[0001] 本发明主要涉及目标跟踪技术领域，具体涉及一种3D多目标跟踪方法、产品、介质及系统。

[0002] 随着自动驾驶技术的迅猛发展，3D多目标跟踪（Multi‑Object Tracking, MOT）已成为车辆感知系统中的关键任务之一。多目标跟踪旨在在复杂环境中对多个物体进行实时且准确的跟踪，其应用广泛涵盖自动驾驶、无人机飞行以及安防监控等多个领域。在自动驾驶场景中，车辆通常依赖多种传感器，如激光雷达（Lidar）、摄像头和毫米波雷达，来获取周围环境的详细信息。其中，激光雷达由于能够精确获取高分辨率的3D点云数据，并具有较强的环境适应性，已被广泛应用于目标检测和跟踪。然而，现有的3D目标跟踪方法仍面临诸多挑战。首先，在复杂的交通环境中，目标的外观和运动特征多样且相互干扰，导致目标跟踪的精度不足，提高不同目标之间的分辨能力成为亟待解决的问题。其次，自动驾驶对跟踪系统的实时性要求极高，现有方法常因计算量大、处理速度慢而难以满足这一需求。此外，实际场景中目标之间常存在遮挡现象，尤其是在密集的交通环境中，多个目标的相互遮挡会导致跟踪失效。再者，车辆自身及目标车辆的运动给跟踪带来额外挑战，传统跟踪方法在处理运动补偿时往往不够精确，导致目标位置和方向的误差较大。现有的3D多目标跟踪方法主要依赖于激光雷达的点云数据，通过特征提取、目标检测以及轨迹管理来实现对目标的跟踪。尽管这些方法在理想环境下能够较好地完成任务，但在复杂环境中，其跟踪的精度和稳定性仍显不足。特别是对于具有不同运动模式的目标，现有方法在处理运动补偿时的能力有限，常导致目标位置的跟踪误差。此外，由于缺乏对目标置信度的有效评估，现有方法在应对遮挡和目标消失等复杂场景时表现不佳。因此，提升3D多目标跟踪的精度、实时性以及对复杂场景的适应能力，仍是当前自动驾驶技术研究中的重要课题。

[0036] 以下结合说明书附图和具体实施例对本发明作进一步描述。

[0037] 如图1所示，本发明实施例的3D多目标跟踪方法，包括以下步骤：S1.数据预处理：
首先对输入的车辆原始点云数据进行预处理，包括去噪、滤波等操作，以剔除干扰因素，提升数据质量，确保后续处理使用的点云数据更加干净和准确；另外，还采用数据增强技术，如随机旋转、平移、尺度变换、随机丢弃点等操作，进一步增强了点云的表达能力。

[0038] S2.深度学习特征提取与Heatmap生成：首先通过深度学习模型对预处理后的点云数据进行深入分析和特征提取。该模型通过多层神经网络架构，逐步提取每一帧点云数据中的关键特征，这些关键特征能够反映目标的几何形状、运动状态以及空间分布信息。特征提取后，系统生成对应的Heatmap，用以直观展示目标在3D空间中的位置分布和特征密度。Heatmap不仅捕捉了点云数据中不同目标的分布模式，还包含了丰富的目标相关信息，如目标的大小、形状及其在空间中的动态变化。

[0039] 其中关键特征是指从每帧点云数据中通过深度学习模型提取的多维信息，包括空间中的点云分布模式和与目标相关的关键数据。这些特征经过处理生成的热力图（Heatmap）不仅展示了点云的空间排列，还捕捉了目标的位置、形状等重要信息，成为多目标跟踪过程中不可或缺的核心基础。具体而言，这些关键特征涵盖了以下几个方面：首先是几何特征，点云中的几何形状和分布模式能够帮助系统识别物体的轮廓和相对位置；其次是运动特征，通过分析多帧点云数据，系统可以捕捉物体的运动轨迹和动态变化；最后是深度和空间特征，点云的深度信息和相对位置是形成3D结构的关键，能够帮助区分物体的前后关系及其在空间中的精确定位。通过深度学习的挖掘，这些特征被转化为目标跟踪系统的重要基础数据，支持系统高效、准确地实现多目标跟踪。

