CN106097382B - 一种基于区域离散性的隧道场景环境光照干扰抑制方法 - Google Patents
一种基于区域离散性的隧道场景环境光照干扰抑制方法 Download PDFInfo
- Publication number
- CN106097382B CN106097382B CN201610370033.4A CN201610370033A CN106097382B CN 106097382 B CN106097382 B CN 106097382B CN 201610370033 A CN201610370033 A CN 201610370033A CN 106097382 B CN106097382 B CN 106097382B
- Authority
- CN
- China
- Prior art keywords
- point
- area
- light
- illumination
- region
- 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
Links
Classifications
-
- 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
- Image Analysis (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明公开了一种基于区域离散性的隧道场景环境光照干扰抑制方法,首先获取隧道场景视频图像并提取前景;分割前景获取多个前景区域;然后建立用于描述光照区域的光强分布特性的光照模型;根据光照模型计算并判定前景区域的离散程度;最后根据离散程度判断前景区域是否为光照区域,如果是光照区域,则在前景中剔除所对应的前景,并返回步骤三重建背景模型;如果不是,则返回步骤一直到结束。本发明提出的方法,能够针对隧道场景中由于照明灯光突变产生的光照干扰,进行有效的抑制,提高运动目标前景提取的准确性,从而实现对环境光照干扰的抑制。
Description
技术领域
本发明涉及隧道照明领域,特别是一种基于区域离散性的隧道场景环境光照干扰抑制方法。
背景技术
隧道场景由于其特殊的结构特征,洞内外亮度差异悬殊、空气污染严重、环境照度低等问题降低了通行能力,车辆的行车安全产生威胁。为了确保这一瓶颈路段的行车安全,提高通行能力,监管部门会根据洞外最大亮度和行车时速来确定隧道洞内的最大照度,并时序地调节隧道内的照明***。隧道场景下运动目标识别中的环境光照干扰就是这种由照明灯光的不定时开关造成的环境突变。
由于环境光照的干扰,在运动目标前景的提取过程中,不仅运动目标使该区域的像素值发生明显的变化被提取为前景,同时,由环境光照干扰所产生的突变的光源点处及其光照区域的像素值也会发生明显变化被提取为前景,从而对前景的提取产生干扰,导致获取的运动目标不准确,检测效果难以满足实际应用需求,极大地影响了运动目标的识别和跟踪等后续处理效果。因此,如何有效地抑制光照干扰,是提高运动目标提取准确性的关键和前提。
现有文献中,对于光照干扰的研究较为零散,是对特定场景的明显特征进行提取以实现光照干扰的消除,并未针对隧道场景的光照干扰进行处理,也不适应隧道场景的光照干扰特征。而更多的解决方法则是通过有监督的光照色度估计方法进行判断,利用神经网络、支持向量机等技术实现,此类方法是从大量已知光照区域的图像集中,通过学习得到该环境条件下的光照特征,在场景发生变化时需要重新收集大量样本对分类器进行训练,并不能满足场景变换的应用需求。
所以,需要寻求一种简单易行的特征作为隧道场景环境光照的筛选条件。根据环境光照的分布特点和强度特征,对于路面受环境光照影响的区域,其光强分布满足一定的扩散规律,即同光强峰值点距离相同的点其光强值相同。则可对各前景区域像素点的距离和光强关系进行统计并用相应曲线拟合,通过对其拟合的离散程度判断区域是否为环境光照前景,能满足应用的需求
因此,需要一种隧道场景环境光照干扰的抑制方法。
发明内容
本发明的目的是提出一种基于区域离散性的隧道场景环境光照干扰抑制方法,可以用于对隧道场景下运动目标提取中的光照突变区域干扰进行抑制,该方法能够对隧道场景下运动目标提取中的环境光照干扰进行实时、有效、准确的抑制,提高运动目标提取的准确性,同时适应了场景的变换的隧道场景环境光照干扰抑制方法。
本发明的目的是通过以下技术方案来实现的:
本发明提供的一种基于区域离散性的隧道场景环境光照干扰抑制方法,包括以下步骤:
步骤一:获取隧道场景视频图像并提取前景区域;
步骤二:分割前景获取多个前景区域;
步骤三:建立用于描述光照区域的光强分布特性的光照模型;
步骤四:根据光照模型计算并判定前景区域的离散程度;
步骤五:根据离散程度判断前景区域是否为光照区域,如果是光照区域,则在前景中剔除所对应前景,并返回步骤三重建背景模型;如果不是,则返回步骤一直到结束。
进一步,所述步骤一中的前景区域提取按照以下步骤进行:
首先采用背景差分处理隧道场景视频图像;所述背景差分包括背景建模和背景更新,所述背景建模采用非参数概率密度方法进行,所述背景更新采用帧间差分法进行;
然后将隧道场景视频图像进行二值化,并将提取的二值化图像进行形态学处理。
进一步,所述步骤二中的前景区域分割按照以下步骤进行:
首先提取前景区域的轮廓信息;然后筛选出面积较大的目标前景轮廓,将其外接矩形作为待处理的区域的轮廓信息;最后根据轮廓信息,将前景区域分割为若干独立区域,并筛选出光照区域。
进一步,所述步骤三根据环境光照强度特性来分析光照区域的光强分布特性,具体包括以下两个部分:
31)利用隧道的结构特征,获得照明灯光与隧道路面间的相对位置特征;所述光照区域包括光线在路面的照射区域和发光源以自身向四周墙壁的扩散区域;
32)根据相对位置特征、光照辐射特性和漫反射特性,建立光照模型描述光照干扰区域的光强分布特性;所述光强分布特性采用Lambert漫反射模型描述,具体采用如下公式:
其中,In为光源点光照强度,h为光源点到路面的垂直距离,对于同一平面该值恒定,d为坐标点(x,y)同光照区域中心点的距离。
进一步,所述步骤四中前景区域的离散程度判定,具体包括以下步骤:
41)求取各像素点的同背景像素点的差值;
42)利用前景区域内差值的质心作为区域中心点,通过求取区域像素值差的质心来确定峰值点,所述峰值点的坐标按照以下公式来计算:
其中,(xp,yp)表示峰值点的坐标值,M表示区域内像素点个数,(xi,yi)表示区域内第i点的坐标值,Wi表示区域内第i点的像素值差;
43)利用中心点获得区域内各像素点同中心点的距离同像素值差的散点关系,并用光照模型中的关系对散点拟合;对于图像中任意一点,通过中心点的坐标值求取距中心点的像素值距离,同时利用像素差值反应光照强度,按照以下公式拟合曲线为:
其中,d表示坐标(x,y)上的点与峰值点的距离,D(x,y)表示坐标(x,y)上的像素值差,P表示光源处能产生的像素差值,P、h在同一区域为恒定值。
44)评价前景区域的离散程度,采用以下公式提供的变异系数计算方法来计算离散程度,具体如下所示:
其中,M表示离散点的个数,Pi表示第i个离散点的像素值差,f(xi)表示拟合函数中第i个离散点距离xi所对应的像素值差。
进一步,所述步骤五中的光照区域的判断,具体如下:
利用离散程度对区域是否为光照区域进行判断,判断变异系数是否大于光照区域阈值,如果是,则为光照区域;如果否,则为非光照区域。
由于采用了上述技术方案,本发明具有如下的优点:
本发明提出的基于区域离散性的隧道场景环境光照干扰抑制方法,能够针对隧道场景中由于照明灯光突变产生的光照干扰,进行有效的抑制,提高运动目标前景提取的准确性。对隧道的应用场景通过分析环境光照突变的分布特征,构造光照干扰的距离-光强模型以完成对前景区域像素值的散点拟合;然后利用变异系数作为离散性指标对各区域的离散程度进行评价,从而实现对环境光照干扰的抑制。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的基于区域离散性的隧道场景环境光照干扰抑制方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图所示,本实施例提供的基于区域离散性的隧道场景环境光照干扰抑制方法,包括以下五个步骤:
步骤一:提取运动目标前景,包括以下三个部分:
1)获取该场景的视频图像。
2)采用背景差分法处理视频图像。
3)将视频图像进行二值化,并将提取的二值化图像进行形态学处理。
步骤二:前景区域分割,主要包括以下两个部分:
1)提取运动目标前景的轮廓信息。
2)筛选出面积较大的前景轮廓,将其外接矩形作为待处理的区域。
步骤三:环境光照强度特性分析,主要包括以下两个部分:
1)利用隧道的结构特征,获得照明灯光与隧道路面间的相对位置特征。
2)根据相对位置特征、光照辐射特性和漫反射特性,建立光照模型描述光照干扰区域的光强分布特性。
步骤四:前景区域的离散程度判定,主要包括以下四个部分:
1)求取各像素点的同背景像素点的差值。
2)利用区域内差值的质心作为该区域的中心点。
3)利用中心点获得区域内各像素点同中心点的距离同像素值差的散点关系,并用光照模型中的关系对散点拟合。
4)对区域的离散程度进行评价。
步骤五:环境光照干扰抑制,主要包括以下两个部分:
1)利用离散程度对区域是否为光照区域进行判断。
2)在运动目标前景中剔除光照干扰区域,并重新背景建模,以适应场景的变化。
实施例2
下面结合隧道场景车辆光照干扰抑制方法流程图,对本发明实施例中的技术方案进行清楚、完整地描述,包括以下五个步骤:
步骤一:提取运动目标前景,主要包括以下三个部分:
1)获取该场景的视频图像。当前场景的视频图像可以由摄像机或者摄像头进行拍摄获取。
2)采用背景差分法处理视频图像。背景差分的关键技术是背景建模和背景更新,采用非参数概率密度的方法进行背景建模,采用帧间差分法进行背景更新。
3)将视频图像进行二值化,并将提取的二值化图像进行形态学处理。二值化阈值的选取采用ostu算法,选择开运算的形态学处理方法去除较小的噪声并且能够填充一些空隙。
步骤二:前景区域分割,主要包括以下两个部分:
1)提取运动目标前景的轮廓信息。采用Canny算子检测对前景轮廓进行提取。
2)筛选出面积较大的前景轮廓,将其外接矩形作为待处理的区域。根据轮廓信息,将前景分割为多个独立区域,并筛选出较大且符合光照区域形状特征的区域。
步骤三:环境光照强度特性分析,主要包括以下两个部分:
