### 使用 Python 和 OpenCV 实现红绿灯检测 为了实现红绿灯检测，可以采用颜色分割方法来定位交通信号灯中的红色、黄色和绿色区域。下面提供了一个简单的例子： #### 颜色空间转换与阈值设定 由于RGB色彩模型对于光照变化较为敏感，在实际应用中通常会先将图像从BGR色彩空间（OpenCV默认读入的颜色模式）转到HSV色彩空间。 ```python import cv2 import numpy as np def detect_traffic_light(image_path): # 加载图片并转化为HSV格式 image = cv2.imread(image_path) hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 定义三种颜色范围(HSV)，这里只考虑亮度较高的部分 lower_red1 = np.array([0, 70, 50]) upper_red1 = np.array([10, 255, 255]) lower_green = np.array([40, 70, 50]) upper_green = np.array([80, 255, 255]) lower_yellow = np.array([20, 100, 100]) upper_yellow = np.array([30, 255, 255]) mask_red1 = cv2.inRange(hsv_image, lower_red1, upper_red1) # 对于跨越Hue边界的情况也需要额外定义一个区间 lower_red2 = np.array([160, 70, 50]) upper_red2 = np.array([180, 255, 255]) mask_red2 = cv2.inRange(hsv_image, lower_red2, upper_red2) mask_green = cv2.inRange(hsv_image, lower_green, upper_green) mask_yellow = cv2.inRange(hsv_image, lower_yellow, upper_yellow) # 合并与显示遮罩图层 final_mask = mask_red1 | mask_red2 | mask_green | mask_yellow result = cv2.bitwise_and(image, image, mask=final_mask) return result ``` 这段代码通过`cv2.inRange()`函数创建了针对不同颜色的二值掩码，并最终组合起来形成总的掩膜[^2]。 #### 形态学操作去除噪声 在获取到了初步的结果之后，还可以进一步利用形态学运算消除一些不必要的噪点干扰。 ```python kernel = np.ones((5,5),np.uint8) opening = cv2.morphologyEx(final_mask,cv2.MORPH_OPEN,kernel , iterations = 2) closing = cv2.morphologyEx(opening,cv2.MORPH_CLOSE,kernel , iterations = 2) ``` 此段代码实现了开闭运算以平滑轮廓边缘，减少误检的可能性。 #### 轮廓提取与筛选 最后一步是从处理后的图像中找到可能代表圆形物体（即红绿灯）的轮廓，并对其进行尺寸过滤。 ```python contours,hierarchy=cv2.findContours(closing,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)[-2:] for cnt in contours: approx = cv2.approxPolyDP(cnt,0.02*cv2.arcLength(cnt,True),True) area = cv2.contourArea(cnt) if len(approx)==4 and area>500: # 假设我们寻找的是矩形框住的红绿灯 x,y,w,h=cv2.boundingRect(cnt) aspect_ratio=float(w)/h if abs(aspect_ratio-1)<0.2 : # 判断是否接近正方形 cv2.rectangle(image,(x,y),(x+w,y+h),(0,255,0),2) cv2.imshow('Detected Traffic Lights',image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码片段展示了如何遍历所有轮廓对象，挑选出符合条件的目标进行标记。