CN112634631A - 交通信号灯的控制方法、装置、系统以及电子设备 - Google Patents
交通信号灯的控制方法、装置、系统以及电子设备 Download PDFInfo
- Publication number
- CN112634631A CN112634631A CN202011447114.2A CN202011447114A CN112634631A CN 112634631 A CN112634631 A CN 112634631A CN 202011447114 A CN202011447114 A CN 202011447114A CN 112634631 A CN112634631 A CN 112634631A
- Authority
- CN
- China
- Prior art keywords
- traffic
- road section
- attribute
- image
- road
- 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 59
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- 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
-
- 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
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种交通信号灯的控制方法、装置、系统、电子设备以及存储介质,包括:获取交汇于同一路口的各路段的图像,基于每一路段各自对应的交通状态识别模型,对每一路段的图像进行识别处理,得到每一路段的交通拥堵属性,其中,交通拥堵属性与每一路段的交通拥堵程度相关,根据各路段的交通拥堵属性,对路口的交通信号灯的时长进行调整,通过对交汇于同一路口的各路段的交通拥堵属性进行确定,并基于各交通拥堵属性,对交通信号灯的时长进行调整的技术手段,克服了相关技术中交通信号灯控制不灵活、交通不畅通的技术问题,提高了对交通信号灯的控制的灵活性,从而实现了各车辆的顺利通行的技术效果。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种交通信号灯的控制方法、装置、系统、电子设备以及存储介质。
背景技术
交通信号灯是维护交通秩序、保障交通安全和畅通的重要保障,适用于十字、丁字等交叉路口,指导车辆和行人安全有序地通行。
在现有技术中,通常采用程序式控制方法和手动式控制方法,实现对交通信号灯的控制,如控制交通信号灯的切换等,其中,程序式控制方法是指,按照设定的周期编写程序,并控制交通信号灯的切换;手动式控制方法是指,行人主动按动设置于路旁的信号灯切换按钮,以使当前的交通信号灯由红灯信号切换为绿灯信号,从而使行人可以在设定的时间段内通过斑马线。
在实现本申请过程中,发明人发现现有技术中至少存在如下问题:现有交通信号灯的控制方式不能灵活切换交通信号灯,可能会导致交通不畅的问题。
发明内容
本申请实施例提供一种交通信号灯的控制方法、装置、系统、电子设备以及存储介质,用以解决交通不畅的问题。
第一方面,本申请实施例提供一种交通信号灯的控制方法,所述方法包括:
获取交汇于同一路口的各路段的图像;
基于每一路段各自对应的交通状态识别模型,对所述每一路段的图像进行识别处理,得到所述每一路段的交通拥堵属性,其中,所述交通拥堵属性与所述每一路段的交通拥堵程度相关;
根据所述各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整。
在本实施例中,通过对交汇于同一路口的各路段的交通拥堵属性进行确定,并基于各交通拥堵属性,对交通信号灯的时长进行调整,可以提高对交通信号灯的控制的灵活性,从而实现各车辆的顺利通行的技术效果。
在一些实施例中,基于每一路段各自对应的交通状态识别模型,对所述每一路段的图像进行识别处理,得到所述每一路段的交通拥堵属性,包括:
基于所述每一路段各自对应的交通状态识别模型,确定所述每一路段的图像的像素特征,并基于所述每一路段的图像的像素特征,确定所述每一路段的交通拥堵概率;
根据所述每一路段的交通拥堵概率,确定所述每一路段的交通拥堵属性。
在本实施例中,每一路段的图像为包括行驶于该路段的车辆的图像,因此,基于每一路段的图像的像素特征,可以比较可靠地确定该路段的交通拥堵概率,从而实现确定出的交通拥堵属性的准确性的技术效果。
在一些实施例中,交通拥堵属性包括:严重拥堵、拥堵、以及畅通;根据所述每一路段的交通拥堵概率,确定所述每一路段的交通拥堵属性,包括:
若所述每一路段的交通拥堵概率小于第一预设拥堵阈值,则确定所述每一路段的交通拥堵属性为畅通;
若所述每一路段的交通拥堵概率大于第一预设拥堵阈值、且小于第二预设拥堵阈值,则确定所述每一路段的交通拥堵属性为拥堵;
若所述每一路段的交通拥堵概率大于第二预设拥堵阈值,则确定所述每一路段的交通拥堵属性为严重拥堵;
其中,所述第一预设拥堵阈值小于所述第二预设拥堵阈值。
在一些实施例中,根据所述各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整,包括:
根据所述各路段的交通拥堵属性,从预设的交通拥堵属性与交通量之间的映射关系中,确定所述每一路段的交通量;
根据所述每一路段的交通量,对所述交通信号灯的时长进行调整。
在一些实施例中,调整后的交通信号灯的时长,满足所述各路段的交通量为最大交通量。
在本实施例中,通过基于每一路段的交通量,对交通信号灯的时长进行调整,且使得调整后的交通信号灯的时长,满足最大交通量,可以实现避免交通拥堵,提高畅通出行,提高车辆通行率的技术效果。