[0040] 这一过程为后续的多目标跟踪奠定了坚实的基础，确保系统能够精确感知和关联多个目标，提高目标检测的准确性和稳定性。

[0041] S3.多目标跟踪模块的构建：系统通过结合深度学习特征提取后的Heatmap，构建了一个高效的多目标跟踪模块。该模块能够在Lidar坐标系上无缝地关联多帧点云的Heatmap，实现对多个目标的精确联合检测和跟踪。

[0042] 为了提升对时间序列的处理能力，模块引入了一种迭代机制，将当前帧的实时信息与历史帧的累积数据结合起来，模拟出类似于LSTM（Long Short Term Memory）的记忆效果。这种机制确保了系统能够有效捕捉到目标在不同时刻的动态变化，尤其在处理复杂的动态环境时，能够更好地适应目标的运动轨迹变化和场景的实时性要求。这一机制，旨在通过将过去帧的数据与当前帧的信息结合，实现对目标的动态跟踪。LSTM模型的特点是能够在时间序列任务中处理长期依赖关系，通过记忆单元保留历史信息并动态调整状态。虽然该方法没有直接使用LSTM模型，但通过引入迭代机制，将历史数据和当前数据相结合，模拟了类似的记忆效果。这种机制不仅保留了目标的历史轨迹，还利用当前帧的特征进行调整，从而提高了系统对动态变化的适应能力。在跟踪过程中，该方法持续融合多帧信息，使得系统能够有效应对目标遮挡、移动等复杂情况，保持跟踪的连续性和准确性。这种时空信息的交互与累积，类似于LSTM中的记忆与更新过程，使得该跟踪系统在动态环境中表现出更高的稳定性和鲁棒性。通过这种方法，系统能够精确跟踪多个目标，保持跟踪的连续性和鲁棒性，减少因目标运动或遮挡带来的跟踪中断或偏差问题。

[0043] 具体地，现有多目标跟踪大多以TBD(Tracking By Detection, 基于检测的跟踪)范式进行，检测模块作为跟踪模块上游任务输出目标信息，多目标跟踪模块通过匹配关联等方法将检测得到的目标信息赋予航迹的属性。这种方法导致检测与多目标跟踪是一种单向有效的状态，检测模块无法很好地利用多目标跟踪所得信息进而提升目标检测的精度值。

[0044] 对此，本发明构建了联合检测的多目标跟踪的数学模型，分析联合检测跟踪的输入输出信息；并阐述了基于深度学习的联合检测的3D多目标跟踪网络模型，并且对网络模型结构以及关键点进行分析，具体地以激光雷达为载体，选取联合检测的3D多目标跟踪作为研究对象。为了明确此任务的目标以及原始数据和最终结果的内容，构建了联合检测的多目标跟踪的数学模型，通过数学模型讲述本发明的主要数据流向。

[0045] 以激光雷达连续点云数据作为输入信息，最终输出对激光雷达点云数据的目标识别以及目标跟踪，本发明通过一个模型同时实现检测跟踪任务。

[0046] 记连续激光点云的输入信息 ,其中P代表当前场景中激光点云时域上的集合；其中 代表在时刻 对应的 个激光点云数据，每个激光点云数
据由 组成， 代表激光点云的位置, 代表强度信息。

[0047] 记联合检测跟踪的输出信息为 ,其中O代表连续输入点云数据的检测和跟踪结果；其中 代表在时刻 对应的 个目标的检测和跟踪信息，每
个目标检测和跟踪的信息主要由 等信息组成，其中
代表目标的空间位置和尺寸信息， 代表目标在对应坐标系下的朝向角
和速度信息， 分别代表目标的类别信息、跟踪ID和置信度信息。其中，不同时刻下相同 的目标 代表其在不同时刻 下同属一个外界真实障碍物。

