一种快速路出口匝道与邻接交叉口动态信号控制方法

摘要

本发明公开了一种快速路出口匝道与邻接交叉口动态信号控制方法，该方法包括获取交通流数据、提取雷视融合的轨迹数据、构建并匹配轨迹，预测邻接交叉口的车辆轨迹和生成下一周期优化的交叉口信号配时策略；首先通过神经网络与重识别算法提取并融合雷达与视频采集的地面车道与匝道出口处高精度车辆轨迹，接着采用生成式对抗网络预测下一相位邻接交叉口处车辆轨迹，最后提取交叉口车辆轨迹宏微观特征，带入考虑运动波与出口匝道车辆换道阻塞的多层Q强化学习网络中，在线训练生成下一周期交叉口信号配时策略，优化快速路出口匝道邻接交叉口的信号配时，提高交叉口通行量并缓解拥堵问题。

权利要求

1.一种快速路出口匝道与邻接交叉口动态信号控制方法，其特征在于，包括如下步骤：步骤一：获取交通流数据，利用雷视一体监控设备，获取快速路出口匝道（1），地方道路（2）及邻接交叉口（3）路段的车流视频、雷达点云数据；

步骤二：基于道路空间占有率的分级融合策略，提取雷视融合的轨迹数据；

其中，分级融合策略包括节省算力的决策级融合策略和提高精度的像素级融合策略：所述决策级融合策略采用混沌粒子群神经模糊网络分割雷达点云数据，并通过CRE算法进行点云特征提取与分类，获得各路段雷达数据的车辆轨迹；采用U‑SEAM目标检测神经网络+双层数据关联算法提取视频数据中各路段车辆轨迹，通过Attention‑SIFT算法标定视频与雷达坐标系，实现轨迹融合；

所述像素级融合策略，使用改进的NSCT变换获得雷达点云图像增强的视频数据，并采用U‑SEAM目标检测神经网络+双层数据关联算法提取融合图像下高精度车辆轨迹；

步骤三：构建结合点云、图像特征的双源数据车辆重识别算法匹配车辆在匝道出口、地面车道处与邻接交叉口处的轨迹；

步骤四：搭建基于梯度惩罚的生成式对抗网络预测邻接交叉口下一周期车辆轨迹；

步骤五：从邻接交叉口车辆轨迹数据中提取当前车道数据，初始化下一周期信号配时并计算下一周期信号配时的分布范围；

步骤六：搭建考虑运动波与出口匝道车辆换道阻塞的多层Q强化学习网络生成下一周期优化的交叉口信号配时策略。

2.根据权利要求1所述的一种快速路出口匝道与邻接交叉口动态信号控制方法，其特征在于，所述步骤二的雷视融合的轨迹数据提取方法中，基于道路空间占有率的分级融合策略具体步骤包括：S21：计算道路空间占有率 ，并根据历史数据设置占有率阈值 ；

S22: 当 时，采用节省算力的决策级融合策略：

在图像层面，对于单源数据的漏检目标，采用双源并集策略补全；

在视频轨迹层面，对于双源数据均检测到的目标，采用目标运动学时变幅度小的检测结果作为融合后的目标位置；

对于同一目标轨迹不一致情况，根据轨迹采样点欧氏距离变化溯源差异帧，并进行图像层面的双源融合，筛选出真实的目标轨迹；

S23：系统算力能够匹配融合运算量，采用保留双源信息较多的像素级融合策略，根据视频轨迹提取方法计算融合图像中车辆目标轨迹。

3.根据权利要求2所述的一种快速路出口匝道与邻接交叉口动态信号控制方法，其特征在于，所述步骤二中的雷视融合的轨迹数据提取方法中，获取视频数据中车辆轨迹的步骤包括：S31：对当前帧图像中的每一个目标检测框，计算与下一帧中所有检测框的C‑IoU，获得基于目标位置的上层关联信息；

S32：对当前帧图像中的每一个目标检测框，根据初始速度计算与后N帧中预测检测框的速信比，获得基于目标移动与真实性的下层关联信息；

S34：计算基于双层关联信息对的目标关联度与修正矢量，匹配相邻帧中同一目标车辆的检测框，并根据修正矢量改进检测框位置；

S35：匹配视频数据中所有目标检测框信息，生成车辆轨迹，并基于五次多项式曲线对轨迹数据去噪，得到平滑的高精度车辆轨迹。

4.根据权利要求1所述的一种快速路出口匝道与邻接交叉口动态信号控制方法，其特征在于，在步骤三中，采用结合点云、图像特征的双源车辆重识别算法，搭建Inception v4网络提取车辆图像骨干特征，设计层次注意力机制模块提取车辆部件特征，融合骨干特征与部件特征得到车辆图像特征；

搭建伪4D‑ResNet网络提取雷达点云车辆特征，提出时空壳相似性约束计算重识别匹配度因子，并根据单源检出率确定视频源、雷达源重识别融合的权重，最终用于匹配快速路出口匝道（1）、地方道路（2）处路段与邻接交叉口（3）前的车辆及其轨迹。

