一种基于虚拟号牌的无牌车辆识别方法
阅读：845发布：2020-05-12
专利汇可以提供一种基于虚拟号牌的无牌车辆识别方法专利检索，专利查询，专利分析的服务。并且本 发明 公开一种基于虚拟号牌的无牌车辆识别方法，其特征在于，所述方法包括：步骤1为虚拟号牌构建步骤,包括基于视频或图像进行车辆检测，获得车辆特写图,对车辆图像进行特征提取,生成虚拟号牌，构建虚拟号牌库；步骤2为虚拟号牌库识别步骤,包括基于视频或图像进行目标车辆检测，获得目标车辆特写图，对目标车辆图像进行特征提取,生成虚拟号牌,与所述虚拟号牌库比对结果。该方法是在基于 图像识别 的 基础 上，对于每一辆车来说，生成唯一的车辆虚拟号牌，从而不用车牌识别也能有效的查找检索出目标车辆，对于高速公路逃费稽查、无牌车闯红灯、肇事车辆快速查找等多种交通应用有着积极意义。，下面是一种基于虚拟号牌的无牌车辆识别方法专利的具体信息内容。
1.一种基于虚拟号牌的无牌车辆识别方法，其特征在于，所述方法包括：
步骤1为虚拟号牌构建步骤,包括基于视频或图像进行车辆检测，获得车辆图像,对车辆图像进行特征提取,生成虚拟号牌，构建虚拟号牌库；
步骤2为虚拟号牌库识别步骤,包括基于视频或图像进行目标车辆检测，获得目标车辆图像，对目标车辆图像进行特征提取,生成虚拟号牌,与所述虚拟号牌库比对结果；
所述步骤2包括：
步骤2-1、基于视频或图像进行目标车辆检测，提取目标车辆图像；
步骤2-2、对目标车辆图像进行特征提取，所述特征提取是基于深度学习所描述的图像特征，所述图像特征包括描述全车图像的若干维全局特征，和/或描述车辆局部区域的若干维局部特征；所述深度学习包括采用快速区域深度卷积神经网络目标检测算法，所述快速区域深度卷积神经网络目标检测算法包括在得到车辆的图像之后，利用深度卷积方法，将所述图像作为深度卷积神经网络的输入，通过前馈神经网络计算得到车辆图像的若干维全局特征，同时按照几何位置关系确定局部区域，以此为基础获取相应的若干维局部特征；
步骤2-3、将所得的目标车辆的全局特征和/或局部特征量化，并存储，生成目标车辆的虚拟号牌；
步骤2-4、将目标车辆的虚拟号牌与虚拟号牌库中的虚拟号牌逐一比对，得到识别结果。
2.根据权利要求1所述的一种基于虚拟号牌的无牌车辆识别方法，其特征在于，所述步骤1包括：
步骤1-1、基于视频或图像进行车辆检测，提取车辆图像；
步骤1-2、对车辆图像进行特征提取，所述特征提取是基于深度学习所描述的图像特征，所述图像特征包括描述全车图像的若干维全局特征，和/或描述车辆局部区域的若干维局部特征；
步骤1-3、将所得的全局特征和/或局部特征量化，并存储，生成虚拟号牌，构建虚拟号牌库。
3.根据权利要求2所述的基于虚拟号牌的无牌车辆识别方法，其特征在于：步骤1-2或者步骤2-2中，不采用所述深度学习的方法，而是采用级联特征目标检测方法。
4.根据权利要求2所述的一种基于虚拟号牌的无牌车辆识别方法，其特征在于，所述步骤1-3包括将获得的全局特征以及局部特征形成完整的特征向量并无损的存储于特征库中，以此构建车辆的虚拟号牌库，或者根据大量样本数据的训练，将特征按照训练阈值形成哈希码，根据相应的哈希表征算法形成二维码，以此构建车辆的虚拟号牌库。
5.根据权利要求1所述的一种基于虚拟号牌的无牌车辆识别方法，其特征在于，所述步骤2-4包括采用分布式并行计算的方式，采用倒数比距离与余弦距离将目标车辆的虚拟号牌和数据库中的虚拟号牌进行距离相似度匹配，从而进行车辆比对分析。
6.根据权利要求5所述的一种基于虚拟号牌的无牌车辆识别方法，其特征在于，所述步骤2-4包括当相似度高于一定阈值时，判定识别成功，并输出所匹配的虚拟号牌结果。
一种基于虚拟号牌的无牌车辆识别方法
技术领域
背景技术
