本申请涉及智能交通技术领域，尤其涉及一种控制交通信号灯的方法和装置。
背景技术
随着城市人口的增加以及私家车的普及，交通拥堵已成为一个严重的社会问题。基于此，城市管理者提出了“公共交通优先”的概念，以鼓励大家公交出行，减少交通拥堵。其中，公共交通优先是指在政策、法规、设施和资金投入等方面对公共交通提供优惠。
目前，实现公共交通优先的两种常见方案为：公交专用车道方案和控制交通信号灯方案。其中，公交专用车道方案是指在城市道路中，设置专用的公交车道，以供公交车行驶。控制交通信号灯方案是指通过控制交叉路口的交通信号灯，以使公交车尽快通过交叉路口，减少公交车在交叉路口的等待时长。比如，当一公交车行驶至交叉路口a，且交叉路口a的交通信号灯为红色时，那么，可控制交叉路口a的交通信号灯尽快切换到绿色，以减少公交车在交叉路口a的等待时长。
但是，在现有技术中，关于如何实现交通信号灯的控制，并没有较好的解决方案。
技术实现要素：
有鉴于此，本发明提供一种控制交通信号灯的方法和装置，以使得公交车尽快通过交叉路口，避免公交车在交叉路口长时间等待。
第一方面，本发明提供一种控制交通信号灯的方法，包括：监控设备获取交叉路口的监控视频，所述监控视频中包括至少一帧监控图像；所述监控设备利用预设的公交车分类算法，判断每帧监控图像中是否包括公交车，所述公交车分类算法为利用机器学习算法对训练样本进行训练获得的；所述监控设备若确定一帧监控图像中包括公交车，计算所述公交车至所述交叉路口的实际距离；所述监控设备发送所述实际距离至交通信号控制器，以使所述交通信号控制器根据所述实际距离，控制位于所述交叉路口的交通信号灯的工作状态。
在一种可能的设计中，所述监控设备利用预设的公交车分类算法，判断每帧监控图像中是否包括公交车，包括：针对一帧监控图像，所述监控设备执行：在所述监控图像中，提取预设特征；将所述预设特征，输入至所述公交分类算法中，获得所述公交分类算法的输出结果，所述输出结果包括第一结果和第二结果，所述第一结果用于指示所述监控图像中包括公交车，所述第二结果用于指示所述监控图像中不包括公交车；判断所述公交分类算法的输出结果为所述第一结果还是所述第二结果。
在一种可能的设计中，所述监控设备若确定一帧监控图像中包括公交车，计算所述公交车至所述交叉路口的实际距离，包括：所述监控设备若确定一帧监控图像中包括公交车，在所述监控图像中，计算所述公交车与所述交叉路口间的像素数量；所述监控设备根据预设的像素数量与实际距离的对应关系，以及计算得到的所述公交车与所述交叉路口间的像素数量，确定所述公交车至所述交叉路口的实际距离。
在一种可能的设计中，所述公交分类算法通过以下方式获得：生成训练样本，所述训练样本包括正训练样本和负训练样本，所述正训练样本为包括公交车的图像所对应的样本，所述负训练样本为包括非公交车的图像所对应的样本；利用机器学习算法对所述训练样本进行训练，获得公交分类算法。
在一种可能的设计中，所述方法还包括：所述监控设备确定误识别的监控图像，所述误识别的监控图像为利用所述公交分类算法判断所述监控图像中是否包括公交车时，判断错误的图像；所述监控设备根据所述误识别的监控图像，生成新训练样本；所述监控设备利用所述公交分类算法，对所述新训练样本进行训练，生成新公交分类算法；所述监控设备将所述公交分类算法更新为所述新公交分类算法。
在一种可能的设计中，所述监控设备确定误识别的监控图像，包括：所述监控设备统计一帧监控图像的像素分布；所述监控设备匹配统计到的所述监控图像的像素分布以及目标图像的像素分布，确定所述监控图像的第一识别结果，所述第一识别结果指示所述监控图像中是否包括公交车，所述目标图像的像素分布为预获得的包括公交车的监控图像的像素分布；所述监控设备获取第二识别结果，所述第二识别结果为利用所述公交分类算法所确定的所述监控图像中是否包括公交车的识别结果；若所述第一识别结果和所述第二识别结果不同，所述监控设备确定所述监控图像为误识别的监控图像。
第二方面，提供一种控制交通信号灯的方法，包括：交通信号控制器接收监控设备发送的公交车至交叉路口的实际距离；所述交通信号控制器根据所述实际距离以及预设的公交车车速，计算所述公交车到达所述交叉路口的第一时长；所述交通信号控制器根据所述第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制所述交通信号灯。
