CN117877290A - 基于更新间隔窗口的交通控制方法及*** - Google Patents

Abstract

本申请公开了基于更新间隔窗口的交通控制方法及***，涉及交通管理技术领域，所述方法包括：通过城市交通***，在预设时段内获取道路图像集合；进行车辆密度检测，获取道路流量集合；采用K均值聚类算法，对道路流量集合进行聚类分析，将预设时段划分为多个时段，其中，每个时段映射一个道路流量；根据多个道路流量，进行信号灯控制分析，获得控制参数，结合多个时段，获取参数控制窗口；获取目标路段的实时道路图像进行特殊车辆检测；根据特殊车辆检测结果，对控制参数进行修正，获取修正控制参数；根据修正控制参数和参数控制窗口，对目标路段的信号灯进行控制。进而达成控制参数动态更新，提高交通变化响应能力的技术效果。

Description

基于更新间隔窗口的交通控制方法及***

技术领域

本发明涉及交通管理技术领域，特别涉及基于更新间隔窗口的交通控制方法及***。

技术背景

随着经济社会的发展，人员和要素的流动需求日益增加，进而对交通的管理和控制提出了更高的要求。现有的交通控制方法多采用固定间隔及频率对交通信号进行控制和调整，存在控制参数更新不及时，对交通变化响应能力差的技术问题。

发明内容

本申请的目的在于提供基于更新间隔窗口的交通控制方法及***。用以解决现有技术中控制参数更新不及时，对交通变化响应能力差的技术问题。

鉴于以上技术问题，本申请提供了基于更新间隔窗口的交通控制方法及***。

第一方面，本申请提供了基于更新间隔窗口的交通控制方法，其中，所述方法包括：

通过城市交通***，在预设时段内对目标路段进行持续图像采集，获取道路图像集合，其中，道路图像具有时间标识；对所述道路图像集合进行车辆密度检测，获取道路流量集合；采用K均值聚类算法，对所述道路流量集合进行聚类分析，根据聚类结果将所述预设时段划分为多个时段，其中，每个时段映射一个道路流量；根据多个道路流量，进行信号灯控制分析，获得控制参数，结合所述多个时段，获取参数控制窗口；获取所述目标路段的实时道路图像，对所述实时道路图像进行特殊车辆检测，获取特殊车辆检测结果；根据所述特殊车辆检测结果，对所述控制参数进行修正，获取修正控制参数；根据所述修正控制参数和所述参数控制窗口，对所述目标路段的信号灯进行控制。

第二方面，本申请还提供了基于更新间隔窗口的交通控制***，其中，所述***包括：

图像采集模块，所述图像采集模块用于通过城市交通***，在预设时段内对目标路段进行持续图像采集，获取道路图像集合，其中，道路图像具有时间标识；流量检测模块，所述流量检测模块用于对所述道路图像集合进行车辆密度检测，获取道路流量集合；聚类分析模块，所述聚类分析模块用于采用K均值聚类算法，对所述道路流量集合进行聚类分析，根据聚类结果将所述预设时段划分为多个时段，其中，每个时段映射一个道路流量；控制分析模块，所述控制分析模块用于根据多个道路流量，进行信号灯控制分析，获得控制参数，结合所述多个时段，获取参数控制窗口；特殊车辆检测模块，所述特殊车辆检测模块用于获取所述目标路段的实时道路图像，对所述实时道路图像进行特殊车辆检测，获取特殊车辆检测结果；控制参数修正模块，所述控制参数修正模块用于根据所述特殊车辆检测结果，对所述控制参数进行修正，获取修正控制参数；窗口控制模块，所述窗口控制模块用于根据所述修正控制参数和所述参数控制窗口，对所述目标路段的信号灯进行控制。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过城市交通***，在预设时段内对目标路段进行持续图像采集，获取道路图像集合，其中，道路图像具有时间标识；对道路图像集合进行车辆密度检测，获取道路流量集合；采用K均值聚类算法，对道路流量集合进行聚类分析，根据聚类结果将预设时段划分为多个时段，其中，每个时段映射一个道路流量；根据多个道路流量，进行信号灯控制分析，获得控制参数，结合多个时段，获取参数控制窗口；获取目标路段的实时道路图像，对实时道路图像进行特殊车辆检测，获取特殊车辆检测结果；根据特殊车辆检测结果，对控制参数进行修正，获取修正控制参数；根据修正控制参数和参数控制窗口，对目标路段的信号灯进行控制。进而达成控制参数动态更新，提高交通变化响应能力的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚阐明本申请的技术手段，进而可依照说明书的内容予以实施，并且为了让本申请的上述及其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

