[发明专利]一种基于图像处理的智能交通控制方法

说明书

技术领域

本发明涉及智能交通领域，尤其是一种基于图像处理的智能交通控制方法。

背景技术

现在，随着社会经济的不断发展，人们的生活质量也有了极大的提高，很多家庭几乎都有了自己的私家车，出行的人数也逐渐增多，这对于道路上的交通灯是一个巨大的考验。

目前，几乎绝大多数的交通灯的亮灭时间和转换模式都是固定的，这使得人们经常会遇到交通阻塞的情况，其中部分原因是交通灯在某些路况下不能给出很好的通行方案，比如，在某些情况下执行交通灯给出的方案会使得出现某一方向交通阻塞而另一方向没有车辆的情况，具体来说，车流量大的道路刚好绿灯时间短，同时行人量大的道路红灯时间短，这种情况下交通灯显得过于死板，交通灯不能根据道路上实际的车流量与行人数对通行规则做出适当的改变，不能实时有效的智能控制交通，因此交通不能顺畅高效的运行，容易造成交通阻塞，给车辆和行人带来了通行麻烦。

发明内容

为了解决上述问题，本发明的目的是提供一种基于图像处理的智能交通控制方法，根据道路交通状况实时发布通行规则，从而能够智能控制交通灯。

为解决上述问题，本发明采用的技术方案是：

一种基于图像处理的智能交通控制方法，包括以下步骤：

A、获取当前路口的视频图像数据；

B、分析处理所述视频图像数据；

C、对所述视频图像数据进行判别；

D、生成通行规则，发布通行命令。

进一步,步骤A中获取当前路口的视频图像数据，包括以下步骤：

A1、采集当前路口的交通视频流；

A2、将交通视频流中的车辆视频流与行人视频流分离开来。

进一步,步骤B中分析处理视频图像数据包括检测车辆视频流中的车辆和行人视频流中的行人。

进一步,检测车辆视频流中的车辆包括对车辆视频流中的车辆进行计数与识别，并生成车流量信息和车辆类别信息。

进一步,检测行人视频流中的行人包括对行人视频流中的行人进行计数，并生成行人通行量信息。

进一步,步骤C中对视频图像数据进行判别，包括以下步骤：

C1、根据车流量信息、车辆类别信息和行人通行量信息生成预定通行规则；

C2、结合当前路口通行状态信息和预定通行规则，生成通行决策。

进一步,对车辆视频流中的车辆进行计数是由深度学习方法来实现的，具体步骤包括：

B11、创建基于区域的快速卷积神经网络,所述快速卷积神经网络包括卷积层、池化层、全连接层和筛选层；

B12、从当前路口的目标图像中选择候选区域；

B13、利用卷积层和池化层处理目标图像，产生候选区域的特征图；

B14、池化层从候选区域的特征图中提取特征向量；

B15、将特征向量送入全连接层，全连接层输出两个同级的输出层，其中一个输出层输出车辆的概率估计值，另一个输出层输出标记车辆的边界框；

B16、将边界框送入筛选层，对车辆进行计数。

进一步，对行人视频流中的行人进行计数是由深度学习方法来实现的，具体步骤包括：

B21、从目标图像中获取视角图；

B22、估计视角图并在视角图的基础上根据候选区域中心的行人位置创建人群密度图；

B23、建立匹配网络，以人群密度图作为真值来训练所述匹配网络；

B24、从目标图像中检索出具有可识别的视角、尺度和密度分布的局部块；

B25、将目标图像输入到匹配网络中，得到行人密度分布图；

B26、从行人密度分布图中检索出与所述局部块的视角、尺度和密度分布相似的分块；

B27、根据分块生成卷积神经网络，由所述卷积神经网络对行人进行计数。

进一步，对车辆视频流中的车辆进行识别包括识别救护车、警车和消防车。

进一步，对车辆视频流中的车辆进行识别的具体步骤包括：

B11、建立一个与警车、消防车和救护车有关的数据库；

B12、将数据库的一部分用作训练集，另一部分用作测试集；

B13、利用训练集对捕捉到的视频中的车辆进行识别。