一种基于视觉分析的交通管理方法及系统
技术领域
本发明涉及交通管理领域,特别是一种基于视觉分析的交通管理方法及系统。
背景技术
现有交通管理通常是交警根据以往的经验对以往交通拥堵的地点进行交通指挥,或者是在交通发生拥堵之后,根据摄像头获取到交通信息拥堵,并进行交通拥堵的处理;在交通事故处理过程中,通常为交通事故发生以后,通过事故责任人或者事故发生人进行报警信息获得交通事故的处理方案;因此交警人员获取到的交通信息都是滞后的,因此如何针对现有的交通数据进行分析,从而识别出交通事故的现场信息,并实时预警和监控提升交通管理的效率是现阶段丞待解决的技术问题。
发明内容
本发明的目的是为了解决上述问题,设计了一种基于视觉分析的交通管理方法及系统。
实现上述目的本发明的技术方案为,进一步,在上述一种基于视觉分析的交通管理方法中,所述交通管理方法包括以下步骤:
获取交通管理系统中的历史交通状况数据,对历史交通状况数据进行数据预处理,得到训练交通状况数据和测试交通状况数据;
建立YOLOv5交通实时状况检测模型,改变所述YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,在所述YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,得到YOLOv5交通实时状况检测模型;
将所述训练交通状况数据输入至所述YOLOv5交通实时状况检测模型中进行训练,得到初始YOLOv5交通实时状况检测模型,将所述测试交通状况数据输入至所述初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型;
获取交通管理系统中的实时交通状况数据,将实时交通状况数据进行数据处理后输入至目标YOLOv5交通实时状况检测模型中进行识别,得到实时交通状况;
若所述实时交通状况为十字交叉路口交通拥堵,则根据所述十字交叉路口交通拥堵生成十字交叉路口的红绿灯信号控制指令,将所述红绿灯信号控制指令输入至信号灯控制中心对十字交叉路口的红绿灯进行实时控制;
若所述实时交通状况为车祸引起的交通拥堵,则获取车祸引起的交通拥堵的实时图像数据,将所述实时图像数据输入至所述交通管理系统中进行预警。
进一步,在上述交通管理方法中,所述获取交通管理系统中的历史交通状况数据,对历史交通状况数据进行数据预处理,得到训练交通状况数据和测试交通状况数据,包括:
获取交通管理系统中的历史交通状况数据,所述历史交通状况数据至少包括道路交通图像数据、公关交通图像数据、道路交通运行图像数据、地面公交运行图像数据、信号灯图像数据、单行线图像数据、禁行线图像数据、轨道交通运行数据、出租车运行数据、城市规划及交通规划数据;
利用Mosaic四图拼接和Rectangular矩形训练法对历史交通状况数据进行图像增强,得到增强交通状况数据;
利用最大归一化对所述增强交通状况数据进行归一化处理,将所述增强交通状况数据的原始序列进行线性变换,得到交通状况数据集;
随机抽取所述交通状况数据集中80%的数据,得到训练交通状况数据集,剩余20%为测试交通状况数据集。
进一步,在上述交通管理方法中,所述建立YOLOv5交通实时状况检测模型,改变所述YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,在所述YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,得到YOLOv5交通实时状况检测模型,包括:
建立YOLOv5交通实时状况检测模型,改变所述YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,将原始网络特征提取操作提前进行;
从所述YOLOv5交通实时状况检测模型的Backbone结构的第一个C3模块开始提取目标特征,并横向融合到所述YOLOv5交通实时状况检测模型的Neck层相同尺度的特征层上;
在所述YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,并重构检测目标与背景信息的特征权重;
在所述YOLOv5交通实时状况检测模型的head端中加入上下文特征融合结构,所述下文特征融合结构对head端中3个用来预测目标的特征图进行融合;
使用转置卷积变换最深层和次深层特征的宽高尺度,并将两者的通道尺度设置为浅层特征通道尺度的一半,作为上下文信息与浅层特征拼接进行特征融合,得到YOLOv5交通实时状况检测模型。
进一步,在上述交通管理方法中,所述将所述训练交通状况数据输入至所述YOLOv5交通实时状况检测模型中进行训练,得到初始YOLOv5交通实时状况检测模型,将所述测试交通状况数据输入至所述初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型,包括:
将所述训练交通状况数据输入至所述YOLOv5交通实时状况检测模型中进行训练;