在一种可能的设计中，所述交通信号控制器根据所述第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制所述交通信号灯，包括：所述交通信号控制器在位于所述交叉路口的交通信号灯的当前状态为允许通行状态时，获取允许通行状态剩余的第二时长；所述交通信号控制器在所述第一时长大于所述第二时长时，延长当前允许通行状态的时长。
第三方面，提供一种控制交通信号灯的装置，包括：获取模块，用于获取交叉路口的监控视频，所述监控视频中包括至少一帧监控图像；判断模块，用于利用预设的公交车分类算法，判断所述获取模块获取的每帧监控图像中是否包括公交车，所述公交车分类算法为利用机器学习算法对训练样本进行训练获得的；计算模块，用于在所述判断模块确定一帧监控图像中包括公交车时，计算所述公交车至所述交叉路口的实际距离；发送模块，用于发送所述计算模块计算的所述实际距离至交通信号控制器，以使所述交通信号控制器根据所述实际距离，控制位于所述交叉路口的交通信号灯的工作状态。
在一种可能的设计中，所述判断模块，具体用于：在所述监控图像中，提取预设特征；将所述预设特征，输入至所述公交分类算法中，获得所述公交分类算法的输出结果，所述输出结果包括第一结果和第二结果，所述第一结果用于指示所述监控图像中包括公交车，所述第二结果用于指示所述监控图像中不包括公交车；判断所述公交分类算法的输出结果为所述第一结果还是所述第二结果。
在一种可能的设计中，所述计算模块，具体用于：在确定一帧监控图像中包括公交车，在所述监控图像中，计算所述公交车与所述交叉路口间的像素数量；根据预设的像素数量与实际距离的对应关系，以及计算得到的所述公交车与所述交叉路口间的像素数量，确定所述公交车至所述交叉路口的实际距离。
在一种可能的设计中，所述装置还包括：第一生成模块，用于生成训练样本，所述训练样本包括正训练样本和负训练样本，所述正训练样本为包括公交车的图像所对应的样本，所述负训练样本为包括非公交车的图像所对应的样本；第一训练模块，用于利用机器学习算法对所述训练样本进行训练，获得公交分类算法。
在一种可能的设计中，所述装置还包括：确定模块，用于确定误识别的监控图像，所述误识别的监控图像为利用所述公交分类算法判断所述监控图像中是否包括公交车时，判断错误的图像；第二生成模块，用于根据所述误识别的监控图像，生成新训练样本；第二训练模块，用于利用所述公交分类算法，对所述新训练样本进行训练，生成新公交分类算法；更新模块，用于将所述公交分类算法更新为所述新公交分类算法。
在一种可能的设计中，所述确定模块，具体用于：统计一帧监控图像的像素分布；匹配统计到的所述监控图像的像素分布以及目标图像的像素分布，确定所述监控图像的第一识别结果，所述第一识别结果指示所述监控图像中是否包括公交车，所述目标图像的像素分布为预获得的包括公交车的监控图像的像素分布；获取第二识别结果，所述第二识别结果为利用所述公交分类算法所确定的所述监控图像中是否包括公交车的识别结果；若所述第一识别结果和所述第二识别结果不同，确定所述监控图像为误识别的监控图像。
第四方面，提共一种控制交通信号灯的设备，包括：处理器，用于获取交叉路口的监控视频，利用预设的公交车分类算法，判断每帧监控图像中是否包括公交车，在确定一帧监控图像中包括公交车，计算所述公交车至所述交叉路口的实际距离；所述监控视频中包括至少一帧监控图像；所述公交车分类算法为利用机器学习算法对训练样本进行训练获得的；收发器，用于发送所述实际距离至交通信号控制器。
在一种可能的设计中，所述处理器在利用预设的公交车分类算法，判断每帧监控图像中是否包括公交车时，具体用于：在所述监控图像中，提取预设特征；将所述预设特征，输入至所述公交分类算法中，获得所述公交分类算法的输出结果，所述输出结果包括第一结果和第二结果，所述第一结果用于指示所述监控图像中包括公交车，所述第二结果用于指示所述监控图像中不包括公交车；判断所述公交分类算法的输出结果为所述第一结果还是所述第二结果。
在一种可能的设计中，所述处理器在确定一帧监控图像中包括公交车，计算所述公交车至所述交叉路口的实际距离时，具体用于：若确定一帧监控图像中包括公交车，在所述监控图像中，计算所述公交车与所述交叉路口间的像素数量；根据预设的像素数量与实际距离的对应关系，以及计算得到的所述公交车与所述交叉路口间的像素数量，确定所述公交车至所述交叉路口的实际距离。
