1.一种混行交通流下基于灯语的HDV驾驶意图识别方法，其特征在于，包括：构建自动驾驶网络，其中自动驾驶网络包括网联自动驾驶车辆CAV、人工驾驶车辆HDV以及MEC节点；

CAV获取周围目标HDV的灯语图像；将灯语图像传输到MEC节点，MEC节点对灯语图像进行预处理；采用训练后的基于YOLO‑v7网络的驾驶意图识别模型对预处理后的灯语图像进行目标HDV驾驶意图识别；将HDV驾驶意图传输给CAV；CAV根据HDV驾驶意图生成对应的驾驶决策，并执行驾驶决策；

对基于YOLO‑v7网络的驾驶意图识别模型进行训练包括：

步骤1、获取历史人工驾驶车辆的所有灯语图像，得到训练集；

步骤2、对训练集中的灯语图像进行预处理，即将RGB图像转换为YUV或HSV颜色空间，并采用图像增强技术对转换颜色空间的图像进行增强处理；

步骤3、将预处理后的灯语图像输入优化过的YOLO‑v7网络，通过卷积神经网络提取图像中的多尺度特征；

步骤4、采用区域建议网络RPN对多尺度特征进行处理，即引入自适应候选框生成技术，根据实际的交通情况和历史数据，动态生成对应大小的候选框；根据候选框筛选出候选区域；

具体包括：对特征图中的每个像素点生成多个不同大小和宽高比的锚框；对于每个锚框，预测其包含目标的概率及类别，同时预测目标的精确边界框坐标；其公式为：其中，Δx为预测框的水平坐标偏移量；x为目标物体的预测框中心的水平坐标；xanchor为锚框中心的水平坐标；wanchor为锚框的宽度；Δy为预测框的垂直坐标偏移量；y为目标物体的预测框中心的垂直坐标；yanchor为锚框中心的垂直坐标；hanchor为锚框的高度；Δw为预测框宽度相对于锚框的归一化对数偏移量；wpred为目标物体的预测框宽度；Δh为预测框高度相对于锚框的归一化对数偏移量；hpred为目标物体的预测框高度；hanchor为锚框的高度；

步骤5、对每个候选区域进行进行分类，并识别候选区域中是否存在灯语信号，若存在，则执行步骤6，若不存在，则舍弃该候选区域；

步骤6、根据灯语信号识别人工驾驶车辆的行驶状态进行灯语信号的分类，识别其驾驶意图；

步骤7、根据驾驶意图计算YOLO‑v7模型的损失函数，其中损失函数中引入了加权策略，即对分类损失、边界框定位损失和置信度损失进行加权优化，动态调整其权重；损失函数中引入了L2正则化项；采用Adam优化算法对模型参数进行优化，当损失函数收敛时，完成模型的训练。

2.根据权利要求1所述的一种混行交通流下基于灯语的HDV驾驶意图识别方法，其特征在于，目标HDV的灯语图像包括刹车灯、转向灯以及超车信号灯。

3.根据权利要求1所述的一种混行交通流下基于灯语的HDV驾驶意图识别方法，其特征在于，灯语图像传输到MEC节点为通过5G通信实时传输。

4.根据权利要求1所述的一种混行交通流下基于灯语的HDV驾驶意图识别方法，其特征在于，对灯语图像进行预处理包括：采用直方图均衡化和伽马校正技术对灯语图像进行增强处理；对增强后的灯语图像进行中值滤波处理；对滤波后的图像进行裁剪和缩放；将裁剪和缩放后图像的RGB颜色空间转换为HSV颜色空间或YUV颜色空间，得到预处理后的灯语图像。

5.根据权利要求1所述的一种混行交通流下基于灯语的HDV驾驶意图识别方法，其特征在于，卷积神经网络提取图像中的多尺度特征为：Gi＝φ(Wi·X+ci)

Gi+1＝φ(Wi+1·Gi+ci+1)

其中，Gi表示第i层的输出特征图；Wi和ci分别是第i层的权重和偏置；X是输入图像或前一层的输出；φ为激活函数。

6.根据权利要求1所述的一种混行交通流下基于灯语的HDV驾驶意图识别方法，其特征在于，识别人工驾驶车辆的行驶状态包括计算人工驾驶车辆的驾驶意图置信度，根据置信度的值得到人工驾驶车辆的驾驶意图；其计算表达式为：其中，I表示综合的驾驶意图得分；N是候选框的总数量；pi是第i个候选框的预测概率；

分别是指示函数，表明该候选框是否表示转向、制动和超车的灯语信号；

Lturn，Lbrake，Lovertake分别为转向、制动和超车信号的特征置信度。

7.根据权利要求1所述的一种混行交通流下基于灯语的HDV驾驶意图识别方法，其特征在于，模型的损失函数包括边界框定位损失、置信度损失和分类损失；

采用基于均方误差的回归方式，对边界框的中心坐标和尺寸误差进行优化，即边界框定位损失表达式为：2

其中，Lcoord为边界框定位的均方误差；S为图像被分割成的网格数；B为每个网格预测的边界框数量； 为指示函数；xi，yi为实际边界框的中心坐标； 为预测边界框的中心坐标；wi，hi为实际边界框的宽度和高度； 为预测边界框的宽度和高度；

引入无物体情况下的惩罚系数λnoobj，减少网络对无效目标的误检测，其中置信度损失表达式为：其中，Lconf为置信度损失函数；Ci为预测的置信度分数； 为实际的置信度；

均为指示函数；λnoobj为无物体情况下的惩罚系数；

引入类别权重αc，根据不同类别的灯语信号的出现频率或重要性赋予不同的权重，其中分类损失表达式为：其中，αc是类别权重；ync表示第n个样本属于第c类的真实标签； 是通过激活函数调整后的第n个样本被预测为第c类的概率；N表示样本总数；C表示类别总数；

优化后的模型损失函数为：

2

L＝λcoordLcoord+λconfLconf+λclsLcls+λreg·||W||其中，λcoord为边界框定位损失的权重系数；Lcoord为边界框定位损失；λconf为置信度损失的权重系数；Lconf为置信度损失；λcls为分类损失的权重系数；Lcls为分类损失；λreg是正则化2

项的权重；||W||代表模型参数的L2范数。

8.一种混行交通流下基于灯语的HDV驾驶意图识别系统，该系统用于执行权利要求1～

7任意所述的一种混行交通流下基于灯语的HDV驾驶意图识别方法，其特征在于，包括：实时灯语图像采集单元、HDV驾驶意图识别模块、车联网意图共享服务模块以及驾驶行为决策执行单元；

所述实时灯语图像采集单元用于采集HDV的灯语图像；

所述HDV驾驶意图识别模块根据采集到的灯语图像，利用MEC节点上的基于YOLO‑v7网络的驾驶意图识别模型识别HDV的驾驶意图；

所述车联网意图共享服务模块将HDV的驾驶意图单播给目标CAV；

所述驾驶行为决策执行单元根据接收到的HDV驾驶意图信息进行决策与路径规划，执行相应的驾驶行为。