CN117274926A - 交通信号设备的控制方法及*** - Google Patents
交通信号设备的控制方法及*** Download PDFInfo
- Publication number
- CN117274926A CN117274926A CN202311159854.XA CN202311159854A CN117274926A CN 117274926 A CN117274926 A CN 117274926A CN 202311159854 A CN202311159854 A CN 202311159854A CN 117274926 A CN117274926 A CN 117274926A
- Authority
- CN
- China
- Prior art keywords
- interest
- classification
- feature
- map
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 81
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims description 73
- 238000012546 transfer Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 14
- 230000002123 temporal effect Effects 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000002035 prolonged effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及智能控制领域,其具体提出了一种交通信号设备的控制方法及***,其使用基于深度神经网络的人工智能技术来对于交通道路监控视频进行车辆目标感兴趣区域框定,以此来提取出所述车辆区域的隐含特征分布信息,以得到用于表示是否延长绿灯时间的分类标签。这样,通过实时感知交通流量情况,并根据检测结果进行信号灯的切换,提高了交通道路的利用率和效率。
Description
技术领域
本申请涉及智能控制领域,且更为具体的涉及一种交通信号设备的控制方法及***。
背景技术
交通信号设备是用于控制道路交通流量的设备,通常由红绿灯、黄灯和信号控制器组成。交通信号设备的作用是根据交通流量和道路条件,合理地分配交通流量,以确保交通的安全和高效。传统的交通信号设备使用定时控制方式,按照预设的时间间隔来切换红绿灯。这种方式存在一些问题,比如无法根据实际交通情况进行灵活调整,容易导致拥堵或浪费道路资源。
因此,期待一种优化的交通信号设备的控制方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种交通信号设备的控制方法及***,其使用基于深度神经网络的人工智能技术来对于交通道路监控视频进行车辆目标感兴趣区域框定,以此来提取出所述车辆区域的隐含特征分布信息,以得到用于表示是否延长绿灯时间的分类标签。这样,通过实时感知交通流量情况,并根据检测结果进行信号灯的切换,提高了交通道路的利用率和效率。
根据本申请的一个方面,提供了一种交通信号设备的控制方法,其包括:
获取交通道路监控视频;
从所述交通道路监控视频中提取多个交通道路监控关键帧;
将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像;
将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图;
对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;
将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间。
在上述的交通信号设备的控制方法中,所述车辆目标检测网络为基于锚窗的目标检测网络,所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。
在上述的交通信号设备的控制方法中,将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像,进一步用于:
使用所述基于锚窗的目标检测网络以如下感兴趣公式对所述交通道路监控关键帧进行处理以得到所述对应于车辆的感兴趣区域部分;
其中,所述感兴趣公式为:
ROI=H(ψdet,B)=(cls(ψdet,B),Regr(ψdet,B))
其中,ψdet为所述交通道路监控关键帧,B为锚框,ROI为对应于车辆的感兴趣区域部分,cls(ψdet,B)表示分类,Regr(ψdet,B)表示回归。
在上述的交通信号设备的控制方法中,将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图,包括:
提取所述多个车辆感兴趣区域图像相邻两个预定时间点的第一车辆感兴趣区域图和第二车辆感兴趣区域图;
计算所述第一车辆感兴趣区域图和所述第二车辆感兴趣区域图的按位置点乘以得到时间累积车辆感兴趣特征图;
以Softmax激活函数对所述时间累积车辆感兴趣特征图进行激活以得到时间注意力特征图;
将所述时间注意力特征图与所述第二车辆感兴趣区域图进行按位置点乘以得到对应于所述第二车辆感兴趣区域图的分类特征图。
在上述的交通信号设备的控制方法中,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图,包括:
对所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量;
将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量;
计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值;
将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量;
以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到优化分类特征图。
