在仿真模拟环境中，智能车沿赛道行驶，赛道包含直道，弯道，环岛，十字交叉的线路。小车上有获得小车前方灰度图像的摄像头。灰度图像的二值化已经完成，请使用Python写出控制小车沿赛道中线行驶的程序，模块包括搜寻赛道边界，确定赛道中线，导出小车转向角度，控制小车行驶不同赛道路况。

在Python中，控制智能车沿着赛道中线行驶可以采用一些机器视觉和路径跟踪技术。以下是简化的步骤和伪代码，实际编写时需结合如OpenCV、PIL等库进行处理：

import cv2
import numpy as np

# 读取并预处理灰度图像
def process_image(gray_img):
    _, binary_img = cv2.threshold(gray_img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 使用Otsu阈值法二值化
    return binary_img

# 寻找赛道边界
def find_edges(binary_img):
    edges = cv2.Canny(binary_img, low_threshold, high_threshold) # Canny边缘检测
    contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    return contours

# 确定赛道中线
def track_midline(contours):
    midline_contour = None # 可能需要进一步分析找到最宽的轮廓作为中线
    if len(contours) > 0:
        midline_contour = contours[0] # 假设第一个轮廓就是中线
    return midline_contour

# 计算转向角度
def calculate_steering_angle(midline_contour, car_position):
    car_centroid = (car_position[0], car_position[1]) # 小车中心点坐标
    contour_centroid = cv2.moments(midline_contour)['mCenter']
    
    # 假设车辆宽度已知，计算角度
    angle = np.arctan2(car_centroid[1] - contour_centroid[1], car_centroid[0] - contour_centroid[0])
    return np.rad2deg(angle)

# 控制小车行驶
def drive(steering_angle, speed):
    # 这里是一个简单的示例，实际应用可能会使用PID控制或其他算法
    steer_car(steering_angle)
    move_car(speed)

# 主循环
while True:
    gray_img = read_camera_image() # 从摄像头获取实时图像
    binary_img = process_image(gray_img)
    contours = find_edges(binary_img)
    midline_contour = track_midline(contours)
    steering_angle = calculate_steering_angle(midline_contour, get_car_position())
    drive(steering_angle, max_speed)

# 相关问题--
1. 如何设置Canny边缘检测的低阈值和高阈值？
2. 如果有多条赛道线，如何处理复杂情况？
3. 需要在哪些条件下调整小车的速度参数？