CN112037543A - 基于三维建模的城市交通灯控制方法、装置、设备和介质 - Google Patents
基于三维建模的城市交通灯控制方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112037543A CN112037543A CN202010960046.3A CN202010960046A CN112037543A CN 112037543 A CN112037543 A CN 112037543A CN 202010960046 A CN202010960046 A CN 202010960046A CN 112037543 A CN112037543 A CN 112037543A
- Authority
- CN
- China
- Prior art keywords
- traffic light
- traffic
- target
- data
- light
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 239000013643 reference control Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种基于三维建模的城市交通灯控制方法、装置、设备和介质，所述方法包括：获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。本发明在交通灯的控制中引入了数字孪生体，实现了对交通灯显示的自动化控制；同时，由于在对交通灯的控制中同时考虑了行人和车辆情况，相较于现有的固定时长的控制方式，这样的控制方式显得更加的灵活有效。
Description
技术领域
本发明涉及交通灯控制技术领域，尤其涉及一种基于三维建模的城市交通灯控制方法、装置、设备和介质。
背景技术
随着我国经济的不断发展，人民生活水平逐渐提高，农村住户逐渐减少，城市住户逐渐增多，不仅如此，城市中私家车的数量也在暴增，导致城市交通系统拥塞。
在城市的交通路口，不同路段、不同方向以及不同时间，人口数量以及车辆数量均不同，并且，即使是同一交通路口，人口数量以及车辆数量还会随时变化，而现有的交通灯的控制方式，还是固定控制，即对某种颜色进行固定时长的控制，这样的控制方式已经很难和复杂的交通情况相适应。
发明内容
基于此，有必要针对上述问题，提出一种基于三维建模的城市交通灯控制方法、装置、设备和介质，以改善现有技术中存在的固定控制难以与复杂的交通情况相适应的技术问题。
第一方面，提供了一种基于三维建模的城市交通灯控制方法，包括：
获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；
将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；
基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
第二方面，提供了一种基于三维建模的城市交通灯控制装置，包括：
获取模块，用于获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；
孪生模块，用于将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；
控制模块，用于基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
第三方面，提供了一种基于三维建模的城市交通灯控制设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；
将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；
基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
第四方面，提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；
将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；
基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
实施本发明实施例，将具有如下有益效果：
本发明提出了一种基于三维建模的城市交通灯控制方法、装置、设备和介质，首先获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；然后将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；最后基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。本发明在交通灯的控制中引入了数字孪生体，实现了对交通灯显示的自动化控制；同时，由于在对交通灯的控制中同时考虑了行人和车辆情况，相较于现有的固定时长的控制方式，这样的控制方式显得更加的灵活有效。
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。
其中：
图1为一个实施例中基于三维建模的城市交通灯控制方法的实现流程示意图；
图2为一个实施例中基于三维建模的城市交通灯控制方法的实现流程示意图；
图3为一个实施例中步骤101的实现流程示意图；
图4为一个实施例中基于三维建模的城市交通灯控制装置的结构框图；
