一种基于深度学习和地空协同的道路交叉口监测系统及方法技术方案

本发明专利技术公开了一种基于深度学习和地空协同的道路交叉口监测系统及方法，集成无人机、地磁、路侧单元，无人机从广域上监测交叉口的交通运行情况，地磁和路侧单元在细粒度上监测车辆运行信息，进行道路交叉口交通监测与信号控制。首先，无人机对目标交叉口进行拍摄，获取目标交叉口的交通运行视频，图像处理之后，生成目标交叉口的宏观交通流参数；接着，将上述宏观交通流参数发送至深度学习终端服务器、路侧单元，用于采集目标交叉口的车辆运行信息；最后，深度学习终端服务器接收并处理宏观交通流参数和车辆运行信息，生成目标交叉口不同交通流环境下的最优信号周期。通过地空协同的交通监测，从而提高道路交通控制的准确性和有效性。性。性。

【技术实现步骤摘要】
一种基于深度学习和地空协同的道路交叉口监测系统及方法


[0001]本专利技术涉及智能交通
，特别是涉及一种基于深度学习和地空协同的道路交叉口监测系统及方法。

技术介绍

[0002]在城市智能交通系统中，激光雷达或毫米波雷达、感应回路探测器、磁强计、可见光或红外感应交通摄像机等设备被广泛用于交通场景的监控和交通数据的采集。
[0003]随着全球车辆数量的增加，城市交通特别是交叉路口面临交通拥堵、环境污染和交通事故频发等问题，造成了巨大的社会经济损失。同时交通拥堵导致车辆频繁加减速和怠速，夹具燃油消耗和排放污染。近年来，在交通监测领域，地空协同监测技术快速发展，安装有超高清摄像系统的无人机单元和路侧单元，逐步被用于车速监控、车辆流量跟踪、道路拥挤预测等领域中。准确的交通流信息不仅可以为交通管理部门提供管理理论依据，更可以为道路交叉口的信号灯周期优化提供准确的数据，以缓解交叉口的拥堵情况。
[0004]在中国专利技术专利公开号为CN112767715A公开了一种交叉路口交通信号灯与智能网联汽车的协同控制方法，其使用固定线圈、地磁交通检测器等设备，只能采集到宏观交通流参数，而无法获取个体车辆的运行信息。
[0005]而无人机单元可以获取个体车辆的运行视频，无法获取完整的宏观交通流参数，在交通信息监测中，无人机单元及路侧单元采集的交通信息不全，容易受外界因素影响，不利于全面反映道路运行状况和交通流的各个运行状态，不利于为交叉口的信号周期优化提供准确的交通流信息。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提供一种能够采集完整的宏观交通流参数、无人机单元与路侧单元相结合、监测计算效率高、更好地缓解交叉口的交通拥堵的基于深度学习和地空协同的道路交叉口监测方法及系统。
[0007]为实现本专利技术的目的所采用的技术方案如下：
[0008]一种基于深度学习和地空协同的道路交叉口监测系统，包括：
[0009]无人机单元，用于对目标交叉口进行俯视拍摄，获取目标交叉口的视频图像并处理生成目标交叉口的宏观交通流参数，并将宏观交通流参数发送至深度学习终端服务器；
[0010]所述无人机单元包括摄制模块、GPS模块、无人机单元通讯模块、无人机控制模块和无人机边缘计算模块；
[0011]所述摄制模块用于对目标交叉口进行俯视拍摄，得到目标交叉口的监测视频；
[0012]所述GPS模块用于实时定位；
[0013]所述无人机控制模块用于控制所述摄制模块在空中的运行；
[0014]所述无人机边缘计算模块用于对所述监测视频进行计算处理，得到目标交叉口的宏观交通流参数，具体为车辆的数量、车辆的类别、车流平均速度、车辆轨迹数据；
[0015]所述无人机单元通讯模块用于将所述宏观交通流参数发送至所述深度学习终端服务器，并接收深度学习终端服务器发送的命令；
[0016]若干个路侧单元，用于采集目标交叉口的车辆运行信息，并将车辆运行信息发送至深度学习终端服务器；
[0017]每个所述路侧单元包括地磁车辆检测器、路侧单元通讯模块和路侧单元边缘计算模块；
[0018]所述地磁车辆检测器用于采集目标交叉口的各方向车道的车辆，并计算生成的车道占有率；
[0019]所述路侧单元边缘计算模块用于对所述地磁车辆检测器所获得的车道占有率进行计算，计算出个体车辆的运行信息，得到车辆运行信息，具体为车辆数量，各车辆的车速、车辆的车道选择、车道占有率；
[0020]所述路侧单元通讯模块用于将所述车辆运行信息发送至所述深度学习终端服务器，并接收深度学习终端服务器发送的命令；
[0021]深度学习终端服务器，用于接收所述无人机单元的宏观交通流参数和路侧单元的车辆运行信息，处理生成目标交叉口不同交通流环境下对应的最优的预测信号周期数据T
N，DL
；
[0022]所述深度学习终端服务器包括数据存储模块、深度学习模块、仿真模块和服务器通讯模块；
[0023]所述数据存储模块用于储存所述无人机单元及路侧单元发送的宏观交通流参数及车辆运行信息；
[0024]所述仿真模块用于搭建目标交叉口的交通模型，并处理优化生成仿真信号周期数据T
N，vissim
；
[0025]所述深度学习模块用于通过所述仿真模块的交通模型，接收所述仿真信号周期数据T
N，vissim
，结合所述宏观交通流参数及车辆运行信息进行计算处理，分析并生成目标交叉口的运行数据及目标交叉口的最优的预测信号周期数据T
N，DL
；
[0026]所述服务器通讯模块用于与所述无人机单元、路侧单元和交叉口信号灯控制单元通讯；
[0027]交叉口信号灯控制单元，用于接收所述最优的预测信号周期数据T
N，DL
，生成信号灯控制指令，以控制信号灯的运行。
[0028]在上述技术方案中，所述无人机单元设置在目标交叉口的正上空120m～150m。
[0029]在上述技术方案中，所述路侧单元设置在目标交叉口的四个方向的对应车道上。
[0030]在上述技术方案中，在所述路侧单元的上游及下游25m处分别安装有一个地磁车辆检测器。
[0031]在上述技术方案中，所述路侧单元边缘计算模块计算出个体车辆的运行信息，具体为车辆数量，各车辆的车速、车辆的车道选择、车道占有率。
[0032]在上述技术方案中，所述深度学习终端服务器内嵌入Yolo
‑
X和DeepSort的合成算法。
[0033]在上述技术方案中，所述交叉口信号灯控制单元通过API接口与所述深度学习终端服务器连接，以用于获取最优的预测信号周期数据T
N，DL
。
[0034]在上述技术方案中，所述无人机单元通讯模块、路侧单元通讯模块和服务器通讯模块均为5G级信号传输模块。
[0035]在上述技术方案中，所述仿真模块内嵌装有VISSIM交通仿真软件，用于搭建目标交叉口的交通模型，并沟通过API接口与深度学习终端服务器连接，传送所述仿真信号周期数据T
N，vissim
。
[0036]一种基于地空协同的道路交叉口监测方法，包括以下步骤：
[0037]S1.确定预设无人机单元、路侧单元的位置及部署；
[0038]S2.设定初始交通信息采集周期T0，所述交通信息采集周期T0与进行信号优化前的交叉口信号灯周期T
signal
相等；
[0039]S3.开始计时，所述无人机单元、路侧单元同时运行，所述无人机单元采集目标交叉口的宏观交通流数据，包括车辆数量、车辆行驶车速、车辆轨迹及车辆类别，所述路侧单元采集车辆运行信息，包括车辆数量，各车辆的车速、车辆的车道选择、车道占有率，并将所述宏观交通流数据及车辆运行信息发送至所述深度学习终端服务器，若交通信息采集的累计采集时长大于或等于T0时，则执行步骤S4，若累计采集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和地空协同的道路交叉口监测系统，其特征在于，包括：无人机单元，用于对目标交叉口进行俯视拍摄，获取目标交叉口的视频图像并处理生成目标交叉口的宏观交通流参数，具体为车辆的数量、车辆的类别、车流平均速度、车辆轨迹数据，并将所述宏观交通流参数发送至深度学习终端服务器；所述无人机单元包括摄制模块、GPS模块、无人机单元通讯模块、无人机控制模块和无人机边缘计算模块，其中：所述摄制模块用于对目标交叉口进行俯视拍摄，得到目标交叉口的监测视频；所述GPS模块用于实时定位；所述无人机控制模块用于控制所述摄制模块在空中的运行；所述无人机边缘计算模块用于对所述监测视频进行计算处理，得到目标交叉口的宏观交通流参数；所述无人机单元通讯模块用于将所述宏观交通流参数发送至所述深度学习终端服务器，并接收深度学习终端服务器发送的命令；若干个路侧单元，用于采集目标交叉口的车辆运行信息，并将车辆运行信息发送至深度学习终端服务器；每个所述路侧单元包括地磁车辆检测器、路侧单元通讯模块和路侧单元边缘计算模块；所述地磁车辆检测器用于采集目标交叉口的各方向车道的车辆，并计算生成的车道占有率；所述路侧单元边缘计算模块用于对所述地磁车辆检测器所获得的车道占有率进行计算，计算出个体车辆的运行信息，得到车辆运行信息，具体为车辆数量，各车辆的车速、车辆的车道选择、车道占有率；所述路侧单元通讯模块用于将所述车辆运行信息发送至所述深度学习终端服务器，并接收深度学习终端服务器发送的命令；深度学习终端服务器，用于接收所述无人机单元的宏观交通流参数和路侧单元的车辆运行信息，处理生成目标交叉口不同交通流环境下对应的最优的预测信号周期数据T
N，DL
；所述深度学习终端服务器包括数据存储模块、深度学习模块、仿真模块和服务器通讯模块；所述数据存储模块用于储存所述无人机单元及路侧单元发送的宏观交通流参数及车辆运行信息；所述仿真模块用于搭建目标交叉口的交通模型，并处理优化生成仿真信号周期数据T
N，vissim
；所述深度学习模块用于通过所述仿真模块的交通模型，接收所述仿真信号周期数据T
N，vissim
，结合所述宏观交通流参数及车辆运行信息进行计算处理，分析并生成目标交叉口的运行数据及目标交叉口的最优的预测信号周期数据T
N，DL
，从而得到目标交叉口的最优信号周期数据；所述服务器通讯模块用于与所述无人机单元、路侧单元和交叉口信号灯控制单元通讯；交叉口信号灯控制单元，用于接收所述最优信号周期数据，生成信号灯控制指令，以控制信号灯的运行。2.根据权利要求1所述的道路交叉口监测系统，其特征在于：所述无人机单元设置在目标交叉口的正上空120m～150m。
3.根据权利要求2所述的道路交叉口监测系统，其特征在于：所述路侧单元设置在目标交叉口的四个方向的对应车道上。4.根据权利要求3所述的道路交叉口监测系统，其特征在于：所述路侧单元边缘计算模块计算出个体车辆的运行信息。5.根据权利要求4所述的道路交叉口监测系统，其特征在于：所述交叉口信号灯控制单元通过API接口与所述深度学习终端服务器连接，以用于获取最优的预测信号周期数据T
N，DL
。6.根据权利要求5所述的道路交叉口监测系统，其特征在于：所述无人机单元通讯模块、路侧单元通讯模块和服务器通讯模块均为5G级信号传输模块。7.根据权利要求6所述的道路交叉口监测系统，其特征在于：所述仿真模块内嵌装有VISSIM交通仿真软件，用于搭建目标交叉口的交通模型，并通过API接口与深度学习终端服务器连接，传送所述仿真信号周期数据T
N，vissim
。8.一种基于权利要求1所述的道路交叉口监测系统的地空协同的道路交叉口监测方法，其特征在于，包括以下步骤：S1.确定无人机单元、路侧单元的位置及部署；S2.设定初始交通信息采集周期T0，所述交通信息采集周期T0与进行信号优化前的交叉口信号灯周期T
signal
相等；S3.开始计时，所述无人机单元、路侧单元同时运行，所述无人机单元采集目标交叉口的宏观交通流数据，包括车辆数量、车辆行驶车速、车辆轨迹及车辆类别，所述路侧单元采集车辆运行信息，包括车辆数量，各车辆的车速、车辆的车道选择、车道占有率，并将所述宏观交通流数据及车辆运行信息发送至所述深度学习终端服务器，若交通信息采集的累计采集时长大于或等于T0时，则执行步骤S4，若累计采集时长小于T0时，则控制无人机单元、路侧单元持续采集信息直至累计采集时长大于或等于T0，具体包括以下分步骤：S3
‑
1.在目标交叉口的其中一个车道L1中共有n辆车经过，通过所述无人机单元采集到n辆车的行驶速度为v
1，UAV
，v
2，UAV
，v
3，UAV
，...，v
n，UAV
，并将采集的所述n辆车的行驶速度发送至所述深度学习终端服务器；S3
‑
2.在所述无人机单元运行的同时，在选定的目标交叉口的车道L1中共有m辆车经过路侧单元，通过所述路侧单元的两个地磁车辆检测器分别采集m辆车的行驶速度为v
1，RSU
，v
2，RSU
，v
3，RSU
，...，v
m，RSU
，并计算出两个地磁车辆检测器采集的m辆车的行驶速度的平均车速为v
1，DC
...

【专利技术属性】
技术研发人员：刘军黎，刘晓锋，邱洁，衣雨玮，陈强，肖金坚，张蕊，成英，
申请(专利权)人：天津职业技术师范大学中国职业培训指导教师进修中心，
类型：发明
国别省市：