一种基于目标检测的行人优先的红绿灯实时配时方法

本发明涉及智能公共交通的，特别是一种基于目标检测的行人优先的红绿灯实时配时方法。

背景技术：

1、随着经济社会的飞速发展，私家车拥有量也日渐增多，道路车辆增多导致了道路中交通拥堵，交通事故频发。而在对于交通拥堵这方面的研究来说，如何控制红绿灯的时长使得交通拥堵得到有效的控制一直是一个比较常见的问题。生活中的红绿灯时长均采用固定时长进行调节，这便导致市民在低峰时段出行，因红灯时间过长而漫长等待；而在高峰时段出行，因绿灯时间过短而浪费时间，极易造成交通拥堵和交通事故。如何智能化的调整交通灯的控制系统是一个解决交通拥堵问题的关键因素之一。

2、申请公开号为cn114639252a的发明专利申请公开了一种信号控制人行横道的信号灯配时设置方法，具体为：根据行人过街距离确定信号灯绿闪时长，即行人穿过人行横道所需时间；利用行人过街冲突交通的流量确定信号灯红灯时长，建立信号灯红灯时长计算公式；考虑行人到达路侧红灯排队和绿灯消散过程确定信号灯最小绿灯时长，建立信号灯绿灯时长计算公式；联合信号灯红灯时长计算公式和信号灯绿灯时长计算公式，求解得到信号灯红灯时长和信号灯绿灯时长。该方法的缺点是实时性不强，计算的红绿灯时间相对固定并不能根据两侧等待行人的多少判断通过马路所需的时间的多少。

技术实现思路

1、为了解决上述的技术问题，本发明提出的一种基于目标检测的行人优先的红绿灯实时配时方法，能够动态调整不同时期、不同拥堵情况的行人通过绿灯配时时长，同时针对真实路况调整数据采集时间段时长，使得最终获得行人通过斑马线绿灯配时控制方案更能满足真实的交通管控需求。

2、本发明的目的是提供一种基于目标检测的行人优先的红绿灯实时配时方法，包括对数据集进行提取收集和预处理，还包括以下步骤：步骤1：对yolov5模型进行改进，得到优化yolov5模型；

3、步骤2：将预处理之后的图像信息输入到所述优化yolov5模型中进行训练；

4、步骤3：利用训练好的模型对于需通过红绿灯的行人进行快速检测，通过目标跟踪、目标计数得到通过人数，计数通行时间。

5、优选的是，所述对数据集进行提取收集和预处理包括以下子步骤：

6、步骤01：提取voc2012+07数据集中所需要的5类场景的图像数据集；

7、步骤02：将数据集分为训练集、测试集以及验证集；

8、步骤03：将原本的xml格式转化为yolov5适用的txt格式。

9、在上述任一方案中优选的是，对所述yolov5模型的改进方法包括：

10、1)将主干网络c3替换为c3-faster-block；

11、2)将模型neck部分常规卷积conv替换为dwconv卷积；

12、3)使用cwd知识蒸馏。

13、在上述任一方案中优选的是，所述替换c3模块为c3-faster-block，包括以下子步骤：

14、步骤11：将c3模块核心特征提取机构bottleneck替换为faster-block模块；

15、步骤12：在所述faster-block模块设置一个3*3的pconv卷积和两个1*1卷积，并且信息从输入到输出具有残差结构。

16、在上述任一方案中优选的是，所述dwconv卷积中的每个输入通道都与其自己的一组卷积核进行卷积，每个通道都有独立的卷积核，每个通道的特征都由自己的一组参数进行处理，不与其他通道共享参数。

17、在上述任一方案中优选的是，所述使用cwd知识蒸馏包括以下子步骤：

18、步骤1a：用改进之后的网络结构作为学生模型，通过使用cwd特征知识蒸馏的方式进行知识蒸馏；

19、步骤1b：对于步骤1a所述的蒸馏方式使用yolov5l网络结构作为学习的教师模型；

20、步骤1c：其通过将每个通道的激活归一化为一个概率图，应用非对称kl散度最小化师生网络之间的差异，通过将教师模型学习的信息转移到学生模型。

21、在上述任一方案中优选的是，所述步骤2包括以下子步骤：

22、步骤21：将提取数据集从xml转化为适合yolov5模型的txt格式；

23、步骤22：采用改进yolov5模型提高检测速度；

24、步骤23：在输入端采用mosica、平移、转换中至少一种数据增强方式进行数据增强；

25、步骤24：输入每次训练之后得到的精确率、召回率、map以及检测所需的推理时间，观察各个指标是否达到要求，保存效果最好的一组。

26、在上述任一方案中优选的是，所述步骤3包括以下子步骤：

27、步骤31：使用电脑摄像头或者拍摄图片获取通过红绿灯情况；

28、步骤32：统一图片大小；

29、步骤33：将待识别图片输入最优模型进行识别模拟斑马线通行时间计算。

30、在上述任一方案中优选的是，在行人通过斑马线时，对于到达的行人，设定行人到达时间遵循正态分布。

31、在上述任一方案中优选的是，所述模拟斑马线通行时间计算包括：

32、1)设定该人行横道道路长为l，宽为h，考虑到行人通过道路时候的最大通行量，将行人的体宽设为h，行人的最大通过量q＝h/(h(1+a))，其中，a为宽放系数；

33、2)计算目标检测算法识别的人数，设定识别的行人数量为k，单位通过量q的计算公式为q＝k/q；

34、3)行人通过总时间t的计算公式为t＝v*(q)*(1+b)，其中，v为行人通过的平均速度，b为行人通过人行横道的宽放系数。

35、本发明提出了一种基于目标检测的行人优先的红绿灯实时配时方法，对yolov5模型替换了新的主干网络，在减少参数的基础上保持了准确率不变；调整neck并替换使用dwconv进一步减少参数量并且减少了推理时间，使用知识蒸馏使得改进网络进一步提高准确率。

36、c3-faster-block表示本文改进之后的主干网络结构。

37、dwconv卷积即深度可分离卷积，主要是将通道按输入输出的最大公约数进行切分，在不同的通道图层上进行特征学习。

38、cwd知识蒸馏是一种通道级的知识蒸馏方法，只需计算每个通道的概率距离,就可以有效地对齐前景特征,实现高效的密集预测网络蒸馏。

39、bottleneck表示模型的瓶颈层。

40、mosica是一种数据增强方式，通过将四张或者九张图片组合成一张图片，增加数据集的样本数量。

41、map则表示所有类别ap的平均值。

技术特征：

1.一种基于目标检测的行人优先的红绿灯实时配时方法，包括对数据集进行提取收集和预处理，还包括以下步骤：

2.如权利要求1所述的基于目标检测的行人优先的红绿灯实时配时方法，其特征在于，所述对数据集进行提取收集和预处理包括以下子步骤：

3.如权利要求2所述的基于目标检测的行人优先的红绿灯实时配时方法，其特征在于，对所述yolov5模型的改进方法包括：

4.如权利要求3所述的基于目标检测的行人优先的红绿灯实时配时方法，其特征在于，所述替换c3模块为c3-faster-block，包括以下子步骤：

5.如权利要求4所述的基于目标检测的行人优先的红绿灯实时配时方法，其特征在于，所述dwconv卷积中的每个输入通道都与其自己的一组卷积核进行卷积，每个通道都有独立的卷积核，每个通道的特征都由自己的一组参数进行处理，不与其他通道共享参数。

6.如权利要求5所述的基于目标检测的行人优先的红绿灯实时配时方法，其特征在于，所述使用cwd知识蒸馏包括以下子步骤：

7.如权利要求6所述的基于目标检测的行人优先的红绿灯实时配时方法，其特征在于，所述步骤2包括以下子步骤：

8.如权利要求7所述的基于目标检测的行人优先的红绿灯实时配时方法，其特征在于，所述步骤3包括以下子步骤：

9.如权利要求8所述的基于目标检测的行人优先的红绿灯实时配时方法，其特征在于，在行人通过斑马线时，对于到达的行人，设定行人到达时间遵循正态分布。

10.如权利要求9所述的基于目标检测的行人优先的红绿灯实时配时方法，其特征在于，所述模拟斑马线通行时间计算包括：

技术总结
本发明提供一种基于目标检测的行人优先的红绿灯实时配时方法，包括对数据集进行提取收集和预处理，还包括以下步骤：对YOLOv5模型进行改进，得到优化YOLOv5模型；将预处理之后的图像信息输入到所述优化YOLOv5模型中进行训练；利用训练好的模型对于需通过红绿灯的行人进行快速检测，通过目标跟踪、目标计数得到通过人数，计数通行时间。本发明能够动态调整不同时期、不同拥堵情况的行人通过绿灯配时时长，同时针对真实路况调整数据采集时间段时长，使得最终获得行人通过斑马线绿灯配时控制方案更能满足真实的交通管控需求。

技术研发人员：亓呈明,黄俊超
受保护的技术使用者：北京联合大学
技术研发日：
技术公布日：2024/4/17