CN111524376A - 智能交通指示发光装置、监控装置、系统及方法 - Google Patents

智能交通指示发光装置、监控装置、系统及方法 Download PDF

Info

Publication number
CN111524376A
CN111524376A CN202010367593.0A CN202010367593A CN111524376A CN 111524376 A CN111524376 A CN 111524376A CN 202010367593 A CN202010367593 A CN 202010367593A CN 111524376 A CN111524376 A CN 111524376A
Authority
CN
China
Prior art keywords
traffic
image
pixel
light
current
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
Application number
CN202010367593.0A
Other languages
English (en)
Other versions
CN111524376B (zh
Inventor
张世民
王慧丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Luxiang Zhilian Eco City Development Co ltd
Original Assignee
Yunnan Luxiang Zhilian Eco City Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Luxiang Zhilian Eco City Development Co ltd filed Critical Yunnan Luxiang Zhilian Eco City Development Co ltd
Priority to CN202110450307.1A priority Critical patent/CN113140110B/zh
Priority to CN202010367593.0A priority patent/CN111524376B/zh
Publication of CN111524376A publication Critical patent/CN111524376A/zh
Application granted granted Critical
Publication of CN111524376B publication Critical patent/CN111524376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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

Abstract

本发明公开一种智能交通指示发光装置、监控装置、系统及方法，本发明提供了一种智能交通指示发光装置，包括：外封板，以及安装在所述外封板凹槽内的控制器和多个单元板，所述控制器控制所述单元板的发光，多个所述单元板构成一个发光面，该发光面分为四个区域，根据交通通行情况显示不同的颜色，以及显示交通的通行群体；本发明还提供了一种监控装置、系统和方法，用于获取发光装置所在的交通区域的交通信息，产生交通指示信号给发光装置，进行指导交通通行。通过该装置可以有效的提前指引通行群体进行交通分流，提高道路通行能力和通行效率。

