### 基于Python的道路红绿灯识别 为了实现交通信号灯的检测与识别，可以采用传统图像处理技术和深度学习相结合的方法。以下是两种主流的技术路径及其具体实现方式。 #### 方法一：基于OpenCV的传统图像处理技术 这种方法利用颜色分割和形态学操作来提取交通信号灯的位置和状态。尽管其效果可能受到复杂环境的影响，但在简单场景下仍然有效。 ```python import cv2 import numpy as np def detect_traffic_light(image_path): image = cv2.imread(image_path) hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 定义红色范围 (Hue, Saturation, Value) lower_red_1 = np.array([0, 70, 50]) upper_red_1 = np.array([10, 255, 255]) lower_red_2 = np.array([170, 70, 50]) upper_red_2 = np.array([180, 255, 255]) mask_red_1 = cv2.inRange(hsv_image, lower_red_1, upper_red_1) mask_red_2 = cv2.inRange(hsv_image, lower_red_2, upper_red_2) red_mask = mask_red_1 | mask_red_2 contours, _ = cv2.findContours(red_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for contour in contours: area = cv2.contourArea(contour) if area > 100: # 过滤掉较小区域 x, y, w, h = cv2.boundingRect(contour) cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2) return image # 调用函数并显示结果 result = detect_traffic_light('traffic_light.jpg') cv2.imshow('Detected Traffic Light', result) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码通过定义红色的颜色区间[^1]，并对输入图片进行颜色过滤和轮廓检测，从而定位到潜在的交通信号灯位置。 --- #### 方法二：基于YOLOv5/YOLOv8的深度学习目标检测 对于更复杂的实际应用场景，推荐使用深度学习模型如YOLOv5或YOLOv8来进行交通信号灯检测。这类方法具有更高的鲁棒性和准确性。 ##### YOLOv5 实现流程 1. **安装依赖库** 首先需要安装 `ultralytics` 库以及 PyQt5 来支持用户界面开发。 ```bash pip install ultralytics pyqt5 opencv-python ``` 2. **训练自定义数据集** 如果已有标注好的交通信号灯数据集，则可以直接加载预训练权重文件；如果没有，则需自行准备数据集并重新训练模型[^2]。 3. **编写推理脚本** 下面是一个简单的推理示例： ```python from ultralytics import YOLO import cv2 model = YOLO("yolov5s.pt") # 加载预训练模型或者自己的微调模型 cap = cv2.VideoCapture(0) # 打开摄像头 while True: ret, frame = cap.read() results = model(frame)[0] for box in results.boxes: xyxy = box.xyxy[0].cpu().numpy() # 获取边界框坐标 conf = round(box.conf.item(), 2) # 置信度分数 label = f"{results.names[int(box.cls)]} {conf}" color = (0, 255, 0) # 绘制绿色矩形框 cv2.rectangle(frame, tuple(xyxy[:2]), tuple(xyxy[2:]), color, 2) cv2.putText(frame, label, tuple(xyxy[:2]-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2) cv2.imshow("Traffic Light Detection", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 此代码片段展示了如何使用YOLOv5实现实时视频流中的交通信号灯检测，并结合PyQt5创建图形化界面以增强用户体验。 --- #### 方法三：基于YOLOv8的改进方案 相比YOLOv5，YOLOv8提供了更快的速度和更好的精度表现。下面是如何快速上手YOLOv8的一个例子： ```python from ultralytics import YOLO import cv2 model = YOLO("yolov8n.pt") cap = cv2.VideoCapture("video.mp4") while True: success, img = cap.read() if not success: break detections = model(img, stream=True) annotated_frame = next(detections).plot(labels=False) cv2.imshow("YOLOv8 Inference", annotated_frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 该版本进一步简化了API接口的设计，使得开发者能够更加专注于核心逻辑而非繁琐的操作细节[^3]。 --- ### 总结 无论是选择传统的图像处理手段还是先进的深度学习框架，都需要根据具体的业务需求权衡计算资源消耗、部署难度等因素后再做决定。如果追求高精确率且具备足够的硬件支撑能力的话，建议优先考虑后者即YOLO系列算法之一。