**对比文件名称**：2014-09-11_发明申请_US20140254864A1 SYSTEM AND METHOD FOR GESTURE DETECTION THROUGH LOCAL PRODUCT MAP
**目标专利名称**：144基于事件的计算机视觉计算CN106716441B
**本次调用的模型名称**：DeepSeek-R1
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：其包括：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<br>**判断结果**：《隐含公开》 | 说明书第[0023]段：“The support region used to calculate the normalizing term can be the dimensionality vector for each pixel in the cell or a subset of the cells, or even extend beyond the subcell.”<br>说明书第[0029]段：“The histogram preferably shows the combined probability of each pattern for the pixels of a cell region... The support regions of a cell region may have any suitable overlap and/or arrangement within the cell region.” | 对比文件公开了在计算局部乘积映射（LPM）特征时，图像数据被划分为多个支持区域（support region），并对每个支持区域计算维度分量（dimensionality component）（见S210）。在计算归一化项时，可以使用当前细胞（cell）中像素的维度向量，也可以延伸至子细胞之外，这暗示了可能使用来自不同时间（例如，先前的帧或当前处理时刻之前）的数据进行计算或比较。虽然对比文件没有明确记载“比较先前局部CV特征与当前局部CV特征”，但本领域技术人员可以理解，在连续图像帧（如视频流）中进行手势检测时，为了识别运动或变化，很自然需要比较当前帧中计算出的特征（如LPM特征、维度向量或其衍生的概率模型）与先前帧中计算出的对应特征。这种比较是时序分析中的常规技术手段。因此，本领域技术人员有可能通过对比文件公开的内容（在细胞区域上计算和组合概率模型）进行合理推理，得出需要进行“先前”与“当前”局部特征比较的技术方案。 |
| **技术特征B**：，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，<br>**判断结果**：《直接公开》 | 说明书第[0023]段：“The nth term of dimensionality component is preferably calculated by calculating the difference in pixel value between the nucleus pixel and the corresponding nth pixel.”<br>说明书第[0022]段：“A support region preferably includes a nucleus pixel to which other pixels in the support region are compared.” | 对比文件在步骤S210中明确公开了计算局部支持区域的维度分量。维度分量的第n项是通过计算**中心像素**（nucleus pixel，对应于目标专利的“主体传感器元件”）与支持区域内**对应的第n个像素**（对应于目标专利的“相邻传感器元件”）之间的像素值差异来获得的。这直接公开了使用来自主体（中心）传感器元件的读数（其像素值）和来自相邻传感器元件的读数（其像素值）来计算一个表征局部区域的特征（即维度分量）。该维度分量是后续生成LPM特征（一种CV特征）的基础。因此，本领域技术人员能够毫无疑义地从对比文件得出该技术方案。 |
| **技术特征C**：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，<br>**判断结果**：《隐含公开》 | 说明书第[0020]段：“The image data is preferably segmented into different regions of an image. Each region of an image is preferably subdivided into support regions... A support region is preferably an area of neighboring pixels. Typically the support region is a three by three block of pixels...” | 对比文件公开了对图像数据进行区域划分，并进一步细分为支持区域，例如典型的3x3像素块。这隐含了图像数据来源于一个在至少两个维度（行和列）上排列的像素阵列，每个像素可视为一个传感器元件（例如，相机传感器上的感光单元）。虽然对比文件是从图像处理的角度描述“像素”和“区域”，并未明确描述物理的“传感器元件阵列”硬件结构，但本领域技术人员公知，用于获取图像数据的数字相机必然包含一个在二维平面上排列的传感器元件（如CMOS或CCD）阵列。此外，对比文件未提及“像素内电路”。然而，考虑到对比文件处理的是从成像单元获取的数字图像数据（见[0013]段），本领域技术人员可以理解，每个物理像素通常包含感光元件（如光电二极管）和用于读取、放大或转换信号的电路。虽然对比文件未明确将“像素”描述为包括“传感器元件和像素内电路”，但这种结构是现代图像传感器的常规配置。因此，通过合理推断，可以认为对比文件隐含公开了该技术特征。 |
| **技术特征D**：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<br>**判断结果**：《未公开》 | 对比文件未提及相关内容。 | 对比文件全文描述的是在系统或处理器层面（如LPM特征提取引擎、分类器引擎）进行图像处理和特征计算的方法（见[0012], [0014], [0016]段）。它没有涉及任何在像素级别（即每个感光单元内部）实施计算硬件的技术方案。所有计算（如维度分量计算、概率映射）都被描述为在获取图像数据后由处理引擎执行的算法步骤。因此，对比文件既未直接公开也未隐含公开将CV特征计算硬件实施为像素内电路的一部分。 |
| **技术特征E**：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<br>**判断结果**：《未公开》 | 对比文件未提及相关内容。 | 对比文件的核心是基于计算出的LPM特征（一种CV特征）通过分类器来检测手势或对象（见S300, S400）。这是一个高级的、应用层面的识别过程，而不是在传感器或特征计算硬件层面“产生事件”。对比文件没有描述任何基于局部CV特征比较（无论是时序比较还是其他比较）来触发“事件”的机制，也没有提及生成包含“传感器元件位置”和由“多个位”表示的“特征有效负载”的事件数据包。其输出是分类结果（如检测到何种手势），而非用于唤醒或通知处理器的、带有位置和特征数据的事件流。 |
| **技术特征F**：以及将所述事件发送至处理器。<br>**判断结果**：《未公开》 | 对比文件未提及相关内容。 | 由于对比文件未公开技术特征E（产生特定格式的事件），因此自然也未公开“将所述事件发送至处理器”这一后续步骤。对比文件中计算出的特征是被提供给分类器引擎进行分类，而不是作为“事件”发送给一个（可能是应用程序）处理器。 |
| **技术特征G**：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。<br>**判断结果**：《直接公开》 | 说明书第[0002]段：“Local binary pattern (LBP) operators are often used for texture classification in the computer vision.”<br>说明书第[0017]段：“The LPM feature extraction engine preferably enables the system to detect gestures and/or objects with significant improvement over prior techniques such as LBP.”<br>说明书第[0022]段：“LPM is ideal for texture pattern detection as it can be applied over regional areas.” | 对比文件明确将LBP作为背景技术中常用的计算机视觉特征进行介绍（[0002]段），并指出其发明的LPM特征是对LBP技术的改进（[0017]段）。LPM特征本身可被视为LBP标记的一种概率化变体，它通过保留梯度信息并使用概率模型来增强鲁棒性。说明书通篇将LPM与LBP进行对比和关联，明确指出LPM用于纹理模式检测（[0022]段）。因此，本领域技术人员能够毫无疑义地确定对比文件公开了使用LBP标记及其变体（如LPM）作为局部化CV特征。 |
| **技术特征H**：其中所述局部化CV特征包括带正负号梯度直方图HSG标记。<br>**判断结果**：《未公开》 | 对比文件未提及相关内容。 | 对比文件全文只讨论了LBP及其变体LPM作为局部特征。没有提及任何关于“带正负号梯度直方图（HSG）标记”的内容。因此，该技术特征未被对比文件公开。 |
| **技术特征I**：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。<br>**判断结果**：《隐含公开》 | 说明书第[0013]段：“An imaging capture unit may capture video or still images with a camera such as a RGB digital, web camera, or a camera phone...”<br>说明书第[0019]段：“The camera is preferably capable of capturing light in the visible spectrum like a RGB camera...” | 对比文件多次提及系统包含成像单元或相机用于捕获图像数据（[0013], [0019]段）。本领域技术人员公知，用于捕获可见光谱图像的数码相机（如RGB相机）其核心感光元件通常是基于半导体光电器件，最常见的就是光电二极管（例如，CMOS或CCD图像传感器中的每个像素都包含一个光电二极管用于将光信号转换为电信号）。虽然对比文件没有明确写出“每个传感器元件包括至少一个光电二极管”，但这是实现其所述成像功能的必然且公知的硬件基础。因此，可以合理推断对比文件隐含公开了该技术特征。 |
| **技术特征J**：其中所述事件是使用动态视觉传感器DVS电路产生的。<br>**判断结果**：《未公开》 | 对比文件未提及相关内容。 | 对比文件描述的是一个基于传统帧式图像捕获和处理的系统（见[0019]段提及捕获图像/视频）。全文没有提及“动态视觉传感器（DVS）”，也没有描述任何基于像素强度异步变化来产生事件（event）的电路或机制。DVS是一种特定类型的事件驱动型视觉传感器，与对比文件采用的常规图像传感器有本质区别。因此，该技术特征未被对比文件公开。 |
<<<a>>><<<B>>><<<c>>><<<G>>><<<i>>>