一种基于多层次的泊位状态检测方法及系统

技术领域

本发明涉及智能停车管理领域，特别涉及一种基于多层次的泊位状态检测方法及系统。

背景技术

近年来，随着城市现代化进程的快速推进与我国经济的持续快速发展，人们的出行方式正在发生转变，私家车的数量逐年快速增长，城市停车位缺口超过50％。由于停车泊位严重不足，经常出现大量机动车无序滞留在道路两侧，造成交通拥堵的问题异常严重，极大地阻碍人们正常的交通出行。行车难、停车难问题在我国各大中小型城市日益凸显。为了缓解城市停车位不足的问题，交管部门在一些道路红线宽度范围内的一侧或者双侧，特意划出若干带状路面作为路侧泊位以供车辆停放。然而，由于停车空间不封闭、停车环境复杂，当前路侧停车管理的智能化水平不高。

目前最先进的路侧停车管理方法是利用稀疏光流跟踪方法提取车辆特征，然后利用跟踪方法跟踪车辆特征获取车辆轨迹，最后利用支持向量机分类器获取车辆行为。然而该方法中车辆轨迹信息的建立是基于稀疏光流跟踪提取的车辆特征，而通过稀疏光流跟踪只能提取全图或ROI(region of interest，感兴趣区域)区域内的特征点，无法判断提取的特征点属于车辆还是非车辆目标，特别是当车辆存在遮挡或两辆车靠的很近同速度行驶的时候，稀疏光流跟踪方法无法准确确定车辆特征，导致车辆识别准确精度较低，进而使得该种路侧管理的精度较低，误判情况较多。

发明内容

为解决上述技术问题，本发明提供一种基于多层次的泊位状态检测方法及系统，可以解决现有车辆识别准确精度较低、路侧车位管理精度较低的问题。

为实现上述目的，一方面，本发明一种基于多层次的泊位状态检测方法，所述方法包括：从监控图像帧中获取泊位扩展ROI区域并检测所述泊位扩展ROI区域是否存在运动变化；

若存在，则根据预置分类算法从所述泊位扩展ROI区域中提取车辆运动区域；

通过预置车辆检测算法从存在车辆运动变化的泊位扩展ROI区域对应的图像帧中提取车辆目标检测框，并根据所述车辆目标检测框和所述车辆运动区域确定图像帧中的运动车辆矩形区域；

根据从所述图像帧开始的预置时间段内的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，确定所述泊位的状态信息。

进一步地，所述根据从所述图像帧开始的预置时间段内的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，确定所述泊位的状态信息的步骤包括：

根据从所述图像帧回溯的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，得到所述车辆的轨迹信息；根据所述车辆的轨迹信息判断所述运动车辆是否存在泊车意图。

进一步地，所述方法还包括：根据从所述图像帧向后的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，确定运动车辆的轨迹信息；根据运动车辆的轨迹信息、泊位位置信息以及所述泊车意图判定结果，确定所述泊位的状态信息。

进一步地，所述根据所述车辆目标检测框和所述车辆运动区域确定图像帧中的运动车辆矩形区域的步骤包括：

将所述车辆目标检测框和所述车辆运动区域进行数据关联，并根据最优损失函数进行所述车辆目标检测框和所述车辆运动区域的最佳分配，得到所述图像帧中的运动车辆矩形区域。

进一步地，所述从监控图像帧中获取泊位扩展ROI区域并检测所述泊位扩展ROI区域是否存在运动变化的步骤之前，所述方法还包括：

从监控图像帧中获取泊位ROI区域；

根据监控相机拍摄高度、角度以及车辆三维结构信息对所述泊位ROI区域进行扩展，得到泊位扩展ROI区域。

进一步地，所述检测所述泊位扩展ROI区域是否存在运动变化的步骤包括：

通过相邻帧图像中泊位扩展ROI区域的稠密光流变化，识别所述泊位扩展ROI区域的运动状态。

进一步地，所述根据从所述图像帧开始的预置时间段内的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，确定所述泊位的状态信息的步骤之前，所述方法包括：

