双目视觉在智能导盲眼镜中的应用

2018-05-30吉林大学通信工程学院康亚男樊昌熙张学毅于倩楠施书通

电子世界 2018年9期

吉林大学通信工程学院康亚男樊昌熙张学毅于倩楠施书通

引言

盲人群体在残疾人群体中占很大比重，我国也是世界上盲人数量最多的国家。由于出行会遇到诸多不便，盲人出行基本依靠盲杖、导盲犬或者他人的照顾，这给他们的心理造成负面影响，同时也增加了家庭和社会负担[1]。在我国人口老龄化逐渐加剧的过程中，由于白内障等眼疾会导致高龄人失去视力，盲人数量会有所增加[2]，盲人出行的问题急需解决。即便科技不断发展，他们仍没有如预期那样迈出家门与社会交流，所以我们应当重视盲人出行，让他们也能享受科技的福音。

近期看来，导盲设备的研究还处于萌芽阶段，主要以智能导盲手杖为主，它利用的超声波测距技术在使用过程中不够稳定，不易做推广。其次还有导盲车、可穿戴的导盲系统等，由于不易携带或受外界影响较大等原因，只能停留在概念模型上。本文以树莓派3代B型(Raspberry Pi 3 Model B)[3]为主要控制平台，体积较小，满足了盲人出行的便携性；同时利用OpenCV进行图像快速处理，满足了在盲人出行遇到各种不确定障碍物时信息处理的实时性。

1.智能导盲眼镜整体设计

智能导盲眼镜整体以树莓派为控制平台，外设两个相同的摄像头和一个声卡，其整体框架图如图1所示。智能导盲眼镜主要实现四个功能：第一，识别红绿灯；第二，识别斑马线；第三，计算图像中各物体的位置坐标；第四，语音输出红绿灯、斑马线以及较近障碍物的位置信息。其主要工作流程：摄像头实时获取图像，将图像转化并颜色过滤处理后得出红绿灯识别结果；然后将图像边缘提取和变换后得出斑马线识别结果；再利用视差数据得出位置信息；最后语音输出结果。

图1 智能导盲眼镜框架图

2.功能设计与测试

2.1 红绿灯识别

我们利用OpenCV来进行红绿灯的识别，具体步骤如图2所示。由于摄像头所拍摄的图像为RGB通道，而我们所采用的是基于HSV色彩模型的算法，所以需要对图像进行转化。在提取目标区域过程中，周围环境对图像有一定的影响，所以需要对提取后的图像做进一步的优化处理，如模糊处理、闭运算等，实际情况下，环境较为复杂，所以最终决定采用形态学中的腐蚀和膨胀处理，来进一步减小干扰[4]。

图2 红绿灯识别过程

随机在街头进行测试，摄像头实时拍摄的图像为RGB通道如图3-(a)所示，转化后在HSV模型下的图像如图3-(b)所示。在HSV模型中红色的H范围约为[0,10]，[156,180]两个区间，S的范围约为[43,255],V的范围约为[43,255]；绿色的H范围约为[35,77]，S的范围约为[43,255],V的范围约为[43,255]。确定如上信息之后，通过Opencv中的inRange函数，设定相应的参数，对图片中的红色或者绿色区域进行提取[5]，提取结果如图3-(c)所示，优化之后的结果如图3-(d)。对所裁剪后的图片进行遍历每个像素处理，根据其H的大小，确定出是红灯还是绿灯，实验图3最终判定为红灯，结果正确。

图3 红灯判定的处理过程

2.2 斑马线识别

斑马线的特征提取主要利用OpenCV实现，具体有四个步骤：第一，灰度直方图均衡化，即对摄像头拍摄的图片进行灰度图处理，利用equalizeHist函数均衡化图片；第二，中值滤波，即利用medianBlur函数进行中值滤波后消除噪点；第三，Canny边缘提取，即利用Canny函数对图片进行边缘检测，如图4-(a)所示；第四，Hough变换，即利用Hough进行直线提取[6]，如图4-(b)所示。通过以上步骤，即可得到图片中的直线，完成特征的提取。

在图像中能提取到很多直线，所以需要一些限定条件来判定斑马线。特征的提取过程中可以得到由rho和theta组成的二维向量表示的直线，我们利用两个限定条件判定斑马线：①相互平行的直线个数>=6；②相互平行的直线之间的距离是相互递减的。

由此可以得到如图4所示结果，斑马线判定成功。

图 4 斑马线识别的处理过程

2.3 计算物体距离

计算物体距离主要利用的是OpenCV和MATLAB，在获得物体位置信息的过程中，考虑到标定误差和实际测量误差，近距离测距结果达到了预期要求[7]。使用 BM 算法测距速度很快，可以达到实时应用的要求，而SGBM( Semi-Global Block Mathing) 算法和 GC(Graph Cuts) 算法虽在精度上略胜一筹，但测距速度较慢，实时性不佳，所以系统采用 BM 算法[8]。具体流程如图5所示。

我们对其进行了测验，设定距离小于2.5m时进行语音警报，得到图6所示结果，得到的三维坐标信息中，z轴坐标为距离，单位为毫米（mm）,我们将整个图像的每个像素进行遍历，根据亮度与距离的相近程度来判断物体轮廓。