返回项目页面
对比文件列表
2004-08-12_发明申请_US20040155175A1 Random access imaging sensor_+++C_F_I+++.docx
2026-02-23 17:34
2006-05-02_发明授权_US07038185B1 Camera for directly generating a gradient image_+++C_I_a_b_d_h+++.docx
2026-02-23 17:34
2006-12-19_发明授权_US07151844B2 Image sensor method and apparatus having hardware implemented edge detection processing_+++B_c_f_i+++.docx
2026-02-23 17:34
2008-06-05_发明专利_JP2008131407A Solid-state imaging element and imaging apparatus using same_+++C_I_f+++.docx
2026-02-23 17:34
2009-06-25_发明专利_JP2009140149A Information terminal equipment_+++a_b_c_i+++.docx
2026-02-23 17:34
2011-04-07_发明专利_DE102008052930B4 Bildverarbeitender Sensor_+++c_f_i+++.docx
2026-02-23 17:34
2011-12-08_发明申请_US20110298755A1 MATRIX SENSOR_+++C_I_a_b_f+++.docx
2026-02-23 17:34
2012-06-07_发明申请_US20120138774A1 FOCAL PLANE ARRAY PROCESSING METHOD AND APPARATUS_+++C_D_F_I_a_b_e+++.docx
2026-02-23 17:34
2012-07-12_发明申请_WO2012093381A1 CAMERA ASSEMBLY WITH AN INTEGRATED CONTENT ANALYZER_+++C_F_I_a_b+++.docx
2026-02-23 17:34
2013-01-07_发明专利_JP2013003787A Object detection device_+++c_f_i+++.docx
2026-02-23 17:34
2013-08-21_发明公开_CN103259985A CMOS图像传感器、像素单元及其控制方法_+++C_I+++.docx
2026-02-23 17:34
2014-01-23_发明申请_WO2014015194A2 METHODS FOR DETECTING AND MEASURING AGGREGATION_+++G_I_c_f+++.docx
2026-02-23 17:34
2014-01-23_发明申请_WO2014015194A3 METHODS FOR DETECTING AND MEASURING AGGREGATION_+++a_c_e_f_i+++.docx
2026-02-23 17:34
2014-05-01_发明申请_US20140118592A1 CMOS IMAGE SENSORS WITH FEATURE EXTRACTION_+++C_F_I_b+++.docx
2026-02-23 17:34
2014-05-08_发明申请_US20140125799A1 VEHICLE VISION SYSTEM_+++c_f_i+++.docx
2026-02-23 17:34
2014-05-29_发明申请_US20140149754A1 GESTURE DETECTION MANAGEMENT FOR AN ELECTRONIC DEVICE_+++F_c_i+++.docx
2026-02-23 17:34
2014-09-11_发明申请_US20140254864A1 SYSTEM AND METHOD FOR GESTURE DETECTION THROUGH LOCAL PRODUCT MAP_+++B_G_a_c_i+++.docx
2026-02-23 17:34
2014-10-30_发明申请_US20140319325A1 LAMP SIGNAL GENERATION CIRCUIT AND CMOS IMAGE SENSOR_+++C_I+++.docx
2026-02-23 17:34
2014-10-30_发明申请_US20140320666A1 OBJECT DETECTION_+++C_F_I_a_b_e+++.docx
2026-02-23 17:34
2014-12-11_发明申请_US20140363049A1 METHOD OF ESTIMATING OPTICAL FLOW ON THE BASIS OF AN ASYNCHRONOUS LIGHT SENSOR_+++J_c_i+++.docx
2026-02-23 17:34
2014-12-18_发明申请_US20140368626A1 COMPUTER VISION APPLICATION PROCESSING_+++C_F_i+++.docx
2026-02-23 17:34
2014-12-18_发明申请_US20140368712A1 IMAGE ADJUSTMENT APPARATUS AND IMAGE SENSOR FOR SYNCHRONOUS IMAGE AND ASYNCHRONOUS IMAGE_+++F_I_J_c+++.docx
2026-02-23 17:34
haoma_+++B_C_D_G_I_e_f+++.docx
2026-02-23 17:34
weixianzai_+++A_B_C_D_E_F_G_I_J+++.docx
2026-02-23 17:34
2014-01-23_发明申请_WO2014015194A2 METHODS FOR DETECTING AND MEASURING AGGREGATION_+++G_I_c_f+++.docx

