CN114356939B - 应用于城市空间中的路灯智能管理方法、装置及存储介质 - Google Patents

Abstract

本发明提供了应用于城市空间中的路灯智能管理方法、装置及存储介质，涉及智慧城市技术领域，以解决现有技术中存在的城市路灯整晚发光的工作模式导致能源消耗增加的的技术问题，该方法包括数据获取并匹配步骤，视频图像处理，构建引索结构步骤，控制路灯步骤，本发明用于降低路灯能源消耗、提高对智慧城市空间分布的路灯及路段的高效、智能管理。

Description

应用于城市空间中的路灯智能管理方法、装置及存储介质

技术领域

本发明涉及智慧城市技术领域，尤其是涉及应用于城市空间中的路灯智能管理方法、装置及存储介质。

背景技术

随着城市空间的不断扩展，城市道路迅速增多，这直接加剧了城市道路中路灯的配备数量，从而使道路照明所带来的能源消耗也在极具增加，同时由于城市空间中道路上的车流量、人流量较多，为了保障居民夜间出行的道路安全，降低交通事故的发生概率，通常会设置城市路灯在整个夜晚为打开状态，但我国小型城市在夜晚9点后，大中城市在午夜12点后，道路上几乎空无一人，即便是北京、上海、广州这样的繁华都市，凌晨2点以后，道路上也已罕见行人、车辆，从这一时段直至清晨6点路灯熄灭，在低交通流量的道路上路灯仍然保持开启状态或者较高照度显然没有必要，城市公共照明在我国照明耗电中占30％的比例，约439亿kWh，相当于4座三峡水电站的发电量，以平均电价0.65元/kWh计算，一年开支285亿元，成为各地财政部门的一大负担，而整晚为打开状态的路灯工作模式是能源消耗的主因之一，现有的路灯控制***缺乏合理的调控***，导致这种资源浪费持续在发生。

本申请人发现现有技术至少存在以下技术问题：

通常城市路灯会设置成整晚为发光状态的工作模式，而该路灯工作模式将直接导致能源的消耗增加，提升了城市运营成本。

发明内容

本发明的目的在于提供一种应用于城市空间中的路灯智能管理方法，以解决现有技术中存在的城市路灯整晚发光的工作模式导致能源消耗增加的技术问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。

为实现上述目的，本发明提供了以下技术方案：

本发明提供的一种应用于城市空间中的路灯智能管理方法，包括

数据获取并匹配步骤：获取城市空间中包含道路起始点坐标信息的道路段数据集合构成路段数据及包含路灯开闭状态信息及路灯位置信息的路灯数据，将位于同一条路上的路灯数据及该条路的路段数据相匹配；

其中：路段数据实际是由城市空间中的一个个道路段构成的集合，集合中每个元素为一个道路段，用线段建模，即一个路段由起点坐标和终点坐标唯一确定，每个路段都有其包含的一个路灯集合；

路灯数据实际是由城市空间中位于各个路段上的路灯构成的集合，每个路灯都有其所属的唯一路段。

构建引索结构步骤：对匹配处理后的所述路灯数据和所述路段数据储存入一个树形索引结构；

视频图像处理：获取城市空间路段交通的摄像头视频数据，将所述视频数据进行图像转换处理，并将位于同一条路上的摄像头视频数据及该条路的路段数据相匹配后存储入数据库中；

控制路灯步骤：收集当前城市空间中所有车辆的位置信息，定位车辆所在路段并提取所述数据库中车辆所在路段的图像数据，根据所述图像数据进行车辆转向灯信号识别并预测车辆将要经过的预测路段，通过所述树形索引结构查找车辆所在路段的路灯数据和路段数据并控制车辆所在路段和所述预测路段中路灯的开闭状态。

优选地，数据获取并匹配步骤中包括：

获取城市空间的路网数据，根据所获得的城市空间的路网数据以道路段的形式分割形成路段，以路段的起点坐标和终点坐标信息构成路段数据，以路段数据为基本元素构成对应路段数据集合L；

将路灯的位置信息及路灯的开关状态作为路灯数据，将各个路灯用其所在平面空间中的位置位移描述得到路灯数据，并将所有路灯数据构成一个路灯数据集合P；

针对所有路段数据遍历路灯数据，将位于同一条路上的路灯数据及该条路的路段数据相匹配，针对每一个路段元素遍历路灯数据集合P中的所有路灯元素，得到每一个路段元素经过所有路灯元素的集合li.P；

根据路段的起点坐标和终点坐标信息查找与每个路段数据具有邻接关系的其他路段并将这些路段的路段信息记录，针对路段元素li遍历路段集合L-{li}查找与li具有邻接关系的其他路段并构成集合li.neighbor。

优选地，视频图像处理步中包括：

以摄像头所在的空间位置标记道路中的摄像头并将构成摄像头集合C；

针对每一个摄像头数据遍历路段数据，得到经过每一个路段数据上包含所有摄像头数据的信息；其中针对每一个摄像头元素遍历路段数据集合L，找到摄像头元素所在的路段元素；根据所在的路段元素是否存在摄像头元素得到集合li.cameras；

将每一个摄像头元素所拍摄到的视频段分割为视频帧，并获取每一帧对应的图片数据构成图片数据集合cj.F；

构建一个图片数据库表，并将cj.F存入与所对应摄像头元素的图片数据库表。

优选地，构建引索结构步骤中包括：

构建一个n层的初始叶子节点集合并依次从路段数据集合中获取路段元素；

构建叶子节点，为所述叶子节点设置节点属性，将依次获取得到的所述路段元素分别***至一个所述叶子节点中，并将每一个所述叶子节点都放入所述初始叶子节点集合，其中，所述节点属性包括空间范围属性、孩子属性和自身属性，所述孩子属性为***到所述叶子节点中的所有路段元素组成的集合，空间范围属性中，空间范围是一个恰好能包围孩子属性集合中所有路段的最小三角形，所述空间范围属性用所述最小三角形的顶点坐标表示，所述自身属性全部设置为叶子节点类型；

依次获取所述初始叶子节点集合中的每个叶子节点，提取一个所述路段元素分别***到所有所述叶子节点中得到新叶子节点，得到所述新叶子节点的空间范围面积减去未***所述路段元素的所述叶子节点的空间范围面积的所得值，将所得值除以所述新叶子节点的空间范围面积得到一个比值，将比值不大于阈值ξ=0.5且所述新叶子节点中路段元素个数不大于M-1的节点作为最佳叶子节点，上述文中提到的M具体由用户设定其数值；

将所述路段元素***所述最佳叶子节点；

构建一个第n←n+1层的初始非叶子节点集合，依次从第n-1层的所述初始非叶子节点集合中获取一个节点；

构建非叶子节点，为所述非叶子节点设置其节点属性，将依次获取得到的所述节点分别***至一个所述非叶子节点中，并将每一个所述非叶子节点都放入所述初始非叶子节点集合，其中，所述节点属性包括空间范围属性、孩子属性和自身属性，所述孩子属性为***到所述非叶子节点中的所有节点组成的集合，所述空间范围属性中，空间范围是一个恰好能包围孩子集合中所有节点的最小三角形，所述空间范围属性用所述最小三角形的顶点坐标表示，所述自身属性全部设置为非叶子节点类型；

依次获取所述初始非叶子节点集合中的每个非叶子节点，提取一个所述节点分别***到所有所述非叶子节点中得到新非叶子节点，得到所述新叶子节点的空间覆盖范围面积减去未***所述节点前的所述非叶子节点的空间覆盖面积的所得值，将所得值除以所述新叶子节点的空间范围面积进一步得到一个比值，将比值不大于阈值ξ=0.5且所述新叶子节点中路段元素个数不大于M-1的节点作为最佳非叶子节点；

将所述节点***所述最佳非叶子节点；

构建一个根节点，为所述根节点设置其节点属性，其中，其节点属性包括空间范围属性、孩子属性和自身属性，所述孩子属性为所述非叶子节点组成的集合，所述空间范围是一个恰好能包围孩子集合中所有节点的最小三角形，所述空间范围属性用所述最小三角形的顶点坐标表示，所述自身属性全部设置为非叶子节点类型。

优选地，所述控制路灯步骤中包括：

利用一个由横纵坐标表示的二维点来建模城市空间车辆位置，某一时刻收集的城市空间位置构成的集合中包含城市任意车辆的位置信息；

对空间任意车辆，构建一个初始的仅含所述根节点元素的初始集合；

从所述集合中获取一个节点元素，若该节点元素为非叶子节点类型，获取所述节点的孩子集合中每个孩子元素并获取所述节点的空间范围属性，判断车辆位置信息是否被所述节点的三角形覆盖，若被覆盖则将所述节点的孩子集合中每个孩子元素***到所述初始集合中；

若所述节点元素为叶子节点类型，则依次获取所述节点元素中的每个孩子元素并获取所述孩子元素的路段信息，判断车辆是否与所述路段信息匹配，若车辆与所述路段信息匹配，则获取与路段信息关联的路灯信息并控制路灯的开关状态；

每隔固定时间段，如每隔1秒钟获取当前车辆所在路段的摄像头数据，并访问所述摄像头数据所对应的图片数据库表，从图片数据库表中获取满足固定时间段限制的所有照片数据，最终构成图片集合；

对图片集合中的图像数据进行车辆转向灯信号识别并预测车辆将要经过的目标路段；

判断车辆是否行驶完当前路段，若车辆行驶完当前路段则控制预测车辆将要经过的目标路段的路灯状态。

优选地，基于OpenStreetMap技术获取城市空间的路段数据。

优选地，基于爬虫技术获取城市空间中路灯数据。

优选地，基于神经网络图像识别技术对图片集合中的图像数据进行进行处理。

本发明还包含一种电子设备，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的所述程序指令以实现应用于城市空间中的路灯智能管理方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现应用于城市空间中的路灯智能管理方法。

本发明提供的应用于城市空间中的路灯智能管理方法、装置及存储介质，提取路段、路灯数据，对路段、路灯数据匹配并组建针对市政路段、路灯数据的树形索引结构，并基于此索引结构和图片识别技术进行车辆、路段及路灯三者关系的定位及预测，再通过控制路段上的路灯状态达到了对城市空间中路灯的智能管理效果，进一步降低了城市运营在道路照明方面的资源消耗，也提高了对智慧城市空间分布的路灯及路段的高效、智能管理。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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。

图1是本发明一种应用于城市空间中的路灯智能管理技术的分阶段流程示意图；

图2是本发明针对空间路段及路灯数据构建的索引结构的平面示意图；

图3是本发明一种应用于城市空间中的路灯智能管理技术的工作流程图；

图4是本发明路灯数据和路段数据的匹配处理流程图；

图5是本发明拍摄的视频数据与路段数据进行匹配处理的流程图；

图6是本发明摄像头构建的图片数据库表样式展示；

图7是本发明对匹配处理后的路灯数据和路段数据构建树形索引结构的流程图；

图8是本发明基于树形索引及空间车辆位置的路灯状态智能控制流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

下面参照附图详细地说明本发明的具体实施方式。在各附图中，相同的附图标记表示相同或相应的技术特征。各附图仅作为示意图，并非一定按实际比例绘制的。

本发明实施例一种应用于城市空间中的路灯智能管理技术的工作流程图，参见图3所示，包括以下步骤：

S1、基于OpenStreetMap获取某个城市空间的路网数据，并将这些数据以道路段为基本元素构成对应路段数据集合L={l1,l2,...,lm}，L中任意路段li被建模为一条由起点坐标li.s和终点坐标li.e描述的线段，且li不与L-{li}中其他任何线段存在除两端点li.s和li.e以外的任何交点，1≤i≤m，m为集合L中路段数目；

S2、基于爬虫技术爬取城市空间中所有路灯的信息数据，并进一步将路灯数据和L中的路段数据进行匹配处理;

S3、爬取城市空间中所有交通摄像头信息数据，将其拍摄到的视频数据进行图像转换处理并与路段数据进行匹配处理并储数据库中；

S4、对匹配处理后的路灯数据和道路段数据构建组织结构，同时将这两类数据存储为一个树形索引结构；

S5、收集当前城市空间中所有车辆的位置信息并基于上述索引结构和神经网络图像识别技术快速定位并预测车辆所在路段和将要经过的下一路段，获取所在路段和预测路段包含的路灯并控制它们的开闭状态；

图1为本发明实施例一种应用于城市空间中的路灯智能管理技术的分阶段流程示意图，如图1所示，一种应用于城市空间中的路灯智能管理技术的设计过程包括以下阶段：

阶段101：空间路段数据获取阶段；

所述空间路段数据获取阶段，即基于OpenStreetMap获取某个城市空间的路网数据，并将这些数据以道路段为基本元素构成对应路段数据集合L。

阶段102：空间路灯与路段数据的匹配处理阶；

所述空间路灯与路段数据的匹配处理阶，爬取城市空间中所有路灯的信息数据，并进一步将路灯数据和L中的路段数据进行匹配处理，参见图4，具体包括：

S2a、将各个路灯用其所在平面空间中的位置位移描述，并将其在平面空间中的位置建模为一个二维数据点，由此构成一个路灯数据集合P={p1,p2,...,pn}，任意路灯pj的位置为(pj.x,pj.y)，n为此城市空间中的路灯数量；

S2b、依次获取路段数据集合L={l1,l2,...,lm}中的第i个路段元素li并执行下述步骤；

S2c、针对路段元素li遍历路灯数据集合P={p1,p2,...,pn}中的所有路灯元素，找出li经过的所有路灯元素构成集合{px,...,py}，进一步将{px,...,py}设定为li的一个“包含路灯”属性，即li.P={px,...,py}；

S2d、针对路段元素li遍历路段集合L-{li}查找与li具有邻接关系的其他路段并构成集合{lu,...,lv}，进一步将{lu,...,lv}设定为li的“邻居”属性，即li.neighbors={lu,...,lv}；

S2e、判断i是否为m，若是则结束，否则i+1并跳转到步骤S2b；

阶段103：交通摄像头数据获取及图像数据库构建阶段；

所述交通摄像头数据获取及图像数据库构建阶段，爬取城市空间中所有交通摄像头信息数据，将其拍摄的视频数据进行图像转换处理并与路段数据匹配并储数据库中，参阅图5所示，具体包括：

S3a、以摄像头所在的空间位置标记道路中的摄像头构成数据集合C={c1,c2,...,cw}，其中各元素cj=(cj.x,cj.y)为摄像头cj的空间位置，w(1≤j≤w)为城市道路中摄像头的数量；

S3b、依次获取摄像头集合C={c1,c2,...,cw}中的第j个摄像头元素cj并执行下述步骤；

S3c、遍历路段数据集合L={l1,l2,...,lm}各路段元素找到cj所在的路段li；

S3d、判断li是否存在“包含摄像头”属性，即判断是否存在集合li.cameras，若不存在则为li构建一个集合li.cameras={cj}，否则设置li.cameras=li.cameras∪{cj}；

S3e、将cj所拍摄到的视频段分割为一个一个的视频帧，并获取每一帧对应的图片数据构成图片数据集合cj.F={f1,...,fk}，其中任意图片元素ft都对应一个拍摄时刻属性，即ft.time；

S3f、为cj构建一个图片数据库表，并将cj.F={f1,...,fk}存入与cj所对应的图片数据库表，cj的图片数据库表参见图6；

S3g、判断j是否为w，若是则结束，否则跳转到步骤S3b。

阶段104：针对路灯及路段数据的索引构建阶段；

所述针对路灯及路段数据的索引构建阶段，对匹配处理后的路灯数据和道路段数据构建组织结构，同时将这两类数据存储为一个树形索引结构，参阅图7所示，具体包括：

S4a、构建一个第n层的初始叶子节点集合LeafSet={}，n初始为0;

S4b、依次从路段数据集合L={l1,l2,...,lm}中获取一个路段元素li；

S4c、判断第n层叶子节点集合LeafSet是否为空，为空则继续执行下述步骤，否则跳转到步骤S4e；

S4d、构建一个新叶子节点leaf，将leaf的孩子集合更新为leaf.children∪{li}；将leaf的覆盖范围leaf.space=[x1,y1,x2,y2,x3,y3]，节点的覆盖范围是一个恰好能包围孩子集合中所有路段的最小三角形，(x1,y1)、(x2,y2)、(x3,y3)是三角形的三个顶点；将leaf的类型leaf.type设置为叶子节点类型；并更新LeafSet=LeafSet∪{leaf}，跳转到步骤S4h；

S4e、依次获取LeafSet中的每个叶子节点leafj，找到将li***leafj后新叶子节点的空间覆盖范围面积减去leafj的空间覆盖面积的值除以新叶子节点空间覆盖面积的比值不大于阈值ξ=0.5且leafj.children中孩子数不大于M-1的最佳叶子节点leafbest；

S4f、判断这样的最佳叶子节点leafbest是否存在，存在则继续执行下述步骤，否则跳转到步骤S4d为li构建一个新的叶子节点；

S4g、将li***叶子节点leafbest，即更新leafbest.children∪{li}，进一步更新覆盖范围leafbest.space=[x1’,y1’,x2’,y2’,x3’,y3’]，跳转到步骤S4h；

S4h、判断i是否为m，若是则将L中所有路段元素分组构建叶子节点完毕并继续执行下述步骤，否则i+1跳转到步骤S4b；

S4i、构建一个第n←n+1层的初始非叶子节点集合NoLeafSet={}；

S4j、依次从第n-1层的节点集合中获取第n-1层中的一个节点node；

S4k、判断第n层非叶子节点集合NoLeafSet是否为空，为空则继续执行下述步骤，否则跳转到步骤S4m；

S4l、构建一个新非叶子节点noleaf，将noleaf的孩子集合更新为noleaf.children∪{node}；将noleaf的覆盖范围noleaf.space=[x1,y1,x2,y2,x3,y3]，节点的覆盖范围也是一个恰好能包围noleaf的孩子集合中所有n-1层节点的最小三角形；将noleaf的类型noleaf.type设置为非叶子节点类型；并更新NoLeafSet=NoLeafSet∪{noleaf}，跳转到步骤S4p；

S4m、依次获取NoLeafSet中的每个非叶子节点noleafj，找到将node***noleafj后新非叶子节点的空间覆盖范围面积减去noleafj的空间覆盖面积得到的值并除以新非叶子节点的空间覆盖范围面积得到的比值不大于阈值ξ=0.5且noleafj.children中孩子数不大于M-1的最佳非叶子节点noleafbest；

S4n、判断这样的最佳叶子节点noleafbest是否存在，存在则继续执行下述步骤，否则跳转到步骤S4l为node构建一个新的非叶子节点；

S4o、将node***此最佳非叶子节点noleafbest中，即更新noleafbest.children∪{node}，进一步更新覆盖范围noleafbest.space=[x1’,y1’,x2’,y2’,x3’,y3’]，跳转到步骤S4p；

S4p、判断node是否为n-1层节点集合中最后一个节点，若是则将n-1层节点集合中所有节点元素分组构建第n层非叶子节点完毕并继续执行下述步骤，否则跳转到步骤S4j；

S4q、判断NoLeafSet集合中的非叶子节点数是否不超过M，若是则继续执行下述步骤，否则跳转到步骤S4i；

S4r、构建一个根节点root，root的孩子集合更新为root.children=NoLeafSet；计算root的三角形覆盖范围root.space=[x1,y1,x2,y2,x3,y3]，其恰好包围NoLeafSet中的所有节点；将root的类型root.type设置为非叶子节点类型，并结束上述过程。

首先采用逐个路段***的方式构建第n=0层的叶子节点，进一步构建n=n+1层的叶子节点，非叶子节点的构建采用逐个n-1层节点***的方式构建非叶子节点。叶子节点和非叶子节点的构建都是涉及最佳叶子节点和最佳非叶子节点的确定，即文中提到的确定策略。

阶段105：路灯状态智能控制阶段；

所述路灯状态智能控制阶段，收集当前城市空间中所有车辆的位置信息并基于上述索引结构和神经网络图像识别技术快速定位并预测车辆所在路段和将要经过的下一路段，获取所在路段和预测路段包含的路灯并控制它们的开闭状态，参阅图8所示，具体包括：

S5a、利用一个由横纵坐标表示的二维点来建模城市空间车辆位置，某一时刻收集的城市空间位置集合G={g1,g2,...,gs}，其中s为车辆数目，gi=(gi.x,gi.y)为G中任意车辆gi的空间位置；

S5b、对空间任意车辆gi，构建一个初始的仅含根节点元素的集合NodeSet={root}；

S5c、判断NodeSet是否为空，为空则跳转到步骤S5j，否则从NodeSet中移除一个节点元素node并继续执行下述步骤；

S5d、通过node.type判断node为一个非叶子节点，获取node的孩子集合node.children；

S5e、依次获取node.children中的每个孩子元素chi并获取它的三角形空间覆盖范围chi.space=[x1,y1,x2,y2,x3,y3]；

S5f、判断车辆gi是否被此三角形覆盖，若是则将更新集合为NodeSet=NodeSet∪{chi}，否则跳转到步骤S5e获取下一个孩子元素；

S5g、通过node.type判断node为一个叶子节点，获取node的孩子集合node.children；

S5h、依次获取node.children中的每个孩子元素lj，lj为一个被三角形覆盖范围node.space完全覆盖的路段，获取路段lj的起点坐标lj.s和终点坐标lj.e；

S5i、判断车辆gi是否位于路段lj上，若是则继续执行下述步骤，否则跳转到步骤S5h获取下一个孩子元素；

S5j、找到gi所在的路段lj，进一步获取路段lj上的路灯lj.P={px,...,py}并控制它们为开状态；

S5k、每隔∆t时间获取路段lj的“包含摄像头”属性，即获取集合lj.cameras={ci,..,ck}；

S5l、并行获取lj.cameras中的所有摄像头并进一步针对这些摄像头{ci,..,ck}并行访问它们各自所对应的图片数据库表，并行从这些数据库表中获取满足∆t时间限制的所有照片数据，最终构成集合S；

S5m、基于神经网络图像识别技术对这些图像数据S进行车辆转向灯信号识别并预测车辆将要经过的目标路段；

S5n、获取lj的邻居lj.neighbors={lu,...,lv}并从中找到与目标路段相匹配的路段lx；

S5o、刷新车辆位置判断车辆gi是否到达lj的终点位置lj.e，若是则继续执行下述步骤，否则重复本步骤；

S5p、获取路段lj包含的路灯lj.P并控制它们为关状态，获取lx.P并控制它们为开状态，进一步清空lj.cameras中摄像头对应的图片数据库表中的图片数据。

参见图2，本发明实施例中对空间路段及路灯数据构建的索引结构的平面示意图中，将整个城市所建模为一个二维平面矩形。

进一步地，图中l1~l14为城市空间中的一组路段模型数据，任意路段如图中l1其具有位置、包含的路灯、包含的摄像头及邻居等限定属性。将这些限定的路段数据l1~l14构建5个叶子节点leaf1～leaf5，这里每个节点覆盖的路段数不超过M=3。

进一步将5个叶子节点构建如图所示的2个非叶子节点noleaf1和noleaf2。另外，叶子和非叶子节点的限定属性包括children、space、type，且它们的空间覆盖范围都是三角形。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种应用于城市空间中的路灯智能管理方法，其特征在于：包括

数据获取并匹配步骤：获取城市空间中的路段数据及路灯数据，将位于同一条路上的路灯数据与该条路的路段数据相匹配；

构建引索结构步骤：对匹配处理后的所述路灯数据和所述路段数据储存入一个树形索引结构；

视频图像处理：获取城市空间路段交通的摄像头视频数据，将所述视频数据进行图像转换处理，并将位于同一条路上的摄像头视频数据及该条路的路段数据相匹配后存储入数据库中；

控制路灯步骤：收集当前城市空间中所有车辆的位置信息，定位车辆所在路段并提取所述数据库中车辆所在路段的图像数据，根据所述图像数据进行车辆转向灯信号识别并预测车辆将要经过的预测路段，通过所述树形索引结构查找车辆所在路段和将要经过的预测路段的路段数据，并得到与所述路段数据匹配的路灯数据，根据路灯数据控制车辆所在路段和所述预测路段中路灯的开闭状态。

2.根据权利要求1所述的应用于城市空间中的路灯智能管理方法，其特征在于，数据获取并匹配步骤中包括：

获取城市空间的路网数据，根据所获得的城市空间的路网数据以道路段的形式分割形成路段，以路段的起点坐标和终点坐标信息构成道路段数据，道路段数据的集合构成所述路段数据；

将路灯的位置信息及路灯的开关状态作为所述路灯数据；

针对所有路段数据遍历所述路灯数据，将位于同一条路上的路灯数据与该条路的路段数据相匹配；

根据路段的起点坐标和终点坐标信息查找与每个路段数据具有邻接关系的其他路段并将这些路段的路段信息记录。

3.根据权利要求1所述的应用于城市空间中的路灯智能管理方法，其特征在于：视频图像处理步中包括：

用摄像头所在的空间位置信息表示摄像头数据；

针对每一个摄像头数据遍历所述路段数据，将位于同一条路上的摄像头数据及该条路的路段数据相匹配；

将每一个摄像头所拍摄到的视频段分割为视频帧，并获取每一帧对应的图片数据；

构建一个图片数据库表，并将所述图片数据存入摄录所述图片数据的摄像头的图片数据库表。

4.根据权利要求2所述的应用于城市空间中的路灯智能管理方法，其特征在于：构建引索结构步骤中包括：

构建一个多层的初始叶子节点集合并依次获取所述道路段数据；

构建叶子节点，为所述叶子节点设置节点属性，将依次获取得到的所述道路段数据分别***至一个所述叶子节点中，并将每一个所述叶子节点都放入所述初始叶子节点集合，其中，所述节点属性包括空间范围属性、孩子属性和自身属性，所述孩子属性为***到所述叶子节点中的所有道路段数据组成的集合，空间范围属性中，空间范围是一个恰好能包围孩子属性集合中所有路段的最小三角形，所述空间范围属性用所述最小三角形的顶点坐标表示，所述自身属性全部设置为叶子节点类型；

依次获取所述初始叶子节点集合中的每个叶子节点，提取一个所述道路段数据分别***到所有所述叶子节点中得到新叶子节点，得到所述新叶子节点的空间范围面积减去未***所述道路段数据的叶子节点的空间范围面积的所得值，将所得值不大于阈值且所述新叶子节点中路段元素个数不大于M-1的节点作为最佳叶子节点；

将所述路段元素***所述最佳叶子节点；

构建一个第n←n+1层的初始非叶子节点集合，依次从第n-1层的所述初始非叶子节点集合中获取一个节点；

构建非叶子节点，为所述非叶子节点设置非叶子节点属性，将依次获取得到的所述节点分别***至一个所述非叶子节点中，并将每一个所述非叶子节点都放入所述初始非叶子节点集合，其中，所述非叶子节点属性包括空间范围属性、孩子属性和自身属性，所述孩子属性为***到所述非叶子节点中的所有节点组成的集合，所述空间范围属性中，空间范围是一个恰好能包围孩子集合中所有节点的最小三角形，所述空间范围属性用所述最小三角形的顶点坐标表示，所述自身属性全部设置为非叶子节点类型；

依次获取所述初始非叶子节点集合中的每个非叶子节点，提取一个所述节点分别***到所有所述非叶子节点中得到新非叶子节点，得到所述新叶子节点的空间覆盖范围面积减去未***所述节点前的非叶子节点的空间覆盖面积的所得值，将所得值不大于阈值且所述新叶子节点中道路段个数不大于M-1的节点作为最佳非叶子节点；

将所述节点***所述最佳非叶子节点；

构建一个根节点，为所述根节点设置根节点属性，其中，所述根节点属性包括空间范围属性、孩子属性和自身属性，所述孩子属性为所述非叶子节点组成的集合，所述空间范围是一个恰好能包围孩子集合中所有节点的最小三角形，所述空间范围属性用所述最小三角形的顶点坐标表示，所述自身属性全部设置为非叶子节点类型。

5.根据权利要求4所述的应用于城市空间中的路灯智能管理方法，其特征在于：所述控制路灯步骤中包括：

利用一个由横纵坐标表示的二维点来建模城市空间车辆位置，某一时刻收集的城市空间位置构成的集合中包含城市任意车辆的位置信息；

对空间任意车辆，构建一个初始的仅含所述根节点元素的初始集合；

从所述初始集合中获取一个节点，若该节点元素为非叶子节点类型，获取节点的孩子集合中每个孩子元素并获取节点的空间范围属性，判断车辆位置信息是否被节点的三角形覆盖，若被覆盖则将节点的孩子集合中每个孩子元素***到所述初始集合中；

若所述节点元素为叶子节点类型，则依次获取节点中的每个孩子元素并获取所述孩子元素的路段信息，判断车辆位置是否位于当前路段，若车辆位于当前路段，则获取与路段信息关联的路灯信息并控制路灯的开关状态；

每隔固定时间段获取当前车辆所在路段的摄像头数据，并访问所述摄像头数据所对应的图片数据库表，从图片数据库表中获取满足固定时间段限制的所有图片数据，最终构成图片集合；

对图片集合中的图像数据进行车辆转向灯信号识别并预测车辆将要经过的目标路段；

判断车辆是否行驶完当前路段，若车辆行驶完当前路段则控制预测车辆将要经过的目标路段的路灯状态。

6.根据权利要求1所述的应用于城市空间中的路灯智能管理方法，其特征在于：基于OpenStreetMap技术获取城市空间的路段数据。

7.根据权利要求1所述的应用于城市空间中的路灯智能管理方法，其特征在于：基于爬虫技术获取城市空间中路灯数据。

8.根据权利要求4所述的应用于城市空间中的路灯智能管理方法，其特征在于：基于神经网络图像识别技术对图片集合中的图像数据进行进行处理。

9.一种电子设备，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的所述程序指令以实现如权利要求1至8中任一项所述的应用于城市空间中的路灯智能管理方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现如权利要求1至8中任一项所述的应用于城市空间中的路灯智能管理方法。

Images