1.一种交通信号灯倒计时识别系统的构建方法，其特征在于：包含以下步骤：S1：制作交通信号灯数据集：收集交通信号灯图片，对图片进行分类并制作成VOC 2007格式的数据集；

S2：端到端交通信号灯倒计时识别模型的特征提取网络：选用ResNet50vd作为特征提取的主干网络，并构建Inception‑CSP模块，将网络stage4的3×3标准卷积替换为3×3可变形卷积DCN；再使用矩阵非极大值抑制法去除重叠框，使用逻辑回归作为交通信号灯倒计时分类器；

S3：构建一种基于注意力的多尺度融合模块AMF，实现多尺度特征的融合；

S4：完成网络搭建，并对训练数据集和标签进行预处理，然后作为输入训练端到端交通信号灯倒计时识别模型。

2.根据权利要求1所述的交通信号灯倒计时识别系统的构建方法，其特征在于：所述S1中交通信号灯图片收集数量为8000，并且分类过程中，对图片进行尺寸归一化、随机饱和度调整、随机对比度调整、随机亮度调整及Mosaic数据增强的处理。

3.根据权利要求1所述的交通信号灯倒计时识别系统的构建方法，其特征在于：所述S3中：通过采用Feature1和Feature2不同权重w1，w2方式得到最终输出特征，并将CSPNet加入PANet中。

4.根据权利要求1所述的交通信号灯倒计时识别系统的构建方法，其特征在于：所述S4的具体步骤为：

S4.1:计算损失函数，所述损失函数为三个损失函数加权得到，所述三个损失函数为分别为类别损失Lossclass、置信度损失Lossconf、坐标偏差损失Losscoord，其中，Lossclass使用二值交叉熵Loss，Lossconf使用二值交叉熵的Lossconf_obj和Lossconf_noobj，Losscoord使用CIOULoss，权重比例为1∶1∶2，具体的公式为：Loss＝0.25×Lossclass+0.25×Lossconf+0.5×Losscoord；

S4.2：选择余弦学习率以及指数移动平均(EMA)；

S4.3：通过K‑means算法重新确定先验框。

5.根据权利要求4所述的交通信号灯倒计时识别系统的构建方法，其特征在于：所述S4.2中的余弦学习率与模型的训练轮数(epochs)的关系如下公式所示：上述公式中，begin_rate为初始学习率，epoch为当前轮数；

所述指数移动平均EMA的计算公式为：Wt＝α×Wt‑1+(1‑α)×W(t≥1)上述公式中，α为衰减系数，Wt为指数移动平均值，初始值为0。

6.根据权利要求4所述的交通信号灯倒计时识别系统的构建方法，其特征在于：所述S4.3中计算的距离函数为：

d(box，centroid)＝1‑IOU(box，centroid)上述公式中，centroid聚类中心的矩形框，box表示标注矩形框，IOU表示box与centroid的交并比。

7.一种交通信号灯倒计时识别系统，其特征在于：使用权利要求1‑6任意一项所述的交通信号灯倒计时识别系统的构建方法构建形成。

8.一种交通信号灯倒计时识别系统的应用方法，其特征在于：使用权利要求7所述的交通信号灯倒计时识别系统，交通信号灯倒计时识别系统部署到移动端设备中，以完成实际场景中的交通信号灯倒计时的识别。