專利名稱：從車輛影像中擷取車牌區(qū)域的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種從車輛影像中擷取車牌區(qū)域的方法，特別是可應(yīng)用于車牌自動(dòng)辨識(shí)系統(tǒng)及交通監(jiān)控、車輛門禁的車牌區(qū)域影像的擷取。
背景技術(shù)：
車輛影像中的車牌區(qū)域的定位及擷取是車牌自動(dòng)辨識(shí)的前置處理程序，因此其準(zhǔn)確性影響車牌自動(dòng)辨識(shí)的整體性能；此外，在交通監(jiān)控上乃至于車輛門禁管理上，管理人員需要透過攝影機(jī)及顯示器觀看來(lái)往車輛的車牌號(hào)碼，如果能自動(dòng)將車牌區(qū)域的影像擷取并顯示出來(lái)，將可方便管理人員觀看。因此，如何自動(dòng)且有效的從車輛影像中找出車牌的位置所在、擷取出來(lái)，便是車牌自動(dòng)辨識(shí)系統(tǒng)及交通監(jiān)控、車輛門禁等應(yīng)用的重要課題。
現(xiàn)有技術(shù)對(duì)于車輛影像中車牌區(qū)域的定位及擷取，一般是使用像素明暗度(Intensity)來(lái)運(yùn)算處理并將所有像素的運(yùn)算結(jié)果的可能情形繪出柱狀圖(Histogram)，再?gòu)闹鶢顖D中計(jì)算出欲將所有像素的運(yùn)算結(jié)果二值化所需的臨界值(Threshold)，所以很容易因柱狀圖上下起落無(wú)跡可循而無(wú)法找到合適的臨界值以致二值化效果不佳而影響車牌區(qū)域定位及擷取的準(zhǔn)確性；此外，由于先前技術(shù)多未對(duì)可能的車牌區(qū)域分析其高值像素的分布情形，以致找出錯(cuò)誤的車牌區(qū)域的機(jī)會(huì)較大。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種從車輛影像中擷取車牌區(qū)域的方法，可應(yīng)用于車牌自動(dòng)辨識(shí)及交通監(jiān)控、車輛門禁。
本發(fā)明主要是使用像素的明暗度(Intensity)或?qū)?shù)明暗度(Logarithmic intensity)來(lái)運(yùn)算處理并將所有像素的運(yùn)算結(jié)果的可能情形繪出累積柱狀圖(Cumulative histogram)，并從累積柱狀圖中計(jì)算出將所有像素的運(yùn)算結(jié)果二值化所需的臨界值(Threshold)；因?yàn)槔鄯e柱狀圖系呈遞增上升狀態(tài)而不會(huì)有一般柱狀圖上下起落無(wú)跡可循的現(xiàn)象，較易計(jì)算出欲將所有像素的運(yùn)算結(jié)果二值化所需的臨界值，本發(fā)明以逼近法獲得累積柱狀圖遞增上升轉(zhuǎn)折或趨緩最明顯的一處做為二值化的臨界值，可得到較佳的二值化結(jié)果。
此外，本發(fā)明對(duì)每個(gè)車牌候選區(qū)域分別切成數(shù)個(gè)小區(qū)塊并分析所有小區(qū)塊所包含的高值像素的平均個(gè)數(shù)及標(biāo)準(zhǔn)差(Standarddeviation)，車牌候選區(qū)域的區(qū)塊高值個(gè)數(shù)標(biāo)準(zhǔn)差太高者，可被剔除而不認(rèn)定為車牌區(qū)域。
本發(fā)明所提供的從車輛影像中擷取車牌區(qū)域的方法，與現(xiàn)有技術(shù)相比較，具有以下優(yōu)點(diǎn)1.以逼近法獲得累積柱狀圖遞增上升轉(zhuǎn)折或趨緩最明顯的一處做為二值化的臨界值，可得到較佳的影像二值化結(jié)果。
2.對(duì)車牌候選區(qū)域分析其高值像素的分布情形，得到錯(cuò)誤的車牌區(qū)域的機(jī)會(huì)較小。


