交通信号灯识别方法、电子设备及存储介质

技术领域

本申请涉及交通信号灯识别技术领域，特别是一种交通信号灯识别方法、电子设备及存储介质。

背景技术

在自动驾驶领域，能否准确识别交通信号灯的状态是决定自动驾驶汽车安全问题的关键，即自动进行交通信号灯识别在自动驾驶领域起着关键作用。

但是目前的交通信号灯检测方法要么依赖于高精度地图，要么需要对道路图像进行复杂的图像处理，效率较低、依赖性较强。

发明内容

本申请提供一种交通信号灯识别方法、电子设备及存储介质，该交通信号灯识别方法在当前帧道路图像满足预设条件时，能够准确识别交通信号结果，并在当前帧道路图像不满足预设条件时，通过指示牌检测的方式，在指示牌满足条件时，确定出范围较小的感兴趣区域，以此根据感兴趣区域对下一帧道路图像进行信号灯检测，减小图像识别的区域，提升识别效率。

为了解决上述技术问题，本申请采用的一个技术方案是：提供一种交通信号灯识别方法，该方法包括：获取当前帧道路图像，并对当前帧道路图像进行信号灯检测；响应于当前检测结果满足第一预设要求，对当前帧道路图像进行信号识别，得到当前帧道路图像对应的交通信号结果；或，响应于当前信号灯检测结果不满足第一预设要求，对当前帧道路图像进行车道指示牌检测，得到指示牌检测结果；以及基于指示牌检测结果确定下一帧道路图像中的感兴趣区域，并根据感兴趣区域对下一帧道路图像进行信号灯检测，得到下一信号灯检测结果；响应于下一信号灯检测结果满足第一预设要求，对下一帧道路图像进行信号识别，得到下一帧道路图像对应的交通信号结果。

其中，对当前帧道路图像进行信号灯检测，包括：利用检测模型对当前帧道路图像进行信号灯检测，得到当前检测结果，其中当前检测结果包括信号灯置信度。

其中，响应于当前检测结果满足第一预设要求，对当前帧道路图像进行信号识别，得到当前帧道路图像对应的交通信号结果，包括：响应于信号灯置信度满足第一预设要求，从当前帧道路图像中确定出信号灯区域图像；对信号灯区域图像进行信号识别，得到当前帧道路图像对应的交通信号结果。

其中，对信号灯区域图像进行信号识别，得到当前帧道路图像对应的交通信号结果，包括：利用方向识别模型对信号灯区域图像进行识别，得到对应的信号灯方向；利用与信号灯方向对应的信号识别模型对信号灯区域图像进行信号识别，得到当前帧道路图像对应的交通信号结果。

其中，信号识别模型包括编码网络、解码网络和输出网络，利用与信号灯方向对应的识别模型对信号灯区域图像进行信号识别，得到当前帧道路图像对应的交通信号结果，包括：利用编码网络对信号灯区域图像进行编码，得到对应的编码特征；利用解码网络对编码特征进行解码，得到对应的解码特征；利用输出网络对解码特征进行识别，得到当前帧道路图像对应的交通信号结果。

其中，编码网络包括顺次若干编码块，每个编码块包括残差块、多头注意力层、卷积层和池化层，其中，在多头注意力层中，不同通道对不同位置的依赖权重不同。

其中，检测模型和信号识别模型采用道路训练图像训练得到，其中道路训练图像的标签采用二维数组的形式构成，其中二维数组第一列包括红色信号、黄色信号和绿色信号，二维数组第一行包括掉头信号、左转信号、直行信号、右转信号、圆饼信号和数字信号。

其中，基于指示牌检测结果确定下一帧道路图像中的感兴趣区域，包括：响应于指示牌检测结果满足第二预设要求，确定下一帧道路图像中的感兴趣区域；其中感兴趣区域是对当前帧图像中的指示牌区域外扩得到。

其中，下一帧道路图像为当前帧道路图像预设间隔后的道路图像。

为了解决上述技术问题，本申请采用的另一技术方案是：提供一种电子设备，该电子设备包括存储器和处理器，其中，存储器用于存储计算机程序，处理器用于执行计算机程序以实现上述的交通信号灯识别方法。

