交通信号灯规律预测方法、系统及存储介质与流程

1.本发明涉及交通技术领域，尤其涉及一种交通信号灯规律预测方法、系统及存储介质。


背景技术：

2.目前，获取由交通信号控制机控制的交通信号灯的运行规律，可以具备较大的经济价值。例如，通过获取前方交通信号灯未来一段时间的运行情况，驾驶员就可以在电子地图的帮助下方便地调控速度，可以为赶上前方的绿灯而适当加快速度，也可以选择用最经济舒适的速度行驶。又例如，交通信号灯的运行规律可以为导航系统、无人驾驶提供决策依据，可以帮助车辆更好地选择路口，使车辆减少停车、刹车行为，提高行驶的便利性与舒适性，也最终提高交通道路的通行效率。
3.然而，本技术的发明人在研究中发现，目前交通信号灯规律预测技术存在着算法设计繁琐、准确率低、鲁棒性弱的技术问题。


技术实现要素：

4.本发明实施例提供交通信号灯规律预测方法、系统及存储介质，能够快速识别交通信号灯的状态，并对交通信号灯状态信息进行多模态矫正，提高对交通信号灯状态识别的准确度和鲁棒性，进而在预测交通信号灯规律时可以降低算法复杂度，提高预测准确性和鲁棒性。
5.第一方面，本技术提供一种交通信号灯规律预测方法，所述方法包括：
6.根据采样周期对预设路口的各个交通信号灯进行图像采集，得到各个参考时间点下各个所述交通信号灯对应的信号灯图像；
7.对所述各个参考时间点下各个所述交通信号灯对应的信号灯图像进行识别，得到各个参考时间点下各个所述交通信号灯对应的状态结果；
8.对所述各个参考时间点下各个所述交通信号灯对应的状态结果进行多模态矫正和数据融合，得到修正后的各个参考时间点下各个所述交通信号灯对应的修订状态结果，所述多模态矫正包括时序矫正、逻辑矫正和规律矫正；
9.根据所述各个参考时间下各个所述交通信号灯对应的修订状态结果进行统计，得到各个所述交通信号灯的运行规律。
10.结合第一方法，在一种可行的实现方式中，所述时序矫正，包括：
11.判断各个所述交通信号灯待矫正参考时间点的状态结果是否在所述待矫正参考时间点前后持续至少一段预设时间，若是，则维持所述交通信号灯待矫正参考时间点的状态结果不变，否则，将所述交通信号灯待矫正参考时间点的状态结果修改为所述一段预设时间内状态频次最高的状态结果。
12.结合第一方法，在一种可行的实现方式中，所述逻辑矫正，包括：
13.判断预定时间段内各个参考时间点下各个所述交通信号灯对应的状态结果是否
符合预设交通信号灯内在逻辑，所述预设交通信号灯内在逻辑与所述预设路口相对应；
14.若符合，则逻辑矫正完成，否则对所述预定时间段内各个参考时间点下所有所述交通信号灯的状态结果按照预设算法进行修改。
15.结合第一方法，在一种可行的实现方式中，所述规律矫正，包括：
16.根据获取的各个所述交通信号灯的运行规律，将各个所述交通信号灯待矫正参考时间点的状态结果修改为所述待矫正参考时间点至少一个整数规律周期之前的状态结果。
17.结合第一方法，在一种可行的实现方式中，在所述数据融合中，若所述时序矫正、所述逻辑矫正和所述规律矫正后得到的状态结果不一致，则将所述状态结果设置为异常值。
18.结合第一方法，在一种可行的实现方式中，所述方法还包括：根据所述交通信号灯的运行规律对所述采样周期进行调节，具体包括：
19.当在设定数目的交通信号灯状态结果获取周期内，所述交通信号灯的运行规律保持不变，则根据预设第一函数关系逐步增大采样周期；
20.当在设定数目的交通信号灯状态结果获取周期内，所述多模态矫正得到的状态结果相异的次数超过预定频次时，则根据预设第二函数关系逐步降低采样周期。
21.第二方面，本技术提供一种交通信号灯规律预测系统，包括主控模块、与所述主控模块连接的至少一个识别模块、以及与各个所述识别模块连接的至少一个采样模块；
22.所述至少一个采样模块，用于根据采样周期对预设路口的各个交通信号灯进行图像采集，得到各个参考时间点下各个所述交通信号灯对应的信号灯图像；
23.所述至少一个识别模块，用于对所述各个参考时间点下各个所述交通信号灯对应的信号灯图像进行识别，得到各个参考时间点下各个所述交通信号灯对应的状态结果；
24.所述主控模块，用于对所述各个参考时间点下各个所述交通信号灯对应的状态结果进行多模态矫正和数据融合，得到修正后的各个参考时间点下各个所述交通信号灯对应的修订状态结果，所述多模态矫正包括时序矫正、逻辑矫正和规律矫正；
