我正在开展一个项目,我必须检测交通信号灯(显然是圆圈)。现在我正在处理我从一个地方拾取的样本图像,但是经过我所有的努力,我无法获得检测正确圆圈(光线)的代码。
以下是代码: -
# import the necessary packages
import numpy as np
import cv2
image = cv2.imread('circleTestsmall.png')
output = image.copy()
# Apply Guassian Blur to smooth the image
blur = cv2.GaussianBlur(image,(9,9),0)
gray = cv2.cvtColor(blur, cv2.COLOR_BGR2GRAY)
# detect circles in the image
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1.2, 200)
# ensure at least some circles were found
if circles is not None:
# convert the (x, y) coordinates and radius of the circles to integers
circles = np.round(circles[0, :]).astype("int")
# loop over the (x, y) coordinates and radius of the circles
for (x, y, r) in circles:
# draw the circle in the output image, then draw a rectangle
# corresponding to the center of the circle
cv2.circle(output, (x, y), r, (0, 255, 0), 4)
cv2.rectangle(output, (x - 5, y - 5), (x + 5, y + 5), (0, 128, 255), -1)
# show the output image
cv2.imshow("output", output)
cv2.imshow('Blur', blur)
cv2.waitKey(0)
我想要检测圆圈的图像 -
这是输出图像: -
我尝试使用高斯模糊半径值和hough变换中的minDist参数,但没有取得多大成功。
任何人都可以指出我正确的方向吗?
谢谢!
答案 0 :(得分:2)
首先,你应该稍微限制你的参数。
请参阅:http://docs.opencv.org/2.4/modules/imgproc/doc/feature_detection.html#houghcircles
至少为最小和最大半径设置合理的值。尝试先找到一个特定的圆圈。如果你成功增加了半径公差。
霍夫变换是一种强力方法。它将为图像中的每个边缘像素尝试任何可能的半径。这就是为什么它不适合实时应用程序。特别是如果您没有提供适当的参数和输入。你没有半径限制atm。因此,您将为每个像素计算数百个(如果不是数千个)圆圈......
在你的情况下,交通灯也不是很圆,所以积累的结果不会很好。尝试寻找合理尺寸的高度饱和,明亮,紧凑的斑点。它应该更快,更强大。
如果限制图像尺寸,可以进一步缩短处理时间。我想你可以假设红绿灯总是在你图像的上半部分。所以省略下半部分。交通灯总是绿色,红色或黄色。删除那些不是那种颜色的东西......我想你明白我的意思......
答案 1 :(得分:2)
我认为您应该首先根据红绿灯颜色执行颜色分割。它将极大地降低投资回报率。然后,您只能在ROI边缘上应用Hough变换(因为您需要轮廓)。
答案 2 :(得分:0)
另一个限制:只接受内部颜色同质的圆圈。这会抛弃上面例子中的所有虚假命中。