基于OpenCV的视障人士实时目标检测
重磅干货，第一时间送达
计算机视觉领域一直是一个活跃的研究领域，在本文中，我们让设备实时与其应用程序(对象检测)相结合并运行。
设备：程序将在其上运行，由于该设备将安装在手杖上，并且可以实时工作，因此可以使用智能手机或 Raspberry-Pi。在本文实现中，使用了Raspberry-Pi 4。
相机：相机将用于打开图像流（视频），并处理帧以识别对象。在本文中，使用了 Raspberry-Pi 4摄像头。
距离传感器：红外或超声波传感器可用于测量距离。在本文中，使用了超声波传感器。
反馈组件：可以使用各种反馈机制，例如使用耳机或振动电机的文本到语音。在该实施方式中，使用振动电机。
为了开发这个项目，使用了Python编程语言和OpenCV库。OpenCV 是一个开源的编程函数库，主要针对实时计算机视觉，可以按照此链接中提到的步骤将 OpenCV 安装到 Raspberry-Pi 上。使用线程，其中代码的不同部分可以同时运行，这允许距离传感器在对象检测工作时工作。
由于项目设备的处理能力有限，我们需要轻量级的对象检测模型才能实时检测。可用的轻型模型有TinyYOLO和SSD MobileNet。在本文中，我们使用 SSD MobileNet。
该模型获取每一帧并尝试对该帧上的对象进行分类，它最多可以对 100 个对象进行分类，并返回对象名称以及模型对其分类的置信度。
为了利用模型返回的信息，机器不断测量用户的危险等级，这是通过划分三个危险等级（高、中、低）来完成的，并根据检测到的物体，可以得出危险等级改变。例如，如果检测到汽车，则危险级别高于检测到手机。此外，危险等级可以根据距离而变化。例如，如果传感器检测到物体在 1 米以内，则会导致更高的危险级别。
本文使用了上面提到的最新的光物体检测模型，这些模型速度快，精度合理，随着计算机视觉领域的快速发展和研究，模型与使用的模型一样快（甚至更快），精度更高希望出现。使用这些新模型将改进项目实施。此外，虽然计算能力可以产生好的结果，但更大的计算能力会带来更流畅的体验和更好的相机帧率。
可以开发移动应用程序以与机器一起使用，这可以向用户（或用户的监护人）提供有关设备的信息，例如电池健康状况，并允许进一步的功能。反馈机制可以改为无线方式，比如蓝牙控制的无线频段，或者其他任何合理的想法。此外，为实现而编写的代码可以更高效，并且可以进行更好的线程化实现。