【基于PLC的智能交通灯检测控制系统设计12000字（论文）】

基于PLC的智能交通灯检测控制系统设计目录摘要 31.引言 61.1交通灯的发展 61.2国内外研究现状 81.3课题研究目的及内容 91.4小结 92.智能交通灯检测控制的设计 102.1车流量检测 102.2机器视觉 112.3交通灯信号控制 122.3.1交通灯控制分类 132.3.2控制方式的选择 132.3.3交通信号控制的评价标准 142.4设计小结 143.交通灯算法 153.1韦伯斯特配时法 153.2行人过街所需时间 153.3约束条件 163.4算法小结 174.程序设计 184.1机器视觉 184.2基于Arduinouno的程序 205.系统调试及运行仿真结果 236.总结 25参考文献 26致谢 27附录一深度学习程序 28附录二视频转图片程序 32附录三预测程序 35附录四交通灯程序 37

摘要：本文设计的交通灯检测控制系统具有智能判断车流量功能，依据检测到的车流量来实现对通行时间的自动调整，利用了计算机视觉来改变交通灯交替时间，在应对车辆稀少情况也添加了安全装置。该智能交通灯检测控制系统以ATMEGA328P-U为主控制器，通过红外对管来对车流量进行检测，使用4个2位数字管进行倒计时，使用不同颜色的LED灯指示通道。为了使交通灯能应对多种交通情况，在本文中采用了不同方案针对路况问题。1.车辆的流量的检测、环境监测和环境数据采集单元是用一个计算机视觉系统实时收集，比较人的流动与车辆的流动，来确定道路的条件，再根据数据分析实时调整绿灯的时间。2.增加按键调整控制，实现应急操作功能。3.如果在行车道红灯时，如有行人闯过红外区域，则会引起蜂鸣器预警，提醒行人此时为红灯，不应该过马路，也为幼龄孩童和年老眼花的老年人提供安全保障。路况情况分为十字路口、城市双向两车道以及单行车道和乡镇车道情况：（1）车流量>>人流量；（2）车流量<<人流量;（3）车流量≈人流量；（4）乡镇车辆稀少的情况下；（5）城市车辆稀少路况。本文涉及1.计算机视觉系统软件设计是通过计算机的深度学习（基于卷积运算的神经网络系统）反复对照学习、训练，最终能够实现对车辆与人流量的计算与对比，来实现对交通灯的时间调控；2.按键控制是当有行人要过马路且在计算机识别车辆稀少甚至没有的情况下按按钮即可变为绿灯；3.按键控制设置在城市也可以用来当发生紧急状况需要过马路时，作为紧急按钮；4.行人在斑马线两侧即将到达马路上时进行危险预警，极大保障了行人安全。本文通过对系统软件的设计的功能分析和部分硬件的实现，对智能交通灯控制系统进行仿真设计，达到了预期的功能：时间调度、人流车流对比、紧急控制。关键词：交通灯；检测；控制；计算机视觉1.引言交通信号灯是城市交通重要的调节器与指挥器，但随着城市的发展，城市交通情况也越来越复杂。在路口车流量不均匀时，使用传统的“韦伯斯特”必然会导致更多的时间浪费。为了解决这个问题：1、传统的韦伯斯特方法结合了数字图像处理技术，通过摄像机控制道路交通流量，实现了一个集成的红绿灯控制系统，并设计了模拟实验；2、在交通现状进行分析和研究的基础上，设计了一个更复杂、更有效的红绿灯管制系统，该系统除了可以进行红绿灯倒计时的基础功能，还可以通过按钮调节车辆慢性、紧急优先等模式；3、以视觉为基础，流动的行人和两端的红路灯的交通分布、交通信息来自路口图像分析结果，视觉图像信息贯穿红绿灯整个硬件平台，重点是收集图像和图像处理、外围附加和辅助功能模块接口。模拟证实该系统具有必要的功能，如交通检测和调节、红灯交通的评估和处理。设计可以达到预期的控制目标，提高道路通行的效率。1.1交通灯的发展到目前为止，红绿灯更是无处不在，在城市、乡镇发挥着重要作用，是最常见和最有效的交通控制方式。在十九世纪五八年代，英国伦敦政府在一些主干道路上安装了红蓝灯，这是以红色和蓝色机械钥匙形状的交通灯，红蓝灯使用热气作为光源来引导车辆，这是世界上第一个红绿灯；同世纪六八年，英国的著名机械工程师Knight在伦敦威斯敏斯特议会大厦前的广场上安装了世界上第一个由燃气灯组成的红色和绿色（红色表示停止，绿色表示注意）的方形玻璃灯；第二年一月，一场由燃气灯引起的煤气爆炸使警察受伤，安装被取消。而世界上第一个电子红绿灯则出现在美国，它于二十世纪十四年代安装在纽约第五大道的高塔上，是由三个红色、绿色和黄色（绿灯表示“前进”，红灯表示“停止”，黄灯表示“注意”）的圆形车灯组成。