一种弱对比度环境下无人机鲁棒检测方法、装置和设备与流程

1.本技术涉及计算机技术领域，特别是涉及一种弱对比度环境下无人机鲁棒检测方法、装置、计算机设备和存储介质。


背景技术：

2.目标检测是计算机视觉领域一个研究热点，在智能监控、自动驾驶和人机交互等领域有着广阔的应用前景，其中目标与背景相似导致检测精度低是目前检测研究的一个重点。近年来，国内外都对弱对比度目标检测技术进行了相关的研究，并取得一定的突破。
3.现有的弱对比度条件下视频目标检测方案主要针对单幅图像的分割方法，存在检测效果不佳的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高目标检测效果的弱对比度环境下无人机鲁棒检测方法、装置、计算机设备和存储介质。
5.一种弱对比度环境下无人机鲁棒检测方法，所述方法包括：
6.获取弱对比环境下无人机的运动视频，对所述运动视频进行抽帧预处理后得到帧图像，将每一帧图像中的无人机目标进行标注得到gt图像；
7.将所有帧图像输入用于无人机目标检测的双流网络模型中；所述双流网络模型包括resnet50网络、flownets网络、rf模块、acfm模块和pdc模块；
8.通过所述resnet50网络对任一帧图像进行特征提取，得到低层特征、中层特征和高层特征；
9.对所述低层特征进行边界边缘特征增强得到低层增强特征；
10.通过所述flownets网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征；所述光流特征分别与所述中层特征和所述高层特征进行特征融合后得到中层融合特征和高层融合特征；
11.通过所述rf模块对所述中层融合特征和所述高层融合特征进行特征增强，得到中层增强特征和高层增强特征；
12.通过所述acfm模块引入多尺度通道注意力机制对所述高层增强特征进行跨层面特征融合，得到高层增强融合特征；
13.通过所述pdc模块根据所述低层增强特征、中层增强特征和所述高层增强融合特征进行处理，减少相邻特征差距，输出无人机目标图像；
14.根据所述gt图像中标注的无人机目标和所述双流网络模型输出的无人机目标图像，对所述resnet50网络和所述flownets网络进行训练，得到训练好的双流网络模型；
15.将待检测的弱对比环境下无人机的运动视频进行抽帧预处理后输入所述训练好的双流网络模型，输出无人机目标检测结果。
16.在其中一个实施例中，还包括：通过加权最小二乘滤波算法，对所述低层特征进行
平滑处理，增强边界边缘特征，得到低层增强特征。
17.在其中一个实施例中，还包括：通过所述flownets网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征；所述flownets网络有多个卷积层，包括降维编码模块和升维解码模块。
18.在其中一个实施例中，还包括：通过所述rf模块对所述中层融合特征和所述高层融合特征进行特征增强，得到中层增强特征和高层增强特征；所述rf模块分为5个支，5个支都先进行1
×
1卷积降维，再将第一个分支进行空洞数为3的空洞卷积，第二个分支进行空洞数为5的空洞卷积，第三个分支进行空洞数为7的空洞卷积，将前四个分支的特征图拼接起来，再采用一个1
×
1卷积降维，最后与第五个分支进行相加，输出增强后的特征图。
19.在其中一个实施例中，还包括：通过所述acfm模块引入多尺度通道注意力机制对所述高层增强特征进行跨层面特征融合，得到高层增强融合特征；所述多尺度通道注意力机制基于双分支结构，一个分支使用全局平均池获取全局上下文，另一个分支保持原有特征大小获取局部上下文。
20.在其中一个实施例中，还包括：将所述低层增强特征、中层增强特征和所述高层增强融合特征输入所述pdc模块；
21.对所述低层增强特征进行一次上采样，再进行3
×
3卷积操作；
22.将卷积操作后的特征图与所述高层增强融合特征进行乘法操作，逐元素相乘减少相邻特征之间的差距；
23.将乘法操作后的特征图与所述中层增强特征进行拼接，输出无人机目标图像。
24.在其中一个实施例中，还包括：冻结所述flownets网络，使用camo数据集对所述resnet50网络进行训练；
25.冻结所述resnet50网络，根据所述gt图像中标注的无人机目标和所述双流网络模型输出的无人机目标图像，对所述flownets网络进行训练；
26.得到训练好的双流网络模型。
27.在其中一个实施例中，还包括：所述弱对比环境下无人机的运动视频为无人机目标与背景相似的无人机运动视频。
28.一种弱对比度环境下无人机鲁棒检测装置，所述装置包括：
29.数据获取模块，用于获取弱对比环境下无人机的运动视频，对所述运动视频进行抽帧预处理后得到帧图像，将每一帧图像中的无人机目标进行标注得到gt图像；
