法对获得的人脸表征实现识别和归类。在面对大规模数据库的聚类任务时,合理的聚类数目通常是未知且难以确定的。对此,我们提出一种基于0.618 黄金分割法的一维动态搜索最优聚类数目的方法。该方法能有效搜索并找到合理的聚类数目,从而提升聚类性能。
本发明的有益效果主要表现为:1、为解决大规模人脸图像数据库中图像识别和归类的问题,我们提出一种基于DCNN和K-Means++ 算法的图像聚类方法。该方法应用DCNN实现人脸表征,能保证识别的准确性和有效性。2、应用0.618黄金分割算法动态搜索最优聚类数目,从而解决聚类任务中最重要的聚类数目未知的问题。该问题的解决能极大地改善聚类的性能,且应用该搜索方法不会过度增加计算的复杂度和时间损耗,因此适合于大规模数据库的图像聚类。
附图说明
图1是基于DCNN的人脸图像表征实现示意图;
图2是K-Means++算法流程图;
图3是黄金分割算法的流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1~图3,一种基于黄金分割法的人脸图像聚类方法,包括 3个部分:应用DCNN实现对人脸图像的表征(如图1),K-Means++ 聚类算法实现对大量人脸表征的识别与归类(如图2),以及采用黄金分割算法一维搜索最优的聚类数目(如图3),从而提升聚类性能。包括如下步骤:
1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示,该过程包括预处理、人脸对齐和特征提取,步骤如下:
步骤1.1:预处理是对图像做初步的修正处理,例如社交媒体图片需要做亮度均衡处理,法医学的生物检材图片需要做去噪处理等。预处理能够显著提高特征提取的性能;
步骤1.2:基于Dlib人脸标注的68个特征点,准确定位图像中的人脸区域并裁剪该区域;
步骤1.3:应用预训练的DCNN(Dlib ResNet)提取裁剪后人脸的特征,并输出128维的特征向量作为该人脸的表征;
2)应用K-Means++聚类算法实现对图像表征的聚类,操作步骤如下:
步骤2.1:以列矩阵形式表示人脸表征的集合X=(X1,X2,···,Xn),其中X为128维度的人脸表征,n为人脸的数目;
步骤2.2:给定聚类数目K,随机初始化选择一个表征作为聚类中心点;
步骤2.4:在SumD(X)的范围内生成一个随机数κ。使用如下准则:κ-=D(Xi)直至κ<0来选择下一个聚类中心,这样使得拥有较大 D(Xi)的表征点有更高的概率被选择作为下一个聚类中心点;
步骤2.5:重复步骤2.3至步骤2.4直至K个聚类中心点 (U1,U2,···,UK)选择完毕;
步骤2.7:根据最小的Dij确定Xi的簇标记:λi=argminj∈{1,2,···,K}Dij;
步骤2.11:输出簇划分结果C={C1,C2,···,CK};
3)基于0.618黄金分割法确定最优聚类数目,过程为:首先,给定聚类范围[a,b],K∈[a,b]。在范围内任意初始化给定聚类数目K0,基于聚类结果的内部性能评估指标构建优化函数f(K);接着,基于 0.618黄金分割优化算法一维动态搜索函数最优解,该最优解即为最优聚类数目K*,对应聚类结果C*即为该人脸图像库的最佳聚类。
进一步,所述步骤3)中,该动态搜索步骤如下:
计算聚类内部性能指标DBI系数作为优化函数关于K的对应输出值f(K),对应簇划分C={C1,C2,···,CK},该过程表示为:
其中,各参数与函数实现定义如下:
K:聚类数目;
avg(C):簇内人脸表征均值;
|C|:簇C中的人脸表征数目;
DU(Ci,Cj):Ci和Cj簇间的中心距离;
U:簇C的中心;
由于不同的K产生的不同聚类结果皆可计算其DBI系数,因此可构建关于K的优化目标函数f(K),最优的聚类数K*必然对应着最小的DBI值,因此f(K)可在K*的邻域[a,b]内视为单峰函数,应用0.618 黄金分割法搜索步骤如下:
步骤3.1:给定初始聚类数目范围[a0,b0],误差条件ε;
步骤3.2:计算λ0=a0+0.382(b0-a0),μ0=a0+0.618(b0-a0);
步骤3.3:计算函数值f1=f([λk])和f2=f([μk]),其中变量值向下取整;
步骤3.4:若bk-ak≤ε,则结束搜索;若bk-ak>ε,则转至步骤3.5;
步骤3.5:若f1>f2,则转至步骤3.6;若f1<f2,则转至步骤3.7;
步骤3.6:ak+1=λk,bk+1=bk,λk+1=μk,μk+1=ak+1+0.618(bk+1-ak+1)。计算函数值f2=f([μk+1]),转至步骤3.8;
步骤3.7:ak+1=ak,bk+1=μk,μk+1=λk,λk+1=ak+1+0.382(bk+1-ak+1)。计算函数值f1=f([λk+1]),转至步骤3.8;
步骤3.8:置k:=k+1,转至步骤3.4;
Claims (1)
1.一种基于黄金分割法的人脸图像聚类方法,其特征在于,所述方法包括如下步骤:
1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示,步骤如下:
步骤1.1:预处理是对图像做初步的修正处理;
步骤1.2:基于Dlib人脸标注的68个特征点,准确定位图像中的人脸区域并裁剪该区域;
步骤1.3:应用预训练的DCNN提取裁剪后人脸的特征,并输出128维的特征向量作为该人脸的表征;
2)应用K-Means++聚类算法实现对图像表征的聚类,操作步骤如下:
步骤2.1:以列矩阵形式表示人脸表征的集合X=(X1,X2,···,Xn),其中X为128维度的人脸表征,n为人脸的数目;
步骤2.2:给定聚类数目K,随机初始化选择一个表征作为聚类中心点;
步骤2.4:在SumD(X)的范围内生成一个随机数κ,使用如下准则:κ-=D(Xi)直至κ<0选择下一个聚类中心,这样使得拥有较大D(Xi)的表征点有更高的概率被选择作为下一个聚类中心点;
