CN115083179A - 基于物联网的智能交通应用服务控制系统 - Google Patents

基于物联网的智能交通应用服务控制系统 Download PDF

Info

Publication number
CN115083179A
CN115083179A CN202211009943.1A CN202211009943A CN115083179A CN 115083179 A CN115083179 A CN 115083179A CN 202211009943 A CN202211009943 A CN 202211009943A CN 115083179 A CN115083179 A CN 115083179A
Authority
CN
China
Prior art keywords
intersection
vehicle
vehicles
tracking chain
analyzed
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
CN202211009943.1A
Other languages
English (en)
Other versions
CN115083179B (zh
Inventor
孙长进
陈萍
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.)
Zhongguancun Technology Leasing Co ltd
Original Assignee
Jiangsu Kingen Intelligent Technology 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 Jiangsu Kingen Intelligent Technology Co ltd filed Critical Jiangsu Kingen Intelligent Technology Co ltd
Priority to CN202211009943.1A priority Critical patent/CN115083179B/zh
Publication of CN115083179A publication Critical patent/CN115083179A/zh
Application granted granted Critical
Publication of CN115083179B publication Critical patent/CN115083179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/07Controlling traffic signals
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • G06T7/246Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/22Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/40Scenes; Scene-specific elements in video content
    • G06V20/41Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/52Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10016Video; Image sequence
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30248Vehicle exterior or interior
    • G06T2207/30252Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及交通信号控制技术领域,具体涉及一种基于物联网的智能交通应用服务控制系统。该系统包括:传感器模块,用于通过摄像头采集路口不同方向的视频帧图像;数据处理模块,用于基于预设时段内车辆的跟踪链获得未驶离路口车辆,同时获得已知跟踪链,未驶离路口车辆的跟踪链为待分析跟踪链;滞留概率计算模块,用于统计滞留车辆的数量得到滞留概率;延长时间获取模块,设定延长时间系数,基于滞留概率和延长时间系数获得当前方向的黄灯延长调整时间,基于所述当前方向的黄灯延长调整时间对交通黄灯时长进行调整。本发明能够合适的调整交通黄灯的时长,使得车辆通过路口,避免路口发生拥堵。