本发明的实施例及后述简单说明结合图示予以说明，附图说明如下：

图1为本申请基于更新间隔窗口的交通控制方法的流程示意图；

图2为本申请基于更新间隔窗口的交通控制方法中对所述道路图像集合进行车辆密度检测的流程示意图；

图3为本申请基于更新间隔窗口的交通控制***的结构示意图。

附图标记说明：图像采集模块11、流量检测模块12、聚类分析模块13、控制分析模块14、特殊车辆检测模块15、控制参数修正模块16、窗口控制模块17。

具体实施方式

本申请通过提供基于更新间隔窗口的交通控制方法和***，解决了现有技术面临的控制参数更新不及时，对交通变化响应能力差的技术问题。

本技术实施例中的方案，为解决上述问题，所采用的整体思路如下：

通过城市交通***，在预设时段内对目标路段进行持续图像采集，获取道路图像集合，其中，道路图像具有时间标识；对道路图像集合进行车辆密度检测，获取道路流量集合；采用K均值聚类算法，对道路流量集合进行聚类分析，根据聚类结果将预设时段划分为多个时段，其中，每个时段映射一个道路流量；根据多个道路流量，进行信号灯控制分析，获得控制参数，结合多个时段，获取参数控制窗口；获取目标路段的实时道路图像，对实时道路图像进行特殊车辆检测，获取特殊车辆检测结果；根据特殊车辆检测结果，对控制参数进行修正，获取修正控制参数；根据修正控制参数和参数控制窗口，对目标路段的信号灯进行控制。

首先，通过城市交通***，于目标路段的预设时间段进行图像采集，获取道路图像集合，每个图像均具有时间标识；接着，对道路图像集合进行车辆密度检测，从而得到道路流量集合。而后，采用K均值聚类算法对道路流量集合进行聚类分析将预设时段分为多个子时段，每个子时段与一个特定的道路流量相关联。进而根据这些不同子时段的道路流量，进行信号灯控制分析，以获取控制参数。这些控制参数结合多个子时段构成了参数控制窗口。随后，获取目标路段的实时道路图像，并对这些图像进行特殊车辆检测，得到特殊车辆检测结果。基于特殊车辆检测结果，对控制参数进行修正，生成修正后的控制参数。最后，根据修正后的控制参数和参数控制窗口，对目标路段上的信号灯进行控制。进而达成控制参数动态更新，提高交通变化响应能力的技术效果。

为更好理解上述技术方案，下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明，需要说明的是，所描述的实施例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。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。

实施例一

如图1所示，本申请提供了基于更新间隔窗口的交通控制方法，所述方法包括：

S100：通过城市交通***，在预设时段内对目标路段进行持续图像采集，获取道路图像集合，其中，道路图像具有时间标识；

可选的，城市交通***是指现有的用于对城市交通进行监控、管理的***，城市交通管理***包含有一图像监控网络，图像监控网络通过多个图像采集设备及图像传输网络进行交通图像的采集和监测。

可选的，图像采集结果包括视频图像与静态图像。通过帧提取等相关技术手段，从视频图像中获取静态图像，并存入道路图像集合。其中，道路图像集合中的多幅道路图像具有时间标识。用于确定图像对应的世界时间节点。

S200：对所述道路图像集合进行车辆密度检测，获取道路流量集合；

可选的，对道路图像集合进行车辆密度检测，获取道路流量集合。车辆密度监测基于机器视觉原理实现，用于获取单位时间内通过目标道路的车辆数量，即车辆的密度。

进一步的，如图2所示，对所述道路图像集合进行车辆密度检测，步骤S200还包括：

对第一道路图像进行车辆边缘检测，获取多个车辆边框；

对所述多个车辆边框进行计数，获取车辆数量；

对第一道路图像进行车道检测，划分道路区域，并计算获取道路区域面积；

结合所述车辆数量和所述道路区域面积，计算获得车辆密度。

可选的，对第一道路图像进行车辆边缘检测之前，对图像进行预处理，用于确保图像的可用性进而提高后续检测识别的准确性。预处理包括图像去噪、亮度和对比度调整、透视矫正等。

