基于车载摄像头的信号灯检测是无人驾驶汽车的重要技术之一,也是人工智能在计算机视觉方面的重要应用。传统的信号灯检测方法或者使用颜色阈值分割只检测信号灯光斑,或者使用基于滑动窗口的物体检测算法。只检测信号灯光斑容易受车尾灯等其他灯光的影响造成误识别,滑动窗口法计算量过大容易造成算法耗时严重的问题。而目前较为前沿的基于深度卷积神经网络的通用物体检测算法并不适用于信号灯这类小物体的检测。因此,针对信号灯难检测、耗时多的问题,本文综合考虑了颜色阈值分割算法与深度卷积神经网络算法的优点,提出一种准确、高效的信号灯检测算法。本文的主要工作包括以下三个方面:(1)提出一种信号灯共有特征区域提取算法。本算法将信号灯光斑定义为不同种类信号灯的共有特征区域。使用颜色阈值分割、膨胀与腐蚀、连通域提取算法提取信号灯光斑并使用基于几何约束的连通域过滤算法过滤部分误识别的信号灯光斑。由于信号灯光斑通常位于信号灯的上方或下方,因此本算法可以快速定位到信号灯可能存在的位置。(2)提出一种信号灯候选区域生成算法。信号灯光斑包围框与信号灯候选区域包围框之间通常具有一定的比例关系。本算法建立了由光斑包围框映射到信号灯候选区域包围框的模型,并使用数理统计方法和遗传算法对模型参数进行了优化。为了使生成的信号灯候选区域能够充分覆盖信号灯真实位置,一个信号灯光斑将生成多个信号灯候选区域。(3)提出一种信号灯分类算法。由于生成的信号灯候选区域数量众多,而且并非所有的候选区域都一定包含信号灯,因此需要使用分类算法对候选区域进行分类。本算法基于Fast RCNN算法框架,通过修改网络结构,使其更适合应用于信号灯这类小物体的分类。