为了解决上述技术问题，本申请采用的另一技术方案是：提供一种计算机可读储存介质，该计算机可读储存介质用于存储计算机程序，计算机程序在被处理器执行时用于实现上述的交通信号灯识别方法。

本申请的有益效果是：区别于现有技术，本申请提供的交通信号灯识别方法在当前帧道路图像满足预设条件时，能够准确识别交通信号结果，并在当前帧道路图像不满足预设条件时，通过指示牌检测的方式，在指示牌满足条件时，确定出范围较小的感兴趣区域，以此根据感兴趣区域对下一帧道路图像进行信号灯检测，减小图像识别的区域，提升识别效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1是本申请提供的交通信号灯识别方法第一实施例的流程示意图；

图2是本申请提供的信号灯检测模型一实施例的示意图；

图3是本申请提供的道路图像间关系一实施例的示意图；

图4是本申请提供的交通信号灯识别方法第二实施例的流程示意图；

图5是本申请提供的信号识别模型一实施例的示意图；

图6是本申请提供的多头注意力层一实施例的示意图；

图7是本申请提供的电子设备一实施例的结构示意图；

图8是本申请提供的计算机可读储存介质一实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

交通信号灯检测隶属小物体检测，如交通信号灯为红绿灯，红绿灯在图像中所占像素比较小，且对红绿灯的特征提取有限。目前红绿灯检测方法主要有以下3种方法：基于传统视觉方法、基于深度学习的检测方法以及结合高精地图的方法。

基于传统视觉方法的红绿灯检测方法可以分为基于颜色和边缘信息的方法、基于背景抑制的方法。基于颜色和边缘信息的方法主要有4个步骤：获取图像；图像预处理，将RGB图像转换到CIE Lab颜色域以此增强红绿颜色差距，再进行空洞填充；候选区域检测；候选区域验证，时空持续性验证。基于背景抑制的方法包含2个模块：候选区域提取模块，使用自适应背景抑制去突出前景从而得到候选框；识别模块中，将每个候选区域的特征送入识别网络进行识别。但是这种方法需要对图像进行复杂的图像处理之后，才可以进行检测，操作较为复杂，且耗时，不适用于自动驾驶领域。

高精度地图与红绿灯检测的结合的方法为：先通过检测算法确定其在图像中的位置和类别，再与高精地图上记录的红绿灯进行比对，匹配成功后得到红绿灯的世界坐标，由此确定对应的道路，从而帮助规控做出正确的决策。这种方法依赖于高精度地图，依赖性较强。

另外，交通信号灯检测不同于障碍物检测，交通信号灯检测无需进行实时监测，故通常做法是设定固定的检测周期。且信号灯通常是LED灯，一方面，LED频闪是数字成像技术中固有的现象，拍摄到的闪烁是由于曝光横跨LED交流驱动明暗周期导致的；另一方面，信号灯在颜色即将变换时也会进行一定的闪烁。当传感器曝光时间很短时，就可能造成信号灯全暗，当然这个全暗现象不是因为信号灯变换的闪烁导致的。大部分地区交流电的频率为固定的50HZ，设定传感器的曝光时间为其整数倍，即设定传感器的工作频率为25fps或50fps便可解决频闪。但事实上，各地交流电频率不同，有50/60HZ之分，同时，供应商提供的传感器也有20/25/30fps的可能，此外，还有某些超出使用寿命的信号灯仍在使用，因此，频闪问题出现的频率会比较高。

为了解决上述任一技术问题，本申请提供一种新的交通信号灯识别方法，参阅图1，图1是本申请提供的交通信号灯识别方法第一实施例的流程示意图，该方法包括：

步骤11：获取当前帧道路图像，并对当前帧道路图像进行信号灯检测。

可以理解，可以通过车载摄像头获取道路图像，即车辆在行驶过程中，能够采集到多帧道路图像。

在一些实施例中，利用车辆的车载摄像头获取前视图像，并将前视图像数据输入至车载信息处理系统中，并在目标车辆靠近路口时，需要利用信息处理模块对获取的前视图像数据进行信号灯检测，以确定前方路口是否存在交通信号灯。在路口时进行信号灯检测，是因为路口通常设置有交通信号灯(如红绿灯)以及车道指示牌等设备。

