据中国残疾人联合会数据,2018年我国视力残疾患者人数达到1700多万,每年新增盲人数量达到45万,中国是全世界盲人最多的国家之一。盲人作为弱势群体,他们在生活中所遇到的困难往往是正常人所无法想象的。数据显示约30%盲人基本不外出,另外46%需家人朋友陪同,盲人出行的问题亟需人们的关注。城市的盲道建设和管理的不规范导致盲道无法有效的利用,当前盲人在交通环境下主要还是依靠传统的导盲方式:导盲杖能帮助盲人探测周围路面情况,但范围有限,并且无法发现悬空危险物体;而导盲犬训练周期长,价格昂贵,无疑增加盲人的生活压力。因此,传统的导盲方式并不能有效解决盲人出行困难问题和保障他们的安全。本文针对智能导盲系统展开研究,目的是让盲人外出行走在人行道时能像正常人一样了解道路信息,保障其便捷、安全地出行。本文通过对国内外导盲技术的研究,分析道路环境特点并结合盲人需求设计了一种基于ARM技术的盲人避障系统,采用嵌入式-云服务器的架构,保障系统的实时性和可靠性。系统的设计主要包括前端底层硬件设计、嵌入式平台的搭建以及交通信号灯和交通标志牌的检测识别。前端以I.MX6U-ALPHA开发板为硬件平台,其微处理器是以I.MX6ULL为核心的Cortex-A7,嵌入式平台选用开源Linux操作系统,交通信号灯和交通标志牌分别采用传统图像检测技术和基于深度学习的方法进行识别。本文的主要工作内容如下:首先提出本系统的总体设计方案,详细介绍了如何搭建Linux系统开发平台;在PC机上安装交叉编译工具链,在此开发环境下进行了U-Boot移植、Linux内核移植、根文件系统移植和设备驱动程序的操作,为盲人避障系统的设计提供一个稳定可靠的嵌入式平台环境。对系统硬件模块数据采集进行电路设计,其外围设备模块包括:图像采集模块、超声波测距模块以及语音播报模块,嵌入式前端与云服务器通过WIFI相连,将采集的数据通过TCP/IP协议下的Socket套接字进行信息交互。其次详细地对图形检测识别算法进行研究,由于交通信号灯缺乏数据集且颜色形状特征明显,因此采用RGB转HSV色彩空间进行颜色分割提取候选区,通过形态学处理去噪,依据信号灯形状特点利用Hough变换作形状检测,将检测到的区域利用信号灯板信息排除非信号灯区域,最后利用颜色直方图的统计信息完成信号灯的识别。交通标志牌检测识别采用深度卷积神经网络多任务学习模型,在Linux系统及Tensorflow1.4架构下结合Zhu等人工作的基础上对网络结构进行改进,在图像输入层后采用MSRCR图像增强算法对图像增强处理。采用多尺度的策略对训练阶段和测试阶段图像截取固定大小图像块送入网络检测,同时将多任务学习模型由原来的8层减少到7层,最后通过实测验证了本文系统的可行性和实时性。本文设计的系统能对盲人自身1～3米范围内的障碍物有效识别,根据测试结果显示本系统对于标志牌识别在光照不理想、有遮挡等特殊条件下依旧有很好的检测效果。在准确率达到91%的同时,提高了系统的实时性,符合盲人外出对智能设备的要求。同时本文系统对于无人驾驶技术有一定的借鉴意义。