[0002] 伴随我国交通事业的快速发展与民用车辆的大规模增加，通过图像对行驶车辆进行分类管理显得尤为重要，特别时对于无牌车的识别与管理工作。目前还没有一种成熟的无牌车识别解决方案，由于该方案需要准确获取车辆的位置大小、车辆品牌、年检标、挂件等信息，以此唯一确定同一车辆。只有这样才能有效的进行无牌车检索与管理，但是以往的方法往往由于特征描述不全面，导致该项工作展开的并不是很好。
发明内容
[0003] 为了有效的查找检索出目标车辆，通过图像处理构建虚拟号牌库，由此提高无牌车的识别和管理。本发明的目的是通过以下技术方案实现的。
[0004] 一种基于虚拟号牌的无牌车辆识别方法，其特征在于，所述方法包括：步骤1为虚拟号牌构建步骤,包括基于视频或图像进行车辆检测，获得车辆图像,对车辆图像进行特征提取,生成虚拟号牌，构建虚拟号牌库；步骤2为虚拟号牌库识别步骤,包括基于视频或图像进行目标车辆检测，获得目标车辆图像，对目标车辆图像进行特征提取,生成虚拟号牌,与所述虚拟号牌库比对结果。
[0005] 优选地，所述步骤1包括：
[0006] 步骤1-1、基于视频或图像进行车辆检测，提取车辆图像；
[0007] 步骤1-2、对车辆图像进行特征提取，所述特征提取是基于深度学习所描述的图像特征，所述图像特征包括描述全车图像的若干维全局特征，和/或描述车辆局部区域的若干维局部特征；
[0008] 步骤1-3、将所得的全局特征和/或局部特征量化，并存储，生成虚拟号牌，构建虚拟号牌库。
[0009] 优选地，所述步骤2包括：
[0010] 步骤2-1、基于视频或图像进行目标车辆检测，提取目标车辆图像；
[0011] 步骤2-2、对目标车辆图像进行特征提取，所述特征提取是基于深度学习所描述的图像特征，所述图像特征包括描述全车图像的若干维全局特征，和/或描述车辆局部区域的若干维局部特征；
[0012] 步骤2-3、将所得的目标车辆的全局特征和/或局部特征量化，并存储，生成目标车辆的虚拟号牌；
[0013] 步骤2-4、将目标车辆的虚拟号牌与虚拟号牌库中的虚拟号牌逐一比对，得到识别结果。
[0015] 优选地，步骤1-2或者步骤2-2中，不采用所述深度学习的方法，而是采用级联特征目标检测方法。
[0016] 优选地，所述快速区域深度卷积神经网络目标检测算法包括在得到车辆的图像之后，利用深度卷积方法，将所述图像作为深度卷积神经网络的输入，通过前馈神经网络计算得到车辆图像的若干维全局特征，同时按照几何位置关系确定局部区域，以此为基础获取相应的若干维局部特征。
[0017] 优选地，所述步骤1-3包括将获得的全局特征以及局部特征形成完整的特征向量并无损的存储于特征库中，以此构建车辆的虚拟号牌库，或者根据大量样本数据的训练，将特征按照训练阈值形成哈希码，根据相应的哈希表征算法形成二维码，以此构建车辆的虚拟号牌库。
[0018] 优选地，所述步骤2-4包括采用分布式并行计算的方式，采用倒数比距离与余弦距离将目标车辆的虚拟号牌和数据库中的虚拟号牌进行距离相似度匹配，从而进行车辆比对分析。
[0019] 优选地，所述步骤2-4包括当相似度高于一定阈值时，判定识别成功，并输出所匹配的虚拟号牌结果。
[0020] 本发明的优点在于：在基于图像识别的基础上，充分利用车辆的全局与局部特征，包括但不仅限于基于深度学习或级联目标描述的图像特征。进而生成虚拟号牌与比对，综合考虑了整体与局部信息，以此为基础，对于每一辆车来说，可以生成唯一的车辆虚拟号牌，从而不用车牌识别也能有效的查找检索出目标车辆，对于高速公路逃费稽查、无牌车闯红灯、肇事车辆快速查找等多种交通应用有着积极意义。附图说明
[0021] 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0023] 图2示出了根据本发明实施例的多层卷积神经网络模型的结构图；