随后，在1918年，带有控制装置和红外光的交通灯作为可控交通灯出现在人们的视野当中。首先是带有压力传感器的可控交通灯，当车辆接近红色交通信号灯时，可控交通信号灯（带有压力传感器）变为绿色；其次是带有声控的交通灯，它是使用车辆喇叭激活交通信号灯，如果司机遇到红灯，可以按下喇叭把红灯变成绿灯；还有一种是红外光检测的交通灯，可以探测行人是否在街道上经过，红外光如果触发可以延长红灯信号的持续时间，延迟车辆的释放，以避免事故的发生[1]，如图1-1所示。图1-1十字路口红绿灯交通信号灯的出现有效地控制了交通，改善了交通压力大的情况，极大地改善了世界各地的交通状况和保护人们出行安全。其交通规章制度基准是《联合国道路交通和交通标志公约》，在车辆处于绿灯可以继续直线、向左转和向右转，除非另一个信号禁止转弯。左转和右转的车辆必须优先在交叉路口合法穿越人行横道。红灯示意禁行标志，在遇见红色交通信号灯时的车辆须停在斑马线后面的示意线后面。黄色的灯表示注意信号，行驶的车辆遇到黄灯时，不得在停车标志前设置，但是，如果他们离信号线太近，无法安全停车，他们则可以进入十字路口。十字路口车辆道路行驶方向如图1-2所示。图1-2十字路口道路交通方向现代电子技术与机械技术相互结合产生了很多的先进电子产品，特别是单片机，它的发展非常迅速。单片机（如图1-3所示）具有高集成、小体积、高可靠性、高控制功能、低功耗的特点，还是一个高性能和低成本的处理器，使得单片机在某些应用领域承担了一些微型计算机无法完成的部分工作，这些特点使得单片机在人类生活中得到了广泛的应用。图1-3单片机（集成芯片）而来自中国的胡汝鼎是黄色交通灯的发明者，他曾去美国“用科学拯救国家”，在著名的“爱迪生凯尔迪德通用电气”公司工作。有一次，当他离开公司回家的时候，在一个交通十分拥挤的十字路口，他正要经过时，红灯亮着，一辆在拐弯处行驶的很大很响的轿车贴着他身边“呼啸而过”，让他紧张得汗流浃背。回到住处后，由于害怕和对规则缺乏了解，经过长时间的研究思考，他决定在红绿灯之间插一个黄色的标志。因此，交通灯正式成为一个完整的三色交通灯系统。1981年，由于对车辆和交通秩序的需求，第一盏真正的三色灯(红、黄、绿)被生产出来，安装在纽约第五大道的塔楼上，在这一倡议下，城市交通取得了很大进展，并逐渐覆盖世界各地的交通部门。今天，许多信号电路已经发展成为数字化、低功耗和多样化，促进了人、车和道路之间的合作。随着社会经济的发展，城市交通问题日益成为人们十分关注的问题。一些城市相继修建了城市高速公路，在道路建设初期，交通状况也得到了有效改善，但是，由于交通量的迅速增加以及缺乏对高速公路的系统调查和控制，使得车辆在高速公路行驶未能达到预期的效果，这将影响人与车之间的正常出行，关系着未来车辆行驶的自由性，不能及时处理将会有着严重的影响。1.2国内外研究现状国外的自动化进程比我国早几十年，交通问题出现得更早，因此，自20世纪70年代末以来，国外的一些专业人员开始研究基于图像的智能交通系统。随着计算机和电子信息产业的发展，美国加州帕萨迪纳的JetPropulsion实验室首次提出了利用机械视觉检测交通信息的新方法，并展望了美好的未来。在同一时期，欧洲和日本也开始了关于车辆检测技术的广泛研究。1987年，由美国国际空间站(ISS)开发的第一个视频检测系统原型AUTOSCOPE诞生，该系统使用了美国明尼苏达大学交通工程系的视频检测算法。AUTOSCOPE是应用于交通检测的机械视觉的代表性产品[2]。该系统的硬件核心主要由一台286(或386)微型计算机、几个电路模块和一个普通的工业电视摄像机组成。从监控视频检测系统，微机使用图片和道路交通信息和分析、数字图像处理检测多个轨道交通信息，包括：交通、车辆、速度、机动车辆，车辆类型存储排队等，并可以把视频图像分析机。1989年，国际空间站正式推出了AUTOSCOPE2002，这是一种用于户外车辆检测的第一代视频车辆检测系统。1993年的AUTOSCOPE2003允许24小时检测交通信息。美国SRF咨询集团在明尼苏达州交通部的测试结果中指出，AUTOSCOPE系统[3]具有很高的精度和可靠性。AUTOSCOPE系统不仅证明了可视化交通信息检测的可行性和可靠性，而且表明了该方法与传统检测方法相比的巨大优势，以及未来交通检测的途径。经过20多年的发展，这个系统AUTOSCOPE国际空间站的美国公司已经成功开发了很多产品，逐渐成为复杂而可靠，符合各种行业标准，使用效果很好，已成为最广泛的视频车辆检测系统安装和使用在世界各地。其产品在欧洲、美洲、亚洲等多个国家的智能交通系统中均有应用，得到了世界各地专业人士的一致好评。此外，目前市场上常见的视频车辆检测系统是美国公司ITERIS、英国公司PEEK的IDS、新加坡电子公司的cetraeTMS2000等的优势，这些系统也非常发达，性能良好。目前，大多数智能传输系统都是以PC为处理核心，主要是因为PC机具有最快的计算能力和最复杂的技术。全国许多大学和研究机构也在深入研究“交通检测”的主题，他们大部分都在学习数字图像处理算法，并且基于PC平台提取运动目标，同样基于it公司C6000DSP系列实现的视频交通流检测系统也进行了研究。目前，国内许多研究机构也推出了基于视频监控的交通检测系统，但总体上这些系统的功能和性能比不上国外的产品。虽然我国绝大多数交通交叉口都安装有视频监控，可以将交叉口自动检测违章、许可等交通行为的交通图像传输到交通控制中心的服务器上，但是像交通事故的处理、智能交通的规划等任务仍需要员工的合作。国家的交通视频检测领域水平与国外仍有一定距离，但作为一个投资越来越多的热门研究方向，它正在迅速发展，并趋于完善[4]。1.3课题研究目的及内容交通灯，作为日常生活中最常见的指标，与我们的安全出行息息相关。随着世界城市化的加速和人们物质需求的增加，各种各样的汽车取代了步行，使交通更加拥挤，因此问题也随之增加。随着技术的快速发展，单片机的应用越来越深入，检测技术也越来越先进。但是单片机仍然是检查组件的核心。因此，如何控制交通灯来引导交通流量成为当今城市管理的主要解决方案。使用单片机采取合适的控制方法、最大限度利用资源来缓解主干道与其他道路的交通拥堵不仅仅可以减少拥堵问题，还能促进城市高速的发展，通过单片机控制达到人车和谐有序的目的。本次课题研究设计单片机技术、机器视觉等相关技术，以达到十字路口交通灯信号的智能调控、电子眼的图像处理、车流量检测等功能，其次降低成本和维修等费用以及使交通顺畅、不堵塞。1.4小结在本节中简要的介绍了交通灯的发展和课题创立的目的和内容，在下一节中将会介绍本课题研究涉及到的相关控制思想，以及技术知识。2.智能交通灯检测控制的设计目前，在我国较为发达的地区仍然是交通拥堵严重，尤其在高峰期的时候通常依靠交通警察的力量来维持交通的流畅，这是对人力资源的明显浪费。因此，为了解决城市交通的严重拥堵问题，必须想办法解决好交通信号灯，使其智能化，让信息技术开发新型的交通灯，将视频技术、图片处理、深度学习等技术引进到交通系统中来，使得交通灯变得准确、高效和实时。本课题在相关研究基础上进行了深入开发，下面将要讲诉的是本课题涉及到的相关知识技术。2.1车流量检测超声波检测器红外线检测器视频检测器交通灯车流量检测方式多种多样[5]超声波检测器红外线检测器视频检测器交通灯汽车图2-1常用检测方法简易图示汽车1、使用一个双红外对管(红外线发射管与光敏接收管配合在一起使用时候的总称。红外线在光谱中波长大于0.76微米)探测车辆的流量。在红外对管车流量检测电路中，在没有车辆到来时，发光二极管不发光，门正面的三极管LM393端是连接到一个高电平的5V和出口HW1；当有车进入红外对管检测范围，它反射的光变强。当发光二极管被强烈反射时，LM393导电，使得正极接地，引脚HW1变为高电平。电阻R10是0~5V不等的分压电阻。HW1和HW2连接到相应的单片机引脚P31和P32，以便读取流量数据。2、车辆检测的另一种形式是视频车辆检测法，也是本文设计所采用的设计方法。交通摄像头将捕捉到的主要交通视频发送回当地的交通服务部门，由该部门分析接收到的监控视频，以此获取必要的流量参数和事件信息。而交通参数的计算是根据统计跟踪的结果进行的，事件的检测是通过建立基于规则的推理逻辑或使用培训数据形成适当的识别模型进行的。视频检测技术的使用既不会损坏现有的基础，还减少了维护所需的高投资，同时提供了准确的实时信息，还比其他检测方法的检测范围更广。视频检测有几个显著的优点：(1)测量点的成本相对较低，物理设备更便宜；(2)测量点维护成本低；(3)对现有道路交通建设没有影响；(4)处理问题的方案完整；（5）配置和校准更加快速简洁；(6)视频检测技术相比其他技术更发达。目前，国内外的智能交通系统由摄像头、视频采集终端（核心硬件通常由DSP或ARM组成）和计算机服务器组成。视频采集终端通过摄像头收集流量图像并将其传输到计算机服务器，服务器在这些视频图像中提取行驶中的车辆，生成大量关于交通流量的信息，包括是否发生交通事故、车辆类型和详细特征等。视频采集系统实时处理视频信息，可靠性高，但系统复杂、集成程度低、成本高[6]。而本文使用基于视觉的智能交通灯的主要功能是根据交通交叉口车辆的情况智能分配交通灯时间，以减少不必要的交通堵塞，而硬件核心与PC服务器和视频信号传输过程分离，避免了信号传输过程中的噪声输入，如图2-2所示（图a为原图像，图b为去噪后的图像）。（a）原图像（b）去噪后图像图2-2摄像头上传原图像与去噪后图像本课题利用图像和视频进行车辆检测和调度，实现交通交叉口图像的快速采集、存储和实时处理，提取各象限的交通流量，实现智能交通调度。智能交通灯不再需要监控人员的配合，智能交通灯配置具有小型化、低成本等明显优势。2.2机器视觉本课题研究的基于机器视觉的智能交通灯硬件平台的功能主要是：图像采集（采集和存储）、图像处理、交通流量信息提取和上传结果。机器视觉[7]（工作原理简图如图2-3所示）获取交通图像分析结果在整个图像的采集和处理图片中作为核心，其他辅助模块和接口功能在外围，通过对交通流量信息的处理结果上传至计算机后选择合适方案调控红绿灯时间。由三个功能硬件模块组成：图像采集模块、图像处理模块和电源模块。图2-3机器视觉系统工作原理简图(1)图像采集模块：图像采集卡是机器视觉系统的一部分，它可以直接地决定摄像头的黑白、彩色和模拟数字等接口。PCI和AGP是比较典型的，他们可以将图像快速地传输到计算机系统中。当然有些采集卡可以连接多个摄像机，有的可以以触发的形式进行捕捉，有的内置有多路开关。(2)图像处理模块：主要由DSP系统组成，利用图像采集模块获得的图像提取该路口当前交通流量阶段的信息。DSP具有较高的运行时间和较大的计算能力。DSP单元完成了图像滤波、降噪、背景提取和流量提取等功能。对于采集到的数字化的现场图像，由于受到设备和环境因素的影响，往往会受到不同程度的干扰，通常使用时域或频域滤波的方法来去除图像中的噪声，采用几何变换的办法来校正图像的几何失真，采用直方图均衡、同态滤波等方法来减轻图像的彩色偏离[8]。(3)电源模块：主要由电压稳定芯片组成，为图像采集模块和图像处理模块供电，保证其稳定运行。几大模块相互配合辅助，实现了基于机器视觉的智能交通灯检测控制，解决了流量监测和控制时间依据的问题，为计算机控制交通调度提供依据。2.3交通灯信号控制有一个信号灯控制系统能解决城市道路交通拥堵情况，能合理分配每车道，缓解交通拥挤的十字路口。在拥挤不堪的城市十字路口的车辆和行人要求及时而有效的交通。交通信号的监测是通过一组周期性变化的监测信号来改变相应相位信号的颜色。灯光的颜色对行人和车辆的通行和停车有法律效力，我国有以下规定：绿灯为线路，红色为停车，黄色为报警信号。交通信号灯主要目的就是合理分配车流量，使交叉路口的通行变得高效有序。2.3.1交通灯控制分类交通灯在实际中从空间上设置每个路口的交通等可以划分为三种控制方式：点控、线控和面控；在设计交通灯时从控制原理上主要可以分为定时控制、感应控制和自适应控制三种控制方式；而设计按照不同的信号灯配时方法可分为在线控制和离线控制两种方式[9]。2.3.2控制方式的选择在本课题的研究中，采用了自适应控制的原理和在线控制的配时方法（在实际运用时设计交通灯采用线控较为合理，在本课题设计中仅用一段拍摄的视频作为演示，如图2-4所示，在实物中并未体现）。图2-4机器视觉识别人车图自适应控制方式主要是通过车辆检测器（本文中采用机器视觉）实时获取交通数据，然后按照智能算法将其进行优化，再将得到的数据与设定值相比较，根据对比结果来优化函数，以此达到实时调整交通信号的目的。但是，自适应控制方式对检测设备和传输设备的要求都比较高。在线控制模式是一种交通信号控制技术，它根据每个路口入口的实际交通流量分布，合理分配时间。这种控制方式充分考虑交通的实际情况，结合在分配运算时间调整信号灯的实时调整预置信号灯的时间来完成改善，反映交通流的动态特性比离线控制。线控又称为干线协调控制。在一条主干线上的相邻交叉路口，如果他们的交通信号没有互联，那么则可能会遇到在这条线路上的车辆频繁的遇到红灯，会造成该干线上交通堵塞问题。而线控就是把这几个信号灯相互关联起来，减少甚至消除车辆的频繁停车问题。因为线控使车辆在过了一个交叉口后按照一定速度行驶的话后面都将会遇到绿灯，所以也被称为绿波控制。线控适用在路口间距短、车流量大的情况。2.3.3交通信号控制的评价标准通常来说，评价交通信号灯的控制方式优秀与否的标准是：车辆在路口的停留时间、车辆队伍长度和启停次数等，而车辆在路口的停留时间是判断控制方式是否优秀的重要参数之一，停留时间是指车辆在路口停车到绿灯亮起时该此车通过路口的这段时间，且车队的长度也可以看作是停留时间的集中表现。在正常情况下，交叉口的信号灯允许一个阶段的车辆通过交叉口，而其他阶段的车辆继续等待。等待通过阶段的车辆队列长度称为车辆队列长度，每个阶段车辆队列长度的平均值为车辆队列的平均长度。该参数能够直接反映交叉口的通行能力和交通状况，是信号灯控制的优化参数。信号灯的转换会使车辆等待通过路口时出现启动或停车，该启动或停车的次数就被叫作车辆启停次数，它能间接的体现信号灯配时系统是否合理，配时系统合理则可以大大减少道路的拥堵情况[10]。2.4设计小结通过研究发现一些具有显著特征的交通峡谷和高峰形成的原因，对其进行了以下优化：在十字路口交通信号控制相应的片段，延长开放时间如7点和9点之间的高峰时期、5点和7点之间的时间不同于其他时期，虽然这种方法有助于提高这一时期的交通效率，但作用是比较有限的，而对交通信号灯配时是一个极其复杂的问题，有限的措施并不能对交通问题进行根治。要真正实现交通灯计时的智能调控，必须准确实时获得各个方向上车流量大小的信息，因此需要利用检测技术检测车流量的大小，因此在本课题中采用了较为智能的机器视觉，在控制原理上也配合了自适应控制来对机器视觉上传的结果进行配置。

3.交通灯算法3.1韦伯斯特配时法韦伯斯特配时法是依靠计算车辆延时最小的一种配时的方法，主要是对车辆延误和最佳周期时长的计算[11]。其具体公式如下：d=（其中，d是车辆平均延误，C是信号周期，λ是绿信比，Q是实际车流量，σ是饱和度，ρ是总流量比）为使d最小，可以将d看作C的函数，对C求偏导，可得到信号周期的最佳值为：C=1.5τ+5（其中，τ是一个周期内总的损失时间，即各相位上车辆启动损失时间加全红时间的总和）ei是第iei=（其中，ρi为第i相位关键流量比，Cgigi（其中，yi为第i相位的黄灯时间，τ综上，可以计算出理论最佳信号周期和绿灯时间作为下一周期的初始值。整个计算过程的流程图大致如图3-1所示。图3-1计算流程图韦伯斯特配时法原理简单，易于实现，因此被选为本课题对车辆通行时间算法主要的配时方法。3.2行人过街所需时间行人过街所需的时间受行人的数量和队伍长度、过街速度以及人行横道的长宽影响[12]。本文采用HCM2010行人过街所需时间的计算公式：Dp=式子中Dp为行人过街所需时间(s)；w为人行横道宽度(m)；t为等待区域行人的消散时间，通常取3.2s；Yp为等待区域的行人数量；L为人行横道长度(m)；vp行人在人行横道红灯的作用下集聚在路口的等待区域，当人行横道的信号灯变为绿灯时，路口的行人就会从等待区域进入人行横道，这个过程被称为行人群的消散过程。等待区域中的所有行人在消散过程中全部进入人行横道的时间称为消散时间。消散时间ts与行人过街数量Yts上式中，△t表示每行行人从开始进入人行横道到完全进入的时间间距(s)，△t=1.2s。设一个δ（与人行横道的宽度w及行人的数量Yp有关的参数）表示一行行人中的δ=2.2323(YFruin指出在静止空间行人的横向间距为0.6m，站立状态下行人最小所需横向距离为0.2m。故设定行人横向间距δ=0.6m。故数量不同的行人群过街所需时间为：Dp=3.3约束条件1）因为时间不可能存在负数情况，且车流量小的方向不能让该相位的绿灯直接跳过，从而导该相位车辆等待时间过长，故设定车辆最小绿灯时间tmintmin<2)为避免单方向通行时间长而导致其他方向车辆等待时间过长，故对设置车辆最大绿灯时间值tmaxti3)为避免车辆等待时间过长，对设置行人过街最大绿灯时间值txmax，设置车辆与行人共用绿灯最小时间值ttmin<4)设定周期上限Tmax，根据交叉口车流量与行人流量情况假设每辆车和每个行人的等待时间不超过两个周期的时间，当前分配点后四个方向绿灯时间之和需小于绿灯周期上限Ti=14t3.4算法小结在韦伯斯特算法配时方案的过程中考虑到了使车流延误最小，还考虑到行人延误、污染物排放等多个指标，在一定程度上改善了交叉路口的通行状况，提高了交叉路口的通行效率，其次本课程设计应为采用了计算机视觉，在一定程度上韦伯斯特配时可以实现自动控制的交通灯配时系统。所以综合考虑本次设计所用时间应采自韦伯斯特配时得出。

4.程序设计有了机器视觉处理的结果，依据车流量与人流量大小关系，接下来就需要在计算机或单片机内输入已写好的程序，当流量关系在一定范围内时，执行选择合适的调度方案程序，判断是否与上衣方案一致，并在当前交通时间结束后立即执行，重复该命令。程序执行思维框图如下4-1所示。图4-1思维框图4.1机器视觉首先使用opencv读取上传的视频，然后使用resize，normalize等进行预处理[13]，程序如下所示。defpreprocess_video(src_path):cap=cv2.VideoCapture(src_path)num_frames=int(cap.get(cv2.CAP_PROP_FRAME_COUNT))fps=int(cap.get(cv2.CAP_PROP_FPS))fourcc=int(cap.get(cv2.CAP_PROP_FOURCC))video_frames=[]foriinrange(num_frames):ret,frame=cap.read()ifret:frame=cv2.resize(frame,(416,416))frame=preprocess_image(frame)video_frames.append(frame)video_frames=np.array(video_frames)cap.release()returnvideo_frames,num_frames,fps,fourcc其次用yield写一个GeneratorFunction用于在预测时生成指定batch_size（一次训练所抓取的数据样本数量）大小的图片batch，最后加载model，使用predict_generator进行预测，以下是预测程序。video_frames,num_frames,fps,fourcc=utils.preprocess_video(src_path)gen=utils.video_batch_gen(video_frames,batch_size=batch_size)model=load_model("./model/yolov2-tiny-voc.h5")print("predicting")predictions=model.predict_generator(gen)得到predictions后，对predictions进一步处理，过滤掉置信度低和重叠的boundingbox，使图片的每一个物体对应一个置信度最高的boundingbox，再定义一个box类对boundingbox的参数进行存储。模型预测的是boundingbox的中心点坐标x,y及其宽w，高h及是否包含物体的confidencescore和其所包含物体class的possibility，其中中心点坐标x,y及其宽w，高h都是相对于每个栅格(gridcell)而言的，因此都需要将这些参数进行转换（设定范围方案A车数目15+，一侧人数目5~10；方案B车数目0~14，一侧人数目5~15；方案C车数目0~7，一侧人数目16+）[14]。使用confidencescore与最大的class的possibility相乘可以得到置信度，对这个置信度进行一些阈值过滤可以过滤掉置信度不高的boundingbox。经过初步处理后的boundingbox仍会有大量重叠的情况，使用非极大值抑制(NMS)对boundingbox进行过滤，也可以使用车辆识别（特征提取+svm分类器）中介绍的heatmap进行过滤，只要达到使每个物体对应一个合适的boundingbox的目的，程序如下。defnon_maximal_suppression(thresholded_boxes,iou_threshold=0.3):nms_boxes=[]iflen(thresholded_boxes)>0:#添加置信度最高的boxnms_boxes.append(thresholded_boxes[0])i=1whilei<len(thresholded_boxes):n_boxes_to_check=len(nms_boxes)to_delete=Falsej=0whilej<n_boxes_to_check:curr_iou=iou(thresholded_boxes[i],nms_boxes[j])if(curr_iou>iou_threshold):to_delete=Truej=j+1ifto_delete==False:nms_boxes.append(thresholded_boxes[i])i=i+1returnnms_boxes最后可以得到如图4-2所示清晰图片并且可以准确识别。图4-2检测结果图片4.2基于Arduinouno的程序本课题程序设计以车辆通行灯为基本灯，行人通行灯与车辆通行灯相反。定义设计所用到的引脚如下，红灯(carRed)13引脚，黄灯(carYellow)12引脚，绿灯(carGreen)11引脚；红外感应器a(HLa)为4引脚，红外感应器b(HLb)蜂鸣器(bee)引脚为2，按键(button)引脚为3；以下为定义引脚程序。intcarRed=13;intcarYellow=12;intcarGreen=11;intHLa=4;intHLb=5;intvala;//红外变量intvalb;intbee=2;intbutton=3;设置初始状态，按键设置初始态为0；所有灯设置为低电平(LOW)；蜂鸣器设置为高电平(HIGH)；波特率9600，程序如下。intstate=0;//按键初始值voidsetup(){pinMode(HLa,INPUT);pinMode(HLb,INPUT);pinMode(bee,OUTPUT);pinMode(carRed,OUTPUT);pinMode(carYellow,OUTPUT);pinMode(carGreen,OUTPUT);pinMode(button,INPUT);digitalWrite(carRed,LOW);//初始状态digitalWrite(carYellow,LOW);//初始状态digitalWrite(carGreen,LOW);//初始状态digitalWrite(bee,HIGH);Serial.begin(9600);}编写循环程序、按键程序、检测程序，以下程序为红灯循环。voidcarRed_liang(inttimes){//红灯循环for(intx=0;x<times;x++){digitalWrite(carRed,HIGH);delay(100);}}调用方案程序如下所示。注：A/B/C分别是方案A（车辆交通指示灯红灯时间为15s，绿灯时间为60s），B（车辆交通指示灯红灯时间为25s，绿灯时间为45s），C（车辆交通指示灯红灯时间为40s，绿灯时间为30s），z为检测车辆量与两侧检测到的人量。方案中所用时间为设定的三个数据范围然后计算机根据韦伯斯特配时得出。defz;defnumofcar;defnumofperson;z==numofcar–numofperson;if(z>10)printf(“A\n”,z);elseif(10>z&&z>-10)printf(“B\n”,z);elseprintf(“C\n”,z);

5.系统调试及运行仿真结果本次设计能够实现预期设想效果：能准确识别出车辆与行人，能统计车辆流量与人流量（如图5-1所示）；图5-1识别车辆与行人及统计数量能够通过按键进行紧急通行（如图5-2所示，按键模拟检测得出）；图5-2按键模拟能实现行人闯红灯蜂鸣器预警。能根据车流与人流差调用合适方案，最大程度节省了交通时间；6.总结本文着眼于利用局域网络和单片机技术对交通信号不断上传下载配时分析，利用机器视觉配合韦伯斯特配时，在这基础上能根据不同方向车流量大小自动调整红绿灯时间的控制系统方案，以达到提高车辆通行能力、缓解交通压力、降低油耗、减少环境污染的目的，在一定程度上实现了交通灯智能控制。其次，增加了行人闯红灯蜂鸣器预警，有效地减少了闯红灯行为，保障了幼龄及老人的安全。本次课题设计模拟基本实现，但也有一些不足之处。在背景更新方面，效率还不高，当环境变化的过快时，系统不能立刻做出相应方案，可以加入一些亮度传感器和湿度传感器用来检测外部的环境用来辅助背景的更新。在图像处理方面，可以进一步的提高处理的速度，使系统能够进行更为复杂的图像算法。

参考文献：[1]房德君．智能交通灯控制装置．山东工程学院学报，1998，12(4)：27-30，34.[2]温志达，梁桂荣，陈碧铭，等．基于车流量的智能交通灯控制系统．自动化技术与应用，2009，28(6)：115-118.[3]徐鑫，杨利亚，周磊，胡允森，郑建领.单片机智能交通灯控制系统的设计[J]。电子世界，2013(23)：23-24.[4]陈君.基于AT89S51单片机的智能交通灯设计[J].电子技术与软件工程，2016(01)：260-261.[5]Malhi,M.H．;Aslam,M.H.VisionBasedIntelligentTrafficManagementSystem[J].FrontiersofInformationTechnology(FIT).2011(23)：137—141.[6]杨宁，阳泳，江世明.基于单片机的智能交通灯设计与论述[J].电子世界，2016(03)：52-53.[7]关维元，陈亚涛，陈群，等．基于机器视觉的交通灯智能控制[J]．科技传播，2013，7(T)：50—51，53.[8]李熙莹，唐佳林等.基于视频图像处理的交通流检测方法综述[J]．图像图形技术与应用进展一第三届图像图形技术与应用学术会议论文集．2007(01).[9]蔡军，曹慧英．智能交通灯控制系统的设计与实现[J]．重庆邮电学院学报，2004，16(3)：129-132.[10]陆海全，李志军，闫非凡，吴江龙.基于单片机的智能交通灯控制系统[J].电子技术与软件工程，2016(03)：51-53.[11]南楠，肖曦．一种基于视频技术的车辆检测和计数算法[J]．物联网技术，2012，(1)：29-32.[12]欧玉荣．视频图像与交通灯智能控制的分析与设计[D]．昆明：昆明理工大学，2012[13]郭怡文，袁飞虎．基于背景差分的多车道车流量检测系统[J].电光与控制，2010，(9)：90-93.[14]张晖，董育宁．基于视频的车辆检测算法综述[J]．南京邮电大学学报(自然科学版)，2007，3(27)：88-89.

附录一：深度学习程序深度学习程序YoloTrain().train()如下：附录二：视频转图片程序视频转图片程序demo_video.py如下:

附录三：预测程序预测程序demo_image.py如下：

附录四：交通灯程序交通灯程序如下：intcarRed=13;intcarYellow=12;intcarGreen=11;intHLa=4;intHLb=5;intvala;//红外变量intvalb;intbee=2;intbutton=3;intstate=0;//按键初始值voidsetup(){pinMode(HLa,INPUT);pinMode(HLb,INPUT);pinMode(bee,OUTPUT);pinMode(carRed,OUTPUT);pinMode(carYellow,OUTPUT);pinMode(carGreen,OUTPUT);pinMode(button,INPUT);digitalWrite(carRed,LOW);//初始状态digitalWrite(carYellow,LOW);//初始状态digitalWrite(carGreen,LOW);//初始状态digitalWrite(bee,HIGH);Serial.begin(9600);}voidcarRed_liang(inttimes){//红灯循环for(intx=0;x<times;x++){digitalWrite(carRed,HIGH);delay(100);}}voidcarYellow_liang(inttimes){//黄灯循环for(intx=0;x<times;x++){digitalWrite(carYellow,HIGH);delay(500);digitalWrite(carYellow,LOW);delay(500);}}voidcarGreen_liang(inttimes){//绿灯循环for(intx=0;x<times;x++){hongwai();//红外检测if(valb==0){//if(vala==0||valb==0)digitalWrite(bee,LOW);delay(1000);}else{digitalWrite(bee,HIGH);}intstate=digitalRead(button);//按键检测Serial.print(state);Serial.print("按键——\n");if(state==0){digitalWrite(carGreen,