利用RGC_SFLA算法解码获取最优权值和阈值,利用所述最优权值和阈值进行随机编码;
对随机训练历史检测信息进行迭代训练,采用MAP平均精度均值作为初始YOLOv5交通实时状况检测模型的评价标准,得到初始YOLOv5交通实时状况检测模型;
将所述测试交通状况数据输入至所述初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型。
进一步,在上述交通管理方法中,所述获取交通管理系统中的实时交通状况数据,将实时交通状况数据进行数据处理后输入至目标YOLOv5交通实时状况检测模型中进行识别,得到实时交通状况,包括:
获取交通管理系统中的实时交通状况数据,所述实时交通状况数据至少包括通过图像采集装置获取的实时交通状况数据;
对所述实时交通状况数据进行数据预处理,得到目标实时交通状况数据;
将所述目标实时交通状况数据输入至目标YOLOv5交通实时状况检测模型中进行识别,得到实时交通状况;
所述实时交通状况至少包括十字交叉路口交通拥堵、车祸引起的交通拥堵、人流量引起的交通拥堵、车流量引起的交通拥堵。
进一步,在上述交通管理方法中,所述若所述实时交通状况为十字交叉路口交通拥堵,则根据所述十字交叉路口交通拥堵生成十字交叉路口的红绿灯信号控制指令,将所述红绿灯信号控制指令输入至信号灯控制中心对十字交叉路口的红绿灯进行实时控制,包括;
若所述实时交通状况为十字交叉路口交通拥堵,则根据所述十字交叉路口交通拥堵生成十字交叉路口的红绿灯信号控制指令;
所述红绿灯信号控制指令用于调节十字交叉路口的红绿灯信号时间,若交通拥堵时间大于15min,则调整红灯时间为1min,绿灯时间为2min,若交通拥堵时间大于30min,则调整红灯时间为3min,绿灯时间为2min;
将所述红绿灯信号控制指令输入至信号灯控制中心对十字交叉路口的红绿灯进行实时控制;
若十字交叉路口交通拥堵时间大于45min,则对交通管理系统进预警,并通知附近的交通指挥人员;
获取十字交叉路口控制后的红绿灯的目标交通状况数据,根据目标交通状况数据判断交通拥堵状况是否有改善;
若交通拥堵状况没有改善,则将目标交通状况数据发送至管理人员的移动终端。
进一步,在上述交通管理方法中,所述若所述实时交通状况为车祸引起的交通拥堵,则获取车祸引起的交通拥堵的实时图像数据,将所述实时图像数据输入至所述交通管理系统中进行预警,包括:
若所述实时交通状况为车祸引起的交通拥堵,则获取车祸引起的交通拥堵的实时图像数据,将所述实时图像数据输入至所述交通管理系统中进行预警;
获取区域中所有车祸引起的交通拥堵位置,利用图像采集装置对月平均车祸大于1次的交通拥堵位置进行重点监控;
对月平均车祸大于3次的交通拥堵位置进行交通管理人员安排,并利用图像采集装置交通拥堵位置进行重点监控;所述交通拥堵位置包括由于车祸、人流量、车流量引起的交通拥堵位置。
实现上述目的本发明的技术方案为,进一步,在上述一种基于视觉分析的交通管理系统中,所述交通管理系统,包括:
数据获取模块,用于获取交通管理系统中的历史交通状况数据,对历史交通状况数据进行数据预处理,得到训练交通状况数据和测试交通状况数据;
模型建立模块,用于建立YOLOv5交通实时状况检测模型,改变所述YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,在所述YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,得到YOLOv5交通实时状况检测模型;
模型训练模块,用于将所述训练交通状况数据输入至所述YOLOv5交通实时状况检测模型中进行训练,得到初始YOLOv5交通实时状况检测模型,将所述测试交通状况数据输入至所述初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型;
交通识别模块,用于获取交通管理系统中的实时交通状况数据,将实时交通状况数据进行数据处理后输入至目标YOLOv5交通实时状况检测模型中进行识别,得到实时交通状况;
交通管理模块,用于若所述实时交通状况为十字交叉路口交通拥堵,则根据所述十字交叉路口交通拥堵生成十字交叉路口的红绿灯信号控制指令,将所述红绿灯信号控制指令输入至信号灯控制中心对十字交叉路口的红绿灯进行实时控制;
交通预警模块,用于若所述实时交通状况为车祸引起的交通拥堵,则获取车祸引起的交通拥堵的实时图像数据,将所述实时图像数据输入至所述交通管理系统中进行预警。
进一步,在上述一种基于视觉分析的交通管理系统中,所述模型建立模块包括以下子模块;
建立子模块,用于建立YOLOv5交通实时状况检测模型,改变所述YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,将原始网络特征提取操作提前进行;
特征子模块,用于从所述YOLOv5交通实时状况检测模型的Backbone结构的第一个C3模块开始提取目标特征,并横向融合到所述YOLOv5交通实时状况检测模型的Neck层相同尺度的特征层上;
引入子模块,用于在所述YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,并重构检测目标与背景信息的特征权重;
融合子模块,用于在所述YOLOv5交通实时状况检测模型的head端中加入上下文特征融合结构,所述下文特征融合结构对head端中3个用来预测目标的特征图进行融合;
得到子模块,用于使用转置卷积变换最深层和次深层特征的宽高尺度,并将两者的通道尺度设置为浅层特征通道尺度的一半,作为上下文信息与浅层特征拼接进行特征融合,得到YOLOv5交通实时状况检测模型。
进一步,在上述一种基于视觉分析的交通管理系统中,所述模型训练模块包括以下子模块;
训练子模块,用于将所述训练交通状况数据输入至所述YOLOv5交通实时状况检测模型中进行训练;
随机子模块,用于利用RGC_SFLA算法解码获取最优权值和阈值,利用所述最优权值和阈值进行随机编码;
迭代子模块,用于对随机训练历史检测信息进行迭代训练,采用MAP平均精度均值作为初始YOLOv5交通实时状况检测模型的评价标准,得到初始YOLOv5交通实时状况检测模型;
测试子模块,用于将所述测试交通状况数据输入至所述初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型。
其有益效果在于,通过获取交通管理系统中的历史交通状况数据,对历史交通状况数据进行数据预处理,得到训练交通状况数据和测试交通状况数据;建立YOLOv5交通实时状况检测模型,改变所述YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,在所述YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,得到YOLOv5交通实时状况检测模型;将所述训练交通状况数据输入至所述YOLOv5交通实时状况检测模型中进行训练,得到初始YOLOv5交通实时状况检测模型,将所述测试交通状况数据输入至所述初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型;获取交通管理系统中的实时交通状况数据,将实时交通状况数据进行数据处理后输入至目标YOLOv5交通实时状况检测模型中进行识别,得到实时交通状况;若所述实时交通状况为十字交叉路口交通拥堵,则根据所述十字交叉路口交通拥堵生成十字交叉路口的红绿灯信号控制指令,将所述红绿灯信号控制指令输入至信号灯控制中心对十字交叉路口的红绿灯进行实时控制;若所述实时交通状况为车祸引起的交通拥堵,则获取车祸引起的交通拥堵的实时图像数据,将所述实时图像数据输入至所述交通管理系统中进行预警。可以在及时对交通拥堵情况进行智能化疏通,一般交通拥堵不需要交警参与即可自动识别并进行控制,对交通事故出现的交通拥堵情况及时预警,减少二次伤害,对经常拥堵的地方进行监控有效提升交通管理效率,减少人力物力的投入。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例中一种基于视觉分析的交通管理方法的第一个实施例示意图;
图2为本发明实施例中一种基于视觉分析的交通管理方法的第二个实施例示意图;
图3为本发明实施例中一种基于视觉分析的交通管理方法的第三个实施例示意图;
图4为本发明实施例中一种基于视觉分析的交通管理系统的第一个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“所述”也可包括复数形式。应所述进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述,如图1所示,一种基于视觉分析的交通管理方法,交通管理方法包括以下步骤:
步骤101、获取交通管理系统中的历史交通状况数据,对历史交通状况数据进行数据预处理,得到训练交通状况数据和测试交通状况数据;
具体的,本实施例中获取交通管理系统中的历史交通状况数据,历史交通状况数据至少包括道路交通图像数据、公关交通图像数据、道路交通运行图像数据、地面公交运行图像数据、信号灯图像数据、单行线图像数据、禁行线图像数据、轨道交通运行数据、出租车运行数据、城市规划及交通规划数据;利用Mosaic四图拼接和Rectangular矩形训练法对历史交通状况数据进行图像增强,得到增强交通状况数据;利用最大归一化对增强交通状况数据进行归一化处理,将增强交通状况数据的原始序列进行线性变换,得到交通状况数据集;随机抽取交通状况数据集中80%的数据,得到训练交通状况数据集,剩余20%为测试交通状况数据集。
道路交通数据:城市道路、匝道、高速公路、公路桥梁、国道、省道、隧道、县道、快速路、桥梁、人行地下通道、人行过街天桥;
公关交通数据:公交线路、站点、场站基础信息;轨道交通线路、站点、站区基础信息;公共自行车停车点基础信息;
停车设施数据:配建、路侧、路内、公共停车、P+R 等停车位有关的基础数据和空间信息;
道路交通运行数据:车辆 GPS、LBS 数据、交调设备等数据;
交通管理数据:信号灯数据、单行线数据、禁行线数据;
地面公交运行数据:基于公交刷卡数据、地面公交 GPS 数据等计算的客运量、运行车速、运行班次、发车间隔、乘降量;
轨道交通运行数据:轨道交通全日分时最大断面客流量、满载率;轨道交通各站点全日分时进站、出站客流量、换乘客流量;
出租车(含网约车)运行数据:运次、客运量、平均运距、载客时间、行驶速度、里程利用率、平均空驶里程;
长途客运运行:各客运站进京、出京客运量;各客运站进京、出京班次;
城市规划及交通规划数据:城市总体规划、控制性详细规划、道路交通规划、轨道交通规划、公交枢纽及站场规划、停车规划、人行设施规划;
城市社会经济管理现状数据:社会与经济数据、人口和就业岗位数据、土地利用数据。数据源为城市统计年鉴、城市规划资料、人口普查资料、经济普查资料。
步骤102、建立YOLOv5交通实时状况检测模型,改变YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,在YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,得到YOLOv5交通实时状况检测模型;
具体的,本实施例中建立YOLOv5交通实时状况检测模型,改变YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,将原始网络特征提取操作提前进行;从YOLOv5交通实时状况检测模型的Backbone结构的第一个C3模块开始提取目标特征,并横向融合到YOLOv5交通实时状况检测模型的Neck层相同尺度的特征层上;在YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,并重构检测目标与背景信息的特征权重;在YOLOv5交通实时状况检测模型的head端中加入上下文特征融合结构,下文特征融合结构对head端中3个用来预测目标的特征图进行融合;使用转置卷积变换最深层和次深层特征的宽高尺度,并将两者的通道尺度设置为浅层特征通道尺度的一半,作为上下文信息与浅层特征拼接进行特征融合,得到YOLOv5交通实时状况检测模型。
步骤103、将训练交通状况数据输入至YOLOv5交通实时状况检测模型中进行训练,得到初始YOLOv5交通实时状况检测模型,将测试交通状况数据输入至初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型;
具体的,本实施例中将训练交通状况数据输入至YOLOv5交通实时状况检测模型中进行训练;利用RGC_SFLA算法解码获取最优权值和阈值,利用最优权值和阈值进行随机编码;对随机训练历史检测信息进行迭代训练,采用MAP平均精度均值作为初始YOLOv5交通实时状况检测模型的评价标准,得到初始YOLOv5交通实时状况检测模型;将测试交通状况数据输入至初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型。
步骤104、获取交通管理系统中的实时交通状况数据,将实时交通状况数据进行数据处理后输入至目标YOLOv5交通实时状况检测模型中进行识别,得到实时交通状况;
具体的,本实施例中获取交通管理系统中的实时交通状况数据,实时交通状况数据至少包括通过图像采集装置获取的实时交通状况数据;对实时交通状况数据进行数据预处理,得到目标实时交通状况数据;将目标实时交通状况数据输入至目标YOLOv5交通实时状况检测模型中进行识别,得到实时交通状况;实时交通状况至少包括十字交叉路口交通拥堵、车祸引起的交通拥堵、人流量引起的交通拥堵、车流量引起的交通拥堵。
步骤105、若实时交通状况为十字交叉路口交通拥堵,则根据十字交叉路口交通拥堵生成十字交叉路口的红绿灯信号控制指令,将红绿灯信号控制指令输入至信号灯控制中心对十字交叉路口的红绿灯进行实时控制;
具体的,本实施例中若实时交通状况为十字交叉路口交通拥堵,则根据十字交叉路口交通拥堵生成十字交叉路口的红绿灯信号控制指令;红绿灯信号控制指令用于调节十字交叉路口的红绿灯信号时间,若交通拥堵时间大于15min,则调整红灯时间为1min,绿灯时间为2min,若交通拥堵时间大于30min,则调整红灯时间为3min,绿灯时间为2min;将红绿灯信号控制指令输入至信号灯控制中心对十字交叉路口的红绿灯进行实时控制;若十字交叉路口交通拥堵时间大于45min,则对交通管理系统进预警,并通知附近的交通指挥人员;获取十字交叉路口控制后的红绿灯的目标交通状况数据,根据目标交通状况数据判断交通拥堵状况是否有改善;若交通拥堵状况没有改善,则将目标交通状况数据发送至管理人员的移动终端。
步骤106、若实时交通状况为车祸引起的交通拥堵,则获取车祸引起的交通拥堵的实时图像数据,将实时图像数据输入至交通管理系统中进行预警。
