简介：这份资源面向计算机视觉初学者与智能交通方向开发者，提供一套基于Python与OpenCV的红绿灯检测完整实现，可用于自动驾驶感知、交通监控等场景的入门实践。压缩包共12个文件，以6个png与1个jpg示例图像、2个py核心脚本、2个md说明文档为主，另含1个pyc缓存文件，整体约343KB，体积轻便便于快速运行与二次修改。核心脚本围绕颜色空间转换、轮廓与形状识别等思路展开，配套图像覆盖红、绿、黄及箭头指示灯等多种状态，方便读者对照调试检测效果。目前已有4037人学习下载，说明该方案在同类入门项目中具备一定参考价值。读者可借此理解从图像预处理到目标识别的完整流程，掌握HSV阈值分割与颜色判定等关键技巧，并在此基础上扩展实时视频流处理或深度学习端到端检测，为智能交通与自动驾驶相关项目打下实践基础。
1. 红绿灯检测这件事，为什么用 Python + OpenCV 就能跑起来
路口摄像头拍下一帧画面，画面里同时有红灯、绿灯、黄灯、车尾灯、广告牌上的红色 LED、夕阳反光。你要让程序在几十毫秒内告诉你「当前是红灯」，这就是红绿灯检测要解决的问题。它属于典型的传统视觉任务：目标颜色固定、形状固定、位置相对固定，不需要训练大模型，用 Python 加 OpenCV 就能搭出一套能跑的原型。适合谁？做智能小车、做交通流统计、做路口违章抓拍预研、或者单纯想找一个能落地的 opencv图像处理项目练手的工程师。很多人一上来就想上 YOLO，其实在红绿灯这个场景里，颜色阈值加形状过滤的性价比高得多，调参也直观。下面把我自己反复调过的一套流程拆开讲，从环境到代码到踩坑，尽量让你照着能复现。
2. 环境准备与颜色空间选型：别在第一步就翻车
2.1 Python 与 OpenCV 的安装，以及那个经典报错
新手最容易卡在环境上。python安装教程网上一大把，但真正影响你后面能不能跑通红绿灯检测的，是 OpenCV 装没装对、装的是哪个包。常见做法是用 pip 装opencv-python，如果你还要用 CUDA 加速或者读视频流，再考虑opencv-contrib-python。我一般会建一个独立虚拟环境，避免和系统里的包打架。
# 建虚拟环境，Python 3.8 以上都行 python -m venv traffic_env # 激活（Windows） traffic_env\Scripts\activate # 激活（Linux / macOS） source traffic_env/bin/activate # 装 OpenCV 主包和 numpy pip install opencv-python numpy # 验证是否装好，能打印版本号就说明没问题 python -c "import cv2; print(cv2.__version__)"逻辑说明：虚拟环境是为了隔离依赖，红绿灯检测本身依赖很轻，但如果你后面要接 Flask 做可视化界面或者接爬虫拉数据，依赖一多就容易冲突。参数说明：opencv-python是主包，包含cv2模块；numpy是 OpenCV 的底层数组依赖，必须一起装。验证那行命令如果报ModuleNotFoundError: No module named 'opencv'，九成是装到了另一个 Python 解释器里，用which python或where python确认当前解释器路径，再重新 pip 装一次。
提示：如果你在 vscode python环境配置里选了错误的解释器，终端能 import 但编辑器里报红线，去右下角切换解释器到虚拟环境那个。
2.2 为什么红绿灯检测优先用 HSV 而不是 RGB
这是整个方案里最关键的一个选型决定。RGB 三个通道都和亮度耦合，白天和傍晚同一个红灯的 RGB 值能差出一大截，你按 RGB 调好的阈值，换个时段就失效。HSV 把色相（H）、饱和度（S）、明度（V）拆开，红绿灯的颜色信息主要集中在 H 通道，光照变化主要影响 V 通道。这意味着你可以对 H 设一个相对稳定的范围，把 V 的下限压低一点来兼容暗光，鲁棒性直接上一个台阶。
import cv2 import numpy as np # 读一帧图，实际项目里可能是摄像头或视频流 frame = cv2.imread("intersection.jpg") # BGR 转 HSV，注意 OpenCV 默认读进来是 BGR 不是 RGB hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 红色的 H 在 OpenCV 里跨了 0 和 180 两端，所以要分两段 # 第一段：偏紫的红 lower_red1 = np.array([0, 100, 100]) upper_red1 = np.array([10, 255, 255]) # 第二段：偏橙的红 lower_red2 = np.array([160, 100, 100]) upper_red2 = np.array([180, 255, 255]) 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) # 绿色相对简单，H 在 40 到 90 之间 lower_green = np.array([40, 80, 80]) upper_green = np.array([90, 255, 255]) mask_green = cv2.inRange(hsv, lower_green, upper_green)逻辑说明：cv2.inRange做的是逐像素区间判断，落在区间内输出 255，否则 0，得到一张二值掩膜。