本发明属于智能眼镜算法
技术领域：
，具体涉及一种基于粒子化分数阶的人工智能大数据下智能眼镜的道路规划方法、介质及设备。
背景技术：
：智能眼镜是近几年被提出、而且是被看好的可穿戴智能设备之一，智能眼镜能够解放双手、实现多种便民生活功能。科学技术被提出来以后，更重要的是将它应用到现实当中或者变成一种成果。智能眼镜作为视觉领域代表性的可穿戴电子设备，智能眼镜在人工智能研究领域具有很大的应用市场和潜力。但目前，智能眼镜在国内并没有成熟的产品应用到人工智能领域相关技术，同时也没有成熟的指导性文章。在日常生活中，用户可以通过手机应用来定位眼镜的位置，同样也可以通过眼镜上的按钮使呼叫手机，进而找到手机。总而言之，智能眼镜的设计和研究满足人们实际生活中的需要，并具有坚实的理论基础，所以具有重大研究意义。智能眼镜现已在诸多领域展示出其巨大的应用价值和发展潜力。随着人机交互技术的多样化，人脸识别是人机交互的重要体现，已广泛应用于门禁系统，监控系统和身份验证。这些方式应用在智能眼镜等可穿戴电子设备上能够使用户更加便捷的使用，但是智能设备其硬件性能较低，传统的人脸识别算法在硬件性能受限时，无法快速实现或根本无法实现其预设功能。所以，研究一种网络复杂程度低，处理速度快的路径规划算法显得尤为重要。本发明研究适用于智能眼镜的路径识别技术，能够满足各种应用场合的需求。技术实现要素：本发明的目的在于提供一种控制精度更高、避障性能更强的人工智能大数据下智能眼镜的道路规划方法。本发明的目的还在于提供一种人工智能大数据下智能眼镜的道路规划介质。本发明的目的还在于提供一种人工智能大数据下智能眼镜的道路规划设备。本发明的目的是这样实现的：人工智能大数据下智能眼镜的道路规划方法，所述智能眼镜包括眼镜组件和框架，所述眼镜组件包括两个镜片，所述框架包括眼镜框和分别连接在眼镜框两端的两根智能眼镜腿；所述智能眼镜腿包括形成有容纳腔的镜腿本体，容纳腔内的电源模块以及电连接于所述电源模块且设于任一所述容纳腔内的摄像系统、距离传感器、高度传感器、处理器、语音识别模块、语音播放模块和无线通信模块；所述摄像系统、距离传感器、高度传感器、语音识别模块和语音播放模块均信号连接于所述处理器，且均能通过所述无线通信模块与人工智能交互设备无线连接和/或与云控制系统信息连接，所述电源模块为可充电电池，所述语音识别模块为听筒，所述语音播放模块为话筒，由智能眼镜云控制系统和智能眼镜上的控制模块对智能眼镜组进行路径规划和行程控制，规划方法包括如下步骤：(1)智能眼镜的摄像系统采集图像，对采集的图像进行去噪处理后通过路径边缘点做最优路径规划；(2)智能眼镜进行行程运算，指导智能眼镜使用者在规划的路径通道内行进；(3)对行程中的智能眼镜使用者进行姿态监控；(4)重复步骤(2)-(3)直到智能眼镜使用者停止使用为止；所述步骤(1)包括如下步骤：(1.1)图像采集去噪：智能眼镜通过摄像系统对路径所处环境进行三维图像采集，对采集的图像进行高斯滤波处理；(1.2)对图像中道路进行边缘检测：对图像中每个像素点周围的邻点灰度值进行sobel算子计算，通过采集图像所取的亮度选择阈值τ，当fx＝(f(a-1,b-1) 2f(a-1,b) f(a-1,b 1))-(f(a 1,b 1) 2f(a-1,b) f(a 1,b 1))，fy＝(f(a-1,b-1) 2f(a,b-1) f(a 1,b-1))-(f(a-1,b-1) 