CN110660234B - 智能交通灯控制方法 - Google Patents

Abstract

本发明属于交通灯控制技术领域，具体提供一种智能交通灯控制方法，包括：检测步骤，检测各方向的车道上的车辆数据；计算步骤，按照预设的计算模型，根据各方向的车道上的车辆数据，对各车道的通行时间进行分配；控制步骤，按照计算步骤的分配时间，对交通灯进行控制；其中检测步骤包括第一检测步骤和第二检测步骤；第一检测步骤用拍照的方式采集各方向的车道上的车辆信息；第二检测步骤对第一检测步骤拍摄的图像进行处理，得到各方向的车道上的车辆数据。使用本发明，可改善浪费大量的时间进行无谓的等待，浪费道路资源，恶化交通拥堵状态的问题。同时，车辆等待时间减少，也会减少汽油的消耗，减少废气污染。

Description

智能交通灯控制方法

技术领域

本发明属于交通灯控制技术领域，尤其涉及一种智能交通灯控制方法。

背景技术

随着生活水平的提高，私家车的数量越来越多，城市交通的管理难度也越来越大。传统交通灯的控制方案都是按照固定配时的方式对各方向的交通灯进行控制，并没有考虑因车流量的实时变化而对各方向的通行时间进行调整。

在实际的交通情况中，并非每个方向的车道上的车流量都始终保持一致。很多时候，同一个路口上不同方向的车道，车流量存在不小的差异。当A方向的车道较为空旷而B方向的车道较为拥堵时，按照传统的交通灯的控制方案，会出现A方向的车道上的车辆全部行驶完毕，该车道的交通灯仍为绿灯，而B方向的车道上的车辆等了好几轮红绿灯，仍未驶出该路口的情况。

这样的交通车控制方法，B方向的车道上的车辆会浪费大量的时间进行等待，而A方向车道则会存在大量无车通行的绿灯状态，浪费道路资源，恶化交通拥堵状态；B方向车道上的车辆在等待的过程中，还会加大能源消耗和废气污染。

发明内容

本发明针对现有交通灯控制方法，会浪费司机的大量时间进行等待，浪费道路资源，恶化交通拥堵状态的问题，提供了一种智能交通灯控制方法。

本发明提供的基础方案为：

智能交通灯控制方法，包括：

检测步骤，检测各方向的车道上的车辆数据；

计算步骤，按照预设的计算模型，根据各方向的车道上的车辆数据，对各车道的通行时间进行分配；

控制步骤，按照计算步骤的分配时间，对交通灯进行控制。

基础方案工作原理及有益效果：

通过检测步骤对各方向的车道上的车辆信息进行检测；之后，按照预设的计算模型，根据检测到的车辆信息，对各方向的车道的通行时间进行分配；最后，按照计算步骤分配的时间，对交通灯进行控制。

这样，根据各方向的车道上的车流量情况来分配通行时间，当A方向的车道上的车流量较小，而B方向的车道上的车流量较大时，会相应的缩短A方向的通行时间并且增加B方向的通行时间。

和传统的交通灯控制方法相比，可改善浪费大量的时间进行等待，浪费道路资源，恶化交通拥堵状态的问题。同时，车辆等待时间减少，也会减少汽油的消耗，减少废气污染。

进一步，检测步骤中，通过传感器统计各个车道上的车辆数量，使用的传感器包括压力传感器、红外传感器、车流量检测雷达、地感线圈和超声波交通流量仪中的一种或多种。

与图像识别的方法相比，图像识别在夜晚拍照可能存在图片清晰度不够的问题，用传感器，如压力传感器，检测各车道上的车辆通行数量，不受亮度的影响，检测的结果更加稳定。并且这些传感器的技术都较为成熟，工作性能稳定，且较为常见，易于获取和安装。

