CN113470385A - 基于机器视觉的交通灯控制方法、***、装置及存储介质 - Google Patents
基于机器视觉的交通灯控制方法、***、装置及存储介质 Download PDFInfo
- Publication number
- CN113470385A CN113470385A CN202110671286.6A CN202110671286A CN113470385A CN 113470385 A CN113470385 A CN 113470385A CN 202110671286 A CN202110671286 A CN 202110671286A CN 113470385 A CN113470385 A CN 113470385A
- Authority
- CN
- China
- Prior art keywords
- traffic
- determining
- waiting
- lane
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于机器视觉的交通灯控制方法、***、装置及存储介质,方法包括:获取交通路口各个车道的第一图像信息,车道包括车辆正在行驶的行驶车道和车辆正在等候的等候车道;根据第一图像信息确定行驶车道的车流量信息和等候车道的等候车辆数量信息;根据车流量信息确定对应交通相位的总车流量,并根据等候车辆数量信息确定对应交通相位的总等候车辆数量;根据总车流量和总等候车辆数量确定下一红绿灯周期的红绿灯配时方案,进而根据红绿灯配时方案对各车道的交通灯进行控制。本发明可以得到准确合理的红绿灯配时方案,减少了车辆等待时间,提高了车辆通行效率,缓解了城市的交通拥堵问题。本发明可广泛应用于交通控制技术领域。
Description
技术领域
本发明涉及交通控制技术领域,尤其是一种基于机器视觉的交通灯控制方法、***、装置及存储介质。
背景技术
随着城市人口与车辆数量的快速增加,道路交通拥堵问题日益突出。尤其是在三四线城市,节假日返乡高峰期时拥堵现象十分明显。
但是,我国大部分城市及地区的交通灯控制***采用定时控制,红绿灯的时长固定,实时性差,不能满足当前的需求。因此,亟需一种可根据实时车流量调整红绿灯时长的交通灯控制方法,从而可以改善交通管理质量,减少车辆停车等待时间,缓解城市交通拥堵问题。
相关技术中公开了一种交通灯控制方法,其根据当前红灯车道的车辆数量确定该车道下一周期的绿灯显示时长,然而这种方法一方面只考虑了当前红灯车道的车辆数量,并未统计另一交通相位的绿灯车道的车流量,从而无法准确地确定当前红灯车道在下一周期的红灯显示时长,另一方面只考虑了当前红灯车道的车辆数量,并未将同一交通相位的所有红灯车道的车辆数量作为整体看待,从而导致得到的红绿灯配时并不合理,并不能很好地缓解城市交通拥堵问题。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种基于机器视觉的交通灯控制方法,该方法一方面不仅考虑了等候车道的等候车辆数量,还对另一交通相位的行驶车道的车流量进行统计确定,从而可以准确地确定该等候车道和该行驶车道在下一红绿灯周期的红灯显示时长和绿灯显示时长,另一方面将同一交通相位的所有行驶车道的车流量作为整体看待,将同一交通相位的所有等候车道的等候车辆数量作为整体看待,从而可以得到准确合理的红绿灯配时方案,减少了车辆等待时间,提高了车辆通行效率,缓解了城市的交通拥堵问题。
本发明实施例的另一个目的在于提供一种基于机器视觉的交通灯控制***。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
第一方面,本发明实施例提供了一种基于机器视觉的交通灯控制方法,包括以下步骤:
获取交通路口各个车道的第一图像信息,所述车道包括车辆正在行驶的行驶车道和车辆正在等候的等候车道;
根据所述第一图像信息确定所述行驶车道的车流量信息和所述等候车道的等候车辆数量信息;
根据所述车流量信息确定对应交通相位的总车流量,并根据所述等候车辆数量信息确定对应交通相位的总等候车辆数量;
根据所述总车流量和所述总等候车辆数量确定下一红绿灯周期的红绿灯配时方案,进而根据所述红绿灯配时方案对各所述车道的交通灯进行控制。
进一步地,在本发明的一个实施例中,所述根据所述第一图像信息确定所述行驶车道的车流量信息和所述等候车道的等候车辆数量信息这一步骤,其具体包括:
获取各所述车道的背景图像信息;
根据所述第一图像信息和所述背景图像信息确定各所述车道的前景图像信息;
将所述前景图像信息输入到预先训练好的车辆识别模型,识别得到各所述车道的目标车辆识别结果;
根据多个连续时刻所述行驶车道的目标车辆识别结果确定所述车流量信息;
根据当前时刻所述等候车道的目标车辆识别结果确定所述等候车辆数量信息。
进一步地,在本发明的一个实施例中,所述根据多个连续时刻所述行驶车道的目标车辆识别结果确定所述车流量信息这一步骤,其具体包括:
根据第一时刻所述行驶车道的目标车辆识别结果确定若干个目标车辆,并且确定所述目标车辆第一位置信息;
根据第二时刻所述行驶车道的车辆识别结果确定所述目标车辆的第二位置信息,进而根据所述第一位置信息和所述第二位置信息确定所述目标车辆是否通过预设的统计区域;
根据通过所述统计区域的目标车辆的数量确定所述车流量信息;
其中,所述第一时刻和所述第二时刻为连续时刻。
进一步地,在本发明的一个实施例中,所述基于机器视觉的交通灯控制方法还包括训练车辆识别模型的步骤,其具体包括:
获取车辆图片集,所述车辆图片集包括多个不同类型的车辆图片;
对所述车辆图片集进行去噪和抽稀处理,得到训练图片集;
将所述训练图片集输入到深度神经网络进行训练,得到训练好的车辆识别模型。
进一步地,在本发明的一个实施例中,所述将所述训练图片集输入到深度神经网络进行训练这一步骤,其具体包括:
将所述训练图片集输入到深度神经网络,得到车辆识别结果;
根据所述车辆识别结果和车辆图片的标签确定训练的损失值;
根据所述损失值对所述车辆识别模型的参数进行更新。
进一步地,在本发明的一个实施例中,所述根据所述车流量信息确定对应交通相位的总车流量,并根据所述等候车辆数量信息确定对应交通相位的总等候车辆数量这一步骤,其具体包括:
根据各所述行驶车道的车流量信息之和确定对应交通相位的总车流量;
根据各所述等候车道的等候车辆数量信息之和确定对应交通相位的总等候车辆数量。
进一步地,在本发明的一个实施例中,所述根据所述总车流量和所述总等候车辆数量确定下一红绿灯周期的红绿灯配时方案这一步骤,其具体包括:
根据所述总等候车辆数量确定所述等候车道在下一红绿灯周期的第一绿灯时长和所述行驶车道在下一红绿灯周期的第一红灯时长;
根据所述总车流量和所述第一红灯时长确定所述行驶车道在下一红绿灯周期的第二绿灯时长和所述等候车道在下一红绿灯周期的第二红灯时长;
根据所述第一绿灯时长、所述第一红灯时长、所述第二绿灯时长以及所述第二红灯时长确定所述红绿灯配时方案。
第二方面,本发明实施例提供了一种基于机器视觉的交通灯控制***,包括:
图像信息获取模块,用于获取交通路口各个车道的第一图像信息,所述车道包括车辆正在行驶的行驶车道和车辆正在等候的等候车道;
图像信息处理模块,用于根据所述第一图像信息确定所述行驶车道的车流量信息和所述等候车道的等候车辆数量信息;
总车流量和总等候车辆数量确定模块,用于根据所述车流量信息确定对应交通相位的总车流量,并根据所述等候车辆数量信息确定对应交通相位的总等候车辆数量;
交通灯控制模块,用于根据所述总车流量和所述总等候车辆数量确定下一红绿灯周期的红绿灯配时方案,进而根据所述红绿灯配时方案对各所述车道的交通灯进行控制。
第三方面,本发明实施例提供了一种基于机器视觉的交通灯控制装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的一种基于机器视觉的交通灯控制方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于机器视觉的交通灯控制方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到:
本发明实施例获取交通路口各个车道的图像信息,根据该图像信息确定行驶车道的车流量信息和等候车道的等候车辆数量信息,从而可以确定同一交通相位内所有行驶车道的总车流量和同一交通相位内所有等候车道的总等候车辆数量,进而根据该总车流量和该总等候车辆数量确定下一红绿灯周期的红绿灯配时方案并对交通灯进行控制。本发明实施例一方面不仅考虑了等候车道的等候车辆数量,还对另一交通相位的行驶车道的车流量进行统计确定,从而可以准确地确定该等候车道和该行驶车道在下一红绿灯周期的红灯显示时长和绿灯显示时长,另一方面将同一交通相位的所有行驶车道的车流量作为整体看待,将同一交通相位的所有等候车道的等候车辆数量作为整体看待,从而可以得到准确合理的红绿灯配时方案,减少了车辆等待时间,提高了车辆通行效率,缓解了城市的交通拥堵问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对本发明实施例中所需要使用的附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种基于机器视觉的交通灯控制方法的步骤流程图;
图2为本发明实施例提供的一种基于机器视觉的交通灯控制***的结构框图;
图3为本发明实施例提供的一种基于机器视觉的交通灯控制装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,多个的含义是两个或两个以上,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1,本发明实施例提供了一种基于机器视觉的交通灯控制方法,具体包括以下步骤:
S101、获取交通路口各个车道的第一图像信息,车道包括车辆正在行驶的行驶车道和车辆正在等候的等候车道。
具体地,本发明实施例中,交通路口是指具有红绿灯装置的路口,交通相位是指同一个交通路口在同一时间段某个方向或某几个方向上的交通流所获得的通行权。
可以理解的是,同一交通路口的各个车道可以分为车辆正在行驶的行驶车道和车辆正在等候的等候车道,各行驶车道处于同一交通相位,且当前显示绿灯,各等候车道处于同一交通相位,且当前显示红灯。应该认识到,行驶车道和等候车道并不绝对,当前时刻的行驶车道在红灯亮起时就会转变成等候车道,当前时刻的等候车道在绿灯亮起时就会转变成行驶车道,而本发明实施例是对下一周期的红绿灯配时进行合理分配,且本发明实施例的一个完整执行流程可在车道发生转变之前完成,故在本发明实施例的叙述中将不考虑车道的转变,对于当前时刻的行驶车道和等候车道,固定用其当前的车道类型进行指代。
本发明实施例中,可通过高清交通摄像头对各个车道的第一图像信息进行采集;考虑到在夜晚或一些恶劣天气环境下,采用普通光学摄像头并不能获取有效的图像信息,因此也可采用红外热成像仪来获取第一图像信息。
S102、根据第一图像信息确定行驶车道的车流量信息和等候车道的等候车辆数量信息。
具体地,可通过预先训练好的车辆识别模型识别第一图像信息中的各个目标车辆。针对行驶车道中的各个目标车辆,可根据识别结果对各个目标车辆进行跟踪检测,从而得到车流量信息;针对等候车道中的各个目标车辆,可直接根据当前时刻的识别结果确定目标车辆的数量,从而得到等候车辆数量信息。步骤S102具体包括以步骤:
S1021、获取各车道的背景图像信息;
S1022、根据第一图像信息和背景图像信息确定各车道的前景图像信息;
S1023、将前景图像信息输入到预先训练好的车辆识别模型,识别得到各车道的目标车辆识别结果;
S1024、根据多个连续时刻行驶车道的目标车辆识别结果确定车流量信息;
S1025、根据当前时刻等候车道的目标车辆识别结果确定等候车辆数量信息。
进一步作为可选的实施方式,根据多个连续时刻行驶车道的目标车辆识别结果确定车流量信息这一步骤S1024,其具体包括:
S10241、根据第一时刻行驶车道的目标车辆识别结果确定若干个目标车辆,并且确定目标车辆第一位置信息;
S10242、根据第二时刻行驶车道的车辆识别结果确定目标车辆的第二位置信息,进而根据第一位置信息和第二位置信息确定目标车辆是否通过预设的统计区域;
S10243、根据通过统计区域的目标车辆的数量确定车流量信息;
其中,第一时刻和第二时刻为连续时刻。
具体地,统计区域可以是一条边界线,也可以是一个矩形框,通过统计连续时刻通过该统计区域的目标车辆的数量和两个时刻的间隔即可确定车流量信息。
进一步作为可选的实施方式,基于机器视觉的交通灯控制方法还包括训练车辆识别模型的步骤,其具体包括:
A1、获取车辆图片集,车辆图片集包括多个不同类型的车辆图片;
A2、对车辆图片集进行去噪和抽稀处理,得到训练图片集;
A3、将训练图片集输入到深度神经网络进行训练,得到训练好的车辆识别模型。
进一步作为可选的实施方式,将训练图片集输入到深度神经网络进行训练这一步骤,其具体包括:
B1、将训练图片集输入到深度神经网络,得到车辆识别结果;
B2、根据车辆识别结果和车辆图片的标签确定训练的损失值;
B3、根据损失值对车辆识别模型的参数进行更新。
具体地,对于车辆识别模型来说,车辆识别结果的准确性可以通过损失函数(LossFunction)来衡量,损失函数是定义在单个训练数据上的,用于衡量一个训练数据的预测误差,具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时,一个训练数据集有很多训练数据,因此一般采用代价函数(CostFunction)来衡量训练数据集的整体误差,代价函数是定义在整个训练数据集上的,用于计算所有训练数据的预测误差的平均值,能够更好地衡量出模型的预测效果。对于一般的机器学***方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数,在此不再一一阐述。本发明实施例中,可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值,采用反向传播算法对模型的参数进行更新,迭代几轮即可得到训练好的车辆识别模型。具体地迭代轮数可以预先设定,或者在测试集达到精度要求时认为训练完成。本发明实施例中,基于深度学习网络搭建并训练车辆识别模型。
S103、根据车流量信息确定对应交通相位的总车流量,并根据等候车辆数量信息确定对应交通相位的总等候车辆数量。
具体地,同一交通相位的各行驶车道的车辆可在同一时段通行,同一交通相位的各等候车道的车辆在同一时段需要等待绿灯,本发明实施例通过对同一交通相位的各行驶车道的车流量信息进行整合,对同一交通相位的各等候车道的等候车辆数量进行整合,便于后续准确合理地确定各个车道的红绿灯配时方案。步骤S103具体包括以下步骤:
S1031、根据各行驶车道的车流量信息之和确定对应交通相位的总车流量;
S1032、根据各等候车道的等候车辆数量信息之和确定对应交通相位的总等候车辆数量。
S104、根据总车流量和总等候车辆数量确定下一红绿灯周期的红绿灯配时方案,进而根据红绿灯配时方案对各车道的交通灯进行控制。
具体地,根据得到的总车流量和总等候车辆数量即可对下一红绿灯周期各个车道的红灯显示时长和绿灯显示时长进行分配,由于一般情况下交通路口黄灯持续时间较短,因此,本发明实施例的黄灯显示时长可固定为3秒。此外,同一交通路口的各个车道的红绿灯状态需要符合交通通行互斥原则。在确定各个车道在下一红绿灯周期的红绿灯配时方案后,即可根据该方案对各个车道的交通灯进行相应的控制。
进一步作为可选的实施方式,根据总车流量和总等候车辆数量确定下一红绿灯周期的红绿灯配时方案这一步骤,其具体包括:
C1、根据总等候车辆数量确定等候车道在下一红绿灯周期的第一绿灯时长和行驶车道在下一红绿灯周期的第一红灯时长;
C2、根据总车流量和第一红灯时长确定行驶车道在下一红绿灯周期的第二绿灯时长和等候车道在下一红绿灯周期的第二红灯时长;
C3、根据第一绿灯时长、第一红灯时长、第二绿灯时长以及第二红灯时长确定红绿灯配时方案。
具体地,根据得到的总等候车辆数量可以确定当前等候车道在下一红绿灯周期的第一绿灯时长,根据交通通行互斥原则即可对应地确定当前行驶车道在下一红绿灯周期的第一红灯时长;根据得到的总车流量和第一红灯时长可以预测得到当前行驶车道在下一红绿灯周期的等候车辆数量,进而可以确定当前行驶车道在下一红绿灯周期的第二绿灯时长,根据交通通行互斥原则即可对应地确定当前等候车道在下一红绿灯周期的第二红灯时长。
以上对本发明实施例的方法步骤进行了说明。可以认识到,本发明实施例一方面不仅考虑了等候车道的等候车辆数量,还对另一交通相位的行驶车道的车流量进行统计确定,从而可以准确地确定该等候车道和该行驶车道在下一红绿灯周期的红灯显示时长和绿灯显示时长,另一方面将同一交通相位的所有行驶车道的车流量作为整体看待,将同一交通相位的所有等候车道的等候车辆数量作为整体看待,从而可以得到准确合理的红绿灯配时方案,减少了车辆等待时间,提高了车辆通行效率,缓解了城市的交通拥堵问题。
参照图2,本发明实施例提供了一种基于机器视觉的交通灯控制***,包括:
图像信息获取模块,用于获取交通路口各个车道的第一图像信息,车道包括车辆正在行驶的行驶车道和车辆正在等候的等候车道;
图像信息处理模块,用于根据第一图像信息确定行驶车道的车流量信息和等候车道的等候车辆数量信息;