参数说明：H 范围 0 到 180（OpenCV 把标准 0 到 360 压缩了一半），S 和 V 都是 0 到 255。红色之所以要两段，是因为色相环上红色在 0 和 180 两端，只取一段会漏掉一半红色。S 下限设 100 是为了滤掉发白的浅红，V 下限设 100 是为了滤掉很暗的红色，这两个值要根据你的实际画面调，夜间场景 V 下限可以降到 50 左右。
注意：别用 RGB 直接卡阈值，我见过太多人白天调好晚上全废，血泪经验。
3. 从掩膜到灯位：形态学、轮廓与圆形筛选
3.1 形态学去噪，把零散像素连成块
inRange出来的掩膜往往是一堆碎点，尤其是画面有噪点或者灯有光晕的时候。直接拿去 findContours 会得到几百个小轮廓，根本没法判断。常见做法是先开运算去掉小噪点，再闭运算把灯的内部填实。
# 开运算：先腐蚀后膨胀，去掉孤立小点 kernel_open = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel_open) # 闭运算：先膨胀后腐蚀，填补灯内部空洞 kernel_close = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (9, 9)) mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_CLOSE, kernel_close)逻辑说明：开运算的核要比噪点大、比灯小，5x5 是个稳妥起点；闭运算的核要能覆盖灯内部的暗斑，9x9 适合中等分辨率画面。参数说明：MORPH_ELLIPSE是椭圆核，比矩形核更贴合圆形灯，边缘更自然。如果你的画面分辨率是 1920x1080，核可以适当加大到 7x7 和 13x13；如果是 640x480，就缩小到 3x3 和 5x5。这一步调不好，后面轮廓筛选全是白费。
3.2 轮廓筛选：面积、圆形度、长宽比三把尺子
拿到干净的掩膜后，用findContours提取轮廓，然后逐个判断是不是灯。红绿灯的物理特征很明确：近似圆形、面积在一个合理区间、长宽比接近 1。这三个条件能滤掉绝大部分干扰，比如车尾灯（长条形）、广告牌（面积过大）、反光点（面积过小）。
contours, _ = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area = cv2.contourArea(cnt) # 面积过滤，太小是噪点，太大不是灯 if area < 100 or area > 5000: continue # 圆形度：4*pi*面积 / 周长^2，越接近 1 越圆 perimeter = cv2.arcLength(cnt, True) if perimeter == 0: continue circularity = 4 * np.pi * area / (perimeter * perimeter) if circularity < 0.6: continue # 长宽比过滤，接近 1 才像圆 x, y, w, h = cv2.boundingRect(cnt) aspect_ratio = w / float(h) if aspect_ratio < 0.7 or aspect_ratio > 1.4: continue # 通过筛选，画出来 cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.putText(frame, "RED", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)逻辑说明：contourArea算轮廓面积，arcLength算周长，圆形度公式是标准定义。参数说明：面积下限 100 是针对 640x480 画面的经验值，1080p 画面要按比例放大到 400 左右；圆形度阈值 0.6 是宽松值，实际灯被遮挡时圆形度会下降，太严会漏检；长宽比 0.7 到 1.4 覆盖了轻微形变。这三个参数没有万能值，必须拿你自己的画面跑一遍看效果再微调。
提示：