在一些实施例中,在基于每一路段各自对应的交通状态识别模型,对所述每一路段的图像进行识别处理,得到所述每一路段的交通拥堵属性之前,所述方法还包括:
针对所述每一路段,采集样本图像,其中,所述样本图像包括不同交通拥堵属性的图像;
基于所述样本图像对卷积神经网络模型进行训练,生成所述每一路段各自对应的交通状态识别模型。
在本实施例中,通过训练得到交通状态识别模型,并基于交通状态识别模型生成每一路段各自对应的交通拥堵属性,可以提高确定交通拥堵属性的效率的技术效果。
在一些实施例中,在一些实施例中,基于所述样本图像对卷积神经网络模型进行训练,生成所述每一路段各自对应的交通状态识别模型,包括:
针对所述每一路段,基于所述卷积神经网络模型,对每一样本图像的像素特征进行提取,并基于提取到的每一样本图像的像素特征,为所述每一样本图像分配权重,其中,所述每一样本图像的权重表征,所述每一样本图像对应的交通拥堵的概率;
根据各样本图像的权重,对所述卷积神经网络模型的卷积参数进行调整,得到所述交通状态识别模型。
第二方面,本申请实施例提供一种交通信号灯的控制装置,所述装置包括:
获取模块,用于获取交汇于同一路口的各路段的图像;
识别模块,用于基于每一路段各自对应的交通状态识别模型,对每一路段的图像进行识别处理,得到所述每一路段的交通拥堵属性,其中,所述交通拥堵属性与所述每一路段的交通拥堵程度相关;
调整模块,用于根据所述各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整。
在一些实施例中,所述识别模块用于,基于所述每一路段各自对应的交通状态识别模型,确定所述每一路段的图像的像素特征,根并基于所述每一路段的图像的像素特征,确定所述每一路段的交通拥堵概率,并根据所述每一路段的交通拥堵概率,确定所述每一路段的交通拥堵属性。
在一些实施例中,交通拥堵属性包括:严重拥堵、拥堵、以及畅通;所述确定模块用于,若所述每一路段的交通拥堵概率小于第一预设拥堵阈值,则确定所述每一路段的交通拥堵属性为畅通;若所述每一路段的交通拥堵概率大于第一预设拥堵阈值、且小于第二预设拥堵阈值,则确定所述每一路段的交通拥堵属性为拥堵;若所述每一路段的交通拥堵概率大于第二预设拥堵阈值,则确定所述每一路段的交通拥堵属性为严重拥堵;其中,所述第一预设拥堵阈值小于所述第二预设拥堵阈值。
在一些实施例中,所述调整模块用于,根据所述各路段的交通拥堵属性,从预设的交通拥堵属性与交通量之间的映射关系中,确定所述每一路段的交通量,并根据所述每一路段的交通量,对所述交通信号灯的时长进行调整。
在一些实施例中,调整后的交通信号灯的时长,满足所述各路段的交通量为最大交通量。
在一些实施例中,所述装置还包括:
采集模块,用于针对所述每一路段,采集样本图像,其中,所述样本图像包括不同交通拥堵属性的图像;
训练模块,用于基于所述样本图像对卷积神经网络模型进行训练,生成所述每一路段各自对应的交通状态识别模型。
在一些实施例中,所述训练模块用于,针对所述每一路段,基于所述卷积神经网络模型,对每一样本图像的像素特征进行提取,并基于提取到的每一样本图像的像素特征,为所述每一样本图像分配权重,其中,所述每一样本图像的权重表征,所述每一样本图像对应的交通拥堵的概率,并根据各样本图像的权重,对所述卷积神经网络模型的卷积参数进行调整,得到所述交通状态识别模型。
第三方面,本申请实施例提供一种交通信号灯的控制系统,所述系统包括:设置于路口的多个图像处理器、以及与每一图像处理器连接的控制器;其中,
每一图像处理器用于,对交汇于所述路口的一个路段的图像进行采集,并根据所述每一图像处理器设置的交通状态识别模型,对所述一个路段的图像进行识别处理,得到所述一个路段的交通拥堵属性,其中,所述一个路段的交通拥堵属性与所述一个路段的交通拥堵程度相关;
所述控制器用于,根据各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整。
在一些实施例中,所述每一图像处理器包括:摄像头和处理芯片,其中,
所述摄像头用于,对交汇于所述路口的一个路段的图像进行采集;
所述处理芯片用于,其内设置的交通状态识别模型,对根据所述一个路段的图像进行识别处理,得到所述一个路段的交通拥堵属性。
在一些实施例中,所述处理芯片用于,基于其内设置的卷积神经网络模型,对所述一个路段的图像的像素特征进行提取,并基于提取到的每一样本图像的像素特征,为所述每一样本图像分配权重,其中,所述每一样本图像的权重表征,所述每一样本图像对应的交通拥堵的概率,并根据各样本图像的权重,对所述卷积神经网络模型的卷积参数进行调整,得到所述交通状态识别模型。
第四方面,本申请实施例提供一种电子设备,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行如上任一实施例所述的方法。
第五方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上任一实施例所述的方法。
本申请实施例提供的一种交通信号灯的控制方法、装置、系统、电子设备以及存储介质,包括:获取交汇于同一路口的各路段的图像,基于每一路段各自对应的交通状态识别模型,对每一路段的图像进行识别处理,得到每一路段的交通拥堵属性,其中,交通拥堵属性与每一路段的交通拥堵程度相关,根据各路段的交通拥堵属性,对路口的交通信号灯的时长进行调整,通过对交汇于同一路口的各路段的交通拥堵属性进行确定,并基于各交通拥堵属性,对交通信号灯的时长进行调整的技术手段,克服了相关技术中交通信号灯控制不灵活、交通不畅通的技术问题,提高了对交通信号灯的控制的灵活性,从而实现了各车辆的顺利通行的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例的交通信号灯的控制方法的应用场景示意图;
