本专利公开了一种基于无人机航拍视频的交叉口信号配时方法，其特征在于，所述方法包括如下步骤：步骤一：基于地表标记物辅助，确定交叉路口的进口道和车流方向；步骤二：基于虚拟线圈检测法提取路段上的车流交通参数；步骤三：基于虚拟线圈检测法提取交叉口处的车流交通参数；步骤四：基于分位数法剔除噪声数据；步骤五：基于视频处理与信号配时综合平台完成交叉口处信号灯的信号配时。利用无人机进行车流量小的城市道路及交叉口的交通参数提取，相比于传统的人工法，具有更高的经济性、灵活性、准确性和适用性。
1.一种基于无人机航拍视频的交叉口信号配时方法，其特征在于，所述方法包括如下步骤：步骤一：基于地表标记物辅助，确定交叉路口的进口道和车流方向
对于单个交叉口，按照逆时针方向，分别设n1、n2……nL代表实际的各进口道的方位；根据无人机拍摄视频中出现的标记物确定视频中进口道的方位，分别记为n1*、n2*、…… 、nL*，从而完成视频中的道路口与现实道路口的匹配；将地表标记物放在各方向进口道的道路旁，完成路口的标记；地表标记物，是指进行了表面涂装，使其可以被无人机识别的物体；
步骤二：基于虚拟线圈检测法提取路段上的车流交通参数
在无人机的拍摄视域摄视域内，设置虚拟线圈检测器，虚拟检测器技术处理无人机的视频图像，计算某段道路或者路网在时间和上的车流密度；提取到路网上的平均车速s、车流f、动态的道路占有率o、空间车辆密度ks和时间车辆密度kt，其中其中dl＝lVD2-VD1＝VD2-VD1，为两个虚拟检测器之间的距
离，L为道路总数，n为当前交通路网中的车辆总数，ti,j为第i辆车在第j条道路上的行程时间； 其中T为总的检测时间，nj(t)为t时刻第j条道路上的车辆总数，nj(t-1)为t-1时刻第j条道路上的车辆总数；
其中f为车流、li为第i条道路的长度、s为第i条道路上的平均车流速度；
度，L为道路总数，n为当前交通路网中的车辆总数，ti,j为第i辆车在第j条道路上的行程时间，si,j为第i辆车在第j条道路上的平均速度，且 其中dfr为Virtual Detection Frame的长度，L为道路总数，nj为当前t时刻路网中第j条道路上的的车辆总数；
步骤三：基于虚拟线圈检测法提取交叉口处的车流交通参数
在交叉口的各路口分别设置一个虚拟检测器，通过汽车被路口检测器记录到的先后顺序得到汽车的转向；计算各转向对应的车辆数的比值，得到交叉路口的转向比；其中，根据汽车到达检测器的先后顺序将检测器定义为起始检测器OD和终止检测器DD，(OD，DD)代表汽车从检测器OD到检测器DD， 代表从检测器OD到检测器DD的车辆数，可用来表示交叉口某个转向的车辆数；其中 的下角标(OD，DD)用来表示转向的方向；则汽车的转向情况由(OD，DD)矩阵来表示，n(1,1) n(1,2)……n(1,L’)
n(L’,1) n(L’,2)……n(L’,L’)
其中n(i,j)代表在所取的观察时间段内，交叉口处(i,j)转向的车辆数；L’为交叉路口的路口总数；i为起始检测器OD的标号，从1到L’，取整数；j为终止检测器DD的标号，从1到L’，取整数；
通过步骤一到步骤三计算得到的信号配时所需的相关交通参数数据中包括噪声数据；
在本步骤中通过分位数法对噪声数据进行剔除；其包括，提取时间段内的参数数据，计算该时段内数据的75％分位数、25％分位数、分位差IQR＝75％分位数-25％分位数,上边界UpLimit＝75％分位数+IQR*1.5、下边界LowLimit＝25％分位数-IQR*1.5；提取UpLimit和LowLimit范围内的参数数据作为正常数据；
步骤五：基于视频处理与信号配时综合平台完成交叉口处信号灯的信号配时
配时方案生成模块根据步骤四中提取的参数数据，按照信号定时控制方式对模块内预置的配时方案进行修改，从而确定改进后的交叉口信号灯相位设置方案。
2.根据权利要求1所述的一种基于无人机航拍视频的交叉口信号配时方法，其特征在于，所述方法还包括确定无人机系统的组成、无人机的视频拍摄机制及视频处理与信号配时综合平台的组成；
