簡(jiǎn)介這是一套基于Python與OpenCV實(shí)現(xiàn)的紅綠燈識(shí)別系統(tǒng)源代碼面向計(jì)算機(jī)視覺初學(xué)者、課程設(shè)計(jì)或自動(dòng)駕駛?cè)腴T開發(fā)者幫助理解顏色空間轉(zhuǎn)換、閾值分割與形狀分析在交通燈識(shí)別中的落地方式。壓縮包共10個(gè)文件約23KB包含5個(gè)py腳本主程序、GUI界面與多個(gè)識(shí)別版本、3個(gè)json配置、1個(gè)png預(yù)覽圖及gitignore結(jié)構(gòu)輕量便于快速運(yùn)行與二次修改。系統(tǒng)提供圖形界面支持濾鏡選擇與色彩閾值調(diào)整可適應(yīng)不同光照與攝像頭視角并輸出實(shí)時(shí)識(shí)別結(jié)果。已有651人學(xué)習(xí)下載。讀者可從中獲得完整的圖像預(yù)處理、HSV色彩過濾、紅綠燈狀態(tài)判定與GUI交互實(shí)現(xiàn)思路同時(shí)接觸光照變化、實(shí)時(shí)性與錯(cuò)誤處理等工程考量適合作為計(jì)算機(jī)視覺項(xiàng)目練手與功能擴(kuò)展的參考模板。1. 紅綠燈識(shí)別系統(tǒng)從一段路口視頻到能跑起來的 GUI手頭有一段行車記錄儀拍的路口視頻想讓它自動(dòng)判斷當(dāng)前是紅燈還是綠燈這件事聽起來像是個(gè)深度學(xué)習(xí)項(xiàng)目實(shí)際上用 python-opencv 的傳統(tǒng)圖像處理思路就能做出一個(gè)能演示、能交互的版本。這套紅綠燈識(shí)別系統(tǒng)源代碼的核心邏輯并不復(fù)雜把圖像從 BGR 轉(zhuǎn)到 HSV 空間按顏色閾值把紅、黃、綠三個(gè)區(qū)域摳出來再做形態(tài)學(xué)去噪和輪廓篩選最后根據(jù)亮起的燈位判斷當(dāng)前信號(hào)。配上 GUI 界面之后你可以直接拖入圖片或視頻實(shí)時(shí)看到識(shí)別結(jié)果和置信度。它適合兩類人一類是剛學(xué)完 opencv 圖像處理、想找一個(gè)完整項(xiàng)目練手的入門者另一類是需要快速搭一個(gè)交通燈智能識(shí)別演示原型、驗(yàn)證算法可行性的工程師。整套方案不依賴 GPU普通筆記本就能跑重點(diǎn)在于參數(shù)調(diào)優(yōu)和工程細(xì)節(jié)。2. 顏色閾值分割HSV 空間為什么比 RGB 更適合紅綠燈2.1 從 BGR 到 HSV 的轉(zhuǎn)換邏輯與參數(shù)含義opencv 讀進(jìn)來的圖像默認(rèn)是 BGR 三通道直接在這個(gè)空間里做顏色判斷會(huì)非常痛苦因?yàn)楣庹找蛔僐、G、B 三個(gè)值同時(shí)漂移你很難畫出一條固定的分界線。HSV 把顏色拆成色調(diào)Hue、飽和度Saturation、明度Value三個(gè)維度紅綠燈的顏色差異主要體現(xiàn)在色調(diào)上光照強(qiáng)弱主要影響明度這樣就能把顏色判斷和亮度變化解耦開。轉(zhuǎn)換本身只需要一行import cv2 import numpy as np # 讀取圖像opencv 默認(rèn)按 BGR 通道順序讀入 frame cv2.imread(traffic_light.jpg) # 轉(zhuǎn)換到 HSV 色彩空間后續(xù)所有顏色判斷都在這個(gè)空間做 hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)這里有個(gè)容易翻車的點(diǎn)opencv 的 H 通道取值范圍是 0 到 179不是常見的 0 到 360。這是因?yàn)?8 位圖像里 H 被壓縮了一半紅色在標(biāo)準(zhǔn)色環(huán)上跨 0 度在 opencv 里就變成了 H 接近 0 和接近 179 兩段。所以紅色閾值必須寫兩組不能只寫一組。2.2 紅黃綠三色的閾值范圍與掩膜生成下面是我一般會(huì)用的初始閾值實(shí)際項(xiàng)目里要根據(jù)攝像頭白平衡和路燈色溫微調(diào)# 紅色在 HSV 中跨越 0 度需要兩段閾值合并 lower_red1 np.array([0, 100, 100]) upper_red1 np.array([10, 255, 255]) lower_red2 np.array([160, 100, 100]) upper_red2 np.array([179, 255, 255]) # 黃色范圍較窄集中在 20 到 35 之間 lower_yellow np.array([20, 100, 100]) upper_yellow np.array([35, 255, 255]) # 綠色范圍相對(duì)寬但要注意避開青色干擾 lower_green np.array([40, 80, 80]) upper_green np.array([90, 255, 255]) # 生成掩膜每個(gè)顏色得到一張二值圖 mask_red1 cv2.inRange(hsv, lower_red1, upper_red1) mask_red2 cv2.inRange(hsv, lower_red2, upper_red2) mask_red cv2.bitwise_or(mask_red1, mask_red2) mask_yellow cv2.inRange(hsv, lower_yellow, upper_yellow) mask_green cv2.inRange(hsv, lower_green, upper_green)參數(shù)說明每個(gè) np.array 里的三個(gè)值依次是 H、S、V 的下限或上限。