一种基于智能照明的路灯智能控制方法及装置与流程

1.本发明涉及智能控制技术领域，尤其涉及一种基于智能照明的路灯智能控制方法及装置。


背景技术：

2.在现有的路灯系统中，一般都是根据时间进行开关控制，即到晚上时间即通电亮灯，早上到时间即断电熄灯，或者人工的设置在深夜的某一时间段内熄灯，从而达到节能减排。而现有的路灯系统无法根据实际需求进行路灯的智能控制，例如，无法根据道路的实时车流量或者人流量的大小进行路灯的智能控制，不能有效的保证道路的安全，也不能实现节能减排的效果。因此如何实现路灯照明的智能控制是本领域尚待解决的技术问题。


技术实现要素：

3.本发明所要解决的技术问题在于如何实现路灯照明的智能控制，提供一种基于智能照明的路灯智能控制方法及装置，能够根据道路的流量情况控制路灯的亮度，实现对路灯的智能控制，有利于保证路况安全，同时能够实现路灯的节能，有效的延迟路灯寿命，减少路灯电费开支，减少人工成本。
4.为了解决上述技术问题，本发明第一方面公开了一种基于智能照明的路灯智能控制方法，所述方法包括：
5.获取目标路灯所处的目标位置信息；
6.根据所述目标位置信息，确定与所述目标路灯相关的历史流量数据，其中，所述历史流量数据包括多个时段的历史流量数据；
7.基于所述历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型；
8.基于所述目标神经网络模型确定当前时段的预测流量数据；
9.根据所述当前时段的预测流量数据控制所述目标路灯。
10.作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标位置信息，确定与所述目标路灯相关的历史流量数据，包括：
11.根据所述目标位置信息，获取与所述目标位置信息匹配的视频数据；
12.基于预设时段分割条件将所述与所述目标位置信息匹配的视频数据分割为多个子视频数据；
13.对于每个所述子视频数据，识别该子视频数据中的通行对象，其中，所述通行对象包括车辆和/或行人；
14.对识别出的该子视频数据中的所述通行对象进行标注，得到该子视频数据对应的通行对象标注数据，其中，所述通行对象标注数据包括车辆标注数据和/或行人标注数据；
15.基于该子视频数据对应的所述通行对象标注数据，确定该子视频数据对应的通行流量数据，其中，所述通行流量数据包括车流量数据和/或人流量数据；
16.根据多个所述子视频数据对应的所述通行流量数据，生成流量数据集，并将所述
流量数据集确定为与所述目标路灯相关的历史流量数据。
17.作为一种可选的实施方式，在本发明第一方面中，所述根据多个所述子视频数据对应的所述通行流量数据，生成流量数据集，包括：
18.对于每个所述子视频数据对应的所述通行流量数据，获取与该子视频数据对应的所述通行流量数据相匹配的情景信息，其中，所述情景信息包括时间段信息、工作日信息、天气信息中的一种或多种；
19.存储每个所述子视频数据对应的所述通行流量数据以及与每个所述子视频数据对应的所述通行流量数据相匹配的情景信息，以生成流量数据集。
20.作为一种可选的实施方式，在本发明第一方面中，所述根据目标位置信息，确定与目标路灯相关的历史流量数据之后，所述基于所述历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型之前，所述方法还包括：
21.提取所述历史流量数据中的特征数据，所述特征数据包括时间段信息、工作日信息、天气信息、通行流量数据中的一种或多种；
22.根据提取出的所述历史流量数据中的特征数据生成所述历史流量数据对应的特征矩阵；
23.所述基于所述历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型，包括：
24.基于所述历史流量数据对应的特征矩阵训练预先构建的神经网络模型，得到目标神经网络模型。
25.作为一种可选的实施方式，在本发明第一方面中，所述根据所述当前时段的预测流量数据控制所述目标路灯，包括：
26.判断所述当前时段的预测流量数据是否大于或等于第一预设阈值；
27.若所述当前时段的预测流量数据大于或等于第一预设阈值，则控制所述目标路灯的亮度在所述当前时段内处于正常亮度；
28.若所述当前时段的预测流量数据小于第一预设阈值，则控制所述目标路灯的亮度在所述当前时段内处于最低亮度；
29.所述控制所述目标路灯在所述当前时段内处于最低亮度之后，所述方法还包括：
30.获取与所述目标路灯所处的目标位置信息匹配的实时视频数据；
31.识别所述实时视频数据中的实时通行对象；
32.判断所述实时通行对象与所述目标路灯的距离是否小于或等于第二预设阈值；
33.当所述实时通行对象与所述目标路灯的距离小于或等于第二预设阈值时，控制所述目标路灯的亮度由最低亮度调整为正常亮度。
34.作为一种可选的实施方式，在本发明第一方面中，所述实时通行对象包括实时通行车辆和实时通行行人；
35.所述判断所述实时通行对象与所述目标路灯的距离是否小于或等于第二预设阈值之后，所述方法还包括：
36.当所述实时通行车辆与所述目标路灯的距离大于第二预设阈值时，获取所述实时通行车辆的车灯照明区域；
