一种基于高空全景视频的制造技术

本发明专利技术涉及交通管理领域，具体涉及一种基于高空全景视频的

【技术实现步骤摘要】
一种基于高空全景视频的AI交通信号优化方法


[0001]本专利技术涉及交通管理领域，具体涉及一种基于高空全景视频的
AI
交通信号优化方法
。

技术介绍

[0002]智能交通系统是通过集成先进的信息技术和通信技术，以及人工智能等方法来优化城市交通管理和交通流动性的系统
。
交通拥堵是当今城市面临的一大挑战，影响着城市的经济
、
环境和居民生活
。
传统的交通信号控制往往采用固定的配时信号或简单的时间周期进行循环，无法根据实际交通情况进行灵活调整，导致交通拥堵或信号灯闲置
。
[0003]随着计算机视觉技术和人工智能的快速发展，交通管理者可以利用高空全景视频监测交通流量和路况，并通过智能算法进行实时信号控制优化，以优化交通信号控制，提高交通流畅度，减少交通拥堵
。
[0004]现有技术方案：
[0005]1.
基于传感器的交通监测：传统交通监测方法使用地磁传感器
、
摄像头等传感器来收集交通数据，如车流量
、
车速等
。
这些传感器部署在交通路段上，通过数据采集和处理来进行交通监测
。
然而，传感器的部署和维护成本较高，且受限于部署位置，无法全面覆盖城市交通路段
。
[0006]2.
计算机视觉技术应用：一些研究利用计算机视觉技术来识别交通流量和车辆运动情况
。
例如，通过视频分析来检测车辆
>、
行人和其他交通参与者
。
这种方法可以提供实时交通数据，但通常在局部交通路段上应用，并且对于复杂的交通路口和交叉口的监测可能不够准确
。
[0007]3.
优化算法应用：一些研究尝试应用优化算法
(
如遗传算法
、
粒子群算法等
)
来优化信号配时
。
这些算法可以找到较优的信号控制策略，但其性能往往受限于输入数据的准确性和算法的收敛速度
。
[0008]4.
智能交通系统：一些城市已经部署了智能交通系统，利用传感器和计算机视觉技术来监测交通流量和优化信号控制
。
这些系统通常能够提供一定程度的交通流畅度改进，但在复杂的交通状况下可能不够高效，且信号控制策略往往较为固定
。

技术实现思路

[0009]为解决上述问题，本专利技术提供一种基于高空全景视频的
AI
交通信号优化方法
。
[0010]该方法包括：
[0011]步骤一，拍摄交通路口的视频，进行预处理后，作为数据集；
[0012]步骤二，选取视频识别模型，利用数据集对视频识别模型进行训练；
[0013]步骤三，将交通路口按照路口方位分为四个检测区域，每个检测区域设置一条检测线，每个检测线覆盖对应路口驶向交口方向的全部车道；
[0014]步骤四，读取交通路口的实时视频，利用视频识别模型计算每个检测区域的行驶
速度
、
排队长度以及车辆数量；
[0015]步骤五，对比计算出的交通路口的行驶速度
、
排队长度以及车辆数量是否大于阈值，若是，则产生报警信号；
[0016]步骤六，调整报警信号对应的交通路口的交通信号
。
[0017]进一步的，所述视频识别模型，具体指
YOLO
模型
。
[0018]进一步的，步骤四中所述计算每个检测区域的行驶速度，具体指：
[0019]比较视频中连续两帧中车辆的位置，利用帧率和参照物宽度计算每辆车辆的行驶速度；
[0020]基于每辆车辆的行驶速度计算检测区域的平均行驶速度
。
[0021]进一步的，所述比较视频中连续两帧中车辆的位置，利用帧率和参照物宽度计算每辆车辆的行驶速度，具体指：
[0022]车辆的像素移动量
d
为：
[0023][0024]其中，
x1，
y
12
分别为车辆在当前帧的横
、
纵坐标，
x2，
y2分别为车辆在当前帧的下一个相连帧的横
、
纵坐标
。
[0025]像素尺度
s
为：
[0026]s
＝
W/w
；
[0027]其中，
W
为参照物实际宽度，
w
为参照物在视频中的像素宽度
。
参照物可以选择车道或者某个具体的车辆
。
[0028]车辆的实际移动距离
D
为：
[0029]D
＝
d*s
；
[0030]车辆的实际移动速度
v
为：
[0031]v
＝
D*f
；
[0032]其中，
f
代表视频帧率
。
[0033]进一步的，步骤四中所述计算每个检测区域的排队长度，具体指：
[0034]计算视频中检测区域的队伍的长度，基于像素尺度
s
计算队伍的实际长度，得到检测区域的排队长度
。
[0035]进一步的，在步骤四之后，将视频分析结果可视化，具体包括：
[0036]使用多边形区域和线条绘制检测区域和检测线；使用文本和颜色标识每辆车的类别和速度；将计算出的排队长度和平均速度等信息叠加在画面上
。
[0037]进一步的，步骤四中对车辆在视频的不同帧之间识别使用目标追踪算法
ByteTrack
或
Bot
‑
Sort。
[0038]进一步的，将步骤四得到的每个检测区域的行驶速度
、
排队长度以及车辆数量数据传输到分布式流处理消息中间件中
。
[0039]本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0040]相较于传统信号控制，本专利技术构建的城市智慧交通系统采用视频识别算法实时准确识别交通对象，并使用智能算法优化信号配时
、
长期分析交通模式实现自适应控制，能够实时感知交通状况并做出快速响应，持续根据数据进行策略优化，具有更高的灵活性和适应性，可显著提升交通效率和流量
。
附图说明
[0041]图
1A
为本专利技术实施例提供的录制的视频中原始截图；
[0042]图
1B
为本专利技术实施例提供的录制的视频中原始截图进行裁剪后的图；
[0043]图2为本专利技术实施例提供的
yolov8
系列的模型性能对比图；
[0044]图3为本专利技术实施例提供的
Yolov8x
模型训练
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于高空全景视频的
AI
交通信号优化方法，其特征在于，包括以下步骤：步骤一，拍摄交通路口的视频，进行预处理后，作为数据集；步骤二，选取视频识别模型，利用数据集对视频识别模型进行训练；步骤三，将交通路口按照路口方位分为四个检测区域，每个检测区域设置一条检测线，每个检测线覆盖对应路口驶向交口方向的全部车道；步骤四，读取交通路口的实时视频，利用视频识别模型计算每个检测区域的行驶速度
、
排队长度以及车辆数量；步骤五，对比计算出的交通路口的行驶速度
、
排队长度以及车辆数量是否大于阈值，若是，则产生报警信号；步骤六，调整报警信号对应的交通路口的交通信号
。2.
根据权利要求1所述一种基于高空全景视频的
AI
交通信号优化方法，其特征在于，其特征在于，所述视频识别模型，具体指
YOLO
模型
。3.
根据权利要求1所述一种基于高空全景视频的
AI
交通信号优化方法，其特征在于，步骤四中所述计算每个检测区域的行驶速度，具体指：比较视频中连续两帧中车辆的位置，利用帧率和参照物宽度计算每辆车辆的行驶速度；基于每辆车辆的行驶速度计算检测区域的平均行驶速度
。4.
根据权利要求3所述一种基于高空全景视频的
AI
交通信号优化方法，其特征在于，所述比较视频中连续两帧中车辆的位置，利用帧率和参照物宽度计算每辆车辆的行驶速度，具体指：车辆的像素移动量
d
为：其中，
x1，
y
12
分别为车辆在当前帧的横
、
纵坐标，
x2，
y2分别为车辆在当前帧的下一个相连帧的横
、
纵坐标
。
像素尺度
s
...

【专利技术属性】
技术研发人员：王贤锋，陈超，吕建成，王常瑞，罗雄飞，黎志伟，
申请(专利权)人：安徽科力信息产业有限责任公司，
类型：发明
国别省市：