简介这是一套基于Python与OpenCV实现的红绿灯识别系统源代码面向计算机视觉初学者、课程设计学生及自动驾驶入门开发者帮助解决交通灯颜色识别与GUI交互的实践问题。资源包共10个文件包含5个py脚本、3个json配置、1个png图像与1个gitignore压缩后约23KB其中py文件承载核心识别逻辑与界面代码json用于编辑器环境配置png提供测试素材。系统通过灰度转换、Canny边缘检测与BGR到HSV色彩空间转换完成图像预处理再以inRange函数结合色度阈值筛选红、绿、黄像素并辅以形状分析确认交通灯轮廓GUI部分支持滤镜选择与实时结果展示便于适应不同光照与摄像头视角。目前已有653人学习下载读者可从中获取完整的颜色识别流程、阈值调参思路与界面集成方案适合作为图像处理与智能交通方向的练手项目。1. 红绿灯识别系统落地从 PythonOpenCV 到带 GUI 的完整方案路口摄像头拍到的画面里红灯和绿灯的像素面积可能只占整帧的千分之几但误判一次就是急刹或闯灯。很多做 PythonOpenCV 红绿灯识别系统的朋友卡住的地方往往不是「识别不出来」而是「白天能跑、晚上翻车」「GUI 一开就卡死」「换个路口参数全废」。这套带 GUI 界面的交通灯智能识别系统核心要解决的就是把检测、颜色判别、状态机、界面刷新串成一条能稳定跑的链路而不是丢一个孤立的 HSV 阈值脚本。它适合两类人一类是刚学完 OpenCV 图像处理、想找一个完整项目练手的入门者另一类是要把红绿灯状态接进车路协同、路口信号采集或教学演示的工程师。下面按「先立原理、再动手复现、最后讲坑」的顺序把整条链路拆开讲清楚代码可以直接抄。2. 红绿灯识别系统的技术选型与整体链路设计2.1 为什么用 HSV 而不是 RGB 做颜色判别RGB 三个通道都和亮度强耦合同一盏红灯正午和黄昏的 R 值能差出一倍阈值根本没法固定。HSV 把色相H、饱和度S、明度V拆开红绿灯的颜色信息几乎全压在 H 通道上V 通道单独反映明暗。这样白天黑夜只需要调 V 的下限H 的区间基本不动鲁棒性直接上一个台阶。OpenCV 里用cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)转换注意 OpenCV 的 H 范围是 0~179 而不是 0~360这是新手第一个容易翻车的地方。红灯的 H 分布在两端0~10 和 170~180绿灯集中在 40~90 附近黄灯在 20~35。实际项目里我一般把红灯拆成两段区间分别做掩膜再按位或否则红色跨 0 点会被截断漏检一半。2.2 检测 颜色 状态机三段式链路整套系统拆成三个模块最清晰检测模块负责从画面里找出「可能是灯」的圆形或高亮区域颜色判别模块对候选区域做 HSV 统计判定红/绿/黄状态机模块做时序滤波避免单帧误判导致状态跳变。GUI 只负责显示和参数调节不参与计算逻辑这样界面卡顿不会拖垮识别主循环。检测环节常见两条路一是霍夫圆变换cv2.HoughCircles对圆形灯头友好但对远距离小目标敏感二是轮廓 面积/长宽比过滤先阈值分割再cv2.findContours适合灯珠发光的场景。我一般两条都用霍夫圆做粗定位轮廓做补充最后按面积排序取最大候选。2.3 环境搭建与依赖安装的确定性做法环境不统一是「ModuleNotFoundError: No module named opencv」和「opencv 安装成功却找不到 cv2」的高发区。稳妥做法是建独立虚拟环境锁定版本。Python 3.8 兼容性最好OpenCV 用opencv-python而不是opencv-contrib-python除非你要用 SIFT 等专利算法。# 建虚拟环境避免污染全局 python -m venv venv # Windows 激活 venv\Scripts\activate # Linux / macOS 激活 source venv/bin/activate # 先装 numpy再装 opencv顺序能减少编译依赖报错 pip install numpy1.24.3 pip install opencv-python4.8.1.78 pip install pillow10.0.1 # 验证是否装对 python -c import cv2; print(cv2.__version__)逻辑说明先建虚拟环境是为了隔离系统 Python避免和 conda、系统包互相污染。先装 numpy 再装 opencv是因为 opencv-python 的 wheel 依赖 numpy某些镜像源下顺序反了会触发源码编译进而报cv2.error: opencv(4.4.0) ... pip-req-build这类编译错误。参数上numpy 1.24.x 和 opencv 4.8.x 是经过大量项目验证的稳定组合不建议盲目追最新版。验证那行命令能打印出版本号说明 cv2 导入链路通了后面所有代码才有意义。提示如果import cv2报找不到模块先确认当前终端激活的是不是刚建的 venv再确认 pip 和 python 是不是同一个解释器which pip和which python路径前缀要一致。3. 用 OpenCV 实现红绿灯检测与颜色判别的核心代码3.1 图像预处理与 HSV 阈值分割预处理的目标是把「灯」从背景里凸显出来。