Description

智能交通指示发光装置、监控装置、系统及方法
技术领域
本发明涉及智能交通领域，具体涉及一种智能交通指示发光装置、监控装置、系统及方法。
背景技术
近年来，我国的经济得到了快速的发展，城镇规模不断扩大，随之道路里程以及交通网络不断扩大，车辆数目迅速增长，极大的方便了人民的生活。在城市交通迅速发展的同时，也造成了交通流量的急速增加，在上下班高峰期以及节假日的交通拥堵成为了普遍的现象。为了解决这一问题，需要对交通流进行预警、管控甚至诱导。实现这些目标的基础是对道路交通拥堵状况进行判别。
对于城市交通来说，其质量的好坏基本上取决于交叉路口是否能够有效的运行，因为交叉路口是整个城市交通当中最为重要的集散点，也是很多城市之所以会形成交通拥挤的一个重要原因和环节，因此如何采取更加有效的措施和方法对交叉路口进行合理的分析和控制就显得十分重要，如果这个问题能够得到有效的解决，就可以在很大程度上解决交通拥挤的问题。
此外，为了改善当前的道路情况加强对道路交通的监控以及管理，各个城市已经大规模的安装了道路监控摄像头。交通管理部门以及市民能够及时有效直观的获得当前道路的实时视频。获取的实时视频中包含大量的交通信息，这给当前道路交通拥堵状况的判别带来了极大的方便。同时，道路监控视频系统不可避免的存在采集数据不准确以及丢失的问题，这主要是由于系统故障或者本身检测的精度不够导致的，因此对丢失的交通流量进行修复具有极大的现实意义。
发明内容
本发明的目的就在于为了解决上述问题而提供一种智能交通指示发光装置、包括该装置的智能交通指示系统以及该系统采用的道路拥堵判别方法,该智能交通指示发光装置能够实时显示各个路口的拥堵状态，并且安装方便，智能交通指示系统实现了自动智能判断，其使用的道路拥堵判别方法则极大的改善了当前道路监控系统的不准确性，并且提供了有效的拥堵状况评估。
为实现上述目的，本发明提供了以下技术方案：
本发明提供了一种智能交通指示发光装置，其特征在于，包括：外封板，以及安装在所述外封板凹槽内的控制器和多个单元板，所述控制器控制所述单元板的发光，多个所述单元板构成一个发光面；
所述单元板包括：用于路标显示的多个第一单元板、用于路标指示的多个第二单元板、用于显示交通群体的多个第三单元板和设置在所述第一单元板、所述第二单元板和所述第三单元板之间的第四单元板；
所述第一单元板内设有单色光源，所述第二单元板内设有用于显示不同交通流量的多色光源，所述第三单元板设有用于显示不同交通群体及不同交通群体流量的多色光源，所述第四单元板未设置光源和/或设置与所述第一单元板、所述第二单元板和所述第三单元板的光源均不同的单色光源。
优选地，还包括用于所述单元板和所述控制器安装的角铝，以及覆盖所述角铝与所述外封板链接部位的铝板，所述单元板和所述控制器均通过所述角铝固定在所述外封板内，两个相邻的所述单元板螺纹链接；
所述单色光源和所述多色光源均为LED灯条，所述单元板包括：导光板、加压背板、内封板、所述LED灯条和两个相对设置的安装卡槽；所述安装卡槽设有用于安装所述LED灯条的灯条卡槽和用于固定所述内封板的卡扣，所述内封板上设有穿线孔，所述LED灯条通过所述穿线孔和所述控制器电连接；
所述LED灯条包括主光源灯珠和辅助光源灯珠，所述导光板安装在两个所述安装卡槽顶部之间区域，且所述导光板覆盖在所述所述发光面上。
优选地，导光板包括通行指示区、地标指示区、非显示区和群体指示区；
所述导光板分为导光区域和不导光区域，所述导光区域包括防水板和透光膜，所述不导光区域包括遮光膜和反光膜；
所述通行指示区与所述第二单元板的位置相对应，且位于所述导光板中心区域；所述地标指示区与所述第一单元板的位置相对应，且所述地标指示区位于所述通行指示区的指示方向；所述群体指示区与所述第三单元板的位置相对应，且所述群体指示区设置在所述地标指示区相对应的位置。所述第二单元板的多色光源为三色光源，所述第三单元板的多色光源为与所述第二单元板的三色光源相对应的三色光源，所述群体指示区为与交通群体相对应的图案指示，所述群体指示区的光源颜色与交通群体的流量相对应。
本发明还提供了一种交通智能指示监控装置，包括处理器、时钟单元、图像拍摄装置、可编程逻辑器件、存储器和光源的驱动电路；
所述图像拍摄装置用于获取所述发光装置区域的交通信息；
所述时钟单元内置晶振和电池口，为所述控制器提供同步时钟；
所述可编程逻辑器件用于获取所述图像拍摄装置拍摄的交通信息，并将所述交通信息发送给所述处理器；
所述处理器根据所述交通信息生成对应的控制信号，并将所述控制信号发送给所述发光装置；
所述驱动电路用于控制光源的发光。
本发明还提供了一种智能交通指示系统，其特征在于，包括所述的智能交通指示发光装置和所述的交通智能指示监控装置；
所述监控装置包括图像采集模块、图像处理模块、图像存储模块和所述发光装置的控制模块；
所述图像采集模块通过所述图像拍摄装置对所述发光装置区域的交通信息进行采集，并把采集到的所述交通信息转换成交通视频序列发送给所述图像处理模块；
所述图像处理模块根据所述交通信息判断该路段的交通状态，得到路段通行信息，所述图像处理模块包括处理器芯片、看门狗模块、电源模块、存储器模块和时钟电路模块构成；
所述图像存储模块用于存储原始图像和经所述图像处理模块处理后的的数据；
所述控制模块将所述路段指示信息发送给所述发光装置的控制器。
本发明还提供了一种智能交通指示方法，其特征在于，包括如下步骤：
S1：获取实时的交通信息；
S2：根据所述交通信息，通过目标检测算法得到所述交通信息中的车辆图像、行人图像；通过多帧融合得到道路图像，通过行人图像、车辆图像的像素点数与道路图像的像素点数的比值得到空间占道比参数；
S3：根据所述空间占道比参数、所述目标检测算法结合虚拟检测线圈，对单位时间内的道路车流量、人流量进行统计，得到交通流量参数；
S4：通过矢量运动与角点检测结合，根据所述交通流量参数得到运动车辆和行人的关键特征点，得到全局矢量运动速度；
S5：通过所述全局矢量运动速度建立聚类判别模型，得到交通的通行状态参数；
S6：根据所述通行状态参数得到包括交通群体和交通群体的通行状态的路段指示信号。
优选地，所述步骤S2包括以下子步骤：
S21：通过所述目标检测算法将所述车辆图像和所述行人图像转换成多帧的二值图像，将所述二值图像和运动轨迹进行融合，且进行去噪、填充、和开闭运算；得到完整的道路图像；
其中，所述目标检测算法包括以下步骤：
211，根据视频序列第1帧图像进行背景建模，
对图像的每一个像素点创建一个包含M个灰度值的背景样本集P{x}：
P{x}＝{x1,x2,x3...xM}
其中，xi为第i个像素点的背景灰度值，每一个像素点对应的背景样本集P{x}中的任意一个背景灰度值xi都由当前像素点的灰度值以及邻域的8个像素点的灰度值随机产生，随机生成过程循环进行M次，完成当前像素点所对应的背景样本集的初始化过程；
S212：检测前景，
根据视频序列第i帧(i＞1)的图像，衡量当前的像素点与对应的背景样本集P{x}的相似度，定义以xi为圆心，R为半径的球体空间SR(x),球体空间SR(x)与背景样本集P{x}的相交样本个数C#：
C#＝SR{x}∩P{x}；
S213：预先设定相交阈值C#min，C#＞C#min时，当前像素点就被判别为背景点，否则被判别为前景点；
S214：计算第i帧图像的最佳分割阈，具体为：
S2141：假设当前视频图像的灰度级为L，对应的灰度范围是[0,L-1]，整个视频帧的像素点数为K，灰度级i为的像素点的数目为Ki，则
Figure BDA0002477121730000031
由此可以得到某像素点灰度级为i的概率Pi，
Figure BDA0002477121730000032
其中，Pi＞0，且
Figure BDA0002477121730000033
前景区域概率ω0为：
Figure BDA0002477121730000034
前景区域灰度均值为μ0：
Figure BDA0002477121730000035
背景区域概率ω1为：
Figure BDA0002477121730000036
前景区域灰度均值为μ1：
Figure BDA0002477121730000037
其中，L0为前后景的分割阈，前景区域的灰度级别为[0,L0]，后景区域的灰度级别为[L0+1,L-1]，ω0+ω1＝1；
S2142：计算整帧视频图像的灰度均值μ：
Figure BDA0002477121730000041
S2143：计算前景区域与背景区域类间方差为σ2：
σ2＝ω0ω1(μ0-μ1)2，
计算得到的类间方差σ2的值越大，说明两个区域的差别也就越大，也就能够越好地区分前景以及背景两个区域,想达到最佳的分割效果只需要取得最大值，此时对应的灰度值就是最佳阈值。
S2144：确定最佳分割阈
Figure BDA0002477121730000042
L0在[0,L-1]遍历，当σ2为最大值时，此时的L0为最佳分割阈
Figure BDA0002477121730000043
S215：二次判别，
将当前图像的像素点中随机选取Krandom个，计算Krandom个像素点的灰度级别均值
Figure BDA00024771217300000415
如果
Figure BDA0002477121730000044
且
Figure BDA0002477121730000045
则该像素点为前景像素点；
如果
Figure BDA0002477121730000046
且
Figure BDA0002477121730000047
则该像素点为背景像素点；
如果
Figure BDA0002477121730000048
且
Figure BDA0002477121730000049
则该像素点为前景像素点；
如果
Figure BDA00024771217300000410
且
Figure BDA00024771217300000411
则该像素点为背景像素点；
S216：由步骤3和步骤5确定的背景像素点进行或运算，得到准确的前景目标图像；
S217：步骤6获取的前景目标图像二值化；
S218：二值化的前景目标图像进行空洞填充，得到前景图像，具体步骤如下：