可选的，多个车辆边框是指通过边缘检测获取的多个anchorbox。多个车辆边框反映了第一道路图像中的包含车辆的图像的位置、大小及置信度。其中，通过对多个车辆边框进行计数，实现了车辆数量的获取。

可选的，进行第一道路图像车道检测用于获取检测第一道路图像中的车道线，并识别其位置和形状。该车道检测基于边缘检测方法原理，结合基于Hough变换原理的直线检测算法实现，其中，Hough变换原理如下：

在图像平面中，一个点可以通过横纵坐标来表示；而图像平面中的一条直线可以通过距离原点的距离ρ，以及垂线的角度θ来表示，进而图像平面中的一条直线可由θ-ρ平面中的一个点表示。因此图像平面中的一个点可以由穿过它的直线族在θ-ρ平面中对应的点组成的曲线来表示。根据以上特性，图像平面中过两点的直线，对应在θ-ρ平面中两条曲线的交点，即为图像平面中的两个点共线的一条直线。

具体而言，首先，在第一道路图像中建立一个二维平面坐标系，然后获取每个车道实线边缘点的二维坐标，包括第一坐标与第二坐标。接着，对多个第一坐标与第二坐标进行直线方程的变换，转换到极坐标形式。这将得到多个ρ和θ值，每一对ρ和θ对应一个穿过车道实线边缘点的直线。随后，利用这些ρ和θ值，进行交点分析。接着，根据上述多个ρ和θ值，将穿过多个车道实线边缘点的多个直线族转换为参数空间中的多条线，其中，直线族与参数空间中的线一一对应；然后，创建一个累加器，统计在参数空间中线的交点。对于每个车道实线边缘点，根据其参数值，在累加器中对应的位置进行加一操作；最后，找出累加器中具有较高累加次数的参数值，这些值对应于在原始图像中具有较高概率的直线，将参数空间中的这些高累加次数的值转换回二维平面坐标空间，得到检测到的直线。通过使用霍夫变换进行直线检测，得以检测图像中任意角度和长度的直线，达到对于噪声和不完整的车道实线也具有较好的鲁棒性的技术效果。

可选的，基于目标道路区域的车道线标准，建立图像坐标系与现实坐标系的映射关系，进而计算获取道路区域面积。示例性的，交互道路信息***，获取目标道路区域的车道宽度。车道线长度与车道线间距，并根据车道检测结果与道路区域划分结果，确定图像中道路区域的长度和宽度，进而通过计算得到道路区域面积。

可选的，根据已划分的道路区域，计算道路区域的面积。通过计算区域的像素数，然后乘以转化比例因子来实现，以获取实际道路的面积。其中，转化比例因子通过车道检测结果的像素数量与显示坐标系中的实际长度比值确定。

进一步的，对第一道路图像进行车辆边缘检测，步骤还包括：

通过城市交通***，获取历史道路图像采集记录，提取多个样本道路图像，并对所述多个样本道路图像内的车辆图像进行分割和标识，获得多个样本分割结果，其中，每个样本分割结果包括多个样本车辆边框；

基于神经网络构建车辆检测模型，采用所述多个样本道路图像和所述多个样本分割结果，对所述车辆检测模型进行训练，根据训练结果对模型参数进行优化，直至满足预设要求，获取所述车辆检测模型；

将所述第一道路图像输入所述车辆检测模型，输出第一分割结果，所述第一分割结果包括多个车辆边框。

可选的，边缘检测算法包括Canny边缘检测、Sobel边缘检测、Laplacian边缘检测、Prewitt边缘检测等，通过

S300：采用K均值聚类算法，对所述道路流量集合进行聚类分析，根据聚类结果将所述预设时段划分为多个时段，其中，每个时段映射一个道路流量；

可选的，对同一道路其道路流量随着时间段的不同，相应的存在周期性的变化。通过聚类算法对道路流量集合进行聚类分析，用于建立道路流量与时间段之间的对应关系。其中，每个时间段具有对应的典型道路流量，该典型道路流量可以为一个数值或一个数值区间。

