一种智慧路灯的智能控制方法
文献发布时间：2023-06-19 16:04:54
【技术领域】
本发明属于路灯控制技术领域，特别是涉及一种智慧路灯的智能控制方法。
【背景技术】
智能路灯系统是近年来路灯照明系统的发展趋势，当前我国的道路照明用电量与剩余照明用电量占比大致为3：7，而照明用电量大约是总发电量的20％，这体现了我国户外照明对电力能源的需求量过大。基于我国大部分的传统路灯照明系统低效率问题分析，主要存在两方面的不足：1)传统路灯系统的节能效果不理想，导致了大量的资源消耗问题；2)传统路灯系统需要具有相关知识领域的专家进行调试，人工参与调节占比过重，损耗了大量的人力资源和社会资源。
因此，需要提供一种新的智慧路灯的智能控制方法来解决上述问题。
【发明内容】
本发明的主要目的在于提供一种智慧路灯的智能控制方法，克服传统人工模式操作复杂、精度低、效率低的缺陷，具有效率高、成本低的特点。
本发明通过如下技术方案实现上述目的：一种智慧路灯的智能控制方法，其包括以下步骤：
S1)通过监控装置实时采集道路图像信息；
S2)采用目标检测算法对采集到的图像信息进行识别与筛选，对视频中车辆信息和行人信息的视频图像进行标注；
S3)判断所述图像信息中是否存在行人，若存在，则执行步骤S4)；若不存在，则进一步判断所述图像信息中是否存在车辆，若存在，则执行步骤S5)，若不存在，则返回步骤S2)；
S4)测算所述图像信息中行人的行走速度，然后执行步骤S6)；
S5)测算所述图像信息中车辆的行驶速度，然后执行步骤S6)；
S6)按照步骤S4)或步骤S5)计算的速度进行路灯光照时间控制，在有行人出现的情况下优先按照行人的速度进行控制光照时间控制。
进一步的，所述监控装置包括摄像头、雷达或传感器。
进一步的，所述图像信息中包括行人信息和车辆信息。
进一步的，所述步骤S5)中，车辆行驶速度的计算方法如下：
S51)将运动车辆位移除以运动车辆行驶所需时间得到车辆的行驶速率V：
S52)提取同一前景运动目标第K-1帧与第K帧的质心点坐标位置，根据其质心坐标值大小计算运动目标在第K帧时的行驶速度V
其中，V
S53)计算运动目标的平均行驶速度即为所述图像信息中车辆的行驶速度。
进一步的，所述步骤S53)中运动目标的平均行驶速度通过单位时间内通过的位移大小进行计算得到，或通过计算通过固定距离时的时间进行计算得到。
进一步的，所述步骤S4)中，所述图像信息中行人的行走速度的计算包括空间检测和时间检测。
进一步的，行人行为的所述空间检测通过图卷积神经网络对当前行人行为进行检测得到。
进一步的，行人行为的所述时间检测通过时间卷积神经网络对当前行人行为进行时间序列的检测得到。
与现有技术相比，本发明一种智慧路灯的智能控制方法的有益效果在于：
1)将行人检测和车辆检测区分开来，针对不同的情况进行不同的分析，因为行人的速度基本低于车辆速度，所以优先考虑行人速度可以简化计算过程；
2)检测时借用成熟的目标检测算法可以使得整体系统的时间消耗有一定程度的降低；
3)借助时间卷积神经网络来预测人体时间序列信息，通过这种方式确定行人行为动作，然后在针对不同的情况分配不同的路灯光照时间；
4)通过识别和图像处理进行智慧路灯的光照控制，大大减少的人工操作的复杂程度，同时也降低了操作人员的技术要求，降低了人工成本。
【附图说明】
图1为本发明实施例的控制流程示意图。
【具体实施方式】
实施例：
请参照图1，本实施例为智慧路灯的智能控制方法，其包括以下步骤：
S1)通过监控装置实时采集道路图像信息；所述监控装置包括摄像头、雷达或传感器等；所述图像信息中包括行人信息和车辆信息；