步骤2.5:重复步骤2.3至步骤2.4直至K个聚类中心点(U1,U2,···,UK)选择完毕;
步骤2.6:计算各个人脸表征Xi与各个初始化聚类中心Uj的欧氏距离:Dij=||Xi-Uj||2;
步骤2.7:根据最小的Dij确定Xi的簇标记:λi=arg minj∈{1,2,···,K}Dij;
步骤2.11:输出簇划分结果C={C1,C2,···,CK};
3)基于0.618黄金分割法确定最优聚类数目,过程为:首先,给定聚类范围[a,b],K∈[a,b],在范围内任意初始化给定聚类数目K0,基于聚类结果的内部性能评估指标构建优化函数f(K);接着,基于0.618黄金分割优化算法一维动态搜索函数最优解,该最优解即为最优聚类数目K*,对应聚类结果C*即为该人脸图像库的最佳聚类;
所述步骤3)中,所述动态搜索步骤如下:
计算聚类内部性能指标DBI系数作为优化函数关于K的对应输出值f(K),对应簇划分C={C1,C2,···,CK},该过程表示为:
DU(Ci,Cj)=||Ui-Uj||2
其中,各参数与函数实现定义如下:
K:聚类数目;
avg(C):簇内人脸表征均值;
|C|:簇C中的人脸表征数目;
DU(Ci,Cj):Ci和Cj簇间的中心距离;
U:簇C的中心;
由于不同的K产生的不同聚类结果皆可计算其DBI系数,因此构建关于K的优化目标函数f(K),最优的聚类数K*必然对应着最小的DBI值,因此f(K)在K*的邻域[a,b]内视为单峰函数,应用0.618黄金分割法搜索步骤如下:
步骤3.1:给定初始聚类数目范围[a0,b0],误差条件ε;
步骤3.2:计算λ0=a0+0.382(b0-a0),μ0=a0+0.618(b0-a0);
步骤3.3:计算函数值f1=f([λk])和f2=f([μk]),其中变量值向下取整;
步骤3.4:若bk-ak≤ε,则结束搜索;若bk-ak>ε,则转至步骤3.5;
步骤3.5:若f1>f2,则转至步骤3.6;若f1<f2,则转至步骤3.7;
步骤3.6:ak+1=λk,bk+1=bk,λk+1=μk,μk+1=ak+1+0.618(bk+1-ak+1),计算函数值f2=f([μk+1]),转至步骤3.8;
步骤3.7:ak+1=ak,bk+1=μk,μk+1=λk,λk+1=ak+1+0.382(bk+1-ak+1),计算函数值f1=f([λk+1]),转至步骤3.8;
步骤3.8:置k:=k+1,转至步骤3.4;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663745.9A CN110532867B (zh) | 2019-07-23 | 2019-07-23 | 一种基于黄金分割法的人脸图像聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663745.9A CN110532867B (zh) | 2019-07-23 | 2019-07-23 | 一种基于黄金分割法的人脸图像聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532867A CN110532867A (zh) | 2019-12-03 |
CN110532867B true CN110532867B (zh) | 2022-06-17 |
Family
ID=68660389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910663745.9A Active CN110532867B (zh) | 2019-07-23 | 2019-07-23 | 一种基于黄金分割法的人脸图像聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532867B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111728602A (zh) * | 2020-08-21 | 2020-10-02 | 之江实验室 | 基于ppg的无接触血压测量装置 |
CN114612967B (zh) * | 2022-03-03 | 2023-06-20 | 北京百度网讯科技有限公司 | 一种人脸聚类的方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8983141B2 (en) * | 2011-03-17 | 2015-03-17 | Exxonmobile Upstream Research Company | Geophysical data texture segmentation using double-windowed clustering analysis |
CN109447997A (zh) * | 2018-09-01 | 2019-03-08 | 哈尔滨工程大学 | 一种自适应文化算法的水下声纳图像目标分割方法 |
-
2019
- 2019-07-23 CN CN201910663745.9A patent/CN110532867B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8983141B2 (en) * | 2011-03-17 | 2015-03-17 | Exxonmobile Upstream Research Company | Geophysical data texture segmentation using double-windowed clustering analysis |
