[发明专利]一种车路协同系统以及道路行人检测方法

权利要求书

1.一种车路协同系统，其特征在于，包括图像采集子系统(1)、车载子系统(2)、智能信号灯子系统(3)和边缘服务器子系统(4)，所述图像采集子系统(1)、车载子系统(2)和智能信号灯子系统(3)分别提供数据给边缘服务器子系统(4)，所述边缘服务器子系统(4)对接收到的数据进行处理后，发送BSM及RSM数据包给车载子系统(2)，并且发送SPAT数据包给智能信号灯子系统(3)，所述图像采集子系统(1)对于交叉路口采集的行人图像进行处理，从而实现交叉路口人流量的判断和分析，最终形成数据包发送给边缘服务器子系统(4)，通过各个子系统的协同合作实现车路协同。

2.根据权利要求1所述的一种车路协同系统，其特征在于：所述车路协同系统中的智能信号灯子系统(3)包括信号灯信息融合模块(11)、信号控制器(12)和信号灯通信模块(10)，其中信号灯信息融合模块(11)会将信号灯信息打包成SPAT即信号灯消息，类型的数据包并由上述信号灯通信模块(10)发送至边缘服务器子系统(4)。

3.根据权利要求1所述的一种车路协同系统，其特征在于：所述图像采集子系统(1)包括路侧通信模块(5)和路侧信息融合模块(6)，其中所述路侧信息融合模块(6)会将摄像头采集到的图像信息整合成视频流数据包，所述图像信息主要包括停车场图像、道路渠化图像、斑马线行人图像和交叉口车辆图像，所述路侧通信模块(5)将视频流数据包发送至边缘服务器子系统(4)。

4.根据权利要求1所述的一种车路协同系统，其特征在于：所述车路协同系统中的边缘服务器子系统(4)包括边缘服务器信息处理模块(14)和边缘服务器通信模块(13)。

5.根据权利要求4所述的一种车路协同系统，其特征在于：所述边缘服务器信息处理模块(14)包括：基于改进的自适应阈值Canny边缘检测算法识别道路渠化图像中的道路渠化信息；基于YOLOv3深度学习算法的道路行人检测；基于Haar+Adaboost机器学习算法识别交叉口车辆图像中的车辆信息，以及停车场中停车位信息。

6.根据权利要求4所述的一种车路协同系统，其特征在于：所述边缘服务器通信模块(13)用于边缘服务器子系统(4)与其他三个子系统的通信，边缘服务器通信模块(13)将边缘服务器信息处理模块(14)处理过的图像信息、行人信息和停车位信息进行融合，并结合所述智能信号灯子系统(3)发送的SPAT数据包，整合成RSM即路侧单元消息，数据包，通过广播的方式传给车载子系统(2)中的车载信息通讯模块(7)，所述SPAT数据包包括时间戳、路口ID、该路口ID对应斑马线行人状态、该路口ID对应交叉口车辆状态、该路口ID对应信号灯状态，所述边缘服务器通信模块(13)根据不同交通情况，通过单播模式发送特定的SPAT类型数据包给智能信号灯子系统(3)变换信号灯状态，实现道路控制、车路协同。

7.根据权利要求1所述的一种车路协同系统，其特征在于：所述车载子系统(2)包括车载信息通讯模块(7)、车载信息校准模块(8)以及车载信息展示模块(9)，车载信息通讯模块(7)将车辆数据打包成BSM即基本安全消息类型数据包，并通过单播模式发送给边缘服务器，该数据包包括车辆电子ID、车辆位置信息、车辆航向，所述车载信息校准模块(8)对车载信息通讯模块(7)接收到的边缘服务器子系统(4)的广播模式信息进行校准，筛选本车有效信息，所述车载信息展示模块(9)利用上述有效信息并结合车辆位置和航向确定自身需要的信息对应路口ID，辅助判断驾驶信息的准确性，提供可视化界面。

8.一种道路行人检测方法，其特征在于，所述方法基于YOLOv3深度学习算法，具体包括如下步骤：

步骤1.图片标定，利用Labellmg可视化图像标定工具对于两千多张INRIA数据库的标定以及七千多张KITTI数据库进行标定；

步骤2.图片输入与网格划分，标定后图片导入INRIA Person和KITTI计算机视觉两个数据集进行训练，将图像压缩为448*448像素大小的图像，并分割成S*S网格；

步骤3网格处理及预测，每个单元格会预测B个边界框以及边界框的置信度，置信度包含目标框大小以及检测准确度，边界框含有目标的可能性大小记为Pr(object)，当该边界框不包含目标时，Pr(object)＝0；而当该边界框包含目标时，Pr(object)＝1，用IOU表示交并比；每个边界框的预测值包含5个元素：(x,y,w,h,c)，其中(x,y)是边界框的中心坐标，(h,w)是边界框的高与宽，中心坐标的预测值(x,y)是相对于每个单元格左上角坐标点的偏移值，而边界框的宽和高的预测值是相对于整个图片的宽与高的比例，因此，理论上讲，x,y,h,w四个值的取值范围在0和1之间，c表示置信度；

可以计算出各个边界框类别置信度(class—specific confidence scores):

因此，在本步骤中，如果将输入图片划分为S×S网格，那么最终预测值为S×S×(B×5+C)大小的张量，每个单元格需要预测(B×5+C)个值；

步骤4.卷积网络设计及训练，YOLOv3采用卷积网络提取特征，然后使用全连接层得到预测值，并在最后一层卷积网络采用线性激活函数；

步骤5.网络预测，YOLOv3预测采用了非极大值抑制算法(non maximum suppression,NMS)，通过相似值最大的框为主进行比较得到检测结果。