30.数据输入模块，用于将所有帧图像输入用于无人机目标检测的双流网络模型中；所述双流网络模型包括resnet50网络、flownets网络、rf模块、acfm模块和pdc模块；
31.网络处理模块，用于通过所述resnet50网络对任一帧图像进行特征提取，得到低层特征、中层特征和高层特征；对所述低层特征进行边界边缘特征增强得到低层增强特征；通过所述flownets网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征；所述光流特征分别与所述中层特征和所述高层特征进行特征融合后得到中层融合特征和高层融合特征；通过所述rf模块对所述中层融合特征和所述高层融合特征进行特征增强，得到中层增强特征和高层增强特征；通过所述acfm模块引入多尺度通道注意力机制对所述高层增强特征进行跨层面特征融合，得到高层增强融合特征；通过所述pdc模块根据所述低层增强特征、中层增强特征和所述高层增强融合特征进行处理，减少相邻特征差距，输出无人机
目标图像；
32.网络训练模块，用于根据所述gt图像中标注的无人机目标和所述双流网络模型输出的无人机目标图像，对所述resnet50网络和所述flownets网络进行训练，得到训练好的双流网络模型；
33.网络应用模块，用于将待检测的弱对比环境下无人机的运动视频进行抽帧预处理后输入所述训练好的双流网络模型，输出无人机目标检测结果。
34.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
35.获取弱对比环境下无人机的运动视频，对所述运动视频进行抽帧预处理后得到帧图像，将每一帧图像中的无人机目标进行标注得到gt图像；
36.将所有帧图像输入用于无人机目标检测的双流网络模型中；所述双流网络模型包括resnet50网络、flownets网络、rf模块、acfm模块和pdc模块；
37.通过所述resnet50网络对任一帧图像进行特征提取，得到低层特征、中层特征和高层特征；
38.对所述低层特征进行边界边缘特征增强得到低层增强特征；
39.通过所述flownets网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征；所述光流特征分别与所述中层特征和所述高层特征进行特征融合后得到中层融合特征和高层融合特征；
40.通过所述rf模块对所述中层融合特征和所述高层融合特征进行特征增强，得到中层增强特征和高层增强特征；
41.通过所述acfm模块引入多尺度通道注意力机制对所述高层增强特征进行跨层面特征融合，得到高层增强融合特征；
42.通过所述pdc模块根据所述低层增强特征、中层增强特征和所述高层增强融合特征进行处理，减少相邻特征差距，输出无人机目标图像；
43.根据所述gt图像中标注的无人机目标和所述双流网络模型输出的无人机目标图像，对所述resnet50网络和所述flownets网络进行训练，得到训练好的双流网络模型；
44.将待检测的弱对比环境下无人机的运动视频进行抽帧预处理后输入所述训练好的双流网络模型，输出无人机目标检测结果。
45.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
46.获取弱对比环境下无人机的运动视频，对所述运动视频进行抽帧预处理后得到帧图像，将每一帧图像中的无人机目标进行标注得到gt图像；
47.将所有帧图像输入用于无人机目标检测的双流网络模型中；所述双流网络模型包括resnet50网络、flownets网络、rf模块、acfm模块和pdc模块；
48.通过所述resnet50网络对任一帧图像进行特征提取，得到低层特征、中层特征和高层特征；
49.对所述低层特征进行边界边缘特征增强得到低层增强特征；
50.通过所述flownets网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征；所述光流特征分别与所述中层特征和所述高层特征进行特征融合后得到中层融合特征
和高层融合特征；
51.通过所述rf模块对所述中层融合特征和所述高层融合特征进行特征增强，得到中层增强特征和高层增强特征；
52.通过所述acfm模块引入多尺度通道注意力机制对所述高层增强特征进行跨层面特征融合，得到高层增强融合特征；
53.通过所述pdc模块根据所述低层增强特征、中层增强特征和所述高层增强融合特征进行处理，减少相邻特征差距，输出无人机目标图像；
54.根据所述gt图像中标注的无人机目标和所述双流网络模型输出的无人机目标图像，对所述resnet50网络和所述flownets网络进行训练，得到训练好的双流网络模型；