Description

基于物联网的智能交通应用服务控制系统
技术领域
本发明涉及交通信号控制技术领域,具体涉及一种基于物联网的智能交通应用服务控制系统。
背景技术
随着车辆的日益增多,使得道路交通需求急剧增加,城市交通拥堵随之加剧,而路口更是拥堵程度十分严重的地方,此时对于路口的交通信号灯的控制就显得十分重要了。
现有的对于路口的交通信号灯的控制通常都是基于路口的历史车流量对交通信号灯的红灯、黄灯、绿灯的亮灯时长进行控制的,此时亮灯的时长相对固定,这种在这种设置方法下很容易存在的问题是:由于人行道的存在和人行为的不可控性,车辆为了避障行人,常常导致交通黄灯的时间过去了,车辆仍在路口滞留,对另一个方向的车辆的前进造成影响,造成交通拥挤,此外有时交通绿灯与左转灯之间的不合理的时间间隔也会造成拥堵问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于物联网的智能交通应用服务控制系统,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于物联网的智能交通应用服务控制系统:传感器模块,用于通过摄像头采集路口当前方向的视频帧图像;
数据处理模块,用于对视频帧图像进行分割获得只包含车辆的车辆图像;将连续帧的车辆图像输入车辆行驶方向识别网络,输出每帧车辆图像对应的行驶方向,组成车辆的前进方向序列;对视频帧图像进行分割获得视频帧图像中的路口区域;结合视频帧图像中的路口区域、连续帧的车辆图像和前进方向序列基于目标跟踪技术得到车辆在预设时段内的跟踪链以及在预设时段前通过路口的车辆的跟踪链;所述跟踪链中的每个元素为车辆在每个时刻的位置坐标;基于车辆在预设时段内的跟踪链获得未驶离路口车辆;所述预设时段前通过路口的车辆的跟踪链为已知跟踪链,所述未驶离路口车辆的跟踪链为待分析跟踪链;
滞留概率计算模块,用于基于待分析跟踪链中每两个相邻时刻的车辆的距离获得未驶离路口车辆的坐标距离序列,获得坐标距离序列中预设元素所在的位置,基于预设元素所在的位置获得待分析跟踪链的待分析子跟踪链;获得计算一个待分析子跟踪链与各已知跟踪链的差异,差异最小的已知跟踪链为待分析子跟踪链的匹配链;基于未驶离路口车辆的待分析子跟踪链以及其对应的匹配链获得判断预设时段内未驶离路口车辆是否滞留在路口内,得到路口滞留车辆的数量;滞留车辆的数量与未驶离路口车辆的数量的比值为滞留概率;
延长时间获取模块,设定延长时间系数,基于滞留概率和延长时间系数获得当前方向的黄灯延长调整时间,基于所述黄灯延长调整时间对黄灯时长进行调整。
优选地,对视频帧图像进行分割获得只包含车辆的车辆图像,包括:构建车辆分割网络,车辆分割网络为DNN网络,将视频帧图像输入车辆分割网络,输出掩膜图像;利用掩膜图像与视频帧图像相乘获得只包含车辆的车辆图像。
优选地,基于车辆在预设时段内的跟踪链获得未驶离路口车辆,包括:若车辆在预设时段内的跟踪链的时序长度等于预设时段的时序长度,则跟踪链对应的车辆为未驶离路口车辆。
优选地,获得坐标距离序列中预设元素所在的位置,基于预设元素所在的位置获得待分析跟踪链的待分析子跟踪链,包括:所述预设元素为0,获得坐标距离序列中最后一个0元素所在的位置,记为第一位置;同时在坐标距离序列对应的待分析跟踪链中找到第一位置所对应的元素,记为第一元素,第一元素之前元素组成待分析子跟踪链;若获得坐标距离序列中不存在0元素,则其对应的待分析跟踪链的待分析子跟踪链为待分析跟踪链本身。
优选地,得到路口滞留车辆的数量,包括:设定第一时段;利用待分析子跟踪链对应的匹配链的时序长度减去待分析子跟踪链的时序长度,得到通过最短时长;第一时段与预设时段的差值为剩余时长,若通过最短时长小于剩余时长,未驶离路口车辆不在路口滞留,若通过最短时长大于等于剩余时长,未驶离路口车辆在路口滞留,为滞留车辆,统计滞留车辆的数量。
优选地,获得当前方向的黄灯延长调整时间,包括:对监控路口的路口区域进行划分,划分为四个区域;对监控对应的路口通过大数据统计得到四个不同区域的拥堵概率,所述拥堵概率是通过路口的历史视频数据计算得到的,计算过程如下:
基于历史视频数据对每个区域的滞留车辆进行统计,然后计算得到每个区域的滞留车辆数量与四个区域的总滞留车辆数量的占比,每个区域的拥堵概率;将每个区域的拥堵概率的最大值作为下一个交通绿灯方向的拥堵概率;
滞留概率、延长时间系数和下一个交通绿灯方向的拥堵概率的乘积为当前方向的黄灯延长调整时间。
本发明实施例至少具有如下有益效果:通过绿灯和黄灯熄灭的倒数七秒内的视频帧图像进行分析,得到每个车辆预设时段内的跟踪链,然后基于跟踪链得到未驶离路口车辆,对于未驶离路口的车辆,利用其通行最短时长和剩余时长判断在黄灯熄灭前滞留在路口的车辆,也即是滞留车辆,进而得到当前方向的交通绿灯路口的车辆的滞留概率,由当前方向的交通绿灯路口的车辆的滞留概率和拥堵概率进行计算进而得到当前方向的黄灯延长调整时间,对当前方向的交通黄灯时长进行调整,避免了车辆拥堵的发生。该方法可以在不对整体交通系统造成较大影响的情况下,减少滞留事件的发生,缓解每个路口的拥堵压力,进而减少交通事故发生的概率。
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和优点,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的介绍,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它附图。
图1为本发明实施例提供的一种基于物联网的智能交通应用服务控制系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于物联网的智能交通应用服务控制系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于物联网的智能交通应用服务控制系统的具体方案。
实施例:
本发明的主要应用场景为:在交通路口对交通信号灯的亮灯时间进行调整。
本发明的主要目的是:针对传统方法中通过经验值对路口的红交通黄灯时长进行设置的方法有时会造成拥堵的情况,提出了通过神经网络得到视频中不同车辆的前进方向和数量,结合不同方向的交通绿灯和黄灯剩余时间和第一时段,也即是预设时段内的车辆跟踪链得到滞留事件的发生概率,结合下一个方向交通绿灯造成拥堵的概率,计算延长时间调整值,该方法可以在不对整体交通系统造成较大影响的情况下,减少滞留事件的发生,缓解每个路口的拥堵压力,进而减少交通事故发生的概率。
请参阅图1,其示出了本发明实施例提供的一种基于物联网的智能交通应用服务控制系统的系统框图,该方法包括以下模块:
传感器模块,用于通过摄像头采集路口当前方向的视频帧图像。
交通信号灯中的圆表示直行的红交通绿灯,用来控制直行车辆,三角形表示左转方向灯,用来控制左转的车辆。路口规则如下:对于直行和转向来说:红灯不能直行,不能左转,但可以右转;交通绿灯可以直行,可以左右转。即右转不受红交通绿灯的限制,左转和直行需要看红交通绿灯。
通过传感器模块中的摄像头,斜着以俯视角采集路口当前方向的视频帧图像,其中路口当前方向表示当前绿灯亮的路口车辆的行驶方向。
数据处理模块,用于对视频帧图像进行分割获得只包含车辆的车辆图像;将连续帧的车辆图像输入车辆行驶方向识别网络,输出每帧车辆图像对应的行驶方向,组成车辆的前进方向序列;对视频帧图像进行分割获得视频帧图像中的路口区域;结合视频帧图像中的路口区域、连续帧的车辆图像和前进方向序列基于目标跟踪技术得到车辆在预设时段内的跟踪链以及在预设时段前通过路口的车辆的跟踪链;所述跟踪链中的每个元素为车辆在每个时刻的位置坐标;基于车辆在预设时段内的跟踪链获得未驶离路口车辆;所述预设时段前通过路口的车辆的跟踪链为已知跟踪链,所述未驶离路口车辆的跟踪链为待分析跟踪链。
本发明采用DNN语义分割的方式来识别分割视频帧图像中的目标,称之为车辆分割网络。
该DNN网络的相关内容如下:使用的数据集为侧俯视采集的视频帧图像数据集,车辆的样式为多种多样的。需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于车辆的标注为1。网络的任务是分类,所有使用的loss函数为交叉熵损失函数。
通过语义分割得到的0-1掩膜图像与原视频帧图像相乘,得到的图像中只含有车辆的图像,为车辆图像,去除了背景的干扰。
(1)如果左转或右转车辆由于为了避障行人等原因导致没能在交通绿灯和黄灯的剩余时间内通过路口,会对下一个方向对应车辆的行驶造成影响,导致拥堵事件,因此需要适当延长该方向的交通黄灯时间,避免造成拥堵。
(2)如果某个车辆的运行轨迹和之前车辆的运行轨迹相近,则两辆车通过路口所用时间相近。
例如,一辆公交车(大型车辆)由于拐弯不及时,行驶到路中央时,该前进方向变为红灯了,而人行道变为绿灯,此时由于行人的影响,只能在该位置停留,给下一个亮绿灯的方向的前进车辆带来干扰,导致形成拥堵问题,将该车辆被迫停在路口的事件称之为滞留事件。
进一步的,训练一个神经网络,该神经网络的作用是输入一个路口的车辆图像,输出为每个车辆的前进方向,所述前进方向即每辆车的行驶方向,在图像上表现为:每个车都有对应的红色箭头表示该车辆的前进方向,该神经网络为车辆行驶方向识别网络,网络的训练过程如下:使用的数据集为侧俯视采集的视频帧图像数据集,车辆的样式为多种多样的。训练集对应标签标注过程为:在每个图像中标注出每个车辆的前进方向。
训练好神经网络后,将实际的视频帧图像作为输入可以得到图像上每个车辆的前进方向,将连续的视频帧图像作为输入,可以得到不同时刻每个车辆的前进方向,进而得到每个车辆的前进方向序列,如果所述前进方向序列中所有元素相近,则该车辆的直行概率较大,否则该车的前进方向为左转或右转,同时通过每个视频帧图像可以得到图像中的车辆数量和根据每个车辆在连续帧中的位置变化得到每个车辆的行驶速度。
通过交通系统可以得到每个时刻的不同方向的红交通绿灯情况,所述红交通绿灯情况包括每个方向的直行和左右转分别是红灯还是交通绿灯,即允许通行还是不允许通行,同时还可以得到交通绿灯剩余时间。
由于路口的四个方向,交通绿灯情况下每个方向有3种行驶方式:直行、左转和右转,因此为了方便描述,对于每个行驶方式对应的信号灯情况,即红交通绿灯,用0和1表示,0表示红灯,即该方向禁止通行,1表示交通绿灯,即该方向允许通行,对于每个方向的信号情况用一个三位的二进制表示,二进制的第一个元素表示左转,第二个元素表示直行,第三个元素表示右转,例如:010表示某个方向当前时刻不允许左转、允许直行和不允许右转。
通过交通系统中每个方向的二进制信号情况,可以得到哪个方向的二进制存在1值,则对该方向上摄像头采集的视频数据进行分析,也即是通过摄像头采集路口当前方向的视频帧图像,通过对该方向上的视频数据进行分析得到每个转向(所述转向是指左转和右转)中车辆在对应转向交通绿灯时间结束后仍然没有离开路口的概率,对于直行来说,一般情况下在已经行驶到路口后,即使前进方向变为红灯了,依旧可以朝着该方向前进。
通过对路口图像中每个转向原先设定的交通绿灯和黄灯的最后7s时间内的视频数据进行分析得到每个车辆在该转向对应的交通绿灯和黄灯时间结束之前仍然留在路口的概率,计算这个概率的原因是如果左转或右转车辆由于为了避障行人等原因导致没能在限定的交通绿灯和黄灯时间内通过路口,会对下一个方向对应车辆的行驶造成影响,导致拥堵事件,因此需要适当延长当前方向的交通黄灯时间,避免造成拥堵,但如果每一次一旦有这种事件可能出现,都延长,会导致整个系统的紊乱,同时,计算量过大,因此需要根据这种事件出现的概率大小和会造成的拥堵的严重程度,来计算调整交通黄灯时间的必要性。
设定第一时段,第一时段为交通绿灯和黄灯变为红灯的倒数7秒,并且是已经转化为帧数了,7秒对应1到n帧,转化过程为现有技术。需要说明的是,本发明实施例选择交通绿灯和黄灯的最后7s时间作为第一时段并不限定第一时段必须是交通绿灯和黄灯的最后7s时间,实施者可以基于具体情况进行调整。