S 和 V 的下限設(shè)成 100 和 100 是為了過濾掉灰白色和暗色區(qū)域避免把白色車身或灰色路面誤判成燈。如果發(fā)現(xiàn)夜間識(shí)別不到可以把 V 的下限降到 50 左右如果白天誤檢多把 S 的下限提到 120 以上。2.3 形態(tài)學(xué)處理去掉噪點(diǎn)、補(bǔ)上空洞掩膜出來之后通常會(huì)有很多小噪點(diǎn)燈的中心也可能因?yàn)榉垂獬霈F(xiàn)空洞。這時(shí)候用開運(yùn)算去噪、閉運(yùn)算補(bǔ)洞# 定義一個(gè) 5x5 的橢圓結(jié)構(gòu)元素比矩形更貼合圓形燈體 kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 開運(yùn)算先腐蝕后膨脹去掉孤立噪點(diǎn) mask_red cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel) # 閉運(yùn)算先膨脹后腐蝕填補(bǔ)燈體內(nèi)部空洞 mask_red cv2.morphologyEx(mask_red, cv2.MORPH_CLOSE, kernel) # 對(duì)黃色和綠色做同樣處理 mask_yellow cv2.morphologyEx(mask_yellow, cv2.MORPH_OPEN, kernel) mask_yellow cv2.morphologyEx(mask_yellow, cv2.MORPH_CLOSE, kernel) mask_green cv2.morphologyEx(mask_green, cv2.MORPH_OPEN, kernel) mask_green cv2.morphologyEx(mask_green, cv2.MORPH_CLOSE, kernel)kernel 大小是個(gè)經(jīng)驗(yàn)值。5x5 適合 640x480 到 1280x720 的分辨率如果圖像更大比如 1920x1080建議用 7x7 或 9x9。kernel 太小去不掉噪點(diǎn)太大會(huì)把遠(yuǎn)處的小燈也一起吃掉。這一步做完掩膜上基本只剩下幾個(gè)干凈的色塊。3. 輪廓篩選與燈位判斷怎么從一堆色塊里找到真正的信號(hào)燈3.1 輪廓提取與面積、寬高比過濾掩膜上可能同時(shí)存在多個(gè)色塊比如紅色尾燈、紅色廣告牌、紅色衣服。需要靠幾何特征把真正的信號(hào)燈挑出來def find_candidates(mask, min_area50, max_area5000): 從掩膜中提取候選輪廓按面積和寬高比過濾 contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: area cv2.contourArea(cnt) # 面積太小是噪點(diǎn)太大可能是大面積紅色物體 if area min_area or area max_area: continue x, y, w, h cv2.boundingRect(cnt) aspect_ratio w / float(h) # 信號(hào)燈近似圓形或略扁寬高比在 0.5 到 2.0 之間 if aspect_ratio 0.5 or aspect_ratio 2.0: continue # 填充率輪廓面積與外接矩形面積之比圓形約 0.78 fill_ratio area / (w * h) if fill_ratio 0.5: continue candidates.append((x, y, w, h, area)) return candidatesmin_area 和 max_area 需要根據(jù)實(shí)際畫面里燈的大小來定。如果攝像頭離路口遠(yuǎn)燈在畫面里只有十幾個(gè)像素min_area 要降到 20 左右。fill_ratio 這個(gè)指標(biāo)很實(shí)用它能過濾掉細(xì)長(zhǎng)條形的紅色物體比如紅色欄桿或紅色車身?xiàng)l紋。3.2 用位置關(guān)系排除干擾燈位排列的幾何約束真正的紅綠燈三個(gè)燈是垂直或水平排列的而且同一時(shí)刻通常只有一個(gè)燈亮。利用這個(gè)先驗(yàn)知識(shí)可以大幅降低誤判def group_traffic_lights(red_cands, yellow_cands, green_cands): 將三個(gè)顏色的候選框按位置聚類判斷是否屬于同一組信號(hào)燈 all_cands [] for c in red_cands: all_cands.append((red, c)) for c in yellow_cands: all_cands.append((yellow, c)) for c in green_cands: all_cands.append((green, c)) # 按 x 坐標(biāo)排序水平排列的信號(hào)燈 x 依次增大 all_cands.sort(keylambda item: item[1][0]) groups [] used [False] * len(all_cands) for i in range(len(all_cands)): if used[i]: continue group [all_cands[i]] used[i] True for j in range(i 1, len(all_cands)): if used[j]: continue # 兩個(gè)候選框中心點(diǎn)距離小于閾值認(rèn)為是同一組 xi, yi, wi, hi, _ all_cands[i][1] xj, yj, wj, hj, _ all_cands[j][1] cx1, cy1 xi wi / 2, yi hi / 2 cx2, cy2 xj wj / 2, yj hj / 2 dist ((cx1 - cx2) ** 2 (cy1 - cy2) ** 2) ** 0.5 if dist max(wi, hi) * 3: group.append(all_cands[j]) used[j] True groups.append(group) return groups這個(gè)聚類邏輯的核心是同一組信號(hào)燈的候選框中心距離不會(huì)太遠(yuǎn)大概是燈體尺寸的 2 到 3 倍。如果畫面里同時(shí)出現(xiàn)多個(gè)路口的燈這個(gè)分組能把它們分開后續(xù)每組獨(dú)立判斷。3.3 亮燈判定與置信度輸出一組信號(hào)燈里哪個(gè)顏色面積最大、填充率最高就判定為當(dāng)前亮燈def judge_signal(group): 輸入一組候選框輸出當(dāng)前信號(hào)燈顏色和置信度 if not group: return unknown, 0.0 # 按面積排序取最大的作為主候選 group.sort(keylambda item: item[1][4], reverseTrue) color, (x, y, w, h, area) group[0] # 置信度用填充率表示越接近 1 越像完整燈體 fill_ratio area / (w * h) confidence min(fill_ratio, 1.0) # 如果同組里有多個(gè)顏色面積接近說明判斷不可靠 if len(group) 1: second_area group[1][1][4] if second_area area * 0.7: return uncertain, confidence * 0.5 return color, confidence置信度低于 0.5 的時(shí)候界面上應(yīng)該顯示“不確定”而不是硬給一個(gè)結(jié)果。實(shí)際路口視頻里黃燈和紅燈切換的瞬間經(jīng)常出現(xiàn)兩個(gè)顏色同時(shí)可見的情況這時(shí)候輸出 uncertain 比輸出錯(cuò)誤答案更合理。4. GUI 界面搭建用 tkinter 把識(shí)別流程串起來4.1 界面布局與控件選擇python 自帶的 tkinter 足夠做這個(gè)演示界面不需要額外裝 PyQt。布局上分三塊頂部是文件選擇按鈕和模式切換中間是圖像顯示區(qū)底部是識(shí)別結(jié)果和參數(shù)調(diào)節(jié)滑塊。import tkinter as tk from tkinter import filedialog, ttk from PIL import Image, ImageTk class TrafficLightGUI: def __init__(self, root): self.root root self.root.title(紅綠燈識(shí)別系統(tǒng)) self.root.geometry(900x700) # 頂部控制欄 self.top_frame tk.Frame(root) self.top_frame.pack(filltk.X, padx10, pady5) self.btn_image tk.Button(self.top_frame, text選擇圖片, commandself.load_image) self.btn_image.pack(sidetk.LEFT, padx5) self.btn_video tk.Button(self.top_frame, text選擇視頻, commandself.load_video) self.btn_video.pack(sidetk.LEFT, padx5) self.btn_stop tk.Button(self.top_frame, text停止, commandself.stop_video, statetk.DISABLED) self.btn_stop.pack(sidetk.LEFT, padx5) # 圖像顯示區(qū) self.canvas tk.Canvas(root, width860, height500, bggray) self.canvas.pack(padx10, pady5) # 底部結(jié)果欄 self.bottom_frame tk.Frame(root) self.bottom_frame.pack(filltk.X, padx10, pady5) self.result_label tk.Label(self.bottom_frame, text等待輸入, font(Arial, 16)) self.result_label.pack(sidetk.LEFT) self.confidence_label tk.Label(self.bottom_frame, text置信度: --, font(Arial, 12)) self.confidence_label.pack(sidetk.RIGHT) self.video_capture None self.is_playing False這里用 PIL 的 ImageTk 來顯示 opencv 圖像因?yàn)?tkinter 原生不支持直接顯示 numpy 數(shù)組。轉(zhuǎn)換的時(shí)候要注意 BGR 轉(zhuǎn) RGB否則顏色會(huì)偏。4.2 圖片識(shí)別流程與結(jié)果回顯圖片模式的流程很直接讀圖、識(shí)別、畫框、顯示。def load_image(self): path filedialog.askopenfilename( filetypes[(Image files, *.jpg *.jpeg *.png *.bmp)]) if not path: return frame cv2.imread(path) if frame is None: self.result_label.config(text圖像讀取失敗) return result_frame, color, confidence self.process_frame(frame) self.show_frame(result_frame) self.result_label.config(textf識(shí)別結(jié)果: {color}) self.confidence_label.config(textf置信度: {confidence:.2f}) def process_frame(self, frame): 完整的識(shí)別流程返回畫了框的圖像和識(shí)別結(jié)果 hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 生成三個(gè)顏色的掩膜 mask_red self.get_red_mask(hsv) mask_yellow cv2.inRange(hsv, lower_yellow, upper_yellow) mask_green cv2.inRange(hsv, lower_green, upper_green) # 形態(tài)學(xué)處理 kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) for mask in [mask_red, mask_yellow, mask_green]: cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, dstmask) cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, dstmask) # 提取候選并分組 red_cands find_candidates(mask_red) yellow_cands find_candidates(mask_yellow) green_cands find_candidates(mask_green) groups group_traffic_lights(red_cands, yellow_cands, green_cands) # 取面積最大的一組作為主信號(hào)燈 if groups: groups.sort(keylambda g: sum(c[1][4] for c in g), reverseTrue) color, confidence judge_signal(groups[0]) # 在圖上畫出所有候選框 for c in groups[0]: x, y, w, h, _ c[1] cv2.rectangle(frame, (x, y), (x w, y h), (0, 255, 0), 2) else: color, confidence unknown, 0.0 return frame, color, confidenceprocess_frame 是整個(gè)系統(tǒng)的核心它把前面幾章講的步驟串在一起。注意這里對(duì)每個(gè)掩膜都做了開閉運(yùn)算實(shí)際跑的時(shí)候如果發(fā)現(xiàn)視頻卡頓可以把形態(tài)學(xué)操作去掉靠輪廓篩選來兜底。4.3 視頻模式與幀循環(huán)處理視頻模式需要在主線程之外跑一個(gè)循環(huán)否則界面會(huì)卡死。tkinter 的 after 方法可以做到不阻塞界面def load_video(self): path filedialog.askopenfilename( filetypes[(Video files, *.mp4 *.avi *.mov)]) if not path: return self.video_capture cv2.VideoCapture(path) if not self.video_capture.isOpened(): self.result_label.config(text視頻打開失敗) return self.is_playing True self.btn_stop.config(statetk.NORMAL) self.update_video() def update_video(self): if not self.is_playing or self.video_capture is None: return ret, frame self.video_capture.read() if not ret: self.stop_video() return # 縮小分辨率加快處理速度 frame cv2.resize(frame, (640, 360)) result_frame, color, confidence self.process_frame(frame) self.show_frame(result_frame) self.result_label.config(textf識(shí)別結(jié)果: {color}) self.confidence_label.config(textf置信度: {confidence:.2f}) # 每 30 毫秒處理下一幀約 33fps self.root.after(30, self.update_video) def stop_video(self): self.is_playing False if self.video_capture: self.video_capture.release() self.video_capture None self.btn_stop.config(statetk.DISABLED)視頻處理時(shí)把分辨率降到 640x360 是個(gè)實(shí)用技巧識(shí)別精度損失不大但速度能提升三到四倍。如果原始視頻是 1080p直接處理會(huì)非?？ā?. 避坑與排查紅綠燈識(shí)別里最容易翻車的五個(gè)地方5.1 紅色總是識(shí)別不到或者識(shí)別成兩段現(xiàn)象畫面里紅燈明明很亮但掩膜上紅色區(qū)域是斷開的或者干脆沒有。原因opencv 的 H 通道紅色跨越 0 和 179 兩端只寫一組閾值只能覆蓋一半。另外如果攝像頭白平衡偏冷紅色會(huì)往品紅方向偏H 值可能跑到 170 以上。解決紅色閾值必須寫兩組并用 bitwise_or 合并。如果還是斷把 H 的上限從 10 放寬到 15下限從 160 降到 150。用 cv2.cvtColor 轉(zhuǎn)成 HSV 后可以先把 H 通道單獨(dú)取出來看直方圖確認(rèn)紅燈的 H 值到底落在哪個(gè)區(qū)間。5.2 白天正常、晚上全黑或者全是噪點(diǎn)現(xiàn)象白天跑得好好的一到夜間視頻要么什么都識(shí)別不到要么滿屏都是紅色噪點(diǎn)。原因夜間路燈和車燈造成大面積高亮區(qū)域S 和 V 的分布跟白天完全不同。固定的 S、V 下限在夜間會(huì)把很多暗紅色物體也框進(jìn)來。解決加一個(gè)亮度判斷分支。先算整幀的平均 V 值如果低于 60判定為夜間模式把 S 下限降到 60V 下限降到 40同時(shí)把 min_area 提高到 100 以上過濾掉小噪點(diǎn)。如果高于 180判定為強(qiáng)光模式把 S 下限提到 150避免白色高光被誤判。5.3 視頻處理越來越卡最后界面無響應(yīng)現(xiàn)象視頻剛開始還能跑幾十幀之后越來越慢最后整個(gè)窗口卡死。原因update_video 里每幀都創(chuàng)建新的 numpy 數(shù)組和 PIL Image 對(duì)象python 的垃圾回收跟不上內(nèi)存持續(xù)增長(zhǎng)。另外如果 process_frame 里做了太多形態(tài)學(xué)操作單幀耗時(shí)超過 30 毫秒after 隊(duì)列會(huì)堆積。解決把 kernel 的創(chuàng)建提到循環(huán)外面不要每幀都 getStructuringElement。PIL Image 對(duì)象用完手動(dòng) del 并調(diào)用 gc.collect() 不現(xiàn)實(shí)更好的做法是復(fù)用同一個(gè) PhotoImage 對(duì)象用 paste 更新內(nèi)容。如果還是卡把形態(tài)學(xué)操作去掉只保留輪廓面積過濾。5.4 黃燈和紅燈同時(shí)亮起時(shí)判斷混亂現(xiàn)象黃燈亮的時(shí)候系統(tǒng)有時(shí)候報(bào)紅色有時(shí)候報(bào)黃色切換瞬間結(jié)果跳來跳去。原因黃燈的 H 范圍是 20 到 35紅燈的上限是 10中間有 10 個(gè)單位的間隔。但實(shí)際攝像頭里黃燈邊緣會(huì)有紅色漸變導(dǎo)致同一盞燈同時(shí)產(chǎn)生紅色和黃色候選框。解決在 judge_signal 里加一個(gè)優(yōu)先級(jí)規(guī)則如果同一組里同時(shí)有紅色和黃色候選且黃色面積大于紅色的 60%判定為黃色。另外在時(shí)間維度上做平滑連續(xù) 3 幀結(jié)果一致才更新界面顯示避免單幀誤判導(dǎo)致結(jié)果閃爍。5.5 綠色把路邊的樹和青色廣告牌也框進(jìn)來現(xiàn)象綠燈識(shí)別沒問題但畫面邊緣的綠色植物或青色招牌經(jīng)常被誤判成綠燈。原因綠色的 H 范圍 40 到 90 太寬把青色和部分黃綠色都包進(jìn)來了。另外植物的紋理復(fù)雜輪廓填充率可能剛好落在閾值邊緣。解決把綠色的 H 上限從 90 降到 75下限從 40 提到 45。同時(shí)提高 fill_ratio 的下限到 0.6因?yàn)檎嬲木G燈是均勻發(fā)光的圓盤填充率接近 0.78而樹葉的填充率通常低于 0.5。如果還有誤檢加一個(gè)位置約束只保留畫面下半部分的綠色候選因?yàn)樾盘?hào)燈通常不會(huì)出現(xiàn)在畫面頂部。6. 進(jìn)階技巧用幀間差分和 ROI 把識(shí)別速度再提一倍前面講的方案是逐幀全圖處理在 640x360 分辨率下大概能跑到 15 到 20 幀。如果想讓它在樹莓派或者老筆記本上也能流暢跑有兩個(gè)技巧值得試。第一個(gè)是 ROI 裁剪。信號(hào)燈在畫面里的位置通常比較固定尤其是固定攝像頭拍路口。你可以先手動(dòng)框一個(gè)感興趣區(qū)域后續(xù)只在這個(gè)區(qū)域里做顏色分割。ROI 一般取畫面中間偏上的位置寬度占全圖的三分之一到一半。這樣處理面積直接降到原來的四分之一速度提升非常明顯。def crop_roi(frame, roi_ratio(0.3, 0.1, 0.7, 0.6)): 按比例裁剪 ROI默認(rèn)取畫面中間偏上區(qū)域 h, w frame.shape[:2] x1 int(w * roi_ratio[0]) y1 int(h * roi_ratio[1]) x2 int(w * roi_ratio[2]) y2 int(h * roi_ratio[3]) return frame[y1:y2, x1:x2], (x1, y1)roi_ratio 四個(gè)值依次是左、上、右、下的比例。這個(gè)參數(shù)需要根據(jù)你的攝像頭安裝位置調(diào)沒有萬能值。調(diào)的時(shí)候先把 ROI 框畫出來看一眼確保信號(hào)燈始終在框內(nèi)。第二個(gè)是幀間差分。視頻里相鄰兩幀的背景幾乎不變只有信號(hào)燈切換的時(shí)候?qū)?yīng)區(qū)域才有明顯變化?？梢韵人惝?dāng)前幀和上一幀的差值只在差值大的區(qū)域做顏色識(shí)別。這樣大部分幀只需要做一次減法耗時(shí)可以忽略。class FrameDiffDetector: def __init__(self, threshold25, min_changed_ratio0.01): self.prev_gray None self.threshold threshold self.min_changed_ratio min_changed_ratio def need_process(self, frame): 判斷當(dāng)前幀是否需要做完整識(shí)別 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) gray cv2.GaussianBlur(gray, (5, 5), 0) if self.prev_gray is None: self.prev_gray gray return True diff cv2.absdiff(self.prev_gray, gray) _, thresh cv2.threshold(diff, self.threshold, 255, cv2.THRESH_BINARY) changed_ratio np.count_nonzero(thresh) / thresh.size self.prev_gray gray # 變化面積超過閾值才做完整識(shí)別 return changed_ratio self.min_changed_ratiothreshold 控制像素差多少算變化25 是個(gè)比較穩(wěn)的值太低會(huì)把噪點(diǎn)當(dāng)變化太高會(huì)漏掉緩慢的燈色切換。min_changed_ratio 控制變化面積占比0.01 表示畫面 1% 的像素變了才觸發(fā)識(shí)別。實(shí)際用的時(shí)候信號(hào)燈切換那一兩幀會(huì)觸發(fā)識(shí)別其余幀直接復(fù)用上一次結(jié)果整體幀率能翻倍。這兩個(gè)技巧疊加使用的時(shí)候要注意順序先做 ROI 裁剪再做幀間差分最后在 ROI 內(nèi)做顏色分割。ROI 裁剪減少處理面積幀間差分減少處理頻次兩者不沖突。我自己調(diào)這套系統(tǒng)的時(shí)候最大的教訓(xùn)是不要一上來就追求全自動(dòng)。先把單張圖片的閾值調(diào)穩(wěn)再跑視頻最后加 GUI。很多人反過來界面先搭好結(jié)果識(shí)別效果一塌糊涂調(diào)參的時(shí)候連個(gè)穩(wěn)定的測(cè)試基準(zhǔn)都沒有。另外 HSV 閾值沒有一套參數(shù)能通吃所有攝像頭換一個(gè)設(shè)備就要重新標(biāo)定這個(gè)心理預(yù)期要有。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取