5.根据权利要求4所述的一种快速路出口匝道与邻接交叉口动态信号控制方法，其特征在于，所述步骤三的双源车辆重识别算法中，雷达点云数据的时空壳相似约束与重识别匹配度因子计算具体表示如下：S41：设当前帧目标检测框位置矩阵为 ，某一方向上的邻接目标及位置特征矩阵为 ，若满足：

则 表示的目标为该方向上邻接目标， 与 为i方向上角度阈值；

其中， 分别表示伪4D‑ResNet网络中目标检测框特征点的三维空间坐标和时间维度特征参数， 则表示i方向编号上邻接目标的目标检测框特征点的三维空间坐标、时间维度特征， 为该方向上车辆的特征点位置， ；

S42：当前帧各方向邻接矩阵 与目标帧各方向邻接矩阵

计算皮尔逊相关系数得到特征相关性矩阵 ：

S43：更新相关性矩阵 ，重识别匹配度因子 计算方法为：S44：对于候选目标k，取 最大的目标为雷达点云重识别匹配结果。

6.根据权利要求1所述的一种快速路出口匝道与邻接交叉口动态信号控制方法，其特征在于，所述步骤五中下一周期信号配时分布范围为[α‑θ,α+θ]，其中，初始化配时α与信号偏移量θ的计算方法如下：其中， 为当前周期的信号配时参数， 为历史周期信号配时参数均值， 为编号i的配时参数在历史样本序号c中的值，n为历史样本总数。

7.根据权利要求1所述的一种快速路出口匝道与邻接交叉口动态信号控制方法，其特征在于，在步骤六中，根据对抗网络预测快速路出口匝道（1）、地方道路（2）处车辆到达邻接交叉口（3）处时的车辆轨迹，融合宏微观交通视角，搭建考虑运动波与出口匝道车辆换道阻塞的多层Q强化学习网络生成下一周期优化的交叉口信号配时策略；

在强化学习网络中，绘制交叉口车流时空轨迹图，提取车流运动波波速、车辆空间占有率及积分碰撞时间作为宏观参数，分车道提取车辆平均燃耗及平均中心线偏差作为微观参数，加入当前交叉口信号配时方案以生成强化学习网络状态集，以下一周期信号配时方案作为强化学习网络动作集；

根据出口匝道与地面车道的峰值排队长度计算交叉口进口不平衡率，设置阈值将进口不平衡率分级为低、中、高三层；不平衡率低时以出口匝道通行量最大为目标，不平衡率中时以总通行量最大为目标，不平衡率高时以地面车道通行量最大为目标，生成强化学习网络奖励集。

8.根据权利要求7所述的一种快速路出口匝道与邻接交叉口动态信号控制方法，其特征在于，所述步骤六的多层Q强化学习网络具体搭建步骤包括：S61：确定邻接交叉口控制区域状态集S=[ ]， ，状态集参数均从预测的邻接交叉口车辆轨迹提取；

确定控制区域动作集A=[a]，表示下一阶段交叉口采用的相位；

确定控制区域奖励集R=[ ]

S62：搭建DQN卷积神经网络模型，以状态集S、动作集A作为输入，奖励集R作为预期输出，确定期望回报函数 ：状态变化后期望回报函数更新为：

；

其中 ，表示折扣因子，T为终止时间， 为状态 时采取行动 获得的奖励，为学习率，i为奖励集状态；

S63：收集邻接交叉口（3）的动作与输出 构建强化学习网络训练集与测试集，存储至网络经验回收池，下一次训练网络时，通过皮尔逊相关系数选取回收池中与当前状态相关度高的训练样本进行训练，提升信号控制效果；

S64：在线训练强化学习网络，获取下一阶段邻接交叉口采取的信号控制策略。

说明书

一种快速路出口匝道与邻接交叉口动态信号控制方法

技术领域

[0001] 本发明涉及交通信号管控领域，具体为一种快速路出口匝道与邻接交叉口动态信号控制方法。

背景技术

[0002] 随着计算机水平不断提升，人工智能与深度学习技术不断发展，交通信息感知技术日益精进，利用交叉口微观数据实现自适应交通信号控制成为可能。城市快速路相对而言是一个封闭系统，其通过出入口匝道与普通道路相连，其中出口匝道及其邻接交叉口是整个道路系统的关键点，是导致快速路拥堵的瓶颈点之一。充分利用快速路出口匝道与地面车道车辆数据，预测交叉口车辆状态并结合交叉口实时检测的信息数据，建立宏微观结合的数据驱动型自适应控制算法，能够极大提升快速路出口匝道邻接交叉口信号控制的自适应性能，提高交通网络通行效率并缓解拥挤。

