随着中国经济的发展,城市车辆保有量逐年增加,导致城市交通压力日益严峻,由此对车辆的高级驾驶辅助系统(ADAS)提出了更多辅助的需求,如灯语识别。道路中行驶的车辆之间的交流就是依靠约定俗成的灯语进行信息交互,因此车尾灯的实时检测和车尾灯的准确分类可以减少因驾驶员疏忽尾灯变化而导致的交通事故。ADAS通过车载摄像头捕捉车辆周围动态环境信息,实现对视频中的物体的检测识别,并从检测的结果分析判断路况,及时将路况信息通知驾驶员,辅助驾驶员安全行驶,具有重要的研究价值和广泛的应用场景。然而,在真实交通环境中,使用视频图像来检测车辆与车尾灯区域,并确定车尾灯的类型仍然是一个具有挑战性的难题。国内外车尾灯识别算法的早期研究主要是基于车尾灯的颜色和形状的特点来检测定位车尾灯,并通过统计学习的方法来实现车尾灯的分类。这类算法的缺点是在自然条件下,如光照强度、天气变化和拍摄角度等这些因素都会对特征提取造成较大影响。因此检测和识别精度相对较低。随着深度学习方法的兴起,卷积神经网络自动提取和学习高级图像特征大大的提升了目标检测的准确率,在一些特定任务领域已经超越人类。但是目前大多数主流深度卷积网络结构都较为复杂,无法兼顾速度和准确率,且对不平衡类,小物体检测方面效果不佳,很难实现在视频中实时分析识别车辆与车尾灯。针对现有车辆与车尾灯检测算法的实际应用场景分析,本文提出能够运用在复杂交通场景下的实时检测识别方法。论文主要内容包括:采集制作真实道路交通场景数据集;采用YOLOv3-tiny网络作为检测识别网络的基本框架,计算出符合数据集真实框最佳的先验框尺寸和个数;增加网络的预测层数更好的实现大中小物体检测;增加SPP金字塔池化网络结构,让训练网络随意变换训练图片的尺度大小,有效的减少训练过拟合;参考Focal loss损失函数思想,在分类损失函数做出改进,提高不平衡类的分类准确率。最后根据本文提出的方法实验结果分析,在测试集上得到了很好的效果,其中刹车灯达到89.13%AP,左转向灯88.44%AP,右转向灯89.99%AP。通过实验对比分析,证明算法可以满足视频中检测车辆和车尾灯语识别的实时性和连续检测的稳定性。