在一种可能的设计中，所述处理器还用于：生成训练样本，所述训练样本包括正训练样本和负训练样本，所述正训练样本为包括公交车的图像所对应的样本，所述负训练样本为包括非公交车的图像所对应的样本；利用机器学习算法对所述训练样本进行训练，获得公交分类算法。
在一种可能的设计中，所述处理器还用于：确定误识别的监控图像，所述误识别的监控图像为利用所述公交分类算法判断所述监控图像中是否包括公交车时，判断错误的图像；根据所述误识别的监控图像，生成新训练样本；利用所述公交分类算法，对所述新训练样本进行训练，生成新公交分类算法；将所述公交分类算法更新为所述新公交分类算法。
在一种可能的设计中，所述处理器在确定误识别的监控图像时，具体用于：统计一帧监控图像的像素分布；匹配统计到的所述监控图像的像素分布以及目标图像的像素分布，确定所述监控图像的第一识别结果，所述第一识别结果指示所述监控图像中是否包括公交车，所述目标图像的像素分布为预获得的包括公交车的监控图像的像素分布；获取第二识别结果，所述第二识别结果为利用所述公交分类算法所确定的所述监控图像中是否包括公交车的识别结果；若所述第一识别结果和所述第二识别结果不同，所述确定所述监控图像为误识别的监控图像。
第五方面，提供一种控制交通信号灯的装置，包括：接收模块，用于接收监控设备发送的公交车至交叉路口的实际距离；计算模块，用于根据所述接收模块接收的实际距离以及预设的公交车车速，计算所述公交车到达所述交叉路口的第一时长；控制模块，用于根据所述计算模块计算的所述第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制所述交通信号灯。
在一种可能的设计中，所述控制模块，具体用于：在位于所述交叉路口的交通信号灯的当前状态为允许通行状态时，获取允许通行状态剩余的第二时长；在所述第一时长大于所述第二时长时，延长当前允许通行状态的时长。
第六方面，提供一种控制交通信号灯的设备，包括：收发器，用于接收监控设备发送的公交车至交叉路口的实际距离；处理器，用于根据所述实际距离以及预设的公交车车速，计算所述公交车到达所述交叉路口的第一时长，根据所述第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制所述交通信号灯。
在一种可能的设计中，所述处理器在根据所述第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制所述交通信号灯时，具体用于：在位于所述交叉路口的交通信号灯的当前状态为允许通行状态时，获取允许通行状态剩余的第二时长；在所述第一时长大于所述第二时长时，延长当前允许通行状态的时长。
第七方面，提供一种机器可读介质，所述可读可读介质上存储有机器可读指令，所述机器可读指令在被处理器执行时，使所述处理器执行上第一方面以及第一方面中任一种可能设计中的方法。
第八方面，提供一种机器可读介质，所述可读可读介质上存储有机器可读指令，所述机器可读指令在被处理器执行时，使所述处理器执行上述第二方面以及第二方面中任一种可能设计中的方法。
第九方面，提供一种控制交通信号灯的系统，包括：监控设备，用于获取交叉路口的监控视频，所述监控视频中包括至少一帧监控图像；利用预设的公交车分类算法，判断每帧监控图像中是否包括公交车，所述公交车分类算法为利用机器学习算法对训练样本进行训练获得的；若确定一帧监控图像中包括公交车，计算所述公交车至所述交叉路口的实际距离；发送所述实际距离至交通信号控制器；交通信号控制器，用于接收监控设备发送的公交车至交叉路口的实际距离；根据所述实际距离以及预设的公交车车速，计算所述公交车到达所述交叉路口的第一时长；根据所述第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制所述交通信号灯。
由上可见，在本发明中，监控设备可获取交叉路口的监控视频，以及利用预设的公交车分类算法，判断每帧监控视频中是否包括公交车；且在确定一帧监控视频中包括公交车时，发送该公交车至交叉路口的实际距离至交通信号控制器，而交通信号控制器可根据该实际距离，控制位于交叉路口的交通信号灯的工作状态，从而使得公交车尽快通过交叉路口，避免公交车在交叉路口长时间等待。