进一步的，采用K均值聚类算法，对所述道路流量集合进行聚类分析，步骤S300包括：

基于所述道路流量集合，提取流量特征；

根据预设k值，在所述道路流量集合随机选择k个初始聚类中心；

对所述道路流量集合中的第一道路流量与所述k个初始聚类中心进行距离计算，并根据距离计算结果将所述第一道路流量分配到距离最近的初始聚类中心；

遍历所述道路流量集合，获取k个初始聚类簇；

计算每个初始聚类簇的平均值，将所述平均值作为更新聚类中心，迭代聚类过程，直至更新聚类中心的变化满足预设阈值或达到预设次数，获取k个聚类簇。

其中，道路流量集合包含具有时间标识的一系列流量数据，通过获取道路流量集合，得以提取多个流量特征，该流量特征反映为车辆密度。

可选的，进行第一道路流量与k个初始聚类中心的距离计算，该距离为欧氏距离，将数据点分配到欧氏距离最近的聚类中心所对应的簇。对每个簇，计算该簇中所有数据点的平均值，得到新的聚类中心。这些平均值将成为新的聚类中心。

可选的，迭代聚类过程，直到满足停止条件，包括达到预设的最大迭代次数或者聚类中心的变化小于一个阈值，则代表聚类结果稳定，将k个簇确定为个聚类结果。k个聚类簇为根据车流量划分的聚类结果。

进一步的，采用K均值聚类算法，对所述道路流量集合进行聚类分析，步骤S300还包括：

对于所述k个聚类簇的第一聚类簇，根据时间标识进行二次聚类，获取多个聚类时段；

对所述k个聚类簇进行等级标识，根据等级标识结果，结合所述多个聚类时段，将所述预设时段划分为多个时段，其中，每个时段映射一个等级标识结果。

可选的，根据时间标识进行二次聚类，获取多个聚类时段，用于确定依照流量进行聚类划分获取的第一聚类簇随时间变化的流量变化关系，示例性的，选取流量特征值较高的第一聚类簇，该聚类簇对应车流量高峰期，通过基于时间标识的二次聚类，获取多个聚类时段，多个聚类时段分别早高峰、晚高峰、午高峰等多个高峰时段。

可选的，基于k个聚类簇，生成k级等级标识，该等级标识对应道路流量的k个状态，反映了道路的k个通行水平。进一步的，基于k个聚类的二次聚类结果，实现每个时段的等级标识映射。从而自时间维度和流量维度，完成了道路流量集合的聚类分析。便于后续控制参数的决策分析。

S400：根据多个道路流量，进行信号灯控制分析，获得控制参数，结合所述多个时段，获取参数控制窗口；

可选的，参数控制是指进行交通信号灯控制的时间区间，包括窗口长度与窗口位置，其中，窗口位置反映为起始时间与结束时间，且多个参数控制窗口多个时段一一对应。

进一步的，进行信号灯控制分析，步骤S400包括：

根据所述多个道路流量的大小进行权重分配，获得多个权值；

获取初始控制时长，采用所述多个权值对所述初始控制时长进行加权计算，获取多个控制时长；

根据所述多个控制时长，生成控制参数。

可选的，基于道路流量进行权重分配，考虑不同道路的重要性，多个权值根据交通需求、道路类型、交叉口的重要性等因素来确定。示例性的，对于交通需求程度高、道路等级高、交叉口流线状态复杂的道路区域，权值较小，进而确保对应的控制时长值小，控制步长小。

可选的，结合多个时段和加权控制时长，生成最终的控制参数。控制参数包括不同交通信号灯的绿灯时长、红灯时长、黄灯时长等。此外，对生成的控制参数通过交通模拟进行验证。确定参数是否能够实际改善交通流动性。

S500：获取所述目标路段的实时道路图像，对所述实时道路图像进行特殊车辆检测，获取特殊车辆检测结果；

可选的，特殊车辆包括紧急车辆、危险物品运输车辆、紧急转运车辆等。对实时道路图像进行特殊车辆检测，基于目标检测算法实现，示例性的，可用的目标检测算法包括以R-CNN、Fast R-CNN为代表的两阶段目标检测算法及以SSD算法、YOLO算法为代表的端到端的目标检测算法。