S2181：前景目标图像中的所有像素点建立一个与之对应的整数标记矩阵D，同时将所有元素初始化为0，创建一个全为0的线性序列G，用于存放种子点以及其连通域内的点；
S2182：对二值化的整帧图像的像素点进行逐行扫描，搜索整帧图像中出现的第一个灰度值为255的像素点，并将其作为需要进行处理的运动目标区域的起始像素点S；
S2183：以前面扫描得到的起始像素点S为生长的种子，进行区域生长完成其连通域的寻找过程，其中，起始像素点S不能为检测目标的边缘，否则用其八邻域内不在边缘的像素点替换，将起始像素点S存放在线性序列G中，并在整数标记矩阵D中起始像素点S相应位置的值重新设为1；
S2184：对线性序列G的每一个像素点的值进行全面扫描，如果线性序列G的像素点的八邻域内存在值为0的数据，则将整数标记矩阵D中的相应位置修改为2，确定当前区域的外围轮廓；
S2185：寻找像素点S对应的标记值为2的第j个八邻域像素点
Figure BDA00024771217300000412
位于目标区域的外围轮廓上，用像素点
Figure BDA00024771217300000413
更新线性序列G，清空其他值，以像素点
Figure BDA00024771217300000414
作为种子进行区域生长，其中，生长规则为：从线性序列G中取出像素点
Figure BDA0002477121730000051
扫描其对应的四邻域内的像素点Si(i＝1,2,3,4)，同时寻找对应的八邻域像素点的灰度值L8，用表示像素点Si在整数标记矩阵D中对应位置的值；
S22：通过公式：
Figure BDA0002477121730000052
得到所述空间占道比参数，其中，c为空间占道比参数，N为单位时间T内视频帧数，A_vehcle为车辆图像或行人图像的像素点数，A_road为车道图像的像素点数，i为第i帧。
优选地，所述步骤S3包括以下子步骤：
S31：在道路监控系统中设置垂直于道路的虚拟检测线圈，利用所述目标检测算法对穿过虚拟检测线圈的车辆图像和/或行人图像进行计数；
S32：数据初始化，确定单位时间T，得出视频帧数N＝T×f，f表示视频帧率，车辆数目和/或行人数目N_vehicle初始值为0，第i帧车辆和/或行人有无判断结果J_vehiclei初始值为0，i＝0；
S33：计算当前虚拟检测线圈中第i帧车辆和/或行人有无判断结果J_vehiclei，即：
Figure BDA0002477121730000053
其中，A_refreshi为第i帧检测线圈区域更新像素点数，A_threshold为更新像素点阈值数；
S34：如果第i帧的J_vehiclei＝0，则不计数，N_vehicle＝N_vehicle，进入步骤S37；
S35：如果第i帧的J_vehiclei＝1，并且第i-1帧的J_vehiclei-1＝0，则计数，N_vehicle＝N_vehicle+1，进入步骤S37；
S36：如果第i帧的J_vehiclei＝1，并且第i-1帧的J_vehiclei-1＝1，则不计数，N_vehicle＝N_vehicle+1，进入步骤S37；
S37：，如果当i＞N，则结束检测计数，输出车辆数目和/或行人数目N_vehicle，并进行步骤S38；否则，i＝i+1，返回步骤S33；
S38：计算交通流量参数d，
Figure BDA0002477121730000054
优选地，所述步骤S4包括以下子步骤：
S41：运动特征点的获取，具体为：
S411：选取(x,y)处的像素点，计算(x,y)处的x和y方向运动速度，如下：
Figure BDA0002477121730000061
其中，ui和ui-1分别为第i帧和第i-1帧x方向运动速度，vi和vi-1分别为第i帧和第i-1帧y方向运动速度，Ix为图像灰度随x方向的变化率，Iy为图像灰度随y方向的变化率，It为图像灰度随时间t变化率，λ为拉格朗日常数；
S412：如果
Figure BDA0002477121730000062
且i≤N_iterate，则i＝i+1，返回步骤S411继续迭代当前像素点，其中，G_threshold为差值阈值，N_iterate为迭代次数阈值；
S413：如果
Figure BDA0002477121730000063
且i≤N_iterate，则选取当前(x,y)为运动特征点，结束迭代，i＝0，返回步骤S411，选取其他像素点计算，判断是否为运动特征点；
S414：如果i＞N_iterate，当前(x,y)不是运动特征点，结束迭代，i＝0，返回步骤S411，选取其他像素点计算，判断是否为运动特征点；
S415：重复上述步骤S411至S414，直到获取所有的运动特征点；
S42：采用角点检测对局部极值点进行检测；
S421：，图像中的像素点进行处理，计算水平与垂直梯度，以及计算水平与垂直梯度的乘积；
S422：采用高斯滤波器进行图像滤波并平滑噪声干扰；
S423：对于图像中的每一个像素点计算兴趣值；
S424：重复上述步骤S421至S423，直到获取所有的局部极值点；
S43：根据所述运动特征点和所述局部极值点，得到重叠的像素点，构成关键特征点(xkey,ykey)；
S44：全局矢量运动速度计算，
S441：确定主矢量运动方向，
S442：根据所述关键特征点(xkey,ykey)和所述主矢量运动方向，得到所述主矢量运动方向的特征点(x'key,y'key)；
S443：计算全局矢量运动速度e，
Figure BDA0002477121730000064
其中，e为全局矢量运动速度，
Figure BDA0002477121730000065
和
Figure BDA0002477121730000066
分别为水平和垂直方向的矢量运动速度平均值，N_key为主矢量运动方向特征点总数，j为主矢量运动方向特征点序数，uj(x'key,y'key)和vj(x'key,y'key)为(x'key,y'key)处的x和y方向运动速度。
优选地，所述步骤S5包括以下子步骤：
S51：根据所述空间占道比参数c，所述交通流量参数d，所述全局矢量运动速度e构成当前交通特征向量Vtraffice_current＝[c,d,e]T和历史交通特征向量Vtraffice_history＝[c,d,e]T；
S52：在当前交通特征向量Vtraffice_current中，如果c＞0.8则判别为拥堵，结束判断；如果c＜0.1则判别为畅通，结束判断；否则进入步骤S53；
S53：通过对历史交通特征向量Vtraffice_history进行聚类得到在畅通、缓慢以及拥堵三种交通状态的判别中心Vtraffice_smooth，Vtraffice_normal以及Vtraffice_jam；
S54：计算Vtraffice_current与Vtraffice_smooth，Vtraffice_normal以及Vtraffice_jam的欧式距离，分别为Dcurrent_euler_smooth，Dcurrent_euler_normal，Dcurrent_euler_jam；
S55：计算Vtraffice_history与Vtraffice_smooth，Vtraffice_normal以及Vtraffice_jam的欧式距离，分别为Dhistory_euler_smooth，Dhistory_euler_normal，Dhistory_euler_jam；
S56：如果Dcurrent_euler_smooth＜Dhistory_euler_smooth，则判别为畅通，结束判断；否则进入步骤S57；
S57：如果Dcurrent_euler_normal＜Dhistory_euler_normal，则判别为缓慢，结束判断；否则进入步骤S58；
S58：如果Dcurrent_euler_jam＜Dhistory_euler_jam，则判别为缓慢，结束判断；否则返回步骤5.1从新获取当前交通特征向量Vtraffice_current。
有益效果在于：
1、智能交通指示发光装置接收来自视频监控检测系统传来的交通拥堵信息，并可显示为红、绿、黄三种颜色，代表拥堵、通畅和缓慢,提供给给司机实时的明确的交通路况；
2、发光标志牌采用可拆卸单元拼装，采用铝型材加工，结构简单，强度合理，重量大幅降低，尺寸和规格统一，便于规模化生产；智能交通指示发光装置的发光光源采用专有设计，主辅光源配置，保证产品寿命5年以上，避免了市面上出现的电路和光源损坏导致的不发光和发光不均匀现象，所有控制单元落地，发光标志出现故障后，完全可以在地面解决所有问题，不需要拆卸维修；
3、智能交通指示发光装置的控制器通过后台控制芯片调整电流，实现发光标志亮度自动调节，并可通过后台设置工作时间，自动检测亮度，实现节能功能；发光部分粘贴透光膜，在保证亮度的前提下，遇到停电，还可以被动反光；在保证亮度的前提下，大大降低了单位功率；
4、智能交通指示系统采用的道路拥堵判别方法有效的实现了对车道拥堵情况的判断，实现了智能化拥堵判断；
5、道路拥堵判别方法采用目标检测算法通过二次叠加的手段实现了前景图像精确分割，为运动车辆的相关参数获取提供了准确的依据；
6、道路拥堵判别方法采用车辆轨迹融合算法和目标检测算法结合计算得到了准确的空间占道比，采用虚拟检测线圈和目标检测算法结合快速获取交通流量参数，矢量运动法与角点检测结合计算了全局矢量运动速度，反应了车流的整体速度；
7、空间占道比直接判断与聚类中心判断结合，实现了快速准确的拥堵状况评估。
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是本发明智能交通指示发光装置总体装配结构图；
图2是本发明单元板的结构图；
图3是本发明地标指示区的示意图；
图4是本发明安装卡槽的结构图；
图5是本发明中间通行指示区的示意图；
图6是本发明内封板的结构图；
图7是本发明LED灯条的结构图；
图8是本发明导光板的结构图；
图9是本发明智能交通指示发光装置的显示示意图；
图10是本发明控制器组成原理图；
图11是本发明道路拥堵判别方法的流程图；
图12是本发明目标检测算法的流程图；
附图中零部件编号：
