CN110084231A - 一种红外周视***多目标检测的方法和装置 - Google Patents

一种红外周视***多目标检测的方法和装置 Download PDF

Info

Publication number
CN110084231A
CN110084231A CN201910352948.6A CN201910352948A CN110084231A CN 110084231 A CN110084231 A CN 110084231A CN 201910352948 A CN201910352948 A CN 201910352948A CN 110084231 A CN110084231 A CN 110084231A
Authority
CN
China
Prior art keywords
target
infrared
infrared image
target detection
panoramic system
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
Application number
CN201910352948.6A
Other languages
English (en)
Inventor
周成
季云松
徐瑞贤
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.)
BEIJING FJR OPTOELECTRONIC TECHNOLOGY Co.,Ltd.
DAQING ANRUIDA TECHNOLOGY DEVELOPMENT Co.,Ltd.
Original Assignee
BEIJING FUJIRUI PHOTOELECTRIC TECHNOLOGY CO LTD
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 BEIJING FUJIRUI PHOTOELECTRIC TECHNOLOGY CO LTD filed Critical BEIJING FUJIRUI PHOTOELECTRIC TECHNOLOGY CO LTD
Priority to CN201910352948.6A priority Critical patent/CN110084231A/zh
Publication of CN110084231A publication Critical patent/CN110084231A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Studio Devices (AREA)

Abstract

本发明提供一种红外周视***多目标检测的方法和装置，包括：步骤一，***进行周视扫描，采集原始红外图像，对原始红外图像进行预处理；步骤二，对预处理后的红外图像进行特征提取，并采用图像匹配算法对红外图像进行拼接；步骤三，在红外周视***扫描成像过程中，叠加采用SIFT、GMM、YOLO检测算法同时进行目标检测识别，对识别目标组合运算以提取目标；步骤四，对提取目标进行坐标匹配，确认可疑目标；步骤五，目标匹配完成后，采用轨迹关联进行噪声滤除，并根据红外周视***的实际应用情况设置不同的报警阈值，输出完整的红外图像和多目标报警信息。本发明可以满足工程***应用需求的周视复杂背景条件下多目标的有效检测，实现了周视全景图像的目标实时检测与报警。

