对比文件名称：2014-12-02_发明授权_US08902971B2 Video compression repository and model reuse
目标专利名称：基于事件的计算机视觉计算 CN106716441B
本次调用模型名称：DeepSeek-R1
### 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**：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**：未公开 | 对比文件未涉及在传感器像素内，利用专用硬件计算并比较同一位置“先前”与“当前”局部CV特征（如LBP标记）以检测变化的内容。其“特征跟踪”是在视频序列的不同帧之间关联同一特征的不同实例，目的是构建特征轨迹和模型库，而非在单个传感器元件位置实时比较CV特征的变化。 | 目标专利中，特征A的核心在于利用专用硬件（像素内电路）为同一个传感器元件（主体传感器元件）实时计算其局部CV特征（如LBP标记），并将当前计算出的特征与先前为同一位置计算出的特征进行比较。其作用是检测该位置CV特征本身的变化，并以此作为产生事件的基础。对比文件虽然涉及特征检测、建模和跟踪（例如第[0046]-[0067]段），但其“特征跟踪”是指在连续的帧中识别并关联被认为是同一物理对象的特征（例如，图2中特征60-1, 60-2, ..., 60-n），目的是形成特征的运动轨迹（第[0061]段）或用于后续的聚类和模型库构建（第[0070]-[0077]段）。这种跟踪关注的是特征在空间上的移动和跨时间的关联，而不是在固定像素/传感器元件位置上，其CV特征描述符（如SURF描述子）本身的数值是否发生了变化。对比文件没有公开在像素级专用硬件中为固定位置计算CV特征并比较其先后值以检测特征内容变化的技术方案。因此，特征A未被对比文件公开。 |
| **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**：隐含公开 | “特征检测”部分提到使用算法如SIFT或SURF（第[0047]段）。SURF算法“使用图像梯度信息的Hessian矩阵行列式来检测斑点状特征”。计算此类特征描述子（如SURF描述子）本质上需要利用特征点周围区域的像素信息。第[0057]段进一步明确：“在替代实施例中，特征模型是特征本身的紧凑表示...例如，在本发明的一个实施例中，SURF特征描述子的长度为64...基于Haar小波变换响应的和。” 计算Haar小波响应或图像梯度必然需要使用中心像素及其相邻像素的读数。 | 目标专利中，特征B限定了局部CV特征（如LBP标记）的计算方式：使用主体传感器元件及其相邻传感器元件的读数。其作用是实现局部特征的提取。对比文件公开了使用SURF等特征检测算法，并明确指出特征模型可以是SURF描述子。SURF描述子的计算基于特征点周围的图像区域，通过计算Haar小波响应来生成，这必然需要用到中心像素（对应于主体传感器元件）及其周围像素（对应于相邻传感器元件）的亮度信息（即传感器读数）。虽然对比文件未明确表述“使用主体和相邻传感器元件的读数”这一句式，但其描述的SURF描述子计算过程，在本领域技术人员的常规理解中，隐含了需要使用中心点及其邻域像素信息这一技术手段。两者都是为了计算表征局部图像区域的描述符。因此，特征B被对比文件隐含公开。 |
| **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**：部分直接公开，部分未公开 | 第[0046]段：“图1描绘了在一个或多个视频帧20-1, 20-2, ..., 20-n中检测到的特征实例10-1, 10-2, ..., 10-n。” 视频帧由像素组成的二维阵列是公知常识。第[0046]段还提及：“这些特征区域30-1, 30-2, ..., 30-n可以被提取，例如，作为像素数据的简单矩形区域。在本发明的一个实施例中，特征区域的大小为16×16，与H.264宏块的大小相同。” 宏块是帧中像素的矩形区域。 | 目标专利中，特征C定义了传感器/像素的基本结构：一个二维阵列的传感器元件，以及每个像素包含传感器元件和像素内电路。其作用是提供感光和计算的基本单元。对比文件涉及的是对已获取的数字视频帧进行处理，视频帧本身由按行和列排列的像素（对应于传感器元件）组成的二维阵列，这是数字图像处理领域的公知基础。因此，“传感器元件阵列包括多个传感器元件，至少沿着第一维度和第二维度布置”这一内容已被直接公开（视频帧的像素阵列）。然而，对比文件全文均未提及“像素内电路”。其处理（如特征检测、描述子计算）是在通用或专用处理器（如编码器、特征处理流水线）上完成的，而非在每个像素内部集成专用计算电路。因此，“像素包括所述主体传感器元件和像素内电路”这一限定未被公开。特征C整体未被完全公开。 |
| **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 | 对比文件未提及任何“像素内电路”。特征检测和建模（如SURF）是在软件算法或专用处理模块中完成的，这些模块独立于图像传感器像素阵列。例如，第[0047]段提到“SURF算法”，第[0057]段提到“特征模型是紧凑表示”，这些都是在图像数据被传感器捕获并读出后，在后续处理单元中执行的。 | 目标专利中，特征D是核心区别技术特征之一，它将CV特征计算硬件具体限定为集成在像素内部的电路。其作用是将特征计算下放到传感端，实现极低功耗和高速的事件驱动处理。对比文件涉及的是传统的图像处理流水线：图像被传感器完整捕获并数字化后，由后端处理器（如CPU、GPU或专用编码芯片）执行特征提取等计算机视觉算法。对比文件完全没有提及在像素内部集成任何用于计算CV特征（如SURF描述子）的电路。其技术方案与“像素内电路”的设计理念截然不同。因此，特征D未被对比文件公开。 |
| **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 | 对比文件描述了基于特征检测和跟踪生成信息。例如，第[0076]段提及保存的特征信息包括特征区域周围的像素以及相关的特征模型（如颜色直方图或SURF描述子）。第[0126]段在描述哈希索引时提到：“哈希标签使用单向哈希函数，将识别检测到的特征的信息（其x/y位置、帧、范围和相关模型980）转换为哈希值”。这些信息可以视为包含位置和特征描述（有效负载）。然而，这些信息的生成并非基于“先前与当前局部CV特征的比较”，而是基于特征检测和关联的结果。 | 目标专利中，特征E定义了事件的内容和产生机制：事件是基于特征A所述的CV特征比较而产生的，其有效负载包含当前计算出的局部CV特征（例如LBP标记的几位编码）。其作用是将特征层级的变化信息高效地传递给处理器。对比文件虽然会输出特征的位置和描述信息（如SURF描述子），但产生这些信息的触发条件和目的不同。对比文件是在检测到特征存在或为了构建轨迹/模型库时输出信息，而不是因为某个固定位置的局部CV特征（如LBP值）相对于其先前值发生了变化而触发“事件”。此外，对比文件输出的特征描述子（如64维的SURF向量）是用于匹配和检索的完整描述，而非目标专利中用于指示特征类型变化的几位精简编码（特征有效负载）。两者在触发机制、信息内容和目的上均不相同。因此，特征E未被对比文件公开。 |
| **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（基于特定事件定义的未公开） | 对比文件涉及将特征信息（如模型、描述子）保存到库中（第[0076]段）或用于辅助编码（第[0100]-[0104]段）。例如，第[0126]段提到将特征信息添加到索引中。这个过程涉及数据的传输和存储。 | 目标专利中，特征F是将特征E所定义的特定“事件”（即基于CV特征比较产生的、包含位置和特征有效负载的信息包）发送给处理器（如应用处理器）。其作用是实现异步、稀疏的事件驱动通信。对比文件确实会将特征数据（位置、描述子）从检测模块传输到存储或编码模块。然而，由于对比文件并未公开目标专利所定义的“事件”（基于像素内CV特征比较触发的、包含精简特征有效负载的信息），因此其所传输的数据内容与性质与目标专利的“事件”不同。在技术特征组合的语境下，特征F依赖于特征E所定义的事件的存在。既然特征E未被公开，特征F所限定的“将所述事件发送至处理器”的具体技术方案也未被公开。 |
| **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>**判断结果**：未公开 | 对比文件公开的特征描述子类型包括SURF描述子（第[0047], [0057]段）、颜色直方图（第[0057]段）、基于DCT的边缘特征空间（第[0057]段）、Haar-like特征（第[0048]段）。未提及局部二值模式（LBP）或其变体。 | 目标专利中，特征G进一步限定了局部CV特征的具体一种类型：LBP标记或其变体。其作用是提供一种计算高效、适合硬件实现的纹理特征描述方法。对比文件明确列举了其使用的特征描述方法，如SURF、颜色直方图、Haar特征等，这些是不同于LBP的计算机视觉特征描述算法。本领域技术人员无法从对比文件中毫无疑义地得出或合理地推断出使用LBP标记作为局部CV特征的技术方案。因此，特征G未被对比文件公开。 |
| **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>**判断结果**：未公开 | 对比文件未提及带正负号梯度直方图（HSG）标记。 | 目标专利中，特征H限定了局部CV特征的另一种具体类型：HSG标记。其作用同特征G。对比文件完全没有提及HSG标记。因此，特征H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 | 对比文件处理的对象是数字视频（第[0004]段）。第[0046]段提到“特征区域...可以被提取，例如，作为像素数据的简单矩形区域”。数字视频通常由视觉传感器（如图像传感器）捕获，而现代图像传感器（如CMOS或CCD传感器）的每个像素通常包含至少一个光电二极管用于感光，这是本领域的公知常识。 | 目标专利中，特征I限定了传感器阵列的具体类型：视觉传感器，且每个传感器元件包含光电二极管。其作用是明确用于感光的物理实现方式。对比文件虽然未明确写出“光电二极管”这四个字，但其处理的基础数据源是数字视频帧的“像素数据”。本领域技术人员公知，产生此类数字视频像素数据的硬件基础就是视觉传感器（如相机），而此类传感器的基本感光元件就是光电二极管。因此，可以合理地推断对比文件隐含公开了使用包含光电二极管的视觉传感器阵列来获取像素数据。因此，特征I被对比文件隐含公开。 |
| **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 | 对比文件全文未提及动态视觉传感器（DVS）或基于事件的感测原理。其处理基于传统的帧式视频流。 | 目标专利中，特征J限定了产生事件的一种具体电路类型：DVS电路。DVS是一种仿生视网膜的、基于像素亮度变化异步输出事件的传感器，与传统帧式传感器有根本区别。其作用是实现低功耗、高动态范围的事件检测。对比文件处理的是标准的、按帧捕获和传输的视频数据，完全没有提及或暗示使用DVS电路或任何基于事件检测的传感器。因此，特征J未被对比文件公开。 |
<<<i>>>