[发明专利]一种基于HydraCNN的信号灯智能控制方法和系统

说明书

本发明公开了一种基于Hydra CNN的信号灯智能控制方法和系统，在道路的交叉路口实时采集车流影像，基于Hydra CNN模型分析车流图像中的车辆数量；在采集的车流图像数据集上获得当前路口的车辆数量和相邻路口涌入当前路口的涌入流量，并将这些参数输入到已训练的线性回归模型，模型即可返回当前路口车辆通行所需的绿灯总时长。本发明将人工智能技术应用于路口的交通信号灯的智能控制，在道路的交叉路口实时采集车流影像，通过系统分析车辆拥塞情况，设置最佳的红灯和绿灯时长，实现多路口的信号灯群的智能协同，在保证通行安全的同时，提高交叉路口的通行能力，对解决现代都市交通拥堵现象有着非常积极的作用。

技术领域

本发明涉及道路信号灯领域，尤其涉及一种基于HydraCNN的信号灯智能控制系统和方法。

背景技术

交通是城市经济活动的命脉，对城市经济发展、人民生活水平的提高起着十分重要的作用。城市交通问题自人类进入21世纪以来，一直是困扰城市发展、制约城市经济建设的重要因素。可以肯定的说，城市道路增长的有限与车辆增加的无限这一对矛盾是导致城市交通拥挤的根本原因。车辆的不断增加给道路容量带来的压力仍然很高，短期内还不可能改变。当前使用的信号灯系统多使用固定红灯和绿灯时长，也无法根据车辆的实时通行情况给出智能调控策略，因此已经无法满足城市交通发展需求。

智能化和集成化是城市交通信号控制系统的发展趋势和研究前沿，智能决策的交通拥塞处理是智能交通控制优化管理的关键和突破口。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种信号灯智能控制系统和方法，将人工智能技术应用于路口的智能信号灯的智能控制，在道路的交叉路口实时采集车流影像，通过系统分析车辆拥塞情况，设置最佳的红灯和绿灯时长，实现多路口的信号灯群的智能协同，提高交叉路口的通行能力。

为实现上述目的，本发明提供了一种基于HydraCNN的信号灯智能控制方法，包括以下步骤：

步骤1，摄像头每m秒拍摄一次车流图像，并将车流图像发送至服务器端，所述车流图像包括当前路口的车流图像和相邻路口涌入当前路口的车流图像；

步骤2，服务器基于Hydra CNN模型统计车流图像中当前路口各方向的车辆数量，并统计相邻路口涌入当前路口各方向的涌入流量；

步骤3，服务器基于线性回归模型，根据当前路口各方向的车辆数量和涌入容量，预测绿灯延时时长T，并返回当前路口的绿灯总时长G_T，G_T＝G_min+T，其中，G_min为最短绿灯时长。

进一步的，所述步骤2中基于Hydra CNN模型统计车辆数量的算法，包括：

步骤21，以当前路口的车流图像为原图；

步骤22，基于Hydra CNN模型，以原图的图像中心为基准，从中提取不同比例的图像补丁；

步骤23，通过非线性回归函数模型返回图像补丁的密度图，并将返回的图像补丁的密度图汇总成与原图对应的密度图；

步骤24，不断迭代损失函数，降低模型生成的密度图与训练集图像的密度图之间的差距；

步骤25，对密度图积分，获得原图中车辆数量。

进一步的，所述步骤3中的基于线性回归模型的绿灯延时时长T的公式为：

其中，w1、w2、w3、w4和w5为特征参数；v_h和v_z为横向车道和纵向车道的平均涌入流量，和为横向车道和纵向车道的平均车辆数量。

进一步的，所述平均涌入流量和平均车辆数量的公式为：