Description

一种红外周视***多目标检测的方法和装置
技术领域
本发明涉及目标识别领域，特别是涉及一种红外周视***多目标检测的方法和装置。
背景技术
红外周视***具有360°全景视场，能够360°全方位成像。由于视场的增大，红外图像的背景成分极其复杂，多目标检测概率和识别性能将会受到影响。
目前红外周视***的实际应用中，常用的目标检测算法有以下几种：
SIFT(尺度不变特征转换)是一个很好的图像特征提取算法，当图像进行缩放、旋转等变化时，该算法仍然能够精确地提取特征点描述符，最后在特征点描述符之间寻找匹配。
GMM(高斯混合模型)是当前目标检测方法中效果较好的一类方法，通过统计视频图像中各个点的像素值获取背景模型，最后利用背景减除的思想完成运动目标的检测。该方法能在不断更新背景模型的同时，在新一帧图像中直接检测出属于目标的像素点，减少了计算差分图像和二值化图像等环节，有效地提高了检测速度。
YOLO是一个十分容易构造的目标检测算法，它将目标检测任务看作目标区域预测和类别预测的回归问题。该方法采用单个神经网络直接预测目标边界和类别概率，实现端到端的目标检测。因此识别速度快，性能有了很大提升。
因此，红外周视***复杂背景下多目标检测困难，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种红外周视***多目标检测的方法和装置，可以满足工程***应用需求的周视复杂背景条件下多目标的有效检测，实现了周视全景图像的目标实时检测与报警。其具体方案如下：
一种红外周视***多目标检测的方法，包括：
步骤一，***进行周视扫描，采集原始红外图像，对原始红外图像进行预处理；
步骤二，对预处理后的红外图像进行特征提取，并采用图像匹配算法对红外图像进行拼接；
步骤三，在红外周视***扫描成像过程中，叠加采用SIFT、GMM、YOLO检测算法同时进行目标检测识别，对识别目标组合运算以提取目标；
步骤四，对提取目标进行坐标匹配，确认可疑目标；
步骤五，目标匹配完成后，采用轨迹关联进行噪声滤除，并根据红外周视***的实际应用情况设置不同的报警阈值，输出完整的红外图像和多目标报警信息。
进一步地，所述步骤一中，预处理采用降噪平滑算法，减少存在于原始红外图像中的噪声和杂波，增强原始红外图像的目标与背景的对比度，将原始信号变成适合进行特征提取的形式。
进一步地，所述步骤二中，红外图像为连续的单帧红外图像，将多帧红外图像拼接为一幅完整的红外图像。
进一步地，所述步骤三中，对识别目标组合运算包括设置通过SIFT算法检测得到目标的权重值为1/2，通过GMM算法检测得到目标的权重值为1/4，通过YOLO算法检测得到目标的权重值为1/4，将目标得到的三种算法的权重因子求和，若总和≥1/2，则保留此目标，若总和＜1/2，则不保留此目标。
进一步地，所述步骤四中，坐标匹配包括计算当前帧和前一帧中目标的坐标位置，然后将两个坐标所在区域的图像按照目标匹配准则进行匹配，若目标匹配成功，即确认为是可疑目标。
进一步地，所述步骤五中，对匹配目标采用轨迹关联在时空域中状态变化的连续性对匹配目标进行目标检测和噪声滤除。
进一步地，所述步骤五中，对匹配目标采用轨迹关联在时空域中状态变化的连续性包括在连续若干幅图像里搜索运动目标轨迹，通过若干约束条件来去除不合理轨迹，以保留真实目标的检测结果。
本发明实施例还提供了一种红外周视***多目标检测的装置，包括：
图像采集模块，用于周视扫描采集并记录同步的原始红外图像；
预处理模块，用于对原始红外图像进行降噪平滑处理；
图像匹配模块，用于对红外图像进行特征提取，并匹配拼接图像；
目标检测提取模块，用于叠加采用SIFT、GMM、YOLO检测算法同时进行目标检测识别，对识别目标组合运算以提取目标；
目标匹配模块，用于对提取目标进行坐标匹配，确认可疑目标；
后处理模块，用于采用轨迹关联进行噪声滤除，并根据红外周视***的实际应用情况设置不同的报警阈值，输出完整的红外图像和多目标报警信息。
进一步地，目标检测提取模块对识别目标组合运算包括：设置通过SIFT算法检测得到目标的权重值为1/2，通过GMM算法检测得到目标的权重值为1/4，通过YOLO算法检测得到目标的权重值为1/4，将目标得到的三种算法的权重因子求和，若总和≥1/2，则保留此目标，若总和＜1/2，则不保留此目标。
