一种交通信号灯控制系统的制作方法

本发明涉及智能交通技术领域，特别是涉及一种交通信号灯控制系统。

背景技术：

交通对城市经济、社会等方面发展起着至关重要的作用，并且与人们的日常生活息息相关。但随着经济社会的高速发展和城市化进程的加快，机动车保有量迅速增加，城市交通问题日趋严重。

在道路交通中存在这种现象，在一些由多条道路交叉的路口，在同一路口沿某一道路行驶的车辆车流量较大，而沿其它道路行驶的车辆车流量较小，但对应各条道路设置的交通信号灯的点亮时间是相同的，因此容易造成车流量较大的车道出现车辆积压情况，降低了城市道路运行的效率。并且，由于车辆在等待通行过程中仍处于工作状态，长时间原地不动或者龟速前进，会产生大量的有毒气体以及悬浮颗粒物，会对自然环境造成影响。也会对居民的身心健康产生危害。

因此，如何优化地分配交通路口交通指示灯的点亮时间，以减少在交通路段出现车辆积压情况，具有十分重要的意义。

技术实现要素：

本发明的目的是提供一种交通信号灯控制系统，实现了优化地分配交通路口对应各道路设置的交通信号灯的点亮时间，有助于减少在交通路段出现车辆积压情况。

为实现上述目的，本发明提供如下技术方案：

一种交通信号灯控制系统，包括：

图像采集模块，用于分别获取交汇于同一路口的各条路段的路面图像，并将获得的图像传输给图像处理模块；

所述图像处理模块，用于从所述图像中检测车辆特征并分别统计各条路段上分别向不同方向行驶车辆的车流量数据；

时间分配模块，用于对所述各条路段的分别向不同方向行驶车辆的车流量数据进行综合分析，计算所述各条路段对应的通行信号灯和禁行信号灯的点亮时间，以使得所述各条路段对应的交通信号灯按照计算的点亮时间亮灭变化时所述各条路段上车辆在最短时间内通过所述路口；

信号灯控制模块，用于根据计算得到的各条路段对应的交通信号灯的点亮时间计算结果，分别控制所述各条路段对应的交通信号灯亮灭变化。

优选的，所述图像采集模块包括多个分别设置在交汇于同一路口的所述各条路段上的摄像装置，所述摄像装置用于以预设频率拍摄其所在路段的路面图像；

所述图像采集模块还包括摄像控制器，所述摄像控制器用于若路段的车流量大于第一阈值，则控制该路段上设置的摄像装置增大拍摄频率，若路段的车流量小于第二阈值，则控制该路段上设置的摄像装置减小拍摄频率，所述第一阈值大于所述第二阈值。

优选的，所述图像处理模块具体用于根据所述图像中显示的路面车道线将所述图像划分为分别对应于不同车道的图像部分，分别从各图像部分提取车辆特征，并统计出该路段上直行的车流量、向左方行驶的车流量以及向右方行驶的车流量。

优选的，所述图像处理模块使用检测窗口从图像中检测车辆特征，所述检测窗口具体用于：

将所述图像转换为灰度图像；

对得到的灰度图像的每一像素计算一阶梯度；

将所述图像分解为多个大小相同的单元，将彼此相邻的预设数量个所述单元构成一区块，将所述区块包括的所有像素的梯度矢量集合为所述区块的特征向量，将所述图像包括的所有区块的特征向量依次串联生成所述图像的特征向量。

优选的，所述检测窗口还具体用于对所述图像的特征向量中每一像素的梯度矢量强度进行归一化处理。

优选的，所述图像处理模块用于从图像中检测车辆特征并统计车流量包括所述图像处理模块具体用于：

使用所述检测窗口对所述图像扫描，筛选出能够检测出车辆特征的窗口；

将筛选出的窗口图像输入到预先训练好的分类器中，筛选出窗口图像被确定存在车辆的窗口图像；

对确定存在车辆的窗口图像统计数量。

优选的，所述图像处理模块还具体用于使用非极大值抑制法对筛选出的确定存在车辆的窗口图像进行处理，具体包括：

将筛选出的确定存在车辆的窗口图像按照检测分数从高到低依次排列，将第一个窗口作为抑制窗口，所述检测分数表征了窗口图像包含车辆特征的多少，所述检测分数越高表示窗口图像包含车辆特征越多；

从第二个窗口开始依次将排列的每一窗口作为被抑制窗口，计算所述抑制窗口与所述被抑制窗口的面积重合率，若计算得到的面积重合率大于阈值，则将当前的被抑制窗口排除，计算两窗口面积重合率的公式如下：p＝s1/s2，其中，p表示面积重合率，s1表示两个窗口面积的交，s2表示两个窗口面积的并。

优选的，训练所述分类器的方法包括：

制作图像样本，所制作的图像样本包括只包含单个车辆的图像样本以及不包含车辆的图像样本；

使用所述检测窗口采用的提取图像特征向量的方法对图像样本提取特征向量；

使用由图像样本得到的特征向量训练分类器。

优选的，使用由图像样本得到的特征向量训练分类器具体包括：

确定训练集合a＝{(x1,y1),…,(xi,yi)}∈(rⁿ×y)ⁱ，其中，xi表示第i个图像样本的特征向量，xi∈rⁿ，yi∈y＝{1，-1}，当输入的xi对应正样本时yi＝1，当输入的xi对应负样本时yi＝0，i＝1,2,…,i，i为图像样本的总数量；

确定核函数k(xi,yi)和惩罚参数c，其中c＞0；

根据以下公式构造凸二次规划问题并求解：

其约束条件为：求解出α^*＝(α1^*，α2^*，…，αl^*)；

根据以下公式计算b^*：

并根据以下公式构造决策函数，表示为：

f(x)＝sgn(g(x))；

其中，f(x)表示决策函数，

由上述技术方案可知，本发明所提供的一种交通信号灯控制系统包括图像采集模块、图像处理模块、时间分配模块和信号灯控制模块，其中，图像采集模块分别获取交汇于同一路口的各条路段的路面图像，并将获得的图像传输给图像处理模块，图像处理模块从图像中检测车辆特征并分别统计各条路段上分别向不同方向行驶车辆的车流量数据，时间分配模块对各条路段的分别向不同方向行驶车辆的车流量数据进行综合分析，计算各条路段对应的通行信号灯和禁行信号灯的点亮时间，以使得各条路段对应的交通信号灯按照计算的点亮时间亮灭变化时各条路段上车辆在最短时间内通过路口，信号灯控制模块根据计算得到的各条路段对应的交通信号灯的点亮时间计算结果，分别控制各条路段对应的交通信号灯亮灭变化。

本发明提供的交通信号灯控制系统，对于交汇于同一路口的各条路段，综合地分析各条路段的车流量而分配各条路段对应的通行信号灯和禁行信号灯的点亮时间，使得各条路段上车辆在最短时间内通过，从而实现优化地分配交通路口对应各道路设置的交通信号灯的点亮时间，有助于减少在交通路段出现车辆积压情况。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种交通信号灯控制系统的示意图；

图2为本发明又一实施例提供的一种交通信号灯控制系统的示意图；

图3为本发明实施例中从图像中检测车辆特征的方法流程图；

图4为本发明实施例中从图像中检测车辆特征并统计车流量的方法流程图；

图5为本发明实施例中训练分类器的方法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

请参考图1，本发明实施例提供的一种交通信号灯控制系统，包括：

图像采集模块10，用于分别获取交汇于同一路口的各条路段的路面图像，并将获得的图像传输给图像处理模块11；

所述图像处理模块11，用于从所述图像中检测车辆特征并分别统计各条路段上分别向不同方向行驶车辆的车流量数据；

时间分配模块12，用于对所述各条路段的分别向不同方向行驶车辆的车流量数据进行综合分析，计算所述各条路段对应的通行信号灯和禁行信号灯的点亮时间，以使得所述各条路段对应的交通信号灯按照计算的点亮时间亮灭变化时所述各条路段上车辆在最短时间内通过所述路口；

信号灯控制模块13，用于根据计算得到的各条路段对应的交通信号灯的点亮时间计算结果，分别控制所述各条路段对应的交通信号灯亮灭变化。

其中，图像处理模块11从对应路段的路面图像中检测车辆特征，并统计该路段上分别向不同方向行驶车辆的车流量数据。

时间分配模块12对统计得到的各条路段分别向不同方向行驶车辆的车流量数据进行综合分析，计算出各条路段对应的通行信号灯和禁行信号灯的点亮时间，以使得各条路段对应的交通信号灯按照计算的点亮时间亮灭变化时所述各条路段上车辆能够在最短时间内通过该路口。

本实施例提供的交通信号灯控制系统，对于交汇于同一路口的各条路段，综合地分析各条路段的车流量进而分配各条路段对应的通行信号灯和禁行信号灯的点亮时间，使得各条路段上车辆在最短时间内通过，从而实现优化地分配交通路口对应各道路设置的交通信号灯的点亮时间，减少在交通路段出现车辆积压情况。

下面结合具体实施方式对本实施例交通信号灯控制系统进行详细说明。

请参考图2，本实施例提供的交通信号灯控制系统包括图像采集模块10、图像处理模块11、时间分配模块12和信号灯控制模块13。

图像采集模块10用于分别获取交汇于同一路口的各条路段的路面图像，并将获得的图像传输给图像处理模块11。在具体实施时，可以在交汇于同一路口的各条路段上分别设置摄像装置来获取道路的路面图像。

进一步优选的，可参考图2，图像采集模块10包括多个分别设置在交汇于同一路口的各条路段上的摄像装置100，所述摄像装置100用于以预设频率拍摄其所在路段的路面图像。所述图像采集模块10还包括摄像控制器101，所述摄像控制器101用于若路段的车流量大于第一阈值，则控制该路段上设置的摄像头增大拍摄频率，若路段的车流量小于第二阈值，则控制该路段上设置的摄像头减小拍摄频率，所述第一阈值大于所述第二阈值。

设定第一阈值k1和第二阈值k2，k1＞k2，图像处理模块11根据获取的路段的路面图像，能够统计出该条路段上行驶车辆的车流量，摄像控制器101根据图像处理模块11统计的车流量数据，若判断某一路段的车流量大于第一阈值k1，表明当前该路段上车流量较大，则控制该路段上设置的摄像装置增大拍摄频率，这样能够对道路上重要的交通信息进行高密度采集。若判断某一路段的车流量小于第二阈值k2，表明当前该路段上车流量较小，则控制该路段上设置的摄像装置减小拍摄频率，这样能减少数据采集量，降低系统功耗以及进行数据处理的运算功耗。

图像处理模块11用于从图像中检测车辆特征并分别统计各条路段上分别向不同方向行驶车辆的车流量数据。

在道路路面上画有车道线将道路划分出直行车道、向左行驶车道和向右行驶车道，具体的，本实施例中图像处理模块11具体用于根据所述图像中显示的路面车道线将所述图像划分为分别对应于不同车道的图像部分，分别从各图像部分提取车辆特征，并统计出该路段上直行的车流量、向左方行驶的车流量以及向右方行驶的车流量。

进一步具体的，所述图像处理模块11使用检测窗口从图像中检测车辆特征，请参考图3，所述检测窗口从图像中检测车辆特征的方法具体包括以下步骤：

s20：将所述图像转换为灰度图像。

实际拍摄的图像经常受到光照强度的影响，为减少光照强度对图像的影响，可将图像在图像色彩空间进行归一化处理，即将图像转换为灰度图像。在具体实施时，可采用以下公式将图像转换为灰度图像：

g(x，y)＝0.3×r+0.59×g+0.11×b；

其中，g(x，y)表示转换后图像像素(x，y)的灰度值，r表示原图像像素(x，y)的r分量，g表示原图像像素(x，y)的g分量，b表示原图像像素(x，y)的b分量。

其次，在图像的纹理强度中，图像局部的表层曝光贡献的占比是非常大的，为了减少受不同光照强度因素的影响，可以对图像进行伽马压缩处理即对图像在伽马空间进行归一化处理来矫正图像。在具体实施时，可根据以下公式对图像进行处理：

y(x，y)＝i(x，y)^γ；

其中，i(x，y)表示原图像像素(x，y)的像素值，y(x，y)表示处理后图像像素(x，y)的像素值。可以初步确定γ＝0.5进行计算。

另外，也可采用log对数法对图像在伽马空间进行归一化处理，也在本发明保护范围内。

s21：对得到的灰度图像的每一像素计算一阶梯度。

具体的，可根据以下公式进行计算：

gx(x，y)＝i(x+1，y)-i(x-1，y)；

gy(x，y)＝i(x，y+1)-i(x，y-1)；

α(x，y)＝arctan[gy(x，y)/gx(x，y)]；

其中，gx(x，y)表示像素(x，y)的水平方向梯度分量，gy(x，y)表示像素(x，y)的垂直方向梯度分量，g(x，y)表示像素(x，y)的梯度幅值，α(x，y)表示像素(x，y)的梯度方向。

其中，水平方向梯度分量、竖直方向梯度分量分别由[-1,0,1]、[-1,0,1]^t算子求得，由梯度幅值和梯度方向描述像素的梯度矢量。

s22：将所述图像分解为多个大小相同的单元，将彼此相邻的预设数量个所述单元构成一区块，将所述区块包括的所有像素的梯度矢量集合为所述区块的特征向量，将所述图像包括的所有区块的特征向量依次串联生成所述图像的特征向量。

在求解完图像中所有像素的灰度梯度之后，将图像分解成大量大小相同的单元，各单元之间不重叠，可称为细胞单元，并将彼此相邻的预设数量个单元构成一区块。在具体实施时，细胞单元可以是包括m1×m1个像素的方形单元，将相邻的m2个m1×m1单元构成一个区块，将区块包括的所有像素的梯度矢量集合则得到m1×m2维的向量，作为区块的特征向量。最后，图像包括的所有区块的特征向量依次串联，则得到图像的特征向量，表示图像的梯度方向特征。

进一步优选的，所述的从图像中检测车辆特征的方法还包括步骤s23：对所述图像的特征向量中每一像素的梯度矢量强度进行归一化处理。这样进一步减少边缘、阴影或者光照等干扰因素带来的影响。

进一步的，请参考图4，图像处理模块11从图像中检测车辆特征并统计车流量的方法具体包括以下步骤：

s30：使用所述检测窗口对所述图像扫描，筛选出能够检测出车辆特征的窗口。

在对图像扫描前先确定窗口的大小，要尽量使窗口大小与图像中车辆大小一致。

检测窗口的尺寸确定后，设置步长，然后扫描图像，从图像中搜索出车辆目标。在扫描完成一遍之后，调整窗口的大小再进行扫描，由于路面上存在车辆的车型大小不同，通过调整窗口大小对图像进行多次扫描识别，以免漏检车辆。

s31：将筛选出的窗口图像输入到预先训练好的分类器中，筛选出窗口图像被确定存在车辆的窗口图像。

预先训练好的分类器能够将输入图像分类为确定存在车辆的图像和不存在车辆的图像。

s32：对确定存在车辆的窗口图像统计数量。以进一步统计得到车流量数据。

进一步优选的，图像处理模块11还具体用于使用非极大值抑制法对筛选出的确定存在车辆的窗口图像进行处理，处理过程具体包括以下步骤：

s40：将筛选出的确定存在车辆的窗口图像按照检测分数从高到低依次排列，将第一个窗口作为抑制窗口，所述检测分数表征了窗口图像包含车辆特征的多少，所述检测分数越高表示窗口图像包含车辆特征越多。

s41：从第二个窗口开始依次将排列的每一窗口作为被抑制窗口，计算所述抑制窗口与所述被抑制窗口的面积重合率，若计算得到的面积重合率大于阈值，则将当前的被抑制窗口排除，计算两窗口面积重合率的公式如下：p＝s1/s2，其中，p表示面积重合率，s1表示两个窗口面积的交，s2表示两个窗口面积的并。

若计算出的面积重合率大于预先设定的阈值，则认为这两个窗口图像的重复率高，可以默认为这两个窗口图像代表同一车辆目标，可将这个被抑制窗口排除。若计算出的面积重合率不大于预先设定的阈值，则将排列的下一个窗口作为被抑制窗口，计算该被抑制窗口与抑制窗口的面积重合率并进行判断，如此依次对排列的每一个窗口进行判别。使用非极大值抑制法对筛选出的确定存在车辆的窗口进行处理，有助于在图像中找到车辆更为准确的位置。

在上述从图像中检测车辆特征并统计车流量的方法中，训练所使用的分类器可采用以下方法，请参考图5，具体包括以下步骤：

s50：制作图像样本，所制作的图像样本包括只包含单个车辆的图像样本以及不包含车辆的图像样本。

所制作的图像样本包括正样本和负样本，正样本即只包含单个车辆的图像样本，负样本为不包含车辆的图像样本，即图像中包含路面或者行人但不包含车辆。使用的图像样本既包括正样本和负样本，训练得到的分类模型能够很好地将车辆区分出。另外制作的负样本数量应该远大于正样本数量，负样本与正样本的数量比最好远大于2:1。

s51：使用所述检测窗口采用的提取图像特征向量的方法对图像样本提取特征向量。

本步骤具体处理过程可参考上述从图像中检测车辆特征的方法的具体描述，在此不再赘述。

s52：使用由图像样本得到的特征向量训练分类器，具体包括以下过程：

s520：确定训练集合a＝{(x1,y1),…,(xi,yi)}∈(rⁿ×y)ⁱ，其中，xi表示第i个图像样本的特征向量，xi∈rⁿ；yi∈y＝{1，-1}，当输入的xi对应正样本时yi＝1，当输入的xi对应负样本时yi＝0，i＝1,2,…,i，i为图像样本的总数量。

s521：确定核函数k(xi,yi)和惩罚参数c，其中c＞0。

具体的，基于径向基核函数的具体公式为：

示例性的，惩罚参数可选择c＝10。

s522：根据以下公式构造凸二次规划问题并求解：

其约束条件为：

即可求解α^*＝(α1^*，α2^*，…，αl^*)，α*表示求解该问题的拉格朗日乘子的解集。

s523：根据以下公式计算b^*，b^*为用于判断样本是否支持向量的参数：

并根据以下公式构造决策函数，表示为：

f(x)＝sgn(g(x))；

其中，f(x)表示决策函数，

得到函数f(x)就可以对输入图像进行判断，如果输出结果是0，则表示输入图像中不存在车辆；若输出结果为1，则表示输入图像中存在车辆。

以上对本发明所提供的一种交通信号灯控制系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。