图5为一个实施例中基于三维建模的城市交通灯控制设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
在一个实施例中，提供了一种基于三维建模的城市交通灯控制方法，本发明实施例所述的基于三维建模的城市交通灯控制方法的执行主体为能够实现本发明实施例所述的基于三维建模的城市交通灯控制方法的设备，该设备可以包括空服务器。
如图1所示，本发明实施例所述的基于三维建模的城市交通灯控制方法，具体包括：
步骤102，获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据。
目标交通灯，为当前需要进行控制的交通灯。
行人数据，包括位于交通路口的行人数量以及行人分布情况，其中，行人分布情况，为行人在交通路口的分布情况，例如，反映行人分布情况的行人分布图。
车辆数据，包括车辆数量和车辆类型，其中，车辆类型，例如，卡车，私家车，浇灌车。
步骤104，将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据。
灯光控制数据，为表示目标交通灯的控制方法的数据，示例性的，灯光控制数据包括颜色数据和所述颜色数据对应的时长数据，例如，颜色数据为红色，红色对应的时长数据为：1分钟，即交通灯显示红色1分钟。
在本发明实施例中，预先构建交通灯三维模型，然后将elman神经网络应用于该交通灯三维模型，通过elman神经网络实现对相关数据的分析，从而实现对真实交通路口的交通灯的控制。具体的，如图2所示，在步骤102所述获取目标采集模块采集的当前交通数据之前，还包括：
步骤100，构建交通灯三维模型。
交通灯三维模型，为显示有交通灯的三维模型。其中，三维模型，为能够将现实世界的事物进行三维(长、宽、高)显示的模型，通过三维模型能够实现事物的多角度观看。
在一个实施例中，步骤100所述构建交通灯三维模型，包括：
获取定位后的球幕相机拍摄得到的城市交通灯视频流，所述城市交通灯视频流中显示有交通灯；
对所述城市交通灯视频流进行特征点识别与匹配；
对球幕相机三维数字化建模的闭环进行检测；
检测后，进行数字化建模，得到初步城市三维模型；
对所述初步城市三维模型进行贴图，得到目标城市三维模型；
确定交通灯在所述目标城市三维模型中的位置，得到所述交通灯三维模型。
城市交通灯视频流，为某一个城市的显示有交通灯的视频流。
交通灯三维模型和目标城市三维模型的区别在于，交通灯三维模型记录了各个交通灯的模型位置，而目标城市三维模型只是一个简单的三维模型，目标城市三维模型没有记录交通灯的模型位置。
在所述一组照片或者视频流中，对单张照片用SIFT描述符进行特征点(图片上的像素点)提取同时分析每一个所述特征点的邻域，根据邻域控制所述特征点。
所述闭环检测为：用当前算出球幕相机位置与过去球幕相机位置进行比较，检测有无距离相近；若检测到两者距离在一定阈值范围内，就认为球幕相机又回到原来走过的地方，此时启动闭环检测。
本发明为基于空间信息而非时间序列的闭环检测。
步骤：检测后，进行数字化建模，得到初步城市三维模型，可以包括：
初步计算出所述球幕相机位置得到部分有噪音点稀疏点云，用距离和重投影的方式进行滤波滤掉噪音点；
对稀疏点云做标记即整体点云中，并进行对应的标记；
以每个稀疏点云为起点，以对应的球幕相机作一条虚拟直线，多个所述虚拟直线经过的空间交织在一起，形成一个可视空间；
将被射线包围的空间抠出来；
基于图论最短路径的方式做闭合空间。
所述稀疏点云为每个所述球幕相机可看见过滤之后所获得的。其中步骤：以每个稀疏点云为起点，以对应的球幕相机作一条虚拟直线，多个所述虚拟直线经过的空间交织在一起，形成一个可视空间，也可理解为以每个稀疏点云为起点，以对应的球幕相机作一条虚拟直线，多个所述虚拟直线经过的空间交织在一起，形成一个可视空间；
过滤指的是：在确认了二维图片中某一点对应的三维坐标位置后，将这个三维坐标点重新投影到原来的球幕照片上，再次确认是否仍是那个点。其原因是，二维图片的点与其在三维世界的点的位置是一一对应关系，所以在确认了二维图片中某一点的三维坐标点后，可以将这个三维坐标点重新投射回去验证二维坐标点是否仍在原来的位置，以此来决定该像素点是否为噪点，是否需要过滤。需要说明的是，在照片或视频流中确定一张来自于某个所述球幕相机的最优图片，当多部所述球幕相机都看到某一目标并捕捉到画面，选取使用其中最优的一张进行贴图，需要说明的是，所述最优一张图为某一所述球幕相机能够得到目标的像素最多，则所述球幕相机为最优。
步骤101，根据所述交通灯三维模型和elman神经网络构建所述交通灯孪生体。
elman神经网络，是一种具有局部记忆单元和局部反馈连接的递归神经网络，通过elman神经网络能够得到更加准确的数据分析结果。
将相关数据输入交通灯孪生体，交通灯孪生体中的elman神经网络会对输入的相关数据进行分析，得到分析结果，即灯光控制数据，交通灯三维模型能够对该灯光控制数据进行显示，并且，还能将elman神经网络输出的灯光控制数据用于实现对真实世界的交通灯的控制。
步骤106，基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
示例性的，所述基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制，包括：获取交通灯孪生体输出的灯光控制数据，将该灯光控制数据传输至目标交通灯，目标交通灯中的控制单元在接收到该灯光控制数据之后，根据该灯光控制数据对目标交通灯的显示进行控制。当然，目标交通灯中的控制单元在接收到该灯光控制数据之后，还可以对目标交通灯所在的交通路口进行拍照，并对拍照得到的图像进行分析，得到图像分析结果，然后综合灯光控制数据以及图像分析结果实现对目标交通灯的控制。