55.将待检测的弱对比环境下无人机的运动视频进行抽帧预处理后输入所述训练好的双流网络模型，输出无人机目标检测结果。
56.上述弱对比度环境下无人机鲁棒检测方法、装置、计算机设备和存储介质，通过对弱对比环境下无人机的运动视频进行抽帧预处理，将每一帧图像中的无人机目标进行标注得到gt图像；将所有帧图像输入双流网络模型中；双流网络模型包括resnet50网络、flownets网络、rf模块、acfm模块和pdc模块；resnet50网络用于对任一帧图像进行特征提取，得到低层特征、中层特征和高层特征；对低层特征进行边界边缘特征增强得到低层增强特征；flownets网络用于根据当前帧图像和下一帧图像进行光流计算，得到光流特征；光流特征分别与中层特征和高层特征进行特征融合后得到中层融合特征和高层融合特征；rf模块用于对中层融合特征和高层融合特征进行特征增强，得到中层增强特征和高层增强特征；acfm模块用于引入多尺度通道注意力机制对高层增强特征进行跨层面特征融合，得到高层增强融合特征；pdc模块用于根据低层增强特征、中层增强特征和高层增强融合特征进行处理，减少相邻特征差距，输出无人机目标图像；根据gt图像中标注的无人机目标和双流网络模型输出的无人机目标图像，对resnet50网络和flownets网络进行训练，得到训练好的双流网络模型；将待检测的弱对比环境下无人机的运动视频进行抽帧预处理后输入训练好的双流网络模型，输出无人机目标检测结果。本发明采用双流网络并行的架构，可充分获取时空特征，提出了一个端到端可训练的框架，可同时预测像素的前景对象分割和光流；对低层、中层、高层特征分别进行增强处理，通过低层边缘特征的增强解决了检测目标边界模糊问题，另外，引入了pdc模块，可减少特征融合阶段相邻特征之间的差距，使得最终获得的目标更加清晰。
附图说明
57.图1为一个实施例中弱对比度环境下无人机鲁棒检测方法的流程示意图；
58.图2为一个实施例中弱对比度环境下的帧图像；
59.图3为一个实施例中弱对比度环境下将帧图像中的无人机目标进行标注，生成的gt图像；
60.图4为一个实施例中弱对比度环境下无人机鲁棒检测装置的结构框图；
61.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
62.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
63.在一个实施例中，如图1所示，提供了一种弱对比度环境下无人机鲁棒检测方法，包括以下步骤：
64.步骤102，获取弱对比环境下无人机的运动视频，对运动视频进行抽帧预处理后得到帧图像，将每一帧图像中的无人机目标进行标注得到gt图像。
65.弱对比环境指的是无人机目标与背景颜色相似的环境。运动视频是根据无人机自身颜色，找到与其颜色相似的背景位置进行飞行运动所获取的视频数据。
66.如图2为对运动视频进行抽帧预处理后得到的一帧图像，图3为将帧图像中的无人机目标进行标注得到gt图像，白框所标注位置为无人机所在位置。gt图像为地面真实图像，在本专利中，是作为无人机真实图像。
67.步骤104，将所有帧图像输入用于无人机目标检测的双流网络模型中。
68.双流网络模型包括resnet50网络、flownets网络、rf模块、acfm模块和pdc模块。
69.双流网络是同时利用视频的空间信息与时间信息，来更好地提取视频特征的网络。
70.flownets网络是flownet网络的简单版，因为flownets网络是直接将输入的连续两帧图像叠加在一起，让它们通过一系列只有卷积层的网络，故称之为flownetsimple，简称flownets。
71.步骤106，通过resnet50网络对任一帧图像进行特征提取，得到低层特征、中层特征和高层特征。
72.低层特征往往是泛化的、易于表达的，如纹理、颜色、边缘、棱角等等。高层特征往往是复杂的、难以说明的。在深度神经网络中，浅层(靠近输入)能提取到上述低层特征，深层(靠近输出)往往能提取到上述高层特征。而中层特征是在低层特征和高层特征之间的特征。
73.步骤108，对低层特征进行边界边缘特征增强得到低层增强特征。
74.对低层特征进行边界边缘特征增强目的在于尽量保持边缘部分信息。
75.步骤110，通过flownets网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征。
76.光流是空间运动物体在观察成像平面上的像素运动的瞬时速度，光流特征为表征相邻帧之间物体的运动信息的特征。
77.将光流特征分别与中层特征和高层特征进行特征融合后得到中层融合特征和高层融合特征。也就是说，中层融合特征和高层融合特征中既包括时间信息也包括空间信息。