下面結(jié)合本發(fā)明的較佳實(shí)施例及其附圖，進(jìn)一步說(shuō)明本發(fā)明的技術(shù)內(nèi)容及其目的功效。
圖1為本發(fā)明從車輛影像中擷取車牌區(qū)域的方法的實(shí)施例流程圖；圖2為本發(fā)明從水平梯度值(或垂直梯度值)的累積柱狀圖得出水平梯度值(或垂直梯度值)的二值化臨界值的實(shí)施例示意圖；圖3為本發(fā)明對(duì)每個(gè)車牌候選區(qū)域分別切成數(shù)個(gè)小區(qū)塊并分析所有小區(qū)塊所包含的高值像素的平均個(gè)數(shù)及標(biāo)準(zhǔn)差的實(shí)施例示意圖；圖4為本發(fā)明從車輛影像的水平梯度來(lái)擷取車牌區(qū)域的方法的實(shí)施例流程圖；圖5為本發(fā)明從車輛影像的垂直梯度來(lái)擷取車牌區(qū)域的方法的實(shí)施例流程圖。
具體實(shí)施例方式
實(shí)施例一如圖1所示，本發(fā)明所述的從車輛影像中擷取車牌區(qū)域的方法，主要包括以下步驟(1)計(jì)算水平梯度1計(jì)算車輛影像的水平梯度(Horizontalgradient)來(lái)產(chǎn)生水平梯度影像；其計(jì)算水平梯度的方式是將相鄰的像素的明暗度相減或?qū)⒚靼刀热?duì)數(shù)后成為對(duì)數(shù)明暗度再相減。
(2)水平梯度二值化2接著將水平梯度影像予以二值化成水平梯度二值化影像使得影像中每個(gè)像素的數(shù)值只為高值(High value)或低值(Low value)，做法如圖2所示，是計(jì)算水平梯度影像的所有可能的水平梯度值的出現(xiàn)次數(shù)以繪出水平梯度值的累積柱狀圖，累積柱狀圖的橫軸是所有水平梯度值由小到大依序排列，縱軸是對(duì)每一水平梯度值而言小于或等于該水平梯度值的累積出現(xiàn)次數(shù)，在最低水平梯度值與最高水平梯度值之間找一個(gè)水平梯度值，使得以最低水平梯度值的出現(xiàn)次數(shù)、小于或等于此水平梯度值的累積出現(xiàn)次數(shù)、小于或等于最大水平梯度值的累積出現(xiàn)次數(shù)三者所構(gòu)成的線性折線與水平梯度值累積柱狀圖的差距最小(即最逼近累積柱狀圖)，將此水平梯度值定為水平梯度值的二值化臨界值，并將大于臨界值的水平梯度值定為高值，小于或等于臨界值的水平梯度值定為低值。
(3)計(jì)算垂直梯度3計(jì)算車輛影像的垂直梯度(Vertical gradient)來(lái)產(chǎn)生垂直梯度影像；其計(jì)算垂直梯度的方式是將相鄰的像素的明暗度相減或?qū)⒚靼刀热?duì)數(shù)后成為對(duì)數(shù)明暗度再相減。
(4)垂直梯度二值化4并將垂直梯度影像予以二值化成垂直梯度二值化影像，使得影像中每個(gè)像素的數(shù)值只為高值或低值；做法是計(jì)算垂直梯度影像的所有可能的垂直梯度值的出現(xiàn)次數(shù)，以繪出垂直梯度值的累積柱狀圖，累積柱狀圖的橫軸是所有垂直梯度值由小到大依序排列，縱軸是對(duì)每一垂直梯度值而言小于或等于該垂直梯度值的累積出現(xiàn)次數(shù)，在最低垂直梯度值與最高垂直梯度值之間找一個(gè)垂直梯度值，使得以最低垂直梯度值的出現(xiàn)次數(shù)、小于或等于此垂直梯度值的累積出現(xiàn)次數(shù)、小于或等于最大垂直梯度值的累積出現(xiàn)次數(shù)三者所構(gòu)成的線性折線與垂直梯度值累積柱狀圖的差距最小(即最逼近累積柱狀圖)，將此垂直梯度值定為垂直梯度值的二值化臨界值，并將大于臨界值的垂直梯度值定為高值，小于或等于臨界值的垂直梯度值定為低值。
(5)合并水平梯度二值化影像與垂直梯度二值化影像5將水平梯度二值化影像及垂直梯度二值化影像合并成整合梯度二值化影像，做法為將水平梯度二值化影像及垂直梯度二值化影像做″OR″運(yùn)算，即水平梯度二值化影像與垂直梯度二值化影像中同一坐標(biāo)位置的兩個(gè)像素只要有一個(gè)是呈現(xiàn)高值，則整合梯度二值化影像中同一坐標(biāo)位置的像素也呈現(xiàn)高值；如果水平梯度二值化影像與垂直梯度二值化影像中同一坐標(biāo)位置的兩個(gè)像素都呈現(xiàn)低值，則整合梯度二值化影像中同一坐標(biāo)位置的像素也呈現(xiàn)低值。
(6)將鄰近的高值像素群聚成車牌候選區(qū)域6將整合梯度二值化影像中鄰近的高值像素群聚成車牌候選區(qū)域(Candidate region)做法為整合梯度二值化影像中的高值像素間的距離，如果小于一個(gè)特定值，則將這些高值像素標(biāo)示相同的卷標(biāo)，再將相同卷標(biāo)的所有像素的所在區(qū)域定為車牌候選區(qū)域。
(7)以高值像素的分布情形來(lái)確定車牌候選區(qū)域是否為車牌區(qū)域7將每個(gè)車牌候選區(qū)域依照其區(qū)域內(nèi)的高值像素的分布情形來(lái)確定是否為車牌區(qū)域如圖3所示，將每個(gè)車牌候選區(qū)域分別切成數(shù)個(gè)小區(qū)塊并分析所有小區(qū)塊所包含的高值像素的平均個(gè)數(shù)及標(biāo)準(zhǔn)差，車牌候選區(qū)域的區(qū)塊高值個(gè)數(shù)標(biāo)準(zhǔn)差太高的，可被剔除而不認(rèn)定為車牌區(qū)域，并產(chǎn)出確定后的車牌區(qū)域影像。
實(shí)施例二如圖4所示，本發(fā)明所述的從車輛影像中擷取車牌區(qū)域的方法，可只針對(duì)車輛影像的水平梯度來(lái)二值化影像，主要包括以下步驟(1)計(jì)算水平梯度1計(jì)算車輛影像的水平梯度(Horizontalgradient)來(lái)產(chǎn)生水平梯度影像；其計(jì)算水平梯度的方式是將相鄰的像素的明暗度相減或?qū)⒚靼刀热?duì)數(shù)后成為對(duì)數(shù)明暗度再相減。
(2)水平梯度二值化2接著將水平梯度影像予以二值化成水平梯度二值化影像使得影像中每個(gè)像素的數(shù)值只為高值(High value)或低值(Low value)，做法是計(jì)算水平梯度影像的所有可能的水平梯度值的出現(xiàn)次數(shù)以繪出水平梯度值的累積柱狀圖，累積柱狀圖的橫軸是所有水平梯度值由小到大依序排列，縱軸是對(duì)每一水平梯度值而言小于或等于該水平梯度值的累積出現(xiàn)次數(shù)，在最低水平梯度值與最高水平梯度值之間找一個(gè)水平梯度值，使得以最低水平梯度值的出現(xiàn)次數(shù)、小于或等于此水平梯度值的累積出現(xiàn)次數(shù)、小于或等于最大水平梯度值的累積出現(xiàn)次數(shù)三者所構(gòu)成的線性折線與水平梯度值累積柱狀圖的差距最小(即最逼近累積柱狀圖)，將此水平梯度值定為水平梯度值的二值化臨界值，并將大于臨界值的水平梯度值定為高值，小于或等于臨界值的水平梯度值定為低值。
(3)將鄰近的高值像素群聚成車牌候選區(qū)域6將整合梯度二值化影像中鄰近的高值像素群聚成車牌候選區(qū)域(Candidate region)；做法為整合梯度二值化影像中的高值像素間的距離，如果小于特定值，則將這些高值像素標(biāo)示相同的卷標(biāo)，再將相同卷標(biāo)的所有像素的所在區(qū)域定為車牌候選區(qū)域。
(4)以高值像素的分布情形來(lái)確定車牌候選區(qū)域是否為車牌區(qū)域7將每個(gè)車牌候選區(qū)域依照其區(qū)域內(nèi)的高值像素的分布情形來(lái)確定是否為車牌區(qū)域如圖3所示，將每個(gè)車牌候選區(qū)域分別切成數(shù)個(gè)小區(qū)塊并分析所有小區(qū)塊所包含的高值像素的平均個(gè)數(shù)及標(biāo)準(zhǔn)差，車牌候選區(qū)域的區(qū)塊高值個(gè)數(shù)標(biāo)準(zhǔn)差太高的，可被剔除而不認(rèn)定為車牌區(qū)域，并產(chǎn)出確定后的車牌區(qū)域影像。
實(shí)施例三如圖5所示，本發(fā)明所述的從車輛影像中擷取車牌區(qū)域的方法，可只針對(duì)車輛影像的垂直梯度來(lái)二值化影像，主要包含以下步驟(1)計(jì)算垂直梯度3計(jì)算車輛影像的垂直梯度(Vertical gradient)來(lái)產(chǎn)生垂直梯度影像；其計(jì)算垂直梯度的方式是將相鄰的像素的明暗度相減或?qū)⒚靼刀热?duì)數(shù)后成為對(duì)數(shù)明暗度再相減。
(2)垂直梯度二值化4將垂直梯度影像予以二值化成垂直梯度二值化影像使得影像中每個(gè)像素的數(shù)值只為高值或低值；做法是計(jì)算垂直梯度影像的所有可能的垂直梯度值的出現(xiàn)次數(shù)以繪出垂直梯度值的累積柱狀圖，累積柱狀圖的橫軸是所有垂直梯度值由小到大依序排列，縱軸是對(duì)每一垂直梯度值而言小于或等于該垂直梯度值的累積出現(xiàn)次數(shù)，在最低垂直梯度值與最高垂直梯度值之間找一個(gè)垂直梯度值，使得以最低垂直梯度值的出現(xiàn)次數(shù)、小于或等于此垂直梯度值的累積出現(xiàn)次數(shù)、小于或等于最大垂直梯度值的累積出現(xiàn)次數(shù)三者所構(gòu)成的線性折線與垂直梯度值累積柱狀圖的差距最小(即最逼近累積柱狀圖)，將此垂直梯度值定為垂直梯度值的二值化臨界值，并將大于臨界值的垂直梯度值定為高值，小于或等于臨界值的垂直梯度值定為低值。
(3)將鄰近的高值像素群聚成車牌候選區(qū)域6將整合梯度二值化影像中鄰近的高值像素群聚成車牌候選區(qū)域(Candidate region)；做法為整合梯度二值化影像中的高值像素間的距離如果小于特定值，則將這些高值像素標(biāo)示相同的卷標(biāo)，再將相同卷標(biāo)的所有像素的所在區(qū)域定為車牌候選區(qū)域。
(4)以高值像素的分布情形來(lái)確定車牌候選區(qū)域是否為車牌區(qū)域7將每個(gè)車牌候選區(qū)域依照其區(qū)域內(nèi)的高值像素的分布情形來(lái)確定是否為車牌區(qū)域如圖3所示，將每個(gè)車牌候選區(qū)域分別切成數(shù)個(gè)小區(qū)塊并分析所有小區(qū)塊所包含的高值像素的平均個(gè)數(shù)及標(biāo)準(zhǔn)差，車牌候選區(qū)域的區(qū)塊高值個(gè)數(shù)標(biāo)準(zhǔn)差太高的，可被剔除而不認(rèn)定為車牌區(qū)域，并產(chǎn)出確定后的車牌區(qū)域影像。
權(quán)利要求
1.一種從車輛影像中擷取車牌區(qū)域的方法，其特征在于，主要包含以下步驟(1)計(jì)算水平梯度計(jì)算車輛影像的水平梯度來(lái)產(chǎn)生水平梯度影像；(2)水平梯度二值化接著將水平梯度影像予以二值化成水平梯度二值化影像，使得影像中每個(gè)像素的數(shù)值只為高值或低值；(3)計(jì)算垂直梯度計(jì)算車輛影像的垂直梯度來(lái)產(chǎn)生垂直梯度影像；(4)垂直梯度二值化并將垂直梯度影像予以二值化成垂直梯度二值化影像，使得影像中每個(gè)像素的數(shù)值只為高值或低值；(5)合并水平梯度二值化影像與垂直梯度二值化影像將水平梯度二值化影像及垂直梯度二值化影像合并成整合梯度二值化影像；(6)將鄰近的高值像素群聚成車牌候選區(qū)域然后將整合梯度二值化影像中鄰近的高值像素群聚成車牌候選區(qū)域；(7)以高值像素的分布情形來(lái)確定車牌候選區(qū)域是否為車牌區(qū)域最后將每個(gè)車牌候選區(qū)域依照其區(qū)域內(nèi)的高值像素的分布情形來(lái)確定是否為車牌區(qū)域，并產(chǎn)出確定后的車牌區(qū)域影像。