具体的,本实施例中若实时交通状况为车祸引起的交通拥堵,则获取车祸引起的交通拥堵的实时图像数据,将实时图像数据输入至交通管理系统中进行预警;获取区域中所有车祸引起的交通拥堵位置,利用图像采集装置对月平均车祸大于1次的交通拥堵位置进行重点监控;对月平均车祸大于3次的交通拥堵位置进行交通管理人员安排,并利用图像采集装置交通拥堵位置进行重点监控;交通拥堵位置包括由于车祸、人流量、车流量引起的交通拥堵位置。
其有益效果在于,可以在及时对交通拥堵情况进行智能化疏通,一般交通拥堵不需要交警参与即可自动识别并进行控制,对交通事故出现的交通拥堵情况及时预警,减少二次伤害,对经常拥堵的地方进行监控有效提升交通管理效率,减少人力物力的投入。
本实施例中,请参阅图2,本发明实施例中一种基于视觉分析的交通管理方法的第二个实施例,建立YOLOv5交通实时状况检测模型,改变YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,在YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,得到YOLOv5交通实时状况检测模型包括以下步骤:
步骤201、建立YOLOv5交通实时状况检测模型,改变YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,将原始网络特征提取操作提前进行;
步骤202、从YOLOv5交通实时状况检测模型的Backbone结构的第一个C3模块开始提取目标特征,并横向融合到YOLOv5交通实时状况检测模型的Neck层相同尺度的特征层上;
步骤203、在YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,并重构检测目标与背景信息的特征权重;
步骤204、在YOLOv5交通实时状况检测模型的head端中加入上下文特征融合结构,下文特征融合结构对head端中3个用来预测目标的特征图进行融合;
步骤205、使用转置卷积变换最深层和次深层特征的宽高尺度,并将两者的通道尺度设置为浅层特征通道尺度的一半,作为上下文信息与浅层特征拼接进行特征融合,得到YOLOv5交通实时状况检测模型。
本实施例中,请参阅图3,本发明实施例中一种基于视觉分析的交通管理方法的第三个实施例,将训练交通状况数据输入至YOLOv5交通实时状况检测模型中进行训练,得到初始YOLOv5交通实时状况检测模型,将测试交通状况数据输入至初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型包括以下步骤:
步骤301、将训练交通状况数据输入至YOLOv5交通实时状况检测模型中进行训练;
步骤302、利用RGC_SFLA算法解码获取最优权值和阈值,利用最优权值和阈值进行随机编码;
步骤303、对随机训练历史检测信息进行迭代训练,采用MAP平均精度均值作为初始YOLOv5交通实时状况检测模型的评价标准,得到初始YOLOv5交通实时状况检测模型;
步骤304、将测试交通状况数据输入至初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型。
上面对本发明实施例提供的一种基于视觉分析的交通管理方法进行了描述,下面对本发明实施例的一种基于视觉分析的交通管理系统进行描述,请参阅图4,本发明实施例中交通管理系统一个实施例包括:
数据获取模块,用于获取交通管理系统中的历史交通状况数据,对历史交通状况数据进行数据预处理,得到训练交通状况数据和测试交通状况数据;
模型建立模块,用于建立YOLOv5交通实时状况检测模型,改变YOLOv5交通实时状况检测模型中Backbone部分的特征提取结构,在YOLOv5交通实时状况检测模型的SPPF结构后引入CA注意力机制,得到YOLOv5交通实时状况检测模型;
模型训练模块,用于将训练交通状况数据输入至YOLOv5交通实时状况检测模型中进行训练,得到初始YOLOv5交通实时状况检测模型,将测试交通状况数据输入至初始YOLOv5交通实时状况检测模型中进行测试,得到目标YOLOv5交通实时状况检测模型;
交通识别模块,用于获取交通管理系统中的实时交通状况数据,将实时交通状况数据进行数据处理后输入至目标YOLOv5交通实时状况检测模型中进行识别,得到实时交通状况;
交通管理模块,用于若实时交通状况为十字交叉路口交通拥堵,则根据十字交叉路口交通拥堵生成十字交叉路口的红绿灯信号控制指令,将红绿灯信号控制指令输入至信号灯控制中心对十字交叉路口的红绿灯进行实时控制;
交通预警模块,用于若实时交通状况为车祸引起的交通拥堵,则获取车祸引起的交通拥堵的实时图像数据,将实时图像数据输入至交通管理系统中进行预警。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变和改进,这些变和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。