CN113421288A - 一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法 - Google Patents

一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法 Download PDF

Info

Publication number
CN113421288A
CN113421288A CN202110964966.7A CN202110964966A CN113421288A CN 113421288 A CN113421288 A CN 113421288A CN 202110964966 A CN202110964966 A CN 202110964966A CN 113421288 A CN113421288 A CN 113421288A
Authority
CN
China
Prior art keywords
track
static
tracks
target
frame
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
Application number
CN202110964966.7A
Other languages
English (en)
Other versions
CN113421288B (zh
Inventor
满庆奎
管慧艳
李冠华
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.)
Hangzhou Yunqi Smart Vision Technology Co Ltd
Original Assignee
Hangzhou Yunqi Smart Vision 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 Hangzhou Yunqi Smart Vision Technology Co Ltd filed Critical Hangzhou Yunqi Smart Vision Technology Co Ltd
Priority to CN202110964966.7A priority Critical patent/CN113421288B/zh
Publication of CN113421288A publication Critical patent/CN113421288A/zh
Application granted granted Critical
Publication of CN113421288B publication Critical patent/CN113421288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，包括以下步骤：S1、对静止状态的轨迹进行合并按照帧数进行判别；S2、对新加入的轨迹，如果是单帧轨迹目标B，计算B与静止轨迹容器staticPaths中的轨迹进行IOU位置计算，得到里面IOU的最大的第i条轨迹记录staticPaths[i]对应的
Figure 100004_DEST_PATH_IMAGE002
；S3、按照当前的时间戳信息，对staticPaths里面的轨迹进行状态更新，判断是否应该进入死亡周期，删除掉释放空间，提升效率；S4、等待新加入的轨迹，重复步骤一。针对视频静止目标的位置和特征约束，对新加入的轨迹进行位置和特征的约束，有效的减少了轨迹碎片的产生。