1、外封板；2、控制器；3、单元板；31、LED灯条；311、主光源灯珠；312、辅助光源灯珠；314、压边凹槽；32、LED灯条的导线；33、安装卡槽；331、螺孔；34、灯条卡槽；35、内封板；351、穿线孔；36、加压背板；37、导光板；372、防水板；373、透光膜；374、遮光膜；375、反光膜；4、铝板；5、角铝；6、导光板；7、通行指示区；71、红；72、黄；73、绿；8、群体指示区。
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。
实施例1
一种智能交通指示发光装置，如图1至图9所示，包括控制器2、外封板1、角铝5、铝板4以及若干个单元板3，单元板3之间通过螺栓固定拼装，角铝5与单元板3通过螺栓固定拼装，角铝5外部固定有外封板1，外封板1将控制器2、角铝5以及若干个单元板3封装在内部，铝板4覆盖了角铝5与外封板1之间的连接部分。
控制器2控制单元板3的发光，多个单元板3构成一个发光面；
所述单元板3包括：用于路标显示的多个第一单元板、用于路标指示的多个第二单元板、用于显示交通群体的多个第三单元板和设置在所述第一单元板、所述第二单元板和所述第三单元板之间的第四单元板；
所述第一单元板内设有单色光源，所述第二单元板内设有用于显示不同交通流量的多色光源，所述第三单元板设有用于显示不同交通群体及不同交通群体流量的多色光源，所述第四单元板未设置光源和/或设置与所述第一单元板、所述第二单元板和所述第三单元板的光源均不同的单色光源。
每个单元板包括导光板37、加压背板36、内封板35、LED灯条31、安装卡槽33，内封板35设置在两个安装卡槽33之间的中部卡扣上，两个安装卡槽33的顶部开口被导光板37覆盖，导光板37两侧的压边凹槽314与导光板37与封装板35之间设置有加压背板36，LED灯条31安装在导光板37灯条卡槽34内，LED灯条31在导光板37内对向设置，LED灯条31照射方向相互交叉通过导光板37向外发光，安装卡槽33下部设置拼装螺孔331，螺栓穿过拼装螺孔331实现单元板3之间以及角铝5与单元板3之间的固定拼装，内封板35底部设置穿线孔351，LED灯条通过穿线孔351与控制器3连接。
其中，通过手机可以调节发光装置的LED灯条31的亮度，LED灯条31根据环境光亮度或时间自动调整亮度。
其中，LED灯条31由主光源灯珠311、辅助光源灯珠312构成，主光源灯珠311、辅助光源灯珠312采用单色光源和三色光源，具体为第一单元板的LED灯条为单色光源，第二单元板和第三单元板的LED灯条为三色光源，且均与第一单元板的单色光源不同，优选红、黄绿三种，第二单元板的光源和第三单元板的光源相同，第四单元板的LED灯条为单色光源和/或没有光源，且与第一单元板、第二单元板和第三单元板的光源均不同，第三单元板的光源的照亮方式和同行群体相同，例如：儿童则显示儿童图案，且根据儿童密集程度显示不同颜色，如拥挤则儿童图案显示红色、较多则显示黄色、较少则显示绿色，车辆和/或成人、老人等显示方式相同。
其中，导光板包括通行指示区、地标指示区、非显示区和群体指示区，中间通行指示区内部对应设置有显示三种颜色的三色光源，地标指示区采用单色光源，非显示区内无光源，中间通行指示区和地标指示区包括由透光和膜防水层构成面层以及LED灯条构成的底层，非显示区包括有反光膜构成的面层以及遮光膜构成的底层，控制器接收智能视频监控装置传来的交通拥堵信息，生成相应控制信号，在中间通行指示区的相应方向上(包括前方、左方、右方)的箭头显示为红71、绿73、黄72三种颜色，分别代表拥堵、通畅和缓慢。
实施例2
本发明还提供了一种交通智能指示监控装置，如图10所示，控制器包括处理器(DSP)、时钟单元、可编程逻辑器件、液晶屏显示、键盘、存储器和LED灯条31的驱动电路。
其中，核心处理器DSP控制管理整个控制器的运行，通过可编程逻辑器件读取来自的各方向上智能视频监控装置的拥堵信号以及摄像头模块的序号，从而控制中间通行指示区按照相应方向的相应LED灯条31显示相应颜色，以表明各方向上的拥堵状况；时钟单元内置晶振和电池口，提供给控制器各单元的同步时钟；可编程逻辑器件基于SRAM实时编程技术，过利用SRAM构成查找表来实现数字逻辑功能的大规模集成可编程逻辑器件，接收智能视频监控装置的拥堵信号，并进行时序转换和片选译码，时序转换包括：LED灯条31驱动电路的SPI总线接口的生成；存储器读写时序的产生；片选译码主要为存储器、时钟单元和LED灯条31驱动电路提供片选地址；键盘和液晶屏显示作为人机接口，由于控制器的配时信息量较大，液晶屏显示采用240×128点阵的液晶屏，由核心处理器DSP以IO端口方式进行访问：键盘电路采用25键触摸键盘，核心处理器DSP以扫描方式进行键值读取；存储器采用非易失存储器，用于存储控制器的各种参数，存储器的读写时序由可编程逻辑器件配合核心处理器DSP完成；LED灯条31驱动电路具有锁存功能的串行移位芯片作为驱动芯片，可编程逻辑器件以SPI总线方式与其进行通，LED灯条31驱动电路将可编程逻辑器件的输出信号先经光耦进行强弱电隔离，再经过三级管放大之后驱动可控硅，从而控制LED灯条31。
此硬件结构避免了市电干扰导致控制器复位问题的发生，使信号机工作的更加稳定、可靠。
实施例3
本发明还提供了一种智能交通指示系统，包括所述的智能交通指示发光装置和所述的交通智能指示监控装置；所述监控装置包括图像采集模块、图像处理模块、图像存储模块和所述发光装置的控制模块；
所述图像采集模块通过所述图像拍摄装置对所述发光装置区域的交通信息进行采集，并把采集到的所述交通信息转换成交通视频序列发送给所述图像处理模块；所述图像处理模块根据所述交通信息判断该路段的交通状态，得到路段通行信息，所述图像处理模块包括处理器芯片、看门狗模块、电源模块、存储器模块和时钟电路模块构成；所述图像存储模块用于存储原始图像和经所述图像处理模块处理后的的数据；所述控制模块将所述路段指示信息发送给所述发光装置的控制器。
图像采集部分利用摄像头模块对当前车道的交通图像进行采集，并把采集到的模拟图像转换成交通视频序列送入图像处理部分，图像处理部分对数字图像使用道路拥堵判别方法判断该路段的拥堵状态，图像处理部分由处理器芯片、看门狗模块、电源模块、存储器模块和时钟电路模块构成，图像存储部分是对原始图像和经图像处理后的数据结果进行存储，确保数据安全，便于数据查看，发光装置控制部分根据图像处理部分得到的拥堵状况生成相应的拥堵信号与生成该拥堵信号的摄像头模块的序号发动给智能交通指示发光装置的控制器。
实施例4
本发明还提供了一种智能交通指示方法，如图11和图12所示，包括如下步骤：
S1:获取实时的交通信息；
具体是，获取实时的交通视频序列；
S2:根据所述交通信息，通过目标检测算法得到所述交通信息中的车辆图像、行人图像；通过多帧融合得到道路图像，通过行人图像、车辆图像的像素点数与道路图像的像素点数的比值得到空间占道比参数；
S3:根据所述空间占道比参数、所述目标检测算法结合虚拟检测线圈，对单位时间内的道路车流量、人流量进行统计，得到交通流量参数；
S4:通过矢量运动与角点检测结合，根据所述交通流量参数得到运动车辆和行人的关键特征点，得到全局矢量运动速度；
S5:通过所述全局矢量运动速度建立聚类判别模型，得到交通的通行状态参数(即基于聚类判别模型对交通拥堵状况进行判别)；
S6:根据所述通行状态参数得到包括交通群体和交通群体的通行状态的路段指示信号(即输出判别结果，分别为畅通、缓慢或者拥堵)。
优选地，所述步骤S2包括以下子步骤：
S21：目标检测算法检测出交通视频序列中运动的当前车辆图像，根据运动车辆轨迹融合的方法进行车道检测，通过目标检测算法对多帧交通视频序列中的车辆图像进行检测生成多帧的运动车辆的二值图像，对多帧的运动车辆的二值图像进行或运算完成轨迹的融合，进行去噪、填充、去噪、孔洞填充以及开闭运算得到完整的车道图像；
S22：通过公式：
Figure BDA0002477121730000101
得到所述空间占道比参数，其中，c为空间占道比参数，N为单位时间T内视频帧数，A_vehcle为车辆图像或行人图像的像素点数，A_road为车道图像的像素点数，i为第i帧。
其中，N为40帧；
实际的道路监控系统中，由于摄像头往往是俯拍，导致道路远处较窄而近处较宽，通过上述方法能够比较完整的检测出车道，侧车道会更加准确，真正能够准确描述实际占道比的只有车辆宽度与所在位置的道路宽度的比值，交通参数效果稳定。
优选地，所述步骤S3包括以下子步骤：
S31：在道路监控系统中设置垂直于道路的虚拟检测线圈，利用所述目标检测算法对穿过虚拟检测线圈的车辆图像和/或行人图像进行计数
具体的，在道路监控视频系统中设置虚拟检测线圈，虚拟检测线圈垂直于车道，并靠近摄像头，通过目标检测算法对穿过检测线圈的车辆图像进行计数；
S32：数据初始化，确定单位时间T，得出视频帧数N＝T×f，f表示视频帧率，车辆数目和/或行人数目N_vehicle初始值为0，第i帧车辆和/或行人有无判断结果J_vehiclei初始值为0，i＝0；
S33：计算当前虚拟检测线圈中第i帧车辆和/或行人有无判断结果J_vehiclei，即：
Figure BDA0002477121730000111
其中，A_refreshi为第i帧检测线圈区域更新像素点数，A_threshold为更新像素点阈值数；
S34：如果第i帧的J_vehiclei＝0，则不计数，N_vehicle＝N_vehicle，进入步骤S37；
S35：如果第i帧的J_vehiclei＝1，并且第i-1帧的J_vehiclei-1＝0，则计数，N_vehicle＝N_vehicle+1，进入步骤S37；
S36：如果第i帧的J_vehiclei＝1，并且第i-1帧的J_vehiclei-1＝1，则不计数，N_vehicle＝N_vehicle+1，进入步骤S37；
S37：，如果当i＞N，则结束检测计数，输出车辆数目和/或行人数目N_vehicle，并进行步骤S38；否则，i＝i+1，返回步骤S33；
S38：计算交通流量参数d，
Figure BDA0002477121730000112
优选地，所述步骤S4包括以下子步骤：
S41：运动特征点的获取，具体为：
S411：选取(x,y)处的像素点，计算(x,y)处的x和y方向运动速度，如下：