在一些实施例中，可以使用信号灯检测模型对当前帧道路图像进行信号灯检测，如图2所示，信号灯检测模型采用FCOS(Fully Convolutional One-Stage ObjectDetection)目标检测算法，FCOS是一个基于per-pixel、anchor free的one-stage目标检测算法，可以通过回归特征图上每个位置距离目标框的上下左右距离来实现目标检测。信号灯检测模型的骨干层是resnet50，瓶颈层是FPN(Feature Pyramid Networks，特征金字塔)，预测层由classification(分类)分支与regression(回归)分支这两个分支构成，其中classification分支输出分类导向牌和交通信号灯这2个目标类，regression分支输出4通道，即采用类别未知的回归形式。

为了避免引起交通信号灯(LED灯)因为频闪引起的采集的图像中存在全暗灯组，本申请可以采用动态取帧的方式获取当前帧道路图像。所谓的动态取帧指的是下一帧道路图像为当前帧道路图像预设间隔后的道路图像，其中预设间隔可以是1、2、3或其他，且预设间隔可以是随机的。

如，预设间隔固定为1，当前帧道路图像是第1帧，下一帧道路图像是第3帧，再下一帧道路图像是第5帧。

如，当前帧道路图像是第10帧，下一帧道路图像是第15帧，再下一帧道路图像是第17帧。

在一些实施例中，在数据来源于不同传感器的情况下，由于不同传感器的工作频率有所不同，信号灯无需每帧都进行识别，可以采用如第1秒取1帧、第2秒取2帧、第3秒取3帧，以此往复，周期性选取视频帧。假定传感器输出为30FPS(Frame Per Second，画面每秒传输帧数)，第1秒取30帧的第1帧，第2秒取第1帧和第16帧，第3秒取第1帧、第11帧和第21帧，这样可以在不增加过多计算性能的情况下，输入尽可能丰富的数据。

利用动态取帧的方式，一方面减少对图像帧的识别，能够降低车载系统的资源消耗，另一方面能够有效改善交通信号灯频闪导致的无法识别的问题。

在对当前帧道路图像进行信号灯检测后，需要判断获得的当前帧图像对应的信号灯检测结果是否满足条件，若是满足条件则执行步骤12，否则执行步骤13至步骤15。

步骤12：响应于当前检测结果满足第一预设要求，对当前帧道路图像进行信号识别，得到当前帧道路图像对应的交通信号结果。

在一些实施例中，可以将置信度阈值作为第一预设条件。响应于识别出的道路图像中信号灯的置信度大于或等于置信度阈值，认为当前检测结果满足第一预设条件，接着对道路图像中的信号灯进行信号识别。

在一些实施例中，在当前检测结果满足第一预设条件时，将当前帧道路图像输入至目标车辆的信号识别模块中，以利用信号识别模块对当前帧道路图像进行信号识别，得到当前帧道路图像对应的交通信号结果。目标车辆可以根据交通信号结果进行停车、变道或前进等行驶准备。

可以理解地，信号灯检测为确认道路图像是否存在交通信号灯，信号识别为对检测到的交通信号灯中的交通信号进行识别，如识别是红灯、绿灯还是黄灯，识别是直行、左转还是右转等。

在进行信号识别时，获取的交通信号结果需要满足相应的道路交通信号灯设置与安装规范的相关内容，如亮着红色左转的信号灯，就不应该同时亮起绿色左转的信号灯。在一些实施例中，获取交通信号结果之后，可以按照交通规则对交通信号结果再次进行鉴别，以确定信号识别结果是否符合相关交通规则，以在信号识别结果符合相关交通规则时，目标车辆可以根据交通信号结果进行停车、变道或前进等行驶准备。

步骤13：响应于当前信号灯检测结果不满足第一预设要求，对当前帧道路图像进行车道指示牌检测，得到指示牌检测结果。

在一些实施例中，可以将置信度阈值作为第一预设条件。响应于道路图像中信号灯组的置信度小于阈值，认为当前检测结果不满足预设条件，即未在当前帧道路图像中检测出交通信号灯。因此需要对道路图像进行车道指示牌检测，以得到指示牌检测结果。