78.步骤112，通过rf模块对中层融合特征和高层融合特征进行特征增强，得到中层增强特征和高层增强特征。
79.rf(receptive field)模块：感受野模块，用来扩大感受野，从而在对resnet50网络中提取的不同层次的特征之中获取更丰富的特征信息。
80.步骤114，通过acfm模块引入多尺度通道注意力机制对高层增强特征进行跨层面
卷积降维，最后与第五个分支进行相加，输出增强后的特征图。
91.在其中一个实施例中，还包括：通过acfm模块引入多尺度通道注意力机制对高层增强特征进行跨层面特征融合，得到高层增强融合特征；多尺度通道注意力机制基于双分支结构，一个分支使用全局平均池获取全局上下文，另一个分支保持原有特征大小获取局部上下文。
92.一个分支使用全局平均池获取全局上下文，强调全局分布的大对象；另一个分支保持原有特征大小获取局部上下文，可以避免忽略小对象。
93.在其中一个实施例中，还包括：将低层增强特征、中层增强特征和高层增强融合特征输入pdc模块；对低层增强特征进行一次上采样，再进行3
×
3卷积操作；将卷积操作后的特征图与高层增强融合特征进行乘法操作，逐元素相乘减少相邻特征之间的差距；将乘法操作后的特征图与中层增强特征进行拼接，输出无人机目标图像。
94.在其中一个实施例中，还包括：冻结flownets网络，使用camo数据集对resnet50网络进行训练；冻结resnet50网络，根据gt图像中标注的无人机目标和双流网络模型输出的无人机目标图像，对flownets网络进行训练；得到训练好的双流网络模型。
95.在这个迭代学习的过程中，网络每次都专注一个分支中的一个任务，同时resnet通过特征传播从flownets获得有用的表示。
96.在一个具体实施例中，一种弱对比度环境下无人机鲁棒检测方法主要流程如下：
97.step1：拍摄采集相关视频。根据无人机自身颜色，找到与其颜色相似的背景位置进行飞行，专门拍摄采集目标与背景相似的视频；
98.step2：对输入视频图像进行特征提取。对视频中任意一帧t利用resnet50进行特征提取，获得低层特征x0、x1，中层特征x2和高层特征x3、x4；
99.step3：对输入视频进行光流计算。利用step2中使用的第t帧图像，以及第t+1帧，通过flownets网络进行光流计算，来获得光流特征。flownets有九个卷积层，包括降维encoder模块和升维decoder模块；
100.step4：特征融合操作。将step2提取的中层特征x2和高层特征x3、x4与step3经过解码后的光流特征进行特征融合，获得融合后的特征y2、y3、y4；
101.step5：将y2、y3、y4进行特征增强操作。将y2、y3、y4分别通过rf模块进行特征增强处理，获得增强后的特征z2、z3、z4；其中，rf模块分为5个支，5个支都先进行1
×
1卷积降维，再将第一个分支进行空洞数为3的空洞卷积，第二个分支进行空洞数为5的空洞卷积，第三个分支进行空洞数为7的空洞卷积，然后将前四个分支的特征图拼接起来，再采用一个1
×
1卷积降维，最后与第五个分支进行相加的操作，最后输出增强后的特征图；
102.step6：增强低层边界边缘特征。将step2获得的低层特征x0、x1，使用加权最小二乘滤波wls进行平滑操作，尽量保持边缘部分信息；
103.step7：高层特征融合。将step5获得的增强特征z3、z4再通过一个acfm模块，将高级特征进行一个融合操作；在acfm模块中通过引入多尺度通道注意力(msca)机制来有效融合跨层面特征，利用多尺度信息缓解尺度变化，其中，msca基于双分支结构，一个分支使用全局平均池获取全局上下文，强调全局分布的大对象；另一个分支保持原有特征大小获取局部上下文，避免忽略小对象；
104.step8：引入pdc模块减少相邻特征差距获得最终目标图像。将step6获得的增强处
理后的低层边缘特征与step5增强处理后的中层特征z2，以及step7融合后高层特征一起输入到网络里，对输入的低层特征进行一个上采样，随后进行3
×
3卷积操作，然后与更高一层的特征图进行乘法操作，使用逐元素相乘减少相邻特征之间的差距，然后与下一层特征进行拼接，获得最终的无人机目标图像。
105.应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
106.在一个实施例中，如图4所示，提供了一种弱对比度环境下无人机鲁棒检测装置，包括：数据获取模块402、数据输入模块404、网络处理模块406、网络训练模块408和网络应用模块410，其中：
107.数据获取模块402，用于获取弱对比环境下无人机的运动视频，对运动视频进行抽帧预处理后得到帧图像，将每一帧图像中的无人机目标进行标注得到gt图像；