进一步，检测步骤包括第一检测步骤和第二检测步骤；

第一检测步骤，用采集图像的方式采集各方向的车道上的车辆信息；

第二检测步骤，对第一检测步骤采集的图像进行处理，得到各方向的车道上的车辆数据。

和使用压力传感器等检测方式相比，效率更高，压力传感器只能一辆车一辆车的检测。同时，由于路口上始终有红灯和绿灯，也就是说，始终有车辆在通行，用压力传感器进行检测，绿灯车道上已通行的车辆同样会计入检测量，这样统计出的车辆数据会存在较大的误差，使得计算步骤产生的误差较大。而使用采集图像及图像处理的方式，由于采集图像，如拍照，所用的时间很短，可以在一轮红绿灯快要结束的时候进行拍照，尽可能少的将已通行车辆计入检测量，从而尽可能的减小误差。

除此，压力传感器安装在马路上，需要经常进行检修，而使用采集图像及图像处理的方式，其检修的频率要小得多。

进一步，第二检测步骤包括车道分割子步骤、车辆识别子步骤和车辆计数子步骤；

车道分割子步骤，根据各车道的特征，用第一神经网络将图像上的车道进行分割；

车辆识别子步骤，用第二神经网络对分割后车道后的图形进行处理，识别各车道上的车辆；

车辆计数子步骤，将第二神经网络识别出的各车道上的车辆进行计数统计。

利用第一神经网络将各车道进行分割，再用第二神经网络识别各车道上的车辆，之后统计各车道上的车辆数量，与二值化图像处理相比，神经网络在投入使用后，其依然可以通过识别的图像不断的自我学习优化，其识别的结果会越来越精确。

进一步，第二检测步骤中，还包括排队长度检测子步骤，用第三神经网络识别各车道的车辆排队长度；

计算步骤中，根据各车道上的车辆数量以及各车道的车辆排队长度，对各车道的通行时间进行分配。

有些路口个别方向的道路修得较窄，在车辆数量不多的情况下，车辆排队的长度也会较长，通行效率较低。通过排队长度检测步骤，可更加合理为各车道分配通行时间。

进一步，第二检测步骤还包括通行方向检测子步骤，根据车道及车道上车辆的转向灯，判断该车道上车辆的目标车道；计算步骤中，还分配各车道的通行顺序。

根据车道及车道上车辆的转向灯，判断车道上车辆的目标车道，再由计算步骤分配各车道的通行顺序，这样，可以有效避免出现各车道的车辆发生通行冲突的情况。

进一步，还包括通行检测步骤和第二控制步骤；

通行检测步骤，检测通行车道的车辆通行情况；

第二控制步骤，当通行检测步骤检测到通行车道上的车辆全部完成通行时，控制交通灯转为下一个车道通行。

当通行车道的车辆通行完毕后，第二控制步骤控制交通灯转为下一个车道通行的状态，这样，可以有效的减少车辆的等待时间，增加交通路口的通行效率。

进一步，还包括优先级车辆检测步骤，检测各车道上是否有优先级通过的车辆，若检测结果为有，计算步骤中，将无优先级车辆的车道的通行时间减少。

当排队的车辆中出现了优先级通过的车辆，如急救车、警车或抢险车辆时，计算步骤减少无优先级车辆的车道的通行时间。这样，可以有效减少优先级通过车辆的等待时间。

进一步，优先级车辆检测步骤中，检测到多个车道上同时存在优先级通过的车辆时，按照各优先级车辆的类型及预设的车辆优先通行等级，给各优先级车道进行优先级排序；计算步骤中，将优先级最高的车道外的其他车道的通行时间减少,优先级最高的车道之间，按照预设的计算模型，根据各车道上的车辆数据，进行通行时间进行分配。

在优先级车辆之间，也存在优先级的高低顺序，当检测到多个车道上同时存在优先级通过的车辆时，按照各优先级车辆的类型及预设的车辆优先通行等级各车道的优先级排序，并将优先级最高的车道外的其他车道的通行时间减少。这样，可以使优先级最高的车辆优先通过。

