【技术实现步骤摘要】
一种基于图像自学习的车辆排队消散时间预测方法
本专利技术涉及智能交通
,尤其是涉及一种基于图像自学习的车辆排队消散时间预测方法。
技术介绍
信号动态配时的目的在于均衡各个方向的进口道流量比,从而确保在一个绿灯周期将排队等候车辆放行完毕,因此,需要准确地对车辆排队消散时间进行预测,以保证信号控制的有效性、提高交叉口通行效率,而车辆排队消散时间的预测,通常是基于交叉口的信号感知,其关键在于对各个进口道排队状态的感知。传统的交叉口信号感知主要利用电磁感应线圈,由于线圈需要对路面进行切割,而雨水渗透和车辆碾压则容易导致线圈发生破损,因此,采用电磁感应线圈感知交叉口信号的方法存在可靠性差、难以维修的缺点,此外,线圈感应实质上是一种点式感知,其感知范围有限,无法获取交叉口的所有信号。随着人工智能的发展,以图像分析为代表的视频采集技术得到广泛应用,有效地改变了以往视频图像仅做管理参考而无法提取有效信息的局面,且视频设备安装方式灵活,探测范围大,本专利技术考虑利用视频图像以获取交叉口信号,通过训练样本、修正模型,从而对车辆排队情况进行分析,最终实现准确预测车辆排队消散时间的目的。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图像自学习的车辆排队消散时间预测方法。本专利技术的目的可以通过以下技术方案来实现:一种基于图像自学习的车辆排队消散时间预测方法,包括以下步骤:S1、预先设置进口道各个车道的分析区域;S2、基于进口道各个车道的分析区 ...
【技术保护点】
1.一种基于图像自学习的车辆排队消散时间预测方法,其特征在于,包括以下步骤:/nS1、预先设置进口道各个车道的分析区域;/nS2、基于进口道各个车道的分析区域,在预设拍照时刻,通过布设在进口道的视频采集设备,采集进口道图像;/nS3、对进口道图像进行图像分割,从进口道图像中划分出各个车道,得到各个车道对应的车道图像;/nS4、建立自学习神经网络,由自学习神经网络对车道图像进行分析,得到车道的车辆排队消散预测时间;/nS5、获取车道的车辆排队消散实际时间;/nS6、将车道的车辆排队消散预测时间与对应的车辆排队消散实际时间进行作差计算,得到车道对应的预测差值;/nS7、判断车道对应的预测差值是否均小于第一预设阈值,若判断为是,则不记录车道图像,返回步骤S2,开始预测下一周期的车辆排队消散时间,否则执行步骤S8;/nS8、将车道图像和对应的车辆排队消散实际时间加入到对应的样本关系库,根据样本关系库,重新训练步骤S4的自学习神经网络,之后将步骤S4中自学习神经网络更新替换为训练好的自学习神经网络,以对车道图像进行分析,得到车道的车辆排队消散预测时间。/n
【技术特征摘要】
1.一种基于图像自学习的车辆排队消散时间预测方法,其特征在于,包括以下步骤:
S1、预先设置进口道各个车道的分析区域;
S2、基于进口道各个车道的分析区域,在预设拍照时刻,通过布设在进口道的视频采集设备,采集进口道图像;
S3、对进口道图像进行图像分割,从进口道图像中划分出各个车道,得到各个车道对应的车道图像;
S4、建立自学习神经网络,由自学习神经网络对车道图像进行分析,得到车道的车辆排队消散预测时间;
S5、获取车道的车辆排队消散实际时间;
S6、将车道的车辆排队消散预测时间与对应的车辆排队消散实际时间进行作差计算,得到车道对应的预测差值;
S7、判断车道对应的预测差值是否均小于第一预设阈值,若判断为是,则不记录车道图像,返回步骤S2,开始预测下一周期的车辆排队消散时间,否则执行步骤S8;
S8、将车道图像和对应的车辆排队消散实际时间加入到对应的样本关系库,根据样本关系库,重新训练步骤S4的自学习神经网络,之后将步骤S4中自学习神经网络更新替换为训练好的自学习神经网络,以对车道图像进行分析,得到车道的车辆排队消散预测时间。
2.根据权利要求1所述的一种基于图像自学习的车辆排队消散时间预测方法,其特征在于,所述步骤S1中分析区域具体为:
Lkn=3600αl(Gkn-lkn)Skn
式中,Lkn为进口道k的车道n的分析区域长度,α为二流理论系数,用于对分析区域长度进行修正,l为车头间距,Gkn为进口道k的车道n对应的绿灯显示时间,lkn为进口道k的车道n对应的车头损失时间,Skn为进口道k的车道n的饱和流率。
3.根据权利要求1所述的一种基于图像自学习的车辆排队消散时间预测方法,其特征在于,所述步骤S2中预设拍照时刻为信号灯转换为绿灯的时刻。
4.根据权利要求1所述的一种基于图像自学习的车辆排队消散时间预测方法,其特征在于,所述步骤S4具体包括以下步骤:
S41、建立包括最大值池化层、卷积层和全连接层的自学习神经网络;
S42、由最大值池化的矩阵窗口在车道图像中滑动,保留矩阵窗口中像素值最大的像素,对车道图像进行降维处理;
S43、利用卷积层的卷积核提取车道图像的特征;
S44、通过全连接层将提取的车道图像特征进行综合,以输出车道对应的车辆排队消散预测时间。
5.根据权利要求1所述的一种基于图像自学习的车辆排队消散时间预测方法,其特征在于,所述步骤S5具体包括以下步骤:
S51、从车道对应信号灯的绿灯计时开始,判断剩余绿灯时间是否小于或等于第一预设时间,若判断为是,则执行步骤S52,否则执行步骤S53;
S52、结束车道此次车辆排队消散实际时间的获取;
S53、获取车道停车线位置的车头时距,并判断车头时距是否大于或等于第二预设时间,若判断为是,则执行步骤S54,否则返回步骤S51;
S54、将绿灯计时开始时刻至当前时刻的时间差作为车道的车辆排队消散实际时间。
6.根据权利要求5所述的一种基于图像自学习的车辆排队消散时间预测方法,其特征在于,所述步骤S...
【专利技术属性】
技术研发人员:应沛然,曾小清,伍超扬,
申请(专利权)人:同济大学,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。