具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1及图2，图1是本发明实施例提供的基于信息智能分析的信号灯控制方法的流程示意图；图2为本发明实施例提供的基于信息智能分析的信号灯控制方法的应用场景示意图；该基于信息智能分析的信号灯控制方法应用于管理服务器10中，该基于信息智能分析的信号灯控制方法通过安装于管理服务器10中的应用软件进行执行，管理服务器10同时与多个控制终端20及建立网络连接以实现数据信息的传输，具体的，控制终端20与管理服务器10之间可建立无线通信连接(基于4G网络或5G网络)或有线通信连接，每一控制终端20对应控制多个监控探头30及多个信号灯40，控制终端20即是城市中配置于交叉路口并对交叉路口的信号灯40及监控探头30进行控制的终端设备，监控探头30即是城市中配置于交叉路口以对道路路面进行实时监控的信息采集设备，信号灯40即是城市中配置于交叉路口以进行信号显示的设备，管理服务器10即是可从控制终端20获取路面监控信息并进行智能分析获取调控比例信息进行发送的服务器端，如企业或交通部门所构建的服务器。如图1所示，该方法包括步骤S110～S160。

S110、发送预置的监控指令至每一所述控制终端，以根据所述监控指令从每一所述控制终端获取周期性监控所得到的路面监控信息。

发送预置的监控指令至每一所述控制终端，以根据所述监控指令从每一所述控制终端获取周期性监控所得到的路面监控信息。管理服务器可发送监控指令至每一控制终端，控制终端根据接收到的监控指令对路面进行周期性监控，也即是周期性地从控制终端所控制的监控探头中获取监控图像，得到与每一控制终端对应的路面监控信息反馈至管理服务器，管理服务器即可接收每一控制终端进行周期性监控所得到的路面监控信息。其中，路面监控信息可以是图像信息或视频信息。如监控指令中配置的监控间隔时间为2秒，则控制终端每隔2秒从该控制终端所控制的每一监控探头分别获取一张图像或一段视频作为与该控制终端对应的路面监控信息发送至管理服务器，每一监控探头可对交叉路口的一个来车方向进行监控，例如普通交叉路口通常包含4个来车方向，则对应可配置4个监控探头分别监控4个来车方向。

S120、根据预置的图像分析模型对所述路面监控信息进行分析，得到与每一所述控制终端对应的监控分析信息。

根据预置的图像分析模型对所述路面监控信息进行分析，得到与每一所述控制终端对应的监控分析信息。获取到每一控制终端的路面监控信息后，即可对路面监控信息中的图像进行分析，得到每一控制终端的监控分析信息，监控分析信息即为对控制终端的路面监控信息进行分析所得到的路况信息。其中，所述图像分析模型包括轮廓提取规则、特征提取规则及分类神经网络。轮廓提取规则即为对路面监控信息的图像中包含的车辆轮廓进行提取的具体规则，特征提取规则即为对与车辆轮廓对应的特征进行提取的具体规则，分类神经网络即为对车辆轮廓对应的特征进行分类的神经网络。

在一实施例中，如图3所示，步骤S120包括子步骤S121、S122、S123、S124和S125。

S121、根据所述轮廓提取规则从对所述路面监控信息包含的监控图像中提取得到每一所述监控图像对应的图像轮廓信息。

可从路面监控信息中获取监控图像，若路面监控信息中包含图像信息，则直接获取图像信息作为监控图像进行分析，若路面监控信息中包含视频信息，则从每一段视频中截取一帧图像作为对应的监控图像进行分析，监控图像为彩色图像，彩色图像中每一像素点均对应一个RGB像素值，RGB像素值即为像素在R(红色)、G(绿色)、B(蓝色)三个颜色通道分别对应的像素值，像素值的取值范围均为[0,255]以内的整数。轮廓提取规则中包括分割尺寸、有效面积区间。具体的，可对路面监控信息中的监控图像进行灰度处理得到灰度图像，并根据分割尺寸对灰度图像进行分割，得到与每一灰度图像对应的不重叠的多个灰度图像分块，例如，分割尺寸可以是5×5或6×6；计算每一灰度图像分块所包含像素点的灰度均值，以每一灰度图像分块的灰度均值作为预置分别对每一灰度图像分块所包含的像素进行二值化得到对应的二值化图像分块，具体的，可判断灰度图像分块每一像素点的灰度值是否大于该灰度图像分块的灰度均值，若大于则记为“+”，若不大于则记为“-”，每一灰度图像分块可对应得到一个二值化图像分块，将同一灰度图像对应的多个二值化图像分块进行顺序拼接，即可得到每一灰度图像对应的二值化图像。获取二值化图像中正值连通域及负值连通域，并对连通域中像素点的面积(所包含的像素数量)是否位于有效面积区间内进行判断，有效面积区间中的区间极值由最小车辆面积值与最大车辆面积值组合而成，若正值连通域或负值连通域中像素点的面积值处于有效面积区间内，则判断该连通域为有效连通域；若连通域中像素点的面积超出有效面积区间，则可确定连通域对应的像素信息不属于车辆，判断该连通域为无效连通域。获取一张监控图像中所有有效连通域的图像轮廓即可作为该监控图像的图像轮廓信息，则通过上述方法可对应获取到每一监控图像对应的图像轮廓信息。

S122、根据所述图像轮廓信息从每一所述监控图像中提取与图像轮廓信息对应的区域轮廓图像。

一张监控图像对应一份图像轮廓信息，则根据图像轮廓信息中所包含的有效连通域的图像轮廓，从与该图像轮廓信息对应的监控图像中获取区域轮廓图像，也即是根据图像轮廓信息对监控图像中包含的像素进行裁剪，从监控图像中获取与每一有效连通域的图像轮廓对应的区域图像信息作为监控图像的区域轮廓图像。

S123、根据所述特征提取规则从每一所述区域轮廓图像中提取对应的轮廓图像特征信息。

根据特征提取规则从每一区域轮廓图像中包含的区域图像信息进行提取，得到与每一区域轮廓图像对应的轮廓图像特征信息，具体的，特征提取规则中包含多个提取项，通过特征提取规则包含的提取项可从每一区域图像信息中分别提取得到对应的图像颜色、图像尺寸等具体的个体特征信息，每一区域轮廓图像包含的多个区域图像信息对应的个体特征信息即构成区域轮廓图像对应的轮廓图像特征信息。具体的，可根据特征提取规则从区域轮廓图像包含的每一区域图像信息在R、G、B三个颜色通道分别对应的像素平均值(区域图像信息所包含像素在一个颜色通道内对应像素值的平均值)、像素差值(区域图像信息所包含像素在一个颜色通道内对应的最大像素值与最小像素值之间的差值)，以及获取区域轮廓图像包含的每一区域图像信息的区域像素数量、区域横向尺寸(区域内横向尺度所包含像素数量的最大值)、区域纵向尺寸(区域内纵向尺度所包含像素数量的最大值)。

S124、根据所述分类神经网络对每一所述轮廓图像特征信息进行分类，得到每一轮廓图像特征信息对应的分类结果。

可根据分类神经网络对每一轮廓图像特征信息进行分类，以根据分类神经网络对轮廓图像特征信息中每一个体特征信息的具体分类，得到每一轮廓图像特征信息对应的分类结果，在使用分类神经网络之前，还可采用预存的训练数据集进行训练，得到训练后的分类神经网络进行使用。具体的，分类神经网络可以是基于人工智能所构建的神经网络，分类神经网络可由一个输入层、多个中间层及一个输出层组成，输入层与首个中间层之间、中间层与前后相邻的其他中间层之间、末尾中间层与输出层之间均通过关联公式进行关联，例如某一关联公式可表示为y＝p×x+q，p和q即为该关联公式中的参数值。输入层中包含的输入节点的数量与特征提取规则所包含的提取项的数量相等，一张区域轮廓图像中包含多个区域图像信息，每一区域图像信息对应一份个体特征信息，则一张区域轮廓图像中每一区域图像信息对应的个体特征信息中的每一个数值均与一个输入节点相对应，输出层包含多个输出节点，每一输出节点均与一个车型分类相对应，车型分类可以是普通小汽车、普通中型车、公交车、大客车、警车、救护车、消防车、出租车等。将一个区域轮廓图像所包含的每一区域图像信息对应的个体特征信息依次输入分类神经网络进行智能分析，即可从其输出层获取所输出的分析信息，根据分析信息即可确定与每一区域图像信息对应的具体分类，每一区域轮廓图像所包含的区域图像信息的具体分类即构成该区域轮廓图像的分类结果。

S125、对每一所述控制终端对应的监控图像所包含的轮廓图像特征信息的分类结果进行统计，得到每一所述控制终端对应的监控分析信息。

可对一个控制终端对应的轮廓图像特征信息的分类结果进行统计，得到每一控制终端对应的监控分析信息，具体的，可根据分类结果对控制终端所对应的每一车辆类型的车流量进行统计，得到对应的时序性监控分析信息。

在一实施例中，如图4所示，步骤S125包括子步骤S1251、S1252、S1253和S1254。

S1251、根据所述分类结果对每一所述控制终端在预设单位时间段内包含的轮廓图像特征信息进行分类统计，得到对应的初始统计信息。

可根据分类结果统计对每一控制终端在预设单位时间段内所包含的轮廓图像特征信息进行分类统计，具体的，与控制终端对应的一张监控图像对一个来车方向进行监控，则一张监控图像中包含至少一个车道的车流信息，每一个车道可对应一个或多个行车方向，如车道可仅包含“直行”一个行车方向，也可包含“直行和左转”两个行车方向，一张监控图像对应一个轮廓图像特征信息的分类结果，则可根据轮廓图像特征信息的分类结果统计单位时间段内每一控制终端对应的交叉路口在每一行车方向上的车流量，若一个车道仅包含一个行车方向，则对同一行车方向上多个车道上的车流量进行综合统计，若一个车道中包含两个或多个行车方向，则根据行车方向的数量对该车道上的车流量进行平均计算。

如预设单位时间段为6秒，则可获取每一控制终端在6秒内所对应的轮廓图像特征信息的分类结果，并基于分类结果统计在每一行车方向上每一车辆类型的车流量，某一车道包含“直行和左转”两个行车方向，该车道在6秒内的车流量为35，则进行平均后得到6秒内该车道在“直行”方向的车流量为17.5，6秒内该车道在“左转”方向的车流量为17.5。

S1252、判断每一所述控制终端的连续两张所述监控图像中是否包含相似的个体特征信息。

对连续两张监控图像对应的轮廓图像特征信息中是否包含重复的个体特征信息进行判断，具体的，可获取从连续两张监控图像中分别获取两份个体特征信息，基于相似度计算公式对两份个体特征信息进行计算得到对应的相似度值，并判断相似度值是否大于相似度阈值，若判断结果为大于则判定两份个体特征信息相似，若判断结果为不大于，则两份个体特征信息不相似。例如，相似度阈值可配置为0.85。

例如，相似度计算公式可采用公式(1)进行表示：

其中，f_i为第一份个体特征信息中包含的第i个数值，f_i为第二份个体特征信息中包含的第i个数值，N为个体特征信息中包含的数值总数。

S1253、若所述控制终端的连续两张所述监控图像包含相似的个体特征信息，将所述相似的个体特征信息从所述控制终端对应的初始统计信息中剔除得到对应的监控分析信息；S1254、若所述控制终端的任意连续两张监控图像均不包含相似的个体特征信息，将所述控制终端的初始统计信息作为对应的监控分析信息。

连续两张所述监控图像中可能同时拍到同一车辆，若控制终端的连续两张所述监控图像包含相似的个体征信息，则表明相似的个体特征信息为同一车辆的个体特征信息，则需要将相似的个体特征信息的重复统计的数量从对应初始统计信息中从进行剔除，以避免在初始统计信息中对同一个体特征信息进行重复统计。同一控制终端对应的两份个体特征信息相似，则将初始统计信息中相应数值减一。对初始统计信息中重复统计的数量进行剔除后，即可得到对应的监控分析信息，例如，所得到的某一控制终端对应的监控分析信息如表1所示。

表1

若控制终端的任意连续两张监控图像均不包含相似的个体特征信息，则直接将该控制终端的初始统计信息作为监控分析信息。获取每一控制终端在多个连续统计单位时间段的监控分析信息，即可得到每一控制终端的时序性监控分析信息。

S130、根据预存的基础路网地图从所述监控分析信息中获取与所述基础路网地图中每一路网节点对应的节点基础信息。

根据预存的基础路网地图从所述监控分析信息中获取与所述基础路网地图中每一路网节点对应的节点基础信息。基础路网地图为管理服务器中预先存储的地图，如城市整体的交通路网图，或城市局部的交通路网图。可根据基础路网地图从监控分析信息中获取基础路网地图中每一路网节点对应的节点基础信息，每一路网节点即对应真实道路中的一个交叉路口，节点基础信息即为对每一路网节点的基础交通信息进行记载的信息，通过节点基础信息即可反映对应的一个交叉路口的基础交通状况。

在一实施例中，如图5所示，步骤S130包括子步骤S131和S132。

S131、根据所述基础路网地图中路网节点之间的关联关系，获取与每一所述路网节点相邻路网节点对应的控制终端，作为每一所述路网节点对应的目标控制终端。

路网节点之间存在基于车辆行驶的关联关系，如左侧路网节点向右侧直行的车辆可进入该左侧路网节点右侧的另一路网节点，则可根据路网节点之间的关联关系，获取每一路网节点相邻的路网节点对应的控制终端作为每一路网节点对应的目标控制终端，则与一个路网节点相邻的其他路网节点即为车辆可行驶至该路网节点的上游路网节点。

S132、对每一所述路网节点的目标控制终端的监控分析信息中目标方向为所述路网节点的数据进行整合，得到与每一所述路网节点对应的节点基础信息。

路网节点的目标监控终端的监控分析信息中包含多个行驶方向的车流数据，则可从目标控制终端的监控分析信息中获取目标方向为该路网节点的数据，并进行整合得到路网节点对应的节点基础信息。

例如，某一路网节点为十字交叉路口对应的路网节点，则该路网节点包含上、下、左、右四个节点入口，该路网节点左侧的一个节点入口的目标方向包括该路网节点左侧的另一路网节点中右至左行驶的直行的车辆、上至下行驶的左转的车辆、下至上行驶的右转的车辆，也即上述三股车流的目标方向为该路网节点的左侧节点入口，则对该路网节点左侧的一个路网节点的监控分析信息中对应三股车流进行整合，即可得到该路网节点左侧节点入口的数据。对该路网节点对应的目标监控终端的监控分析信息进行整合后，可得到该路网节点上、下、左、右四个节点入口的数据，四个节点入口的数据的数据即构成该路网节点的节点基础信息。

此外，在对路网节点的数据进行整合的过程中，可基于预置的权重值对不同车辆类型进行加权整合，则整合得到的节点基础信息包含加权整合后的数据信息。

例如，普通小汽车的权重值可配置为1，普通中型车的权重值配置为1.5，货车的权重值配置为2，出租车的权重值配置为4，大客车的权重值配置为8，公交车的权重值可配置为10，救护车、警车及消防车的权重值均可配置为1000。通过上述加权整合方式得到加权整合后的节点基础信息，可在基于节点基础信息对信号灯进行调控时确保救护车、警车及消防车的快速通行权，同时确保出租车、大客车及公交车适当的优先通行权，进一步优化道路交通的通行效率。

S140、根据预存的当前环境信息及每一所述路网节点的节点基础信息获取与每一所述路网节点对应的节点特征信息。

根据预存的当前环境信息及每一所述路网节点的节点基础信息获取与每一所述路网节点对应的节点特征信息。管理服务器中还预存有当前环境信息，当前环境信息包含降雨量(单位为毫米：mm)及室外照明亮度(单位为勒克斯：lx)等环境信息，当前环境信息可以是由环境监测部门定时提供的数据信息，管理服务器中预存的当前环境信息可定时更新，如每5分钟或10分钟更新一次。可基于当前环境信息及每一路网节点的节点基础信息获取与每一路网节点对应的节点特征信息，节点特征信息即为对相应路网节点的特征进行表征的数据信息。

在一实施例中，如图6所示，步骤S140包括子步骤S141、S142、S143和S144。

S141、根据每一所述路网节点包含的节点入口获取所述节点基础信息中每一所述节点入口对应的入口数据信息。

路网节点包含多个节点入口，则可根据节点基础信息中该路网节点在每一节点入口的数据，统计得到每一节点入口对应的入口数据信息。节点基础信息为基于统计单位时间段的时序性统计信息，可从节点基础信息中获取对应的数据进行统计得到入口数据信息。

例如，统计单位时间段为6秒，则可对某一节点入口对应节点入口在节点基础信息中所包含的10组数据进行统计，得到该节点入口每分钟的车流量信息，获取节点入口每一分钟的车流量信息即可得到对应的入口数据信息。

如某一节点入口在连续6分钟的入口数据信息如表2所示。

表2

S142、对每一所述节点入口对应的入口数据信息进行趋势判断，得到每一所述节点入口对应的趋势判断结果。

对节点入口对应的入口数据信息进行趋势判断，得到对应的趋势判断结果。例如，可对每一节点入口在连续6分钟的入口数据信息进行趋势判断，将连续6分钟的入口数据信息分为三组进行加和，第一组为时间10:28与10:29对应的数据信息，第二组为10:30与10:31对应的数据信息，第三组为10:32与10:33对应的数据信息，对加和后所得到的三组加和数据F₁、F₂、F₃的大小进行判断。若F₁>F₂>F₃，则趋势判断结果为下降；若F₁≤F₂≤F₃，趋势判断结果为上升；若F₁>F₂≤F₃，趋势判断结果为先下降后上升；若F₁≤F₂>F₃，趋势判断结果为先上升后下降。

S143、从所述当前环境信息中获取与每一所述路网节点对应的节点环境信息。

当前环境信息中包含多个地理位置对应的环境信息，由于各地理位置的环境信息可能存在差异，因此需要根据每一路网节点的位置信息从当前环境信息中获取与每一路网节点的位置信息相匹配的节点环境信息，则节点环境信息与对应的路网节点的位置相对应。

S144、从每一所述路网节点对应的入口数据信息、趋势判断结果及所述节点环境信息中获取对应的节点特征信息。

可从路网节点对应的入口数据信息、趋势判断结果及节点环境信息中获取对应的节点特征信息，具体的，可对趋势判断结果进行映射转换得到对应的转换数值，如下降与“0.7”映射，上升与“0.3”映射，先下降后上升与“0”映射，先上升后下降与“1”映射。将路网节点的入口数据信息、转换数值及节点环境信息进行组合，得到对应的节点特征信息。

S150、根据预置的数据分析模型对每一所述路网节点的节点特征信息及节点基础信息进行分析，得到每一所述路网节点对应的调控比例信息。

根据预置的数据分析模型对每一所述路网节点的节点特征信息及节点基础信息进行分析，得到每一所述路网节点对应的调控比例信息。可根据数据分析模型对路网节点的节点特征信息及节点基础信息进行分析，以获取每一路网节点对应的调控比例信息，调控比例信息包含对不同通行方向的信号灯时长比例进行调控的具体信息。其中，所述数据分析模型包括预测神经网络及调控比例计算公式。

在一实施例中，如图7所示，步骤S150包括子步骤S151、S152和S153。

S151、将每一所述路网节点的节点特征信息分别输入所述预测神经网络，以得到每一所述路网节点的行车预测时间。

具体的，预测神经网络可以是基于人工智能所构建的神经网络，预测神经网络的具体组成与上述分类神经网络类似，区别仅在于输入层包含的输入节点及输出层包含的输出节点存在差异。在使用预测神经网络之前，还可采用预存的历史数据交通数据进行训练，得到训练后的预测神经网络进行使用。预测神经网络的输出层包含四个输出节点，将每一路网节点的节点特征信息输入预测神经网络，即可从四个输出节点获取四个节点输出信息得到该路网节点的行车预测时间，其中，四个节点输出信息分别对应四个节点入口的预测时间，一个预测时间即为该路网节点中与该预测时间对应一个节点入口的车辆行驶至该路网节点的交叉路口的预测时间。

S152、根据每一所述路网节点的行车预测时间从所述路网节点对应的节点基础信息中获取每一所述路网节点的车流量信息。

可基于路网节点的行车预测时间从路网节点对应的节点基础信息中获取每一路网节点的车流量信息，路网节点的车流量信息中包含该路网节点的每一节点入口未来的车流信息。

在一实施例中，如图8所示，步骤S152包括子步骤S1521和S1522。

S1521、根据每一所述路网节点的调控周期时间及行车预测时间确定每一所述路网节点包含的节点入口的获取时间段。

路网节点中包含调控周期时间，调控周期时间即为该路网节点对信号灯进行周期性调控的时间信息，如调控周期时间为2分钟，则表明该路网节点以2分钟为周期对该路网节点包含的信号灯进行周期性控制，可根据路网节点的调控周期时间及对应的行车预测时间确定路网节点所包含的每一节点入口的获取时间段。

例如，路网节点的调控周期时间为2分钟，当前时间为10:31，前一调整时间点为10:30，与当前时间对应的下一调整时间点为10:32分，该路网节点某一节点入口的预测时间为3.3分钟，则可确定该节点入口的在10:32分的获取时间段为10:28.7-10:30.7。

S1522、根据每一所述路网节点的节点入口的获取时间段从对应的节点基础信息中获取与每一所述路网节点对应的车流量信息。

根据每一路网节点中每一节点入口的获取时间段从相应路网节点的节点基础信息中获取得到每一路网节点的车流量信息，路网节点的车流量信息中包含该路网节点中每一节点入口的实际通过的车流量，路网节点中一个节点入口的车流量信息可作为行驶至该路网节点的交叉路口的预测车流量。

如，某一路网节点中某一节点入口的获取时间段为10:28.7-10:30.7，则从该路网节点的节点基础信息中获取与该节点入口相对应且位于该获取时间段内的多个数据，将多个数据进行累加即可得到该节点入口的车流量。通过上述方式即可获取路网节点中多个节点入口分别对应的车流量，得到该路网节点的车流量信息。

S153、根据所述调控比例计算公式对每一所述路网节点的车流量信息进行计算，得到每一所述路网节点对应的调控比例信息。

可根据调控比例计算公式对路网节点的车流量信息进行计算，得到该路网节点的调控比例信息。

例如，对于两条公路所组成的交叉路口，调控比例计算公式可采用公式(2)进行表示：

其中，B即为某一路网节点对应的调控比例信息，C_A为右至左行驶的节点入口的车流量，C_B为左至右行驶的节点入口的车流量，C_C为上至下行驶的节点入口的车流量，C_D为下至上行驶的节点入口的车流量。

S160、将每一所述路网节点的调控比例信息发送至与每一所述路网节点对应的控制终端，以使每一所述控制终端根据对应的调控比例信息对所述控制终端所管控的信号灯进行控制。

将每一所述路网节点的调控比例信息发送至与每一所述路网节点对应的控制终端，以使每一所述控制终端根据对应的调控比例信息对所述控制终端所管控的信号灯进行控制。控制终端获取到调控比例信息后，即可根据调控比例信息及对应的调控周期时间对相应信号灯进行控制。

例如，若调控比例为0.4:0.6，调控周期时间为2分钟，则分配左右通行的时长为2×0.4＝0.8分钟，上下通行的时长为2×0.6＝1.2分钟。

通过上述方法，即可确保车流量较大的通行方向的信号灯具有较长通行时长，并根据交通实时的车辆状态对信号灯的通行时长进行灵活调整，在实际应用过程中大幅提高了路口的通行效率。

左右通行中还可对右至左通行左转、左至右通行左转及左右同时直行的时间进行进一步分配，上下通行中还可对上至下通行左转、下至上通行左转及上下同时直行的时间进行进一步分配。

例如，右至左通行左转+右至左直行(此时左至右直行无法通行)：左右同时直行：左至右通行左转+左至右直行(此时右至左直行无法通行)＝0.25:0.5:0.25。则右至左通行左转+右至左直行的时长为0.8×0.25＝0.2分钟，左至右通行左转的时长为0.8×0.5＝0.4分钟，左至右通行左转+左至右直行的时长也为0.2分钟。对上下通行中各具体通行方向的通行时长进行分配的方式与对左右通行中各具体通行方向的通行时长进行分配的方式相同。

在本发明实施例所提供的基于信息智能分析的信号灯控制方法中，从控制终端获取周期性监控的路面监控信息并进行分析得到每一控制终端的监控分析信息，根据基础路网地图从监控分析信息中获取每一路网节点的节点基础信息，结合当前环境信息获取每一路网节点的节点特征信息，根据数据分析模型对每一路网节点的节点特征信息及节点基础信息进行分析得到调控比例信息并发送至路网节点对应的控制终端，控制终端可根据调控比例信息控制信号灯。通过上述方法，可基于控制终端进行周期性监控得到的路面监控信息与当前环境信息进行结合分析，得到每一路网节点的调控比例信息，从而使每一路网节点的控制终端根据调控比例信息对信号灯的通行时长进行灵活调整，大幅提高了对信号灯进行控制的智能性及灵活性。

本发明实施例还提供一种基于信息智能分析的信号灯控制装置，该基于信息智能分析的信号灯控制装置用于执行前述的基于信息智能分析的信号灯控制方法的任一实施例，具体地，请参阅图9，图9为本发明实施例提供的基于信息智能分析的信号灯控制装置的示意性框图。

如图9所示，基于信息智能分析的信号灯控制装置100包括路面监控信息获取单元110、监控分析信息获取单元120、节点基础信息获取单元130、节点特征信息获取单元140、调控比例信息获取单元150和调控比例信息发送单元160。

路面监控信息获取单元110，用于发送预置的监控指令至每一所述控制终端，以根据所述监控指令从每一所述控制终端获取周期性监控所得到的路面监控信息。

监控分析信息获取单元120，用于根据预置的图像分析模型对所述路面监控信息进行分析，得到与每一所述控制终端对应的监控分析信息。

在一实施例中，所述监控分析信息获取单元120包括子单元：图像轮廓信息获取单元，用于根据所述轮廓提取规则从对所述路面监控信息包含的监控图像中提取得到每一所述监控图像对应的图像轮廓信息；区域轮廓图像获取单元，用于根据所述图像轮廓信息从每一所述监控图像中提取与图像轮廓信息对应的区域轮廓图像；轮廓图像特征信息获取单元，用于根据所述特征提取规则从每一所述区域轮廓图像中提取对应的轮廓图像特征信息；分类结果获取单元，用于根据所述分类神经网络对每一所述轮廓图像特征信息进行分类，得到每一轮廓图像特征信息对应的分类结果；分类结果统计单元，用于对每一所述控制终端对应的监控图像所包含的轮廓图像特征信息的分类结果进行统计，得到每一所述控制终端对应的监控分析信息。

在一实施例中，所述分类结果统计单元包括子单元：初始统计信息获取单元，用于根据所述分类结果对每一所述控制终端在预设单位时间段内包含的轮廓图像特征信息进行分类统计，得到对应的初始统计信息；相似判断单元，用于判断每一所述控制终端的连续两张所述监控图像中是否包含相似的个体特征信息；第一监控分析信息获取单元，用于若所述控制终端的连续两张所述监控图像包含相似的个体特征信息，将所述相似的个体特征信息从所述控制终端对应的初始统计信息中剔除得到对应的监控分析信息；第二监控分析信息获取单元，用于若所述控制终端的任意连续两张监控图像均不包含相似的个体特征信息，将所述控制终端的初始统计信息作为对应的监控分析信息。

节点基础信息获取单元130，用于根据预存的基础路网地图从所述监控分析信息中获取与所述基础路网地图中每一路网节点对应的节点基础信息。

在一实施例中，所述节点基础信息获取单元130包括子单元：目标控制终端获取单元，用于根据所述基础路网地图中路网节点之间的关联关系，获取与每一所述路网节点相邻路网节点对应的控制终端，作为每一所述路网节点对应的目标控制终端；数据整合单元，用于对每一所述路网节点的目标控制终端的监控分析信息中目标方向为所述路网节点的数据进行整合，得到与每一所述路网节点对应的节点基础信息。

节点特征信息获取单元140，用于根据预存的当前环境信息及每一所述路网节点的节点基础信息获取与每一所述路网节点对应的节点特征信息。

在一实施例中，所述节点特征信息获取单元140包括子单元：入口数据信息获取单元，用于根据每一所述路网节点包含的节点入口获取所述节点基础信息中每一所述节点入口对应的入口数据信息；趋势判断单元，用于对每一所述节点入口对应的入口数据信息进行趋势判断，得到每一所述节点入口对应的趋势判断结果；节点环境信息获取单元，用于从所述当前环境信息中获取与每一所述路网节点对应的节点环境信息；特征信息获取单元，用于从每一所述路网节点对应的入口数据信息、趋势判断结果及所述节点环境信息中获取对应的节点特征信息。

调控比例信息获取单元150，用于根据预置的数据分析模型对每一所述路网节点的节点特征信息及节点基础信息进行分析，得到每一所述路网节点对应的调控比例信息。

在一实施例中，所述调控比例信息获取单元150包括子单元：行车预测时间获取单元，用于将每一所述路网节点的节点特征信息分别输入所述预测神经网络，以得到每一所述路网节点的行车预测时间；车流量信息获取单元，用于根据每一所述路网节点的行车预测时间从所述路网节点对应的节点基础信息中获取每一所述路网节点的车流量信息；调控比例信息计算单元，用于根据所述调控比例计算公式对每一所述路网节点的车流量信息进行计算，得到每一所述路网节点对应的调控比例信息。

在一实施例中，所述车流量信息获取单元包括子单元：获取时间段确定单元，用于根据每一所述路网节点的调控周期时间及行车预测时间确定每一所述路网节点包含的节点入口的获取时间段；获取单元，用于根据每一所述路网节点的节点入口的获取时间段从对应的节点基础信息中获取与每一所述路网节点对应的车流量信息。

调控比例信息发送单元160，用于将每一所述路网节点的调控比例信息发送至与每一所述路网节点对应的控制终端，以使每一所述控制终端根据对应的调控比例信息对所述控制终端所管控的信号灯进行控制。

在本发明实施例所提供的基于信息智能分析的信号灯控制装置应用上述基于信息智能分析的信号灯控制方法，从控制终端获取周期性监控的路面监控信息并进行分析得到每一控制终端的监控分析信息，根据基础路网地图从监控分析信息中获取每一路网节点的节点基础信息，结合当前环境信息获取每一路网节点的节点特征信息，根据数据分析模型对每一路网节点的节点特征信息及节点基础信息进行分析得到调控比例信息并发送至路网节点对应的控制终端，控制终端可根据调控比例信息控制信号灯。通过上述方法，可基于控制终端进行周期性监控得到的路面监控信息与当前环境信息进行结合分析，得到每一路网节点的调控比例信息，从而使每一路网节点的控制终端根据调控比例信息对信号灯的通行时长进行灵活调整，大幅提高了对信号灯进行控制的智能性及灵活性。

上述基于信息智能分析的信号灯控制装置可以实现为计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。

请参阅图10，图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于信息智能分析的信号灯控制方法以获取路面监控信息并进行智能分析获取调控比例信息进行发送的管理服务器。

参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。

该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于信息智能分析的信号灯控制方法，其中，存储介质503可以为易失性的存储介质或非易失性的存储介质。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于信息智能分析的信号灯控制方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的基于信息智能分析的信号灯控制方法中对应的功能。

本领域技术人员可以理解，图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图10所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的基于信息智能分析的信号灯控制方法。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。