进一步，还包括通行信息存储步骤、违章检测步骤、违章记录步骤和违章发送步骤；

通行信息存储步骤，存储各车辆的通行信息；

违章检测步骤，检测各车道的车辆是否按照交通灯的指示进行通行；

违章记录步骤，当检测到未按交通灯的指示通行的车辆时，记录该车辆的信息；

违章发送步骤，将记录的违章车辆信息发送给交管部门。

存储车辆的通行信息，方便交管部门跟踪车辆动态；而对违章车辆的信息进行记录并发送给交管部门，则有利于维持良好的交通秩序。

附图说明

图1为本发明智能交通灯控制方法实施例一的流程图；

图2为图1中第二检测步骤的流程图；

图3为发明智能交通灯控制方法实施例一的逻辑框图；

图4为图3中运算模块的逻辑框图；

图5为本发明智能交通灯控制方法实施例二的流程图；

图6为本发明智能交通灯控制方法实施例三的流程图；

图7为本发明智能交通灯控制方法实施例四的流程图；

图8为智能交通灯控制方法实施例六的流程图。

具体实施方式

下面通过具体实施方式进一步详细说明：

如图1所示，智能交通灯控制方法，包括：

检测步骤，检测各方向的车道上的车辆数据；本实施例中，检测步骤的在每一轮红绿灯的最后一个绿灯还剩5秒时进行检测。这样，能够对各条车道上的车辆数量进行较为准确的检测。

具体的，检测步骤包括第一检测步骤和第二检测步骤。

第一检测步骤，用拍照的方式采集各方向的车道上的车辆信息。本实施例中，拍摄装置安装在红绿灯架的悬臂上，拍摄装置为摄像机。这样，不仅能够正对各方向的车道，还拥有良好的拍摄视野，能够有效的减少拍摄死角。

第二检测步骤，对第一检测步骤拍摄的图像进行处理，得到各方向的车道上的车辆数据。具体的，如图2所示，第二检测步骤包括车道分割子步骤、车辆识别子步骤、车辆计数子步骤、排队长度检测子步骤和通行方向检测子步骤；

车道分割子步骤，根据各车道的特征，用第一神经网络将图像上的车道进行分割。本实施例中，第一神经网络由卷积神经网络部分与反卷积神经网络部分联合组成。

通过拉普拉斯金字塔变换方式，将各车道样本图片中的各原始图像缩放为多个不同尺寸，再利用训练缩放后的车道图像及其对应的区域标定，对卷积神经网络与反卷积神经网络的参数进行训练。以这种方式训练出的第一神经网络，对各种情况下的道路图片，都能很好的完成车道分割的工作。

第一神经网络识别拍摄的道路图片时，第一神经网络的全连接层输出与原始图像的像素相同的一维数组，并将一维数组还原为与所述原始图像相同大小的结果图像，最后，在结果图像中标出各车道。这样，即可完成对各车道的分割。

车辆识别子步骤，用第二神经网络对分割后车道后的图形进行处理，识别各车道上的车辆。

本实施例中，第二神经网络为BP神经网络，与其他神经网络相比，BP神经网络具有较强的非线性映射能力，特别适合于求解内部机制复杂的问题；并且能够通过学习自动提取输出、输出数据间的“合理规则”，还能自适应的将学习内容记忆于网络的权值中；除此，BP神经网络的容错率较高，即使局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响。

车辆计数子步骤，将第二神经网络识别出的各车道上的车辆进行计数统计。

排队长度检测子步骤，用第三神经网络识别各车道的车辆排队长度。本实施例中，第三神经网络为卷积神经网络，与其他的神经网络类型相比，卷积神经网络隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。

通行方向检测子步骤，根据车道及车道上车辆的转向灯，判断该车道上车辆的目标车道。判断车辆的目标车道，使用现有的图像识别判断算法即可，在此不再赘述。

和使用压力传感器等检测方式相比，压力传感器只能一辆车一辆车的检测。同时，由于路口上始终有红灯和绿灯，也就是说，始终有车辆在通行，用压力传感器进行检测，绿灯车道上已通行的车辆同样会计入检测量，这样统计出的车辆数据会存在较大的误差，使得计算步骤产生的误差较大。而使用拍照及图像处理的方式，由于拍照所用的时间很短，可以在一轮红绿灯快要结束的时候进行拍照，尽可能少的将已通行车辆计入检测量，从而尽可能的减小误差。除此，压力传感器安装在马路上，需要经常进行检修，而使用拍照及图像处理的方式，其检修的频率要小得多。