上述基于三维建模的城市交通灯控制方法，首先获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；然后将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；最后基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。本发明在交通灯的控制中引入了数字孪生体，实现了对交通灯显示的自动化控制；同时，由于在对交通灯的控制中同时考虑了行人和车辆情况，相较于现有的固定时长的控制方式，这样的控制方式显得更加的灵活有效。
在一个实施例中，需要确定与目标交通灯对应的目标采集模块，从而通过对目标采集模块采集的数据的分析，实现对目标交通灯的控制。具体的，在步骤102所述获取目标采集模块采集的当前交通数据之前，还包括：
获取所述目标交通灯在所述交通灯三维模型中的模型位置；
根据所述目标交通灯在所述交通灯三维模型中的模型位置，确定所述目标采集模块。
模型位置，是目标交通灯在交通灯三维模型中的位置，通过模型位置，可以确定目标交通灯在真实世界中的位置，从而在确定了目标交通灯在真实世界中的位置之后，将与该真实世界中的位置相关的采集模块确定为目标采集模块，例如，将在真实世界中的位置周围的采集模块确定为目标采集模块，例如，将设置于目标交通灯上的传感器与距离目标交通灯一定距离的交通灯上的传感器同时作为目标采集模块；或者，只将在真实世界中的位置处(即目标交通灯处)的采集模块确定为目标采集模块。
在一个实施例中，目标交通灯在真实世界的位置和该目标交通灯在交通灯三维模型中的位置之间存在一定的转化关系，该转换关系可以通过公式计算得到，但是为了避免每次都进行计算，提高工作效率，可以预先建立位置模块表，从而通过位置模块表便可直接获取到与目标交通灯对应的目标采集模块。具体的，所述根据所述目标交通灯在所述交通灯三维模型中的模型位置，确定所述目标采集模块，包括：
获取位置模块表，所述位置模块表记录了模型位置与采集模块的对应关系；
在所述位置模块表中，找到与所述目标交通灯在所述交通灯三维模型中的模型位置对应的采集模块，得到所述目标采集模块。
示例性的，位置模块表如表1所示。
在一个实施例中，提供了一种训练elman神经网络的方法，具体的，如图3所示，步骤101所述根据所述交通灯三维模型和elman神经网络构建所述交通灯孪生体，包括：
步骤1011，获取采集模块采集的历史交通数据和所述历史交通数据对应的交通灯的参考控制数据。
历史交通数据，为在采集当前交通数据之前采集得到的交通数据。
参考控制数据，为在采集到历史交通数据时，人工对交通灯进行控制的数据，由于人工能够进行更加精准的控制，因此，预先采集到与历史交通数据对应的参考控制数据，利用参考控制数据实现对elman神经网络的训练，从而得到训练好的elman神经网络，进而将训练好的elman神经网络应用于交通灯三维模型，得到交通灯孪生体。
步骤1012，将所述历史交通数据作为所述elman神经网络的输入，得到所述elman神经网络输出的灯光控制数据，将所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据进行比对，直至所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据的误差小于预设误差时，得到训练好的elman神经网络。
预先设置预设误差，例如，将预设误差设置为0，即当elman神经网络输出的灯光控制数据和历史交通数据对应的交通灯的参考控制数据相同时，完成对elman神经网络的训练。
步骤1013，根据所述交通灯三维模型和训练好的elman神经网络，得到所述交通灯孪生体。
将elman神经网络应用于交通灯三维模型，以实现对采集得到的数据的分析，从而得到交通灯孪生体。
在一个实施例中，所述当前交通数据还包括路障数据。可以理解的时候，有时候道路中还会存在一些障碍物，这些障碍物可能会影响交通灯的显示，因为，为了提高控制精度，还需要获取到路障数据，从而通过同时对行人、车辆以及路障的分析，达到对交通灯更好的控制的目的。
如图4所示，提供了一种基于三维建模的城市交通灯控制装置400，具体包括：
获取模块402，用于获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；
孪生模块404，用于将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；
控制模块406，用于基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
上述基于三维建模的城市交通灯控制装置，首先获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；然后将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；最后基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。本发明在交通灯的控制中引入了数字孪生体，实现了对交通灯显示的自动化控制；同时，由于在对交通灯的控制中同时考虑了行人和车辆情况，相较于现有的固定时长的控制方式，这样的控制方式显得更加的灵活有效。
在一个实施例中，所述装置400，还包括：构建模块，用于构建交通灯三维模型；根据所述交通灯三维模型和elman神经网络构建所述交通灯孪生体。
