[发明专利]基于卷积神经网络的图片自学习交通信号控制方法

说明书

本发明公开了基于卷积神经网络的图片自学习交通信号控制方法，对不同相位关键车流车辆排队长度的图片进行分类，建立图片数据集，以及不同相位关键车流车辆排队长度的类别图片与相应的绿灯显示时间的关系库；以所述关系库为基础，得到当前周期中当前相位绿灯显示时间，通过图片处理装置和信号控制器实现实时信号控制。本发明基于图片自学习的交通信号控制方法，不需要交通流检测器检测的精确交通流量，而是通过获取不同周期不同相位的排队车辆图片，进而得出绿灯显示时间，对道路交通进行实时控制。

技术领域

本发明涉及交通信号控制技术领域，特别涉及基于卷积神经网络的图片自学习交通信号控制方法。

背景技术

平面交叉口延误是城市道路车辆延误的主要形式，据统计城市道路中80％的延误是由于平台交叉口导致的。实行交通信号控制的平台交叉口，交通信号控制方案的不合理也是导致交叉口车辆延误的重要因素。因此，对交通信号控制方法的研究一直是智能交通领域研究的重点。

目前我国信号控制中的配时方法有美国的HCM法、英国的TRRL法(也称Webster法)、澳大利亚的ARRB法，中国《城市道路设计规范》中推荐的停车线法、冲突点法等。这些信号配时方法大都以车辆通行率最大或者车辆延误最小为优化目标，计算信号周期，在根据车流量分配各个相位的绿灯放行时间。交通信号控制系统交通参数主要依靠环形线圈、微波等检测器的等进行采集。随着视频处理技术成熟、视频在智能交通的普及应用，越来越多的信号机厂商及互联网企业开始将视频作为信号控制系统的数据来源，如青岛海信的Hicon系统、天津通翔的Smart UTC系统、浙大中控的Intel lific系统、上海宝康的Mitco系统、Alibaba在杭州的城市大脑项目、华为的交通信号优化的“TrafficGo方案”等。

将视频作为信号控制系统的数据来源，对于交通信号的优化取得了较为理想的效果，但存在各家算法不公开，且视频处理复杂、大量视频传输需要高带宽网络问题的缺点，投入成本较大。

深度学习是近十年来人工智能领域取得的重要突破。它在语音识别、自然语言处理、计算机视觉、图片与视频分析、多媒体等诸多领域的应用取得了巨大成功，现有的深度学习模型属于神经网络，神经网络的起源可追溯到20世纪40年代，曾经在八九十年代流行。

2006年,Hinton等在Science上提出了深度学习，这篇文章的两个主要观点是：

(1)多隐层的人工神经网络具有优异的特征学习能力,学习到的数据更能反映数据的本质特征,有利于可视化或分类；

(2)深度神经网络在训练上的难度,可以通过逐层无监督训练有效克服。在2012年，Alex Krizhevsky团队凭借卷积神经网络在ImageNet挑战赛中，把图片识别分类误差记录从26％降到了15％，大大提高了图片的分类水平。

与浅层学习模型相比，深度学习构造了具有多隐层的学习模型，设计了有效的学习算法并能够加速计算，从而能够对大数据进行处理；通过深度学习能够得到更高层的特征，从而提高样本的识别率或预测的准确率。基于深度学习架构的人工智能如今已被广泛应用于计算机视觉、自然语言处理、传感器融合、目标识别、自动驾驶等汽车行业的各个领域。

在信号控制实际应用过程中，信号控制系统并不需要非常精确的交通流量。可以通过从视频中截取带有关键信息的图片，进行计算机视觉图片自学习方法，判断交叉口交通状况，进而对优化信号控制方案。

王新元等利用机器视觉，采用四个STM32F103作为嵌入式控制器，利用摄像头采集路口车流情况，将四个不同方向的车流情况信息传输给控制器，控制器进行汇总并做出决策，实现智能调控信号灯的变换时间。

浙江工业大学汤一平教授在2016年申请发明专利《一种基于深度卷积神经网络的交通信号灯控制方法》(专利公开号CN106023605A)公开一种基于深度卷积神经网络的交通信号灯控制方法，通过检测各个出口道的流量，解决交叉口出口交通流量溢出的问题。