25.所述主控模块，还用于根据所述各个参考时间下各个所述交通信号灯对应的修订状态结果进行统计，得到各个所述交通信号灯的运行规律。
26.结合第二方面，在一种可行的实现方式中，所述交通信号灯规律预测系统包括单路口部署模式；
27.在所述单路口部署模式中，所述系统包括对应于一个预设路口的主控模块、对应于所述预设路口中各个交通信号灯的各个采样模块，以及与所述各个采样模块分别连接的各个识别模块；
28.或者，在所述单路口部署模式中，所述系统包括对应于一个预设路口的主控模块、对应于所述预设路口中各个交通信号灯的各个采样模块，以及与所述主控模块连接的一个识别模块，所述识别模块还分别与各个采样模块相连接。
29.结合第二方面，在一种可行的实现方式中，所述交通信号灯规律预测系统还包括多路口部署模式：
30.在所述多路口部署模式中，所述系统包括对应于多个预设路口的主控模块、对应于各个预设路口中各个交通信号灯的各个采样模块，以及与所述各个采样模块分别连接的各个识别模块；
31.或者，在所述多路口部署模式中，所述系统包括对应于多个预设路口的主控模块、对应于各个所述预设路口中各个交通信号灯的各个采样模块，以及对应于各个预设路口的各个识别模块。
32.第三方面，本技术提供一种计算机可读存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在设备执行上述第一方面所述的交通信号灯规律预测方法。
33.本技术提供的交通信号灯规律预测方法、系统及存储介质，根据采样周期采集预设路口的各个交通信号灯在各个参考时间点下的信号灯图像，对信号灯图像进行识别，得到各个参考时间点下各个交通信号灯的状态结果，进一步对这些状态结果进行时序矫正、逻辑矫正和规律矫正的多模态矫正以及数据融合，得到修正后的修订状态结果，进而基于修订状态结果进行统计分析，得到各个交通信号灯的运行规律，相比于现有技术，能够快速识别交通信号灯的状态，并对交通信号灯状态信息进行多模态矫正，提高对交通信号灯状态识别的准确度和鲁棒性，进而在预测交通信号灯规律时可以降低算法复杂度，提高预测准确性和鲁棒性。
附图说明
34.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
35.图1a是本技术实施例提供的一种交通信号灯规律预测系统在单路口部署模式下的结构示意图；
36.图1b是本技术实施例提供的一种交通信号灯规律预测系统在单路口部署模式下的又一种结构示意图；
37.图1c是本技术实施例中的交通信号灯规律预测系统在单路口部署模式下的应用场景示意图；
38.图2a是本技术实施例提供的一种交通信号灯规律预测系统在多路口部署模式下的结构示意图；
39.图2b是本技术实施例提供的一种交通信号灯规律预测系统在多路口部署模式下的又一种结构示意图；
40.图3是本技术实施例中的交通信号灯规律预测系统的信号流示意图；
41.图4是本技术实施例提供的一种交通信号灯规律预测方法的流程示意图；
42.图5是本技术实施例中的多模态矫正的流程示意图。
具体实施方式
43.为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
44.应当明确，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作出创造性劳动前提下所获得的所有其
它实施例，都属于本发明保护的范围。
45.在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。
46.应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
47.应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述终端，但这些终端不应限于这些术语。这些术语仅用来将终端彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一终端也可以被称为第二终端，类似地，第二终端也可以被称为第一终端。
48.取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