Description

一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法
技术领域
本发明涉及视频分析、多目标轨迹跟踪领域，具体来说，涉及一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法。
背景技术
目标跟踪是视频分析领域很重要的技术环节，需要对视频中轨迹目标的前后多帧的数据按照时间，位置，特征关系，进行关联匹配，生成目标的轨迹。
对应在线实时的轨迹连接过程中，因为目标检测或者各种原因导致的，同一个目标会产生多个轨迹碎片；轨迹碎片是多目标轨迹连接的重要参数指标，如果轨迹碎片过多，跟踪体验大幅度下降。
在线实时处理的时候没有整个轨迹的完整的统计信息来进行统计分析迭代。能有效利用的信息比较少。如何在实时在线版的轨迹跟踪中进行轨迹碎片的合并，对跟踪效果的改进起着很重要的作用，因此缺少一种实时在线版的轨迹跟踪中进行轨迹碎片的减少的方法。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足，本发明提供了多目标实时轨迹跟踪中的静止轨迹碎片改进方法，具备减少了轨迹碎片的产生的目的，进而解决背景技术中提到的问题。
为实现上述减少了轨迹碎片的产生的目的，本发明采用的具体技术方案如下：
一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，包括以下步骤：
S1、对静止状态的轨迹进行合并按照帧数进行判别；
S2、对新加入的轨迹，如果是单帧轨迹目标B，计算B与静止轨迹容器staticPaths中的轨迹进行IOU位置计算，得到里面IOU的最大的第i条轨迹记录staticPaths[i]对应的
Figure 135873DEST_PATH_IMAGE001
[0,1]；
S3、按照当前的时间戳信息，对staticPaths里面的轨迹进行状态更新，判断是否应该进入死亡周期，删除掉释放空间，提升效率；
S4、等待新加入的轨迹，重复步骤一。
进一步的，上述步骤S1对静止状态的轨迹进行合并按照帧数进行判别中，如果轨迹只有一帧目标，那么认为是单帧静止轨迹。
进一步的，述步骤S1对静止状态的轨迹进行合并按照帧数进行判别中，如果轨迹有两帧及以上的目标，分析多帧重叠的区域的值IOU。
进一步的，上述步骤S1对静止状态的轨迹进行合并按照帧数进行判别中，如果是静止轨迹，存放到静止轨迹容器staticPaths；同时记录对应的轨迹的特征到容器staticPathFeas，如果是单帧，保存一帧的特征。
进一步的，如果是多帧，保存时间上最新的不超过三帧的历史特征。
进一步的，上述步骤S2中，如果maxIOU小于给定阈值 sameObjIOUThr1，那么认为B没有相同的历史轨迹，直接添加一个新轨迹。
进一步的，上述步骤S2中，如果大于给定的阈值sameObjIOUThr1，那么进行判断两个轨迹staticPaths[i]，B的相似度；
其中，sameObjIOUThr1 =0.7，计算目标轨迹B的轨迹feaB，staticPathFeas[i]特征相似度。
进一步的，所述步骤3按照当前的时间戳信息，对staticPaths里面的轨迹进行状态更新，判断是否应该进入死亡周期，删除掉释放空间，提升效率包括以下步骤：
S31、统计staticPaths中每一个轨迹的目标数量len，如果len等于1，对应的是单帧轨迹，那么对应的时间间隔interval=curFrameID-lastUpdateTime，interval大于thresh1,那么轨迹记录清除；如果interval小于 thresh1，那么继续保留；
S32、如果len大于1，对应的单帧轨迹，那么对应的多帧组成的静止轨迹，相对比较稳定可靠，那么当前时间curFrameID与静止轨迹最后更新时间lastUpdateTime的时间间隔interval，如果interval大于thresh2，那么轨迹记录清除；如果interval小于 thresh2，那么继续保留。
进一步的，所述步骤S31中，优先的，thresh1=800，所述步骤S32中，优先的，thresh2=4500。
与现有技术相比，本发明提供了多目标实时轨迹跟踪中的静止轨迹碎片改进方法，具备以下有益效果：
本发明针对视频静止目标的位置和特征约束，对新加入的轨迹进行位置和特征的约束，如果是同一个目标，那么保证新目标与历史目标轨迹号的一致，从而有效的减少了轨迹碎片的产生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的多目标实时轨迹跟踪中的静止轨迹碎片改进方法流程图。
具体实施方式
根据本发明的实施例，提供了一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的多目标实时轨迹跟踪中的静止轨迹碎片改进方法，包括以下步骤：
S1、对静止状态的轨迹进行合并按照帧数进行判别；
S2、对新加入的轨迹，如果是单帧轨迹目标B，计算B与静止轨迹容器staticPaths中的轨迹进行IOU位置计算，得到里面IOU的最大的第i条轨迹记录staticPaths[i]对应的
Figure 760758DEST_PATH_IMAGE001
[0,1]；
