邵叶秦，周昆阳，郑泽斌，向 阳，唐宇亮，施 佺

（1.南通大学 交通与土木工程学院，江苏 南通 226019；2.南通大学 张謇学院，江苏 南通 226019）

交通信号灯是车辆驾驶过程中的重要标志信息。目前，辅助驾驶或自动驾驶的移动端对交通信号灯的识别准确率较低、实时性较差，存在很大的安全隐患。因此，准确、高效的交通信号灯识别是辅助驾驶和自动驾驶的重要研究方向。现有的交通信号灯检测与识别算法主要分为两类:基于图像处理的传统方法和基于神经网络的方法。

基于传统图像处理的方法主要利用交通信号灯的颜色（红、绿等）和形状（一般圆形）特征完成检测与识别[1-3]。这些传统的方法对于环境的敏感度较高，对于不同环境光照的鲁棒性较差，不利于实际使用。

基于神经网络的方法主要利用卷积神经网络去自主学习交通信号灯的深度特征，使得模型能够在不同场景下完成交通信号灯的检测与识别。Kim和Muller 等[4-5]使用单帧多目标检测（single shot multibox detection，SSD）[6]算法完成交通信号灯检测与识别，但SSD 算法检测准确率较低。Han 等[7]通过将Faster-RCNN[8]中的特征提取网络VGG16 的Pool4层去除，增大输出特征的尺寸，使得区域生成器能够更好地提取小物体特征；另外，引入在线难样本挖掘策略，进一步提高模型对交通信号灯识别的准确率。目前，基于经典目标识别算法（you look only once，YOLO）[9]模型的交通信号灯识别成为新的研究热点。2018 年提出的YOLOv3 算法把目标边框定位问题转化为回归问题，利用多尺度特征实现目标检测，使得算法检测速度更快、检测精度较高、且更加通用[10-14]。……