总车流量和总等候车辆数量确定模块,用于根据车流量信息确定对应交通相位的总车流量,并根据等候车辆数量信息确定对应交通相位的总等候车辆数量;
交通灯控制模块,用于根据总车流量和总等候车辆数量确定下一红绿灯周期的红绿灯配时方案,进而根据红绿灯配时方案对各车道的交通灯进行控制。
上述方法实施例中的内容均适用于本***实施例中,本***实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3,本发明实施例提供了一种基于机器视觉的交通灯控制装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当上述至少一个程序被上述至少一个处理器执行时,使得上述至少一个处理器实现上述的一种基于机器视觉的交通灯控制方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,该处理器可执行的程序在由处理器执行时用于执行上述一种基于机器视觉的交通灯控制方法。
本发明实施例的一种计算机可读存储介质,可执行本发明方法实施例所提供的一种基于机器视觉的交通灯控制方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于机器视觉的交通灯控制方法,其特征在于,包括以下步骤:
获取交通路口各个车道的第一图像信息,所述车道包括车辆正在行驶的行驶车道和车辆正在等候的等候车道;
根据所述第一图像信息确定所述行驶车道的车流量信息和所述等候车道的等候车辆数量信息;
根据所述车流量信息确定对应交通相位的总车流量,并根据所述等候车辆数量信息确定对应交通相位的总等候车辆数量;
根据所述总车流量和所述总等候车辆数量确定下一红绿灯周期的红绿灯配时方案,进而根据所述红绿灯配时方案对各所述车道的交通灯进行控制。
2.根据权利要求1所述的一种基于机器视觉的交通灯控制方法,其特征在于,所述根据所述第一图像信息确定所述行驶车道的车流量信息和所述等候车道的等候车辆数量信息这一步骤,其具体包括:
获取各所述车道的背景图像信息;
根据所述第一图像信息和所述背景图像信息确定各所述车道的前景图像信息;
将所述前景图像信息输入到预先训练好的车辆识别模型,识别得到各所述车道的目标车辆识别结果;
根据多个连续时刻所述行驶车道的目标车辆识别结果确定所述车流量信息;
根据当前时刻所述等候车道的目标车辆识别结果确定所述等候车辆数量信息。
3.根据权利要求2所述的一种基于机器视觉的交通灯控制方法,其特征在于,所述根据多个连续时刻所述行驶车道的目标车辆识别结果确定所述车流量信息这一步骤,其具体包括:
根据第一时刻所述行驶车道的目标车辆识别结果确定若干个目标车辆,并且确定所述目标车辆第一位置信息;
根据第二时刻所述行驶车道的车辆识别结果确定所述目标车辆的第二位置信息,进而根据所述第一位置信息和所述第二位置信息确定所述目标车辆是否通过预设的统计区域;
根据通过所述统计区域的目标车辆的数量确定所述车流量信息;
其中,所述第一时刻和所述第二时刻为连续时刻。
4.根据权利要求2所述的一种基于机器视觉的交通灯控制方法,其特征在于,所述基于机器视觉的交通灯控制方法还包括训练车辆识别模型的步骤,其具体包括:
获取车辆图片集,所述车辆图片集包括多个不同类型的车辆图片;
对所述车辆图片集进行去噪和抽稀处理,得到训练图片集;
将所述训练图片集输入到深度神经网络进行训练,得到训练好的车辆识别模型。
5.根据权利要求4所述的一种基于机器视觉的交通灯控制方法,其特征在于,所述将所述训练图片集输入到深度神经网络进行训练这一步骤,其具体包括:
将所述训练图片集输入到深度神经网络,得到车辆识别结果;
根据所述车辆识别结果和车辆图片的标签确定训练的损失值;
根据所述损失值对所述车辆识别模型的参数进行更新。
6.根据权利要求1所述的一种基于机器视觉的交通灯控制方法,其特征在于,所述根据所述车流量信息确定对应交通相位的总车流量,并根据所述等候车辆数量信息确定对应交通相位的总等候车辆数量这一步骤,其具体包括:
根据各所述行驶车道的车流量信息之和确定对应交通相位的总车流量;
根据各所述等候车道的等候车辆数量信息之和确定对应交通相位的总等候车辆数量。
7.根据权利要求1至6中任一项所述的一种基于机器视觉的交通灯控制方法,其特征在于,所述根据所述总车流量和所述总等候车辆数量确定下一红绿灯周期的红绿灯配时方案这一步骤,其具体包括:
根据所述总等候车辆数量确定所述等候车道在下一红绿灯周期的第一绿灯时长和所述行驶车道在下一红绿灯周期的第一红灯时长;
根据所述总车流量和所述第一红灯时长确定所述行驶车道在下一红绿灯周期的第二绿灯时长和所述等候车道在下一红绿灯周期的第二红灯时长;
根据所述第一绿灯时长、所述第一红灯时长、所述第二绿灯时长以及所述第二红灯时长确定所述红绿灯配时方案。
8.一种基于机器视觉的交通灯控制***,其特征在于,包括:
图像信息获取模块,用于获取交通路口各个车道的第一图像信息,所述车道包括车辆正在行驶的行驶车道和车辆正在等候的等候车道;
图像信息处理模块,用于根据所述第一图像信息确定所述行驶车道的车流量信息和所述等候车道的等候车辆数量信息;
总车流量和总等候车辆数量确定模块,用于根据所述车流量信息确定对应交通相位的总车流量,并根据所述等候车辆数量信息确定对应交通相位的总等候车辆数量;
交通灯控制模块,用于根据所述总车流量和所述总等候车辆数量确定下一红绿灯周期的红绿灯配时方案,进而根据所述红绿灯配时方案对各所述车道的交通灯进行控制。
9.一种基于机器视觉的交通灯控制装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至7中任一项所述的一种基于机器视觉的交通灯控制方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至7中任一项所述的一种基于机器视觉的交通灯控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110671286.6A CN113470385B (zh) | 2021-06-17 | 2021-06-17 | 基于机器视觉的交通灯控制方法、***、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110671286.6A CN113470385B (zh) | 2021-06-17 | 2021-06-17 | 基于机器视觉的交通灯控制方法、***、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470385A true CN113470385A (zh) | 2021-10-01 |
CN113470385B CN113470385B (zh) | 2022-03-15 |
Family
ID=77870256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110671286.6A Active CN113470385B (zh) | 2021-06-17 | 2021-06-17 | 基于机器视觉的交通灯控制方法、***、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470385B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299713A (zh) * | 2021-12-01 | 2022-04-08 | 重庆邮电大学 | 一种基于自适应信号灯的单点交叉口车辆调度***与方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005120A (zh) * | 2010-11-22 | 2011-04-06 | 顾海松 | 基于视频图像分析的交通路口监控技术和*** |
CN110415532A (zh) * | 2019-08-27 | 2019-11-05 | 邹瑜 | 一种智能调节亮灯时间的红绿灯装置 |
CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
WO2020225523A1 (en) * | 2019-05-08 | 2020-11-12 | Vivacity Labs Limited | Traffic control system |
-
2021
- 2021-06-17 CN CN202110671286.6A patent/CN113470385B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005120A (zh) * | 2010-11-22 | 2011-04-06 | 顾海松 | 基于视频图像分析的交通路口监控技术和*** |
