实时交通信号灯识别对于自动驾驶至关重要。本研究通过对使用卷积神经网络（CNN）的交通信号灯识别方法进行综合调查和分析，着重于数据集和 CNN 架构两个重要方面，并将方法根据底层架构分为三个主要群组：(1) 修改通用目标检测器来补偿特定任务特征的方法， (2) 利用规则和 CNN 组件的多阶段方法和 (3) 特定任务的单阶段方法。我们描述了每个群组中最重要的工作，讨论了数据集的使用情况，确定了研究的空白点。

Sep, 2023

通过上游车辆检测和可见光中心的近似值，本文提出了一种检测车辆灯光的方法，预测与每个车辆灯光相关的四个近似角点，可应用于自动驾驶中检测车辆灯光的网络。

Jul, 2023

本文介绍了多摄像头的交通信号灯感知管道，使用 YOLOv5 探测器进行边界框回归和交通信号灯分类，并融合高清语义地图信息和隐马尔可夫模型的状态过滤来提高鲁棒性，在现实世界的复杂场景下实现了优异的表现。

May, 2023

提出了一种基于 SOS-CNN 的方法来检测实际条件下大图像中的小型交通标志，它通过将大图像分成小补丁，利用 VGG-16 作为基础网络，对补丁级别的目标进行检测，并采用图像金字塔实现尺度不变性。实验结果表明，该方法在检测精度和召回率方面对具有小尺寸的交通标志的检测是有效的。

Jun, 2017

本文提出了一种交通信号灯检测模型，旨在找出对驾驶员未来决策有影响的信号灯，使用 Salience-Sensitive Focal loss 的 Deformable DETR 物体检测变换器模型进行训练，表现更好的召回率。

May, 2023

低分辨率图像识别中的关键在于特征提取，本文探讨了残差模块的基本维度及其对特征提取和计算效率的影响，并基于实验引入了一种双分支残差网络结构，结合常见特征子空间算法和中间层特征的利用，以提高低分辨率图像在交通环境中的识别精度，并通过知识蒸馏来减少网络参数和计算开销，实验证明该算法在低分辨率交通图像识别中的有效性。

Sep, 2023

综述了针对低光条件下行人检测的各种方法和数据集，并讨论了挑战和最近提出的解决方法，主要使用基于深度学习的图像融合方法进行准确可靠的行人检测。

Jan, 2024

近期，随着计算机视觉的不断进步，自动驾驶很可能很快将成为现代社会的一部分。然而，仍然有许多需要解决的问题。本研究评估了我们先前提出的高效行人检测器 LSFM 在多样化的天气条件和夜间场景等经典自动驾驶测试中的稳健性，并将其扩展应用于交通场景中实时物体检测，同时提出了适用于自动驾驶的更合适的实时性能指标。

Jan, 2024

本文提出了一种主动型行人检测器，该检测器利用多层神经表示、ResNet 和 faster R-CNNs 等技术实现对行人检测，能够有效解决行人检测中小尺寸行人偏远离摄像头时检测效果不佳的问题，经实验证实具有良好的性能。

Sep, 2017

利用计算机视觉和机器学习的方法，本研究论文展示了如何创建强大的算法以识别不同的交通违规行为，包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头，本研究应用 YOLOv5 算法的检测模块来识别交通参与者，如汽车、行人和交通标志，以及 strongSORT 算法进行连续帧间追踪。进一步，通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为，同时，识别模块提取车辆 ID 信息（如车牌号），生成违规通知并发送给相关部门。

Nov, 2023