[0003] 基于重识别的车辆轨迹预测是一种可行有效的交通信息感知技术。已有研究中，中国专利CN202010645344.3公开了一种基于单目视频重识别的车辆检测与跟踪方法，中国专利CN201811465318.1公开了一种基于行人重识别的轨迹预测方法，但现有方法局限于可见光传感器采集到的视频数据，普遍存在漏检、误检率高的现象，加入雷达等多传感器就融合的重识别与轨迹预测研究还尚未成熟。

[0004] 基于强化学习的交叉口信号控制是一种可行有效的自适应信号控制算法。已有研究中，中国专利202110863361以匝道交叉口单点自适应信号控制优化为目标，建立SARSA强化学习模型生成信号控制策略，中国专利202010978481采用深度强化学习网络实现交通信号控制，并通过近段策略优化与广义优势估计技术提升了模型整体性能。总体来说，现有研究采用强化学习对单点交叉口的信号控制取得了一定的效果，但是受到交通信息采集方式限制，少有研究采用交叉口微观交通信息作为强化学习的状态集输入，基于微观交通信息的交通信号控制研究还不成熟。为此，我们提供一种快速路出口匝道与邻接交叉口动态信号控制方法。

发明内容

[0005] 为了克服现有技术的不足，本发明提出了一种快速路出口匝道与邻接交叉口动态信号控制方法，该方法首先通过神经网络与重识别算法提取并融合雷达与视频采集的地面车道与匝道出口处高精度车辆轨迹，接着采用生成式对抗网络预测下一相位邻接交叉口处车辆轨迹，最后提取交叉口车辆轨迹宏微观特征，带入考虑运动波与出口匝道车辆换道阻塞的多层Q强化学习网络中，在线训练生成下一周期交叉口信号配时策略，优化快速路出口匝道邻接交叉口的信号配时，提高交叉口通行量并缓解拥堵问题。

[0006] 本发明可以通过以下技术方案实现：一种快速路出口匝道与邻接交叉口动态信号控制方法，包括如下步骤：

[0007] 步骤一：获取交通流数据，利用雷视一体监控设备，获取快速路匝道出口，地方道路及邻接交叉口路段的车流视频、雷达点云数据；

[0008] 步骤二：基于道路空间占有率的分级融合策略，提取雷视融合的轨迹数据；

[0009] 步骤三：构建结合点云、图像特征的双源数据车辆重识别算法匹配车辆在匝道出口、地面车道处与邻接交叉口处的轨迹；

[0010] 步骤四：搭建基于梯度惩罚的生成式对抗网络预测邻接交叉口下一周期车辆轨迹；

[0011] 步骤五：从邻接交叉口车辆轨迹数据中提取当前车道数据，初始化下一周期信号配时并计算下一周期信号配时的分布范围；

[0012] 步骤六：搭建考虑运动波与出口匝道车辆换道阻塞的多层Q强化学习网络生成下一周期优化的交叉口信号配时策略。

[0013] 本发明的进一步技术改进在于：所述步骤二的雷视融合的轨迹数据提取方法中，基于道路空间占有率的分级融合策略具体步骤包括：

[0014] S21：计算道路空间占有率RS，并根据历史数据设置占有率阈值RST；

[0015] S22：当RS＞RST时，采用节省算力的决策级融合策略：

[0016] 在图像层面，对于单源数据的漏检目标，采用双源并集策略补全；

[0017] 在视频轨迹层面，对于双源数据均检测到的目标，采用目标运动学时变幅度小的检测结果作为融合后的目标位置；

[0018] 对于同一目标轨迹不一致情况，根据轨迹采样点欧氏距离变化溯源差异帧，并进行图像层面的双源融合，筛选出真实的目标轨迹；

[0019] S23：系统算力能够匹配融合运算量，采用保留双源信息较多的像素级图像融合，根据视频轨迹提取方法计算融合图像中车辆目标轨迹。

[0020] 本发明的进一步技术改进在于：所述决策级融合策略采用混沌粒子群神经模糊网络分割雷达点云数据，并通过CRE算法进行点云特征提取与分类，获得各路段雷达数据的车辆轨迹；采用U‑SEAM目标检测神经网络+双层数据关联算法提取视频数据中各路段车辆轨迹，通过Attention‑SIFT算法标定视频与雷达坐标系，实现轨迹融合，此策略适合道路空间占有率较大的情况，可以节省算力；

[0021] 所述像素级融合，使用改进的NSCT变换获得雷达点云图像增强的视频数据，并采用U‑SEAM目标检测神经网络+双层数据关联算法提取融合图像下高精度车辆轨迹，此策略适合道路空间占有率较小的情况，可以实现高精度。

[0022] 本发明的进一步技术改进在于：所述步骤二中的雷视融合的轨迹数据提取方法中，获取视频数据中车辆轨迹的步骤包括：

[0023] S31：对当前帧图像中的每一个目标检测框，计算与下一帧中所有检测框的C‑IoU，获得基于目标位置的上层关联信息；

[0024] S32：对当前帧图像中的每一个目标检测框，根据初始速度计算与后N帧中预测检测框的速信比，获得基于目标移动与真实性的下层关联信息；

[0025] S34：计算基于双层关联信息对的目标关联度与修正矢量，匹配相邻帧中同一目标车辆的检测框，并根据修正矢量改进检测框位置；

[0026] S35：匹配视频数据中所有目标检测框信息，生成车辆轨迹，并基于五次多项式曲线对轨迹数据去噪，得到平滑的高精度车辆轨迹。

[0027] 本发明的进一步技术改进在于：在步骤三中，采用结合点云、图像特征的双源车辆重识别算法，搭建Inception v4网络提取车辆图像骨干特征，设计层次注意力机制模块提取车辆部件特征，融合骨干特征与部件特征得到车辆图像特征；

[0028] 搭建伪4D‑ResNet网络提取雷达点云车辆特征，提出时空壳相似性约束计算重识别匹配度因子，以增加重识别匹配准确度；提高检出阈值以降低重识别网络误检率，并根据单源检出率确定视频源、雷达源重识别融合的权重，最终用于匹配快速路出口匝道、地方道路处路段与处邻接交叉口前的车辆及其轨迹；

[0029] 本发明的进一步技术改进在于：所述步骤三的双源车辆重识别算法中，雷达点云数据的时空壳相似约束与重识别匹配度因子计算具体表示如下：

[0030] S41：设当前帧目标检测框位置矩阵为Ve0＝[x0，y0，h0，w0]，某一方向上的邻接目标及位置特征矩阵为Vei＝[xi，yi，hi，wi，T1，i，T2，i…，Tk，i]，若满足：

[0031]

[0032]

[0033] 则Vei表示的目标为该方向上邻接目标，θil与θir为i方向上角度阈值；

[0034] S42：当前帧各方向邻接矩阵{Ve1，Ve2，...Vei，...Ve8}与目标帧各方向邻接矩阵{ye1，Ve2，...Vej，...Ve8}计算皮尔逊相关系数得到特征相关性矩阵Crk：

[0035]

[0036]

[0037] S43：更新相关性矩阵Crk，重识别匹配度因子Rmk计算方法为：

[0038]

[0039] S44：对于候选目标k，取Rmk最大的目标为雷达点云重识别匹配结果。

[0040] 本发明的进一步技术改进在于：所述步骤五的信号偏移量θ计算步骤如下：

[0041]

[0042] 其中， 为编号i的配时参数在历史样本序号c中的值，n为历史样本总数。

[0043] 本发明的进一步技术改进在于：在步骤六中，根据对抗网络预测快速路出口匝道、地方道路处车辆到达邻接交叉口处时的车辆轨迹，融合宏微观交通视角，搭建考虑运动波与出口匝道车辆换道阻塞的多层Q强化学习网络生成下一周期优化的交叉口信号配时策略；

[0044] 在强化学习网络中，绘制交叉口车流时空轨迹图，提取车流运动波波速、车辆空间占有率及积分碰撞时间作为宏观参数，分车道提取车辆平均燃耗及平均中心线偏差作为微观参数，加入当前交叉口信号配时方案以生成强化学习网络状态集，以下一周期信号配时方案作为强化学习网络动作集；

[0045] 根据出口匝道与地面车道的峰值排队长度计算交叉口进口不平衡率，设置阈值将进口不平衡率分级为低、中、高三层；不平衡率低时以出口匝道通行量最大为目标，不平衡率中时以总通行量最大为目标，不平衡率高时以地面车道通行量最大为目标，生成强化学习网络奖励集，以防止出口匝道或地面车道出现超长排队现象并缓解拥堵。

[0046] 本发明的进一步技术改进在于：所述步骤六的多层Q强化学习网络具体搭建步骤包括：

[0047] S61：确定邻接交叉口控制区域状态集 n∈{a，i}，j∈{1，2，3}，状态集参数均从预测的邻接交叉口车辆轨迹提取；

[0048] 确定控制区域动作集A＝[a]，表示下一阶段交叉口采用的相位；

[0049] 确定控制区域奖励集R＝[ri]

[0050] S62：搭建DQN卷积神经网络模型，以状态集S、动作集A作为输入，奖励集R作为预期输出，确定期望回报函数Q(st，at)：

[0051]

[0052] 状态变化后期望回报函数更新为：

[0053]

[0054] S63：收集邻接交叉口(3)的动作与输出{S，A，R，S′}构建强化学习网络训练集与测试集，存储至网络经验回收池，下一次训练网络时，通过皮尔逊相关系数选取回收池中与当前状态相关度高的训练样本进行训练，提升信号控制效果；

[0055] S64：在线训练强化学习网络，获取下一阶段邻接交叉口采取的信号控制策略。

[0056] 与现有技术相比，本发明具备以下有益效果：

[0057] 1、本发明将车辆轨迹与微观交通流参数引入交叉口交通信号控制理论中，针对出口匝道邻接交叉口的交通情景，采用考虑运动波与出口匝道车辆换道阻塞的多层Q强化学习网络在线生成基于实时车辆轨迹的交叉口信号控制策略，能够有效提升该情景下匝道出口及交叉口通行效率，并缓解匝道出口与地面车道拥堵情况，为自适应信号控制研究提供了新思路。

[0058] 2、本发明提出了一种基于重识别与双源数据融合的车辆轨迹预测方法，在使用视频数据提取车辆轨迹步骤中提出了一种双层数据关联的轨迹生成算法，关联车辆目标的时空约束以生成更加精确的候选目标筛除策略，降低了轨迹生成的误关联率；在雷达视频轨迹融合步骤中，考虑整体技术框架算力，提出了一种基于空间占有率的分级融合策略，在不降低轨迹提取精度的情况下，保证了目标轨迹与信号控制策略生成的实时性；在轨迹重识别步骤中，提出了一种时空壳相似性约束，引入目标车辆周围车辆的相速度信息增加重识别准确率。以上内容在本发明车辆轨迹预测算法的不同层面增加了算法输入的信息量与信息类别，在保证算法框架实时性的基础上，最大限度提升了算法的准确率，降低漏判与误判，为后续的交通信号控制提供了坚实的数据基础。

[0059] 3、本发明将双源数据融合应用到了信号控制中，在传统信号控制算法仅使用环路检测器数据计算信控策略的基础上，加入了信息更为丰富，采样频率更高的雷达与视频数据，为智能交通一体化与车路协同提供了一种有效可行的解决方案。

附图说明

[0060] 为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

[0061] 图1为本发明的总体技术流程图；

[0062] 图2为本发明的快速路出口匝道与地面道路邻接交叉口示意图；

[0063] 图3为本发明的U‑SEAM目标检测神经网络框架图；

[0064] 图4为本发明的Inception v4部件检测网络框架图；

[0065] 图5为本发明的伪4D‑ResNet网络框架图；

[0066] 图6为本发明的多层Q强化学习网络框架图。

[0067] 图中：1、快速路出口匝道；2、地方道路；3、邻接交叉口。

具体实施方式

[0068] 为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。

[0069] 请参阅图1‑6所示，一种入口匝道网联人工驾驶车辆汇入主线协同控制方法，包括如下步骤：

[0070] 步骤1：交通流数据获取，在图2中快速路出口匝道1、地方道路2上与快速路出口匝道1同距处、邻接交叉口3处分别布设雷视一体监控设备，获取快速路匝道出口，地方道路及邻接交叉路段的车流视频、雷达点云数据。

[0071] 步骤2：雷视融合的轨迹数据提取，具体包括为：

[0072] 计算道路空间占有率RS，并根据历史数据设置占有率阈值RST，当RS＞RST时采用决策级融合策略，当RS≤RST时采用像素级融合策略；

[0073] 其中，空间占有率Rs计算方法如下：

[0074]

[0075] 该计算式中，L为观测道路总长度，Li为第i辆车长度，n为该路段车辆数；需要说明的是，占有率阈值RST应参考实地设备算力，取轨迹提取框架数据处理频率等于20fps时的相关道路空间占有率为RST。

[0076] 上述的决策级融合策略包括如下步骤：

[0077] S2.1.1、获取雷达点云中车辆轨迹数据，搭建SOFM模糊神经网络用于分割雷达点云，提取雷达点云波核特征Xk，k＝1，2，...n，给定迭代结束的loss阈值ε，给定分类个数c，并初始化聚类中心：

[0078]

[0079] 其中，波核特征计算方法如下：

[0080]

[0081] 该计算式中，λk为波核特征函数的第k个特征值， 为其特征向量，e为时间参数。

[0082] 计算t次训练时，第k个特征向量Xk关于第i个聚类中心 的隶属度：

[0083]

[0084] 其中， 满足下列约束：

[0085]

[0086] 计算学习率：

[0087]

[0088]

[0089] 其中m为隶属指数，取m0为初始值，t→∞时，m(t)→1。

[0090] 更新权矢量：

[0091]

[0092] 计算loss：

[0093] Et＝||vt‑vt‑1||A

[0094] 若Et≤ε，则训练结束，输出分割结果，否则返回继续训练；

[0095] 针对模糊神经网络中超参ε，c，m0，采用混沌粒子群算法进行参数寻优：

[0096]

[0097] 其中， 为D维特征目标解空间中粒子i的位置，本实施例中D取3， 为粒子i飞行速度， 为粒子i经历的最好位置，即个体极值， 为所有粒子经
历的最好位置，即全局极值；

[0098] 采用寻优后的超参生成改进的模糊神经网络，训练特征向量以获得精确的点云分割结果；

[0099] 对分割后的每块点云簇，提取14维车辆目标特征如表1：

[0100] 表1 雷达点云车辆目标特征表

[0101]

[0102] 其中，f10，f11，f12特征计算方式如下：

[0103]

[0104] A为点云簇值矩阵，B为A的3×3协方差矩阵，f10，f11，f12为对B特征分解计算出的特征值；

[0105] 其中，f13，f14可通过上一次采样的雷达目标检测结果获得；

[0106] 将14维点云目标特征带入CRE分类器中，对第i维特征，计算：

[0107]

[0108] 其中，损失函数L(yi，F(x))为：

[0109]

[0110] 生成最大节点数m，生长速率v，最小父节点尺寸nu的分类树，计算：

[0111]

[0112] 更新Fm(x)直到达到m迭代次数为止：

[0113]

[0114] 对分类树超参m，v，nu，使用贝叶斯优化算法进行参数寻优；

[0115] 将f1至f12维特征带入寻优后的分类树得到单次采样点云簇中车辆目标的分类结果；

[0116] 在相邻帧中引入f13，f14特征得到目标车辆在每次采样中的位置，连接所有采样中目标车辆位置得到目标车辆在雷达数据中的时空运动轨迹。

[0117] S2.1.2、获取视频数据中车辆轨迹，搭建U‑SEAM神经网络检测视频数据每帧图像中车辆位置与大小；

[0118] 获取对应路段历史视频数据检测结果，对视频中单帧图像进行像素级标注，生成训练集与测试集；

[0119] 对训练集图像进行水平旋转、反转、转置、平移、裁剪操作，生成训练集扩充样本，作为网络输入训练U‑SEAM神经网络，网络框架如图3所示；

[0120] 在训练过程中，U‑SEAM网络获取每次训练后网络预测的目标位置矩阵与真值矩阵，计算softmax损失函数值，优化网络参数，其中softmax函数如下：

[0121]

[0122] Si为softmax函数值，i为U‑SEAM网络在分类器前的输出值，j为输出值总数；

[0123] 对测试集检测结果，采用F‑score估计预测误差：

[0124]

[0125]

[0126]

[0127] 其中，TP表示检测结果中正检目标数量，FP表示检测结果中误检目标数量，FN表示检测结果中漏检目标数量；

[0128] 将视频数据输入训练完成后的U‑SEAM网络，获取单帧图像中所有车辆目标的位置信息，即左上角点坐标和外接矩形长宽{x，y，h，w}，采用双层数据关联算法获取视频数据中车辆轨迹；

[0129] 对当前帧图像中的每一个目标检测框，计算与下一帧中所有检测框的C‑IoU，获得基于目标位置的上层关联信息，其中C‑IoU计算方法如下：

[0130]

[0131]

[0132]

[0133]

[0134] A、B为当前目标检测框与下一帧某一检测框的位置信息，b、bgt为A、B检测框中心点，ρ为A、B中心点欧氏距离；

[0135] 对当前帧图像中的每一个目标检测框，根据初始速度V0计算与后N帧中预测检测框的速信比，获得基于目标移动与真实性的下层关联信息。速信比VTi的计算方法如下：

[0136]

[0137] 与Tn为预测检测框在目标检测神经网络的置信度，b0为当前帧检测框中心点，n为N帧内预测检测框编号；

[0138] 计算基于双层关联信息对的目标关联度与修正矢量，匹配相邻帧中同一目标车辆的检测框，并根据修正矢量改进检测框位置。目标关联度COi与修正矢量Fxi的计算方法为：

[0139]

[0140]

[0141] 其中，NT为N最大值，即算法跃帧预测的极限值，本实施例中设为5，COi∈(1，∞)；

[0142] 匹配视频数据中所有目标检测框信息，生成车辆轨迹，并基于5次多项式曲线对轨迹数据去噪，得到平滑的高精度车辆轨迹。

[0143] S2.1.3、雷达视频轨迹融合，采用Attention‑SIFT算法标定视频与雷达坐标系，获取三维雷达点云数据在视频采集器视角下的二维映射，根据SIFT特征进行图像与点云角点检测，得到双源初始特征描述子；引入注意力机制，采用基于自我注意与交叉注意的消息传递方式提取双源数据中的关键点并通过注意力聚焦形成关键区域，在单源关键区域中融合初始特征点与关键点生成该源数据下改进的特征描述子，对双源改进特征描述子进行形位匹配得到雷达与视频坐标系的转换参数。其中，注意力机制的实现参考以下消息传递公式进行：

[0144]

[0145]

[0146] MLP为多层感知机模型， 为SIFT特征在视频数据中的描述， 为SIFT特征在雷达数据中的描述，wij为利用softmax获取的特征相似度，vj为特征值；

[0147] 根据补漏查重的融合思想，在图像层面，对于单源数据的漏检目标，采用双源并集策略补全，即以视频数据为目标融合数据，对于某目标在视频数据中某帧的漏检，若雷达数据检测到了该帧中的目标，则将雷达数据中目标位置通过坐标系转换参数转换至视频数据中；

[0148] 在视频轨迹层面，对于双源数据均检测到的目标，采用目标运动学时变幅度小的检测结果作为融合后的目标位置，对于同一目标轨迹不一致情况，根据轨迹采样点欧氏距离变化溯源差异帧，并进行图像层面的双源融合，筛选出真实的目标轨迹。

[0149] 上述像素级融合策略包括如下步骤：

[0150] S2.2.1、对双源图像进行NSCT分解，获得相应低频系数 与高频子带系数其中Is为雷达点云数据，Iv为视频图像数据；

[0151] S2.2.2、在高频带采用区域能量最大融合规则获得高频融合结果：

[0152]

[0153]

[0154] 为点云、图像对应点高频分量，Ej，r(x，y)为高频子块区域能量；

[0155] S2.2.3、在低频带使用Top‑Hat变换获得低频融合系数 计算参考下式进行：

[0156]

[0157]

[0158] PBIF(x，y)与PDIF(x，y)为双源图像的显著化亮、暗细节特征，Rr(x，y)为视频图像数据在点云数据中映射的目标转换区域， 为点云、图像对应点低频分量；

[0159] S2.2.4、最后进行NSCT逆变换得到融合图像；

[0160] S2.2.5、根据S2.1.2中视频轨迹提取方法，提取融合图像中车辆轨迹。

[0161] 步骤3：构建结合点云、图像特征的双源数据车辆重识别算法匹配车辆在匝道出口、地面车道处与邻接交叉口处的轨迹，具体步骤如下：

[0162] S3.1、提取视频数据中车辆图像特征，具体步骤如下：

[0163] S3.1.1、在决策级融合策略中获取的视频图像车辆数据集中，提取所有采集地点中同一车辆的位置生成重识别训练集与测试集单元，将用于重识别的视频图像车辆训练集输入Inception v4网络中训练，在Inception v4网络分类器后加入基于K‑means均值聚类的预选框模块提高分类结果尺寸精度，获得图像中的车辆骨干特征；

[0164] S3.1.2、标注车辆的引擎盖、挡风玻璃、前车门、后视镜、侧车身及车顶获得车辆部件训练集与测试集，更改Inception v4网络，将Inception‑A与Inception‑C特征图同时输入平均池化层，以最大程度保留训练图像中车辆部件类小特征的信息，经过两个全连接层后送入分类器，获得Inception v4部件检测网络，网络结构如图4所示；将车辆部件训练集输入部件检测网络，根据Softmax loss函数优化网络参数，利用训练好的部件检测网络检测视频数据中车辆的六种部件特征；根据车辆结构，以骨干特征重心为中心，计算各特征重心相对位置并加入特征描述，融合骨干特征描述与部件特征描述得到车辆图像特征；

[0165] S3.2、提取雷达数据中车辆点云特征，具体步骤如下：

[0166] S3.2.1、在传统2D‑ResNet中膨胀内核升维，生成表征空间三维的3D‑ResNet，在平均池化层后对特征图进行定向投影降维，并加入时间维度特征参数补充维度，之后进行二次全局池化，获得包含时间维度的三维特征图并放入分类器中进行特征识别，由此建立使用三维空间点云特征和一维时间特征的伪4D‑ResNet，网络框架如图5所示；

[0167] S3.2.2、在决策级融合策略中获取的雷达点云数据集中，提取所有采集地点中同一车辆的位置生成重识别训练集与测试集单元，将用于重识别的点云图像车辆训练集输入伪4D‑ResNet网络中训练，获得参数优化的伪4D‑ResNet网络用于点云车辆重识别。

[0168] S3.2.3、设当前帧目标检测框位置矩阵为Ve0＝[x0，y0，h0，w0]，某一方向上的邻接目标及位置特征矩阵为Vei＝[xi，yi，hi，wi，T1，i，T2，i...，Tk，i]，其中Tk，i为该方向上车辆特征点位置，i∈[1，2...，8]为方向编号；

[0169] 若满足：

[0170]

[0171]

[0172] 则Vei表示的目标为该方向上邻接目标，θil与θir为i方向上角度阈值，取(45*(i‑1))°和(45i)°；

[0173] 当前帧各方向邻接矩阵{Ve1，Ve2，...Vei，...Ve8}与目标帧各方向邻接矩阵{Ve1，Ve2，...Vej，...Ve8}计算皮尔逊相关系数得到特征相关性矩阵Crk：

[0174]

[0175]

[0176] 更新相关性矩阵Crk，重识别匹配度因子Rmk计算方法为：

[0177]

[0178] 对于候选目标k，取Rmk最大的目标为雷达点云重识别匹配结果。

[0179] S3.3、双源重识别结果融合，计算单源检出率Di与双源重识别结果权重Fi：

[0180]

[0181]

[0182] 其中i，j∈{v，r}，v代表视频源数据，r代表雷达源数据，TP表示单源数据正检率，FP表示单源数据漏检率；

[0183] 对于同一目标的雷达与视频重识别轨迹结果Tkr、Tkv，计算双源数据重识别轨迹相似度Sm：

[0184]

[0185]

[0186]

[0187] 其中Tkf表示f帧下轨迹采样点的位置信息，F为轨迹采样点总数ρ2(x，y)为两点间欧氏距离；

[0188] 重识别融合轨迹Tkf的计算方法如下：

[0189]

[0190]

[0191] 步骤4：搭建基于梯度惩罚的生成式对抗网络预测邻接交叉口下一周期车辆轨迹，具体步骤如下：

[0192] S4.1、数据预处理：

[0193] 以图2中快速路出口匝道1、地方道路2处提取的车辆轨迹作为训练集中的数据输入，邻接交叉口3处重识别获得的车辆轨迹作为训练集中的真实输出，统一轨迹长度为训练集中最长轨迹长度，对轨迹长度不足的训练样本在尾部补0；

[0194] S4.2、网络构造：

[0195] 建立生成器模型G，判别器模型D，构造加入梯度惩罚的约束函数L：

[0196]

[0197]

[0198] 其中x为输入轨迹， 为生成器随机生成的轨迹，D(x)为轨迹真实概率，E(x)为概率期望，θ∈[0，1]为随机数；

[0199] S4.3、计算生成器与判别器损失函数：

[0200]

[0201]

[0202] S4.4、将训练集样本带入对抗网络中训练，生成优化的网络权重，以预测下一周期邻接交叉口车辆轨迹。

[0203] 步骤5：初始化下一周期信号配时并计算下一周期信号配时分布范围，初始化配时α与信号偏移量θ的计算方法为：

[0204]

[0205]

[0206] 其中，α0为当前周期的信号配时参数， 为历史周期信号配时参数均值， 为编号i的配时参数在历史样本序号c中的值，n为历史样本总数；

[0207] 则下一周期信号配时分布范围为[α‑θ，α+θ]。

[0208] 步骤6：搭建考虑运动波与出口匝道车辆换道阻塞的多层Q强化学习网络生成下一周期优化的交叉口信号配时策略，具体步骤如下：

[0209] S6.1、确定邻接交叉口控制区域状态集 n∈{a，i}，j∈{1，2，3}，状态集参数均从预测的邻接交叉口车辆轨迹提取，其中状态集宏观参数 包括 车流运动波波速，车辆空间占有率及 积分碰撞时间，状态集微观参数 包括 车辆平均燃耗及 平均中心线偏差。各参数计算方式如下：

[0210]

[0211] 其中P为最小可觉差，本文取0.2，ττ为驾驶员平均反应时间，本文取0.7s，Δv为运动波内头车与尾车速度差，N为交叉口车辆数， 为交叉口车队平均长度；

[0212]

[0213] 其中L为观测道路总长度，Li为第i辆车长度，n为该路段车辆数；

[0214]

[0215]

[0216] 其中TTC*为碰撞时间安全临界值，本文取3s，xi‑1(f)‑xi(f)为第f帧前后车x轴距离，hi‑1为前车车长，vi(f)、vi‑1(f)为前后车速度；

[0217]

[0218] 其中v、a为目标车辆当前帧下的速度与加速度，Kij(a)受不同汽车种类影响，本实施例中取经验数据表2：

[0219] 表2 K因子参数表

[0220]

[0221]

[0222] 其中，b(f)为目标在f帧的中心点坐标，d(b(f)，Lcen)为目标中心点到所在车道线中心线距离，车道线中心线函数可在固定数据采集设备后手动标注获得，F为目标存在的总帧数；

[0223] 确定控制区域动作集A＝[a]，表示下一阶段交叉口采用的相位；

[0224] 确定控制区域奖励集R＝[ri]，i∈{1，2，3}，其中r1表示出口匝道通行量，r2表示邻接交叉口总通行量，r3表示地面车道通行量；

[0225] S6.2、搭建DQN卷积神经网络模型，网络框架如图6所示，以状态集S、动作集A作为输入，奖励集R作为预期输出，确定期望回报函数Q(st，at)：

[0226]

[0227] 状态变化后期望回报函数更新为：

[0228]

[0229] 其中γ∈(0，1)，表示折扣因子，T为终止时间，ri(sk，ak)为状态sk时采取行动ak获得的奖励，α为学习率，i为奖励集状态；

[0230] 计算当前状态下交叉口进口不平衡率ubt：

[0231]

[0232] 其中cD为地面车道进口车流量，cZ为快速路出口匝道车流量，对于奖励集状态i：

[0233]

[0234] S6.3、收集邻接交叉口的动作与输出{S，A，R，S′}构建强化学习网络训练集与测试集，存储至网络经验回收池，下一次训练网络时，通过皮尔逊相关系数选取回收池中与当前状态相关度高的训练样本进行训练，提升信号控制效果；在线训练强化学习网络，获取下一阶段邻接交叉口采取的信号控制策略。

[0235] 以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。