### 对比文件和目标专利信息
- **对比文件名称**：发明授权_US06704621B1 System and method for estimating ego-motion of a moving vehicle using successive images recorded along the vehicle's path of motion
- **目标专利名称**：用于确定车辆位置的系统和方法
- **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：一种用于确定车辆位置的方法**<br>《直接公开》 | “The invention relates generally to the field of systems and methods for estimating ego-motion (that is, “self-motion) of a moving vehicle...” (FIELD OF THE INVENTION 段)<br>“In brief summary, the invention provides an ego-motion determination system for generating an estimate as to the ego-motion of a vehicle moving along a roadway.” (SUMMARY OF THE INVENTION 段) | 对比文件明确公开了一种用于估计移动车辆自我运动（ego-motion）的系统和方法。自我运动即车辆相对于路面的自身运动，这实质上是确定车辆位置（特别是相对位置和姿态）的一种具体形式。因此，对比文件直接公开了“一种用于确定车辆位置的方法”这一主题。 |
| **技术特征B：获得多个图像**<br>《直接公开》 | “...using successively-recorded images recorded along the vehicle's path of motion.” (FIELD OF THE INVENTION 段)<br>“The image information receiver is configured to receive image information relating to a series of at least two images recorded as the vehicle moves along a roadway.” (SUMMARY OF THE INVENTION 段)<br>“...record successive images as the vehicle moves over the roadway.” (DETAILED DESCRIPTION 段， FIG. 1 描述部分) | 对比文件的核心就是利用沿车辆运动路径连续记录的图像来估计自我运动。文中多次明确提及“一系列至少两幅图像”、“连续图像”，这直接对应于“获得多个图像”这一技术特征。 |
| **技术特征C：检测所述多个图像中的对象**<br>《直接公开》 | “...the ego-motion estimation system processor 14 will determine which patches are likely to comprise images of the roadway (step 153).” (DETAILED DESCRIPTION 段， FIG. 3 流程描述部分)<br>“...ignore other regions of the images.” (DETAILED DESCRIPTION 段， 关于区域 R 的讨论部分) | 对比文件的方法包括将图像分割成多个块（patch），并判断哪些图像块包含道路的投影（即检测道路对象）。虽然其“对象”特指道路区域，但“检测图像中的对象”是该方法实现自我运动估计的必要步骤，因此被直接公开。 |
| **技术特征D：所述对象包括交通引导对象**<br>《隐含公开》 | “Typically, roads have few feature points, if any. The most obvious features in a road, such as lane markings...” (BACKGROUND OF THE INVENTION 段)<br>“...identify lanes and the like...” (BACKGROUND OF THE INVENTION 段) | 对比文件在背景技术和问题陈述中明确提及“车道标记（lane markings）”是道路上最明显的特征，并且方法目的包括“识别车道”。车道标记是典型的交通引导对象。虽然对比文件方法的核心是识别道路平面本身而非专门检测独立的“交通引导对象”，但对于本领域技术人员而言，在检测道路区域时，必然会利用并识别出构成道路引导信息的车道标记等特征。因此，该特征被隐含公开。 |