进一步地，后处理模块采用轨迹关联进行噪声滤除包括：在连续若干幅图像里搜索运动目标轨迹，通过若干约束条件去除不合理轨迹，以保留真实目标的检测结果。
本发明的有益效果是：
本发明通过叠加多种算法检测运动目标可以降低虚警率，提高目标检测的准确度。
本发明综合了SIFT、GMM、YOLO三种不同目标检测算法的优势，在精确地提取特图像征并匹配的同时，有效地提高了检测和识别速度，克服了复杂背景下多目标检测和大数据量实时处理的难点。
下面结合附图和实施例对本发明进一步说明。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获取其他的附图。
附图1是本发明红外周视***多目标检测流程图；
附图2是本发明目标检测提取流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种红外周视***多目标检测的方法，包括：
***进行周视扫描，采集原始红外图像，对所述原始红外图像进行预处理；对预处理后的红外图像进行特征提取，采用图像匹配算法对红外图像进行拼接以进行图像匹配；在红外周视***扫描成像过程中，进行进行目标检测识别，对提取目标进行坐标匹配从而降低虚警率，提高目标检测的准确度；目标匹配完成后，采用轨迹关联进行噪声滤除，最终输出完整的红外图像和多目标报警信息。
如图2所示，目标检测提取流程，包括：
在红外周视***扫描成像过程中，叠加采用SIFT、GMM、YOLO检测算法同时进行目标检测识别，设置通过SIFT算法检测得到目标的权重值为1/2，通过GMM算法检测得到目标的权重值为1/4，通过YOLO算法检测得到目标的权重值为1/4，将目标得到的三种算法的权重因子求和，若总和≥1/2，则保留此目标实现目标提取，若总和＜1/2，则不保留此目标，继续重复对下一图像的目标检测提取。
在本发明实施例提供的上述红外周视***多目标检测方法和装置中，实际应用的红外成像的环境十分复杂，红外周视***采集到的原始红外图像是无法直接进行目标检测的，因此需要一定的图像预处理技术。图像预处理可以将原始图像进行降噪平滑处理，减少存在于红外图像中的噪声和杂波，增强红外图像的目标与背景的对比度，将原始信号变成适合进行特征提取的形式，从而为后期的目标检测打好基础。
红外周视***扫描一周后得到许多单帧红外图像，通过对这些连续的单帧红外图像进行特征提取，再利用图像匹配算法拼接形成一幅完整的红外图像。
在红外周视***扫描成像的过程中，三种不同的目标检测算法同时进行目标检测，那么每种算法均会在当前的图像中识别出目标，由于SIFT算法优于其他两种算法，因此设置SIFT算法的权重值最高。设通过SIFT算法检测得到的目标，其权重值为1/2；GMM算法检测得到的目标，其权重值为1/4；YOLO算法检测得到的目标，其权重值为1/4。然后将每个目标得到的三种算法的权重因子求和，若总和≥1/2，则保留此目标；若总和＜1/2，则舍弃此目标。通过叠加多种算法检测运动目标可以降低虚警率，提高目标检测的准确度。
目标提取成功之后，下一步就是目标匹配。目标匹配的目的是确认该目标是否为可疑目标，其计算方法如下：首先计算出当前帧和前一帧中目标的坐标位置，然后将两个坐标所在区域的图像按照目标匹配准则进行匹配，若目标匹配成功，即确认为是可疑目标。
目标匹配完成后，会存在大量的噪声和干扰，此时利用轨迹关联在时空域中状态变化的连续性进行目标检测和噪声滤除，具体方法为在连续若干幅图像里搜索运动目标轨迹，通过若干约束条件来去除不合理轨迹，保留真实目标的检测结果。最后根据红外周视***的实际应用情况设置不同的报警阈值，输出完整的红外图像和多目标报警信息。
需要说明的是，在本文中，关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的红外周视***多目标检测的方法、装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种红外周视***多目标检测的方法，其特征在于，包括：
