校园CPS系统的十字路口交通流量监测、管理及优化方法

本发明涉及智慧交通，具体而言，涉及一种校园cps系统的十字路口交通流量监测、管理及优化方法。

背景技术：

1、在校园的传统交通管理方法中,对交通流量没有进行实时、准确的监测和统计,缺乏数据支持,难以进行高效的十字路口调节。且大多定时定点靠老师在现场观察调整和管理。因此，该校园的传统交通管理方法效率低下、对老师劳动强度较大，也不够智能化。

2、近年来,随着物联网和智能交通的发展,涌现出一些基于计算机视觉算法的校园交通流量监测方法。但这些方法大多直接使用单个摄像头对校园十字路口的每个路口单独进行流量统计,难以实现区域级别的交通监控管理优化。

3、尤其是，交通安全是校园安全中重要的环节,在校园内十字路口的管理中,由于学生和教职工的不规律性,直接采用传统的定时式交通灯控制加定时定点人工管理，或者，采用单个摄像头进行流量统计和监测，这两种交通流量监测和管理方法效果不佳，仍然难以解决下课高峰时校园十字路口的交通流量监测和管理。

4、为了应对集中下课高峰期的区域拥堵情况，现在急切需要一种校园十字路口的交通流量监测和管理方法，以实现对校园内十字路口进行实时和区域级别的交通优化调控。

技术实现思路

1、本发明的目的在于克服现有技术中的上述缺陷，提供了一种校园cps系统的十字路口交通流量监测、管理及优化方法，用以实现对校园内十字路口进行实时和区域级别的交通优化调控，通过对十字路口子区域系统的车流量监测、在子区域系统内自动判断是否发生校园交通事故、设置阈值k_1避免子区域系统的单向路口流量过大以及设置阈值x_1及时通过人工进行现场路口流量疏导的手段，以及通过校门口以及所有十字路口的图节点所联系形成的串联的交通流网络进行调控手段，从而有效缓解校园下课高峰期造成的校园十字路口的区域拥堵问题。

2、为实现上述目的，本发明通过如下两个方面予以实现：

3、第一方面，本发明提供了一种校园cps系统的十字路口交通流量监测、管理方法，包括以下步骤：

4、s1、根据校园十字路口四个方向分为四个子区域系统，将四个子区域系统的车辆关系、行人关系、路口关系以及相关物理关系形成信息连接关系，以及通过四个子区域系统的信息连接关系连接构建校园cps系统；

5、s2、各个子区域系统包括摄像头感知模块、信息处理模块和cps计算模块，摄像头感知模块每隔设定时间获取子区域系统的路口实时画面，信息处理模块对路口实时画面进行图像预处理并传输至cps计算模块中；

6、s3、制作校园交通数据集并对sam-s目标检测模型进行训练，将训练完成的sam-s目标检测模型部署到cps计算模块中，将步骤s2的预处理图像传输至sam-s目标检测模型中进行计算并获得分割结果图，在分割结果图中使用softmax算法分别计算行人与车辆的概率，并获得对行人和车辆按照不同颜色进行区分的分割出结果图，根据不同颜色的分割出结果图分别计算行人和车辆的数量，以及用特征金字塔结构提取不同图像特征细节，对子区域系统的车辆进行定位以及确定车流量；

7、s4、根据步骤s3的不同颜色的分割出结果图查看是否有车辆与行人重叠的部分用以判断是否发生校园交通事故状况；

8、s5、根据步骤s3的cps计算模块计算出的行人和车辆的数量，分别对行人与车辆设置不同数量权重并生成各个子区域系统路口流量，比较四个子区域系统路口流量大小，并分别设立阈值k_1、x_1，其中，阈值k_1为任意两个子区域系统的路口流量差值，当任意两个子区域系统的路口流量差值大于k_1时，根据流量最大方向进行单方向绿灯通行n秒管控，其中，n为大于1的自然数，x_1为子区域系统的路口最大交通流量限度，当任意子区域系统的路口流量值大于x_1时，通过网络上传调度中心，增派人员进行现场路口流量管理。

9、作为优选地，在步骤s2中，摄像头感知模块包括若干个布置在子区域系统不同位置的摄像头感知设备。

10、作为优选地，在步骤s2中，通过5g网络将摄像头感知模块的路口实时画面传输至信息处理模块中，通过5g网络将信息处理模块的预处理图像传输至cps计算模块的sam-s目标检测模型中。

