OpenCV红绿灯识别与动态配时控制系统设计

简介：本资源是一套基于Python与OpenCV实现的交通路口红绿灯智能控制系统高分毕业设计源码，面向计算机、自动化及智能交通方向的本科生，解决真实路口信号识别与状态联动控制问题，适用于毕业设计、课程设计及期末大作业场景。压缩包共33个文件，含3个核心Python脚本（main.py、sql.py、video.py）、3个JPEG/3个PNG图像资源、2个HTML前端页面、3个CSS/2个JS样式与交互文件、4个XML配置或标注文件，以及README.md、requirements.txt等工程支撑文档，整体仅1.25MB，轻量易部署。已有162人学习下载。项目代码全程手写并附详尽中文注释，含模拟路口场景、Web管理界面与视频流实时识别模块，经严格调试可直接运行；配套PD文档与使用说明清晰，结构分层合理（web/、static/、pycache/等），兼顾功能完整性与教学可读性，是入门CV实战与嵌入式视觉控制的优质参考范例。

1. 这不是“模拟红绿灯动画”，而是一套可实测响应真实图像输入的交通信号控制逻辑闭环

很多同学拿到“红绿灯控制系统”毕设题目，第一反应是用 tkinter 或 PyGame 画三个圆、写个定时器切换颜色——那只是状态演示，不是“控制系统”。真正能拿高分的毕设，必须体现“感知-决策-输出”闭环：用 OpenCV 实时采集路口视频流（或预录视频），识别红绿灯色块/箭头/倒计时数字，结合车流密度、行人等待时长等视觉特征，动态调整各方向灯色持续时间，并将控制指令映射为可验证的输出信号（如串口指令、GPIO电平、或可视化状态日志）。本方案不依赖硬件控制器，但所有模块均按嵌入式部署前的标准设计：图像预处理抗光照变化、HSV阈值鲁棒性调参、多ROI区域独立检测、状态机防误触发、帧率自适应降载机制。适合计算机、自动化、智能交通方向本科生，代码结构清晰、注释完整、参数可调、测试路径明确，已通过 OpenCV 4.5+ 和 Python 3.8~3.11 全版本验证。

2. 用 OpenCV 在本地跑通红绿灯状态识别的最小命令链：从视频读取到 HSV 色域分割

2.1 为什么必须用 HSV 而非 RGB 做红绿灯颜色识别？

RGB 空间中，红色在不同光照下会偏橙、偏紫、甚至发灰，直接比较 R/G/B 通道值极易误判。HSV 将颜色信息（Hue）、饱和度（Saturation）、明度（Value）解耦，其中 Hue 通道对光照变化不敏感——红灯对应 H≈0° 或 H≈180°，绿灯 H≈60°，黄灯 H≈30°。OpenCV 的cv2.cvtColor(img, cv2.COLOR_BGR2HSV)输出 H 通道范围为 [0,179]（注意：不是 [0,360]），S 和 V 均为 [0,255]。实际调试中发现，单纯靠 Hue 阈值仍会受强反光干扰，因此必须联合 S>80（排除灰白噪点）和 V>50（排除暗区误检）构成三维掩膜。

提示：不要用网上流传的固定 HSV 阈值（如 red_lower = [0,100,100]），每个摄像头白平衡、镜头镀膜、环境色温都不同。必须用cv2.createTrackbar动态调试，保存最优参数到 config.py。

2.2 三步构建可复用的红绿灯 ROI 检测模块

2.2.1 定义物理位置固定的检测区域（Region of Interest）

真实路口摄像头视野稳定，红绿灯位置相对固定。避免全图遍历降低效率，应预先划分四个 ROI：左转灯、直行灯、右转灯、人行道灯。用cv2.rectangle()可视化调试，坐标以(x, y, w, h)形式存入字典：

# config.py ROI_COORDINATES = { "left_turn": (120, 80, 60, 60), # x,y,width,height "straight": (220, 80, 60, 60), "right_turn":(320, 80, 60, 60), "pedestrian":(420, 200, 40, 40) }

2.2.2 对每个 ROI 执行 HSV 掩膜 + 形态学去噪

import cv2 import numpy as np def detect_light_color(roi_img, hsv_lower, hsv_upper): hsv = cv2.cvtColor(roi_img, cv2.COLOR_BGR2HSV) mask = cv2.inRange(hsv, hsv_lower, hsv_upper) # 开运算去椒盐噪声，闭运算连通色块 kernel = np.ones((3,3), np.uint8) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 计算掩膜内白色像素占比（面积比） area_ratio = cv2.countNonZero(mask) / (roi_img.shape[0] * roi_img.shape[1]) return area_ratio > 0.3 # 占比超30%才判定为有效色块 # 调用示例（红灯检测） red_lower = np.array([0, 80, 50]) red_upper = np.array([10, 255, 255]) is_red_on = detect_light_color(roi_img, red_lower, red_upper)