附图说明
图1为本发明实施例提供的控制交通信号灯的系统示意图；
图2为本发明实施例提供的监控设备和监控区域的示意图；
图3为本发明实施例提供的计算公交车与交叉路口实际距离的示意图；
图4a为本发明实施例提供的正样本所对应图像的示意图；
图4b为本发明实施例提供的负样本所对应图像的示意图；
图5为本发明实施例提供的生成公交分类算法的流程示意图；
图6为本发明实施例提供的控制交通信号灯的方法的流程示意图；
图7为本发明实施例提供的对公交分类算法进行再训练的流程示意图；
图8为本发明实施例提供的确定误识别的监控图像的流程示意图；
图9为本发明实施例提供的监控图像像素分布的示意图；
图10a为本发明实施例提供的控制交通信号灯的装置的一结构示意图；
图10b为本发明实施例提供的控制交通信号灯的设备的一结构示意图；
图11a为本发明实施例提供的控制交通信号灯的装置的另一结构示意图；
图11b为本发明实施例提供的控制交通信号灯的装置的又一结构示意图。
附图标记列表：
100：控制交通信号的系统；101：监控设备；
102：交通信号控制器；1000：控制交通信号灯的装置；
1001：获取模块；1002：判断模块；
1003：计算模块；1004：发送模块；
1010：控制交通信号灯的设备；1011：处理器；
1012：收发器；1100：控制交通信号灯的装置；
1101：接收模块；1102：计算模块；
1103：控制模块；1110：控制交通信号灯的设备；
1111：接收器；1112：处理器。
具体实施方式
本发明提供一种控制交通信号灯的方法和装置，主要原理为：在交叉路口处设置监控设备，该监控设备可采集交叉路口处的路况，生成监控视频，对监控视频中每帧监控图像进行分析，分析每帧监控图像中是否包括公交车，且一旦发现公交车，计算该公交车至交叉路口的实际距离。最后，发送实际距离至交通信号控制器，该交通信号控制器可根据实际距离，控制交通信号灯的状态，以使得公交车尽快通过交叉路口，避免公交车在交叉路口长时间等待。
下面结合附图对本发明实施例提供的方法和设备进行详细说明。
为了方便理解，首先对本发明涉及的概念进行简要介绍：
交叉路口：平面交叉路口，即两条或者两条以上道路在同一平面相应的部位。可具体包括：十字交叉路口、环形交叉路口、x形交叉路口、t形交叉路口、y形交叉路口、错位交叉路口以及多路交叉路口等。
adaboost算法：是一种迭代的机器学习算法，其核心思想为针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。
哈尔特征(haar-likefeature)：是用于物体识别的一种数字图像特征，可用简单的矩形哈尔特征定义原始图像中任意位置和尺度的矩形窗口中的像素的和的差异值，可表示图像中特定区域的一些特性，如边缘、纹理等。
图1示出了本发明实施例的一种可能的控制交通信号的系统100的示意图。如图1所示，控制交通信号的系统100可包括监控设备101和交通信号控制器102。
其中，监控设备101用于获取监控视频，且对监控视频中的每帧监控图像进行分析，确定每帧监控图像中是否包括公交车，且在确定一帧监控图像中包括公交车时，计算该公交车至交叉路口的实际距离；最后，发送该实际距离至交通信号控制器102；
交通信号控制器102用于根据所述实际距离，对位于交叉路口的交通信号灯的工作状态进行控制。
在一种示例中，如图2所示，每个交叉路口可设置四个监控设备101，每个监控设备101可设置在交叉路口的右侧道路。其中，每个监控设备101都有一定的监控区域，监控设备101可具体采集监控区域内的监控视频，每个监控设备101的监控区域用户可自行设定，比如，监控设备101的一种监控区域可参照图2所示。
在一种示例中，如图3所示，监控设备101计算公交车至交叉路口的距离，可具体计算公交车的前端至交叉路口路末驶出线之间的距离。
在一种示例中，监控设备101与交通信号控制器102可通过有线或无线的方式进行通信，而监控设备101可具体通过有线或无线的方式，将公交车至交叉路口的实际距离发送至交通信号控制器102。有线方式比如光纤、同轴电缆、电话线或网线等方式，无线方式比如第2代移动通网络、第3代移动通信网络、第4代移动通信网络以及未来的第5代移动通信网络等。
