La investigación sobre la detección y reconocimiento de semáforos (TLR) ha crecido cada año. Además, el Aprendizaje Automático (ML) se ha utilizado en gran medida no solo en la investigación de semáforos, sino en todos los campos donde es útil y posible generalizar datos y automatizar el comportamiento humano. Los algoritmos de ML requieren una gran cantidad de datos para funcionar correctamente y, por lo tanto, se necesita una gran potencia computacional para analizar los datos. Sostenemos que el conocimiento experto debería utilizarse para disminuir la carga de recopilar una gran cantidad de datos para las tareas de ML. En este documento, mostramos cómo se utilizó este tipo de conocimiento para reducir la cantidad de datos y mejorar la tasa de precisión en la detección y reconocimiento de semáforos. Los resultados muestran una mejora en la tasa de precisión de alrededor del 15%. El documento también propone un prototipo de dispositivo TLR que utiliza tanto la cámara como la unidad de procesamiento de un teléfono inteligente, que puede ser utilizado como asistencia para el conductor. Para validar dicho prototipo de diseño, se construyó un conjunto de datos que se utilizó para probar un modelo de ML basado en un filtro de supresión de fondo adaptativo (AdaBSF) y Máquinas de Vectores de Soporte (SVM). Los resultados muestran una tasa de precisión del 100% y un recall del 65%.