在上述的交通信号设备的控制方法中,将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间,包括:
将所述优化分类特征图按照行向量或者列向量展开为分类特征向量;
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,还提供了一种交通信号设备的控制***,其包括:
信息获取模块,用于获取交通道路监控视频;
关键帧提取模块,用于从所述交通道路监控视频中提取多个交通道路监控关键帧;
目标检测模块,用于将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像;
时间注意力模块,用于将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图;
优化模块,用于对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;
结果生成模块,用于将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间。
与现有技术相比,本申请提供的交通信号设备的控制方法及***,其使用基于深度神经网络的人工智能技术来对于交通道路监控视频进行车辆目标感兴趣区域框定,以此来提取出所述车辆区域的隐含特征分布信息,以得到用于表示是否延长绿灯时间的分类标签。这样,通过实时感知交通流量情况,并根据检测结果进行信号灯的切换,提高了交通道路的利用率和效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的交通信号设备的控制方法的流程图。
图2图示了根据本申请实施例的交通信号设备的控制方法的架构图。
图3图示了根据本申请实施例的交通信号设备的控制方法中将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图的流程图。
图4图示了根据本申请实施例的交通信号设备的控制***的框图。
图5图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言,传统的交通信号设备使用定时控制方式,按照预设的时间间隔来切换红绿灯。这种方式存在一些问题,比如无法根据实际交通情况进行灵活调整,容易导致拥堵或浪费道路资源。因此,期待一种优化的交通信号设备的控制方案。
针对上述技术问题,提出了一种交通信号设备的控制方案,其使用基于深度神经网络的人工智能技术来对于交通道路监控视频进行车辆目标感兴趣区域框定,以此来提取出所述车辆区域的隐含特征分布信息,以得到用于表示是否延长绿灯时间的分类标签。这样,通过实时感知交通流量情况,并根据检测结果进行信号灯的切换,提高了交通道路的利用率和效率。
目前,深度学***。
近年来,深度学习以及神经网络的发展为交通信号设备的控制***提供了新的解决思路和方案。
具体地,首先,获取交通道路监控视频。交通道路监控视频可以提供实时的交通状况信息。通过监控视频,可以观察交通流量、车辆行驶速度、道路拥堵情况等关键指标。
然后,从所述交通道路监控视频中提取多个交通道路监控关键帧。交通道路监控视频通常是连续的视频流,包含大量的帧图像。但并非每一帧都包含有用的信息,很多帧可能是重复的或者变化不大的。提取关键帧可以减少数据量,只选择那些具有显著变化或者重要信息的帧进行后续处理。具体地,以预定的采样频率从所述交通道路监控视频中提取多个交通道路监控关键帧。
接着,将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像。通过车辆目标检测网络,可以识别关键帧中的车辆位置和边界框。这样,可以准确定位和跟踪交通场景中的车辆,为后续的车辆分析和处理提供基础。通过车辆感兴趣区域图像,可以进行交通事件的检测和识别。例如,通过分析车辆行为和位置变化,可以检测出交通事故、交通违法行为等。
应可以理解,考虑到在对于交通道路进行检测时,应聚焦于所述监控图像中关于车辆的特征,因此,若能够在对于所述交通道路的监控图像进行特征挖掘时滤除掉其余无用的干扰特征信息,显然能够提高是否延长绿灯时间的准确性。基于此,在本申请的技术方案中,进一步将所述交通道路监控图像通过车辆目标检测网络以得到车辆目标感兴趣区域,这里,所述车辆目标检测网络为基于锚窗的目标检测网络。具体地,使用所述车辆目标检测网络的目标锚定层以锚框B来进行滑动对所述交通道路监控图像进行处理,以对于所述监控图像中的车辆目标感兴趣区域进行框定,从而得到所述车辆目标感兴趣区域。相应地,在本申请的一个具体示例中,所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。
具体地,将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像,用于:使用所述基于锚窗的目标检测网络以如下感兴趣公式对所述交通道路监控关键帧进行处理以得到所述对应于车辆的感兴趣区域部分;其中,所述感兴趣公式为:
ROI=H(ψdet,B)=(cls(ψdet,B),Regr(ψdet,B))
其中,ψdet为所述交通道路监控关键帧,B为锚框,ROI为对应于车辆的感兴趣区域部分,cls(ψdet,B)表示分类,Regr(ψdet,B)表示回归。
进一步地,将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图。通过卷积神经网络模型,可以从车辆感兴趣区域图像中提取关键的视觉特征。这些特征可以捕捉到车辆的形状、纹理、颜色等信息。时间注意力机制可以在多个关键帧之间建立时间上的关联和依赖关系。通过引入时间注意力机制,模型可以更好地理解车辆在时间上的变化和演变过程,从而提高分类和识别的准确性。
具体地,将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图,包括:提取所述多个车辆感兴趣区域图像相邻两个预定时间点的第一车辆感兴趣区域图和第二车辆感兴趣区域图;计算所述第一车辆感兴趣区域图和所述第二车辆感兴趣区域图的按位置点乘以得到时间累积车辆感兴趣特征图;以Softmax激活函数对所述时间累积车辆感兴趣特征图进行激活以得到时间注意力特征图;以及,将所述时间注意力特征图与所述第二车辆感兴趣区域图进行按位置点乘以得到对应于所述第二车辆感兴趣区域图的分类特征图。