2.根據(jù)權(quán)利要求1所述的從車輛影像中擷取車牌區(qū)域的方法，其特征在于所述的步驟(1)中計(jì)算水平梯度的方式是將相鄰的像素的明暗度相減。
3.根據(jù)權(quán)利要求1所述的從車輛影像中擷取車牌區(qū)域的方法，其特征在于所述的步驟(1)中計(jì)算水平梯度的方式是將相鄰的像素的明暗度取對(duì)數(shù)后成為對(duì)數(shù)明暗度再相減。
4.根據(jù)權(quán)利要求1所述的從車輛影像中擷取車牌區(qū)域的方法，其特征在于所述的步驟(2)中計(jì)算水平梯度影像的所有可能的水平梯度值的出現(xiàn)次數(shù)以繪出水平梯度值的累積柱狀圖，累積柱狀圖的橫軸是所有水平梯度值由小到大依序排列，縱軸是對(duì)每一水平梯度值而言小于或等于該水平梯度值的累積出現(xiàn)次數(shù)，在最低水平梯度值與最高水平梯度值之間找一個(gè)水平梯度值，使得以最低水平梯度值的出現(xiàn)次數(shù)、小于或等于此水平梯度值的累積出現(xiàn)次數(shù)、小于或等于最大水平梯度值的累積出現(xiàn)次數(shù)三者所構(gòu)成的線性折線與水平梯度值累積柱狀圖的差距最小，即最逼近累積柱狀圖，將此水平梯度值定為水平梯度值的二值化臨界值并將大于臨界值的水平梯度值定為高值，小于或等于臨界值的水平梯度值定為低值。
5.按權(quán)利要求1所述的從車輛影像中擷取車牌區(qū)域的方法，其特征在于所述的步驟(3)中計(jì)算水平梯度的方式是將相鄰的像素的明暗度相減。
6.根據(jù)權(quán)利要求1所述的從車輛影像中擷取車牌區(qū)域的方法，其特征在于所述的步驟(3)中計(jì)算垂直梯度的方式是將相鄰像素的明暗度取對(duì)數(shù)后成為對(duì)數(shù)明暗度再相減。
7.根據(jù)權(quán)利要求1所述的從車輛影像中擷取車牌區(qū)域的方法，其特征在于所述的步驟(4)中計(jì)算垂直梯度影像的所有可能的垂直梯度值的出現(xiàn)次數(shù)以繪出垂直梯度值的累積柱狀圖，累積柱狀圖的橫軸是所有垂直梯度值由小到大依序排列，縱軸是對(duì)每一垂直梯度值而言小于或等于該垂直梯度值的累積出現(xiàn)次數(shù)，在最低垂直梯度值與最高垂直梯度值之間找一個(gè)垂直梯度值，使得以最低垂直梯度值的出現(xiàn)次數(shù)、小于或等于此垂直梯度值的累積出現(xiàn)次數(shù)、小于或等于最大垂直梯度值的累積出現(xiàn)次數(shù)三者所構(gòu)成的線性折線與垂直梯度值累積柱狀圖的差距最小，即最逼近累積柱狀圖，將此垂直梯度值定為垂直梯度值的二值化臨界值并將大于臨界值的垂直梯度值定為高值，小于或等于臨界值的垂直梯度值定為低值。
8.根據(jù)權(quán)利要求1所述的從車輛影像中擷取車牌區(qū)域的方法，其特征在于所述的步驟(5)中將水平梯度二值化影像及垂直梯度二值化影像做″OR″運(yùn)算，即水平梯度二值化影像與垂直梯度二值化影像中同一坐標(biāo)位置的兩個(gè)像素只要有一個(gè)是呈現(xiàn)高值，則整合梯度二值化影像中同一坐標(biāo)位置的像素也呈現(xiàn)高值；如果水平梯度二值化影像與垂直梯度二值化影像中同一坐標(biāo)位置的兩個(gè)像素都呈現(xiàn)低值，則整合梯度二值化影像中同一坐標(biāo)位置的像素也呈現(xiàn)低值。