**对比文件名称**:2014-01-23_发明申请_WO2014015194A2 METHODS FOR DETECTING AND MEASURING AGGREGATION

**目标专利名称**:144基于事件的计算机视觉计算CN106716441B

**模型名称**:GPT-4

根据目标专利权利要求的技术特征划分,创建特征比对表格如下:

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>**《未公开》**无对应内容。对比文件[p0052] [0047]段描述了使用局部二值模式(LBP)算子分析图像纹理,[p0056] [0050]段描述了将待测混合物的特征提取信息与已知凝集状态的对照混合物的特征提取信息进行比较。但这些都是在通用图像处理器上对已获取的图像进行的软件/算法分析,并非在“专用CV计算硬件”上对“传感器元件”实时计算并比较“先前”与“当前”的“局部CV特征”。目标专利的技术特征A涉及在专用CV计算硬件(如像素内电路)中,为主体传感器元件实时计算并比较其局部CV特征(如LBP标记)在时间序列上的变化。对比文件公开的是在计算机系统中,对已经数字化并存储的图像(代表整个视场或样本)应用LBP等算法进行纹理分析,以判断样本的凝集状态。这种分析是离线的、基于完整帧图像的,且未涉及为阵列中每个独立的传感器元件实时计算和存储其自身的局部CV特征历史值并进行比较。两者技术手段、作用和目的均不相同。因此,本领域技术人员无法从对比文件中直接或通过合理推理得出技术特征A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>**《未公开》**无对应内容。对比文件[p0052] [0047]段提到“使用局部二值模式(LBP)算子分析包含可视化颗粒和凝集颗粒的混合物的成像信息的纹理”。LBP算子的原理确实涉及比较中心像素与其相邻像素的灰度值。然而,对比文件并未将此计算过程描述为在“CV特征计算硬件”上执行,也未将其与“主体传感器元件”及其“相邻传感器元件”的实时“读数”相关联。目标专利的技术特征B明确了局部CV特征(如LBP)的计算是基于主体传感器元件及其相邻传感器元件的实时读数,并由专用硬件(如像素内电路)执行。对比文件虽然提及了LBP算子,但其应用场景是在图像分析软件中,对已经由相机传感器捕获并数字化后的完整图像数据进行处理。它没有公开或暗示在传感器阵列的每个像素位置,由集成在像素内的专用硬件,利用该像素及其邻居的实时模拟或数字读数来计算局部特征。两者的实现层级(传感器内 vs. 传感器后处理)和实时性要求存在本质区别。因此,该特征未被对比文件公开。
**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>**《隐含公开》**[p0025] [0021]段:“...所述图像是使用CCD或CMOS图像传感器获取的。”<br>[p0341] [00263]段:“...图像是使用CCD相机捕获的。...图像是使用CMOS相机捕获的。”CCD或CMOS图像传感器本质上是包含在二维(行和列)上布置的多个感光元件(即传感器元件)的阵列。每个感光单元通常被称为一个“像素”。在本领域技术人员的通常理解中,一个成像“像素”包括感光元件(如光电二极管)以及相关的读出和/或处理电路(可广义理解为“像素内电路”)。因此,对比文件中提到的用于获取凝集测定图像的CCD或CMOS传感器,隐含公开了包含沿两个维度布置的多个传感器元件的阵列,且每个像素包含传感器元件和相关的电路。这与技术特征C的描述相符。
**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>**《未公开》**无对应内容。对比文件全文描述了在计算机、处理器或专用图像分析模块上执行图像分析和特征提取(包括LBP)[p0052] [0047], [p0056] [0050], [p0328] [00252])。目标专利的技术特征D是核心区别特征之一,其要求将执行CV特征计算的硬件集成到每个像素的像素内电路中。对比文件仅公开了在传感器外部的通用或专用处理单元(如计算机处理器、图像分析模块)上执行CV运算。没有任何内容表明或暗示将LBP计算器等CV硬件嵌入到每个感光像素的内部电路中。这种在像素级集成专用计算硬件的架构是为了实现极低功耗和高速的局部事件检测,与对比文件中将图像数据传输到外部处理器进行批量处理的架构有根本不同。因此,该特征未被公开。
**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>**《未公开》**无对应内容。