无人机的视频拍摄机制的确定包括路网检测区域的确定、无人机拍摄时间的确定及无人机轮换机制的确定；每个交叉口所在处的路网检测区域包括：交叉路口、距离交叉口一定距离处的路段；每个检测区域上空悬停一个无人机进行交通路况的视频拍摄，考虑到无人机的续航问题，无人机采用交替式的拍摄机制，即当无人机a的蓄电量比完成往返充电站所需的阈值T大Δt时，向距离其最近的无人机充电站发送信号；充电站停驻的无人机b起飞，向发送信号的无人机a驶去；当无人机b达到检测区域后，在无人机a旁悬停，开始进行拍摄，此时无人机a结束任务，飞往最近的无人机充电站进行充电；如此交替进行直到拍摄任务的完成；每个无人机在飞往充电站进行充电之前，完成视频传输工作，即将拍摄的视频通过无线传输模块传送给视频处理与信号配时综合平台；
视频处理与信号配时综合平台由视频处理模块、交通参数计算模块、配时方案生成模块和信号传输模块组成；平台主体安装在道路交叉口某一路口信号灯的灯杆上；其余路口处信号灯的灯杆分别安装有与平台相匹配的信号传输模块，这些信号传输模块与平台内嵌的信号传输模块通过无线传输方式进行信号传送；无人机将视频图像信息传送给平台，平台的视频处理模块利用地表标记物辅助法和虚拟线圈检测法对无人机拍摄的视频进行处理，计算得到相关的交通参数；交通参数计算模块利用分位数法对初步得到的数据进行筛选，从而得到可用的数据。
一种基于无人机航拍视频的交叉口信号配时方法
技术领域
[0001] 本发明涉及无人机技术和交通领域的信息提取的方法，具体涉及一种基于无人机航拍视频的单点交叉口信号配时方法。
背景技术
[0002] 在城市路网中，道路的通行能力和使用效率与交通信号控制系统关系密切，在交通信号控制系统中交叉口信号配时是研究的重点。合理的交叉口信号配时，可在很大程度上提高已有道路的通行能力；反之，会降低道路通行能力，造成交通资源的浪费、导致交叉口排队时间过长与绿灯期车流少的现象交替频发，严重时，引发交通事故。因而如何为城市交叉口及其周围的路段布设检测器进行交通参数检测，并依据所收集的参数为交叉口进行科学的信号配时，成为交通领域的一个重要研究方向。
[0003] 交通参数检测技术经过近40年的研究，国内外专家学者提出了多种交通参数提取方法，主要以测速雷达、环形检测线圈、超声波检测器、交通微波探测等设备获取交通参数。近年来兴起的视频检测技术，因其所独有的检测数据直观、数据量全面的特点，越来越受到业界的青睐。但这项技术所需摄像头数目较多，相应的配套设施费用昂贵；受交通投资额的限制，布设有摄像头的道路数量有限。摄像头的全路网覆盖显然不太现实，同时摄像头的全路网覆盖也是对资源的一种浪费。
[0004] 上面提到的几种交通参数检测方法，在国内外城市的主要路段上已得到广泛的应用，并可较好地完成区域路网的交通参数检测及相应的交叉口信号配时。但对于车流量小的非重要城市道路，这几种检测方法因其造价昂贵并没有被交通部门所采用。车流量小的非重要城市路段的交叉口信号配时，往往只需采取信号定时控制方式；因而在实际操作中，只需对得到的交通参数进行样本分析，无需得到实时的交通参数来对信号灯的信号进行动态调整。车流量小的城市路段的参数采集具有“一次性”特点。
[0005] 针对车流量小城市路段的“一次性”交通信号采集特点，业界现有做法是人工检测。相对于使用检测器进行参数检测而言，人工检测法，灵活性高、成本低，但周期长、人力消耗大；尤其是正确率方面，人工检测法所收集的交通参数质量良莠不齐，正确率无法保证。显然，人工检测法与智能交通的发展趋势不符，新的科学检测方法需要被发展，以提高交叉口信号配时的高效性和准确性。
[0006] 近年来，无人机因其灵活机动、调度区域广、检测精度高等众多优点正逐步被广泛应用。考虑到无人机的众多优点，本文提出一种基于无人机航拍视频的交叉口信号配时方法，以满足车流量小的非重要城市道路交叉口的配时需求。
发明内容