cv2.contourArea()在某些 OpenCV 版本里如果传进去的轮廓点太少会返回 0，加个 perimeter 判空能避免除零。
4. 避坑与排查：红绿灯检测最常见的五个翻车现场
4.1 红灯绿灯同时被检出
现象：一帧画面里红色掩膜和绿色掩膜都找到了轮廓，程序同时输出 RED 和 GREEN。原因：黄灯过渡阶段，或者画面里有绿色植物、红色车身，颜色阈值没卡干净。解决：先做颜色互斥判断，如果同一位置附近同时有红和绿，按面积大的优先，或者引入位置先验——红绿灯三个灯是垂直排列的，找到一组后按上下顺序判断当前亮的是哪个。
4.2 夜间检测全灭
现象：白天跑得好好的，晚上一个灯都检不出来。原因：夜间画面整体 V 通道值很低，你设的 V 下限 100 把灯也滤掉了。解决：不要用固定阈值，先算画面平均亮度，暗光时把 V 下限降到 40 到 60，同时把 S 下限也降一点，因为夜间灯的饱和度看起来会偏低。更稳的做法是加一个自适应：对 V 通道做直方图均衡再转 HSV。
4.3 轮廓数量爆炸，程序卡死
现象：findContours返回几千个轮廓，for 循环跑不完。原因：形态学核太小，或者画面噪点太多，掩膜里全是碎点。解决：先做一次高斯模糊再转 HSV，cv2.GaussianBlur(frame, (5, 5), 0)，然后加大开运算核。另外在 for 循环里先做面积过滤再做其他计算，面积不达标直接 continue，能省大量计算。
4.4 视频流读取中断
现象：用cv2.VideoCapture读 RTSP 或本地视频，跑一会儿就卡住或返回空帧。原因：网络抖动或者解码器缓冲。解决：读帧后判断ret是否为 True，False 就重连；本地视频可以加cap.set(cv2.CAP_PROP_POS_FRAMES, ...)做跳帧。如果是 opencv python拉流中断，常见做法是起一个独立线程专门读帧，主线程只处理最新一帧，避免处理速度跟不上导致缓冲堆积。
4.5 检测框抖动严重
现象：连续帧里同一个灯的框位置跳来跳去。原因：每帧独立检测，没有做时序平滑。解决：加一个简单的跟踪，比如用上一帧的框和当前帧的框做 IoU 匹配，匹配上就用滑动平均更新位置。或者直接上卡尔曼滤波，但对红绿灯这种准静态目标，滑动平均就够了。
5. 进阶技巧：用 ROI 和时序投票把准确率再拉一截
前面那套流程跑通之后，你会发现大部分场景已经能用了，但路口场景有个天然优势没利用起来：红绿灯的位置在画面里基本固定。你可以先手动或自动框出红绿灯所在的 ROI 区域，只在 ROI 里做颜色检测，干扰直接少一大半。自动框 ROI 的常见做法是先用霍夫圆检测找候选，再按垂直排列规律聚类。
# 假设已经通过某种方式拿到了红绿灯区域的 ROI 坐标 roi_x, roi_y, roi_w, roi_h = 800, 100, 120, 300 roi = frame[roi_y:roi_y + roi_h, roi_x:roi_x + roi_w] # 只对 ROI 做 HSV 转换和掩膜 roi_hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV) # ... 后续 inRange 和轮廓筛选都在 roi 上做逻辑说明：ROI 把搜索空间从整帧缩小到一个固定区域，计算量降一个数量级，误检也大幅减少。参数说明：ROI 坐标可以写死，也可以用第一帧的检测结果自动确定，之后每帧复用。如果摄像头会转动，ROI 需要定期更新。
时序投票是另一个便宜又好用的技巧。单帧检测可能因为遮挡或噪声出错，但连续 5 帧里如果有 4 帧都判为红灯，那基本可以确信。实现上维护一个长度为 5 的队列，每帧把检测结果 push 进去，取众数作为最终输出。
from collections import deque, Counter history = deque(maxlen=5) def vote(current_state): history.append(current_state) # 取出现次数最多的状态 return Counter(history).most_common(1)[0][0] # 每帧调用 final_state = vote("RED") # 传入当前帧的检测结果逻辑说明：deque固定长度，自动淘汰旧数据；Counter统计频次。参数说明：窗口长度 5 是延迟和稳定性的折中，要求响应快就降到 3，要求稳就加到 7。这个技巧对黄灯这种持续时间短的信号要慎用，窗口太长会把黄灯平滑掉。
我自己的习惯是，任何红绿灯检测的原型，先不加 ROI 和投票跑一遍，记录误检和漏检的帧，再针对性加这两个模块，而不是一上来就堆复杂逻辑。调参的时候把中间掩膜用cv2.imshow显示出来，肉眼看着调，比盲猜快十倍。这套方案不敢说能直接上生产，但作为 opencv识别物体 的入门到进阶练手项目，性价比足够高。希望帮到你。
本文还有配套的精品资源，点击获取