步骤一，***进行周视扫描，采集原始红外图像，对原始红外图像进行预处理；
步骤二，对预处理后的红外图像进行特征提取，并采用图像匹配算法对红外图像进行拼接；
步骤三，在红外周视***扫描成像过程中，叠加采用SIFT、GMM、YOLO检测算法同时进行目标检测识别，对识别目标组合运算以提取目标；
步骤四，对提取目标进行坐标匹配，确认可疑目标；
步骤五，目标匹配完成后，采用轨迹关联进行噪声滤除，并根据红外周视***的实际应用情况设置不同的报警阈值，输出完整的红外图像和多目标报警信息。
2.根据权利要求1所述的红外周视***多目标检测的方法，其特征在于，所述步骤一中，预处理采用降噪平滑算法，减少存在于原始红外图像中的噪声和杂波，增强原始红外图像的目标与背景的对比度，将原始信号变成适合进行特征提取的形式。
3.根据权利要求1所述的红外周视***多目标检测的方法，其特征在于，所述步骤二中，红外图像为连续的单帧红外图像，将多帧红外图像拼接为一幅完整的红外图像。
4.根据权利要求1所述的红外周视***多目标检测的方法，其特征在于，所述步骤三中，对识别目标组合运算包括设置通过SIFT算法检测得到目标的权重值为1/2，通过GMM算法检测得到目标的权重值为1/4，通过YOLO算法检测得到目标的权重值为1/4，将目标得到的三种算法的权重因子求和，若总和≥1/2，则保留此目标，若总和＜1/2，则不保留此目标。
5.根据权利要求1所述的红外周视***多目标检测的方法，其特征在于，所述步骤四中，坐标匹配包括计算当前帧和前一帧中目标的坐标位置，然后将两个坐标所在区域的图像按照目标匹配准则进行匹配，若目标匹配成功，即确认为是可疑目标。
6.根据权利要求1所述的红外周视***多目标检测的方法，其特征在于，所述步骤五中，对匹配目标采用轨迹关联在时空域中状态变化的连续性对匹配目标进行目标检测和噪声滤除。
7.根据权利要求6所述的红外周视***多目标检测的方法，其特征在于，所述步骤五中，对匹配目标采用轨迹关联在时空域中状态变化的连续性包括在连续若干幅图像里搜索运动目标轨迹，通过若干约束条件来去除不合理轨迹，以保留真实目标的检测结果。
8.一种红外周视***多目标检测的装置，其特征在于，包括：
图像采集模块，用于周视扫描采集并记录同步的原始红外图像；
预处理模块，用于对原始红外图像进行降噪平滑处理；
图像匹配模块，用于对红外图像进行特征提取，并匹配拼接图像；
目标检测提取模块，用于叠加采用SIFT、GMM、YOLO检测算法同时进行目标检测识别，对识别目标组合运算以提取目标；
目标匹配模块，用于对提取目标进行坐标匹配，确认可疑目标；
后处理模块，用于采用轨迹关联进行噪声滤除，并根据红外周视***的实际应用情况设置不同的报警阈值，输出完整的红外图像和多目标报警信息。
9.根据权利要求8所述的红外周视***多目标检测的装置，其特征在于，目标检测提取模块对识别目标组合运算包括：设置通过SIFT算法检测得到目标的权重值为1/2，通过GMM算法检测得到目标的权重值为1/4，通过YOLO算法检测得到目标的权重值为1/4，将目标得到的三种算法的权重因子求和，若总和≥1/2，则保留此目标，若总和＜1/2，则不保留此目标。
10.根据权利要求8所述的红外周视***多目标检测的装置，其特征在于，后处理模块采用轨迹关联进行噪声滤除包括：在连续若干幅图像里搜索运动目标轨迹，通过若干约束条件去除不合理轨迹，以保留真实目标的检测结果。
CN201910352948.6A 2019-04-29 2019-04-29 一种红外周视***多目标检测的方法和装置 Pending CN110084231A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910352948.6A CN110084231A (zh) 2019-04-29 2019-04-29 一种红外周视***多目标检测的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910352948.6A CN110084231A (zh) 2019-04-29 2019-04-29 一种红外周视***多目标检测的方法和装置