可选的，基于YOLO算法构建特殊车辆检测器，并进行特殊车辆的端到端识别检测，得以实现高效的检测，确保特殊车辆检测的时效性。其中，特殊车辆检测结果包括特殊车辆的边界框与特殊车辆的类别，不同类别的特殊车辆对应有不同的参数修正规则，该规则基于目标道路所在区域的应急管理办法或规定设置。

S600：根据所述特殊车辆检测结果，对所述控制参数进行修正，获取修正控制参数；

可选的，当检测到特殊车辆时，对控制参数进行修正，确保特殊车辆的优先通行。示例性的，包括减少红灯时长，改变信号灯状态，对特殊车辆邻域信号灯进行控制实现交通管制等。

S700：根据所述修正控制参数和所述参数控制窗口，对所述目标路段的信号灯进行控制。

可选的，进行实际的信号灯调整。包括调整绿灯、红灯、黄灯的时间间隔，以最大程度地改善交通流畅度和安全性。此外，在信号灯调整期间，持续监控实时路况数据，以确保控制策略的有效性，确保修正控制参数和所述参数控制窗口可以根据需要，基于实时反馈进行更新调整。

进一步的，本申请的基于更新间隔窗口的交通控制方法，还包括：

生成实时路况信息和导航建议；

与驾驶人建立通信，将所述实时路况信息和导航建议发送至驾驶人，进行交通引导。

可选的，使用各种传感器和数据源，如GPS、交通摄像头、交通流量传感器和地图数据，收集实时道路和交通信息。这些数据包括车辆位置、交通流量、道路条件、交通事故等。接着，将采集的数据传输到实时路况分析***，实时路况分析***基于算法和模型来分析道路状况。包括拥堵检测、事故识别、路况评估等。

可选的，实时路况信息用于向驾驶人提供路线选择依据。实时路况信息包括车辆流量信息、拥堵信息、事故信息、通行速度信息等。其中，实时路况信息通过客户端可视化、语音化的向驾驶人展示，进而提高信息获取的效率，提高驾驶安全性。

可选的，导航建议包括路线变更建议与车道变更建议，用于协助驾驶人避开拥堵路段，同时实现道路负载的均和，提高城市交通能力与交通参与体验。

综上所述，本发明所提供的基于更新间隔窗口的交通控制方法具有如下技术效果：

通过城市交通***，在预设时段内对目标路段进行持续图像采集，获取道路图像集合，其中，道路图像具有时间标识；对道路图像集合进行车辆密度检测，获取道路流量集合；采用K均值聚类算法，对道路流量集合进行聚类分析，根据聚类结果将预设时段划分为多个时段，其中，每个时段映射一个道路流量；根据多个道路流量，进行信号灯控制分析，获得控制参数，结合多个时段，获取参数控制窗口；获取目标路段的实时道路图像，对实时道路图像进行特殊车辆检测，获取特殊车辆检测结果；根据特殊车辆检测结果，对控制参数进行修正，获取修正控制参数；根据修正控制参数和参数控制窗口，对目标路段的信号灯进行控制。进而达成控制参数动态更新，提高交通变化响应能力的技术效果。

