发明创造名称：一种具备道路检测功能的机场勤务车
外观设计名称：
决定号：190941
决定日：2019-09-12
委内编号：1F257656
优先权日：
申请（专利）号：201610514434.2
申请日：2016-07-01
复审请求人：蔡雄
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：黄振山
合议组组长：成春旺
参审员：飞竹玲
国际分类号：B64F1/36(2006.01),B60P3/00(2006.01),G06K9/00(2006.01),;G06N3/08(2006.01)
外观设计分类号：
法律依据：专利法第22条第3款
决定要点
：如果一项权利要求要求保护的技术方案与作为最接近现有技术的对比文件相比存在区别特征，而上述区别特征的一部分被另一对比文件所公开，并且具有技术启示，其余部分属于本领域的公知常识，则该项权利要求要求保护的技术方案不具备创造性。
全文：
本复审请求涉及申请号为201610514434.2，名称为“一种具备道路检测功能的机场勤务车”的发明专利申请（下称本申请）。申请人为蔡雄。本申请的申请日为2016年07月01日，公开日为2016年12月07日。
经实质审查，国家知识产权局原审查部门于2018年04月26日以本申请权利要求1-6不具备专利法第22条第3款规定的创造性为由作出驳回决定。驳回决定所依据的文本为：申请日提交的说明书摘要、说明书第1-204段（第1-19页）、摘要附图、说明书附图图1-2（第1页）；2017年12月16日提交的权利要求第1-6项。
驳回决定引用了如下对比文件：
对比文件1：CN202953184U，公告日为2013年05月29日；
对比文件2：“基于视觉导航的智能车辆目标检测关键技术研究”，张国权，中国博士学位论文全文数据库信息科技辑，第20-46页，公开日为2013年02月28日。
驳回决定所针对的权利要求书如下：
“1. 一种具备道路检测功能的机场勤务车，包括机场勤务车和道路检测装置，其中机场勤务车包括：电脑、机械平台和后高速摄像机组，所述电脑安装在所述机场勤务车车厢内，所述后高速摄像机组通过所述机械平台安装在所述机场勤务车后端，所述后高速摄像机组与所述电脑相连接；
道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块和道路自适应检测模块；
所述图像采集模块用于采集外界信息的彩色图像；
所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分量V的信息，其余情况下，采用色调分量H进行目标提取；
所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非道路区域中；所述道路自适应检测模块包括：
(1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：
设Pi为灰度值为i的像素点在预处理后的图像中出现的频率，让Pi与其相邻的局部邻域Pt作比较，Pt＝{Pi-n,...,Pi-1,Pi 1,...Pi n}，参数n的取值范围为[4,8]，表示Pt左右邻域像频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins，若则i是波谷点，若 则i不是波谷点，定义谷点函数v(i)：
对选出的所有谷点v(i)＝1，增加距离约束条件和概率约束条件，若相邻谷点i和j之间的距离表示为d＝|i-j|，概率差表示为g＝|Pi-Pj|，设定距离参数D来反映波谷点之间应保持的最小距离，且Dmin和Dmax分别为相邻波谷点最小距离和最大距离，定义距离约束函数d(i)：
设定概率差参数G来反映波谷点间的阈值差，且Gmin和Gmax分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g(i)：
定义波谷点选择函数为: x(i)＝v(i)×d(i)×g(i)
式中，当x(i)＝1时，表示波谷点被选中；
(2)道路识别子模块：用于通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合并，并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，N∈[3,5]，其中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述多神经网络表示为{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分别表示对应于神经网络的正训练样本和负训练样本，则定义网络选取模型为：
W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}
