一种基于图像自学习的车辆排队消散时间预测方法技术

本发明专利技术涉及一种基于图像自学习的车辆排队消散时间预测方法，包括：S1、预设进口道各个车道的分析区域；S2、采集进口道图像；S3、由进口道图像分割出车道图像；S4、自学习神经网络对车道图像进行分析，得到车辆排队消散预测时间；S5、获取车辆排队消散实际时间；S6、计算排队消散预测时间与实际时间之间的预测差值；S7、判断预测差值是否均小于第一预设阈值，若判断为是，则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、将车道图像和排队消散实际时间加入到样本关系库，重新训练并更新步骤S4的自学习神经网络。与现有技术相比，本发明专利技术通过图像自学习，实现预测模型进化，能够准确预测车辆排队消散时间。

A prediction method of vehicle queue dissipation time based on image self-learning

【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。进一步地，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。进一步地，所述步骤S2中预设拍照时刻为信号灯转换为绿灯的时刻。进一步地，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。进一步地，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。进一步地，所述步骤S53中获取车道停车线位置的车头时距具体包括以下步骤：S531、计算停车线上像素的灰度值A(x,y)与背景像素的灰度值B(x,y)之差，并进行二值化：式中，H(x,y)为点(x,y)处二值化结果，取值为0或1，β为二值化阈值，取值范围(0,1)；之后计算灰度值之差超过β的比例M:若比例M大于或等于第二预设阈值，则执行步骤S532，否则执行步骤S533；S532、当前时刻没有车辆经过停车线，需要重新执行步骤S531；S533、当前时刻有车辆经过停车线，执行步骤S534，以作进一步判断；S534、判断前一时刻是否有车辆经过，如果有车辆经过，则执行步骤S531，否则执行步骤S535；S535、记录当前时刻；S536、将相邻车辆前后经过停车线的时间差作为车头时距。进一步地，所述步骤S8中重新训练步骤S4的自学习神经网络具体是对自学习神经网络中的全连接层进行重新计算，包括以下步骤：S81、将第i层向量ai和第i层第k组权重向量w(i,k)之间的点积，加上第i层第j个偏置b(i,j)的计算结果，输入Sigmoid激活函数f进行输出，得到a(i+1,j)：a(i+1,j)＝f(ai·w(i,k)+b(i,j))式中，a(i+1,j)为第i+1层第j个神经节点的取值；S82、将最后一层、即第n层的计算结果向量an输入到Softmax函数，计算车辆排队消散预测时间：式中，an为第n层神经节点的取值构成的向量，a(n,j)为第n层第j个神经节点的取值；之后计算误差向量δn：δn＝y-aout式中，y为车辆排队消散实际时间；S83、计算第i层第j个神经节点的误差δ(i,j)：δ(i,j)＝w(i,k,j)·δi+1式中，w(i,k,j)为第i层k组中所有第j个权重组成的向量，δi+1为第i+1层中的误差向量；S84、如果误差向量δn中取值错误的比例小于γ％，则训练结束，否则执行步骤S85；S85、根据各个神经节点的误差δ(i,j)，对权重元素w(i,k,j)进行修正，以得到修正后的权重元素w′(i,k,j)：式中，w(i,k,j)为w(i,k,j)中的一个权重元素，η为训练速度系数，a(i,j)为第i层第j个神经节点的取值；S86、返回步骤S81，应用修正后的权重元素w′(i,k,j)进行重新计算。进一步地，所述步骤S2中视频采集设备为电子警察或卡口设备或高空监控摄像头。与现有技术相比，本专利技术具有以下优点：一、本专利技术基于自学习神经网络，通过不断丰富训练样本库、对预测模型进行修正，能够有效提高车辆排队消散时间的预测精度，减小交叉口信号感知失效或者感知范围小带来的不利影响，有效解决车辆排队消散时间预测难题，根据设备实际的安装情况，自适应地更新训练样本，使模型获本文档来自技高网...

【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