CN110807790A - 一种视频目标轨迹跟踪内容的图像数据抽取压缩方法 - Google Patents
一种视频目标轨迹跟踪内容的图像数据抽取压缩方法 Download PDFInfo
- Publication number
- CN110807790A CN110807790A CN201911055903.9A CN201911055903A CN110807790A CN 110807790 A CN110807790 A CN 110807790A CN 201911055903 A CN201911055903 A CN 201911055903A CN 110807790 A CN110807790 A CN 110807790A
- Authority
- CN
- China
- Prior art keywords
- target
- frame image
- current frame
- soldier
- similarity
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/70—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by syntax aspects related to video coding, e.g. related to compression standards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频目标轨迹跟踪内容的图像数据抽取压缩方法，涉及图像、视频处理技术领域。包括以下步骤：初始化计数器并将目标轨迹的首帧图像的信息赋值给参考标兵；依次获取目标轨迹的下一帧图像；若计数器的计数小于给定目标个数，符合宽松相似度阈值条件情况下计数器累进并输出当前帧图像；若计数器的计数大于等于给定目标个数，对相似度阈值条件、时间间隔阈值条件进行约束，符合约束后的相似度阈值条件或时间间隔阈值条件的情况下，计数器累进并输出当前帧图像，更新参考标兵。本发明基于时间、位置、相似度变化多维信息的结合对图像数据进行了有效的抽取压缩。
Description
技术领域
本发明涉及图像、视频处理技术领域，尤其涉及一种视频目标轨迹跟踪内容的图像数据抽取压缩方法。
背景技术
在视频跟踪分析领域，为了减少海量视频数据信息带来的不便，对视频进行感兴趣的目标进行目标检测，然后对检测到的目标进行有效的跟踪匹配，最后，把轨迹匹配完的数据进行梳理保存，按照数据的时间，把目标的位置、尺寸、目标内容信息保存到数据库以便后期的查询。
目标轨迹跟踪匹配结果中，正常一条匹配完成的目标轨迹中还是有很多帧的目标图像数据，最终导致数据量还是很大，也不利于后续的数据查询、统计分析。通过分析对比发现，视频中的目标(车辆、行人等)很多场景下特征变化幅度不是很明显，存在很大的信息冗余，如何对轨迹连接的图像结果数据进行科学、合理压缩抽取然后转到存储，是目前亟待解决的难题之一。
发明内容
本发明的目的在于提供一种视频目标轨迹跟踪内容的图像数据抽取压缩方法，基于时间、位置、相似度变化多维信息的结合对图像数据进行了有效的抽取压缩。
为实现上述目的，本发明提供如下技术方案：
一种视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，包括以下步骤：
S1，初始化计数器并将目标轨迹的首帧图像的信息赋值给参考标兵；
S2，依次获取目标轨迹的下一帧图像；
S3，若计数器的计数小于给定目标个数，直接计算当前帧图像与参考标兵的目标特征相似度，在目标特征相似度符合宽松相似度阈值条件情况下计数器累进并输出当前帧图像，更新参考标兵；
S4，若计数器的计数大于等于给定目标个数，根据当前帧图像与参考标兵中目标的位置距离关系或尺寸变化对相似度阈值条件、时间间隔阈值条件进行约束，并将当前帧图像与参考标兵的目标特征相似度、时间间隔分别与约束后的相似度阈值条件、时间间隔阈值条件进行比较，满足任一条件的情况下，计数器累进并输出当前帧图像，更新参考标兵。
进一步的，所述首帧图像的信息包括时间信息、位置信息和内容信息。
进一步的，所述S3的具体内容如下：
若计数器的计数小于给定目标个数，计算当前帧图像与参考标兵的目标特征相似度，与给定的宽松相似度阈值进行比较，若目标特征相似度小于宽松相似度阈值，则输出当前帧图像，计数器累进并将当前帧图像的信息更新到参考标兵，返回S2；否则直接返回S2。
进一步的，所述宽松相似度阈值为给定相似度阈值乘以一系数得到，所述系数小于1。
进一步的，所述S4中，根据当前帧图像与参考标兵中目标的位置距离关系对相似度阈值条件、时间间隔阈值条件进行约束的方法如下：
计算当前帧图像与参考标兵中目标的位置距离，
其中，dist为当前帧图像与参考标兵中目标的位置距离；(xhist，yhist)为参考标兵中目标的中心点位置；(xnew,ynew)为当前帧图像中目标的中心点位置；
若位置距离dist小于参考标兵中目标宽度的规定比例，则认为目标是相对静止状态，增大时间间隔阈值，减小相似度阈值。
进一步的，所述规定比例为0.5倍。
进一步的，所述S4中，根据当前帧图像与参考标兵中目标的尺寸变化对相似度阈值条件、时间间隔阈值条件进行约束的方法如下：
计算当前帧图像与参考标兵中目标的宽度比值，与给定区间进行比较，若宽度比值在所述给定区间内，则认为目标的尺寸是稳定的，增大时间间隔阈值，减小相似度阈值。