其中，W为最终选取的合适网络，Wk(μk,δk)表示合适的神经网络，f(μk)表示神经网络Wk(μk,δk)的正训练样本窗口检测结果为1，f(δk)表示Wk(μk,δk)的负训练样本窗口检测结果为0；
(3)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样本窗口提取的特征对神经网络进行训练；
(4)车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路区域和非道路区域的分界线。
2. 根据权利要求1所述的一种具备道路检测功能的机场勤务车，其特征是，机场勤务车还包括左高速摄像机组和右高速摄像机组，所述左高速摄像机组通过左机械平台安装在所述机场勤务车的左侧，所述右高速摄像机组通过右机械平台安装在所述机场勤务车的右侧。
3. 根据权利要求2所述的一种具备道路检测功能的机场勤务车，其特征是，所述后高速摄像机组包括至少两个并排设置的高速摄像机，用于拍摄机场道路。
4. 根据权利要求3所述的一种具备道路检测功能的机场勤务车，其特征是，所述彩色图像预处理模块中，进行
目标提取时基于HSV空间中颜色分量投影模型，投影公式为：
式中，当不满足V(x,y)≥TV1orV(x,y)≤TV2orS(x,y)
5. 根据权利要求4所述的一种具备道路检测功能的机场勤务车，其特征是，所述饱和度阈值和亮度阈值的取值分别为：
6. 根据权利要求5所述的一种具备道路检测功能的机场勤务车，其特征是，所述网络训练子模块包括：
(1)特征提取单元，其采用3个尺度和6个方向构成的18个小波滤波器进行Gabor小波变换，提取预处理后的图像的纹理特征，同时采用10窗口提取预处理后的图像的颜色特征，并量化为4级，以得到22维特征；
(2)神经网络构建单元，用于根据所述22维特征构建神经网络，神经网络包括输入层、中间层和输出层，输入层设置22个神经元，输出层设置1个神经元，输出为1时表示道路区域，输出为0时表示非道路区域；
(3)网络训练单元，用于在车辆运动过程中每隔2s对神经网络进行训练。”
驳回决定指出：独立权利要求1与对比文件1的区别是：道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块和道路自适应检测模块；所述图像采集模块用于采集外界信息的彩色图像；所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分量V的信息，其余情况下，采用色调分量H进行目标提取；所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非道路区域中；所述道路自适应检测模块包括：（1）直方图阈值粗分割子模块，及其图像分割方法；（2）道路识别子模块，及其区域识别方法；（3）网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样本窗口提取的特征对神经网络进行训练；（4）车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路区域和非道路区域的分界线。但是，上述区别技术特征大部分被对比文件2公开，其余区别技术特征为本领域的公知常识。由此可知，权利要求1相对于对比文件1、对比文件2和本领域公知常识的结合不具备专利法第22条第3款规定的创造性。从属权利要求2-3的附加技术特征被对比文件1公开，从属权利要求4-5的附加技术特征是本领域的公知常识；从属权利要求6的附加技术特征一部分被对比文件2公开，其余属于本领域的公知常识。因此，从属权利要求2-6不具有专利法第22条第3款规定的创造性。
针对申请人的意见陈述，进一步指出：权利要求1与对比文件1的区别技术特征的主要内容已被对比文件2公开，对比文件2的谷点选择时仅公开了考虑距离约束条件，而概率约束条件是选择谷点的常用约束条件。由于修改后的权利要求1的几乎全部技术特征已被对比文件公开，其所带来的技术效果与对比文件的技术效果相同。从属权利要求2-6的附加技术特征也被对比文件1和对比文件2公开。因此权利要求1-6不具备专利法第22条第3款规定的创造性。
申请人（下称复审请求人）对上述驳回决定不服，于2018年08月06日向国家知识产权局提出了复审请求，未修改申请文件。复审请求人认为：权利要求1与对比文件1存在区别，说明书中还记载了上述区别具有意想不到的有益效果；而且，说明书中的五个实施例均取得了意想不到的有益效果，因此，本申请的权利要求1及从属权利要求2-6都具备创造性。
