[發明專利]基于卷積神經網絡的圖片自學習交通信號控制方法

有效

• 申請號: 201811316092.9
• 申請日: 2018-11-07
• 公開（公告）號: CN109410608B
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 朱國華;王婉秋
• 申請（專利權）人: 澤一交通工程咨詢（上海）有限公司
• 主分類號: G08G1/08
• 分類號: G08G1/08;G08G1/04;G08G1/01
• 代理公司: 上海知義律師事務所 31304
• 代理人: 劉峰

本發明公開了基于卷積神經網絡的圖片自學習交通信號控制方法，對不同相位關鍵車流車輛排隊長度的圖片進行分類，建立圖片數據集，以及不同相位關鍵車流車輛排隊長度的類別圖片與相應的綠燈顯示時間的關系庫；以所述關系庫為基礎，得到當前周期中當前相位綠燈顯示時間，通過圖片處理裝置和信號控制器實現實時信號控制。本發明基于圖片自學習的交通信號控制方法，不需要交通流檢測器檢測的精確交通流量，而是通過獲取不同周期不同相位的排隊車輛圖片，進而得出綠燈顯示時間，對道路交通進行實時控制。

技術領域

本發明涉及交通信號控制技術領域，特別涉及基于卷積神經網絡的圖片自學習交通信號控制方法。

背景技術

平面交叉口延誤是城市道路車輛延誤的主要形式，據統計城市道路中80％的延誤是由于平臺交叉口導致的。實行交通信號控制的平臺交叉口，交通信號控制方案的不合理也是導致交叉口車輛延誤的重要因素。因此，對交通信號控制方法的研究一直是智能交通領域研究的重點。

目前我國信號控制中的配時方法有美國的HCM法、英國的TRRL法(也稱Webster法)、澳大利亞的ARRB法，中國《城市道路設計規范》中推薦的停車線法、沖突點法等。這些信號配時方法大都以車輛通行率最大或者車輛延誤最小為優化目標，計算信號周期，在根據車流量分配各個相位的綠燈放行時間。交通信號控制系統交通參數主要依靠環形線圈、微波等檢測器的等進行采集。隨著視頻處理技術成熟、視頻在智能交通的普及應用，越來越多的信號機廠商及互聯網企業開始將視頻作為信號控制系統的數據來源，如青島海信的Hicon系統、天津通翔的Smart UTC系統、浙大中控的Intel lific系統、上海寶康的Mitco系統、Alibaba在杭州的城市大腦項目、華為的交通信號優化的“TrafficGo方案”等。

將視頻作為信號控制系統的數據來源，對于交通信號的優化取得了較為理想的效果，但存在各家算法不公開，且視頻處理復雜、大量視頻傳輸需要高帶寬網絡問題的缺點，投入成本較大。

深度學習是近十年來人工智能領域取得的重要突破。它在語音識別、自然語言處理、計算機視覺、圖片與視頻分析、多媒體等諸多領域的應用取得了巨大成功，現有的深度學習模型屬于神經網絡，神經網絡的起源可追溯到20世紀40年代，曾經在八九十年代流行。

2006年,Hinton等在Science上提出了深度學習，這篇文章的兩個主要觀點是：

(1)多隱層的人工神經網絡具有優異的特征學習能力,學習到的數據更能反映數據的本質特征,有利于可視化或分類；

(2)深度神經網絡在訓練上的難度,可以通過逐層無監督訓練有效克服。在2012年，Alex Krizhevsky團隊憑借卷積神經網絡在ImageNet挑戰賽中，把圖片識別分類誤差記錄從26％降到了15％，大大提高了圖片的分類水平。

與淺層學習模型相比，深度學習構造了具有多隱層的學習模型，設計了有效的學習算法并能夠加速計算，從而能夠對大數據進行處理；通過深度學習能夠得到更高層的特征，從而提高樣本的識別率或預測的準確率。基于深度學習架構的人工智能如今已被廣泛應用于計算機視覺、自然語言處理、傳感器融合、目標識別、自動駕駛等汽車行業的各個領域。

在信號控制實際應用過程中，信號控制系統并不需要非常精確的交通流量。可以通過從視頻中截取帶有關鍵信息的圖片，進行計算機視覺圖片自學習方法，判斷交叉口交通狀況，進而對優化信號控制方案。

王新元等利用機器視覺，采用四個STM32F103作為嵌入式控制器，利用攝像頭采集路口車流情況，將四個不同方向的車流情況信息傳輸給控制器，控制器進行匯總并做出決策，實現智能調控信號燈的變換時間。

浙江工業大學湯一平教授在2016年申請發明專利《一種基于深度卷積神經網絡的交通信號燈控制方法》(專利公開號CN106023605A)公開一種基于深度卷積神經網絡的交通信號燈控制方法，通過檢測各個出口道的流量，解決交叉口出口交通流量溢出的問題。