2.2.3 多色并行检测与状态冲突消解

同一时刻只允许一个方向灯亮（除黄灯过渡期），若某 ROI 同时满足红/绿阈值，需引入置信度排序：

• 优先级：红 > 黄 > 绿（因红灯最易被误检为黄，绿灯最易被误检为黄）
• 实现方式：对每个 ROI 计算red_ratio,yellow_ratio,green_ratio，取最大值对应颜色，且要求该值 > 其他两值 0.15 以上，否则标记为UNKNOWN

3. 构建交通信号状态机：从单帧识别到跨帧状态稳定输出

3.1 为什么不能每帧都直接输出灯色？——抖动问题与状态持久化必要性

原始视频常有压缩伪影、云层飘过导致瞬时色偏，若每帧都触发状态变更，控制信号将高频抖动。解决方案是引入有限状态机（FSM）+ 时间窗口投票：

• 定义状态：RED,GREEN,YELLOW,UNKNOWN
• 每帧识别结果进入长度为 5 的 FIFO 队列（约 0.5 秒历史）
• 每次出队后，统计队列中各状态出现次数，取众数作为当前稳态
• 仅当稳态与上一稳态不同时，才更新current_state并触发控制逻辑

from collections import deque class TrafficLightFSM: def __init__(self): self.state_history = deque(maxlen=5) # 5帧滑动窗口 self.current_state = "UNKNOWN" def update(self, frame_state): self.state_history.append(frame_state) # 统计频次，取最高频且占比>40%的状态 from collections import Counter counts = Counter(self.state_history) most_common, freq = counts.most_common(1)[0] if freq / len(self.state_history) > 0.4: if most_common != self.current_state: print(f"[STATE CHANGE] {self.current_state} → {most_common}") self.current_state = most_common self._on_state_change(most_common) def _on_state_change(self, new_state): # 此处扩展为串口发送、GPIO翻转、或写入控制日志 with open("light_control.log", "a") as f: f.write(f"{cv2.getTickCount()/cv2.getTickFrequency():.3f} | {new_state}\n")

3.2 基于车流密度的动态配时算法：用背景差分法估算等待车辆数

高分毕设区别于静态定时器的核心，在于引入视觉反馈调节灯时。本方案采用轻量级背景差分（Background Subtraction）估算各方向等待车辆数：

3.2.1 为每个通行方向定义车流检测带（Traffic Flow Zone）

# config.py - 在ROI下方延伸出矩形检测带 FLOW_ZONES = { "north_approach": (150, 300, 100, 40), # x,y,w,h，覆盖直行车道入口 "east_approach": (400, 150, 40, 100), "south_approach": (250, 0, 100, 40), "west_approach": (0, 150, 40, 100) }

3.2.2 用 MOG2 模型提取运动前景，统计像素连通域数量

bg_subtractor = cv2.createBackgroundSubtractorMOG2( history=500, varThreshold=16, detectShadows=False ) def count_vehicles_in_zone(frame, zone): x, y, w, h = zone roi = frame[y:y+h, x:x+w] fg_mask = bg_subtractor.apply(roi) # 二值化 + 形态学增强 _, thresh = cv2.threshold(fg_mask, 127, 255, cv2.THRESH_BINARY) kernel = np.ones((5,5), np.uint8) thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) # 查找连通域（每个连通域≈1辆车） num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(thresh, connectivity=8) # 过滤小面积噪点（<200像素） vehicle_count = sum(1 for i in range(1, num_labels) if stats[i, cv2.CC_STAT_AREA] > 200) return vehicle_count # 主循环中调用 for direction, zone in FLOW_ZONES.items(): vehicles = count_vehicles_in_zone(frame, zone) flow_buffer[direction].append(vehicles) # 取最近3秒平均值作为当前车流强度 avg_flow = int(np.mean(flow_buffer[direction][-30:])) # 30帧≈3秒

3.3 动态配时策略：红灯延时与绿灯提前释放规则

注意：配时调整需加软限幅——单次最多增减 5 秒，防止突变；总周期严格控制在 90~120 秒内，符合国标《GB 14886-2019》对城市路口周期的要求。

4. 串口通信与 GPIO 控制输出：将 OpenCV 识别结果转化为物理信号

4.1 用 pyserial 发送标准化控制指令帧

为兼容后续接入 PLC 或单片机，定义 ASCII 协议帧格式：[STX][DIR][STATE][DURATION][ETX]

• STX=0x02（ASCII SOH）
• DIR=N（北）、S（南）、E（东）、W（西）、P（行人）
• STATE=R（红）、G（绿）、Y（黄）
• DURATION= 2 字节十进制数（如30表示 30 秒）
• ETX=0x03（ASCII ETX）

import serial import time ser = serial.Serial( port='/dev/ttyUSB0', # Linux；Windows 用 'COM3' baudrate=9600, timeout=1, bytesize=serial.EIGHTBITS, stopbits=serial.STOPBITS_ONE, parity=serial.PARITY_NONE ) def send_light_command(direction, state, duration): frame = f"\x02{direction}{state}{duration:02d}\x03" ser.write(frame.encode('ascii')) # 等待设备返回 ACK（可选） ack = ser.read(1) if ack == b'\x06': print(f"ACK received for {frame.strip()}") else: print("No ACK, retry or log error") # 示例：南向绿灯亮 25 秒 send_light_command('S', 'G', 25)

4.2 树莓派 GPIO 模拟输出：用 BCM 编号控制 LED 灯组

若无串口设备，可用树莓派 GPIO 直接驱动 LED 模拟红绿灯：

import RPi.GPIO as GPIO # 初始化 GPIO GPIO.setmode(GPIO.BCM) LED_PINS = { "NS_RED": 17, "NS_GREEN": 27, "NS_YELLOW": 22, "EW_RED": 10, "EW_GREEN": 9, "EW_YELLOW": 11 } for pin in LED_PINS.values(): GPIO.setup(pin, GPIO.OUT) GPIO.output(pin, GPIO.LOW) # 默认灭 def set_light_state(ns_state, ew_state): # 先全灭 for pin in LED_PINS.values(): GPIO.output(pin, GPIO.LOW) # 再按状态点亮 state_to_pin = {"R": "_RED", "G": "_GREEN", "Y": "_YELLOW"} ns_pin = LED_PINS["NS" + state_to_pin[ns_state]] ew_pin = LED_PINS["EW" + state_to_pin[ew_state]] GPIO.output(ns_pin, GPIO.HIGH) GPIO.output(ew_pin, GPIO.HIGH) # 主循环中调用 set_light_state("R", "G") # 南北红，东西绿

4.3 关键参数表：OpenCV 与控制模块的协同配置项

5. 毕设答辩必验的 3 个硬核技巧：让评委一眼看到工程深度

5.1 用 OpenCV 的cv2.putText()实时叠加多维度诊断信息

在输出画面右上角动态显示：当前识别状态、各方向车流数、剩余绿灯秒数、FPS。这不是炫技，而是证明系统具备实时监控能力：

def draw_debug_info(frame, state, flow_dict, remaining_sec, fps): font = cv2.FONT_HERSHEY_SIMPLEX # 状态行 cv2.putText(frame, f"NS: {state['NS']}", (10, 30), font, 0.6, (0,255,0), 1) cv2.putText(frame, f"EW: {state['EW']}", (10, 60), font, 0.6, (0,255,0), 1) # 车流行 cv2.putText(frame, f"Flow N:{flow_dict['north']}", (10, 90), font, 0.5, (255,165,0), 1) cv2.putText(frame, f"Flow E:{flow_dict['east']}", (10, 110), font, 0.5, (255,165,0), 1) # 倒计时与性能 cv2.putText(frame, f"Green Left: {remaining_sec}s", (10, 140), font, 0.6, (0,191,255), 1) cv2.putText(frame, f"FPS: {fps:.1f}", (10, 170), font, 0.6, (255,0,255), 1) return frame # 主循环中调用 frame = draw_debug_info(frame, current_states, flow_counts, green_remaining, fps) cv2.imshow("Traffic Control Monitor", frame)

5.2 生成可回放的控制日志：用 CSV 记录每一秒的决策依据

评委最关心“你凭什么这么调？”——日志必须包含原始输入与决策链：

import csv import time log_file = "control_decision_log.csv" with open(log_file, "w", newline="") as f: writer = csv.writer(f) writer.writerow(["timestamp", "ns_light", "ew_light", "north_flow", "east_flow", "decision_reason", "green_duration"]) # 在每次配时调整后写入 with open(log_file, "a", newline="") as f: writer = csv.writer(f) writer.writerow([ time.time(), ns_state, ew_state, flow_counts["north"], flow_counts["east"], reason_str, current_green_duration ])

5.3 设计故障注入测试：验证系统在极端条件下的鲁棒性

高分毕设必须展示容错能力。手动制造三类故障并观察系统行为：

提示：答辩时打开control_decision_log.csv和light_control.log，现场滚动播放日志，比口头描述更有说服力。

本文还有配套的精品资源，点击获取