CN106709518A - 基于Android平台的盲道识别*** - Google Patents
基于Android平台的盲道识别*** Download PDFInfo
- Publication number
- CN106709518A CN106709518A CN201611184275.0A CN201611184275A CN106709518A CN 106709518 A CN106709518 A CN 106709518A CN 201611184275 A CN201611184275 A CN 201611184275A CN 106709518 A CN106709518 A CN 106709518A
- Authority
- CN
- China
- Prior art keywords
- sidewalk
- visually impaired
- impaired people
- image
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Android平台的盲道识别***,包括图像采集模块、图像处理模块和语音辅助模块,其中图像采集模块用于实现盲道图像的实时采集;图像处理模块用于对检测到的盲道图像进行分类处理,并将处理结果传送到语音辅助模块;语音辅助模块根据图像处理的结果,播报盲道的实时状况信息和引导盲人行走;其效果是:能够实时高效地检测盲道边界、拐角以及障碍物的位置,引导盲人安全行进;通过OpenCV将各类盲道识别算法和障碍物提取算法应用到了Android智能手机上,搭建了一个集成图像实时采集和处理的盲道识别***。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及到一种基于Android平台的盲道识别***。
背景技术
盲人(视障人士)由于视觉缺失,无法直接观察身边的环境,在出行时往往会有极大的不便利性和危险性。视障人士必须依靠导盲基建(盲道、盲文标识)和辅助设备(导盲手杖,导盲犬等)进行户外活动。但是传统辅助设备信息获取的能力限制了盲人的活动范围和自由度,因此人们对新型导盲***的需求日渐明显。随着无线定位技术、嵌入式技术和传感器技术的迅速发展,电子交通辅助设备(ETAs)研发引起了人们极大的关注。基于不同技术平台,人们提出了多种针对视障人士的导航***,包括可穿戴导航设备,智能导盲手杖和反偏离***等,而且大多具备盲道识别,障碍物检测,目标提取,路径导航,偏移校正等功能。
近年来,智能手机呈高速增长趋势,而且智能手机还提供了更为稳定的运行环境、更加优秀的操作***和更加便利的开发环境。另外,智能手机普遍集成了各种感知器,如照相机、加速度计、陀螺仪、方向传感器和全球定位***等,使得智能手机具备定位导航和环境感知的功能。更为关键的是,智能手机价格趋于平民化,其成本优势能打破传统导盲设备的成本壁垒,因此,推广基于智能手机的导盲***具有重要现实意义,随着数字图像处理技术的飞速发展,通过图像处理获取盲道的基本信息逐渐成为实现盲道识别的主流方式,盲道识别算法便成为了研究的热点,广大的学者进行了比较深入的研究。
申请号为201010174012.8的中国发明专利公开了一种利用计算机视觉技术进行盲道和人行横道实时检测的方法,利用仿射变换模型训练分类器来得到盲道和人行横道的样本集进行目标的检测和处理。申请号为201110200597.0的中国发明专利公开了一种基于计算机视觉盲人户外支援***,利用双目相机采集图像,借助嵌入式平台进行算法设计来辅助盲人进行路面场景的理解。
上述已有的导盲***和盲道图像识别算法均存在一定程度的问题:(1)需要的辅助感知设备过多、操作复杂、价格昂贵、开发平台不够智能;(2)无法协助盲人有效的理解周围环境,如盲道障碍的准确辨识;(3)有关图像识别的算法众多,但是各种识别算法在盲道识别领域并没有完整的识别效果比较与分析。
发明内容
为了解决上述问题,本发明提供一种基于Android平台的盲道识别***,解决导盲***中操作复杂、需要的辅助感知设备过多,价格昂贵、开发平台不够智能,盲道检测不够准确,算法众多的缺陷。
本发明采用的技术方案为:一种基于Android平台的盲道识别***,包括图像采集模块、图像处理模块和语音辅助模块,其中图像采集模块用于实现盲道图像的实时采集;图像处理模块用于对检测到的盲道图像进行分类处理,并将处理结果传送到语音辅助模块;语音辅助模块根据图像处理的结果,播报盲道的实时状况信息和引导盲人行走。
