CN107622667B - 一种变造车牌号码检测方法及*** - Google Patents
一种变造车牌号码检测方法及*** Download PDFInfo
- Publication number
- CN107622667B CN107622667B CN201710895548.0A CN201710895548A CN107622667B CN 107622667 B CN107622667 B CN 107622667B CN 201710895548 A CN201710895548 A CN 201710895548A CN 107622667 B CN107622667 B CN 107622667B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- monitoring equipment
- passing
- information
- end monitoring
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变造车牌号码检测方法和***,其中方法步骤为:利用所有设置于前端监测设备点位的前端监测设备自动采集通过的机动车辆的前脸高清图像;对所有采集的前脸高清图像计算车辆特征信息;根据道路网络信息以及前端监测设备点位分布信息,针对当前通过的机动车辆建立动态车辆特征库;将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,判断是否有变造车牌的违法行为。本发明通过每一个当前待检测的机动车辆设置动态车辆特征库,解决了大数据分析难以对所有车辆进行精确特征识别的缺陷,增加检测结果的效率和准确性。本发明作为一种变造车牌号码检测方法及***可广泛应用于智能交通领域。
Description
技术领域
本发明涉及智能交通领域,尤其是一种变造车牌号码检测方法及***。
背景技术
目前,变造车牌号码的违法行为在高速公路、城市快速通道上经常发生,严重影响了道路交通安全管理、社会治安管理。该类违法行为有可能掩盖道路超速违法行为、涉车案件线索等。
目前,实现变造车牌号码检测的方法,主要由人工,和车牌号码比对技术实现,此类方法费时费力,而且效率不高,严重制约道路交通安全管理、社会治安管理。虽然,现在一些交通管理平台采用了大数据分析技术,提升了检测效率,因为大数据分析方法需要对所有车辆实现精确的特征识别,对变造车牌号码违法行为的捕获率和有效率没有显著提升。
发明内容
为了解决上述技术问题,本发明的目的是:提供一种计算速度快、捕获率高的变造车牌号码检测方法。
为了解决上述技术问题,本发明的另一目的是:提供一种计算速度快、捕获率高的变造车牌号码检测***。
本发明所采用的技术方案是:一种变造车牌号码检测方法,包括有以下步骤:
利用所有设置于前端监测设备点位的前端监测设备自动采集通过的机动车辆的前脸高清图像;
对所有采集的前脸高清图像计算车辆特征信息;
根据道路网络信息以及前端监测设备点位分布信息,针对当前通过的机动车辆建立动态车辆特征库;
将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,根据对比结果判断当前通过的机动车辆是否有变造车牌的违法行为。
进一步,根据道路网络信息以及前端监测设备点位分布信息,建立动态车辆特征库这一步骤,具体为:
定位当前通过的机动车辆所经过的前端监测设备点位;
根据上述信息数据以及道路网络信息,确定当前通过的机动车辆经过该前端监测设备之前的所有可能路径;
根据上述可能路径,提取每个可能路径上的前端监测设备点位;
计算当前通过的机动车辆必定经过的前端监测设备点位;
提取上述必定经过的前端监测设备点位的车辆特征信息,建立动态的车辆特征库。
进一步,所述车辆特征信息包括有对前脸高清图像进行图像数据处理得到的车牌号码、车身颜色、车辆品牌和/或车辆品牌子型号。
进一步,将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,根据对比结果判断当前通过的机动车辆是否有变造车牌的违法行为这一步骤,具体为:
计算当前通过的机动车辆的车辆特征信息,并与动态车辆特征库的数据进行比对;
对车辆特征信息的比对结果进行加权计算,得出车辆信息相似度值,当车辆信息相似度值不小于一定阈值,则判断当前通过的机动车辆不存在变造车牌的违法行为。
进一步,所述车辆特征信息的比对结果为0或1,0表示比对结果不相同,1表示比对结果相同。
进一步,所述车辆特征信息包括有利用深度学习模型对前脸高清图像进行计算得到的车辆特征向量。
进一步,所述车辆特征向量的维度为1×2048。
进一步,对车辆特征信息的比对结果进行加权计算,得出车辆信息相似度值小于一定阈值时,计算车辆特征向量相似度,计算公式如下:
车辆特征向量相似度=(1-特征向量欧式距离/固定值)
将车辆特征向量的比对结果进行降序排序,如果比对结果序列中最大值大于0.8,则判定当前通过车辆为嫌疑车辆,向上级平台告警,由上级平台进行后续处理。
本发明所采用的另一技术方案是:一种变造车牌号码检测***,包括有
前端监测设备,设置于前端监测设备点位,用于自动采集通过的机动车辆的前脸高清图像;
车辆特征数据库,用于存储对所有采集的前脸高清图像计算得到的车辆特征信息;
动态车辆特征库设置模块,用于根据道路网络信息以及前端监测设备点位分布信息,针对当前通过的机动车辆建立动态车辆特征库;
车辆行为检测模块,用于将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,根据对比结果判断当前通过的机动车辆是否有变造车牌的违法行为。
进一步,所述动态车辆特征库设置模块包括有
前端监测设备点位定位子模块,用于定位当前通过的机动车辆所经过的前端监测设备点位;
路径计算子模块,用于根据上述信息数据以及道路网络信息,确定当前通过的机动车辆经过该前端监测设备之前的所有可能路径;
前端监测设备点位提取子模块,用于根据上述可能路径,提取每个可能路径上的前端监测设备点位;
前端监测设备点位计算子模块,用于计算当前通过的机动车辆必定经过的前端监测设备点位;
动态数据库设置模块,用于将上述必定经过的前端监测设备点位的车辆特征信息存储至车辆特征库。
本发明的有益效果是:本发明方法通过每一个当前待检测的机动车辆设置动态车辆特征库,极大地程度冗余计算量,解决了大数据分析难以对所有车辆进行精确特征识别的缺陷,增加检测结果的效率和准确性。
本发明的另一有益效果是:本发明***通过动态车辆特征库设置模块对每一个当前待检测的机动车辆设置动态车辆特征库,极大地程度冗余计算量,解决了大数据分析难以对所有车辆进行精确特征识别的缺陷,增加检测结果的效率和准确性。
附图说明
图1为本发明方法的步骤流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
参照图1,一种变造车牌号码检测方法,包括有以下步骤:
利用所有设置于前端监测设备点位的前端监测设备自动采集通过的机动车辆的前脸高清图像;
对所有采集的前脸高清图像计算车辆特征信息;
根据道路网络信息以及前端监测设备点位分布信息,针对当前通过的机动车辆建立动态车辆特征库;
将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,根据对比结果判断当前通过的机动车辆是否有变造车牌的违法行为。
若检测到变造车牌的违法行为,可直接告警或者向上级平台告警,由上级平台进行后续处理。
进一步作为优选的实施方式,根据道路网络信息以及前端监测设备点位分布信息,建立动态车辆特征库这一步骤,具体为:
定位当前通过的机动车辆所经过的前端监测设备点位;
根据上述信息数据以及道路网络信息,确定当前通过的机动车辆经过该前端监测设备之前的所有可能路径;
根据上述可能路径,提取每个可能路径上的前端监测设备点位;
计算当前通过的机动车辆必定经过的前端监测设备点位;
提取上述必定经过的前端监测设备点位的车辆特征信息,建立动态的车辆特征库。
进一步作为优选的实施方式,所述车辆特征信息包括有对前脸高清图像进行图像数据处理得到的车牌号码、车身颜色、车辆品牌和/或车辆品牌子型号。
进一步作为优选的实施方式,将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,根据对比结果判断当前通过的机动车辆是否有变造车牌的违法行为这一步骤,具体为:
计算当前通过的机动车辆的车辆特征信息,并与动态车辆特征库的数据进行比对;
对车辆特征信息的比对结果进行加权计算,得出车辆信息相似度值,当车辆信息相似度值不小于一定阈值,则判断当前通过的机动车辆不存在变造车牌的违法行为;
其中车辆信息相似度值的计算公式如下:
车辆信息相似度=车牌号码比对结果×车牌号码权重+车身颜色比对结果×车身颜色权重+车辆品牌比对结果×车辆品牌权重+车辆子品牌比对结果×车辆子品牌权重。
具体的车辆特征信息的权重值和车辆信息相似度值的阈值可根据具体情况设定,例如:车辆信息相似度=车牌号码比对结果*50%+车身颜色比对结果*20%+车辆品牌比对结果*20%+车辆子品牌比对结果*10%;阈值设定为70%,如果车辆信息相似度值大于70%,则认为车辆信息比对成功,当前车辆属于正常车辆。
进一步作为优选的实施方式,所述车辆特征信息的比对结果为0或1,0表示比对结果不相同,1表示比对结果相同。
进一步作为优选的实施方式,所述车辆特征信息包括有利用深度学习模型对前脸高清图像进行计算得到的车辆特征向量。
进一步作为优选的实施方式,所述车辆特征向量的维度为1×2048,即每一张机动车辆的图片都与一个2048为的特征向量一一对应。
在少量情况下,可能存在车辆信息相似度值小于一定阈值,但实际上并不存在变造车牌的违法行为。为了进一步增加结果检测的准确性,避免误判,进一步作为优选的实施方式,对车辆特征信息的比对结果进行加权计算,得出车辆信息相似度值小于一定阈值时,计算车辆特征向量相似度,计算公式如下:
车辆特征向量相似度=(1-特征向量欧式距离/固定值)
将车辆特征向量的比对结果进行降序排序,如果比对结果序列中最大值大于0.8,则判定当前通过车辆为嫌疑车辆,向上级平台告警,由上级平台进行后续处理,即判断当前通过的机动车辆是否存在变造车牌的违法行为。
一种变造车牌号码检测***,包括有
前端监测设备,设置于前端监测设备点位,用于自动采集通过的机动车辆的前脸高清图像;
车辆特征数据库,用于存储对所有采集的前脸高清图像计算得到的车辆特征信息;
动态车辆特征库设置模块,用于根据道路网络信息以及前端监测设备点位分布信息,针对当前通过的机动车辆建立动态车辆特征库;