S3、按照当前的时间戳信息，对staticPaths里面的轨迹进行状态更新，判断是否应该进入死亡周期，删除掉释放空间，提升效率；
S4、等待新加入的轨迹，重复步骤一。
为了方便理解本发明的上述技术方案，以下就本发明在实际过程中的工作原理或者操作方式进行详细说明。
在现实的工程应用中，对运动状态的轨迹、静止状态的轨迹进行合并处理。
步骤S1、对静止状态的轨迹进行合并按照帧数进行判别：
如果轨迹只有一帧目标，那么认为是单帧静止轨迹；
如果轨迹有两帧及以上的目标，分析多帧重叠的区域的值IOU；
Figure 712534DEST_PATH_IMAGE002
其中，
Figure 591628DEST_PATH_IMAGE003
，表示轨迹目标矩形位置。如果为单帧轨迹，IOU的值为1。
IOU的值大于给定的阈值StaticPathIOUThr，那么认为是静止轨迹，优先的，StaticPathIOUThr=0.45；
如果是静止轨迹，存放到静止轨迹容器staticPaths；同时记录对应的轨迹的特征到容器staticPathFeas，如果是单帧，保存一帧的特征；如果是多帧，保存时间上最新的不超过三帧的历史特征。
步骤S2、对新加入的轨迹，如果是单帧轨迹目标B，计算B与静止轨迹容器staticPaths中的轨迹进行IOU位置计算，得到里面IOU的最大的第i条轨迹记录staticPaths[i]对应的
Figure 970657DEST_PATH_IMAGE001
[0,1]。
如果maxIOU小于给定阈值 sameObjIOUThr1，那么认为B没有相同的历史轨迹，直接添加一个新轨迹；如果大于给定的阈值sameObjIOUThr1，那么进行判断两个轨迹staticPaths[i]，B的相似度；优先的，sameObjIOUThr1 =0.7。计算目标轨迹B的轨迹feaB，staticPathFeas[i]特征相似度，对应的相似度公式：
Figure 427046DEST_PATH_IMAGE004
其中，目标特征为
Figure 307146DEST_PATH_IMAGE005
，基准特征为
Figure 899801DEST_PATH_IMAGE006
。
得到对应的特征相似度similarityVal，如果对应similarityVal大于给定的阈值sameObjThr1，那么认为是与静止轨迹相同的目标，对应轨迹目标B的轨迹号需要更改为staticPaths[i]的轨迹号，完成轨迹合并，优先的，sameObjThr1=0.65。
如果新加入的轨迹是两帧目标C，计算目标轨迹C的内容中的重叠区域region。
Figure 856256DEST_PATH_IMAGE007
计算region与静止轨迹容器staticPaths中的轨迹进行IOU值计算，得到里面IOU的值最大的第i条静止轨迹记录staticPaths[i]对应的值maxIOU。
如果maxIOU小于给定阈值 sameObjIOUThr2，那么认为C没有相同的历史轨迹，是正常静止轨迹，加入静止轨迹容器staticPaths；如果大于给定的阈值sameObjIOUThr2，那么进行判断两个轨迹staticPaths[i]，C的相似度；优先的，sameObjIOUThr2 =0.6。计算目标轨迹C的轨迹feaC，staticPathFeas[i]特征相似度，从两个轨迹特征进行两两匹配，得到相似度最大的值，对应的计算公式：
Figure 534362DEST_PATH_IMAGE008
其中，m，n是对应的两个轨迹的目标的特征数量，得到对应的特征相似度similarityVal，如果对应similarityVal大于给定的阈值sameObjThr2，那么认为是同静止轨迹相同的目标，对应轨迹目标C的轨迹号需要更改为staticPaths[i]的轨迹号，完成轨迹合并，优先的，sameObjThr2=0.6；否则轨迹加入静止轨迹容器staticPaths，特征加入特征容器staticPathFeas。
轨迹超过三帧以上，一般都是已经判别的稳定的轨迹，不做处理。
步骤S3、按照当前的时间戳信息，对staticPaths里面的轨迹进行状态更新，判断是否应该进入死亡周期，删除掉释放空间，提升效率；
S31、统计staticPaths中每一个轨迹的目标数量len，如果len等于1，对应的是单帧轨迹，那么对应的时间间隔interval=curFrameID-lastUpdateTime，interval大于thresh1,那么轨迹记录清除；如果interval小于 thresh1，那么继续保留，优先的，thresh1=800；
S32、如果len大于1，对应的单帧轨迹，那么对应的多帧组成的静止轨迹，相对比较稳定可靠，那么当前时间curFrameID与静止轨迹最后更新时间lastUpdateTime的时间间隔interval，如果interval大于thresh2，那么轨迹记录清除；如果interval小于 thresh2，那么继续保留，优先的，thresh2=4500。
步骤S4、等待新加入的轨迹，重复步骤一。
综上所述，借助于本发明的上述技术方案，多目标跟踪是时下比较火热的技术领域，很多算法论文都在开发的数据集上取得了很高的算法评估指标。在现实的工程应用中，效率方面的考虑，会对视频数据进行时间维的数据采样，导致很多检测到的目标更破碎，加上目标检测模型的不稳定，导致很多误检的目标出现，比如摩托车被检测成行人，或者行人在小范围内驻足的时候，检测模型漏检，导致很多场景下，简单的多目标跟踪算法都不能正常发挥作用。本发明针对视频静止目标的位置和特征约束，对新加入的轨迹进行位置和特征的约束，如果是同一个目标，那么保证新目标与历史目标轨迹号的一致，从而有效的减少了轨迹碎片的产生。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，其特征在于，包括以下步骤：
S1、对静止状态的轨迹进行合并按照帧数进行判别；
S2、对新加入的轨迹，如果是单帧轨迹目标B，计算B与静止轨迹容器staticPaths中的轨迹进行IOU位置计算，得到里面IOU的最大的第i条轨迹记录staticPaths[i]对应的
Figure DEST_PATH_IMAGE002
[0,1]；
S3、按照当前的时间戳信息，对staticPaths里面的轨迹进行状态更新，判断是否应该进入死亡周期，删除掉释放空间，提升效率；
S4、等待新加入的轨迹，重复步骤一。
2.根据权利要求1所述的一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，其特征在于，上述步骤S1对静止状态的轨迹进行合并按照帧数进行判别中，如果轨迹只有一帧目标，那么认为是单帧静止轨迹。
3.根据权利要求2所述的一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，其特征在于，述步骤S1对静止状态的轨迹进行合并按照帧数进行判别中，如果轨迹有两帧及以上的目标，分析多帧重叠的区域的值IOU。
4.根据权利要求1所述的一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，其特征在于，上述步骤S1对静止状态的轨迹进行合并按照帧数进行判别中，如果是静止轨迹，存放到静止轨迹容器staticPaths；同时记录对应的轨迹的特征到容器staticPathFeas，如果是单帧，保存一帧的特征。
5.根据权利要求4所述的一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，其特征在于，如果是多帧，保存时间上最新的不超过三帧的历史特征。
6. 根据权利要求1所述的一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，其特征在于，上述步骤S2中，如果maxIOU小于给定阈值 sameObjIOUThr1，那么认为B没有相同的历史轨迹，直接添加一个新轨迹。
7.根据权利要求6所述的一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，其特征在于，上述步骤S2中，如果大于给定的阈值sameObjIOUThr1，那么进行判断两个轨迹staticPaths[i]，B的相似度；
其中，sameObjIOUThr1 =0.7，计算目标轨迹B的轨迹feaB，staticPathFeas[i]特征相似度。
8.根据权利要求1所述的一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，其特征在于，所述步骤3按照当前的时间戳信息，对staticPaths里面的轨迹进行状态更新，判断是否应该进入死亡周期，删除掉释放空间，提升效率包括以下步骤：
S31、统计staticPaths中每一个轨迹的目标数量len，如果len等于1，对应的是单帧轨迹，那么对应的时间间隔interval=curFrameID-lastUpdateTime，interval大于thresh1,那么轨迹记录清除；如果interval小于 thresh1，那么继续保留；
S32、如果len大于1，对应的单帧轨迹，那么对应的多帧组成的静止轨迹，相对比较稳定可靠，那么当前时间curFrameID与静止轨迹最后更新时间lastUpdateTime的时间间隔interval，如果interval大于thresh2，那么轨迹记录清除；如果interval小于 thresh2，那么继续保留。
9.根据权利要求8所述的一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法，其特征在于，所述步骤S31中，优先的，thresh1=800，所述步骤S32中，优先的，thresh2=4500。
CN202110964966.7A 2021-08-23 2021-08-23 一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法 Active CN113421288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110964966.7A CN113421288B (zh) 2021-08-23 2021-08-23 一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110964966.7A CN113421288B (zh) 2021-08-23 2021-08-23 一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法

