CN114202936A - 一种交通指挥机器人及其控制方法 - Google Patents

Abstract

本申请提供一种交通指挥机器人及其控制方法。该方法包括：周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合；周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量‑拥堵状态对比表中查找相应的第二车辆数量集合；计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量‑红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期。本申请实现对道路交通的智能指挥，根据实时道路交通状态实时调整红绿灯变灯时间，可以极大缓解交通拥堵。

Description

一种交通指挥机器人及其控制方法

技术领域

本申请涉及机器人技术领域，尤其涉及一种交通指挥机器人及其控制方法。

背景技术

交通，指从事旅客和货物运输及语言和图文传递的行业，包括运输和邮电两个方面，在国民经济中属于第三产业。运输有铁路、公路、水路、空路、管道五种方式，邮电包括邮政和电信两方面内容。

随着社会的快速发展，道路上的车辆越来越多，造成道路越来越拥挤，现阶段对于交通的指挥多为红绿灯，但是在红绿灯发生故障后往往需要交警前往路口进行指挥，加大了交警的工作强度，同时容易带来较大的安全隐患。为此，需要设计一种新的技术方案给予解决。

现有的交通指挥机器人，无法根据实时道路拥堵状态进行红绿灯周期的调节，因此无法很好的缓解拥堵。例如一个十字路口，有一条路拥堵而另一条畅通，需要对拥堵的路绿灯放行时间增加以缓解拥堵。

发明内容

有鉴于此，本申请的目的在于提出一种交通指挥机器人的控制方法，本申请能够针对性的解决现有的交通灯无法缓解拥堵问题。

基于上述目的，本申请提出了一种交通指挥机器人的控制方法，包括：

根据交通路口的道路交叉情况启用相应数量的红绿灯组和摄像头，所述红绿灯组和摄像头设置于机器人上，其中每一组红绿灯和一个摄像头配合指向相同的一个方向；

周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合；

周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量-拥堵状态对比表中查找相应的第二车辆数量集合；

计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期；

如果所述差异度超过所述预设阈值，则拟合所述第一车辆数量集合和第二车辆数量集合得到各个方向上的第三车辆数量集合，以第三车辆数量集合为基准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期。

进一步地，所述周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合，包括：

每个摄像头按照固定的时间间隔拍摄对应方向的图像，抓取图像中的物体并输入神经网络分类模块，得到该方向上车辆的数量；

将同一条道路上所有方向的车辆数量相加求和，得到每一条道路的车流量；

将所有道路的车流量及其对应的道路标记组成第一车辆数量集合。

进一步地，所述抓取图像中的物体，包括：

利用OpenCV对获取的图像进行目标特征点提取、特征点描述，然后与数据库中数据进行特征点匹配，从而完成目标识别，并将识别结果显示在LCD上；

基于预先建立的相关目标的特征描述子信息数据库，运用OpenCV中的feature2d模块相关的特征点检测子、特征点描述子以及匹配框架完成图像目标识别；

将OpenCV自定义的IplImage结构体中的图像数据转换为32位真彩四通道图像数据，然后利用Qt中相关类对图像数据进行显示。

进一步地，所述神经网络分类模块，使用卷积神经网络对物体进行细分类，其过程为，1)对原始图片进行边缘检测；2)对处理后的图像进行直线检测；3)对所有直线计算斜率，找出所有的平行线{N}，并统计平行线组数S；4)设置阈值T与S进行比较，判断物体是否为车辆。

进一步地，所述周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量-拥堵状态对比表中查找相应的第二车辆数量集合，包括：

按照与摄像头拍摄相同的时间间隔访问远端服务器，从互联网下载实时交通导航地图；

解析所述实时交通导航地图，根据所述地图查找所述交通路口；

获取所述交通路口各个方向的实时道路拥堵状态情况；

根据所述实时道路拥堵状态情况在预设车辆数量-拥堵状态对比表中查找相应的每个方向上车辆的数量；

将同一条道路上所有方向的车辆数量相加求和，得到每一条道路的车流量；

将所有道路的车流量及其对应的道路标记结合记录，组成第二车辆数量集合。

进一步地，所述计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期，包括：

根据第一车辆数量集合和第二车辆数量集合中每条道路对应的道路标记，得到每条道路上的第一车流量和第二车流量；

计算每条道路的所述第一车流量和第二车流量的差值；

将所有道路的所述差值求平方和，作为第一车辆数量集合和第二车辆数量集合的差异度；

如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，计算第一车流量大的道路与第一车流量小的道路的车流量比例；

