一种车辆跨镜跟踪车牌识别方法、系统及电子设备与流程

1.本发明属于车牌识别技术领域，涉及一种车辆跨镜跟踪车牌识别方法、系统及电子设备，特别涉及一种基于外观匹配自适应的车辆跨镜跟踪车牌识别方法、系统及电子设备。


背景技术：

2.在城市交通压力持续加大的背景下，高位相机车牌识别技术在街道停车管理中扮演着重要角色。然而在实际应用过程中，这种技术面临许多挑战，如车辆遮挡、角度、光线等因素干扰，容易导致识别错误。为解决这些问题，研究人员已经开始关注如何在上述复杂环境下提高车牌识别准确率，例如通过光线补偿技术、图像预处理技术和深度学习算法等方法。
3.在这种背景下，车辆跨镜跟踪解决方案采用多摄像头联动的方式，通过边缘设备链接多路相邻区域相机进行统一车辆识别，利用区域内相机的时空数据实现车辆跨镜跟踪，这种解决方案能够有效应对车牌识别过程中的遮挡、角度和光线干扰等问题，从而提高车牌识别的准确性和稳定性，为城市停车管理提供更有效的技术手段。


技术实现要素：

4.为了解决现有技术中高位相机受复杂光线环境干扰的问题，本发明提出了一种基于外观匹配自适应的车辆跨镜跟踪车牌识别方法、系统及电子设备，基于对象外观信息，通过目标跟踪技术和自适应重识别策略，以应对复杂场景中的挑战，再使用轻量级光学字符识别（ocr）方法得到高质量的车牌识别结果。
5.第一方面，本发明提供一种车辆跨镜跟踪车牌识别方法，包括以下步骤：s1、目标检测与特征提取：对输入的车辆视频帧进行目标检测，得到每个目标的边界框，并对每个检测到的目标边界框，提取目标的特征表示；s2、数据关联与跟踪器更新：将当前帧检测到的车辆与已跟踪的车辆进行关联，先使用卡尔曼滤波算法预测目标状态量，根据相似度和动态权重系数进行自适应外观信息融合，并使用自适应加权增加外观信息的权重，再使用匈牙利匹配算法将卡尔曼滤波器预测的目标状态量和实际的目标观测量进行匹配得到匹配观测集、未匹配观测集和未匹配目标集，然后通过卡尔曼滤波算法更新跟踪器；s3、重识别跟踪：根据未匹配观测集和未匹配目标集更新跟踪目标集合或创建新的跟踪器；s4、车牌图像识别：根据重识别跟踪结果，获取每一帧中车辆目标边界框，将目标边界框传递给车牌检测器或车牌定位算法，提取出车牌区域，然后将车牌区域传递给车牌识别器进行识别。
6.作为本发明的进一步技术方案，步骤s1的具体过程为：先使用faster r-cnn目标检测器在输入的视频帧中检测目标对象，为当前时刻，得到每个目标的边界框
，n 表示当前帧检测到的目标数量，针对每个检测到的目标边界框，使用预训练的reid 网络提取目标的特征表示。
7.作为本发明的进一步技术方案，步骤s2使用卡尔曼滤波算法预测目标状态量的过程为：（s21）根据首次帧检测结果创建相应的目标状态量tracks，并初始化卡尔曼滤波的运动变量, 通过卡尔曼滤波预测其对应的框；（s22）将视频中的移动目标在时刻的所有目标状态量设为，根据线性动态设备方程完成 目标状态量预测：，，其中，为状态转移矩阵，为目标状态量的协方差矩阵，为协方差矩阵的噪声矩阵。
8.作为本发明的进一步技术方案，步骤s2根据相似度和动态权重系数进行自适应外观信息融合的过程为：（s23）通过计算当前第帧中第个目标的特征向量与历史帧中第个目标的特征向量之间的余弦相似度，判断当前车辆的外观信息是否发生变化；（s24）根据当前第帧中第个目标的边界框和历史帧中第个目标的边界框的重叠度，计算动态权重系数 ，用于反映目标的外观变化程度；（s25）根据余弦相似度和动态权重系数进行自适应外观信息融合：a. 如果相似度大于阈值0.5，说明目标的外观信息未发生显著变化，直接使用当前特征向量进行后续的数据关联；b. 如果相似度小于阈值0.5，说明目标的外观信息发生了变化，需要使用历史特征向量和当前特征向量 进行特征融合，生成更新后的特征向量，即：。
9.作为本发明的进一步技术方案，步骤s2使用自适应加权增加外观信息的权重的过程为：（s26）将目标在时刻目标检测器得到的观测量记为，则目标状态量转换为观测量的过程表示为：，其中为状态空间到测量空间的映射矩阵；（s27）将时刻的目标状态量的预测值和目标观测量，利用关联矩阵将状态量和观测量的目标检测结果进行匹配，再通过匹配结果计算成本矩阵
ꢀꢀ
= c(, )，其中 c 为成本度量函数；
（s28）先根据和计算外观成本矩阵, 根据现有成本矩阵，在的基础上添加，得到成本矩阵，其中表示为，定义为外观成本矩阵的一行或一列中的最高值与次高值之差。
10.作为本发明的进一步技术方案，步骤s2通过卡尔曼滤波算法更新跟踪器的过程为：已知当前帧观测集合和已跟踪的目标集合，m 表示已跟踪的目标数量，对于匹配观测集，通过卡尔曼滤波将目标观测量更新为目标状态量的预测值；对于未匹配观测集中的每个，创建新的跟踪器，对于未匹配目标集中的每个，根据连续丢失帧数决定是否删除或更新其状态，更新后的跟踪目标集合表示为：，其中 表示新创建的跟踪器数量。
11.作为本发明的进一步技术方案，步骤s3的具体过程为：（s31）对于未匹配观测集的每个特征 ，计算其与未匹配目标集中每个目标的相似度 ，其中 表示未匹配观测集中特征的数量，表示未匹配目标的数量；（s32）设置相似度阈值，如果大于 ，则将特征
ꢀꢀ
与目标
ꢀꢀ
关联并更新跟踪目标集 ；（s33）如果特征未与任何目标关联，则为创建新的跟踪器并将其添加到跟踪目标集 ，得到进一步更新后的跟踪目标集合 。
12.第二方面，本发明提供一种车辆跨镜跟踪车牌识别系统，包括：目标检测与特征提取模块，用于对输入的车辆视频帧进行目标检测，获取每个目标的边界框，并针对每个检测到的目标边界框，提取目标的特征表示；数据关联与跟踪器更新模块，用于将当前帧检测到的目标与已跟踪的目标进行关联，先使用卡尔曼滤波算法预测目标状态量，根据相似度和动态权重系数进行自适应外观信息融合，并使用自适应加权增加外观信息的权重，再使用匈牙利匹配算法将卡尔曼滤波器预测的目标状态量和实际的目标观测量进行匹配得到匹配观测集、未匹配观测集和未匹配目标集，然后通过卡尔曼滤波算法更新跟踪器；重识别跟踪模块，用于根据未匹配观测集和未匹配目标集更新跟踪目标集合或创建新的跟踪器；车牌图像识别模块，用于根据重识别跟踪结果识别出车牌号。
13.第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
14.第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算
机指令被处理器执行时，完成第一方面所述的方法。
15.与现有技术相比，本发明提出了一种基于外观匹配自适应的车辆跨镜跟踪车牌识别方法、系统及电子设备，以解决车辆跨镜跟踪问题，从而提高车牌识别的准确性，具体具有以下有益效果：1、更强的遮挡处理能力：通过自适应重识别策略来处理遮挡问题。在车辆跟踪场景中，当车辆被其他车辆或物体遮挡时，该方法可以更有效地重新识别和跟踪目标，提高跟踪的准确性；2、跟踪稳定性：结合深度学习和多目标跟踪技术，可以在复杂场景中保持较高的跟踪稳定性，对城市停车管理等需要长时间、稳定跟踪的应用场景尤为重要；3、实时性：能够在实时场景中实现多目标跟踪，适应不同速度和方向的车辆运动，对需要实时反馈的车辆管理场景具有重要意义。
附图说明
16.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本公开，并不构成对本发明的不当限定。
17.图1为本发明提供的车辆跨镜跟踪车牌识别方法流程示意图。
18.图2为本发明提供的车辆跨镜跟踪车牌识别系统结构示意图。
具体实施方式
19.下面结合附图与实施例对本发明作进一步说明。
20.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
21.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
22.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
23.实施例1：如图1所示，本实施例提供一种车辆跨镜跟踪车牌识别方法，包括如下步骤：s1、目标检测与特征提取：首先使用faster r-cnn目标检测器在输入的视频帧中检测目标对象，为当前时刻，得到每个目标的边界框，n 表示当前帧检测到的目标数量，针对每个检测到的目标边界框，使用预训练的特征提取网络提取目标的特征表示（与目标边界框一一对应），本实施例中特征提取网络采用 reid 网络；s2、数据关联与跟踪器更新：
（2-1）使用卡尔曼滤波算法根据当前的一系列运动变量去预测接下来时刻的运动变量，具体为：根据首次帧检测结果创建相应的目标状态量tracks，并初始化卡尔曼滤波的运动变量, 通过卡尔曼滤波预测其对应的框；将视频中的移动目标在时刻的所有目标状态量设为，根据线性动态设备（装置）方程完成 目标状态量预测：，，其中，为状态转移矩阵，为目标状态量的协方差矩阵，为协方差矩阵的噪声矩阵；（2-2）根据相似度和动态权重系数进行自适应外观信息融合：为了将高质量的外观信息融合到目标边界框带来的特征中，需要使用自适应规则去除由遮挡、快速运动产生的低质量的外观信息，具体为：先通过计算当前第帧中第个目标的特征向量与历史帧中第个目标的特征向量之间的余弦相似度，判断当前车辆的外观信息是否发生了变化；再根据当前第帧中第个目标的边界框和历史帧中第个目标的边界框的重叠度，计算动态权重系数 ，用于反映目标的外观变化程度；然后根据余弦相似度和动态权重系数进行自适应外观信息融合：a. 如果相似度大于阈值0.5，说明目标的外观信息未发生显著变化，直接使用当前特征向量进行后续的数据关联；b. 如果相似度小于阈值0.5，说明目标的外观信息发生了变化，需要使用历史特征向量和当前特征向量 进行特征融合，生成更新后的特征向量，即：，为了后续方便表述，更新后的特征向量仍然使用符号表示，不再进行区分；（2-3）使用自适应加权增加外观信息的权重，基于差异性增加外观信息的权重，具体为：将目标在时刻目标检测器得到的观测量记为，则目标状态量转换为观测量的过程表示为：，其中为状态空间到测量空间的映射矩阵；将时刻的目标状态量的预测值和目标观测量，利用关联矩阵将状态量和观测量的目标检测结果进行匹配，再通过匹配结果计算成本矩阵
ꢀꢀ
= c(, )，其中 c 为成本度量函数；先根据和计算
外观成本矩阵, 现有通常将外观成本矩阵和成本矩阵进行结合：，本实施例基于差异性在的基础上添加来提高的得分，具体的，将track设为，detection设为, 当只对一个box有高相似度时，对外观成本矩阵的行增加权重；当只对一个有区别地关联时，对外观成本矩阵的列增加权重，的差异性定义为外观成本矩阵的一行或一列中的最高值与次高值之差，则表示为：，成本矩阵表示为：；（2-4）将成本矩阵输入匈牙利算法来找到最佳匹配关系即匹配观测集，再确定未匹配观测集和未匹配目标集；（2-5）通过卡尔曼滤波算法更新跟踪器：已知当前帧观测集合和已跟踪的目标集合，m 表示已跟踪的目标数量，对于匹配关系，通过卡尔曼滤波将目标观测量更新为目标状态量的预测值，对于未匹配观测中的每个，创建新的跟踪器，对于未匹配目标中的每个，根据连续丢失帧数决定是否删除或更新其状态，更新后的跟踪目标集合表示为：，其中 表示新创建的跟踪器数量；s3、重识别跟踪：根据未匹配观测集和未匹配目标集更新跟踪目标集合或创建新的跟踪器，当一个目标在一定时间内未被检测到时，在后续帧中重新识别该目标，以恢复丢失的跟踪，在整个视频序列的跟踪过程中，记录每个目标的位置、特征和标识信息，以便输出完整的跟踪结果，具体为：对于未匹配观测集（ 表示未匹配观测集中特征的数量）的每个特征 ，计算其与未匹配目标集（表示未匹配目标的数量）中每个目标的相似度 ；设置相似度阈值，如果大于 ，则将特征
ꢀꢀ
与目标
ꢀꢀ
关联并更新跟踪目标集 ；如果特征未与任何目标关联，则为创建新的跟踪器并将其添加到跟踪目标集 ，得到进一步更新后的跟踪目标集合 ；s4、车牌图像识别：根据重识别跟踪结果，获取每一帧中车辆目标边界框，将目标边界框传递给车牌检测器或车牌定位算法，提取出目标区域内的车牌区域，然后将车牌区域传递给车牌识别器进行识别，即使在某些帧中车辆被遮挡，也可以根据历史信息检测到车辆，进而进行车牌识别，本实施例所述车牌识别器使用轻量级的光学字符识别模型。
24.将本实施例与现有其他方法对车牌识别的准确率进行比较，其结果如表1所示，其
结果显示，本实施例极大地提高了车牌识别的准确率。
25.表1：本实施例与其他方法准确率比较。
实施例
26.本实施例提供一种车辆跨镜跟踪车牌识别系统，包括：目标检测与特征提取模块，用于对输入的视频帧进行目标检测，获取每个目标的边界框，并针对每个检测到的目标边界框，提取目标的特征表示；数据关联与跟踪器更新模块，用于将当前帧检测到的目标与已跟踪的目标进行关联，先使用卡尔曼滤波算法预测目标状态量，根据相似度和动态权重系数进行自适应外观信息融合，并使用自适应加权增加外观信息的权重，再使用匈牙利匹配算法将卡尔曼滤波器预测的目标状态量和实际的目标观测量进行匹配得到匹配观测集、未匹配观测集和未匹配目标集，然后通过卡尔曼滤波算法更新跟踪器；重识别跟踪模块，用于根据未匹配观测集和未匹配目标集更新跟踪目标集合或创建新的跟踪器；车牌图像识别模块，用于根据重识别跟踪结果识别出车牌号。
27.此处需要说明的是，上述模块对应于实施例1中的步骤s1至s4，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机设备（装置）中执行。
28.在更多实施例中，还提供：一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
29.应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
30.存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
31.一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行
时，完成实施例1中所述的方法。
32.实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
33.本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
34.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。本发明未详细说明的算法和网络均为本领域现有技术。
35.上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

技术特征：
1.一种车辆跨镜跟踪车牌识别方法，其特征在于，包括以下步骤：s1、目标检测与特征提取：对输入的车辆视频帧进行目标检测，得到每个目标的边界框，并对每个检测到的目标边界框，提取目标的特征表示；s2、数据关联与跟踪器更新：将当前帧检测到的车辆与已跟踪的车辆进行关联，先使用卡尔曼滤波算法预测目标状态量，根据相似度和动态权重系数进行自适应外观信息融合，并使用自适应加权增加外观信息的权重，再使用匈牙利匹配算法将卡尔曼滤波器预测的目标状态量和实际的目标观测量进行匹配得到匹配观测集、未匹配观测集和未匹配目标集，然后通过卡尔曼滤波算法更新跟踪器；s3、重识别跟踪：根据未匹配观测集和未匹配目标集更新跟踪目标集合或创建新的跟踪器；s4、车牌图像识别：根据重识别跟踪结果，获取每一帧中车辆目标边界框，将目标边界框传递给车牌检测器或车牌定位算法，提取出车牌区域，然后将车牌区域传递给车牌识别器进行识别。2. 根据权利要求1所述车辆跨镜跟踪车牌识别方法，其特征在于，步骤s1的具体过程为：先使用faster r-cnn目标检测器在输入的视频帧中检测目标对象，为当前时刻，得到每个目标的边界框，n 表示当前帧检测到的目标数量，针对每个检测到的目标边界框，使用预训练的reid 网络提取目标的特征表示。3.根据权利要求2所述车辆跨镜跟踪车牌识别方法，其特征在于，步骤s2使用卡尔曼滤波算法预测目标状态量的过程为：（s21）根据首次帧检测结果创建相应的目标状态量tracks，并初始化卡尔曼滤波的运动变量, 通过卡尔曼滤波预测其对应的框；（s22）将视频中的移动目标在时刻的所有目标状态量设为，根据线性动态设备方程完成 目标状态量预测：，，其中，为状态转移矩阵，为目标状态量的协方差矩阵，为协方差矩阵的噪声矩阵。4.根据权利要求3所述车辆跨镜跟踪车牌识别方法，其特征在于，步骤s2根据相似度和动态权重系数进行自适应外观信息融合的过程为：（s23）通过计算当前第帧中第个目标的特征向量与历史帧中第个目标的特征向量之间的余弦相似度，判断当前车辆的外观信息是否发生变化；（s24）根据当前第帧中第个目标的边界框和历史帧中第个目标的边界框的重叠度，计算动态权重系数 ，用于反映目标的外观变化程度；（s25）根据余弦相似度和动态权重系数进行自适应外观信息融合：a. 如果相似度大于阈值0.5，说明目标的外观信息未发生显著变化，直接使用当
前特征向量进行后续的数据关联；b. 如果相似度小于阈值0.5，说明目标的外观信息发生了变化，需要使用历史特征向量和当前特征向量 进行特征融合，生成更新后的特征向量，即：。5.根据权利要求4所述车辆跨镜跟踪车牌识别方法，其特征在于，步骤s2使用自适应加权增加外观信息的权重的过程为：（s26）将目标在时刻目标检测器得到的观测量记为，则目标状态量转换为观测量的过程表示为：，其中为状态空间到测量空间的映射矩阵；（s27）将时刻的目标状态量的预测值和目标观测量，利用关联矩阵将状态量和观测量的目标检测结果进行匹配，再通过匹配结果计算成本矩阵
ꢀꢀ
= c(, )，其中 c 为成本度量函数；（s28）先根据和计算外观成本矩阵, 根据现有成本矩阵，在的基础上添加，得到成本矩阵，其中表示为，定义为外观成本矩阵的一行或一列中的最高值与次高值之差。6.根据权利要求5所述车辆跨镜跟踪车牌识别方法，其特征在于，步骤s2通过卡尔曼滤波算法更新跟踪器的过程为：已知当前帧观测集合和已跟踪的目标集合，m 表示已跟踪的目标数量，对于匹配观测集，通过卡尔曼滤波将目标观测量更新为目标状态量的预测值；对于未匹配观测集中的每个，创建新的跟踪器，对于未匹配目标集中的每个，根据连续丢失帧数决定是否删除或更新其状态，更新后的跟踪目标集合表示为：，其中 表示新创建的跟踪器数量。7.根据权利要求6所述车辆跨镜跟踪车牌识别方法，其特征在于，步骤s3的具体过程为：（s31）对于未匹配观测集的每个特征 ，计算其与未匹配目标集中每个目标的相似度 ，其中 表示未匹配观测集中特征的数量，表示未匹配目标的数量；（s32）设置相似度阈值，如果大于 ，则将特征
ꢀꢀ
与目标
ꢀꢀ
关联并更新跟踪目标集 ；（s33）如果特征未与任何目标关联，则为创建新的跟踪器并将其添加到跟踪目标
集 ，得到进一步更新后的跟踪目标集合 。8.一种车辆跨镜跟踪车牌识别系统，其特征在于，能实现如权利要求1-7任一项所述的方法，包括：目标检测与特征提取模块，用于对输入的车辆视频帧进行目标检测，获取每个目标的边界框，并针对每个检测到的目标边界框，提取目标的特征表示；数据关联与跟踪器更新模块，用于将当前帧检测到的目标与已跟踪的目标进行关联，先使用卡尔曼滤波算法预测目标状态量，根据相似度和动态权重系数进行自适应外观信息融合，并使用自适应加权增加外观信息的权重，再使用匈牙利匹配算法将卡尔曼滤波器预测的目标状态量和实际的目标观测量进行匹配得到匹配观测集、未匹配观测集和未匹配目标集，然后通过卡尔曼滤波算法更新跟踪器；重识别跟踪模块，用于根据未匹配观测集和未匹配目标集更新跟踪目标集合或创建新的跟踪器；车牌图像识别模块，用于根据重识别跟踪结果识别出车牌号。9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-7任一项所述的方法。

技术总结
本发明属于车牌识别技术领域，涉及一种车辆跨镜跟踪车牌识别方法、系统及电子设备，先对输入的车辆视频帧进行目标检测与特征提取，再进行数据关联与跟踪器更新，然后根据数据关联后的未匹配特征集和未匹配目标集更新跟踪目标集合或创建新的跟踪器；最后进行车牌图像识别，结合深度学习和多目标跟踪技术，可以在复杂场景中保持较高的跟踪稳定性，而且能够在实时场景中实现多目标跟踪，适应不同速度和方向的车辆运动，对需要实时反馈的车辆管理场景具有重要意义。具有重要意义。具有重要意义。


技术研发人员：刘寒松 王永 王国强 刘瑞 董玉超 焦安健
受保护的技术使用者：松立控股集团股份有限公司
技术研发日：2023.06.15
技术公布日：2023/7/21