关于yolov5识别红绿灯并识别红绿灯状态

nan-zhi-

已于 2024-01-07 09:52:14 修改

阅读量719

点赞数 11

文章标签： python opencv 人工智能计算机视觉目标检测 YOLO

于 2024-01-06 10:17:11 首次发布

本文链接：https://blog.csdn.net/2301_78514486/article/details/135422199

版权

本文介绍了使用YOLOv5算法对红绿灯进行目标检测的过程，包括数据集准备、模型训练和基于灰度值的简单识别逻辑。通过划分识别框并分析不同区域的亮度，实现了红绿灯状态的实时判断。

摘要由CSDN通过智能技术生成

随着人工智能技术的快速发展，目标检测技术在智能交通领域的应用越来越广泛。红绿灯是交通系统中的重要组成部分，准确识别红绿灯的状态对于保障交通安全具有重要意义。本报告旨在介绍使用YOLOv5算法识别红绿灯的实践过程与结果分析。

为了训练YOLOv5模型识别红绿灯，我们首先需要准备相应的数据集，以及对应的标签信息。在收集数据时，我们特别注意涵盖各种复杂场景，如红绿灯与其它标识物的相互遮挡、大小变化等。

流程图：

标注使用labelimg，详情请参考其他博主

yolov5的安装与训练方式，详情请参考其他博主

代码位置：

识别框坐标划分：



gray = cv2.cvtColor(im0, cv2.COLOR_BGR2GRAY)  # 将视频转为灰度视频

                    third_width = (xyxy[2] - xyxy[0]) // 3

                    R = gray[int(xyxy[1]): int(xyxy[3]), int(xyxy[0]): int(xyxy[0] + third_width)]
                    Y = gray[int(xyxy[1]): int(xyxy[3]), int(xyxy[0] + third_width): int(xyxy[0] + 2 * third_width)]
                    G = gray[int(xyxy[1]): int(xyxy[3]), int(xyxy[0] + 2 * third_width): int(xyxy[2])]

                    sum_R = np.mean(R)
                    sum_Y = np.mean(Y)
                    sum_G = np.mean(G)

                    # 判断模块
                    if sum_R > 40:
                        # 如果R中像素点的灰度值的平均值大于40，则显示红灯
                        print('红灯')
                    elif sum_Y > 40:
                        # 如果Y中像素点的灰度值的平均值大于40，则显示黄灯
                        print('黄灯')
                    elif sum_G > 40:
                        # 如果G中像素点的灰度值的平均值大于40，则显示绿灯
                        print('绿灯')
                    else:
                        # 如果都小于40，则显示未检测到灯光
                        print('未检测到灯光')

这是通过对yolov5红绿灯识别框的划分，划分成3个区域，识别对应区域的亮度值来判断红绿灯对应的灯是否亮起。