可以毫不夸张的说交通信号检测和识别，传统机器视觉的方法基本无效，目前只有一条路：深度学习，主要是交通信号灯外形千奇百怪，位置也是各不相同，所以不存在特征提取一说，深度学习可以很好的避免这种问题。

     交通灯（红绿）识别的会遇到很多问题：光线、遮挡、故障、虚警、同步等等。。。在深度学习只要正负样本分类做好，还是有一定的概率解决这些问题。下面介绍几种知名的网络：

1. Traffic-Sign Detection and Classification in the Wild

     清华-腾讯联合的交通标志检测识别工作。每个pixel layer输出表示每个图像区域4×4像素包括目标的概率，而每个bounding box layer的结果代表了区域和目标框四边的距离。此外，加一个新层label layer输出一个N维分类向量。这样，该模型可以同时完成检测和分类的工作。

2. YOLO V3

       YOLOv3，快如闪电，可称目标检测之光。因为YOLO支持识别120种不同的对象，这里也包括交通信号灯，所以这里有120个值表示该网格位置存在任一种对象的概率。

     以后详细分析YOLO，这里就不展开了。

3. Apollo无人车

       百度的优势在于高精地图，apollo通过反复查询HD地图来了解前方是否有信号灯，结合高精地图可以计算出信号灯在视频中的位置，当然并不完全可靠，可以选取一个更大的关注区域（ROI）用来发现精确的信号灯边界框。

        信号灯识别任务采用的是典型的CNN分类。神经网络接收到一张带有ROI和一组边界框的图像作为输入。输出的网络是一个4x_n_的向量。代表每个框的四种状态几率（黑，红，黄，绿）。最大并且足够大的概率状态会被认定为信号灯的状态。否则信号灯状态将被判定为黑，意味着状态未知。

4. V2X

        未来可能不是解决了交通信号灯识别问题，而是问题本身不存在了，V2X简单而言，是指在红绿灯和无人车之间建立通讯。首先需要在红绿灯上装一个发射源，发射源可对外发射红绿灯的状态信息，无人车则对这个信息进行接收。V2X的通讯距离最高可以做到一千多米，相比于探测距离较近的摄像头，使用这种方案的无人车能够更早的了解到红绿灯的状态。相比摄像头，它的另一个优势在于识别的便捷性，它几乎可以没有任何干扰地将红绿灯的信息传递给车辆。最大的缺陷则在于成本，在每一个红绿灯上安装这样一个设备，成本可想而知。