Figure BDA0002477121730000113
其中，ui和ui-1分别为第i帧和第i-1帧x方向运动速度，vi和vi-1分别为第i帧和第i-1帧y方向运动速度，Ix为图像灰度随x方向的变化率，Iy为图像灰度随y方向的变化率，It为图像灰度随时间t变化率，λ为拉格朗日常数；
S412：如果
Figure BDA0002477121730000114
且i≤N_iterate，则i＝i+1，返回步骤S411继续迭代当前像素点，其中，G_threshold为差值阈值，N_iterate为迭代次数阈值；
S413：如果
Figure BDA0002477121730000121
且i≤N_iterate，则选取当前(x,y)为运动特征点，结束迭代，i＝0，返回步骤S411，选取其他像素点计算，判断是否为运动特征点；
S414：如果i＞N_iterate，当前(x,y)不是运动特征点，结束迭代，i＝0，返回步骤S411，选取其他像素点计算，判断是否为运动特征点；
S415：重复上述步骤S411至S414，直到获取所有的运动特征点；
S42：采用角点检测对局部极值点进行检测；
S421：，图像中的像素点进行处理，计算水平与垂直梯度，以及计算水平与垂直梯度的乘积；
S422：采用高斯滤波器进行图像滤波并平滑噪声干扰；
S423：对于图像中的每一个像素点计算兴趣值；
S424：重复上述步骤S421至S423，直到获取所有的局部极值点；
S43：根据所述运动特征点和所述局部极值点，得到重叠的像素点，构成关键特征点(xkey,ykey)；
S44：全局矢量运动速度计算，
S441：确定主矢量运动方向，
S442：根据所述关键特征点(xkey,ykey)和所述主矢量运动方向，得到所述主矢量运动方向的特征点(x'key,y'key)；
S443：计算全局矢量运动速度e，
Figure BDA0002477121730000122
其中，e为全局矢量运动速度，
Figure BDA0002477121730000124
和
Figure BDA0002477121730000123
分别为水平和垂直方向的矢量运动速度平均值，N_key为主矢量运动方向特征点总数，j为主矢量运动方向特征点序数，uj(x'key,y'key)和vj(x'key,y'key)为(x'key,y'key)处的x和y方向运动速度。
优选地，所述步骤S5包括以下子步骤：
S51：根据所述空间占道比参数c，所述交通流量参数d，所述全局矢量运动速度e构成当前交通特征向量Vtraffice_current＝[c,d,e]T和历史交通特征向量Vtraffice_history＝[c,d,e]T；
S52：在当前交通特征向量Vtraffice_current中，如果c＞0.8则判别为拥堵，结束判断；如果c＜0.1则判别为畅通，结束判断；否则进入步骤S53；
S53：通过对历史交通特征向量Vtraffice_history进行聚类得到在畅通、缓慢以及拥堵三种交通状态的判别中心Vtraffice_smooth，Vtraffice_normal以及Vtraffice_jam；
S54：计算Vtraffice_current与Vtraffice_smooth，Vtraffice_normal以及Vtraffice_jam的欧式距离，分别为Dcurrent_euler_smooth，Dcurrent_euler_normal，Dcurrent_euler_jam；
S55：计算Vtraffice_history与Vtraffice_smooth，Vtraffice_normal以及Vtraffice_jam的欧式距离，分别为Dhistory_euler_smooth，Dhistory_euler_normal，Dhistory_euler_jam；
S56：如果Dcurrent_euler_smooth＜Dhistory_euler_smooth，则判别为畅通，结束判断；否则进入步骤S57；
S57：如果Dcurrent_euler_normal＜Dhistory_euler_normal，则判别为缓慢，结束判断；否则进入步骤S58；
S58：如果Dcurrent_euler_jam＜Dhistory_euler_jam，则判别为缓慢，结束判断；否则返回步骤5.1从新获取当前交通特征向量Vtraffice_current。
优选地，所述步骤S2包括以下子步骤：
S21：通过所述目标检测算法将所述车辆图像和所述行人图像转换成多帧的二值图像，将所述二值图像和运动轨迹进行融合，且进行去噪、填充、和开闭运算；得到完整的道路图像；
其中，所述目标检测算法包括以下步骤：
211，根据视频序列第1帧图像进行背景建模，
对图像的每一个像素点创建一个包含M个灰度值的背景样本集P{x}：
P{x}＝{x1,x2,x3...xM}
其中，xi为第i个像素点的背景灰度值，每一个像素点对应的背景样本集P{x}中的任意一个背景灰度值xi都由当前像素点的灰度值以及邻域的8个像素点的灰度值随机产生，随机生成过程循环进行M次，完成当前像素点所对应的背景样本集的初始化过程；
S212：检测前景，
根据视频序列第i帧(i＞1)的图像，衡量当前的像素点与对应的背景样本集P{x}的相似度，定义以xi为圆心，R为半径的球体空间SR(x),球体空间SR(x)与背景样本集P{x}的相交样本个数C#：
C#＝SR{x}∩P{x}；
S213：预先设定相交阈值C#min，C#＞C#min时，当前像素点就被判别为背景点，否则被判别为前景点；
S214：计算第i帧图像的最佳分割阈，具体为：
S2141：假设当前视频图像的灰度级为L，对应的灰度范围是[0,L-1]，整个视频帧的像素点数为K，灰度级i为的像素点的数目为Ki，则
Figure BDA0002477121730000141
由此可以得到某像素点灰度级为i的概率Pi，
Figure BDA0002477121730000142
其中，Pi＞0，且
Figure BDA0002477121730000143
前景区域概率ω0为：
Figure BDA0002477121730000144
前景区域灰度均值为μ0：
Figure BDA0002477121730000145
背景区域概率ω1为：
Figure BDA0002477121730000146
前景区域灰度均值为μ1：
Figure BDA0002477121730000147
其中，L0为前后景的分割阈，前景区域的灰度级别为[0,L0]，后景区域的灰度级别为[L0+1,L-1]，ω0+ω1＝1；
S2142：计算整帧视频图像的灰度均值
Figure BDA00024771217300001417
Figure BDA00024771217300001418
S2143：计算前景区域与背景区域类间方差为σ2：
σ2＝ω0ω1(μ0-μ1)2，
计算得到的类间方差σ2的值越大，说明两个区域的差别也就越大，也就能够越好地区分前景以及背景两个区域,想达到最佳的分割效果只需要取得最大值，此时对应的灰度值就是最佳阈值。
S2144：确定最佳分割阈
Figure BDA0002477121730000148
L0在[0,L-1]遍历，当σ2为最大值时，此时的L0为最佳分割阈
Figure BDA0002477121730000149
S215：二次判别，
将当前图像的像素点中随机选取Krandom个，计算Krandom个像素点的灰度级别均值
Figure BDA00024771217300001410
如果
Figure BDA00024771217300001411
且
Figure BDA00024771217300001412
则该像素点为前景像素点；
如果
Figure BDA00024771217300001413
且
Figure BDA00024771217300001414
则该像素点为背景像素点；
如果
Figure BDA00024771217300001415
且
Figure BDA00024771217300001416
则该像素点为前景像素点；
如果
Figure BDA0002477121730000151
且
Figure BDA0002477121730000152
则该像素点为背景像素点；
S216：由步骤3和步骤5确定的背景像素点进行或运算，得到准确的前景目标图像；
S217：步骤6获取的前景目标图像二值化；
S218：二值化的前景目标图像进行空洞填充，得到前景图像，具体步骤如下：
S2181：前景目标图像中的所有像素点建立一个与之对应的整数标记矩阵D，同时将所有元素初始化为0，创建一个全为0的线性序列G，用于存放种子点以及其连通域内的点；
S2182：对二值化的整帧图像的像素点进行逐行扫描，搜索整帧图像中出现的第一个灰度值为255的像素点，并将其作为需要进行处理的运动目标区域的起始像素点S；
S2183：以前面扫描得到的起始像素点S为生长的种子，进行区域生长完成其连通域的寻找过程，其中，起始像素点S不能为检测目标的边缘，否则用其八邻域内不在边缘的像素点替换，将起始像素点S存放在线性序列G中，并在整数标记矩阵D中起始像素点S相应位置的值重新设为1；
S2184：对线性序列G的每一个像素点的值进行全面扫描，如果线性序列G的像素点的八邻域内存在值为0的数据，则将整数标记矩阵D中的相应位置修改为2，确定当前区域的外围轮廓；
S2185：寻找像素点S对应的标记值为2的第j个八邻域像素点
Figure BDA0002477121730000153
位于目标区域的外围轮廓上，用像素点
Figure BDA0002477121730000154
更新线性序列G，清空其他值，以像素点
Figure BDA0002477121730000155
作为种子进行区域生长，其中，生长规则为：从线性序列G中取出像素点
Figure BDA0002477121730000156
扫描其对应的四邻域内的像素点Si(i＝1,2,3,4)，同时寻找对应的八邻域像素点的灰度值L8，用表示像素点Si在整数标记矩阵D中对应位置的值。
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)

