--- title: AIGlasses_for_navigation canonical_url: "https://www.modelscope.cn/models/archifancy/AIGlasses_for_navigation" md_url: "https://www.modelscope.cn/models/archifancy/AIGlasses_for_navigation.md" repository: archifancy/AIGlasses_for_navigation chinese_name: AIGlasses_for_navigation last_updated: 2025-10-20 pipeline_tag: video-object-segmentation tasks: - video-object-segmentation downloads: 980 stars: 293 --- # AIGlasses_for_navigation > AIGlasses_for_navigation - archifancy 在 ModelScope 开源的模型。完整代码：https://github.com/AI-FanGe/OpenAIglasses_for_Navigation.git。模型下载后放进/model文件夹 - **Repository**: archifancy/AIGlasses_for_navigation - **Tasks**: video-object-segmentation - **Downloads**: 980 - **Stars**: 293 - **Last updated**: 2025-10-20 Source: https://www.modelscope.cn/models/archifancy/AIGlasses_for_navigation --- # AI 智能盲人眼镜系统 🤖👓 1 2 4
一个面向视障人士的智能导航与辅助系统，集成了盲道导航、过马路辅助、物品识别、实时语音交互等功能。 本项目仅为交流学习使用，请勿直接给视障人群使用。 代码在 https://github.com/AI-FanGe/OpenAIglasses_for_Navigation.git ## ✨ 功能特性 ### 🚶 盲道导航系统 - **实时盲道检测**：基于 YOLO 分割模型实时识别盲道 - **智能语音引导**：提供精准的方向指引（左转、右转、直行等） - **障碍物检测与避障**：自动识别前方障碍物并规划避障路线 - **转弯检测**：自动识别急转弯并提前提醒 - **光流稳定**：使用 Lucas-Kanade 光流算法稳定掩码，减少抖动 ### 🚦 过马路辅助 - **斑马线识别**：实时检测斑马线位置和方向 - **红绿灯识别**：基于颜色和形状的红绿灯状态检测 - **对齐引导**：引导用户对准斑马线中心 - **安全提醒**：绿灯时语音提示可以通行 ### 🔍 物品识别与查找 - **智能物品搜索**：语音指令查找物品（如"帮我找一下红牛"） - **实时目标追踪**：使用 YOLO-E 开放词汇检测 + ByteTrack 追踪 - **手部引导**：结合 MediaPipe 手部检测，引导用户手部靠近物品 - **抓取检测**：检测手部握持动作，确认物品已拿到 - **多模态反馈**：视觉标注 + 语音引导 + 居中提示 ### 🎙️ 实时语音交互 - **语音识别（ASR）**：基于阿里云 DashScope Paraformer 实时语音识别 - **多模态对话**：Qwen-Omni-Turbo 支持图像+文本输入，语音输出 - **智能指令解析**：自动识别导航、查找、对话等不同类型指令 - **上下文感知**：在不同模式下智能过滤无关指令 ### 📹 视频与音频处理 - **实时视频流**：WebSocket 推流，支持多客户端同时观看 - **音视频同步录制**：自动保存带时间戳的录像和音频文件 - **IMU 数据融合**：接收 ESP32 的 IMU 数据，支持姿态估计 - **多路音频混音**：支持系统语音、AI 回复、环境音同时播放 ### 🎨 可视化与交互 - **Web 实时监控**：浏览器端实时查看处理后的视频流 - **IMU 3D 可视化**：Three.js 实时渲染设备姿态 - **状态面板**：显示导航状态、检测信息、FPS 等 - **中文友好**：所有界面和语音使用中文，支持自定义字体 ## 💻 系统要求 ### 硬件要求 - **开发/服务器端**： - CPU: Intel i5 或以上（推荐 i7/i9） - GPU: NVIDIA GPU（支持 CUDA 11.8+，推荐 RTX 3060 或以上） - 内存: 8GB RAM（推荐 16GB） - 存储: 10GB 可用空间 - **客户端设备**（可选）： - ESP32-CAM 或其他支持 WebSocket 的摄像头 - 麦克风（用于语音输入） - 扬声器/耳机（用于语音输出） ### 软件要求 - **操作系统**: Windows 10/11, Linux (Ubuntu 20.04+), macOS 10.15+ - **Python**: 3.9 - 3.11 - **CUDA**: 11.8 或更高版本（GPU 加速必需） - **浏览器**: Chrome 90+, Firefox 88+, Edge 90+（用于 Web 监控） ### API 密钥 - **阿里云 DashScope API Key**（必需）： - 用于语音识别（ASR）和 Qwen-Omni 对话 - 申请地址：https://dashscope.console.aliyun.com/ ## 🚀 快速开始 ### 1. 克隆项目 ```bash git clone https://github.com/yourusername/aiglass.git cd aiglass/rebuild1002 ``` ### 2. 安装依赖 #### 创建虚拟环境（推荐） ```bash python -m venv venv # Windows venv\Scripts\activate # Linux/macOS source venv/bin/activate ``` #### 安装 Python 包 ```bash pip install -r requirements.txt ``` #### 安装 CUDA 和 cuDNN（GPU 加速） 请参考 [NVIDIA CUDA Toolkit 安装指南](https://developer.nvidia.com/cuda-downloads) ### 3. 下载模型文件 将以下模型文件放入 `model/` 目录： | 模型文件 | 用途 | 大小 | 下载链接 | |---------|------|------|---------| | `yolo-seg.pt` | 盲道分割 | ~50MB | [待补充] | | `yoloe-11l-seg.pt` | 开放词汇检测 | ~80MB | [待补充] | | `shoppingbest5.pt` | 物品识别 | ~30MB | [待补充] | | `trafficlight.pt` | 红绿灯检测 | ~20MB | [待补充] | | `hand_landmarker.task` | 手部检测 | ~15MB | [MediaPipe Models](https://developers.google.com/mediapipe/solutions/vision/hand_landmarker#models) | ### 4. 配置 API 密钥 创建 `.env` 文件： ```bash # .env DASHSCOPE_API_KEY=your_api_key_here ``` 或在代码中直接修改（不推荐）： ```python # app_main.py, line 50 API_KEY = "your_api_key_here" ``` ### 5. 启动系统 ```bash python app_main.py ``` 系统将在 `http://0.0.0.0:8081` 启动，打开浏览器访问即可看到实时监控界面。 ### 6. 连接设备（可选） 如果使用 ESP32-CAM，请： 1. 烧录 `compile/compile.ino` 到 ESP32 2. 修改 WiFi 配置，连接到同一网络 3. ESP32 自动连接到 WebSocket 端点 ## 🏗️ 系统架构 ### 整体架构 ``` ┌─────────────────────────────────────────────────────────────┐ │ 客户端层 │ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │ │ ESP32-CAM │ │ 浏览器 │ │ 移动端 │ │ │ │ (视频/音频) │ │ (监控界面) │ │ (语音控制) │ │ │ └──────┬───────┘ └──────┬───────┘ └──────┬───────┘ │ └─────────┼──────────────────┼──────────────────┼─────────────┘ │ WebSocket │ HTTP/WS │ WebSocket ┌─────────┼──────────────────┼──────────────────┼─────────────┐ │ │ │ │ │ │ ┌────▼──────────────────▼──────────────────▼────────┐ │ │ │ FastAPI 主服务 (app_main.py) │ │ │ │ - WebSocket 路由管理 │ │ │ │ - 音视频流分发 │ │ │ │ - 状态管理与协调 │ │ │ └────┬────────────────┬────────────────┬─────────────┘ │ │ │ │ │ │ │ ┌──────▼──────┐ ┌──────▼──────┐ ┌──────▼──────┐ │ │ │ ASR 模块 │ │ Omni 对话 │ │ 音频播放 │ │ │ │ (asr_core) │ │(omni_client)│ │(audio_player)│ │ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │ │ │ 应用层 │ └───────────────────────────────────────────────────────────────┘ │ │ │ ┌─────────▼──────────────────▼──────────────────▼──────────────┐ │ 导航统领层 │ │ ┌─────────────────────────────────────────────────┐ │ │ │ NavigationMaster (navigation_master.py) │ │ │ │ - 状态机：IDLE/CHAT/BLINDPATH_NAV/ │ │ │ │ CROSSING/TRAFFIC_LIGHT/ITEM_SEARCH │ │ │ │ - 模式切换与协调 │ │ │ └───┬─────────────────────┬───────────────────┬───┘ │ │ │ │ │ │ │ ┌────▼────────┐ ┌────────▼────────┐ ┌─────▼──────┐ │ │ │ 盲道导航 │ │ 过马路导航 │ │ 物品查找 │ │ │ │(blindpath) │ │ (crossstreet) │ │(yolomedia) │ │ │ └──────────────┘ └──────────────────┘ └─────────────┘ │ └───────────────────────────────────────────────────────────────┘ │ │ │ ┌─────────▼──────────────────▼──────────────────▼──────────────┐ │ 模型推理层 │ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │ │ YOLO 分割 │ │ YOLO-E 检测 │ │ MediaPipe │ │ │ │ (盲道/斑马线) │ │ (开放词汇) │ │ (手部检测) │ │ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │ ┌──────────────┐ ┌──────────────┐ │ │ │ 红绿灯检测 │ │ 光流稳定 │ │ │ │(HSV+YOLO) │ │(Lucas-Kanade)│ │ │ └──────────────┘ └──────────────┘ │ └───────────────────────────────────────────────────────────────┘ │ ┌─────────▼─────────────────────────────────────────────────────┐ │ 外部服务层 │ │ ┌──────────────────────────────────────────────┐ │ │ │ 阿里云 DashScope API │ │ │ │ - Paraformer ASR (实时语音识别) │ │ │ │ - Qwen-Omni-Turbo (多模态对话) │ │ │ │ - Qwen-Turbo (标签提取) │ │ │ └──────────────────────────────────────────────┘ │ └───────────────────────────────────────────────────────────────┘ ``` ### 核心模块说明 | 模块 | 文件 | 功能 | |------|------|------| | **主应用** | `app_main.py` | FastAPI 服务、WebSocket 管理、状态协调 | | **导航统领** | `navigation_master.py` | 状态机管理、模式切换、语音节流 | | **盲道导航** | `workflow_blindpath.py` | 盲道检测、避障、转弯引导 | | **过马路导航** | `workflow_crossstreet.py` | 斑马线检测、红绿灯识别、对齐引导 | | **物品查找** | `yolomedia.py` | 物品检测、手部引导、抓取确认 | | **语音识别** | `asr_core.py` | 实时 ASR、VAD、指令解析 | | **语音合成** | `omni_client.py` | Qwen-Omni 流式语音生成 | | **音频播放** | `audio_player.py` | 多路混音、TTS 播放、音量控制 | | **视频录制** | `sync_recorder.py` | 音视频同步录制 | | **桥接 IO** | `bridge_io.py` | 线程安全的帧缓冲与分发 | ## 📖 使用说明 ### 语音指令 系统支持以下语音指令（说话时无需唤醒词）： #### 导航控制 ``` "开始导航" / "盲道导航" → 启动盲道导航 "停止导航" / "结束导航" → 停止盲道导航 "开始过马路" / "帮我过马路" → 启动过马路模式 "过马路结束" / "结束过马路" → 停止过马路模式 ``` #### 红绿灯检测 ``` "检测红绿灯" / "看红绿灯" → 启动红绿灯检测 "停止检测" / "停止红绿灯" → 停止检测 ``` #### 物品查找 ``` "帮我找一下 [物品名]" → 启动物品搜索 示例： - "帮我找一下红牛" - "找一下AD钙奶" - "帮我找矿泉水" "找到了" / "拿到了" → 确认找到物品 ``` #### 智能对话 ``` "帮我看看这是什么" → 拍照识别 "这个东西能吃吗" → 物品咨询 任何其他问题 → AI 对话 ``` ### 导航状态说明 系统包含以下主要状态（自动切换）： 1. **IDLE** - 空闲状态 - 等待用户指令 - 显示原始视频流 2. **CHAT** - 对话模式 - 与 AI 进行多模态对话 - 暂停导航功能 3. **BLINDPATH_NAV** - 盲道导航 - **ONBOARDING**: 上盲道引导 - ROTATION: 旋转对准盲道 - TRANSLATION: 平移至盲道中心 - **NAVIGATING**: 沿盲道行走 - 实时方向修正 - 障碍物检测 - **MANEUVERING_TURN**: 转弯处理 - **AVOIDING_OBSTACLE**: 避障 4. **CROSSING** - 过马路模式 - **SEEKING_CROSSWALK**: 寻找斑马线 - **WAIT_TRAFFIC_LIGHT**: 等待绿灯 - **CROSSING**: 过马路中 - **SEEKING_NEXT_BLINDPATH**: 寻找对面盲道 5. **ITEM_SEARCH** - 物品查找 - 实时检测目标物品 - 引导手部靠近 - 确认抓取 6. **TRAFFIC_LIGHT_DETECTION** - 红绿灯检测 - 实时检测红绿灯状态 - 语音播报颜色变化 ### Web 监控界面 打开浏览器访问 `http://localhost:8081`，可以看到： - **实时视频流**：显示处理后的视频，包括导航标注 - **状态面板**：当前模式、检测信息、FPS - **IMU 可视化**：设备姿态 3D 实时渲染 - **语音识别结果**：显示识别的文字和 AI 回复 ### WebSocket 端点 | 端点 | 用途 | 数据格式 | |------|------|---------| | `/ws/camera` | ESP32 相机推流 | Binary (JPEG) | | `/ws/viewer` | 浏览器订阅视频 | Binary (JPEG) | | `/ws_audio` | ESP32 音频上传 | Binary (PCM16) | | `/ws_ui` | UI 状态推送 | JSON | | `/ws` | IMU 数据接收 | JSON | | `/stream.wav` | 音频下载流 | Binary (WAV) | ## ⚙️ 配置说明 ### 环境变量 创建 `.env` 文件配置以下参数： ```bash # 阿里云 API DASHSCOPE_API_KEY=sk-xxxxx # 模型路径（可选，使用默认路径可不配置） BLIND_PATH_MODEL=model/yolo-seg.pt OBSTACLE_MODEL=model/yoloe-11l-seg.pt YOLOE_MODEL_PATH=model/yoloe-11l-seg.pt # 导航参数 AIGLASS_MASK_MIN_AREA=1500 # 最小掩码面积 AIGLASS_MASK_MORPH=3 # 形态学核大小 AIGLASS_MASK_MISS_TTL=6 # 掩码丢失容忍帧数 AIGLASS_PANEL_SCALE=0.65 # 数据面板缩放 # 音频配置 TTS_INTERVAL_SEC=1.0 # 语音播报间隔 ENABLE_TTS=true # 启用语音播报 ``` ### 修改模型路径 如果模型文件不在默认位置，可以在相应文件中修改： ```python # workflow_blindpath.py seg_model_path = "your/custom/path/yolo-seg.pt" # yolomedia.py YOLO_MODEL_PATH = "your/custom/path/shoppingbest5.pt" HAND_TASK_PATH = "your/custom/path/hand_landmarker.task" ``` ### 调整性能参数 根据硬件性能调整： ```python # yolomedia.py HAND_DOWNSCALE = 0.8 # 手部检测降采样（越小越快，精度降低） HAND_FPS_DIV = 1 # 手部检测抽帧（2=隔帧，3=每3帧） # workflow_blindpath.py FEATURE_PARAMS = dict( maxCorners=600, # 光流特征点数（越少越快） qualityLevel=0.001, # 特征点质量 minDistance=5 # 特征点最小间距 ) ``` ## 🛠️ 开发文档 ### 添加新的语音指令 1. 在 `app_main.py` 的 `start_ai_with_text_custom()` 函数中添加： ```python # 检查新指令 if "新指令关键词" in user_text: # 执行自定义逻辑 print("[CUSTOM] 新指令被触发") await ui_broadcast_final("[系统] 新功能已启动") return ``` 2. 如需修改指令过滤规则： ```python # 修改 allowed_keywords 列表 allowed_keywords = ["帮我看", "帮我找", "你的新关键词"] ``` ### 扩展导航功能 1. 在 `workflow_blindpath.py` 添加新状态： ```python # 在 BlindPathNavigator.__init__() 中初始化 self.your_new_state_var = False # 在 process_frame() 中处理 def process_frame(self, image): if self.your_new_state_var: # 自定义处理逻辑 guidance_text = "新状态引导" # ... ``` 2. 在 `navigation_master.py` 添加状态机状态： ```python class NavigationMaster: def start_your_new_mode(self): self.state = "YOUR_NEW_MODE" # 初始化逻辑 ``` ### 集成新模型 1. 创建模型包装类： ```python # your_model_wrapper.py class YourModelWrapper: def __init__(self, model_path): self.model = load_your_model(model_path) def detect(self, image): # 推理逻辑 return results ``` 2. 在 `app_main.py` 中加载： ```python your_model = YourModelWrapper("model/your_model.pt") ``` 3. 在相应的工作流中调用： ```python results = your_model.detect(image) ``` ### 调试技巧 1. **启用详细日志**： ```python # app_main.py 顶部 import logging logging.basicConfig(level=logging.DEBUG) ``` 2. **查看帧率瓶颈**： ```python # yolomedia.py PERF_DEBUG = True # 打印处理时间 ``` 3. **测试单个模块**： ```bash # 测试盲道导航 python test_cross_street_blindpath.py # 测试红绿灯检测 python test_traffic_light.py # 测试录制功能 python test_recorder.py ``` ## 📄 许可证 本项目采用 MIT 许可证 - 详见 [LICENSE](LICENSE) 文件