基于路灯杆的智慧交通控制方法及系统与流程

1.本技术涉及智能控制技术领域，且更为具体地，涉及一种基于路灯杆的智慧交通控制方法及系统。


背景技术：

2.当今的路灯杆能够利用图像处理、单灯控制、系统集成等技术，集智能照明、移动网络覆盖、充电和视频监控等多种功能于一身，在减小设备使用总空间的同时，为人们的生活提供了极大的便利。
3.国家大力推进智慧城市建设，鼓励利用各种信息技术或创新理念，将城市的系统和服务打通、集成，以提升资源运用的效率，优化城市管理和服务，改善市民生活质量，而智慧交通系统便是智慧城市建设的核心部分。但是如今的交通系统对交通环境信息的采集尚不够全面、不够精确。
4.因此，期待一种优化的基于路灯杆的智慧交通控制方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于路灯杆的智慧交通控制方法及系统。其采用基于深度学习的人工智能监控技术，以提取出各个道路的监控图像中关于道路信息的隐含特征分布信息，并利用所述各个道路之间的空间连通拓扑特征来加强所述各个道路的图像特征的表达，以此来进行道路拥挤程度的识别判断。通过这样的方式，可以精准地对于交通环境信息进行全面且智能地检测判断，以实现智慧城市建设，进而提升资源运用的效率，优化城市管理和服务。
6.根据本技术的一个方面，提供了一种基于路灯杆的智慧交通控制方法，其包括：
7.获取由部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像；
8.将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量；
9.构造所述各个道路之间的空间连通拓扑矩阵，其中，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通；
10.将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵；
11.将所述多个道路监控特征向量进行二维排列以得到道路监控全局特征矩阵；
12.将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵；
13.对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵；
14.将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
15.在上述的基于路灯杆的智慧交通控制方法中，所述将所述各个道路的监控图像分
别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
16.对所述输入数据进行卷积处理以得到卷积特征图；
17.对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；
18.对所述池化特征图进行非线性激活以得到激活特征图；
19.其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个道路监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述各个道路的监控图像。
20.在上述的基于路灯杆的智慧交通控制方法中，所述将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述空间连通拓扑特征矩阵，其中，所述第二卷积神经网络模型的第一层的输入为所述空间连通拓扑矩阵。
21.在上述的基于路灯杆的智慧交通控制方法中，所述将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵，包括：
22.所述图神经网络通过可学习的神经网络参数对所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵进行处理以得到包含不规则的空间连通拓扑特征和高维道路监控图像特征的所述拓扑道路监控全局特征矩阵。
23.在上述的基于路灯杆的智慧交通控制方法中，所述对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵，包括：
24.以如下公式对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到所述分类特征矩阵；
25.其中，所述公式为：
[0026][0027]
其中，m和m
′
分别为所述拓扑道路监控全局特征矩阵与所述分类特征矩阵，relu(
·
)表示relu激活函数，表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
[0028]
在上述的基于路灯杆的智慧交通控制方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签，包括：
[0029]
将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；
[0030]
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
[0031]
将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0032]
根据本技术的另一方面，提供了一种基于路灯杆的智慧交通控制系统，其包括：
[0033]
监控图像获取模块，用于获取由部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像；
[0034]
第一卷积模块，用于将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量；
[0035]
拓扑矩阵构造模块，用于构造所述各个道路之间的空间连通拓扑矩阵，其中，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通；
[0036]
第二卷积模块，用于将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵；
[0037]
特征矩阵排列模块，用于将所述多个道路监控特征向量进行二维排列以得到道路监控全局特征矩阵；
[0038]
图神经编码模块，用于将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵；