步骤是转灰度做高斯模糊降噪转 HSV 做颜色掩膜再对掩膜做形态学开闭运算去掉噪点和填补空洞。import cv2 import numpy as np def build_color_mask(hsv, color): 根据颜色名生成二值掩膜红灯跨 0 点分两段 if color red: # 红色 H 分布在 0~10 和 170~180 两段 mask1 cv2.inRange(hsv, (0, 80, 80), (10, 255, 255)) mask2 cv2.inRange(hsv, (170, 80, 80), (180, 255, 255)) mask cv2.bitwise_or(mask1, mask2) elif color green: mask cv2.inRange(hsv, (40, 80, 80), (90, 255, 255)) elif color yellow: mask cv2.inRange(hsv, (20, 80, 80), (35, 255, 255)) else: raise ValueError(unknown color) # 开运算去噪闭运算补洞 kernel np.ones((5, 5), np.uint8) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) return mask def preprocess(frame): 返回降噪后的 HSV 图 blurred cv2.GaussianBlur(frame, (5, 5), 0) hsv cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV) return hsv逻辑说明inRange的三个参数是 (H, S, V) 的下限和上限。S 和 V 下限设 80 是为了滤掉灰白和暗区避免把白墙、灰路面误判成灯。红灯分两段掩膜再bitwise_or是解决 H 跨 0 点截断的关键。形态学核用 5×5太小去不掉噪点太大把小灯珠也腐蚀没了这个尺寸是反复试出来的平衡点。参数怎么改夜间画面整体偏暗V 下限可以从 80 降到 50雾霾天 S 会下降S 下限可降到 60。但别一次改太多每次只动一个参数配合 GUI 滑块实时看效果最直观。3.2 霍夫圆检测定位灯头颜色掩膜给出「哪里有对应颜色」霍夫圆给出「哪里是圆形灯头」两者取交集能大幅降低误检。def detect_circles(gray): 霍夫圆检测返回圆心和半径列表 circles cv2.HoughCircles( gray, cv2.HOUGH_GRADIENT, dp1.2, # 累加器分辨率1.2 兼顾精度和速度 minDist50, # 圆心最小间距防止同一灯重复检测 param1100, # Canny 高阈值 param230, # 累加器阈值越小越容易检出但误检多 minRadius8, # 最小半径对应远距离小灯 maxRadius80 # 最大半径对应近距离大灯 ) if circles is None: return [] return np.round(circles[0]).astype(int)逻辑说明dp1.2是累加器分辨率和图像分辨率之比1.0 最精确但慢1.5 快但漏检1.2 是常用折中。param2是最关键的灵敏度旋钮值越小检出越多、误检也越多白天光照好可以设 30夜间噪点多要提到 40 以上。minDist设 50 是为了避免同一个灯头被检出多个同心圆。minRadius和maxRadius要按你摄像头的实际成像调路口远景灯珠可能只有 10 像素半径。3.3 颜色判定与状态机滤波单帧判定完颜色后不能直接输出否则一帧噪声就让状态乱跳。用一个长度为 N 的滑动窗口做多数投票。from collections import deque, Counter class TrafficLightFSM: def __init__(self, window7): # 滑动窗口存最近 N 帧的颜色判定 self.window deque(maxlenwindow) self.state unknown def update(self, color): 每帧调用一次返回稳定后的状态 self.window.append(color) # 多数投票票数过半才切换状态 counter Counter(self.window) top_color, top_count counter.most_common(1)[0] if top_count len(self.window) // 2 1: self.state top_color return self.state逻辑说明窗口长度 7 意味着要连续 4 帧判定一致才切换状态能有效滤掉单帧闪烁。窗口太短滤波弱太长响应迟钝7 是 30fps 下约 0.23 秒延迟对红绿灯这种秒级变化足够。Counter做多数投票比简单取最后一帧稳得多这是血泪经验——早期版本直接输出单帧结果GUI 上红绿疯狂闪烁根本没法看。4. 带 GUI 界面的交通灯识别系统集成与参数调节4.1 用 Tkinter 搭界面并解决刷新卡顿GUI 选 Tkinter 是因为它随 Python 自带不用额外装 PyQt 那套重依赖。但 Tkinter 和 OpenCV 主循环直接混用会卡死正确做法是把视频处理放独立线程主线程只负责刷新界面。import tkinter as tk from tkinter import ttk from PIL import Image, ImageTk import threading import cv2 class TrafficLightGUI: def __init__(self, root): self.root root self.root.title(交通灯智能识别系统) self.running False self.cap None # 视频显示区 self.canvas tk.Canvas(root, width640, height480, bgblack) self.canvas.pack() # 参数滑块HSV 的 V 下限 self.v_scale ttk.Scale(root, from_0, to255, orienthorizontal, commandself.on_v_change) self.v_scale.set(80) self.v_scale.pack(fillx) self.v_low 80 # 状态标签 self.status_label tk.Label(root, text状态: unknown, font(Arial, 16)) self.status_label.pack() btn ttk.Button(root, text开始/停止, commandself.toggle) btn.pack() def on_v_change(self, val): # 滑块回调实时更新 V 下限 self.v_low int(float(val)) def toggle(self): if self.running: self.running False else: self.running True self.cap cv2.VideoCapture(0) threading.Thread(targetself.loop, daemonTrue).start() def loop(self): fsm TrafficLightFSM() while self.running: ret, frame self.cap.read() if not ret: break frame cv2.resize(frame, (640, 480)) # 这里调用第 3 章的检测逻辑 color self.detect(frame) state fsm.update(color) # 转成 PIL 再转 ImageTkTkinter 才能显示 img cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) img Image.fromarray(img) imgtk ImageTk.PhotoImage(imageimg) # 更新 UI 必须在主线程 self.root.after(0, self.update_ui, imgtk, state) self.cap.release() def update_ui(self, imgtk, state): self.canvas.create_image(0, 0, anchornw, imageimgtk) self.canvas.image imgtk # 保持引用否则图会被回收 self.status_label.config(textf状态: {state}) def detect(self, frame): # 占位实际接第 3 章的颜色判别 return unknown逻辑说明视频读取放threading.Thread里跑主线程用root.after(0, ...)把 UI 更新调度回主线程这是 Tkinter 线程安全的唯一正确姿势。self.canvas.image imgtk这行必须写否则 PhotoImage 被垃圾回收画面直接变黑这是新手最常见的「GUI 黑屏」原因。滑块回调on_v_change把 V 下限实时传给检测逻辑实现边看边调。4.2 参数实时调节与配置文件持久化调好的参数不能每次重启都重设用 JSON 存下来。import json def save_params(path, params): with open(path, w, encodingutf-8) as f: json.dump(params, f, indent2) def load_params(path): try: with open(path, r, encodingutf-8) as f: return json.load(f) except FileNotFoundError: # 首次运行返回默认值 return {v_low: 80, s_low: 80, param2: 30}逻辑说明参数存 JSON 而不是硬编码换路口时直接改文件或 GUI 调完保存。load_params捕获FileNotFoundError返回默认值保证首次运行不崩。实际项目里我会把 HSV 上下限、霍夫圆参数、状态机窗口长度全存进去一个配置文件对应一个路口。4.3 检测结果可视化与日志输出在画面上画出检测框和状态文字同时把每帧判定写日志方便事后排查。def draw_result(frame, circles, state): 在帧上画圆和状态文字 for (x, y, r) in circles: cv2.circle(frame, (x, y), r, (0, 255, 0), 2) cv2.circle(frame, (x, y), 2, (0, 0, 255), 3) # 状态文字放左上角 cv2.putText(frame, fState: {state}, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 255, 255), 2) return frame逻辑说明cv2.circle画外圆和内点方便肉眼确认定位准不准。文字用putText叠加注意 OpenCV 不支持中文要显示中文得用 PIL 绘制再转回这里用英文避免乱码。日志建议按帧号 时间戳 判定颜色写 CSV出问题时能回放定位是哪一帧开始错的。5. 红绿灯识别系统常见问题与排查清单5.1 白天正常夜间全错现象白天识别准确一到晚上要么全判红要么全判 unknown。原因夜间画面整体 V 值低固定的 V 下限 80 把灯珠也滤掉了同时路灯和车灯形成大量高亮噪点。解决把 V 下限降到 40~50同时提高 S 下限到 100 以上利用灯珠高饱和特性把路灯白光区分开再对掩膜做一次面积过滤只保留面积在合理区间的连通域。5.2 GUI 画面卡顿或黑屏现象点开始后界面无响应或画面全黑。原因视频处理跑在主线程阻塞了事件循环或 PhotoImage 没保持引用被回收。解决处理逻辑放独立线程UI 更新用root.after在 canvas 上保存image属性引用。这两条几乎能解决 90% 的 Tkinter OpenCV 卡顿问题。5.3 同一盏灯被重复检测现象一个灯头画出好几个同心圆状态在红绿间跳。原因霍夫圆minDist太小或param2太低导致过检。解决minDist提到灯头直径的 1.5 倍以上param2适当调高再在检测后按圆心距离做非极大值抑制只保留面积最大的候选。5.4 换路口后参数全废现象在 A 路口调好的阈值搬到 B 路口识别率暴跌。原因摄像头高度、焦距、光照、灯珠型号都变了固定阈值不通用。解决把 HSV 和霍夫参数做成配置文件每个路口一份更彻底的做法是加自动白平衡或直方图均衡化做预处理降低对固定阈值的依赖。5.5 红灯跨 0 点漏检现象红灯经常识别不到绿灯正常。原因红色 H 分布在 0 和 180 两端单段inRange只能覆盖一半。解决红灯用两段区间分别生成掩膜再bitwise_or这是第 3 章代码里已经处理的关键点漏了这步红灯必然漏检。6. 把识别率再提一档从阈值调参到 ROI 与多帧验证阈值调参能解决大部分场景但想再往上走得从「减少搜索范围」和「增加时序约束」两个方向下手。第一个技巧是 ROI 裁剪红绿灯在画面里的位置相对固定先用一个矩形区域把天空和路面裁掉只在灯可能出现的区域做检测噪点直接少一半速度也快。ROI 可以做成 GUI 上可拖拽的框换路口时手动框一下就行。第二个技巧是多帧验证升级版。第 3 章的多数投票是「帧数过半」更稳的做法是结合时间戳做「持续时长」判定连续 0.3 秒以上判定为同一颜色才切换状态能滤掉更长的闪烁干扰。实现上把 deque 换成带时间戳的列表统计最近 0.3 秒内的颜色分布。第三个技巧是引入亮度自适应。与其手动调 V 下限不如每帧先算画面平均亮度按比例动态调整 V 下限。下面这段是自适应阈值的核心逻辑def adaptive_v_low(frame, base_v80): 根据画面平均亮度动态调整 V 下限 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) mean_brightness np.mean(gray) # 亮度低于 80 认为是暗场景下调 V 下限 if mean_brightness 80: return max(30, base_v - 30) elif mean_brightness 180: # 过曝场景提高下限压制高亮噪点 return min(150, base_v 20) return base_v逻辑说明mean_brightness反映整体光照暗场景下调 V 下限保证灯珠不被滤掉过曝场景上调下限压制噪点。max和min做边界保护防止调过头。这个函数每帧调用一次开销极小但能显著减少手动调参的工作量。验证方法上我习惯准备三段视频白天顺光、夜间逆光、雨天。每段跑完统计准确率和误报率准确率看正确帧占比误报率看把非灯判成灯的帧占比。两个指标都达标才算过。别只看单张截图红绿灯识别是时序问题单帧好看不代表连续跑得住。最后说个我自己的习惯每次调完参数一定把配置文件连同测试视频一起归档标注日期和场景。因为过两周你一定会忘记当时为什么把 param2 设成 35 而不是 30有了归档就能直接回溯。这套系统不难难的是把每个路口的差异都当成独立问题对待而不是指望一套参数打天下。希望帮到你。本文还有配套的精品资源点击获取