WO2018187953A1 - 基于神经网络的人脸识别方法 - Google Patents

基于神经网络的人脸识别方法 Download PDF

Info

Publication number
WO2018187953A1
WO2018187953A1 PCT/CN2017/080177 CN2017080177W WO2018187953A1 WO 2018187953 A1 WO2018187953 A1 WO 2018187953A1 CN 2017080177 W CN2017080177 W CN 2017080177W WO 2018187953 A1 WO2018187953 A1 WO 2018187953A1
Authority
WO
WIPO (PCT)
Prior art keywords
training
neural network
face recognition
recognition method
bitmap data
Prior art date
Application number
PCT/CN2017/080177
Other languages
English (en)
French (fr)
Inventor
邹霞
Original Assignee
邹霞
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 邹霞 filed Critical 邹霞
Priority to PCT/CN2017/080177 priority Critical patent/WO2018187953A1/zh
Publication of WO2018187953A1 publication Critical patent/WO2018187953A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition

Definitions

  • Face recognition method based on neural network
  • the present invention relates to a face recognition method based on a neural network, which belongs to the field of face recognition.
  • Face recognition is a computer technology that achieves the purpose of identity identification by analyzing human facial visual features.
  • the academic community gives a specific definition of face recognition in both broad and narrow sense.
  • Generalized face recognition includes face detection, face representation, face identification, and face expression analysis.
  • narrow face recognition is defined as a technology or system that enables identity confirmation, identity comparison, and identity lookup through facial features.
  • biometrics mainly come from the following aspects: face, retina, iris, palmprint, fingerprint, voice, body shape, habits, etc. Therefore, based on the above, research has focused on identifying faces, retinas, and irises.
  • the advantage of face recognition lies in its natural and friendly characteristics.
  • the so-called natural nature means that human beings also identify and confirm the identity of each other by observing and comparing human facial features.
  • speech recognition and body shape recognition also have natural features, while humans or other creatures usually do not pass fingerprints.
  • Features such as the iris distinguish individuals, so the above feature recognition does not have natural features.
  • the so-called friendliness means that the identification method does not increase the psychological burden of the authenticated person due to special treatment, and thus it is easier to obtain direct and authentic feature information.
  • Fingerprint or iris recognition needs to use special techniques such as electronic pressure sensor or infrared to collect information.
  • the above special collection technology is easy to be discovered, which greatly increases the possibility that the authenticated person avoids identity identification and reduces the efficiency of identity authentication.
  • face recognition can directly obtain the face information of the authenticated person through simple image or video technology.
  • This kind of information collection method is not easy to be perceived, which increases the authenticity and reliability of the information.
  • Face recognition technology based on nuclear space is one of the most widely used techniques in the field of face recognition.
  • a general nuclear subspace face recognition algorithm flow is shown in Figure 1. Since all the training samples are used in the representation of the basis in the kernel subspace, the projection speed of the test sample slows down as the number of training samples increases. It seriously affects the speed of face recognition, especially in the real system and the online system.
  • an object of the present invention is to provide a face recognition method based on a neural network, and it is desirable to establish a face recognition algorithm model to enable it to base on a nuclear feature subspace. Indicates that the reduction is made.
  • the test sample is prevented from projecting to the basis of the feature subspace composed of all the training samples, but is projected onto the approximate subspace of the subtraction, thereby improving the face recognition speed.
  • the present invention provides a neural network based face recognition method, including the following steps:
  • Step 1 Establish a training set image set, store the training set face bitmap, and read the bitmap data.
  • Step 2 Performing feature extraction on the training samples in the original input space to form a training set sample set;
  • Step 4 establishing a test set image set, storing the test set face bitmap, and reading the bitmap data
  • Step 5 Enter the test set bitmap data into the trained RBF neural network to obtain the test set sample points.
  • Step 6 Using the classifier, classify and identify the test set image.
  • the feature extraction in step 2 above is performed by the KPCA method.
  • the above step three training RBF neural network includes two steps of unsupervised and supervised training.
  • the above training includes the following steps:
  • Step ⁇ calculate the basis function center by clustering method
  • the second step is to obtain the connection weight of the hidden layer neuron to the output layer neuron.
  • the first step includes adjusting a cluster center, that is, obtaining a training sample mean value in different cluster sets v P , that is, a new cluster center C i
  • the neural network-based face recognition method provided by the present invention has a fast approximation speed and a high recognition rate, and the recognition time is short under the condition that a certain recognition accuracy rate is satisfied.
  • FIG. 1 is a schematic flow chart of a general nuclear subspace face recognition method in the prior art
  • FIG. 2 is a schematic flow chart of a face recognition method based on a neural network according to the present invention.
  • the present invention provides a method for recognizing a face based on a neural network.
  • the present invention will be further described in detail below with reference to the accompanying drawings and embodiments. It is understood that the specific embodiments described herein are merely illustrative of the invention and are not intended to limit the invention
  • the RBF neural network is determined by training using a self-organizing selection center method. Divided into unsupervised and supervised training. The specific process of training is as follows:
  • Step 1 Calculate the center of the basis function by clustering method c
  • Step 2 Calculate the variance
  • the maximum value of the distance between the selected centers is C, and the variance is
  • the third step obtaining the connection weight of the hidden layer neuron to the output layer neuron
  • the least squares method can be used to calculate the connection weights of the hidden layer neurons and the output layer neurons, and the expression is as follows:
  • the neural network-based face recognition method provided in this embodiment specifically includes the following steps:
  • test set bitmap data is input into the trained RBF neural network to obtain a test set sample point set.
  • the neural network-based face recognition method provided by the present invention has a fast approximation speed and a high recognition rate, and the recognition time is short under the condition that a certain recognition accuracy rate is satisfied.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