在一个实施例中，所述构建模块，具体用于获取定位后的球幕相机拍摄得到的城市交通灯视频流，所述城市交通灯视频流中显示有交通灯；对所述城市交通灯视频流进行特征点识别与匹配；对球幕相机三维数字化建模的闭环进行检测；检测后，进行数字化建模，得到初步城市三维模型；对所述初步城市三维模型进行贴图，得到目标城市三维模型；确定交通灯在所述目标城市三维模型中的位置，得到所述交通灯三维模型。
在一个实施例中，所述装置400，还包括：位置模块，用于获取所述目标交通灯在所述交通灯三维模型中的模型位置；根据所述目标交通灯在所述交通灯三维模型中的模型位置，确定所述目标采集模块。
在一个实施例中，所述位置模块，具体用于获取位置模块表，所述位置模块表记录了模型位置与采集模块的对应关系；在所述位置模块表中，找到与所述目标交通灯在所述交通灯三维模型中的模型位置对应的采集模块，得到所述目标采集模块。
在一个实施例中，所述构建模块，具体用于获取采集模块采集的历史交通数据和所述历史交通数据对应的交通灯的参考控制数据；将所述历史交通数据作为所述elman神经网络的输入，得到所述elman神经网络输出的灯光控制数据，将所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据进行比对，直至所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据的误差小于预设误差时，得到训练好的elman神经网络；根据所述交通灯三维模型和训练好的elman神经网络，得到所述交通灯孪生体。
图5示出了一个实施例中基于三维建模的城市交通灯控制设备的内部结构图。如图5所示，该基于三维建模的城市交通灯控制设备包括通过系统总线连接的处理器、存储器和通信接口。其中，存储器包括非易失性存储介质和内存储器。该基于三维建模的城市交通灯控制设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于三维建模的城市交通灯控制方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于三维建模的城市交通灯控制方法。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的基于三维建模的城市交通灯控制设备的限定，具体的基于三维建模的城市交通灯控制设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的基于三维建模的城市交通灯控制方法可以实现为一种计算机程序的形式，计算机程序可在如图5所示的基于三维建模的城市交通灯控制设备上运行。基于三维建模的城市交通灯控制设备的存储器中可存储组成基于三维建模的城市交通灯控制装置的各个程序模板。比如，获取模块402、孪生模块404和控制模块406。
一种基于三维建模的城市交通灯控制设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；
将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；
基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
上述基于三维建模的城市交通灯控制设备，首先获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；然后将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；最后基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。本发明在交通灯的控制中引入了数字孪生体，实现了对交通灯显示的自动化控制；同时，由于在对交通灯的控制中同时考虑了行人和车辆情况，相较于现有的固定时长的控制方式，这样的控制方式显得更加的灵活有效。
在一个实施例中，所述计算机程序被所述处理器执行时，还用于：在所述获取目标采集模块采集的当前交通数据之前，构建交通灯三维模型；根据所述交通灯三维模型和elman神经网络构建所述交通灯孪生体。
在一个实施例中，所述构建交通灯三维模型，包括：获取定位后的球幕相机拍摄得到的城市交通灯视频流，所述城市交通灯视频流中显示有交通灯；对所述城市交通灯视频流进行特征点识别与匹配；对球幕相机三维数字化建模的闭环进行检测；检测后，进行数字化建模，得到初步城市三维模型；对所述初步城市三维模型进行贴图，得到目标城市三维模型；确定交通灯在所述目标城市三维模型中的位置，得到所述交通灯三维模型。
在一个实施例中，所述计算机程序被所述处理器执行时，还用于：在所述获取目标采集模块采集的当前交通数据之前，获取所述目标交通灯在所述交通灯三维模型中的模型位置；根据所述目标交通灯在所述交通灯三维模型中的模型位置，确定所述目标采集模块。
在一个实施例中，所述根据所述目标交通灯在所述交通灯三维模型中的模型位置，确定所述目标采集模块，包括：获取位置模块表，所述位置模块表记录了模型位置与采集模块的对应关系；在所述位置模块表中，找到与所述目标交通灯在所述交通灯三维模型中的模型位置对应的采集模块，得到所述目标采集模块。
在一个实施例中，所述根据所述交通灯三维模型和elman神经网络构建所述交通灯孪生体，包括：获取采集模块采集的历史交通数据和所述历史交通数据对应的交通灯的参考控制数据；将所述历史交通数据作为所述elman神经网络的输入，得到所述elman神经网络输出的灯光控制数据，将所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据进行比对，直至所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据的误差小于预设误差时，得到训练好的elman神经网络；根据所述交通灯三维模型和训练好的elman神经网络，得到所述交通灯孪生体。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；