| **技术特征E：确定所述对象上的多个特征点，其中所述特征点基于对象类型彼此具有已建立的关系**<br>《隐含公开》 | “...a maximum likelihood can be sought.” (DETAILED DESCRIPTION 段， 公式 (13) 后)<br>“...use the geometric constraints embodied in equation (11) with the photometric constraints embodied in equation (12).” (DETAILED DESCRIPTION 段， 公式 (13) 后)<br>通过公式 (1)-(11) 建立的光流方程和几何模型，本质上是利用图像点（特征点）之间的空间关系（基于它们位于同一道路平面这一“对象类型”的几何约束）来求解运动参数。 | 对比文件虽然没有明确表述“确定对象上的多个特征点”这一步骤，但其整个运动估计算法建立在从图像中提取信息点（通过光度约束和梯度计算）并利用这些点满足道路平面几何模型（公式(3)(4)(11)）的基础之上。这些信息点（如图像块中的像素点）因其共同属于“道路”这一对象类型，而通过平面方程（1/Z=ax+by+c，后简化为by）建立了确定的数学关系（即共面关系）。本领域技术人员能够理解，为了应用该几何模型求解运动，必须利用属于同一道路对象上的多个点，这些点之间的关系由平面模型预先定义。因此，该技术特征被隐含公开。 |
| **技术特征F：确定加速度测量**<br>《未公开》 | 对比文件全文未提及任何关于确定或使用加速度测量的内容。 | 对比文件描述的方法完全基于视觉图像处理（结合可能的车速计信息进行初始猜测，见步骤102、150），并未涉及任何加速度测量或其确定过程。该特征在对比文件中既未直接记载，也无法从中隐含得出。 |
| **技术特征G：基于所述加速度测量来使用所述多个特征点来确定相对于地平面的运动轨迹和相机姿态**<br>《未公开》 | 对比文件全文未提及任何关于确定或使用加速度测量的内容。 | 由于技术特征F（确定加速度测量）未被公开，因此基于加速度测量来确定运动轨迹和相机姿态的技术方案在对比文件中完全没有基础，既未直接记载，也无法隐含得出。 |
| **技术特征H：使用所述多个特征点确定的所述运动轨迹和相机姿态补充从惯性传感器测量确定的运动轨迹和相机姿态。**<br>《未公开》 | 对比文件全文未提及任何惯性传感器（如IMU）或来自惯性传感器的测量。 | 对比文件的方法是完全基于视觉的自我运动估计，虽然提到了可以使用来自车速计的信息作为初始猜测（步骤102），但从未提及“惯性传感器测量”或利用视觉结果去“补充”惯性传感器测量。该特征在对比文件中没有公开。 |
| **技术特征I：其中所述对象包含车道标记或交通标志。**<br>《部分直接公开，部分未公开》 | “The most obvious features in a road, such as lane markings...” (BACKGROUND OF THE INVENTION 段) | 对比文件明确提到了“车道标记（lane markings）”作为道路上的特征。因此，“对象包含车道标记”这一选项被直接公开。然而，对比文件全文未提及“交通标志（traffic signs）”。因此，“对象包含交通标志”这一选项未被公开。 |
| **技术特征J：其中确定所述多个特征点包括确定检测到的车道标记的三个或多于三个端角。**<br>《未公开》 | 对比文件虽然提及车道标记，但其方法是通过分析图像块的整体灰度、梯度和光流来估计运动，并未具体描述检测车道标记并确定其三个或多个端角（如角点）的步骤。 | 对比文件未公开任何关于专门检测车道标记的几何结构（如端角）的内容。其关注点在于道路平面的整体运动参数估计，而非提取特定结构化对象（如车道标记）的精确角点。该特征未被公开。 |
| **技术特征K：其中确定所述多个特征点包括确定检测到的交通标志的三个或多于三个顶点。**<br>《未公开》 | 对比文件全文未提及交通标志。 | 由于对比文件未涉及交通标志，因此确定交通标志顶点的特征自然未被公开。 |
| **技术特征L：其中确定所述运动轨迹包括使用所述多个特征点来确定尺度信息。**<br>《隐含公开》 | 公式 (10) 和 (11) 描述了在道路平面约束下的运动模型，其中包含平移参数 t_z（沿Z轴的平移，即前进/后退）。通过求解包含 t_z、w_x、w_y 的运动参数（步骤110、154），实际上恢复了车辆运动的尺度（即实际移动的距离）。这个尺度信息是通过应用图像特征点（满足光度与几何约束）来求解模型参数而间接确定的。 | 在单目视觉里程计或运动估计中，从二维图像序列恢复三维运动本质上包含了解决尺度模糊性问题。对比文件通过假设道路平面模型和车辆运动约束（主要沿Z轴平移和绕X、Y轴旋转），将尺度信息（体现在 t_z 参数中）作为待求解的未知量之一。因此，使用图像特征点来最终确定运动轨迹的过程，必然隐含了确定尺度信息这一环节。 |
| **技术特征M：其中确定所述运动轨迹和所述相机姿态包括将从第一图像确定的多个特征点与从第二图像确定的相应的特征点进行比较。**<br>《直接公开》 | “...given two consecutive images Ψ and Ψ′...” (DETAILED DESCRIPTION 段， 公式 (14) 前)<br>“...warping the image Ψ′ according to the motion {circumflex over (m)}, thereby to generate a warped image {circumflex over (Ψ)}′ and determining the sum squared difference (“SSD”)... between corresponding patches, or regions, R in the images...” (DETAILED DESCRIPTION 段， 公式 (16) 附近)<br>“...the photometric constraint I(x,y,t)−I(x+uδt,y+vδt,t+δt)=0...” (DETAILED DESCRIPTION 段， 公式 (12)) | 对比文件的核心操作就是处理两幅连续图像（Ψ 和 Ψ′）。其通过光流约束（公式12）和图像块匹配（SSD计算，公式16）来建立两幅图像之间点的对应关系（即比较相应的特征点），并基于此估计运动（轨迹和姿态）。这直接公开了该技术特征。 |
| **技术特征N：将所述检测到的对象的测量与惯性传感器测量进行组合；以及基于所述组合的测量来确定所述运动轨迹。**<br>《未公开》 | 对比文件全文未提及任何惯性传感器（如IMU）或来自惯性传感器的测量。 | 该特征涉及视觉测量与惯性传感器测量的融合，对比文件的方法是完全基于视觉的，没有公开任何与惯性传感器测量进行组合的技术内容。 |
| **技术特征O：将卫星导航接收器测量与所述检测到的对象的测量进行组合；以及基于所述组合的测量确定全局帧中的姿态和位置。**<br>《未公开》 | 对比文件仅在背景中提到ego-motion估计可用于自动驾驶，“perhaps also using positioning information from, for example, the global positioning system (“GPS”)...” (DETAILED DESCRIPTION 段， FIG. 1 描述部分)，但这只是一种潜在的应用场景列举，并未在其要求保护的方法或系统中公开任何实际组合GPS测量与视觉对象测量的具体技术手段或步骤。 | 对比文件没有公开将卫星导航（如GPS）接收器的测量数据与检测到的对象（道路）的测量数据进行组合，并基于此确定全局姿态和位置的技术方案。其方法仅输出相对的自我运动估计。 |
| **技术特征P：将来自一或多个车辆传感器的车辆传感器测量与所述卫星导航接收器测量和所述检测到的对象的测量进行组合；以及基于所述组合的测量来确定所述全局帧中的所述姿态和位置。**<br>《未公开》 | 同特征O，对比文件未公开组合卫星导航测量。此外，虽然提到了可能使用车速计信息作为初始猜测（步骤102、150），但并未公开将其与卫星导航、视觉对象测量三者进行组合以确定全局姿态和位置。 | 该特征涉及多传感器深度融合，对比文件完全没有公开这样的技术方案。 |
| **技术特征Q：将所述检测到的对象的测量与速度计测量进行组合；以及基于所述组合的测量来确定所述运动轨迹。**<br>《隐含公开》 | “...using the previous motion estimate and, perhaps information from other sensors if available (step 102). For example, the ego-motion estimation system processor 14 may make use of information from the vehicle 10's speedometer...” (DETAILED DESCRIPTION 段， FIG. 2 流程步骤102描述)<br>在基于图3的方法中，也提到了可以使用来自车速计的信息（步骤150）。 | 对比文件明确记载了在自我运动估计过程中，可以利用来自车速计的信息。虽然其主要描述是将车速计信息用于生成运动估计的“初始猜测”，但对于本领域技术人员而言，将来自视觉对象（道路）的测量与来自速度计的测量进行某种形式的结合（无论是作为初始值、约束条件还是优化过程中的一部分），以共同确定或优化运动轨迹，是惯用技术手段的直接应用。因此，该特征被隐含公开。 |
| **技术特征R：其中所述方法在车辆中执行。**<br>《直接公开》 | “FIG. 1 schematically depicts a vehicle 10 moving on a roadway 11 and including an ego-motion estimation system 12 constructed in accordance with the invention.” (DETAILED DESCRIPTION 段开头)<br>“The ego-motion estimation system processor 14 may also be mounted in or on the vehicle 11 and may form part thereof.” (DETAILED DESCRIPTION 段， FIG. 1 描述部分) | 对比文件明确描述了其自我运动估计系统安装在车辆上，并作为车辆的一部分。因此，其公开的方法自然是在车辆中执行的。 |
| **技术特征S：其进一步包括将所述相机姿态传输给地图服务。**<br>《未公开》 | 对比文件未提及任何关于“地图服务”或将相机姿态传输给地图服务的内容。 | 该特征未被对比文件公开。 |
| **技术特征T：其中所述方法由服务器执行。**<br>《未公开》 | 对比文件描述的系统和方法均是在车辆上本地执行的（参见特征R）。 | 对比文件没有公开或暗示所述方法由与车辆分离的服务器来执行。 |
<<<A>>><<<B>>><<<C>>><<<d>>><<<e>>><<<i>>><<<l>>><<<M>>><<<q>>><<<R>>>