调节每组红绿灯的变灯周期，使得第一车流量大的道路绿灯时间周期与红灯时间周期之比等于所述车流量比例。

进一步地，所述如果所述差异度超过所述预设阈值，则拟合所述第一车辆数量集合和第二车辆数量集合得到各个方向上的第三车辆数量集合，以第三车辆数量集合为基准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期，包括：

如果所述差异度超过预设阈值，则将所述第一车辆数量集合和第二车辆数量集合中每条道路对应的车流量求均值，得到各个方向上的第三车辆数量集合；

以第三车辆数量集合为基准，计算第一车流量大的道路与第一车流量小的道路的车流量比例；

调节每组红绿灯的变灯周期，使得第一车流量大的道路绿灯时间周期与红灯时间周期之比等于所述车流量比例。

基于上述目的，本申请还提出了一种交通指挥机器人，包括：

灯组和摄像头模块，用于根据交通路口的道路交叉情况启用相应数量的红绿灯组和摄像头，所述红绿灯组和摄像头设置于机器人上，其中每一组红绿灯和一个摄像头配合指向相同的一个方向；

车辆图像抓取模块，用于周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合；

地图车辆数获取模块，用于周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量-拥堵状态对比表中查找相应的第二车辆数量集合；

差异度计算模块，用于计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期；

差异拟合模块，用于如果所述差异度超过所述预设阈值，则拟合所述第一车辆数量集合和第二车辆数量集合得到各个方向上的第三车辆数量集合，以第三车辆数量集合为基准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期。

总的来说，本申请的优势及给用户带来的体验在于：

本申请实现对道路交通的智能指挥，根据实时道路交通状态实时调整红绿灯变灯时间，可以极大缓解交通拥堵；根据实时道路图像和互联网地图拥堵数据的比较，能够更加准确的判断出实时车流量状态，防止各种误判情况的发生。既考虑了实时交通地图的延迟问题，也考虑了抓取图像时的道路边停车导致的误差问题。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。

图1示出本申请的系统架构原理示意图。

图2示出根据本申请实施例的交通指挥机器人的控制方法的流程图。

图3示出根据本申请实施例的交通指挥机器人的构成图。

图4示出了本申请一实施例所提供的一种电子设备的结构示意图；

图5示出了本申请一实施例所提供的一种存储介质的示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出本申请的系统架构原理示意图。本申请的实施例中，周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合；周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量-拥堵状态对比表中查找相应的第二车辆数量集合；计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期。

图2示出根据本申请实施例的交通指挥机器人的控制方法的流程图。如图2所示，该交通指挥机器人的控制方法包括：

步骤101：根据交通路口的道路交叉情况启用相应数量的红绿灯组和摄像头，所述红绿灯组和摄像头设置于机器人上，其中每一组红绿灯和一个摄像头配合指向相同的一个方向。

本实施例中，以图1里的日常生活中最常见的两条道路交叉十字路口举例，在四个方向上需要分别设置四组红绿灯和四个摄像头，以掌控全部方向的车流情况。

步骤102：周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合，包括：

本实施例中，每个摄像头按照固定的时间间隔拍摄对应方向的图像，抓取图像中的物体并输入神经网络分类模块，得到该方向上车辆的数量；

将同一条道路上所有方向的车辆数量相加求和，得到每一条道路的车流量；

将所有道路的车流量及其对应的道路标记组成第一车辆数量集合。

本实施例中，抓取图像中的物体时，包括：

利用OpenCV对获取的图像进行目标特征点提取、特征点描述，然后与数据库中数据进行特征点匹配，从而完成目标识别，并将识别结果显示在LCD上；

基于预先建立的相关目标的特征描述子信息数据库，运用OpenCV中的feature2d模块相关的特征点检测子、特征点描述子以及匹配框架完成图像目标识别；

将OpenCV自定义的IplImage结构体中的图像数据转换为32位真彩四通道图像数据，然后利用Qt中相关类对图像数据进行显示。

所述神经网络分类模块，使用卷积神经网络对物体进行细分类，其过程为，1)对原始图片进行边缘检测；2)对处理后的图像进行直线检测；3)对所有直线计算斜率，找出所有的平行线{N}，并统计平行线组数S；4)设置阈值T与S进行比较，判断物体是否为车辆。更加具体的过程如下：

1)首先通过边缘检测算法对车辆的边缘进行提取。这里使用经典的Canny算子对于边缘进行提取；

2)对提取出的边缘使用Hough变换，找出峰值点，进行直线的检测；

3)针对检测出的直线可能存在断裂以及不连续的情况，计算位于同一条直线上的若干条线段之间的距离，若距离小于阈值L，则认为这些线段属于同一直线；

4)针对上述步骤检测出的所有直线，计算每一条直线的斜率k；

5)计算每两条直线之间的斜率相对差。若小于误差阈值T1，则认为这两条直线为平行线。统计所有平行线的组数S。

6)若平行线的组数S大于阈值T2，则将当前的运动物体判断为车辆。

如图1所示，经过图像的抓取，可以识别出人民路在路口的两个方向上各有一个车辆，而红旗路在路口的两个方向上的车辆数分别是5和3，第一车辆数量结合可以记录为以下形式：人民路(1，1)，红旗路(5，3)。而人民路的总车流量是2，红旗率的总车流量是5+3＝8。然而，如果仅仅采用摄像头的抓取情况，不能够分辨出哪些车是道路实际行驶的车辆，而哪些车辆是停在路边停车位的数量，因此，为了更加科学的计算车流量，本实施例进一步参考了地图导航软件的车流量实时状态情况。

步骤103：周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量-拥堵状态对比表中查找相应的第二车辆数量集合，包括：

按照与摄像头拍摄相同的时间间隔访问远端服务器，从互联网下载实时交通导航地图；

解析所述实时交通导航地图，根据所述地图查找所述交通路口；

获取所述交通路口各个方向的实时道路拥堵状态情况；

根据所述实时道路拥堵状态情况在预设车辆数量-拥堵状态对比表中查找相应的每个方向上车辆的数量；

将同一条道路上所有方向的车辆数量相加求和，得到每一条道路的车流量；

将所有道路的车流量及其对应的道路标记结合记录，组成第二车辆数量集合。

如图1所示的道路，经过访问例如高德地图或者百度地图，可以获取其道路拥堵状况，但是这些地图一般仅仅使用红黄绿等颜色表示出拥堵状态的大致情况，其分类是比较粗糙的。为此可以为每种拥堵状态颜色设置一个车流量区间，例如绿色设置为0-2个车辆，黄色设置为3-4辆车，红色设置为5辆车以上。然而互联网导航地图往往具有一定的网络滞后性。因此需要结合前面的图像抓取以克服这个缺陷。

经过互联网数据的抓取，可以得到红旗路的两个方向分别为红色状态、黄色状态，而人民路的两个方向分别为绿色状态、绿色状态。因此，第二车辆数量结合可以以就高原则记录为以下形式：人民路(2，2)，红旗路(10，4)。而人民路的总车流量是4，红旗率的总车流量是10+4＝14。

步骤104：计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期，包括：

根据第一车辆数量集合和第二车辆数量集合中每条道路对应的道路标记，得到每条道路上的第一车流量和第二车流量；

计算每条道路的所述第一车流量和第二车流量的差值；

将所有道路的所述差值求平方和，作为第一车辆数量集合和第二车辆数量集合的差异度；

如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，计算第一车流量大的道路与第一车流量小的道路的车流量比例；

调节每组红绿灯的变灯周期，使得第一车流量大的道路绿灯时间周期与红灯时间周期之比等于所述车流量比例。

本实施例中，根据前两个步骤中图像抓取车辆数和根据互联网导航地图得到的车辆数进行综合考量。人民路的两种车流量差值是4-2＝2，而红旗路的两种车流量差值是14-8＝6，所有道路的差值平方和是2*2+6*6＝40。如果预设阈值是50，则说明图像抓取和导航地图之间对于车流量的判断差异不大，那么就以图像抓取的结果为准，作为更加接近实际车流量的结果。此时由于人民路的车流量是2，而红旗路的车流量最终判断为8，那么可以认为红旗路的车流较为拥堵，为了更快的缓解红旗路的车流量，就按照两条道路车流量的比例8：2来设置交通指挥机器人的红绿灯变灯周期，例如，可以设置红旗路的绿灯周期为80秒，而红灯时间仅为20秒，以尽快缓解红旗路的交通拥堵状况。相应的，人民路较为畅通，则其绿灯时间大致为20秒而红灯时间大致为80秒。

步骤105：如果所述差异度超过所述预设阈值，则拟合所述第一车辆数量集合和第二车辆数量集合得到各个方向上的第三车辆数量集合，以第三车辆数量集合为基准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期，包括：

如果所述差异度超过预设阈值，则将所述第一车辆数量集合和第二车辆数量集合中每条道路对应的车流量求均值，得到各个方向上的第三车辆数量集合；

以第三车辆数量集合为基准，计算第一车流量大的道路与第一车流量小的道路的车流量比例；

调节每组红绿灯的变灯周期，使得第一车流量大的道路绿灯时间周期与红灯时间周期之比等于所述车流量比例。

如果预设阈值是30，则说明图像抓取和导航地图之间对于车流量的判断差异较大，那么为了更加接近实际车流量的结果，则综合考虑两种车流量获取结果。因此，人民路的车流量＝(2+4)/2＝3，而红旗路的车流量＝(8+14)/2＝11。那么可以认为红旗路的车流较为拥堵，为了更快的缓解红旗路的车流量，就按照两条道路车流量的比例11：3来设置交通指挥机器人的红绿灯变灯周期，例如，可以设置红旗路的绿灯周期为110秒，而红灯时间仅为30秒，以尽快缓解红旗路的交通拥堵状况。相应的，人民路较为畅通，则其绿灯时间大致为30秒而红灯时间大致为110秒。

本申请实现对道路交通的智能指挥，根据实时道路交通状态实时调整红绿灯变灯时间，可以极大缓解交通拥堵；根据实时道路图像和互联网地图拥堵数据的比较，能够更加准确的判断出实时车流量状态，防止各种误判情况的发生。既考虑了实时交通地图的延迟问题，也考虑了抓取图像时的道路边停车导致的误差问题。

申请实施例提供了一种交通指挥机器人，该系统用于执行上述实施例所述的交通指挥机器人的控制方法，如图3所示，该系统包括：

灯组和摄像头模块501，用于根据交通路口的道路交叉情况启用相应数量的红绿灯组和摄像头，所述红绿灯组和摄像头设置于机器人上，其中每一组红绿灯和一个摄像头配合指向相同的一个方向；

车辆图像抓取模块502，用于周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合；

地图车辆数获取模块503，用于周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量-拥堵状态对比表中查找相应的第二车辆数量集合；

差异度计算模块504，用于计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期；

差异拟合模块505，用于如果所述差异度超过所述预设阈值，则拟合所述第一车辆数量集合和第二车辆数量集合得到各个方向上的第三车辆数量集合，以第三车辆数量集合为基准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期。

本申请的上述实施例提供的交通指挥机器人与本申请实施例提供的交通指挥机器人的控制方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的交通指挥机器人的控制方法对应的电子设备，以执行上交通指挥机器人的控制方法。本申请实施例不做限定。

请参考图4，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图4所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的交通指挥机器人的控制方法。

其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述交通指挥机器人的控制方法可以应用于处理器200中，或者由处理器200实现。

处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的交通指挥机器人的控制方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的交通指挥机器人的控制方法对应的计算机可读存储介质，请参考图5，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的交通指挥机器人的控制方法。

需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的交通指挥机器人的控制方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种交通指挥机器人的控制方法，其特征在于，包括：

根据交通路口的道路交叉情况启用相应数量的红绿灯组和摄像头，所述红绿灯组和摄像头设置于机器人上，其中每一组红绿灯和一个摄像头配合指向相同的一个方向；

周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合；

周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量-拥堵状态对比表中查找相应的第二车辆数量集合；

计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期；

如果所述差异度超过所述预设阈值，则拟合所述第一车辆数量集合和第二车辆数量集合得到各个方向上的第三车辆数量集合，以第三车辆数量集合为基准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期。

2.根据权利要求1所述的方法，其特征在于，

所述周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合，包括：

每个摄像头按照固定的时间间隔拍摄对应方向的图像，抓取图像中的物体并输入神经网络分类模块，得到该方向上车辆的数量；

将同一条道路上所有方向的车辆数量相加求和，得到每一条道路的车流量；

将所有道路的车流量及其对应的道路标记组成第一车辆数量集合。

3.根据权利要求2所述的方法，其特征在于，

所述抓取图像中的物体，包括：

利用OpenCV对获取的图像进行目标特征点提取、特征点描述，然后与数据库中数据进行特征点匹配，从而完成目标识别，并将识别结果显示在LCD上；

基于预先建立的相关目标的特征描述子信息数据库，运用OpenCV中的feature2d模块相关的特征点检测子、特征点描述子以及匹配框架完成图像目标识别；

将OpenCV自定义的IplImage结构体中的图像数据转换为32位真彩四通道图像数据，然后利用Qt中相关类对图像数据进行显示。

4.根据权利要求2或3所述的方法，其特征在于，

所述神经网络分类模块，使用卷积神经网络对物体进行细分类，其过程为，1)对原始图片进行边缘检测；2)对处理后的图像进行直线检测；3)对所有直线计算斜率，找出所有的平行线{N}，并统计平行线组数S；4)设置阈值T与S进行比较，判断物体是否为车辆。

5.根据权利要求4所述的方法，其特征在于，

所述周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量-拥堵状态对比表中查找相应的第二车辆数量集合，包括：

按照与摄像头拍摄相同的时间间隔访问远端服务器，从互联网下载实时交通导航地图；

解析所述实时交通导航地图，根据所述地图查找所述交通路口；

获取所述交通路口各个方向的实时道路拥堵状态情况；

根据所述实时道路拥堵状态情况在预设车辆数量-拥堵状态对比表中查找相应的每个方向上车辆的数量；

将同一条道路上所有方向的车辆数量相加求和，得到每一条道路的车流量；

将所有道路的车流量及其对应的道路标记结合记录，组成第二车辆数量集合。

6.根据权利要求5所述的方法，其特征在于，

所述计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期，包括：

根据第一车辆数量集合和第二车辆数量集合中每条道路对应的道路标记，得到每条道路上的第一车流量和第二车流量；

计算每条道路的所述第一车流量和第二车流量的差值；

将所有道路的所述差值求平方和，作为第一车辆数量集合和第二车辆数量集合的差异度；

如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，计算第一车流量大的道路与第一车流量小的道路的车流量比例；

调节每组红绿灯的变灯周期，使得第一车流量大的道路绿灯时间周期与红灯时间周期之比等于所述车流量比例。

7.根据权利要求6所述的方法，其特征在于，

所述如果所述差异度超过所述预设阈值，则拟合所述第一车辆数量集合和第二车辆数量集合得到各个方向上的第三车辆数量集合，以第三车辆数量集合为基准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期，包括：

如果所述差异度超过预设阈值，则将所述第一车辆数量集合和第二车辆数量集合中每条道路对应的车流量求均值，得到各个方向上的第三车辆数量集合；

以第三车辆数量集合为基准，计算第一车流量大的道路与第一车流量小的道路的车流量比例；

调节每组红绿灯的变灯周期，使得第一车流量大的道路绿灯时间周期与红灯时间周期之比等于所述车流量比例。

8.一种交通指挥机器人，其特征在于，包括：

灯组和摄像头模块，用于根据交通路口的道路交叉情况启用相应数量的红绿灯组和摄像头，所述红绿灯组和摄像头设置于机器人上，其中每一组红绿灯和一个摄像头配合指向相同的一个方向；

车辆图像抓取模块，用于周期性获取摄像头的拍摄图像，使用图像抓取方法抓取所述拍摄图像中的车辆，并计算不同方向上的第一车辆数量集合；

地图车辆数获取模块，用于周期性从远端服务器获取交通导航地图中所述交通路口各个方向的道路拥堵状态情况，根据所述拥堵状态情况和预设车辆数量-拥堵状态对比表中查找相应的第二车辆数量集合；

差异度计算模块，用于计算第一车辆数量集合和第二车辆数量集合的差异度，如果所述差异度位于预设阈值以下，则以所述第一车辆数量集合为准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期；

差异拟合模块，用于如果所述差异度超过所述预设阈值，则拟合所述第一车辆数量集合和第二车辆数量集合得到各个方向上的第三车辆数量集合，以第三车辆数量集合为基准，结合车辆数量-红绿灯变灯周期对应函数，调节每组红绿灯的变灯周期。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。

Images