37.判断所述实时通行行人是否处于所述实时通行车辆的车灯照明区域；
38.当判断出所述实时通行行人未处于所述实时通行车辆的车灯照明区域时，调整所述目标路灯的照明区域，以使得所述实时通行行人处于调整后的所述目标路灯的照明区域。
39.作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：
40.判断所述目标路灯在所述当前时段内是否处于关闭状态；
41.若判断出所述目标路灯在所述当前时段内处于关闭状态，则实时获取与所述目标路灯所处的目标位置信息相关的环境数据，其中，所述环境数据包括大雾等级、雨量数据、空气指标、自然光照度中的至少一个；
42.判断实时获取的所述与所述目标路灯所处的目标位置信息相关的环境数据是否符合预设开启条件；
43.若实时获取的所述与所述目标路灯所处的目标位置信息相关的环境数据符合预设开启条件时，控制所述目标路灯在所述当前时段内的亮度为正常亮度。
44.本发明第二方面公开了一种基于智能照明的路灯智能控制装置，所述装置包括：
45.获取模块，用于获取目标路灯所处的目标位置信息；
46.确定模块，用于根据所述目标位置信息，确定与所述目标路灯相关的历史流量数据，其中，所述历史流量数据包括多个时段的历史流量数据；
47.构建模块，用于基于所述历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型；
48.预测模块，用于基于所述目标神经网络模型确定当前时段的预测流量数据；
49.控制模块，用于根据所述当前时段的预测流量数据控制所述目标路灯。
50.作为一种可选的实施方式，在本发明第二方面中，所述确定模块包括：
51.获取子模块，用于根据所述目标位置信息，获取与所述目标位置信息匹配的视频数据；
52.分割子模块，用于基于预设时段分割条件将所述与所述目标位置信息匹配的视频数据分割为多个子视频数据；
53.识别子模块，用于对于每个所述子视频数据，识别该子视频数据中的通行对象，其中，所述通行对象包括车辆和/或行人；
54.标注子模块，用于对识别出的该子视频数据中的所述通行对象进行标注，得到该子视频数据对应的通行对象标注数据，其中，所述通行对象标注数据包括车辆标注数据和/或行人标注数据；
55.确定子模块，用于基于该子视频数据对应的所述通行对象标注数据，确定该子视频数据对应的通行流量数据，其中，所述通行流量数据包括车流量数据和/或人流量数据；
56.生成子模块，用于根据多个所述子视频数据对应的所述通行流量数据，生成流量数据集，并将所述流量数据集确定为与所述目标路灯相关的历史流量数据。
57.作为一种可选的实施方式，在本发明第二方面中，所述生成子模块根据多个所述子视频数据对应的所述通行流量数据，生成流量数据集的方式包括：
58.对于每个所述子视频数据对应的所述通行流量数据，获取与该子视频数据对应的所述通行流量数据相匹配的情景信息，其中，所述情景信息包括时间段信息、工作日信息、天气信息中的一种或多种；
59.存储每个所述子视频数据对应的所述通行流量数据以及与每个所述子视频数据对应的所述通行流量数据相匹配的情景信息，以生成流量数据集。
60.作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：提取模块；
61.所述提取模块，用于所述确定模块根据目标位置信息，确定与目标路灯相关的历史流量数据之后，所述构建模块基于所述历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型之前，提取所述历史流量数据中的特征数据，所述特征数据包括时间段信息、工作日信息、天气信息、通行流量数据中的一种或多种；根据提取出的所述历史流量数据中的特征数据生成所述历史流量数据对应的特征矩阵；
62.所述构建模块基于所述历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型的方式包括：
63.基于所述历史流量数据对应的特征矩阵训练预先构建的神经网络模型，得到目标神经网络模型。
64.作为一种可选的实施方式，在本发明第二方面中，所述控制模块用于根据所述当前时段的预测流量数据控制所述目标路灯的方式，包括：
65.判断所述当前时段的预测流量数据是否大于或等于第一预设阈值；
66.若所述当前时段的预测流量数据大于或等于第一预设阈值，则控制所述目标路灯的亮度在所述当前时段内处于正常亮度；
67.若所述当前时段的预测流量数据小于第一预设阈值，则控制所述目标路灯的亮度在所述当前时段内处于最低亮度；
68.所述控制所述目标路灯在所述当前时段内处于最低亮度之后，获取与所述目标路灯所处的目标位置信息匹配的实时视频数据；
69.识别所述实时视频数据中的实时通行对象；
70.判断所述实时通行对象与所述目标路灯的距离是否小于或等于第二预设阈值；
71.当所述实时通行对象与所述目标路灯的距离小于或等于第二预设阈值时，控制所述目标路灯的亮度由最低亮度调整为正常亮度。
72.作为一种可选的实施方式，在本发明第二方面中，所述实时通行对象包括实时通行车辆和实时通行行人；
73.所述控制模块，还用于：