根据预置实例分割算法从所述图像帧中的运动车辆矩形区域提取车辆分割区域，并构建所述车辆分割区域的车辆特征模型。

进一步地，所述根据从所述图像帧开始的预置时间段内的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，确定所述泊位的状态信息的步骤包括：

根据从所述图像帧开始的预置时间段内的多个图像帧中的车辆特征模型对车辆进行跟踪，确定所述泊位的状态信息。

另一方面，本发明提供一种基于多层次的泊位状态检测系统，所述系统包括：检测模块，用于从监控图像帧中获取泊位扩展ROI区域并检测所述泊位扩展ROI区域是否存在运动变化；

提取模块，用于若存在，则根据预置分类算法从所述泊位扩展ROI区域中提取车辆运动区域；

确定模块，用于通过预置车辆检测算法从存在车辆运动变化的泊位扩展ROI区域对应的图像帧中提取车辆目标检测框，并根据所述车辆目标检测框和所述车辆运动区域确定图像帧中的运动车辆矩形区域；

所述确定模块，还用于根据从所述图像帧开始的预置时间段内的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，确定所述泊位的状态信息。

进一步地，所述确定模块，具体用于根据从所述图像帧回溯的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，得到所述车辆的轨迹信息；根据所述车辆的轨迹信息判断所述运动车辆是否存在泊车意图。

进一步地，所述确定模块，还用于根据从所述图像帧向后的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，确定运动车辆的轨迹信息；根据运动车辆的轨迹信息、泊位位置信息以及所述泊车意图判定结果，确定所述泊位的状态信息。

进一步地，所述确定模块，具体还用于将所述车辆目标检测框和所述车辆运动区域进行数据关联，并根据最优损失函数进行所述车辆目标检测框和所述车辆运动区域的最佳分配，得到所述图像帧中的运动车辆矩形区域。

进一步地，所述确定模块，还用于从监控图像帧中获取泊位ROI区域；根据监控相机拍摄高度、角度以及车辆三维结构信息对所述泊位ROI区域进行扩展，得到泊位扩展ROI区域。

进一步地，所述检测模块，具体用于通过相邻帧图像中泊位扩展ROI区域的稠密光流变化，识别所述泊位扩展ROI区域的运动状态。

进一步地，所述系统还包括：构建模块；

所述构建模块，用于根据预置实例分割算法从所述图像帧中的运动车辆矩形区域提取车辆分割区域，并构建所述车辆分割区域的车辆特征模型。

进一步地，所述确定模块，具体用于根据从所述图像帧开始的预置时间段内的多个图像帧中的车辆特征模型对车辆进行跟踪，确定所述泊位的状态信息。

本发明提供的一种基于多层次的泊位状态检测方法及系统，首先通过泊位区域光流场变化判断泊位区域是否有运动发生，从而实现泊位运动状态的触发功能，减少非车辆目标的检测与跟踪，当有运动发生时，判断运动区域是否为车辆，如果没有发现车辆运动区域，则再次进行泊位区域运动判断，从而可以剔除对于非车辆目标的计算；当有车辆运动时，根据光流检测到的运动车辆区域和图像中整个车辆的矩形框，确定最终的车辆区域，可以避免仅通过稀疏光流跟踪方法确定车辆区域，导致车辆识别误差较大的问题，最后再通过倒序和正序跟踪算法跟踪该车辆区域，给出泊位状态及事件判断结果，从而可以提高路侧停车管理的管理精度。

