1.一种基于二值化yolov3网络的红绿灯检测方法，先构建并训练网络模型，然后通过训练好的网络模型对公路车道进行检测，其特征在于，网络模型的构建和训练主要包括以下步骤：
步骤1，收集大量汽车行驶过程中行车记录仪拍摄到的包含红绿灯的图片，方框标记出图片中红绿灯部分并按照颜色和指示方向对图片进行分类标注作为数据集，将数据集从数量上分为训练集、验证集和测试集三部分；
步骤2，构建yolov3网络，并对其进行二值化，形成二值化yolov3网络；二值化操作具体为，将输入图像利用符号函数二值化，将权重利用符号函数二值化，激活函数采用hardsigmoid函数，卷积操作为
步骤3，利用训练集对二值化yolov3网络进行训练，并更新权重，具体包为，权重初始化为浮点，前向传播过程中利用通过符号函数将权重量化为+1/-1，由二值权重与二值输入进行卷积运算，获得卷积层输出；在反向传播过程中，放松符号函数，计算相应梯度值，并根据梯度值对权重进行参数更新，参数更新完成后再权重量化为+1/-1，以便后期推断使用；
步骤4，将测试集输入训练好的二值化yolov3网络，输出三路大小分别为13*13、26*26和52*52的特征图，每张特征图的每个特征点上都带有3种不同尺寸的候选框，对每个候选框进行回归和分类并计算总损失，获取最优预测框位置输出及其对应的类别输出。
2.根据权利要求1所述的基于二值化yolov3网络的红绿灯检测方法，其特征在于，所述前向传播过程为，将训练集每个标记方框的宽和高相对整张图片的比例进行k-means聚类，设置簇数为3，生成3种不同尺寸的候选框，将构建好的二值化yolov3网络在imagenet数据集上进行预训练，再将预训练完成的二值化yolov3网络的基础上利用训练集进行迁移训练。
3.根据权利要求2所述的基于二值化yolov3网络的红绿灯检测方法，其特征在于，所述步骤4中获取最优预测框位置输出具体为，将测试集输入训练好的二值化yolov3网络，获取相对于候选区域的预测框偏移量和预测类别，利用预设的预测框置信度阈值对输出的预测框进行初步筛选，去除置信度小于阈值的预测框，再对预测框进行nms筛选去除重叠度高的预测框，得到最优预测框位置输出及其对应的类别输出。
4.根据权利要求3所述的基于二值化yolov3网络的红绿灯检测方法，其特征在于，所述类别输出按照颜色和指示方向分别为绿灯前进、绿灯左转、绿灯右转、绿灯掉头、红灯前进、红灯左转、红灯右转、红灯掉头。