49.在现有技术中，交通信号灯规律预测技术存在着算法设计繁琐、准确率低、鲁棒性弱的技术问题。基于此，本技术实施例提供一种交通信号灯规律预测系统，以对现有技术进行改进。
50.本技术实施例提供的一种交通信号灯规律预测系统，包括主控模块、与所述主控模块连接的至少一个识别模块、以及与各个所述识别模块连接的至少一个采样模块。
51.具体的，所述至少一个采样模块，用于根据采样周期对预设路口的各个交通信号灯进行图像采集，得到各个参考时间点下各个所述交通信号灯对应的信号灯图像。
52.所述至少一个识别模块，用于对所述各个参考时间点下各个所述交通信号灯对应的信号灯图像进行识别，得到各个参考时间点下各个所述交通信号灯对应的状态结果。
53.所述主控模块，用于对所述各个参考时间点下各个所述交通信号灯对应的状态结果进行多模态矫正和数据融合，得到修正后的各个参考时间点下各个所述交通信号灯对应的修订状态结果，所述多模态矫正包括时序矫正、逻辑矫正和规律矫正。
54.所述主控模块，还用于根据所述各个参考时间下各个所述交通信号灯对应的修订状态结果进行统计，得到各个所述交通信号灯的运行规律。
55.本技术实施例提供的交通信号灯规律预测系统，根据采样周期采集预设路口的各个交通信号灯在各个参考时间点下的信号灯图像，对信号灯图像进行识别，得到各个参考时间点下各个交通信号灯的状态结果，进一步对这些状态结果进行时序矫正、逻辑矫正和规律矫正的多模态矫正以及数据融合，得到修正后的修订状态结果，进而基于修订状态结果进行统计分析，得到各个交通信号灯的运行规律，相比于现有技术，能够快速识别交通信号灯的状态，并对交通信号灯状态信息进行多模态矫正，提高对交通信号灯状态识别的准确度和鲁棒性，进而在预测交通信号灯规律时可以降低算法复杂度，提高预测准确性和鲁棒性。
56.下面在本技术的一些更为详尽的实施例中，对上述的交通信号灯规律预测系统进行说明。
57.在本技术的实施例中，交通信号灯规律预测系统，可以包括单路口部署模式和多路口部署模式。
58.在本技术实施例中，所谓单路口部署模式，即是本技术实施例中的交通信号灯规律预测系统主要用于对一个预设路口的各个交通信号灯完成信号灯图像采集、信号灯状态结果的识别、多模态矫正以及各个交通信号灯规律预测。所述的预设路口可以但不限于是十字路口、丁字路口等多种形式的路口，每种路口又可以设置有多个交通信号灯。每个交通信号灯又可以预设为不同形式，例如在一种情形下，交通信号灯可以包含红、黄、绿三种颜色的光源灯，在其它的情形下，交通信号灯可以只包含一个光源，该光源在控制信号的控制下可以切换红、绿、黄三种颜色。此外，在一些路口下，交通信号灯不仅包括红、黄、绿三色的光源灯，还与箭头灯并行配合使用。
59.在本技术实施例种，所谓多路口部署模式，即是交通信号灯规律预测系统主要用于对多于一个的预设路口的所有交通信号灯完成信号灯图像采集、状态结果识别、多模态矫正、规律统计预测灯处理。所述的多于一个的预设路口，可以包含多种不同形式的路口，每个路口又包含至少一个交通信号灯，交通信号灯也可以具有不同的形式。在此，关于路口的形式、交通信号灯的形式就不再举例赘述。
60.在图1a，为一种单路口部署模式的交通信号灯规律预测系统。该系统包括主控模块101、识别模块102以及多个采样模块102。
61.具体的，主控模块101和识别模块102的数目为一个，并且集成于同一物理装置100中，所述的物理装置100例如可以单不限于是cpu、mcu、fpga、soc等，具有图像识别、信号控制和处理等计算能力。
62.在图1a中，采样模块103的数目可以根据预设路口具体交通信号灯的数目设置，例如可以将采样模块103的数目设置与交通信号灯的数目相等，使一个采样模块103用于采集一个交通信号灯的信号灯图像。采样模块可以是具有图像采集功能的模块，例如可以包括有摄像头等装置。
63.在图1a中，多个采样模块103用于根据主控模块101设定的采样周期，在各个参考时间点采集一个预设路口的多个交通信号灯的信号灯图像，并传输给识别模块102进行识别处理，得到各个参考时间点下的各个交通信号灯的状态结果，主控模块101对这些状态结果进行多模态矫正，以及基于矫正后的状态结果进行统计分析，进行各个交通信号灯的规律预测。
64.在图1a的实施例中，采样模块103可以以有线或无线的方式与识别模块102进行通信。
65.在图1b中，为单路口部署模式的另一种结构。该交通信号灯规律预测系统，同样包括主控模块101、识别模块102、采样模块103。
