交通灯识别子系统：用caffe训练了CNN网络，网络在验证集上的识别准确率达到92%+，但训练得到的caffemodel仅 2.84M
随着人工智能的不断发展，人们的生活正走向智慧化时代。更智能的交通，会给人们的出行带来便利。其中，无人驾驶是智慧交通的重要组成部分；而交通红绿灯的检测则是转向无人驾驶的重要任务。建立了实时抗干扰能力强的交通灯智能检测系统。
交通灯检测研究现状
①基于图像处理的交通灯检测方法
特征：颜色、形状等
操作：阈值筛选
缺点：合适的阈值选取非常困难
②基于机器学习的交通灯检测方法
特征：颜色、形状等
操作：通常低阈值，用机器学习的方法进行精筛选
③基于先验地图的交通灯检测方法
特征：颜色、形状等
操作：交通灯的位置在先验地图上是已知的
针对现状，DLfly团队通过在无先验信息的情况下，采取先识别后定位的方式，用CNN高效地完成了交通灯的检测。
算法效果
DLfly团队的智能交通灯检测系统包括交通灯识别子系统和交通灯定位子系统，下面分别是两个子系统测试后的demo图。
交通灯识别子系统：用caffe训练了CNN网络，网络在验证集上的识别准确率达到92%+，但训练得到的caffemodel仅 2.84M
交通灯定位子系统：通过生成CNN显著图得到交通灯的候选位置，而后融入图像的颜色信息，可以得到交通灯的确切坐标。
算法总结
智能交通灯检测系统有如下优点：
网络拟合效果好；
方法实时识别准确，且置信度高；
有效避免路灯、汽车尾灯等的干扰，抗干扰能力强。系统泛化能力强
计划将通过改进网络结构，参数设置等来进一步提供CNN性能，同时进一步严格颜色空间，让智能交通灯检测系统更加智能。