108.数据输入模块404，用于将所有帧图像输入用于无人机目标检测的双流网络模型中；双流网络模型包括resnet50网络、flownets网络、rf模块、acfm模块和pdc模块；
109.网络处理模块406，用于通过resnet50网络对任一帧图像进行特征提取，得到低层特征、中层特征和高层特征；对低层特征进行边界边缘特征增强得到低层增强特征；通过flownets网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征；光流特征分别与中层特征和高层特征进行特征融合后得到中层融合特征和高层融合特征；通过rf模块对中层融合特征和高层融合特征进行特征增强，得到中层增强特征和高层增强特征；通过acfm模块引入多尺度通道注意力机制对高层增强特征进行跨层面特征融合，得到高层增强融合特征；通过pdc模块根据低层增强特征、中层增强特征和高层增强融合特征进行处理，减少相邻特征差距，输出无人机目标图像；
110.网络训练模块408，用于根据gt图像中标注的无人机目标和双流网络模型输出的无人机目标图像，对resnet50网络和flownets网络进行训练，得到训练好的双流网络模型；
111.网络应用模块410，用于将待检测的弱对比环境下无人机的运动视频进行抽帧预处理后输入训练好的双流网络模型，输出无人机目标检测结果。
112.网络处理模块406还用于通过加权最小二乘滤波算法，对低层特征进行平滑处理，增强边界边缘特征，得到低层增强特征。
113.网络处理模块406还用于通过flownets网络根据当前帧图像和下一帧图像进行光流计算，得到光流特征；flownets网络有多个卷积层，包括降维编码模块和升维解码模块。
114.网络处理模块406还用于通过rf模块对中层融合特征和高层融合特征进行特征增强，得到中层增强特征和高层增强特征；rf模块分为5个支，5个支都先进行1
×
1卷积降维，再将第一个分支进行空洞数为3的空洞卷积，第二个分支进行空洞数为5的空洞卷积，第三个分支进行空洞数为7的空洞卷积，将前四个分支的特征图拼接起来，再采用一个1
×
1卷积降维，最后与第五个分支进行相加，输出增强后的特征图。
115.网络处理模块406还用于通过acfm模块引入多尺度通道注意力机制对高层增强特
征进行跨层面特征融合，得到高层增强融合特征；多尺度通道注意力机制基于双分支结构，一个分支使用全局平均池获取全局上下文，另一个分支保持原有特征大小获取局部上下文。
116.网络处理模块406还用于将低层增强特征、中层增强特征和高层增强融合特征输入pdc模块；对低层增强特征进行一次上采样，再进行3
×
3卷积操作；将卷积操作后的特征图与高层增强融合特征进行乘法操作，逐元素相乘减少相邻特征之间的差距；将乘法操作后的特征图与中层增强特征进行拼接，输出无人机目标图像。
117.网络训练模块408还用于冻结flownets网络，使用camo数据集对resnet50网络进行训练；冻结resnet50网络，根据gt图像中标注的无人机目标和双流网络模型输出的无人机目标图像，对flownets网络进行训练；得到训练好的双流网络模型。
118.关于弱对比度环境下无人机鲁棒检测装置的具体限定可以参见上文中对于弱对比度环境下无人机鲁棒检测方法的限定，在此不再赘述。上述弱对比度环境下无人机鲁棒检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
119.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种弱对比度环境下无人机鲁棒检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
120.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
121.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
122.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
123.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强
型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
124.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
125.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。