1.一种智能交通指示发光装置，其特征在于，包括：外封板，以及安装在所述外封板凹槽内的控制器和多个单元板，所述控制器控制所述单元板的发光，多个所述单元板构成一个发光面；
所述单元板包括：用于路标显示的多个第一单元板、用于路标指示的多个第二单元板、用于显示交通群体的多个第三单元板和设置在所述第一单元板、所述第二单元板和所述第三单元板之间的第四单元板；
所述第一单元板内设有单色光源，所述第二单元板内设有用于显示不同交通流量的多色光源，所述第三单元板设有用于显示不同交通群体及不同交通群体流量的多色光源，所述第四单元板未设置光源和/或设置与所述第一单元板、所述第二单元板和所述第三单元板的光源均不同的单色光源。
2.根据权利要求1所述的智能交通指示发光装置，其特征在于，还包括用于所述单元板和所述控制器安装的角铝，以及覆盖所述角铝与所述外封板链接部位的铝板，所述单元板和所述控制器均通过所述角铝固定在所述外封板内，两个相邻的所述单元板螺纹链接；
所述单色光源和所述多色光源均为LED灯条，所述单元板包括：导光板、加压背板、内封板、所述LED灯条和两个相对设置的安装卡槽；所述安装卡槽设有用于安装所述LED灯条的灯条卡槽和用于固定所述内封板的卡扣，所述内封板上设有穿线孔，所述LED灯条通过所述穿线孔和所述控制器电连接；
所述LED灯条包括主光源灯珠和辅助光源灯珠，所述导光板安装在两个所述安装卡槽顶部之间区域，且所述导光板覆盖在所述所述发光面上。
3.根据权利要求2所述的智能交通指示发光装置，其特征在于，导光板包括通行指示区、地标指示区、非显示区和群体指示区；
所述导光板分为导光区域和不导光区域，所述导光区域包括防水板和透光膜，所述不导光区域包括遮光膜和反光膜；
所述通行指示区与所述第二单元板的位置相对应，且位于所述导光板中心区域；所述地标指示区与所述第一单元板的位置相对应，且所述地标指示区位于所述通行指示区的指示方向；所述群体指示区与所述第三单元板的位置相对应，且所述群体指示区设置在所述地标指示区相对应的位置，所述第二单元板的多色光源为三色光源，所述第三单元板的多色光源为与所述第二单元板的三色光源相对应的三色光源，所述群体指示区为与交通群体相对应的图案指示，所述群体指示区的光源颜色与交通群体的流量相对应。
4.一种交通智能指示监控装置，用于产生由权利要求1-3所述的一种智能交通指示发光装置执行的控制信号，其特征在于，包括处理器、时钟单元、图像拍摄装置、可编程逻辑器件、存储器和光源的驱动电路；
所述图像拍摄装置用于获取所述发光装置区域的交通信息；
所述时钟单元内置晶振和电池口，为所述控制器提供同步时钟；
所述可编程逻辑器件用于获取所述图像拍摄装置拍摄的交通信息，并将所述交通信息发送给所述处理器；
所述处理器根据所述交通信息生成对应的控制信号，并将所述控制信号发送给所述发光装置；
所述驱动电路用于控制光源的发光。
5.一种智能交通指示系统，其特征在于，包括权利要求1-3任意一项所述的智能交通指示发光装置和权利要求4所述的交通智能指示监控装置；
所述监控装置包括图像采集模块、图像处理模块、图像存储模块和所述发光装置的控制模块；
所述图像采集模块通过所述图像拍摄装置对所述发光装置区域的交通信息进行采集，并把采集到的所述交通信息转换成交通视频序列发送给所述图像处理模块；
所述图像处理模块根据所述交通信息判断交通状态，得到路段通行信息，所述图像处理模块包括处理器芯片、看门狗模块、电源模块、存储器模块和时钟电路模块构成；
所述图像存储模块用于存储原始图像和经所述图像处理模块处理后的的数据；
所述控制模块将所述路段指示信息发送给所述发光装置的控制器。
6.一种智能交通指示方法，其特征在于，包括如下步骤：
S1：获取实时的交通信息；
S2：根据所述交通信息，通过目标检测算法得到所述交通信息中的车辆图像、行人图像；通过多帧融合得到道路图像，通过行人图像、车辆图像的像素点数与道路图像的像素点数的比值得到空间占道比参数；
S3：根据所述空间占道比参数、所述目标检测算法结合虚拟检测线圈，对单位时间内的道路车流量、人流量进行统计，得到交通流量参数；
S4：通过矢量运动与角点检测结合，根据所述交通流量参数得到运动车辆和行人的关键特征点，得到全局矢量运动速度；
S5：通过所述全局矢量运动速度建立聚类判别模型，得到交通的通行状态参数；
S6：根据所述通行状态参数得到包括交通群体和交通群体的通行状态的路段指示信号。
7.根据权利要求6所述的智能交通指示方法，其特征在于，所述步骤S2包括以下子步骤：
S21：通过所述目标检测算法将所述车辆图像和所述行人图像转换成多帧的二值图像，将所述二值图像和运动轨迹进行融合，且进行去噪、填充、和开闭运算；得到完整的道路图像；
其中，所述目标检测算法包括以下步骤：
211，根据视频序列第1帧图像进行背景建模，
对图像的每一个像素点创建一个包含M个灰度值的背景样本集P{x}：
P{x}＝{x1,x2,x3...xM}
其中，xi为第i个像素点的背景灰度值，每一个像素点对应的背景样本集P{x}中的任意一个背景灰度值xi都由当前像素点的灰度值以及邻域的8个像素点的灰度值随机产生，随机生成过程循环进行M次，完成当前像素点所对应的背景样本集的初始化过程；
S212：检测前景，
根据视频序列第i帧(i＞1)的图像，衡量当前的像素点与对应的背景样本集P{x}的相似度，定义以xi为圆心，R为半径的球体空间SR(x),球体空间SR(x)与背景样本集P{x}的相交样本个数C#：
C#＝SR{x}∩P{x}；
S213：预先设定相交阈值C#min，C#＞C#min时，当前像素点就被判别为背景点，否则被判别为前景点；
S214：计算第i帧图像的最佳分割阈，具体为：
S2141：假设当前视频图像的灰度级为L，对应的灰度范围是[0,L-1]，整个视频帧的像素点数为K，灰度级i为的像素点的数目为Ki，则
Figure FDA0002477121720000031
由此可以得到某像素点灰度级为i的概率Pi，
Figure FDA0002477121720000032
其中，Pi＞0，且
Figure FDA0002477121720000033
前景区域概率ω0为：
Figure FDA0002477121720000034
前景区域灰度均值为μ0：
Figure FDA0002477121720000035
背景区域概率ω1为：
Figure FDA0002477121720000036
前景区域灰度均值为μ1：
Figure FDA0002477121720000037
其中，L0为前后景的分割阈，前景区域的灰度级别为[0,L0]，后景区域的灰度级别为[L0+1,L-1]，ω0+ω1＝1；
S2142：计算整帧视频图像的灰度均值
Figure FDA00024771217200000318
Figure FDA0002477121720000038
S2143：计算前景区域与背景区域类间方差为σ2：
σ2＝ω0ω1(μ0-μ1)2，
计算得到的类间方差σ2的值越大，说明两个区域的差别也就越大，也就能够越好地区分前景以及背景两个区域,想达到最佳的分割效果只需要取得最大值，此时对应的灰度值就是最佳阈值；
S2144：确定最佳分割阈
Figure FDA0002477121720000039
L0在[0,L-1]遍历，当σ2为最大值时，此时的L0为最佳分割阈
Figure FDA00024771217200000310
S215：二次判别，
将当前图像的像素点中随机选取Krandom个，计算Krandom个像素点的灰度级别均值
Figure FDA00024771217200000311
如果
Figure FDA00024771217200000312
且
Figure FDA00024771217200000313
则该像素点为前景像素点；
如果
Figure FDA00024771217200000314
且
Figure FDA00024771217200000315
则该像素点为背景像素点；
如果
Figure FDA00024771217200000316
且
Figure FDA00024771217200000317
则该像素点为前景像素点；
如果
Figure FDA0002477121720000041
且
Figure FDA0002477121720000042
则该像素点为背景像素点；
S216：由步骤3和步骤5确定的背景像素点进行或运算，得到准确的前景目标图像；
S217：步骤6获取的前景目标图像二值化；
S218：二值化的前景目标图像进行空洞填充，得到前景图像，具体步骤如下：
S2181：前景目标图像中的所有像素点建立一个与之对应的整数标记矩阵D，同时将所有元素初始化为0，创建一个全为0的线性序列G，用于存放种子点以及其连通域内的点；
S2182：对二值化的整帧图像的像素点进行逐行扫描，搜索整帧图像中出现的第一个灰度值为255的像素点，并将其作为需要进行处理的运动目标区域的起始像素点S；
S2183：以前面扫描得到的起始像素点S为生长的种子，进行区域生长完成其连通域的寻找过程，其中，起始像素点S不能为检测目标的边缘，否则用其八邻域内不在边缘的像素点替换，将起始像素点S存放在线性序列G中，并在整数标记矩阵D中起始像素点S相应位置的值重新设为1；
S2184：对线性序列G的每一个像素点的值进行全面扫描，如果线性序列G的像素点的八邻域内存在值为0的数据，则将整数标记矩阵D中的相应位置修改为2，确定当前区域的外围轮廓；
S2185：寻找像素点S对应的标记值为2的第j个八邻域像素点
Figure FDA0002477121720000043
位于目标区域的外围轮廓上，用像素点
Figure FDA0002477121720000044
更新线性序列G，清空其他值，以像素点
Figure FDA0002477121720000045
作为种子进行区域生长，其中，生长规则为：从线性序列G中取出像素点
Figure FDA0002477121720000046
扫描其对应的四邻域内的像素点Si(i＝1,2,3,4)，同时寻找对应的八邻域像素点的灰度值L8，用表示像素点Si在整数标记矩阵D中对应位置的值；
S22：:通过公式：
Figure FDA0002477121720000047
得到所述空间占道比参数，其中，c为空间占道比参数，N为单位时间T内视频帧数，A_vehcle为车辆图像或行人图像的像素点数，A_road为车道图像的像素点数，i为第i帧。
8.根据权利要求6所述的智能交通指示方法，其特征在于，所述步骤S3包括以下子步骤：
S31：在道路监控系统中设置垂直于道路的虚拟检测线圈，利用所述目标检测算法对穿过虚拟检测线圈的车辆图像和/或行人图像进行计数；
S32：数据初始化，确定单位时间T，得出视频帧数N＝T×f，f表示视频帧率，车辆数目和/或行人数目N_vehicle初始值为0，第i帧车辆和/或行人有无判断结果J_vehiclei初始值为0，i＝0；
S33：计算当前虚拟检测线圈中第i帧车辆和/或行人有无判断结果J_vehiclei，即：
Figure FDA0002477121720000051
其中，A_refreshi为第i帧检测线圈区域更新像素点数，A_threshold为更新像素点阈值数；
S34：如果第i帧的J_vehiclei＝0，则不计数，N_vehicle＝N_vehicle，进入步骤S37；
S35：如果第i帧的J_vehiclei＝1，并且第i-1帧的J_vehiclei-1＝0，则计数，N_vehicle＝N_vehicle+1，进入步骤S37；
S36：如果第i帧的J_vehiclei＝1，并且第i-1帧的J_vehiclei-1＝1，则不计数，N_vehicle＝N_vehicle+1，进入步骤S37；
S37：，如果当i＞N，则结束检测计数，输出车辆数目和/或行人数目N_vehicle，并进行步骤S38；否则，i＝i+1，返回步骤S33；
S38：计算交通流量参数d，
Figure FDA0002477121720000052
9.根据权利要求6所述的智能交通指示方法，其特征在于，所述步骤S4包括以下子步骤：
S41：运动特征点的获取，具体为：
S411：选取(x,y)处的像素点，计算(x,y)处的x和y方向运动速度，如下：
Figure FDA0002477121720000053
其中，ui和ui-1分别为第i帧和第i-1帧x方向运动速度，vi和vi-1分别为第i帧和第i-1帧y方向运动速度，Ix为图像灰度随x方向的变化率，Iy为图像灰度随y方向的变化率，It为图像灰度随时间t变化率，λ为拉格朗日常数；
S412：如果
Figure FDA0002477121720000054
且i≤N_iterate，则i＝i+1，返回步骤S411继续迭代当前像素点，其中，G_threshold为差值阈值，N_iterate为迭代次数阈值；
S413：如果
Figure FDA0002477121720000055
且i≤N_iterate，则选取当前(x,y)为运动特征点，结束迭代，i＝0，返回步骤S411，选取其他像素点计算，判断是否为运动特征点；
S414：如果i＞N_iterate，当前(x,y)不是运动特征点，结束迭代，i＝0，返回步骤S411，选取其他像素点计算，判断是否为运动特征点；
S415：重复上述步骤S411至S414，直到获取所有的运动特征点；
S42：采用角点检测对局部极值点进行检测；
S421：，图像中的像素点进行处理，计算水平与垂直梯度，以及计算水平与垂直梯度的乘积；
S422：采用高斯滤波器进行图像滤波并平滑噪声干扰；
S423：对于图像中的每一个像素点计算兴趣值；
S424：重复上述步骤S421至S423，直到获取所有的局部极值点；
S43：根据所述运动特征点和所述局部极值点，得到重叠的像素点，构成关键特征点(xkey,ykey)；
S44：全局矢量运动速度计算，
S441：确定主矢量运动方向，
S442：根据所述关键特征点(xkey,ykey)和所述主矢量运动方向，得到所述主矢量运动方向的特征点(x'key,y'key)；
S443：计算全局矢量运动速度e，
Figure FDA0002477121720000061
其中，e为全局矢量运动速度，
Figure FDA0002477121720000062
和
Figure FDA0002477121720000063
分别为水平和垂直方向的矢量运动速度平均值，N_key为主矢量运动方向特征点总数，j为主矢量运动方向特征点序数，uj(x'key,y'key)和vj(x'key,y'key)为(x'key,y'key)处的x和y方向运动速度。
10.根据权利要求6所述的智能交通指示方法，其特征在于，所述步骤S5包括以下子步骤：
S51：根据所述空间占道比参数c，所述交通流量参数d，所述全局矢量运动速度e构成当前交通特征向量Vtraffice_current＝[c,d,e]T和历史交通特征向量Vtraffice_history＝[c,d,e]T；
S52：在当前交通特征向量Vtraffice_current中，如果c＞0.8则判别为拥堵，结束判断；如果c＜0.1则判别为畅通，结束判断；否则进入步骤S53；
S53：通过对历史交通特征向量Vtraffice_history进行聚类得到在畅通、缓慢以及拥堵三种交通状态的判别中心Vtraffice_smooth，Vtraffice_normal以及Vtraffice_jam；
S54：计算Vtraffice_current与Vtraffice_smooth，Vtraffice_normal以及Vtraffice_jam的欧式距离，分别为Dcurrent_euler_smooth，Dcurrent_euler_normal，Dcurrent_euler_jam；
S55：计算Vtraffice_history与Vtraffice_smooth，Vtraffice_normal以及Vtraffice_jam的欧式距离，分别为Dhistory_euler_smooth，Dhistory_euler_normal，Dhistory_euler_jam；
S56：如果Dcurrent_euler_smooth＜Dhistory_euler_smooth，则判别为畅通，结束判断；否则进入步骤S57；
S57：如果Dcurrent_euler_normal＜Dhistory_euler_normal，则判别为缓慢，结束判断；否则进入步骤S58；
S58：如果Dcurrent_euler_jam＜Dhistory_euler_jam，则判别为缓慢，结束判断；否则返回步骤5.1从新获取当前交通特征向量Vtraffice_current。
CN202010367593.0A 2020-04-30 2020-04-30 智能交通指示发光装置、监控装置、系统及方法 Active CN111524376B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110450307.1A CN113140110B (zh) 2020-04-30 2020-04-30 智能交通控制方法、发光装置及监控装置
CN202010367593.0A CN111524376B (zh) 2020-04-30 2020-04-30 智能交通指示发光装置、监控装置、系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010367593.0A CN111524376B (zh) 2020-04-30 2020-04-30 智能交通指示发光装置、监控装置、系统及方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110450307.1A Division CN113140110B (zh) 2020-04-30 2020-04-30 智能交通控制方法、发光装置及监控装置

