基于OpenCV的交通信号灯检测完整实现技术问询

嘿，你已经搭好了不错的基础框架，咱们把这段黄色交通信号灯检测的代码补全，同时拆解下关键技术点，帮你理解每一步的作用：

一、完整可运行代码 #

import cv2
import numpy as np

cap = cv2.VideoCapture(0)

# 黄色的HSV阈值（可根据实际光照环境微调）
lower_yellow = np.array([20, 100, 100])
upper_yellow = np.array([30, 255, 255])

while True:
    ret, frame = cap.read()
    if not ret:
        break  # 读取帧失败时直接退出循环

    # 1. 转换到HSV颜色空间，更适合颜色分割
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

    # 2. 生成黄色区域的掩码，过滤非黄色像素
    mask = cv2.inRange(hsv, lower_yellow, upper_yellow)
    # 形态学开运算：先腐蚀后膨胀，去除掩码中的小噪声点
    kernel = np.ones((3,3), np.uint8)
    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

    # 3. 提取黄色区域并做中值滤波去噪
    res = cv2.bitwise_and(frame, frame, mask=mask)
    img_blur = cv2.medianBlur(res, 5)

    # 4. 转换为灰度图，为霍夫圆检测做准备
    gray = cv2.cvtColor(img_blur, cv2.COLOR_BGR2GRAY)

    # 5. 霍夫圆检测：识别黄色圆形信号灯
    circles = cv2.HoughCircles(
        gray,
        cv2.HOUGH_GRADIENT,
        dp=1,               # 累加器分辨率与图像分辨率的反比，1表示一致
        minDist=50,         # 检测到的圆中心之间的最小距离，避免重复检测
        param1=50,          # Canny边缘检测的高阈值，低阈值是它的一半
        param2=30,          # 累加器阈值，值越低检测到的圆越多，误检率也越高
        minRadius=10,       # 最小圆半径，过滤过小的噪声圆
        maxRadius=50        # 最大圆半径，过滤过大的干扰物
    )

    # 6. 在原帧上绘制检测结果
    if circles is not None:
        circles = np.uint16(np.around(circles))
        for i in circles[0, :]:
            # 绘制圆的轮廓
            cv2.circle(frame, (i[0], i[1]), i[2], (0, 255, 0), 2)
            # 绘制圆心点
            cv2.circle(frame, (i[0], i[1]), 2, (0, 0, 255), 3)
            # 添加文字标注
            cv2.putText(frame, "Yellow Light", (i[0]-50, i[1]-i[2]-10), 
                        cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 2)

    # 7. 显示结果窗口
    cv2.imshow('Original Frame', frame)
    cv2.imshow('Yellow Mask', mask)

    # 按'q'键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头资源并关闭所有窗口
cap.release()
cv2.destroyAllWindows()

二、关键技术细节拆解 #

• HSV颜色空间的选择：相比BGR，HSV的色调（H）通道几乎不受光照亮度影响，能更精准地锁定黄色。这里把S和V的下限设为100，是为了过滤掉过暗、饱和度低的黄色（比如墙面污渍、褪色标识），只保留明亮饱满的黄色信号灯。
• 形态学开运算：解决掩码中存在的细碎噪声点问题，避免后续霍夫圆检测把这些噪声误判为圆形。
• 中值滤波：对提取的黄色区域进行去噪，平滑图像边缘，提升霍夫圆检测的准确性，减少误检。
• 霍夫圆检测参数核心逻辑：
  • minDist：确保两个信号灯不会被检测成同一个圆；
  • param2：最关键的参数，值越高，检测到的圆越“规整”，但可能漏掉模糊的信号灯；值越低，检测范围越广，但误检率上升，需要根据实际场景微调。

三、优化建议 #

• 动态调整HSV阈值：可以添加滑动条组件，实时调整lower_yellow和upper_yellow的参数，快速适配不同光照环境；
• ROI区域限定：如果知道信号灯通常出现在画面的上半部分，只对该区域进行检测，能大幅减少计算量，提升检测速度；
• 多帧验证：连续3-5帧都检测到相同位置的黄色圆，才判定为有效信号灯，避免单帧误检（比如路过的黄色气球）；
• 亮度归一化：对输入帧进行直方图均衡化，提升光照不均场景下的颜色分割效果。

内容的提问来源于stack exchange，提问作者Yavuzhan Erdem