进一步的，所述S2中还包括根据当前帧图像的尺寸对相似度阈值条件进行约束，若当前帧图像的宽度小于给定的宽度阈值，则减小相似度阈值。
与现有技术相比，本发明的有益效果是：本发明提出了一种基于时间、空间、图像特征空间多维特征结合，对视频轨迹分析过程中遇到大量数据如何进行有效保存的方法，在目标检测静止、特征变化不明显的时候进行有效的特征约束，减少冗余目标数据的保存，充分考虑的保存数据的有效性，取得很好的数据压缩效果。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供一种视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，包括以下步骤：
S1，初始化计数器并将目标轨迹的首帧图像的信息赋值给参考标兵；
具体的，对于目标轨迹的首帧图像，初始化计数器SaveFrameCount为1，检测目标Detection的输出状态StoreFlag为True，表述有效的存储帧。把当前首帧图像的时间信息、位置信息、内容信息赋值给参考标兵，结束。
S2，依次获取目标轨迹的下一帧图像；值得一提的是，在另一实施例中，S2中还包括根据当前帧图像的尺寸对相似度阈值条件进行约束。
判断输入的当前帧图像的宽度小于给定的宽度阈值WidthThresh，优选的，WidthThresh＝40像素，则给定的相似度阈值乘以一个小于1的比例系数SimiRatio以减小相似度阈值，优选的，SimiThresh＝0.85，SimiRatio＝0.8，以便减少轨迹跟踪数据的存储量。
S3，若计数器SaveFrameCount的计数小于给定的需要宽松条件下输出的目标个数NormalSaveNum，直接计算当前帧图像与参考标兵的目标特征相似度，其中，记两个N维的图像目标特征X，Y描述分别为：X(x1,x2,...,xN)，Y(y1,y2,...,yN)，对应的X，Y之间的目标特征相似度计算公式为：
按照计算公式，得到当前帧图像与参考标兵的目标特征相似度；所述目标个数NormalSaveNum＝3。在目标特征相似度符合宽松相似度阈值条件情况下计数器累进并输出当前帧图像，更新参考标兵；
具体的，所述S3的具体内容如下：
若计数器SaveFrameCount的计数小于给定目标个数3时，采用图像的颜色直方图或深度卷积神经网络分别提取当前帧图像与参考标兵的目标特征，并计算两者的目标特征相似度。将求得的目标特征相似度与给定的宽松相似度阈值进行比较，若目标特征相似度小于宽松相似度阈值SimiThresh*SimiRatio，其中，SimiThresh为给定相似度阈值，优选SimiThresh＝0.85，SimiRatio为系数，小于1，优选SimiRatio。则当前Detection的StoreFlag为True，输出当前帧图像，计数器累进1并将当前帧图像的信息更新到参考标兵，返回S2获取目标轨迹的下一帧图像；否则直接返回S2获取目标轨迹的下一帧图像。
在计数器SaveFrameCount的计数小于该宽松条件下输出的目标个数NormalSaveNum时，相应设定了宽松相似度阈值条件，对相对较短的目标轨迹具有更好的适配性。
S4，若计数器的计数SaveFrameCount大于等于给定目标个数3时，根据当前帧图像与参考标兵中目标的位置距离关系或尺寸变化对相似度阈值条件、时间间隔阈值条件进行约束，并将当前帧图像与参考标兵的目标特征相似度、时间间隔分别与约束后的相似度阈值条件、时间间隔阈值条件进行比较，满足任一条件的情况下，计数器累进并输出当前帧图像，更新参考标兵。
首先，根据当前帧图像与参考标兵中目标的位置距离关系对相似度阈值条件、时间间隔阈值条件进行约束的方法如下：
计算当前帧图像与参考标兵中目标的位置距离dist，
其中，dist为当前帧图像与参考标兵中目标的位置距离；(xhist，yhist)为参考标兵中目标的中心点位置；(xnew,ynew)为当前帧图像中目标的中心点位置；
若位置距离dist小于参考标兵中目标宽度的规定比例，优选0.5倍，则认为目标是相对静止状态，需要对数据保存的时间间隔阈值SaveTimeThresh乘以一个大于1的比例系数TimeRatio来增大所述时间间隔阈值，对应的最终保存的时间间隔阈值为SaveTimeThresh*TimeRatio，优选的，SaveTimeThresh＝150帧，TimeRatio＝1.2。同时需要降低相似度阈值变化系数SimiRatio，来减小相似度阈值，以便减少轨迹跟踪数据的存储量。否则TimeRatio＝1，不做时间间隔阈值SaveTimeThresh的调整；SimiRatio＝1，不做相似度阈值SimiThresh的调整。
其次，根据当前帧图像与参考标兵中目标的尺寸变化对相似度阈值条件、时间间隔阈值条件进行约束的方法如下：
计算当前帧图像与参考标兵中目标的宽度比值，记标兵的宽度信息Widthhist，记当前Detection的宽度信息Widthnew；如果Widthhist与Widthnew的比值与给定区间[1/SizeThresh,SizeThresh]进行比较，优选SizeThresh＝1.5，若Widthhist与Widthnew的比值在所述给定区间[1/SizeThresh,SizeThresh]内，则认为目标的尺寸是稳定的，需要对数据保存的时间间隔阈值SaveTimeThresh乘以一个大于1的比例系数TimeRatio来增大所述时间间隔阈值，对应的最终保存的时间间隔阈值为SaveTimeThresh*TimeRatio，优选的，SaveTimeThresh＝150帧，TimeRatio＝1.2。同时需要降低相似度阈值变化系数SimiRatio，来减小相似度阈值，以便减少轨迹跟踪数据的存储量。否则TimeRatio＝1，不做时间间隔阈值SaveTimeThresh的调整；SimiRatio＝1，不做相似度阈值SimiThresh的调整。