[0007] 本发明的目的在于克服目前车流量小的非重要城市道路的交通参数检测中存在的人员依赖严重、检测周期长、精确度低的问题，充分发挥无人机灵活机动、调度区域广、检测精度高、使用成本小的优势，提出一种基于无人机航拍视频的单点交叉口信号配时方法。该方法首先确定无人机系统的组成及无人机的视频拍摄机制，并提出利用地表标记车辆来辅助确定无人机航拍视频中车辆的行驶方向；其次，提出用虚拟检测器法对无人机的航拍视频进行分析，提取出转向比等交通参数；最后，提出利用视频处理与信号配时综合平台，完成视频图像的处理和交通参数提取，并进行信号控制机的参数配置；最终实现车流量小的城市道路交叉口精准的信号配时。
[0008] 为实现上述发明目的，本发明的具体技术方案如下：
[0009] 步骤一：确定无人机系统的组成、无人机的视频拍摄机制及视频处理与信号配时综合平台的组成。
[0010] 无人机系统由无人机群和无人机充电站两部分组成。无人机充电站依据城市的路网进行布置，无人机在无人机充电站进行充电和停驻。无人机充电站的使用将有效弥补无人机飞行时间短、远航能力不足的短板；且无人机充电站在道路沿线进行布设，缩短了航线起点与终点的距离，能够极大缩减无人机到达目的地所需的时间。
[0011] 无人机的视频拍摄机制的确定：路网检测区域的确定、无人机拍摄时间的确定及无人机轮换机制的确定。每个交叉口所在处的路网检测区域包括：交叉路口、距离交叉口一定距离处的路段。每个检测区域上空悬停一个无人机进行交通路况的视频拍摄。考虑到无人机的续航问题，无人机采用交替式的拍摄机制，即当无人机a的蓄电量比完成往返充电站所需的阈值T大Δt时，向距离其最近的无人机充电站发送信号；充电站停驻的无人机b起飞，向发送信号的无人机a驶去；当无人机b达到检测区域后，在无人机a旁悬停，开始进行拍摄，此时无人机a结束任务，飞往最近的无人机充电站进行充电；如此交替进行直到拍摄任务的完成。每个无人机在飞往充电站进行充电之前，完成视频传输工作，即将拍摄的视频通过无线传输模块传送给视频处理与信号配时综合平台。
[0012] 视频处理与信号配时综合平台由视频处理模块、交通参数计算模块、配时方案生成模块和信号传输模块组成。平台主体安装在道路交叉口某一路口信号灯的灯杆上；其余路口处信号灯的灯杆分别安装有与平台相匹配的信号传输模块，这些信号传输模块与平台内嵌的信号传输模块通过无线传输方式进行信号传送。无人机将视频图像信息传送给平台，平台的视频处理模块利用地表标记物辅助法和虚拟线圈检测法对无人机拍摄的视频进行处理，计算得到相关的交通参数；交通参数计算模块利用分位数法对初步得到的数据进行筛选，从而得到可用的数据。具体的视频数据处理和交通参数计算通过下面的步骤完成。
[0013] 步骤二：基于地表标记物辅助法，确定交叉路口的进口道和车流方向。
[0014] 无人机拍摄的交叉口车流视频，主要内容是车辆的行驶信息；单依靠图像特征往往难以将各进口道和实际进口道进行匹配，匹配工作往往耗时耗力，且需通过人工完成。而视频中的进口道匹配工作，是将视频图像信息变为有用信息的必要一步，即完成交叉口信号配时必不可少的一步。为解决这一问题，本发明采用地表标记物辅助法来确定交叉路口的进口道和车流方向。具体方法是：
[0015] 对于某个交叉口，按照逆时针方向，分别设n1、n2、。。。。、nL代表实际的各进口道的方位；将地表标记物放在各方向进口道的道路旁，完成路口的标记；地表标记物，是指进行了表面特殊涂装，使其可以明显地被无人机识别的物体。根据视频中出现的标记物，从而确定视频中进口道的方位，分别记为n1*、n2*、。。。。。。、nL*，从而完成视频中的道路口与现实道路口的匹配。视频处理与信号配时综合平台中视频处理模块根据无人机视频中的地表标记物的不同，无人机的视频数据进行分类存库并分开处理，最终对应着来确定交叉口各方向道路的信号配时方案。
[0016] 步骤三：基于虚拟线圈检测法提取路段上的车流交通参数。
[0017] 在无人机的拍摄视域摄视域内设置虚拟线圈检测器，通过设置的虚拟检测器可以提取到路网上的平均车速：
[0018]
[0019] 其中dl＝lVD2-VD1＝VD2-VD1，为两个虚拟检测器之间的距离，L为道路总数，n为当前交通路网中的车辆总数，ti,j为第i辆车在第j条道路上的行程时间；车流：
[0020]
[0021] 动态的道路占有率为： 其中f——车流、li——第i条道路的长度、s——第i条道路上的平均车流速度。
[0022] 常规的固定检测器在计算路网的车辆密度方面非常困难，通过虚拟检测器技术处理无人机的视频图像，可以方便地计算某段道路或者路网在时间和空间上的车流密度。计算空间车辆密度——spatial density，文中用ks表示。在一段时间段内，汽车从路段经过的信息，被设置在路段上宽为Δx的虚拟检测器检测得到，从而可计算路网上的车辆密度，spatial density：
[0023]
[0024] 计算时间车辆密度——temporal density，文中用kt表示。可通过在路段上设置虚拟检测器框架——Virtual Detection Frame进行计算。这一方法是对单帧静态图像进行分析，得到某一时刻在虚拟检测器框架内的车辆数，从而得到该时刻的车辆密度：
[0025]
[0026] 其中dfr为Virtual Detection Frame的长度。
[0027] 步骤四：基于虚拟线圈检测法提取交叉口处的车流交通参数。
[0028] 在交叉口的各路口分别设置一个虚拟检测器，通过汽车被路口检测器记录到的先后顺序，得到汽车的转向；计算各转向对应的车辆数的比值，得到交叉路口的转向比。具体做法为：根据汽车到达检测器的先后顺序将检测器定义为起始检测器OD和终止检测器DD，(OD，DD)代表汽车从检测器OD到检测器DD， 代表从检测器OD到检测器DD的车辆数，可用来表示交叉口某个转向的车辆数；其中 的下角标(OD，DD)可用来表示转向的方向。则汽车的转向情况可由如下(OD，DD)矩阵来表示：
[0029]
[0030] 交叉口各转向的转向比可由下面的公式得到：
[0031]
[0032] 其中n(i,j)代表在所取的观察时间段内，交叉口处(i,j)转向的车辆数；L为交叉路口的路口总数；i为起始检测器OD的标号，从1到L，取整数；j为终止检测器DD的标号，从1到L，取整数。
[0033] 步骤五：基于分位数法剔除噪声数据。
[0034] 通过步骤二到步骤四可计算得到信号配时相关的交通参数，但初步计算得到的数据在数值分布上往往不均，存在过高和过低的数据，这样的数据被称为噪声数据。噪声数据对最终的计算结果有很大的影响，为保证结果的准确性，在完成一次数据统计时必须对噪声数据进行剔除。本发明为确保最终得到的交通参数的准确性，引入分位数法对交通参数中的噪声数据进行剔除，这一工作由平台内的交通参数计算模块来完成。
[0035] 提取时间段内的参数数据，计算该时段内数据的75％分位数、25％分位数、分位差IQR,上边界UpLimit、下边界LowLimit:
[0036] IQR＝75％分位数-25％分位数
[0037] UpLimit＝75％分位数+IQR*1.5
[0038] LowLimit＝25％分位数-IQR*1.5
[0039] 其中，IQR为上下四分位差，UpLimit为上边界，LowLimit为下边界。提取UpLimit和LowLimit范围内的参数数据作为正常数据。
[0040] 步骤六：基于视频处理与信号配时综合平台完成交叉口处信号灯的信号配时。
[0041] 配时方案生成模块负责对所在路口的配时方案进行数值修正，从而得到新的配时方案。起初，配时方案生成模块中预置有配时方案，预置的配时方案是交叉口最初所采用的由定时控制方式进行信号控制的信号灯配时方案(根据以往经验进行设置)。
[0042] 交通参数计算模块将提取的参数传送到配时方案生成模块，配时方案生成模块按照信号定时控制方式对模块内预置的配时方案进行修改，从而确定改进后的交叉口信号灯相位设置方案。随后，配时方案生成模块将生成的交叉口的相位设置方案通过传输模块传给各个信号控制器，完成交叉口的信号配时。
[0043] 本发明的优点在于：
[0044] (1)利用无人机进行车流量小的城市道路及交叉口的交通参数提取，相比于传统的人工法，具有更高的经济性、灵活性、准确性和适用性；
[0045] (2)提出基于地表标记物辅助的道路及进口道方位匹配方法，解决了航拍交叉口视频在处理过程中难以和实际道路及交叉口进口道方位相匹配的问题；
[0046] (3)利用无人机对交叉口的转向参数进行提取，提出交叉口转向矩阵和转向比的概念，有利于解决以往交叉口转向数据不易统计的难点。
[0047] (4)利用视频处理与信号配时综合平台完成交叉口处信号灯的信号配时，相比于传统的人为进行信号配时调整的方法，具有更高的效率和准确性。附图说明：
[0048] 图1是本发明提出的基于无人机航拍视频的交叉口信号配时方法流程图；
[0049] 图2是本发明提出的视频处理与信号配时综合平台的工作原理图；
[0050] 图3是本发明中无人机执行任务时交叉口处的情景图；
[0051] 图4是本发明对无人机拍摄的视频图像进行处理时的说明图；
[0052] 图5是本发明对无人机拍摄的视频图像进行处理时的说明；
[0053] 图6是十字交叉路口的车道情况的说明图；
[0054] 图7是本发明实例最终得到的交叉口转向矩阵——(OD，DD)矩阵。
[0055] 其中，图3中的附图标记1、2、3、4、5均为设置的地面标记物；图4中的VDi为虚拟检测器，其中i为从1到12的正整数；dl为路段上两相邻虚拟检测器之间的间距；1为路段上的虚拟检测器，Δx为1所代表的虚拟检测器的宽度；a、b、c、d、p代表无人机拍摄视频时的视野；图5中a、b、c、d、p代表无人机拍摄视频时的视野。
具体实施方式
[0056] 步骤一：无人机系统基于特定的视频拍摄机制将拍摄的视频传送给视频处理与信号配时综合平台。
[0057] 选取某十字路口进行分析，道路方向为东、南、西、北，检测点有5处，路段处的检测区域距离交叉口1km，如图3所示。无人机悬停于检测区域上空进行连续4周的拍摄，每天的拍摄时间为早上8:00到下午8:00，期间不间断。拍摄期间无人机将拍摄的视频通过无线传输方式传送给视频处理与信号配时综合平台，无人机依靠交替式的拍摄机制，保证长时间不间断视频拍摄的正常运行。
[0058] 视频处理与信号配时综合平台将接收到的视频进行存储，之后利用视频图像处理技术和数据处理技术进行视频处理。
[0059] 步骤二：基于地表标记物辅助法，确定交叉路口的进口道和车流方向，并将接收到的无人机视频按照检测区域的不同分类存库。
[0060] 将地表标记物放在各进口道的道路旁和交叉口的特定位置，完成道路标记；从而可将视频中的道路口与现实的道路口进行匹配；同时根据视频中标记物的不同，视频处理与信号配时综合平台将无人机拍摄的视频进行分类存库，可为后期的视频处理工作提供方便，并保证交通参数提取的准确性。
[0061] 步骤三：基于虚拟线圈检测法提取路段上的车流交通参数。
[0062] 视频处理与信号配时综合平台基于虚拟线圈检测法提取车流的交通参数，如图4所示，在无人机的拍摄的视频中设置虚拟线圈检测器，计算路网上的平均车速s：
[0063]
[0064] 车流：
[0065]
[0066] 动态的道路占有率：
[0067]
[0068] 以图4中的d检测区域的视频为例，dl＝lVD2-VD1＝VD2-VD1；T为观察的时间段，取为60分钟；L为道路总数4，n为当前交通路网中的车辆总数，ti,j为第i辆车在第j条道路上的行程时间,lj为第j条道路的长度。
[0069] 通过虚拟检测技术提取交通路网中的车辆密度——空间车辆密度ks和时间车辆密度kt：
[0070]
[0071]
[0072] 其中，Δx为虚拟检测器的宽度，即图5中1的宽度；si,j为第i辆汽车在第j条道路上的平均速度；nj为第j条道路上总的车辆数；dfr为图5中虚拟检测器框架——Virtual Detection Frame的长度。
[0073] 步骤四：基于虚拟线圈检测法提取交叉口处的车流交通参数。
[0074] 如图6所示，交叉口为十字路口，每个道路为隔离带隔开的单向行驶道，十字路口的各方位分别为北、西、南、东。如图所示，在十字交叉口的在北、西、南、东四个路口分别设置一个虚拟检测器，按逆时针方向进行编号：1、2、3、4；此时交叉路口处的(OD，DD)矩阵为：
[0075]
[0076]
[0077] 则汽车转向的方向可由n(i,j)的下角标(i,j)进行表示，n(i,j)表示在所取的观察时间段内(i,j)转向的车辆数；n(1,2)表示在所取的观察时间段内，交叉路口处由北向西进行转向的车辆数；同理，其他转向的车辆数可得到。在步骤三中，我们将观察时间段T选为60分钟，一天观察时间从上午8点到下午8点，因而一天有12个(OD，DD)矩阵，四周共有336个(OD，DD)矩阵。可知，(OD，DD)矩阵可将交叉路口的转向情况进行清楚准确地表示。
[0078] 计算该交叉路口处各转向的转向比：
[0079]
[0080] 可知，交叉口的每个转向一天内有12个数据，4周总共336个数据。
[0081] 步骤五：基于分位数法剔除噪声数据。
[0082] 由步骤二到步骤四可初步提取出交通参数，但这样的数据往往掺杂着噪声数据，不能直接使用；需要通过数据筛选，剔除噪声数据，才能得到可用的数据。采用分位数法剔除噪声数据。
[0083] 对4个路段车辆通过虚拟检测器的时间t依据分位数法进行处理，在一小时内收集到的数据集内进行，从而剔除不正常的噪声数据；根据剔除处理后的数据集，可以计算得到较为准确的平均车速。交叉口处各转向的车辆数和转向比，在4周总体的数据集内按照分位数法剔除噪声数据，再计算平均值，从而得到合理的参数。剔除噪声数据的工作由视频处理与信号配时综合平台内的交通参数计算模块来完成；分位数法的基本操作为：
[0084] IQR＝75％分位数-25％分位数
[0085] UpLimit＝75％分位数+IQR*1.5
[0086] LowLimit＝25％分位数-IQR*1.5
[0087] 其中，IQR为上下四分位差，UpLimit为上边界，LowLimit为下边界。提取UpLimit和LowLimit范围内的参数数据作为正常数据。得到合理的数据后，通过之前步骤的参数计算公式，最终得到所需的交叉口信号配时交通参数。
[0088] 步骤六：基于视频处理与信号配时综合平台完成交叉口处信号灯的信号配时。
[0089] 原始的视频数据由平台内的视频处理模块进行分类存库，各无人机的数据进行单独存放；视频处理模块对单独存放的数据进行步骤二到步骤四的操作，交通参数计算模块完成上面的步骤五，最终得到可用的交通参数；随后这些数据由交通参数计算模块传送给配时方案生成模块。当数据传到配时方案生成模块后，该模块根据距离交叉口1km处的道路段上的交通参数和交叉口各方向的车辆直行数，确定各方向道路直行相位的信号灯时长；根据交叉口的转向比r(i,j)和转向矩阵——(OD，DD)矩阵，来确定各转向相位所对应的信号灯时长；最终将数据进行综合考虑，确定交叉口的相位设置方案。
[0090] 随后，配时方案生成模块将生成的交叉口的相位设置方案传送给平台内嵌的信号传输模块。平台内嵌信号传输模块与平台所在灯杆的交通信号控制机进行有线连接，内嵌信号传输模块通过有线传输方式将相位设置方案传送给此信号控制机。在其他路口处的信号灯灯杆上设置了平台的拓展信号传输模块，且每个信号灯灯杆上的信号传输模块与信号控制器之间都是有线连接；平台内嵌信号传输模块通过无线传输方式将数据传送给拓展信号传输模块，通过步骤二的路口匹配工作，达到数据地匹配传送。拓展信号传输模块再通过有线传输方式将数据传送给对应的信号控制器。最终，完成了整个交叉口信号灯的信号配时工作。
