本次调用的模型名称：DeepSeek最新版本模型。
目标专利名称：基于事件的计算机视觉计算CN106716441B
对比文件名称：2014-01-23_发明申请_WO2014015194A3 METHODS FOR DETECTING AND MEASURING AGGREGATION
作为资深专利代理师，我将根据目标专利说明书的内容，对权利要求中的技术特征进行解释，并严格依据提供的对比文件申请号（WO2014015194A3）所公开的发明名称“METHODS FOR DETECTING AND MEASURING AGGREGATION”进行公开性判断。由于用户未提供对比文件的说明书原文，我无法引用具体段落。因此，我的判断将基于本领域技术人员对该发明名称和领域（检测和测量聚集）的通常理解，并结合目标专利的技术方案进行推理。需要强调的是，在没有原文支持的情况下，所有判断均为基于发明名称的“隐含公开”层面的宽松推理，实际审查中需要结合原文内容进行核实。
**特征比对表格**
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A《隐含公开》** <br>比较使用计算机视觉CV特征计算硬件计算的与传感器元件阵列的主体传感器元件相关联的先前局部CV特征与使用所述CV特征计算硬件计算的与所述主体传感器元件相关联的当前局部CV特征。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征的核心在于“比较”由专用硬件计算出的、同一主体传感器元件的“先前”与“当前”局部CV特征，这是触发事件的基础。对比文件旨在“检测和测量聚集”，聚集的发生或变化本质上是一个动态过程。本领域技术人员公知，要检测“聚集”状态的变化（例如从无聚集到有聚集，或聚集程度的改变），最直接的方法之一就是比较当前状态与先前状态。因此，尽管对比文件未明确提及“CV特征”或专用硬件，但为了实现其“检测”聚集的目的，隐含地需要对其关注的目标参数（无论是光学特性、颗粒浓度还是其他可测量量）进行当前值与先前值的比较。这种比较的逻辑是隐含公开的。 |
| **技术特征B《未公开》** <br>其中对于所述先前局部CV特征和所述当前局部CV特征，所述CV特征计算硬件使用来自所述主体传感器元件的各个读数和来自与所述主体传感器元件相邻的传感器元件的各个读数来计算所述各个CV特征。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征限定了计算“局部CV特征”的具体方法，即必须利用主体传感器元件及其“相邻传感器元件”的读数进行多像素计算，以得出如LBP、HSG等表征局部图像纹理或梯度的特征。这是计算机视觉领域的特定技术手段。对比文件发明名称“检测和测量聚集”可能涉及对溶液、气体中颗粒聚集的测量，通常采用的光学方法（如动态光散射、浊度法）关注的是整体或区域的光强变化、散射强度等，其测量值通常是基于单个检测点或一个区域的平均值，而非必须通过组合一个中心点及其空间上相邻点的读数来计算一个表征局部空间模式的“特征”。本领域技术人员无法从“检测和测量聚集”这一目的中，毫无疑义地或合理地推断出必须采用“使用相邻传感器读数计算局部CV特征”这一具体技术手段。因此，该特征未被公开。 |
| **技术特征C《隐含公开》** <br>以及其中：所述传感器元件阵列包括多个传感器元件，所述多个传感器元件至少沿着所述传感器元件阵列的第一维度和第二维度布置，像素包括所述主体传感器元件和像素内电路。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征定义了硬件基础：一个二维阵列传感器，以及包含传感器元件和电路的“像素”概念。对比文件要实现光学“检测”，使用光电传感器阵列是常见且合理的技术选择，例如CCD或CMOS图像传感器。这些传感器本身就是由在二维平面上排列的、包含感光元件（如光电二极管）和读出电路的基本单元（即“像素”）构成的阵列。因此，虽然对比文件未明确描述，但本领域技术人员为了实现光学检测，很容易想到并采用这种常规的传感器阵列结构。像素内电路是传感器像素实现光电转换和信号读出的必要组成部分。因此，该特征被隐含公开。 |
| **技术特征D《未公开》** <br>以及所述CV特征计算硬件被实施为所述像素内电路的一部分。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征是将“CV特征计算硬件”具体集成到“像素内电路”中，这是实现低功耗、高效率事件检测的关键架构，属于特定的硬件集成方案。对比文件名称“检测和测量聚集”仅描述了方法目的，未涉及任何具体的硬件实现架构。本领域技术人员无法从该名称推断出用于计算特定“CV特征”的硬件必须被“实施为像素内电路的一部分”。该硬件完全可以位于传感器阵列外围或独立的处理器中。因此，该特征未被公开。 |
| **技术特征E《隐含公开》** <br>基于所述比较来产生与所述主体传感器元件相关联的事件，所述事件包括所述主体传感器元件的位置和特征有效负载，所述特征有效负载包括表示与所述主体传感器元件相关联的所计算的当前局部CV特征的多个位。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征定义了比较结果的应用：产生包含“位置”和“特征有效负载”（即CV特征值）的“事件”。对比文件要“检测”聚集，意味着当发现聚集状态（或状态变化）时，需要给出一个指示或输出。这个指示可以被视为一个“事件”。为了定位聚集发生的位置，事件中需要包含位置信息。同时，检测到的“聚集”状态本身（或其测量值）可以构成事件的有效负载。虽然对比文件未明确使用“特征有效负载”、“多个位”等术语，但输出检测结果（包括位置和状态信息）是实现“检测”功能的必然要求。因此，该特征被隐含公开。但需注意，有效负载的具体内容（CV特征）未被公开（见特征B/G/H）。 |
| **技术特征F《隐含公开》** <br>以及将所述事件发送至处理器。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征是将产生的事件数据发送给处理器进行后续处理。对比文件完成“检测”后，其检测结果（事件）通常需要上报给一个中央处理单元或控制系统进行记录、分析或触发响应。这是数据采集和处理系统的常规通信流程。因此，本领域技术人员可以合理推断检测系统会将结果发送至处理器。该特征被隐含公开。 |
| **技术特征G《未公开》** <br>其中所述局部化CV特征包括局部二值模式LBP标记或所述LBP标记的变体。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征限定了局部CV特征的具体类型为LBP或其变体，这是一种用于纹理分析的特定计算机视觉算子。对比文件名称“检测和测量聚集”完全未涉及计算机视觉或图像纹理分析领域。聚集的检测可能通过光强、散射角、光谱分析等多种物理量实现，与LBP标记这一具体图像处理技术没有必然联系。本领域技术人员无法从中推断出必须或会采用LBP标记。因此，该特征未被公开。 |
| **技术特征H《未公开》** <br>其中所述局部化CV特征包括带正负号梯度直方图HSG标记。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征限定了局部CV特征的另一具体类型为HSG标记，这是一种用于描述局部图像梯度的特征。与特征G同理，对比文件名称未涉及图像梯度分析。HSG标记是计算机视觉中用于目标检测等任务的特定特征描述子，与“检测和测量聚集”这一物理化学或生物检测目的没有直接关联。本领域技术人员无法从中推断出会采用HSG标记。因此，该特征未被公开。 |
| **技术特征I《隐含公开》** <br>其中所述传感器元件阵列是视觉传感器并且所述传感器元件阵列的所述多个传感器元件中的每一个包括至少一个光电二极管。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征明确了传感器类型为“视觉传感器”，且每个传感器元件包含光电二极管。对比文件要进行光学“检测”，使用对光敏感的视觉传感器（如图像传感器）是常规手段。而CMOS图像传感器的每个像素单元的核心感光元件通常就是一个光电二极管。因此，虽然对比文件未明确写出“视觉传感器”和“光电二极管”，但为了实现其基于光的检测目的，采用包含光电二极管的视觉传感器阵列是本领域技术人员最直接和常规的选择。该特征被隐含公开。 |
| **技术特征J《未公开》** <br>其中所述事件是使用动态视觉传感器DVS电路产生的。 | （未提供说明书原文）<br>基于发明名称推断：涉及检测和测量“聚集”的方法。 | 目标专利中，此特征限定了产生事件的电路为“动态视觉传感器(DVS)电路”。DVS是一种特殊类型的视觉传感器，其像素异步响应亮度变化，专门用于输出“事件”流而非完整的帧图像。这是一种特定的、非传统的传感器技术。对比文件名称“检测和测量聚集”并未限定必须使用事件驱动的传感方式。传统的基于帧的CCD/CMOS传感器同样可以用于检测聚集。本领域技术人员无法从该名称中必然推断出必须采用DVS这种特定电路来产生事件。因此，该特征未被公开。 |
<<<a>>><<<c>>><<<e>>><<<f>>><<<i>>>