本發(fā)明涉及交通燈領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的智能交通燈系統(tǒng)及其控制交通燈的方法。

背景技術(shù)：

目前的交通燈采用plc控制程序來控制紅綠燈的時間，即根據(jù)該路口的情況提前設(shè)置好交通燈的plc控制程序。比如在一個十字路口的周期內(nèi)，根據(jù)南北方向紅燈亮25秒，轉(zhuǎn)到綠燈亮25秒，再按照1秒鐘1一次的規(guī)律閃爍3次，然后轉(zhuǎn)動黃燈亮2秒，東西方向綠燈亮20秒，再閃爍3次，轉(zhuǎn)到黃燈亮2秒，然后紅燈亮30秒，完成一個周期，如此循環(huán)。

這種固定周期、固定方向上綠燈的通行時間就會面臨一個問題：不能實施根據(jù)車流來改變交通燈的時間，經(jīng)常會出現(xiàn)在高峰擁堵階段，有些道路車流量不大但是交通燈時間過久，或者車流量過大交通燈時間過短的情況。影響路口通行時間的因素有很多，比如車型，大型客貨車的通行時間較長，導(dǎo)致車流過慢。因此。現(xiàn)有技術(shù)中通過plc固定程序來調(diào)控交通燈會影響實際的通行效率，不能很好地調(diào)控路面的實際通行情況。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種基于深度學(xué)習(xí)的智能交通燈系統(tǒng)及其控制交通燈的方法，通過自主深度學(xué)習(xí)形成控制模型，控制模型可以根據(jù)路口車輛排隊長度、車流量和車型信息計算出控制下一次交通燈變化之后的綠燈持續(xù)時間，高效地解決了交通擁堵問題。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于深度學(xué)習(xí)的智能交通燈系統(tǒng)，包括數(shù)據(jù)采集處理模塊，用于實時采集交通燈對應(yīng)路口的圖像，并根據(jù)該圖像識別車型信息、車流量、車輛排隊長度以及其對應(yīng)的通過時間；深度學(xué)習(xí)模塊，包括能夠模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)和控制模型，所述控制模型通過將數(shù)據(jù)采集處理模塊得到的車型信息、車流量、車輛排隊長度以及其對應(yīng)的通過時間輸入所述神經(jīng)網(wǎng)絡(luò)進行自主深度學(xué)習(xí)形成；交通燈中心控制模塊，用于控制交通燈；所述數(shù)據(jù)采集處理模塊實時采集路口的圖像，并將根據(jù)圖像識別的紅燈對應(yīng)車道上的車型信息和車輛排隊長度、綠燈對應(yīng)車道上的車流量傳輸至所述神經(jīng)網(wǎng)絡(luò)和控制模型中進行學(xué)習(xí)計算，同時將學(xué)習(xí)計算出的下一次交通燈變化之后的綠燈持續(xù)時間傳輸至所述交通燈中心控制模塊，用于控制交通燈。

進一步地，所述深度學(xué)習(xí)模塊中的神經(jīng)網(wǎng)絡(luò)經(jīng)過300-500次自主學(xué)習(xí)，形成控制模型。

進一步地，所述下一次交通燈變化之后的綠燈持續(xù)時間確保紅燈對應(yīng)車道的車輛排隊長度和通過綠燈對應(yīng)車道的車流量計算出的該車道上的車輛排隊長度之和最短。

進一步地，每個車道上對應(yīng)一個數(shù)據(jù)采集處理模塊。

進一步地，所述數(shù)據(jù)采集處理模塊包括數(shù)據(jù)采集模塊、智能識別模塊和數(shù)據(jù)監(jiān)控模塊。

進一步地，所述智能識別模塊一端連接所述數(shù)據(jù)采集模塊，另一端連接所述數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)采集模塊采集到的圖像傳輸至所述智能識別模塊進行車型的識別，所述圖像和識別之后的車型信息傳輸至所述數(shù)據(jù)監(jiān)控模塊，所述數(shù)據(jù)監(jiān)控模塊根據(jù)上述圖像監(jiān)控車流量、車輛排隊長度以及其對應(yīng)的通過時間。

進一步地，所述數(shù)據(jù)采集模塊同時連接所述智能識別模塊和數(shù)據(jù)監(jiān)控模塊，所述智能識別模塊根據(jù)上述圖像識別車型信息，所述數(shù)據(jù)監(jiān)控模塊根據(jù)上述圖像監(jiān)控車流量、車輛排隊長度以及其對應(yīng)的通過時間。

進一步地，所述數(shù)據(jù)采集模塊包括攝像頭。

進一步地，所述車型信息包括大型客貨車、中型客貨車和小型客貨車。

進一步地，所述神經(jīng)網(wǎng)絡(luò)采用代碼或者具有深度學(xué)習(xí)算法功能的芯片來實現(xiàn)自主深度學(xué)習(xí)算法的功能。

本發(fā)明提供的一種采用基于深度學(xué)習(xí)的智能交通燈系統(tǒng)控制交通燈的方法，包括以下步驟：

s01：數(shù)據(jù)采集處理模塊實時采集交通燈對應(yīng)路口的圖像，并根據(jù)圖像識別紅燈對應(yīng)車道上的車型信息和車輛排隊長度，綠燈對應(yīng)車道上的車流量；

s02：上述識別出的車型信息、車輛排隊長度和車流量傳輸至所述深度學(xué)習(xí)模塊，經(jīng)過神經(jīng)網(wǎng)絡(luò)和控制模型的學(xué)習(xí)計算，得出下一次交通燈變化之后的綠燈持續(xù)時間；

s03：下一次交通燈變化之后的綠燈持續(xù)時間傳輸至所述交通燈中心控制模塊，用于控制交通燈。

進一步地，在步驟s01之前，通過交通燈中心控制模塊設(shè)置各個車道上對應(yīng)的紅綠燈轉(zhuǎn)換順序。

進一步地，所述控制模型通過以下步驟形成：

t01：通過交通燈中心控制模塊設(shè)置各個車道上對應(yīng)的紅綠燈轉(zhuǎn)換順序以及綠燈持續(xù)時間；

t02：數(shù)據(jù)采集處理模塊實時采集交通燈對應(yīng)路口的圖像，并根據(jù)圖像識別紅燈對應(yīng)車道上的車型信息、車輛排隊長度以及對應(yīng)的通過時間，綠燈對應(yīng)車道上的車流量；

t03：上述識別出的車型信息、車輛排隊長度以及對應(yīng)的通過時間和車流量傳輸至所述深度學(xué)習(xí)模塊，經(jīng)過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，形成控制模型。

本發(fā)明的有益效果為：本發(fā)明利用深度學(xué)習(xí)模塊，通過神經(jīng)網(wǎng)絡(luò)的自主深度學(xué)習(xí)形成控制模型，控制模型可以根據(jù)路口車流量、車輛排隊長度和車型信息計算出控制下一次交通燈變化之后的綠燈持續(xù)時間，再通過交通燈中心控制模塊控制交通燈的綠燈持續(xù)時間，高效地解決了交通擁堵問題。

附圖說明

圖1為一種基于深度學(xué)習(xí)的智能交通燈系統(tǒng)的結(jié)構(gòu)框架圖。

圖2為實施例1中基于深度學(xué)習(xí)的智能交通燈系統(tǒng)的結(jié)構(gòu)框架圖。

圖3為實施例1中安裝智能交通燈系統(tǒng)的路口示意圖。

圖4為實施例2中基于深度學(xué)習(xí)的智能交通燈系統(tǒng)的結(jié)構(gòu)框架圖。

圖5為實施例2中安裝智能交通燈系統(tǒng)的路口示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合附圖對本發(fā)明的具體實施方式做進一步的詳細說明。

圖1為一種基于深度學(xué)習(xí)的智能交通燈系統(tǒng)的結(jié)構(gòu)框架圖，包括數(shù)據(jù)采集處理模塊、深度學(xué)習(xí)模塊和交通燈中心控制模塊，且深度學(xué)習(xí)模塊一端連接數(shù)據(jù)采集處理模塊，另一端連接交通燈中心控制模塊。其中，數(shù)據(jù)采集處理模塊，用于實時采集交通燈對應(yīng)路口的圖像，并根據(jù)該圖像識別各車道上的車型信息、監(jiān)控車流量、車輛排隊長度以及其對應(yīng)的通過時間；深度學(xué)習(xí)模塊，包括能夠模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)和控制模型；交通燈中心控制模塊，用于控制交通燈。

數(shù)據(jù)采集處理模塊包括數(shù)據(jù)采集模塊、智能識別模塊和數(shù)據(jù)監(jiān)控模塊，且數(shù)據(jù)采集處理模塊的結(jié)構(gòu)包括兩種，智能識別模塊一端連接數(shù)據(jù)采集模塊，另一端連接數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)采集模塊采集到的圖像傳輸至智能識別模塊進行車型的識別，圖像和識別之后的車型信息傳輸至數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)監(jiān)控模塊根據(jù)上述圖像監(jiān)控車流量、車輛排隊長度以及其對應(yīng)的通過時間。除此之外，數(shù)據(jù)采集模塊還可以同時連接智能識別模塊和數(shù)據(jù)監(jiān)控模塊，智能識別模塊根據(jù)上述圖像識別各車道中的車型信息，數(shù)據(jù)監(jiān)控模塊根據(jù)上述圖像監(jiān)控車流量、車輛排隊長度以及其對應(yīng)的通過時間。數(shù)據(jù)采集模塊可以包括攝像頭或者其他能夠采集圖像的裝置，用于記錄該攝像頭所對應(yīng)的車道的圖像。

其中，車流量為該路口綠燈對應(yīng)車道上每秒鐘通過的車輛數(shù)目。

深度學(xué)習(xí)模塊，基于深度學(xué)習(xí)算法，建立模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，其中，神經(jīng)網(wǎng)絡(luò)采用代碼或者具有深度學(xué)習(xí)算法功能的芯片來實現(xiàn)自主深度學(xué)習(xí)算法的功能。神經(jīng)網(wǎng)絡(luò)可以模仿人腦的機制來解釋數(shù)據(jù)，分析不同車道紅燈駐行時的車型信息、排隊長度信息以及通過時間檢測，形成一套控制模型，讓所有車道總的排隊長度最短。其中，在控制模型形成和控制交通的過程中，數(shù)據(jù)采集處理模塊采集的數(shù)據(jù)均需要經(jīng)過神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)，目前，神經(jīng)網(wǎng)絡(luò)中常用學(xué)習(xí)模型為svm支持向量機、rnn循環(huán)神經(jīng)網(wǎng)絡(luò)、rbm限制玻爾茲曼機、obns深信度網(wǎng)絡(luò)等。

交通燈中心控制模塊，用于控制交通燈，包括對每個車道按照常規(guī)的綠燈、紅燈和黃燈的順序進行設(shè)置，以及對每個車道上的綠燈持續(xù)時間進行設(shè)置。

控制模型通過以下步驟形成：

t01：交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈中不同車道上的紅綠燈轉(zhuǎn)換順序和時間。

t02：數(shù)據(jù)采集處理模塊實時采集路口的圖像，并根據(jù)上述圖像識別紅燈對應(yīng)車道上的車型信息，監(jiān)控紅燈對應(yīng)的車道上的車輛排隊長度以及其對應(yīng)的通過時間、綠燈對應(yīng)的車道上的車流量。

t03：將上述車型信息、車流量、排隊長度和通過時間傳輸進入深度學(xué)習(xí)模塊，神經(jīng)網(wǎng)絡(luò)經(jīng)過300-500次的自主深度學(xué)習(xí)形成控制模型。

在控制模型控制交通燈階段，包括以下步驟：

s01：數(shù)據(jù)采集處理模塊實時采集路口的圖像，并根據(jù)上述圖像識別紅燈對應(yīng)車道上的車型信息，監(jiān)控紅燈對應(yīng)的車道上的車輛排隊長度、綠燈對應(yīng)的車道上的車流量，其中，在數(shù)據(jù)采集處理模塊開始采集圖像之前，交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈中不同車道上的紅綠燈轉(zhuǎn)換順序。

s02：將上述車型信息、車流量和排隊長度輸入深度學(xué)習(xí)模塊，經(jīng)過神經(jīng)網(wǎng)絡(luò)和控制模型的學(xué)習(xí)計算，得出下一次交通燈變化之后的綠燈持續(xù)時間，其中，下一次交通燈變化之后的綠燈持續(xù)時間確保整個路口的排隊長度最短，也就是紅燈對應(yīng)車道的車輛排隊長度和通過綠燈對應(yīng)車道的車流量計算出的該車道上的車輛排隊長度之和最短。綠燈對應(yīng)車道的車流量計算出的該車道上的排隊長隊為車流量與綠燈持續(xù)時間的乘積。在此階段中，神經(jīng)網(wǎng)絡(luò)對識別出的信息進行學(xué)習(xí)，并結(jié)合控制模型的計算得出最終的學(xué)習(xí)計算結(jié)果，控制模型的計算過程即為在控制模型形成階段的反過程，目前，采用的計算模型為svm支持向量機、rnn循環(huán)神經(jīng)網(wǎng)絡(luò)、rbm限制玻爾茲曼機、obns深信度網(wǎng)絡(luò)等。

s03：將學(xué)習(xí)計算出的下一次交通燈變化之后的綠燈持續(xù)時間傳輸至交通燈中心控制模塊，用于控制交通燈。

本發(fā)明的基于深度學(xué)習(xí)的智能交通燈系統(tǒng)安裝在路口，位于交通燈控制的同一方向上的車道可以包括直行車道和/或左轉(zhuǎn)車道和/或右轉(zhuǎn)車道，并且每個被紅綠燈控制的車道單獨對應(yīng)一個數(shù)據(jù)采集處理模塊。同一方向上直行車道和左轉(zhuǎn)車道分別對應(yīng)不同的數(shù)據(jù)采集處理模塊。車型信息包括大型客貨車、中型客貨車和小型客貨車。

下面用兩個具體實施例進一步解釋本發(fā)明。

實施例1

圖2為實施例1中基于深度學(xué)習(xí)的智能交通燈系統(tǒng)的結(jié)構(gòu)框架圖。圖3為實施例1中安裝智能交通燈系統(tǒng)的路口示意圖。

如圖2所示，一種基于深度學(xué)習(xí)的智能交通燈系統(tǒng)，包括數(shù)據(jù)采集處理模塊、深度學(xué)習(xí)模塊和交通燈中心控制模塊。其中，數(shù)據(jù)采集處理模塊，包括數(shù)據(jù)采集模塊、智能識別模塊和數(shù)據(jù)監(jiān)控模塊，且智能識別模塊一端連接數(shù)據(jù)采集模塊，另一端連接數(shù)據(jù)監(jiān)控模塊，紅燈對應(yīng)車道上的數(shù)據(jù)采集模塊采集到的圖像傳輸至對應(yīng)的智能識別模塊進行車型的識別，圖像和識別之后的車型信息傳輸至數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)監(jiān)控模塊根據(jù)上述圖像監(jiān)控綠燈車道對應(yīng)的車流量、紅燈車道對應(yīng)的車輛排隊長度以及其對應(yīng)的通過時間。數(shù)據(jù)采集模塊為攝像頭，用于記錄該攝像頭所對應(yīng)的車道的圖像。

如圖3所示，該十字路口采用交通燈控制的車道為東西方向的直行車道和南北方向的直行車道，因此，在該路口朝西、朝東、朝南和朝北的方向上分別安裝攝像頭，每個方向上的攝像頭分別對應(yīng)自己的智能識別模塊和數(shù)據(jù)監(jiān)控模塊。

本發(fā)明的智能交通燈系統(tǒng)包括控制模型形成階段和控制模型控制交通燈階段，在控制模型形成階段，攝像頭1、攝像頭2、攝像頭3和攝像頭4分別采集從西到東直行車道的圖像、從東到西直行車道的圖像、從北到南直行車道的圖像和從南到北直行車道的圖像。

如圖2、圖3所示，在控制模型形成階段，當東西方向上直行車道為綠燈，南北方向上直行車道為紅燈時，包括以下步驟：

t01：交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈的紅綠燈轉(zhuǎn)換順序和時間。

t02：攝像頭1、攝像頭2、攝像頭3和攝像頭4分別采集從西到東直行車道的圖像、從東到西直行車道的圖像、從北到南直行車道的圖像和從南到北直行車道的圖像，并且智能識別模塊3和智能識別模塊4分別識別對應(yīng)圖像中的車型信息，智能識別模塊將上述圖像和車型信息傳輸至對應(yīng)的數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)監(jiān)控模塊1監(jiān)控從西到東直行車道上的車流量，數(shù)據(jù)檢測模塊2監(jiān)控從東到西直行車道上的車流量，數(shù)據(jù)監(jiān)控模塊3監(jiān)控從北到南直行車道上的車輛排隊長度及其對應(yīng)的通過時間，數(shù)據(jù)監(jiān)控模塊4監(jiān)控從南到北直行車道上的車輛排隊長度及其對應(yīng)的通過時間。

t03：智能識別模塊3和智能識別模塊4將識別的車型信息傳輸至深度學(xué)習(xí)模塊，數(shù)據(jù)監(jiān)控模塊1和數(shù)據(jù)監(jiān)控模塊2將監(jiān)控到的車流量傳輸至深度學(xué)習(xí)模塊，數(shù)據(jù)監(jiān)控模塊3和數(shù)據(jù)監(jiān)控模塊4將監(jiān)控到的車輛排隊長度及其對應(yīng)的通過時間發(fā)送至深度學(xué)習(xí)模塊，深度學(xué)習(xí)模塊中的神經(jīng)網(wǎng)絡(luò)采用代碼或者具有深度學(xué)習(xí)算法功能的芯片來實現(xiàn)自主深度學(xué)習(xí)算法的功能，實現(xiàn)神經(jīng)網(wǎng)絡(luò)的一次學(xué)習(xí)。

在控制模型形成階段，當東西方向上直行車道為紅燈，南北方向上直行車道為綠燈時，包括以下步驟：

t01：交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈的紅綠燈轉(zhuǎn)換順序和時間。

t02：攝像頭1、攝像頭2、攝像頭3和攝像頭4分別采集從西到東直行車道的圖像、從東到西直行車道的圖像、從北到南直行車道的圖像和從南到北直行車道的圖像，并且智能識別模塊1和智能識別模塊2分別識別對應(yīng)圖像中的車型信息，智能識別模塊將上述圖像和車型信息傳輸至對應(yīng)的數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)監(jiān)控模塊1監(jiān)控從西到東直行車道上的車輛排隊長度及其對應(yīng)的通過時間，數(shù)據(jù)檢測模塊2監(jiān)控從東到西直行車道上的車輛排隊長度及其對應(yīng)的通過時間，數(shù)據(jù)監(jiān)控模塊3監(jiān)控從北到南直行車道上的車流量，數(shù)據(jù)監(jiān)控模塊4監(jiān)控從南到北直行車道上的車流量。

t03：智能識別模塊1和智能識別模塊2將識別的車型信息傳輸至深度學(xué)習(xí)模塊，數(shù)據(jù)監(jiān)控模塊3和數(shù)據(jù)監(jiān)控模塊4將監(jiān)控到的車流量傳輸至深度學(xué)習(xí)模塊，數(shù)據(jù)監(jiān)控模塊1和數(shù)據(jù)監(jiān)控模塊2將監(jiān)控到的車輛排隊長度及其對應(yīng)的通過時間發(fā)送至深度學(xué)習(xí)模塊，深度學(xué)習(xí)模塊中的神經(jīng)網(wǎng)絡(luò)采用代碼或者具有深度學(xué)習(xí)算法功能的芯片來實現(xiàn)自主深度學(xué)習(xí)算法的功能，實現(xiàn)神經(jīng)網(wǎng)絡(luò)的一次學(xué)習(xí)。

如此循環(huán)，經(jīng)過300-500次的自主學(xué)習(xí)形成控制模型。

在控制模型控制交通燈階段，當東西方向上直行車道為綠燈，南北方向上直行車道為紅燈時，包括以下步驟：

s01：交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈的紅綠燈轉(zhuǎn)換順序，攝像頭1、攝像頭2、攝像頭3和攝像頭4分別采集從西到東直行車道的圖像、從東到西直行車道的圖像、從北到南直行車道的圖像和從南到北直行車道的圖像，并且智能識別模塊3和智能識別模塊4分別識別對應(yīng)圖像中的車型信息，智能識別模塊將上述圖像和車型信息傳輸至對應(yīng)的數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)監(jiān)控模塊1監(jiān)控從西到東直行車道上的車流量，數(shù)據(jù)檢測模塊2監(jiān)控從東到西直行車道上的車流量，數(shù)據(jù)監(jiān)控模塊3監(jiān)控從北到南直行車道上的車輛排隊長度，數(shù)據(jù)監(jiān)控模塊4監(jiān)控從南到北直行車道上的車輛排隊長度。

s02：智能識別模塊3和智能識別模塊4將識別的車型信息傳輸至深度學(xué)習(xí)模塊，數(shù)據(jù)監(jiān)控模塊1和數(shù)據(jù)監(jiān)控模塊2將監(jiān)控到的車流量傳輸至深度學(xué)習(xí)模塊，數(shù)據(jù)監(jiān)控模塊3和數(shù)據(jù)監(jiān)控模塊4將監(jiān)控到的車輛排隊長度發(fā)送至深度學(xué)習(xí)模塊，深度學(xué)習(xí)模塊中的神經(jīng)網(wǎng)絡(luò)和控制模型經(jīng)過學(xué)習(xí)計算，得出南北方向車道上的交通燈轉(zhuǎn)換為綠燈時的持續(xù)時間，確保該路口所有車道上的排隊長度的總和最短，所有車道上的排隊長度包括南北方向直行車道的車輛排隊長度和通過東西方向直行車道的車流量計算出的東西方向直行車道上的車輛排隊長度。

s03：將學(xué)習(xí)計算出的南北方向車道上的交通燈轉(zhuǎn)換為綠燈時的持續(xù)時間傳輸至交通燈中心控制模塊，用于控制交通燈中南北方向上的綠燈持續(xù)時間。

當東西方向上直行車道為紅燈，南北方向上直行車道為綠燈時，包括以下步驟：

s01：交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈的紅綠燈轉(zhuǎn)換順序，攝像頭1、攝像頭2、攝像頭3和攝像頭4分別采集從西到東直行車道的圖像、從東到西直行車道的圖像、從北到南直行車道的圖像和從南到北直行車道的圖像，并且智能識別模塊1和智能識別模塊2分別識別對應(yīng)圖像中的車型信息，智能識別模塊將上述圖像和車型信息傳輸至對應(yīng)的數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)監(jiān)控模塊1監(jiān)控從西到東直行車道上的車輛排隊長度，數(shù)據(jù)檢測模塊2監(jiān)控從東到西直行車道上的車輛排隊長度，數(shù)據(jù)監(jiān)控模塊3監(jiān)控從北到南直行車道上的車流量，數(shù)據(jù)監(jiān)控模塊4監(jiān)控從南到北直行車道上的車流量。

s02：智能識別模塊1和智能識別模塊2將識別的車型信息傳輸至深度學(xué)習(xí)模塊，數(shù)據(jù)監(jiān)控模塊3和數(shù)據(jù)監(jiān)控模塊4將監(jiān)控到的車流量傳輸至深度學(xué)習(xí)模塊，數(shù)據(jù)監(jiān)控模塊1和數(shù)據(jù)監(jiān)控模塊2將監(jiān)控到的車輛排隊長度發(fā)送至深度學(xué)習(xí)模塊，深度學(xué)習(xí)模塊中的神經(jīng)網(wǎng)絡(luò)和控制模型經(jīng)過學(xué)習(xí)計算，得出東西方向車道上的交通燈轉(zhuǎn)換為綠燈時的持續(xù)時間，確保該路口所有車道上的排隊長度的總和最短，所有車道上的排隊長度包括東西方向直行車道的車輛排隊長度和通過南北方向直行車道的車流量計算出的南北方向直行車道上的車輛排隊長度。

s03：將學(xué)習(xí)計算出的東西方向車道上的交通燈轉(zhuǎn)換為綠燈時的持續(xù)時間傳輸至交通燈中心控制模塊，用于控制交通燈中東西方向上的綠燈持續(xù)時間。

實施例2

圖4為實施例2中基于深度學(xué)習(xí)的智能交通燈系統(tǒng)的結(jié)構(gòu)框架圖。圖5為實施例2中安裝智能交通燈系統(tǒng)的路口示意圖。

如圖4所示，一種基于深度學(xué)習(xí)的智能交通燈系統(tǒng)，包括數(shù)據(jù)采集處理模塊、深度學(xué)習(xí)模塊和交通燈中心控制模塊，且深度學(xué)習(xí)模塊一端連接數(shù)據(jù)采集處理模塊，另一端連接交通燈中心控制模塊。其中，數(shù)據(jù)采集處理模塊包括數(shù)據(jù)采集模塊、智能識別模塊和數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)采集模塊同時連接智能識別模塊和數(shù)據(jù)監(jiān)控模塊，紅燈對應(yīng)車道上的數(shù)據(jù)采集模塊采集到的圖像傳輸至對應(yīng)的智能識別模塊進行車型的識別，同時，數(shù)據(jù)采集模塊采集到的圖像傳輸至數(shù)據(jù)監(jiān)控模塊，數(shù)據(jù)監(jiān)控模塊監(jiān)控綠燈車道對應(yīng)的車流量、紅燈車道對應(yīng)的車輛排隊長度以及其對應(yīng)的通過時間。數(shù)據(jù)采集模塊為攝像頭，用于記錄該攝像頭所對應(yīng)的車道的圖像。

如圖4所示，該十字路口采用交通燈控制的車道為東西方向的直行車道和左轉(zhuǎn)車道和南北方向的直行車道和左轉(zhuǎn)車道，因此，在該路口朝西、朝東、朝南和朝北的直行車道和左轉(zhuǎn)車道上分別安裝攝像頭，每個方向上的攝像頭分別對應(yīng)自己的智能識別模塊和數(shù)據(jù)監(jiān)控模塊。

本發(fā)明的智能交通燈系統(tǒng)包括控制模型形成階段和控制模型控制交通燈階段，在控制模型形成階段，攝像頭1、攝像頭2、攝像頭3和攝像頭4分別采集從西到東直行車道的圖像、從東到西直行車道的圖像、從北到南直行車道的圖像和從南到北直行車道的圖像，攝像頭5、攝像頭6、攝像頭7和攝像頭8分別采集從西到東左轉(zhuǎn)車道的圖像、從東到西左轉(zhuǎn)車道的圖像、從北到南左轉(zhuǎn)車道的圖像和從南到北左轉(zhuǎn)車道的圖像。

如圖4、圖5所示，在控制模型形成階段，當東西方向上直行車道為綠燈，其余車道為紅燈時，包括以下步驟：

t01：交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈的紅綠燈轉(zhuǎn)換順序和時間。

t02：攝像頭1、攝像頭2、攝像頭3和攝像頭4分別采集從西到東直行車道的圖像、從東到西直行車道的圖像、從北到南直行車道的圖像和從南到北直行車道的圖像，攝像頭5、攝像頭6、攝像頭7和攝像頭8分別采集從西到東左轉(zhuǎn)車道的圖像、從東到西左轉(zhuǎn)車道的圖像、從北到南左轉(zhuǎn)車道的圖像和從南到北左轉(zhuǎn)車道的圖像。紅燈對應(yīng)的智能識別模塊分別識別對應(yīng)圖像中的車型信息，同時，數(shù)據(jù)監(jiān)控模塊1和數(shù)據(jù)檢測模塊2監(jiān)控采集圖像的車流量，數(shù)據(jù)監(jiān)控模塊3、數(shù)據(jù)監(jiān)控模塊4、數(shù)據(jù)監(jiān)控模塊5、數(shù)據(jù)監(jiān)控模塊6、數(shù)據(jù)監(jiān)控模塊7和數(shù)據(jù)監(jiān)控模塊8監(jiān)控采集圖像的車輛排隊長度及其對應(yīng)的通過時間.

t03：上述車型信息、車輛排隊長度及其對應(yīng)的通過時間發(fā)送至深度學(xué)習(xí)模塊，深度學(xué)習(xí)模塊中的神經(jīng)網(wǎng)絡(luò)采用代碼或者具有深度學(xué)習(xí)算法功能的芯片來實現(xiàn)自主深度學(xué)習(xí)算法的功能，完成神經(jīng)網(wǎng)絡(luò)的一次學(xué)習(xí)。

當東西方向上左轉(zhuǎn)車道為綠燈，其余車道為紅燈時，包括以下步驟：

t01：交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈的紅綠燈轉(zhuǎn)換順序和時間。

t02：攝像頭分別采集對應(yīng)車道上圖像，紅燈對應(yīng)的智能識別模塊分別識別對應(yīng)圖像中的車型信息，同時，數(shù)據(jù)監(jiān)控模塊5和數(shù)據(jù)檢測模塊6監(jiān)控采集圖像的車流量，數(shù)據(jù)監(jiān)控模塊1、數(shù)據(jù)監(jiān)控模塊2、數(shù)據(jù)監(jiān)控模塊3、數(shù)據(jù)監(jiān)控模塊4、數(shù)據(jù)監(jiān)控模塊7和數(shù)據(jù)監(jiān)控模塊8監(jiān)控采集圖像的車輛排隊長度及其對應(yīng)的通過時間。

t03：上述車型信息、車輛排隊長度及其對應(yīng)的通過時間發(fā)送至深度學(xué)習(xí)模塊，深度學(xué)習(xí)模塊中的神經(jīng)網(wǎng)絡(luò)采用代碼或者具有深度學(xué)習(xí)算法功能的芯片來實現(xiàn)自主深度學(xué)習(xí)算法的功能，完成神經(jīng)網(wǎng)絡(luò)的一次學(xué)習(xí)。

當南北方向直行車道或者左轉(zhuǎn)車道為綠燈時，按照上述方法進行自主學(xué)習(xí)，如此循環(huán)，經(jīng)過300-500次的自主學(xué)習(xí)形成控制模型。

在控制模型控制交通燈階段，當東西方向上直行車道為綠燈，其余車道為紅燈時，包括以下步驟：

s01：交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈的紅綠燈轉(zhuǎn)換順序，攝像頭分別采集對應(yīng)車道上圖像，紅燈對應(yīng)的智能識別模塊分別識別對應(yīng)圖像中的車型信息，同時，數(shù)據(jù)監(jiān)控模塊1和數(shù)據(jù)檢測模塊2監(jiān)控采集圖像的車流量，數(shù)據(jù)監(jiān)控模塊3、數(shù)據(jù)監(jiān)控模塊4、數(shù)據(jù)監(jiān)控模塊5、數(shù)據(jù)監(jiān)控模塊6、數(shù)據(jù)監(jiān)控模塊7和數(shù)據(jù)監(jiān)控模塊8監(jiān)控采集圖像的車輛排隊長度。

s02：上述車型信息、車輛排隊長度發(fā)送至深度學(xué)習(xí)模塊，深度學(xué)習(xí)模塊中的神經(jīng)網(wǎng)絡(luò)和控制模型經(jīng)過學(xué)習(xí)計算，得出東西方向上左轉(zhuǎn)車道上的綠燈持續(xù)時間，確保該路口所有車道上的排隊長度的總和最短，所有車道上的排隊長度包括紅燈對應(yīng)車道的車輛排隊長度和通過東西方向直行車道的車流量計算出的東西方向直行車道上的車輛排隊長度。

s03：將學(xué)習(xí)計算出的東西方向上左轉(zhuǎn)車道上的綠燈持續(xù)時間傳輸至交通燈中心控制模塊，用于控制東西方向上左轉(zhuǎn)車道上的綠燈持續(xù)時間。

當東西方向上左轉(zhuǎn)車道為綠燈，其余車道為紅燈時，包括以下步驟：

s01：交通燈中心控制模塊按照經(jīng)驗值設(shè)置交通燈的紅綠燈轉(zhuǎn)換順序，攝像頭分別采集對應(yīng)車道上圖像，紅燈對應(yīng)的智能識別模塊分別識別對應(yīng)圖像中的車型信息，同時，數(shù)據(jù)監(jiān)控模塊5和數(shù)據(jù)檢測模塊6監(jiān)控采集圖像的車流量，數(shù)據(jù)監(jiān)控模塊1、數(shù)據(jù)監(jiān)控模塊2、數(shù)據(jù)監(jiān)控模塊3、數(shù)據(jù)監(jiān)控模塊4、數(shù)據(jù)監(jiān)控模塊7和數(shù)據(jù)監(jiān)控模塊8監(jiān)控采集圖像的車輛排隊長度。

s02：上述車型信息、車輛排隊長度發(fā)送至深度學(xué)習(xí)模塊，深度學(xué)習(xí)模塊中的神經(jīng)網(wǎng)絡(luò)和控制模型經(jīng)過學(xué)習(xí)計算，得出南北方向上直行車道上的綠燈持續(xù)時間，確保該路口所有車道上的排隊長度的總和最短，所有車道上的排隊長度包括紅燈對應(yīng)車道的車輛排隊長度和通過東西方向左轉(zhuǎn)車道的車流量計算出的東西方向左轉(zhuǎn)車道上的車輛排隊長度。

s03：將學(xué)習(xí)計算出的南北方向上直行車道上的綠燈持續(xù)時間傳輸至交通燈中心控制模塊，用于控制南北方向上直行車道上的綠燈持續(xù)時間。

當南北方向直行車道或者左轉(zhuǎn)車道為綠燈時，按照上述方法控制交通燈綠燈持續(xù)時間。

以上所述僅為本發(fā)明的優(yōu)選實施例，所述實施例并非用于限制本發(fā)明的專利保護范圍，因此凡是運用本發(fā)明的說明書及附圖內(nèi)容所作的等同結(jié)構(gòu)變化，同理均應(yīng)包含在本發(fā)明所附權(quán)利要求的保護范圍內(nèi)。