考虑到不可能根据交通绿灯和黄灯最后一刻对应时间的视频帧图像对该事件进行计算,此时根据视频帧图像中的实际情况进行交通黄灯时间的调整已经来不及了,因此虽然交通绿灯和黄灯时间的最后一刻可以得到真实的情况,但也不能通过该时刻的视频帧图像进行计算,因此考虑通过最后一刻之前邻近交通绿灯和黄灯最后时间的倒数7S中的预设时段内每个车辆的速度和与离开路口的距离计算是否能在剩余的交通绿灯和黄灯时间内通过路口。优选地,预设时段为倒数7秒内前4秒,实施者也可以基于具体情况进行设定。
由于左转或右转时,车辆的行驶轨迹是一个弧形,因此常规方法是对弧形距离进行计算,结合车辆的弧度速度,就可以得到通过路口所需时间,但由于每个车辆的弧度距离不是一个标准的弧度(即没有一个标准的数学计算公式),难以计算得到或进行准确估计,因此考虑通过该前进方向的倒数7S之前的视频帧图像,也即是在预设时段之前车辆通过该路口所用时间作为当前视频帧图像上不同车辆的通过路口所需时间,结合实际的预设时段内的视频帧图像中车辆的前进情况(可能遇到人行道上有行人的情况导致被迫在原地停留,通过视频帧图像检测)得到车辆滞留概率。
首先训练一个语义分割神经网络,该神经网络的作用是可以对视频帧图像中的路口区域进行识别,即从图像中将路口区域划分出来,称之为路口分割网络,该网络的训练过程如下:
所述路口区域是指图1中的中间四个空白方格表示的区域在实际中的区域。使用的数据集为侧俯视采集的视频帧图像数据集,所述每个图像中不仅包括中间的路口区域,也包括其它区域的图像。需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于路口的标注为1。网络的任务是分类,所有使用的loss函数为交叉熵损失函数。通过语义分割得到的0-1掩膜图像与原图像相乘,得到的图像中只含有路口的图像,去除了背景的干扰。至此可以得到视频帧图像中的路口区域。
通过交通系统中每个方向的二进制信号情况得到了当前存在通行的方向(只有当某个方向的左转或右转为1时,该方向才为当前存在通行的方向),对该方向的从交通绿灯开始的视频帧图像开始,对每一视频帧的图像,首先通过路口分割网络得到路口区域,然后通过车辆分割网络,得到路口的每个车辆,结合前进方向序列基于目标跟踪技术得到预设时段内每个车辆的跟踪链;目标跟踪是现有技术,即前一个视频帧图像上的某个车辆在下一个视频帧图像上的位置,即前一个视频帧图像上所有车辆在下一个视频帧图像上的对应车辆的位置信息;可以得到相邻视频帧图像上每个车辆在路口的行驶信息,得到跟踪链,所述跟踪链是指一个坐标序列,例如:对于车辆A来说,车A在第一帧图像上的位置为所述坐标序列中的第一个元素,车A在第二帧图像上的位置为所述坐标序列中的第二个元素,…,直到该车辆消失。所述车辆A在不同帧图像上的位置是指该车的中心点的位置坐标。
至此可以获得多个车辆的跟踪链,需要说明的是跟踪链是车辆预设时段内的跟踪链,通过预设时段内车辆的跟踪链可以判断车辆是否驶离路口,用1-y帧表示预设时段内的从第1帧到最后1帧的视频帧图像,也即是第一时段的时序长度,对每一帧图像上的所有车辆通过目标跟踪的方式获得跟踪链,如果某个车辆的跟踪链在第i帧结束,即该车辆在第i帧图像对应时间离开路口区域,其中i小于y,这样的车辆为驶离路口车辆,若跟踪链的时序长度等于预设时段的时序长度,则跟踪链对应的车辆为未驶离路口车辆。将未驶离路口车辆的跟踪链记为待分析跟踪链。
同时,还需要求得在预设时段之前通过路口的车辆的跟踪链,也即是在倒数7秒之前通过路口的车辆的跟踪链,称为已知跟踪链,将已知跟踪链当作参考,用于后续计算路口的滞留车辆的数量。
滞留概率计算模块,用于基于待分析跟踪链中每两个相邻时刻的车辆的距离获得未驶离路口车辆的坐标距离序列,获得坐标距离序列中预设元素所在的位置,基于预设元素所在的位置获得待分析跟踪链的待分析子跟踪链;获得计算一个待分析子跟踪链与各已知跟踪链的差异,差异最小的已知跟踪链为待分析子跟踪链的匹配链;基于未驶离路口车辆的待分析子跟踪链以及其对应的匹配链获得判断预设时段内未驶离路口车辆是否滞留在路口内,得到路口滞留车辆的数量;滞留车辆的数量与未驶离路口车辆的数量的比值为滞留概率。
根据这些车辆的不同视频帧中的位置坐标进行计算,得到是否在原地停留(遇到人行道上有行人的情况导致被迫在原地停留的情况),然后通过停留时间得到剩余时间,最后判断在预设时段内未驶离路口的车辆是否会在路口滞留。
在此还需要获得未驶离路口车辆的距离变化情况,通过未驶离路口车辆在不同视频帧图像中的坐标位置计算得到该车辆的坐标距离序列,所述坐标距离序列是指相邻视频帧图像中同一个车辆的连通域中心点之间的距离,所述坐标距离是指两个中心点坐标的欧式距离。
设定预设元素,预设元素为0,获得坐标距离序列中最后一个0元素所在的位置,记为第一位置;同时在坐标距离序列对应的待分析跟踪链中找到第一位置所对应的元素,记为第一元素,第一元素之前元素组成待分析子跟踪链;利用DTW算法计算一个待分析子跟踪链与各已知跟踪链的差异,差异最小的已知跟踪链为待分析子跟踪链的匹配链,差异越小,说明两辆车的行驶路径越相近,越有可能在相同时间内通过路口区域。
结合已通过车辆的已知跟踪链对应的时序长度,可以获得未驶离路口的车辆的通过最短时长,具体为:利用待分析子跟踪链对应的匹配链的时序长度减去待分析子跟踪链的时序长度,得到通过最短时长,例如B车为未驶离路口车辆,B车在第9帧时停止运动,也即是0元素对应的帧数为9,A车为已驶离路口车辆(也即是B车的待分析子跟踪链的匹配链对应的车辆),A车的匹配链长度为20,B车的待分析子跟踪链的长度为8,即B车至少需要大于12帧的时间才能通过路口,12帧就为B车的通过最短时长。
第一时段与预设时段的差值为剩余时长,用帧数表示为n-y帧,若通过最短时长大于剩余时长,未驶离路口车辆不在路口滞留,若通过最短时长大于等于剩余时长,未驶离路口车辆在在路口滞留,为滞留车辆,统计滞留车辆的数量;若通过最短时长小于剩余时长,未驶离路口车辆不在路口滞留。
如果坐标距离序列中不存在0元素,则直接获得待分析跟踪链的匹配链,也就是说待分析跟踪链的待分析子跟踪链为待分析跟踪链本身,基于待分析跟踪链和匹配链获得通过最短时长。
此时统计滞留车辆的数量,滞留车辆的数量与未驶离路口车辆的数量的比值为滞留概率P1,滞留概率大于0.3的认为有必要对交通黄灯进行调整。
延长时间获取模块,设定延长时间系数,基于滞留概率和延长时间系数获得当前方向的黄灯延长调整时间,基于所述黄灯延长调整时间对黄灯时长进行调整。
首先,首先对监控路口的四个区域进行划分,划分为四个区域,分别记为s1、s2、s3、s4。
对监控对应的路口通过大数据统计得到四个不同区域的拥堵概率,所述拥堵概率是通过路口的历史视频数据(近一年)计算得到的,计算过程如下:
计算每张视频帧图像(历史数据,倒数7S内)中的四个区域中车辆的滞留情况,所述滞留情况是通过每个车辆在该前进方向上在该方向的绿灯熄灭之前没有成功通过路口的情况,通过滞留概率模块中得到滞留车辆的方法相同,对每个区域的滞留车辆进行统计,然后计算得到每个区域的滞留车辆数量与四个区域的总滞留车辆数量的占比,分别记为
Figure 146038DEST_PATH_IMAGE001
,将
Figure 640342DEST_PATH_IMAGE001
作为该区域的拥堵概率。将每个区域的拥堵概率的最大值作为下一个交通绿灯方向的拥堵概率P2。
P2越大,即滞留事件造成拥堵时的情况越严重,由于不可能无限延长,因此设置一个不影响整体交通系统运转的延长时间系数t,默认为5秒,即最大可调整时间,计算得到P1和P2的乘积,乘积越大,可调整时间越长,将乘积与5的乘法计算结果作为当前方向的黄灯延长调整时间。
将得到的当前方向的黄灯延长调整时间发送到单片机上执行控制指令,经过单片机将信号处理后,转发给交通信号灯模块,实现对交通信号灯的控制。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于物联网的智能交通应用服务控制系统,其特征在于,该系统包括:传感器模块,用于通过摄像头采集路口当前方向的视频帧图像;
数据处理模块,用于对视频帧图像进行分割获得只包含车辆的车辆图像;将连续帧的车辆图像输入车辆行驶方向识别网络,输出每帧车辆图像对应的行驶方向,组成车辆的前进方向序列;对视频帧图像进行分割获得视频帧图像中的路口区域;结合视频帧图像中的路口区域、连续帧的车辆图像和前进方向序列基于目标跟踪技术得到车辆在预设时段内的跟踪链以及在预设时段前通过路口的车辆的跟踪链;所述跟踪链中的每个元素为车辆在每个时刻的位置坐标;基于车辆在预设时段内的跟踪链获得未驶离路口车辆;所述预设时段前通过路口的车辆的跟踪链为已知跟踪链,所述未驶离路口车辆的跟踪链为待分析跟踪链;
滞留概率计算模块,用于基于待分析跟踪链中每两个相邻时刻的车辆的距离获得未驶离路口车辆的坐标距离序列,获得坐标距离序列中预设元素所在的位置,基于预设元素所在的位置获得待分析跟踪链的待分析子跟踪链;获得计算一个待分析子跟踪链与各已知跟踪链的差异,差异最小的已知跟踪链为待分析子跟踪链的匹配链;基于未驶离路口车辆的待分析子跟踪链以及其对应的匹配链获得判断预设时段内未驶离路口车辆是否滞留在路口内,得到路口滞留车辆的数量;滞留车辆的数量与未驶离路口车辆的数量的比值为滞留概率;
延长时间获取模块,设定延长时间系数,基于滞留概率和延长时间系数获得当前方向的黄灯延长调整时间,基于所述黄灯延长调整时间对黄灯时长进行调整。
2.根据权利要求1所述的一种基于物联网的智能交通应用服务控制系统,其特征在于,所述对视频帧图像进行分割获得只包含车辆的车辆图像,包括:构建车辆分割网络,车辆分割网络为DNN网络,将视频帧图像输入车辆分割网络,输出掩膜图像;利用掩膜图像与视频帧图像相乘获得只包含车辆的车辆图像。
3.根据权利要求1所述的一种基于物联网的智能交通应用服务控制系统,其特征在于,所述基于车辆在预设时段内的跟踪链获得未驶离路口车辆,包括:若车辆在预设时段内的跟踪链的时序长度等于预设时段的时序长度,则跟踪链对应的车辆为未驶离路口车辆。
4.根据权利要求1所述的一种基于物联网的智能交通应用服务控制系统,其特征在于,所述获得坐标距离序列中预设元素所在的位置,基于预设元素所在的位置获得待分析跟踪链的待分析子跟踪链,包括:所述预设元素为0,获得坐标距离序列中最后一个0元素所在的位置,记为第一位置;同时在坐标距离序列对应的待分析跟踪链中找到第一位置所对应的元素,记为第一元素,第一元素之前元素组成待分析子跟踪链;若获得坐标距离序列中不存在0元素,则其对应的待分析跟踪链的待分析子跟踪链为待分析跟踪链本身。
5.根据权利要求1所述的一种基于物联网的智能交通应用服务控制系统,其特征在于,所述得到路口滞留车辆的数量,包括:设定第一时段;利用待分析子跟踪链对应的匹配链的时序长度减去待分析子跟踪链的时序长度,得到通过最短时长;第一时段与预设时段的差值为剩余时长,若通过最短时长小于剩余时长,未驶离路口车辆不在路口滞留,若通过最短时长大于等于剩余时长,未驶离路口车辆在路口滞留,为滞留车辆,统计滞留车辆的数量。
6.根据权利要求1所述的一种基于物联网的智能交通应用服务控制系统,其特征在于,所述获得当前方向的黄灯延长调整时间,包括:对监控路口的路口区域进行划分,划分为四个区域;对监控对应的路口通过大数据统计得到四个不同区域的拥堵概率,所述拥堵概率是通过路口的历史视频数据计算得到的,计算过程如下:
基于历史视频数据对每个区域的滞留车辆进行统计,然后计算得到每个区域的滞留车辆数量与四个区域的总滞留车辆数量的占比,每个区域的拥堵概率;将每个区域的拥堵概率的最大值作为下一个交通绿灯方向的拥堵概率;
滞留概率、延长时间系数和下一个交通绿灯方向的拥堵概率的乘积为当前方向的黄灯延长调整时间。
CN202211009943.1A 2022-08-23 2022-08-23 基于物联网的智能交通应用服务控制系统 Active CN115083179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211009943.1A CN115083179B (zh) 2022-08-23 2022-08-23 基于物联网的智能交通应用服务控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211009943.1A CN115083179B (zh) 2022-08-23 2022-08-23 基于物联网的智能交通应用服务控制系统

Publications (2)

Publication Number Publication Date
CN115083179A true CN115083179A (zh) 2022-09-20
CN115083179B CN115083179B (zh) 2022-12-20

Family

ID=83244519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211009943.1A Active CN115083179B (zh) 2022-08-23 2022-08-23 基于物联网的智能交通应用服务控制系统

Country Status (1)

Country Link
CN (1) CN115083179B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683449A (zh) * 2017-02-14 2017-05-17 武汉理工大学 车路协同环境下交通控制系统绿灯间隔时间动态调整方法
CN107170253A (zh) * 2017-04-22 2017-09-15 王蔡祥 协助车辆快速通过路口的智能交通信号控制系统和方法
CN107909834A (zh) * 2017-12-25 2018-04-13 济南大学 一种基于路口车辆长度的交通信号系统及其调节控制方法
CN109215351A (zh) * 2018-11-07 2019-01-15 沈阳天久信息技术工程有限公司 防止交叉路口锁死的方法及装置
CN111243301A (zh) * 2020-01-15 2020-06-05 长沙理工大学 一种交通信号灯绿灯时长确定装置、方法及系统
CN210743213U (zh) * 2019-09-19 2020-06-12 红河学院 一种提高交叉路口的车辆通行效率的红绿灯控制装置
CN112365723A (zh) * 2020-10-31 2021-02-12 杭州集联科技有限公司 一种红绿灯路口分段区间实时数值的自适应计算方法
CN113469026A (zh) * 2021-06-30 2021-10-01 上海智能交通有限公司 一种基于机器学习的路口滞留事件检测方法及系统
CN114155725A (zh) * 2022-02-09 2022-03-08 山东科技大学 一种交叉口信号灯的配时控制方法及装置
CN114898565A (zh) * 2022-07-14 2022-08-12 山东领军智能交通科技有限公司 一种地埋式交通信号灯的自适应控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683449A (zh) * 2017-02-14 2017-05-17 武汉理工大学 车路协同环境下交通控制系统绿灯间隔时间动态调整方法
CN107170253A (zh) * 2017-04-22 2017-09-15 王蔡祥 协助车辆快速通过路口的智能交通信号控制系统和方法
CN107909834A (zh) * 2017-12-25 2018-04-13 济南大学 一种基于路口车辆长度的交通信号系统及其调节控制方法
CN109215351A (zh) * 2018-11-07 2019-01-15 沈阳天久信息技术工程有限公司 防止交叉路口锁死的方法及装置
CN210743213U (zh) * 2019-09-19 2020-06-12 红河学院 一种提高交叉路口的车辆通行效率的红绿灯控制装置
CN111243301A (zh) * 2020-01-15 2020-06-05 长沙理工大学 一种交通信号灯绿灯时长确定装置、方法及系统
CN112365723A (zh) * 2020-10-31 2021-02-12 杭州集联科技有限公司 一种红绿灯路口分段区间实时数值的自适应计算方法
CN113469026A (zh) * 2021-06-30 2021-10-01 上海智能交通有限公司 一种基于机器学习的路口滞留事件检测方法及系统
CN114155725A (zh) * 2022-02-09 2022-03-08 山东科技大学 一种交叉口信号灯的配时控制方法及装置
CN114898565A (zh) * 2022-07-14 2022-08-12 山东领军智能交通科技有限公司 一种地埋式交通信号灯的自适应控制方法

Also Published As

Publication number Publication date
CN115083179B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN111383474B (zh) 自动驾驶车辆的决策系统及方法
EP3696789B1 (en) Driving control method and driving control apparatus
EP3696788B1 (en) Driving control method and driving control apparatus
CN109299674B (zh) 一种基于车灯的隧道违章变道检测方法
CN103984950B (zh) 一种适应白天检测的运动车辆刹车灯状态识别方法
CN111292529B (zh) 一种识别高速公路团雾分布的方法
CN110826508B (zh) 一种基于视频流的行人非机动车违章检测与跟踪方法
WO2015089867A1 (zh) 一种交通违章检测方法
CN111627228B (zh) 快速路合流点车道灯控制系统及方法
CN112907981B (zh) 一种用于分流路口交通拥堵车辆的分流装置及其控制方法
CN111815959A (zh) 一种车辆违章的检测方法、装置以及计算机可读存储介质
CN113033275B (zh) 基于深度学习的车辆变道不打转向灯分析系统
KR20210005395A (ko) 자율주행차량의 유턴 전략 결정 장치 및 그 방법
CN115083179B (zh) 基于物联网的智能交通应用服务控制系统
CN106530722B (zh) 一种设置调头开口的信号交叉口双左转车道通行能力计算方法
CN117037481A (zh) 一种高速公路路网可视化监控管理系统
CN111275981A (zh) 一种高速公路车辆开启制动灯和双闪灯的识别方法
JP7392506B2 (ja) 画像送信システム、画像処理システムおよび画像送信プログラム
CN112562324A (zh) 一种自动驾驶车辆路口通行方法及装置
CN117711191A (zh) 一种基于视觉识别的智能动态红绿灯控制方法及其系统
US20230386325A1 (en) Driving assistance system and driving assistance method
CN113689703B (zh) 一种车辆分流控制方法、装置、电子设备及存储介质
US20230377332A1 (en) Control system of traffic lights and method thereof
US20230386329A1 (en) Method of controlling traffic flow and system performing the same
CN116811884B (zh) 一种智能驾驶环境感知分析方法及系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230801

Address after: 610, Floor 6, Block A, No. 2, Lize Middle Second Road, Chaoyang District, Beijing 100102

Patentee after: Zhongguancun Technology Leasing Co.,Ltd.

Address before: 15th Floor, Zone B, Zhigu Complex, No. 186, Yangzijiang Middle Road, Economic and Technological Development Zone, Yangzhou City, Jiangsu Province, 225001

Patentee before: JIANGSU KINGEN INTELLIGENT TECHNOLOGY CO.,LTD.