2f(a,b-1) f(a 1,b-1))，当so(a,b)＞τ时，图像中点(a,b)为边缘点，a、b为边缘点坐标，f为灰度值；(1.3)依据边缘点的路径规划：智能眼镜的云控制系统采集边缘点信息，通过边缘点构建出路径通道，设智能眼镜的摄像系统与距离传感器的与水平方向上的夹角为θa，距离传感器返回的数据为la，智能眼镜的高度传感器的测量值为z′，水平方向参考系下的坐标为dn0＝(xa,yb,z′)＝(la×cosθa,la×sinθa,z′)；根据路径通道中节点的迭代评价值确定规划的路径，两个相邻节点的距离为ln0，ln0＝dn0-dn0-1，n0为当前节点的标号，起始点i0到当前节点in0的代价函数为：扫描每个节点附近g(n0)最大的两个邻居节点进行连接，形成规划的路径通道。所述步骤(2)包括：(2.1)初始化数量大小为n的智能眼镜组，包括智能眼镜的区域随机速度和智能眼镜区域位置，确定每个智能眼镜的姿态矩阵、姿态矩阵角速率以及姿态角；(2.2)评估每组中智能眼镜的适应值；(2.3)评估每组中智能眼镜当前搜索空间中最佳位置；(2.4)更新智能眼镜的惯性权重，更新每个智能眼镜的速度和位置；(2.5)在智能眼镜工作状态下重新执行步骤(2.2)，在智能眼镜工作结束时结束本方法；所述的智能眼镜的姿态矩阵的确定步骤包括：(2.1.1)设地球坐标系为earth系，地理坐标系为geo系，载体坐标系为carrier系，导航坐标系为pilot系，各坐标系的轴依次分别为xg、yg、zg；xc、yc、zc；xp、yp、zp；(2.1.2)计算智能眼镜的地理坐标系的方向余弦矩阵；其中智能眼镜所在经度为αe和纬度为δe；αe的取值范围为(-180°，180°)；δe的取值范围为(-90°，90°)；(2.1.3)计算智能眼镜的载体坐标系的方向余弦矩阵；其中γc为载体坐标系相对于地理坐标系的横滚角，即xc相对于xg的夹角；其中θc为载体坐标系相对于地理坐标系的俯仰角，即yc相对于yg的夹角；其中为载体坐标系相对于地理坐标系的航向角，即zc相对于zg的夹角；(2.1.4)计算智能眼镜的导航坐标系的姿态矩阵；(2.1.5)计算智能眼镜的导航坐标系的姿态矩阵角速率；ωe为地球角速率在导航坐标系下的投影，ωa为智能眼镜陀螺仪测量值。所述的评估每组中智能眼镜的适应值为：fj(x)表示智能眼镜的目标路径上的第j个支路上的分支函数；αj表示第j个支路对应的权值，m为目标路径的支路总数，x表示被评估的智能眼镜标号；fj(x)＝(βj∩γj)(βj∪γj)-2；βj为执行目标路径经过第j个支路的智能眼镜集合；γj为输入被测程序执行后所经过第j个支路的智能眼镜集合。所述的评估每组中智能眼镜当前搜索空间中最佳位置包括；(2.3.1)将每个智能眼镜的适应值与评估的智能眼镜当前局部最佳已知位置pbesti,n进行比较，如果智能眼镜的适应值小，则将该智能眼镜的适应值替换为当前局部最佳已知位置pbesti,n；(2.3.2)将每个智能眼镜的当前局部最佳已知位置pbest与智能眼镜当前搜索空间中最佳位置gbest进行比较，如果智能眼镜的当前局部最佳已知位置pbest小，则将该智能眼镜的当前局部最佳已知位置pbest替换为当前搜索空间中最佳位置gbest。所述评估的智能眼镜当前局部最佳已知位置pbesti,n，包括：n个智能眼镜，每个智能眼镜处于s维的搜索空间中，s≤3，本方法第n次迭代过程中第i个智能眼镜的位置为：该智能眼镜对应的速度为：所述的更新每个智能眼镜的速度和位置包括；(2.4.1)更新gn为惯性权重：gnmax为智能眼镜的惯性权重的最大值，gnmin为惯性权重的最小值，nmax为迭代次数的最大值；(2.4.2)更新智能眼镜的速度：vi,n＝ps[vi,n-1 gn·(pbest-xi,n-1) gn·(gbest-xi,n-1)]；ps为收缩因子，k为网络搜索上限速度；(2.4.3)更新智能眼镜的位置；xi,n＝xi,n-1 vi,n。所述的αj表示第j个支路对应的权值，γn表示迭代过程中路径连续匹配数大于1的值。所述的步骤(3)包括如下步骤：(3.1)通过云数据系统提取前一个时间点上智能眼镜环境参照目标的点云数据mw，在点云数据mw中取点的集合mi∈mw；同时提取mi对应的真实集合(3.2)通过摄像系统提取前当前时间点上智能眼镜环境参照目标的点云数据qw，在点云数据qw中取点的集合qi∈qw，使|qi-mi|取得最小值；(3.3)计算摄像系统中旋转矩阵rw和平移矩阵tw；(3.4)通过旋转矩阵rw和平移矩阵tw得到的真实集合变换位姿后的集合m＇i；(3.5)计算m＇i与qi的平均距离(3.6)如果平均距离小于等于位姿预警阈值则目标位姿正常，否则通信目标进行调整。所述的计算摄像系统中旋转矩阵rw和平移矩阵tw包括：(3.3.1)计算两个集合的质心：为集合mi的点个数，为集合qi的点个数；(3.3.2)计算两个集合点的协方差矩阵；t为转置符号；(3.3.3)计算反对称矩阵；(3.3.4)构建4×4的矩阵i3×3是3×3的单位矩阵，为矩阵的迹，是反对称矩阵的分量组成的列向量，的最大特征值对应的特征向量r＝[r0,r1,r2,r3]；(3.3.5)旋转矩阵rw为：(3.3.6)平移矩阵tw为：人工智能大数据下智能眼镜的道路规划介质，介质采用上述人工智能大数据下智能眼镜的道路规划方法进行道路规划。人工智能大数据下智能眼镜的道路规划设备，采用上述人工智能大数据下智能眼镜的道路规划介质进行智能眼镜道路规划。本发明的有益效果在于：本发明以分数阶智能眼镜控制策略展开研究，实现智能眼镜控制系统的设计和稳定性分析，同时在控制律的基础上，对控制律中的参数进行优化，省去人工选取参数的问题。从而简化智能眼镜组道路规划的难度，实现智能眼镜的稳定使用。附图说明图1为本发明方法的具体流程图。图2为本发明行程控制方法流程图。图3为预设障碍图像示意图。图4为特征提取示意图。图5为边缘提取示意图。图6为路径通道示意图。图7为智能眼镜行程测试图1。图8为智能眼镜行程测试图2。图9为姿态监控方法模拟示意图。具体实施方式下面结合附图对本发明做进一步描述。本发明涉及的人工智能大数据下智能眼镜的道路规划方法，所述智能眼镜包括眼镜组件和框架，所述眼镜组件包括两个镜片，所述框架包括眼镜框和分别连接在眼镜框两端的两根智能眼镜腿；所述智能眼镜腿包括形成有容纳腔的镜腿本体，容纳腔内的电源模块以及电连接于所述电源模块且设于任一所述容纳腔内的摄像系统、距离传感器、高度传感器、处理器、语音识别模块、语音播放模块和无线通信模块；所述摄像系统、距离传感器、高度传感器、语音识别模块和语音播放模块均信号连接于所述处理器，且均能通过所述无线通信模块与人工智能交互设备无线连接和/或与云控制系统信息连接，所述电源模块为可充电电池，所述语音识别模块为听筒，所述语音播放模块为话筒，由于本发明的重点在于智能眼镜的道路规划，因此说明书中不再具体说明智能眼镜的结构，本发明的规划方法适用于常规通信的智能眼镜结构，也就是说只要具有无线通信模块和图像采集系统的智能眼镜，就能够使用该方法，而不限于其他硬件形式。本发明由智能眼镜云控制系统和智能眼镜上的控制模块对智能眼镜进行路径规划和行程控制，信号通过智能眼镜的传感器采集，传送到云控制系统和控制模块后进行处理，云控制系统将处理后的信号无线传送给控制模块，最终由控制模块统一执行本控制方法，本发明中的云控制系统，即目前市场上可以使用的云(控制)系统，通过网络即可查询和使用，其主要作用是为了提高运算速度，同时减轻控制模块的计算量，由智能眼镜云控制系统和智能眼镜上的控制模块对智能眼镜组进行路径规划和行程控制，如图1所示，本方法具体包括如下步骤：(1)智能眼镜的摄像系统采集图像，对采集的图像进行去噪处理后通过路径边缘点做最优路径规划；(2)智能眼镜进行行程运算，指导智能眼镜使用者在规划的路径通道内行进；(3)对行程中的智能眼镜使用者进行姿态监控；(4)重复步骤(2)-(3)直到智能眼镜使用者停止使用为止；所述步骤(1)包括如下步骤：(1.1)图像采集去噪：智能眼镜通过摄像系统对路径所处环境进行三维图像采集，对采集的图像进行高斯滤波处理；(1.2)对图像中道路进行边缘检测：对图像中每个像素点周围的邻点灰度值进行sobel算子计算，通过采集图像所取的亮度选择阈值τ，当fx＝(f(a-1,b-1) 2f(a-1,b) f(a-1,b 1))-(f(a 1,b 1) 2f(a-1,b) f(a 1,b 1))，fy＝(f(a-1,b-1) 2f(a,b-1) f(a 1,b-1))-(f(a-1,b-1) 2f(a,b-1) f(a 1,b-1))，当so(a,b)＞τ时，图像中点(a,b)为边缘点，a、b为边缘点坐标，f为灰度值；(1.3)依据边缘点的路径规划：智能眼镜的云控制系统采集边缘点信息，通过边缘点构建出路径通道，设智能眼镜的摄像系统与距离传感器的与水平方向上的夹角为θa，距离传感器返回的数据为la，智能眼镜的高度传感器的测量值为z′，水平方向参考系下的坐标为dn0＝(xa,yb,z′)＝(la×cosθa,la×sinθa,z′)；根据路径通道中节点的迭代评价值确定规划的路径，两个相邻节点的距离为ln0，ln0＝dn0-dn0-1，n0为当前节点的标号，起始点i0到当前节点in0的代价函数为：扫描每个节点附近g(n0)最大的两个邻居节点进行连接，形成规划的路径通道。如图3-6所示，为本发明路径通道形成的模拟过程，通过上述方法，图3中障碍物的形状通过图像进行拟合，图4-图5对障碍物进行特征提取进而进行了边缘提取，最终形成了图6的路径通道的一层，白色区域即是路径通道的表征，最终将每一层通道叠加即形成了立体的路径通道。本发明的图像识别和规划根据两目标间的局部识别，而图像的识别是图像区分和匹配的结果。本发明对图像的区别和匹配是指根据采集图像的灰度值进行区域划分，同时将相同特征的区域进行连接而构成连通区域的集合，形成本发明的路径通道。本发明采用基于代价函数化的图像分析方法将路径通道从背景中分割出来。通过对静态路径进行图像采集通过迭代的方法根据分割效果不断的更新代价函数，由于采用在线确定代价函数的方法，在很大程度上提高了对图像处理的精确度，增加了本发明的实时性效果。