附图说明

图1是本发明提供的一种基于多层次的泊位状态检测方法的流程图；

图2是本发明提供的一种基于多层次的泊位状态检测系统的结构示意图；

图3是本发明提供的扩展ROI区域示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

如图1所示，本发明实施例提供一种基于多层次的泊位状态检测方法，包括如下步骤：

101、从监控图像帧中获取泊位扩展ROI区域并检测所述泊位扩展ROI区域是否存在运动变化。

对于本发明实施例，步骤101之前，所述方法还包括：从监控图像帧中获取泊位ROI区域；根据监控相机拍摄高度、角度以及车辆三维结构信息对所述泊位ROI区域进行扩展，得到泊位扩展ROI区域。例如，如图3所示，首先对于一个或多个连续泊位情况，获取最大外接多边形，即图3中ABCDEF六个点所包罗的区域。考虑到拍摄视角、距离、车辆高度等因素，泊位区域车辆实际发生运动的区域为图3中aACDdf六个点包罗区域。因此在最大外接多边形的基础得到扩展ROI区域，为了更好地解决同一泊位车辆快速切换问题，还可以将扩展ROI区域向路侧做进一步扩展。

此时，步骤101具体可以包括：通过相邻帧图像中泊位扩展ROI区域的稠密光流变化，识别所述泊位扩展ROI区域的运动状态。具体地，通过计算相邻两帧图像泊位扩展ROI区域的稠密光流，识别泊位扩展ROI区域运动状态。为了提高处理算法的效率，可以对图像数据进行跳帧处理，跳帧数目K通常设置为大于等于1并且小于等于4。

102、若存在，则根据预置分类算法从所述泊位扩展ROI区域中提取车辆运动区域。

具体地，为了减少计算量，可以先对相邻两帧图像I

其中，所述的图像缩放算法计算平台包括但不限于基于GPU计算或基于CPU计算，优选基于GPU计算模式。所述的图像滤波包括但不限于高斯滤波、中值滤波、均值滤波，计算模式基于GPU计算或基于CPU计算，优选基于GPU计算模式。所述光流场计算包括但不限于稀疏光流、稠密光流，具体计算方法包括但不限于LK金字塔光流、GunnarFarneback光流、块匹配光流、Horn-Schunck光流；计算模式基于GPU计算或基于CPU计算，优选基于GPU计算模式。所述分类网络包括但不限于VGG、Inception、Resnet、ResNext等。所述缓存队列包括但不限于循环队列、国定大小队列等，其目的是仅仅保存一定时长范围内的图像数据。通常车辆停泊或驶出泊位动作时长为秒级，因此可以缓存m帧图像，m为初始参数，可以进行调节。所述跳帧处理，是为了加速视频处理能力，特别是在嵌入式平台，如Nvidia的Tx2、NX、Xavier等嵌入式平台，为了实现多路视频处理，需要根据实际情况进行跳帧处理。

103、通过预置车辆检测算法从存在车辆运动变化的泊位扩展ROI区域对应的图像帧中提取车辆目标检测框，并根据所述车辆目标检测框和所述车辆运动区域确定图像帧中的运动车辆矩形区域。

对于本发明实施例，根据光流检测到的车辆运动区域和根据目标跟踪算法从图像中获取的车辆目标检测框，确定最终的运动车辆矩形区域，可以避免仅通过稀疏光流跟踪方法确定运动车辆矩形区域，导致车辆识别误差较大的问题，提升车辆识别精度。

具体地，对于泊位扩展ROI区域存在车辆运动变化的图像帧，利用目标检测方法识别车辆位置，然后利用交并比构建最优损失函数cost矩阵，再利用数据关联算法，获取最优损失函数cost的车辆目标检测框与车辆运动区域的最优分配。最后，更新泊位扩展ROI区域的运动车辆矩形区域。其中，所述车辆检测方法包括但不限于YOLO、MobileNetSSD、CenterNet等目标检测网络算法。所述的交并比计算方法包括但不限于IOU、CIOU、DIOU、GIOU等交并比计算方法。所述的数据关联方法包括但不限于KNN、匈牙利算法等。

104、根据从所述图像帧开始的预置时间段内的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，确定所述泊位的状态信息。

