CN112989886A - 一种实时车辆压线提前预警的方法 - Google Patents

一种实时车辆压线提前预警的方法 Download PDF

Info

Publication number
CN112989886A
CN112989886A CN201911296012.2A CN201911296012A CN112989886A CN 112989886 A CN112989886 A CN 112989886A CN 201911296012 A CN201911296012 A CN 201911296012A CN 112989886 A CN112989886 A CN 112989886A
Authority
CN
China
Prior art keywords
lane line
lane
early warning
real
line
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.)
Withdrawn
Application number
CN201911296012.2A
Other languages
English (en)
Inventor
万琴
朱晓林
陈国泉
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.)
Hunan Institute of Engineering
Original Assignee
Hunan Institute of Engineering
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 Hunan Institute of Engineering filed Critical Hunan Institute of Engineering
Priority to CN201911296012.2A priority Critical patent/CN112989886A/zh
Publication of CN112989886A publication Critical patent/CN112989886A/zh
Withdrawn legal-status Critical Current

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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种实时车辆压线提前预警的方法，首先对车道线视频序列进行图像预处理，为提高算法的实时性，进行ROI区域提取，采用改进灰度化对黄色区域和白色区域进行重点突出；为了提高算法的鲁棒性，在车道线预处理后进行图像增强，获得更强的车道线特征，采用改进Gabor滤波器用于过滤非车道标记，消除大量的噪声，增强车道边缘特征并抑制背景区域，Sobel边缘检测更好的提取车道线的边缘信息；为了提高算法的检测精度，使用多约束条件下的霍夫变换，基于几何角度约束和消失点估计约束，获得准确的车道线位置；最后计算车道线在左右两边的误差，同预先设定的安全距离误差进行比较，进行压线判断并提前预警。本发明算法提高了车道线检测精度及实时处理速度，可应用于实时车道线检测以及车道线压线提前预警系统。