计算步骤，按照预设的计算模型，根据各方向的车道上的车辆数据和排队长度，对各车道的通行时间进行分配，并分配各车道的通行顺序。

需要说明的是，本实施例中，当路口存在可变车道(潮汐车道)时，将可变车道的通行方向默认为车流量通行较大的方向。

本实施例中，计算步骤中，预设的计算模型为mobilenet网络结构，预设的计算模型用均方误差作为目标函数进行训练。与SqueezeNet等网络结构相比，由于MobileNet使用的是3x3的卷积核，在相同的权值参数数量的情况下，可以减少数倍的计算量，从而提升运算速度，减少计算步骤的时间。同时，均方误差与绝对误差相比，残差(预测值与真实值的差值)被求平方，且自动将所有误差转换为正数；除此，均方误差注重较大的误差而不是较小的误差，并且在微积分中是可微的，便于找到最大值。

模型训练时，在准备好训练数据和测试数据后，将训练数据集导入模型进行训练，然后通过训练次数和参数调整使模型目标函数的结果减小，当目标函数的结果小于预设收敛值时，模型达到收敛条件，停止训练。预设收敛值的具体数值大小，本领域技术人员可依据交通路口的具体情况设置。训练的模型，可以选用常见的神经网络模型。

模型训练好以后用准备好的测试数据集进行测试，当测试的准确率超过预设的准确率时，说明模型的训练结果达到预期，可正式使用。本实施例中，预设的准确率为百分之九十六点五。

控制步骤，按照计算步骤的分配时间和通行顺序，对交通灯进行控制。

本实施例中，计算步骤中，一轮红绿灯可分配的总时长为3分钟。这样的总时长，车流量较少的车道上的车辆也不用等待太久的时间。

使用本方法，通过检测步骤对各方向的车道上的车辆信息进行检测；之后，按照预设的计算模型，根据检测到的车辆信息，对各方向车道的通行时间及通行顺序进行分配；最后，按照计算步骤的分配时间和通行顺序，对交通灯进行控制。

这样，当A方向的车道上的车流量较小，而B方向的车道上的车流量较大时，会相应的缩短A方向的通行时间并且增加B方向的通行时间。和传统的交通灯控制方法相比，可改善浪费大量的时间进行无谓的等待，浪费道路资源，恶化交通拥堵状态的问题。同时，车辆等待时间减少，也会减少汽油的消耗，减少废气污染。

本方法的实现基于一种智能交通灯控制系统，如图3所示，该系统包括路口端和控制端。

路口端

路口端包括交通灯与摄像头。

交通灯与摄像头均通过现有通信方式，如WIFI模块，与控制端信号连接。

其中，摄像头的数量与车道的数量相同且一一对应，摄像头分别安装在各方向的红绿灯架的悬臂上。

控制端

本实施例中，控制端为分布式服务器，这样，能够同时对多个路口进行控制，并且可扩展性好，同时避免了中心化。

控制端包括存储模块、运算模块和控制模块。

存储模块用于存储摄像头发送的图片。

运算模块用于对存储模块内的图片进行处理，得到各方向的车道上车辆数据；并根据各车道上的车辆信息，分配各车道的通行时间和通行顺序。

具体的，如图4所示，运算模块包括车道分割子模块、车辆识别子模块、车辆计数子模块、排队长度检测子模块和通行方向检测子模块；

车道分割子模块，根据各车道的特征，用第一神经网络将图像上的车道进行分割；

车辆识别子模块，用第二神经网络对分割后车道后的图形进行处理，识别各车道上的车辆；

车辆计数子模块，将第二神经网络识别出的各车道上的车辆进行计数统计。

排队长度检测子模块，用第三神经网络识别各车道的车辆排队长度；

通行方向检测子模块，根据车道及车道上车辆的转向灯，判断该车道上车辆的目标车道；

时间分配子模块用于根据各车道上车辆的数量、排队长度和目标车道，按照预设的计算模型，对各车道的通行时间进行分配，并分配各车道的通行顺序。预设的计算模型为mobilenet网络结构，预设的计算模型用均方误差作为目标函数进行训练。

