交通信号灯的控制方法、装置、系统以及电子设备制造方法及图纸

本申请实施例提供一种交通信号灯的控制方法、装置、系统、电子设备以及存储介质，包括：获取交汇于同一路口的各路段的图像，基于每一路段各自对应的交通状态识别模型，对每一路段的图像进行识别处理，得到每一路段的交通拥堵属性，其中，交通拥堵属性与每一路段的交通拥堵程度相关，根据各路段的交通拥堵属性，对路口的交通信号灯的时长进行调整，通过对交汇于同一路口的各路段的交通拥堵属性进行确定，并基于各交通拥堵属性，对交通信号灯的时长进行调整的技术手段，克服了相关技术中交通信号灯控制不灵活、交通不畅通的技术问题，提高了对交通信号灯的控制的灵活性，从而实现了各车辆的顺利通行的技术效果。

【技术实现步骤摘要】
交通信号灯的控制方法、装置、系统以及电子设备
本申请实施例涉及计算机
，尤其涉及一种交通信号灯的控制方法、装置、系统、电子设备以及存储介质。
技术介绍
交通信号灯是维护交通秩序、保障交通安全和畅通的重要保障，适用于十字、丁字等交叉路口，指导车辆和行人安全有序地通行。在现有技术中，通常采用程序式控制方法和手动式控制方法，实现对交通信号灯的控制，如控制交通信号灯的切换等，其中，程序式控制方法是指，按照设定的周期编写程序，并控制交通信号灯的切换；手动式控制方法是指，行人主动按动设置于路旁的信号灯切换按钮，以使当前的交通信号灯由红灯信号切换为绿灯信号，从而使行人可以在设定的时间段内通过斑马线。在实现本申请过程中，专利技术人发现现有技术中至少存在如下问题：现有交通信号灯的控制方式不能灵活切换交通信号灯，可能会导致交通不畅的问题。
技术实现思路
本申请实施例提供一种交通信号灯的控制方法、装置、系统、电子设备以及存储介质，用以解决交通不畅的问题。第一方面，本申请实施例提供一种交通信号灯的控制方法，所述方法包括：获取交汇于同一路口的各路段的图像；基于每一路段各自对应的交通状态识别模型，对所述每一路段的图像进行识别处理，得到所述每一路段的交通拥堵属性，其中，所述交通拥堵属性与所述每一路段的交通拥堵程度相关；根据所述各路段的交通拥堵属性，对所述路口的交通信号灯的时长进行调整。在本实施例中，通过对交汇于同一路口的各路段的交通拥堵属性进行确定，并基于各交通拥堵属性，对交通信号灯的时长进行调整，可以提高对交通信号灯的控制的灵活性，从而实现各车辆的顺利通行的技术效果。在一些实施例中，基于每一路段各自对应的交通状态识别模型，对所述每一路段的图像进行识别处理，得到所述每一路段的交通拥堵属性，包括：基于所述每一路段各自对应的交通状态识别模型，确定所述每一路段的图像的像素特征，并基于所述每一路段的图像的像素特征，确定所述每一路段的交通拥堵概率；根据所述每一路段的交通拥堵概率，确定所述每一路段的交通拥堵属性。在本实施例中，每一路段的图像为包括行驶于该路段的车辆的图像，因此，基于每一路段的图像的像素特征，可以比较可靠地确定该路段的交通拥堵概率，从而实现确定出的交通拥堵属性的准确性的技术效果。在一些实施例中，交通拥堵属性包括：严重拥堵、拥堵、以及畅通；根据所述每一路段的交通拥堵概率，确定所述每一路段的交通拥堵属性，包括：若所述每一路段的交通拥堵概率小于第一预设拥堵阈值，则确定所述每一路段的交通拥堵属性为畅通；若所述每一路段的交通拥堵概率大于第一预设拥堵阈值、且小于第二预设拥堵阈值，则确定所述每一路段的交通拥堵属性为拥堵；若所述每一路段的交通拥堵概率大于第二预设拥堵阈值，则确定所述每一路段的交通拥堵属性为严重拥堵；其中，所述第一预设拥堵阈值小于所述第二预设拥堵阈值。在一些实施例中，根据所述各路段的交通拥堵属性，对所述路口的交通信号灯的时长进行调整，包括：根据所述各路段的交通拥堵属性，从预设的交通拥堵属性与交通量之间的映射关系中，确定所述每一路段的交通量；根据所述每一路段的交通量，对所述交通信号灯的时长进行调整。在一些实施例中，调整后的交通信号灯的时长，满足所述各路段的交通量为最大交通量。在本实施例中，通过基于每一路段的交通量，对交通信号灯的时长进行调整，且使得调整后的交通信号灯的时长，满足最大交通量，可以实现避免交通拥堵，提高畅通出行，提高车辆通行率的技术效果。在一些实施例中，在基于每一路段各自对应的交通状态识别模型，对所述每一路段的图像进行识别处理，得到所述每一路段的交通拥堵属性之前，所述方法还包括：针对所述每一路段，采集样本图像，其中，所述样本图像包括不同交通拥堵属性的图像；基于所述样本图像对卷积神经网络模型进行训练，生成所述每一路段各自对应的交通状态识别模型。在本实施例中，通过训练得到交通状态识别模型，并基于交通状态识别模型生成每一路段各自对应的交通拥堵属性，可以提高确定交通拥堵属性的效率的技术效果。在一些实施例中，在一些实施例中，基于所述样本图像对卷积神经网络模型进行训练，生成所述每一路段各自对应的交通状态识别模型，包括：针对所述每一路段，基于所述卷积神经网络模型，对每一样本图像的像素特征进行提取，并基于提取到的每一样本图像的像素特征，为所述每一样本图像分配权重，其中，所述每一样本图像的权重表征，所述每一样本图像对应的交通拥堵的概率；根据各样本图像的权重，对所述卷积神经网络模型的卷积参数进行调整，得到所述交通状态识别模型。第二方面，本申请实施例提供一种交通信号灯的控制装置，所述装置包括：获取模块，用于获取交汇于同一路口的各路段的图像；识别模块，用于基于每一路段各自对应的交通状态识别模型，对每一路段的图像进行识别处理，得到所述每一路段的交通拥堵属性，其中，所述交通拥堵属性与所述每一路段的交通拥堵程度相关；调整模块，用于根据所述各路段的交通拥堵属性，对所述路口的交通信号灯的时长进行调整。在一些实施例中，所述识别模块用于，基于所述每一路段各自对应的交通状态识别模型，确定所述每一路段的图像的像素特征，根并基于所述每一路段的图像的像素特征，确定所述每一路段的交通拥堵概率，并根据所述每一路段的交通拥堵概率，确定所述每一路段的交通拥堵属性。在一些实施例中，交通拥堵属性包括：严重拥堵、拥堵、以及畅通；所述确定模块用于，若所述每一路段的交通拥堵概率小于第一预设拥堵阈值，则确定所述每一路段的交通拥堵属性为畅通；若所述每一路段的交通拥堵概率大于第一预设拥堵阈值、且小于第二预设拥堵阈值，则确定所述每一路段的交通拥堵属性为拥堵；若所述每一路段的交通拥堵概率大于第二预设拥堵阈值，则确定所述每一路段的交通拥堵属性为严重拥堵；其中，所述第一预设拥堵阈值小于所述第二预设拥堵阈值。在一些实施例中，所述调整模块用于，根据所述各路段的交通拥堵属性，从预设的交通拥堵属性与交通量之间的映射关系中，确定所述每一路段的交通量，并根据所述每一路段的交通量，对所述交通信号灯的时长进行调整。在一些实施例中，调整后的交通信号灯的时长，满足所述各路段的交通量为最大交通量。在一些实施例中，所述装置还包括：采集模块，用于针对所述每一路段，采集样本图像，其中，所述样本图像包括不同交通拥堵属性的图像；训练模块，用于基于所述样本图像对卷积神经网络模型进行训练，生成所述每一路段各自对应的交通状态识别模型。在一些实施例中，所述训练模块用于，针对所述每一路段，基于所述卷积神经网络模型，对每一样本图像的像素特征进行提取，并基于提取到的每一样本图像的像素特征，为所述每一样本图像分配权重，其中，所述每一样本图像的权重表征，所述每一样本图像对应的交通拥堵的概率，并根据各样本图像的权重，对所述卷积神经网络模型的卷积参数进行调整，得本文档来自技高网...

【技术保护点】
1.一种交通信号灯的控制方法，所述方法包括：/n获取交汇于同一路口的各路段的图像；/n基于每一路段各自对应的交通状态识别模型，对所述每一路段的图像进行识别处理，得到所述每一路段的交通拥堵属性，其中，所述交通拥堵属性与所述每一路段的交通拥堵程度相关；/n根据所述各路段的交通拥堵属性，对所述路口的交通信号灯的时长进行调整。/n

【技术特征摘要】
1.一种交通信号灯的控制方法，所述方法包括：
获取交汇于同一路口的各路段的图像；
基于每一路段各自对应的交通状态识别模型，对所述每一路段的图像进行识别处理，得到所述每一路段的交通拥堵属性，其中，所述交通拥堵属性与所述每一路段的交通拥堵程度相关；
根据所述各路段的交通拥堵属性，对所述路口的交通信号灯的时长进行调整。


2.根据权利要求1所述的方法，其中，基于每一路段各自对应的交通状态识别模型，对所述每一路段的图像进行识别处理，得到所述每一路段的交通拥堵属性，包括：
基于所述每一路段各自对应的交通状态识别模型，确定所述每一路段的图像的像素特征，并基于所述每一路段的图像的像素特征，确定所述每一路段的交通拥堵概率；
根据所述每一路段的交通拥堵概率，确定所述每一路段的交通拥堵属性。


3.根据权利要求2所述的方法，其中，交通拥堵属性包括：严重拥堵、拥堵、以及畅通；根据所述每一路段的交通拥堵概率，确定所述每一路段的交通拥堵属性，包括：
若所述每一路段的交通拥堵概率小于第一预设拥堵阈值，则确定所述每一路段的交通拥堵属性为畅通；
若所述每一路段的交通拥堵概率大于第一预设拥堵阈值、且小于第二预设拥堵阈值，则确定所述每一路段的交通拥堵属性为拥堵；
若所述每一路段的交通拥堵概率大于第二预设拥堵阈值，则确定所述每一路段的交通拥堵属性为严重拥堵；
其中，所述第一预设拥堵阈值小于所述第二预设拥堵阈值。


4.根据权利要求1所述的方法，其中，根据所述各路段的交通拥堵属性，对所述路口的交通信号灯的时长进行调整，包括：
根据所述各路段的交通拥堵属性，从预设的交通拥堵属性与交通量之间的映射关系中，确定所述每一路段的交通量；
根据所述每一路段的交通量，对所述交通信号灯的时长进行调整；其中，调整后的交通信号灯的时长，满足所述各路段的交通量为最大交通量。


5.根据权利要求1至4中任一项所述的方法，其中，在基于每一路段各自对应的交通状态识别模型，对所述每一路段的图像进行识别处理，得到所述每一路段的交通拥堵属性之前，所述方法还包括：
针对所述每一路段，采集样本图像，其中，所述样本图像包括不同交通拥堵属性的图像；
基于所述样本图像对卷积神经网络模型进行训练，生成所述每一路段各自对应的交通状态识别模型。


6.根据权利要求5所述的方法，其中，基于所述样本图像对卷积神经网络模型进行训练，生成所述每一路段各自对应的交通状态识别模型，包括：
针对所述...

【专利技术属性】
技术研发人员：周余钱，
申请(专利权)人：京东数字科技控股股份有限公司，
类型：发明
国别省市：北京;11