其中，车道指示牌检测为基于当前帧道路图像，确定当前帧道路图像中是否存在车道指示牌。在目标车辆靠近路口前，通常会有相应的车道指示牌进行示意，此时可以通过对道路图像进行车道指示牌检测，以确定当前帧道路中是否存在车道指示牌。

响应于指示牌检测结果显示当前帧道路图像存在车道指示牌，则继续执行步骤14。

步骤14：基于指示牌检测结果确定下一帧道路图像中的感兴趣区域，并根据感兴趣区域对下一帧道路图像进行信号灯检测，得到下一信号灯检测结果。

在一些实施例中，响应于指示牌检测结果满足第二预设要求，确定下一帧道路图像中的感兴趣区域；其中感兴趣区域是对当前帧图像中的指示牌区域外扩得到。

在一些实施例中，可以将车道指示牌的置信度阈值作为第二预设要求。响应于指示牌检测结果所对应的置信度大于或等于置信度阈值，认为当前帧道路图像存在车道指示牌，此时可以基于当前帧道路图像确定感兴趣区域，将从当前帧道路图像中确定出的感兴趣区域直接作为下一帧道路图像中的感兴趣区域。可以理解，车载摄像头视场固定，因此确定出感兴趣区域后，其在图像上也是固定区域，所以可以直接应用于下一帧道路图像。

在当前帧道路图像中检测到进行信号灯检测时，没有检测到信号灯，需要确定当前帧道路图像是否能检测到车道指示牌，若是能检测到车道指示牌而检测不到信号灯，则表明车辆所对应的位置距离信号灯的位置较远，参照各级道路的设计速度，如快速路的设计速度有100km/h、80km/h和60km/h，主干路的设计速度有60km/h、50km/h和40km/h，由上述数据可以知道，在1秒内，车道指示牌的位置在道路图像中的位置变化并没有很大，此时可以对当前帧道路图像中的车道指示牌区域进行外扩，以得到对应的感兴趣区域。在采集到下一帧道路图像时，基于感兴趣区域对下一帧道路图像进行信号灯检测，得到下一信号灯检测结果。可以理解，通常车道指示牌与交通信号灯在同侧，因此在外扩确定到感兴趣区域后，在后面采集的道路图像中，交通信号灯会处于感兴趣区域内。因此可以根据感兴趣区域对下一帧道路图像进行信号灯检测，得到下一信号灯检测结果，以此减少对下一帧道路图像其他区域的检测，提升检测效率。

下一帧道路图像的检测区域是由当前帧道路图像检测到的车道指示牌的扩大区域决定，在一些实施例中，如图3所示，当前帧道路图像是A，在A中检测到车道指示牌区域B时，可以对B进行外扩，以得到感兴趣区域C。在采集到下一帧道路图像后，可以直接在下一帧道路图像中确定出感兴趣区域C。

外扩可以是以车道指示牌为中心，左、右、上和下分别同时扩大N倍，即左右各扩大N倍的车道指示牌宽度，上下各扩大N倍的车道指示牌高度，得到感兴趣区域。当然，也可以是以其他方式进行外扩，但需要外扩得到的感兴趣区域包含车道指示牌。

步骤15：响应于下一信号灯检测结果满足第一预设要求，对下一帧道路图像进行信号识别，得到下一帧道路图像对应的交通信号结果。

在一些实施例中，第一预设条件为道路图像置信度的阈值。响应于下一信号灯检测结果满足第一预设要求，下一帧道路图像中信号灯组的置信度大于或等于阈值，接着对道路图像进行信号识别。

在一些实施例中，响应于下一信号灯检测结果不满足第一预设要求，下一帧道路图像中信号灯组的置信度小于阈值，此时可以对下一帧道路图像进行车道指示牌检测。

在本实施例中，在当前帧道路图像满足预设条件时，能够准确识别交通信号结果，并在当前帧道路图像不满足预设条件时，通过指示牌检测的方式，在指示牌满足条件时，确定出范围较小的感兴趣区域，以此根据感兴趣区域对下一帧道路图像进行信号灯检测，减小图像识别的区域，提升识别效率。

参阅图4，图4是本申请提供的交通信号灯识别方法第二实施例的流程示意图，该方法包括：

步骤41：获取当前帧道路图像，利用检测模型对当前帧道路图像进行信号灯检测，得到当前检测结果，其中当前检测结果包括信号灯置信度。

在一些实施例中，利用图像采集设备采集当前帧道路图像，其中图像采集设备可以是前视长焦摄像头。获取当前帧道路图像之后，可以利用检测模型对当前帧道路图像进行信号灯检测。其中，检测模型是信号灯检测模型，可以用于检测图像是否存在交通信号灯。

在对当前帧道路图像进行信号灯检测后，需要判断获得的当前帧的信号灯检测结果是否满足条件，若是满足条件则执行步骤42至步骤43，否则执行步骤44至步骤46。

具体地，可以通过比较当前检测结果包括信号灯置信度与预设阈值的大小，以确定当前帧道路图像是否包含交通信号灯。如，当前检测结果包含的信号灯置信度大于或等于预设阈值，则表明当前帧道路图像包含交通信号灯，此时可以继续执行步骤42；当前检测结果包含的信号灯置信度小于预设阈值，则表明当前帧道路图像不包含交通信号灯，此时可以继续执行步骤44。

步骤42：响应于信号灯置信度满足第一预设要求，从当前帧道路图像中确定出信号灯区域图像。

在一些实施例中，可以将置信度阈值作为第一预设条件。响应于道路图像中信号灯组的置信度大于或等于阈值，认为当前检测结果满足预设条件，此时可以从当前帧道路图像中确定出信号灯区域图像。

步骤43：对信号灯区域图像进行信号识别，得到当前帧道路图像对应的交通信号结果。

在一些实施例中，可以利用方向识别模型对信号灯区域图像进行识别，得到对应的信号灯方向，接着利用与信号灯方向对应的信号识别模型对信号灯区域图像进行信号识别，得到当前帧道路图像对应的交通信号结果。

本申请使用的方向识别模型和信号识别模型都是深度学习模型。方向识别模型是采用OCR(Optical Character Recognition，光学字符识别)方向的模型，用于对图像上的文字进行识别，即交通信号灯组中每一个灯泡在图像上可以理解成一种彩色文字。可以根据宽高比来判断交通信号灯组是横向还是竖向，再分别走独立的信号识别模型。

例如横向的信号识别模型是基于“CNN+Transformer”形式的MASTER模型。如图5所示，信号识别模型包括编码网络、解码网络和输出网络。可以利用编码网络对信号灯区域图像进行编码，得到对应的编码特征，接着利用解码网络对编码特征进行解码，得到对应的解码特征，最后利用输出网络对解码特征进行识别，得到当前帧道路图像对应的交通信号结果。其中，编码网络包括顺次若干编码块，每个编码块包括残差块、多头注意力层(Multi-Aspect GCAttention，MAGC)、卷积层(conv)和池化层(max pooling层)，且在多头注意力层中，不同通道对不同位置的依赖权重不同。如图6所示，GCNet输出C*1*1的特征中，各个通道依赖同一个H、W尺寸的权重，MAGC在原始的GCNet进行了改进，采取多头的机制使得不同通道对不同位置的依赖权重不再相同。

且，编码网络有3个基础块，每个基础块由3个模块组成：1个Masked Multi-HeadAttention，1个Multi-Head Attention和1个前馈网络。

使用信号识别网络对信号灯区域图像进行信号识别，得到当前帧道路图像对应的交通信号结果，交通信号结果与信号灯组中亮着的灯泡所对应的属性有关。如，交通信号结果是“绿左转+红直行+绿右转”。

另外，检测模型和信号识别模型采用道路训练图像训练得到，其中，道路训练图像的标签采用二维数组的形式构成，如下表所示，二维数组第一列包括红色信号、黄色信号和绿色信号，二维数组第一行包括掉头信号、左转信号、直行信号、右转信号、圆饼信号和数字信号。