一种基于神经网络的人脸识别方法，包括建立训练集图像集合，对训练集人脸位图进行存储，并读取位图数据；原始输入空间中的训练样本进行特征提取，形成训练集样本集合；利用训练集位图数据和特征提取后的训练集样本集合训练一个RBF神经网络；建立测试集图像集合，对测试集人脸位图进行存储，并读取位图数据；将测试集位图数据输入训练完成的RBF神经网络，得到测试集样本点集合；利用分类器，对测试集图像进行分类识别。相比现有技术，上述基于神经网络的人脸识别方法，逼近速度快，且识别率较高，在满足一定识别正确率的条件下，识别时间短。

Description

基于神经网络的人脸识别方法
技术领域
[0001] 本发明涉及一种基于神经网络的人脸识别方法， 属于人脸识别领域。
背景技术
[0002] 人脸识别是通过分析人类脸部视觉特征来达到身份鉴别目的的一种计算机技术 。 学术界对人脸识别给出了广义和狭义两方面的具体定义。 广义的人脸识别包 括人脸检测 （face detection) 、 人脸表征 （face representation) 、 人脸鉴别 （ face identification ) 、 表情分析 ( face expression analysis )
以及物理分类 （physical classification) 等一系列相关技术； 而狭义的人脸识别则 被定义为一种技术或系统， 这一技术或系统能够通过人脸的特征进行身份确认 、 身份比较和身份査找。
[0003] 目前， 由于人脸识别技术能够通过生物体 （一般特指人） 本身的生物特征来区 分个体， 提高了生物体识别的精度， 因此， 该技术得到了广泛关注和推崇， 使 该领域也成为了生物识别特征研究中的热点。 以人类为例， 生物特征主要来自 于以下方面： 脸、 视网膜、 虹膜、 手掌纹、 指纹、 语音、 体形、 习惯等， 因而 基于上述内容， 研究则被重点放在了识别人脸、 视网膜、 虹膜、 手掌纹、 指纹 、 语音、 体形、 键盘敲击、 签字等相应特征的计算机识别技术上， 并取得了具 有重要意义的成果。
[0004] 人脸识别的优势在于其自然性和友好性的特点。 所谓自然性， 是指人类本身也 是通过观察和比较人类脸部特征来辨别和确认对方身份的， 如语音识别、 体形 识别等也同样具有自然性的特征， 而人类或其他生物通常不通过指纹、 虹膜等 特征区别个体， 因此上述特征识别就不具有自然性的特征。
[0005] 所谓友好性， 是指该识别方法不因特殊对待而增加被鉴别人的心理负担， 并且 也因此而更容易获取直接和真实的特征信息。 指纹或者虹膜识别需要利用电子 压力传感器或红外线等特殊技术手段采集信息， 上述特殊的采集技术易被人发 现， 大大增加了被鉴别人躲避身份鉴别的可能性， 降低了身份鉴别的效率。 技术问题
[0006] 然而， 人脸识别却可通过简单的图像或视频技术直接获取被鉴别人的人脸信息
， 这种信息采集方式不易于被人察觉， 增加了信息的真实性和可靠性。
[0007] 虽然人脸识别技术具有上述优点， 但该技术的实现却并不容易。 主要受人脸的 生物特性所限制， 具体表现在：
[0008] 第一， 由于同种类型的人脸的结构都具有较高的相似性。 该特点可以用于人脸 定位， 但是却大大增加了利用人脸特征鉴别个体的难度。
[0009] 第二， 受年齢、 情绪、 温度光照条件、 遮盖物等因素的限制， 人脸的外形很不 稳定， 甚至在不同观察角度， 人脸的图像特征也存在显著的差异， 增加了人脸 识别技术应用的复杂性。
[0010] 为使人脸识别技术更好的服务于所需领域， 则需要对上述两项限制进行研究寻 求突破。
[0011] 基于核子空间的人脸识别技术是人脸识别领域中应用最为广泛的技术之一。 一 个一般的核子空间人脸识别算法流程如图 1所示， 由于核子空间中基的表示要用 到所有的训练样本， 因此随着训练样本个数的增多， 测试样本的投影速度减慢 ， 进而严重影响了人脸识别速度， 尤其是在实吋系统和在线系统中这种弊端体 现的更为明显。
问题的解决方案
技术解决方案
[0012] 鉴于上述现有技术的不足之处， 本发明的目的在于提供一种基于神经网络的人 脸识别方法， 希望建立一种人脸识别算法模型， 使其能够对核特征子空间的基 表示进行约减。 在人脸识别过程中， 使测试样本避免向由全部训练样本构成的 特征子空间的基进行投影， 而是向约减的近似子空间投影， 以此来提高人脸识 别速度。
[0013] 为了达到上述目的， 本发明采取了以下技术方案：
[0014] 本发明提供了一种基于神经网络的人脸识别方法， 包括以下步骤：
[0015] 步骤一、 建立训练集图像集合， 对训练集人脸位图进行存储， 并读取位图数据 [0016] 步骤二、 原始输入空间中的训练样本进行特征提取， 形成训练集样本集合；
[0017] 少 _■、 利用训练集位图数据和特征提取后的训练集样本集合训练一个 RBF神 经网络；
[0018] 步骤四、 建立测试集图像集合， 对测试集人脸位图进行存储， 并读取位图数据
[0019] 步骤五、 将测试集位图数据输入训练完成的 RBF神经网络， 得到测试集样本点 隹
采 A n .；
[0020] 步骤六、 利用分类器， 对测试集图像进行分类识别。
[0021] 优选的， 上述步骤二进行特征提取是通过 KPCA方法来进行。
[0022] 优选的， 上述步骤三训练 RBF神经网络包括无监督和有监督训练两个步骤。
[0023] 优选的， 上述训练包括以下步骤：
[0024] 第 ~ "步、 通过聚类的方法计算基函数中心；
[0025] 第 ~ "步、 计算方差；
[0026] 第二步、 获取隐含层神经元到输出层神经元连接权值。
[0027] 优选的， 上述第一步包括调整聚类中心， 即获取不同聚类集合 v P中训练样本均 值， 即全新聚类中心 C i
， 判断全新聚类中心是否发生改变， 如果不变那么获取的 C i就是最终基函数中心
， 如果改变则继续调整聚类中心， 进行下一轮求解。
发明的有益效果
有益效果
[0028] 相比现有技术， 本发明提供的基于神经网络的人脸识别方法， 逼近速度快， 且 识别率较高， 在满足一定识别正确率的条件下， 识别吋间短。
对附图的简要说明
附图说明
[0029] 图 1为现有技术中一般的核子空间人脸识别方法流程示意图；
[0030] 图 2为本发明基于神经网络的人脸识别方法流程示意图。 本发明的实施方式
[0031] 本发明提供一种基于神经网络的人脸识别方法， 为使本发明的目的、 技术方案 及效果更加清楚、 明确， 以下参照附图并举实施例对本发明进一步详细说明。 应当理解， 此处所描述的具体实施例仅用以解释本发明， 并不用于限定本发明
[0032] 首先， 通过训练利用自组织选取中心方法确定 RBF神经网络。 分为无监督和有 监督训练。 训练的具体流程如下：
[0033] 第一步： 通过聚类的方法计算基函数中心 c
[0034] (1) 网络初始化： 随机选取 h个训练样本作为聚类中心 C i (i=l,2,...,h) ， 将输 入训练样本集合以最近邻规则分组： 将 X p依据 X p同中心 C i间欧式距离分配至输入 样本不同的聚类集合 V p(p = 1,2, ...P)中。
[0035] (2) 调整聚类中心： 获取不同聚类集合 v p中训练样本均值， 即全新聚类中心 c i， 判断全新聚类中心是否发生改变， 如果不变那么获取的 C i就是最终基函数中 心， 如果改变则继续调整聚类中心， 进行下一轮求解。
[0036] 第二步： 计算方差
Figure imgf000006_0001
[0037] 将高斯函数作为神经网络的基函数， 设选取中心间距离的最大值为 C 则方 差
计算表达式如下：
[0038]
[数]
Figure imgf000006_0002
[0039] 第三步： 获取隐含层神经元到输出层神经元连接权值 [0040] 可以用最小二乘法计算隐含层神经元与输出层神经元的连接权值， 其表达式如 下：
[0041] [数 f m
Figure imgf000007_0001
[0042] 如图 2所示， 本实施例提供的基于神经网络的人脸识别方法， 具体包括以下步 骤：
[0043] (1) 建立训练集图像集合， 对训练集人脸位图进行存储， 并读取位图数据。
[0044] (2) 利用 KPCA方法对原始输入空间中的训练样本进行特征提取， 形成训练集 样本集合。
[0045] (3) 利用训练集位图数据和特征提取后的训练集样本集合训练一个 RBF神经 网络。
[0046] (4) 建立测试集图像集合， 对测试集人脸位图进行存储， 并读取位图数据。
[0047] (5) 将测试集位图数据输入训练完成的 RBF神经网络， 得到测试集样本点集 合。
[0048] (6) 利用分类器， 对测试集图像进行分类识别。
[0049] 相比现有技术， 本发明提供的基于神经网络的人脸识别方法， 逼近速度快， 且 识别率较高， 在满足一定识别正确率的条件下， 识别吋间短。
[0050]
[0051] 可以理解的是， 对本领域普通技术人员来说， 可以根据本发明的技术方案及其 发明构思加以等同替换或改变， 而所有这些改变或替换都应属于本发明所附的 权利要求的保护范围。

Claims

权利要求书
[权利要求 1] 一种基于神经网络的人脸识别方法， 其特征在于： 所述识别方法包括 以下步骤：
步骤一、 建立训练集图像集合， 对训练集人脸位图进行存储， 并读取 位图数据；
步骤二、 原始输入空间中的训练样本进行特征提取， 形成训练集样本 隹
采 A n .；
步骤三、 利用训练集位图数据和特征提取后的训练集样本集合训练一 个 RBF神经网络；
步骤四、 建立测试集图像集合， 对测试集人脸位图进行存储， 并读取 位图数据；
步骤五、 将测试集位图数据输入训练完成的 RBF神经网络， 得到测试 集样本点集合；
步骤六、 利用分类器， 对测试集图像进行分类识别。
[权利要求 2] 如权利要求 1所述的基于神经网络的人脸识别方法， 其特征在于： 所 述步骤二进行特征提取是通过 KPCA方法来进行。
[权利要求 3] 如权利要求 1所述的基于神经网络的人脸识别方法， 其特征在于： 所 述步骤三训练 RBF神经网络包括无监督和有监督训练两个步骤。
[权利要求 4] 如权利要求 3所述的基于神经网络的人脸识别方法， 其特征在于： 所 述训练包括以下步骤：
第一步、 通过聚类的方法计算基函数中心；
第二步、 计算方差；
第三步、 获取隐含层神经元到输出层神经元连接权值。
[权利要求 5] 如权利要求 4所述的基于神经网络的人脸识别方法， 其特征在于： 所 述第一步包括调整聚类中心， 即获取不同聚类集合 V P中训练样本均值 ， 即全新聚类中心 C i， 判断全新聚类中心是否发生改变， 如果不变那 么获取的 C i就是最终基函数中心， 如果改变则继续调整聚类中心， 进 行下一轮求解。
PCT/CN2017/080177 2017-04-12 2017-04-12 基于神经网络的人脸识别方法 WO2018187953A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/080177 WO2018187953A1 (zh) 2017-04-12 2017-04-12 基于神经网络的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/080177 WO2018187953A1 (zh) 2017-04-12 2017-04-12 基于神经网络的人脸识别方法

Publications (1)

Publication Number Publication Date
WO2018187953A1 true WO2018187953A1 (zh) 2018-10-18

Family

ID=63792225

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/080177 WO2018187953A1 (zh) 2017-04-12 2017-04-12 基于神经网络的人脸识别方法

Country Status (1)

Country Link
WO (1) WO2018187953A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443259A (zh) * 2019-07-29 2019-11-12 中科光启空间信息技术有限公司 一种从中等分辨率遥感影像中提取甘蔗的方法
CN110991377A (zh) * 2019-12-11 2020-04-10 辽宁工业大学 一种基于单目视觉神经网络的汽车安全辅助系统前方目标识别方法
CN111090337A (zh) * 2019-11-21 2020-05-01 辽宁工程技术大学 一种基于cfcc空间梯度的键盘单键击键内容识别方法
WO2020114119A1 (zh) * 2018-12-07 2020-06-11 深圳光启空间技术有限公司 一种跨域网络训练及图像识别方法
CN112241664A (zh) * 2019-07-18 2021-01-19 顺丰科技有限公司 人脸识别方法、装置、服务器及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101388075A (zh) * 2008-10-11 2009-03-18 大连大学 基于独立特征融合的人脸识别方法
US8094971B2 (en) * 2007-09-05 2012-01-10 Seiko Epson Corporation Method and system for automatically determining the orientation of a digital image
CN106096557A (zh) * 2016-06-15 2016-11-09 浙江大学 一种基于模糊训练样本的半监督学习人脸表情识别方法
CN106326886A (zh) * 2016-11-07 2017-01-11 重庆工商大学 基于卷积神经网络的手指静脉图像质量评估方法及评估系统
CN106529447A (zh) * 2016-11-03 2017-03-22 河北工业大学 一种小样本人脸识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8094971B2 (en) * 2007-09-05 2012-01-10 Seiko Epson Corporation Method and system for automatically determining the orientation of a digital image
CN101388075A (zh) * 2008-10-11 2009-03-18 大连大学 基于独立特征融合的人脸识别方法
CN106096557A (zh) * 2016-06-15 2016-11-09 浙江大学 一种基于模糊训练样本的半监督学习人脸表情识别方法
CN106529447A (zh) * 2016-11-03 2017-03-22 河北工业大学 一种小样本人脸识别方法
CN106326886A (zh) * 2016-11-07 2017-01-11 重庆工商大学 基于卷积神经网络的手指静脉图像质量评估方法及评估系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANG, JIAN ET AL.: "Fast Kernel Subspace Face Recognition Algorithm Based on Neural Network", COMPUTER SCIENCE, 30 November 2015 (2015-11-30), pages 175 - 178 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020114119A1 (zh) * 2018-12-07 2020-06-11 深圳光启空间技术有限公司 一种跨域网络训练及图像识别方法
CN112241664A (zh) * 2019-07-18 2021-01-19 顺丰科技有限公司 人脸识别方法、装置、服务器及存储介质
CN110443259A (zh) * 2019-07-29 2019-11-12 中科光启空间信息技术有限公司 一种从中等分辨率遥感影像中提取甘蔗的方法
CN110443259B (zh) * 2019-07-29 2023-04-07 中科光启空间信息技术有限公司 一种从中等分辨率遥感影像中提取甘蔗的方法
CN111090337A (zh) * 2019-11-21 2020-05-01 辽宁工程技术大学 一种基于cfcc空间梯度的键盘单键击键内容识别方法
CN111090337B (zh) * 2019-11-21 2023-04-07 辽宁工程技术大学 一种基于cfcc空间梯度的键盘单键击键内容识别方法
CN110991377A (zh) * 2019-12-11 2020-04-10 辽宁工业大学 一种基于单目视觉神经网络的汽车安全辅助系统前方目标识别方法
CN110991377B (zh) * 2019-12-11 2023-09-19 辽宁工业大学 一种基于单目视觉神经网络的汽车安全辅助系统前方目标识别方法

Similar Documents

Publication Publication Date Title
Modak et al. Multibiometric fusion strategy and its applications: A review
Liau et al. Feature selection for support vector machine-based face-iris multimodal biometric system
WO2018187953A1 (zh) 基于神经网络的人脸识别方法
Wang et al. Multimodal Biometric System Using Face-Iris Fusion Feature.
Gale et al. Evolution of performance analysis of iris recognition system by using hybrid methods of feature extraction and matching by hybrid classifier for iris recognition system
Aleem et al. Fast and accurate retinal identification system: Using retinal blood vasculature landmarks
Rajasekar et al. Efficient multimodal biometric recognition for secure authentication based on deep learning approach
WO2018187950A1 (zh) 基于核判别分析的人脸识别方法
Ali et al. Iris recognition system by using support vector machines
CN108304800A (zh) 一种人脸检测和人脸比对的方法
Khalifa et al. Adaptive score normalization: a novel approach for multimodal biometric systems
Kong et al. A two stage neural network-based personal identification system using handprint
Mukherjee et al. Iris recognition using wavelet features and various distance based classification
WO2018187952A1 (zh) 基于神经网络的核判别分析逼近方法
Vinothkanna et al. A novel multimodal biometrics system with fingerprint and gait recognition traits using contourlet derivative weighted rank fusion
CN107016372A (zh) 基于神经网络的人脸识别方法
Nandakumar et al. Incorporating ancillary information in multibiometric systems
Szczuko et al. Variable length sliding models for banking clients face biometry
Li et al. Palmprint matching using line features
Mazumdar et al. Person identification using parabolic model-based algorithm in color retinal images
Ayodele et al. Current practices in information fusion for multimodal biometrics
Sujana et al. Weighted Fusion Approach For Multi Modal Biometric Recognition System Using Deep Networks
Amrouni et al. Identity Recognition based on Palmprints: The Preliminary Results
WO2018187951A1 (zh) 基于核主成分分析的人脸识别方法
Alsellami et al. Overview of Biometric Traits

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17905757

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS (EPO FORM 1205A DATED 21.02.2020)

122 Ep: pct application non-entry in european phase

Ref document number: 17905757

Country of ref document: EP

Kind code of ref document: A1