对比文件描述了通过分析图像(如计算关联因子、进行纹理分类)来“检测”或“确定”凝集是否发生[p0056] [0050], [p0321] [00247]),但这是一种对完整样本状态的判断,而非针对阵列中单个传感器元件位置实时产生的、包含位置和特征有效负载的“事件”流。目标专利的技术特征E定义了在专用硬件中,基于局部CV特征变化实时产生的、具有特定数据结构的“事件”。该事件对应于单个传感器元件的位置,并携带其当前的CV特征值作为有效负载。对比文件的输出是整个样本的凝集状态判断(是/否,或滴度),是一种宏观的、汇总性的结果,并非由传感器阵列持续产生的、以单个像素位置为粒度的异步事件流。两者在输出数据的格式、粒度和产生机制上完全不同。因此,该特征未被公开。
**技术特征F**:以及将所述事件发送至处理器。<br>**《隐含公开》**[p0320] [00247]段描述了分析图像以确定凝集水平,并基于此确定样本中抗体、病毒颗粒等的存在。这隐含了将分析结果(可视为一种“事件”或信息)发送给某个处理器或系统用于进一步决策或显示。从对比文件的整体教导来看,图像分析的结果(例如,凝集状态、抗体滴度)最终需要被用于诊断、显示或记录。这必然涉及将分析得到的信息发送给某个处理单元(无论是同一设备上的应用程序处理器还是远程计算机)。本领域技术人员可以合理推断,在完成图像分析后,需要将结果数据传输至处理器。虽然目标专利中的“事件”是特定格式的、像素级的数据包,而对比文件中的“结果”是样本级的结论,但“将信息发送至处理器”这一上位概念在对比文件中是隐含存在的。
**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>**《直接公开》**[p0052] [0047]段:“...分析所述混合物的纹理包括用局部二值模式(LBP)算子分析所述成像信息。”<br>[p0328] [00252]段:“例如,可以对图像施加局部二值模式(LBP)算子...”对比文件明确且直接地公开了使用局部二值模式(LBP)算子作为分析图像纹理(即提取特征)的方法。LBP标记正是LBP算子的输出结果。因此,对比文件直接公开了技术特征G中“局部化CV特征包括局部二值模式LBP标记”的技术方案。关于“LBP标记的变体”,对比文件[p0328] [00252]段还提到了灰度共生矩阵(GLCM)算子等,这些可被视为不同的纹理特征提取方法,但未明确列举LBP的特定变体(如CS-LBP)。然而,LBP本身是一个算法家族,其基础版本被公开,本领域技术人员知晓存在多种LBP变体。从宽松的隐含公开判断标准出发,可以认为公开了使用LBP类特征。但鉴于权利要求明确划分,且对比文件直接、明确地公开了LBP,此处按直接公开判断。
**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>**《未公开》**无对应内容。对比文件未提及带正负号梯度直方图(HSG)标记。对比文件公开了LBP作为纹理特征,但从未提及HSG标记。HSG与LBP是不同的计算机视觉特征描述符。本领域技术人员无法从对比文件中直接或隐含地得出使用HSG标记的技术方案。因此,该特征未被公开。
**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》**[p0025] [0021]段:“...所述图像是使用CCD或CMOS图像传感器获取的。”CCD和CMOS图像传感器是典型的视觉传感器,其每个感光单元(像素)的核心通常包括至少一个光电二极管,用于将光信号转换为电信号。这是本领域的公知常识。因此,对比文件公开了使用视觉传感器(CCD/CMOS),其传感器元件(像素)包含光电二极管,直接公开了技术特征I。
**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>**《未公开》**无对应内容。对比文件全文未提及动态视觉传感器(DVS)、基于事件的传感或类似原理。目标专利的技术特征J限定了产生事件的特定硬件电路类型——DVS电路。DVS是一种专门输出异步事件流(而非完整帧图像)的传感器。对比文件使用的都是传统的基于帧的CCD/CMOS传感器,其输出是完整的、定期的图像帧。两者传感原理和输出数据形式截然不同。因此,该特征未被对比文件公开。

**结论与代码输出**:

根据上述特征比对,对比文件直接公开了技术特征G和技术特征I,隐含公开了技术特征C和技术特征F。其余技术特征(A、B、D、E、H、J)未被对比文件直接公开或隐含公开。

<<<G>>><<<I>>><<<c>>><<<f>>>

权利要求与技术特征
Powered by Django

网站备案号:渝ICP备2023012882号


重庆市非显而易见网络科技有限责任公司 A Anti NPE NPE