Publications (1)

Publication Number Publication Date
CN110084231A true CN110084231A (zh) 2019-08-02

Family

ID=67417648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910352948.6A Pending CN110084231A (zh) 2019-04-29 2019-04-29 一种红外周视***多目标检测的方法和装置

Country Status (1)

Country Link
CN (1) CN110084231A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101626489A (zh) * 2008-07-10 2010-01-13 苏国政 无人值守目标智能识别与自动跟踪的方法及其***
CN102074022A (zh) * 2011-01-10 2011-05-25 南京理工大学 一种基于红外图像的弱小运动目标检测方法
CN104463903A (zh) * 2014-06-24 2015-03-25 中海网络科技股份有限公司 一种基于目标行为分析的行人图像实时检测方法
CN105574855A (zh) * 2015-12-10 2016-05-11 南京理工大学 云背景下基于模板滤波和虚警抑制的红外小目标检测方法
CN105654516A (zh) * 2016-02-18 2016-06-08 西北工业大学 基于目标显著性的卫星图像对地面弱小运动目标检测方法
CN207216045U (zh) * 2017-06-29 2018-04-10 厦门南鹏物联科技有限公司 一种基于红外成像的智能分析装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101626489A (zh) * 2008-07-10 2010-01-13 苏国政 无人值守目标智能识别与自动跟踪的方法及其***
CN102074022A (zh) * 2011-01-10 2011-05-25 南京理工大学 一种基于红外图像的弱小运动目标检测方法
CN104463903A (zh) * 2014-06-24 2015-03-25 中海网络科技股份有限公司 一种基于目标行为分析的行人图像实时检测方法
CN105574855A (zh) * 2015-12-10 2016-05-11 南京理工大学 云背景下基于模板滤波和虚警抑制的红外小目标检测方法
CN105654516A (zh) * 2016-02-18 2016-06-08 西北工业大学 基于目标显著性的卫星图像对地面弱小运动目标检测方法
CN207216045U (zh) * 2017-06-29 2018-04-10 厦门南鹏物联科技有限公司 一种基于红外成像的智能分析装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张瑞玉: "基于行走轨迹的智能监控算法", 《辽宁科技大学学报》 *

Similar Documents

Publication Publication Date Title
Lei et al. New crack detection method for bridge inspection using UAV incorporating image processing
Cha et al. Deep learning‐based crack damage detection using convolutional neural networks
CN109711295B (zh) 一种光学遥感图像近岸舰船检测方法
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
Yeum et al. Vision‐based automated crack detection for bridge inspection
Yuan et al. Large-scale solar panel mapping from aerial images using deep convolutional networks
Li et al. Towards automatic power line detection for a UAV surveillance system using pulse coupled neural filter and an improved Hough transform
Wang et al. Detection and localization of image forgeries using improved mask regional convolutional neural network
CN108665487B (zh) 基于红外和可见光融合的变电站作业对象和目标定位方法
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN103279765B (zh) 基于图像匹配的钢丝绳表面损伤检测方法
CN111860318A (zh) 一种建筑工地行人徘徊检测方法、装置、设备及存储介质
Schmugge et al. Crack segmentation by leveraging multiple frames of varying illumination
CN103235830A (zh) 一种基于无人机电力巡线方法、装置及无人机
CN108109163A (zh) 一种航拍视频的运动目标检测方法
Moradi et al. Real-time defect detection in sewer closed circuit television inspection videos
CN108769598A (zh) 基于行人重识别的跨摄像头视频浓缩方法
CN107092905B (zh) 一种电力巡检机器人的待识别仪器定位方法
Zhang et al. Improved Fully Convolutional Network for Digital Image Region Forgery Detection.
CN112488071A (zh) 提取行人特征的方法、装置、电子设备和存储介质
Zhang et al. Multiple Saliency Features Based Automatic Road Extraction from High‐Resolution Multispectral Satellite Images
CN105678720A (zh) 一种全景拼接判断图像匹配方法及装置
Manninen et al. Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images
CN104966283A (zh) 图像分层配准方法
Luo et al. A new recognition algorithm for high‐voltage lines based on improved LSD and convolutional neural networks

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: 20200408

Address after: 101300, No. two, 1 road, Shunyi Park, Zhongguancun science and Technology Park, Beijing, Shunyi District

Applicant after: BEIJING FJR OPTOELECTRONIC TECHNOLOGY Co.,Ltd.

Applicant after: DAQING ANRUIDA TECHNOLOGY DEVELOPMENT Co.,Ltd.

Address before: Room 323, Building 6, No. 17 Lifu Street, Beixiaoying Town, Shunyi District, Beijing 100085

Applicant before: BEIJING FJR OPTOELECTRONIC TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20190802

RJ01 Rejection of invention patent application after publication