Description

一种实时车辆压线提前预警的方法
技术领域
本发明属于智能交通信息技术领域，具体涉及一种实时车辆压线提前预警的方法。
背景技术
随着人口的增长和汽车车辆数量的迅速增加，导致我国城市交通面临着诸多问题，例如汽车违章压线造成的交通事故和汽车驾驶人员疲劳驾驶以及酒驾时，在汽车压线行驶没有及时提醒，这成为交通安全管理部门的一个严重问题。车道线智能检测以及压线提前预警是高级汽车辅助驾驶系统中的关键基础技术，通过分析车辆道路环境信息，为驾驶员提供警示或提醒，因此车道线识别成为安全驾驶中需要解决的关键问题。
传统单一的霍夫(Hough)变换在车道线检测实时性和检测精度方面很难达到平衡，采用单一Hough变换，通过估计车道标记位置，同时利用已知的方法变换坐标来表示车道线方向，最后通过拟合抛物线来检测车道线，虽然在正确率上得到保证，但是该算法实时性不够。又或者提出一个实时的车道线检测算法，采用单一Hough变换，同时估计中间车道、突出车道线的边缘、检测车道线标记特征，处理速度上每帧图像处理时间小于1s，但是车道线检测识别正确率远远不够满足实际场景的要求。实时车道线检测以及车道线压线提前预警成为智能交通系统中不可或缺的一部分，通过进行实时高效的压线提前预警可以提醒驾驶员行车规范和减少交通事故，同时进一步地减少交通安全管理部分的工作压力，提高工作效率。
发明内容
有鉴于此，本发明的目的在于避免现有技术中的不足而提供一种实时车辆压线提前预警的方法，其提高了车道线检测精度及实时处理速度，可应用于实时车道线检测以及车道线压线提前预警系统。
本发明的目的通过以下技术方案实现：提供一种实时车辆压线提前预警的方法，所述算法包括以下步骤：
S1、对车载行车记录仪的视频序列进行图像预处理；
S2、在车道线图像预处理后进行图像增强，获得更强的车道线特征；
S3、使用多约束条件下的霍夫变换，基于几何角度约束和消失点估计约束，实现车道线实时检测；
S4、计算车道线在左右两边的误差，同预先设定的安全距离误差比较，进行压线判断并提前预警。
作为进一步的改进，所述步骤S1中图像预处理包括提取感兴趣(Region ofInterest，ROI)区域和改进灰度化处理。其中提取ROI区域，将道路图像划分为两部分，无关信息区域部分和感兴趣部分，并在车辆行驶的正前方视角内提取ROI区域；改进的灰度化方法，让车道线标志二值化的特征更加突出。
作为进一步的改进，所述步骤改进的灰度化为：
Gray＝α*R+β*G (1)
式中，α表示R颜色通道权重系数、β表示G颜色通道权重系数，Gray表示灰度化后结果，其中α+β＝1。通过实验仿真取α＝0.625，β＝0.375。
作为进一步的改进，所述步骤S2中图像增强包括改进Gabor滤波和Sobel算子边缘检测。其中使用改进Gabor滤波在左侧车道上进行45°采样，在右侧车道上进行135°采样；Sobel算子边缘检测，利用45°方向的和135°方向的Sobel算子能够更好检测出车道线在斜向的边缘特征。
作为进一步的改进，所述步骤改进Gabor滤波为：
Figure BDA0002320556820000021
式中：x0＝x cosθ+y sinθ，y0＝-x sinθ+y sinθ，其中的x，y是空间域中的像素位置，ω0是滤波器的中心频率，θ是Gabor小波的方向，σ是高斯函数沿两个轴的标准偏差，ω0和θ分别确定Gabor滤波器的频率范围和方向，他们之间的关系确定为
Figure BDA0002320556820000031
其中Wt是小波时域窗口，当确定参数σ时，其宽度与频域的中心频率成反比。
作为进一步的改进，所述步骤Sobel算子边缘检测为：
Figure BDA0002320556820000032
式中，G45°和G135°分别表示45°方向的和135°方向的车道线边缘检测，Image(i,j)表示输入的待检测的车道线图像。
作为进一步的改进，所述步骤S3中车道线实时检测采用多约束条件下的霍夫变换，包括基于几何角度约束和消失点估计约束。其中基于几何角度约束通过预先设定角度阈值，筛选除车道线以外的干扰直线；基于消失点估计约束找到平行于车道的线段的消失点，消除非车道线标记。
作为进一步的改进，所述步骤S4中压线提前预警具体表现为依据计算车道线在左右两边的误差，同预先设定的安全距离误差进行比较。
针对上述研究中传统单一的霍夫(Hough)变换在车道线检测实时性和检测精度方面很难达到平衡，本发明提出一种实时车辆压线提前预警的方法，首先对车道线视频序列进行图像预处理，为提高算法的实时性，进行ROI区域提取，采用改进灰度化对黄色区域和白色区域进行重点突出；为了提高算法的鲁棒性，在车道线预处理后进行图像增强，获得更强的车道线特征，采用改进Gabor滤波器用于过滤非车道标记，消除大量的噪声，增强车道边缘特征并抑制背景区域，Sobel边缘检测更好的提取车道线的边缘信息；为了提高算法的检测精度，使用多约束条件下的霍夫变换，基于几何角度约束和消失点估计约束，获得准确的车道线位置；最后计算车道线在左右两边的误差，同预先设定的安全距离误差进行比较，进行压线判断并提前预警。本发明算法提高了车道线检测精度及实时处理速度，可应用于实时车道线检测以及车道线压线提前预警系统。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是一种实时车辆压线提前预警的方法的总体框架图；
图2是本发明一种实时车辆压线提前预警的方法的总体框架图一实施例的流程图；
图3(a)是传统灰度化算法的效果图；
图3(b)是改进灰度化算法的效果图；
图4(a)为Sobel算子在45°方向边缘检测的效果图；
图4(b)为Sobel算子在135°方向边缘检测的效果图；
图5(a)为传统Sobel算子边缘检测的效果图；
图5(b)为本发明Sobel算子边缘检测的效果图；
图6为消失点估计约束示意图；
图7为本文发明车道线检测效果图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步详细的描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
如图1和图2所示，本发明实施例提供的一种实时车辆压线提前预警的方法，包括以下步骤：
S1、对车载行车记录仪的视频序列进行图像预处理；
本步骤图像预处理包括提取感兴趣(Region of Interest，ROI)区域和改进灰度化处理。其中提取ROI区域，将道路图像划分为两部分，无关信息区域部分和感兴趣部分，并在车辆行驶的正前方视角内提取ROI区域；改进的灰度化方法，让车道线标志二值化的特征更加突出。
具体地，为了减少图像预处理的计算量，提高算法的处理速度，将道路图像划分为两部分，无关信息区域部分和感兴趣区域(ROI)部分，并在车辆行驶的正前方视角内提取ROI区域。其次是通过定位将特定位置的水印颜色值进行降低，以免影响后续的阈值二值化，提高车道线检测的鲁棒性。
具体地，对采集到的彩色图像进行灰度化，原图一般都以RGB色彩空间表示。B颜色通道的有无对车道线检测影响不大，所述步骤改进的灰度化为：
Gray＝α*R+β*G (1)
式中，α表示R颜色通道权重系数、β表示G颜色通道权重系数，Gray表示灰度化后结果，其中α+β＝1。通过实验仿真取α＝0.625，β＝0.375。
图3(a)是传统灰度化算法的效果图，图3(b)是改进灰度化算法的效果图。通过改进灰度化处理，对白色和黄色区域重点突出，从而更有利于后续的滤波处理和车道线边缘检测，提高算法检测的实时性。
S2、在车道线图像预处理后进行图像增强，获得更强的车道线特征；
具体地，本步骤中图像增强包括改进Gabor滤波和Sobel算子边缘检测。其中使用改进Gabor滤波在左侧车道上进行45°采样，在右侧车道上进行135°采样；Sobel算子边缘检测，利用45°方向的和135°方向的Sobel算子能够更好检测出车道线在斜向的边缘特征。
作为进一步的改进，所述步骤改进Gabor滤波为：
Figure BDA0002320556820000061
式中：x0＝x cosθ+y sinθ，y0＝-x sinθ+y sinθ，其中的x，y是空间域中的像素位置，ω0是滤波器的中心频率，θ是Gabor小波的方向，σ是高斯函数沿两个轴的标准偏差，ω0和θ分别确定Gabor滤波器的频率范围和方向，他们之间的关系确定为
Figure BDA0002320556820000062
其中Wt是小波时域窗口，当确定参数σ时，其宽度与频域的中心频率成反比。
作为进一步的改进，所述步骤Sobel算子边缘检测为：
Figure BDA0002320556820000063
式中，G45°和G135°分别表示45°方向的和135°方向的车道线边缘检测，Image(i,j)表示输入的待检测的车道线图像。
图4(a)为Sobel算子在45°方向边缘检测的效果图，图4(b)为Sobel算子在135°方向边缘检测的效果图。Sobel算子检测，利用45°方向的和135°方向的Sobel算子能够检测出车道线图像在斜向的边缘特征。图5(a)为传统Sobel算子边缘检测的效果图，图5(b)为本发明Sobel算子边缘检测的效果图。增强了车道线在倾斜方向上的特征。有利于提高检测的鲁棒性。
S3、使用多约束条件下的霍夫变换，基于几何角度约束和消失点估计约束，实现车道线实时检测；
具体地，该步骤中车道线实时检测采用多约束条件下的霍夫变换，包括基于几何角度约束和消失点估计约束。其中基于几何角度约束通过预先设定角度阈值，筛选除车道线以外的干扰直线；基于消失点估计约束找到平行于车道的线段的消失点，消除非车道线标记。。
S4、计算车道线在左右两边的误差，同预先设定的安全距离误差比较，进行压线判断并提前预警；
优选地，该步骤中通过计算车辆与所在车道左右车道线之间的误差，来判断车辆是否发生车道偏离。如果计算误差大于预先设定的安全距离误差，就认为车辆行驶正常，否则就认为车辆发生车道偏离现象，会出现压线情况。该方法避开了繁琐的相机参数标定过程，计算简单，具有良好的环境适应能力。
上述实时车辆压线提前预警算法，首先对车道线视频序列进行图像预处理，为提高算法的实时性，进行ROI区域提取，采用改进灰度化对黄色区域和白色区域进行重点突出；为了提高算法的鲁棒性，在车道线预处理后进行图像增强，获得更强的车道线特征，采用改进Gabor滤波器用于过滤非车道标记，消除大量的噪声，增强车道边缘特征并抑制背景区域，Sobel边缘检测更好的提取车道线的边缘信息；为了提高算法的检测精度，使用多约束条件下的霍夫变换，基于几何角度约束和消失点估计约束，获得准确的车道线位置；最后计算车道线在左右两边的误差，同预先设定的安全距离误差进行比较，进行压线判断并提前预警。本发明算法提高了车道线检测精度及实时处理速度，可应用于实时车道线检测以及车道线压线提前预警系统。
作为进一步优选的实施方式，所述步骤S3中多约束条件下的霍夫变换具体为：
S31、基于角度θ的约束，车道线标记一般位于车辆上安装的行车记录仪采集图像的两边，与车道的中线呈现一定的夹角，所以左右斜率会约束在一个范围内(θmin＜θ＜θmax)，对于左边的线段进行检测，选择约束范围：
θmin＝30°
Figure BDA0002320556820000071
如果所选的线段超出范围，则视为干扰信号，同时对于右边的线段选择约束范围：
Figure BDA0002320556820000081
θmax＝-20° (6)
式中：Hroi表示ROI区域的高度，Wroi表示ROI区域的宽度。
S32、基于消失点的约束，消失点估计约束示意图如图6所示。建立坐标系XOY，O为提取ROI区域图像宽的中点，在坐标系XOY中建立图像中车道线和消失点的关系，当前帧的消失点坐标为V(vx,vy)。L是待检测的车道线，过原点O作L的垂线，垂点为P(px,py)，长度为ρ，倾斜角为θ。根据消失点V和原点O的几何性质可得：
Δρ＝|px cosθ+py sinθ-ρ| (7)
当Δρ在一个预先设定的阈值内时，则检测的线段为目标车道线，采用消失点约束估计，可以滤除非车道线部分，获得准确的车道线位置。
图7(a)(b)(c)分别为在正常光照、车辆遮挡、光照较弱的行车路段进行准确车道线检测效果图，从中可以看出本发明明显提高了车道线检测的鲁棒性。
作为进一步优选的实施方式，所述步骤S4中计算车道线在左右两边的误差，同预先设定的安全距离误差比较，进行压线判断并提前预警。具体为：
在完成对车道线的准确检测之后，需要对检测结果做进一步的处理，提供车辆的是否压线信息和提前预警信号。假设在XOY坐标系下(kL,bL)和(kR,bR)分别是左右两车道线的斜率和截距，从而可以得到车辆中心位置到左右车道线的距离DL和DR为：
Figure BDA0002320556820000082
计算车道线在左右两边的误差：
Figure BDA0002320556820000091
式中，L是实际行车中车辆中心位置到左右车道线的距离，表示为：
Figure BDA0002320556820000092
式中，LV和WV分别是行驶车辆的长度和宽度，φ是行驶车辆的偏航角度。当EL和ER在一个预先设定的阈值内时，认为车辆正常行驶，否则认为车辆发生车道偏离现象，出现压线情况并通过车辆语音系统提前发出预警信号。
综上所述，本发明一种实时车辆压线提前预警的方法，具有如下优点：
1)在图像预处理步骤中，通过提取ROI区域和改进的灰度化方法，提高算法的实时性和让车道线标志二值化的特征更加突出。
2)在图像增强步骤中，采用改进Gabor滤波在左侧车道上进行45°采样，在右侧车道上进行135°采样；Sobel算子边缘检测，利用45°方向的和135°方向的Sobel算子能够更好检测出车道线在斜向的边缘特征。
3)在车道线检测步骤中，采用多约束条件下的霍夫变换，包括基于几何角度约束和消失点估计约束。其中基于几何角度约束通过预先设定角度阈值，筛选除车道线以外的干扰直线；基于消失点估计约束找到平行于车道的线段的消失点，消除非车道线标记，确保获取高精度车道线检测结果。
上面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，不能理解为对本发明保护范围的限制。
总之，本发明虽然列举了上述优选实施方式，但是应该说明，虽然本领域的技术人员可以进行各种变化和改型，除非这样的变化和改型偏离了本发明的范围，否则都应该包括在本发明的保护范围内。

Claims (8)

1.一种实时车辆压线提前预警的方法，其特征在于，所述算法包括以下步骤：
S1、对车载行车记录仪的视频序列进行图像预处理；
S2、在车道线图像预处理后进行图像增强，获得更强的车道线特征；
S3、使用多约束条件下的霍夫变换，基于几何角度约束和消失点估计约束，实现车道线实时检测；
S4、计算车道线在左右两边的误差，同预先设定的安全距离误差比较，进行压线判断并提前预警。
2.根据权利要求1所述的一种实时车辆压线提前预警的方法，其特征在于，所述步骤S1中图像预处理包括提取感兴趣(Region of Interest，ROI)区域和改进灰度化处理。其中提取ROI区域，将道路图像划分为两部分，无关信息区域部分和感兴趣部分，并在车辆行驶的正前方视角内提取ROI区域；改进的灰度化方法，让车道线标志二值化的特征更加突出。
3.根据权利要求2所述的一种实时车辆压线提前预警的方法，其特征在于，所述步骤改进的灰度化为：
Gray＝α*R+β*G (1)
式中，α表示R颜色通道权重系数、β表示G颜色通道权重系数，Gray表示灰度化后结果，其中α+β＝1。通过实验仿真取α＝0.625，β＝0.375。
4.根据权利要求1所述的一种实时车辆压线提前预警的方法，其特征在于，所述步骤S2中图像增强包括改进Gabor滤波和Sobel算子边缘检测。其中使用改进Gabor滤波在左侧车道上进行45°采样，在右侧车道上进行135°采样；Sobel算子边缘检测，利用45°方向的和135°方向的Sobel算子能够更好检测出车道线在斜向的边缘特征。
5.根据权利要求4所述的一种实时车辆压线提前预警的方法，其特征在于，所述步骤改进Gabor滤波为：
Figure FDA0002320556810000021
式中：x0＝x cosθ+y sinθ，y0＝-x sinθ+y sinθ，其中的x，y是空间域中的像素位置，ω0是滤波器的中心频率，θ是Gabor小波的方向，σ是高斯函数沿两个轴的标准偏差，ω0和θ分别确定Gabor滤波器的频率范围和方向，他们之间的关系确定为
Figure FDA0002320556810000022
其中Wt是小波时域窗口，当确定参数σ时，其宽度与频域的中心频率成反比。
6.根据权利要求4所述的一种实时车辆压线提前预警的方法，其特征在于，所述步骤Sobel算子边缘检测为：
Figure FDA0002320556810000023
式中，G45°和G135°分别表示45°方向的和135°方向的车道线边缘检测，Image(i,j)表示输入的待检测的车道线图像。
7.根据权利要求1所述的一种实时车辆压线提前预警的方法，其特征在于，所述步骤S3中车道线实时检测采用多约束条件下的霍夫变换，包括基于几何角度约束和消失点估计约束。其中基于几何角度约束通过预先设定角度阈值，筛选除车道线以外的干扰直线；基于消失点估计约束找到平行于车道的线段的消失点，消除非车道线标记。
8.根据权利要求1所述的一种实时车辆压线提前预警的方法，其特征在于，所述步骤S4中压线提前预警具体表现为依据计算车道线在左右两边的误差，同预先设定的安全距离误差进行比较。
CN201911296012.2A 2019-12-16 2019-12-16 一种实时车辆压线提前预警的方法 Withdrawn CN112989886A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911296012.2A CN112989886A (zh) 2019-12-16 2019-12-16 一种实时车辆压线提前预警的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911296012.2A CN112989886A (zh) 2019-12-16 2019-12-16 一种实时车辆压线提前预警的方法

Publications (1)

Publication Number Publication Date
CN112989886A true CN112989886A (zh) 2021-06-18

Family

ID=76343463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911296012.2A Withdrawn CN112989886A (zh) 2019-12-16 2019-12-16 一种实时车辆压线提前预警的方法

Country Status (1)

Country Link
CN (1) CN112989886A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092919A (zh) * 2022-01-18 2022-02-25 深圳佑驾创新科技有限公司 一种车辆偏移告警的方法、设备及介质
CN114202962A (zh) * 2021-10-09 2022-03-18 东风柳州汽车有限公司 一种车辆预警方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202962A (zh) * 2021-10-09 2022-03-18 东风柳州汽车有限公司 一种车辆预警方法及装置
CN114092919A (zh) * 2022-01-18 2022-02-25 深圳佑驾创新科技有限公司 一种车辆偏移告警的方法、设备及介质

Similar Documents

Publication Publication Date Title
CN105678285B (zh) 一种自适应的道路鸟瞰图变换方法和道路车道检测方法
CN107730520B (zh) 车道线检测方法及系统
CN109299674B (zh) 一种基于车灯的隧道违章变道检测方法
CN106096525B (zh) 一种复合型车道识别系统及方法
CN110298216B (zh) 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法
JP4016735B2 (ja) レーンマーク認識方法
CN104361350B (zh) 一种交通标识识别系统
US6879706B2 (en) Apparatus and method for detecting traffic lane mark for automotive vehicle
US9257043B2 (en) Lane correction system, lane correction apparatus and method of correcting lane
US10891738B2 (en) Boundary line recognition apparatus and branch road determination apparatus
CN109829365B (zh) 基于机器视觉的多场景适应驾驶偏离及转弯预警方法
CN108528336A (zh) 一种车辆压线提前预警系统
CN104899554A (zh) 一种基于单目视觉的车辆测距方法
CN113370977A (zh) 一种基于视觉的智能车辆前向碰撞预警方法及系统
KR101094752B1 (ko) 에이치에스아이 색정보의 통계적 모델을 이용한 차선 분류방법
CN104008377A (zh) 基于时空关联的地面交通标志实时检测识别方法
CN105654073A (zh) 一种基于视觉检测的速度自动控制方法
CN104978746B (zh) 一种行驶车辆的车身颜色识别方法
CN108647664B (zh) 一种基于环视图像的车道线检测方法
CN112989886A (zh) 一种实时车辆压线提前预警的方法
KR20180082089A (ko) 영상 기반 색상정보를 이용한 초지 경계 검출 방법
Devane et al. Lane detection techniques using image processing
JP2008040736A (ja) 車両検出装置、および車両検出方法
CN111209843B (zh) 一种适用智能终端的车道偏离预警方法
CN105809099B (zh) 基于监控图像的安全带检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210618

WW01 Invention patent application withdrawn after publication