CN116721559A - 一种基于kcf算法的干线绿波控制方法及系统 - Google Patents
一种基于kcf算法的干线绿波控制方法及系统 Download PDFInfo
- Publication number
- CN116721559A CN116721559A CN202310619873.XA CN202310619873A CN116721559A CN 116721559 A CN116721559 A CN 116721559A CN 202310619873 A CN202310619873 A CN 202310619873A CN 116721559 A CN116721559 A CN 116721559A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- green light
- green
- kcf algorithm
- traffic
- 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 51
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000011897 real-time detection Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 19
- 238000011217 control strategy Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010021033 Hypomenorrhoea Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于KCF算法的干线绿波控制方法及系统,属于交通控制技术领域,包括以下步骤:S1:车流检测及跟踪;S2:绿波控制;S3:信号控制。本发明采用KCF算法实现车流的实时检测和跟踪,能够提供更准确、更实时的车流信息,从而实现更精细化的干线绿波控制,进一步提高道路通行能力,缓解交通拥堵;同时能够自适应交通流量变化和道路情况,具有更好的适应性和实用性。
Description
技术领域
本发明涉及交通控制技术领域,具体涉及一种基于KCF算法的干线绿波控制方法及系统。
背景技术
交通拥堵已经成为城市发展中的普遍问题,如何有效地缓解交通拥堵,提高城市交通运行效率,成为人们关注的焦点。绿波控制是一种常用的交通控制方式,能够有效地缓解交通拥堵,提高道路通行能力。
传统的绿波控制方法主要基于定时或感应控制,无法根据实时交通状况进行动态调整,难以适应交通流量的变化和道路的复杂情况,上述问题亟待解决,为此,提出一种基于KCF算法的干线绿波控制方法。
发明内容
本发明所要解决的技术问题在于:如何解决传统的绿波控制方法无法适应交通流量变化和道路复杂情况的问题,提供了一种基于KCF算法的干线绿波控制方法。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:车流检测及跟踪
使用KCF算法实现对车流的实时检测和跟踪,获取车流信息;
S2:绿波控制
根据车流信息和道路情况,计算出最优的绿灯时长和周期并实时调整绿灯时长和周期,得到信号控制策略;
S3:信号控制
根据车流信息和信号控制策略,生成相应的绿灯时序,控制交通信号实现干线绿波控制。
更进一步地,在所述步骤S1中,通过视频监控摄像头捕捉道路交通图像信息,将图像信息输入到KCF算法中,实时提取车辆的位置、速度、流量信息,车流信息包括车辆的位置、速度、流量信息。
更进一步地,所述KCF算法具体包括以下步骤:
S101:选择车辆的颜色和形状外观特征,使用车辆的初始位置对车辆进行跟踪;
S102:在下一帧图像中,使用滤波器进行目标检测,通过先前帧和当前帧来以确定目标车辆在当前帧的图像中的位置;
S103:使用检测到的目标位置和滤波器更新目标车辆的状态。
更进一步地,在所述步骤S1中,具体过程如下:
S111:初始化目标位置
在获取的图像中,选择目标车辆的初始位置,并根据初始位置,初始化KCF算法的滤波器;
S112:目标检测与跟踪
在每一帧图像中,使用KCF算法的滤波器预测目标车辆的位置;此外,使用基于深度学习的车辆检测模型对整个场景中的车辆进行检测;
S113:融合目标位置信息
将KCF算法预测的目标车辆的位置与车辆检测算法得到目标车辆的位置进行融合;
S114:更新滤波器
根据融合后的目标位置,更新KCF算法的滤波器;
S115:得到车流信息
根据更新后的目标车辆状态,分析交通流量、车辆速度、拥堵情况,得到车流信息;
S116:重复上述过程
对于每一帧图像,重复步骤S112-S115,实时跟踪目标车辆并获得车流信息。
更进一步地,在所述步骤S2中,绿灯时长和周期的计算基于交通流量预测和道路拥堵状况分析,通过对车流信息的处理和分析,预测未来一段时间内车流的变化趋势,进而计算出最优的绿灯时长和周期。
更进一步地,在所述步骤S2中,得到信号控制策略的具体过程如下:
S21:交通流量预测
基于KCF算法跟踪得到的车流信息,结合历史数据,使用时间序列分析、机器学习或深度学习方法对未来一段时间内的交通流量进行预测;
S22:道路拥堵状况分析
根据对未来一段时间内的交通流量的预测结果,估算道路上的拥堵程度,得到未来一段时间内道路的拥堵状况;
S23:计算绿灯时长和周期
根据交通流量预测结果和道路拥堵状况分析结果,基于饱和度的周期优化方法计算最优绿灯时长和周期,即得到信号控制策略。
更进一步地,在所述步骤S3中,实现干线绿波控制的具体过程如下:
S31:分配绿灯时间
根据车流信息、道路优先级、拥堵状况以及步骤S2中计算得到的绿灯时长和周期,为每个方向分配绿灯时间;
S32:确定绿灯顺序
根据实际道路情况和交通流量分布确定绿灯的开启顺序;
S33:生成绿灯时序
根据分配的绿灯时间和绿灯顺序,生成绿灯时序,控制交通信号实现干线绿波控制。
更进一步地,在所述步骤S31中,采用以下公式计算绿灯时间:
Gi=C*(流量I/总流量)
其中,Gi表示第i个方向的绿灯时间,C表示周期时长,流量I表示第i个方向的流量,总流量表示所有方向的流量之和。
更进一步地,在所述步骤S33中,绿灯时序包括每个方向绿灯的开启和关闭时间,以及相应的红灯和黄灯时间。
本发明还提供了一种基于KCF算法的干线绿波控制系统,用于采用的上述方法实现干线绿波控制工作,包括:
车流检测和跟踪模块,用于利用KCF算法实现对车流的实时检测和跟踪,获取车流信息;
绿波控制模块,用于根据车流信息和道路情况,计算出最优的绿灯时长和周期并实时调整绿灯时长和周期,得到信号控制策略;
信号控制模块,用于根据车流信息和信号控制策略,生成相应的绿灯时序,控制交通信号实现干线绿波控制。
本发明相比现有技术具有以下优点:该基于KCF算法的干线绿波控制方法,采用KCF算法实现车流的实时检测和跟踪,能够提供更准确、更实时的车流信息,从而实现更精细化的干线绿波控制,进一步提高道路通行能力,缓解交通拥堵;同时能够自适应交通流量变化和道路情况,具有更好的适应性和实用性。
附图说明
图1是本发明实施例一中基于KCF算法的干线绿波控制方法的流程示意图;
图2是本发明实施例一中原始输入图片示例;
图3是本发明实施例一中经过KCF算法和yolov5共同处理后的结果图;
图4是本发明实施例二中KCF算法处理跟踪图片的整个流程示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
如图1所示,本实施例提供一种技术方案:一种基于KCF算法的干线绿波控制方法,包括以下步骤:
S1:车流检测及跟踪
使用KCF算法实现对车流的实时检测和跟踪,获取车流信息;
S2:绿波控制
根据车流信息和道路情况,计算出最优的绿灯时长和周期,并实时调整绿灯时长和周期,得到信号控制策略;
S3:信号控制
根据车流信息和信号控制策略,生成相应的绿灯时序,控制交通信号实现干线绿波控制。
在所述步骤S1中,通过视频监控摄像头捕捉道路交通图像信息,将图像信息输入到KCF算法中,实时提取车辆的位置、速度、流量等信息。KCF算法具有较高的实时性和准确性,可有效地监测和跟踪车流。
在所述步骤S1中,车流信息包括车辆的位置、速度、流量等信息。
在所述步骤S1中,所述KCF算法具体包括以下步骤:
S101:选择车辆的颜色和形状的外观特征,使用车辆的初始位置对车辆进行跟踪;
S102:在下一帧图像中,使用滤波器进行目标检测,通过先前帧和当前帧以确定目标车辆在当前帧图像中的位置;
S103:使用检测到的目标位置和滤波器更新目标车辆的状态。
作为更具体的,在本实施例中,在步骤S101中,选择车辆的外观特征包括颜色,形状;颜色和形状是车辆最明显的外观特征之一,可以帮助我们快速区分和识别车辆。KCF算法主要是通过HOG来跟踪的,所以选择颜色和形状外观特征。
作为更具体的,在本实施例中,在步骤S1中,具体过程如下:
S111、初始化目标位置
首先,在视频流或监测设备获取的图像中,自动选择目标车辆的初始位置;根据初始位置,初始化KCF算法的滤波器。
S112、目标检测与跟踪
在每一帧图像中,使用KCF算法的滤波器预测目标车辆的位置;此外,可以使用车辆检测算法(如基于深度学习的车辆检测模型)对整个场景中的车辆进行检测,这样可以在KCF算法跟踪失败的情况下辅助修正目标位置。
S113、融合目标位置信息
将KCF预测的位置与车辆检测算法得到的位置进行融合;可以通过简单的加权平均或更复杂的数据关联技术来实现这一点;融合后的位置信息可以提高目标跟踪的准确性。
S114、更新滤波器
根据融合后的目标位置,更新KCF算法的滤波器。通过在线更新KCF算法的滤波器的相关矩阵实现,并且在更新滤波器时,引入一个学习率参数,使滤波器在学习新目标位置时保持一定的稳定性。
S115:得到车流信息
根据更新后的目标车辆状态,分析交通流量、车辆速度、拥堵情况,得到车流信息。
S116:重复上述过程
对于每一帧图像,重复步骤S112-S115,实时跟踪目标车辆并获得车流信息。
在本实施例中,在所述步骤S2中,绿灯时长和周期的计算主要基于交通流量预测和道路拥堵状况分析,通过对车流信息的处理和分析,预测未来一段时间内车流的变化趋势,进而计算出最优的绿灯时长和周期。在实际控制中,随着交通流量和道路拥堵状况的变化,绿灯时长和周期会实时调整,以保证干线绿波控制的效果。
在本实施例中,在所述步骤S2中,具体过程如下:
S21:交通流量预测
基于KCF跟踪得到的车辆位置、速度等信息,结合历史数据,使用时间序列分析、机器学习或深度学习方法对未来一段时间内的交通流量进行预测;预测结果将用于接下来的绿灯时长和周期计算。
S22:道路拥堵状况分析
根据对未来一段时间内的交通流量的预测结果,估算道路上的拥堵程度,得到未来一段时间内道路的拥堵状况;常用的指标有车辆密度、平均速度等,结合实时监测数据和交通流量预测结果,可以分析出未来一段时间内道路的拥堵状况。
S23:计算绿灯时长和周期
根据交通流量预测结果和道路拥堵状况分析结果,计算最优绿灯时长和周期,即得到信号控制策略。这里采用基于饱和度的周期优化方法(如Kimber Cycle Formula)进行计算,在计算过程中,需要考虑车流方向、路口结构、优先级等因素;根据各个方向的交通流量和拥堵状况,分配合适的绿灯时长和周期以实现干线绿波控制。
在本实施例中,在所述步骤S3中,实现干线绿波控制的具体过程如下:
S31:分配绿灯时间:
根据步骤S2中计算得到的绿灯时长和周期,为每个方向分配绿灯时间。通常需要考虑交通流量、道路优先级和拥堵状况等因素,采用以下公式计算绿灯时间:
Gi=C*(流量I/总流量)
其中,Gi表示第i个方向的绿灯时间,C表示周期时长,流量I表示第i个方向的流量,总流量表示所有方向的流量之和。
S32:确定绿灯顺序:
为确保通行顺畅,需要根据实际道路情况和交通流量分布确定绿灯的开启顺序。例如,在一个十字路口,可以先为直行方向分配绿灯,然后为左转方向分配绿灯。具体顺序取决于道路优先级和交通流量分布(交通需求)。
S33:生成绿灯时序:
根据分配的绿灯时间和绿灯顺序,生成绿灯时序。绿灯时序包括每个方向绿灯的开启和关闭时间,以及相应的红灯和黄灯时间。例如,设Ti表示第i个方向的绿灯开启时间,Gi表示第i个方向的绿灯时长,则第i个方向的绿灯关闭时间为Ti+Gi。同时,需要考虑红灯和黄灯时间,以确保交通安全。
需要说明的是,生成相应的绿灯时序,控制交通信号实现干线绿波控制;在实际控制中,交通信号的控制通常采用倒计时控制方式,通过倒计时方式实现交通信号的切换。
本实施例中还提供了一种基于KCF算法的干线绿波控制系统,用于采用的上述方法实现干线绿波控制工作,包括:
车流检测和跟踪模块,用于利用KCF算法实现对车流的实时检测和跟踪,获取车流信息;
绿波控制模块,用于根据车流信息和道路情况,计算出最优的绿灯时长和周期,并实时调整绿灯时长和周期;
信号控制模块,根据车流信息和控制策略,生成相应的绿灯时序,控制交通信号实现干线绿波控制。
本实施例中还提供了一种干线绿波控制装置,用于实现上述的干线绿波控制系统,在实际应用中,可以将干线绿波控制装置安装在交通信号灯的控制箱中;其中的车流检测和跟踪部件可以使用视频监控摄像头等设备实现,这些摄像头可以安装在交通信号灯杆上或其他合适的位置;绿波控制部件和信号控制部件可以采用嵌入式系统或计算机等设备实现,这些设备可以放置在交通信号灯的控制箱内或其他安全位置。
实施例二
本实施例对KCF算法进行说明:
KCF(Kernelized Correlation Filters)算法是一种目标跟踪算法,主要应用于视频中的目标跟踪。下面是对KCF算法的详细说明:
KCF算法包括以下三个主要部分:
一、特征提取
KCF算法采用的是HOG(Histogram of Oriented Gradients)特征,该特征能够捕获目标物体的局部梯度方向和大小,从而提取出目标物体的特征信息。
二、相关滤波器训练
KCF算法采用的是基于核方法的相关滤波器,它可以将训练集中的目标模板转化为核特征空间中的向量,从而能够快速地计算模板和候选区域之间的相似度。具体来说,相关滤波器训练的过程包括以下几个步骤:
1.为目标物体选取一个感兴趣的区域作为训练集;
2.对训练集中的每一帧图像进行HOG特征提取,得到一个特征向量;
3.对特征向量进行傅里叶变换,得到它们在核特征空间中的表示;
4.利用核方法计算相关滤波器的权值,得到一个核响应函数。
三、目标跟踪
目标跟踪的过程是:对于每一帧图像,首先对候选区域进行HOG特征提取,然后利用相关滤波器计算它们与目标模板之间的相似度,最终,选择相似度最高的候选区域作为目标的位置,并更新目标模板,继续跟踪目标。
四、KCF滤波跟踪公式说明
假设输入图像为I,则目标的位置可以表示为(x,y);假设滤波器为h,则滤波器响应r可以表示为:
r=h*I(x,y)
在KCF算法中,滤波器H(f)和输入图像I(f)均通过傅里叶变换转换到频域:
H(f)=F{(x,y)}
I(f)=F{(x,y)}
其中,{F}表示傅里叶变换操作;
由此可以得到滤波器响应的频域表达式:
R(f)=H(f)·I(f)*
其中,*表示共轭复数;
KCF算法中采用的核函数是高斯核函数,其定义如下:
其中,σ是高斯核函数的标准差。
KCF中使用的描述子是HOG特征,其定义如下:
f(x,y)=[f1(x,y),f2(x,y),…,fn(x,y)]
其中,fi(x,y)表示第i个方向的梯度直方图;
通过将描述子f和高斯核函数k进行点积运算,可以得到响应图G:
G(f)=k(f,f′)
其中,f′是历史帧的描述子。
通过将响应图G与滤波器响应R进行逆傅里叶变换,可以得到新的滤波器h:
h=F-1{G·R}
其中,F-1表示逆傅里叶变换操作。
通过这种方式,KCF算法可以实现基于核技巧的目标跟踪,具有较好的性能和鲁棒性。具体流程见图4。
综上所述,上述实施例的基于KCF算法的干线绿波控制方法,采用KCF算法实现车流的实时检测和跟踪,能够提供更准确、更实时的车流信息,从而实现更精细化的干线绿波控制,进一步提高道路通行能力,缓解交通拥堵;同时能够自适应交通流量变化和道路情况,具有更好的适应性和实用性。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于KCF算法的干线绿波控制方法,其特征在于,包括以下步骤:
S1:车流检测及跟踪
使用KCF算法实现对车流的实时检测和跟踪,获取车流信息;
S2:绿波控制
根据车流信息和道路情况,计算出最优的绿灯时长和周期并实时调整绿灯时长和周期,得到信号控制策略;
S3:信号控制
根据车流信息和信号控制策略,生成相应的绿灯时序,控制交通信号实现干线绿波控制。
2.根据权利要求1所述的一种基于KCF算法的干线绿波控制方法,其特征在于:在所述步骤S1中,通过视频监控摄像头捕捉道路交通图像信息,将图像信息输入到KCF算法中,实时提取车辆的位置、速度、流量信息,车流信息包括车辆的位置、速度、流量信息。
3.根据权利要求2所述的一种基于KCF算法的干线绿波控制方法,其特征在于:所述KCF算法具体包括以下步骤:
S101:选择车辆的颜色和形状外观特征,使用车辆的初始位置对车辆进行跟踪;
S102:在下一帧图像中,使用滤波器进行目标检测,通过先前帧和当前帧来以确定目标车辆在当前帧的图像中的位置;
S103:使用检测到的目标位置和滤波器更新目标车辆的状态。
4.根据权利要求3所述的一种基于KCF算法的干线绿波控制方法,其特征在于:在所述步骤S1中,具体过程如下:
S111:初始化目标位置
在获取的图像中,选择目标车辆的初始位置,并根据初始位置,初始化KCF算法的滤波器;
S112:目标检测与跟踪
在每一帧图像中,使用KCF算法的滤波器预测目标车辆的位置;此外,使用基于深度学习的车辆检测模型对整个场景中的车辆进行检测;
S113:融合目标位置信息
将KCF算法预测的目标车辆的位置与车辆检测算法得到目标车辆的位置进行融合;
S114:更新滤波器
根据融合后的目标位置,更新KCF算法的滤波器;
S115:得到车流信息
根据更新后的目标车辆状态,分析交通流量、车辆速度、拥堵情况,得到车流信息;
S116:重复上述过程
对于每一帧图像,重复步骤S112-S115,实时跟踪目标车辆并获得车流信息。
5.根据权利要求4所述的一种基于KCF算法的干线绿波控制方法,其特征在于:在所述步骤S2中,绿灯时长和周期的计算基于交通流量预测和道路拥堵状况分析,通过对车流信息的处理和分析,预测未来一段时间内车流的变化趋势,进而计算出最优的绿灯时长和周期。
6.根据权利要求4所述的一种基于KCF算法的干线绿波控制方法,其特征在于:在所述步骤S2中,得到信号控制策略的具体过程如下:
S21:交通流量预测
基于KCF算法跟踪得到的车流信息,结合历史数据,使用时间序列分析、机器学习或深度学习方法对未来一段时间内的交通流量进行预测;
S22:道路拥堵状况分析
根据对未来一段时间内的交通流量的预测结果,估算道路上的拥堵程度,得到未来一段时间内道路的拥堵状况;
S23:计算绿灯时长和周期
根据交通流量预测结果和道路拥堵状况分析结果,基于饱和度的周期优化方法计算最优绿灯时长和周期,即得到信号控制策略。
7.根据权利要求6所述的一种基于KCF算法的干线绿波控制方法,其特征在于:在所述步骤S3中,实现干线绿波控制的具体过程如下:
S31:分配绿灯时间
根据车流信息、道路优先级、拥堵状况以及步骤S2中计算得到的绿灯时长和周期,为每个方向分配绿灯时间;
S32:确定绿灯顺序
根据实际道路情况和交通流量分布确定绿灯的开启顺序;
S33:生成绿灯时序
根据分配的绿灯时间和绿灯顺序,生成绿灯时序,控制交通信号实现干线绿波控制。
8.根据权利要求7所述的一种基于KCF算法的干线绿波控制方法,其特征在于:在所述步骤S31中,采用以下公式计算绿灯时间:
Gi=C*(流量I/总流量)
其中,Gi表示第i个方向的绿灯时间,C表示周期时长,流量I表示第i个方向的流量,总流量表示所有方向的流量之和。
9.根据权利要求8所述的一种基于KCF算法的干线绿波控制方法,其特征在于:在所述步骤S33中,绿灯时序包括每个方向绿灯的开启和关闭时间,以及相应的红灯和黄灯时间。
10.一种基于KCF算法的干线绿波控制系统,其特征在于,用于采用如权利要求1~9任一项所述的方法实现干线绿波控制工作,包括:
车流检测和跟踪模块,用于利用KCF算法实现对车流的实时检测和跟踪,获取车流信息;
绿波控制模块,用于根据车流信息和道路情况,计算出最优的绿灯时长和周期并实时调整绿灯时长和周期,得到信号控制策略;
信号控制模块,用于根据车流信息和信号控制策略,生成相应的绿灯时序,控制交通信号实现干线绿波控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310619873.XA CN116721559A (zh) | 2023-05-25 | 2023-05-25 | 一种基于kcf算法的干线绿波控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310619873.XA CN116721559A (zh) | 2023-05-25 | 2023-05-25 | 一种基于kcf算法的干线绿波控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721559A true CN116721559A (zh) | 2023-09-08 |
Family
ID=87865263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310619873.XA Pending CN116721559A (zh) | 2023-05-25 | 2023-05-25 | 一种基于kcf算法的干线绿波控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721559A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671977A (zh) * | 2024-02-01 | 2024-03-08 | 银江技术股份有限公司 | 一种交通干线的信号灯控制方法、系统、装置和介质 |
-
2023
- 2023-05-25 CN CN202310619873.XA patent/CN116721559A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671977A (zh) * | 2024-02-01 | 2024-03-08 | 银江技术股份有限公司 | 一种交通干线的信号灯控制方法、系统、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846854B (zh) | 一种基于运动预测与多特征融合的车辆跟踪方法 | |
CN103208008B (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
CN104378582A (zh) | 一种基于ptz摄像机巡航的智能视频分析系统及方法 | |
CN108198201A (zh) | 一种多目标跟踪方法、终端设备及存储介质 | |
CN102567380A (zh) | 在视频图像中检索车辆信息的方法 | |
CN107423686A (zh) | 视频多目标模糊数据关联方法及装置 | |
CN116721559A (zh) | 一种基于kcf算法的干线绿波控制方法及系统 | |
CN116434159A (zh) | 一种基于改进YOLO V7和Deep-Sort的交通流量统计方法 | |
Xiong et al. | Vehicle re-identification with image processing and car-following model using multiple surveillance cameras from urban arterials | |
CN114596548A (zh) | 目标检测方法、装置、计算机设备及计算机可读存储介质 | |
CN110472607A (zh) | 一种船舶跟踪方法及系统 | |
CN103996207A (zh) | 一种物体跟踪方法 | |
CN111008622B (zh) | 一种图像对象检测方法、装置以及计算机可读存储介质 | |
CN111027434B (zh) | 一种行人识别模型的训练方法、装置及电子设备 | |
CN117392638A (zh) | 一种服务于机器人场景的开放物体类别感知方法及装置 | |
KR101826669B1 (ko) | 동영상 검색 시스템 및 그 방법 | |
CN115731287B (zh) | 基于集合与拓扑空间的运动目标检索方法 | |
Singh et al. | Improved YOLOv5l for vehicle detection: an application to estimating traffic density and identifying over speeding vehicles on highway scenes | |
CN113658216B (zh) | 基于多级自适应kcf的遥感目标跟踪方法及电子设备 | |
CN114897939A (zh) | 基于深度路径聚合网络的多目标跟踪方法及系统 | |
CN115345903A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN114882372A (zh) | 一种目标检测的方法及设备 | |
CN112215205B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
Xu et al. | Vision-IMU based obstacle detection method | |
Li et al. | Research on road traffic moving target detection method based on sequential inter frame difference and optical flow method |
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 |