1)利用隧道的结构特征,获得照明灯光与隧道路面间的相对位置特征。光照区域主要包括光线在路面的照射区域和发光源以自身向四周墙壁的扩散区域。由于隧道灯具的安装特点,受影响的两个区域相互独立不连通,可分别提取进行处理。
2)根据相对位置特征、光照辐射特性和漫反射特性,建立光照模型描述光照干扰区域的光强分布特性。隧道洞内的环境照明灯为LED隧道灯,而隧道灯向隧道空间内均匀照射。由于灯光是直接照射到隧道路面或墙壁上,传输路径上的光束无分束,可将隧道照明灯视作均匀点光源向空间发射球面波,则该光源点在传输方向上的强度和照度与该点同点光源的距离平方成反比。同时,路面漫反射特性较好且环境光照连续,可以利用传统的Lambert漫反射模型描述,则环境光照的距离-光强关系如下所示:
其中,In为光源点光照强度,h为光源点到路面的垂直距离,对于同一平面该值恒定,d为坐标点(x,y)同光照区域中心点的距离。
步骤四:前景区域的离散程度判定,主要包括以下四个部分:
1)求取各像素点的同背景像素点的差值。光照强值并不能简单地通过公式计算得到,而需要收集隧道场景的材质信息进行折算。但光照强度的变化表现光线照射点所对应点像素值的变化,隧道场景材质信息差异较小,光照强度的变化率可用像素值差表征。
2)利用区域内差值的质心作为该区域的中心点。通过求取区域像素值差的质心,可以较好的贴合理想的峰值点,抑制干扰的影响。所以,峰值的坐标点可以计算为:
其中,(xp,yp)表示峰值点的坐标值,M表示区域内像素点个数,(xi,yi)表示区域内第i点的坐标值,Wi表示区域内第i点的像素值差。
3)利用中心点获得区域内各像素点同中心点的距离同像素值差的散点关系,并用光照模型中的关系对散点拟合。对于图像中任意一点,通过中心点坐标值可求取该点距中心点的像素值距离,同时利用像素差值反应光照强度,即同峰值点的距离和像素值差满足一定的方程关系,拟合曲线为:
其中,d表示坐标(x,y)上的点同峰值点(即原点)的距离,D(x,y)表示坐标(x,y)上的像素值差,P表示光源处能产生的像素差值,P、h在同一区域为恒定值。
4)对区域的离散程度进行评价。常用的可以反映数据离散程度的统计量有平均差、标准差、方差等,但这些常用的可以反映数据离散程度的统计量,都是数值的绝对量,无法规避数值度量单位的影响。所以选择变异系数这一无量纲量反映数据集的变异情况或者离散程度。其方程如下所示:
其中,M表示离散点的个数,Pi表示第i个离散点的像素值差,f(xi)表示拟合函数中第i个离散点距离xi所对应的像素值差。
步骤五:环境光照干扰抑制,主要包括以下两个部分:
1)利用离散程度对区域是否为光照区域进行判断。根据实验数据分析,光照区域和非光照区域的判断阈值为0.7029,即:
2)在运动目标前景中剔除光照干扰区域,并重新背景建模,以适应场景的变化。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明要求保护的范围当中。
Claims (5)
1.一种基于区域离散性的隧道场景环境光照干扰抑制方法,其特征在于:包括以下步骤:
步骤一:获取隧道场景视频图像并提取前景区域;
步骤二:分割前景获取多个前景;
步骤三:建立用于描述光照区域的光强分布特性的光照模型;
步骤四:根据光照模型计算并判定前景区域的离散程度;
步骤五:根据离散程度判断前景区域是否为光照区域,如果是光照区域,则在前景中剔除所对应的前景,并返回步骤一重建背景模型;如果不是,则结束;
所述步骤四中前景区域的离散程度判定,具体包括以下步骤:
41)求取各像素点同背景像素点的差值;
42)利用前景区域内差值的质心作为区域中心点,通过求取区域像素值差的质心来确定峰值点,所述峰值点的坐标按照以下公式来计算:
其中,(xp,yp)表示峰值点的坐标值,M表示区域内像素点个数,(xi,yi)表示区域内第i点的坐标值,Wi表示区域内第i点的像素值差;
43)利用中心点获得区域内各像素点同中心点的距离,以及各像素点同像素值差的散点关系,并用光照模型中的关系对散点拟合;对于图像中任意一点,通过中心点的坐标值求取距中心点的像素值距离,同时利用像素差值反应光照强度,按照以下公式拟合曲线为:
其中,d表示坐标(x,y)上的点与峰值点的距离,D(x,y)表示坐标(x,y)上的像素值差,P表示光源处能产生的像素差值,P、h在同一区域为恒定值;
44)评价前景区域的离散程度,采用以下公式提供的变异系数计算方法来计算离散程度,具体如下所示:
其中,M表示离散点的个数,Pi表示第i个离散点的像素值差,f(xi)表示拟合函数中第i个离散点距离xi所对应的像素值差。
2.如权利要求1所述的基于区域离散性的隧道场景环境光照干扰抑制方法,其特征在于:所述步骤一中的前景区域提取按照以下步骤进行:
首先采用背景差分处理隧道场景视频图像;所述背景差分包括背景建模和背景更新,所述背景建模采用非参数概率密度方法进行,所述背景更新采用帧间差分法进行;
然后将隧道场景视频图像进行二值化,并将提取的二值化图像进行形态学处理。
3.如权利要求1所述的基于区域离散性的隧道场景环境光照干扰抑制方法,其特征在于:所述步骤二中的前景区域分割按照以下步骤进行:
首先提取前景区域的轮廓信息;然后筛选出面积较大的目标前景轮廓,将其外接矩形作为待处理的区域的轮廓信息;最后根据轮廓信息,将前景区域分割为若干独立区域,并筛选出光照区域。
4.如权利要求1所述的基于区域离散性的隧道场景环境光照干扰抑制方法,其特征在于:所述步骤三根据环境光照强度特性来分析光照区域的光强分布特性,具体包括以下两个部分:
31)利用隧道的结构特征,获得照明灯光与隧道路面间的相对位置特征;所述光照区域包括光线在路面的照射区域和发光源以自身向四周墙壁的扩散区域;
32)根据相对位置特征、光照辐射特性和漫反射特性,建立光照模型描述光照干扰区域的光强分布特性;所述光强分布特性采用Lambert漫反射模型描述,具体采用如下公式:
其中,In为光源点光照强度,h为光源点到路面的垂直距离,对于同一平面该值恒定,d为坐标点(x,y)同光照区域中心点的距离。
5.如权利要求4所述的基于区域离散性的隧道场景环境光照干扰抑制方法,其特征在于:所述步骤五中的光照区域的判断,具体如下:
利用离散程度对区域是否为光照区域进行判断,判断变异系数是否大于光照区域阈值,如果是,则为光照区域;如果否,则为非光照区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610370033.4A CN106097382B (zh) | 2016-05-30 | 2016-05-30 | 一种基于区域离散性的隧道场景环境光照干扰抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610370033.4A CN106097382B (zh) | 2016-05-30 | 2016-05-30 | 一种基于区域离散性的隧道场景环境光照干扰抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106097382A CN106097382A (zh) | 2016-11-09 |
CN106097382B true CN106097382B (zh) | 2019-04-30 |
Family
ID=57230333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610370033.4A Active CN106097382B (zh) | 2016-05-30 | 2016-05-30 | 一种基于区域离散性的隧道场景环境光照干扰抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097382B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622502B (zh) * | 2017-07-28 | 2020-10-20 | 南京航空航天大学 | 复杂光照条件下视觉导引***的路径提取与识别方法 |
CN107862664A (zh) * | 2017-11-15 | 2018-03-30 | 广东交通职业技术学院 | 一种图像非真实感绘制方法及*** |
CN108255298B (zh) * | 2017-12-29 | 2021-02-19 | 安徽慧视金瞳科技有限公司 | 一种投影交互***中的红外手势识别方法及设备 |
CN108492287B (zh) * | 2018-03-14 | 2020-06-02 | 罗普特(厦门)科技集团有限公司 | 一种视频抖动检测方法、终端设备及存储介质 |
CN115272134B (zh) * | 2022-09-26 | 2022-12-16 | 南通睿禧智能科技有限公司 | 一种基于pcb干扰反光识别的pcb图像去反光方法 |
CN116030633B (zh) * | 2023-02-21 | 2023-06-02 | 天津汉云工业互联网有限公司 | 一种车辆隧道预警方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763646A (zh) * | 2009-12-30 | 2010-06-30 | 深圳大学 | 一种阴影检测的方法、装置及视频图像处理*** |
CN103810703A (zh) * | 2014-01-22 | 2014-05-21 | 安徽科力信息产业有限责任公司 | 一种基于图像处理的隧道视频运动目标检测方法 |
CN104778725A (zh) * | 2015-04-14 | 2015-07-15 | 长兴泛亚照明电器有限公司 | 一种背景自适应更新的地下车库及隧道运动目标检测方法 |
-
2016
- 2016-05-30 CN CN201610370033.4A patent/CN106097382B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763646A (zh) * | 2009-12-30 | 2010-06-30 | 深圳大学 | 一种阴影检测的方法、装置及视频图像处理*** |
CN103810703A (zh) * | 2014-01-22 | 2014-05-21 | 安徽科力信息产业有限责任公司 | 一种基于图像处理的隧道视频运动目标检测方法 |