实施例二

基于与所述实施例中基于更新间隔窗口的交通控制方法同样的构思，如图3所示，本申请还提供了基于更新间隔窗口的交通控制***，所述***包括：

图像采集模块11，用于通过城市交通***，在预设时段内对目标路段进行持续图像采集，获取道路图像集合，其中，道路图像具有时间标识；

流量检测模块12，用于对所述道路图像集合进行车辆密度检测，获取道路流量集合；

聚类分析模块13，用于采用K均值聚类算法，对所述道路流量集合进行聚类分析，根据聚类结果将所述预设时段划分为多个时段，其中，每个时段映射一个道路流量；

控制分析模块14，用于根据多个道路流量，进行信号灯控制分析，获得控制参数，结合所述多个时段，获取参数控制窗口；

特殊车辆检测模块15，用于获取所述目标路段的实时道路图像，对所述实时道路图像进行特殊车辆检测，获取特殊车辆检测结果；

控制参数修正模块16，用于根据所述特殊车辆检测结果，对所述控制参数进行修正，获取修正控制参数；

窗口控制模块17，用于根据所述修正控制参数和所述参数控制窗口，对所述目标路段的信号灯进行控制。

进一步的，流量检测模块12还包括：

车辆边缘检测单元，用于对第一道路图像进行车辆边缘检测，获取多个车辆边框；

计数单元，用于对所述多个车辆边框进行计数，获取车辆数量；

区域面积获取单元，用于对第一道路图像进行车道检测，划分道路区域，并计算获取道路区域面积；

车辆密度计算单元，用于结合所述车辆数量和所述道路区域面积，计算获得车辆密度。

进一步的，车辆边缘检测单元还包括：

样本分割单元，用于通过城市交通***，获取历史道路图像采集记录，提取多个样本道路图像，并对所述多个样本道路图像内的车辆图像进行分割和标识，获得多个样本分割结果，其中，每个样本分割结果包括多个样本车辆边框；

检测模型训练单元，用于基于神经网络构建车辆检测模型，采用所述多个样本道路图像和所述多个样本分割结果，对所述车辆检测模型进行训练，根据训练结果对模型参数进行优化，直至满足预设要求，获取所述车辆检测模型；

分割单元，用于将所述第一道路图像输入所述车辆检测模型，输出第一分割结果，所述第一分割结果包括多个车辆边框。

进一步的，聚类分析模块13还包括：

流量特征提取单元，用于基于所述道路流量集合，提取流量特征；

聚类初始化单元，用于根据预设k值，在所述道路流量集合随机选择k个初始聚类中心；

聚类计算单元，用于对所述道路流量集合中的第一道路流量与所述k个初始聚类中心进行距离计算，并根据距离计算结果将所述第一道路流量分配到距离最近的初始聚类中心；

聚类簇输出单元，用于遍历所述道路流量集合，获取k个初始聚类簇；

迭代更新单元，用于计算每个初始聚类簇的平均值，将所述平均值作为更新聚类中心，迭代聚类过程，直至更新聚类中心的变化满足预设阈值或达到预设次数，获取k个聚类簇。

进一步的，聚类分析模块13还包括：

时段聚类单元，用于对于所述k个聚类簇的第一聚类簇，根据时间标识进行二次聚类，获取多个聚类时段；

等级标识单元，用于对所述k个聚类簇进行等级标识，根据等级标识结果，结合所述多个聚类时段，将所述预设时段划分为多个时段，其中，每个时段映射一个等级标识结果。

进一步的，控制分析模块14还包括：

权重分配单元，用于根据所述多个道路流量的大小进行权重分配，获得多个权值；

控制时长获取单元，用于获取初始控制时长，采用所述多个权值对所述初始控制时长进行加权计算，获取多个控制时长；

控制参数生成单元，用于根据所述多个控制时长，生成控制参数。

进一步的，所述***还包括：

实况分析单元，用于生成实时路况信息和导航建议；

交通引导单元，用于与驾驶人建立通信，将所述实时路况信息和导航建议发送至驾驶人，进行交通引导。

应当理解的是，本说明书中所提及的实施例重点在其与其他实施例的不同，前述实施例一中的具体实施例，同样适用于实施例二所述的基于更新间隔窗口的交通控制***，为了说明书的简洁，在此不做进一步的展开。

应当理解的是，本申请所公开的实施例及上述说明，可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例，对本申请提到的实施例进行显而易见的修改、变种，也属于本申请原理范围之内。

Claims (8)