将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；
基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
上述计算机可读存储介质，首先获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；然后将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；最后基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。本发明在交通灯的控制中引入了数字孪生体，实现了对交通灯显示的自动化控制；同时，由于在对交通灯的控制中同时考虑了行人和车辆情况，相较于现有的固定时长的控制方式，这样的控制方式显得更加的灵活有效。
在一个实施例中，所述计算机程序被所述处理器执行时，还用于：在所述获取目标采集模块采集的当前交通数据之前，构建交通灯三维模型；根据所述交通灯三维模型和elman神经网络构建所述交通灯孪生体。
在一个实施例中，所述构建交通灯三维模型，包括：获取定位后的球幕相机拍摄得到的城市交通灯视频流，所述城市交通灯视频流中显示有交通灯；对所述城市交通灯视频流进行特征点识别与匹配；对球幕相机三维数字化建模的闭环进行检测；检测后，进行数字化建模，得到初步城市三维模型；对所述初步城市三维模型进行贴图，得到目标城市三维模型；确定交通灯在所述目标城市三维模型中的位置，得到所述交通灯三维模型。
在一个实施例中，所述计算机程序被所述处理器执行时，还用于：在所述获取目标采集模块采集的当前交通数据之前，获取所述目标交通灯在所述交通灯三维模型中的模型位置；根据所述目标交通灯在所述交通灯三维模型中的模型位置，确定所述目标采集模块。
在一个实施例中，所述根据所述目标交通灯在所述交通灯三维模型中的模型位置，确定所述目标采集模块，包括：获取位置模块表，所述位置模块表记录了模型位置与采集模块的对应关系；在所述位置模块表中，找到与所述目标交通灯在所述交通灯三维模型中的模型位置对应的采集模块，得到所述目标采集模块。
在一个实施例中，所述根据所述交通灯三维模型和elman神经网络构建所述交通灯孪生体，包括：获取采集模块采集的历史交通数据和所述历史交通数据对应的交通灯的参考控制数据；将所述历史交通数据作为所述elman神经网络的输入，得到所述elman神经网络输出的灯光控制数据，将所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据进行比对，直至所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据的误差小于预设误差时，得到训练好的elman神经网络；根据所述交通灯三维模型和训练好的elman神经网络，得到所述交通灯孪生体。
需要说明的是，上述基于三维建模的城市交通灯控制方法、基于三维建模的城市交通灯控制装置、基于三维建模的城市交通灯控制设备及计算机可读存储介质属于一个总的发明构思，基于三维建模的城市交通灯控制方法、基于三维建模的城市交通灯控制装置、基于三维建模的城市交通灯控制设备及计算机可读存储介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于三维建模的城市交通灯控制方法，其特征在于，包括：
获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；
将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；
基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
2.如权利要求1所述的方法，其特征在于，在所述获取目标采集模块采集的当前交通数据之前，还包括：
构建交通灯三维模型；
根据所述交通灯三维模型和elman神经网络构建所述交通灯孪生体。
3.如权利要求2所述的方法，其特征在于，所述构建交通灯三维模型，包括：
获取定位后的球幕相机拍摄得到的城市交通灯视频流，所述城市交通灯视频流中显示有交通灯；
对所述城市交通灯视频流进行特征点识别与匹配；
对球幕相机三维数字化建模的闭环进行检测；
检测后，进行数字化建模，得到初步城市三维模型；
对所述初步城市三维模型进行贴图，得到目标城市三维模型；
确定交通灯在所述目标城市三维模型中的位置，得到所述交通灯三维模型。
4.如权利要求3所述的方法，其特征在于，在所述获取目标采集模块采集的当前交通数据之前，还包括：
获取所述目标交通灯在所述交通灯三维模型中的模型位置；
根据所述目标交通灯在所述交通灯三维模型中的模型位置，确定所述目标采集模块。
5.如权利要求4所述的方法，其特征在于，所述根据所述目标交通灯在所述交通灯三维模型中的模型位置，确定所述目标采集模块，包括：
获取位置模块表，所述位置模块表记录了模型位置与采集模块的对应关系；
在所述位置模块表中，找到与所述目标交通灯在所述交通灯三维模型中的模型位置对应的采集模块，得到所述目标采集模块。
6.如权利要求2所述的方法，其特征在于，所述根据所述交通灯三维模型和elman神经网络构建所述交通灯孪生体，包括：
