CN106919902B - 一种基于cnn的车辆识别和轨迹追踪方法 - Google Patents

一种基于cnn的车辆识别和轨迹追踪方法 Download PDF

Info

Publication number
CN106919902B
CN106919902B CN201710043464.4A CN201710043464A CN106919902B CN 106919902 B CN106919902 B CN 106919902B CN 201710043464 A CN201710043464 A CN 201710043464A CN 106919902 B CN106919902 B CN 106919902B
Authority
CN
China
Prior art keywords
vehicle
target
lane
identification
cnn
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
CN201710043464.4A
Other languages
English (en)
Other versions
CN106919902A (zh
Inventor
赵胜
孙知信
赵学健
骆冰清
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.)
Nupt Institute Of Big Data Research At Yancheng
Original Assignee
Nupt Institute Of Big Data Research At Yancheng
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 Nupt Institute Of Big Data Research At Yancheng filed Critical Nupt Institute Of Big Data Research At Yancheng
Priority to CN201710043464.4A priority Critical patent/CN106919902B/zh
Publication of CN106919902A publication Critical patent/CN106919902A/zh
Application granted granted Critical
Publication of CN106919902B publication Critical patent/CN106919902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于CNN的车辆识别和轨迹追踪方法，首先是通过对视频帧进行轮廓识别，筛选出车辆候选目标区域，将这些候选区域输入到预先训练好的卷积神经网络中进行车辆和非车辆目标的分类识别，在获取车辆坐标后，绘制车辆的轨迹信息，并按车道提取车辆的轨迹信息。本发明克服了现有技术存在的缺陷，提高了车辆目标识别的准确性和实时性。