经形式审查合格，国家知识产权局于2018年08月13日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书中认为：（1）复审请求人仅仅是笼统的陈述本申请和对比文件存在区别，并未将对比文件2与本申请进行具体的对比，对比文件2已经公开了区别技术特征的主要内容，且与本申请同属道路检测领域，其所带来的技术效果也相同。（2）首先，权利要求中仅记载了n的取值范围为[4,8],N的取值范围为[3,5]，对比文件2公开了m(对应于本申请的n)的取值范围为[3,10],多神经网络包括3个（对应于本申请的N的取值），也即对比文件2中已公开多神经网络N的取值，而n的取值在对比文件2的基础上是本领域的常规选择。其次，即使复审请求人将说明书中的5个实施例补入权利要求中，因其仅仅是n和N在各自取值范围内的组合，是本领域技术人员根据实际情况可以做出的常规设计，不能产生意料不到的技术效果。因而坚持原驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年06月24日向复审请求人发出复审通知书，指出：独立权利要求1与对比文件1的区别是：道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块和道路自适应检测模块；所述图像采集模块用于采集外界信息的彩色图像；所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分量V的信息，其余情况下，采用色调分量H进行目标提取；所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非道路区域中；所述道路自适应检测模块包括：（1）直方图阈值粗分割子模块，及其图像分割方法；（2）道路识别子模块，及其区域识别方法；（3）网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样本窗口提取的特征对神经网络进行训练；（4）车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路区域和非道路区域的分界线。但是，上述区别技术特征大部分被对比文件2公开，其余区别技术特征为本领域的公知常识。由此可知，权利要求1相对于对比文件1、对比文件2和本领域公知常识的结合不具备专利法第22条第3款规定的创造性。从属权利要求2-3的附加技术特征被对比文件1公开，从属权利要求4-5的附加技术特征是本领域的公知常识；从属权利要求6的附加技术特征一部分被对比文件2公开，其余属于本领域的公知常识。因此，从属权利要求2-6不具有专利法第22条第3款规定的创造性。
针对复审请求人的意见陈述，进一步指出：首先，权利要求1与对比文件1的区别技术特征主要涉及道路检测装置的主要结构和对彩色图像的处理，上述区别技术特征的主要内容已经被对比文件2公开，而且对比文件2中的HSV模型与权利要求1中的彩色图像的预处理结果均是在H分量和V分量之间选择，不同之处在于本申请的依据是亮度数值、对比文件2中的依据是饱和度数值，但根据实际应用场景的不同，选择HSV模型在不同条件下主要依据其中合适的分量信息进行目标提取是本领域公知的；另外，对比文件2中的谷点选择时仅考虑距离约束条件，而概率约束条件是图像识别中采用的直方图多阈值法选择选择谷点的常用约束条件，采用两种约束条件是本领域技术人员容易想到的，而且上述技术手段带来的技术效果也是可以预料的。其次，权利要求1中仅记载了直方图阈值粗分割时的参数n的取值范围为[4,8]，多神经网络识别中的N的取值范围为[3,5]，对比文件2中已公开多神经网络N的取值，而n的取值在对比文件2的基础上是本领域的常规选择。在上述教导下，如果n、N的数值取本申请说明书中的5个实施例中的具体数值，也仅仅是n和N在各自取值范围内的组合，是本领域技术人员根据实际情况可以做出的常规设计，并且没有产生意料不到的技术效果。
复审请求人于2019年07月24日提交了意见陈述书，未修改申请文件。复审请求人认为：（1）关于本申请的彩色图像预处理模块， 本申请与对比文件2两者所限定的前提条件和不同条件下用来进行目标提取的分量也不同。而且本申请所采用的技术特征还取得了以下意想不到的技术效果：把亮度分量单独分离出来，为色彩的处理和识别提供了方便。即技术特征和技术效果都不同，本领域技术人员在对比文件2的基础上是不容易想到本申请的上述技术特征的。（2）关于本申请的直方图阈值粗分割子模块，首先，对比文件2所公开的谷点函数的表达形式跟本申请的并不相同，对于谷点的选择，两者限定了不同的条件。本申请的谷点函数具备突出的实质性特点和显著进步。然后，关于谷点的处理，设置概率约束条件是不容易想到的。最后，本申请采用了跟对比文件2不同的技术手段来进行波谷点的选择，还取得了以下的技术效果：相近的波峰点或波谷点都将被选择出来，这种情况下添加了距离约束条件和概率差约束条件，选出其中合理的波谷点。（3）关于本申请的道路识别子模块，在对比文件2已经公开正负训练样本的输出结果分别为1和0，分别对应道路区域和非道路区域的基础上，具体将多神经网络进行函数标识以及相应的定义网络选取模型不属于公知常识，而且上述技术特征还取得了以下意想不到的技术效果：设置道路识别子模块，通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区域进行识别区域直接映射到非道路区域选择合适的神经网络对道路区域进行合并，并定义网络选取模型，提高了识别的效率。因此，本申请的权利要求1具备创造性。
在上述程序的基础上，合议组认为本案事实已经清楚，可以作出审查决定。
二、决定的理由
（一）审查文本的认定
复审请求人在复审阶段未对申请文件进行修改，因此，本复审请求审查决定所针对的文本为：申请日2016年07月01日提交的说明书摘要、说明书第1-204（第1-19页）段、摘要附图、说明书附图图1-2（第1页）；2017年12月16日提交的权利要求第1-6项。
（二）关于专利法第22条第3款
专利法第22条第3款规定：创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步，该实用新型具有实质性特点和进步。
具体到本案：
1、权利要求1请求保护一种具备道路检测功能的机场勤务车，对比文件1公开了一种用于机场勤务车中的道路检测，其中公开了一种具备道路检测功能的机场勤务车，并具体披露了（参见说明书具体实施方式和附图1-2）：包括机场勤务车和道路检测装置，机场勤务车包括：电脑1、机械平台4和后高速摄像机组5，电脑1安装在机场勤务车车厢内，后高速摄像机组通过机械平台4安装在机场勤务车后端，后高速摄像机组5与电脑相连接。
权利要求1与对比文件1的区别技术特征在于：道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块和道路自适应检测模块；
所述图像采集模块用于采集外界信息的彩色图像；
所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分量V的信息，其余情况下，采用色调分量H进行目标提取；
所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非道路区域中；所述道路自适应检测模块包括：
(1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：
设Pi为灰度值为i的像素点在预处理后的图像中出现的频率，让Pi与其相邻的局部邻域Pt作比较，Pt＝{Pi-n,...,Pi-1,Pi 1,...Pi n}，参数n的取值范围为[4,8]，表示Pt左右邻域像频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins，若则i是波谷点，若 则i不是波谷点，定义谷点函数v(i)：
对选出的所有谷点v(i)＝1，增加距离约束条件和概率约束条件，若相邻谷点i和j之间的距离表示为d＝|i-j|，概率差表示为g＝|Pi-Pj|，设定距离参数D来反映波谷点之间应保持的最小距离，且Dmin和Dmax分别为相邻波谷点最小距离和最大距离，定义距离约束函数d(i)：
设定概率差参数G来反映波谷点间的阈值差,且Gmin和Gmax分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g(i)：
定义波谷点选择函数为: x(i)＝v(i)×d(i)×g(i)
式中，当x(i)＝1时，表示波谷点被选中；
(2)道路识别子模块：用于通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合并，并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，N∈[3,5]，其中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述多神经网络表示为{W1(μ1,δ1),W2(μ2,δ2),...,WN(μN,δN)}，μ和δ分别表示对应于神经网络的正训练样本和负训练样本，则定义网络选取模型为：
W＝{Wk(μk,δk),f(μk)＝1,f(δk)＝0,k∈[1,N]}
其中，W为最终选取的合适网络，Wk(μk,δk)表示合适的神经网络，f(μk)表示神经网络Wk(μk,δk)的正训练样本窗口检测结果为1，f(δk)表示Wk(μk,δk)的负训练样本窗口检测结果为0；
(3)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样本窗口提取的特征对神经网络进行训练；
(4)车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路区域和非道路区域的分界线。
基于上述区别技术特征，权利要求1的技术方案实际要解决的技术问题是如何更好的实现道路检测。
对比文件2公开了一种道路检测装置，具体披露了（参见第3-4章）：道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块和道路自适应检测模块；
所述图像采集模块用于采集外界信息的彩色图像；
所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模型，彩色图像的预处理结果是根据饱和度的数值在H分量和V分量之间选择，当存在饱和度很低（相当于饱和度过低）或者亮度不足（相当于亮度过低）时，图像分割主要依靠亮度分量V的信息，饱和度较高时，采用色调分量H进行目标提取；
所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非道路区域中；所述道路自适应检测模块包括：
(1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：
设Pi为灰度值为i的像素点在预处理后的图像中出现的频率，让Pi与其相邻的局部邻域Ps（相当于Pt）作比较，Ps＝{Pi-m, Pi-m 1, ...,Pi-1,Pi 1,..., Pi m-1, Pi m}，参数m的取值范围为[3,10]，表示Ps左右邻域像频范围，Ps中最小频率值为Psmin，次最小频率值为Psmins，若Pi< psmin或pi="">< psmins，则i是波谷点，若pi="">Psmin，则i不是波谷点，定义谷点函数g(i)：
，
对选出的所有谷点g(i)＝1，增加距离约束条件，若相邻谷点i和j之间的距离表示为d＝|i-j|，设定距离参数D来反映波谷点之间应保持的最小距离，且，Dmin和Dmax分别为相邻波谷点最小距离和最大距离，定义距离约束函数，定义波谷点选择函数为: f(i)＝g(i)×d(i) ，式中，当f(i)＝1时，选出的谷点最为合理（相当于表示波谷点被选中）；
(2)道路识别子模块：用于通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合并，并将剩余区域直接映射到非道路区域，所述多神经网络包括3个神经网络，（公开了N∈[3,5] ），其中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，神经网络包括征训练样本和负训练样本，正训练样本窗口检测结果为1，负训练样本窗口检测结果为0；
(3)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样本窗口提取的特征对神经网络进行训练；
(4)车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路区域和非道路区域的分界线。
上述特征在对比文件2中所起作用与其在本申请中所起作用相同，都是用于实现道路检测，即对比文件2给出了将上述特征应用于对比文件1以解决其技术问题的技术启示。而且，首先，HSV模型是本领域用于图像处理的常用模型，根据实际应用场景的不同，在不同条件下主要依据其中合适的分量信息进行目标提取是本领域的公知常识，在对比文件2教导了彩色图像的预处理结果是根据饱和度S的数值在H分量和V分量之间选择的基础上，设置采用HSV模型对彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三个分量之间选择，并根据情况采用亮度分量V或色调分量H进行目标提取是本领域技术人员容易想到的。
其次，在对比文件2与本申请波谷点的选择条件相似，具体的选择判断条件是本领域的常规选择；为进一步保证处理图像中的谷点选择的准确性，容易想到除距离约束条件外还设置概率约束条件，具体的概率约束条件的设计是本领域的公知常识，在定义波谷点选择函数时同时考虑两种约束条件，即：x(i)＝v(i)×d(i)×g(i)并不需要付出创造性的劳动。
再次，在对比文件2已经公开正负训练样本的输出结果分别为1和0，分别对应道路区域和非道路区域的基础上，具体将多神经网络进行函数标识以及相应的定义网络选取模型仅仅是函数上的表达，而且采用上述网络选取模型函数也是本领域常见的，并不需要付出创造性的劳动。
由此可见，在对比文件1的基础上结合对比文件2和本领域的公知常识，得到权利要求1的技术方案，对本领域的技术人员而言是显而易见的，因此，权利要求1不具备突出的实质性特点，不具备专利法第22条第3款规定的创造性。
2、权利要求2对权利要求1作了进一步的限定，对比文件1还公开了（参见说明书具体实施方式和附图1-2）：机场勤务车还包括左高速摄像机组和右高速摄像机组，左高速摄像机组通过左机械平台安装在机场勤务车的左侧，右高速摄像机组通过右机械平台安装在机场勤务车的右侧。因此，在其引用的权利要求1不具备创造性的基础上，权利要求2也不具备专利法第22条第3款规定的创造性。
3、权利要求3对权利要求2作了进一步的限定。对比文件1还公开了（参见说明书具体实施方式和附图1-2）：后高速摄像机组包括至少两个并排设置的高速摄像机，用于拍摄机场道路。因此，在其引用的权利要求2不具备创造性的基础上，权利要求3也不具备专利法第22条第3款规定的创造性。
4、权利要求4对权利要求3作了进一步的限定。对比文件2还公开了（参见第3章的附图3.3和公式3.1以及相关内容）：所述彩色图像预处理模块中，进行目标提取时基于HSV空间中颜色分量投影模型，投影公式为：
其中S(x,y)为S分量上的点，H(x,y)为H分量上对应的点，V(x,y)为V分量上对应的点，Ts为饱和度阈值，Tv为亮度阈值，α为拉伸因子，β为投影以后数值的分段。而且，在彩色图像预处理模块中，根据实际应用场景的不同，选择HSV模型在不同条件下主要依据其中合适的分量信息进行目标提取是本领域的公知常识，进而进行目标提取时基于HSV空间中颜色分量的投影模型和HSV模型中三个分量相互之间的投影公式是本领域的公知常识，在对比文件2公开了上述投影公式的教导下，采用权利要求4限定的投影模型和投影公式是本领域技术人员容易想到的。因此，在其引用的权利要求3不具备创造性的基础上，权利要求4也不具备专利法第22条第3款规定的创造性。
5、权利要求5对权利要求4作了进一步的限定。而饱和度阈值和亮度阈值的取值是本领域技术人员根据现有设备的技术水平、车辆运行环境状况等实际情况作出的常规选择。因此，在其引用的权利要求4不具备创造性的基础上，权利要求5也不具备专利法第22条第3款规定的创造性。
6、权利要求6对权利要求5作了进一步的限定。对比文件2还公开了（参见第4章）：所述网络训练子模块包括：(1)特征提取单元，其采用4个尺度和4个方向构成的16个小波滤波器进行Gabor小波变换，提取预处理后的图像的纹理特征，同时采用6窗口提取预处理后的图像的颜色特征，并量化为8级，以得到24维特征；(2)神经网络构建单元，用于根据所述24维特征构建神经网络，神经网络包括三层：输入层、中间层和输出层，输入层设置24个神经元，输出层设置1个神经元，输出为1时表示道路区域，输出为0时表示非道路区域；(3)网络训练单元，用于在车辆运动过程中每隔600ms左右对神经网络进行训练。上述特征在对比文件2中所起作用与在本申请中所起作用相同，都是用于对道路检测的图像识别进行网络训练。在对比文件2公开了与本申请相同的网络训练模块的基础上，具体的尺度、方向以及相应的数值等参数的选取和获得都是本领域技术人员根据实际情况可以做出的常规设计。因此，在其引用的权利要求5不具备创造性的基础上，权利要求6也不具备专利法第22条第3款规定的创造性。
（三）、关于复审请求人的意见
关于复审请求人的上述意见，合议组认为：（1）关于本申请的彩色图像预处理模块，对比文件2与权利要求1中的彩色图像预处理都采用HSV模型，其预处理结果均是在H分量和V分量之间选择，不同之处在于本申请的依据是亮度数值、对比文件2中的依据是饱和度数值，两者的前提条件都是同样的所拍摄道路彩色图像的处理，但根据实际应用场景的特点，选择HSV模型在不同条件下主要依据其中合适的分量信息进行目标提取、以及采用何种分量信息的优点和缺点是本领域公知的，而且上述参数依据都是本领域技术人员在图像处理中常用的，并不需要付出创造性的劳动。
（2）关于本申请的直方图阈值粗分割子模块，对比文件2与权利要求1中对于彩色图像预处理后的图像都采用直方图阈值法进行粗分割，区别仅在于谷点函数的定义及谷点选择的约束条件不同。但是，权利要求1与对比文件2中的谷点函数的定义都是直方图阈值分割中常见的谷点函数，而且对比文件2中的谷点选择时仅考虑距离约束条件，而概率约束条件是图像识别中采用的直方图多阈值法选择选择谷点的常用约束条件，采用两种谷点函数以及约束条件是本领域技术人员容易想到的，而且上述技术手段带来的技术效果也是可以预料的。
（3）关于本申请的道路识别子模块，对比文件2与权利要求1都采用多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区域进行识别，选择合适的神经网络合并道路区域，并将剩余区域直接映射到非道路区域，神经网络包括正训练样本和负训练样本，正训练样本窗口检测结果为1，负训练样本窗口检测结果为0，分别对应道路区域和非道路区域的基础上，具体将多神经网络进行函数标识以及相应的定义网络选取模型仅仅是函数上的表达，而且采用上述网络选取模型函数也是本领域常见的，并不需要付出创造性的劳动。
综上所述，复审请求人意见中提出的上述权利要求1与对比文件2的区别，都是本领域在图像处理及道路识别中常用的技术手段，并不能由此说明本申请的权利要求具备创造性，复审请求人的意见不具有说服力，合议组不予支持。
根据以上事实和理由，本案合议组依法作出以下审查决定。
三、决定
维持国家知识产权局于2018年04月26日对本申请作出的驳回决定。
如对本复审请求审查决定不服，根据专利法第41条第2款的规定，复审请求人可以自收到本决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