其中，从所述图像帧开始的预置时间段可以为从图像帧开始往前回溯多个图像帧，也可以为从图像帧开始向后的多个图像帧，本发明实施例不做限定。

对于本发明实施例，步骤104具体可以包括：根据从所述图像帧回溯的多个图像帧中的运动车辆矩形区域，判断所述运动车辆是否存在泊车意图。根据从所述图像帧向后的多个图像帧中的运动车辆矩形区域，确定运动车辆的轨迹信息；根据运动车辆的轨迹信息、泊位位置信息以及所述泊车意图判定结果，确定所述泊位的状态信息。

具体地，利用实例分割算法，提取泊位扩展ROI区域存在车辆运动变化时刻t

对于本发明实施例，通过基于光流场运动变化的触发机制，可以将现有的逐帧检测模式的无效计算简化。另外，通过仅对和泊位相关的车辆进行校验判断，避免了全图车辆检测与跟踪。再通过前期光流场计算，对于倒序跟踪过程可以预知车辆运动信息，可以准确地获取有效的车辆轨迹信息，以准确识别其停泊意图，后续仅仅需要对停泊行为简单验证即可。同理对于驶出车辆，仅对泊位附近局部区域进行该车辆跟踪，降低跟踪错误概率和计算量。同时，在城市路侧停车场景中，经常会出现某泊位车辆刚刚驶出，紧接着有另一辆车快速驶入停泊的现象，当两个车辆形貌、颜色非常相似，且车牌信息遮挡而无法准确识别的时候，此时，本发明实施例通过光流场计算，对车辆切换过程中，画面中泊位附近车辆的运动状态给出明确信息，可以有效界定车辆运动事件以辅助判断泊位车辆切换事件。

对于本发明实施例，步骤104之前还可以包括：根据预置实例分割算法从所述图像帧中的运动车辆矩形区域提取车辆分割区域，并构建所述车辆分割区域的车辆特征模型。此时，步骤104具体可以包括：根据从所述图像帧开始的预置时间段内的多个图像帧中的车辆特征模型，确定所述泊位的状态信息。

本发明提供的一种基于多层次的泊位状态检测方法，首先通过泊位区域光流场变化判断泊位区域是否有运动发生，实现泊位运动状态触发功能，减少非车辆目标的检测与跟踪，然后判断运动区域是否为车辆，如果没有发现车辆运动区域，则再次进行泊位区域运动判断，从而可以剔除非车辆目标的计算；当有车辆运动时，根据光流检测到的运动车辆区域和图像中整个车辆的矩形框，确定最终的车辆区域，可以避免仅通过稀疏光流跟踪方法确定车辆区域，导致车辆识别误差较大的问题，最后再通过倒序和正序跟踪算法跟踪该车辆区域，给出泊位状态及事件判断结果，从而可以提高路侧停车管理的管理精度。

为实现本发明实施例提供的方法，本发明实施例提供一种基于多层次的泊位状态检测系统，如图2所示，该系统包括：检测模块21、提取模块22、确定模块23。

检测模块21，用于从监控图像帧中获取泊位扩展ROI区域并检测所述泊位扩展ROI区域是否存在运动变化；

提取模块22，用于若存在，则根据预置分类算法从所述泊位扩展ROI区域中提取车辆运动区域。

具体地，为了减少计算量，先对相邻两帧图像I

其中，所述的图像缩放算法计算平台包括但不限于基于GPU计算或基于CPU计算，优选基于GPU计算模式。所述的图像滤波包括但不限于高斯滤波、中值滤波、均值滤波，计算模式基于GPU计算或基于CPU计算，优选基于GPU计算模式。所述光流场计算包括但不限于稀疏光流、稠密光流，具体计算方法包括但不限于LK金字塔光流、GunnarFarneback光流、块匹配光流、Horn-Schunck光流；计算模式基于GPU计算或基于CPU计算，优选基于GPU计算模式。所述分类网络包括但不限于VGG、Inception、Resnet、ResNext等。所述缓存队列包括但不限于循环队列、国定大小队列等，其目的是仅仅保存一定时长范围内的图像数据。通常车辆停泊或驶出泊位动作时长为秒级，因此可以缓存m帧图像，m为初始参数，可以进行调节。所述跳帧处理，是为了加速视频处理能力，特别是在嵌入式平台，如Nvidia的Tx2、NX、Xavier等嵌入式平台，为了实现多路视频处理，需要根据实际情况进行跳帧处理。

