近几年来,我国视障人数逐年增多,由于视力缺陷,视障人群很难对自己的生活环境中出现的物体或者人物做出准确的判断,于是越来越多的人开始关注视障人群,学术界与商业界都研究了很多解决方案来提高视障人群的基本生活能力。由于视障人群大部分的生活时间都在室内,所以怎样提高视障人群对室内物体以及人物的分辨能力就成为了一个很重要的课题,这也是本课题的研究内容。本文为了解决视障人群室内独自生活能力有限的问题,设计了一套可以对室内障碍物实时测距的虚拟导盲杖,并且在嵌入式系统里实现了基于神经网络的室内障碍物检测与分类算法。导盲杖系统前端是在FPGA上实现的基于线结构光的实时测距系统,当盲人佩戴导盲杖行走时即可获得前方障碍物实时的距离和形状信息。测距传感器选择的是低成本的单目相机和一字线型结构光,处理平台为FPGA。相机采集图像送入FPGA进行一系列预处理、激光条纹提取、光条中心拟合、三角测距等操作,将计算好室内物体距离的图像送入系统后端做障碍物分类与检测。导盲杖系统后端是一个基于多尺度检测的轻量型深度神经网络,处于FPGA内部ARM硬核处理器上。针对室内物体分类与检测的问题本文采用了深度学习的方法。区别于传统特征提取的方法,本文使用卷积神经网络提取特征,并在卷积神经网络生成的多个尺度的特征图上进行障碍物预测。具体训练方法是将图像送入卷积神经网络,网络每一层会生成不同大小的特征图,在多个尺度的特征图上预先布置好不同宽高比的默认框,将每个人工标注框近似到与其重叠比最大的默认框进行训练。网络模型通过离线训练得到最优模型参数,并且把训练好的网络部署在嵌入式端对待测试图像进行前向预测,得到图像中障碍物精确的位置与类型。大量的实验数据表明本课题设计的导盲杖在实时性、测距精度以及室内物体分类检测精度上都具有很好的性能。障碍物测距速度达到了30 FPS,测距精度5 m范围内5%,在本文自己建立的室内物体数据集上目标检测的平均准确率m AP达到45.89%,在嵌入式CPU上部署检测速度达到1 FPS。