在本文的其余部分，我们将更仔细、深入地研究一些为自动驾驶技术奠定基础的更具体的计算机视觉和机器学习案例。
交通检测（和交通标志）仅在美国就有数千个红绿灯。虽然你可能认为红灯时停车是一个简单的过程，但事实上，在美国每年有大约 1000 人被闯红灯的车辆不必要地*死。
这意味着整个事情是一个非常危险、危险和甚至复杂的游戏。这也是一场具有悲剧性后果的游戏，其中超过 50% 的死亡是由未闯红灯的乘客或司机造成的。问题是红绿灯系统本身可能是完美的，但方向盘后面的人并不总是完美的。错误会发生，有时司机会闯红灯——事故也会发生。
这个可怕问题的解决方案可以在自动驾驶汽车中找到，与智能城市一起，可以防止这些死亡。事实上，汽车制造商正在将交通信号问题置于其自动驾驶汽车能力的前沿和中心。可以通过计算机视觉模型训练基于 AI 的系统来识别灯光（绿色、黄色和红色），这些模型在各种场景中进行训练，例如光线不足、恶劣天气和遮挡。
因此，自动驾驶汽车的摄像头首先会发现交通信号灯，然后再对图像进行分析和处理——如果结果是红灯，汽车就会刹车。
自然，这里有问题。当摄像头扫描它前面的东西时，它可能会发现其他比如广告牌或路灯的灯光。是的，红绿灯与路灯的不同之处在于它有三个灯，但图像分析仪的能力仍然需要如此出色，以至于它可以立即发现交通信号，而不会被其他灯所迷惑。
如果它被愚弄，结果可能是毁灭性的。在为流量检测注释数据时，需要两种常用方法之一：
- 单独标记灯和外壳（最常见）；
- 使用活动灯的颜色定义每个交通灯对象类。
您还可以单独标记杆和灯。每当智能城市为自动驾驶汽车提供接近感应时，了解其支撑结构是了解自由浮动物体位置的唯一方法。
这种注释方式还可用于确定在多个车道中呈现的彼此之间的交通信号灯，每组灯与下面的车道相关并分组。本文探讨了一种使用卷积神经网络的交通灯检测和识别方法。
利用地图数据和一对单独的焦距相机来检测不同距离的交通灯，研究人员提出了一种独特的灯光识别算法，将图像分类与物体检测相结合，以识别交通灯的灯光状态类别。
研究人员还将 YOLOv3 集成到他们的实时交通信号灯检测方法中，以获得更好的结果。
这是该过程的简化视觉表示：
结果：所提出的方法未能达到 100% 的准确率。因为红绿灯检测和识别需要100%的准确率才能保证乘客和行人的安全，所以需要改进。
行人检测如果计算机系统能够自动识别图像和视频中的行人，那该有多酷？此外，如果我们可以创建一个模型，让自动驾驶汽车能够理解行人的意图，以便他们知道。例如行人是否打算实时过马路，那会怎样？
这样的系统肯定会帮助自动驾驶汽车转向危险情况，并可能大量减少道路事故。
行人检测实际上是计算机视觉和模式识别中的一个关键问题，因为在道路交通环境中行人可能是超级不可预测的。它们是如此不可预测，以至于它们对自动驾驶汽车的成功构成了最大的威胁之一。
关键并不一定是系统能够识别特定的人类特征，例如胡须和鼻子，而是它能够正确区分人和另一个物体，以及了解行人下一步计划做什么。因此，他们会过马路吗？