CN109447997A (zh) * | 2018-09-01 | 2019-03-08 | 哈尔滨工程大学 | 一种自适应文化算法的水下声纳图像目标分割方法 |
Non-Patent Citations (3)
Title |
---|
基于卷积神经网络的大规模人脸聚类;申小敏;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20161115(第11期);第6-7,22-24,28-32,40-42页 * |
基于黄金分割法的ISODATA算法的大样本特征数据提取方法;张丽娜 等;《内蒙古大学学报(自然科学版)》;20130131;第44卷(第1期);第93-96页 * |
大样本数据聚类的改进方法;卞亦文;《统计与决策》;20091231(第1期);第12-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110532867A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | 2D-human face recognition using SIFT and SURF descriptors of face’s feature regions | |
Ding et al. | Towards better validity: Dispersion based clustering for unsupervised person re-identification | |
Hariri et al. | 3D face recognition using covariance based descriptors | |
Kang et al. | Attentional feature-pair relation networks for accurate face recognition | |
CN110490913B (zh) | 基于角点与单线段编组的特征描述算子进行影像匹配方法 | |
CN110188225B (zh) | 一种基于排序学习和多元损失的图像检索方法 | |
Monnier et al. | Deep transformation-invariant clustering | |
Fiel et al. | Automated identification of tree species from images of the bark, leaves or needles | |
CN106485253B (zh) | 一种最大粒度结构描述符的行人再辨识方法 | |
CN106780639B (zh) | 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法 | |
Biswas et al. | An efficient and robust algorithm for shape indexing and retrieval | |
Ross et al. | Augmenting ridge curves with minutiae triplets for fingerprint indexing | |
CN110427517A (zh) | 一种基于场景词典树的图搜视频方法,装置及计算机可读存储介质 | |
Aiadi et al. | MDFNet: An unsupervised lightweight network for ear print recognition | |
Dubey et al. | Interactive Biogeography Particle Swarm Optimization for Content Based Image Retrieval | |
CN110532867B (zh) | 一种基于黄金分割法的人脸图像聚类方法 | |
Yadav et al. | A new illumination normalization framework via homomorphic filtering and reflectance ratio in DWT domain for face recognition | |
Belhaouari et al. | Optimized K‐Means Algorithm | |
Jayaraman et al. | An efficient color and texture based iris image retrieval technique | |
Castellano et al. | Deep convolutional embedding for digitized painting clustering | |
CN110852292B (zh) | 一种基于跨模态多任务深度度量学习的草图人脸识别方法 | |
CN114387505A (zh) | 一种高光谱与激光雷达多模态遥感数据分类方法及系统 | |
Khalaf et al. | Robust partitioning and indexing for iris biometric database based on local features | |
An et al. | Multi-level common space learning for person re-identification | |
Lu et al. | Spectral segmentation via midlevel cues integrating geodesic and intensity |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |