检测急转弯

基于 HSV 颜色空间检测红绿灯

绘制底部中央的指令按钮（类似yolomedia风格）

绘制底部中央的指令按钮（与斑马线模式统一）

同样以竖直为0°，画 through center 的虚线。

绘制数据面板（无黑底，描边文字），与 blindpath 一致

绘制数据面板（无黑底版本）

以“竖直方向”为0°基准，angle_deg>0 表示左偏，<0 表示右偏。 在 center 处画一条通过点的直线。

增强的可视化绘制方法（与 blindpath 一致）

增强的可视化绘制方法

基于掩码内条纹（霍夫线）估计角度和可视化（放宽参数 + 鲁棒聚类）: 返回 dict: { 'angle_deg': float, # 相对竖直方向偏角（[-45,45]），正=左偏，负=右偏 'lines': L

执行状态机逻辑

查找急转弯点

生成引导语音

生成导航指引

获取掩码的内边缘区域，用于特征点检测

获取掩码的内边缘区域，用于特征点检测

提取灭点特征

获取语音指令的优先级 优先级：障碍物(100) > 转向/平移(50) > 保持直行(10)

获取特定y坐标的路径宽度

处理避障状态

处理接近斑马线的情况

处理锁定状态

处理转弯状态

处理常规导航状态

处理上盲道状态

处理像素域的上盲道引导

从一组点的凸包生成二值掩码

对二值掩码做内收后提边缘，便于在目标内部打光流特征点

检查面积是否稳定（避免抖动触发）

判断斑马线是否"快消失"（斑马线在画面底部且面积很小）- 更严格的判定

判断斑马线是否"很近"（到用户跟前）- 更严格的判定条件

16位线性PCM转μ-law

几何+互斥检查，过滤'横条纹/路牙'伪盲道

用图像矩计算掩码质心；失败返回 None

计算两个mask的IoU

读取 voice/map.zh-CN.json 并合并到 AUDIO_MAP

基于“青色法线中央直线”计算左右偏移： - angle_vertical_deg: 以“竖直方向为0°”的角（与 _draw_line_vertical_angle 相同坐标系） - center_pt: 掩码质心 (cx, cy)

形态学净化 + 移除小碎片，缓解毛边与噪点

使用 Lucas-Kanade 光流预测掩码位置（与 blindpath 一致）

重置状态（斑马线消失时）

重置转弯追踪器

基于掩码的内收边界，播种 LK 光流特征点

平滑中心线数据，减少抖动

生成障碍物语音提示

稳定障碍物检测结果，避免重复叠加（与 blindpath 一致）

稳定障碍物检测结果，避免重复叠加

使用 Lucas-Kanade 光流的掩码稳定化实现

将张量掩码转换为numpy数组

尝试调用 yoloe_backend 风格的接口。由于各项目实现不同，这里做“宽容地调用”： - 优先尝试 backend.detect(image, target_classes=['traffic light']) - 次选 backend.in

返回右上角下一行的y坐标

μ-law转16位线性PCM

更新障碍物的派生属性

更新障碍物的派生属性

更新转弯追踪器

添加音频数据（PCM 16bit） :param pcm_data: PCM格式音频数据 :param text: 语音文本（用于日志）

添加一帧视频（原始JPEG数据） :param jpeg_data: JPEG格式的图像数据

将4位ADPCM转换回16位PCM

取消当前大模型语音任务，并等待其退出。

程序退出时的清理工作

计算障碍物的接近度量 :param prev_obstacles: 前一帧障碍物列表 :param curr_obstacles: 当前帧障碍物列表 :param M: 仿射变换矩阵 :param H: 图像高度 :param W: 图像宽度

解压音频数据

利用白名单作为提示词寻找障碍物。 如果提供了 path_mask，则执行与路径相关的空间过滤。 如果 path_mask 为 None，则进行全局检测。

检测红绿灯状态 返回: 'red', 'green', 'yellow', 'unknown'