66.具体的，主控模块101为单独的装置，例如可以但不限于是cpu、mcu等控制芯片。
67.在图1b中，每一个采样模块103和识别模块102集成于同一物理装置200中，或者采样模块103和识别模块102是独立的装置，但设置的位置相互邻近。
68.采样模块103是具有图像采集功能的模块，例如包含有摄像头。采样模块103的数目可以根据具体预设路口的形式来设定，例如采样模块103的数目可以与预设路口的交通信号灯的数目相等。
69.识别模块102可以是具有图像处理和识别功能的专用装置，例如isp(image signal processing)专用ip芯片。
70.识别模块102可以基于信号灯图像中的图像特征进行交通信号灯的状态结果的识别，也可以基于卷积神经网络等算法进行交通信号灯状态结果的快速识别。通常，交通信号灯的状态结果用于指示当前交通信号灯的亮灯颜色，如红、绿或黄。
71.在图1b的实施例中，多个采样模块103用于根据主控模块101设定的采样周期，在各个参考时间点采集一个预设路口的多个交通信号灯的信号灯图像，并传输给各个采样模块103对应的识别模块102进行识别处理，得到各个参考时间点下的各个交通信号灯的状态结果，各个识别模块102再将状态结果传输给主控模块101，主控模块101对这些状态结果进行多模态矫正，以及基于矫正后的状态结果进行统计分析，进行各个交通信号灯的规律预测。
72.在图1b中，采样模块103可以以有线或无线的方式与对应的识别模块102进行通信，识别模块102也可以以有线或无线的方式与主控模块101进行通信。
73.在图1c中，提供了一种单路口部署模式的交通信号灯规律预测系统的应用场景示意图。
74.在图1c中，预设路口为十字路口，具有东、南、西、北四个通行方向。在图1c中，预设路口共计设有四个交通信号灯，每一交通信号灯又同时具有红、黄、绿三色的光源灯。
75.在本技术的实施例中，图1a或图1b的系统结构都可以部署在图1c的场景中。
76.具体的，在一种方式下，主控模块101与识别模块102集成于同一装置中，或二者位置邻近，即主控模块101和识别模块102同时设置于图1c中的路测单元。在该系统中共具有四个采集模块103，每一采集模块103设置于路口的适当位置，如图1c中的摄像头的图标位置处，每一采集模块103用于采集对面一个交通信号灯的信号灯图像。
77.在一种方式下，系统具有一个主控模块、四个识别模块和四个采样模块。主控模块101单独设置于路侧单元，一个识别模块102和一个采样模块103集成于一体或位置邻近，设置于图1c中的摄像头图标位置处。
78.本技术实施例中的交通信号灯规律预测系统还包括多路口部署模式，具体的示意图可以参照图2a和图2b。
79.在图2a中，所述系统包括对应于多个预设路口(路口1
……
路口n)的主控模块201、对应于各个预设路口中各个交通信号灯的各个采样模块203，以及与所述各个采样模块203分别连接的各个识别模块202。
80.在图2b中，所述系统包括对应于多个预设路口(路口1
……
路口n)的主控模块201、对应于各个所述预设路口中各个交通信号灯的各个采样模块203，以及对应于各个预设路口的各个识别模块202。
81.图3显示了本技术实施例交通信号灯规律预测系统中各个模块的信号流方向。图3的信号流方法可以在图1a、图1b、图2a、图2b中多种系统结构中实现。
82.具体的，采样模块根据主控模块设定的采样周期对相应的交通信号灯进行采样，得到各个参考时间点下各个所述交通信号灯对应的信号灯图像。具体的，参考时间点是主控模块、识别模块和采样模块在完成时间同步后，每隔一个采样周期而出现的时间点，并且在这些时间点，采样模块完成对交通信号灯的图像采集。例如，假设采样周期为t，首次采样
时间为0，那么参考时间点可以是0、t、2t
……
nt等等，同理，假设采样周期为t，首次采样时间为t0，则参考时间点相应为t0、t0+t、t0+2t
……
t0+nt等等。采样模块在完成图像采集后，完成信号流1，即向识别模块发送信号灯图像。
83.识别模块用于对所述各个参考时间点下各个所述交通信号灯对应的信号灯图像进行识别，得到各个参考时间点下各个所述交通信号灯对应的状态结果。在完成状态结果的识别后，识别模块用于完成信号流2，即向主控模块发送指定信息，所述的指定信号包括信号灯id、参考时间点以及各个信号灯对应的状态结果。在本技术实施例中，信号灯id可以有多种形式，例如，id共有n位，其中x位代表区域、y位代表路口对应的位置，z位代表某路口的各个方向，这里满足x+y+z＝n。在本技术实施例中，信号灯id还可以是其它的形式，例如自定义网格等等。本技术实施例的参考时间点如前所述，在此不再赘述。状态结果用于标识各个交通信号灯当前的亮灯颜色。
84.主控模块用于对所述各个参考时间点下各个所述交通信号灯对应的状态结果进行多模态矫正和数据融合，得到修正后的各个参考时间点下各个所述交通信号灯对应的修订状态结果。
85.主控模块还用于根据所述各个参考时间下各个所述交通信号灯对应的修订状态结果进行统计，得到各个所述交通信号灯的运行规律。
86.具体的，在本技术实施例中，所述的多模态矫正包括时序矫正、逻辑矫正和规律矫正。
87.所述时序矫正，是针对预设路口的一个交通信号灯的状态结果进行矫正。原则上，某一个具体交通信号灯的状态结果必然持续一段时间。
88.具体的，时序矫正，包括：
89.判断各个所述交通信号灯待矫正参考时间点的状态结果是否在所述待矫正参考时间点前后持续至少一段预设时间，若是，则维持所述交通信号灯待矫正参考时间点的状态结果不变，否则，将所述交通信号灯待矫正参考时间点的状态结果修改为所述一段预设时间内状态频次最高的状态结果。
90.在一个更为具体的实施例中，时序矫正，可以包括：
91.获取各个所述交通信号灯待矫正参考时间点t
ref
前后nt时间段内共计2n个状态结果，其中，所述t为采样周期，所述n为预设自然数；
92.统计所述2n个状态结果中与待矫正参考时间点t
ref
初始状态结果一致和不一致的个数n1及n2；
93.如果n1大于等于n2，则维持待矫正参考时间点t
ref
状态结果不变，否则将待矫正参考时间点t
ref
对应的状态结果修改为所述2n个状态结果中频次最多的状态结果。
94.所述逻辑矫正，是针对预设路口中的多个交通信号灯的状态结果的组合进行矫正。原则上，在一个具体的预设路口中，多个交通信号灯的状态结果必然满足一定的内在逻辑规则。例如对于十字路口的圆盘灯情形，正常情况下，其信号灯基本内在逻辑为对向路口信号灯状态结果相同，异向路口信号灯状态结果相异；特别地，一些具备“延时”设计的信号灯，有时路口会出现短暂的四个红灯或其他情况，可根据具体情况制定相应内在逻辑。对于十字路口带左转箭头灯情形，可对箭头灯与圆盘灯分别进行逻辑矫正，该情形正常情况下两种信号灯内在逻辑仍为对向路口信号灯状态结果相同，异向路口信号灯状态结果相异。
在本技术实施例中，存在特殊情况时，也可根据具体情况制定相应内在逻辑，在本技术实施例中，并不对具体预设路口的具体内在逻辑规则进行限定。
95.具体的，逻辑矫正，可以包括：
96.判断预定时间段内各个参考时间点下各个所述交通信号灯对应的状态结果是否符合预设交通信号灯内在逻辑，所述预设交通信号灯内在逻辑与所述预设路口相对应；
97.若符合，则逻辑矫正完成，否则对所述预定时间段内各个参考时间点下所有所述交通信号灯的状态结果按照预设算法进行修改。
98.在一个实施例中，所述预设算法可以但不限于是时序矫正的处理算法。即当预定时间段内各个参考时间点下各个所述交通信号灯对应的状态结果不符合预设交通信号灯内在逻辑时，则利用时序矫正的算法对所有交通信号灯的状态结果进行矫正，在时序矫正完成后，再次判断是否符合内在逻辑，在一定的循环次数内，使预定时间段内各个参考时间点下的所有交通信号灯的状态结果满足预设交通信号灯内在逻辑，如无法实现时，则将状态结果设为异常值等等。在本技术的实施例中，当交通信号灯的状态结果被设为异常值，在统计分析交通信号灯的运行规律时，将不会被采用。
99.所述规律矫正，是基于每个交通信号灯必然满足一定的规律来实现对状态结果的矫正。
100.所述规律矫正，可以包括：
101.根据获取的各个所述交通信号灯的运行规律，将各个所述交通信号灯待矫正参考时间点的状态结果修改为所述待矫正参考时间点至少一个整数规律周期之前的状态结果。
102.在一个更为具体的实施例中，所述规律矫正包括：
103.根据获取的各个所述交通信号灯的运行规律，将各个所述交通信号灯待矫正参考时间点t
ref
的状态结果修改所述待矫正参考时间点t
ref