[0048] 以激光雷达扫描所获点云数据作为输入，相比于以像素信息作为输入的联合检测的多目标跟踪方法需要思考如何提高模型的特征提取能力，如何将提取所得的信息更好的作为目标检测和多目标跟踪联合的基础。模型架构以连续的多帧点云作为输入信息，然后通过对原始点云特征提取，将提取点云特征生成对应时刻热图信息，在时域上对热图运动补偿，最终输出目标的检测跟踪结果。

[0049] 例如，如图2所示，在T1时刻输入第一帧点云数据，点云数据首先通过特征提取获得更高维度的点云特征，更高维度点云特征根据解码器获取目标中心点等信息，根据中心点等信息获得第一帧点云的目标检测结果，根据第一帧的目标信息初始化当前场景下的航迹信息；当第T1时刻点云完成目标检测和多目标跟踪后存储对应的跟踪结果，将跟踪结果以热力图的形式进行运动补偿，与输入的第T2帧点云得到的特征生成的热力图匹配，通过匹配得到检测和多目标跟踪结果；重复上述T1和T2帧点云的操作得到后续其它时刻点云的目标检测和多目标跟踪结果。

[0050] 运动补偿机制：运动补偿机制旨在解决由于自车或目标车辆运动引起的Heatmap错位问题，确保多目标跟踪的连续性和精度。该机制通过精确计算目标在Lidar坐标系下的速度信息，结合匀速运动模型，实时对Heatmap的中心点进行位置补偿。当车辆或目标在运动时，系统根据目标的当前速度和运动方向，预测目标的下一时刻位置，并对因运动产生的位移偏差进行校正。这样，目标在不同帧之间的错位现象得到有效修正，跟踪的轨迹得以保持连续，避免了因运动引起的误差积累。通过这一运动补偿机制，系统能够在高速或复杂的动态环境下，准确跟踪目标，显著提升多目标跟踪的精度和稳定性。

[0051] 具体地，当自车和目标车辆处于运动状态时，Lidar坐标系中的目标位置可能发生偏移，从而导致Heatmap错位，影响跟踪精度。为了解决这一问题，本发明通过精确计算目标在Lidar坐标系下的速度信息，并结合匀速运动模型，对Heatmap的中心点进行位置补偿。这意味着在每一帧中，系统会根据目标的速度和运动方向，对目标的空间位置进行预测和校正，消除因运动导致的位移偏差。通过这种补偿机制，跟踪系统不仅能够保持目标的连续性，还能在动态环境中提高跟踪的准确性，确保在高速或复杂运动场景下也能实现精确的多目标跟踪），有效消除了因运动产生的位移偏差，确保了跟踪的连续性和准确性。

[0052] 本模块以上一帧目标跟踪所对应热力图为输入信息，由于自车及它车的运动所以在进行跟踪检测热图匹配过程前进行运动补偿，通过CV(Computer Vision, 计算机视觉)模型将目标通过所得速度信息将目标的热图中心点以及朝向进行修正进而为后续匹配做准备。

[0053] 基于当前Lidar坐标系下进行目标的运动补偿，在运动过程中，由于自车以及目标车辆存在的运动，因此导致目标车辆在不同的时刻下其在自车Lidar坐标系中经常处于不同的位置上。但本文基于当前Lidar坐标系进行前后帧历史点云热力图的关联，强依赖与目标在 Lidar坐标系下的位置信息，因此对于目标的在Lidar中的位置进行修正以及补偿是十分重要的。如图3所示，其中两帧不同时刻点云的目标信息在 Lidar 坐标系下已经发生较大的错位。

[0054] 目标Lidar错位示意图中，左右两帧点云分别代表第Tn−1和第Tn两帧连续的点云，左右图中同色圆圈表示同一个物体，如右图中绿色特种车辆和红色圆圈中的汽车相对于前一时刻Tn−1的位置在Lidar坐标系下均有明显的下移；右图中蓝色圆圈表示的车辆与前一时刻 Tn−1的位置在Lidar坐标系则变动并不大。分析可知，由于自车激光雷达的移动以及外界目标车辆移动，在连续两帧的点云中坐标会存在不固定的偏移。