Description

一种基于CNN的车辆识别和轨迹追踪方法
技术领域
本发明属于食品监控技术领域，特别涉及了一种车辆识别和轨迹追踪方法。
背景技术
目前，目标检测是智能视频监控系统中的关键技术，同时也是目标识别、目标跟踪、目标分类等处理算法的基础。车辆目标识别的目的是尽可能地从视频监控中提取出车辆目标区域，并且完整地从视频中提取出来，并将检测的结果提交给后续的算法处理，包括车辆位置信息，车辆轨迹信息等，以此来判断车辆当前车辆的行驶状态。因此为了解决现有技术中的不足，需要一种从视频中快速定位车辆位置和提取车辆轨迹的方法。
2015年Seung-Hyun Lee等人在International Symposium on ConsumerElectronics(ISCE)上发表了一篇《An efficient selection of HOG feature for SVMclassification of vehicle》，通过减小HOG特征的维度来减少SVM的计算复杂度，然后将降低维度的HOG(方向梯度直方图)特征作为支持向量机(SVM)分类检测的输入，提高了车辆识别检测的速度。然而，HOG特征很难处理遮挡的问题，并且在实际的环境中HOG特征对噪点比较敏感。
2015年Sun Shujuan等人在Chinese Control and Decision Conference(2015CCDC)上发表了一篇《Real-time vehicle detection using Haar-SURF mixedfeatures and gentle AdaBoost classifier》论文，提出一种采用级联分类器和混合Haar-SURF特征的Gentle AdaBoost分类器来进行车辆的实时检测。该方法存在的问题是AdaBoost算法训练时间过长，目标识别的准确性依赖于弱分类器的选择。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于CNN的车辆识别和轨迹追踪方法，为了克服现有技术存在的问题，采用轮廓筛选机制的卷积神经网络来提高车辆目标识别的精度，同时也优化了实时视频识别中的实时性问题。
为了实现上述技术目的，本发明的技术方案为：
一种基于CNN的车辆识别和轨迹追踪方法，包括以下步骤：
(1)实时获取车辆的视频信息；
(2)采用轮廓筛选机制对获取的视频帧进行预处理，提取车辆目标的候选区域；
(3)将目标的候选区域输入卷积神经网络中，完成车辆目标和非车辆目标的识别；
(4)获取每帧视频中的车辆位置坐标，根据这些坐标绘制车辆的轨迹；对于不同车道内的车辆轨迹按照车道进行分类提取。
进一步地，步骤(2)的具体过程如下：
采用索贝尔算子对获取的视频帧进行边缘点的检测，通过计算视频帧中每个像素点横向和纵向的灰度值来计算像素点的梯度，若梯度大于预设的阈值，则认为该像素点是轮廓边缘点，将相邻的轮廓边缘点连接起来，获得车辆目标的外部轮廓，根据外部轮廓确定车辆目标的候选区域。
进一步地，步骤(3)的具体过程如下：
缩放候选区域图片的scale，得到图片金字塔，通过卷积层提取图片中的特征，得到feature map，接着通过池化层将feature map大小不一的候选区域转变为大小统一的数据，进一步稳定特征，然后通过全连接层将池化层输出的特征进行合并，使用softmax完成车辆目标的识别。
进一步地，softmax进行车辆目标识别时，通过构建代价函数对分类进行优化，所述代价函数：
Figure BDA0001213543910000031
上式中，pu为目标真实类别u的概率，
Figure BDA0001213543910000032
vi为bounding-box返回的坐标值，
Figure BDA0001213543910000033
表示bounding-box的回归补偿，x,y,w,h分别表示定位框的横坐标、纵坐标、宽度、高度，
Figure BDA0001213543910000034
求解代价函数L取最小值时的
Figure BDA0001213543910000035
用于补偿bounding-box返回的坐标值，使得返回的坐标值所表示的定位框能真实代表车辆区域。
进一步地，在步骤(4)中，对于不同车道内的车辆轨迹按照车道进行分类提取的过程：
(a)以图像的width方向为x轴、图像的height方向y轴，建立平面直角坐标系；
(b)在坐标系中定位车辆坐标，车道i的两条边线分别为y＝kix+ci和y＝ki+1x+ci+1，其中，ki、ki+1为车道i的两条边线的斜率，ci、ci+1为车道i的两条边线的截距，i＝1,2,…,I，I为总车道数；
设车道i内的车辆坐标为(a,b)，则(a,b)满足以下条件：
Figure BDA0001213543910000036
进一步地，为了避免车道i内不同车辆轨迹粘合，在车辆驶离的方向设置检测带y＝m，当车道i内某车辆坐标(a,b)满足以下条件时，说明已完成该车辆目标的轨迹跟踪，需要进行轨迹清除：
Figure BDA0001213543910000037
采用上述技术方案带来的有益效果：
(1)本发明通过对实时输入的视频帧进行轮廓识别，将筛选出车辆目标的候选区域输入到卷积神经网络中进行车辆目标的识别分类，提高了车辆目标识别的准确性和实时性；
(2)本发明对于多车道车辆按车道的不同来分别提取车辆的轨迹信息，可以有效地提高车辆的轨迹提取速度，同时也对车辆轨迹进行了有效的分类处理。
附图说明
图1是本发明的方法流程图；
图2是本发明中多车道轨迹分类示意图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
一种基于CNN的车辆识别和轨迹追踪方法，如图1所示，具体步骤如下。
步骤1：实时获取车辆的视频信息。
步骤2：采用轮廓筛选机制对获取的视频帧进行预处理，提取车辆目标的候选区域。
采用索贝尔算子对获取的视频帧进行边缘点的检测，通过计算视频帧中每个像素点横向和纵向的灰度值来计算像素点的梯度，若梯度大于预设的阈值，则认为该像素点是轮廓边缘点，将相邻的轮廓边缘点连接起来，获得车辆目标的外部轮廓，根据外部轮廓确定车辆目标的候选区域。
像素点的梯度计算公式：
G＝Gx+Gy
上式中，Gx，Gy分别代表横向和纵向边缘检测的图像灰度值，Gx＝[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]，Gy＝[f(x-1,y-1)+2f(x,y-1)+f(x-1,y-1)]-[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]，其中f(x,y)为(x,y)点的灰度值。
步骤3：将目标的候选区域输入卷积神经网络中，完成车辆目标和非车辆目标的识别。
卷积神经网络(Convolutional Neural Network,CNN)是人工神经网络中的一种，它由多层的神经网络构成，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。卷积神经网络的优点在于网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。因此，卷积神经网络在图像识别和目标分类上具有很好的表现。