控制模块用于更开运算模块的分配时间，对交通灯进行控制。

实施例二

如图5所示，与实施例一不同的是，本实施例中，还包括：

优先级车辆检测步骤，检测各车道上是否有优先级通过的车辆，若检测结果为有，计算步骤中，将无优先级车辆的车道的通行时间减少；

当检测到多个车道上同时存在优先级通过的车辆时，按照各优先级车辆的类型及预设的车辆优先通行等级，给各优先级车道进行优先级排序，计算步骤中，将优先级最高的车道外的其他车道的通行时间减少,优先级最高的车道之间，按照预设的计算模型，根据各车道上的车辆数据，进行通行时间进行分配。

本实施例中，优先级车辆的优先级为5级，需要优先通行的车辆类型并不算太多，5级的优先级等级，已足够为各类型的优先级车辆进行优先级等级排序。

检测优先级通过车辆的具体实现方式，可用图像识别对比加声音识别对比的方式，图像采集的装置，直接用第一检测步骤中的拍摄装置即可。

通过优先级车辆检测步骤，当排队的车辆中出现了优先级通过的车辆，如急救车、警车或抢险车辆时，计算步骤减少无优先级车辆的车道的通行时间，减少时间的具体数值，本领域技术人员可依据一轮交通灯的总时间具体设置，本实施例中，减少的时间为10秒。这样，可以有效减少优先级通过车辆的等待时间；同时，也不会对整体的交通秩序造成过大影响。

在优先级车辆之间，也存在优先级的高低顺序，当检测到多个车道上同时存在优先级通过的车辆时，按照各优先级车辆的类型及预设的车辆优先通行等级各车道的优先级排序，并将优先级最高的车道外的其他车道的通行时间减少。这样，可以使优先级最高的车辆优先通过。

实施例三

如图6所示，与实施例一不同的是，本实施例中，还包括：

通行检测步骤，检测通行车道的车辆通行情况。车辆通行的具体检测方式，使用现有的图像识别算法即可，在此不再赘述。

第二控制步骤，当通行检测步骤检测到通行车道上的车辆全部完成通行时，控制交通灯转为下一个车道通行。

这样，当通行车道的车辆通行完毕后，第二控制步骤控制交通灯转为下一个车道通行的状态，这样，可以有效的减少车辆在交通路口的等待时间，增加交通路口的通行效率。

实施例四

如图7所示，与实施例一不同的是，本实施例中，还包括：

通行信息存储步骤，存储各车辆的通行信息。

违章检测步骤，检测各车道的车辆是否按照交通灯的指示进行通行。违章检测采用现有的技术，如激光扫描或者视频分析即可。

违章记录步骤，当检测到未按交通灯的指示通行的车辆时，记录该车辆的信息。记录的具体方式为，用拍照加图像识别的方式识别出违章车辆的车牌号后，对违章车辆的车牌号进行存储。

违章发送步骤，将记录的违章车辆信息发送给交管部门。

存储车辆的通行信息，方便交管部门跟踪车辆动态；而对违章车辆的信息进行记录并发送给交管部门，则有利于维持良好的交通秩序。

实施例五

与实施例一不同的是，本实施例中，检测步骤中，通过传感器统计各个车道上的车辆数量，使用的传感器包括压力传感器、红外传感器、车流量检测雷达、地感线圈和超声波交通流量仪中的一种或多种。本实施例中使用的传感器为压力传感器和车流量检测雷达。

与图像识别的方法相比，图像识别的方式，夜晚拍照可能存在图片清晰度不够的问题，用传感器，如压力传感器，检测各车道上的车辆通行数量，不受亮度的影响，检测的结果更加稳定。并且这些传感器的技术都较为成熟，工作性能稳定，且较为常见，易于获取和安装。

实施例六

如图8所示，与实施例一不同的是，本实施例中，还包括：

还包括故障检测步骤，检测交通灯是否正常运行，若检测结果为存在故障，则发送检修信号。这样，当交通灯出现故障时，控制端会发送检修信号，通知工作人员进行检修，减少因交通灯故障而导致的交通混乱时长。交通灯的故障检测的具体方式，可以对交通灯拍照后进行图像处理识别，也可以对交通灯的工作电压进行采集后与正常工作电压进行比对。

提醒步骤，当收到检修信号时，发出提醒。本实施例中，提醒的方式为语音加文字。

语音的方式刺激性较强，容易引起工作人员的注意，而文字的方式则能够让工作人员知道具体发生了什么。通过提醒步骤，可以让工作人员注意到检修信号，及时去对交通灯进行检修，防止因交通灯的原因造成长时间的交通混乱。

实施例七

与实施例一不同的是，本实施例中，还包括：

优先级车辆检测步骤，检测各车道上是否有优先级通过的车辆。

工作判断步骤，判断优先级车辆是否处于工作状态。本实施例中，通过图像处理的方式识别出优先级车辆后，用声音识别的方式判断其是否处于执行任务的状态。优先级车辆在外行驶时，不一定处于执行任务的状态，但当优先车处于鸣笛状态时，一定处于工作状态。

优先级类型识别步骤，当优先级车辆的处于工作状态时，识别优先级车辆的类型。车辆类型的识别方式，用现有的图像识别方式即可。本实施例中的优先级车辆包括警车和消防车。

优先级状态判断步骤，当优先级车辆的处于工作状态时，根据优先级车辆的类型以及其行驶方向，判断优先级车辆是外出执行任务，还是返回机构。根据优先级车辆的行驶方向，以及其机构的位置，可以判断优先级车辆是外出执行任务，还是返回机构，如果朝远离机构的方向行驶，则优先级车辆为外出执行任务，反之则是返回机构。

优先级线路匹配步骤，当优先级车辆为返回机构时，匹配优先级车辆的返回路线。由于一个区域的消防局和警察局的位置是固定的，并且消防局和警察局的负责区域也是相对固定的。优先级车辆返回机构时，根据优先级车辆的当前位置和机构的位置，可以匹配其返回机构的路线。匹配优先级车辆返回路线的具体方法，用现有的GIS技术即可，在此不再赘述。

宏观控制步骤，当判断优先级车辆的状态为返回机构时，根据优先级车辆的返回路线，分配下一个路口各车道的通行时间及通行顺序，将优先级车辆预测会通行的车道的通行时间增加一倍，并将该车道的通行顺序调整为优先放行。通过宏观控制步骤，优先级车辆在返回机构的过程中，能够始终处于一个优先通行的状态，提高优先级车辆的通信效率，可以尽快返回机构。

计算步骤中，还对各车道的通行顺序进行排序，将处于工作状态的优先级车辆通行路线车道进行优先放行。这样，能够保证优先级车辆尽快通过当前的路口。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.智能交通灯控制方法，其特征在于，包括：

检测步骤，检测各方向的车道上的车辆数据；

计算步骤，按照预设的计算模型，根据各方向的车道上的车辆数据，对各车道的通行时间进行分配；

优先级车辆检测步骤，检测各车道上是否有优先级通过的车辆；

工作判断步骤，判断优先级车辆是否处于工作状态；通过图像处理的方式识别出优先级车辆后，用声音识别的方式判断其是否处于执行任务的状态，优先级车辆在外行驶时，不一定处于执行任务的状态，但当优先车处于鸣笛状态时，一定处于工作状态；

优先级类型识别步骤，当优先级车辆的处于工作状态时，识别优先级车辆的类型；

优先级状态判断步骤，当优先级车辆的处于工作状态时，根据优先级车辆的类型以及其行驶方向，判断优先级车辆是外出执行任务，还是返回机构；

优先级线路匹配步骤，当优先级车辆为返回机构时，匹配优先级车辆的返回路线；

宏观控制步骤，当判断优先级车辆的状态为返回机构时，根据优先级车辆的返回路线，分配下一个路口各车道的通行时间及通行顺序，将优先级车辆预测会通行的车道的通行时间增加一倍，并将该车道的通行顺序调整为优先放行；

计算步骤中，还对各车道的通行顺序进行排序，将处于工作状态的优先级车辆通行路线车道进行优先放行；

控制步骤，按照计算步骤的分配时间，对交通灯进行控制。

2.根据权利要求1所述的智能交通灯控制方法，其特征在于：检测步骤中，通过传感器统计各个车道上的车辆数量，使用的传感器包括压力传感器、红外传感器、车流量检测雷达、地感线圈和超声波交通流量仪中的一种或多种。

3.根据权利要求1所述的智能交通灯控制方法，其特征在于：检测步骤包括第一检测步骤和第二检测步骤；

第一检测步骤，用采集图像的方式采集各方向的车道上的车辆信息；

第二检测步骤，对第一检测步骤采集的图像进行处理，得到各方向的车道上的车辆数据。

4.根据权利要求3所述的智能交通灯控制方法，其特征在于：第二检测步骤包括车道分割子步骤、车辆识别子步骤和车辆计数子步骤；

车道分割子步骤，根据各车道的特征，用第一神经网络将图像上的车道进行分割；

车辆识别子步骤，用第二神经网络对分割后车道后的图形进行处理，识别各车道上的车辆；

车辆计数子步骤，将第二神经网络识别出的各车道上的车辆进行计数统计。

5.根据权利要求4所述的智能交通灯控制方法，其特征在于：第二检测步骤中，还包括排队长度检测子步骤，用第三神经网络识别各车道的车辆排队长度；计算步骤中，根据各车道上的车辆数量以及各车道的车辆排队长度，对各车道的通行时间进行分配。

6.根据权利要求4所述的智能交通灯控制方法，其特征在于：第二检测步骤还包括通行方向检测子步骤，根据车道及车道上车辆的转向灯，判断该车道上车辆的目标车道；计算步骤中，还分配各车道的通行顺序。

7.根据权利要求1所述的智能交通灯控制方法，其特征在于：还包括通行检测步骤和第二控制步骤；

通行检测步骤，检测通行车道的车辆通行情况；

第二控制步骤，当通行检测步骤检测到通行车道上的车辆全部完成通行时，控制交通灯转为下一个车道通行。

8.根据权利要求1所述的智能交通灯控制方法，其特征在于：还包括优先级车辆检测步骤，检测各车道上是否有优先级通过的车辆，若检测结果为有，计算步骤中，将无优先级车辆的车道的通行时间减少。

9.根据权利要求8所述的智能交通灯控制方法，其特征在于：优先级车辆检测步骤中，检测到多个车道上同时存在优先级通过的车辆时，按照各优先级车辆的类型及预设的车辆优先通行等级，给各优先级车道进行优先级排序；计算步骤中，将优先级最高的车道外的其他车道的通行时间减少,优先级最高的车道之间，按照预设的计算模型，根据各车道上的车辆数据，进行通行时间进行分配。

10.根据权利要求1所述的智能交通灯控制方法，其特征在于：还包括通行信息存储步骤、违章检测步骤、违章记录步骤和违章发送步骤；

通行信息存储步骤，存储各车辆的通行信息；

违章检测步骤，检测各车道的车辆是否按照交通灯的指示进行通行；

违章记录步骤，当检测到未按交通灯的指示通行的车辆时，记录该车辆的信息；

违章发送步骤，将记录的违章车辆信息发送给交管部门。

Images