一些學者REF_Ref32727\r\h[1]提出了使用計算機視覺技術進行交通燈顏色檢測的方法。其中，許多算法都是基于顏色空間的。顏色空間指一種特定的數學模型，用于表述和計算顏色的數量，它能夠精確地描述顏色在數學上的表達形式。常見的顏色空間包括RGB、HSV和YUV等。在交通信號燈顏色的檢測中，這些顏色空間可被使用來對圖像中的像素進行顏色分類和鑒別，能夠更準確地識別交通燈的顏色。在RGB顏色空間中，交通燈的顏色通常被定義為一組RGB值的范圍。例如，紅色的范圍通常是(255,0,0)到(255,70,70)。當像素的RGB值在此范圍內時，該像素將被分類為紅色像素。這種方法的優點是簡單易懂，但由于RGB顏色空間不夠靈活，可能會導致顏色檢測的準確性下降。HSV顏色空間是一種非常適合用于顏色分類的顏色空間，它比RGB顏色空間更加實用。HSV顏色空間用色相、飽和度和亮度三個參數來描述顏色。通過調整這三個參數的值，可以得到幾乎任何顏色。例如，交通燈顏色可以定義為在HSV顏色空間中具有特定范圍的色相值和飽和度值的像素。使用HSV顏色空間進行交通燈顏色檢測可以提高算法的準確性。第二章：本章介紹了交通信號燈檢測與識別技術方法，以及相關理論算法等內容，包括深度學習，卷積神經網絡（CNN）以及YOLOv7算法，詳細介紹了卷積神經網絡的基本原理、卷積操作、池化操作激活函數、全連接層、前向傳播與反向傳播以及參數共享和稀疏連接等內容，同時介紹了數據集和數據增強方法。第三章：本章討論如何改進交通信號燈檢測模型YOLOv7，包括三種優化結構方法：高效擴展聚合網絡、重參數化卷積和損失函數改進。同時，引入CBAM注意力機制提高模型對不同尺度特征的關注能力。第四章：本章介紹了仿真實驗和結果分析，主要內容為信號燈檢測模型YOLOv7與改進后的CBAM-YOLOv7對比試驗，其中包括數據集測試對比、模型訓練過程對比、模型訓練結果對比以及模型訓練混淆矩陣對比，后續介紹了系統實現。實驗結果表明，改進后的模型在精度和速度上均有提升。卷積神經網絡數據集介紹數據增強方法徐成,譚乃強,劉彥.基于Lab色彩空間和模板匹配的實時交通燈識別算法[J].計算機應用,2010,30(5):1251-1254.MuG,XinyuZ,DeyiL,etal.Trafficlightdetectionandrecognitionforautonomousvehicles[J].TheJournalofChinaUniversitiesofPostsandTelecommunications,2015,22(1):50-56.武瑩,張小寧,何斌.基于圖像處理的交通信號燈識別方法[J].交通信息與安全,2011,29(3):51-54.熊禹涵.基于深度學習的交通燈識別系統[J].通訊世界,2019,26(3):2周勁男.基于深度學習的智能交通燈控制方法探索[J].通訊世通訊世界,2020.13(3):7李苗苗.基于深度學習的連續行為識別方法研究[D].北京交通大學. 李江天,羅定生.一種基于YOLO深度學習架構的路口交通燈信息車輛間共享方法研究[J]系統科學與數學,2022,42(2):16.ZUOZ,YUK,ZHOUQ.TrafficSignsDetectionBasedonFasterR-CNN[C/OL]//2017IEEE37thInternationalConferenceonDistributedComputingSystemsWorkshops(ICDCSW).2017,21(3):286-288.朱信熙,張尤賽.基于HOG特征的實景交通標志檢測[J].計算機與數字工程,2020,48(5):5.伍曉暉,田啟川.交通標志識別方法綜述[J].計算機工程與應用,2020,56(10):7.王瑩，丁鵬.交通信號燈識別現狀研究[J].科技傳播，2018，10(15):123-124.李宗鑫，秦勃，王夢倩.基于時空關系模型的交通信號燈的實時檢測與識別[J].計算機科學，2018，45(06):314-319.ACascadedR-CNNWithMultiscaleAttentionandImbalancedSamplesforTrafficSignDetection|IEEEJournals&Magazine|IEEEXplore.2022,35（2）:42-44.錢弘毅，王麗華，牟宏磊.基于深度學習的交通信號燈快速檢測與識別[J].計算機科學，2019,46(12):272-278.Chine-YaoWang,AlexeyBochkovskiy,andHong-YuanMarkLiao.YOLOv7:Trainabl