进一步地,所述图像处理模块包括有色差盲道识别模块、无色差盲道识别模块、盲道拐点检测模块和障碍物检测模块;
所述有色差盲道识别模块按照有色差盲道图像预处理→Lab空间下otsu阈值分割→Canny边缘检测→累计Hough变换的图像处理流程进行有色差盲道的识别;
所述无色差盲道识别模块按照无色差盲道图像预处理→提取LBP特征向量→K-均值聚类分析→填充操作→Canny边缘检测→累计Hough变换的图像处理流程进行;
所述盲道拐点检测模块按照在有色差盲道识别算法的基础上结合Harris角点检测算法进行实现;
所述障碍物检测模块按照盲道图像预处理(含障碍物)→K-均值颜色聚类分析→Canny边缘检测→累计Hough变换的图像处理流程进行障碍物的检测。
所述有色差盲道图像预处理包括先进行RGB-Lab色彩空间转换并提取b分量图,其次针对提取的b分量图进行中值滤波和图像膨胀操作生成预处理图像,然后针对预处理图像进行otsu阈值分割生成图像分割图,最后进行Canny边缘检测和累计霍夫变换进行盲道边界直线的查找和标识。
所述无色差盲道图像预处理包括先进行图像灰度化和高斯滤波,其次通过LBP算子提取特征向量然后结合K-均值聚类分析实现预处理图像分割,然后通过相应的填充操作消除误判块,最后利用Canny边缘检测和累计霍夫变换进行无色差盲道边界直线的查找和标识。
所述障碍物盲道图像预处理包括先进行RGB-Lab色彩空间转换并提取b分量图,然后在提取的b分量图中进行中值滤波生成预处理图像,其次针对预处理照片进行K-均值颜色聚类生成图像分割图,最后进行Canny边缘检测和累计霍夫变换进行盲道边界直线的查找和标识。
所述语音辅助模块播报盲道的实时状况信息包括:行进前方是有否障碍,是否偏离盲道和当前的行进方向。
所述图像采集模块为智能手机的摄像头,所述图像处理模块为智能手机的控制器,所述语音辅助模块为与智能手机相匹配的蓝牙耳机。
采用上述的技术方案,具有以下优点:
本发明提出的一种基于Android平台的盲道识别***,能够实时高效地检测盲道边界、拐角以及障碍物的位置,引导盲人安全行进;通过OpenCV将各类盲道识别算法和障碍物提取算法应用到了Android智能手机上,搭建了一个集成图像实时采集和处理的盲道识别***,解决了当前导盲***操作复杂、价格昂贵、开发平台不够智能、盲道检测不够准确,算法众多的缺陷。
附图说明
图1为本发明的***框图;
图2为本发明的图像处理框架;
图3为有色差盲道区域识别的算法流程图;
图4为有色差盲道区域识别的结果演示图;
图5为无色差盲道区域识别的算法流程图;
图6为无色差盲道区域识别的结果演示图;
图7为盲道拐角检测的算法流程图;
图8为盲道拐角检测的结果演示图;
图9为障碍物检测的算法流程图;
图10为障碍物检测的结果演示图;
图11为语音提示模块原理图;
图12为LBP算子的原理图;
图13为霍夫变换原理图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,这里的描述不意味着对应于实施例中陈述的具体实例的所有主题都在权利要求中引用了。
如图1所示,一种基于Android平台的盲道识别***,包括图像采集模块、图像处理模块和语音辅助模块,其中图像采集模块用于实现盲道图像的实时采集;图像处理模块用于对检测到的盲道图像进行分类处理,并将处理结果传送到语音辅助模块;语音辅助模块根据图像处理的结果,播报盲道的实时状况信息和引导盲人行走;
其中,所述图像处理模块包括有色差盲道识别模块、无色差盲道识别模块、盲道拐点检测模块和障碍物检测模块。
如图2所示,图像的处理需要经过,先输入图像,然后对图像进行预处理,预处理后进行图像分割,并对分割的图像进行边缘检测,边缘检测处理后进行直线查找,并根据查找的结果,判断是否需要进行角点检测,如果不需要,则直接输出结果图;需要则进行角点检测后再输出结果图。
如图3所示,对有色差盲道图像的处理,有色差盲道识别模块将有色差盲道图像先进行预处理,预处理包括通过cvtColor函数将图像由RGB转换到Lab颜色空间,然后通过cvSpilt函数提取b分量颜色通道图,然后再对b分量颜色通道图进行中值滤波和图像膨胀操作生成预处理图像;然后针对预处理图像进行otsu阈值分割生成图像分割图,然后通过Canny函数实现边缘检测和进行累计霍夫变换检测并绘制盲道边界直线,最后得出有色差盲道识别结果。
如图4所示,图4为有色差盲道区域识别的结果演示图,通过执行有色差盲道识别模块的算法流程,有色差的盲道图像的识别结果和输入的有色差盲道图像的轮廓有很好的一致性。
