1.一种基于预先标定的信号灯识别方法，其特征在于包括以下步骤：步骤1：提取信号灯背板的HOG特征，并利用SVM进行训练；

步骤2：对待标定的视频帧利用多尺度的滑动窗口机制初步确定信号灯所在的区域，即背板位置；

步骤3：实时提取信号灯背板区域的局部彩色图像，通过灰度分割操作后将信号灯背板区域的暗部区域去除，得到发光的信号灯区域，再利用连通区域与水平外接矩形的面积比来判断发光信号灯的外形；

步骤4：进一步判断步骤3中识别为箭头形信号灯的箭头方向；

步骤5：进一步将检测到的信号灯转化到HSV的颜色空间，再对信号灯颜色进行识别，从而得到各种类型的信号灯位置与颜色信号的映射关系，完成标定，具体步骤如下：步骤5.1：将发光的连通区域图像转化至HSV颜色空间；

步骤5.2：统计各信号灯区域的H、S、V通道平均值；

步骤5.3：满足H∈(0,30)∪(330,360)，S∈[10,100]，V∈[5，100)的区域判断为红灯；

步骤5.4：满足H∈(40,80)，S∈[30,100]，V∈[5，100)的区域判断为黄灯；

步骤5.5：满足H∈(90,160)，S∈[30,100]，V∈[5，100)的区域判断为绿灯。

2.根据权利要求1所述的一种基于预先标定的信号灯识别方法，其特征在于步骤1)中利用SVM进行训练的具体步骤如下：步骤1.1：使用宽为W0、高为H0的灰度图作为样本进行HOG特征采集，其中，正样本为各类信号灯背板图片，负样本为除信号灯背板外的其他区域；

步骤1.2：设置HOG特征块尺寸为WHOG*WHOG，块步长为S*S，胞元尺寸为C*C，划分直方图区间个数为K；

步骤1.3：对HOG特征块进行归一化并将归一化后的各个胞元的特征向量联结在一起构成块的HOG特征，所有的HOG特征集合即为整个信号灯背板的HOG的特征；

步骤1.4：利用SVM对信号灯背板正负样本的特征进行训练，确定分割两种训练样本的最佳超平面。

3.根据权利要求1所述的一种基于预先标定的信号灯识别方法，其特征在于步骤2)中对待标定的视频帧利用多尺度的滑动窗口机制初步确定信号灯所在的区域的具体步骤如下：步骤2.1：待标定的视频帧提取的目标图像大小为Width*Height，设定矩形滑动窗口大小为Wwin*Hwin，按照水平步长为Hstep和竖直步长为Vstep滑动遍历整个目标图像，将窗口中采集到的部分缩放至训练样本W0*H0大小后再作为SVM识别；

步骤2.2：对目标图像的遍历操作需要进行多次，即通过调整滑动窗口的比例，在其0.5～2倍范围内创建11个尺度的滑动窗口进行搜索，定位信号灯背板区域。

4.根据权利要求1所述的一种基于预先标定的信号灯识别方法，其特征在于步骤3)利用连通区域与水平外接矩形的面积比来判断发光信号灯的外形的具体步骤如下：步骤3.1：将信号灯背板区域的图像转换到灰度空间中，并通过划分信号灯背板黑色像素的灰度区间，得到一系列连通的信号灯区域；

步骤3.2：计算出各个连通区域与相应的水平外接矩形的面积比；

步骤3.3：保留面积比在60％～99％的连通区域，并判断为圆形信号灯；

步骤3.4：保留面积比在20％～45％的连通区域，并判断为箭头形信号灯。

5.根据权利要求1所述的一种基于预先标定的信号灯识别方法，其特征在于步骤4中判断步骤3中识别为箭头形信号灯的箭头方向的具体步骤如下：步骤4.1：按连通区域外接矩形对半划分为上下两部分，计算这两部分中各自的连通区域面积；

步骤4.2：按连通区域外接矩形对半划分为左右两部分，计算这两部分中各自的连通区域面积；

步骤4.3：计算各连通区域的左右、上下部分的面积比，用作对称性判别依据；

步骤4.4：满足左右面积比大于1.5、上下面积比在0.9～1.1之间的识别为左转灯；

步骤4.5：满足左右面积比在0.9～1.1之间、上下面积比大于1.5的识别为直行灯；

步骤4.6：满足左右面积比小于0.66、上下面积比在0.9～1.1之间的识别为右转灯。