车辆行为检测模块,用于将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,根据对比结果判断当前通过的机动车辆是否有变造车牌的违法行为。
进一步作为优选的实施方式,所述动态车辆特征库设置模块包括有
前端监测设备点位定位子模块,用于定位当前通过的机动车辆所经过的前端监测设备点位;
路径计算子模块,用于根据上述信息数据以及道路网络信息,确定当前通过的机动车辆经过该前端监测设备之前的所有可能路径;
前端监测设备点位提取子模块,用于根据上述可能路径,提取每个可能路径上的前端监测设备点位;
前端监测设备点位计算子模块,用于计算当前通过的机动车辆必定经过的前端监测设备点位;
动态数据库设置模块,用于将上述必定经过的前端监测设备点位的车辆特征信息存储至车辆特征库。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种变造车牌号码检测方法,其特征在于,包括有以下步骤:
利用所有设置于前端监测设备点位的前端监测设备自动采集通过的机动车辆的前脸高清图像;
对所有采集的前脸高清图像计算车辆特征信息;
根据道路网络信息以及前端监测设备点位分布信息,针对当前通过的机动车辆建立动态车辆特征库;
将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,根据对比结果判断当前通过的机动车辆是否有变造车牌的违法行为;
其中,所述根据道路网络信息以及前端监测设备点位分布信息,针对当前通过的机动车辆建立动态车辆特征库,具体为:
定位当前通过的机动车辆所经过的前端监测设备点位;
根据上述信息数据以及道路网络信息,确定当前通过的机动车辆经过该前端监测设备之前的所有可能路径,上述信息数据为定位当前通过的机动车辆所经过的前端监测设备点位;
根据上述可能路径,提取每个可能路径上的前端监测设备点位;
计算当前通过的机动车辆必定经过的前端监测设备点位;
提取上述必定经过的前端监测设备点位的车辆特征信息,建立动态的车辆特征库;
所述将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,根据对比结果判断当前通过的机动车辆是否有变造车牌的违法行为,具体为:
计算当前通过的机动车辆的车辆特征信息,并与动态车辆特征库的数据进行比对;
对车辆特征信息的比对结果进行加权计算,得出车辆信息相似度值,当车辆信息相似度值不小于一定阈值,则判断当前通过的机动车辆不存在变造车牌的违法行为,所述比对结果包括车牌号码、车身颜色、车辆品牌和/或车辆品牌子型号的比对结果。
2.根据权利要求1所述的一种变造车牌号码检测方法,其特征在于:所述车辆特征信息包括有对前脸高清图像进行图像数据处理得到的车牌号码、车身颜色、车辆品牌和/或车辆品牌子型号。
3.根据权利要求1所述的一种变造车牌号码检测方法,其特征在于:所述车辆特征信息的比对结果为0或1,0表示比对结果不相同,1表示比对结果相同。
4.根据权利要求1所述的一种变造车牌号码检测方法,其特征在于:所述车辆特征信息包括有利用深度学习模型对前脸高清图像进行计算得到的车辆特征向量。
5.根据权利要求4所述的一种变造车牌号码检测方法,其特征在于:所述车辆特征向量的维度为1×2048。
6.根据权利要求4或5所述的一种变造车牌号码检测方法,其特征在于:对车辆特征信息的比对结果进行加权计算,得出车辆信息相似度值小于一定阈值时,计算车辆特征向量相似度,计算公式如下:
车辆特征向量相似度=(1-特征向量欧式距离/固定值)
将车辆特征向量的比对结果进行降序排序,如果比对结果序列中最大值大于0.8,则判定当前通过车辆为嫌疑车辆,向上级平台告警,由上级平台进行后续处理。
7.一种变造车牌号码检测***,其特征在于:包括有
前端监测设备,设置于前端监测设备点位,用于自动采集通过的机动车辆的前脸高清图像;
车辆特征数据库,用于存储对所有采集的前脸高清图像计算得到的车辆特征信息;
动态车辆特征库设置模块,用于根据道路网络信息以及前端监测设备点位分布信息,针对当前通过的机动车辆建立动态车辆特征库;
车辆行为检测模块,用于将当前通过的机动车辆的车辆特征信息与动态车辆特征库的数据进行比对,根据对比结果判断当前通过的机动车辆是否有变造车牌的违法行为;
其中,所述动态车辆特征库设置模块包括有:
前端监测设备点位定位子模块,用于定位当前通过的机动车辆所经过的前端监测设备点位;
路径计算子模块,用于根据上述信息数据以及道路网络信息,确定当前通过的机动车辆经过该前端监测设备之前的所有可能路径,上述信息数据为定位当前通过的机动车辆所经过的前端监测设备点位;
前端监测设备点位提取子模块,用于根据上述可能路径,提取每个可能路径上的前端监测设备点位;
前端监测设备点位计算子模块,用于计算当前通过的机动车辆必定经过的前端监测设备点位;
动态数据库设置模块,用于将上述必定经过的前端监测设备点位的车辆特征信息存储至车辆特征库;
所述车辆行为检测模块包括有:
获取与比对子模块,用于计算当前通过的机动车辆的车辆特征信息,并与动态车辆特征库的数据进行比对;
计算与判断子模块,用于对车辆特征信息的比对结果进行加权计算,得出车辆信息相似度值,当车辆信息相似度值不小于一定阈值,则判断当前通过的机动车辆不存在变造车牌的违法行为,所述比对结果包括车牌号码、车身颜色、车辆品牌和/或车辆品牌子型号的比对结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710895548.0A CN107622667B (zh) | 2017-09-28 | 2017-09-28 | 一种变造车牌号码检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710895548.0A CN107622667B (zh) | 2017-09-28 | 2017-09-28 | 一种变造车牌号码检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107622667A CN107622667A (zh) | 2018-01-23 |
CN107622667B true CN107622667B (zh) | 2021-05-25 |
Family
ID=61090908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710895548.0A Active CN107622667B (zh) | 2017-09-28 | 2017-09-28 | 一种变造车牌号码检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107622667B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272034B (zh) * | 2018-09-07 | 2021-04-30 | 佳都新太科技股份有限公司 | 一种漏检车牌预测方法及处理终端 |
CN113780244A (zh) * | 2021-10-12 | 2021-12-10 | 山东矩阵软件工程股份有限公司 | 一种车辆防换牌检测方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008033859A (ja) * | 2006-08-01 | 2008-02-14 | Mitsubishi Precision Co Ltd | 駐車場管理システム |
KR101069766B1 (ko) * | 2011-03-08 | 2011-10-04 | 주식회사 파워테크놀노지 | 방범용 폐쇄회로 텔레비전과 연동하는 주정차 단속 시스템 및 이를 이용한 주정차 단속 방법 |
CN103116989A (zh) * | 2013-01-29 | 2013-05-22 | 江苏省邮电规划设计院有限责任公司 | 基于智慧城市的***车辆的捕获方法 |
CN103578277A (zh) * | 2012-08-07 | 2014-02-12 | 上海弘视通信技术有限公司 | 套牌嫌疑车搜索方法及其装置 |
US8660890B2 (en) * | 2003-02-21 | 2014-02-25 | Accenture Global Services Limited | Electronic toll management |
CN103700262A (zh) * | 2013-12-26 | 2014-04-02 | 福建省视通光电网络有限公司 | 一种***车辆的区域自动捕获方法 |
JP2014115799A (ja) * | 2012-12-10 | 2014-06-26 | Panasonic Corp | ナンバープレート判定装置 |
CN105894541A (zh) * | 2016-04-18 | 2016-08-24 | 武汉烽火众智数字技术有限责任公司 | 一种基于多视频碰撞的运动目标检索方法和*** |
CN106448178A (zh) * | 2016-09-05 | 2017-02-22 | 青岛海信网络科技股份有限公司 | 一种***分析方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426786B (zh) * | 2011-11-15 | 2014-02-12 | 无锡港湾网络科技有限公司 | 一种自动识别***辆的智能视频分析***及方法 |
CN103914986B (zh) * | 2014-03-14 | 2016-07-13 | 浙江宇视科技有限公司 | 一种套***的方法和装置 |
CN103870832B (zh) * | 2014-03-21 | 2017-11-03 | 浙江宇视科技有限公司 | 车辆整体特征提取方法及车辆型号识别方法 |
CN105320923B (zh) * | 2014-08-05 | 2018-06-12 | 北京大学 | 车型识别方法及装置 |
CN106710225B (zh) * | 2015-07-29 | 2020-03-06 | 杭州海康威视***技术有限公司 | 一种车辆号牌违法的识别方法和监测平台 |
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN106327876B (zh) * | 2016-08-31 | 2018-09-11 | 湖南中信安科技有限责任公司 | 一种基于行车记录仪的***捕捉***及方法 |
-
2017
- 2017-09-28 CN CN201710895548.0A patent/CN107622667B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8660890B2 (en) * | 2003-02-21 | 2014-02-25 | Accenture Global Services Limited | Electronic toll management |
JP2008033859A (ja) * | 2006-08-01 | 2008-02-14 | Mitsubishi Precision Co Ltd | 駐車場管理システム |
KR101069766B1 (ko) * | 2011-03-08 | 2011-10-04 | 주식회사 파워테크놀노지 | 방범용 폐쇄회로 텔레비전과 연동하는 주정차 단속 시스템 및 이를 이용한 주정차 단속 방법 |
CN103578277A (zh) * | 2012-08-07 | 2014-02-12 | 上海弘视通信技术有限公司 | 套牌嫌疑车搜索方法及其装置 |
JP2014115799A (ja) * | 2012-12-10 | 2014-06-26 | Panasonic Corp | ナンバープレート判定装置 |
CN103116989A (zh) * | 2013-01-29 | 2013-05-22 | 江苏省邮电规划设计院有限责任公司 | 基于智慧城市的***车辆的捕获方法 |
CN103700262A (zh) * | 2013-12-26 | 2014-04-02 | 福建省视通光电网络有限公司 | 一种***车辆的区域自动捕获方法 |
CN105894541A (zh) * | 2016-04-18 | 2016-08-24 | 武汉烽火众智数字技术有限责任公司 | 一种基于多视频碰撞的运动目标检索方法和*** |
CN106448178A (zh) * | 2016-09-05 | 2017-02-22 | 青岛海信网络科技股份有限公司 | 一种***分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107622667A (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915644B (zh) | 一种基于差别数据重建的车牌智能判别方法 | |
CN105160330A (zh) | 一种车标识别方法及车标识别*** | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN103279738B (zh) | 车标自动识别方法及*** | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及*** | |
CN112257541A (zh) | 车牌识别方法以及电子设备、计算机可读存储介质 | |
CN113052159A (zh) | 一种图像识别方法、装置、设备及计算机存储介质 | |
CN107622667B (zh) | 一种变造车牌号码检测方法及*** | |
CN111209880A (zh) | 车辆行为识别方法、装置 | |
CN112115939A (zh) | 车辆车牌的识别方法、装置 | |
CN111985295A (zh) | 一种电动自行车行为识别方法、***、工控机及摄像头 | |
CN115019263A (zh) | 交通监管模型的建立方法、交通监管***及方法 | |
CN103473925B (zh) | 一种道路车辆检测***的验证方法 | |
CN107067778A (zh) | 一种车辆反跟踪预警方法及装置 | |
CN104715614A (zh) | 一种嫌疑***捕获方法 | |
CN103679209A (zh) | 基于稀疏理论的字符识别方法 | |
CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
CN112101274A (zh) | 一种车牌识别方法、装置、设备及可读存储介质 | |
CN112124074B (zh) | 基于车辆周边情况实现自动控制车速方法 | |
CN106778765A (zh) | 一种车牌识别的方法及装置 | |
CN115497303A (zh) | 一种复杂检测条件下的高速公路车速检测方法及*** | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN112418000B (zh) | 基于单目摄像头的不良驾驶行为检测方法及*** | |
CN112597924B (zh) | 电动自行车轨迹追踪方法、摄像机装置和服务器 | |
CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 |
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 |