[0055] 在本发明中，主要通过匀速的运动模型将前后两帧产生的位移偏差消除。

[0056] 空间位置与朝向补偿：空间位置与朝向补偿机制旨在解决目标在Lidar坐标系与World坐标系下的位置差异以及目标朝向角随运动变化的问题。

[0057] 首先，空间位置补偿利用检测头速度信息和跟踪结果中计算得到的速度数据，对目标在两个坐标系中的位置进行精确调整，确保在不同坐标系下的目标位置保持一致。

[0058] 其次，朝向补偿则针对目标在运动过程中可能发生的朝向变化，动态修正Heatmap中的朝向信息。

[0059] 通过这一补偿机制，系统能够在复杂的动态环境中准确追踪目标，不仅保证目标在空间上的定位精确，还确保目标的朝向始终正确指向，从而进一步提高了多目标跟踪的精度和稳定性。这种双重补偿机制有效解决了因车辆运动导致的坐标错位和朝向偏差问题，使得跟踪结果更加可靠。

[0060] 具体地，速度信息通常是检测模块难以直接完成的感知结果，但对于多目标跟踪领域，其通过对同一个目标在不同时间点的位置信息进行分析，从而能够轻松的计算出其速度信息。这种计算得到的速度信息能够更好的解释当前目标在上一个时刻范围内的运动模式和未来的一定时间的运动趋势，进而实现更加准确的目标预测信息，提高目标感知的准确性和鲁棒性。

[0061] 如图4所示，红色箭头表示Lidar的X轴，绿色箭头代表Lidar的Y轴，O表示Lidar坐标系原点。蓝色箭头和紫色箭头分别代表目标在世界坐标系的速度和Lidar在世界坐标系下的速度信息。World坐标系下的速度则仅代表了目标自身的运动速度信息，这个速度的计算是将目标投影在参考的世界坐标系中通过位置偏差进行计算得到。

[0062] 如图5所示为World坐标系下目标位置偏差示意图。

[0063] 跟踪结果目标的位置偏差和速度计算公式为：

[0064]

[0065] 其中， 表示目标在 轴上两帧之间的偏移， 表示目标在 轴上两帧之间的偏移；表示目标在 轴上两帧之间的偏移；V表示最终目标在参考的世界坐标系中真实速度信息， 表示产生位置偏移两帧点云之间的时间差。

[0066] 在步骤S3中实现了在Lidar坐标系中利用检测头速度和跟踪速度进行目标位置补偿，以及在World坐标系下进行目标位置补偿的工作。检测头速度 、Lidar坐标系下的跟踪速度 和World坐标系下的跟踪速度 均已计算得出。通过这三类速度信息，在时域内通过不同速度及其组合实现点云热力图的目标空间位置补偿。具体为：1)检测头速度 在Lidar坐标系对目标位置补偿：在检测头的子任务中，输出两个方向的速度信息，这两个速度分别为目标在 、方向的速度。在上一帧的跟踪结果中，通过下式进行目标空间位置补偿，得到补偿后的位置信息，作为当前帧点云热图的匹配对象;

[0067] 其中， 代表上一帧在Lidar坐标系下完成运动补偿后更新的位置信息； 表示目标在上一帧得到的检测跟踪结果的位置信息； 、 分别代表检测头速度信息和两帧点云之间的时间差。

[0068] 2）如图6所示为Lidar坐标系下的跟踪速度 对目标位置补偿：Lidar坐标系下的跟踪速度对目标进行位置补偿与检测头输出的速度在Lidar坐标系进行目标的位置补偿相近，通过跟踪结果在Lidar坐标系上获得的速度信息对上一帧的检测跟踪结果热图进行补偿：

[0069] 其中， 代表上一帧检测跟踪结果通过计算得到在Lidar坐标系中目标的运动速度。

[0070] 3）World坐标系下的跟踪速度 对目标位置补偿：在World坐标系下对目标进行位置补偿，首先需要将Lidar坐标系下的目标转移到World坐标系下，其转移的方法如下式所示：