卷积神经网络主要分为3层：卷积层，池化层和全连接层。卷积层为了从图像中通过卷积运算提取车辆的初步特征，池化层用来将提取出的特征进一步降维，逐步稳定前面提取出车辆目标的特征，全连接层是为了将池化层的特征进行合并并分类回归。
首先是获取图片的ROI区域，然后缩放图片的scale得到图片金字塔，提取图片中的特征得到feature map，然后通过pooling层将特征图大小不一的候选区域转变为大小统一的数据，进一步稳定特征并把该特征输入到全连接特征层，最后通过softmax来完成车辆的分类操作。
为了使得bounding-box更加准确地定位到车辆的位置，通过构建代价函数对分类进行优化，所述代价函数：
Figure BDA0001213543910000051
上式中，pu为目标真实类别u的概率，
Figure BDA0001213543910000052
vi为bounding-box返回的坐标值，
Figure BDA0001213543910000053
表示bounding-box的回归补偿，x,y,w,h分别表示定位框的横坐标、纵坐标、宽度、高度，
Figure BDA0001213543910000054
求解代价函数L取最小值时的
Figure BDA0001213543910000061
用于补偿bounding-box返回的坐标值，使得返回的坐标值所表示的定位框能真实代表车辆区域。
步骤4：获取每帧视频中的车辆位置坐标，根据这些坐标绘制车辆的轨迹；对于不同车道内的车辆轨迹按照车道进行分类提取。
为了实时绘制出车辆的轨迹信息，首先要定位图像帧中车辆目标的位置，然后将前n帧中车辆的坐标信息保存在一个数组链表中。第n帧中数组链表中包含了前n-1中车辆的坐标信息，在第n帧中绘制所有的坐标点来绘制出运动车辆所经过的轨迹。
车辆轨迹绘制过程：
1、当视频中检测到车辆后，将车辆的坐标保存在数组链表list。如图2所示，检测到3辆车，将车辆的的所有坐标信息存储在list中。图中(axy,bxy)表示车辆坐标，x表示车道号，y表示帧数；
2、在第n帧后，在第n帧中图像上绘制list中所有的坐标点的。即构成了不同车道内的车辆轨迹运动信息。
对于不同车道内的车辆轨迹按照车道进行分类提取：
1、以图像的width方向为x轴、图像的height方向y轴，建立平面直角坐标系，如图2所示；
2、在坐标系中定位车辆坐标，车道i的两条边线分别为y＝kix+ci和y＝ki+1x+ci+1，其中，ki、ki+1为车道i的两条边线的斜率，ci、ci+1为车道i的两条边线的截距，i＝1,2,…,I，I为总车道数；
设车道i内的车辆坐标为(a,b)，则(a,b)满足以下条件：
Figure BDA0001213543910000062
为了避免车道i内不同车辆轨迹粘合，在车辆驶离的方向设置检测带y＝m，当车道i内某车辆坐标(a,b)满足以下条件：
Figure BDA0001213543910000071
说明此时已经完成车辆目标的轨迹跟踪，通过对数组链表中车道i内该车辆的一系列离散点进行清除。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种基于CNN的车辆识别和轨迹追踪方法，其特征在于，包括以下步骤：
(1)实时获取车辆的视频信息；
(2)采用轮廓筛选机制对获取的视频帧进行预处理，提取车辆目标的候选区域；
(3)将目标的候选区域输入卷积神经网络中，完成车辆目标和非车辆目标的识别；
(4)获取每帧视频中的车辆位置坐标，根据这些坐标绘制车辆的轨迹；对于不同车道内的车辆轨迹按照车道进行分类提取；
对于不同车道内的车辆轨迹按照车道进行分类提取的过程：
(a)以图像的width方向为x轴、图像的height方向y轴，建立平面直角坐标系；
(b)在坐标系中定位车辆坐标，车道i的两条边线分别为y＝kix+ci和y＝ki+1x+ci+1，其中，ki、ki+1为车道i的两条边线的斜率，ci、ci+1为车道i的两条边线的截距，i＝1,2,…,I，I为总车道数；
设车道i内的车辆坐标为(a,b)，则(a,b)满足以下条件：
Figure FDA0002383566350000011
为了避免车道i内不同车辆轨迹粘合，在车辆驶离的方向设置检测带y＝m，当车道i内某车辆坐标(a,b)满足以下条件时，说明已完成该车辆目标的轨迹跟踪，需要进行轨迹清除：
Figure FDA0002383566350000012
2.根据权利要求1所述基于CNN的车辆识别和轨迹追踪方法，其特征在于，步骤(2)的具体过程如下：
采用索贝尔算子对获取的视频帧进行边缘点的检测，通过计算视频帧中每个像素点横向和纵向的灰度值来计算像素点的梯度，若梯度大于预设的阈值，则认为该像素点是轮廓边缘点，将相邻的轮廓边缘点连接起来，获得车辆目标的外部轮廓，根据外部轮廓确定车辆目标的候选区域。
3.根据权利要求1所述基于CNN的车辆识别和轨迹追踪方法，其特征在于，步骤(3)的具体过程如下：
缩放候选区域图片的scale，得到图片金字塔，通过卷积层提取图片中的特征，得到feature map，接着通过池化层将feature map大小不一的候选区域转变为大小统一的数据，进一步稳定特征，然后通过全连接层将池化层输出的特征进行合并，使用softmax完成车辆目标的识别。
4.根据权利要求3所述基于CNN的车辆识别和轨迹追踪方法，其特征在于：softmax进行车辆目标识别时，通过构建代价函数对分类进行优化，所述代价函数：
Figure FDA0002383566350000021
上式中，pu为目标真实类别u的概率，
Figure FDA0002383566350000022
vi为bounding-box返回的坐标值，
Figure FDA0002383566350000023
表示bounding-box的回归补偿，x,y,w,h分别表示定位框的横坐标、纵坐标、宽度、高度，
Figure FDA0002383566350000024
求解代价函数L取最小值时的
Figure FDA0002383566350000025
Figure FDA0002383566350000026
用于补偿bounding-box返回的坐标值，使得返回的坐标值所表示的定位框能真实代表车辆区域。
CN201710043464.4A 2017-01-19 2017-01-19 一种基于cnn的车辆识别和轨迹追踪方法 Active CN106919902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710043464.4A CN106919902B (zh) 2017-01-19 2017-01-19 一种基于cnn的车辆识别和轨迹追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710043464.4A CN106919902B (zh) 2017-01-19 2017-01-19 一种基于cnn的车辆识别和轨迹追踪方法

Publications (2)

Publication Number Publication Date
CN106919902A CN106919902A (zh) 2017-07-04
CN106919902B true CN106919902B (zh) 2021-01-01

Family

ID=59454455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710043464.4A Active CN106919902B (zh) 2017-01-19 2017-01-19 一种基于cnn的车辆识别和轨迹追踪方法

Country Status (1)

Country Link
CN (1) CN106919902B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766821B (zh) * 2017-10-23 2020-08-04 江苏鸿信系统集成有限公司 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统
CN107886055A (zh) * 2017-10-27 2018-04-06 中国科学院声学研究所 一种用于车辆运动方向判定的逆行检测方法
CN108198232B (zh) * 2017-12-14 2021-04-16 浙江大华技术股份有限公司 一种轨迹框绘制的方法及设备
CN109376572B (zh) * 2018-08-09 2022-05-03 同济大学 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法
CN109739234B (zh) * 2019-01-02 2022-05-17 中电海康集团有限公司 一种基于gps轨迹数据的车辆实时图像追踪方法
CN109766841B (zh) * 2019-01-10 2022-03-29 深圳大学 车辆检测方法、装置及计算机可读存储介质
CN109961061A (zh) * 2019-04-15 2019-07-02 艾物智联(北京)科技有限公司 一种边缘计算视频数据结构化方法及系统
CN112911203B (zh) * 2019-11-19 2022-04-26 杭州海康威视数字技术股份有限公司 获取目标轨迹的摄像机
CN116930956B (zh) * 2023-09-19 2023-11-17 南京隼眼电子科技有限公司 基于目标尺寸的目标轨迹拼接方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184271A (zh) * 2015-09-18 2015-12-23 苏州派瑞雷尔智能科技有限公司 一种基于深度学习的车辆自动检测方法
CN106127802A (zh) * 2016-06-16 2016-11-16 南京邮电大学盐城大数据研究院有限公司 一种运动目标轨迹追踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2535613B (en) * 2014-12-19 2019-01-02 Apical Ltd Sensor noise profile

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184271A (zh) * 2015-09-18 2015-12-23 苏州派瑞雷尔智能科技有限公司 一种基于深度学习的车辆自动检测方法
CN106127802A (zh) * 2016-06-16 2016-11-16 南京邮电大学盐城大数据研究院有限公司 一种运动目标轨迹追踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"一种改进的Sobel算子边缘检测及细化算法";沈德海，等;《渤海大学学报( 自然科学版)》;20140930;参见第2节 *
"基于深度学习的图像目标定位识别研究";程欣;《万方数据知识服务平台》;20161102;第3.2.2、4.4节 *

Also Published As

Publication number Publication date
CN106919902A (zh) 2017-07-04

Similar Documents

Publication Publication Date Title
CN106919902B (zh) 一种基于cnn的车辆识别和轨迹追踪方法
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
CN107563372B (zh) 一种基于深度学习ssd框架的车牌定位方法
CN106960195B (zh) 一种基于深度学习的人群计数方法及装置
CN102542289B (zh) 一种基于多高斯计数模型的人流量统计方法
Zhou et al. Robust vehicle detection in aerial images using bag-of-words and orientation aware scanning
CN108171112A (zh) 基于卷积神经网络的车辆识别与跟踪方法
CN111079674B (zh) 一种基于全局和局部信息融合的目标检测方法
CN108830196A (zh) 基于特征金字塔网络的行人检测方法
CN111680655A (zh) 一种面向无人机航拍影像的视频目标检测方法
CN107491720A (zh) 一种基于改进型卷积神经网络的车型识别方法
Shi et al. Detection of flying birds in airport monitoring based on improved YOLOv5
Liu et al. Multi-type road marking recognition using adaboost detection and extreme learning machine classification
CN111209808A (zh) 一种基于分层处理的无人机图像语义分割识别方法
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
CN110837769B (zh) 一种图像处理与深度学习的嵌入式远红外行人检测方法
Gabb et al. High-performance on-road vehicle detection in monocular images
CN113128476A (zh) 一种基于计算机视觉目标检测的低功耗实时头盔检测方法
CN116189019A (zh) 一种基于改进孪生神经网络的无人机跟踪地面目标方法
CN112347967B (zh) 一种复杂场景下融合运动信息的行人检测方法
CN112053385B (zh) 基于深度强化学习的遥感视频遮挡目标跟踪方法
Fan et al. Covered vehicle detection in autonomous driving based on faster rcnn
CN117636268A (zh) 一种面向冰雪环境的无人机航拍自然驾驶数据集构建方法
Zhang et al. A front vehicle detection algorithm for intelligent vehicle based on improved gabor filter and SVM
CN111597939A (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170704

Assignee: Jiangsu Yanan Information Technology Co.,Ltd.

Assignor: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG

Contract record no.: X2023980049133

Denomination of invention: A CNN based vehicle recognition and trajectory tracking method

Granted publication date: 20210101

License type: Common License

Record date: 20231203

Application publication date: 20170704

Assignee: Yancheng Nongfu Technology Co.,Ltd.

Assignor: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG

Contract record no.: X2023980049126

Denomination of invention: A CNN based vehicle recognition and trajectory tracking method

Granted publication date: 20210101

License type: Common License

Record date: 20231203

Application publication date: 20170704

Assignee: Yanmi Technology (Yancheng) Co.,Ltd.

Assignor: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG

Contract record no.: X2023980049119

Denomination of invention: A CNN based vehicle recognition and trajectory tracking method

Granted publication date: 20210101

License type: Common License

Record date: 20231203