获取采集模块采集的历史交通数据和所述历史交通数据对应的交通灯的参考控制数据；
将所述历史交通数据作为所述elman神经网络的输入，得到所述elman神经网络输出的灯光控制数据，将所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据进行比对，直至所述elman神经网络输出的灯光控制数据和所述历史交通数据对应的交通灯的参考控制数据的误差小于预设误差时，得到训练好的elman神经网络；
根据所述交通灯三维模型和训练好的elman神经网络，得到所述交通灯孪生体。
7.如权利要求1所述的方法，其特征在于，所述当前交通数据还包括路障数据。
8.一种基于三维建模的城市交通灯控制装置，其特征在于，包括：
获取模块，用于获取目标采集模块采集的当前交通数据，所述目标采集模块为目标交通灯对应的采集模块，所述当前交通数据包括行人数据和车辆数据；
孪生模块，用于将所述当前交通数据作为交通灯孪生体中所述目标交通灯的输入，得到所述交通灯孪生体输出的灯光控制数据；
控制模块，用于基于所述交通灯孪生体输出的灯光控制数据，对所述目标交通灯进行控制。
9.一种基于三维建模的城市交通灯控制设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于三维建模的城市交通灯控方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于三维建模的城市交通灯控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010960046.3A CN112037543A (zh) | 2020-09-14 | 2020-09-14 | 基于三维建模的城市交通灯控制方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010960046.3A CN112037543A (zh) | 2020-09-14 | 2020-09-14 | 基于三维建模的城市交通灯控制方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112037543A true CN112037543A (zh) | 2020-12-04 |
Family
ID=73589545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010960046.3A Pending CN112037543A (zh) | 2020-09-14 | 2020-09-14 | 基于三维建模的城市交通灯控制方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112037543A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113442929A (zh) * | 2021-06-21 | 2021-09-28 | 国汽智控(北京)科技有限公司 | 一种车辆控制方法、装置、设备和计算机可读存储介质 |
| CN114419896A (zh) * | 2022-03-29 | 2022-04-29 | 海尔数字科技(青岛)有限公司 | 基于数字孪生的交通信号灯控制方法、装置、设备及介质 |
| CN114512003A (zh) * | 2022-04-19 | 2022-05-17 | 北京交研智慧科技有限公司 | 一种交通控制方法、装置及控制设备 |
| CN116543586A (zh) * | 2023-07-03 | 2023-08-04 | 深圳市视想科技有限公司 | 基于数字孪生的智能公交信息展示方法及展示设备 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106683448A (zh) * | 2017-01-25 | 2017-05-17 | 东南大学 | 一种基于cps的道路信号灯控制系统及其方法 |
| CN108510434A (zh) * | 2018-02-12 | 2018-09-07 | 中德（珠海）人工智能研究院有限公司 | 通过球幕相机进行三维建模的方法 |
| CN110068818A (zh) * | 2019-05-05 | 2019-07-30 | 中国汽车工程研究院股份有限公司 | 通过雷达和图像采集设备进行交通路口车辆及行人检测的工作方法 |
| CN110209068A (zh) * | 2019-06-11 | 2019-09-06 | 滁州学院 | 一种红绿灯配时优化与仿真模拟方法 |
| CN110505464A (zh) * | 2019-08-21 | 2019-11-26 | 佳都新太科技股份有限公司 | 一种数字孪生系统、方法及计算机设备 |
| US20190382003A1 (en) * | 2018-06-13 | 2019-12-19 | Toyota Jidosha Kabushiki Kaisha | Collision avoidance for a connected vehicle based on a digital behavioral twin |
| CN110716558A (zh) * | 2019-11-21 | 2020-01-21 | 上海车右智能科技有限公司 | 一种基于数字孪生技术的非公开道路用自动驾驶系统 |
| CN110920552A (zh) * | 2019-11-15 | 2020-03-27 | 吉林大学 | 防止高速路上碰撞后发生连环事故的车辆安全系统及方法 |
| CN110936963A (zh) * | 2018-09-21 | 2020-03-31 | 威斯通全球技术公司 | 用于显示交通信息的驾驶员辅助系统和方法 |
| CN111027202A (zh) * | 2019-12-04 | 2020-04-17 | 北京软通智城科技有限公司 | 一种数字城市的预测方法、装置、设备及存储介质 |
| CN111060654A (zh) * | 2019-12-25 | 2020-04-24 | 电子科技大学成都学院 | 一种基于数字孪生的无人机大气污染实时监测预警平台 |
| CN111080018A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于道路交通环境的智能网联汽车车速预测方法 |
| CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
| CN111243297A (zh) * | 2020-01-17 | 2020-06-05 | 苏州科达科技股份有限公司 | 交通灯相位控制方法、系统、设备及介质 |
| CN111300381A (zh) * | 2020-01-20 | 2020-06-19 | 兰州理工大学 | 基于数字孪生三维模型的软体机器人或驱动器系统及其建模方法 |
| CN111445720A (zh) * | 2020-04-15 | 2020-07-24 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的室内停车方法及停车系统 |
| CN111612919A (zh) * | 2020-06-19 | 2020-09-01 | 中国人民解放军国防科技大学 | 数字孪生飞行器的多学科分屏同步展示方法和系统 |
| CN111619624A (zh) * | 2020-06-01 | 2020-09-04 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度强化学习的有轨电车运行控制方法和系统 |
-
2020
- 2020-09-14 CN CN202010960046.3A patent/CN112037543A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106683448A (zh) * | 2017-01-25 | 2017-05-17 | 东南大学 | 一种基于cps的道路信号灯控制系统及其方法 |
| CN108510434A (zh) * | 2018-02-12 | 2018-09-07 | 中德（珠海）人工智能研究院有限公司 | 通过球幕相机进行三维建模的方法 |
| US20190382003A1 (en) * | 2018-06-13 | 2019-12-19 | Toyota Jidosha Kabushiki Kaisha | Collision avoidance for a connected vehicle based on a digital behavioral twin |
| CN110936963A (zh) * | 2018-09-21 | 2020-03-31 | 威斯通全球技术公司 | 用于显示交通信息的驾驶员辅助系统和方法 |
| CN110068818A (zh) * | 2019-05-05 | 2019-07-30 | 中国汽车工程研究院股份有限公司 | 通过雷达和图像采集设备进行交通路口车辆及行人检测的工作方法 |
| CN110209068A (zh) * | 2019-06-11 | 2019-09-06 | 滁州学院 | 一种红绿灯配时优化与仿真模拟方法 |
| CN110505464A (zh) * | 2019-08-21 | 2019-11-26 | 佳都新太科技股份有限公司 | 一种数字孪生系统、方法及计算机设备 |
| CN110920552A (zh) * | 2019-11-15 | 2020-03-27 | 吉林大学 | 防止高速路上碰撞后发生连环事故的车辆安全系统及方法 |
| CN110716558A (zh) * | 2019-11-21 | 2020-01-21 | 上海车右智能科技有限公司 | 一种基于数字孪生技术的非公开道路用自动驾驶系统 |
| CN111027202A (zh) * | 2019-12-04 | 2020-04-17 | 北京软通智城科技有限公司 | 一种数字城市的预测方法、装置、设备及存储介质 |
| CN111080018A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于道路交通环境的智能网联汽车车速预测方法 |
| CN111060654A (zh) * | 2019-12-25 | 2020-04-24 | 电子科技大学成都学院 | 一种基于数字孪生的无人机大气污染实时监测预警平台 |
| CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
| CN111243297A (zh) * | 2020-01-17 | 2020-06-05 | 苏州科达科技股份有限公司 | 交通灯相位控制方法、系统、设备及介质 |
| CN111300381A (zh) * | 2020-01-20 | 2020-06-19 | 兰州理工大学 | 基于数字孪生三维模型的软体机器人或驱动器系统及其建模方法 |
| CN111445720A (zh) * | 2020-04-15 | 2020-07-24 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的室内停车方法及停车系统 |
| CN111619624A (zh) * | 2020-06-01 | 2020-09-04 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度强化学习的有轨电车运行控制方法和系统 |
| CN111612919A (zh) * | 2020-06-19 | 2020-09-01 | 中国人民解放军国防科技大学 | 数字孪生飞行器的多学科分屏同步展示方法和系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113442929A (zh) * | 2021-06-21 | 2021-09-28 | 国汽智控(北京)科技有限公司 | 一种车辆控制方法、装置、设备和计算机可读存储介质 |
| CN114419896A (zh) * | 2022-03-29 | 2022-04-29 | 海尔数字科技(青岛)有限公司 | 基于数字孪生的交通信号灯控制方法、装置、设备及介质 |
| CN114512003A (zh) * | 2022-04-19 | 2022-05-17 | 北京交研智慧科技有限公司 | 一种交通控制方法、装置及控制设备 |
| CN114512003B (zh) * | 2022-04-19 | 2022-06-24 | 北京交研智慧科技有限公司 | 一种交通控制方法、装置及控制设备 |
| CN116543586A (zh) * | 2023-07-03 | 2023-08-04 | 深圳市视想科技有限公司 | 基于数字孪生的智能公交信息展示方法及展示设备 |
| CN116543586B (zh) * | 2023-07-03 | 2023-09-08 | 深圳市视想科技有限公司 | 基于数字孪生的智能公交信息展示方法及展示设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112037543A (zh) | 基于三维建模的城市交通灯控制方法、装置、设备和介质 | |
| KR101782670B1 (ko) | 이미 존재하는 정지 이미지 내의 비디오의 시각화 | |
| JP2022103234A (ja) | 情報処理装置、情報処理方法、プログラム | |
| CN111856963A (zh) | 一种基于车载环视系统的泊车仿真方法及装置 | |
| WO2020211593A1 (zh) | 交通道路的数字化重建方法、装置和系统 | |
| CN115797873B (zh) | 一种人群密度检测方法、系统、设备、存储介质及机器人 | |
| CN114299457A (zh) | 积水深度检测方法及装置 | |
| CN114494618A (zh) | 地图的生成方法、装置、电子设备及存储介质 | |
| CN110796032A (zh) | 基于人体姿态评估的视频围栏及预警方法 | |
| JP2015090679A (ja) | 車両軌跡抽出方法、車両領域抽出方法、車両速度推定方法、車両軌跡抽出プログラム、車両領域抽出プログラム、車両速度推定プログラム、車両軌跡抽出システム、車両領域抽出システム、及び、車両速度推定システム | |
| CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
| CN116883610A (zh) | 基于车辆识别与轨迹映射的数字孪生路口构建方法和系统 | |
| CN111753639A (zh) | 感知地图生成方法、装置、计算机设备和存储介质 | |
| CN108847031A (zh) | 交通行为监控方法、装置、计算机设备和存储介质 | |
| CN116030194A (zh) | 一种基于目标检测规避的空地协同实景三维建模优化方法 | |
| CN110414392A (zh) | 一种障碍物距离的确定方法及装置 | |
| CN116524718A (zh) | 一种路口数据的远程可视化处理方法和系统 | |
| CN118015377A (zh) | 一种基于多无人机图像的道路车辆轨迹提取方法 | |
| CN117726880A (zh) | 一种基于单目摄像头的交通锥桶3d实时检测方法、系统、设备及介质 | |
| CN116030434A (zh) | 三维检测模型的训练方法及三维检测方法、装置及设备 | |
| CN115249345A (zh) | 一种基于倾斜摄影三维实景地图的交通拥堵检测方法 | |
| CN113569752B (zh) | 车道线结构识别方法、装置、设备及介质 | |
| CN112102299A (zh) | 基于三维建模的城市绿化监测方法、装置、设备和介质 | |
| CN109166341A (zh) | 一种基于空间规划的车位占用状态监测方法 | |
| Rebut et al. | Road obstacles detection using a self-adaptive stereo vision sensor: a contribution to the ARCOS French project |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |