一些學(xué)者REF_Ref32727\r\h[1]提出了使用計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行交通燈顏色檢測(cè)的方法。其中，許多算法都是基于顏色空間的。顏色空間指一種特定的數(shù)學(xué)模型，用于表述和計(jì)算顏色的數(shù)量，它能夠精確地描述顏色在數(shù)學(xué)上的表達(dá)形式。常見(jiàn)的顏色空間包括RGB、HSV和YUV等。在交通信號(hào)燈顏色的檢測(cè)中，這些顏色空間可被使用來(lái)對(duì)圖像中的像素進(jìn)行顏色分類和鑒別，能夠更準(zhǔn)確地識(shí)別交通燈的顏色。在RGB顏色空間中，交通燈的顏色通常被定義為一組RGB值的范圍。例如，紅色的范圍通常是(255,0,0)到(255,70,70)。當(dāng)像素的RGB值在此范圍內(nèi)時(shí)，該像素將被分類為紅色像素。這種方法的優(yōu)點(diǎn)是簡(jiǎn)單易懂，但由于RGB顏色空間不夠靈活，可能會(huì)導(dǎo)致顏色檢測(cè)的準(zhǔn)確性下降。HSV顏色空間是一種非常適合用于顏色分類的顏色空間，它比RGB顏色空間更加實(shí)用。HSV顏色空間用色相、飽和度和亮度三個(gè)參數(shù)來(lái)描述顏色。通過(guò)調(diào)整這三個(gè)參數(shù)的值，可以得到幾乎任何顏色。例如，交通燈顏色可以定義為在HSV顏色空間中具有特定范圍的色相值和飽和度值的像素。使用HSV顏色空間進(jìn)行交通燈顏色檢測(cè)可以提高算法的準(zhǔn)確性。第二章：本章介紹了交通信號(hào)燈檢測(cè)與識(shí)別技術(shù)方法，以及相關(guān)理論算法等內(nèi)容，包括深度學(xué)習(xí)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）以及YOLOv7算法，詳細(xì)介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本原理、卷積操作、池化操作激活函數(shù)、全連接層、前向傳播與反向傳播以及參數(shù)共享和稀疏連接等內(nèi)容，同時(shí)介紹了數(shù)據(jù)集和數(shù)據(jù)增強(qiáng)方法。第三章：本章討論如何改進(jìn)交通信號(hào)燈檢測(cè)模型YOLOv7，包括三種優(yōu)化結(jié)構(gòu)方法：高效擴(kuò)展聚合網(wǎng)絡(luò)、重參數(shù)化卷積和損失函數(shù)改進(jìn)。同時(shí)，引入CBAM注意力機(jī)制提高模型對(duì)不同尺度特征的關(guān)注能力。第四章：本章介紹了仿真實(shí)驗(yàn)和結(jié)果分析，主要內(nèi)容為信號(hào)燈檢測(cè)模型YOLOv7與改進(jìn)后的CBAM-YOLOv7對(duì)比試驗(yàn)，其中包括數(shù)據(jù)集測(cè)試對(duì)比、模型訓(xùn)練過(guò)程對(duì)比、模型訓(xùn)練結(jié)果對(duì)比以及模型訓(xùn)練混淆矩陣對(duì)比，后續(xù)介紹了系統(tǒng)實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的模型在精度和速度上均有提升。卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集介紹數(shù)據(jù)增強(qiáng)方法徐成,譚乃強(qiáng),劉彥.基于Lab色彩空間和模板匹配的實(shí)時(shí)交通燈識(shí)別算法[J].計(jì)算機(jī)應(yīng)用,2010,30(5):1251-1254.MuG,XinyuZ,DeyiL,etal.Trafficlightdetectionandrecognitionforautonomousvehicles[J].TheJournalofChinaUniversitiesofPostsandTelecommunications,2015,22(1):50-56.武瑩,張小寧,何斌.基于圖像處理的交通信號(hào)燈識(shí)別方法[J].交通信息與安全,2011,29(3):51-54.熊禹涵.基于深度學(xué)習(xí)的交通燈識(shí)別系統(tǒng)[J].通訊世界,2019,26(3):2周勁男.基于深度學(xué)習(xí)的智能交通燈控制方法探索[J].通訊世通訊世界,2020.13(3):7李苗苗.基于深度學(xué)習(xí)的連續(xù)行為識(shí)別方法研究[D].北京交通大學(xué). 李江天,羅定生.一種基于YOLO深度學(xué)習(xí)架構(gòu)的路口交通燈信息車輛間共享方法研究[J]系統(tǒng)科學(xué)與數(shù)學(xué),2022,42(2):16.ZUOZ,YUK,ZHOUQ.TrafficSignsDetectionBasedonFasterR-CNN[C/OL]//2017IEEE37thInternationalConferenceonDistributedComputingSystemsWorkshops(ICDCSW).2017,21(3):286-288.朱信熙,張尤賽.基于HOG特征的實(shí)景交通標(biāo)志檢測(cè)[J].計(jì)算機(jī)與數(shù)字工程,2020,48(5):5.伍曉暉,田啟川.交通標(biāo)志識(shí)別方法綜述[J].計(jì)算機(jī)工程與應(yīng)用,2020,56(10):7.王瑩，丁鵬.交通信號(hào)燈識(shí)別現(xiàn)狀研究[J].科技傳播，2018，10(15):123-124.李宗鑫，秦勃，王夢(mèng)倩.基于時(shí)空關(guān)系模型的交通信號(hào)燈的實(shí)時(shí)檢測(cè)與識(shí)別[J].計(jì)算機(jī)科學(xué)，2018，45(06):314-319.ACascadedR-CNNWithMultiscaleAttentionandImbalancedSamplesforTrafficSignDetection|IEEEJournals&Magazine|IEEEXplore.2022,35（2）:42-44.錢弘毅，王麗華，牟宏磊.基于深度學(xué)習(xí)的交通信號(hào)燈快速檢測(cè)與識(shí)別[J].計(jì)算機(jī)科學(xué)，2019,46(12):272-278.Chine-YaoWang,AlexeyBochkovskiy,andHong-YuanMarkLiao.YOLOv7:Trainabl