[0071] 其中 代表上一帧World下的坐标值，其中坐标值如下式所示：

[0072] 其中，x,y,z代表激光点云的位置。

[0073] 作为第 帧的旋转平移矩阵，表示当前帧点云从Lidar坐标系到World坐标系的旋转平移矩阵，大小为 的矩阵，具体表达式为：

[0074] 其中， 和 分别代表对应的旋转矩阵和平移矩阵，其中 是一个大小为 的矩阵， 是一个大小为 的矩阵；0在上式中代表一个1 的零向量，1代
表1 的单位阵。

[0075] 特征提取得到Lidar坐标系下的目标位置等信息经过上式计算得到以World坐标系表达的空间位置，通过上式计算在World坐标系下由跟踪结果得到的目标的速度信息位置补偿：

[0076] 式中， 表示在 World 坐标系完成位置补偿后的上一帧目标位置信息。

[0077] 在完成位置补偿后，更新后的 World 坐标系下的目标位置信息需要重新返回当前帧的坐标系中，如下式：

[0078] 式中， 表示当前帧点云在Lidar坐标系到World坐标系的旋转平移矩阵的逆。通过上述内容得到激光雷达目标通过World坐标系下的速度信息位置补偿之后的Lidar坐标系下的新位置信息，作为接下来和当前帧匹配的输入。

[0079] 4）Lidar坐标系下基于置信度的检测头速度与跟踪速度对目标位置补偿：前三个位置补偿均通过单一的速度信息实现。这种方法对单一的速度信息具有较高的要求，需要其具有极高的准确性，但通常由于当前帧的速度计算通过与前一帧之间的位移偏差进行，因此导致计算的速度具有一定的滞后性。同时，由于检测头的速度信息通过深度学习进行预测，得到的速度信息也与目标的置信度呈正相关。因此通过下式来将检测头的预测速度与Lidar坐标系下通过跟踪获得的速度结合起来：

[0080] 式中，Scores代表经过检测头预测的速度 的置信度值，较高的置信度则赋予检测头预测速度较高的权重值，较低的置信度则在一定程度上表现出检测头预测速度参考性较低，可能由于遮挡等原因导致，因此为通过跟踪获得的Lidar坐标系上的速度赋予较高的权重值。最后通过下式将获取到的Lidar坐标系下的复合速度作用在位移的补偿上，获得更新的位置坐标：。

[0081] 上述对目标的空间位置补偿做了介绍，对于感知的结果中，目标的朝向信息同样是极为重要的。在前后两帧点云之间，由于自车或它车的运动导致目标在Lidar坐标中的朝向可能存在变化，因此在对目标位置进行补偿之后，对目标的朝向进行纠偏也是极为重要的。

[0082] 如图7所示，在两个时刻的点云坐标系上，目标的朝向角由于自身的转向以及自车的运动导致了朝向角的一定偏差。

[0083] 通过上述分析，目标朝向补偿主要分为两个：自车运动导致的朝向角变化、它车的角速度信息。具体计算公式如下所示：

[0084] 式中， 表示上一帧目标朝向角经过朝向角偏移补偿后的结果； 表示上一帧目标检测跟踪结果的朝向角信息； 表示对应目标的角速度，其计算方式如下式所示：

[0085] 式中，由于求 时刻目标的角速度，因此 表示第 时刻的朝向角；表示自车运动导致的旋转，通过前后两帧Lidar坐标系到World坐标系的旋转矩阵得到，具体计算公式为：

[0086] 其中， 、 分别代表上一时刻Lidar坐标到当前帧World坐标旋转矩阵 的元素值，通过这两个元素计算其反正切得到对应的角度信息，即可得到由于自车产生的角度偏差值。其中 的计算则通过公式得到：

[0087] 式中， 和 分别表示当前帧Lidar坐标系到World坐标系的旋转矩阵的逆、上一帧Lidar坐标系到World坐标系的旋转矩阵。

[0088] S4.置信度分层多级关联策略：置信度分层多级关联策略旨在提高目标跟踪的精度和鲁棒性，特别是在复杂场景下有效降低误跟踪和漏跟踪的风险。

[0089] 如图8所示为Heatmap置信度均值计算示例图该策略首先对Heatmap中的目标进行置信度评估，将不同置信度的目标进行细致分层处理，并结合Bytetrack(字节追踪)算法的高低分目标关联策略，对于置信度较高的目标，采用直接关联的方法进行跟踪；对于置信度较低的目标，则通过更加精细的多级关联策略进行处理，确保即使在低置信度下，系统也能够准确匹配和跟踪目标，有效降低误跟踪和漏跟踪的风险，显著提升整个跟踪系统的性能表现。