1.基于更新间隔窗口的交通控制方法，其特征在于，包括：

通过城市交通***，在预设时段内对目标路段进行持续图像采集，获取道路图像集合，其中，道路图像具有时间标识；

对所述道路图像集合进行车辆密度检测，获取道路流量集合；

采用K均值聚类算法，对所述道路流量集合进行聚类分析，根据聚类结果将所述预设时段划分为多个时段，其中，每个时段映射一个道路流量；

根据多个道路流量，进行信号灯控制分析，获得控制参数，结合所述多个时段，获取参数控制窗口；

获取所述目标路段的实时道路图像，对所述实时道路图像进行特殊车辆检测，获取特殊车辆检测结果；

根据所述特殊车辆检测结果，对所述控制参数进行修正，获取修正控制参数；

根据所述修正控制参数和所述参数控制窗口，对所述目标路段的信号灯进行控制。

2.如权利要求1所述的方法，其特征在于，对所述道路图像集合进行车辆密度检测，包括：

对第一道路图像进行车辆边缘检测，获取多个车辆边框；

对所述多个车辆边框进行计数，获取车辆数量；

对第一道路图像进行车道检测，划分道路区域，并计算获取道路区域面积；

结合所述车辆数量和所述道路区域面积，计算获得车辆密度。

3.如权利要求2所述的方法，其特征在于，对第一道路图像进行车辆边缘检测，包括：

通过城市交通***，获取历史道路图像采集记录，提取多个样本道路图像，并对所述多个样本道路图像内的车辆图像进行分割和标识，获得多个样本分割结果，其中，每个样本分割结果包括多个样本车辆边框；

基于神经网络构建车辆检测模型，采用所述多个样本道路图像和所述多个样本分割结果，对所述车辆检测模型进行训练，根据训练结果对模型参数进行优化，直至满足预设要求，获取所述车辆检测模型；

将所述第一道路图像输入所述车辆检测模型，输出第一分割结果，所述第一分割结果包括多个车辆边框。

4.如权利要求1所述的方法，其特征在于，采用K均值聚类算法，对所述道路流量集合进行聚类分析，包括：

基于所述道路流量集合，提取流量特征；

根据预设k值，在所述道路流量集合随机选择k个初始聚类中心；

对所述道路流量集合中的第一道路流量与所述k个初始聚类中心进行距离计算，并根据距离计算结果将所述第一道路流量分配到距离最近的初始聚类中心；

遍历所述道路流量集合，获取k个初始聚类簇；

计算每个初始聚类簇的平均值，将所述平均值作为更新聚类中心，迭代聚类过程，直至更新聚类中心的变化满足预设阈值或达到预设次数，获取k个聚类簇。

5.如权利要求4所述的方法，其特征在于，还包括：

对于所述k个聚类簇的第一聚类簇，根据时间标识进行二次聚类，获取多个聚类时段；

对所述k个聚类簇进行等级标识，根据等级标识结果，结合所述多个聚类时段，将所述预设时段划分为多个时段，其中，每个时段映射一个等级标识结果。

6.如权利要求1所述的方法，其特征在于，进行信号灯控制分析，包括：

根据所述多个道路流量的大小进行权重分配，获得多个权值；

获取初始控制时长，采用所述多个权值对所述初始控制时长进行加权计算，获取多个控制时长；

根据所述多个控制时长，生成控制参数。

7.如权利要求1所述的方法，其特征在于，还包括：

生成实时路况信息和导航建议；

与驾驶人建立通信，将所述实时路况信息和导航建议发送至驾驶人，进行交通引导。

8.基于更新间隔窗口的交通控制***，其特征在于，所述***包括：

图像采集模块，所述图像采集模块用于通过城市交通***，在预设时段内对目标路段进行持续图像采集，获取道路图像集合，其中，道路图像具有时间标识；

流量检测模块，所述流量检测模块用于对所述道路图像集合进行车辆密度检测，获取道路流量集合；

聚类分析模块，所述聚类分析模块用于采用K均值聚类算法，对所述道路流量集合进行聚类分析，根据聚类结果将所述预设时段划分为多个时段，其中，每个时段映射一个道路流量；

控制分析模块，所述控制分析模块用于根据多个道路流量，进行信号灯控制分析，获得控制参数，结合所述多个时段，获取参数控制窗口；

特殊车辆检测模块，所述特殊车辆检测模块用于获取所述目标路段的实时道路图像，对所述实时道路图像进行特殊车辆检测，获取特殊车辆检测结果；

控制参数修正模块，所述控制参数修正模块用于根据所述特殊车辆检测结果，对所述控制参数进行修正，获取修正控制参数；

窗口控制模块，所述窗口控制模块用于根据所述修正控制参数和所述参数控制窗口，对所述目标路段的信号灯进行控制。