[0024] 图3示出了根据本发明实施例的改进的多层卷积神经网络模型的结构图。
[0025] 图4示出了根据本发明实施例的DPM+深度目标检测用于车辆识别的方法流程图。
具体实施方式
[0027] 下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0028] 根据本发明的实施例，公开了一种基于虚拟号牌的无牌车辆识别方法，所述方法包括如下步骤：
[0029] 步骤1-1、基于视频或图像进行车辆检测，提取车辆图像；
[0030] 步骤1-2、对车辆图像进行特征提取，所述特征提取是基于深度学习(例如：快速区域深度卷积神经网络目标检测算法)所描述的图像特征，所述图像特征包括描述全车图像的若干维(例如4096维)全局特征，也可以包括描述车辆局部区域的若干维局部特征，比如车辆车窗、年检标、排气栅格、挂坠等局部区域的若干维(例如4096维)局部特征；
[0031] 步骤1-3、将所得的全局特征和/或局部特征量化，并存储，生成虚拟号牌，构建虚拟号牌库；
[0032] 步骤2-1、基于视频或图像进行目标车辆检测，提取目标车辆图像；
[0033] 步骤2-2、对目标车辆图像进行特征提取，所述特征提取是基于深度学习(例如：快速区域深度卷积神经网络目标检测算法)所描述的图像特征，所述图像特征包括描述全车图像的若干维(例如4096维)全局特征，和/或描述车辆局部区域的若干维局部特征，比如车辆车窗、年检标、排气栅格、挂坠等局部区域的若干维(例如4096维)局部特征；
[0034] 步骤2-3、将所得的目标车辆的全局特征和/或局部特征量化，并存储，生成目标车辆的虚拟号牌；
[0035] 步骤2-4、将目标车辆的虚拟号牌与虚拟号牌库中的虚拟号牌逐一比对，得到识别结果。
[0036] 根据本发明的实施例，车辆图像属于自然图像，其图像的一部分的统计特性与其他部分是一样的，由此在一部分学习的特征也能用在另一部分上，所以对于这个图像上的所有位置，可以使用同样的学习特征。
[0037] 优选地，在步骤1-2中，快速区域深度卷积神经网络目标检测算法包括在得到车辆的图像之后，利用深度卷积方法，将所述图像作为深度卷积神经网络的输入，通过前馈神经网络计算得到车辆图像的若干维全局特征，同时按照几何位置关系确定局部区域，以此为基础获取相应的若干维局部特征。具体地，基于卷积神经网络得到若干维全局特征或者若干维局部特征包括如下步骤：
[0038] 对于所采集的车辆图像，从车辆特写全局图像中(或者从车辆车窗、年检标、排气栅格、挂坠等局部区域图像中)随机选取一小块，例如3x3作为样本，从这个小块样本中学习一些特征，可以把从这个3x3样本中学习到的特征作为探测器，应用到车辆图像的任意地方中去。优选地，用从3x3样本中所学习到的特征跟原本的车辆图像(包括车辆特写全局图像或者车辆车窗、年检标、排气栅格、挂坠等局部区域图像)作卷积，从而对图上的任一位置获得一个不同特征的激活值。根据本发明的实施例，首先从一个96x96的车辆图像中学习到它的一个3x3的样本所具有的特征，假设这是由有100个隐含单元的自编码完成的。对96x96的图像的每个3x3的小块图像区域都进行卷积运算，以得到卷积特征。也就是说，抽取3x3的小块区域，并且从起始坐标开始依次标记为(1，1)，(1，2)，...，一直到(94，94)，然后对抽取的区域逐个运行训练过的稀疏自编码来得到特征的激活值。在这个实施例中，可以得到100个集合，每个集合含有89x89个卷积特征。按照本发明实施例，卷积处理过程为：假设给定了r*c的车辆图像，将其定义为Xlarge。首先通过从车辆图像中抽取的a*b的小尺寸图像样本Xsmall训练稀疏自编码，得到了k个特征(k为隐含层神经元数量)，然后对于Xlarge中的每个a*b大小的块，求激活值fs，然后对这些fs进行卷积。这样得到(r-a+1)*(c-b+1)*k个卷积后的特征矩阵。
