王莹 丁鹏

摘 要：交通信号灯的在线识别是无人驾驶和辅助决策系统中的重要研究内容，文章给出了一种基于深度学习的交通信号灯识别和分类方法，该方法使用YOLO（You Only Look Once）模型，基于Microsoft COCO 数据集的预训练模型进行二次迁移学习：先使用Bosch数据集进行迁移学习，再使用自制数据集做迁移学习。测试表明该方法训练后的模型具有较高准确率和实时性。同时，文章给出了基于检测结果提取综合路况信息的策略。

关键词：深度学习；神经网络；交通信号灯

中图分类号：U665 文献标识码：B 文章编号：1671-7988（2018）17-89-03

Abstract： The online recognition of traffic lights is an important topic in unmanned and assisted decision-making systems. This paper presents a deep learning approach to traffic lights identification and classification. This method uses YOLO （You Only Look Once） model. The pre-training model of the COCO dataset is used for double-transfer learning： Bosch dataset is used for the first transfer learning， and self-made dataset is used for the secondary transfer learning. The test result shows that the model trained by this method has higher accuracy and real-time performance. Also， we presents a strategy for extracting comprehensive road condition information based on detection results.

Keywords： Deep Learning； Neural Networks； Traffic Lights

CLC NO.： U665 Document Code： B Article ID： 1671-7988（2018）17-89-03

前言

交通信号灯检测和识别是无人驾驶和辅助驾驶领域的重要研究内容，国内外许多机构及研究者针对交通灯检测和识别开展了研究。但大多研究内容都基于人工设置特征及检测方法[1-4]，这些方法在较为复杂环境中检测和识别率不高，容易受到背景干扰、过爆、光晕、汽车尾灯，路灯和各种反射影响，造成误检或漏检。

交通信号灯有许多不同的数量，位置，形状，尺寸和布局，对于基于卷积神经网络的深度学习算法，这些差异是很容易的——只需收集汽车驾驶区域中交通灯类型的示例。算法可以自主学习交通信号灯特征，减少了人工干预，能较好应对复杂的交通背景，排除各种干扰，提高识别效率。本文基于卷积神经网络算法，利用二次迁移学习方法，训练出了精度较高的交通信号灯识别模型，并提出了基于检测信息的综合应用策略。

1 数据集选取

1.1 公开数据集