一种基于深度学习的智能交通灯系统及其控制交通灯的方法与流程

本发明涉及交通灯领域，具体涉及一种基于深度学习的智能交通灯系统及其控制交通灯的方法。

背景技术：

目前的交通灯采用plc控制程序来控制红绿灯的时间，即根据该路口的情况提前设置好交通灯的plc控制程序。比如在一个十字路口的周期内，根据南北方向红灯亮25秒，转到绿灯亮25秒，再按照1秒钟1一次的规律闪烁3次，然后转动黄灯亮2秒，东西方向绿灯亮20秒，再闪烁3次，转到黄灯亮2秒，然后红灯亮30秒，完成一个周期，如此循环。

这种固定周期、固定方向上绿灯的通行时间就会面临一个问题：不能实施根据车流来改变交通灯的时间，经常会出现在高峰拥堵阶段，有些道路车流量不大但是交通灯时间过久，或者车流量过大交通灯时间过短的情况。影响路口通行时间的因素有很多，比如车型，大型客货车的通行时间较长，导致车流过慢。因此。现有技术中通过plc固定程序来调控交通灯会影响实际的通行效率，不能很好地调控路面的实际通行情况。

技术实现要素：

本发明所要解决的技术问题是提供一种基于深度学习的智能交通灯系统及其控制交通灯的方法，通过自主深度学习形成控制模型，控制模型可以根据路口车辆排队长度、车流量和车型信息计算出控制下一次交通灯变化之后的绿灯持续时间，高效地解决了交通拥堵问题。

为了实现上述目的，本发明采用如下技术方案：一种基于深度学习的智能交通灯系统，包括数据采集处理模块，用于实时采集交通灯对应路口的图像，并根据该图像识别车型信息、车流量、车辆排队长度以及其对应的通过时间；深度学习模块，包括能够模拟人脑进行分析学习的神经网络和控制模型，所述控制模型通过将数据采集处理模块得到的车型信息、车流量、车辆排队长度以及其对应的通过时间输入所述神经网络进行自主深度学习形成；交通灯中心控制模块，用于控制交通灯；所述数据采集处理模块实时采集路口的图像，并将根据图像识别的红灯对应车道上的车型信息和车辆排队长度、绿灯对应车道上的车流量传输至所述神经网络和控制模型中进行学习计算，同时将学习计算出的下一次交通灯变化之后的绿灯持续时间传输至所述交通灯中心控制模块，用于控制交通灯。

进一步地，所述深度学习模块中的神经网络经过300-500次自主学习，形成控制模型。

进一步地，所述下一次交通灯变化之后的绿灯持续时间确保红灯对应车道的车辆排队长度和通过绿灯对应车道的车流量计算出的该车道上的车辆排队长度之和最短。

进一步地，每个车道上对应一个数据采集处理模块。

进一步地，所述数据采集处理模块包括数据采集模块、智能识别模块和数据监控模块。

进一步地，所述智能识别模块一端连接所述数据采集模块，另一端连接所述数据监控模块，数据采集模块采集到的图像传输至所述智能识别模块进行车型的识别，所述图像和识别之后的车型信息传输至所述数据监控模块，所述数据监控模块根据上述图像监控车流量、车辆排队长度以及其对应的通过时间。

进一步地，所述数据采集模块同时连接所述智能识别模块和数据监控模块，所述智能识别模块根据上述图像识别车型信息，所述数据监控模块根据上述图像监控车流量、车辆排队长度以及其对应的通过时间。

进一步地，所述数据采集模块包括摄像头。

进一步地，所述车型信息包括大型客货车、中型客货车和小型客货车。

进一步地，所述神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能。

本发明提供的一种采用基于深度学习的智能交通灯系统控制交通灯的方法，包括以下步骤：

s01：数据采集处理模块实时采集交通灯对应路口的图像，并根据图像识别红灯对应车道上的车型信息和车辆排队长度，绿灯对应车道上的车流量；

s02：上述识别出的车型信息、车辆排队长度和车流量传输至所述深度学习模块，经过神经网络和控制模型的学习计算，得出下一次交通灯变化之后的绿灯持续时间；

s03：下一次交通灯变化之后的绿灯持续时间传输至所述交通灯中心控制模块，用于控制交通灯。

进一步地，在步骤s01之前，通过交通灯中心控制模块设置各个车道上对应的红绿灯转换顺序。

进一步地，所述控制模型通过以下步骤形成：

t01：通过交通灯中心控制模块设置各个车道上对应的红绿灯转换顺序以及绿灯持续时间；

t02：数据采集处理模块实时采集交通灯对应路口的图像，并根据图像识别红灯对应车道上的车型信息、车辆排队长度以及对应的通过时间，绿灯对应车道上的车流量；

t03：上述识别出的车型信息、车辆排队长度以及对应的通过时间和车流量传输至所述深度学习模块，经过神经网络的学习，形成控制模型。

本发明的有益效果为：本发明利用深度学习模块，通过神经网络的自主深度学习形成控制模型，控制模型可以根据路口车流量、车辆排队长度和车型信息计算出控制下一次交通灯变化之后的绿灯持续时间，再通过交通灯中心控制模块控制交通灯的绿灯持续时间，高效地解决了交通拥堵问题。

附图说明

图1为一种基于深度学习的智能交通灯系统的结构框架图。

图2为实施例1中基于深度学习的智能交通灯系统的结构框架图。

图3为实施例1中安装智能交通灯系统的路口示意图。

图4为实施例2中基于深度学习的智能交通灯系统的结构框架图。

图5为实施例2中安装智能交通灯系统的路口示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施方式做进一步的详细说明。

图1为一种基于深度学习的智能交通灯系统的结构框架图，包括数据采集处理模块、深度学习模块和交通灯中心控制模块，且深度学习模块一端连接数据采集处理模块，另一端连接交通灯中心控制模块。其中，数据采集处理模块，用于实时采集交通灯对应路口的图像，并根据该图像识别各车道上的车型信息、监控车流量、车辆排队长度以及其对应的通过时间；深度学习模块，包括能够模拟人脑进行分析学习的神经网络和控制模型；交通灯中心控制模块，用于控制交通灯。

数据采集处理模块包括数据采集模块、智能识别模块和数据监控模块，且数据采集处理模块的结构包括两种，智能识别模块一端连接数据采集模块，另一端连接数据监控模块，数据采集模块采集到的图像传输至智能识别模块进行车型的识别，图像和识别之后的车型信息传输至数据监控模块，数据监控模块根据上述图像监控车流量、车辆排队长度以及其对应的通过时间。除此之外，数据采集模块还可以同时连接智能识别模块和数据监控模块，智能识别模块根据上述图像识别各车道中的车型信息，数据监控模块根据上述图像监控车流量、车辆排队长度以及其对应的通过时间。数据采集模块可以包括摄像头或者其他能够采集图像的装置，用于记录该摄像头所对应的车道的图像。

其中，车流量为该路口绿灯对应车道上每秒钟通过的车辆数目。

深度学习模块，基于深度学习算法，建立模拟人脑进行分析学习的神经网络，其中，神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能。神经网络可以模仿人脑的机制来解释数据，分析不同车道红灯驻行时的车型信息、排队长度信息以及通过时间检测，形成一套控制模型，让所有车道总的排队长度最短。其中，在控制模型形成和控制交通的过程中，数据采集处理模块采集的数据均需要经过神经网络进行学习，目前，神经网络中常用学习模型为svm支持向量机、rnn循环神经网络、rbm限制玻尔兹曼机、obns深信度网络等。

交通灯中心控制模块，用于控制交通灯，包括对每个车道按照常规的绿灯、红灯和黄灯的顺序进行设置，以及对每个车道上的绿灯持续时间进行设置。

控制模型通过以下步骤形成：

t01：交通灯中心控制模块按照经验值设置交通灯中不同车道上的红绿灯转换顺序和时间。

t02：数据采集处理模块实时采集路口的图像，并根据上述图像识别红灯对应车道上的车型信息，监控红灯对应的车道上的车辆排队长度以及其对应的通过时间、绿灯对应的车道上的车流量。

t03：将上述车型信息、车流量、排队长度和通过时间传输进入深度学习模块，神经网络经过300-500次的自主深度学习形成控制模型。

在控制模型控制交通灯阶段，包括以下步骤：

s01：数据采集处理模块实时采集路口的图像，并根据上述图像识别红灯对应车道上的车型信息，监控红灯对应的车道上的车辆排队长度、绿灯对应的车道上的车流量，其中，在数据采集处理模块开始采集图像之前，交通灯中心控制模块按照经验值设置交通灯中不同车道上的红绿灯转换顺序。

s02：将上述车型信息、车流量和排队长度输入深度学习模块，经过神经网络和控制模型的学习计算，得出下一次交通灯变化之后的绿灯持续时间，其中，下一次交通灯变化之后的绿灯持续时间确保整个路口的排队长度最短，也就是红灯对应车道的车辆排队长度和通过绿灯对应车道的车流量计算出的该车道上的车辆排队长度之和最短。绿灯对应车道的车流量计算出的该车道上的排队长队为车流量与绿灯持续时间的乘积。在此阶段中，神经网络对识别出的信息进行学习，并结合控制模型的计算得出最终的学习计算结果，控制模型的计算过程即为在控制模型形成阶段的反过程，目前，采用的计算模型为svm支持向量机、rnn循环神经网络、rbm限制玻尔兹曼机、obns深信度网络等。

s03：将学习计算出的下一次交通灯变化之后的绿灯持续时间传输至交通灯中心控制模块，用于控制交通灯。

本发明的基于深度学习的智能交通灯系统安装在路口，位于交通灯控制的同一方向上的车道可以包括直行车道和/或左转车道和/或右转车道，并且每个被红绿灯控制的车道单独对应一个数据采集处理模块。同一方向上直行车道和左转车道分别对应不同的数据采集处理模块。车型信息包括大型客货车、中型客货车和小型客货车。

下面用两个具体实施例进一步解释本发明。

实施例1

图2为实施例1中基于深度学习的智能交通灯系统的结构框架图。图3为实施例1中安装智能交通灯系统的路口示意图。

如图2所示，一种基于深度学习的智能交通灯系统，包括数据采集处理模块、深度学习模块和交通灯中心控制模块。其中，数据采集处理模块，包括数据采集模块、智能识别模块和数据监控模块，且智能识别模块一端连接数据采集模块，另一端连接数据监控模块，红灯对应车道上的数据采集模块采集到的图像传输至对应的智能识别模块进行车型的识别，图像和识别之后的车型信息传输至数据监控模块，数据监控模块根据上述图像监控绿灯车道对应的车流量、红灯车道对应的车辆排队长度以及其对应的通过时间。数据采集模块为摄像头，用于记录该摄像头所对应的车道的图像。

如图3所示，该十字路口采用交通灯控制的车道为东西方向的直行车道和南北方向的直行车道，因此，在该路口朝西、朝东、朝南和朝北的方向上分别安装摄像头，每个方向上的摄像头分别对应自己的智能识别模块和数据监控模块。

本发明的智能交通灯系统包括控制模型形成阶段和控制模型控制交通灯阶段，在控制模型形成阶段，摄像头1、摄像头2、摄像头3和摄像头4分别采集从西到东直行车道的图像、从东到西直行车道的图像、从北到南直行车道的图像和从南到北直行车道的图像。

如图2、图3所示，在控制模型形成阶段，当东西方向上直行车道为绿灯，南北方向上直行车道为红灯时，包括以下步骤：

t01：交通灯中心控制模块按照经验值设置交通灯的红绿灯转换顺序和时间。

t02：摄像头1、摄像头2、摄像头3和摄像头4分别采集从西到东直行车道的图像、从东到西直行车道的图像、从北到南直行车道的图像和从南到北直行车道的图像，并且智能识别模块3和智能识别模块4分别识别对应图像中的车型信息，智能识别模块将上述图像和车型信息传输至对应的数据监控模块，数据监控模块1监控从西到东直行车道上的车流量，数据检测模块2监控从东到西直行车道上的车流量，数据监控模块3监控从北到南直行车道上的车辆排队长度及其对应的通过时间，数据监控模块4监控从南到北直行车道上的车辆排队长度及其对应的通过时间。

t03：智能识别模块3和智能识别模块4将识别的车型信息传输至深度学习模块，数据监控模块1和数据监控模块2将监控到的车流量传输至深度学习模块，数据监控模块3和数据监控模块4将监控到的车辆排队长度及其对应的通过时间发送至深度学习模块，深度学习模块中的神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能，实现神经网络的一次学习。

在控制模型形成阶段，当东西方向上直行车道为红灯，南北方向上直行车道为绿灯时，包括以下步骤：

t01：交通灯中心控制模块按照经验值设置交通灯的红绿灯转换顺序和时间。

t02：摄像头1、摄像头2、摄像头3和摄像头4分别采集从西到东直行车道的图像、从东到西直行车道的图像、从北到南直行车道的图像和从南到北直行车道的图像，并且智能识别模块1和智能识别模块2分别识别对应图像中的车型信息，智能识别模块将上述图像和车型信息传输至对应的数据监控模块，数据监控模块1监控从西到东直行车道上的车辆排队长度及其对应的通过时间，数据检测模块2监控从东到西直行车道上的车辆排队长度及其对应的通过时间，数据监控模块3监控从北到南直行车道上的车流量，数据监控模块4监控从南到北直行车道上的车流量。

t03：智能识别模块1和智能识别模块2将识别的车型信息传输至深度学习模块，数据监控模块3和数据监控模块4将监控到的车流量传输至深度学习模块，数据监控模块1和数据监控模块2将监控到的车辆排队长度及其对应的通过时间发送至深度学习模块，深度学习模块中的神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能，实现神经网络的一次学习。

如此循环，经过300-500次的自主学习形成控制模型。

在控制模型控制交通灯阶段，当东西方向上直行车道为绿灯，南北方向上直行车道为红灯时，包括以下步骤：

s01：交通灯中心控制模块按照经验值设置交通灯的红绿灯转换顺序，摄像头1、摄像头2、摄像头3和摄像头4分别采集从西到东直行车道的图像、从东到西直行车道的图像、从北到南直行车道的图像和从南到北直行车道的图像，并且智能识别模块3和智能识别模块4分别识别对应图像中的车型信息，智能识别模块将上述图像和车型信息传输至对应的数据监控模块，数据监控模块1监控从西到东直行车道上的车流量，数据检测模块2监控从东到西直行车道上的车流量，数据监控模块3监控从北到南直行车道上的车辆排队长度，数据监控模块4监控从南到北直行车道上的车辆排队长度。

s02：智能识别模块3和智能识别模块4将识别的车型信息传输至深度学习模块，数据监控模块1和数据监控模块2将监控到的车流量传输至深度学习模块，数据监控模块3和数据监控模块4将监控到的车辆排队长度发送至深度学习模块，深度学习模块中的神经网络和控制模型经过学习计算，得出南北方向车道上的交通灯转换为绿灯时的持续时间，确保该路口所有车道上的排队长度的总和最短，所有车道上的排队长度包括南北方向直行车道的车辆排队长度和通过东西方向直行车道的车流量计算出的东西方向直行车道上的车辆排队长度。

s03：将学习计算出的南北方向车道上的交通灯转换为绿灯时的持续时间传输至交通灯中心控制模块，用于控制交通灯中南北方向上的绿灯持续时间。

当东西方向上直行车道为红灯，南北方向上直行车道为绿灯时，包括以下步骤：

s01：交通灯中心控制模块按照经验值设置交通灯的红绿灯转换顺序，摄像头1、摄像头2、摄像头3和摄像头4分别采集从西到东直行车道的图像、从东到西直行车道的图像、从北到南直行车道的图像和从南到北直行车道的图像，并且智能识别模块1和智能识别模块2分别识别对应图像中的车型信息，智能识别模块将上述图像和车型信息传输至对应的数据监控模块，数据监控模块1监控从西到东直行车道上的车辆排队长度，数据检测模块2监控从东到西直行车道上的车辆排队长度，数据监控模块3监控从北到南直行车道上的车流量，数据监控模块4监控从南到北直行车道上的车流量。

s02：智能识别模块1和智能识别模块2将识别的车型信息传输至深度学习模块，数据监控模块3和数据监控模块4将监控到的车流量传输至深度学习模块，数据监控模块1和数据监控模块2将监控到的车辆排队长度发送至深度学习模块，深度学习模块中的神经网络和控制模型经过学习计算，得出东西方向车道上的交通灯转换为绿灯时的持续时间，确保该路口所有车道上的排队长度的总和最短，所有车道上的排队长度包括东西方向直行车道的车辆排队长度和通过南北方向直行车道的车流量计算出的南北方向直行车道上的车辆排队长度。

s03：将学习计算出的东西方向车道上的交通灯转换为绿灯时的持续时间传输至交通灯中心控制模块，用于控制交通灯中东西方向上的绿灯持续时间。

实施例2

图4为实施例2中基于深度学习的智能交通灯系统的结构框架图。图5为实施例2中安装智能交通灯系统的路口示意图。

如图4所示，一种基于深度学习的智能交通灯系统，包括数据采集处理模块、深度学习模块和交通灯中心控制模块，且深度学习模块一端连接数据采集处理模块，另一端连接交通灯中心控制模块。其中，数据采集处理模块包括数据采集模块、智能识别模块和数据监控模块，数据采集模块同时连接智能识别模块和数据监控模块，红灯对应车道上的数据采集模块采集到的图像传输至对应的智能识别模块进行车型的识别，同时，数据采集模块采集到的图像传输至数据监控模块，数据监控模块监控绿灯车道对应的车流量、红灯车道对应的车辆排队长度以及其对应的通过时间。数据采集模块为摄像头，用于记录该摄像头所对应的车道的图像。

如图4所示，该十字路口采用交通灯控制的车道为东西方向的直行车道和左转车道和南北方向的直行车道和左转车道，因此，在该路口朝西、朝东、朝南和朝北的直行车道和左转车道上分别安装摄像头，每个方向上的摄像头分别对应自己的智能识别模块和数据监控模块。

本发明的智能交通灯系统包括控制模型形成阶段和控制模型控制交通灯阶段，在控制模型形成阶段，摄像头1、摄像头2、摄像头3和摄像头4分别采集从西到东直行车道的图像、从东到西直行车道的图像、从北到南直行车道的图像和从南到北直行车道的图像，摄像头5、摄像头6、摄像头7和摄像头8分别采集从西到东左转车道的图像、从东到西左转车道的图像、从北到南左转车道的图像和从南到北左转车道的图像。

如图4、图5所示，在控制模型形成阶段，当东西方向上直行车道为绿灯，其余车道为红灯时，包括以下步骤：

t01：交通灯中心控制模块按照经验值设置交通灯的红绿灯转换顺序和时间。

t02：摄像头1、摄像头2、摄像头3和摄像头4分别采集从西到东直行车道的图像、从东到西直行车道的图像、从北到南直行车道的图像和从南到北直行车道的图像，摄像头5、摄像头6、摄像头7和摄像头8分别采集从西到东左转车道的图像、从东到西左转车道的图像、从北到南左转车道的图像和从南到北左转车道的图像。红灯对应的智能识别模块分别识别对应图像中的车型信息，同时，数据监控模块1和数据检测模块2监控采集图像的车流量，数据监控模块3、数据监控模块4、数据监控模块5、数据监控模块6、数据监控模块7和数据监控模块8监控采集图像的车辆排队长度及其对应的通过时间.

t03：上述车型信息、车辆排队长度及其对应的通过时间发送至深度学习模块，深度学习模块中的神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能，完成神经网络的一次学习。

当东西方向上左转车道为绿灯，其余车道为红灯时，包括以下步骤：

t01：交通灯中心控制模块按照经验值设置交通灯的红绿灯转换顺序和时间。

t02：摄像头分别采集对应车道上图像，红灯对应的智能识别模块分别识别对应图像中的车型信息，同时，数据监控模块5和数据检测模块6监控采集图像的车流量，数据监控模块1、数据监控模块2、数据监控模块3、数据监控模块4、数据监控模块7和数据监控模块8监控采集图像的车辆排队长度及其对应的通过时间。

t03：上述车型信息、车辆排队长度及其对应的通过时间发送至深度学习模块，深度学习模块中的神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能，完成神经网络的一次学习。

当南北方向直行车道或者左转车道为绿灯时，按照上述方法进行自主学习，如此循环，经过300-500次的自主学习形成控制模型。

在控制模型控制交通灯阶段，当东西方向上直行车道为绿灯，其余车道为红灯时，包括以下步骤：

s01：交通灯中心控制模块按照经验值设置交通灯的红绿灯转换顺序，摄像头分别采集对应车道上图像，红灯对应的智能识别模块分别识别对应图像中的车型信息，同时，数据监控模块1和数据检测模块2监控采集图像的车流量，数据监控模块3、数据监控模块4、数据监控模块5、数据监控模块6、数据监控模块7和数据监控模块8监控采集图像的车辆排队长度。

s02：上述车型信息、车辆排队长度发送至深度学习模块，深度学习模块中的神经网络和控制模型经过学习计算，得出东西方向上左转车道上的绿灯持续时间，确保该路口所有车道上的排队长度的总和最短，所有车道上的排队长度包括红灯对应车道的车辆排队长度和通过东西方向直行车道的车流量计算出的东西方向直行车道上的车辆排队长度。

s03：将学习计算出的东西方向上左转车道上的绿灯持续时间传输至交通灯中心控制模块，用于控制东西方向上左转车道上的绿灯持续时间。

当东西方向上左转车道为绿灯，其余车道为红灯时，包括以下步骤：

s01：交通灯中心控制模块按照经验值设置交通灯的红绿灯转换顺序，摄像头分别采集对应车道上图像，红灯对应的智能识别模块分别识别对应图像中的车型信息，同时，数据监控模块5和数据检测模块6监控采集图像的车流量，数据监控模块1、数据监控模块2、数据监控模块3、数据监控模块4、数据监控模块7和数据监控模块8监控采集图像的车辆排队长度。

s02：上述车型信息、车辆排队长度发送至深度学习模块，深度学习模块中的神经网络和控制模型经过学习计算，得出南北方向上直行车道上的绿灯持续时间，确保该路口所有车道上的排队长度的总和最短，所有车道上的排队长度包括红灯对应车道的车辆排队长度和通过东西方向左转车道的车流量计算出的东西方向左转车道上的车辆排队长度。

s03：将学习计算出的南北方向上直行车道上的绿灯持续时间传输至交通灯中心控制模块，用于控制南北方向上直行车道上的绿灯持续时间。

当南北方向直行车道或者左转车道为绿灯时，按照上述方法控制交通灯绿灯持续时间。

以上所述仅为本发明的优选实施例，所述实施例并非用于限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明所附权利要求的保护范围内。