交通信号灯的检测与识别技术,在智能交通系统、无人车驾驶中扮演着重要的角色。如果能有效的解决这一问题,意味着色盲驾驶汽车也会成为一种可能。交通信号灯检测与识别技术要想成功的应用到我们的生活中,必须要解决两个问题:1)实时性、准确性2)复杂环境下的鲁棒性。到目前为止,同时满足这两个要求的算法研究并不多,现有的方法为了满足实时性,一般都是基于图像处理的算法,不过这些算法比较依赖视觉传感器的成像质量和色彩还原度,传统的CMOS相机很难满足其要求,该类方法很难适应复杂多变的实际路况。交通信号灯的检测算法,一般分成两个步骤:1)待检区域的提取2)信号灯状态的识别。对于待检区域的提取,本文提出了一种基于自适应滤波的算法,该算法极小化背景区域的能量函数的同时,对信号灯的响应做了等式约束,并引入了松弛变量和二范数正则项,最后使用内点法进行求解。并且本文对该算法的模型参数进行了详细的讨论和分析。对于信号灯状态的识别步骤,本文融合了HOG描述子和局部RGB直方图描述子,并设计了一个层级的SVM分类器,对检测区域的状态进行识别。由于没有统一的数据库进行训练和测试,于是采集和标注了大量的数据,并在这个数据库上进行了大量的实验。通过自行采集数据训练的算法模型,同Charette和Gong J等人基于传统图像处理的算法进行了比较。实验表明,本文提出的算法能取得很好的检测和识别效果,对光照变化的鲁棒性强,适合应用于实际的路况当中。