随着科技快速发展,越来越多的科技被应用到社会的各行各业中,提高社会劳动效率,推动经济向前发展。汽车行业作为现代科技的结晶,近年来,由于市场需求,汽车行业正在蓬勃发展,但汽车的过量使用,给交通道路带来巨大压力。由于传统交通控制已经不能很好解决当前的交通问题,导致交通堵塞和交通事故等频频发生。同时定时控制策略不能很好地发挥交通路段的最大通行能力,因此迫切需要建立根据交通流动态变化而自适应改变绿灯时间的智能交通系统。鉴于传统定时控制以及经典遗传控制算法分别在灵活性和收敛速度方面的劣势,本论文提出优化遗传控制算法,并通过仿真数据验证了优化遗传控制算法在自适应性、误差率和收敛速度方面的优势。本论文结构主要包括图像处理模块和自适应决策模块。在图像处理模块中,考虑到实际交叉口的车道线99%以上都是直线,在学习基于Hought变换实现对单车道提取的基础上,提出基于直线方程的单车道提取算法,实现对单车道的快速提取;基于统计学和帧间差分的中值法背景提取,实现背景的稳定提取,运用帧间差分、二值化处理以及形态学中的膨胀操作进行了车辆复原,最终完成对车辆个数的统计。在自适应决策模块中,本论文通过先验信息对模糊控制器进行训练,将智能交通的相关经验自动化、模糊化地融入到模糊控制器中,通过自学习使控制器具备一定的自我学习能力,可以初步根据交通状况动态调整各相位的绿灯通行时间;本论文对经典遗传控制算法进行优化,提高收敛速度,减少搜索全局最优解的时间,提高实时性。最后,本论文以平均车辆延误为三种控制策略性能的评价指标,以收敛速度作为经典遗传算法和优化遗传算法的性能指标,通过仿真表明优化遗传控制的优势:同定时控制相比,车辆平均延误时间减少了33%;同经典遗传控制算法相比,收敛速度提高了40%。