如图5所示,对无色差盲道图像的处理,无色差盲道识别模块将无色差盲道图像先进行预处理,预处理包括通过cvtColor函数实现图像的灰度化和GaussianBlur函数实现高斯滤波,其次通过LBP算子提取特征向量然后结合K-均值聚类分析实现预处理图像分割,然后通过相应的填充操作消除误判块、膨胀腐蚀,最后利用Canny边缘检测和累计霍夫变换检测并绘制盲道边界直线,得出无色差盲道识别结果。
如图6所示,图6为无色差盲道区域识别的结果演示图,通过无色差盲道识别模块执行的算法流程,得出的结果能够反应出当前盲道的实际情况。
如图7所示,对盲道拐点图像的处理,盲道拐点检测模块按照在有色差盲道识别算法的基础上结合Harris角点检测算法进行实现;盲道拐点检测模块先将有色差盲道拐角图像进行预处理,预处理包括通过cvtColor函数将图像由RGB转换到Lab颜色空间,其次通过cvSpilt函数提取b分量颜色通道图,然后通过GaussianBlur函数实现中值滤波,并进行5次腐蚀和5次膨胀操作生成预处理图像,然后针对预处理图像进行otsu阈值分割、Canny函数实现边缘检测和进行累计霍夫变换检测并绘制直线,最后再通过Harris算法实现角点检测,得出盲道拐角检测结果。
如图8所示,图8为盲道拐角检测的结果演示图,通过在有色差盲道识别算法的基础上结合Harris角点检测算法进行实现,能够实现对拐角的准确检测。
如图9所示,对盲道障碍物图像的处理,障碍物检测模块将盲道障碍物图像先进行预处理,预处理包括通过cvtColor函数将图像由RGB转换到Lab颜色空间,然后通过cvSpilt函数提取b分量颜色通道图,然后再对b分量颜色通道图进行中值滤波生成预处理图像,其次针对预处理照片进行K-均值颜色聚类生成图像分割图,然后通过Canny函数实现边缘检测和进行累计霍夫变换检测并绘制直线,最后得出盲道障碍物检测结果。
如图10所示,图10为障碍物检测的结果演示图,通过障碍物检测模块将盲道障碍物图像进行图像处理,最后能够检测出盲道上存在的障碍物。
如图11所示,图11为语音提示模块原理图,语音提示模块包括盲道识别,拐角检测和障碍物检测,通过智能手机的摄像头对盲道图像进行采集送到图像采集模块中,然后经过图像处理模块对采集的盲道进行处理、识别,得出有无拐角、障碍物等检测结果,并将检测结果通过语音辅助模块进行语音播报提示,播报的信息包括:行进前方是有否障碍,是否偏离盲道和当前的行进方向;
进一步地,所述图像采集模块为智能手机的摄像头,所述图像处理模块为智能手机的控制器,所述语音辅助模块为与智能手机相匹配的蓝牙耳机。
如图12所示,图12为LBP算子原理图,经典LBP算子定义为3*3的正方形窗口,以窗口中心像素为阈值,图中的阈值为92,将其相邻8邻域像素灰度与中心像素比较,如果周围像素值大于中心像素值,该周围像素位置被标记为1,否则为0.通过这种规则,3*3正方形窗口内8邻域点经转换可以变成8位二进制数,这个二进制数字就是中心像素的LBP值,LBP值有256种,中心像素的LBP值反映了该像素周围区域的纹理信息;
生成图像窗口LBP算子的数学表达式如下:
其中窗口中心像素点为,其强度定义为定义为其矩形8邻域像素的亮度。为中心判定函数,其定义如下:
算法流程如下:
①对图像进行分割,分割成grid_x*grid_y个块(cell),grid_x,grid_y均默认为32;
②然后计算每个cell的直方图,即每个数字(十进制数LBP值)出现的频率;然后对该直方图进行归一化处理;
③最后将得到的每个cell的统计直方图进行连接成为一个特征向量,也就是整幅图的LBP纹理特征向量。
如图13所示,图13为霍夫变换的原理,在直接坐标系中的一条直线,原点到该直线的垂直距离为r,垂线与x轴的夹角为θ,则该条直线是唯一的,可以写出其直线方程,而这条直线用极坐标表示则为一点(r、θ),可见直角坐标系中的一条直线对应极坐标中的一点,这种线到点的变换就是霍夫变换。
进一步地,色彩空间转换并提取颜色分量图的算法原理如下:
OpenCV中RGB到Lab空间的转换,就是将上述矩阵先由RGB转到XYZ,再由XYZ转为Lab,RGB转XYZ;
假设r、g、b为像素三个通道,取值范围均为[0,255],转换公式如下:
XYZ转Lab,转换的公式如下:
上面两个公式中,L*,a*,b*是最终的Lab色彩空间三个通道的值。X,Y,Z是RGB转XYZ后计算出来的值,Xn,Yn,Zn一般默认是95.047,100.0,108.883.
最终提取b分量图,将b通道值按照像素位置,对应赋值给一个单通道图像。
进一步地,图像分割的具体步骤是:在经过预处理之后的b分量图中进行otsu阈值分割,otsu是一种寻找图像阈值的最大类间方差算法,其算法步骤如下:
①统计灰度级中每个像素在整幅图像中的个数;
②计算每个像素在整幅图像的概率分布;
③对灰度级进行遍历搜索,计算当前灰度值下前景背景类间概率;
④通过目标函数计算出类内与类间方差下对应的阈值;
⑤用找到的阈值二值化图像。
进一步地,Canny边缘检测原理为:
消除噪声,在图像预处理阶段,需要进行降噪处理。一般情况下,使用高斯平滑滤波器卷积降噪。
计算梯度幅值和方向:
此处按照Sobel滤波器的步骤来操作,运用一对卷积阵列(分别作用于x和y方向):
使用下列公式计算每一像素点的幅值梯度和方向:
而梯度方向一般取4个可能角度之一:0度、45度、90度、135度;
非极大值抑制:
该步骤可以进一步排除非边缘像素,仅仅保留一些细线条作为候选边缘;
滞后阈值:
Canny使用了滞后阈值,滞后阈值需要两个阈值:高阈值和低阈值;
①若某一像素位置的幅值超过高阈值,则该像素被保留为边缘像素;
②若某一像素位置的幅值小于低阈值,该像素被排除;
③若某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留;
最终得到一个二值图像,每点表示是否是一个边缘点。
Harris角点理论提出了相应的角点响应函数,如下式所示:
C(i,j)=det(M)-k(trace(M))2
其中M为结构矩阵,k为常量因子,通常情况取值为0.04至0.06,对图像窗口内数据进行求和加权,实际上可以更好地刻画窗口中心特性,Harris角点检测算法实现步骤如下:
①利用水平与竖直差分算子对图像进行卷积操作,计算相应的梯度,根据实对称矩阵M的组成,计算对应矩阵元素的值;
②利用高斯函数对矩阵M进行平滑操作,得到新的M矩阵,步骤1和2可以改变顺序,也可以对图像进行高斯滤波,再求相应方向上的梯度大小;
③对每一像素和给定的邻域窗口,计算局部特征结果矩阵M的特征值和相应函数;
④选取响应函数C的阈值,根据非极大值抑制原理,同时满足阈值及某邻域内的局部极大值为候选角点。
进一步地,K-均值颜色聚类分析实现图像分割,颜色聚类分析算法流程如下:
①创建样本矩阵,大小和原图像相同,通道数为3;
②创建类别标记矩阵,大小和原图像相同,通道数为1;
③获取原图像各像素点的RGB三通道值,并按顺序排入样本矩阵;
④对样本矩阵进行K-均值聚类,将结果存入类别标记矩阵;
⑤根据类别标记矩阵创建对应的二值图像,即为聚类分割结果;
注意:采用Lab空间下颜色聚类方法,聚类类别为3;可以针对盲道内部和横跨盲道的障碍物进行识别,但是前提是障碍物的颜色与其所在区域有一定差异。
进一步地,K-均值聚类算法的基本思想是:通过迭代的方法,逐次更新各聚类中心的值,直至得到最好的聚类结果;
假设要把样本集分为c个类别,具体步骤如下:
①适当选择c个类的初始中心;
②在第k次迭代中,对任意一个样本,求其到c个中心的距离,将该样本归到距离最短的类中。其中采用欧氏距离作为距离准则函数;
③利用均值更新该类的中心值;
④对于所有的c个聚类中心,如果利用②、③的迭代法更新后,值保持不变(目标函数收敛),则迭代结束,否则继续迭代。
具体实施过程中,OpenCV中采用cvKMeans2函数实现k均值聚类。聚类完成之后的图像像素被标识为0或者1,作为两类结果,K-均值算法与其它聚类算法相比,K-均值聚类具有算法简单,聚类速度快等特点。
进一步地,填充操作是以图像块(cell)为单位进行聚类,因此在进行分类时难免会有错误。针对聚类错误的cell,需要进行进一步的修正操作。填充操作流程如下:
①创建grid_x*grid_y大小的图像,像素值均为0,新图中一个像素对应原图像中的一个cell块;
②生成二值图像,对应原图像中标识为1的cell,新图在对应像素值上赋值为255;
③填补缺口,全图遍历新图,如果一个像素周围存在三个相邻的像素值相等,就将该像素置为对应的值;
④先后进行一次腐蚀操作,两次膨胀操作,从而消除区域变形;
⑤将图像还原为原图大小;
⑥填补二值图中的干扰区域,如果二值图中的轮廓面积小于某个值,就进行再次的填补操作;
⑦进行一次高斯滤波。
由于采取分块聚类的方式,会有锯齿状边界产生,但是盲道的范围区域定位相对比较准确,能够根据此识别结果有效的辨识当前的盲道区域,可以满足实用性的要求。
本发明的工作原理为:本发明搭建一个基本的UI操控页面,可以点击屏幕或者利用自拍杆蓝牙控制器,利用智能手机的高清摄像头进行盲道图像的采集,并将采集的图像进行色彩空间变换,之后送与相应的图像处理单元进行进一步的处理;在实际使用中,考虑到盲人无法直接对手机进行操控,所以将整个拍摄和处理的过程,全部利用后台程序完成,只需要在使用之前一键开启即可;智能手机的大部分电量是点亮屏幕的时候消耗的,所以针对盲人,本发明将屏幕完全熄灭,这样可以节省大部分的电量损耗;另外,本发明中,让手机摄像头始终处于侦测状态,当盲道的状况没有发生异样的时候,图像处理模块处于间歇性检测状态,一旦侦测到有异样发生,如前方检测到盲道拐点,盲道中断或者盲道上有障碍,则立即做进步处理,同时及时将处理的结果信息发送给语音辅助模块。
最后需要说明的是,上述描述为本发明的优选实施例,本领域的普通技术人员在本发明的启示下,在不违背本发明宗旨及权利要求的前提下,可以做出多种类似的表示,这样的变换均落入本发明的保护范围之内。
Claims (7)
1.一种基于Android平台的盲道识别***,其特征在于,包括图像采集模块、图像处理模块和语音辅助模块,其中图像采集模块用于实现盲道图像的实时采集;图像处理模块用于对检测到的盲道图像进行分类处理,并将处理结果传送到语音辅助模块;语音辅助模块根据图像处理的结果,播报盲道的实时状况信息和引导盲人行走。
2.根据权利要求1所述的一种基于Android平台的盲道识别***,其特征在于,所述图像处理模块包括有色差盲道识别模块、无色差盲道识别模块、盲道拐点检测模块和障碍物检测模块;
所述有色差盲道识别模块按照有色差盲道图像预处理→Lab空间下otsu阈值分割→Canny边缘检测→累计Hough变换的图像处理流程进行有色差盲道的识别;
所述无色差盲道识别模块按照无色差盲道图像预处理→提取LBP特征向量→K-均值聚类分析→填充操作→Canny边缘检测→累计Hough变换的图像处理流程进行;
所述盲道拐点检测模块按照在有色差盲道识别算法的基础上结合Harris角点检测算法进行实现;
所述障碍物检测模块按照盲道图像预处理→K-均值颜色聚类分析→Canny边缘检测→累计Hough变换的图像处理流程进行障碍物的检测。
3.根据权利要求2所述的一种基于Android平台的盲道识别***,其特征在于,所述有色差盲道图像预处理包括先进行RGB-Lab色彩空间转换并提取b分量图,其次针对提取的b分量图进行中值滤波和图像膨胀操作生成预处理图像,然后针对预处理图像进行otsu阈值分割生成图像分割图,最后进行Canny边缘检测和累计霍夫变换进行盲道边界直线的查找和标识。
4.根据权利要求2所述的一种基于Android平台的盲道识别***,其特征在于,所述无色差盲道图像预处理包括先进行图像灰度化和高斯滤波,其次通过LBP算子提取特征向量,然后结合K-均值聚类分析实现预处理图像分割,然后通过相应的填充操作消除误判块,最后利用Canny边缘检测和累计霍夫变换进行无色差盲道边界直线的查找和标识。
5.根据权利要求2所述的一种基于Android平台的盲道识别***,其特征在于,所述障碍物盲道图像预处理包括先进行RGB-Lab色彩空间转换并提取b分量图,然后在提取的b分量图中进行中值滤波生成预处理图像,其次针对预处理照片进行K-均值颜色聚类生成图像分割图,最后进行Canny边缘检测和累计霍夫变换进行盲道边界直线的查找和标识。
6.根据权利要求1所述的一种基于Android平台的盲道识别***,其特征在于,所述语音辅助模块播报盲道的实时状况信息包括:行进前方是有否障碍,是否偏离盲道和当前的行进方向。
7.根据权利要求1所述的一种基于Android平台的盲道识别***,其特征在于,所述图像采集模块为智能手机的摄像头,所述图像处理模块为智能手机的控制器,所述语音辅助模块为与智能手机相匹配的蓝牙耳机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184275.0A CN106709518A (zh) | 2016-12-20 | 2016-12-20 | 基于Android平台的盲道识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184275.0A CN106709518A (zh) | 2016-12-20 | 2016-12-20 | 基于Android平台的盲道识别*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106709518A true CN106709518A (zh) | 2017-05-24 |
Family
ID=58939349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611184275.0A Pending CN106709518A (zh) | 2016-12-20 | 2016-12-20 | 基于Android平台的盲道识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709518A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622502A (zh) * | 2017-07-28 | 2018-01-23 | 南京航空航天大学 | 复杂光照条件下视觉导引***的路径提取与识别方法 |
CN109602585A (zh) * | 2018-11-30 | 2019-04-12 | 西安工程大学 | 一种导盲眼镜及其防撞预警方法 |
CN109726681A (zh) * | 2018-12-29 | 2019-05-07 | 北京航空航天大学 | 一种基于机器学习识别与图像分割的盲道识别定位算法 |
CN109766947A (zh) * | 2019-01-16 | 2019-05-17 | 李�浩 | 一种自适应智能图像处理*** |
CN109931946A (zh) * | 2019-04-10 | 2019-06-25 | 福州大学 | 基于Android智能手机的盲人视觉测距导航方法 |
CN110070514A (zh) * | 2019-04-01 | 2019-07-30 | 孙鑫宇 | 一种盲道状态的fpga嵌入式视觉识别方法及便携式设备 |
CN110470308A (zh) * | 2019-09-06 | 2019-11-19 | 北京云迹科技有限公司 | 一种避障***及方法 |
CN110659577A (zh) * | 2019-08-26 | 2020-01-07 | 杭州电子科技大学 | 一种用于智能手机平台的盲道障碍物检测方法 |
CN111783557A (zh) * | 2020-06-11 | 2020-10-16 | 北京科技大学 | 一种基于深度视觉的可穿戴导盲设备及服务器 |
CN113034403A (zh) * | 2021-04-16 | 2021-06-25 | 重庆飞唐网景科技有限公司 | 医学影像数据通过高斯滤波进行降噪的工作方法 |
CN113160167A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过深度学习网络模型进行医学影像数据提取工作方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101336856A (zh) * | 2008-08-08 | 2009-01-07 | 西安电子科技大学 | 辅助视觉***的信息获取与传递方法 |
CN102164344A (zh) * | 2011-02-21 | 2011-08-24 | 中国华录集团有限公司 | 盲人导航手机 |
-
2016
- 2016-12-20 CN CN201611184275.0A patent/CN106709518A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101336856A (zh) * | 2008-08-08 | 2009-01-07 | 西安电子科技大学 | 辅助视觉***的信息获取与传递方法 |
CN102164344A (zh) * | 2011-02-21 | 2011-08-24 | 中国华录集团有限公司 | 盲人导航手机 |
Non-Patent Citations (1)
Title |
---|
汤智超等: "导盲机器人的交通标志视觉识别技术研究", 《计算机技术与发展》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622502A (zh) * | 2017-07-28 | 2018-01-23 | 南京航空航天大学 | 复杂光照条件下视觉导引***的路径提取与识别方法 |
CN107622502B (zh) * | 2017-07-28 | 2020-10-20 | 南京航空航天大学 | 复杂光照条件下视觉导引***的路径提取与识别方法 |
CN109602585B (zh) * | 2018-11-30 | 2022-02-22 | 西安工程大学 | 一种导盲眼镜及其防撞预警方法 |
CN109602585A (zh) * | 2018-11-30 | 2019-04-12 | 西安工程大学 | 一种导盲眼镜及其防撞预警方法 |
CN109726681A (zh) * | 2018-12-29 | 2019-05-07 | 北京航空航天大学 | 一种基于机器学习识别与图像分割的盲道识别定位算法 |
CN109766947A (zh) * | 2019-01-16 | 2019-05-17 | 李�浩 | 一种自适应智能图像处理*** |
CN109766947B (zh) * | 2019-01-16 | 2023-07-18 | 李�浩 | 一种自适应智能图像处理*** |
CN110070514A (zh) * | 2019-04-01 | 2019-07-30 | 孙鑫宇 | 一种盲道状态的fpga嵌入式视觉识别方法及便携式设备 |
CN109931946A (zh) * | 2019-04-10 | 2019-06-25 | 福州大学 | 基于Android智能手机的盲人视觉测距导航方法 |
CN110659577A (zh) * | 2019-08-26 | 2020-01-07 | 杭州电子科技大学 | 一种用于智能手机平台的盲道障碍物检测方法 |
CN110470308A (zh) * | 2019-09-06 | 2019-11-19 | 北京云迹科技有限公司 | 一种避障***及方法 |
CN111783557A (zh) * | 2020-06-11 | 2020-10-16 | 北京科技大学 | 一种基于深度视觉的可穿戴导盲设备及服务器 |
CN111783557B (zh) * | 2020-06-11 | 2023-08-15 | 北京科技大学 | 一种基于深度视觉的可穿戴导盲设备及服务器 |
CN113160167B (zh) * | 2021-04-16 | 2022-01-14 | 深圳市铱硙医疗科技有限公司 | 通过深度学习网络模型进行医学影像数据提取工作方法 |
CN113160167A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过深度学习网络模型进行医学影像数据提取工作方法 |
CN113034403A (zh) * | 2021-04-16 | 2021-06-25 | 重庆飞唐网景科技有限公司 | 医学影像数据通过高斯滤波进行降噪的工作方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709518A (zh) | 基于Android平台的盲道识别*** | |
CN106821694B (zh) | 一种基于智能手机的移动导盲*** | |
Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
CN107506760A (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及*** | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
CN106980852A (zh) | 基于角点检测与匹配的药品识别***及其识别方法 | |
CN107977639A (zh) | 一种人脸清晰度判断方法 | |
CN103295009B (zh) | 基于笔画分解的车牌字符识别方法 | |
CN111462140B (zh) | 一种基于区块拼接的实时图像实例分割方法 | |
CN108537143B (zh) | 一种基于重点区域特征比对的人脸识别方法与*** | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及*** | |
CN112733711B (zh) | 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法 | |
CN114037966A (zh) | 高精地图特征提取方法、装置、介质及电子设备 | |
CN115049954B (zh) | 目标识别方法、装置、电子设备和介质 | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
CN111950345A (zh) | 摄像头的识别方法、装置、电子设备和存储介质 | |
KR101967858B1 (ko) | 3d 깊이 이미지 기반 객체 분리 장치 및 그 방법 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN104715250A (zh) | 十字激光检测方法和装置 | |
Kim | Detection of traffic signs based on eigen-color model and saliency model in driver assistance systems | |
CN107463934A (zh) | 一种隧道裂缝检测方法及装置 | |
CN111080562B (zh) | 一种基于增强图像对比的变电场所悬挂物识别方法 | |
Le et al. | Pedestrian lane detection in unstructured environments for assistive navigation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170524 |
|
RJ01 | Rejection of invention patent application after publication |