S2)采用目标检测算法对采集到的图像信息进行识别与筛选，对视频中车辆信息和行人信息的视频图像进行标注；
S3)判断所述图像信息中是否存在行人，若存在，则执行步骤S4)；若不存在，则进一步判断所述图像信息中是否存在车辆，若存在，则执行步骤S5)，若不存在，则返回步骤S2)；
S4)测算所述图像信息中行人的行走速度，然后执行步骤S6)；
S5)测算所述图像信息中车辆的行驶速度，然后执行步骤S6)；
S6)按照步骤S4)或步骤S5)计算的速度进行路灯光照时间的控制，有行人出现的情况下优先按照行人的速度进行控制。
所述步骤S5)中，车辆行驶速度的计算方法如下：
S51)将运动车辆位移除以运动车辆行驶所需时间得到车辆的行驶速率V：
S52)提取同一前景运动目标第K-1帧与第K帧的质心点坐标位置，根据其质心坐标值大小计算运动目标在第K帧时的行驶速度V
其中，V
S53)计算运动目标的平均行驶速度即为所述图像信息中车辆的行驶速度：根据步骤S52)计算得到运动目标的每帧行驶速度，同一运动目标的速度值为离散值；运动目标的平均行驶速度通过单位时间内通过的位移大小进行计算得到，或通过计算通过固定距离时的时间进行计算得到。
对于行人进行速度计算时相较于车辆更为复杂，因为行人的行动并不总是匀速直线运动，需要考虑对行人行为进行检测。本实施例中，所述步骤S4)中，所述图像信息中行人的行走速度的计算分为空间检测和时间检测。
其中，行人行为的空间检测通过图卷积神经网络(GCN)对当前行人行为进行检测得到。具体的，
图卷积中心思想基于节点特征与其所有邻居节点有关，图卷积神经网络中，层与层之间的传播方式通过如下公式进行传播：
其中A是整个人体关节点图的邻接矩阵；
D是人体关节点图的度矩阵，其计算公式如下：
H为整体的特征输入值；
σ是非线性激活函数；
W
所述度矩阵D采用拉普拉斯矩阵形式，即：
方便进行归一化处理。
行人行为的时间检测通过时间卷积神经网络(TCN)对当前行人行为进行时间序列的检测得到。具体的，
TCN＝1D FCN+Causal Convolutions
时间卷积神经网络主要是通过另一种方式取代循环神经网络(RNN)，利用CNN衍生出的TCN结构很容易在很多任务中取得超过LSTM、GRU的效果。
TCN利用了1-D FCN的结构，每一个隐层的输入输出的时间长度都相同，维持相同的时间步。
TCN利用因果卷积(Causal Convolutions)，所谓因果，也就是对于输出t时刻的数据y
设计行人行走模式时主要将行人行走模式分为两大部分，一部分是持续的匀速直线运动，此时可以通过跟车辆行驶速度进行相同的判定；另一部分是将其余可能出现的行为情况分为同一类。
非匀速直线运动通过时间序列预测行为所消耗平均时间，记为t
其中x为整体位移，v
本实施例为智慧路灯的智能控制方法的有益效果在于：
1)将行人检测和车辆检测区分开来，针对不同的情况进行不同的分析，因为行人的速度基本低于车辆速度，所以优先考虑行人速度可以简化计算过程；
2)检测时借用成熟的目标检测算法可以使得整体系统的时间消耗有一定程度的降低；
3)借助时间卷积神经网络来预测人体时间序列信息，通过这种方式确定行人行为动作，然后在针对不同的情况分配不同的路灯光照时间；
4)通过识别和图像处理进行智慧路灯的光照控制，大大减少的人工操作的复杂程度，同时也降低了操作人员的技术要求，降低了人工成本。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。