Publications (2)

Publication Number Publication Date
CN113421288A true CN113421288A (zh) 2021-09-21
CN113421288B CN113421288B (zh) 2021-12-17

Family

ID=77719173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110964966.7A Active CN113421288B (zh) 2021-08-23 2021-08-23 一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法

Country Status (1)

Country Link
CN (1) CN113421288B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133970A (zh) * 2017-03-30 2017-09-05 北京航空航天大学 基于运动信息的在线多目标跟踪方法及装置
CN110084831A (zh) * 2019-04-23 2019-08-02 江南大学 基于YOLOv3多伯努利视频多目标检测跟踪方法
CN110766715A (zh) * 2019-10-31 2020-02-07 智慧视通(杭州)科技发展有限公司 一种结合单目标轨迹的多目标跟踪方法
CN111754545A (zh) * 2020-06-16 2020-10-09 江南大学 一种基于iou匹配的双滤波器视频多目标跟踪方法
CN112634325A (zh) * 2020-12-10 2021-04-09 重庆邮电大学 一种无人机视频多目标跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133970A (zh) * 2017-03-30 2017-09-05 北京航空航天大学 基于运动信息的在线多目标跟踪方法及装置
CN110084831A (zh) * 2019-04-23 2019-08-02 江南大学 基于YOLOv3多伯努利视频多目标检测跟踪方法
CN110766715A (zh) * 2019-10-31 2020-02-07 智慧视通(杭州)科技发展有限公司 一种结合单目标轨迹的多目标跟踪方法
CN111754545A (zh) * 2020-06-16 2020-10-09 江南大学 一种基于iou匹配的双滤波器视频多目标跟踪方法
CN112634325A (zh) * 2020-12-10 2021-04-09 重庆邮电大学 一种无人机视频多目标跟踪方法

Also Published As

Publication number Publication date
CN113421288B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN101976313B (zh) 基于频繁子图挖掘的异常入侵检测方法
EP2597828B1 (en) Dynamic adaptations for network delays during complex event processing
US20070204257A1 (en) Software operation modeling device, software operation monitoring device, software operation modeling method, and software operation monitoring method
CN109117364B (zh) 一种面向目标的测试用例生成方法及系统
JP2003005970A (ja) 外れ値判定ルール生成装置と外れ値検出装置、及びその外れ値判定ルール生成方法と外れ値検出方法
CN109739755A (zh) 一种基于程序追踪和混合执行的模糊测试系统
CN102955719A (zh) 疑似内存泄漏的确定方法及装置
CN112528279A (zh) 一种入侵检测模型的建立方法和装置
CN110569399B (zh) 基于pinpoint日志的链路构建方法
CN116150191A (zh) 一种用于云端数据架构的数据运算加速方法及系统
Hei et al. Feature extraction optimization for bitstream communication protocol format reverse analysis
CN113807452B (zh) 一种基于注意力机制的业务过程异常检测方法
CN113421288A (zh) 一种多目标实时轨迹跟踪中的静止轨迹碎片改进方法
Xiong et al. Glance to count: Learning to rank with anchors for weakly-supervised crowd counting
CN105468669A (zh) 一种融合用户关系的自适应微博话题追踪方法
CN110837529B (zh) 大数据分析监察方法、装置、服务器及可读存储介质
CN111241155B (zh) 时序数据异常检测方法、装置、设备及存储介质
CN117014182A (zh) 一种基于lstm的恶意流量检测方法及装置
CN116166927A (zh) 一种在线人数异常检测方法、装置及存储介质
CN116016673A (zh) 一种基于数据传输的特征码分析系统及方法
Lukežič et al. Performance evaluation methodology for long-term visual object tracking
CN102566985B (zh) 一种客户端软件管理方法、系统及服务器
CN116155626B (zh) 一种基于跨主机异常行为识别的复杂网络攻击检测方法
CN111198659B (zh) 基于多滑动窗口实现的并发i/o流模型识别方法及系统
CN116150233B (zh) 有源配电台区运行状态数据的最小映射处理方法及系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An improved method of static trajectory fragments in multi-target real-time trajectory tracking

Effective date of registration: 20220721

Granted publication date: 20211217

Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd.

Pledgor: Hangzhou yunqi smart Vision Technology Co.,Ltd.

Registration number: Y2022330001495

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230620

Granted publication date: 20211217

Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd.

Pledgor: Hangzhou yunqi smart Vision Technology Co.,Ltd.

Registration number: Y2022330001495