Skip to content
113 changes: 25 additions & 88 deletions src/lane_visualize/README.md
Original file line number Diff line number Diff line change
@@ -1,101 +1,38 @@
# AutoPilot System: Lane & Object Detection
# AutoPilot System V3.0: Perception, Decision & Control

这是一个结合了**传统计算机视觉**与**深度学习**的自动驾驶辅助系统原型。它利用 OpenCV 进行高精度的车道线检测,并集成 YOLOv8 模型实现对车辆、行人等障碍物的实时识别。
这是一个模拟 **ADAS (高级驾驶辅助系统)** 的完整原型项目。
V3.0 版本不仅实现了对车道和车辆的**感知**,还加入了**决策逻辑**(碰撞预警)、**模拟控制**(虚拟方向盘)以及**黑匣子取证**功能。

![Status](https://img.shields.io/badge/Status-Active-success)
![Python](https://img.shields.io/badge/Python-3.8%2B-blue)
![Version](https://img.shields.io/badge/Version-V3.0-blue)
![Python](https://img.shields.io/badge/Python-3.8%2B-yellow)

## ✨ 核心功能
## ✨ V3.0 核心特性

### 1. 🛣️ 车道线检测 (Lane Detection)
* **视觉管线**: 灰度化 -> 高斯模糊 -> Canny 边缘检测 -> 动态 ROI -> 霍夫变换。
* **算法优化**:
* **智能平滑**: 使用 `deque` 历史队列消除车道线抖动。
* **斜率过滤**: 自动剔除路面阴影和垂直路标干扰。
* **可视化调参**: 提供 `tuner.py` 工具,实时寻找针对当前天气的最佳参数。
### 1. 🧠 智能感知 (Perception)
* **车道保持**: 使用 OpenCV + 霍夫变换 + **EMA 平滑滤波**,稳定追踪车道线。
* **目标检测**: 集成 **YOLOv8** 模型,实时识别车辆、行人、卡车等障碍物。
* **跳帧优化**: 采用 "Skip-Frame" 策略,大幅降低 CPU 负载,实现流畅运行。

### 2. 🚗 目标检测 (Object Detection)
* **深度学习**: 集成 **YOLOv8 (Nano)** 模型。
* **识别对象**: 实时框出前方车辆 (Car)、卡车 (Truck)、巴士 (Bus) 和行人 (Person)。
* **性能**: 针对 CPU 优化,轻量级推理。
### 2. 🛡️ 决策与预警 (Decision Making)
* **FCW (前向碰撞预警)**: 实时计算前车距离(基于视觉占比),触发 **"BRAKE!"** 红色警报。
* **LDW (车道偏离预警)**: 监测车辆中心与车道中心的偏差。

### 3. 🧭 模拟控制 (Control Simulation)
* **虚拟方向盘**: 屏幕下方通过 **Steering Dashboard** 实时显示转向角度。
* **自动修正**: 根据车道曲率自动计算方向盘应转动的角度。

### 4. 📹 黑匣子取证 (Event Data Recorder)
* **自动抓拍**: 当系统判定有碰撞风险(出现 "BRAKE!")时,自动保存当前画面。
* **证据留存**: 图片自动保存在 `events/` 目录下,文件名包含精确时间戳。

## 🛠️ 环境准备

### 1. 运行环境
* Python 3.8+ (推荐 Python 3.13)
* 建议使用独立显卡 (GPU) 以获得更高帧率,但在 CPU 上也能运行 (FPS 5-10)。
* Python 3.8+
* 推荐配置: 具有独立显卡 (NVIDIA) 可获最佳性能,但在 CPU 环境下也能通过跳帧策略流畅运行。

### 2. 安装依赖
请确保安装了最新版本的依赖库(包含 ultralytics):
```bash
pip install -r requirements.txt

```

## 🚀 使用指南

### 第一步:视觉参数调优 (可选但推荐)

如果发现车道线检测不准(乱飞或消失),请先运行调参工具:

本项目已移除沉重的 TensorFlow 依赖,仅需轻量级库:
```bash
python tuner.py sample.hevc

```

* 按 `空格` 暂停,拖动滑动条调整 Canny 阈值和 ROI 区域。
* 记下最佳参数,并填入 `main.py` 顶部的配置区。

### 第二步:启动自动驾驶系统

直接运行主程序,系统将同时加载车道检测器和 YOLO 模型:

```bash
python main.py sample.hevc

```

* **首次运行提示**: 程序会自动下载 `yolov8n.pt` 模型权重文件 (约 6MB),请保持网络连接。

## 📂 项目结构

```text
Project_Root/
├── main.py # [入口] 主程序,协调车道与YOLO检测
├── yolo_det.py # [模块] 封装 YOLOv8 目标检测逻辑
├── tuner.py # [工具] 视觉参数调试器
├── requirements.txt # 依赖清单
├── README.md # 项目文档
└── sample.hevc # 测试数据

```

## ⚠️ 常见问题

**Q1: 画面非常卡顿 (Low FPS)?**

* **原因**: 深度学习模型在没有 GPU 加速的电脑上运行较慢。
* **优化**: 可以在 `main.py` 中实现“跳帧机制”(例如每 3 帧跑一次 YOLO,中间帧沿用结果)。

**Q2: 报错 `ModuleNotFoundError: No module named 'ultralytics'`?**

* **解决**: 请运行 `pip install -r requirements.txt` 确保库已安装。

## 🔮 路线图 (Roadmap)

* [x] 基础 OpenCV 车道线检测
* [x] 可视化参数调试工具 (`tuner.py`)
* [x] 帧间平滑与防抖算法
* [x] 集成 YOLOv8 目标检测 (`yolo_det.py`)
* [ ] 性能优化:加入多线程或跳帧处理
* [ ] 车辆距离估算 (基于检测框大小)
* [ ] 偏离预警系统 (LDW)

## 📚 参考资料

* [Ultralytics YOLOv8 Docs](https://docs.ultralytics.com/)
* [OpenCV Computer Vision](https://opencv.org/)

```

```
pip install -r requirements.txt
Loading
Loading