进而,将所述分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间。这样,通过实时感知交通流量情况,并根据检测结果进行信号灯的切换,提高了交通道路的利用率和效率。
特别地,考虑到获取交通道路监控视频是可能会面临噪声、异常值或未见过的样本,因此,进一步地,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图。特征流形是指数据在高维特征空间中的分布形态。通过对分类特征图施加几何复杂性约束,可以使得不同类别的特征在特征空间中更好地分离,从而提高分类准确性。这是因为复杂的几何结构通常对应着更具判别性的特征表示。基于特征流形的几何复杂性约束可以降低分类特征图对噪声和异常数据的敏感性。通过在特征空间中保持数据点的局部连续性和平滑性,可以减少异常值对分类结果的干扰,并增强模型对输入数据的鲁棒性。几何复杂性约束可以帮助理解分类特征图中不同类别之间的关系。通过对特征流形进行建模,可以揭示不同类别之间的潜在结构和相互关系,从而提供对分类结果的解释和理解。基于特征流形的几何复杂性约束可以作为一种正则化机制,帮助控制模型的复杂度,并减少过拟合的风险。通过约束分类特征图的几何结构,可以促使模型学习更通用、更具有泛化能力的特征表示。
具体地,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图,包括:S1:对所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量;S2:将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量;S3:计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值;S4:将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量;S5:以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到优化分类特征图。
在本申请的技术方案中,首先对所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量,所述多个局部特征主成分特征向量为所述分类特征图的沿通道维度的各个特征矩阵的稀疏化表示。进一步,将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量,所述全局局部特征上下文关联特征向量用于表示所述分类特征图的所有局部特征的全局上下文表示。
进一步地,以所述全局局部特征上下文关联特征向量作为枢轴,来量化表示所述分类特征矩阵的各个局部特征的特征流形的几何复杂度,进而基于量化的几何复杂度对所述分类特征图来进行类注意力机制特征显著性强化以得到优化分类特征图,具体地,在本申请的技术方案中,首先计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值,进而将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量,最终以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
这样,通过对所述分类特征图的高维特征分布进行基于枢轴的几何复杂度约束,可以使得所述分类特征图具有强为明确的类边界,同时,还可以使得分类模型对于输入数据的变化更加鲁棒,即使在面临噪声、异常值或未见过的样本时,模型也能够更好地适应并进行正确分类。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的交通信号设备的控制方法的流程图。如图1所示,根据本申请实施例的交通信号设备的控制方法,包括:S110,获取交通道路监控视频;S120,从所述交通道路监控视频中提取多个交通道路监控关键帧;S130,将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像;S140,将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图;S150,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;以及S160,将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间。
图2为根据本申请实施例的交通信号设备的控制方法的架构图。如图2所示,在该架构中,首先,获取交通道路监控视频。然后,从所述交通道路监控视频中提取多个交通道路监控关键帧。接着,将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像。然后,将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图。接着,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图。进而,将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间。
在步骤S110中,获取交通道路监控视频。如上述背景技术所言,传统的交通信号设备使用定时控制方式,按照预设的时间间隔来切换红绿灯。这种方式存在一些问题,比如无法根据实际交通情况进行灵活调整,容易导致拥堵或浪费道路资源。因此,期待一种优化的交通信号设备的控制方案。
针对上述技术问题,提出了一种交通信号设备的控制方案,其使用基于深度神经网络的人工智能技术来对于交通道路监控视频进行车辆目标感兴趣区域框定,以此来提取出所述车辆区域的隐含特征分布信息,以得到用于表示是否延长绿灯时间的分类标签。这样,通过实时感知交通流量情况,并根据检测结果进行信号灯的切换,提高了交通道路的利用率和效率。
目前,深度学***。
近年来,深度学习以及神经网络的发展为交通信号设备的控制***提供了新的解决思路和方案。
具体地,首先,获取交通道路监控视频。交通道路监控视频可以提供实时的交通状况信息。通过监控视频,可以观察交通流量、车辆行驶速度、道路拥堵情况等关键指标。
在步骤S120中,从所述交通道路监控视频中提取多个交通道路监控关键帧。交通道路监控视频通常是连续的视频流,包含大量的帧图像。但并非每一帧都包含有用的信息,很多帧可能是重复的或者变化不大的。提取关键帧可以减少数据量,只选择那些具有显著变化或者重要信息的帧进行后续处理。具体地,以预定的采样频率从所述交通道路监控视频中提取多个交通道路监控关键帧。
在步骤S130中,将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像。通过车辆目标检测网络,可以识别关键帧中的车辆位置和边界框。这样,可以准确定位和跟踪交通场景中的车辆,为后续的车辆分析和处理提供基础。通过车辆感兴趣区域图像,可以进行交通事件的检测和识别。例如,通过分析车辆行为和位置变化,可以检测出交通事故、交通违法行为等。
应可以理解,考虑到在对于交通道路进行检测时,应聚焦于所述监控图像中关于车辆的特征,因此,若能够在对于所述交通道路的监控图像进行特征挖掘时滤除掉其余无用的干扰特征信息,显然能够提高是否延长绿灯时间的准确性。基于此,在本申请的技术方案中,进一步将所述交通道路监控图像通过车辆目标检测网络以得到车辆目标感兴趣区域,这里,所述车辆目标检测网络为基于锚窗的目标检测网络。具体地,使用所述车辆目标检测网络的目标锚定层以锚框B来进行滑动对所述交通道路监控图像进行处理,以对于所述监控图像中的车辆目标感兴趣区域进行框定,从而得到所述车辆目标感兴趣区域。相应地,在本申请的一个具体示例中,所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。
具体地,在上述的交通信号设备的控制方法中,将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像,进一步用于:使用所述基于锚窗的目标检测网络以如下感兴趣公式对所述交通道路监控关键帧进行处理以得到所述对应于车辆的感兴趣区域部分;其中,所述感兴趣公式为:
ROI=H(ψdet,B)=(cls(ψdet,B),Regr(ψdet,B))
其中,ψdet为所述交通道路监控关键帧,B为锚框,ROI为对应于车辆的感兴趣区域部分,cls(ψdet,B)表示分类,Regr(ψdet,B)表示回归。
在步骤S140中,将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图。通过卷积神经网络模型,可以从车辆感兴趣区域图像中提取关键的视觉特征。这些特征可以捕捉到车辆的形状、纹理、颜色等信息。时间注意力机制可以在多个关键帧之间建立时间上的关联和依赖关系。通过引入时间注意力机制,模型可以更好地理解车辆在时间上的变化和演变过程,从而提高分类和识别的准确性。
具体地,将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图,包括:提取所述多个车辆感兴趣区域图像相邻两个预定时间点的第一车辆感兴趣区域图和第二车辆感兴趣区域图;计算所述第一车辆感兴趣区域图和所述第二车辆感兴趣区域图的按位置点乘以得到时间累积车辆感兴趣特征图;以Softmax激活函数对所述时间累积车辆感兴趣特征图进行激活以得到时间注意力特征图;以及,将所述时间注意力特征图与所述第二车辆感兴趣区域图进行按位置点乘以得到对应于所述第二车辆感兴趣区域图的分类特征图。
图3图示了根据本申请实施例的交通信号设备的控制方法中将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图的流程图。如图3所示,将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图,包括:S141,提取所述多个车辆感兴趣区域图像相邻两个预定时间点的第一车辆感兴趣区域图和第二车辆感兴趣区域图;S142,计算所述第一车辆感兴趣区域图和所述第二车辆感兴趣区域图的按位置点乘以得到时间累积车辆感兴趣特征图;S143,以Softmax激活函数对所述时间累积车辆感兴趣特征图进行激活以得到时间注意力特征图;以及S144,将所述时间注意力特征图与所述第二车辆感兴趣区域图进行按位置点乘以得到对应于所述第二车辆感兴趣区域图的分类特征图。
在步骤S150中,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图。考虑到获取交通道路监控视频是可能会面临噪声、异常值或未见过的样本,因此,进一步地,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图。特征流形是指数据在高维特征空间中的分布形态。通过对分类特征图施加几何复杂性约束,可以使得不同类别的特征在特征空间中更好地分离,从而提高分类准确性。这是因为复杂的几何结构通常对应着更具判别性的特征表示。基于特征流形的几何复杂性约束可以降低分类特征图对噪声和异常数据的敏感性。通过在特征空间中保持数据点的局部连续性和平滑性,可以减少异常值对分类结果的干扰,并增强模型对输入数据的鲁棒性。几何复杂性约束可以帮助理解分类特征图中不同类别之间的关系。通过对特征流形进行建模,可以揭示不同类别之间的潜在结构和相互关系,从而提供对分类结果的解释和理解。基于特征流形的几何复杂性约束可以作为一种正则化机制,帮助控制模型的复杂度,并减少过拟合的风险。通过约束分类特征图的几何结构,可以促使模型学习更通用、更具有泛化能力的特征表示。
具体地,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图,包括:S1:对所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量;S2:将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量;S3:计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值;S4:将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量;S5:以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到优化分类特征图。
在本申请的技术方案中,首先对所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量,所述多个局部特征主成分特征向量为所述分类特征图的沿通道维度的各个特征矩阵的稀疏化表示。进一步,将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量,所述全局局部特征上下文关联特征向量用于表示所述分类特征图的所有局部特征的全局上下文表示。
进一步地,以所述全局局部特征上下文关联特征向量作为枢轴,来量化表示所述分类特征矩阵的各个局部特征的特征流形的几何复杂度,进而基于量化的几何复杂度对所述分类特征图来进行类注意力机制特征显著性强化以得到优化分类特征图,具体地,在本申请的技术方案中,首先计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值,进而将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量,最终以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
这样,通过对所述分类特征图的高维特征分布进行基于枢轴的几何复杂度约束,可以使得所述分类特征图具有强为明确的类边界,同时,还可以使得分类模型对于输入数据的变化更加鲁棒,即使在面临噪声、异常值或未见过的样本时,模型也能够更好地适应并进行正确分类。
具体地,在上述的交通信号设备的控制方法中,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图,包括:对所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量;将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量;计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值;将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量;以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到优化分类特征图。
在步骤S160中,将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间。这样,通过实时感知交通流量情况,并根据检测结果进行信号灯的切换,提高了交通道路的利用率和效率。
具体地,在上述的交通信号设备的控制方法中,将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间,包括:将所述优化分类特征图按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的交通信号设备的控制方法已被阐明,其使用基于深度神经网络的人工智能技术来对于交通道路监控视频进行车辆目标感兴趣区域框定,以此来提取出所述车辆区域的隐含特征分布信息,以得到用于表示是否延长绿灯时间的分类标签。这样,通过实时感知交通流量情况,并根据检测结果进行信号灯的切换,提高了交通道路的利用率和效率。
示例性***
图4为根据本申请实施例的交通信号设备的控制***的框图。如图4所示,根据本申请实施例的交通信号设备的控制***100,包括:信息获取模块110,用于获取交通道路监控视频;关键帧提取模块120,用于从所述交通道路监控视频中提取多个交通道路监控关键帧;目标检测模块130,用于将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像;时间注意力模块140,用于将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图;优化模块,用于对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;以及结果生成模块150,用于将所述分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间。
这里,本领域技术人员可以理解,上述交通信号设备的控制***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的交通信号设备的控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
综上,根据本申请实施例的交通信号设备的控制***已被阐明,其使用基于深度神经网络的人工智能技术来对于交通道路监控视频进行车辆目标感兴趣区域框定,以此来提取出所述车辆区域的隐含特征分布信息,以得到用于表示是否延长绿灯时间的分类标签。这样,通过实时感知交通流量情况,并根据检测结果进行信号灯的切换,提高了交通道路的利用率和效率。
如上所述,根据本申请实施例的交通信号设备的控制***100可以实现在各种终端设备中,例如交通信号设备的控制服务器等。在一个示例中,根据本申请实施例的交通信号设备的控制***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该交通信号设备的控制***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该交通信号设备的控制***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该交通信号设备的控制***100与该终端设备也可以是分立的设备,并且该交通信号设备的控制***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的交通信号设备的控制方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如交通道路监控视频等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括是否延长绿灯时间等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的交通信号设备的控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的交通信号设备的控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种交通信号设备的控制方法,其特征在于,包括:
获取交通道路监控视频;
从所述交通道路监控视频中提取多个交通道路监控关键帧;
将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像;
将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图;
对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;
将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间。
2.根据权利要求1所述的交通信号设备的控制方法,其特征在于,所述车辆目标检测网络为基于锚窗的目标检测网络,所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。
3.根据权利要求2所述的交通信号设备的控制方法,其特征在于,将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像,进一步用于:
使用所述基于锚窗的目标检测网络以如下感兴趣公式对所述交通道路监控关键帧进行处理以得到所述对应于车辆的感兴趣区域部分;
其中,所述感兴趣公式为:
ROI=H(ψdet,B)=(cls(ψdet,B),Regr(ψdet,B))
其中,ψdet为所述交通道路监控关键帧,B为锚框,ROI为对应于车辆的感兴趣区域部分,cls(ψdet,B)表示分类,Regr(ψdet,B)表示回归。
4.根据权利要求3所述的交通信号设备的控制方法,其特征在于,将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图,包括:
提取所述多个车辆感兴趣区域图像相邻两个预定时间点的第一车辆感兴趣区域图和第二车辆感兴趣区域图;
计算所述第一车辆感兴趣区域图和所述第二车辆感兴趣区域图的按位置点乘以得到时间累积车辆感兴趣特征图;
以Softmax激活函数对所述时间累积车辆感兴趣特征图进行激活以得到时间注意力特征图;
将所述时间注意力特征图与所述第二车辆感兴趣区域图进行按位置点乘以得到对应于所述第二车辆感兴趣区域图的分类特征图。
5.根据权利要求4所述的交通信号设备的控制方法,其特征在于,对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图,包括:
对所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量;
将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量;
计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵,并对计算所述各个转移矩阵的全局均值以得到多个转移特征值;
将所述多个转移特征值排列为几何相似度输入向量后通过Softmax激活函数以得到几何复杂性约束特征向量;
以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到优化分类特征图。
6.根据权利要求5所述的交通信号设备的控制方法,其特征在于,将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间,包括:
将所述优化分类特征图按照行向量或者列向量展开为分类特征向量;
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
7.一种交通信号设备的控制***,其特征在于,包括:
信息获取模块,用于获取交通道路监控视频;
关键帧提取模块,用于从所述交通道路监控视频中提取多个交通道路监控关键帧;
目标检测模块,用于将所述多个交通道路监控关键帧通过车辆目标检测网络以得到多个车辆感兴趣区域图像;
时间注意力模块,用于将所述多个车辆感兴趣区域图像通过使用时间注意力机制的卷积神经网络模型以得到分类特征图;
优化模块,用于对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图;
结果生成模块,用于将所述优化分类特征图通过分类器得到分类结果,所述分类结果用于表示是否延长绿灯时间。
8.根据权利要求7所述的交通信号设备的控制***,其特征在于,所述目标检测网络为基于锚窗的目标检测网络,所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。
9.根据权利要求8所述的交通信号设备的控制***,其特征在于,所述目标检测模块,进一步用于:
使用所述基于锚窗的目标检测网络以如下感兴趣公式对所述交通道路监控关键帧进行处理以得到所述对应于车辆的感兴趣区域部分;
其中,所述感兴趣公式为:
ROI=H(ψdet,B)=(cls(ψdet,B),Regr(ψdet,B))
其中,ψdet为所述交通道路监控关键帧,B为锚框,ROI为对应于车辆的感兴趣区域部分,cls(ψdet,B)表示分类,Regr(ψdet,B)表示回归。
10.根据权利要求9所述的交通信号设备的控制***,其特征在于,所述时间注意力模块,包括:
提取单元,用于提取所述多个车辆感兴趣区域图像相邻两个预定时间点的第一车辆感兴趣区域图和第二车辆感兴趣区域图;
第一按位点乘单元,用于计算所述第一车辆感兴趣区域图和所述第二车辆感兴趣区域图的按位置点乘以得到时间累积车辆感兴趣特征图;
激活单元,用于以Softmax激活函数对所述时间累积车辆感兴趣特征图进行激活以得到时间注意力特征图;
第二按位点乘单元,用于将所述时间注意力特征图与所述第二车辆感兴趣区域图进行按位置点乘以得到对应于所述第二车辆感兴趣区域图的分类特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159854.XA CN117274926A (zh) | 2023-09-08 | 2023-09-08 | 交通信号设备的控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159854.XA CN117274926A (zh) | 2023-09-08 | 2023-09-08 | 交通信号设备的控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117274926A true CN117274926A (zh) | 2023-12-22 |
Family
ID=89209698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311159854.XA Withdrawn CN117274926A (zh) | 2023-09-08 | 2023-09-08 | 交通信号设备的控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274926A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135508A (zh) * | 2024-05-08 | 2024-06-04 | 东揽(南京)智能科技有限公司 | 基于机器视觉的全息交通路口感知***及方法 |
-
2023
- 2023-09-08 CN CN202311159854.XA patent/CN117274926A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135508A (zh) * | 2024-05-08 | 2024-06-04 | 东揽(南京)智能科技有限公司 | 基于机器视觉的全息交通路口感知***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11620527B2 (en) | Domain adaption learning system | |
CN101470809B (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
Kalsotra et al. | Background subtraction for moving object detection: explorations of recent developments and challenges | |
US9286693B2 (en) | Method and apparatus for detecting abnormal movement | |
Quiros et al. | A kNN-based approach for the machine vision of character recognition of license plate numbers | |
Chen et al. | Probabilistic neural networks based moving vehicles extraction algorithm for intelligent traffic surveillance systems | |
US20110064267A1 (en) | Classifier anomalies for observed behaviors in a video surveillance system | |
CN111241343A (zh) | 一种道路信息监控与分析检测方法、智慧交通控制*** | |
CN110705412A (zh) | 一种基于运动历史图像的视频目标检测方法 | |
CN113283282B (zh) | 一种基于时域语义特征的弱监督时序动作检测方法 | |
Tian et al. | Video object detection for tractability with deep learning method | |
Luo et al. | Traffic analytics with low-frame-rate videos | |
CN109063790B (zh) | 对象识别模型优化方法、装置和电子设备 | |
CN115731513B (zh) | 基于数字孪生的智慧园区管理*** | |
CN116311005A (zh) | 一种用于运动图像处理装置、方法及存储介质 | |
CN117274926A (zh) | 交通信号设备的控制方法及*** | |
Maye et al. | Bayesian on-line learning of driving behaviors | |
CN117392604A (zh) | 物联网实时信息监控管理***及方法 | |
CN117676099B (zh) | 基于物联网的安全预警方法及*** | |
CN114926767A (zh) | 融合隐空间自回归的预测重构视频异常检测方法 | |
CN117292338B (zh) | 基于视频流解析的车辆事故识别和分析方法 | |
CN116863406A (zh) | 一种基于人工智能的智能报警安防***及其方法 | |
CN112115928B (zh) | 基于违停车辆标签的神经网络的训练方法和检测方法 | |
JP2024516642A (ja) | 行動検出方法、電子機器およびコンピュータ読み取り可能な記憶媒体 | |
CN114937248A (zh) | 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231222 |
|
WW01 | Invention patent application withdrawn after publication |