一种基于交通视觉的智慧照明控制方法及控制系统与流程

本发明涉及交通照明，具体涉及一种基于交通视觉的智慧照明控制方法及控制系统。

背景技术：

1、在交通驾驶中，布署于道路两侧的照明系统在保障安全驾驶、避免交通意外发生方面具有重要意义。传统的照明系统控制方式为在固定的时间点进行灯具的开启与关闭，但该类控制方式在节能低碳方面具有明显缺陷。因此“灯随车动”的控制方式逐渐占据主要地位。

2、在当前的交通照明中，“灯随车动”控制方式的实现过程为：使用传感器对道路上的车辆进行探测，在车辆进入传感器的探测区域时，基于物联网系统及无线组网系统控制相应区域的灯具提前点亮(即形成一段预点亮的灯带)。该类方式的传感器一般为毫米波雷达或摄像头。

3、但技术人员发现，现有“灯随车动”控制方式常常存在预点亮灯带的点亮时间与车辆到达该预点亮灯带的时间无法适配的技术缺陷。经相应的试验分析发现产生该缺陷的原因具体如下：

4、对于毫米波雷达而言，其无法对低速或静止状态的车辆进行有效探测，从而时常发生无效探测的情况；且为了降低成本，采用的毫米波雷达有效探测距离一般仅为数十米，即提前亮灯距离被限制在了“几十米”这个距离内。此时，对其可准确探测的高速运行的车辆却无法提供足够远的提前点亮距离，在驾驶员视距范围内引入灯具明暗变化带来的干扰。对于摄像头而言，其虽然可以弥补毫米波雷达在车速方面的缺陷，但一方面，采用的多为单目摄像头，使用其进行测距时还存在随着目标车辆与摄像头间的距离越远，进行距离估算时的误差越大；另一方面，探测距离也极其有限，因此一般需要在每个灯具上对应安装摄像头。但此时会提高控制成本，与采用“灯随车动”控制方式的初衷相违背。

技术实现思路

1、本发明目的在于提供一种基于交通视觉的智慧照明控制方法及控制系统，以改善当前“灯随车动”的交通照明控制方法中存在的实际控制过程无法与实际驾驶过程相契合的技术缺陷。

2、为达成上述目的，本发明提出如下技术方案：

3、第一方面，本技术方案提供了一种基于交通视觉的智慧照明控制方法，包括：

4、在目标道路两侧布署若干雷达及若干摄像头；其中，部分雷达与部分摄像头的探测区域交叉，所有雷达与所有摄像头一起覆盖的总探测面积小于所述目标道路的面积，且所述目标道路的两端均处于雷达或摄像头的探测区域内；

5、在雷达与摄像头的探测交叉区域内，依次基于车辆识别算法及目标跟踪算法对测试车辆进行识别及跟踪以获取若干行驶参数在时序下的若干实际数值；其中，行驶参数包括：重心坐标、转角角度及行驶速度；

6、以实际数值作为车辆路径预测算法的输入量进行所述测试车辆的路径预测，并在预测过程中基于卡尔曼增益算法对测试车辆到达预测路径与实际路径中同一位置的时间误差进行同步优化以构建一路径预测模型；

7、当实际车辆进入目标道路两侧布署的任一摄像头的探测区域时，基于摄像头获取自上一时刻最大灰度值至当前时刻最大灰度值的转移时间，从而获取与灯具点亮响应过程相应的总误差时间；进而在与所述实际车辆相应的本次路径预测中，基于所述总误差时间对所述路径预测模型进行针对性优化；

8、当实际车辆进入目标道路两侧布署的雷达与摄像头的任一交叉区域时，获取与若干行驶参数相应的若干当前数值，并将它们输入针对性优化后的路径预测模型以获取所述任一交叉区域与下一交叉区域之间存在的探测盲区内的若干预测数值，进而基于当前数值及预测数值对相应位置的若干灯具提前点亮。

9、进一步的，所述以实际数值作为车辆路径预测算法的输入量进行所述测试车辆的路径预测，并在预测过程中基于卡尔曼增益算法对测试车辆到达预测路径与实际路径中同一位置的时间误差进行同步优化以构建一路径预测模型；包括：

10、获取在 t时刻时，测试车辆的车辆状态估计转移方程为 z t= h t s t+ r+g；其中， h t为观测矩阵， s t为估算的当前时刻状态， r为观测噪声协方差矩阵， g为位置误差修正矩阵；其中，所述位置误差修正矩阵用于进行灯控位置反馈；

11、其中， s t= f t s t-1+ b t u t； f t为状态转移矩阵， t-1为上一时刻， s t-1为估算的上一时刻状态， u t为速度运动模型， b t为测试车辆在速度运动模型上的内部控制量；其中， u t=( v t, ω t)t， v t为当前时刻的平移速度， ω t为当前时刻的转动速度，t表示对矩阵做转置；