图5示出了生成本发明提供的公交分类算法的流程，该流程中的监控设备可对应于图1中的监控设备101，如图5所示，包括：
步骤s51：监控设备生成训练样本；
其中，训练样本可具体包括正训练样本和负训练样本，正训练样本可具体为包括公交车的图像所对应的样本，而负训练样本可具体为包括非公交车的图像所对应的样本。在一种示例中，所述正训练样本所对应的图像，可如图4a所示，负训练样本所对应的图像，可如图4b所示。
具体的，训练样本可具体表示为{(x1,y1),(x2,y2),...(xn,yn)}，其中，xi表示第i个样本，yi＝1表示正样本，yi＝0表示负样本。
步骤s52：监控设备利用机器学习算法，对训练样本进行训练，生成公交分类算法。
具体的，机器学习算法可具体为adaboost算法。
应当指出，利用上述公交分类算法，可确定一帧监控图像中是否包括公交车，具体为：首先提取一帧监控图像的预设特性，所述预设特性可具体为haar-likefeature；然后将提取的一帧监控图像的预设特性输入到公交分类算法中，所述公交分类算法可根据每帧监控图像的预设特性，判断每帧监控图像中是否包括公交车；且如果当前监控图像中包括公交车，输出第一结果，所述第一结果可指示当前监控图像中包括公交车，否则输出第二结果，所述第二结果可指示当前监控图像中不包括公交车。示例性的，所述第一结果可用1表示，第二结果可用0表示；或者，第一结果可用0表示，第二结果可用1表示。
需要说明的是，在不同的应用场景下，所述公交分类算法可能有不同的名称，比如，在有些场景下，所述公交分类算法也可称为公交分类器等，这些不同的名称所对应的方法都应该在本发明的保护范围内。
图6为本发明提供的控制交通信号灯的方法的流程，该流程中的监控设备可对应于图1中的监控设备101，交通信号控制器可对应于图1中的交通信号控制器102，如图6所示，包括：
步骤s61：监控设备获取交叉路口的监控视频，监控视频可包括至少一帧监控图像；
步骤s62：监控设备利用公交分类算法判断每帧监控图像中，是否包括公交车；且如果包括公交车，执行步骤s63；否则，结束流程；
步骤s63：监控设备计算公交车至交叉路口的实际距离；
应当理解，每帧监控图像都是由像素点组成的，比如，一帧监控图像的像素可以为255*255，代表该监控图像在水平方向与垂直方向每英寸长度上的像素数是255。针对一个位于监控设备的监控区域内的公交车a，人为统计该公交车a至交叉路口的实际距离x；然后，利用监控设备采集包括公交车a的监控图像；在监控图像中统计公交车至交叉路口的像素数量m；最后，得到像素数量与实际距离的对应关系x/m。
应当指出，可利用多帧监控图像，获得上述像素数量与实际距离的对应关系，具体为：针对第一帧监控图像，采用上方法，获得第一x/m；针对第二帧监控图像，采用上述方法，获得第二x/m；依次类推，最后在多个x/m间取平均值，将多个x/m的平均值作为像素数量与实际距离的对应关系，所述平均值可为算法平均值也可为加权平均值等，在此不再赘述。
具体的，对于监控设备所采集的包括公交车的监控图像，可首先在监控图像中，计算公交车至交叉路口间的像素数量；然后，根据预设的像素数量与实际距离的对应关系(比如x/m)，以及计算得到的公交车至交叉路口的像素数量，确定公交车至交叉路口的实际距离，比如，在一帧监控图像中，公交车至交叉路口间的像素数量为n，那么公交车至交叉路口的实际距离可为n*(x/m)。
步骤s64：监控设备发送公交车至交叉路口的实际距离至交通信号控制器。
步骤s65：交通信号控制器根据公交车至交叉路口的实际距离以及预设的公交车车速，计算公交车到达交叉路口的第一时长；
具体的，计算公交车到达交叉路口的第一时长t可具体符合下述公式：
t＝y/v；
其中，所述t代表公交车到达交叉路口的第一时长，y代表公交车至交叉路口的实际距离，所述v代表预设的公交车车速，所述v可具体为对公交车通过交叉路口的车速进行统计所获得的。
步骤s66：交通信号控制器根据第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制交通信号灯。
例如，所述交通信号控制器可在位于所述交叉路口的交通信号灯的当前状态为允许通行状态时，获取允许通行状态剩余的第二时长；所述交通信号控制器在所述第一时长大于所述第二时长时，可以适当延长当前允许通行状态的时长。
应当理解，交通信号灯一般分为红灯状态、黄灯状态和绿灯状态，红灯状态一般代表禁止通行，黄灯状态一般代表警示，绿灯状态一般代表允许通行。在本申请中，所述交通信号控制器在接收到公交车到达交叉路口的第一时长时，可确定当前交通信号灯是否为绿灯状态；如果为绿灯状态，则获取绿灯剩余的第二时长，且比较公交车到达交叉路口的第一时长与绿灯剩余的第二时长，且如果第一时长大于等于第二时长，代表公交车在当前绿灯状态下不能通过交叉路口，延长绿灯的时长；如果第一时长小于第二时长，代表公交车在当前绿灯状态下可以通过交叉路口，结束流程，不再执行任何操作；而如果当前交通信号灯为红灯状态或黄灯状态，交通信号控制器不再执行任何操作。
在本申请中，公交分类算法可进行自学习，通过自学习，公交分类算法识别公交车的准确性将提高。在本申请中，公交分类算法可每隔一段时间，进行一次再学习。
图7示出了公交分类算法自学习的流程，该流程中的监控设备可对应于图1中的监控设备101，如图7所示，包括：
步骤s71：监控设备根据所述误识别的监控图像，生成新训练样本；
其中，所述误识别的监控图像为利用所述公交分类算法判断所述监控图像中是否包括公交车时，判断错误的图像；
步骤s72：监控设备利用所述公交分类算法，对所述新训练样本进行训练，生成新公交分类算法；
步骤s73：监控设备将所述公交分类算法更新为所述新公交分类算法。
通过对上述公交分类算法不断的进行上述训练，可提高公交分类算法识别公交车的准确性。
图8示出了确定误识别的监控图像的方法流程，该流程中的监控设备可对应于图1中的监控设备101，如图8所示，包括：
步骤s81：监控设备统计一帧监控图像的像素分布；
应当理解，每帧监控图像由多个像素点组成，每个像素点的取值为(0，255)；可统计每个像素点取值的分布，组成监控图像的像素分布。
在一示例中，在一帧监控图像中，可分别统计像素值为0至9的像素点的数量，取值10-19的像素点的数量，取值20-29的像素点的数量，依次类推，直至统计到取值为250-255像素点的数量，组成监控图像的像素分布
在一示例中，可首先统计像素点取值的分布，然后计算每个像素分布取值的比例，组成监控图像的像素分布。比如，在一帧监控图像中，取值(0，9)的像素点占10个，取值10(10，19)的像素占5个，取值(20，29)的像素占15个，那么，如图9所示，取值(0，9)的像素点所占的比例为10/(10+15+5)＝33％，取值(10，19)的像素点所占的比例为5/(10+15+5)＝16.7％，取值(20，29)的像素点所占的比例为15/(10+15+5)＝50％。
步骤s82：监控设备匹配统计到的所述监控图像的像素分布以及目标图像的像素分布，确定所述监控图像的第一识别结果，所述第一识别结果指示所述监控图像中是否包括公交车，所述目标图像的像素分布为预获得的包括公交车的监控图像的像素分布；
为了获得更为准确的结果，可对大量包括公交车的监控图像的像素分布进行统计，将获得的统计结果，作为上述目标图像的像素数据。
具体的，可在监控图像的像素分布与所述目标图像的像素分布相匹配时，确定所述监控图像包括公交车的第一识别结果；而在所述监控图像的像素分布与所述目标图像的像素分布不匹配时，确定所述监控图像不包括公交车的第一识别结果。所述监控图像的像素分布与目标图像的像素分布相匹配指两者像素分布的相似度大于等于预设值；而所述监控图像的像素分布与目标图像的像素分布不匹配指两者像素分布的相似度小于预设值。
步骤s83：监控设备获取第二识别结果，所述第二识别结果为利用所述公交分类算法所确定的所述监控图像中是否包括公交车的识别结果。
步骤s84：监控设备判断第一识别结果和第二识别结果是否相同，如果不同，执行步骤s85；否则，结束流程。
步骤s85：监控设备确定所述监控图像为误识别的监控图像。
采用上述方法，可确定利用公交分类算法识别错识的监控图像，然后再利用上述识别错误的监控图像，生成新训练样本，利用公交分类算法，对新训练样本，进行训练，获得新公交分类算法，最后将公交分类算法更新为新公交分类算法，最终可提高公交分类算法识别公交车的准确度。
根据前述方法，如图10a所示，本发明实施例还提供一种控制交通信号灯的装置1000，该装置可以为图1中的监控设备101，该装置1000包括：
获取模块1001，用于获取交叉路口的监控视频，所述监控视频中包括至少一帧监控图像；
判断模块1002，用于利用预设的公交车分类算法，判断获取模块1001获取的每帧监控图像中是否包括公交车，所述公交车分类算法为利用机器学习算法对训练样本进行训练获得的；
计算模块1003，用于在判断模块1002确定一帧监控图像中包括公交车时，计算所述公交车至所述交叉路口的实际距离；
发送模块1004，用于发送计算模块1003计算的所述实际距离至交通信号控制器，以使所述交通信号控制器根据所述实际距离，控制位于所述交叉路口的交通信号灯的工作状态。
具体的，判断模块1002，具体用于：在所述监控图像中，提取预设特征；将所述预设特征，输入至所述公交分类算法中，获得所述公交分类算法的输出结果，所述输出结果包括第一结果和第二结果，所述第一结果用于指示所述监控图像中包括公交车，所述第二结果用于指示所述监控图像中不包括公交车；判断所述公交分类算法的输出结果为所述第一结果还是所述第二结果。
具体的，计算模块1003，具体用于：在确定一帧监控图像中包括公交车，在所述监控图像中，计算所述公交车与所述交叉路口间的像素数量；根据预设的像素数量与实际距离的对应关系，以及计算得到的所述公交车与所述交叉路口间的像素数量，确定所述公交车至所述交叉路口的实际距离。
可选的，所述装置1000还可包括：第一生成模块，用于生成训练样本，所述训练样本包括正训练样本和负训练样本，所述正训练样本为包括公交车的图像所对应的样本，所述负训练样本为包括非公交车的图像所对应的样本；第一训练模块，用于利用机器学习算法对所述训练样本进行训练，获得公交分类算法。
可选的，所述装置1000还包括：确定模块，用于确定误识别的监控图像，所述误识别的监控图像为利用所述公交分类算法判断所述监控图像中是否包括公交车时，判断错误的图像；第二生成模块，用于根据所述误识别的监控图像，生成新训练样本；第二训练模块，用于利用所述公交分类算法，对所述新训练样本进行训练，生成新公交分类算法；更新模块，用于将所述公交分类算法更新为所述新公交分类算法。
具体的，所述确定模块，具体用于：统计一帧监控图像的像素分布；匹配统计到的所述监控图像的像素分布以及目标图像的像素分布，确定所述监控图像的第一识别结果，所述第一识别结果指示所述监控图像中是否包括公交车，所述目标图像的像素分布为预获得的包括公交车的监控图像的像素分布；获取第二识别结果，所述第二识别结果为利用所述公交分类算法所确定的所述监控图像中是否包括公交车的识别结果；若所述第一识别结果和所述第二识别结果不同，确定所述监控图像为误识别的监控图像。
所述装置1000所涉及的与本发明实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
根据前述方法，如图10b所示，本发明实施例还提供一种控制交通信号灯的设备1010，该装置可以为图1中的监控设备101，该装置1010包括：
处理器1011，用于获取交叉路口的监控视频，利用预设的公交车分类算法，判断每帧监控图像中是否包括公交车，在确定一帧监控图像中包括公交车，计算所述公交车至所述交叉路口的实际距离；所述监控视频中包括至少一帧监控图像；所述公交车分类算法为利用机器学习算法对训练样本进行训练获得的；
收发器1012，用于发送所述实际距离至交通信号控制器。
一种实现方式中，处理器1011在利用预设的公交车分类算法，判断每帧监控图像中是否包括公交车时，可具体用于：在所述监控图像中，提取预设特征；将所述预设特征，输入至所述公交分类算法中，获得所述公交分类算法的输出结果，所述输出结果包括第一结果和第二结果，所述第一结果用于指示所述监控图像中包括公交车，所述第二结果用于指示所述监控图像中不包括公交车；判断所述公交分类算法的输出结果为所述第一结果还是所述第二结果。
一种实现方式中，处理器1011在确定一帧监控图像中包括公交车，计算所述公交车至所述交叉路口的实际距离时，具体用于：若确定一帧监控图像中包括公交车，在所述监控图像中，计算所述公交车与所述交叉路口间的像素数量；根据预设的像素数量与实际距离的对应关系，以及计算得到的所述公交车与所述交叉路口间的像素数量，确定所述公交车至所述交叉路口的实际距离。
此外，处理器1011还可以用于：生成训练样本，所述训练样本包括正训练样本和负训练样本，所述正训练样本为包括公交车的图像所对应的样本，所述负训练样本为包括非公交车的图像所对应的样本；利用机器学习算法对所述训练样本进行训练，获得公交分类算法。
更进一步地，处理器1011还可以用于：确定误识别的监控图像，所述误识别的监控图像为利用所述公交分类算法判断所述监控图像中是否包括公交车时，判断错误的图像；根据所述误识别的监控图像，生成新训练样本；利用所述公交分类算法，对所述新训练样本进行训练，生成新公交分类算法；将所述公交分类算法更新为所述新公交分类算法。
一种具体的实现方式中，所述处理器1011在确定误识别的监控图像时，可以具体用于：统计一帧监控图像的像素分布；匹配统计到的所述监控图像的像素分布以及目标图像的像素分布，确定所述监控图像的第一识别结果，所述第一识别结果指示所述监控图像中是否包括公交车，所述目标图像的像素分布为预获得的包括公交车的监控图像的像素分布；获取第二识别结果，所述第二识别结果为利用所述公交分类算法所确定的所述监控图像中是否包括公交车的识别结果；若所述第一识别结果和所述第二识别结果不同，所述确定所述监控图像为误识别的监控图像。
所述设备1010所涉及的与本发明实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
根据前述方法，如图11a所示，本发明实施例还提供一种控制交通信号灯的装置1100，该装置可以为图1中的交通信号控制器102，该装置1100包括：
接收模块1101，用于接收监控设备发送的公交车至交叉路口的实际距离；
计算模块1102，用于根据所述接收模块接收的实际距离以及预设的公交车车速，计算所述公交车到达所述交叉路口的第一时长；
控制模块1103，用于根据所述计算模块计算的所述第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制所述交通信号灯。
具体的，控制模块1103，具体用于：在位于所述交叉路口的交通信号灯的当前状态为允许通行状态时，获取允许通行状态剩余的第二时长；在所述第一时长大于所述第二时长时，延长当前允许通行状态的时长。
所述装置1100所涉及的与本发明实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
根据前述方法，如图11b所示，本发明实施例还提供一种控制交通信号灯的设备1110，该设备可以为图1中的交通信号控制器102，该装置1110包括：
接收器1111，用于接收监控设备发送的公交车至交叉路口的实际距离；
处理器1112，用于根据所述实际距离以及预设的公交车车速，计算所述公交车到达所述交叉路口的第一时长，根据所述第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制所述交通信号灯。
具体的，处理器1112在根据所述第一时长以及位于所述交叉路口的交通信号灯的当前状态，控制所述交通信号灯时，具体用于：在位于所述交叉路口的交通信号灯的当前状态为允许通行状态时，获取允许通行状态剩余的第二时长；在所述第一时长大于所述第二时长时，延长当前允许通行状态的时长。
所述设备1110所涉及的与本发明实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
本发明实施例提供的机器可读介质上存储有机器可读指令，该机器可读指令在被处理器执行时，使处理器执行前述的任一种方法。具体地，可以提供配有机器可读介质的系统或者装置，在该机器可读介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该机器可读介质中的机器可读指令。
在这种情况下，从机器可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的机器可读介质构成了本发明的一部分。
机器可读介质的实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。