非显而易见法律服务网

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
特征A：用第一预先训练的分类器来确定多个所存储图像的特征，《直接公开》	第[0049]段：“The classification module 116 analyzes each image area and assigns a label (L) to each identified object and associated image areas based upon a pre-trained classifier.”<br>第[0051]段：“One of multiple methods may be used to apply trained classifiers to the features extracted from the image areas... Additional method used to apply trained classifiers to the features extracted from the image areas to identify and classify object in the image areas include utilizing a support vector machine (SVM) and a neural network.”	对比文件明确公开了使用预先训练的分类器（pre-trained classifier）来分析图像区域（image area）并分配标签。该分类器基于从图像区域中提取的特征进行操作。其作用在于对检测到的对象（如图像中的车辆、行人）进行分类识别，这与目标专利中利用预先训练的分类器（如深度卷积网络）从所存储图像中确定特征的作用在本质上相同，都是通过机器学习模型从图像中提取用于分类或分组的代表性信息。因此，本领域技术人员能够毫无疑义地从对比文件中得出该技术方案。
特征B：所述多个所存储图像的特征不同于用于训练所述第一预先训练的分类器的多个训练图像，《隐含公开》	第[0049]段：“The classification module 116 utilizes statistical classifier methods, including training classifiers for correspondence to features or attributes in the image area using significant number of object and non-object image samples. Learned attribute correspondence to features in the image area may be learned by machine learning algorithms within the vehicle, but are most frequently programmed offline and may be developed experimentally, empirically, predictively, through modeling or other techniques adequate to accurately train distinguishing attributes.”	对比文件描述了分类器是使用“大量的物体和非物体图像样本”离线训练而成的。在实际应用时，分类器处理的是由车载摄像头实时捕捉的、车辆周围环境中的图像（即“所存储图像”）。本领域技术人员可以合理推断，这些实时捕捉的、用于确定特征并进行分类的实际应用图像，与训练阶段所使用的、用于建立分类模型的“图像样本”是不同的。这是一种典型的机器学习应用模式：在训练集上训练模型，然后将模型应用于新的、未见过的数据。因此，该技术特征被隐含公开。
特征C：至少部分地基于所确定的特征来将所述多个所存储图像中的每一个图像指派给多个群集中的群集，《未公开》	第[0053]段：“By comparing an object (P, I, and L) in a second tracking cycle analyzing a second input image to another object (P, I, and L) in a first tracking cycle analyzing a first input image, a determination can be made whether the two objects likely refer to the same tracked object... The data association module 118 matches the current identified objects with prior identified objects and outputs a list of matched object-measurement pairs.”	对比文件公开了数据关联模块（data association module）将当前检测到的对象与先前预测的对象进行匹配，以确定它们是否属于同一个被跟踪的物体。这本质上是一种基于特征（位置P、图像块特征I、标签L）的关联或匹配过程，目的是维护物体的轨迹。然而，这个过程并非将“多个所存储图像”分派到不同的“群集”中。目标专利的“分群集”目的是对静态的图像库进行无监督或有监督的聚类分组（如分成“花”、“人”、“建筑物”等类别），而对比文件是对连续帧中动态出现的物体进行轨迹关联和跟踪，两者的目的和操作对象（静态图像库 vs. 动态视频流中的物体）有本质区别。对比文件未公开此特征。
特征D：基于所述图像离对应于所述图像的最接近的群集中心的距离小于第一阈值、与所述最接近的群集中心相关联的预定义图像数目小于第二阈值、和/或与最接近的群集中心相关联的图像百分比小于第三阈值来向所述多个所存储图像中的图像指派标记，《未公开》	无相应内容。	对比文件的分类模块116基于从图像区域提取的特征，通过预先训练的分类器直接为物体分配标签（如车辆、行人）。该过程并未涉及计算图像特征与“群集中心”的距离，也未涉及基于“预定义图像数目”或“图像百分比”等阈值条件来决定是否指派标记。目标专利中该特征是一种用于筛选“强标记”图像的特定规则，对比文件中完全没有提及此类规则或机制。
特征E：修改所指派的标记，《未公开》	无相应内容。	对比文件中系统自动为检测到的物体指派标签（如车辆、行人），但未提及任何允许用户或系统本身修改这些已指派标签的机制或步骤。目标专利此特征强调了用户交互和个性化定制的能力，对比文件未公开。
特征F：当所述所指派的标记被修改时用所述图像来重新训练所述第一预先训练的分类器，《未公开》	第[0072]段：“Additionally, it will be noted that improved accuracy of judging likelihood can be achieved through iterative training of the alert models. For example, if an alert is issued, a review option can be given to the driver... machine learning algorithms are known in the art and can be used to adaptively utilize programming, assigning weights and emphasis to alternative calculations depending upon the nature of feedback.”	对比文件提到系统可以通过机器学习算法，根据反馈（如驾驶员确认警报是否恰当）来改进其警报模型的准确性。这暗示了模型可能被更新或重新训练。然而，这种重新训练是基于对“碰撞警报”准确性的反馈，而不是基于用户对“图像标记”的修改。目标专利的特征F明确关联于特征E（修改标记），并在该事件触发时用相关图像重新训练分类器。对比文件未公开这种由标记修改驱动的、针对图像分类器的特定重新训练过程。
特征G：以及至少部分地基于所述预先训练的分类器来对所述图像重新分类。《未公开》	第[0053]-[0054]段描述了数据关联模块将当前检测对象与预测对象匹配的过程。第[0068]段提到物体信息被存储用于迭代比较和新数据预测。	对比文件的对象跟踪系统在每个处理周期都会对检测到的物体进行分类和状态更新，这是一个持续的“跟踪”过程，而非对已分类的“存储图像”进行“重新分类”。目标专利的特征G是在用户修改标记（特征E）并重新训练分类器（特征F）之后，基于更新后的分类器对图像进行重新分类，旨在优化图像库的组织。对比文件的目的和上下文完全不同，未公开此特征。
特征H：其特征在于，所述第一预先训练的分类器是支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)。《直接公开》	第[0051]段：“Additional method used to apply trained classifiers to the features extracted from the image areas to identify and classify object in the image areas include utilizing a support vector machine (SVM) and a neural network.”	对比文件明确列举了用于对从图像区域提取的特征进行分类的方法，包括支持向量机（SVM）和神经网络（neural network）。神经网络是一个宽泛的概念，多层感知器（MLP）是其中一种典型和常用的前馈神经网络结构。本领域技术人员在阅读对比文件时，能够理解其所指的神经网络包括MLP等具体实现。因此，SVM和神经网络（包含MLP）被直接公开。虽然对比文件未明确提及“逻辑回归”和“最接近的邻居”，但鉴于其已公开SVM和神经网络作为分类器的具体示例，且目标专利权利要求中使用“或”连接多个选项，公开其中一部分即满足直接公开的判断标准。
特征I：其特征在于，进一步包括，至少部分地基于对应的标记来将所述多个所存储图像中的图像分类到群中。《未公开》	第[0053]段：“The data association module 118 matches the current identified objects with prior identified objects and outputs a list of matched object-measurement pairs.”	对比文件的数据关联模块将具有相同或相似标签（如都是“车辆”）的物体关联到同一个跟踪轨迹中，这可以看作是基于标签将物体归入不同的“跟踪群”。然而，这种“群”是动态的物体轨迹，而非目标专利中所指的、用于组织“所存储图像”的静态分类群组。目标专利的特征I是分群集（特征C）之后的进一步分类步骤，旨在将图像组织成不同的群（如文件夹），对比文件未公开此目的和操作。
特征J：其特征在于，进一步包括，至少部分地基于对应的群来将所述多个所存储图像中的每个图像放置到文件夹中。《未公开》	无相应内容。	对比文件完全涉及车辆环境的实时感知与跟踪，没有任何关于将图像存储到计算机文件系统的“文件夹”中的内容。目标专利此特征是图像管理系统的核心操作之一，对比文件未公开。
特征K：其特征在于，进一步包括，使用非特定名称来命名所述文件夹。《未公开》	无相应内容。	如上所述，对比文件未涉及“文件夹”概念，因此更不可能涉及文件夹的命名方式。未公开。
特征L：其特征在于，进一步包括，使用第二预先训练的分类器来确定特定文件夹名称。《未公开》	无相应内容。	对比文件仅描述了一个分类模块（116），用于对检测到的物体进行分类（分配标签如“车辆”）。没有提及使用另一个（第二）预先训练的分类器来为“文件夹”确定名称。未公开。
特征M：其特征在于，进一步包括，使用所述第二预先训练的分类器、至少部分地基于与相关联的群的标记相关联的群集中心的分类来确定所述特定文件夹名称。《未公开》	无相应内容。	该特征依赖于“群集中心”、“群的标记”、“文件夹名称”等多个未在对比文件中公开的概念。未公开。
特征N：其特征在于，所述特定文件夹名称进一步至少部分地基于关于给定文件夹的所标记图像的多数裁定规则来确定。《未公开》	无相应内容。	对比文件未涉及“文件夹名称”或“多数裁定规则”的确定。未公开。
特征O：其特征在于，进一步包括，接收修改特定文件夹名称或指派新的特定文件夹名称的用户输入。《未公开》	无相应内容。	对比文件未涉及“文件夹名称”或接收用户输入以修改系统分类结果（如标签或名称）的机制。其[0072]段提到的驾驶员反馈是针对碰撞警报的，而非针对图像或文件夹的标记/命名。未公开。
特征P：其特征在于，进一步包括，至少部分地基于群集中心或者至少一个所标记的图像特征向量来重新训练第二预先训练的分类器以包括经修改的特定文件夹名称或所述新的特定文件夹名称。《未公开》	无相应内容。	该特征涉及“第二预先训练的分类器”、“群集中心”、“文件夹名称”的重新训练，这些概念均未在对比文件中公开。未公开。
特征Q：其特征在于，进一步包括，至少部分地基于确定新图像的特征向量和应用所述分类器以确定所述新图像的群来将所述新图像放置在文件夹中。《未公开》	第[0051]段描述了应用训练好的分类器对从图像区域提取的特征进行分类。	对比文件公开了对新捕捉的图像帧（可视为“新图像”）提取特征并应用分类器进行分类（分配标签）。然而，其目的是为了物体跟踪和碰撞预警，而不是为了“将新图像放置在文件夹中”。目标专利此特征是其图像管理系统处理新增图像的流程，对比文件未公开该目的和后续操作。
特征R：其特征在于，进一步包括，接收修改所述所指派的标记的用户输入。《未公开》	无相应内容。	与特征E类似，对比文件未公开允许用户修改系统为物体所指派的标签（标记）的机制。未公开。
特征S：其特征在于，至少部分地基于将所述图像从第一文件夹移至第二文件夹的用户输入来修改所述所指派的标记。《未公开》	无相应内容。	该特征结合了“文件夹”操作和“标记修改”，两者均未在对比文件中公开。未公开。
特征T：其特征在于，进一步包括，与第二用户共享至少一个分类器或群集中心列表。《未公开》	无相应内容。	对比文件描述的是一个单车系统，所有处理均在本地车辆完成。没有提及与其他用户共享分类器或群集中心列表。未公开。
特征U：其特征在于，所共享的群集中心列表与所述第二用户的群集中心列表相组合以创建用于所述第二用户的图像的标记并且更新用于所述第二用户的分类器。《未公开》	无相应内容。	该特征涉及用户间共享和协同训练，依赖于多个未公开的概念（共享、群集中心列表、为用户图像创建标记）。未公开。
特征V：其特征在于，进一步包括，与所述第二用户共享用户为类别或群集定义的种类。《未公开》	无相应内容。	对比文件未涉及用户自定义类别/种类以及共享功能。未公开。