最后，根据当前帧图像与参考标兵的时间信息计算两者之间的时间间隔，如果时间间隔大于我们给定的时间阈值SaveTimeThresh*TimeRatio；或者计算当前帧图像与参考标兵的目标特征相似度，如果值小于SimiThresh*SimiRatio。以上两个条件满足任意一个，那么都对应着当前帧图像检测目标Detection的输出状态StoreFlag为True，输出当前帧图像，对应计数器SaveFrameCount累进1；当前帧图像的时间信息、位置信息、内容信息更新到参考标兵，返回S2。
最终，将输出的多帧图像按顺序重新组合成新的轨迹，在保存数据有效性的前提下起到图像数据抽取压缩的目的。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (8)
1.一种视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，包括以下步骤：
S1，初始化计数器并将目标轨迹的首帧图像的信息赋值给参考标兵；
S2，依次获取目标轨迹的下一帧图像；
S3，若计数器的计数小于给定目标个数，直接计算当前帧图像与参考标兵的目标特征相似度，在目标特征相似度符合宽松相似度阈值条件情况下计数器累进并输出当前帧图像，更新参考标兵；
S4，若计数器的计数大于等于给定目标个数，根据当前帧图像与参考标兵中目标的位置距离关系或尺寸变化对相似度阈值条件、时间间隔阈值条件进行约束，并将当前帧图像与参考标兵的目标特征相似度、时间间隔分别与约束后的相似度阈值条件、时间间隔阈值条件进行比较，满足任一条件的情况下，计数器累进并输出当前帧图像，更新参考标兵。
2.根据权利要求1所述的视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，所述首帧图像的信息包括时间信息、位置信息和内容信息。
3.根据权利要求1所述的视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，所述S3的具体内容如下：
若计数器的计数小于给定目标个数，计算当前帧图像与参考标兵的目标特征相似度，与给定的宽松相似度阈值进行比较，若目标特征相似度小于宽松相似度阈值，则输出当前帧图像，计数器累进并将当前帧图像的信息更新到参考标兵，返回S2；否则直接返回S2。
4.根据权利要求3所述的视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，所述宽松相似度阈值为给定相似度阈值乘以一系数得到，所述系数小于1。
5.根据权利要求1所述的视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，所述S4中，根据当前帧图像与参考标兵中目标的位置距离关系对相似度阈值条件、时间间隔阈值条件进行约束的方法如下：
计算当前帧图像与参考标兵中目标的位置距离，
其中，dist为当前帧图像与参考标兵中目标的位置距离；(xhist，yhist)为参考标兵中目标的中心点位置；(xnew,ynew)为当前帧图像中目标的中心点位置；
若位置距离dist小于参考标兵中目标宽度的规定比例，则认为目标是相对静止状态，增大时间间隔阈值，减小相似度阈值。
6.根据权利要求5所述的视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，所述规定比例为0.5倍。
7.根据权利要求1所述的视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，所述S4中，根据当前帧图像与参考标兵中目标的尺寸变化对相似度阈值条件、时间间隔阈值条件进行约束的方法如下：
计算当前帧图像与参考标兵中目标的宽度比值，与给定区间进行比较，若宽度比值在所述给定区间内，则认为目标的尺寸是稳定的，增大时间间隔阈值，减小相似度阈值。
8.根据权利要求1所述的视频目标轨迹跟踪内容的图像数据抽取压缩方法，其特征在于，所述S2中还包括根据当前帧图像的尺寸对相似度阈值条件进行约束，若当前帧图像的宽度小于给定的宽度阈值，则减小相似度阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911055903.9A CN110807790B (zh) | 2019-10-31 | 2019-10-31 | 一种视频目标轨迹跟踪内容的图像数据抽取压缩方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911055903.9A CN110807790B (zh) | 2019-10-31 | 2019-10-31 | 一种视频目标轨迹跟踪内容的图像数据抽取压缩方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110807790A true CN110807790A (zh) | 2020-02-18 |
| CN110807790B CN110807790B (zh) | 2022-06-03 |
Family
ID=69489896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911055903.9A Active CN110807790B (zh) | 2019-10-31 | 2019-10-31 | 一种视频目标轨迹跟踪内容的图像数据抽取压缩方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807790B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408973A (zh) * | 2020-03-17 | 2021-09-17 | 北京京东振世信息技术有限公司 | 生成轨迹数据的方法和装置 |
| CN114422807A (zh) * | 2022-03-28 | 2022-04-29 | 麒麟软件有限公司 | 一种基于Spice协议的传输优化方法 |
| CN115935000A (zh) * | 2023-02-24 | 2023-04-07 | 广东瑞恩科技有限公司 | 一种物联网数据智能存储方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090073027A1 (en) * | 2007-05-14 | 2009-03-19 | Raytheon Company | Methods and apparatus for selecting a target from radar tracking data |
| CN101416524A (zh) * | 2006-04-07 | 2009-04-22 | 微软公司 | 运动估计搜索范围和扩展的运动矢量范围的动态选择 |
| CN105761277A (zh) * | 2016-02-01 | 2016-07-13 | 西安理工大学 | 一种基于光流的运动目标跟踪方法 |
| CN105760876A (zh) * | 2016-03-18 | 2016-07-13 | 中山大学 | 一种基于散热器栅格背景消融的车标定位方法 |
| CN107016687A (zh) * | 2017-03-25 | 2017-08-04 | 平顶山学院 | 视频运动目标检测和跟踪的混合算法 |
| CN107222660A (zh) * | 2017-05-12 | 2017-09-29 | 河南工业大学 | 一种分布式网络视觉监控系统 |
| US20180376139A1 (en) * | 2017-06-22 | 2018-12-27 | International Business Machines Corporation | Multiple image storage compression tree |
| CN109242886A (zh) * | 2018-09-06 | 2019-01-18 | 中国人民解放军63921部队 | 一种空间集群目标运动轨迹建模与预报方法 |
-
2019
- 2019-10-31 CN CN201911055903.9A patent/CN110807790B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101416524A (zh) * | 2006-04-07 | 2009-04-22 | 微软公司 | 运动估计搜索范围和扩展的运动矢量范围的动态选择 |
| US20090073027A1 (en) * | 2007-05-14 | 2009-03-19 | Raytheon Company | Methods and apparatus for selecting a target from radar tracking data |
| CN105761277A (zh) * | 2016-02-01 | 2016-07-13 | 西安理工大学 | 一种基于光流的运动目标跟踪方法 |
| CN105760876A (zh) * | 2016-03-18 | 2016-07-13 | 中山大学 | 一种基于散热器栅格背景消融的车标定位方法 |
| CN107016687A (zh) * | 2017-03-25 | 2017-08-04 | 平顶山学院 | 视频运动目标检测和跟踪的混合算法 |
| CN107222660A (zh) * | 2017-05-12 | 2017-09-29 | 河南工业大学 | 一种分布式网络视觉监控系统 |
| US20180376139A1 (en) * | 2017-06-22 | 2018-12-27 | International Business Machines Corporation | Multiple image storage compression tree |
| CN109242886A (zh) * | 2018-09-06 | 2019-01-18 | 中国人民解放军63921部队 | 一种空间集群目标运动轨迹建模与预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| THOMAS E. FORTMANN等: "Detection thresholds for multi-target tracking in clutter", 《1981 20TH IEEE CONFERENCE ON DECISION AND CONTROL INCLUDING THE SYMPOSIUM ON ADAPTIVE PROCESSES》 * |
| 李国友 等: "结合目标估计的自适应压缩跟踪", 《小型微型计算机系统》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408973A (zh) * | 2020-03-17 | 2021-09-17 | 北京京东振世信息技术有限公司 | 生成轨迹数据的方法和装置 |
| CN114422807A (zh) * | 2022-03-28 | 2022-04-29 | 麒麟软件有限公司 | 一种基于Spice协议的传输优化方法 |
| CN115935000A (zh) * | 2023-02-24 | 2023-04-07 | 广东瑞恩科技有限公司 | 一种物联网数据智能存储方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110807790B (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109151501B (zh) | 一种视频关键帧提取方法、装置、终端设备及存储介质 | |
| CN110807790B (zh) | 一种视频目标轨迹跟踪内容的图像数据抽取压缩方法 | |
| CN111460961B (zh) | 一种基于cdvs的相似图聚类的静态视频摘要方法 | |
| CN110717411A (zh) | 一种基于深层特征融合的行人重识别方法 | |
| CN103390040A (zh) | 一种视频拷贝检测方法 | |
| CN1909677B (zh) | 图像表示和分析方法 | |
| EP2126789A1 (en) | Improved image identification | |
| CN111797707B (zh) | 一种基于聚类的镜头关键帧提取方法 | |
| CN110688524A (zh) | 视频检索方法、装置、电子设备及存储介质 | |
| CN110175591B (zh) | 一种获取视频相似度的方法及系统 | |
| CN101398854A (zh) | 一种视频片段检索方法和系统 | |
| CN105512175A (zh) | 一种基于颜色特征和纹理特征的快速图像检索方法 | |
| CN110427517A (zh) | 一种基于场景词典树的图搜视频方法，装置及计算机可读存储介质 | |
| Su et al. | Robust video fingerprinting based on visual attention regions | |
| CN111160107B (zh) | 一种基于特征匹配的动态区域检测方法 | |
| CN110769259A (zh) | 一种视频目标跟踪轨迹内容的图像数据压缩方法 | |
| CN112926552A (zh) | 基于深度神经网络的遥感影像车辆目标识别模型及方法 | |
| CN112561976A (zh) | 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备 | |
| CN114187463A (zh) | 电子档案生成方法、装置、终端设备及存储介质 | |
| CN110188625B (zh) | 一种基于多特征融合的视频精细结构化方法 | |
| CN101710340B (zh) | 一种相似图像检索方法 | |
| CN111738042A (zh) | 识别方法、设备及存储介质 | |
| CN108694411B (zh) | 一种识别相似图像的方法 | |
| CN113918510A (zh) | 图片归档方法、装置、终端设备及计算机可读存储介质 | |
| Zong et al. | Key frame extraction based on dynamic color histogram and fast wavelet histogram |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221205 Address after: 310000 Room 401, building 2, No.16, Zhuantang science and technology economic block, Xihu District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou yunqi smart Vision Technology Co.,Ltd. Address before: 310000 room 279, building 6, No. 16, Zhuantang science and technology economic block, Zhuantang street, Xihu District, Hangzhou City, Zhejiang Province Patentee before: Smart vision (Hangzhou) Technology Development Co.,Ltd. |
|
| TR01 | Transfer of patent right |