图2为本申请一个实施例的交通信号灯的控制方法的流程示意图;
图3为本申请一个实施例的交通信号灯的控制方法的流程示意图;
图4为本申请一个实施例的交通信号灯的控制方法的流程示意图;
图5为本申请一个实施例的交通信号灯的控制装置;
图6为本申请另一实施例的交通信号灯的控制装置;
图7为本申请实施例的电子设备的框图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
对本申请实施例所涉及的名词进行解释如下:
交通信号灯:是指指挥交通运行的信号灯,一般由红灯、绿灯、黄灯组成。红灯表示禁止通行,绿灯表示准许通行,黄灯表示警示。
像素:是指由图像的小方格组成的,这些小方块都有一个明确的位置和被分配的色彩数值,小方格颜色和位置就决定该图像所呈现出来的样子。
像素特征:是指位置和色彩数值的相关信息。
交通量:是指单位时间内通过某一路段的车辆数量或行人数量。
图1为本申请实施例的交通信号灯的控制方法的应用场景示意图。
如图1所示,第一路段、第二路段、第三路段、以及第四路段交汇于同一路口,路口处设置有交通信号灯100和摄像头200。
示例性地,交通信号灯100和摄像头200的设置位置可以如图1所示。如图1所示,设置于第四路段与路口交汇处的交通信号灯100用于指挥第二路段上行驶的车辆的行驶状态,如当第四路段与路口交汇处的交通信号灯100为红灯时,则第二路段上行驶的车辆的行驶状态为停车等待路灯的状态;设置于第四路段处与路口交汇处的摄像头200用于采集第二路段的图像。
在相关技术中,通常采用两种方法,实现对交通信号灯的控制,一种方式为程序式控制方法,另一种为手动式控制方法。
结合如图1所示的应用场景,若采用程序式控制方法对交通信号灯进行控制,则可以由工作人员预先对:第一路段、第二路段、第三路段、以及第四路段的车辆通行量进行统计,如统计一个月或者两个月,四个路段各自的车辆通行量,并基于各路段的车辆通行量,确定第一路段、第二路段、第三路段、以及第四路段的通行时长,并以通行时长为周期编写程序,以通过该程序控制对各交通信号灯的切换。
例如,经统计,第四路段和第二路段的车辆通行量相对较大,因此,可以将第二路段的交通信号灯、以及第四路段的交通信号灯的绿灯时长设置较长,而将第一路段、以及第三路段的交通信号灯的绿灯时长设置较短。
结合如图1所示的应用场景,若采用手动式控制方法对交通信号灯进行控制,则可以在路旁设置交通信号灯切换按钮,当用户需要通过斑马线时,可以通过按压交通信号灯切换按钮将红灯信号切换为绿灯信号。
然而,若采用程序式控制方法对交通信号灯进行控制,由于该方式按照设定的周期来切换交通信号灯,即使某个方向没有车辆和行人通过,另一个方向上的车辆和行人也得等到周期结束,红灯信号切换为绿灯信号后才能通行。
若采用手动式控制方法对交通信号灯进行控制,一方面,会增加相关设备的成本;另一方面,可能存在行人随意按压交通信号灯切换按钮,导致车辆无法正常通行。
也就是说,采用相关技术中的方案对交通信号灯进行控制时,缺乏控制交通信号灯的灵活性,可能会导致交通不畅的问题。
本申请的发明人经过创造性地劳动,得到了本申请的发明构思:基于各路段的交通状态识别模型对各路段的图像进行识别处理,得到每一路段各自对应的交通拥堵属性,并根据各交通拥堵属性,对交通信号灯的时长进行调整。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请一个实施例的交通信号灯的控制方法的流程示意图。
如图2所示,该方法包括:
S101:获取交汇于同一路口的各路段的图像。
示例性地,本实施例的执行主体可以为交通信号灯的控制装置(下文简称控制装置),且控制装置可以为计算机、服务器(可以为本地服务器和云端服务器)、终端设备、处理器、以及芯片等,本实施例不做限定。
例如,结合如图1所示的应用场景,第一路段与路口交汇处可以设置图像采集装置(如摄像头和监控设备等),图像采集装置用于,对第三路段的图像进行采集,并将第三路段的图像发送给控制装置。
同理,控制装置可以分别接收由其他图像采集装置发送的相应路段的图像,从而得到每一路段的图像,即得到四个路段的图像(第一路段的图像、第二路段的图像、第三路段的图像、以及第四路段的图像)。
S102:基于每一路段各自对应的交通状态识别模型,对每一路段的图像进行识别处理,得到每一路段的交通拥堵属性,其中,交通拥堵属性与每一路段的交通拥堵程度相关。
结合上述示例,控制装置可以基于第一路段的交通状态识别模型,对第一路段的图像进行识别处理,得到第一路段的交通拥堵属性,基于第二路段的交通状态识别模型,对第二路段的图像进行识别处理,得到第二路段的交通拥堵属性,以此类推,此处不再一一列举。
S103:根据各路段的交通拥堵属性,对路口的交通信号灯的时长进行调整。
结合图1所示的应用场景和上述示例,控制装置在确定第一路段、第二路段、第三路段、以及第四路段各自对应的交通拥堵属性之后,可以基于四个路段各自对应的交通拥堵属性,对交通信号灯的时长进行调整。
值得说明地是,在本实施例中,引入了一个路段的图像与该路段的交通拥堵属性相关的特征,通过基于一个路段的图像,确定该路段的交通拥堵属性,可以使得确定出的该路段的交通拥堵程度与实际拥堵程度高度贴合,从而提高了基于交通拥堵属性,对交通信号灯的时长进行调整的可靠性和准确性的技术效果。
图3为本申请一个实施例的交通信号灯的控制方法的流程示意图。
如图3所示,该方法包括:
S201:获取交汇于同一路口的各路段的图像。
示例性地,关于S201地描述,可以参见S101,此次不再赘述。
S202:基于每一路段各自对应的交通状态识别模型,提取每一路段的图像的像素特征。
在一些实施例中,可以对图像进行二值化处理,并对二值化处理后的图像进行像素特征的提取操作。
在本实施例中,该步骤可以理解为:针对每一路段的图像,基于每一路段各自对应的交通状态识别模型分别对每一路段的图像进行分析,得到每一路段的图像的各小方格的位置(如以图像坐标系为基础的坐标)、以及各小方格各自对应的色彩数值(RGB值)等。
S203:根据每一路段的图像的像素特征,确定每一路段的交通拥堵属性。
结合上述示例,每一路段的图像的像素特征可以为,每一路段的各小方格的位置、以及各小方格各自对应的色彩数值,则控制装置可以基于每一路段的各小方格的位置、以及各小方格各自对应的色彩数值,对每一路段的交通情况进行分析,并得到相应的交通拥堵属性。
在一些实施例中,S203可以包括如下步骤:
步骤1:根据每一路段的图像的像素特征,确定每一路段的交通拥堵概率。
一个示例中,控制装置可以基于每一路段的图像的像素特征,确定每一路段的排队通过路口的车辆的长度,并根据排队通过路口的车辆的长度,确定每一路段的交通拥堵概率。
例如,结合如图1所示的应用场景,控制装置可以基于第一路段的图像的像素特征,确定第一路段的排队通过路口的车辆的长度,并根据排队通过路口的长度,确定第一路段的交通拥堵概率。
另一个示例中,可以预先设置排队通过路口的车辆的长度、与交通拥堵概率之间的映射关系,并当控制装置确定出排队通过路口的车辆的长度时,可以基于映射关系,确定与确定出的排队通过路口的车辆的长度对应的交通拥堵概率。
步骤2:根据每一路段的交通拥堵概率,确定每一路段的交通拥堵属性。
在一些实施例中,交通拥堵属性包括:严重拥堵、拥堵、以及畅通,步骤2可以包括:若每一路段的交通拥堵概率小于第一预设拥堵阈值,则确定每一路段的交通拥堵属性为畅通;若每一路段的交通拥堵概率大于第一预设拥堵阈值、且小于第二预设拥堵阈值,则确定每一路段的交通拥堵属性为拥堵;若每一路段的交通拥堵概率大于第二预设拥堵阈值,则确定每一路段的交通拥堵属性为严重拥堵。
其中,第一预设拥堵阈值小于第二预设拥堵阈值,且第一预设拥堵阈值、以及第二预设拥堵阈值,可以基于需求、历史记录、以及试验等进行设置。
也就是说,可以基于交通拥堵概率,对交通拥堵属性进行划分,如严重拥堵、拥堵、以及畅通。
结合上述示例,该步骤可以理解为:控制装置在确定出第一路段的交通拥堵概率之后,可以判断第一路段的交通拥堵概率是否小于第一预设拥堵阈值,若第一路段的交通拥堵概率小于第一预设拥堵阈值,则确定第一路段的交通拥堵属性为畅通,即第一路段的交通比较顺畅,车辆可以顺利通行;若第一路段的交通拥堵概率大于第一预设拥堵阈值,则判断第一路段的交通拥堵概率是否小于第二预设拥堵阈值,若第一路段的交通拥堵概率小于第二预设拥堵阈值,则确定第一路段的交通拥堵属性为拥堵,即第一路段的交通不顺畅,车辆需要等待一定时间才能通行;若第一路段的交通拥堵概率大于第二预设拥堵阈值,则确定第一路段的交通拥堵属性为严重拥堵,即第一路段的交通很不顺畅,车辆需要等待很长时间才能通行。
值得说明地是,上述示例只是用于示范性地说明,交通拥堵属性的划分原理,而不能理解为对交通拥堵属性的划分的限定。
S204:根据各路段的交通拥堵属性,对路口的交通信号灯的时长进行调整。
结合如图1所示的应用场景和上述示例,控制装置在确定出第一路段、第二路段、第三路段、以及第四路段各自对应的交通拥堵属性之后,基于第一路段、第二路段、第三路段、以及第四路段各自对应的交通拥堵属性,对路口的交通信号灯的时长进行调整。
在一些实施例中,S204可以包括如下步骤:
步骤1:根据各路段的交通拥堵属性,从预设的交通拥堵属性与交通量之间的映射关系中,确定每一路段的交通量。
值得说明地是,交通量可以为具体的数值,也可以为数值区间,也就是说,在本实施例中,交通拥堵属性可以表征,通行车辆的数量,也可以表征,通行车辆的数量区间。
步骤2:根据每一路段的交通量,对交通信号灯的时长进行调整。
在一些实施例中,调整后的交通信号灯的时长,满足各路段的交通量为最大交通量。
也就是说,控制装置可以基于满足各路段的交通量为最大交通量为基础,对交通信号灯进行调整,从而实现满足路口的车辆的最大通行率,可以使得各路段的车辆尽可能快地通过路口,避免交通拥堵,提高出行效率和出行体验的技术效果。
例如,控制装置可以基于每一路段的交通量,确定每一路段的每一车辆的等待时间,并基于等待时间确定平均一秒钟,每一路段的支持通行的车辆的数量,请求取各路段的最大通行量,并基于求取到的最大通行量对交通信号灯的时长进行调整。
图4为本申请一个实施例的交通信号灯的控制方法的流程示意图。
如图4所示,该方法包括:
S301:针对每一路段,采集样本图像,其中,样本图像包括不同交通拥堵属性的图像。
示例性地,交通拥堵属性可以基于需求、历史记录、以及试验等进行设置。例如,结合上述示例,交通拥堵属性可以包括:畅通、拥堵、以及严重拥堵,则在采集样本图像时,可以采集畅通、拥堵、以及严重拥堵各自对应的样本图像。
值得说明地是,本实施例对样本图像的数量不做限定,且各交通拥堵属性各自对应的样本图像的数量不做限定,例如,可以基于相同的数量采集各交通拥堵属性各自对应的样本图像,也采用不同的数量采集各交通拥堵属性各自对应的样本图像。
S302:基于样本图像对卷积神经网络模型进行训练,生成每一路段各自对应的交通状态识别模型。
在本实施例中,可以基于获取到的样本图像对卷积神经网络模型进行训练,以便生成用于对交通状态进行识别的交通状态识别模型。
也就是说,交通状态识别模型用于对交通状态进行识别,即用于对每一路段的交通拥堵属性进行确定,从而可以确定交通是否为拥堵,或者,是否为畅通,又或者,是否为严重拥堵。
值得说明地是,在本实施例中,通过训练生成交通状态识别模型,可以提高对每一路段的交通拥堵属性进行确定,从而实现快速且精准地确定交通状态,提高对交通信号灯的控制效率,且提高对交通信号灯控制的可靠性和准确性的技术效果。
在一些实施例中,S302可以包括如下步骤:
步骤1:针对每一路段,基于卷积神经网络模型,对每一样本图像的像素特征进行提取,并基于提取到的每一样本图像的像素特征,为每一样本图像分配权重,其中,每一样本图像的权重表征,每一样本图像对应的交通拥堵的概率。
示例性地,关于提取每一样本图像的像素特征的原理,以及基于提取到的样本图像的像素特征,为每一样本图像分配权重的原理,可以参见上述示例,此处不再赘述。
步骤2:根据各样本图像的权重,对卷积神经网络模型的卷积参数进行调整,得到交通状态识别模型。
在一些实施例中,步骤2可以包括如下子步骤:
子步骤1:每一样本图像具有第一类别信息,第一类别信息表征,每一样本图像的交通拥堵属性。
子步骤2:基于每一样本图像的第一类别信息,对每一样本图像的权重进行调整。
示例性地,可以由控制装置确定每一样本图像的第一类别信息,并对每一样本图像进行打标签处理;也可以由其他装置确定每一样本图像的第一类别信息,并对每一样本图像进行打标签处理;还可以基于人为的方式确定每一样本图像的第一类别信息,并对每一样本图像进行打标签处理,等等,本实施例不做限定。
子步骤3:基于调整后的各权重构建权重矩阵,并基于权重矩阵,对卷积神经网络模型的卷积参数进行调整,得到交通状态识别模型。
示例性地,该子步骤可以包括:基于权重矩阵和卷积参数确定训练值,确定训练值与预设的标定值(基于第一类别信息确定的)之间的损失值,基于损失值确定用于调整卷积参数的幅度,并基于幅度对卷积参数进行调整。
在一些实施例中,在基于幅度对卷积参数进行调整之后,还可以引入对调整后的卷积神经网络模型进行验证的特征,例如,基于采集的验证图像对调整后的卷积神经网路模型进行调整,具体地:
基于调整后的卷积神经网络模型,对每一路段的每一验证图像的像素特征进行提取,并根据每一验证图像的像素特征、调整后的卷积神经网络模型的卷积参数,确定验证结果,且根据验证结果对调整后的卷积参数进行调整,得到交通状态识别模型。
在一些实施例中,每一验证图像具有第二类别信息,第二类别信息表征,验证图像的交通拥堵属性,则根据验证结果对调整后的卷积参数进行调整,得到交通状态识别模型,包括:基于每一验证结果、与每一验证结果对应的验证图像的第二类别信息,调整后的卷积神经网络模型的参数进行调整。
同理,该步骤可以包括:基于各验证结果、以及各验证图像各自对应的标定值(基于第二类别信息确定的)进行比对,得到二者的损失值,基于该损失值确定用于调整调整后的卷积神经网络模型的卷积参数的幅度,并基于该幅度对各卷积参数进行调整。
S303:获取交汇于同一路口的各路段的图像。
示例性地,关于S303地描述,可以参见S101,此处不再赘述。
S304:基于每一路段各自对应的交通状态识别模型,对每一路段的图像进行识别处理,得到每一路段的交通拥堵属性。
值得说明地是,在本实施例中,通过基于交通状态识别模型,确定每一路段的交通拥堵属性,可以提高确定交通拥堵属性的可靠性和准确性,且提高了分析交通拥堵属性的效率,从而提高交通信号灯地控制的及时性和准确性的技术效果,提高了用户的体验。
在一些实施例中,S304可以包括:基于每一路段各自对应的交通状态识别模型,确定每一路段的图像的像素特征,并基于像素特征与交通状态识别模型的卷积参数,确定每一路段的图像的交通拥堵属性。
图5为本申请一个实施例的交通信号灯的控制装置。
如图5所示,该装置包括:
获取模块11,用于获取交汇于同一路口的各路段的图像;
识别模块12,用于基于每一路段各自对应的交通状态识别模型,对每一路段的图像进行识别处理,得到所述每一路段的交通拥堵属性,其中,所述交通拥堵属性与所述每一路段的交通拥堵程度相关;
调整模块13,用于根据所述各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整。
在一些实施例中,所述识别模块12用于,基于所述每一路段各自对应的交通状态识别模型,提取所述每一路段的图像的像素特征,根据所述每一路段的图像的像素特征,确定所述每一路段的交通拥堵属性。
在一些实施例中,所述识别模块12用于,根据所述每一路段的图像的像素特征,确定所述每一路段的交通拥堵概率,并根据所述每一路段的交通拥堵概率,确定所述每一路段的交通拥堵属性。
在一些实施例中,交通拥堵属性包括:严重拥堵、拥堵、以及畅通;所述识别模块12用于,若所述每一路段的交通拥堵概率小于第一预设拥堵阈值,则确定所述每一路段的交通拥堵属性为畅通;若所述每一路段的交通拥堵概率大于第一预设拥堵阈值、且小于第二预设拥堵阈值,则确定所述每一路段的交通拥堵属性为拥堵;若所述每一路段的交通拥堵概率大于第二预设拥堵阈值,则确定所述每一路段的交通拥堵属性为严重拥堵;其中,所述第一预设拥堵阈值小于所述第二预设拥堵阈值。
在一些实施例中,所述调整模块13用于,根据所述各路段的交通拥堵属性,从预设的交通拥堵属性与交通量之间的映射关系中,确定所述每一路段的交通量,并根据所述每一路段的交通量,对所述交通信号灯的时长进行调整。
在一些实施例中,调整后的交通信号灯的时长,满足所述各路段的交通量为最大交通量。
图6为本申请另一实施例的交通信号灯的控制装置。
如图6所示,该装置包括:
采集模块14,用于针对所述每一路段,采集样本图像,其中,所述样本图像包括不同交通拥堵属性的图像;
训练模块15,用于基于所述样本图像对卷积神经网络模型进行训练,生成所述每一路段各自对应的交通状态识别模型;
以及,所述确定模块12用于,基于所述交通状态识别模型对所述每一路段的图像进行识别,得到所述每一路段的交通拥堵属性。
在一些实施例中,所述训练模块15用于,针对所述每一路段,基于所述卷积神经网络模型,对每一样本图像的像素特征进行提取,并基于提取到的每一样本图像的像素特征,为所述每一样本图像分配权重,其中,所述每一样本图像的权重表征,所述每一样本图像对应的交通拥堵的概率,并根据各样本图像的权重,对所述卷积神经网络模型的卷积参数进行调整,得到所述交通状态识别模型。
根据本申请的另一个方面,本申请实施例还提供了一种交通信号灯的控制系统,所述系统包括:设置于路口的多个图像处理器、以及与每一图像处理器连接的控制器;其中,
每一图像处理器用于,对交汇于所述路口的一个路段的图像进行采集,并根据所述每一图像处理器设置的交通状态识别模型,对所述一个路段的图像进行识别处理,得到所述一个路段的交通拥堵属性,其中,所述一个路段的交通拥堵属性与所述一个路段的交通拥堵程度相关;
所述控制器用于,根据各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整。
在一些实施例中,所述每一图像处理器包括:摄像头和处理芯片,其中,
所述摄像头用于,对交汇于所述路口的一个路段的图像进行采集;
所述处理芯片用于,根据其内设置的交通状态识别模型,对所述一个路段的图像进行识别处理,得到所述一个路段的交通拥堵属性。
在一些实施例中,所述处理芯片用于,基于其内设置的卷积神经网络模型,对所述一个路段的图像的像素特征进行提取,并基于提取到的每一样本图像的像素特征,为所述每一样本图像分配权重,其中,所述每一样本图像的权重表征,所述每一样本图像对应的交通拥堵的概率,并根据各样本图像的权重,对所述卷积神经网络模型的卷积参数进行调整,得到所述交通状态识别模型。
例如,结合如图1所示的应用场景,第一路段与路口的交汇处设置有摄像头,且摄像头中集成有处理芯片,摄像头对第三路段的图像进行采集,并将第三路段的图像发送给处理芯片,处理芯片中设置有交通状态识别模型,处理芯片中的交通状态识别模型对第三路段的图像进行识别,得到第三路段的交通拥堵属性,并将第三路段的交通拥堵属性发送给控制器。
相应地,控制器接收其他处理芯片发送的交通拥堵属性,得到每一路段各自对应的交通拥堵属性,并基于各交通拥堵属性对交通信号灯的时长进行调整。
根据本申请实施例的另一个方面,本申请实施例还提供了一种电子设备和一种可读存储介质。
请参阅图7,图7为本申请实施例的电子设备的框图。
其中,电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器101、存储器102,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器101为例。
存储器102即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的交通信号灯的控制方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的交通信号灯的控制方法。
存储器102作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块。处理器101通过运行存储在存储器102中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的交通信号灯的控制方法。
存储器102可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器102可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器102可选包括相对于处理器101远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置103和输出装置104。处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置103可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置104可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (12)
1.一种交通信号灯的控制方法,所述方法包括:
获取交汇于同一路口的各路段的图像;
基于每一路段各自对应的交通状态识别模型,对所述每一路段的图像进行识别处理,得到所述每一路段的交通拥堵属性,其中,所述交通拥堵属性与所述每一路段的交通拥堵程度相关;
根据所述各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整。
2.根据权利要求1所述的方法,其中,基于每一路段各自对应的交通状态识别模型,对所述每一路段的图像进行识别处理,得到所述每一路段的交通拥堵属性,包括:
基于所述每一路段各自对应的交通状态识别模型,确定所述每一路段的图像的像素特征,并基于所述每一路段的图像的像素特征,确定所述每一路段的交通拥堵概率;
根据所述每一路段的交通拥堵概率,确定所述每一路段的交通拥堵属性。
3.根据权利要求2所述的方法,其中,交通拥堵属性包括:严重拥堵、拥堵、以及畅通;根据所述每一路段的交通拥堵概率,确定所述每一路段的交通拥堵属性,包括:
若所述每一路段的交通拥堵概率小于第一预设拥堵阈值,则确定所述每一路段的交通拥堵属性为畅通;
若所述每一路段的交通拥堵概率大于第一预设拥堵阈值、且小于第二预设拥堵阈值,则确定所述每一路段的交通拥堵属性为拥堵;
若所述每一路段的交通拥堵概率大于第二预设拥堵阈值,则确定所述每一路段的交通拥堵属性为严重拥堵;
其中,所述第一预设拥堵阈值小于所述第二预设拥堵阈值。
4.根据权利要求1所述的方法,其中,根据所述各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整,包括:
根据所述各路段的交通拥堵属性,从预设的交通拥堵属性与交通量之间的映射关系中,确定所述每一路段的交通量;
根据所述每一路段的交通量,对所述交通信号灯的时长进行调整;其中,调整后的交通信号灯的时长,满足所述各路段的交通量为最大交通量。
5.根据权利要求1至4中任一项所述的方法,其中,在基于每一路段各自对应的交通状态识别模型,对所述每一路段的图像进行识别处理,得到所述每一路段的交通拥堵属性之前,所述方法还包括:
针对所述每一路段,采集样本图像,其中,所述样本图像包括不同交通拥堵属性的图像;
基于所述样本图像对卷积神经网络模型进行训练,生成所述每一路段各自对应的交通状态识别模型。
6.根据权利要求5所述的方法,其中,基于所述样本图像对卷积神经网络模型进行训练,生成所述每一路段各自对应的交通状态识别模型,包括:
针对所述每一路段,基于所述卷积神经网络模型,对每一样本图像的像素特征进行提取,并基于提取到的每一样本图像的像素特征,为所述每一样本图像分配权重,其中,所述每一样本图像的权重表征,所述每一样本图像对应的交通拥堵的概率;
根据各样本图像的权重,对所述卷积神经网络模型的卷积参数进行调整,得到所述交通状态识别模型。
7.一种交通信号灯的控制装置,所述装置包括:
获取模块,用于获取交汇于同一路口的各路段的图像;
识别模块,用于基于每一路段各自对应的交通状态识别模型,对每一路段的图像进行识别处理,得到所述每一路段的交通拥堵属性,其中,所述交通拥堵属性与所述每一路段的交通拥堵程度相关;
调整模块,用于根据所述各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整。
8.一种交通信号灯的控制系统,所述系统包括:设置于路口的多个图像处理器、以及与每一图像处理器连接的控制器;其中,
每一图像处理器用于,对交汇于所述路口的一个路段的图像进行采集,并根据所述每一图像处理器设置的交通状态识别模型,对所述一个路段的图像进行识别处理,得到所述一个路段的交通拥堵属性,其中,所述一个路段的交通拥堵属性与所述一个路段的交通拥堵程度相关;
所述控制器用于,根据各路段的交通拥堵属性,对所述路口的交通信号灯的时长进行调整。
9.根据权利要求8所述的系统,其中,所述每一图像处理器包括:摄像头和处理芯片,其中,
所述摄像头用于,对交汇于所述路口的一个路段的图像进行采集;
所述处理芯片用于,根据其内设置的交通状态识别模型,对所述一个路段的图像进行识别处理,得到所述一个路段的交通拥堵属性。
10.根据权利要求9所述的系统,其中,所述处理芯片用于,基于其内设置的卷积神经网络模型,对所述一个路段的图像的像素特征进行提取,并基于提取到的每一样本图像的像素特征,为所述每一样本图像分配权重,其中,所述每一样本图像的权重表征,所述每一样本图像对应的交通拥堵的概率,并根据各样本图像的权重,对所述卷积神经网络模型的卷积参数进行调整,得到所述交通状态识别模型。
11.一种电子设备,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行如权利要求1至6任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447114.2A CN112634631A (zh) | 2020-12-11 | 2020-12-11 | 交通信号灯的控制方法、装置、系统以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447114.2A CN112634631A (zh) | 2020-12-11 | 2020-12-11 | 交通信号灯的控制方法、装置、系统以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112634631A true CN112634631A (zh) | 2021-04-09 |
Family
ID=75310199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011447114.2A Pending CN112634631A (zh) | 2020-12-11 | 2020-12-11 | 交通信号灯的控制方法、装置、系统以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634631A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299720A (zh) * | 2021-12-30 | 2022-04-08 | 王子祥 | 一种基于物联网的公共服务交通管理方法及系统 |
CN114842659A (zh) * | 2022-05-07 | 2022-08-02 | 青岛海信网络科技股份有限公司 | 一种交通拥堵疏导方法及装置 |
CN115083160A (zh) * | 2022-06-15 | 2022-09-20 | 国汽智控(北京)科技有限公司 | 信号灯控制方法、装置和信号灯控制器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08106594A (ja) * | 1994-10-03 | 1996-04-23 | Matsushita Electric Ind Co Ltd | 交通渋滞判定装置 |
CN106297328A (zh) * | 2016-08-25 | 2017-01-04 | 深圳市元征科技股份有限公司 | 一种交通信号灯控制方法及装置 |
CN107016861A (zh) * | 2017-05-31 | 2017-08-04 | 电子科技大学 | 基于深度学习和智能路灯的交通信号灯智能调控系统 |
CN110264735A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN110689738A (zh) * | 2019-09-24 | 2020-01-14 | 北京地平线机器人技术研发有限公司 | 交通信号灯的控制方法和装置、存储介质、电子设备 |
-
2020
- 2020-12-11 CN CN202011447114.2A patent/CN112634631A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08106594A (ja) * | 1994-10-03 | 1996-04-23 | Matsushita Electric Ind Co Ltd | 交通渋滞判定装置 |
CN106297328A (zh) * | 2016-08-25 | 2017-01-04 | 深圳市元征科技股份有限公司 | 一种交通信号灯控制方法及装置 |
CN107016861A (zh) * | 2017-05-31 | 2017-08-04 | 电子科技大学 | 基于深度学习和智能路灯的交通信号灯智能调控系统 |
CN110264735A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN110689738A (zh) * | 2019-09-24 | 2020-01-14 | 北京地平线机器人技术研发有限公司 | 交通信号灯的控制方法和装置、存储介质、电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299720A (zh) * | 2021-12-30 | 2022-04-08 | 王子祥 | 一种基于物联网的公共服务交通管理方法及系统 |
CN114842659A (zh) * | 2022-05-07 | 2022-08-02 | 青岛海信网络科技股份有限公司 | 一种交通拥堵疏导方法及装置 |
CN114842659B (zh) * | 2022-05-07 | 2023-08-04 | 青岛海信网络科技股份有限公司 | 一种交通拥堵疏导方法及装置 |
CN115083160A (zh) * | 2022-06-15 | 2022-09-20 | 国汽智控(北京)科技有限公司 | 信号灯控制方法、装置和信号灯控制器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634631A (zh) | 交通信号灯的控制方法、装置、系统以及电子设备 | |
US20210316753A1 (en) | Road test method and apparatus for autonomous driving vehicle, device and storage medium | |
CN112132113A (zh) | 车辆再识别的方法、装置、训练方法以及电子设备 | |
CN113257019A (zh) | 交通灯信号的控制方法、装置、设备及存储介质 | |
US20220215667A1 (en) | Method and apparatus for monitoring vehicle, cloud control platform and system for vehicle-road collaboration | |
CN111739344B (zh) | 一种预警方法、装置及电子设备 | |
CN114415628A (zh) | 自动驾驶测试方法及装置、电子设备和存储介质 | |
CN110675644B (zh) | 道路红绿灯的识别方法、装置、电子设备及存储介质 | |
CN112634611B (zh) | 用于识别路况的方法、装置、设备以及存储介质 | |
CN110991320A (zh) | 路况检测方法和装置、电子设备、存储介质 | |
CN110910665A (zh) | 信号灯控制方法、装置以及计算机设备 | |
CN111694973A (zh) | 自动驾驶场景的模型训练方法、装置、电子设备 | |
CN110689747B (zh) | 自动驾驶车辆的控制方法和装置、自动驾驶车辆 | |
CN111833340A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN111540023B (zh) | 图像采集设备的监测方法、装置、电子设备及存储介质 | |
CN111652153A (zh) | 场景自动识别方法、装置、无人车及存储介质 | |
CN111536984A (zh) | 定位方法和装置、车端设备、车辆、电子设备和定位系统 | |
CN111681417B (zh) | 交通路口渠化调整方法和装置 | |
CN111627241A (zh) | 用于生成车辆排队信息的方法和装置 | |
CN111666714A (zh) | 自动驾驶仿真场景识别的方法及装置 | |
CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
CN112802325A (zh) | 车辆排队长度检测方法及装置 | |
CN111652112A (zh) | 一种车道流向的识别方法、装置、电子设备及存储介质 | |
CN112863187A (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN111540010A (zh) | 一种道路监测的方法、装置、电子设备及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176 Applicant before: Jingdong Digital Technology Holding Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |