基于多通道车辆检测与立体特征标注的交通灯控制方法技术

本发明专利技术公开了一种基于多通道车辆检测与立体特征标注的交通灯控制方法，属于车辆检测和交通灯控制领域，该方法包括利用车辆检测模型采集交叉路口车辆信息；在重要的路段和交叉口引入时空双维度的道路拥堵重要性系数，形成路网交通流立体特征标注；建立基于模糊神经网络的交通灯控制系统，将得到的区域路网交通状态拥挤指数作为模糊神经网络的输入，获得预测出的交通灯控制信息。本发明专利技术提供的基于多通道车辆检测与立体特征标注的交通灯控制方法，考虑多路口、多车道、车辆时空分布情况对交通灯控制的影响因素，通过神经网络技术来进行模糊信息处理，并自动提取模糊规则以及生成模糊隶属函数，为观察和研究网络交通状态的演化提供了可视化方法。了可视化方法。了可视化方法。

【技术实现步骤摘要】
基于多通道车辆检测与立体特征标注的交通灯控制方法


[0001]本专利技术属于车辆检测和交通灯控制领域，具体来说，尤其涉及一种基于多通道车辆检测与立体特征标注的交通灯控制方法。

技术介绍

[0002]随着机动车规模的不断增长，全球越来越多的城市出现交通超负荷运行的问题，这在早晚高峰时段尤为明显。目前城市交通灯控制主要有三种途径：(1)定时控制系统，每个交通灯控制设备已设置好每个相位执行的顺序和时长，不考虑车流的动态变化；(2)车辆驱动信号控制，通过路口安装的感应设备来动态决定某一相位执行时长的增加或是减少，相比较于定时控制系统已考虑车辆的动态流量；(3)交通灯自适应控制，通过当前路网路口车辆的交通状态动态自适应的管理调配应执行相位和时长。在自适应交通灯控制系统中考虑机器学习和人工智能技术可进一步改善系统的有效性。传统的信号灯控制方法中固定的周期时长、固定的相位顺序以及固定的相位占比，不具有响应交通路况变化的能力，往往导致绿灯时间的浪费和低下的通行效率。并且，部分智能交通灯控制系统也未曾对交通拥堵信息进行深入挖掘和分析，无法满足控制系统对低时延和高可靠性等要求；且在考虑评判交通状态等级的因素时，大多停留在二维平面道路上车辆排队的拥堵特征，着重对空间上常发性拥堵路段进行研究分析，而忽视了时间维度上常发性拥堵路段对交通灯控制的影响，对道路中信息的汇总和分析呈现单一化、平面化等特点。
[0003]研究城市主干道车辆检测模型并实时、准确地执行车辆检测任务，有利于车路云协同下的交通信号优化与协调，从而提升路网整体运行效率。近年来，以卷积神经网络为代表的深度学习逐步成为车辆检测领域的热门研究方法，已有研究包括：基于候选框的卷积神经网络(RCNN)、Fast RCNN以及Faster RCNN等方法；基于回归的YOLO(you
‑
only
‑
look
‑
once)和ResNet50等方法。候选框检测方案是两阶段方法，检测精度较高，但资源要求也高；回归检测方案是单阶段方法，算法执行速度快，但存在特征融合不充分、模型连续工作的鲁棒性会变差等问题。同时，现有检测框架通常先将输入图像编码为低分辨率表示，然后从编码的低分辨率表示中恢复高分辨率表示。然而，路网车辆的高速移动性，高分辨率表示对于位置敏感的车辆检测至关重要。高分辨率网络(high resolution network，HRNet)采用并行支路结构，学习过程中一直保持高分辨率表征，支持不同分辨率特征之间进行多尺度融合，有利于提取目标关键点特征以及实现小目标识别等。

技术实现思路

[0004]针对上述存在的问题，本专利技术提供了一种基于多通道车辆检测与立体特征标注的交通灯控制方法，通过考虑多路口、多车道、车辆时空分布情况对交通灯控制的影响因素，采用神经网络技术来进行模糊信息处理，模糊神经网络自适应信号配时根据信号交叉口实时交通通行状况对信号配时策略做出动态调整，以期在满足车辆通行需求的前提下尽量减少信号交叉口的通行延误，最终实现信号交叉口内整个社会出行成本最低的目标。
[0005]本专利技术为解决上述技术问题采用的技术方案如下：
[0006]基于多通道车辆检测与立体特征标注的交通灯控制方法，具体包括如下步骤：
[0007]步骤a、利用车辆检测模型进行特征检测，采集交叉路口车辆信息；
[0008]步骤b、基于步骤a中收集到的交叉路口车辆信息对三维平面道路上车辆拥堵状态进行分析，添加路网中各路段和交叉口的重要性权重系数，得到区域路网交通状态拥挤指数，形成路网交通流立体特征标注；
[0009]步骤c、建立基于模糊神经网络的交通灯控制系统，将步骤b得到的区域路网交通状态拥挤指数作为模糊神经网络的输入，计算得出一段时间内区域路网交通拥堵状态与交通灯控制结果的对应关系，获得预测出的交通灯控制信息，实现多路段全局自适应信号控制。
[0010]进一步地，所述车辆检测模型为多通路高分辨率网络与注意力机制融合的车辆检测模型，该模型分为路网感知层、训练网络层和特征输出层，其中所述路网感知层采用摄像头与雷达传感器的联合配置，在零光照和各种天气条件下全天候运行，实现车辆检测、车道线识别、车辆分布和时间记录特征检测功能；并将收集到的道路信息传递至特征输出层，提取出各监控路口的数字化信息作为训练网络层的输入；
[0011]在高分辨率网络中融合注意力机制的特征融合方法为在网络特征融合连接处利用特征连接权重和权重阈值对并行网络结构中的多条相邻网络通路进行多分辨率特征融合，获得高分辨率并行网络模块，其中权重阈值为超参数，特征连接权重为可学习的权重参数；在网络模型训练过程中，所述特征连接权重依据反向传输的损失进行自适应学习以表达当前特征图对网络的影响程度。
[0012]进一步地，为高分辨率网络引入跳跃连接的特征融合方法，利用跳跃连接对所述并行网络结构中的每条网络通路中对称位置的特征图进行跨层特征融合。
[0013]进一步地，所述高分辨率并行网络模块中特征图的多分辨率特征融合具体步骤为，设高分辨率并行网络模块中p+1条网络通路中第q+1个卷积层的特征图为Feature
(p+1)(q+1)
，其中，p＝1,2,
…
,R，q＝1,2,
…
,Q
p
，R为高分辨率级联网络模块中网络通路的总数，Q
p
为第p条网络通路中卷积层的总个数，则Feature
(p+1)(q+1)
的多分辨率特征融合步骤如下：
[0014]步骤a1、获取特征图Feature
pq
、Feature
p(q+1)
和Feature
p(q+2)
，并获取与特征图对应的特征连接权重W
pq
、W
p(q+1)
和W
p(q+2)
；
[0015]其中，Feature
pq
表示高分辨率并行网络模块中第p条网络通路中第q个卷积层的特征图，Feature
p(q+1)
表示第p条网络通路中第q+1个卷积层的特征图，Feature
p(q+2)
表示第p条网络通路中第q+2个卷积层的特征图，W
pq
表示Feature
pq
对应的特征连接权重，W
p(q+1)
表示Feature
p(q+1)
对应的特征连接权重，W
p(q+2)
表示Feature
p(q+2)
对应的特征连接权重；
[0016]步骤a2、依次将特征连接权重W
pq
、W
p(q+1)
、W
p(q+2)
与权重阈值K比较，获得连接活性参数；以特征连接权重W
pq
的连接活性参数为例：
[0017][0018]根据连接活性参数进行多分辨率特征融合，得出：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多通道车辆检测与立体特征标注的交通灯控制方法，其特征在于，具体包括如下步骤：步骤a、利用车辆检测模型进行特征检测，采集交叉路口车辆信息；步骤b、基于步骤a中收集到的交叉路口车辆信息对三维平面道路上车辆拥堵状态进行分析，添加路网中各路段和交叉口的重要性权重系数，得到区域路网交通状态拥挤指数，形成路网交通流立体特征标注；步骤c、建立基于模糊神经网络的交通灯控制系统，将步骤b得到的区域路网交通状态拥挤指数作为模糊神经网络的输入，计算得出一段时间内区域路网交通拥堵状态与交通灯控制结果的对应关系，获得预测出的交通灯控制信息。2.根据权利要求1所述的基于多通道车辆检测与立体特征标注的交通灯控制方法，其特征在于，所述车辆检测模型为多通路高分辨率网络与注意力机制融合的车辆检测模型，该模型分为路网感知层、训练网络层和特征输出层，其中所述路网感知层采用摄像头与雷达传感器的联合配置，在零光照和各种天气条件下全天候运行，用于实现车辆检测、车道线识别、车辆分布和时间记录特征检测功能，并将收集到的道路信息传递至特征输出层，提取出各监控路口的数字化信息作为训练网络层的输入；在高分辨率网络中融合注意力机制的特征融合方法为在网络特征融合连接处利用特征连接权重和权重阈值对并行网络结构中的多条相邻网络通路进行多分辨率特征融合，获得高分辨率并行网络模块，其中权重阈值为超参数，特征连接权重为可学习的权重参数；在网络模型训练过程中，所述特征连接权重依据反向传输的损失进行自适应学习以表达当前特征图对网络的影响程度。