12、 g=s t ·m；其中， m为位置反馈矩阵，用于描述灯具的估算点亮位置和实际点亮位置之间的位置差；

13、同时获取在 t时刻时，测试车辆的车辆重心坐标为：；其中， x t为测试车辆在 t时刻的x轴坐标值， y t为测试车辆在 t时刻的y轴坐标值， θ t为测试车辆在 t时刻的转角角度，δ t为时间变量， v t-1为 t-1时刻的平移速度， ω t-1为 t-1时刻的转动速度，为测试车辆在 t-1时刻的近似运动轨迹；

14、为 t-1时刻时车辆的圆心坐标；其中， x c为测试车辆圆心坐标中的x轴坐标值， y c为测试车辆圆心坐标中的y轴坐标值， x t-1为测试车辆在 t-1时刻的x轴坐标值， y t-1为测试车辆在 t-1时刻的y轴坐标值， θ t-1为 t-1时刻的转角角度；

15、将修正后的速度量引入所述车辆状态估计转移方程及所述车辆重心坐标以得到车辆预测模型状态预测方程为；其中，为测试车辆在 t-1时刻的平移速度的修正值，为测试车辆在 t-1时刻的转动速度的修正值，，均为均值为0的随机误差，为一随机误差符号， α1、 α2、 α3、 α4均为误差参数；

16、基于雅可比矩阵对观测矩阵 h t和位置反馈矩阵 m之和，以及状态转移矩阵 f t进行求导分别得到 j ht+m 、j ft，其中， j ht+m为观测矩阵 h t与位置反馈矩阵 m之和的一阶偏导， j ft为状态转移矩阵 f t的一阶偏导；进而计算预测误差协方差矩阵为，和最优卡尔曼增益为；其中，为 t时刻的预测误差协方差矩阵，为不确定值；为 t-1时刻的预测误差协方差矩阵，为确定值；为 j ft的转置矩阵， q t是过程噪声协方差矩阵，为 j ht+m的转置矩阵， r为观测噪声协方差矩阵；

17、通过最优卡尔曼增益更新车辆预测模型状态预测方程和预测协方差方程得出所述路径预测模型；其中，更新前的测试车辆预测状态，为不确定值； z t为测试车辆的车辆状态估计转移方程，为 t时刻观测矩阵 h t的观测值， i为一单位矩阵。

18、进一步的，在构建所述路径预测模型过程中，还包括：

19、基于摄像头观测结果计算获取观测矩阵 h t，并基于雷达观测结果计算获取位置反馈矩阵 m；

20、以光影效果是否达到最佳对所述位置反馈矩阵 m进行修正；

21、其中，光影效果是否达到最佳的判定原则为：以与测试车辆相距预设距离处的光线强度是否到达预设强度为标准判断点亮距离是否合适；如果小于预设强度，则当前点亮距离过远，判定位置反馈矩阵 m过反馈；如果大于预设强度，则当前点亮距离不够，判断位置反馈矩阵 m欠反馈。

22、进一步的，所述在雷达与摄像头的探测交叉区域内，依次基于车辆识别算法及目标跟踪算法对测试车辆进行识别及跟踪以获取若干行驶参数在时序下的若干实际数值之前包括：

23、控制所有灯具点亮以基于摄像头获取与目标道路相应的若干图像，基于图像处理算法获取每一图像中的所有像素数据；

24、基于图像灰度算法计算每一图像中所有像素数据的灰度值，并根据各最大灰度值的位置估计出各灯具位置坐标，并以各灯具位置坐标作为车辆目标追踪时的参考坐标。

25、进一步的，所述基于当前数值及预测数值对相应位置的若干灯具提前点亮；包括：

26、计算当前时刻 t实际车辆的预测位置或实际位置与预点亮的灯具位置之间的距离为：；其中， s( x, y)为当前时刻 t实际车辆的预测位置或实际位置的坐标， p( x, y)为预点亮的灯具的位置坐标， l为实际车辆的路径；

27、根据实际车辆的平移速度 v t和加速度 a计算得出实际车辆行驶到预点亮灯具的时间为；

28、在 t时段后控制预计点亮的若干灯具点亮。

29、进一步的，所述在与所述实际车辆相应的本次路径预测中，基于所述总误差时间对所述路径预测模型进行针对性优化；包括：

30、设定所述总误差时间包括第一误差时间及第二误差时间；其中，所述总误差时间由计算得到； t为实际车辆行驶到预点亮灯具的预测时间， t’为通过摄像头识别的实际车辆到达点亮的路灯段中心位置的实际时间；所述第一误差时间由所述路径预测模型导致，所述第二误差时间由控制过程中的机械及通信响应导致；

31、将所述总误差时间反馈给路径预测模型以对位置反馈矩阵进行调整优化。

32、第二方面，本技术方案提供了一种基于交通视觉的智慧照明控制系统，包括：

33、传感器布署模块，用于在目标道路两侧布署若干雷达及若干摄像头；其中，部分雷达与部分摄像头的探测区域交叉，所有雷达与所有摄像头一起覆盖的总探测面积小于所述目标道路的面积，且所述目标道路的两端均处于雷达或摄像头的探测区域内；

34、实际路径获取模块，用于在雷达与摄像头的探测交叉区域内，依次基于车辆识别算法及目标跟踪算法对测试车辆进行识别及跟踪以获取若干行驶参数在时序下的若干实际数值；其中，行驶参数包括：重心坐标、转角角度及行驶速度；

35、预测模型构建模块，用于以实际数值作为车辆路径预测算法的输入量进行所述测试车辆的路径预测，并在预测过程中基于卡尔曼增益算法对测试车辆到达预测路径与实际路径中同一位置的时间误差进行同步优化以构建一路径预测模型；

36、针对性优化模块，用于当实际车辆进入目标道路两侧布署的任一摄像头的探测区域时，基于摄像头获取自上一时刻最大灰度值至当前时刻最大灰度值的转移时间，从而获取与灯具点亮响应过程相应的总误差时间；进而在与所述实际车辆相应的本次路径预测中，基于所述总误差时间对所述路径预测模型进行针对性优化；

37、照明控制模块，用于当实际车辆进入目标道路两侧布署的雷达与摄像头的任一交叉区域时，获取与若干行驶参数相应的若干当前数值，并将它们输入针对性优化后的路径预测模型以获取所述任一交叉区域与下一交叉区域之间存在的探测盲区内的若干预测数值，进而基于当前数值及预测数值对相应位置的若干灯具提前点亮。

38、进一步的，所述实际路径获取模块之前包括：

39、像素获取单元，用于控制所有灯具点亮以基于摄像头获取与目标道路相应的若干图像，基于图像处理算法获取每一图像中的所有像素数据；

40、灰度计算单元，用于基于图像灰度算法计算每一图像中所有像素数据的灰度值，并根据各灰度值最大的位置估计出各灯具位置坐标，并以各灯具位置坐标作为车辆目标追踪时的参考坐标。

41、第三方面，本技术方案提供了一种电子设备，包括至少一个处理器，所述处理器与存储器耦合，所述存储器内存储有计算机程序，所述计算机程序被配置为被所述处理器运行时执行所述的方法。

42、第四方面，本技术方案提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于执行所述的方法。

43、有益效果

44、由以上技术方案可知，本发明提供了一种基于交通视觉的智慧照明控制方法以改善当前“灯随车动”控制过程中仍存在的灯具的提前点亮距离、时间无法满足实际驾驶需求的技术问题。

45、技术人员发现当前常用的“灯随车动”的控制方法在设计过程中多考虑硬件因素，从而在具体探测及后续软件分析处理过程无法满足实际需求。因此本技术方案考虑同时从硬件及软件方面着手以对灯具的控制过程与实际驾驶间无法完全适配的问题进行有效改进。

46、在硬件布署方面，考虑到毫米波雷达对高速行驶的车辆可准确识别，而摄像头则可对低速或静止状态的车辆准确识别，因此同时进行毫米波雷达及摄像头的布署以使用它们对车辆进行融合识别；进而提高对经过车辆的识别准确率。进一步的，在毫米波雷达与摄像头的具体布署中，考虑到低成本因素，不对毫米波雷达及摄像头进行全覆盖式布署，仅布署若干毫米波雷达及摄像头并使它们的探测区域交叉以使该交叉区域通过的各种车辆可被准确识别即可。而为了弥补探测盲区，以及仅有毫米波雷达或摄像头探测覆盖区域无法进行车辆识别的问题，在软件布署方面，引入了车辆路径预测算法以构建一路径预测模型；此时在上述这些区域即可基于路径预测模型的预测数据进行预点亮灯带的控制。具体的，在路径预测模型构建中引入了卡尔曼滤波算法以对实际行驶数据与预测行驶数据间的时间误差进行优化，从而提高模型在后续预测过程中的结果准确性。同时还考虑到在一次具体预测中的准确性，基于摄像头获取当前时刻最大灰度值与上一时刻最大灰度值间的移动时间以获取由灯具点亮响应产生的总误差时间，从而在与所述实际车辆相应的本次路径预测过程中对所述路径预测模型进行进一次针对性优化。此时，在所述硬件及软件布署的情况下，即可在降低控制成本的同时，提供足够的提前点亮距离以及准确的提前点亮时间。

47、应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。

48、结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。