一个规律周期r+g+y之前的状态结果，其中所述r为一个规律周期内红灯持续时间，所述g为一个规律周期内绿灯持续时间，所述y为一个规律周期内黄灯持续时间。
104.在本技术实施例中，在主控模块完成时序矫正、逻辑矫正、规律矫正的处理后，还进行数据融合的处理。一般情况在，在采集模块采集的光照等外部环境适宜、采样周期合理、识别模块的识别算法准确率适宜的情况下，时序矫正、逻辑矫正、规律矫正后的状态结果通常是一致的，在特殊情况下，时序矫正、逻辑矫正、规律矫正后得到的状态结果会不一致，若所述时序矫正、所述逻辑矫正和所述规律矫正后得到的状态结果不一致，则将所述状态结果设置为异常值。某一参考时间点的状态结果被设置为异常值，将不会被用于作为规律的统计分析，即可以对处于该参考时间点后的一段状态结果(不含异常值)进行统计分析，得到交通信号灯的运行规律。
105.在本技术实施例中，在主控模块完成数据融合后，还用于根据所述各个参考时间下各个所述交通信号灯对应的修订状态结果进行统计，得到各个所述交通信号灯的运行规律。
106.在图3实施例中，主控模块还可以用于实现信号流3。在主控模块实现信号流3时，可以以有线或无线的方式直接与采样模块进行通信。
107.在图3中，主控模块实现信号流3，即向采样模块发送反馈指令，实现采样周期的调整。
108.在本技术实施例中，主控模块基于兼顾采样图像的识别准确率和系统耗电量的原则进行采样周期的调整。
109.具体的，主控模块根据所述交通信号灯的运行规律对所述采样周期进行调节，具体包括：
110.当在设定数目的交通信号灯状态结果获取周期内，所述交通信号灯的运行规律保持不变，则根据预设第一函数关系逐步增大采样周期；
111.当在设定数目的交通信号灯状态结果获取周期内，所述多模态矫正得到的状态结果相异的次数超过预定频次时，则根据预设第二函数关系逐步降低采样周期。
112.在一个更为具体的实施例中，主控模块根据所述交通信号灯的运行规律对所述采样周期进行调节，具体包括：
113.当在k个交通信号灯状态结果获取周期内，所述交通信号灯的运行规律保持不变，则根据公式t
k+1
＝(1+
∝
)tk增大采样周期t；
114.当在k个交通信号灯状态结果获取周期内，所述多模态矫正得到的状态结果相异的次数超过预定频次时，则依照公式t
k+1
＝(1
‑∝
)tk降低采样周期t；
115.其中，k为不小于零的整数，0＜常数
∝
＜1，t0为初始设定采样周期。
116.上述的反馈指令，对采样周期进行调整，在图像识别准确率和系统耗电量之间作了一个动态调节的权衡，使系统在达到理想的识别率的同时，还节约能量。
117.参见图4，在本技术的实施例中还提供了一种交通信号灯规律预测方法。
118.本技术实施例提供的交通信号灯规律预测方法，可以但不限于应用于图1a、图1b、图2a或图2b的系统中。
119.具体的，所述的交通信号灯规律预测方法，包括：
120.步骤s41，根据采样周期对预设路口的各个交通信号灯进行图像采集，得到各个参考时间点下各个所述交通信号灯对应的信号灯图像；
121.步骤s42，对所述各个参考时间点下各个所述交通信号灯对应的信号灯图像进行识别，得到各个参考时间点下各个所述交通信号灯对应的状态结果；
122.步骤s43，对所述各个参考时间点下各个所述交通信号灯对应的状态结果进行多模态矫正和数据融合，得到修正后的各个参考时间点下各个所述交通信号灯对应的修订状态结果，所述多模态矫正包括时序矫正、逻辑矫正和规律矫正；
123.步骤s44，根据所述各个参考时间下各个所述交通信号灯对应的修订状态结果进行统计，得到各个所述交通信号灯的运行规律。
124.上述本技术实施例提供的交通信号灯规律预测方法，根据采样周期采集预设路口的各个交通信号灯在各个参考时间点下的信号灯图像，对信号灯图像进行识别，得到各个参考时间点下各个交通信号灯的状态结果，进一步对这些状态结果进行时序矫正、逻辑矫正和规律矫正的多模态矫正以及数据融合，得到修正后的修订状态结果，进而基于修订状态结果进行统计分析，得到各个交通信号灯的运行规律，相比于现有技术，能够快速识别交通信号灯的状态，并对交通信号灯状态信息进行多模态矫正，提高对交通信号灯状态识别的准确度和鲁棒性，进而在预测交通信号灯规律时可以降低算法复杂度，提高预测准确性和鲁棒性。
125.下面在本技术的一个更为详细的实施例中对上述方法进行说明。
126.步骤s41，根据采样周期对预设路口的各个交通信号灯进行图像采集，得到各个参考时间点下各个所述交通信号灯对应的信号灯图像。
127.具体的，采样模块根据主控模块设定的采样周期对相应的交通信号灯进行采样，得到各个参考时间点下各个所述交通信号灯对应的信号灯图像。具体的，参考时间点是主控模块、识别模块和采样模块在完成时间同步后，每隔一个采样周期而出现的时间点，并且在这些时间点，采样模块完成对交通信号灯的图像采集。例如，假设采样周期为t，首次采样时间为0，那么参考时间点可以是0、t、2t
……
nt等等，同理，假设采样周期为t，首次采样时间为t0，则参考时间点相应为t0、t0+t、t0+2t
……
t0+nt等等。采样模块在完成图像采集后，向识别模块发送信号灯图像。
128.步骤s42，对所述各个参考时间点下各个所述交通信号灯对应的信号灯图像进行识别，得到各个参考时间点下各个所述交通信号灯对应的状态结果。
129.具体的，识别模块用于对所述各个参考时间点下各个所述交通信号灯对应的信号灯图像进行识别，得到各个参考时间点下各个所述交通信号灯对应的状态结果。在完成状态结果的识别后，向主控模块发送指定信息，所述的指定信号包括信号灯id、参考时间点以及各个信号灯对应的状态结果。在本技术实施例中，信号灯id可以有多种形式，例如，id共有n位，其中x位代表区域、y位代表路口对应的位置，z位代表某路口的各个方向，这里满足x+y+z＝n。在本技术实施例中，信号灯id还可以是其它的形式，例如自定义网格等等。本技术实施例的参考时间点如前所述，在此不再赘述。状态结果用于标识各个交通信号灯当前的亮灯颜色。
130.步骤s43，对所述各个参考时间点下各个所述交通信号灯对应的状态结果进行多模态矫正和数据融合，得到修正后的各个参考时间点下各个所述交通信号灯对应的修订状态结果，所述多模态矫正包括时序矫正、逻辑矫正和规律矫正。
131.具体的，多模态矫正的示意图如图5。
132.具体的，在本技术实施例中，所述的多模态矫正包括时序矫正、逻辑矫正和规律矫正。
133.所述时序矫正，是针对预设路口的一个交通信号灯的状态结果进行矫正。原则上，某一个具体交通信号灯的状态结果必然持续一段时间。
134.具体的，时序矫正，包括：
135.判断各个所述交通信号灯待矫正参考时间点的状态结果是否在所述待矫正参考时间点前后持续至少一段预设时间，若是，则维持所述交通信号灯待矫正参考时间点的状态结果不变，否则，将所述交通信号灯待矫正参考时间点的状态结果修改为所述一段预设时间内状态频次最高的状态结果。
136.在一个更为具体的实施例中，时序矫正，可以包括：
137.获取各个所述交通信号灯待矫正参考时间点t
ref
前后nt时间段内共计2n个状态结果，其中，所述t为采样周期，所述n为预设自然数；
138.统计所述2n个状态结果中与待矫正参考时间点t
ref
初始状态结果一致和不一致的个数n1及n2；
139.如果n1大于等于n2，则维持待矫正参考时间点t
ref
状态结果不变，否则将待矫正参考时间点t
ref
对应的状态结果修改为所述2n个状态结果中频次最多的状态结果。
140.所述逻辑矫正，是针对预设路口中的多个交通信号灯的状态结果的组合进行矫正。原则上，在一个具体的预设路口中，多个交通信号灯的状态结果必然满足一定的内在逻辑规则。例如对于十字路口的圆盘灯情形，正常情况下，其信号灯基本内在逻辑为对向路口信号灯状态结果相同，异向路口信号灯状态结果相异；特别地，一些具备“延时”设计的信号灯，有时路口会出现短暂的四个红灯或其他情况，可根据具体情况制定相应内在逻辑。对于十字路口带左转箭头灯情形，可对箭头灯与圆盘灯分别进行逻辑矫正，该情形正常情况下两种信号灯内在逻辑仍为对向路口信号灯状态结果相同，异向路口信号灯状态结果相异。在本技术实施例中，存在特殊情况时，也可根据具体情况制定相应内在逻辑，在本技术实施例中，并不对具体预设路口的具体内在逻辑规则进行限定。
141.具体的，逻辑矫正，可以包括：
142.判断预定时间段内各个参考时间点下各个所述交通信号灯对应的状态结果是否符合预设交通信号灯内在逻辑，所述预设交通信号灯内在逻辑与所述预设路口相对应；
143.若符合，则逻辑矫正完成，否则对所述预定时间段内各个参考时间点下所有所述交通信号灯的状态结果按照预设算法进行修改。
144.在一个实施例中，所述预设算法可以但不限于是时序矫正的处理算法。即当预定时间段内各个参考时间点下各个所述交通信号灯对应的状态结果不符合预设交通信号灯内在逻辑时，则利用时序矫正的算法对所有交通信号灯的状态结果进行矫正，在时序矫正完成后，再次判断是否符合内在逻辑，在一定的循环次数内，使预定时间段内各个参考时间点下的所有交通信号灯的状态结果满足预设交通信号灯内在逻辑，如无法实现时，则将状态结果设为异常值等等。在本技术的实施例中，当交通信号灯的状态结果被设为异常值，在统计分析交通信号灯的运行规律时，将不会被采用。
145.所述规律矫正，是基于每个交通信号灯必然满足一定的规律来实现对状态结果的矫正。
146.所述规律矫正，可以包括：
147.根据获取的各个所述交通信号灯的运行规律，将各个所述交通信号灯待矫正参考时间点的状态结果修改为所述待矫正参考时间点至少一个整数规律周期之前的状态结果。
148.在一个更为具体的实施例中，所述规律矫正包括：
149.根据获取的各个所述交通信号灯的运行规律，将各个所述交通信号灯待矫正参考时间点t
ref
的状态结果修改所述待矫正参考时间点t
ref
一个规律周期r+g+y之前的状态结果，其中所述r为一个规律周期内红灯持续时间，所述g为一个规律周期内绿灯持续时间，所述y为一个规律周期内黄灯持续时间。
150.在本技术实施例中，在主控模块完成时序矫正、逻辑矫正、规律矫正的处理后，还进行数据融合的处理。一般情况在，在采集模块采集的光照等外部环境适宜、采样周期合理、识别模块的识别算法准确率适宜的情况下，时序矫正、逻辑矫正、规律矫正后的状态结果通常是一致的，在特殊情况下，时序矫正、逻辑矫正、规律矫正后得到的状态结果会不一致，若所述时序矫正、所述逻辑矫正和所述规律矫正后得到的状态结果不一致，则将所述状态结果设置为异常值。某一参考时间点的状态结果被设置为异常值，将不会被用于作为规律的统计分析，即可以对处于该参考时间点后的一段状态结果(不含异常值)进行统计分析，得到交通信号灯的运行规律。
151.步骤s44，根据所述各个参考时间下各个所述交通信号灯对应的修订状态结果进行统计，得到各个所述交通信号灯的运行规律。
152.在本技术实施例中，在主控模块完成数据融合后，还用于根据所述各个参考时间下各个所述交通信号灯对应的修订状态结果进行统计，得到各个所述交通信号灯的运行规律。
153.在本技术实施例中，主控模块基于兼顾采样图像的识别准确率和系统耗电量的原则进行采样周期的调整。
154.具体的，主控模块根据所述交通信号灯的运行规律对所述采样周期进行调节，具体包括：
155.当在设定数目的交通信号灯状态结果获取周期内，所述交通信号灯的运行规律保持不变，则根据预设第一函数关系逐步增大采样周期；
156.当在设定数目的交通信号灯状态结果获取周期内，所述多模态矫正得到的状态结果相异的次数超过预定频次时，则根据预设第二函数关系逐步降低采样周期。
157.在一个更为具体的实施例中，主控模块根据所述交通信号灯的运行规律对所述采样周期进行调节，具体包括：
158.当在k个交通信号灯状态结果获取周期内，所述交通信号灯的运行规律保持不变，则根据公式t
k+1
＝(1+
∝
)tk增大采样周期t；
159.当在k个交通信号灯状态结果获取周期内，所述多模态矫正得到的状态结果相异的次数超过预定频次时，则依照公式t
k+1
＝(1
‑∝
)tk降低采样周期t；
160.其中，k为不小于零的整数，0＜常数
∝
＜1，t0为初始设定采样周期。
161.上述的反馈指令，对采样周期进行调整，在图像识别准确率和系统耗电量之间作了一个动态调节的权衡，使系统在达到理想的识别率的同时，还节约能量。
162.在本技术的实施例中，还提供一种存储介质，存储介质中存储有计算机程序，在该计算机程序被执行时，实现前述实施例中的交通信号灯规律预测方法。具体的方法流程，在此就不再赘述。
163.在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
164.上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本发明各个实施例上述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
165.以上上述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。