Publications (2)

Publication Number Publication Date
CN111524376A true CN111524376A (zh) 2020-08-11
CN111524376B CN111524376B (zh) 2021-05-14

Family

ID=71906756

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010367593.0A Active CN111524376B (zh) 2020-04-30 2020-04-30 智能交通指示发光装置、监控装置、系统及方法
CN202110450307.1A Active CN113140110B (zh) 2020-04-30 2020-04-30 智能交通控制方法、发光装置及监控装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110450307.1A Active CN113140110B (zh) 2020-04-30 2020-04-30 智能交通控制方法、发光装置及监控装置

Country Status (1)

Country Link
CN (2) CN111524376B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113017687A (zh) * 2021-02-19 2021-06-25 上海长征医院 一种腹腔积液b超图像自动识别方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114143940B (zh) * 2022-01-30 2022-09-16 深圳市奥新科技有限公司 隧道照明控制方法、装置、设备及存储介质
CN114820931B (zh) * 2022-04-24 2023-03-24 江苏鼎集智能科技股份有限公司 基于虚拟现实的智慧城市cim可视化实时成像方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702263A (zh) * 2009-11-17 2010-05-05 重庆大学 一种人行横道信号灯绿波自适应控制系统及方法
CN301994097S (zh) * 2012-03-09 2012-07-18 云南路翔市政工程有限公司 框架式一体化信号灯
CN202473149U (zh) * 2012-03-09 2012-10-03 云南路翔市政工程有限公司 一种导光型主动发光标识牌
CN103646241A (zh) * 2013-12-30 2014-03-19 中国科学院自动化研究所 一种基于嵌入式系统的实时出租车识别方法
CN203673792U (zh) * 2014-01-03 2014-06-25 云南路翔市政工程有限公司 一种装配式可变信息led信息牌
CN105263026A (zh) * 2015-10-12 2016-01-20 西安电子科技大学 基于概率统计与图像梯度信息的全局矢量获取方法
CN105809984A (zh) * 2016-06-02 2016-07-27 西安费斯达自动化工程有限公司 基于图像检测与优化速度模型的交通信号控制方法
CN105809992A (zh) * 2016-06-02 2016-07-27 西安费斯达自动化工程有限公司 基于图像检测与全速度差模型的交通信号控制方法
CN106710261A (zh) * 2017-03-07 2017-05-24 翁小翠 智能交通指示装置
CN108320540A (zh) * 2018-01-30 2018-07-24 江苏瑞沃建设集团有限公司 一种环形的智能城市交通灯
CN108877234A (zh) * 2018-07-24 2018-11-23 河北德冠隆电子科技有限公司 四维实景交通仿真的车辆违规占道跟踪检测系统及方法
CN108961782A (zh) * 2018-08-21 2018-12-07 北京深瞐科技有限公司 交通路口控制方法及装置
CN109359563A (zh) * 2018-09-29 2019-02-19 江南大学 一种基于数字图像处理的占道现象实时检测方法
CN109493616A (zh) * 2018-12-06 2019-03-19 江苏华体照明科技有限公司 智能交通信号灯
CN209260596U (zh) * 2018-11-21 2019-08-16 方显峰 一种长余辉发光凸起地标

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07326210A (ja) * 1994-05-30 1995-12-12 Matsushita Electric Works Ltd トンネル灯制御装置
JP2004030484A (ja) * 2002-06-28 2004-01-29 Mitsubishi Heavy Ind Ltd 交通情報提供システム
CN102136194B (zh) * 2011-03-22 2013-06-05 浙江工业大学 基于全景计算机视觉的道路交通状态检测装置
CN103150915A (zh) * 2013-02-05 2013-06-12 林祥兴 一体化交通信息显示装置
CN107886739A (zh) * 2017-10-16 2018-04-06 王宁 交通人流量自动采集分析系统
CN108417057B (zh) * 2018-05-15 2023-06-23 哈尔滨工业大学 一种智能信号灯配时系统
CN108961756A (zh) * 2018-07-26 2018-12-07 深圳市赛亿科技开发有限公司 一种自动实时交通车流量、人流量统计方法及系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702263A (zh) * 2009-11-17 2010-05-05 重庆大学 一种人行横道信号灯绿波自适应控制系统及方法
CN301994097S (zh) * 2012-03-09 2012-07-18 云南路翔市政工程有限公司 框架式一体化信号灯
CN202473149U (zh) * 2012-03-09 2012-10-03 云南路翔市政工程有限公司 一种导光型主动发光标识牌
CN302413595S (zh) * 2012-12-14 2013-04-24 张世民 信号灯(一体化装配式)
CN103646241A (zh) * 2013-12-30 2014-03-19 中国科学院自动化研究所 一种基于嵌入式系统的实时出租车识别方法
CN203673792U (zh) * 2014-01-03 2014-06-25 云南路翔市政工程有限公司 一种装配式可变信息led信息牌
CN105263026A (zh) * 2015-10-12 2016-01-20 西安电子科技大学 基于概率统计与图像梯度信息的全局矢量获取方法
CN105809992A (zh) * 2016-06-02 2016-07-27 西安费斯达自动化工程有限公司 基于图像检测与全速度差模型的交通信号控制方法
CN105809984A (zh) * 2016-06-02 2016-07-27 西安费斯达自动化工程有限公司 基于图像检测与优化速度模型的交通信号控制方法
CN106710261A (zh) * 2017-03-07 2017-05-24 翁小翠 智能交通指示装置
CN108320540A (zh) * 2018-01-30 2018-07-24 江苏瑞沃建设集团有限公司 一种环形的智能城市交通灯
CN108877234A (zh) * 2018-07-24 2018-11-23 河北德冠隆电子科技有限公司 四维实景交通仿真的车辆违规占道跟踪检测系统及方法
CN108961782A (zh) * 2018-08-21 2018-12-07 北京深瞐科技有限公司 交通路口控制方法及装置
CN109359563A (zh) * 2018-09-29 2019-02-19 江南大学 一种基于数字图像处理的占道现象实时检测方法
CN209260596U (zh) * 2018-11-21 2019-08-16 方显峰 一种长余辉发光凸起地标
CN109493616A (zh) * 2018-12-06 2019-03-19 江苏华体照明科技有限公司 智能交通信号灯

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113017687A (zh) * 2021-02-19 2021-06-25 上海长征医院 一种腹腔积液b超图像自动识别方法

Also Published As

Publication number Publication date
CN113140110A (zh) 2021-07-20
CN113140110B (zh) 2023-06-09
CN111524376B (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN111524376B (zh) 智能交通指示发光装置、监控装置、系统及方法
CN102074113B (zh) 基于视频的牌照识别和车辆速度测量方法
US9704060B2 (en) Method for detecting traffic violation
CN102867417B (zh) 一种出租车防伪系统及方法
CN102708378B (zh) 一种基于图像异常特征的智能交通抓拍设备故障诊断的方法
US11386674B2 (en) Class labeling system for autonomous driving
CN101739827B (zh) 一种车辆检测跟踪方法和装置
US7619648B2 (en) User assisted customization of automated video surveillance systems
CN111339905B (zh) 基于深度学习及多视角的cim井盖状态视觉检测系统
CN105844257A (zh) 基于机器视觉雾天行车错失道路标志牌的预警系统及方法
CN105516654A (zh) 一种基于场景结构分析的城市监控视频融合方法
CN111553201A (zh) 一种基于YOLOv3优化算法的交通灯检测方法
CN106530772A (zh) 智能交通信号灯及控制系统和应急控制方法
CN107749055A (zh) 一种led交通诱导屏的故障检测方法、系统及装置
CN104851288B (zh) 一种交通灯定位方法
CN109859519A (zh) 一种停车位状态检测系统及其检测方法
CN109887276B (zh) 基于前景提取与深度学习融合的夜间交通拥堵检测方法
CN110135383A (zh) 铁路货车装载视频智能监视系统
CN112697814B (zh) 一种基于机器视觉的线缆表面缺陷检测系统及方法
CN113112866B (zh) 一种智能交通预警方法及智能交通预警系统
CN202887450U (zh) 一种出租车防伪系统
KR102178202B1 (ko) 신호등 검출 방법 및 장치
CN103909881B (zh) 环境资讯侦测系统及环境资讯侦测方法
CN106997685A (zh) 一种基于微机视觉的路边停车位检测装置
CN112528787A (zh) 基于深度学习的信号灯故障检测方法

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