74.所述判断所述实时通行对象与所述目标路灯的距离是否小于或等于第二预设阈值之后，当判断出所述实时通行车辆与所述目标路灯的距离大于第二预设阈值时，获取所述实时通行车辆的车灯照明区域；
75.判断所述实时通行行人是否处于所述实时通行车辆的车灯照明区域；
76.当判断出所述实时通行行人未处于所述实时通行车辆的车灯照明区域时，调整所述目标路灯的照明区域，以使得所述实时通行行人处于调整后的所述目标路灯的照明区域。
77.作为一种可选的实施方式，在本发明第二方面中，所述控制模块还用于：
78.判断所述目标路灯在所述当前时段内是否处于关闭状态；
79.若判断出所述目标路灯在所述当前时段内处于关闭状态，则实时获取与所述目标路灯所处的目标位置信息相关的环境数据，其中，所述环境数据包括大雾等级、雨量数据、
空气指标、自然光照度中的至少一个；
80.判断实时获取的所述与所述目标路灯所处的目标位置信息相关的环境数据是否符合预设开启条件；
81.若实时获取的所述与所述目标路灯所处的目标位置信息相关的环境数据符合预设开启条件时，控制所述目标路灯在所述当前时段内的亮度为正常亮度。
82.本发明第三方面公开了另一种基于智能照明的路灯智能控制装置，所述装置包括：
83.存储有可执行程序代码的存储器；
84.与所述存储器耦合的处理器；
85.所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于智能照明的路灯智能控制方法。
86.本发明第四方面公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于智能照明的路灯智能控制方法。
87.与现有技术相比，本发明实施例具有以下有益效果：
88.本发明实施例中，通过获取目标路灯所处的目标位置信息，确定与目标路灯相关的历史流量数据，其中，历史流量数据包括多个时段的历史流量数据；基于历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型；基于目标神经网络模型确定当前时段的预测流量数据；根据所述当前时段的预测流量数据控制所述目标路灯。可见，实施本发明能够根据道路的流量情况控制路灯的亮度，实现对路灯的智能控制，有利于保证路况安全，同时能够实现路灯的节能，有效的延迟路灯寿命，减少路灯电费开支，减少人工成本。
附图说明
89.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
90.图1是本发明实施例公开的一种基于智能照明的路灯智能控制方法的流程示意图；
91.图2是本发明实施例公开的又一种基于智能照明的路灯智能控制方法的流程示意图；
92.图3是本发明实施例公开的一种基于智能照明的路灯智能控制装置的结构示意图；
93.图4是本发明实施例公开的确定模块的结构示意图；
94.图5是本发明实施例公开的另一种基于智能照明的路灯智能控制装置；
95.图6是本发明实施例公开的又一种基于智能照明的路灯智能控制装置的结构示意图。
具体实施方式
96.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅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作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。
97.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
98.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
99.本发明公开了一种基于智能照明的路灯智能控制方法及装置，能够根据道路的流量情况控制路灯的亮度，实现对路灯的智能控制，有利于保证路况安全，同时能够实现路灯的节能，有效的延迟路灯寿命，减少路灯电费开支，减少人工成本。以下分别进行详细说明。
100.实施例一
101.请参阅图1，图1是本发明实施例公开的一种基于智能照明的路灯智能控制方法的流程示意图。其中，图1所描述的基于智能照明的路灯智能控制方法可以应用于包含led路灯智能控制系统的路灯系统中，示例性的led路灯控制系统集成有led路灯、路灯智能控制器、路面视频监控、空气质量监测、温度传感器、雨量传感器及通信网络等智能设备，也可以应用于其他路灯系统，本发明实施例不做限定。如图1所示，该基于智能照明的路灯智能控制方法可以包括以下操作：
102.s101、获取目标路灯所处的目标位置信息。
103.本发明实施例中，目标路灯可以为包含led路灯智能控制系统的路灯系统(下述简称为led路灯系统)，获得led路灯系统的唯一id号，并根据该唯一id号来实现对该led路灯系统的位置确定，进而得到led路灯系统所处的目标位置信息。
104.s102、根据目标位置信息，确定与目标路灯相关的历史流量数据，其中，历史流量数据包括多个时段的历史流量数据。
105.本发明实施例中，历史流量数据是指在过去的一段或多段时间内，经过或到达目标路灯附近某一段道路或某一地点的车辆或行人流量的数量。本发明实施例中可通过视频图像处理得到与目标路灯相关的历史流量数据。例如，将路灯照明时间按小时进行分割，通过在led路灯系统设置的路面视频监控所采集的视频数据进行处理，提取每个分割时间段内的车流量数据和人流量数据，然后根据情景信息进行标注，即可形成历史流量数据信息，情景信息可以包括所属时间段、是否工作日、所属天气情况等。
106.s103、基于历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型。
107.本发明实施例中，构建一个预设神经网络模型，并进行相关的训练工作，使训练器达到预设预测效果。示例性的，预先构建的神经网络模型可以是深度神经网络模型。在对该
深度神经网络模型进行训练之前，需要进行相应的处理，即深度神经网络模型的节点压缩处理和损失函数的更新处理，其节点压缩处理的方式为将该深度神经网络模型中的所有层的节点除以2并向下取整；通过节点压缩可以实现使用更少的样本数据即可实现模型训练收敛，并且可以降低训练过程中发生过拟合的概率；然后在利用正则化的方式对损失函数进行更新处理，即对该深度神经网络模型的所有层节点进行正则化处理，形成正则化项，利用该正则化项与原损失函数相加，形成更新损失函数，获得更新的深度神经网络模型。
108.需要说明的是，在基于历史流量数据训练预先构建的神经网络模型时，将历史流量数据划分为训练历史流量数据和测试历史流量数据，然后利用训练历史流量数据输入更新的深度神经网络模型进行训练处理，在完成训练之后，利用测试历史流量数据输入训练后的深度神经网络模型中进行测试，验证测试结果是否在可接受范围，若是，则结束训练，若否，利用反向传播算法对该训练后的深度神经网络模型模型进行各个节点的参数更新，并重新训练，直至测试结果是否在可接受范围。
109.s104、基于目标神经网络模型确定当前时段的预测流量数据。
110.本发明实施例中，利用训练好的深度神经网络模型预测当前时间段的流量数据。当前时段可以为一个时段，也可以为一天内的多个时段。示例性的，通过实时采集的方式获得当天是否为工作日，以及需要预测的每个时间段的天气状况(例如，通过爬虫算法在天气预报网上爬取对应位置的天气状况信息)，然后基于采集的数据构建待预测数据，将该待预测数据输入收敛的深度神经网络模型中，输出当天每个时间段的预测流量数据。
111.s105、根据当前时段的预测流量数据控制目标路灯。
112.本发明实施例中，得到当前时段的预测流量数据之后，可以根据当前时段的预测流量数据的控制目标路灯，进而实现根据道路的流量情况控制路灯的亮度。
113.可见，实施如图1所示的基于智能照明的路灯智能控制方法能够根据道路的流量情况控制路灯的亮度，实现对路灯的智能控制，有利于保证路况安全，同时能够实现路灯的节能，有效的延迟路灯寿命，减少路灯电费开支，减少人工成本。
114.本发明实施例中，可选的，步骤s102根据目标位置信息，确定与目标路灯相关的历史流量数据，包括：
115.根据目标位置信息，获取与目标位置信息匹配的视频数据；
116.基于预设时段分割条件将与目标位置信息匹配的视频数据分割为多个子视频数据；
117.对于每个子视频数据，识别该子视频数据中的通行对象，其中，通行对象包括车辆和/或行人；
118.对识别出的该子视频数据中的通行对象进行标注，得到该子视频数据对应的通行对象标注数据，其中，通行对象标注数据包括车辆标注数据和/或行人标注数据；
119.基于该子视频数据对应的通行对象标注数据，确定该子视频数据对应的通行流量数据，其中，通行流量数据包括车流量数据和/或人流量数据；
120.根据多个子视频数据对应的通行流量数据，生成流量数据集，并将流量数据集确定为与目标路灯相关的历史流量数据。
121.本发明可选的实施例中，根据led路灯系统所处的目标位置信息确定与之相匹配的路面视频监控设备，并获取路面视频监控设备采集的视频数据。在对led路灯系统匹配的
路面视频监控所采集的视频数据进行处理时，首先需要视频数据按照预设的时间段进行分割，分割为多个子视频数据，然后对每个时间段内的视频数据进行分帧处理，得到每个时间段内的视频帧数据。对每个时间段内的每个视频帧数据进行前景和背景分离处理，并对分离出的前景图像进行通行对象识别，并对识别到的通行对象进行标注，具体以车辆或者行人来进行目标标注，在标注完成之后，进行计数处理，即可得到每个分割时间段内的车流量数据和人流量数据，进而得到与目标路灯相关的历史流量数据。
122.本发明可选的实施例中，进一步可选的，根据多个子视频数据对应的通行流量数据，生成流量数据集，包括：
123.对于每个子视频数据对应的通行流量数据，获取与该子视频数据对应的通行流量数据相匹配的情景信息，其中，情景信息包括时间段信息、工作日信息、天气信息中的一种或多种；
124.存储每个子视频数据对应的通行流量数据以及与每个子视频数据对应的通行流量数据相匹配的情景信息，以生成流量数据集。
125.本发明可选的实施例中，通过提取每个分割时间段内的车流量数据和人流量数据，然后根据所属时间段、是否工作日、所属天气情况等情景信息对每个分割时间段内的车流量数据和人流量数据进行标注，即可形成流量数据集。
126.可见，实施该可选的实施例能够对视频数据中包含的车辆和/或行人画面进行识别，进而实现车辆和/或行人识别、标注的过程，有效避免了现有技术中对车辆和/或行人识别不准确的技术问题，能够自动化完成历史流量数据的采集，提高了历史流量数据采集的准确性及采集的效率。
127.本发明实施例中，可选的，步骤s105、根据当前时段的预测流量数据控制目标路灯，包括：
128.判断当前时段的预测流量数据是否大于或等于第一预设阈值；
129.若当前时段的预测流量数据大于或等于第一预设阈值，则控制目标路灯的亮度在当前时段内处于正常亮度；
130.若当前时段的预测流量数据小于第一预设阈值，则控制目标路灯的亮度在当前时段内处于最低亮度；
131.控制目标路灯在当前时段内处于最低亮度之后，还包括：获取与目标路灯所处的目标位置信息匹配的实时视频数据；
132.识别实时视频数据中的实时通行对象；
133.判断实时通行对象与目标路灯的距离是否小于或等于第二预设阈值；
134.当实时通行对象与目标路灯的距离小于或等于第二预设阈值时，控制目标路灯的亮度由最低亮度调整为正常亮度。
135.本发明可选的实施例中，若在某一时间段内的预测流量数据在预设范围内时，控制该路灯在该时间段内的亮度为正常亮度，但若预测流量数据小于某个数值范围时，控制该路灯的亮度值为最低亮度。同时，也可根据实时路面视频监控进行监控视频数据采集，并且对该监控视频数据进行移动目标识别，在识别出有目标在靠近该路灯时，控制该led路灯的照明亮度增至正常范围，并且在该目标消失在监控视频数据中预设时间后，控制该led路灯的照明亮度调整至最低。
136.可见实施该可选的实施例能够根据道路的流量情况控制路灯的亮度，实现路灯的节能。
137.本发明可选的实施例中，进一步可选的，实时通行对象包括实时通行车辆和实时通行行人。判断实时通行对象与目标路灯的距离是否小于或等于第二预设阈值之后，方法还包括：
138.当实时通行车辆与目标路灯的距离大于第二预设阈值时，获取实时通行车辆的车灯照明区域；
139.判断实时通行行人是否处于实时通行车辆的车灯照明区域；
140.当判断出实时通行行人未处于实时通行车辆的车灯照明区域时，调整目标路灯的照明区域，以使得实时通行行人处于调整后的目标路灯的照明区域。
141.本发明可选的实施例中，若监控视频数据中识别出车辆和/或行人距离该led路灯较远，此时该led路灯处于最低亮度。此时为了保障路面交通安全，需要获取车辆的车灯照明区域是否可以覆盖当前正在通行的行人，若车灯照明区域无法覆盖当前正在通行的行人时，则调整led路灯的照明区域，以使得正在通行的行人处于调整后的目标路灯的照明区域，即使得车辆驾驶人员能够看到正在通行的行人，保障交通安全。
142.可见实施该可选的实施例能够有效避免因车辆看不到行人而导致交通事故，同时可以实现节能减排。
143.实施例二
144.请参阅图2，图2是本发明实施例公开的又一种基于智能照明的路灯智能控制方法的流程示意图。如图2所示，该基于智能照明的路灯智能控制方法可以包括以下操作：
145.s201、获取目标路灯所处的目标位置信息。
146.s202、根据目标位置信息，确定与目标路灯相关的历史流量数据，其中，历史流量数据包括多个时段的历史流量数据。
147.本发明实施例中，针对步骤s201-步骤s202的其它详细描述，请参照实施例一中针对步骤s101-步骤s102的详细描述，本发明实施例不再赘述。
148.s203、提取历史流量数据中的特征数据，特征数据包括时间段信息、工作日信息、天气信息、通行流量数据中的一种或多种。
149.s204、根据提取出的历史流量数据中的特征数据生成历史流量数据对应的特征矩阵。
150.本发明实施例中，对历史流量数据中的数据按照时间段、流量数据、是否工作日、天气情况(包括温度数据、是否风雨天等天气信息)进行特征提取，形成一个一行多列的特征矩阵信息。在特征提取的时候，将时间段、流量数据、是否工作日、天气情况和led亮度情况转为数字表示方式，是否工作日，0表示不是工作日，1表示工作日；在天气情况中用0表示风雨天，1表示非风雨天，温度数据中比如25摄氏度，直接利用25表示；时间段，比如6-7点，使用6表示，7-8点用7表示等等；流量数据即使用具体的流量表示；通过特征提取后，转化为一个一行多列的数字矩阵，即得到历史流量数据对应的特征矩阵信息。
151.s205、基于历史流量数据对应的特征矩阵训练预先构建的神经网络模型，得到目标神经网络模型。
152.本发明实施例中，将特征矩阵信息划分为训练特征矩阵信息和测试特征矩阵信
息，然后利用训练特征矩阵信息输入更新的深度神经网络模型进行训练处理，在完成训练之后，利用测试特征矩阵信息输入训练后的深度神经网络模型中进行测试，验证测试结果是否在可接受范围，若是，则结束训练，若否，利用反向传播算法对该训练后的深度神经网络模型模型进行各个节点的参数更新，并重新训练，直至测试结果是否在可接受范围。
153.s206、基于目标神经网络模型确定当前时段的预测流量数据。
154.s207、根据当前时段的预测流量数据控制目标路灯。
155.本发明实施例中，针对步骤s206-步骤s207的其它详细描述，请参照实施例一中针对步骤s104-步骤s105的详细描述，本发明实施例不再赘述。
156.s208、判断目标路灯在当前时段内是否处于关闭状态；若判断出目标路灯在当前时段内处于关闭状态，则执行步骤s209；
157.s209、实时获取与目标路灯所处的目标位置信息相关的环境数据，其中，环境数据包括大雾等级、雨量数据、空气指标、自然光照度中的至少一个；
158.s210、判断环境数据是否符合预设开启条件；若实时获取的与目标路灯所处的目标位置信息相关的环境数据符合预设开启条件时，则执行步骤s211；
159.s211、控制目标路灯在当前时段内的亮度为正常亮度。
160.本发明实施例中，在非路灯正常开启的时间段内，通过在路灯系统上设置的空气质量监测传感器和雨量监测传感器所实时采集的状况，在空气质量监测传感器监测到大雾情况达到一定阈值，或者雨量监测传感器采集到的雨量数据达到一定阈值情况下，也需要控制该led路灯系统进行工作，即控制该led路灯进行照明工作，亮度为正常照明亮度，从而确保路面交通安全。
161.可见，实施如图1所示的基于智能照明的路灯智能控制方法能够在尽可能的保证道路安全情况下，对路灯进行相应的智能控制。能够根据道路的流量情况控制路灯的亮度，以及根据相应的天气状况对路灯进行相应的控制，保证路况安全，且实现路灯的节能，有效的延迟路灯寿命，减少路灯电费开支，减少人工成本等。
162.实施例三
163.请参阅图3，图3是本发明实施例公开的一种基于智能照明的路灯智能控制装置的结构示意图，如图3所示，该基于智能照明的路灯智能控制装置包括：获取模块301、确定模块302、构建模块303、预测模块304以及控制模块305。
164.其中：
165.获取模块301，用于获取目标路灯所处的目标位置信息。
166.本发明实施例中，目标路灯可以为包含led路灯智能控制系统的路灯系统(下述简称为led路灯系统)，获得led路灯系统的唯一id号，并根据该唯一id号来实现对该led路灯系统的位置确定，进而得到led路灯系统所处的目标位置信息。
167.确定模块302，用于根据目标位置信息，确定与目标路灯相关的历史流量数据，其中，历史流量数据包括多个时段的历史流量数据。
168.本发明实施例中，历史流量数据是指在过去的一段或多段时间内，经过或到达目标路灯附近某一段道路或某一地点的车辆或行人流量的数量。本发明实施例中可通过视频图像处理得到与目标路灯相关的历史流量数据。例如，将路灯照明时间按小时进行分割，通过在led路灯系统设置的路面视频监控所采集的视频数据进行处理，提取每个分割时间段
内的车流量数据和人流量数据，然后根据情景信息进行标注，即可形成历史流量数据信息，情景信息可以包括所属时间段、是否工作日、所属天气情况等。
169.构建模块303，用于基于历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型。
170.本发明实施例中，构建一个预设神经网络模型，并进行相关的训练工作，使训练器达到预设预测效果。示例性的，预先构建的神经网络模型可以是深度神经网络模型。在对该深度神经网络模型进行训练之前，需要进行相应的处理，即深度神经网络模型的节点压缩处理和损失函数的更新处理，其节点压缩处理的方式为将该深度神经网络模型中的所有层的节点除以2并向下取整；通过节点压缩可以实现使用更少的样本数据即可实现模型训练收敛，并且可以降低训练过程中发生过拟合的概率；然后在利用正则化的方式对损失函数进行更新处理，即对该深度神经网络模型的所有层节点进行正则化处理，形成正则化项，利用该正则化项与原损失函数相加，形成更新损失函数，获得更新的深度神经网络模型。
171.需要说明的是，在基于历史流量数据训练预先构建的神经网络模型时，将历史流量数据划分为训练历史流量数据和测试历史流量数据，然后利用训练历史流量数据输入更新的深度神经网络模型进行训练处理，在完成训练之后，利用测试历史流量数据输入训练后的深度神经网络模型中进行测试，验证测试结果是否在可接受范围，若是，则结束训练，若否，利用反向传播算法对该训练后的深度神经网络模型模型进行各个节点的参数更新，并重新训练，直至测试结果是否在可接受范围。
172.预测模块304，用于基于目标神经网络模型确定当前时段的预测流量数据。
173.本发明实施例中，利用训练好的深度神经网络模型预测当前时间段的流量数据。当前时段可以为一个时段，也可以为一天内的多个时段。示例性的，通过实时采集的方式获得当天是否为工作日，以及需要预测的每个时间段的天气状况(例如，通过爬虫算法在天气预报网上爬取对应位置的天气状况信息)，然后基于采集的数据构建待预测数据，将该待预测数据输入收敛的深度神经网络模型中，输出当天每个时间段的预测流量数据。
174.控制模块305，用于根据当前时段的预测流量数据控制目标路灯。
175.本发明实施例中，得到当前时段的预测流量数据之后，可以根据当前时段的预测流量数据的控制目标路灯，进而实现根据道路的流量情况控制路灯的亮度。
176.可见，实施如图3所示的基于智能照明的路灯智能控制装置能够根据道路的流量情况控制路灯的亮度，实现对路灯的智能控制，有利于保证路况安全，同时能够实现路灯的节能，有效的延迟路灯寿命，减少路灯电费开支，减少人工成本。
177.本发明实施例中，可选的，请参阅图4，图4是本发明实施例公开的确定模块的结构示意图，如图4所示，确定模块302包括：
178.获取子模块3021，用于根据目标位置信息，获取与目标位置信息匹配的视频数据；
179.分割子模块3022，用于基于预设时段分割条件将与目标位置信息匹配的视频数据分割为多个子视频数据；
180.识别子模块3023，用于对于每个子视频数据，识别该子视频数据中的通行对象，其中，通行对象包括车辆和/或行人；
181.标注子模块3024，用于对识别出的该子视频数据中的通行对象进行标注，得到该子视频数据对应的通行对象标注数据，其中，通行对象标注数据包括车辆标注数据和/或行
人标注数据；
182.确定子模块3025，用于基于该子视频数据对应的通行对象标注数据，确定该子视频数据对应的通行流量数据，其中，通行流量数据包括车流量数据和/或人流量数据；
183.生成子模块3026，用于根据多个子视频数据对应的通行流量数据，生成流量数据集，并将流量数据集确定为与目标路灯相关的历史流量数据。
184.本发明可选的实施例中，根据led路灯系统所处的目标位置信息确定与之相匹配的路面视频监控设备，并获取路面视频监控设备采集的视频数据。在对led路灯系统匹配的路面视频监控所采集的视频数据进行处理时，首先需要视频数据按照预设的时间段进行分割，分割为多个子视频数据，然后对每个时间段内的视频数据进行分帧处理，得到每个时间段内的视频帧数据。对每个时间段内的每个视频帧数据进行前景和背景分离处理，并对分离出的前景图像进行通行对象识别，并对识别到的通行对象进行标注，具体以车辆或者行人来进行目标标注，在标注完成之后，进行计数处理，即可得到每个分割时间段内的车流量数据和人流量数据，进而得到与目标路灯相关的历史流量数据。
185.本发明可选的实施例中，进一步可选的，生成子模块3026根据多个子视频数据对应的通行流量数据，生成流量数据集的方式包括：
186.对于每个子视频数据对应的通行流量数据，获取与该子视频数据对应的通行流量数据相匹配的情景信息，其中，情景信息包括时间段信息、工作日信息、天气信息中的一种或多种；
187.存储每个子视频数据对应的通行流量数据以及与每个子视频数据对应的通行流量数据相匹配的情景信息，以生成流量数据集。
188.本发明可选的实施例中，通过提取每个分割时间段内的车流量数据和人流量数据，然后根据所属时间段、是否工作日、所属天气情况等情景信息对每个分割时间段内的车流量数据和人流量数据进行标注，即可形成流量数据集。
189.可见，实施该可选的实施例能够对视频数据中包含的车辆和/或行人画面进行识别，进而实现车辆和/或行人识别、标注的过程，有效避免了现有技术中对车辆和/或行人识别不准确的技术问题，能够自动化完成历史流量数据的采集，提高了历史流量数据采集的准确性及采集的效率。
190.本发明可选的实施例中，可选的，请参阅图5，图5是本发明实施例公开的另一种基于智能照明的路灯智能控制装置的结构示意图，如图5所示，该基于智能照明的路灯智能控制装置还包括：提取模块306；
191.提取模块306，用于确定模块302根据目标位置信息，确定与目标路灯相关的历史流量数据之后，构建模块303基于历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型之前，提取历史流量数据中的特征数据，特征数据包括时间段信息、工作日信息、天气信息、通行流量数据中的一种或多种；根据提取出的历史流量数据中的特征数据生成历史流量数据对应的特征矩阵。
192.本发明可选的实施例中，对历史流量数据中的数据按照时间段、流量数据、是否工作日、天气情况(包括温度数据、是否风雨天等天气信息)进行特征提取，形成一个一行多列的特征矩阵信息。在特征提取的时候，将时间段、流量数据、是否工作日、天气情况和led亮度情况转为数字表示方式，是否工作日，0表示不是工作日，1表示工作日；在天气情况中用0
表示风雨天，1表示非风雨天，温度数据中比如25摄氏度，直接利用25表示；时间段，比如6-7点，使用6表示，7-8点用7表示等等；流量数据即使用具体的流量表示；通过特征提取后，转化为一个一行多列的数字矩阵，即得到历史流量数据对应的特征矩阵信息。
193.本发明可选的实施例中，进一步可选的，构建模块303基于历史流量数据训练预先构建的神经网络模型，得到目标神经网络模型的方式包括：基于历史流量数据对应的特征矩阵训练预先构建的神经网络模型，得到目标神经网络模型。
194.本发明可选的实施例中，将特征矩阵信息划分为训练特征矩阵信息和测试特征矩阵信息，然后利用训练特征矩阵信息输入更新的深度神经网络模型进行训练处理，在完成训练之后，利用测试特征矩阵信息输入训练后的深度神经网络模型中进行测试，验证测试结果是否在可接受范围，若是，则结束训练，若否，利用反向传播算法对该训练后的深度神经网络模型模型进行各个节点的参数更新，并重新训练，直至测试结果是否在可接受范围。
195.本发明实施例中，可选的，控制模块305用于根据当前时段的预测流量数据控制目标路灯的方式，包括：
196.判断当前时段的预测流量数据是否大于或等于第一预设阈值；
197.若当前时段的预测流量数据大于或等于第一预设阈值，则控制目标路灯的亮度在当前时段内处于正常亮度；
198.若当前时段的预测流量数据小于第一预设阈值，则控制目标路灯的亮度在当前时段内处于最低亮度；
199.控制目标路灯在当前时段内处于最低亮度之后，还包括：获取与目标路灯所处的目标位置信息匹配的实时视频数据；
200.识别实时视频数据中的实时通行对象；
201.判断实时通行对象与目标路灯的距离是否小于或等于第二预设阈值；
202.当实时通行对象与目标路灯的距离小于或等于第二预设阈值时，控制目标路灯的亮度由最低亮度调整为正常亮度。
203.本发明可选的实施例中，若在某一时间段内的预测流量数据在预设范围内时，控制该路灯在该时间段内的亮度为正常亮度，但若预测流量数据小于某个数值范围时，控制该路灯的亮度值为最低亮度。同时，也可根据实时路面视频监控进行监控视频数据采集，并且对该监控视频数据进行移动目标识别，在识别出有目标在靠近该路灯时，控制该led路灯的照明亮度增至正常范围，并且在该目标消失在监控视频数据中预设时间后，控制该led路灯的照明亮度调整至最低。
204.可见实施该可选的实施例能够根据道路的流量情况控制路灯的亮度，实现路灯的节能。
205.本发明可选的实施例中，进一步可选的，实时通行对象包括实时通行车辆和实时通行行人；控制模块305，还用于：
206.判断实时通行对象与目标路灯的距离是否小于或等于第二预设阈值之后，当判断出实时通行车辆与目标路灯的距离大于第二预设阈值时，获取实时通行车辆的车灯照明区域；
207.判断实时通行行人是否处于实时通行车辆的车灯照明区域；
208.当判断出实时通行行人未处于实时通行车辆的车灯照明区域时，调整目标路灯的
照明区域，以使得实时通行行人处于调整后的目标路灯的照明区域。
209.本发明可选的实施例中，若监控视频数据中识别出车辆和/或行人距离该led路灯较远，此时该led路灯处于最低亮度。此时为了保障路面交通安全，需要获取车辆的车灯照明区域是否可以覆盖当前正在通行的行人，若车灯照明区域无法覆盖当前正在通行的行人时，则调整led路灯的照明区域，以使得正在通行的行人处于调整后的目标路灯的照明区域，即使得车辆驾驶人员能够看到正在通行的行人，保障交通安全。
210.可见实施该可选的实施例能够有效避免因车辆看不到行人而导致交通事故，同时可以实现节能减排。
211.本发明实施例中，可选的，控制模块305还用于：
212.判断目标路灯在当前时段内是否处于关闭状态；
213.若判断出目标路灯在当前时段内处于关闭状态，则实时获取与目标路灯所处的目标位置信息相关的环境数据，其中，环境数据包括大雾等级、雨量数据、空气指标、自然光照度中的至少一个；
214.判断实时获取的与目标路灯所处的目标位置信息相关的环境数据是否符合预设开启条件；
215.若实时获取的与目标路灯所处的目标位置信息相关的环境数据符合预设开启条件时，控制目标路灯在当前时段内的亮度为正常亮度。
216.本发明可选的实施例中，在非路灯正常开启的时间段内，通过在路灯系统上设置的空气质量监测传感器和雨量监测传感器所实时采集的状况，在空气质量监测传感器监测到大雾情况达到一定阈值，或者雨量监测传感器采集到的雨量数据达到一定阈值情况下，也需要控制该led路灯系统进行工作，即控制该led路灯进行照明工作，亮度为正常照明亮度，从而确保路面交通安全。
217.可见，实施该可选的实施例能够根据道路的流量情况控制路灯的亮度，以及根据相应的天气状况对路灯进行相应的控制，保证路况安全，且实现路灯的节能。
218.实施例四
219.请参阅图6，图6是本发明实施例公开的又一种基于智能照明的路灯智能控制装置的结构示意图。如图6所示，该基于智能照明的路灯智能控制装置可以包括：
220.存储有可执行程序代码的存储器601；
221.与存储器601耦合的处理器602；
222.处理器602调用存储器601中存储的可执行程序代码，执行本发明实施例一或本发明实施例二所描述的基于智能照明的路灯智能控制方法中的步骤。
223.实施例五
224.本发明实施例公开了一种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指令，该计算机指令被调用时，用于执行本发明实施例一或本发明实施例二所描述的基于智能照明的路灯智能控制方法中的步骤。
225.实施例六
226.本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于智能照明的路灯智能控制方法中的步骤。
227.以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
228.通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(read-only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
229.最后应说明的是：本发明实施例公开的一种基于智能照明的路灯智能控制方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。