3.根据权利要求2所述的基于多通道车辆检测与立体特征标注的交通灯控制方法，其特征在于，为高分辨率网络引入跳跃连接的特征融合方法，利用跳跃连接对所述并行网络结构中的每条网络通路中对称位置的特征图进行跨层特征融合。4.根据权利要求2所述的基于多通道车辆检测与立体特征标注的交通灯控制方法，其特征在于，所述高分辨率并行网络模块中特征图的多分辨率特征融合具体步骤为：设高分辨率并行网络模块中p+1条网络通路中第q+1个卷积层的特征图为Feature
(p+1)(q+1)
，其中，p＝1,2,
…
,R，q＝1,2,
…
,Q
p
，R为高分辨率级联网络模块中网络通路的总数，Q
p
为第p条网络通路中卷积层的总个数，则Feature
(p+1)(q+1)
的多分辨率特征融合步骤如下：步骤a1、获取特征图Feature
pq
、Feature
p(q+1)
和Feature
p(q+2)
，并获取与特征图对应的特征连接权重W
pq
、W
p(q+1)
和W
p(q+2)
；其中，Feature
pq
表示高分辨率并行网络模块中第p条网络通路中第q个卷积层的特征图，Feature
p(q+1)
表示第p条网络通路中第q+1个卷积层的特征图，Feature
p(q+2)
表示第p条网络通路中第q+2个卷积层的特征图，W
pq
表示Feature
pq
对应的特征连接权重，W
p(q+1)
表示Feature
p(q+1)
对应的特征连接权重，W
p(q+2)
表示Feature
p(q+2)
对应的特征连接权重；步骤a2、依次将特征连接权重W
pq
、W
p(q+1)
、W
p(q+2)
与权重阈值K比较，获得连接活性参数；以特征连接权重W
pq
的连接活性参数为例：
根据连接活性参数进行多分辨率特征融合，得出：当某个特征连接权重低于权重阈值，则该特征连接权重对应的特征图将连接失活，在后续的多分辨率特征融合中不需要融合连接失活的特征图。5.根据权利要求3所述的基于多通道车辆检测与立体特征标注的交通灯控制方法，其特征在于，所述车辆检测模型的特征提取部分使用跨阶段残差块替换特征提取网络中的传统残差块，特征融合部分引入空间金字塔池化，将局部区域特征与全局区域特征融合，充分融合利用不同深度网络层提取到的特征信息；对输入图像进行图像预处理与车道线检测操作后，采用基于中值的背景提取方法，将各帧图像与计算得到背景图像相减，并且对相减后的图像再进行二值化处理；然后对提取出来的背景图像使用背景差分算法来提取视频前景车辆目标；提取到视频前景车辆目标后，对图像进一步分割，处理成单车道图像，然后使用投影特征对单车道图像进行特征提取工作；提取到单车道特征后，使用K
‑
近邻算法对单车道特征向量进行分类，以获取最终检测结果；其中，所述对图像的二值化处理的表达式如下所示：其中x,y是对应图像的坐标点，B(x,y)是通过背景提取获得的背景帧，I
i
(x,y)表示图像序列中的第i帧图像，D
i
(x,y)表示第i帧上点(x,y)差分的结果；若两幅图像在此点上差异大于阈值T，结果为1，若差异小于阈值T，则结果为0。6.根据权利要求5所述的基于多通道车辆检测与立体特征标注的交通灯控制方法，其特征在于，所述步骤b中添加路网中各路段和交叉口的重要性权重系数得到区域路网交通状态拥挤指数的过程具体包括：采用图论的方法表示路网，将路网抽象为带权有向图，将交叉口抽象为路网中的节点，相邻节点之间的路段抽象为边；由交叉口及路段组成的区域路网模型可描述为:G＝{I,L}；其中，I表示区域路网中交叉口集合，I＝{I1,I2,
…
I
n
}，I
n
表示区域路网交叉口集合中第n个交叉口，L＝{l
ij
|l
ij
＝(I
i
,I
j
)；i,j＝1,2,
…
,n,i≠j}代表相邻节点间路段集合；l
ij
表示存在一条从路口I
i
到路口I
j
的路段，其长度为l
ij
；步骤b1、首先建立路段和交叉口的交通状态模型，再进行计算整合成区域路网整体的交通状态矩阵；所述路段交通状态模型如下：其中，为路段L
ij
的交通状态值，为路段L
ij
的最高限速，v
ij
为路段L
ij
的平均速度，q
ij
为实测流量，C
ij
为通行能力，α、β为模型参数，α+β＝1且α,β∈[0,1]；当路段实际流量较小时，车辆间的干扰较小，运行速度大，交通状态较好，路段状态值也越小，反之同理；所述交叉口交通状态模型如下：
其中，P
iI
为交叉口i的交通状态值；饱和度R为交叉口实际交通量与通行能力之比，其公式为：其中R为交叉口进口道饱和度，Q、C分别为进口道的实际交通流量和通行能力，S为信号相位饱和流量，c为信号周期时长，g为有效绿灯时间；R
i
为交叉口关键路段入口道最...

【专利技术属性】
技术研发人员：丁飞，张楠，朱跃，都秉甲，赵峥，张登银，朱洪波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：