[0039] 在通过卷积获得了车辆图像的特征之后，利用这些特征去做分类。现有技术中使用的是把所有解析出来的特征关联到一个分类器，例如softmax分类器，计算量非常大。例如：对于一个96X96像素的图像，通过3x3个输入学习得到了400个特征，而每一个卷积都会得到一个(96-3+1)*(96-3+1)＝8836的结果集，由于已经得到了400个特征，所以对于每个样例结果集的大小就将达到百万级的特征。而学习一个拥有超过百万特征的输入的分类器极易出现过度拟合的现象。为了解决这个问题并且描述大的图像，在本发明的实施例中，对车辆图像的不同位置的特征进行聚合统计，优选地，计算图像一个区域上的某个特定特征的平均值(或最大值)。这些概要统计特征不仅具有低得多的维度(相比使用所有提取得到的特征)，同时还会改善结果(不容易过度拟合)。将这些区域的平均(或最大)特征来最为改进的卷积特征，用于做分类。
[0040] 通常地，车辆图像使用的是彩色图，彩色图有3个通道，对于每一个通道单独进行卷积和池化，隐藏层的每一个值是对应到一幅图的3个通道穿起来的，所以分3个通道进行卷积之后要加起来，正好才能对应到一个隐藏层的神经元上，即对应到一个特征。
[0041] 进一步地，在具体的实施方式中，使用多层卷积，然后再使用全连接层进行训练，多层卷积的目的是一层卷积学到的特征往往是局部的，层数越高，学到的特征就越全局化。可以采用图2所示的模型对车辆图像进行卷积。该模型采用了2-GPU并行结构，即第1、2、4、5卷积层都是将模型参数分为2部分进行训练的。在这里，更进一步，并行结构分为数据并行与模型并行。数据并行是指在不同的GPU上，模型结构相同，但将训练数据进行切分，分别训练得到不同的模型，然后再将模型进行融合。而模型并行则是，将若干层的模型参数进行切分，不同的GPU上使用相同的数据进行训练，得到的结果直接连接作为下一层的输入。
[0042] 图2所示模型的基本参数为：
[0043] 输入：224×224大小的车辆图像，3通道
[0044] 第一层卷积：5×5大小的卷积核96个，每个GPU上48个。
[0045] 第一层max-pooling：2×2的核。
[0046] 第二层卷积：3×3卷积核256个，每个GPU上128个。
[0047] 第二层max-pooling：2×2的核。
[0048] 第三层卷积：与上一层是全连接，3*3的卷积核384个。分到两个GPU上个192个。
[0049] 第四层卷积：3×3的卷积核384个，两个GPU各192个。该层与上一层连接没有经过pooling层。
[0050] 第五层卷积：3×3的卷积核256个，两个GPU上个128个。
[0051] 第五层max-pooling：2×2的核。
[0052] 第一层全连接：4096维，将第五层max-pooling的输出连接成为一个一维向量，作为该层的输入。
[0053] 第二层全连接：4096维
[0054] Softmax层：输出为1000，输出的每一维都是车辆图像属于该类别的概率。
[0055] 进一步地，可以采用图3的结构对上述模型进行改进。在图3中，在最后只有一层全连接层，然后就是softmax层了，其中，以该全连接层作为图像的表示。在全连接层，以第四层卷积和第三层max-pooling的输出作为全连接层的输入，由此学习到车辆图像局部的和全局的特征。
[0056] 在步骤1-3中，将获得的全局特征以及局部特征形成完整的特征向量并无损的存储于特征库中，以此构建车辆的虚拟号牌库，或者根据大量样本数据的训练，将特征按照训练阈值形成哈希码，根据相应的哈希表征算法形成二维码，以此构建车辆的虚拟号牌库。
[0057] 优选地，该步骤中构建车辆的虚拟号牌库可以采用如下三种算法之一：
[0058] 算法一的步骤为：
[0059] 1.按照前述的卷积神经网络算法把图片统一缩放到8*8，共64个像素的图片。2.转化为灰度图：把缩放后的图片转化为256阶的灰度图。
[0060] 灰度图相关算法如下(R＝red，G＝green，B＝blue)：
[0061] 1).浮点算法：Gray＝R*0.3+G*0.59+B*0.11
[0062] 2).整数方法：Gray＝(R*30+G*59+B*11)/100
[0063] 3).移位方法：Gray＝(R*76+G*151+B*28)>>8；
[0064] 4).平均值法：Gray＝(R+G+B)/3；
[0065] 5).仅取绿色：Gray＝G；
[0066] 3.计算平均值：计算进行灰度处理后图片的所有像素点的平均值。
[0067] 4.比较像素灰度值：遍历灰度图片每一个像素，如果大于平均值记录为1，否则为0。
[0068] 5.得到信息指纹：组合64个bit位，顺序随意保持一致性。
[0069] 6.采用距离比对，距离越大则说明图片越不一致，反之，距离越小则说明图片越相似，当距离为0时，说明完全相同。
[0070] 算法二的步骤为：
[0071] 1.按照前述的卷积神经网络算法把图片统一缩放到32*32的大小，方便DCT计算。
[0072] 2.转化为灰度图：把缩放后的图片转化为256阶的灰度图。(具体算法见算法一的步骤)
[0073] 3.计算DCT:DCT把图片分离成分率的集合。
[0075] 5.计算平均值：计算缩小DCT后的所有像素点的平均值。
[0076] 6.进一步减小DCT：大于平均值记录为1，反之记录为0。
[0077] 7.得到信息指纹：组合64个信息位，顺序随意保持一致性即可。
[0078] 8.采用距离比对，距离越大则说明图片越不一致，反之，距离越小则说明图片越相似，当距离为0时，说明完全相同。
[0079] 算法三的步骤为：
[0080] 1.按照前述的卷积神经网络算法把图片统一缩放到9*8的大小，共72个像素点。
[0081] 2.转化为灰度图：把缩放后的图片转化为256阶的灰度图。(具体算法见算法一的步骤)
[0082] 3.计算差异值：算法三是工作在相邻像素之间，这样每行9个像素之间产生了8个不同的差异，一共8行，则产生了64个差异值。
[0083] 4.获得指纹：如果左边的像素比右边的更亮，则记录为1，否则为0。
[0084] 5.得到信息指纹：组合64个信息位，顺序随意保持一致性即可。
[0085] 6.采用距离比对，距离越大则说明图片越不一致，反之，距离越小则说明图片越相似，当距离为0时，说明完全相同。
[0086] 在步骤2-2中，采用与步骤1-2相类似的方法，基于卷积神经网络得到目标车辆的若干维全局特征或者若干维局部特征。
[0087] 在步骤2-3中，与步骤1-3类似地，将步骤2-2所得的目标车辆的全局特征和/或局部特征量化，并存储，生成目标车辆的虚拟号牌。
[0088] 在步骤2-4中，采用分布式并行计算的方式，采用倒数比距离与余弦距离将目标车辆的虚拟号牌和数据库中的虚拟号牌进行距离相似度匹配，从而进行车辆比对分析，当相似度高于一定阈值时，判定识别成功，并输出所匹配的虚拟号牌结果。
[0089] 在具体的实施例中，采用距离相似度匹配进行判断是采用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。向量是多维空间中有方向的线段，如果两个向量的方向一致，即夹角接近零，那么这两个向量就相近。而要确定两个向量方向是否一致，这就要用到余弦定理计算向量的夹角。假定三角形的三条边为a，b和c，对应的三个角为A，B和C，那么角A的余弦为：
[0090] 如果将三角形的两边b和c看成是两个向量，则上述公式等价于：
[0091] 其中分母表示两个向量b和c的长度，分子表示两个向量的内积。
[0092] 在本发明的实施例中，步骤1-3得到的虚拟号牌库中特征向量X和步骤2-3得到的目标车辆虚拟号牌的特征向量Y分别是：
[0093] x1,x2,...,x6400和y1,y2,...,y6400
[0094] 则，它们之间的余弦距离可以用它们之间夹角的余弦值来表示：
[0095]
[0096] 当向量夹角余弦愈趋近于1时，特征向量趋近于完全重复。当向量夹角余弦高于一定阈值时，判定识别成功，并输出所匹配的虚拟号牌库中的虚拟号牌结果。
[0097] 在本发明的另一个优选实施例中，步骤1-2或者步骤2-2中，不采用单一的深度学习的方法，而是采用级联特征目标检测方法。具体地，采用DPM(形变部件模型)与深度目标检测相结合的方法，其中，DPM作为目标检测算法，该算法的步骤简要概括为：
[0098] 1模版级联形状特征提取；
[0099] 2全局图像级联形状特征提取；
[0100] 3基于快速滑窗匹配的SVM目标检测与位置拟合。
[0102] 1图像多分辨率金字塔构建；
[0103] 2分级深度前馈计算，获取多层级特征图；
[0104] 3基于SOFTMAX快速滑窗匹配的目标检测；
[0105] 4多级投票机制的区域位置NMS拟合。
[0106] 本发明的优选实施例中，所采用的算法处理是将DPM和深度目标检测相结合。通常地，深度目标检测算法在目标的检测率中表现出优异的性能，但是由于没有考虑到物体内在的几何结构关系，特别是对于车辆、自行车、行人等刚性结构比较明确的物体，因此本发明将DPM算法中的弹簧形变模型引入到深度学习模型中。DPM+深度目标检测用于车辆识别的方法流程图如图4所示。
[0107] 本发明的深度卷积网络结构如图5所示，该网络充分利用了图像的局部与全局信息特征，包含图像的纹理、颜色、梯度等多种深度特征，自底向上从抽象到具体，真正实现了全方位准确描述。在具体卷积操作时，下一层的卷积操作不光是依赖上一层的卷积层，还依赖上几层的卷积，这样能够充分的考虑区域一致性，正是这种近似冗余的描述使得算法的鲁棒性很高。
[0108] 本发明没有采用现有技术中的百层甚至千层神经网络，而是结合实际提出了特有的深度卷积神经网络结构，该网络结构清晰简便，可操作性与可扩展性非常高。
[0109] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于生成对抗网络的空调用户调频能力评估方法 | 2020-05-08 | 178 |
| 一种利用基于图论的多重交互网络机制解决视频问答问题的方法 | 2020-05-11 | 621 |
| 高阶邻域混合的网络表示学习方法及装置 | 2020-05-12 | 581 |
| 一种智能学习的纯电动汽车能量管理控制方法 | 2020-05-13 | 823 |
| 一种信息中心网络中基于深度学习的自适应拥塞控制方法 | 2020-05-15 | 290 |
| 一种含在线修正的航空发动机智能多变量控制方法 | 2020-05-12 | 87 |
| 基于神经计算的短波单站多目标地理坐标快速估计方法 | 2020-05-08 | 996 |
| 一种处理汽车气动系统数据的方法 | 2020-05-11 | 809 |
| 基于大数据的行业分类方法、装置、设备及存储介质 | 2020-05-11 | 937 |
| 一种基于深度多模态数据融合的商品点击率预测方法 | 2020-05-12 | 366 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