CN104778725A (zh) * | 2015-04-14 | 2015-07-15 | 长兴泛亚照明电器有限公司 | 一种背景自适应更新的地下车库及隧道运动目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Efficient multi-camera vehicle detection, tracking, and identification in a tunnel surveillance application;Reyes Rios-Cabrera等;《Computer Vision and Image Understanding》;20120630;第116卷(第6期);742-753 |
基于视频检测技术的隧道停车检测与识别算法;孙棣华等;《计算机测量与控制》;20131231;第21卷(第12期);3193-3196,3200 |
抗光照干扰的人脸识别算法研究;肖敏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115;11-51 |
Also Published As
Publication number | Publication date |
---|---|
CN106097382A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097382B (zh) | 一种基于区域离散性的隧道场景环境光照干扰抑制方法 | |
CN103069434B (zh) | 用于多模式视频事件索引的方法和*** | |
CN103345766B (zh) | 一种信号灯识别方法及装置 | |
CN102819764B (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
CN104732235B (zh) | 一种消除夜间道路反光干扰的车辆检测方法 | |
CN103927520A (zh) | 一种逆光环境下人脸检测方法 | |
CN106934808A (zh) | 一种视觉感知下汽车前灯尾灯识别跟踪方法 | |
CN102567722B (zh) | 一种基于码本模型和多特征的早期烟雾检测方法 | |
CN107622502A (zh) | 复杂光照条件下视觉导引***的路径提取与识别方法 | |
CN103150559A (zh) | 基于Kinect三维深度图像的头部识别与跟踪方法 | |
Wang et al. | A new fire detection method using a multi-expert system based on color dispersion, similarity and centroid motion in indoor environment | |
CN105426828A (zh) | 人脸检测方法、装置及*** | |
CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
CN102915433A (zh) | 基于字符组合的车牌定位和识别方法 | |
CN104835145A (zh) | 基于自适应Codebook背景模型的前景检测方法 | |
CN102930334A (zh) | 视频人体轮廓识别计数器 | |
CN105046218A (zh) | 一种基于串并行处理的多特征交通视频烟雾检测方法 | |
CN109255326A (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
Garg et al. | Real-time road traffic density estimation using block variance | |
CN103400113A (zh) | 基于图像处理的高速公路隧道行人检测方法 | |
CN105893970A (zh) | 基于亮度方差特征的夜间道路车辆检测方法 | |
CN104090658A (zh) | 基于hog特征的人体图像检测方法 | |
Kim et al. | Color segmentation robust to brightness variations by using B-spline curve modeling | |
CN108182431A (zh) | 一种基于最大稳定极值区域和遗传优化svm的交通标志识别方法 | |
CN102044152A (zh) | 一种昼夜视频检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230206 Address after: 213399 room 5025, building B, 218 Hongkou Road, Kunlun Street, Liyang City, Changzhou City, Jiangsu Province Patentee after: Liyang Smart City Research Institute of Chongqing University Address before: 400044 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |