**对比文件名称**：2006-05-02_发明授权_US07038185B1 Camera for directly generating a gradient image
**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
### 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**：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>**《隐含公开》** | 说明书第[0060]-[0068]段，特别是第[0064]段：“Instead, as shown in FIG. 4, we dynamically partitioning the sensors into small disjoint groups of ‘cliques’ 401. The sensors can be reconfigured during operation so that any sensor can be a member of more than one clique.” 以及第[0066]段：“Over time, each sensor belongs to more than one clique. The cliques measure the gradients sequentially.” | 对比文件公开了将传感器动态分组为“团（cliques）”并顺序测量梯度。为了测量梯度，必然需要获取传感器在不同时间的读数（例如当前读数和用于比较的先前读数）。本领域技术人员在理解该梯度测量系统时，能够毫无困难地推理出，为了实现顺序测量和梯度计算，系统需要存储先前的测量值（如梯度或用于计算梯度的传感器读数），并将其与当前测量值进行比较，以确定梯度值。这种对“先前”与“当前”测量值的比较，是进行梯度计算的内在要求。因此，对比文件隐含公开了比较与传感器相关联的先前局部特征（即梯度）与当前局部特征。 |
| **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>**《隐含公开》** | 说明书第[0054]段：“In practice, gx(m, n), gy(m, n) are difference signals from adjacent pairs of intensity sensors 210.” 以及第[0057]段：“Each signed log gradient 209, lgx or lgy, is determined from two locally adjusted intensity sensors 210.” 图2和图4也示出了相邻传感器之间的连接与差分测量。 | 对比文件明确公开了梯度（lgx, lgy）是通过相邻的一对强度传感器210的读数差分计算得出的（例如，lgx(m, n) = log(Id(m+1, n)) - log(Id(m, n))）。这意味着计算一个位置（可对应为主体传感器）的梯度特征，必须使用该位置及其相邻位置的传感器读数。本领域技术人员可以直接且毫无疑义地从该描述中得出，局部梯度特征的计算依赖于主体传感器及其相邻传感器的读数。因此，该技术特征被对比文件直接公开。虽然目标专利的“CV特征”具体指LBP或HSG等，但对比文件中的“梯度”本身就是一种基础的局部图像特征，计算原理（利用相邻像素差值）在计算机视觉中是相通的。从宽松的隐含公开标准判断，对比文件公开了使用相邻传感器读数计算局部特征（梯度）这一核心手段。 |
| **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>**《直接公开》** | 说明书第[0045]段：“Our system includes a set 110 of sensing elements 200. The set of sensing elements are spatially arranged in the energy field 101. For example, the elements 200 can be arranged at an image plane as an N×M array of elements as shown.” 以及第[0048]段：“As shown in FIG. 2, each sensing elements 200 includes at least two energy intensity sensors 210.” 图2详细展示了传感元件200内部的电路，包括传感器210、乘法器220、放大器230、A/D转换器240和加法器250。 | 对比文件明确公开了传感元件（sensing elements）以N×M的二维阵列形式布置（第一维度和第二维度）。每个传感元件200包含至少两个强度传感器210以及相关联的处理电路（包括乘法器、放大器、A/D转换器、加法器等）。这些电路集成在传感元件内部，其功能是获取读数并进行初步处理以输出梯度信号，这实质上构成了目标专利中所述的“像素内电路”。因此，对比文件直接公开了包含以二维阵列布置的多个传感器元件的传感器阵列，并且每个传感元件（即像素）包括传感器和集成处理电路。 |
| **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>**《隐含公开》** | 同技术特征C的引用，特别是图2及对应的说明书第[0048]、[0051]段，描述了每个传感元件200内部的电路构成，包括用于计算对数、差分以得到梯度209的组件（乘法器220、放大器230、A/D转换器240、加法器250）。 | 对比文件公开的每个传感元件200内部都包含了完整的信号链电路，用于直接从物理传感器读数产生梯度信号。该电路执行了“计算局部特征（梯度）”的功能。虽然对比文件未使用“CV特征计算硬件”这一术语，但其传感元件内的电路所执行的操作——即基于相邻传感器读数计算梯度——在功能和结构上对应于目标专利中实施为像素内电路一部分的CV特征计算硬件。本领域技术人员可以合理推断，这种集成在传感元件内的、用于计算局部梯度特征的电路，即相当于将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>**《未被公开》** | 对比文件未描述基于特征比较来触发“事件”的机制。其梯度测量是连续或顺序进行的，目的是为了重建整个图像（参见说明书第[0076]-[0083]段，关于解决泊松方程生成输出图像）。虽然梯度值会被获取和可能被存储，但并未公开当梯度值发生变化时，主动产生一个包含特定传感器位置及其当前梯度值（作为特征有效负载）的“事件”信号。 | 目标专利的核心之一是“基于事件的”处理，即在检测到CV特征变化时触发事件，事件数据包中包含位置和特征有效负载。对比文件侧重于通过测量所有或大部分传感器的梯度来静态重建图像，是一种基于帧的、全局处理的范式。没有证据表明对比文件系统会基于单个传感器位置的特征变化，实时、异步地产生并输出一个结构化的事件数据包。因此，该技术特征既未被直接公开，也无法从对比文件公开的内容中合理推断出来。 |
| **技术特征F**：以及将所述事件发送至处理器。<br>**《未被公开》** | 对比文件描述了梯度测量值可能被进一步处理以生成图像（例如，通过解决泊松方程），但并未描述将如技术特征E所定义的“事件”发送至一个分离的处理器（如应用程序处理器）。其图像重建处理可能是由片上逻辑或专用处理模块完成，而非由外部处理器响应于事件触发而处理。 | 由于对比文件未公开技术特征E所述的“事件”产生机制，因此自然也谈不上将此类事件发送至处理器。对比文件中的梯度数据流向是用于图像重建算法，而非作为事件驱动架构中的异步消息发送给高层处理器。该技术特征未被公开。 |
| **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>**《未被公开》** | 对比文件全文只涉及“梯度（gradient）”的测量，具体是对数强度的差分（lgx, lgy）。没有提及任何关于局部二值模式（LBP）、其变体或类似二值化编码模式的内容。 | LBP标记是一种特定的图像纹理描述符，通过比较中心像素与邻域像素的强度并二值化来生成编码。对比文件测量的带符号的梯度值与LBP的生成方法和数据形式有本质不同。本领域技术人员无法从对比文件公开的梯度测量方案中，毫无疑义地推导出或联想到使用LBP标记。因此，该特定技术特征未被公开。 |
| **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>**《隐含公开》** | 说明书第[0054]-[0057]段，明确描述了测量带符号的对数梯度（signed log gradient）lgx和lgy。例如：“Each signed log gradient 209, lgx or lgy, is determined from two locally adjusted intensity sensors 210.” | HSG（Histogram of Signed Gradients）标记的核心输入数据就是带符号的梯度值。对比文件直接、明确地公开了测量每个传感器位置（或传感器对）的带符号的梯度（lgx, lgy）。虽然对比文件没有明确将这些梯度组织成“直方图”并称为“HSG标记”，但提供了构成HSG标记所必需的基础数据——带符号的梯度。本领域技术人员知晓，HSG标记是基于图像区域中梯度方向和幅值的统计分布。从对比文件公开的获取每个位置带符号梯度值的能力出发，通过合理的推断（例如在处理器端对特定区域的梯度值进行统计），完全有可能得到HSG标记。因此，该技术特征被隐含公开。 |
| **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>**《直接公开》** | 说明书第[0001]段：“The invention relates generally to sensing energy fields, and more particularly to generating images with cameras.” 第[0050]段：“If the energy field is in the form of visible light, then the sensors 210 can be charge coupled devices (CCD)...” | 对比文件明确其发明涉及感应能量场，特别是用于生成图像的相机。当能量场为可见光时，传感器210可以是电荷耦合器件（CCD）。CCD是一种常见的光电传感器，其基本感光单元可理解为基于光电二极管原理。因此，对比文件直接公开了传感器阵列是用于可见光的视觉传感器，且每个传感器元件包含光感测器件（CCD/光电二极管）。 |
| **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>**《未被公开》** | 对比文件全文没有提及“动态视觉传感器（DVS）”、“事件检测”或类似的生物启发式异步传感机制。其传感元件测量的是静态或准静态的梯度，输出是同步或顺序的梯度值，而非基于像素亮度变化的脉冲事件。 | DVS是一种特殊类型的传感器，其响应于光强的变化（超过阈值）而产生异步事件脉冲。这与对比文件中描述的、用于测量绝对或对数强度差分的传统CCD或CMOS传感器电路有根本区别。对比文件未公开任何DVS电路或基于DVS原理的事件产生方式。因此，该技术特征未被公开。 |
<<<a>>><<<b>>><<<C>>><<<d>>><<<h>>><<<I>>>