[0039]
特征分布校正模块，用于对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵；
[0040]
分类结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
[0041]
在上述的基于路灯杆的智慧交通控制系统中，所述第一卷积模块，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
[0042]
对所述输入数据进行卷积处理以得到卷积特征图；
[0043]
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；
[0044]
对所述池化特征图进行非线性激活以得到激活特征图；
[0045]
其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个道路监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述各个道路的监控图像。
[0046]
在上述的基于路灯杆的智慧交通控制系统中，所述第二卷积模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述空间连通拓扑特征矩阵，其中，所述第二卷积神经网络模型的第一层的输入为所述空间连通拓扑矩阵。
[0047]
在上述的基于路灯杆的智慧交通控制系统中，所述图神经编码模块，进一步用于：通过可学习的神经网络参数对所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵进行处理以得到包含不规则的空间连通拓扑特征和高维道路监控图像特征的所述拓扑道路监控全局特征矩阵。
[0048]
与现有技术相比，本技术提供的基于路灯杆的智慧交通控制方法及系统，其采用基于深度学习的人工智能监控技术，以提取出所述各个道路的监控图像中关于道路信息的隐含特征分布信息，并利用所述各个道路之间的空间连通拓扑特征来加强所述各个道路的图像特征的表达，以此来进行道路拥挤程度的识别判断。通过这样的方式，可以精准地对于交通环境信息进行全面且智能地检测判断，以实现智慧城市建设，进而提升资源运用的效
率，优化城市管理和服务。
附图说明
[0049]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0050]
图1为根据本技术实施例的基于路灯杆的智慧交通控制方法的场景示意图。
[0051]
图2为根据本技术实施例的基于路灯杆的智慧交通控制方法的流程图。
[0052]
图3为根据本技术实施例的基于路灯杆的智慧交通控制方法的架构示意图。
[0053]
图4为根据本技术实施例的基于路灯杆的智慧交通控制方法中步骤s180的子步骤流程图。
[0054]
图5为根据本技术实施例的基于路灯杆的智慧交通控制方法系统的框图。
具体实施方式
[0055]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0056]
场景概述
[0057]
如上所述，由于如今的交通系统对交通环境信息的采集尚不够全面、不够精确。因此，期待一种优化的基于路灯杆的智慧交通控制方案。
[0058]
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0059]
近年来，深度学习以及神经网络的发展为智慧交通中交通环境信息的智能识别提供了新的解决思路和方案。
[0060]
相应地，考虑到在对于交通环境信息进行采集和分析时，可以通过部署于各个道路的智能路灯杆的摄像头采集各个道路的监控图像来进行。但是，由于所述各个道路的监控图像特征之间在空间上具有着关联性，也就是说，所述多个道路中的每两个道路之间都具有着是否连通的空间关联特征，若能够利用这种空间关联特征来加强所述各个道路的监控图像的特征表达，显然能够提高对于道路信息识别的精准度。
[0061]
基于此，在本技术的技术方案中，采用基于深度学习的人工智能监控技术，以提取出所述各个道路的监控图像中关于道路信息的隐含特征分布信息，并利用所述各个道路之间的空间连通拓扑特征来加强所述各个道路的图像特征的表达，以此来进行道路拥挤程度的识别判断。这样，能够精准地对于交通环境信息进行全面且智能地检测判断，以实现智慧城市建设，进而提升资源运用的效率，优化城市管理和服务。
[0062]
具体地，在本技术的技术方案中，首先，通过部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像。接着，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来进行所述各个道路的监控图像的特征挖掘，以分别
提取出所述各个道路的监控图像中关于道路信息的隐含特征分布信息，从而得到多个道路监控特征向量。
[0063]
然后，考虑到在进行道路信息监控时，由于所述各个道路之间在空间上具有着关联性的特征分布，也就是，所述各个道路之间具有着是否连通的关联性关系。因此，在本技术的技术方案中，为了提高对于所述各个道路信息的全局监控，以此来提高对于道路拥挤程度的判断精准度，进一步使用所述各个道路之间的空间连通拓扑特征来优化所述各个道路的监控图像特征的表达。具体地，首先，构造所述各个道路之间的空间连通拓扑矩阵，这里，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通。接着，再将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型中进行特征挖掘，以提取出所述各个道路之间的空间连通拓扑特征分布信息，从而得到空间连通拓扑特征矩阵。
[0064]
进一步地，以所述多个道路监控特征向量中的各个道路监控特征向量作为节点的特征表示，而以所述空间连通拓扑特征矩作为节点与节点之间的边的特征表示，将由所述多个道路监控特征向量经二维排列得到的道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵进行图结构数据编码以得到包含不规则的所述各个道路的空间连通拓扑特征和所述各个道路图像的高维隐含特征的所述拓扑道路监控全局特征矩阵。
[0065]
然后，以所述拓扑道路监控全局特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示道路拥挤程度的等级标签的分类结果。这样，能够对于交通环境信息进行全面且智能地检测判断，以实现智慧城市建设。
[0066]
特别地，在本技术的技术方案中，所述拓扑道路监控全局特征矩阵的每个拓扑道路监控全局特征向量为所述拓扑道路监控全局特征矩阵的行向量，该行向量是对应于单个摄像头获取的图像特征语义相对于摄像头空间拓扑的拓扑关联表达，因而具有一定的独立性，这样，在所述拓扑道路监控全局特征向量排列得到的所述拓扑道路监控全局特征矩阵的整体特征分布内，就会存在局部分布之间的负相关关系，从而影响所述拓扑道路监控全局特征矩阵通过分类器得到的所述分类结果的准确性。
[0067]
因此，本技术的申请人采用全正投影非线性重加权的方式对所述拓扑道路监控全局特征矩阵进行校正，具体表示为：
[0068][0069]
这里，m和m
′
分别为校正前和校正后的所述拓扑道路监控全局特征矩阵，其中，所述拓扑道路监控全局特征矩阵预先通过线性变换转换为对角特征，并且，分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除。
[0070]
具体地，所述全正投影非线性重加权通过relu函数来保证投影的全正以避免聚合负相关的信息，并同时引入非线性重加权机制来彼此聚集所述拓扑道路监控全局特征矩阵的局部特征值分布，以使得所述拓扑道路监控全局特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样，就实现了所述拓扑道路监控全局特征矩阵在高维特征空间内
的与全正投影重加权对应的空间特征变换的协同效果，从而提高所述拓扑道路监控全局特征矩阵通过分类器得到的所述分类结果的准确性。这样，能够精准地对于交通环境信息进行全面且智能地检测判断，以实现智慧城市建设，进而提升资源运用的效率，优化城市管理和服务。
[0071]
提供了一种基于路灯杆的智慧交通控制方法，其包括：获取由部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像；将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量；构造所述各个道路之间的空间连通拓扑矩阵，其中，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通；将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵；将所述多个道路监控特征向量进行二维排列以得到道路监控全局特征矩阵；将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵；对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵；以及，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
[0072]
图1为根据本技术实施例的基于路灯杆的智慧交通控制方法的应用场景图。如图1所示，在该应用场景中，获取由部署于各个道路的智能路灯杆(如图1中所示意的l)的摄像头(如图1中所示意的c)采集所述各个道路的监控图像(如图1中所示意的d)，然后，将所述各个道路的监控图像输入至部署有基于路灯杆的智慧交通控制算法的服务器(如图1中所示意的s)中，其中所述服务器能够基于所述基于路灯杆的智慧交通控制算法生成用于表示道路拥挤程度的等级标签的分类结果。
[0073]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0074]
示例性方法
[0075]
图2为根据本技术实施例的基于路灯杆的智慧交通控制方法的流程图。如图2所示，根据本技术实施例的基于路灯杆的智慧交通控制方法，包括步骤：s110，获取由部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像；s120，将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量；s130，构造所述各个道路之间的空间连通拓扑矩阵，其中，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通；s140，将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵；s150，将所述多个道路监控特征向量进行二维排列以得到道路监控全局特征矩阵；s160，将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵；s170，对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵；以及，s180，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
[0076]
图3为根据本技术实施例的基于路灯杆的智慧交通控制方法的架构示意图。如图3所示，在该网络架构中，首先，获取由部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像；接着，将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量；然后，构造所述各个道路之间的空间连通拓扑矩
阵，其中，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通；接着，将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵；然后，将所述多个道路监控特征向量进行二维排列以得到道路监控全局特征矩阵；接着，将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵；然后，对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵；最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
[0077]
更具体地，在步骤s110中，获取由部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像。在对于交通环境信息进行采集和分析时，可以通过部署于各个道路的智能路灯杆的摄像头采集各个道路的监控图像来进行。但是，由于所述各个道路的监控图像特征之间在空间上具有着关联性，也就是说，所述多个道路中的每两个道路之间都具有着是否连通的空间关联特征，因此，利用这种空间关联特征来加强所述各个道路的监控图像的特征表达，以提高对于道路信息识别的精准度。基于此，采用基于深度学习的人工智能监控技术，以提取出所述各个道路的监控图像中关于道路信息的隐含特征分布信息，并利用所述各个道路之间的空间连通拓扑特征来加强所述各个道路的图像特征的表达，以此来进行道路拥挤程度的识别判断。
[0078]
更具体地，在步骤s120中，将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量。使用在图像的隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来进行所述各个道路的监控图像的特征挖掘，以分别提取出所述各个道路的监控图像中关于道路信息的隐含特征分布信息，从而得到多个道路监控特征向量。
[0079]
相应地，在一个具体示例中，所述将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个道路监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述各个道路的监控图像。
[0080]
更具体地，在步骤s130中，构造所述各个道路之间的空间连通拓扑矩阵，其中，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通。考虑到在进行道路信息监控时，由于所述各个道路之间在空间上具有着关联性的特征分布，也就是，所述各个道路之间具有着是否连通的关联性关系。因此，在本技术的技术方案中，为了提高对于所述各个道路信息的全局监控，以此来提高对于道路拥挤程度的判断精准度，进一步使用所述各个道路之间的空间连通拓扑特征来优化所述各个道路的监控图像特征的表达。
[0081]
更具体地，在步骤s140中，将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵。将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型中进行特征挖掘，以提取出所述各个道路之间的空间连通拓扑特征分布信息，从而得到空间连通拓扑特征矩阵。
[0082]
相应地，在一个具体示例中，所述将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述空间连通拓扑特征矩阵，其中，所述第二卷积神经网络模型的第一层的输入为所述空间连通拓扑矩阵。
[0083]
更具体地，在步骤s150中，将所述多个道路监控特征向量进行二维排列以得到道路监控全局特征矩阵。
[0084]
更具体地，在步骤s160中，将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵。
[0085]
以所述多个道路监控特征向量中的各个道路监控特征向量作为节点的特征表示，而以所述空间连通拓扑特征矩作为节点与节点之间的边的特征表示，将由所述多个道路监控特征向量经二维排列得到的道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵进行图结构数据编码以得到包含不规则的所述各个道路的空间连通拓扑特征和所述各个道路图像的高维隐含特征的所述拓扑道路监控全局特征矩阵。
[0086]
相应地，在一个具体示例中，所述将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵，包括：所述图神经网络通过可学习的神经网络参数对所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵进行处理以得到包含不规则的空间连通拓扑特征和高维道路监控图像特征的所述拓扑道路监控全局特征矩阵。
[0087]
特别地，在本技术的技术方案中，所述拓扑道路监控全局特征矩阵的每个拓扑道路监控全局特征向量为所述拓扑道路监控全局特征矩阵的行向量，该行向量是对应于单个摄像头获取的图像特征语义相对于摄像头空间拓扑的拓扑关联表达，因而具有一定的独立性，这样，在所述拓扑道路监控全局特征向量排列得到的所述拓扑道路监控全局特征矩阵的整体特征分布内，就会存在局部分布之间的负相关关系，从而影响所述拓扑道路监控全局特征矩阵通过分类器得到的所述分类结果的准确性。因此，本技术的申请人采用全正投影非线性重加权的方式对所述拓扑道路监控全局特征矩阵进行校正。
[0088]
更具体地，在步骤s170中，对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵。
[0089]
相应地，在一个具体示例中，所述对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵，包括：以如下公式对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到所述分类特征矩阵；其中，所述公式为：
[0090][0091]
其中，m和m
′
分别为所述拓扑道路监控全局特征矩阵与所述分类特征矩阵，relu(
·
)表示relu激活函数，表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各
个位置的特征值为幂的自然指数函数值。
[0092]
具体地，所述全正投影非线性重加权通过relu函数来保证投影的全正以避免聚合负相关的信息，并同时引入非线性重加权机制来彼此聚集所述拓扑道路监控全局特征矩阵的局部特征值分布，以使得所述拓扑道路监控全局特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样，就实现了所述拓扑道路监控全局特征矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换的协同效果，从而提高所述拓扑道路监控全局特征矩阵通过分类器得到的所述分类结果的准确性。
[0093]
更具体地，在步骤s180中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
[0094]
相应地，在一个具体示例中，如图4所示，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签，包括：s181，将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；s182，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，s183，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0095]
综上，基于本技术实施例的基于路灯杆的智慧交通控制方法，其采用基于深度学习的人工智能监控技术，以提取出所述各个道路的监控图像中关于道路信息的隐含特征分布信息，并利用所述各个道路之间的空间连通拓扑特征来加强所述各个道路的图像特征的表达，以此来进行道路拥挤程度的识别判断。通过这样的方式，可以精准地对于交通环境信息进行全面且智能地检测判断，以实现智慧城市建设，进而提升资源运用的效率，优化城市管理和服务。
[0096]
示例性系统
[0097]
图5为根据本技术实施例的基于路灯杆的智慧交通控制系统100的框图。如图5所示，根据本技术实施例的基于路灯杆的智慧交通控制系统100，包括：监控图像获取模块110，用于获取由部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像；第一卷积模块120，用于将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量；拓扑矩阵构造模块130，用于构造所述各个道路之间的空间连通拓扑矩阵，其中，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通；第二卷积模块140，用于将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵；特征矩阵排列模块150，用于将所述多个道路监控特征向量进行二维排列以得到道路监控全局特征矩阵；图神经编码模块160，用于将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵；特征分布校正模块170，用于对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵；以及，分类结果生成模块180，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
[0098]
在一个示例中，在上述基于路灯杆的智慧交通控制系统100中，所述第一卷积模块120，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非
线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个道路监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述各个道路的监控图像。
[0099]
在一个示例中，在上述基于路灯杆的智慧交通控制系统100中，所述第二卷积模块140，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述空间连通拓扑特征矩阵，其中，所述第二卷积神经网络模型的第一层的输入为所述空间连通拓扑矩阵。
[0100]
在一个示例中，在上述基于路灯杆的智慧交通控制系统100中，所述图神经编码模块160，进一步用于：通过可学习的神经网络参数对所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵进行处理以得到包含不规则的空间连通拓扑特征和高维道路监控图像特征的所述拓扑道路监控全局特征矩阵。
[0101]
在一个示例中，在上述基于路灯杆的智慧交通控制系统100中，所述特征分布校正模块170，进一步用于：以如下公式对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到所述分类特征矩阵；其中，所述公式为：
[0102][0103]
其中，m和m
′
分别为所述拓扑道路监控全局特征矩阵与所述分类特征矩阵，relu(
·
)表示relu激活函数，表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
[0104]
在一个示例中，在上述基于路灯杆的智慧交通控制系统100中，所述分类结果生成模块，进一步用于：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0105]
这里，本领域技术人员可以理解，上述基于路灯杆的智慧交通控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于路灯杆的智慧交通控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0106]
如上所述，根据本技术实施例的基于路灯杆的智慧交通控制系统100可以实现在各种无线终端中，例如基于路灯杆的智慧交通控制算法的服务器等。在一个示例中，根据本技术实施例的基于路灯杆的智慧交通控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于路灯杆的智慧交通控制系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于路灯杆的智慧交通控制系统100同样可以是该无线终端的众多硬件模块之一。
[0107]
替换地，在另一示例中，该基于路灯杆的智慧交通控制系统100与该无线终端也可以是分立的设备，并且该基于路灯杆的智慧交通控制系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
[0108]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中
提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0109]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0110]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0111]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0112]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种基于路灯杆的智慧交通控制方法，其特征在于，包括：获取由部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像；将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量；构造所述各个道路之间的空间连通拓扑矩阵，其中，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通；将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵；将所述多个道路监控特征向量进行二维排列以得到道路监控全局特征矩阵；将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵；对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵；将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。2.根据权利要求1所述的基于路灯杆的智慧交通控制方法，其特征在于，所述将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个道路监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述各个道路的监控图像。3.根据权利要求1所述的基于路灯杆的智慧交通控制方法，其特征在于，所述将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述空间连通拓扑特征矩阵，其中，所述第二卷积神经网络模型的第一层的输入为所述空间连通拓扑矩阵。4.根据权利要求1所述的基于路灯杆的智慧交通控制方法，其特征在于，所述将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵，包括：所述图神经网络通过可学习的神经网络参数对所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵进行处理以得到包含不规则的空间连通拓扑特征和高维道路监控图像特征的所述拓扑道路监控全局特征矩阵。5.根据权利要求1所述的基于路灯杆的智慧交通控制方法，其特征在于，所述对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵，包括：以如下公式对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到所述分类特
征矩阵；其中，所述公式为：其中，m和m
′
分别为所述拓扑道路监控全局特征矩阵与所述分类特征矩阵，relu(
·
)表示relu激活函数，表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，m
t
为m的转置矩阵。6.根据权利要求1所述的基于路灯杆的智慧交通控制方法，其特征在于，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签，包括：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。7.一种基于路灯杆的智慧交通控制系统，其特征在于，包括：监控图像获取模块，用于获取由部署于各个道路的智能路灯杆的摄像头采集所述各个道路的监控图像；第一卷积模块，用于将所述各个道路的监控图像分别通过作为过滤器的第一卷积神经网络模型以得到多个道路监控特征向量；拓扑矩阵构造模块，用于构造所述各个道路之间的空间连通拓扑矩阵，其中，所述空间连通拓扑矩阵中非对角线位置上各个位置的值用于表示对应两个道路之间是否连通；第二卷积模块，用于将所述空间连通拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间连通拓扑特征矩阵；特征矩阵排列模块，用于将所述多个道路监控特征向量进行二维排列以得到道路监控全局特征矩阵；图神经编码模块，用于将所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵通过图神经网络以得到拓扑道路监控全局特征矩阵；特征分布校正模块，用于对所述拓扑道路监控全局特征矩阵进行特征分布校正以得到分类特征矩阵；分类结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。8.根据权利要求7所述的基于路灯杆的智慧交通控制系统，其特征在于，所述第一卷积模块，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个道路监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述各个道路的监控图像。9.根据权利要求7所述的基于路灯杆的智慧交通控制系统，其特征在于，所述第二卷积模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述空间连通拓扑特征矩阵，其中，所述第二卷积神经网络模型的第一层的输入为所述空间连通拓扑矩阵。10.根据权利要求7所述的基于路灯杆的智慧交通控制系统，其特征在于，所述图神经编码模块，进一步用于：通过可学习的神经网络参数对所述道路监控全局特征矩阵和所述空间连通拓扑特征矩阵进行处理以得到包含不规则的空间连通拓扑特征和高维道路监控图像特征的所述拓扑道路监控全局特征矩阵。

技术总结
本申请公开了一种基于路灯杆的智慧交通控制方法及系统。其采用基于深度学习的人工智能监控技术，以提取出各个道路的监控图像中关于道路信息的隐含特征分布信息，并利用所述各个道路之间的空间连通拓扑特征来加强所述各个道路的图像特征的表达，以此来进行道路拥挤程度的识别判断。通过这样的方式，可以精准地对于交通环境信息进行全面且智能地检测判断，以实现智慧城市建设，进而提升资源运用的效率，优化城市管理和服务。优化城市管理和服务。优化城市管理和服务。


技术研发人员：张华 廖彦富 谢天长 廖侃 潘亮亮 池义方 郭志辉 杨帆 洪厚松
受保护的技术使用者：江西通慧科技集团股份有限公司
技术研发日：2023.04.04
技术公布日：2023/7/6