一种基于深度学习的红绿灯切换方法及系统技术方案

本发明专利技术公开了一种基于深度学习的红绿灯切换方法及系统，该方法包括步骤：S11.获取监控拍摄到的当前视频信息中的一帧图像；S12.将获取到的图像通过预先训练好的算法模型计算红绿灯时长；S13.根据计算得到的红绿灯时长控制路口红绿灯的切换。本发明专利技术利用路口监控获取的图像结合预先训练好的算法模型得到路口最佳红绿灯时长来控制红绿灯的切换，有效提高交通运行效率，减缓拥堵现象，具有成本低，检测准确，可靠性高的特点。

【技术实现步骤摘要】
一种基于深度学习的红绿灯切换方法及系统
本专利技术涉及交通控制
，尤其涉及一种基于深度学习的红绿灯切换方法及系统。
技术介绍
现在城市道路交通压力很大。虽然道路条件和交通信号设施有了很大改善，但是，行车难的问题仍然是城市道路交通的主要问题。塞车、堵车现象依然是困扰城市交通的突出问题。特别是在道路通行能力差的大城市老城区道路，塞车、堵车问题更加严重，还有就是早晚高峰，堵车的时间已经达到1小时甚至2小时。为了解决交通堵塞的问题，有的交通路口在高峰期会有执勤交警指挥交通。其目的就是让交通控制信号根据道路的实时状况进行优化调整，但是每个路口，每天24小时都有人现场指挥是不现实的，还有的就是利用地埋线圈探测器来对车辆排队长度进行检测从而来来调整交通信号灯，但是这种但是需要切割地面，安装过程复杂，还有的是借助物联网技术，通过采用“物联网网络操作系统”来调度和管理构成红绿灯物联网网络系统的检测设备和红绿灯时间，实时响应交通路口的突发事件，实现联合检测，联网处理，达到智能红绿灯控制的目的，但是这种基于物联网的自适应智能红绿灯系统需要依赖的外部设备较多，搭建过程复杂，并且也不能随时随地根据实时道路状况来控制交通信号灯，最终效果不能得到保证。公开号为CN202694579U的专利公开了一种交通信号灯动态控制系统，包括指挥控制中心主机和路口信号灯控制单元；路口信号灯控制单元与指挥控制中心主机通过GPRS网络通信连接；路口信号灯控制单元交通信号灯控制器、车辆检测器、红绿灯电路，交通信号灯控制器在每一个路口信号灯控制单元设置一套；车辆检测器在每一个交叉路口的各分支道路的禁行线后的路面下埋设一个；交通信号灯控制器包括单片机、车辆信息采集模块、红绿灯控制模块、GPRS无线传输模块、指示模块和电源模块。本技术能够根据实时车情和路况自动进行红绿灯切换时间的调整，最大限度地降低城市道路拥堵几率，保障交通畅通。虽然该方法可以根据车辆的情况对交通信号灯进行调整，但是该方法是通过在路口埋设车辆检测器来检测车辆通行的数量来进行调整，还是需要对路面进行切割埋设车辆检测器，安装过程复杂。
技术实现思路
本专利技术的目的是针对现有技术的缺陷，提供了一种基于深度学习的红绿灯切换方法及系统，利用路口监控获取的图像结合预先训练好的算法模型得到路口最佳红绿灯时长来控制红绿灯的切换，有效提高交通运行效率，减缓拥堵现象，具有成本低，检测准确，可靠性高的特点。为了实现以上目的，本专利技术采用以下技术方案：一种基于深度学习的红绿灯切换方法，包括步骤：S1.获取监控拍摄到的当前视频信息中的一帧图像；S2.将获取到的图像通过预先训练好的算法模型计算红绿灯时长；S3.根据计算得到的红绿灯时长控制路口红绿灯的切换。进一步的，所述预先训练好的算法模型的主要结构为mobilenet。进一步的，所述预先训练好的算法模型采用平方和损失作为目标函数进行训练。进一步的，所述预先训练好的算法模型建立的具体过程为：A1.将准备好的训练数据集导入模型进行训练；A2.通过适当的训练次数和调参使模型的目标函数的结果达到最低，训练完毕；A3.将训练好的模型利用准备好的测试数据集进行测试并计算测试结果的准确率；A4.若所述测试结果的准确率达到预设准确率则所述预先训练好的算法模型完成建立。进一步的，所述步骤S1之后步骤S2之前还包括步骤：对获取到的图像进行图像预处理。相应的，还提供一种基于深度学习的红绿灯切换系统，包括：获取模块，用于获取监控拍摄到的当前视频信息中的一帧图像；计算模块，用于将获取到的图像通过预先训练好的算法模型计算红绿灯时长；控制模块，用于根据计算得到的红绿灯时长控制路口红绿灯的切换。进一步的，所述预先训练好的算法模型的主要结构为mobilenet。进一步的，所述预先训练好的算法模型采用平方和损失作为目标函数进行训练。进一步的，所述预先训练好的算法模型建立的具体过程为：A1.将准备好的训练数据集导入模型进行训练；A2.通过适当的训练次数和调参使模型的目标函数的结果达到最低，训练完毕；A3.将训练好的模型利用准备好的测试数据集进行测试并计算测试结果的准确率；A4.若所述测试结果的准确率达到预设准确率则所述预先训练好的算法模型完成建立。进一步的，还包括：预处理模块，用于对获取到的图像进行图像预处理。与现有技术相比，本专利技术具有以下优点：(1)本专利技术通过利用路口监控获取的图像结合预先训练好的算法模型得到路口最佳红绿灯时长来控制红绿灯的切换，有效提高交通运行效率，减缓拥堵现象。(2)本专利技术只需借助交通路口现有的监控设备而无需依赖其他的外部设备，使用方便并且不会增加额外成本。(3)本专利技术的预先训练好的算法模型是需要经过测试数据集测试达到一定的准确率得到的，因此计算出的红绿灯时长可靠性高。附图说明图1是实施例一提供的一种基于深度学习的红绿灯切换方法流程图；图2是实施例一提供的一种基于深度学习的红绿灯切换系统结构图；图3是实施例二提供的一种基于深度学习的红绿灯切换方法流程图；图4是实施例二提供的一种基于深度学习的红绿灯切换系统结构图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本专利技术主要的着力点在于改善拥堵的城市交通，提供了一种基于深度学习的红绿灯切换方法及系统，利用路口监控获取的图像结合预先训练好的算法模型得到路口最佳红绿灯时长来控制红绿灯的切换，有效提高交通运行效率，减缓拥堵现象，具有成本低，检测准确，可靠性高的特点。实施例一本实施例提供一种基于深度学习的红绿灯切换方法，如图1所示，包括步骤：S11.获取监控拍摄到的当前视频信息中的一帧图像；S12.将获取到的图像通过预先训练好的算法模型计算红绿灯时长；S13.根据计算得到的红绿灯时长控制路口红绿灯的切换。本实施例的基于深度学习的红绿灯切换方法的执行主体为红绿灯控制系统中的主控设备，所述主控设备为计算机，所述步骤S11至步骤S13都是计算机中的算法实现软件来完成。需要说明的是，所述的预先训练好的算法模型是通过预先的训练和测试后才进行使用的，所述预先训练好的算法模型会预先移植在各个路口的红绿灯控制系统的主控设备(计算机)中。考虑到模型的轻量型和实用性，在本实施例中所述预先训练好的算法模型的主要结构为mobilenet，需要说明的是，mobilenet(EfficientConvolutionalNeuralNetworksforMobileVisionApplications)是一种轻量化卷积神经网络，mobilenet引入了传统网络中原先采用的group思想，即限制滤波器的卷积计算只针对特定的group中的输入，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的红绿灯切换方法，其特征在于，包括步骤：S1.获取监控拍摄到的当前视频信息中的一帧图像；S2.将获取到的图像通过预先训练好的算法模型计算红绿灯时长；S3.根据计算得到的红绿灯时长控制路口红绿灯的切换。

【技术特征摘要】
1.一种基于深度学习的红绿灯切换方法，其特征在于，包括步骤：S1.获取监控拍摄到的当前视频信息中的一帧图像；S2.将获取到的图像通过预先训练好的算法模型计算红绿灯时长；S3.根据计算得到的红绿灯时长控制路口红绿灯的切换。2.根据权利要求1所述的一种基于深度学习的红绿灯切换方法，其特征在于，所述预先训练好的算法模型的主要结构为mobilenet。3.根据权利要求1所述的一种基于深度学习的红绿灯切换方法，其特征在于，所述预先训练好的算法模型采用平方和损失作为目标函数进行训练。4.根据权利要求3所述的一种基于深度学习的红绿灯切换方法，其特征在于，所述预先训练好的算法模型建立的具体过程为：A1.将准备好的训练数据集导入模型进行训练；A2.通过适当的训练次数和调参使模型的目标函数的结果达到最低，训练完毕；A3.将训练好的模型利用准备好的测试数据集进行测试并计算测试结果的准确率；A4.若所述测试结果的准确率达到预设准确率则所述预先训练好的算法模型完成建立。5.根据权利要求1所述的一种基于深度学习的红绿灯切换方法，其特征在于，所述步骤S1之后步骤S2之前还包括步骤：对获取到的图像进行图像预处理。6...

【专利技术属性】
技术研发人员：赵阳，
申请(专利权)人：上海斐讯数据通信技术有限公司，
类型：发明
国别省市：上海,31