[0090] 此策略结合了Bytetrack算法的高低分目标关联机制，进一步增强了系统在处理遮挡、目标重叠或环境复杂情况下的跟踪能力。通过这一分层处理，系统能够动态调整关联方法，使得整个跟踪过程更加精确和稳定，大幅提升跟踪性能，特别是在多目标场景中的表现显著改善。

[0091] 具体地，Bytetrack认为低于设定阈值的检测框不会被用来进行ID的匹配，这导致了由于遮挡等问题或者目标点云稀疏得到置信度较低的框会被很简单的丢弃掉，导致了目标航迹大块的漏检和轨迹碎片化。因此Bytetrack 提出了一种简单高效的数据关联的方法，简单来讲其思想就是对高低分目标分层进行多阶段的关联，将低分的一部分目标捞出来实现更高效的性能。

[0092] 如图9所示，本发明中基于置信度分层进行的多级关联方法，具体为：首先经过当前帧的特征提取得到T 的热图信息，保留置信度高于M的热图信息；
对输入的第T 帧点云特征提取得到热图信息，经过运动补偿将其中障碍物补偿到当前帧T 的Lidar坐标系下与T 帧高于阈值M的热图进行匹配。在匹配过程中，将前后两帧的热图对应位置置信度处理，得到加权后的热图信息。更新后的热图信息根据置信度分为当前帧T 与上一帧T 配准的热图信息、未配准的T 热图信息和未配准的T 帧热图信息。

[0093] 其中当前帧T 与上一帧T 配准的热图信息表示当前帧与历史轨迹成功匹配获得ID信息；未配准的T 热图信息表示在当前帧T 缺少与历史轨迹能够匹配的目标，既未匹配航迹信息；对于未匹配航迹信息不会主动删除，而依据匹配权重半衰的特点对长期未匹配航迹信息进行消亡处理。未配准的T 帧热图信息表示在上一帧T 缺少与当前帧能够匹配的航迹热图，既新生的目标信息。对于新生目标航迹的建立设定一个较高的置信度N,认为在当前帧能够获得较高置信度的目标有着足够作为新生航迹的能力，因此对于高于阈值N的当前帧T 未配准高于阈值N的热图信息直接新建航迹，对于低于阈值N的热图信息，认为未获得与历史的配准并且置信度分数较低，可能是特征不完整的较远目标或模型误检，选择作为需要丢弃的热图信息。

[0094] S5.结果输出与跟踪管理：跟踪过程中的数据会不断更新，并通过置信度和多目标关联进行调整，最终输出每个目标的轨迹和状态。系统通过对每一时刻的点云数据和目标的轨迹进行管理，动态调整目标的状态，确保跟踪的持续性和准确性。

[0095] 本发明从点云数据的预处理开始，通过深度学习模型提取特征并生成热力图（Heatmap），然后通过高效的多目标跟踪和创新的位置、朝向补偿机制，确保系统在动态环境中的稳定性；最后，通过置信度分层关联和轨迹管理，进一步提高多目标跟踪的精度和鲁棒性。

[0096] 本发明深度融合了时空交互联合检测的原理，通过精心设计的数据处理流程，实现了对原始点云数据的精细化处理与特征提取；不仅包含了高效的特征提取机制，能够准确捕捉目标的独特标识信息，还融入了运动补偿技术，以应对自车与目标车辆运动带来的挑战；此外，还采用了置信度分层关联策略，通过对目标跟踪结果的置信度进行多层次评估与关联，显著提升了跟踪的精度与稳定性。

[0097] 本发明实施例还公开了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器运行时执行如上所述方法的步骤。本发明实施例进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。本发明实施例还公开了一种计算机设备，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。

[0098] 本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。存储器用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现各种功能。存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital,SD)卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。

[0099] 以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。