确定模块23，用于通过预置车辆检测算法从存在车辆运动变化的泊位扩展ROI区域对应的图像帧中提取车辆目标检测框，并根据所述车辆目标检测框和所述车辆运动区域确定图像帧中的运动车辆矩形区域；所述确定模块23，还用于根据从所述图像帧开始的多个时间段内的连续图像帧中的运动车辆矩形区域，确定所述泊位的状态信息。

对于本发明实施例，根据光流检测到的车辆运动区域和图像中车辆目标检测框，确定最终的车辆区域，可以避免仅通过稀疏光流跟踪方法确定车辆区域，导致车辆识别误差较大的问题，提升车辆识别精度。

进一步地，所述确定模块23，具体用于根据从所述图像帧回溯的预置时间段内的多个图像帧中的运动车辆矩形区域对车辆进行跟踪，判断所述运动车辆是否存在泊车意图。

进一步地，所述确定模块23，还用于根据从所述图像帧向后的预置时间段内的多个图像帧中的运动车辆矩形区域，确定运动车辆的轨迹信息；根据运动车辆的轨迹信息、泊位位置信息以及所述泊车意图判定结果，确定所述泊位的状态信息。

进一步地，所述确定模块23，还用于从监控图像帧中获取泊位ROI区域；根据监控相机拍摄高度、角度以及车辆三维结构信息对所述泊位ROI区域进行扩展，得到泊位扩展ROI区域。

进一步地，所述检测模块21，具体用于通过相邻帧图像中泊位扩展ROI区域的稠密光流变化，识别所述泊位扩展ROI区域的运动状态。

对于本发明实施例，通过基于光流场运动变化的触发机制，可以将现有的逐帧检测模式的无效计算大大简化。另外，通过仅对和泊位相关的车辆进行校验判断，避免了全图车辆检测、跟踪。再通过前期光流场计算，对于倒序跟踪过程可以预知车辆运动信息，进一步可以准确地获取有效的车辆轨迹信息，以准确识别其停泊意图，后续仅仅需要对停泊行为简单验证即可。同理对于驶出车辆，仅对泊位附近局部区域进行该车辆跟踪，降低跟踪错误概率和计算量。同时，在城市路侧停车场景中，经常会出现某泊位车辆刚刚驶出，紧接着有另一辆车快速驶入停泊的现象，当两个车辆形貌、颜色非常相似，且车牌信息遮挡而无法准确识别的时候，此时，本发明实施例通过光流场计算，对车辆切换过程中，画面中泊位附近车辆的运动状态给出明确信息，可以有效界定车辆运动事件以辅助判断泊位车辆切换事件。

进一步地，所述系统还包括：构建模块24；所述构建模块24，用于根据预置实例分割算法从所述图像帧中的运动车辆矩形区域提取车辆分割区域，并构建所述车辆分割区域的车辆特征模型。

进一步地，所述确定模块23，具体用于根据从所述图像帧开始的预置时间段内的多个图像帧中的车辆特征模型，确定所述泊位的状态信息。

本发明提供的一种基于多层次的泊位状态检测方法，首先通过泊位区域光流场变化判断泊位区域是否有运动发生，实现泊位运动状态触发功能，减少非车辆目标的检测与跟踪，然后判断运动区域是否为车辆，如果没有发现车辆运动区域，则再次进行泊位区域运动判断，从而可以剔除非车辆目标的计算；当有车辆运动时，根据光流检测到的运动车辆区域和图像中整个车辆的矩形框，确定最终的车辆区域，可以避免仅通过稀疏光流跟踪方法确定车辆区域，导致车辆识别误差较大的问题，最后再通过倒序和正序跟踪算法跟踪该车辆区域，给出泊位状态及事件判断结果，从而可以提高路侧停车管理的管理精度。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。