CN107832747B - 一种基于低秩字典学习算法的人脸识别方法 - Google Patents

一种基于低秩字典学习算法的人脸识别方法 Download PDF

Info

Publication number
CN107832747B
CN107832747B CN201711270467.8A CN201711270467A CN107832747B CN 107832747 B CN107832747 B CN 107832747B CN 201711270467 A CN201711270467 A CN 201711270467A CN 107832747 B CN107832747 B CN 107832747B
Authority
CN
China
Prior art keywords
class
matrix
profiles
dictionary
face image
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
Application number
CN201711270467.8A
Other languages
English (en)
Other versions
CN107832747A (zh
Inventor
李争名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN201711270467.8A priority Critical patent/CN107832747B/zh
Publication of CN107832747A publication Critical patent/CN107832747A/zh
Application granted granted Critical
Publication of CN107832747B publication Critical patent/CN107832747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172Classification, e.g. identification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322Rendering the within-class scatter matrix non-singular
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322Rendering the within-class scatter matrix non-singular
    • G06F18/21324Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/513Sparse representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于低秩字典学习算法的人脸识别方法,其特征在于包括以下步骤:一,输入训练人脸图像并利用K‑SVD算法构造profiles的Fisher判别约束项;二,构建对人脸图像测试样本的分类模型,以测试人脸图像的类标;三,采集并把待识别的人脸图像的数据输入到分类模型上;最后分类模型输出测试人脸图像的类标,进而对人脸进行识别。该方法不但提高了人脸识别的判别性能,而且降低了算法的复杂度,从而提高了人脸识别***的效果。

Description

一种基于低秩字典学习算法的人脸识别方法
技术领域
本发明涉及一种基于低秩字典学习算法的人脸识别方法。
背景技术
profiles是编码系数矩阵的行向量,其与原子是一一对应关系,并能反映对应原子在字典学习过程中被使用的情况。目前字典学习算法常利用编码系数与训练样本特征构造约束项,但人脸图像易受光照、姿态和遮挡等因素的影响,使得编码系数易受污染,影响直接利用人脸图像和编码系数构造约束项的鲁棒性,降低基于字典学习的人脸识别***的分类性能。
发明内容
本发明针对现有技术的不足,提供一种基于低秩字典学习算法的人脸识别方法。该方法不但提高了人脸识别的判别性能,而且降低了算法的复杂度,从而提高了人脸识别***的效果。
为了达到上述目的,本发明一种基于低秩字典学习算法的人脸识别方法,主要包括以下步骤:
第一步,输入训练人脸图像并利用K-SVD算法构造profiles的Fisher判别约束项;
第二步,构建对人脸图像测试样本的分类模型,以测试人脸图像的类标;
第三步,采集并把待识别的人脸图像的数据输入到分类模型上;
最后,分类模型输出测试人脸图像的类标,进而对人脸进行识别。
优选地,所述第一步输入训练人脸图像并利用K-SVD算法为每类人脸图像学习一个特定类字典并获得初始化字典和编码系数,从而获得字典的类标矩阵,进而构造profiles的Fisher判别约束项。
优选地,所述第二步是在第一步构造profiles的Fisher判别约束项的基础上构建目标函数并对目标函数进行求解,以利用每类训练样本对应的编码系数来计算每类编码系数的平均值。
优选地,所述第三步所述输入人脸图像数据的方式为利用字典对人脸图像进行稀疏表示,并获得表示系数,以输入到分类模型上。
本发明利用Profiles与原子间的一一对应关系,设计Profiles的Fisher判别准则,使得同类原子对应Profiles的类内散度尽可能地小,不同类原子对应Profiles的类间散度尽可能地大,增强编码系数的判别性能。而且,本发明对编码系数进行低秩约束,减少了训练人脸样本中噪声的影响,增强了编码系数矩阵的判别性能,从而提高基于字典学习的人脸识别***的分类性能。此外,本发明利用l21范数对误差项和编码系数进行约束,使得目标函数可以直接求导,降低了算法的复杂度,提高了人脸识别***的效率。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
参照图1,本发明一种基于低秩字典学习算法的人脸识别方法,主要包括以下步骤:
第一步,输入训练人脸图像并利用K-SVD算法构造profiles的Fisher判别约束项;
第二步,构建对人脸图像测试样本的分类模型,以测试人脸图像的类标;
第三步,采集并把待识别的人脸图像的数据输入到分类模型上;
最后,分类模型输出测试人脸图像的类标,进而对人脸进行识别。
所述第一步输入训练人脸图像并利用K-SVD算法为每类人脸图像学习一个特定类字典并获得初始化字典和编码系数,从而获得字典的类标矩阵,进而构造profiles的Fisher判别约束项。
所述第二步是在第一步构造profiles的Fisher判别约束项的基础上构建目标函数并对目标函数进行求解,以利用每类训练样本对应的编码系数来计算每类编码系数的平均值。
所述第三步所述输入人脸图像数据的方式为利用字典对人脸图像进行稀疏表示,并获得表示系数,以输入到分类模型上。
具体的实现方式如下。
假设
Figure BDA0001495474580000031
是训练样本集合,s是训练样本的维数,n是训练样本的个数,
Figure BDA0001495474580000032
是字典,
Figure BDA0001495474580000033
是第i个原子,k是原子个数,
Figure BDA0001495474580000034
表示第c类原子中的第i个原子,
Figure BDA0001495474580000035
是编码系数矩阵,其中
Figure BDA0001495474580000036
是第i个训练样本对应于字典D的编码系数。原子类标分配方法如下:
提出的算法如下:
第一步:假设训练样本集合
Figure BDA0001495474580000037
(s是训练样本的维数,n是训练样本的个数)包含C类样本。利用K-SVD算法为每类训练样本学习一个特定类字典和对应的编码系数,则C类训练样本学习得到的特定类字典为D=[d1,…,dk]和编码系数矩阵X=[x1,…,xn],其中,k是字典中的原子个数。由于Profile是编码系数矩阵的行向量,因此,Profiles矩阵定义为P=[p1,…,pk],其是编码系数矩阵X的转置矩阵,即P=XT
第二步:如果原子di∈Di,则原子di的类标可定义
Figure BDA0001495474580000041
其中bi的第i个元素为1,其余均为零。因此,字典D中的原子类标矩阵B可以定义为
Figure BDA0001495474580000042
第三步:由于profiles和原子是一一对应关系,因此,同类原子对应的profiles应该比不同类原子对应的profiles更相似。假设字典中的原子个数等于训练样本个数,且每类原子个数都是相等的,并假设为f。则字典中原子个数k=C×f。原子对应profiles的类内散布矩阵和类间散布矩阵如公式(1)和(2)。
Figure BDA0001495474580000043
Figure BDA0001495474580000044
其中,
Figure BDA0001495474580000045
是第c类原子中的第j个原子对应的profile,mc表示第c类原子对应profiles的均值矢量,m是所有原子对应profiles的均值矢量。
第四步:公式(1)中的第c类原子对应的散度矩阵计算如公式(3)。
Figure BDA0001495474580000046
因此,公式(1)可以转换为公式(4)。
Figure BDA0001495474580000047
由于mc是第c类原子对应profiles的均值矢量,则
Figure BDA0001495474580000048
因此,公式(4)可以转换为公式(5)。
Figure BDA0001495474580000051
第五步:原子对应profiles的类间散布矩阵公式(2)可以转换为公式(6)。
Figure BDA0001495474580000052
由于u是所有原子对应profiles的均值矢量,则
Figure BDA0001495474580000053
因此,则公式(6)可以转换为公式(7)。
Figure BDA0001495474580000054
第六步:为了提高编码系数的判别性,Profiles的Fisher判别准则定义为公式(8)。
min(Tr(SW(P))-Tr(SB(P)))(8)
其中Tr(.)表示对矩阵求迹。
定义k阶矩阵
Figure BDA0001495474580000055
A中的每个元素均为1。定义k阶矩阵
Figure BDA0001495474580000056
则公式(8)可以转换为公式(9)。
Figure BDA0001495474580000061
其中L=I+A-2G,I是单位矩阵。
第七步:为了减少训练样本中噪声的影响,利用低秩约束编码系数矩阵。因此,构造的基于Fisher判别约束的低秩字典学习算法如下:
min||X||*+λ||E||21+αTr(XTLX)+β||X||21
s.t.Y=DX+E (10)
其中,E是误差项。
对于算法的求解,利用LADMAP方法求解上述目标函数,首先引入辅助变量J,则上述目标函数为:
Figure BDA0001495474580000062
则上述函数的增广拉格朗日函数为:
Figure BDA0001495474580000063
其中,M1和M2是拉格朗日乘子,μ是参数。
对于编码系数X的求解,假设目标函数中除编码系数矩阵X外,其余的变量均为常量,则增广拉格朗日函数转换为公式(13)。
Figure BDA0001495474580000064
其中
Figure BDA0001495474580000065
对公式(13)求一阶导数,并令其等于零可以获得编码系数矩阵X如公式(14)。
Figure BDA0001495474580000071
对于字典D的求解,假设目标函数中除字典D外,其余的变量均为常量,则增广拉格朗日函数转换为公式(15)。
Figure BDA0001495474580000072
对公式(15)求一阶导数,并令其等于零可以获得字典D如公式(16)。
Figure BDA0001495474580000073
对于变量J的求解,假设目标函数中其它变量均为常数,则增广拉格朗日函数转换为:
Figure BDA0001495474580000074
公式(17)可利用SVD分解方法进行求解。变量J的求解方法如公式(18)。
Figure BDA0001495474580000075
其中UΣVT是矩阵
Figure BDA0001495474580000076
的奇异值分解,
Figure BDA0001495474580000077
是软阀值操作。
对于误差项E的求解以及变量M1、M2和μ的更新,假设目标函数中其余变量为常量,则增广拉格朗日函数转换为公式(19)。
Figure BDA0001495474580000078
对公式(20)求一阶导数,并令其等于零可以获得误差项E如公式(20)。
Figure BDA0001495474580000079
更新M1如下:
M1=M1+μ(Y-DX-E) (21)
更新M2如下:
M2=M2+μ(X-J) (22)
更新μ如下:
μ=min(ρμ,max(μ)) (23)
分类方法方面,对于测试人脸样本y和字典D,利用公式(24)获得测试样本的稀疏表示系数。
Figure BDA0001495474580000081
其中γ是参数。假设
Figure BDA0001495474580000082
是第i类原子对应的稀疏表示系数。如果测试人脸样本y属于第i类样本,则
Figure BDA0001495474580000083
应该小,而
Figure BDA0001495474580000084
应该较大。此外,稀疏表示系数
Figure BDA0001495474580000085
与第i类编码系数间的距离小,而与其它类编码系数间的距离大。因此,可以利用公式(25)对测试样本进行分类。
Figure BDA0001495474580000086
其中ω是参数,ηi是第i类训练样本对应的编码系数的均值矢量。ei是第i类字典对测试样本的重构误差,测试人脸样本yt的类标分配到产生最小误差ei的字典Di对应的类。
本发明利用Profiles与原子间的一一对应关系,设计Profiles的Fisher判别准则,使得同类原子对应Profiles的类内散度尽可能地小,不同类原子对应Profiles的类间散度尽可能地大,增强编码系数的判别性能。而且,本发明对编码系数进行低秩约束,减少了训练人脸样本中噪声的影响,增强了编码系数矩阵的判别性能,从而提高基于字典学习的人脸识别***的分类性能。此外,本发明利用l21范数对误差项和编码系数进行约束,使得目标函数可以直接求导,降低了算法的复杂度,提高了人脸识别***的效率。
以上已将本发明做一详细说明,但显而易见,本领域的技术人员可以进行各种改变和改进,而不背离所附权利要求书所限定的本发明的范围。

Claims (4)

1.一种基于低秩字典学习算法的人脸识别方法,其特征在于,主要包括以下步骤:
第一步,输入训练人脸图像并利用K-SVD算法构造profiles的Fisher判别约束项;
第二步,构建对人脸图像测试样本的分类模型,以测试人脸图像的类标;
第三步,采集并把待识别的人脸图像的数据输入到分类模型上;
最后,分类模型输出测试人脸图像的类标,进而对人脸进行识别;
所述Profiles的Fisher判别约束项公式定义为
min(Tr(SW(P))-Tr(SB(P))) (8),
其中Tr(.)表示对矩阵求迹,
Figure FDA0003476121110000011
表示类内散布矩阵,
Figure FDA0003476121110000012
表示类间散布矩阵,
其中,
Figure FDA0003476121110000013
是第c类原子中的第j个原子对应的profile,mc表示第c类原子对应profiles的均值矢量,m是所有原子对应profiles的均值矢量,C表示训练样本包含的类别数,k表示原子个数;
Profiles矩阵定义为P=[p1,…,pk],其是编码系数矩阵X的转置矩阵,即P=XT
所述构造的基于Fisher判别约束的低秩字典学习算法如下
Figure FDA0003476121110000014
其中,E是误差项,X是编码系数矩阵,L=I+A-2G,I是单位矩阵,Y表示训练样本集合,D表示字典,
定义k阶矩阵
Figure FDA0003476121110000021
A中的每个元素均为1,定义k阶矩阵
Figure FDA0003476121110000022
其中f表示每类原子个数,H表示字典D中的原子类标矩阵。
2.根据权利要求1所述的一种基于低秩字典学习算法的人脸识别方法,其特征在于,所述第一步输入训练人脸图像并利用K-SVD算法为每类人脸图像学习一个特定类字典并获得初始化字典和编码系数,从而获得字典的类标矩阵,进而构造profiles的Fisher判别约束项。
3.根据权利要求1所述的一种基于低秩字典学***均值。
4.根据权利要求1所述的一种基于低秩字典学习算法的人脸识别方法,其特征在于,第三步输入人脸图像数据的方式为利用字典对人脸图像进行稀疏表示,并获得表示系数,以输入到分类模型上。
CN201711270467.8A 2017-12-05 2017-12-05 一种基于低秩字典学习算法的人脸识别方法 Active CN107832747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711270467.8A CN107832747B (zh) 2017-12-05 2017-12-05 一种基于低秩字典学习算法的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711270467.8A CN107832747B (zh) 2017-12-05 2017-12-05 一种基于低秩字典学习算法的人脸识别方法

Publications (2)

Publication Number Publication Date
CN107832747A CN107832747A (zh) 2018-03-23
CN107832747B true CN107832747B (zh) 2022-06-07

Family

ID=61641630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711270467.8A Active CN107832747B (zh) 2017-12-05 2017-12-05 一种基于低秩字典学习算法的人脸识别方法

Country Status (1)

Country Link
CN (1) CN107832747B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985177A (zh) * 2018-06-21 2018-12-11 南京师范大学 一种结合稀疏约束的快速低秩字典学习的人脸图像分类方法
CN109359525B (zh) * 2018-09-07 2021-01-29 西安电子科技大学 基于稀疏低秩的判别谱聚类的极化sar图像分类方法
CN110265039B (zh) * 2019-06-03 2021-07-02 南京邮电大学 一种基于字典学习和低秩矩阵分解的说话人识别方法
CN111967331B (zh) * 2020-07-20 2023-07-21 华南理工大学 基于融合特征和字典学习的人脸表示攻击检测方法及***
CN112241768B (zh) * 2020-11-25 2024-04-26 广东技术师范大学 一种基于深度分解字典学习的精细图像分类方法
CN113657259B (zh) * 2021-08-16 2023-07-21 西安航空学院 基于鲁棒特征提取的单样本人脸识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844223A (zh) * 2016-03-18 2016-08-10 常州大学 一种类别特色字典和共享字典学习的人脸表示算法
CN106066992A (zh) * 2016-05-13 2016-11-02 哈尔滨工业大学深圳研究生院 基于自适应局部约束的判别字典学习算法及人脸识别***
CN106066994A (zh) * 2016-05-24 2016-11-02 北京工业大学 一种基于Fisher判别的稀疏表示的人脸识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844223A (zh) * 2016-03-18 2016-08-10 常州大学 一种类别特色字典和共享字典学习的人脸表示算法
CN106066992A (zh) * 2016-05-13 2016-11-02 哈尔滨工业大学深圳研究生院 基于自适应局部约束的判别字典学习算法及人脸识别***
CN106066994A (zh) * 2016-05-24 2016-11-02 北京工业大学 一种基于Fisher判别的稀疏表示的人脸识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A Locality-Constrained and Label Embedding Dictionary Learning Algorithm for Image Classification;Zhengming Li 等;《IEEE》;20170228;第28卷(第2期);全文 *
Face Recognition Based on Dictionary Learning with the Locality Constraints of Atoms;Zhengming Li 等;《2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics(CISP-BMEI 2016)》;20161231;全文 *
Learning Robust Face Representation With Classwise Block-Diagonal Structure;Yong Li 等;《IEEE》;20141231;第9卷(第12期);全文 *
Sparse Representation for Face Recognition based on Discriminative Low-Rank Dictionary Learning;Long Ma 等;《IEEE》;20121231;全文 *
基于原子Fisher 判别准则约束字典学习算法;李争名 等;《计算机应用》;20170610;第37卷(第6期);全文 *
基于双权重约束的判别字典学习算法;李争名 等;《计算机与数字工程》;20170531;第45卷(第5期);全文 *
面向人脸识别的判别低秩字典学习算法;利润霖;《计算机***应用》;20170630;第26卷(第7期);全文 *

Also Published As

Publication number Publication date
CN107832747A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107832747B (zh) 一种基于低秩字典学习算法的人脸识别方法
CN106056628B (zh) 基于深度卷积神经网络特征融合的目标跟踪方法及***
Nhan Duong et al. Temporal non-volume preserving approach to facial age-progression and age-invariant face recognition
Du et al. Face aging simulation and recognition based on NMF algorithm with sparseness constraints
CN107085704A (zh) 基于elm自编码算法的快速人脸表情识别方法
CN104298977B (zh) 一种基于不相关性约束的低秩表示人体行为识别方法
CN110188866B (zh) 一种基于注意力机制的特征提取方法
CN108564061B (zh) 一种基于二维主元分析的图像识别方法和***
Faraki et al. Approximate infinite-dimensional region covariance descriptors for image classification
CN101958000A (zh) 基于稀疏表示的人脸画像-照片生成方法
CN111310813A (zh) 一种潜在低秩表示的子空间聚类方法及装置
Li et al. Stochastic configuration networks for self-blast state recognition of glass insulators with adaptive depth and multi-scale representation
CN112507800A (zh) 一种基于通道注意力机制和轻型卷积神经网络的行人多属性协同识别方法
CN103927554A (zh) 一种基于拓扑结构的图像稀疏表征面部表情特征提取***和方法
CN105718898B (zh) 基于稀疏无向概率图模型的人脸年龄估计方法、***
CN114511901B (zh) 一种年龄分类辅助的跨年龄人脸识别算法
CN108460412B (zh) 一种基于子空间联合稀疏低秩结构学习的图像分类方法
CN111695507B (zh) 一种基于改进VGGNet网络和PCA的静态手势识别方法
Li et al. A robust framework for multiview age estimation
CN116796248A (zh) 森林康养环境评估***及其方法
CN116382780A (zh) 控制指令的识别方法、装置、存储介质及车载控制***
CN115965836A (zh) 一种语义可控的人体行为姿态视频数据扩增***及方法
CN115723280A (zh) 厚度可调节的聚酰亚胺薄膜的生产设备
CN112560712B (zh) 基于时间增强图卷积网络的行为识别方法、装置及介质
CN111104868B (zh) 一种基于卷积神经网络特征的跨质量人脸识别方法

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: 510665 No. 293 Shipai Zhongshan Avenue, Tianhe District, Guangzhou City, Guangdong Province

Applicant after: GUANGDONG POLYTECHNIC NORMAL University

Address before: 510665 No. 293 Shipai Zhongshan Avenue, Tianhe District, Guangzhou City, Guangdong Province

Applicant before: GUANGDONG POLYTECHNIC NORMAL University

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant