CN116758732A - 雾计算环境下的交叉路口车辆检测和公交优先通行方法 - Google Patents

雾计算环境下的交叉路口车辆检测和公交优先通行方法 Download PDF

Info

Publication number
CN116758732A
CN116758732A CN202310562151.5A CN202310562151A CN116758732A CN 116758732 A CN116758732 A CN 116758732A CN 202310562151 A CN202310562151 A CN 202310562151A CN 116758732 A CN116758732 A CN 116758732A
Authority
CN
China
Prior art keywords
vehicle
module
layer
intersection
convolution
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
Application number
CN202310562151.5A
Other languages
English (en)
Inventor
李衡
庄旭菲
陈俊楠
杨晨曦
张海涛
毛睿
高旭东
赵叶
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202310562151.5A priority Critical patent/CN116758732A/zh
Publication of CN116758732A publication Critical patent/CN116758732A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G08G1/0125—Traffic data processing
    • 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
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • 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
    • G08G1/083—Controlling the allocation of time between phases of a cycle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种雾计算环境下的交叉路口车辆检测方法，使用R‑D模块和重参数化SPP改进YOLOv5n网络，利用车辆检测数据集训练改进的YOLOv5n网络，得到车辆检测模型；利用训练车辆跟踪数据集训练DeepSORT特征提取网络，得到多目标跟踪模型；搭建雾平台架构，其中，通过各个道路交叉路口的车辆为数据生成层，在各个道路交叉路口分别部署摄像头、车辆检测器、车辆检测模型和多目标跟踪模型作为雾层，在每个道路交叉路口，车辆检测器调用车辆检测模型和多目标跟踪模型，实现车辆识别检测与跟踪，提高检测效率和精度。本发明还提供了一种公交车优先通行方法，实现交叉路口公交优先通行的高效控制。

Description

雾计算环境下的交叉路口车辆检测和公交优先通行方法
技术领域
本发明属于智能交通技术领域，涉及信号灯的智能控制，特别涉及一种雾计算环境下的交叉路口车辆检测和公交优先通行方法。
背景技术
公交优先是解决城市交通拥堵的重要策略。对于公交优先，通过优先对公交车在交叉路口的延误进行考虑，调整交叉路口交通信号配时方案，使得的公交车辆可以尽快通过交叉路口，也就是公交信号优先。
传统的公交信号优先控制方法大多采用智能算法来求解模型，如蚁群算法、遗传算法等，在求解模型时存在收敛速度慢和容易陷入局部最优等问题，导致降低延误效果差，排队等待时间长，以及考虑不到社会车辆和行人延误,而随着强化学习、深度强化学习不断的发展，能够在一定程度上提高收敛速度和避免陷入局部最优等问题。但最近几年出现的强化学习方法在进行城市自适应交通信号配时决策时存在维数灾难和缺乏协调机制等问题。
在智能交通中，车辆检测是实现公交优先控制策略的关键技术，其基础在于进行公交车的识别，通过车辆识别与跟踪实现交叉路口公交车与社会车辆识别、车牌识别以及交通流信息的实时采集，为实现公交优先控制策略提供数据上的支持。传统基于计算机视觉的车辆检测主要是手工设计特征，比较优秀的如SIFT、HOG等，存在复杂性高、窗口冗余等问题。而传统车流量检测主要有感应线圈法、波频检测法、机器视觉法等。当前的目标检测模型虽然精度可观，但在实时性上还有不足，亟待提升。
在智能运输系统(ITS)中的公交优先控制策略通常采用云计算模式，网络中的边缘设备将捕获的视频传输到云计算中心。然而，面对迅速增加的交通监控视频，给这种基于云计算的系统的存储和通信带来了巨大的挑战。理论上，可以采用具有速度快、安全性高、可扩展性好以及可靠性高的雾计算架构。但是，在雾计算模式下，雾节点较低的性能和计算能力是比较困扰的问题，如何将现有的目标检测模型部署到边缘设备上，并且达到良好的性能，是采用雾计算所面临的一大挑战，工作效率有待提高。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种雾计算环境下的交叉路口车辆检测和公交优先通行方法，以期解决在雾计算环境中部署目标检测模型时的性能和计算能力低下问题，提高车辆检测效率和精度，并进一步设计了一种基于Q学习的公交信号优先交通灯控制模型——TSPCM(Transit Priority Signal Control Model)交通灯控制模型，实现交叉路口公交优先通行的高效控制，使得公交车延误时长变短，同时兼顾社会车辆的延误时长。
为了实现上述目的，本发明采用的技术方案是：
一种雾计算环境下的交叉路口车辆检测方法，包括如下步骤：
步骤1，获取车辆检测数据集和车辆跟踪数据集；
步骤2，使用R-D模块和重参数化SPP改进YOLOv5n网络，所述R-D模块是RepVGG模块与DBB模块的结合；
步骤3，利用所述车辆检测数据集训练改进的所述YOLOv5n网络，得到车辆检测模型；
步骤4，利用所述训练车辆跟踪数据集训练DeepSORT特征提取网络，得到多目标跟踪模型；
步骤5，搭建雾平台架构，其中，通过各个道路交叉路口的车辆为数据生成层，在各个道路交叉路口分别部署摄像头、车辆检测器、车辆检测模型和多目标跟踪模型作为雾层，在每个道路交叉路口，所述摄像头为所述车辆检测模型和多目标跟踪模型提供车辆视频图像信息，所述车辆检测器调用车辆检测模型和多目标跟踪模型，实现车辆识别检测与跟踪。
本发明还提供了一种公交车优先通行方法，包括：
将所述车辆检测模型、多目标跟踪模型以及车辆检测器部署到嵌入式设备上，将所述嵌入式设备部署在交叉路口，每个交叉路口的嵌入式设备与交叉路口布置的摄像头连接；
使用所述摄像头获取视频图像信息，由所述车辆检测模型、多目标跟踪模型以及车辆检测器实现车辆检测与跟踪，完成交通信息采集，其中车辆检测的结果包括公交车和社会车辆；
使用基于Q学习算法的TSPCM交通灯配时控制算法，将处于交叉路口的优化相位中等待的公交车辆数目作为状态信息S，将各个相位的绿灯时间增加、减少或保持不变作为动作集A中的动作a，针对车辆延误时间建立奖励机制R，将最小化公交车辆延误时间作为算法的优化目标，实现公交优先的情况下，最大化公交车辆的运行效率，同时尽可能将对社会车辆的影响降至最低。
与现有技术相比，本发明利用雾计算模式极大的降低了云服务器的通信和存储压力而且相比于云计算模式速度快、安全性高、可扩展性好以及可靠性高。相比较于传统的方法，基于深度学习的视频图像检测方法，具有环保、简易、高效等优势，但是对设备的性能要求较高，所以通常采用云计算模式，依靠云服务器强大的性能进行检测。通过对模型的轻量化改进，以及对训练数据使用数据增强方法增强训练效果，对于雾服务器性能不足方面的问题得到了有效的解决。使检测精度和速度都有所提升。雾节点将检测到的车辆数据，结合基于强化学习的交通灯控制算法，计算出交通灯配时方案，交叉路口交通灯将按照配时方案进行工作。
本发明的实施例的创新点包括：
(1)雾计算模式极大的降低了云服务器的通信和存储压力而且相比于云计算模式速度快、安全性高、可扩展性好以及可靠性高。
(2)相比较于传统的方法，基于深度学习的视频图像检测方法，具有环保、简易、高效等优势.
(3)使用重参数化技术，对网络模型进行轻量化改进，提升检测速度，在雾节点上达到实时检测。
(4)通过基于Q学习算法的交通灯配时的算法逻辑，对于正在排队等待通过交叉路口的公交车辆数量较多的相位优先进行绿灯时长的调整，同时考虑整体排队长度，将社会车辆的排队情况考虑进去，避免因过于注重公交车辆的优先而导致社会车辆的拥堵情况加剧，进而影响整体交叉路口的通行效率。
附图说明
图1本发明流程图。
图2雾平台架构。
图3为SaliencyOut处理流程示意图。
图4为车辆检测和跟踪流程图。
图5为YOLOv5网络结构图。
图6为RepVGG模块重参数化示意图。
图7为DBB模块重参数化示意图。
图8为R-D模块参数化示意图。
图9为SPP模块重参数化示意图。
图10为DeepSORT算法流程图
图11为TSPCM交通灯控制模型结构。
图12为Q学习算法流程图。
图13为公交信号优先控制算法流程图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明为一种雾计算环境下的交叉路口车辆检测和公交优先通行方法，可在嵌入式设备上部署，以降低对云服务器的依赖以及降低云服务器通信和存储的压力。同时对车辆检测模型进行轻量化改进以保证在嵌入式设备上的速度和精度。
本发明的一些实施例中，包括了边缘嵌入式设备用来部署目标检测模型和多目标跟踪算法，通过路侧摄像头获取视频图像信息，使用5G网络系统链接到云服务器完成边缘计算卸载技术，以及训练环境的选择与搭建，目标检测网络的选择与改进，多目标跟踪算法的重训练。图1示出了具体的交叉路口车辆检测和公交优先通行方法，图2示出了相应的雾平台架构，包括云层、雾层和数据生成层。
(1)数据生成层：本发明定义所有的社会车辆、公交车、行人都属于数据生成层。在必要时，智能车辆的车载摄像头、GPS等也可以为雾节点提供信息。
(2)雾层：主要由雾节点和终端设备组成。雾节点具备独立的信息采集和信息处理能力，在硬件上采用雾服务器实现，终端设备主要是路口布设的摄像头，将采集到的信息发送到雾服务器，雾服务器执行本发明的方法，负责车辆信息的检测，以及进一步的信号灯控制。
(3)云层：一方面，由于雾服务器自身存在计算能力和存储能力有限的问题，遇到庞大的交通信息量时，无法对信息再做进一步的处理。因此，雾服务器最终会将数据上传至位于云层的服务器。强大的云服务器会依据收到的交通信息，并对之进行彻底的分析与处理，对城市交通路网进行集中监控和控制，从而从全局出发，对城市交通路网作出最佳决策。
如图1所示，本发明实施例的方法主要包括如下步骤：
步骤1，数据集准备。
本发明使用的数据集包括车辆检测数据集和车辆跟踪数据集两部分，分别用于训练车辆检测模型和多目标跟踪模型。
为增强车辆遮挡时的检测效果，在车辆检测数据集中增加被遮挡车辆的数据。实施例中采用VOC2012数据集为车辆检测数据集，并使用SaliencyOut方法进行数据增强，该方法只需要对单张图像的部分显著性区域进行部分像素去除，便可完成数据增强。
显著性检测方法会生成一个显著性图，也就是一个灰度图，之后在这个显著性图中找寻一个重点关注区域，然后从这块区域中选择一个区域进行遮挡或者进行图块替换。设Tp∈RW×H×C为输入图像，然后从这个图像的显著性区域中挑选一个突出峰值区域进行遮挡或者替换。其显著性区域的检测方法可以表示为
Tvp＝f(Tp) (1)
其中，Tvp∈RW×H表示为输入图像的显著性图，f(·)表示显著性检测算法，在这之后，在显著性图中找寻一个具有最大强度值的显著性映射像素点作为裁剪区域的中心点坐标，其中，xi,yi表示这个像素点的x轴和y轴坐标。xi,yi可以表示为
xi,yi＝argmax(Tvp) (2)
在获取显著性强度最大的坐标点之后，显著性裁剪区域边界的生成由中心坐标(xi,yi)以及裁剪图块区域的宽度和高度共同确定，其中，初始生成的宽度rw和高度rh为：
之后，经过自适应缩放因子ρ调整，调整后的宽度rw1和rh1可以表示为：
其中，W表示输入图像的宽度，H表示输入图像的高度，λ是Beta(α,α)中的采样数值，自适应缩放因子ρ详见公式(7)。Beta(α,α)指参数为α的贝塔分布，将α设置为1，Beta分布就为(0,1)的均匀分布。于是λ将从均匀分布的(0,1)中进行采样。显著性裁剪区域对角的顶点坐标为(xl,yb)、(xr,yt)，顶点的选取公式为：
其中，本发明中设定的顶点坐标不会超过图像边界，由(xl,yb)、(xr,yt)两个顶点坐标确定的矩形框即为显著性裁剪区域。
自适应缩放因子ρ，它可以在裁剪面积较大(大于设定值)时，适当缩小裁剪边界；在裁剪面积较小(小于设定值)时，尽可能不改变它的裁剪边界(裁剪边界过小也可能导致引入的噪声面积太小，不能较好地起到改善模型过拟合的作用)。其表达式为
ρ＝1-μ2 (7)
如式(7)和式(8)所示，当裁剪面积比率μ较小时，则对ρ值的影响较小，其数值不会有较大的改变；当裁剪面积比率μ较大时，则对ρ的影响较大，其数值就会做出较大的调整。通过这种方式实现对裁剪边界进行自适应缩放调整的目的。
由此，如图3所示，本实施例中对车辆检测数据集使用SaliencyOut方法进行数据增强的步骤如下：
步骤1.1，给定输入图像，使用显著性检测方法获取该输入图像的显著性图。
步骤1.2，在显著性图中找到显著性强度最大的1个像素点，以该像素点作为中心坐标，在中心坐标周围生成一块显著性裁剪区域，该显著性裁剪区域即为显著性图中的显著性峰值区域。
步骤1.3.将这块显著性峰值区域进行裁剪(即遮挡，去除这块区域全部的像素信息)，输出增强样本。
设Tp∈RW×H×C和Lp分别表示训练图像及其样本标签，即对于车辆检测数据集中的标签为Lp的图像Tp∈RW×H×C，将Tp中的部分区域进行裁剪，生成新的训练样本及其新标签可以被定义为
其中，M∈{0,1}W×H是掩码矩阵；⊙是元素级乘法；系数γ＝1-[(rw*rh)(W*H)]。
步骤2，车辆检测模型设计。
参考图4，本发明中，使用RepVGG模块与DBB(diverse branch block)模块结合，得到R-D(RepVGG-DBB)模块，用R-D模块和重参数化SPP(spatial pyramidpooling)对YOLOv5n网络进行改进，通过重参数化加快模型的推理速度，得到重参数化YOLOv5n网络，作为初始的车辆检测模型。
初始的YOLOv5n网络架构如图5所示，RepVGG模块重参数化架构如图6所示，包含并联的第一分支、第二分支和第三分支，所述第一分支由一个3×3卷积层与第一BN(批归一化，batch normalization)层组成，所述第二分支由一个1×1卷积层与第二BN层组成，所述第三分支为直连分支，由第三BN层组成，三个分支的输出连接至一个加法块上。RepVGG模块首先在每条分支内部进行卷积层-BN层融合。C1为3×3卷积层和1×1卷积层的输入通道数，C2为3×3卷积层和1×1卷积层的输出通道数；第一BN层的累积平均值、标准差、学习的缩放系数和平移系数分别表示为μ(3)、σ(3)、γ(3)、β(3)，第二BN层的累积平均值、标准差、学习的缩放系数和平移系数分别表示为μ(1)、σ(1)、γ(1)、β(1)，第三BN层的累积平均值、标准差、学习的缩放系数和平移系数分别表示为μ(0)、σ(0)、γ(0)、β(0)；将输入和输出分别表示为/>和/>卷积操作表示为*，设输入输出张量大小相等，即C1＝C2、H1＝H2、W1＝W2，H1、H2为输入卷积核和输出卷积核的长度，W1、W2为输入卷积核和输出卷积核的宽度，则：
式(11)中bn()表示推理阶段的BN层函数，具体表示为：
其中，μi、σi、γi、βi分别表示第i个输出通道的累积平均值、标准差、学习的缩放系数和平移系数。
由此，BN层和它之前的相应卷积层转换为一个带有偏置的卷积层，设{W',b'}为从{M,μ,σ,γ,β}中转换得到的卷积层的权重和偏置，则有：
由此，容易证明：
bn(M*W,μ,σ,γ,β)：,i,：,：＝(M*W')：,i,：,：+bi' (14)
由于直连分支可以视为权重为单位矩阵的1×1卷积层，上述转换在直连分支上依然是成立的。因此，经过上述转换，卷积层、直连分支和BN层将转换为一个3×3卷积层权重、两个1×1卷积层权重和三个偏置。最后，将三个偏置相加可以得到最终的偏置，而通过将1×1卷积层权重外面填充一圈零值，将其变成3×3卷积层权重再与3×3卷积层权重相加，得到最终的3×3卷积层权重。即，整个RepVGG模块在推理阶段最后转换成一个3×3卷积层的权重和偏置，这相当于一个3×3卷积层的参数。
DBB模块重参数化如图7所示，重参数化中多分支融合与RepVGG原理一致，可采用与RepVGG模块中相同的多分支融合方法，但其还另外用了一种串联的1×1卷积层和3×3卷积层融合的重参数化方法，公式为：
F'←F(2)*TRANS(F(1)) (15)
式(15)中，F(1)、F(2)分别表示DBB模块中的1×1卷积层和3×3卷积层的权重，TRANS()表示张量在第0、1维度上的转置，表示卷积运算，F'表示重参数化后的卷积层权重。从而将串联的1×1卷积层和3×3卷积层转换为一个3×3卷积层。而平均池化层也可以等效成一个参数固定的3×3卷积层，则串联的1×1卷积层和平均池化层也可以进一步等效成一个3×3卷积层，再进行多分支合并，则DBB模块也最终重参数化为一个3×3卷积层。
R-D模块参数化如图8所示，是将RepVGG模块与DBB模块结合，提出了R-D模块，其在训练阶段相比于RepVGG模块增加了一条串联的1×1卷积层和3×3卷积层分支、一条串联的1×1卷积层和平均池化层分支，相比于DBB模块多了一条直连分支，因此训练阶段拟合能力更强，精度更高，而在推理阶段经过重参数化转换为一个3×3卷积层，推理速度与RepVGG模块和DBB模块相同，这相当于在不牺牲推理速度的前提下进一步提高模型精度。
SPP模块重参数化如图9所示，是将卷积核大小分别为5、9、13的卷积层和直连分支一共四条分支并联，以实现不同尺度特征的充分融合。由于普通大核卷积计算量较大，本发明将卷积核大小分别为5、9、13的卷积层改为DW(depthwise)卷积。在推理阶段，四条分支可以重参数化为一条13×13的DW卷积层单路结构，加快模型推理速度。
步骤3，将数据集输入到改进后的YOLOv5网络中训练，得到车辆检测模型。
本实施例中，训练的服务器环境为：CPU型号为Intel Core i9-9920X，GPU型号为NVIDIA RTX 2080Ti，共两块，操作系统为Ubuntu 18.04。训练参数设置如下：最大迭代次数设置为300，批尺寸设置为8，输入图片大小设置为640，优化器采用随机梯度下降，动量设置为0.937，权重衰减因子设置为0.0005，学习率调整策略采用余弦退火衰减，其中初始学习率设为0.01，最后学习率设置为0.002。
步骤4，如图4所示，使用车辆跟踪数据集训练DeepSORT特征提取网络，得到多目标跟踪模型。
本步骤中，车辆跟踪数据集为VeRi数据集，通过重新训练DeepSORT特征提取网络，以增强算法效果。训练环境可以采用性能强大的云服务器，缩短训练时间。
步骤5，车辆跟踪。DeepSORT流程如图10所示。
步骤5.1，将第一帧检测目标框初始化对应轨迹进行卡尔曼滤波预测下一时刻轨迹，其中初始化轨迹状态为不确定态。
步骤5.2，将上一时刻确认态轨迹与当前时刻检测目标框进行级联匹配，级联匹配结果中匹配失败轨迹和匹配失败目标框用于后续IOU匹配，匹配成功轨迹和目标框进行卡尔曼滤波预测和更新。
步骤5.3，将级联匹配结果中匹配失败轨迹和匹配失败目标框以及上一帧不确定态轨迹进行IOU匹配，匹配结果中匹配失败轨迹若仍为不确定态或为确定态但连续匹配失败次数超标则删除该轨迹；匹配失败轨迹为确定态且连续匹配失败次数未超标进行卡尔曼滤波预测；匹配失败目标框则初始化对应轨迹进行卡尔曼滤波预测；匹配成功轨迹和目标框进行卡尔曼滤波预测和更新。
步骤5.4，重复步骤5.2和步骤5.3，直到结束。
步骤6，使用python编写车辆检测器，主要包括车型识别模块、车牌识别模块、车辆速度估计模块和交通流统计模块，该检测器使用车辆检测模型所得到的检测信息，识别车型、车牌，整合车型信息，并估计车辆速度，以及交通流计数。车牌识别可使用HyperLPR实现，这是一个基于深度学习的高性能中文车牌识别开源项目。车辆行驶速度的估计公式如下：
式中，Wr为预先设定的车辆真实宽度，Wv为检测得到的车辆像素宽度，二者比值即真实距离和像素距离的比值，D(x1,x2)为车辆两帧之间移动的像素距离，可使用每辆车的前后两帧框的中心坐标计算得到，T为两帧之间的时间。利用上述比值和像素距离做映射，就可以求出两帧之间车辆移动的真实距离。然后距离除以两帧之间的时间，即速度V。
步骤7，搭建如图2所示的雾平台架构，其中，通过各个道路交叉路口的车辆为数据生成层，在各个道路交叉路口分别部署摄像头、车辆检测器、车辆检测模型和多目标跟踪模型作为雾层，在每个道路交叉路口，所述摄像头为所述车辆检测模型和多目标跟踪模型提供车辆视频图像信息，所述车辆检测器调用车辆检测模型和多目标跟踪模型，实现车辆识别检测与跟踪。
本实施例中，将训练好的车辆检测模型和目标跟踪模型以及车辆检测器部署到嵌入式设备上，本实施例采用NVIDIA Jetson Xavier NX，其配置有6核NVIDIA Carmel ARMCPU,384核NVIDIA Volta GPU,8GB内存。
相较于云计算的依赖于集中式高性能计算设备，雾计算通过雾节点完成了将网络计算从中心到边缘的扩展，因此其是对云计算的延伸，也是介于云计算与终端计算的中间态，也由此雾计算强调分布式节点数量而不是集中式的高性能计算设备。因为其分布式的特点，雾计算较之云计算，因此具有以下优点：
(1)低延时和位置感知；
(2)更为广泛的地理分布；
(3)适应移动性较强的应用；
(4)利用云层的强大的计算和存储能力协同进行服务。
进一步地，本发明在此基础上实现了公交优先通行控制，承上步骤，继续描述如下：
步骤8，将上述的嵌入式设备部署在交叉路口，每个交叉路口的嵌入式设备与交叉路口布置的摄像头连接。使用摄像头获取视频图像信息，由车辆检测模型、多目标跟踪模型以及车辆检测器实现车辆检测与跟踪，完成交通信息采集，其中车辆检测的结果包括公交车和社会车辆。
步骤9，在嵌入式设备中，运行基于Q学习算法的TSPCM交通灯配时控制算法。
本发明TSPCM交通灯控制模型结构如图11所示，在该模型下，包含了车辆检测模块、配时方案模块和交通灯显示模块。
(1)车辆检测模块的功能是通过终端设备采集在交叉路口的公交车以及社会车辆的视频图像信息，然后上传至雾服务器，雾服务器通过深度学习方法对视频进行识别检测，获取需要的信息，包括交通流信息、车牌信息、车型信息和公交车行驶速度等。
(2)配时方案模块是本发明的雾计算模块，利用雾节点处理和分析的交通信息，以Q学习算法为核心的交通等配时控制算法基于处理后的数据，制定出每个相位的周期时长和绿灯时长等信号配时方案。该模块进一步细分为交通信息分析模块、配时设计模块和交通灯控制模块三部分。
交通信息分析模块负责分析由雾节点检测到的视频信息相关交通信息经过一定处理后，一方面雾节点将处理过的信息发送至配时设计模块，另一方面利用雾服务器将收集到的历史交通信息和与之对应的配时方案存储起来，随后上传至云端。
配时设计模块利用由交通信息分析模块传送过来的交通数据，根据制定好的基于Q学习算法和公交信号优先思想的交通灯配时控制算法，计算出交通灯配时方案。之后将配时方案传送至交通灯控制模块。
交通灯控制模块接收交通灯配时方案，并且将该方案应用至交通灯显示模块。
(3)交通灯显示模块接收雾服务器模块计算出的各个相位周期时长和绿灯时间，交通灯显示计算结果。
本发明中，Q学习算法的三要素为：状态信息、奖励机制和动作选择。可以从一个状态s转移到另一状态，在特定状态下执行动作会给智能体提供一个奖励。智能体的目标是使其回报总和最大化，它通过学习找出当前状态下一系列动作中最优动作，从而实现该目标。在Q学习算法中，根据在某个环境状态下执行的动作集作出不同评价，不同的动作对应着不同的奖励，用Q值表示所得的奖励，Q值函数见式(17)
Qπ(s,a)＝Eπ{Rt|st＝s,at＝a} (17)
将Q值存放至一个表格中，称之为Q表。通过不断优化该表，找到最大Q值所对应的动作，间接获得最优策略。Q表更新规则见式(18)：
式中：α为学习速率，γ为折扣因子，步骤10.1中有详述。
Q学习的算法流程图见图12，Q表见表1：
表1 Q表
针对本发明的主要内容和特点，将处于交叉路口的优化相位中等待的公交车辆数目作为状态信息S，将各个相位的绿灯时间增加、减少或保持不变作为动作集A中的动作a，针对车辆延误时间建立奖励机制R，将最小化公交车辆延误时间作为算法的优化目标，实现公交优先的情况下，最大化公交车辆的运行效率，同时尽可能将对社会车辆的影响降至最低。算法的具体步骤可描述如下：
步骤9.1，基础绿灯时长计算，利用经典的智能交通配时算法——韦伯斯特配时法计算基础绿灯时长。该算法是基于交叉路口车辆延误情况，通过优化信号周期时长，来确定包括周期时长、绿灯时间以及相位次序等信号配时参数。因其围绕交叉路口车辆延误情况进行配时，所以这在一定程度上兼顾了公交车辆和社会车辆的运行效率。
(1)最佳周期C0
式中：L为单个周期时间内交叉路口车流绿灯总损失时间(单位：s)，Y为交叉路口交通流量比。
(2)基础绿灯时长Gi
式中：yi为第i相位实际车流量与饱和车流量的比值，基础绿灯时长会按照以上方法进行计算，同时介于最小绿灯时长Cmin和最大绿灯时长之间的Cmax之间。
步骤9.2，状态信息，本发明将处于交叉路口的优化相位中等待的公交车辆数目作为状态信息，t时刻交叉路口的状态St的表达式见式(21)：
St＝{NBust} (21)
式中：NBust为t时刻处于交叉路口的优化相位中等待的公交车辆数目
步骤9.3，动作选择，通过交通控制的基本理念和公交信号优先的思想，在动作集A中，动作选择如下：增加绿灯时间、减少绿灯时间、保持绿灯时间不变。
增加绿灯时间：通过对比各优化相位的公交车数量，适当增加公交车数量较多的相位的绿灯时间。同时公交车辆数目较多的相位的绿灯时间也会随之减少。
减少绿灯时间：通过对比各优化相位的公交车数量，适当减少公交车数量较少的相位的绿灯时间。同时公交车辆数目较多的相位的绿灯时间也会随之增加。
保持绿灯时间：若无上述两种情况的发生，则保持绿灯时间不变。
绿灯时间的变化需处于合适的范围之内，太大的变动会造成交叉路口处理交通流能力的不稳定性，处于非优化相位的车辆产生较大滞留，造成其产生较大的延误，而且会使整个交叉路口的车流运行缓慢，造成多次拥堵，情况严重的会对交通秩序和驾驶员情绪产生较大影响，增大发生交通事故的可能。
以绿灯时间变化5秒举例，对于本发明只优化“东西直行”和“南北直行”两个相位，这两个相位各有三种选择，其选择动作集是绿灯时间不变、绿灯时间增加5秒和绿灯时间减少5秒，变化的时间由与其对应的左转相位提供，且始终保持信号周期时间和相位次序固定不变，根据排列组合原理，得到的动作集共有9种，选择动作集见表2：
表2动作选择集
步骤9.4，奖励机制，当智能体选取动作集中的某一动作并执行完毕后，根据环境状态的变化情况，环境会根据事先确立好的奖励机制，给予一个奖励信号。智能体不断采取动作，不断获得相应奖励，通过执行相应动作，使得获取的累积奖励最大化，直至找到属于该环境状态下的最佳动作。本发明将最小化公交车辆延误时间作为算法的优化目标，确定积极回报型奖励函数，这就表示在执行动作之后，所得的车辆延误时间越短，得到的奖励越大。用Db(s)表示公交车辆延误时间，用rt(s,a)表示在t时刻状态s执行完动作a所得到的奖励。单交叉路口算法奖励机制见表3：
表3单交叉路口算法奖励机制表
基于TSPCM的单交叉路口公交信号优先控制算法会对公交车数量相对较多的相位进行优先配时，但同时改变的绿灯时间要根据实际情况设置上限和下限，因为改变的绿灯时间过短，则无法有效做到公交优先，无法有效缓解交叉路口的拥堵情况；改变的绿灯时间过长，则极有可能在其他相位产生二次拥堵的现象，反而会加剧交叉路口的拥堵状况。绿灯时长要控制在最小绿灯时间和最大绿灯时间之间。基于TSPCM的单路口公交信号优先控制算法流程见图13。
步骤10，采用VISSIM作为实验仿真平台，进行仿真实验。
步骤10.1，Q学习采用ε-greedy动作选择机制。ε-greedy机制的原理是：随机给定系数ε∈[0.1]，按照概率(1-ε)对动作进行选择，直到选择出具有最大Q值的动作。ε值的大小影响学习系统的稳定性和适应能力，ε值越小，系统会获得较多的开发机会，此时学习系统的稳定性较好；ε值越大，探索速度越快，此时学习系统适应能力好。
接下来是对学习速率α的设置。α的取值大小决定了算法的学习速率，同样α∈[0.1]，其值越小，系统学习速度越慢，严重时甚至会造成系统停止学习的情况发生；其值越大，系统学习速度越快，虽然会在一定程度上加快系统学习的效率，但学习速度过快会造成系统学习效果不成熟。因此需要根据实际情况，将α设置为最为合适当前状况的值。
最后是对折扣因子γ的设置，γ∈[0.1]，其取值大小对算法的学习速率有一定程度的影响，其值越小，说明系统重视当前的奖励；其值越大，说明系统重视长期的奖励。
本案例设置α为0.5，γ为0.9，ε为0.4。
步骤10.2，交通环境设置。在仿真实验中，遵循我国实行的右行交通规则；采用的交叉路口形状为“十字形”；交叉路口采用“四相位”信号方案，即东西直行、东西左转、南北直行、南北左转，并且对右转车辆无限制；道路采用双向四车道，其中2条为直行车道，1条为左转车道，1条为右转车道，车道宽度为3.5m；饱和车流量设置为2000veh/h；车辆速度设置为35km/h；在车辆载客量方面，公交车辆为30人/车，社会车辆为2人/车；车辆检测器部署在距离交叉路口150m进车道处、车道停车线处，用来检测距离交叉路口中心150m范围内的公交车辆和社会车辆的分布情况；绿灯时间有设置上下限，最小绿灯时间为10s，最大绿灯时间为直行90s和左转50s。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种雾计算环境下的交叉路口车辆检测方法，其特征在于，包括如下步骤：
步骤1，获取车辆检测数据集和车辆跟踪数据集；
步骤2，使用R-D模块和重参数化SPP改进YOLOv5n网络，所述R-D模块是RepVGG模块与DBB模块的结合；
步骤3，利用所述车辆检测数据集训练改进的所述YOLOv5n网络，得到车辆检测模型；
步骤4，利用所述训练车辆跟踪数据集训练DeepSORT特征提取网络，得到多目标跟踪模型；
步骤5，搭建雾平台架构，其中，通过各个道路交叉路口的车辆为数据生成层，在各个道路交叉路口分别部署摄像头、车辆检测器、车辆检测模型和多目标跟踪模型作为雾层，在每个道路交叉路口，所述摄像头为所述车辆检测模型和多目标跟踪模型提供车辆视频图像信息，所述车辆检测器调用车辆检测模型和多目标跟踪模型，实现车辆识别检测与跟踪。
2.根据权利要求1所述雾计算环境下的交叉路口车辆检测方法，其特征在于，所述车辆检测数据集为VOC2012数据集，所述车辆跟踪数据集为VeRi数据集；对所述车辆检测数据集使用SaliencyOut方法进行数据增强，方法如下：
步骤1.1，给定输入图像，使用显著性检测方法获取该输入图像的显著性图；
步骤1.2，在显著性图中找到显著性强度最大的1个像素点，以该像素点作为中心坐标，在中心坐标周围生成一块显著性裁剪区域，该显著性裁剪区域即为显著性图中的显著性峰值区域；
步骤1.3，将该峰值区域进行裁剪，输出增强样本。
3.根据权利要求2所述雾计算环境下的交叉路口车辆检测方法，其特征在于，所述步骤1.2，显著性裁剪区域的边界由其宽度、高度以及所述中心坐标共同确定，其中，初始生成的宽度rw和高度rh为：
之后，经过自适应缩放因子ρ调整，调整后的宽度rw1和rh1为：
其中，W表示输入图像的宽度，H表示输入图像的高度，λ是Beta(α,α)中的采样数值；Beta(α,α)指参数为α的贝塔分布；
显著性裁剪区域的对角的顶点坐标为(xl,yb)、(xr,yt)，公式如下：
(xi,yi)是中心坐标，由(xl,yb)、(xr,yt)两个顶点坐标确定的矩形框即为显著性裁剪区域；
所述自适应缩放因子ρ，在裁剪面积大于设定值时缩小裁剪边界；在裁剪面积小于设定值时，尽可能不改变它的裁剪边界，表达式为：
ρ＝1-μ2
其中μ是裁剪面积比率，
对于车辆检测数据集中的标签为Lp的图像Tp∈RW×H×C，将其中的部分区域进行裁剪，生成新的训练样本及其新标签定义为：
其中，M∈{0,1}W×H是掩码矩阵；⊙是元素级乘法；系数γ＝1-[(rw*rh)(W*H)]。
4.根据权利要求1所述雾计算环境下的交叉路口车辆检测方法，其特征在于，所述RepVGG模块包含并联的第一分支、第二分支和第三分支，所述第一分支由一个3×3卷积层与第一BN层组成，所述第二分支由一个1×1卷积层/>与第二BN层组成，所述第三分支为直连分支，由第三BN层组成，三个分支的输出连接至一个加法块上；C1为3×3卷积层和1×1卷积层的输入通道数，C2为3×3卷积层和1×1卷积层的输出通道数，第一BN层的累积平均值、标准差、学习的缩放系数和平移系数分别表示为μ(3)、σ(3)、γ(3)、β(3)，第二BN层的累积平均值、标准差、学习的缩放系数和平移系数分别表示为μ(1)、σ(1)、γ(1)、β(1)，第三BN层的累积平均值、标准差、学习的缩放系数和平移系数分别表示为μ(0)、σ(0)、γ(0)、β(0)；将输入和输出分别表示为/>和/>卷积操作表示为*，设输入输出张量大小相等，即C1＝C2、H1＝H2、W1＝W2，H1、H2为输入卷积核和输出卷积核的长度，W1、W2为输入卷积核和输出卷积核的宽度，则：
M(2)＝bn(M(1)*W(3),μ(3),σ(3),γ(3),β(3))+bn(M(1)*W(1),μ(1),σ(1),γ(1),β(1))+bn(M(1),μ(0),σ(0),γ(0),β(0))
bn()表示推理阶段的BN层函数，具体表示为：
其中，μi、σi、γi、βi分别表示第i个输出通道的累积平均值、标准差、学习的缩放系数和平移系数；
由此，BN层和相应的卷积层转换为一个带有偏置的卷积层，设{W',b'}为从{M,μ,σ,γ,β}中转换得到的卷积层的权重和偏置，则有：
也即：
bn(M*W,μ,σ,γ,β)：,i,：,：＝(M*W')：,i,：,：+bi'
经过上述转换，卷积层、直连分支和BN层将转换为一个3×3卷积层权重、两个1×1卷积层权重和三个偏置；将三个偏置相加得到最终的偏置，通过将1×1卷积层权重外面填充一圈零值，将其变成3×3卷积层权重再与3×3卷积层权重相加，得到最终的3×3卷积层权重；即，整个RepVGG模块在推理阶段最后转换成一个3×3卷积层的权重和偏置，相当于一个3×3卷积层的参数；
所述DBB模块，采用与RepVGG模块中相同的多分支融合方法，并使用一种串联的1×1卷积层和3×3卷积层融合的重参数化方法，公式为：
F'←F(2)*TRANS(F(1))
式中，F(1)、F(2)分别表示DBB模块中的1×1卷积层和3×3卷积层的权重，TRANS()表示张量在第0、1维度上的转置，表示卷积运算，F'表示重参数化后的卷积层权重；从而将串联的1×1卷积层和3×3卷积层转换为一个3×3卷积层，将串联的1×1卷积层和平均池化层等效成一个3×3卷积层，再进行多分支合并，即，DBB模块最终重参数化为一个3×3卷积层；
所述R-D模块，是将RepVGG模块与DBB模块结合，其在训练阶段在RepVGG模块的基础上增加了一条串联的1×1卷积层和3×3卷积层分支、一条串联的1×1卷积层和平均池化层分支，在DBB模块的基础上增加了一条直连分支，在推理阶段经过重参数化转换为一个3×3卷积层；
所述重参数化SPP，是将卷积核大小分别为5、9、13的卷积层和直连分支共四条分支并联，以实现不同尺度特征的充分融合。
5.根据权利要求4所述雾计算环境下的交叉路口车辆检测方法，其特征在于，将所述卷积核大小分别为5、9、13的卷积层改为DW卷积；在推理阶段，四条分支重参数化为一条13×13的DW卷积层单路结构。
6.根据权利要求1所述雾计算环境下的交叉路口车辆检测方法，其特征在于，所述多目标跟踪模型，车辆跟踪的方法如下：
步骤1)，将第一帧检测目标框初始化对应轨迹进行卡尔曼滤波预测下一时刻轨迹，其中初始化轨迹状态为不确定态；
步骤2)，将上一时刻确认态轨迹与当前时刻检测目标框进行级联匹配，级联匹配结果中匹配失败轨迹和匹配失败目标框用于后续IOU匹配，匹配成功轨迹和目标框进行卡尔曼滤波预测和更新；
步骤3)，将级联匹配结果中匹配失败轨迹和匹配失败目标框以及上一帧不确定态轨迹进行IOU匹配，匹配结果中匹配失败轨迹若仍为不确定态或为确定态但连续匹配失败次数超标则删除该轨迹；匹配失败轨迹为确定态且连续匹配失败次数未超标进行卡尔曼滤波预测；匹配失败目标框则初始化对应轨迹进行卡尔曼滤波预测；匹配成功轨迹和目标框进行卡尔曼滤波预测和更新；
步骤4)，重复步骤2)和步骤3)，直到结束。
7.根据权利要求1所述雾计算环境下的交叉路口车辆检测方法，其特征在于，所述车辆检测器包括车型识别模块、车牌识别模块、车辆速度估计模块和交通流统计模块，通过调用所述车辆检测模型的检测信息，识别车型、车牌，估计车辆速度，并进行交通流计数；所述车辆行驶速度的估计公式如下：
式中，Wr为预先设定的车辆真实宽度，Wv为检测得到的车辆像素宽度，D(x1,x2)为车辆两帧之间移动的像素距离，T为两帧之间的时间。
8.公交车优先通行方法，其特征在于：
将所述车辆检测模型、多目标跟踪模型以及车辆检测器部署到嵌入式设备上，将所述嵌入式设备部署在交叉路口，每个交叉路口的嵌入式设备与交叉路口布置的摄像头连接；
使用所述摄像头获取视频图像信息，由所述车辆检测模型、多目标跟踪模型以及车辆检测器实现车辆检测与跟踪，完成交通信息采集，其中车辆检测的结果包括公交车和社会车辆；
使用基于Q学习算法的TSPCM交通灯配时控制算法，将处于交叉路口的优化相位中等待的公交车辆数目作为状态信息S，将各个相位的绿灯时间增加、减少或保持不变作为动作集A中的动作a，针对车辆延误时间建立奖励机制R，将最小化公交车辆延误时间作为算法的优化目标，实现公交优先的情况下，最大化公交车辆的运行效率，同时尽可能将对社会车辆的影响降至最低。
9.根据权利要求8所述公交车优先通行方法，其特征在于，所述TSPCM交通灯配时控制算法步骤如下：
步骤1)，计算基础绿灯时长Gi，公式如下：
式中：L为单个周期时间内交叉路口车流绿灯总损失时间，Y为交叉路口交通流量比，yi为第i相位实际车流量与饱和车流量的比值，C0为最佳周期，Gi同时介于最小绿灯时长Cmin和最大绿灯时长之间的Cmax之间；
步骤2)，计算t时刻交叉路口的状态St，公式如下
St＝{NBust}
式中：NBust为t时刻处于交叉路口的优化相位中等待的公交车辆数目；
步骤3)，所述动作集A中：
增加绿灯时间：通过对比各优化相位的公交车数量，增加公交车数量较多的相位的绿灯时间，同时公交车辆数目较多的相位的绿灯时间也会随之减少；
减少绿灯时间：通过对比各优化相位的公交车数量，减少公交车数量较少的相位的绿灯时间，同时公交车辆数目较多的相位的绿灯时间也会随之增加；
保持绿灯时间：若无上述两种情况的发生，则保持绿灯时间不变。
步骤4)，将最小化公交车辆延误时间作为算法的优化目标，确定积极回报型奖励函数，即，在执行动作之后，所得的车辆延误时间越短，得到的奖励越大。
10.根据权利要求9所述公交车优先通行方法，用Db(s)表示公交车辆延误时间，用rt(s,a)表示在t时刻状态s执行完动作a所得到的奖励，则单交叉路口算法奖励机制如下：
当Db(s)＝0，则rt(s,a)取值10；
当Db(s)∈(0,15]，则rt(s,a)取值8；
当Db(s)∈(15,30]，则rt(s,a)取值6；
当Db(s)∈(30,45]，则rt(s,a)取值4；
当Db(s)∈(45,60]，则rt(s,a)取值2；
当Db(s)∈(60,75]，则rt(s,a)取值0；
当Db(s)∈(75,90]，则rt(s,a)取值-2；
当Db(s)∈(90,+∞]，则rt(s,a)取值-4。
CN202310562151.5A 2023-05-18 2023-05-18 雾计算环境下的交叉路口车辆检测和公交优先通行方法 Pending CN116758732A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310562151.5A CN116758732A (zh) 2023-05-18 2023-05-18 雾计算环境下的交叉路口车辆检测和公交优先通行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310562151.5A CN116758732A (zh) 2023-05-18 2023-05-18 雾计算环境下的交叉路口车辆检测和公交优先通行方法

Publications (1)

Publication Number Publication Date
CN116758732A true CN116758732A (zh) 2023-09-15

Family

ID=87959786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310562151.5A Pending CN116758732A (zh) 2023-05-18 2023-05-18 雾计算环境下的交叉路口车辆检测和公交优先通行方法

Country Status (1)

Country Link
CN (1) CN116758732A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314975A (zh) * 2023-11-24 2023-12-29 四川迪晟新达类脑智能技术有限公司 低算力环境下基于模型推理的跟踪目标丢失再捕获方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047884A (zh) * 2019-12-30 2020-04-21 西安理工大学 一种基于雾计算和强化学习的交通灯控制方法
US20220012502A1 (en) * 2020-07-07 2022-01-13 Hitachi, Ltd. Activity detection device, activity detection system, and activity detection method
CN115170611A (zh) * 2022-07-11 2022-10-11 湖北工业大学 一种复杂交叉路口车辆行驶轨迹分析方法、系统及应用
WO2022217630A1 (zh) * 2021-04-15 2022-10-20 华北电力大学扬中智能电气研究中心 一种车速确定方法、装置、设备和介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047884A (zh) * 2019-12-30 2020-04-21 西安理工大学 一种基于雾计算和强化学习的交通灯控制方法
US20220012502A1 (en) * 2020-07-07 2022-01-13 Hitachi, Ltd. Activity detection device, activity detection system, and activity detection method
WO2022217630A1 (zh) * 2021-04-15 2022-10-20 华北电力大学扬中智能电气研究中心 一种车速确定方法、装置、设备和介质
CN115170611A (zh) * 2022-07-11 2022-10-11 湖北工业大学 一种复杂交叉路口车辆行驶轨迹分析方法、系统及应用

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘兆波: "基于YOLOv5及DeepSort的道路目标追踪改进算法", 《汽车实用技术》, vol. 47, no. 22, 30 November 2022 (2022-11-30), pages 40 - 44 *
刘闽，李喆，李曜丞，刘亚东，江秀臣: "基于重参数化YOLOv5 的输电线路缺陷边缘智能检测方法", 《高电压技术》, 8 September 2022 (2022-09-08), pages 1 - 11 *
曾武，朱恒亮，邢树礼，林江宏，毛国君: "显著性检测引导的图像数据增强方法", 《图学学报》, vol. 44, no. 2, 14 September 2022 (2022-09-14), pages 260 - 270 *
薛珮雯: "基于强化学习的公交信号优先控制研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 01, 15 January 2022 (2022-01-15), pages 034 - 1192 *
金立生，华强，郭柏苍，谢宪毅，闫福刚，武波涛: "基于优化DeepSort:的前方车辆多目标跟踪", 《浙江大学学报（工学版）》, vol. 55, no. 6, 16 July 2021 (2021-07-16), pages 1056 - 1063 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314975A (zh) * 2023-11-24 2023-12-29 四川迪晟新达类脑智能技术有限公司 低算力环境下基于模型推理的跟踪目标丢失再捕获方法
CN117314975B (zh) * 2023-11-24 2024-01-26 四川迪晟新达类脑智能技术有限公司 低算力环境下基于模型推理的跟踪目标丢失再捕获方法

Similar Documents

Publication Publication Date Title
CN110796168B (zh) 一种基于改进YOLOv3的车辆检测方法
CN110111335B (zh) 一种自适应对抗学习的城市交通场景语义分割方法及系统
CN108983219A (zh) 一种交通场景的图像信息和雷达信息的融合方法及系统
CN113486764B (zh) 一种基于改进的YOLOv3的坑洼检测方法
CN111079604A (zh) 面向大尺度遥感图像的微小目标快速检测方法
CN113095277B (zh) 一种基于目标空间分布特征的无人机航拍车辆检测方法
CN116758732A (zh) 雾计算环境下的交叉路口车辆检测和公交优先通行方法
CN116543228A (zh) 一种基于单阶段网络的红外图像车辆检测方法
Prasad et al. HOG, LBP and SVM based traffic density estimation at intersection
CN114140672A (zh) 一种应用于雨雪天气场景下多传感器数据融合的目标检测网络系统及方法
CN114267025A (zh) 基于高分辨率网络与轻量注意力机制的交通标志检测方法
Li et al. Vehicle and pedestrian detection method based on improved YOLOv4-tiny
CN117456449B (zh) 一种基于特定信息的高效跨模态人群计数方法
CN112085767B (zh) 一种基于深度光流跟踪的客流统计方法及系统
CN117576149A (zh) 一种基于注意力机制的单目标跟踪方法
CN117237411A (zh) 一种基于深度学习的行人多目标跟踪方法
CN115331460B (zh) 一种基于深度强化学习的大规模交通信号控制方法及装置
CN116363610A (zh) 一种基于改进YOLOv5的航拍车辆旋转目标检测方法
CN115731517A (zh) 一种基于Crowd-RetinaNet网络的拥挤人群检测方法
Rosende et al. Optimization algorithm to reduce training time for deep learning computer vision algorithms using large image datasets with tiny objects
Tian et al. Lightweight dual-task networks for crowd counting in aerial images
CN113361375A (zh) 一种基于改进BiFPN的车辆目标识别方法
Zeng et al. Multi-task panoramic driving perception algorithm based on improved YOLOv5
Chen et al. An improved network for pedestrian-vehicle detection based on YOLOv7
CN112651379B (zh) 一种基于深度学习的单车道拥堵检测方法

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