简介本资源是一套基于Python与OpenCV实现的交通路口红绿灯智能控制系统高分毕业设计源码面向计算机、自动化及智能交通方向的本科生解决真实路口信号识别与状态联动控制问题适用于毕业设计、课程设计及期末大作业场景。压缩包共33个文件含3个核心Python脚本main.py、sql.py、video.py、3个JPEG/3个PNG图像资源、2个HTML前端页面、3个CSS/2个JS样式与交互文件、4个XML配置或标注文件以及README.md、requirements.txt等工程支撑文档整体仅1.25MB轻量易部署。已有162人学习下载。项目代码全程手写并附详尽中文注释含模拟路口场景、Web管理界面与视频流实时识别模块经严格调试可直接运行配套PD文档与使用说明清晰结构分层合理web/、static/、pycache/等兼顾功能完整性与教学可读性是入门CV实战与嵌入式视觉控制的优质参考范例。1. 这不是“模拟红绿灯动画”而是一套可实测响应真实图像输入的交通信号控制逻辑闭环很多同学拿到“红绿灯控制系统”毕设题目第一反应是用 tkinter 或 PyGame 画三个圆、写个定时器切换颜色——那只是状态演示不是“控制系统”。真正能拿高分的毕设必须体现“感知-决策-输出”闭环用 OpenCV 实时采集路口视频流或预录视频识别红绿灯色块/箭头/倒计时数字结合车流密度、行人等待时长等视觉特征动态调整各方向灯色持续时间并将控制指令映射为可验证的输出信号如串口指令、GPIO电平、或可视化状态日志。本方案不依赖硬件控制器但所有模块均按嵌入式部署前的标准设计图像预处理抗光照变化、HSV阈值鲁棒性调参、多ROI区域独立检测、状态机防误触发、帧率自适应降载机制。适合计算机、自动化、智能交通方向本科生代码结构清晰、注释完整、参数可调、测试路径明确已通过 OpenCV 4.5 和 Python 3.8~3.11 全版本验证。2. 用 OpenCV 在本地跑通红绿灯状态识别的最小命令链从视频读取到 HSV 色域分割2.1 为什么必须用 HSV 而非 RGB 做红绿灯颜色识别RGB 空间中红色在不同光照下会偏橙、偏紫、甚至发灰直接比较 R/G/B 通道值极易误判。HSV 将颜色信息Hue、饱和度Saturation、明度Value解耦其中 Hue 通道对光照变化不敏感——红灯对应 H≈0° 或 H≈180°绿灯 H≈60°黄灯 H≈30°。OpenCV 的cv2.cvtColor(img, cv2.COLOR_BGR2HSV)输出 H 通道范围为 [0,179]注意不是 [0,360]S 和 V 均为 [0,255]。实际调试中发现单纯靠 Hue 阈值仍会受强反光干扰因此必须联合 S80排除灰白噪点和 V50排除暗区误检构成三维掩膜。提示不要用网上流传的固定 HSV 阈值如 red_lower [0,100,100]每个摄像头白平衡、镜头镀膜、环境色温都不同。必须用cv2.createTrackbar动态调试保存最优参数到 config.py。2.2 三步构建可复用的红绿灯 ROI 检测模块2.2.1 定义物理位置固定的检测区域Region of Interest真实路口摄像头视野稳定红绿灯位置相对固定。避免全图遍历降低效率应预先划分四个 ROI左转灯、直行灯、右转灯、人行道灯。用cv2.rectangle()可视化调试坐标以(x, y, w, h)形式存入字典# config.py ROI_COORDINATES { left_turn: (120, 80, 60, 60), # x,y,width,height straight: (220, 80, 60, 60), right_turn:(320, 80, 60, 60), pedestrian:(420, 200, 40, 40) }2.2.2 对每个 ROI 执行 HSV 掩膜 形态学去噪import cv2 import numpy as np def detect_light_color(roi_img, hsv_lower, hsv_upper): hsv cv2.cvtColor(roi_img, cv2.COLOR_BGR2HSV) mask cv2.inRange(hsv, hsv_lower, hsv_upper) # 开运算去椒盐噪声闭运算连通色块 kernel np.ones((3,3), np.uint8) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 计算掩膜内白色像素占比面积比 area_ratio cv2.countNonZero(mask) / (roi_img.shape[0] * roi_img.shape[1]) return area_ratio 0.3 # 占比超30%才判定为有效色块 # 调用示例红灯检测 red_lower np.array([0, 80, 50]) red_upper np.array([10, 255, 255]) is_red_on detect_light_color(roi_img, red_lower, red_upper)2.2.3 多色并行检测与状态冲突消解同一时刻只允许一个方向灯亮除黄灯过渡期若某 ROI 同时满足红/绿阈值需引入置信度排序优先级红 黄 绿因红灯最易被误检为黄绿灯最易被误检为黄实现方式对每个 ROI 计算red_ratio,yellow_ratio,green_ratio取最大值对应颜色且要求该值 其他两值 0.15 以上否则标记为UNKNOWN3. 构建交通信号状态机从单帧识别到跨帧状态稳定输出3.1 为什么不能每帧都直接输出灯色——抖动问题与状态持久化必要性原始视频常有压缩伪影、云层飘过导致瞬时色偏若每帧都触发状态变更控制信号将高频抖动。解决方案是引入有限状态机FSM 时间窗口投票定义状态RED,GREEN,YELLOW,UNKNOWN每帧识别结果进入长度为 5 的 FIFO 队列约 0.5 秒历史每次出队后统计队列中各状态出现次数取众数作为当前稳态仅当稳态与上一稳态不同时才更新current_state并触发控制逻辑from collections import deque class TrafficLightFSM: def __init__(self): self.state_history deque(maxlen5) # 5帧滑动窗口 self.current_state UNKNOWN def update(self, frame_state): self.state_history.append(frame_state) # 统计频次取最高频且占比40%的状态 from collections import Counter counts Counter(self.state_history) most_common, freq counts.most_common(1)[0] if freq / len(self.state_history) 0.4: if most_common ! self.current_state: print(f[STATE CHANGE] {self.current_state} → {most_common}) self.current_state most_common self._on_state_change(most_common) def _on_state_change(self, new_state): # 此处扩展为串口发送、GPIO翻转、或写入控制日志 with open(light_control.log, a) as f: f.write(f{cv2.getTickCount()/cv2.getTickFrequency():.3f} | {new_state}\n)3.2 基于车流密度的动态配时算法用背景差分法估算等待车辆数高分毕设区别于静态定时器的核心在于引入视觉反馈调节灯时。本方案采用轻量级背景差分Background Subtraction估算各方向等待车辆数3.2.1 为每个通行方向定义车流检测带Traffic Flow Zone# config.py - 在ROI下方延伸出矩形检测带 FLOW_ZONES { north_approach: (150, 300, 100, 40), # x,y,w,h覆盖直行车道入口 east_approach: (400, 150, 40, 100), south_approach: (250, 0, 100, 40), west_approach: (0, 150, 40, 100) }3.2.2 用 MOG2 模型提取运动前景统计像素连通域数量bg_subtractor cv2.createBackgroundSubtractorMOG2( history500, varThreshold16, detectShadowsFalse ) def count_vehicles_in_zone(frame, zone): x, y, w, h zone roi frame[y:yh, x:xw] fg_mask bg_subtractor.apply(roi) # 二值化 形态学增强 _, thresh cv2.threshold(fg_mask, 127, 255, cv2.THRESH_BINARY) kernel np.ones((5,5), np.uint8) thresh cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) # 查找连通域每个连通域≈1辆车 num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(thresh, connectivity8) # 过滤小面积噪点200像素 vehicle_count sum(1 for i in range(1, num_labels) if stats[i, cv2.CC_STAT_AREA] 200) return vehicle_count # 主循环中调用 for direction, zone in FLOW_ZONES.items(): vehicles count_vehicles_in_zone(frame, zone) flow_buffer[direction].append(vehicles) # 取最近3秒平均值作为当前车流强度 avg_flow int(np.mean(flow_buffer[direction][-30:])) # 30帧≈3秒3.3 动态配时策略红灯延时与绿灯提前释放规则当前灯色检测到车流强度控制动作南北向红灯东西向 avg_flow 8 且南北向 2南北红灯缩短 3 秒东西绿灯提前 3 秒启动东西向黄灯南北向 avg_flow 12黄灯延长 1 秒避免急刹所有方向车流 3进入低功耗模式切换为 30 秒循环绿→黄→红→黄无车时黄灯仅 1 秒注意配时调整需加软限幅——单次最多增减 5 秒防止突变总周期严格控制在 90~120 秒内符合国标《GB 14886-2019》对城市路口周期的要求。4. 串口通信与 GPIO 控制输出将 OpenCV 识别结果转化为物理信号4.1 用 pyserial 发送标准化控制指令帧为兼容后续接入 PLC 或单片机定义 ASCII 协议帧格式[STX][DIR][STATE][DURATION][ETX]STX0x02ASCII SOHDIRN北、S南、E东、W西、P行人STATER红、G绿、Y黄DURATION 2 字节十进制数如30表示 30 秒ETX0x03ASCII ETXimport serial import time ser serial.Serial( port/dev/ttyUSB0, # LinuxWindows 用 COM3 baudrate9600, timeout1, bytesizeserial.EIGHTBITS, stopbitsserial.STOPBITS_ONE, parityserial.PARITY_NONE ) def send_light_command(direction, state, duration): frame f\x02{direction}{state}{duration:02d}\x03 ser.write(frame.encode(ascii)) # 等待设备返回 ACK可选 ack ser.read(1) if ack b\x06: print(fACK received for {frame.strip()}) else: print(No ACK, retry or log error) # 示例南向绿灯亮 25 秒 send_light_command(S, G, 25)4.2 树莓派 GPIO 模拟输出用 BCM 编号控制 LED 灯组若无串口设备可用树莓派 GPIO 直接驱动 LED 模拟红绿灯GPIO 引脚功能BCM 编号GPIO17南北红灯17GPIO27南北绿灯27GPIO22南北黄灯22GPIO10东西红灯10GPIO9东西绿灯9GPIO11东西黄灯11import RPi.GPIO as GPIO # 初始化 GPIO GPIO.setmode(GPIO.BCM) LED_PINS { NS_RED: 17, NS_GREEN: 27, NS_YELLOW: 22, EW_RED: 10, EW_GREEN: 9, EW_YELLOW: 11 } for pin in LED_PINS.values(): GPIO.setup(pin, GPIO.OUT) GPIO.output(pin, GPIO.LOW) # 默认灭 def set_light_state(ns_state, ew_state): # 先全灭 for pin in LED_PINS.values(): GPIO.output(pin, GPIO.LOW) # 再按状态点亮 state_to_pin {R: _RED, G: _GREEN, Y: _YELLOW} ns_pin LED_PINS[NS state_to_pin[ns_state]] ew_pin LED_PINS[EW state_to_pin[ew_state]] GPIO.output(ns_pin, GPIO.HIGH) GPIO.output(ew_pin, GPIO.HIGH) # 主循环中调用 set_light_state(R, G) # 南北红东西绿4.3 关键参数表OpenCV 与控制模块的协同配置项参数名文件位置默认值说明调试建议CAMERA_INDEXmain.py0视频源索引-1 为文件路径用cv2.VideoCapture(0)测试摄像头是否正常HSV_RED_LOWERconfig.py[0,80,50]红灯 HSV 下界在debug_hsv_tuner.py中拖动滑块实时调整MIN_VEHICLE_AREAtraffic_flow.py200连通域最小像素面积高清摄像头可设为 300标清设为 150SERIAL_PORTcontrol_output.py/dev/ttyUSB0串口设备路径ls /dev/tty*查看可用端口GPIO_MODEgpio_output.pyBCMGPIO 编号模式树莓派必须用 BCMJetson 用 TEGRA5. 毕设答辩必验的 3 个硬核技巧让评委一眼看到工程深度5.1 用 OpenCV 的cv2.putText()实时叠加多维度诊断信息在输出画面右上角动态显示当前识别状态、各方向车流数、剩余绿灯秒数、FPS。这不是炫技而是证明系统具备实时监控能力def draw_debug_info(frame, state, flow_dict, remaining_sec, fps): font cv2.FONT_HERSHEY_SIMPLEX # 状态行 cv2.putText(frame, fNS: {state[NS]}, (10, 30), font, 0.6, (0,255,0), 1) cv2.putText(frame, fEW: {state[EW]}, (10, 60), font, 0.6, (0,255,0), 1) # 车流行 cv2.putText(frame, fFlow N:{flow_dict[north]}, (10, 90), font, 0.5, (255,165,0), 1) cv2.putText(frame, fFlow E:{flow_dict[east]}, (10, 110), font, 0.5, (255,165,0), 1) # 倒计时与性能 cv2.putText(frame, fGreen Left: {remaining_sec}s, (10, 140), font, 0.6, (0,191,255), 1) cv2.putText(frame, fFPS: {fps:.1f}, (10, 170), font, 0.6, (255,0,255), 1) return frame # 主循环中调用 frame draw_debug_info(frame, current_states, flow_counts, green_remaining, fps) cv2.imshow(Traffic Control Monitor, frame)5.2 生成可回放的控制日志用 CSV 记录每一秒的决策依据评委最关心“你凭什么这么调”——日志必须包含原始输入与决策链timestampns_lightew_lightnorth_floweast_flowdecision_reasongreen_duration1712345678.123RG512EW flow NS, extend EW green by 3s28import csv import time log_file control_decision_log.csv with open(log_file, w, newline) as f: writer csv.writer(f) writer.writerow([timestamp, ns_light, ew_light, north_flow, east_flow, decision_reason, green_duration]) # 在每次配时调整后写入 with open(log_file, a, newline) as f: writer csv.writer(f) writer.writerow([ time.time(), ns_state, ew_state, flow_counts[north], flow_counts[east], reason_str, current_green_duration ])5.3 设计故障注入测试验证系统在极端条件下的鲁棒性高分毕设必须展示容错能力。手动制造三类故障并观察系统行为故障类型注入方式期望响应验证方法摄像头遮挡用黑布盖住镜头 5 秒自动切换至“最后稳态”并告警日志中出现WARNING: No valid frame for 5s强光眩光用手电筒直射镜头HSV 阈值自动收缩S/V 下限提升debug_hsv_tuner.py中观察掩膜面积骤降后恢复车流突增快速放入 10 个玩具车模型绿灯延长 黄灯缓冲启动日志中decision_reason显示“emergency extension”提示答辩时打开control_decision_log.csv和light_control.log现场滚动播放日志比口头描述更有说服力。本文还有配套的精品资源点击获取