一种基于树莓派的城市交通智能管理系统的制作方法

本发明涉及城市交通智能管理系统技术领域，特别是涉及一种基于树莓派的城市交通智能管理系统。

背景技术：

交通拥堵在全球许多主要城市，特别是在发展国家城市中很常见，这给这些城市的乘客带来很多困难，并且还导致工时损失、交通事故、错失机会、噪音污染、空气污染、燃料消耗增加、违反交通规则的趋势增加等问题。传统的交通灯系统基于分配到道路交叉点每侧的固定时间概念，其不能根据变化的交通密度而变化。在这些固定交通控制系统中，即使在另一方向道路上很少或没有交通车辆，拥堵道路交叉口路段的车辆也必须等待。

上述现有技术中，存在如下缺点：

1)当前交通管理系统分配到道路交叉点每侧的时间固定，系统过于呆板；

2)交通资源分配不合理，不够人性化。

技术实现要素：

针对上述现有技术中存在的技术问题，本发明的目的是提供一种基于树莓派的城市交通智能管理系统。

为实现本发明的目的，本发明提供了一种基于树莓派的城市交通智能管理系统，包括：高清摄像头以及树莓派计算机，所述高清摄像头与树莓派计算机通讯连接，

所述高清摄像头，用于实时采集交通视频数据，并存入树莓派计算机的分布式文件系统；

所述树莓派计算机，依次进行如下数据处理：

(1)数据预处理，将实时采集交通视频数据处理转换成灰度图像，使用opencv视觉处理技术分析视频数据中车辆信息，绘制车辆轮廓，统计车辆数量和汽车种类信息；

(2)搭建深度学习神经网络模型，分析交通路况信息；使用google—tensorflow框架搭建神经网络训练模型，分析预处理后的数据，实时统计道路车辆疏密状况；

(3)机器学习算法预测，使用机器学习聚类算法分析已获取到的实时道路车辆疏密状况，根据搭建的不同时段车辆密度模型使用回归算法预测未来各个时段的交通路线汽车疏密状况，进行分析，给出合理方案。

其中，根据上述(3)得到的合理方案，进行交通信号灯控制。

其中，所述高清摄像头与树莓派计算机通过数据线通讯连接。

其中，所述高清摄像头安装在交通信号灯的顶部，从而能够清楚地拍摄到信号的特定侧上的交通状况。

与现有技术相比，本发明的有益效果为，本设计方案使用人工智能算法采用基于密度的方法来控制车辆交通，交通信号灯计时会在交汇处感知交通密度状态自动改变，所提出的系统将使用树莓派结合高清摄像头，搭建神经网络分析预测，自动改变道路交界点交通信号灯的时间以适应车辆的移动及稀密状态，从而避免在道路交界处不必要的等待时间。

附图说明

图1所示为本申请城市交通智能管理系统设计框图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示，本发明旨在通过采用基于密度的交通控制方法来解决上述问题。开发的系统使用树莓派与传感器结合。交通信号灯时间根据道路交叉口的交通密度自动改变，从而避免交叉口不必要的等待时间。该项目中使用的高清相机安置在交通信号灯的顶部以清楚地看到信号的特定侧上的交通，以便捕捉图像，检测交通信号的密度。将车辆的密度在道路区域中测量，划分为低，中和高三个等级，据此分配时间。结合人工智能算法分析，搭建训练模型，实现未来各个时段的路况预测。

本系统的具体方案，如下：

1)高清视频实时数据进行视觉处理。高清摄像头实时拍摄道路信息视频，并发送到树莓派计算机，利用树莓派计算机进行计算机视觉处理，分析视频数据中车辆信息，绘制车辆轮廓，统计车辆数量和汽车种类信息。

2)训练神经网络模型。使用google-tensorflow框架对视觉处理后的视频流进行人工智能建模，根据每天各个时段的交通状态搭建最优化的神经网络模型。分析预处理后的数据，实时统计道路车辆疏密状况。

3)根据实际需求搭建算法模型。使用dbscan聚类算法对实时处理的车辆数据信息分为低，中和高三个等级，及时分析各个道路的疏密程度。

使用岭回归算法结合构建的神经网络模型实现对未来各个时段的交通状态进行预测，提供更好的道路管理方案。

按照预测的方案，对交通灯进行控制。

dbscan聚类算法，dbscan是基于一组邻域来描述样本集的紧密程度的，参数(∈，minpts)用来描述邻域的样本分布紧密程度。其中，∈描述了某一样本的邻域距离阈值，minpts描述了某一样本的距离为∈∈的邻域中样本个数的阈值。

假设样本集是

则dbscan具体的密度描述定义如下：

●∈-邻域：包含了样本集d中与距离不大于∈的所有样本。

●核心对象：若则称是一个核心对象，即若的∈-邻域中至少包含minptsminpts个样本，称是一个核心对象。

●密度直达：若是一个核心对象，且则称由密度直达，记作

●密度可达：对于和若存在样本序列其中如果由密度直达，则称由密度可达，记作

●密度相连：对于和若存在使得和均由密度可达，则称由密度相连，记作

岭回归算法通过对系数向量的长度平方添加处罚来收缩系数，算法极小化如下表达式：

λ值越大，收缩量越大。

表达岭回归的一个等价方法是：

当线性回归模型中存在多个相关变量时，它们的系数确定性变差并呈现高方差。

需要说明的是，本申请中：

(1)tensorflow：tensorflow是谷歌基于distbelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。tensor(张量)意味着n维数组，flow(流)意味着基于数据流图的计算，tensorflow为张量从流图的一端流动到另一端计算过程。tensorflow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。

(2)树莓派：raspberrypi(中文名为“树莓派”,简写为rpi，(或者raspi/rpi)是为学习计算机编程教育而设计，只有信用卡大小的微型电脑，其系统基于linux。随着windows10iot的发布，我们也将可以用上运行windows的树莓派。

(3)计算机视觉处理：计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

(4)tensorboard：tensorboard是tensorflow提供的一组可视化工具(asuiteofvisualizationtools)，可以帮助开发者方便的理解、调试、优化tensorflow程序。

(5)神经网络：人工神经网络(artificialneuralnetworks，简写为anns)也简称为神经网络(nns)或称作连接模型(connectionmodel)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

以上所述仅是本发明的优选实施方式，应当指出的是，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。