WO2020225523A1 (en) * | 2019-05-08 | 2020-11-12 | Vivacity Labs Limited | Traffic control system |
CN110415532A (zh) * | 2019-08-27 | 2019-11-05 | 邹瑜 | 一种智能调节亮灯时间的红绿灯装置 |
CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299713A (zh) * | 2021-12-01 | 2022-04-08 | 重庆邮电大学 | 一种基于自适应信号灯的单点交叉口车辆调度***与方法 |
CN114299713B (zh) * | 2021-12-01 | 2023-09-29 | 重庆邮电大学 | 一种基于自适应信号灯的单点交叉口车辆调度***与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113470385B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Deep multi-sensor lane detection | |
US10699151B2 (en) | System and method for performing saliency detection using deep active contours | |
Neven et al. | Towards end-to-end lane detection: an instance segmentation approach | |
EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN110163107B (zh) | 一种基于视频帧识别路侧停车行为的方法及装置 | |
KR101589711B1 (ko) | 비디오 데이터의 처리 방법 및 시스템 | |
CN111339994B (zh) | 一种判断临时违章停车的方法及装置 | |
CN111898501B (zh) | 一种针对拥堵路段的无人机在线航拍车辆识别及统计方法 | |
CN110096975B (zh) | 一种车位状态识别方法、设备及*** | |
CN109191830A (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
CN109711285B (zh) | 识别模型的训练、测试方法和装置 | |
CN110276258A (zh) | 一种识别车辆外观的方法及*** | |
CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及*** | |
CN113470385B (zh) | 基于机器视觉的交通灯控制方法、***、装置及存储介质 | |
CN112289037B (zh) | 基于复杂环境下高视角的机动车辆违规停车检测方法及*** | |
CN111178235A (zh) | 一种目标数量确定方法、装置、设备及存储介质 | |
CN113435370B (zh) | 一种基于图像特征融合获取车辆排队长度的方法及装置 | |
CN114220040A (zh) | 一种泊车方法、终端及计算机可读存储介质 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN108230705B (zh) | 一种停车场中路径规划方法及装置 | |
CN116176625A (zh) | 基于机器视觉的车辆行驶控制方法、***、装置及介质 | |
CN113449624B (zh) | 一种基于行人重识别确定车辆行为的方法及装置 | |
CN115440063A (zh) | 交通信号灯的控制方法、装置、计算机设备和存储介质 | |
CN113408514B (zh) | 一种基于深度学习检测路侧停车场泊位的方法及装置 | |
CN111741267B (zh) | 一种车辆延误的确定方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |