摘要：随着城市化进程的加速和交通流量的持续攀升,为应对实际交通管理挑战,设计并实现了一款城市交通管控系统。通过改进YOLOv5与DeepSORT等深度学习算法与软硬件协同工作,实现交通流量实时监测与预测、车辆超速识别告警；根据流量变化动态优化信号灯配时,提升通行效率；集成多种传感器实时采集道路环境数据,支持突发事件应急响应和用户多级权限管理；配备道路交通诱导屏,为交管部门提供全天候、智能化的交通管控解决方案。实验结果表明,系统采用的改进模型检测精确度提升了1.7%,召回率提高了1.4%,在实际应用场景识别和捕捉上表现得更加准确、全面。

　　关键词：智慧交通;交通管控；卷积块注意力机制；密集连接卷积网络；嵌入式系统

　　0引言

　　在全面推进社会主义现代化国家建设的背景下,城市交通问题日益突出,成为制约高质量发展的瓶颈[1,2]。大城市高峰期交通流量远超承载能力,导致严重拥堵与安全隐患。传统信号灯管理难以应对复杂交通需求[3]。依据《“十四五”规划纲要》和2035年远景目标,智能交通成为基础设施现代化重点,依托大数据与人工智能,实现实时监控与信号优化,提升通行效率,缓解拥堵,降低事故风险,对智慧城市建设和交通强国战略具有重要意义[4,5]。

　　针对智能交通管理系统在感知技术、动态决策及多源异构数据融合等方面的技术挑战,国内外学者已开展相关研究。安乐瑶等[6]提出基于红外传感器的交通流量监测系统,虽具一定监测效果,但在高密度及低速场景下误差较大,准确性受限。周云等[7]结合压缩感知与卡尔曼滤波提出车辆跟踪模型,虽提高了流量监测精度,但计算复杂度高,限制其实际部署能力。Albatish等[8]提出基于规则的智能信号控制系统,算法表现良好,但硬件成本高、系统集成复杂,应用受限。Ali等[9]构建自适应信号灯控制系统,具备实时调整能力,但受制于集成框架不完善,系统响应速度与稳定性存在波动。综合现有研究,尽管国内外在流量识别、预测及信号灯控制等方面取得了一定进展,但在系统精度、硬件成本和集成难度等方面仍面临挑战。

　　在这种背景下,本文设计并实现了一款城市交通路口管控系统,采用改进的YOLOv5目标检测与DeepSORT跟踪算法,引入卷积块注意力机制（CBAM）和密集连接卷积网络（DenseNet）以增强模型对关键区域的关注,提高特征提取的多样性与效率。通过交通视频流的实时监控,精准识别和跟踪交通流量,结合时间序列预测模型对交通流量预测分析,实现对数据的高效分析与处理,优化信号灯配时策略。利用嵌入式平台与多维传感器实现路况信息实时采集；利用Web开发技术搭建交通监控与管控平台,供交管部门人员使用；利用QT开发技术设计具有智能化与安全提示功能的道路交通诱导屏,实时展示道路状况并发布交管信息。

　　1系统架构设计

　　本系统由深度学习端、嵌入式端、客户端三部分组成,以交通流量识别与预测为研究重心。系统总体功能结构图如图1所示。

　　本系统以STM32和Jetson Nano为硬件平台,通过多种传感器采集交通和环境数据,并传输至Jetson Nano进行处理；系统利用改进的YOLOv5与DeepSORT模型实现交通流量识别,并通过LSTM、GRU、SAEs模型实现交通流量预测,客户端获取数据并展示,用户可通过控制组件调节交通信号灯和道路环境设置,实现交通管理的智能化与自动化。

　　硬件平台使用C语言和Python语言开发,服务端使用Java语言开发,Web网页端使用Vue.js框架开发,道路交通诱导屏使用QT开发。多端之间协调工作,实现高效、精准的交通流量监测与预测,为智能交通管理提供强有力的技术支持。

　　2交通流量识别系统模型设计

　　2.1模型选取设计

　　对于目标识别,Faster R-CNN[10]作为经典的两阶段目标检测框架,在处理复杂场景和小目标检测时表现较好,但其较慢的检测速度,难以满足实时性要求。SSD[11]作为单阶段检测模型,兼顾了速度与精度,尤其在检测较大目标时表现优异,但在处理小目标或存在遮挡时精度有所下降。YOLOv5[12]以其轻量化设计和高效的检测速度,成为现代目标检测中的主流方法,特别适合需要高帧率和低延迟的交通监控应用。模型对比表如表1所示。

　　综合目标检测与跟踪模型的优势与不足,本文选取YOLOv5与DeepSORT组合方案,具备较高精确度与实时性,有效满足高帧率、低延迟和高精度的交通流量监控需求,提升了系统在复杂交通环境中的适应性,优化了计算资源的消耗,满足了智能交通系统对实时性和精确性的双重需求。

　　2.2数据集构建设计

　　本系统选取KITTI数据集[16]作为训练数据,涵盖多类交通目标与多视角拍摄,提供高质量图像及精确标注,确保模型训练与测试的可靠性。为优化训练效果,将原始九类目标合并为四类：小型车、公交车、卡车及其他类型,共筛选7481张图像,并按0.7∶0.15∶0.15比例划分训练、验证与测试集,以提升模型稳健性与泛化能力。

　　2.3模型优化设计

　　2.3.1 YOLOv5引入CBAM模块的优化设计

　　YOLOv5在实时性和检测精度上表现优异,但在光照变化和目标遮挡等复杂环境下,其特征提取能力仍显不足。为此,本文提出在YOLOv5的主干网络中引入通道与空间注意力机制相结合的CBAM模块[17],将其集成于SPPF模块之前。改进后的YOLOv5网络结构图如图2所示。

　　通过上述机制,CBAM能够有效增强YOLOv5在复杂背景中的目标聚焦能力,特别是在多目标重叠、低照度等场景下,能够显著提高检测精度。

　　2.3.2 DeepSORT采用DenseNet优化外观特征提取

　　DeepSORT原始骨干网络ResNet在逐层传递特征时易丢失信息,影响特征多样性与重用能力,从而降低跟踪性能。为优化外观特征提取,本文提出将ResNet改进为DenseNet[18],其密集连接机制使每层均接收所有前序层输入,增强特征利用率,提高网络表达能力。ResNet示意图如图6所示,DenseNet示意图如图7所示。

　　DenseNet通过密集连接机制,使每一层的输出直接与所有后续层连接,确保前几层的特征能够充分被后续层使用,减少了冗余计算。相比于ResNet的跳层连接设计,DenseNet的密集连接方式能够更好地保留不同层次的细粒度特征,从而提高外观信息的捕捉能力。

　　7结语

　　本文介绍了一种智慧交通路口管控系统,融合嵌入式开发、深度学习、数据库、网页与QT开发等技术,实时自动采集交通环境与流量数据,高效处理与传输。系统结合YOLOv5与DeepSORT,实现高精度目标检测与跟踪,引入时间序列模型精准预测流量,动态优化信号灯配时策略,提高通行效率。为增强性能,YOLOv5引入CBAM注意力机制提升特征提取能力,DeepSORT改用DenseNet网络增强跟踪稳定性。系统还开发了网页端与诱导屏,支持数据可视化、信号调控与安全提示等功能,为构建高效、智能、可持续的城市交通管理体系提供了创新性、全天候的综合解决方案。

　　本系统在智能交通管理中取得了一定成效,未来可结合实时流量、环境变化及突发事件,利用物联网与5G技术优化信号灯自适应控制,提高调度效率。通过智能调整信号灯配时,系统将更有效应对复杂交通需求,推动智慧交通与智慧城市建设。

参考文献

　　[1]黄天任.基于大数据的城市智能交通系统设计探究[J].建材发展导向,2024,22(24):55-57.

　　[2]MGUNI D H,CHEN H,JAFFERJEE T,et al.Mansa:Learning Fast and Slow in Multi-agent Systems[C]//International Conference on Machine Learning.PMLR,2023:24631-24658.

　　[3]刘义,何均宏.强化学习在城市交通信号灯控制方法中的应用[J].科技导报,2019,37(6):84-90.

　　[4]訾谦.交通强国建设迈出新步伐[N].光明日报,2024-12-28(2).

　　[5]郭洁.智慧城市建设对城市交通拥堵改善的影响研究[D].成都:电子科技大学,2020.

　　[6]安乐瑶,吴思瑶,何永明.非接触行人过街信号系统设计研究[J].山西建筑,2021,47(8):121-123.

　　[7]周云,胡锦楠,赵瑜等.基于卡尔曼滤波改进压缩感知算法的车辆目标跟踪[J].湖南大学学报(自然科学版),2023,50(1):11-21.

　　[8]ALBATISH I M,ABU-NASER S S.Modeling and Controlling Smart Traffic Light System Using a Rule Based System[C]//2019 International Conference on Promising Electronic Technologies(ICPET).Ga-za,Palestine,2019:55-60.

　　[9]ALI H,HAYAWI D M J.An Adaptive Traffic Light Control System Based On Artificial Intelli-gence[J].Journal of Education for Pure Science-University of Thi-Qar,2024,14(1):79-90.

　　[10]REN S,HE K,GIRSHICK R,et al.Faster R-CNN:Towards Real-time Object Detection with Region Proposal Networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2016,39(6):1137-1149.

　　[11]LIU W,ANGUELOV D,ERHAN D,et al.SSD:Single Shot Multibox Detector[C]//Computer Vision–ECCV 2016:14th European Conference,Amsterdam,The Netherlands,October 11-14,2016,Proceedings,Part I 14.Springer International Publishing,2016:21-37.

　　[12]GONG H,MU T,LI Q,et al.Swin-transformer-enabled YOLOv5 with Attention Mechanism for Small Object de-tection on Satellite Images[J].Remote Sensing,2022,14(12):2861.

　　[13]KALMAN R E.A new Approach to Linear Filtering and Prediction Problems[J].1960,82:35-45.

　　[14]BEWLEY A,GE Z,OTT L,et al.Simple Online and Realtime Tracking[C]//2016 IEEE International Conference on Image Processing(ICIP).IEEE,2016:3464-3468.

　　[15]WOJKE N,BEWLEY A,PAULUS D.Simple Online and Realtime Tracking with a Deep Association Metric[C]//2017 IEEE International Conference on Image Processing(ICIP).IEEE,2017:3645-3649.

　　[16]GEIGER A,LENZ P,STILLER C,et al.Vision Meets Robotics:The KITTI Dataset[J].The International Journal of Robotics Research,2013,32(11):1231-1237.

　　[17]WOO S,PARK J,LEE J Y,et al.CBAM:Convolutional Block Attention Module[C]//Proceedings of the European Conference on Computer Vision(ECCV).2018:3-19.

　　[18]崔梦举.交叉口场景下机动车检测算法研究[D].北京:北方工业大学,2024.

　　[19]魏化永,李建华.基于改进LSTM的城市轨道短时流量预测研究[J].太原学院学报(自然科学版),2024,42(04):49-55.

　　[20]CHO K,VAN MERRIËNBOER B,GULCEHRE C,et al.Learning Phrase Representations Using RNN Encoder-decoder for Statistical Machine Translation[J].arXiv Preprint arXiv:1406.1078,2014.

　　[21]MASCI J,MEIER U,CIREşAN D,et al.Stacked Convolutional Auto-encoders for Hierarchical Feature Extrac-tion[C]//Arti■cial Neural Networks and Machine Learning-ICANN 2011:21st International Conference on Artificial Neural Networks,Espoo,Finland,June 14-17,2011,Proceedings,Part I 21.Springer Berlin Heidelberg,2011:52-59.

　　[22]潘理虎,尹佳莉,张睿,等.面向交通流预测的全局-局部时空感知模型[J].计算机工程,1-12[2025-10-25].https://doi.org/10.19678/j.issn.1000-3428.0069550.