南京理工大学电子工程与光电技术学院 刘 磊

交通信号灯的在线检测与识别是无人驾驶领域中的重要研究内容，文章给出了一种基于YOLOv4的信号灯检测与识别方法，该方法以YOLOv4目标检测算法为基础，结合MoblieNetV3的特征提取网络，对算法进行轻量化处理。采用自制的信号灯数据集对该网络进行训练和测试，结果表明，文章提出的算法识别效果较好，平均准确率为89.9%，高于原YOLOv4网络的平均准确率85.6%，检测速度达到37FPS，高于原YOLOv4网络的29FPS，满足实时检测的要求。实验表明，改进后的网络模型能在保证检测准确率的同时提高检测速度，有效降低模型参数量，具有一定的应用价值。

近年来，交通信号灯的检测技术被逐步应用于无人驾驶领域，国内外很多研究人员对信号灯的检测与识别方法进行了相关研究。目前，随着深度学习技术在各行各业的广泛应用，基于深度学习的目标检测算法渐渐代替了传统的目标检测方法，已成为目前的主要检测方法。He等人设计出了SPP-net，通过区域共享卷积计算解决了R-CNN中重复计算卷积特征引起的检测速度较慢的问题。Ren等人提出了RPN网络，利用CNN来生成多种类型的候选区域，减少了网络模型的计算量。Ross Girshick参考RPN的思想，进一步提出了Faster R-CNN网络模型。Dai等人提出了R-FCN网络。R-FCN模型改进了Faster R-CNN的特征提取网络，并将ROI Pooling的位置放在了卷积层的后边。

为了进一步提高算法的检测速度，Redmon等人提出YOLO。YOLO网络能够在一次预测中得到多个目标的位置和类型，使检测速度大大提升。……