基于YOLOv8的交通信号灯识别

交通信号灯的识别对于辅助驾驶系统是至关重要的，它可以帮助减少事故和提高行车安全。本文提出了基于YOLOv8的交通信号灯标志识别方法，该方法包括数据集的构建、模型的训练、自然场景测试三个主要部分。首先，通过网络公开的交通信号灯数据集进行标注，使用YOLOv8算法框架对数据集进行训练，得出最优模型。最后，在真实道路场景中对训练好的模型进行了测试，得到了较为准确的结果。通过实验对比，我们发现YOLOv8训练后的模型性能优异，在保证精度的情况下提高检测速度，还可以解决目标部分遮挡和小尺寸目标检测等问题，从而提高了识别的准确性和效率。在辅助驾驶系统中应用该方法可以更加精确地判断箭头指向性信号灯和全屏型信号灯，帮助提高车辆在路面上的运动安全性和稳定性。目前的大多方法仅仅针对于交通信号灯的颜色以及整体交通信号灯位置进行判断识别，本文会更细化交通灯上各式各样的方向标志颜色做出分类识别，通过YOLOv8算法在减少参数的情况下还能够大幅度减少计算资源，通过实验结果表明，迭代200轮后的模型mAP50-95便达到了82.6%，FPS达到了27.2帧/毫秒。

随着汽车工业的快速发展，自动驾驶技术逐渐成为了未来汽车行业的发展方向和趋势。在实现自动驾驶的道路上，交通灯信号灯标识是非常重要的交通设施，在保障交通安全和顺畅通行方面起到至关重要的作用。对于自动驾驶车辆来说，识别路面交通标志是必不可少的一项任务。

目前有许多现有的对交通信号灯识别的方法， 有基于深度学习和Opencv 的交通灯识别算法研究， 利用Opencv 提取目标为交通灯的图片区域， 将各个像素点的颜色由RGB 空间转换到HSV 空间[1]。

在HSV空间内，分别统计红色、绿色和黄色的点数，此方法能够对于交通灯不同颜色进行有效分类与识别；有基于卷积神经网络的交通信号灯实时识别方法[2] [3] [4]，这项研究使用YOLOv3 算法，通过改进特征提取、调整特征融合方式及尺度、优化损失函数来提升交通信号灯的检测效果；有基于深度学习的交通信号灯识别算法[5] [6] [7]，提出了DA-FasterR-CNN [8]算法对候选区域中的交通灯进行检测识别，利用改进的ResNext [9]网络替代VGG [10]作为网络骨干以提高神经网络浅层特征层对细节信息提取能力， 引入特征融合模块，将从基础网络中输出的两个不同尺度特征层的信息进行融合以产生一个新的高级语义特征层，提高了小型目标的检测性能。笔者在此提出了基于YOLOv5 [11]算法对格式各样的交通信号灯标志进行识别，并通过最新的YOLOv8 [12]结构对相同数据集进行训练评估，以实现更快的模型拟合速度以及更优的模型精度，因为模型可以对于国内当前较多场景的情况做出判断，如图1 所示，最上层的图是原始图，中间层是传统交通信号灯识别，最后一层是本文训练出的模型推理后的图片，所以可将模型部署在应用程序， 使得该程序亦可应用于智能导航系统， 将交通信号灯标志识别结果上传至导航系统中， 进行数据比较，结合地图信息、车辆定位以及实时交通信息，以对车辆行驶决策提供帮助。