11、作为优选地，在步骤s2中，信息处理模块的图像预处理具体步骤如下：对接收的路口实时画面进行图像去噪操作，其中，通过中值滤波法去除实时画面中的噪声干扰。

12、作为优选地，在步骤s3中，制作校园交通数据集并对sam-s目标检测模型进行训练的具体步骤如下：

13、s310、获取实际采集且包括车辆目标和行人目标的校园十字路口的道路视频和道路图片，将其制成校园交通数据集；

14、s311、用labelme软件对校园交通数据集的车辆目标和行人目标分别进行涂抹标注操作；

15、s312、对sam-s目标检测模型的vgg16网络所卷积层的数目设置为16，且类别数量为2，批量大小为4，采用像素级softmax交叉熵损失函数；

16、s313、将步骤s311的训练数据对sam-s目标检测模型的vgg16网络进行，从而获得训练完成的sam-s目标检测模型。

17、作为优选地，在步骤s3中，将步骤s2的预处理图像传输至sam-s目标检测模型中进行计算并获得分割结果图的具体计算步骤如下：将预处理图像输入至sam-s目标检测模型中，经过由sam-s目标检测模型的vgg16网络组成的编码通道，由16个卷积块使预处理图像的特征图大小逐渐变小,channels变大,提取出不同尺度的语义特征，再经过解码器，解码器部分先对编码器输出进行上采样,然后将上采样特征跟对应级别的编码器特征进行职合,实现跨尺度特征融合，最后继续经过卷积层提取融合特征,最后一层卷积核数对应类别数,输出与输入大小一致的分割结果图。

18、作为优选地，在步骤s3中，在分割结果图中使用softmax算法分别计算行人与车辆的概率，其对行人与车辆进行计算的概率计算公式为：

19、

20、其中，c为车辆类型和行人类别索引,x为输入当前图片中检测到目标的样本特征向量，为类别c的权重占比向量，为所有类别的权重向量，bc为类别c的偏置项，bj为所有类别的偏置项，p(c|x)为区域图像是类别c的概率。

21、作为优选地，在步骤s3中，在用特征金字塔结构提取不同图像特征细节后，在不同车辆生成目标检测框，计算车辆目标检测框数量，以实现对子区域系统的车辆进行精确定位以及确定车流量。

22、作为优选地，在步骤s5中，当任意两个子区域系统的路口流量差值小于或等于k_1时，各个子区域系统的路口轮流进行绿灯通行m秒管控，其中，m为大于1的自然数。

23、第二方面，本发明提供了一种校园cps系统的十字路口交通流量优化方法，还包括如下步骤：

24、s6、将校门口以及校园内所有的十字路口均采用如上第一方面所述的一种校园cps系统的十字路口交通流量监测、管理方法，同时，对校门口以及所有十字路口均设立图节点并形成串联的交通流网络，采用一种基于深度学习的时空融合图神经网络对串联的交通流网络进行调控，其中，将校门口以及所有十字路口的图节点、路口实时画面输入到该一种基于深度学习的时空融合图神经网络中，该一种基于深度学习的时空融合图神经网络采用门控tcn模块，用silu函数处理空间信息，用sigmoid函数处理实践信息，最后将每个时刻的图节点的路口流量信息与图节点之间的路口道路空间信息相融合，其计算公式为：

25、h＝silu(w1·x+b1)⊙sigmoid(w2·x+b2)

26、其中，w1、w2为学习权重，b1、b2为学习偏置，x为输入数据，h为输出数据，同时，输入的图节点的路口流量信息经过与门控tcn模块并行的图卷积模块，将图节点的路口流量信息与实时观测信息融合，实现对下一时间段各个十字路口的车流量预测，以及结合各个十字路口的路口流量管理，以防止局部的十字路口的高峰拥堵。

27、与现有技术相比，本发明的有益效果在于：

28、1、本发明通过一种改进的基于深度学习的sam-s目标检测模型获得分割结果图，在分割结果图中使用softmax算法分别计算行人与车辆的概率，能够分别更快速和更准确分辨检测出行人和车辆，保证后续的车辆定位、车流量监测以及子区域系统路口流量管理的实时性和准确性。

29、2、本发明通过一种改进的基于深度学习的时空融合图神经网络，有效将校门口以及所有十字路口的图节点所形成串联的交通流网络进行调控，通过获取各个图节点的路口流量信息，用深度学习的方法预测未来拥堵情况，比传统方法更加准确，还通过提前调控避免局部的十字路口的高峰拥堵。

30、3、本发明的一种校园cps系统的十字路口交通流量监测、管理及优化方法，第一方面，通过对十字路口子区域系统的车流量监测、在子区域系统内自动判断是否发生校园交通事故、设置阈值k_1避免子区域系统的单向路口流量过大以及设置阈值x_1及时通过人工进行现场路口流量疏导的手段，实现对校园内十字路口进行实时和区域级别的交通优化调控，同时其车辆检测准确率和检测速度得到极大提升，第二方面，将校门口以及所有十字路口的图节点所联系形成的串联的交通流网络，通过一种改进的基于深度学习的时空融合图神经网络对其进行调控，实现对校园内整体十字路口的实时和区域级别的交通优化调控，第一方面和第二方面都有效缓解校园下课高峰期造成的校园十字路口的区域拥堵问题。