**对比文件名称**：2014-01-02_发明申请_US20140003663A1 METHOD OF DETECTING FACIAL ATTRIBUTES
**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**：作为资深专利代理师进行特征比对分析
### 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>**未被公开** | 无 | **论述**：目标专利的特征A核心在于，由专用CV计算硬件对同一传感器元件（主体传感器元件）在不同时间点（先前与当前）计算出的局部CV特征进行比较，以检测特征层面的变化，从而触发事件（见说明书[0045], [0050], [0081]）。对比文件涉及面部属性检测，其提取局部特征（如LBP）是为了对单帧人脸图像进行分类（例如判断是否微笑），并未描述或隐含需要对同一图像位置（对应于“主体传感器元件”）随时间变化的CV特征进行计算和比较。对比文件处理的是静态图像分析，而非基于时间序列的特征变化检测。因此，对比文件既未直接公开也未隐含公开该技术特征。 |
| **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 (<<<b>>>)** | [0028] “In one embodiment, a local binary patterns (LBP) process may be used as a feature extractor.” | **论述**：目标专利中计算局部CV特征（如LBP）需要使用主体传感器元件及其相邻传感器元件的读数（见说明书[0048], [0061]）。对比文件[0028]段公开了使用LBP过程作为特征提取器。LBP技术本身的定义就涉及比较中心像素（对应于“主体传感器元件”）与其周围相邻像素的灰度值（对应于“各个读数”）以生成二进制模式标记。尽管对比文件是在软件/处理器层面应用LBP处理已获取的图像数据，而目标专利是在专用硬件中使用传感器读数直接计算，但就“使用来自中心及相邻位置的读数来计算特征”这一技术手段而言，本领域技术人员能够毫无疑义地从对比文件公开的LBP技术中推理得出。因此，该技术特征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>**未被公开** | 无 | **论述**：目标专利的特征C限定了传感器硬件结构：二维阵列布置的传感器元件，以及包含传感器元件和像素内电路的像素单元（见说明书[0033]-[0034], 图2）。对比文件全文描述的是在通用处理系统（如PC、手机）上对由相机捕获或存储的图像进行软件算法处理（如人脸检测、特征提取），并未提及图像传感器内部的物理结构，如传感器元件如何布置、像素是否包含像素内电路等。因此，对比文件未公开该硬件结构特征。 |
| **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>**未被公开** | 无 | **论述**：目标专利的特征D将专用CV计算硬件具体限定为集成在像素内部的电路（像素内电路），实现像素级的并行处理（见说明书[0034], [0045], 图10）。对比文件中的所有处理（包括LBP特征提取和MLP分类）均描述为由处理器（如CPU）执行的软件或固件指令（见说明书[0015], [0049]），例如在“processing system”或“processor”上运行。对比文件完全没有提及任何在传感器像素内部实现的专用计算硬件。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>**未被公开** | 无 | **论述**：目标专利的特征E定义了基于CV特征比较产生一种特定格式的“事件”，该事件包含位置信息和由多个位表示的特征有效负载（CV特征本身）（见说明书[0045], [0067], [0092]）。对比文件产生的是面部属性检测的最终分类结果或置信度分数（如微笑概率），这是一种应用层的输出，而非由硬件产生的、包含位置和原始特征数据的“事件”流。对比文件没有描述基于特征变化触发事件，也没有描述事件包含“位置”和“特征有效负载”的格式。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>**未被公开** | 无 | **论述**：目标专利的特征F是将上述产生的事件发送至处理器（如应用程序处理器）进行后续处理（见说明书[0037], [0043]）。对比文件中，面部属性检测的结果可能被提供给应用程序或显示，但这与目标专利中定义的、由专用硬件产生并传输的“事件”在性质、内容和生成机制上均不同。对比文件未公开将基于传感器特征比较的事件发送至处理器的技术方案。 |
| **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 (<<<G>>>)** | [0028] “In one embodiment, a local binary patterns (LBP) process may be used as a feature extractor.” 以及 [0028] “In various embodiments of the present invention, the technique used for extracting local features may be different for different facial attributes. For instance, when performing smile detection, LBP is preferred over other techniques;” | **论述**：目标专利明确局部CV特征包括LBP标记或其变体（见说明书[0048], [0050]）。对比文件[0028]段明确且直接地公开了使用LBP（局部二值模式）过程作为从图像局部区域提取特征的技术。这完全对应于目标专利中“局部化CV特征包括局部二值模式LBP标记”的技术特征。因此，该技术特征被对比文件直接公开。 |
| **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 (<<<h>>>)** | [0028] “In another embodiment, a histogram of orient gradient (HoG) process may be used as a feature extractor.” | **论述**：目标专利的局部CV特征包括带正负号梯度直方图（HSG）标记。对比文件[0028]段公开了使用定向梯度直方图（HoG）作为特征提取器。HSG（Histogram of Signed Gradients）与HoG（Histogram of Oriented Gradients）均为基于图像梯度统计的直方图特征描述符，在计算机视觉领域密切相关。HoG通常计算梯度的方向直方图（不考虑正负号），而HSG考虑梯度的正负号。本领域技术人员知晓，HoG是梯度直方图特征的一种典型且常用的实现方式，HSG可视为其一种变体或衍生。从对比文件公开的HoG，本领域技术人员能够合理推断出使用类似的梯度直方图特征（包括考虑正负号的变体）来描述局部特征。因此，该技术特征被对比文件隐含公开。 |
| **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>**未被公开** | 无 | **论述**：目标专利的特征I进一步限定传感器阵列为视觉传感器，且每个传感器元件包含光电二极管（见说明书[0033], [0058]）。对比文件虽然提及相机捕获图像，但其说明书完全未描述图像传感器的具体物理构成，更未提及每个传感器元件包含光电二极管这一细节。该特征是具体的硬件实现细节，对比文件未予公开。 |
| **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>**未被公开** | 无 | **论述**：目标专利的特征J限定了事件产生的一种具体实现方式——使用动态视觉传感器（DVS）电路（见说明书[0029], [0040]）。DVS是一种特定类型的、基于异步事件驱动的传感器电路。对比文件全文未提及DVS或任何类似的事件驱动型传感器电路。因此，该特征未被公开。 |
<<<G>>><<<b>>><<<h>>>