二维数组表：

本申请使用的交通信号灯/信号灯组可以提供语义层信息，通过将机动车信号灯组的标签转译成一个二维数组，在只关注信号灯中亮着的灯泡的情况下，二维数组中每一个值只能为0/1，0表示不存在，1表示存在。且每一列最多只能有一个1，在列信息的限制下，每一行1的个数最小是0个，最多是5个。若灯组发生故障，则对该灯组赋予“故障灯组”的标签。如上表所示，标签信息“红掉头+黄直行+绿右转”对应的语义信息为“不可以掉头+直行时间即将截止+可以向右转”。在标注人员完成一组信号灯组的标注时，标注平台进行逻辑检查。另外，本申请的信号灯组中的信号灯不能简单地旋转成纵向形式，如将一个横向灯组按中心点顺时针旋转90°，横向灯组中若存在一个左转箭头，旋转后便会变成直行箭头，除了圆饼，其他图案一概不能随意进行旋转90°的操作。

在训练之前，需要采集相应数量的道路图像作为道路训练图像。如，数据采集时段要覆盖24小时的每个时段。其中，对采集回来的视频段保留路口附近的部分，对视频以每秒5帧的方式保存成图像，再送去标注。标注对象包括车道指示牌和信号灯，车道指示牌按独立的牌进行标注最小外接矩形；信号灯组标注灯组的外接矩形框，再填充上述表格内的信息，默认为0。

本申请使用的检测模型和识别模型都是有监督的神经网络模型，可以通过对采集预设数量的待训练数据进行训练，进而可以将训练好的模型进行部署与使用。

在其他实施例中，本申请使用的检测模型和识别模型也可以是无监督的神经网络模型。

步骤44：响应于当前信号灯检测结果不满足第一预设要求，对当前帧道路图像进行车道指示牌检测，得到指示牌检测结果。

步骤45：基于指示牌检测结果确定下一帧道路图像中的感兴趣区域，并根据感兴趣区域对下一帧道路图像进行信号灯检测，得到下一信号灯检测结果。

步骤46：响应于下一信号灯检测结果满足第一预设要求，对下一帧道路图像进行信号识别，得到下一帧道路图像对应的交通信号结果。

步骤44至步骤46可以与上述任一实施例具备相同或相似技术特征，这里不再赘述。

区别于现有技术，本申请提供的交通信号灯识别方法提出了二维数组这一种新的信号灯组属性标注方法，且通过动态取帧的方式获取当前帧道路图像和下一帧道路图像，可以有效应对交通信号灯频闪问题，在当前帧道路图像满足预设条件时，能够准确识别交通信号结果，并在当前帧道路图像不满足预设条件时，通过指示牌检测的方式，在指示牌满足条件时，确定出范围较小的感兴趣区域，以此根据感兴趣区域对下一帧道路图像进行信号灯检测，减小图像识别的区域，提升识别效率。

参阅图7，图7是本申请提供的电子设备一实施例的结构示意图，该电子设备70包括存储器701和处理器702，存储器701用于存储计算机程序，处理器702用于执行计算机程序以实现上述任一实施例的交通信号灯识别方法，这里不再赘述。

其中，电子设备70可以是车载电子设备，可以应用于自动驾驶领域中。

参阅图8，图8是本申请提供的计算机可读储存介质一实施例的结构示意图，该计算机可读储存介质80用于存储计算机程序801，计算机程序801在被处理器执行时用于实现上述任一实施例的交通信号灯识别方法，这里不再赘述。

综上所述，本申请提供的交通信号灯识别方法可以通过动态取帧的方式应对信号灯频闪问题，且提出了一种新的信号灯组属性标注方式，可以提高信号灯识别效率。在当前帧道路图像满足预设条件时，能够准确识别交通信号结果，并在当前帧道路图像不满足预设条件时，通过指示牌检测的方式，在指示牌满足条件时，确定出范围较小的感兴趣区域，以此根据感兴趣区域对下一帧道路图像进行信号灯检测，减小图像识别的区域，提升识别效率。

本申请涉及的处理器可以称为CPU(Central Processing Unit，中央处理单元)，可能是一种集成电路芯片，还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本申请使用的存储介质包括U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。