9.根據(jù)權(quán)利要求1所述的從車輛影像中擷取車牌區(qū)域的方法，其特征在于所述的步驟(6)中整合梯度二值化影像中的高值像素間的距離，如果小于一個(gè)特定值，則將這些高值像素標(biāo)示相同的卷標(biāo)，再將相同卷標(biāo)的所有像素的所在區(qū)域定為車牌候選區(qū)域。
10.根據(jù)權(quán)利要求1所述的從車輛影像中擷取車牌區(qū)域的方法，其特征在于所述的步驟(7)中將每個(gè)車牌候選區(qū)域分別切成數(shù)個(gè)小區(qū)塊并計(jì)算所有小區(qū)塊所包含的高值像素的平均個(gè)數(shù)及標(biāo)準(zhǔn)差，車牌候選區(qū)域的區(qū)塊高值個(gè)數(shù)標(biāo)準(zhǔn)差太高的，被剔除而不認(rèn)定為車牌區(qū)域，并產(chǎn)出確定后的車牌區(qū)域影像。
11.一種從車輛影像中擷取車牌區(qū)域的方法，其特征在于，主要包含以下步驟(1)計(jì)算水平梯度計(jì)算車輛影像的水平梯度來(lái)產(chǎn)生水平梯度影像；(2)水平梯度二值化接著將水平梯度影像予以二值化成水平梯度二值化影像使得影像中每個(gè)像素的數(shù)值只為高值或低值；(3)將鄰近的高值像素群聚成車牌候選區(qū)域然后將水平梯度二值化影像中鄰近的高值像素群聚成車牌候選區(qū)域；(4)以高值像素的分布情形來(lái)確定車牌候選區(qū)域是否為車牌區(qū)域最后將每個(gè)車牌候選區(qū)域依照其區(qū)域內(nèi)的高值像素的分布情形來(lái)確定是否為車牌區(qū)域并產(chǎn)出確定后的車牌區(qū)域影像。
12.一種從車輛影像中擷取車牌區(qū)域的方法，其特征在于，主要包含以下步驟(1)計(jì)算垂直梯度計(jì)算車輛影像的垂直梯度來(lái)產(chǎn)生垂直梯度影像；(2)垂直梯度二值化接著將垂直梯度影像予以二值化成垂直梯度二值化影像使得影像中每個(gè)像素的數(shù)值只為高值或低值；(3)將鄰近的高值像素群聚成車牌候選區(qū)域然后將垂直梯度二值化影像中鄰近的高值像素群聚成車牌候選區(qū)域；(4)以高值像素的分布情形來(lái)確定車牌候選區(qū)域是否為車牌區(qū)域最后將每個(gè)車牌候選區(qū)域依照其區(qū)域內(nèi)的高值像素的分布情形來(lái)確定是否為車牌區(qū)域并產(chǎn)出確定后的車牌區(qū)域影像。
全文摘要
一種從車輛影像中擷取車牌區(qū)域的方法，主要包括計(jì)算車輛影像的水平梯度(Horizontal gradient)及垂直梯度(Vertical gradient)以產(chǎn)生水平梯度影像以及垂直梯度影像；將水平梯度影像以及垂直梯度影像予以二值化(Binarization)成水平梯度二值化影像及垂直梯度二值化影像使得影像中每個(gè)像素(Pixel)的數(shù)值只為高值(High value)或低值(Low value)；將水平梯度二值化影像及垂直梯度二值化影像合并成整合梯度二值化影像；將整合梯度二值化影像中鄰近的高值像素群聚成車牌候選區(qū)域(Candidate region)；將每個(gè)車牌候選區(qū)域依照其區(qū)域內(nèi)的高值像素的分布情形來(lái)確定是否為車牌區(qū)域并產(chǎn)出確定后的車牌區(qū)域影像等步驟。
文檔編號(hào)G06K9/34GK1581212SQ200410044488
公開日2005年2月16日 申請(qǐng)日期2004年5月14日 優(yōu)先權(quán)日2004年5月14日
發(fā)明者吳坤榮, 鄭伯順, 陳俊文 申請(qǐng)人:中華電信股份有限公司