与现有技术相比，本发明通过灰度值的运算给出路径通道同时又通过代价函数的方法给出路径的最优规划值，有效提高了智能眼镜的行进效率。如图2所示，所述步骤(2)包括：(2.1)初始化数量大小为n的智能眼镜组，包括智能眼镜的区域随机速度和智能眼镜区域位置，确定每个智能眼镜的姿态矩阵、姿态矩阵角速率以及姿态角；(2.2)评估每组中智能眼镜的适应值；(2.3)评估每组中智能眼镜当前搜索空间中最佳位置；(2.4)更新智能眼镜的惯性权重，更新每个智能眼镜的速度和位置；(2.5)在智能眼镜工作状态下重新执行步骤(2.2)，在智能眼镜工作结束时结束本方法；所述的智能眼镜的姿态矩阵的确定步骤包括：(2.1.1)设地球坐标系为earth系，地理坐标系为geo系，载体坐标系为carrier系，导航坐标系为pilot系，各坐标系的轴依次分别为xg、yg、zg；xc、yc、zc；xp、yp、zp；(2.1.2)计算智能眼镜的地理坐标系的方向余弦矩阵；其中智能眼镜所在经度为αe和纬度为δe；αe的取值范围为(-180°，180°)；δe的取值范围为(-90°，90°)；(2.1.3)计算智能眼镜的载体坐标系的方向余弦矩阵；其中γc为载体坐标系相对于地理坐标系的横滚角，即xc相对于xg的夹角；其中θc为载体坐标系相对于地理坐标系的俯仰角，即yc相对于yg的夹角；其中为载体坐标系相对于地理坐标系的航向角，即zc相对于zg的夹角；(2.1.4)计算智能眼镜的导航坐标系的姿态矩阵；(2.1.5)计算智能眼镜的导航坐标系的姿态矩阵角速率；ωe为地球角速率在导航坐标系下的投影，ωa为智能眼镜陀螺仪测量值。智能眼镜坐标解算是通常都是通过陀螺仪测得的智能眼镜角速度进行实时矩阵解算，因智能眼镜的姿态变化角速率非常快，因此对姿态矩阵进行计算的时间需要毫秒量级的周期，因此对于智能眼镜组满足不了实时性的需求，而非实时性的计算数据必然会对矩阵的计算产生一定的误差。因此，其中的关键技术便是对智能眼镜姿态进行实时解算，也是对智能眼镜姿态解算算法精度产生影响的重要因素之一，而本发明对几个联立方程进行计算，无奇异性、方便计算，在闭环切换控制系统中能否稳定执行。与现有技术相比，本发明通过坐标系的转换能够给出智能眼镜精确的角速率，有主于智能眼镜姿态控制的精确性。因此，智能眼镜姿态角的实时值为：为智能眼镜导航坐标系的横滚角；为智能眼镜导航坐标系的航向角；为智能眼镜导航坐标系的俯仰角；姿态矩阵、姿态矩阵角速率是智能眼镜的关键参数，通过这两个参数能够在后续调整过程中更简单的计算出目标点位置。针对微惯性器件的固有特性，本发明通过云数据融合算法获得最佳姿态角估计。姿态角可以由角速度积分得到，但因微惯性器件陀螺仪存在随机漂移误差，会随着时间的增加逐渐累积，载体在动态环境下，会引入线性加速度对俯仰角等信息造成误差，三轴磁力计会因电磁干扰造成偏航角数据产生误差。因此，本发明提出的数据融合算法，将测量数据作为测量值，通过矩阵式运算获得最佳姿态角估计。本发明中所述的评估每组中智能眼镜的适应值为：fj(x)表示智能眼镜的目标路径上的第j个支路上的分支函数；αj表示第j个支路对应的权值，m为目标路径的支路总数，x表示被评估的智能眼镜标号；fj(x)＝(βj∩γj)(βj∪γj)-2；βj为执行目标路径经过第j个支路的智能眼镜集合；γj为输入被测程序执行后所经过第j个支路的智能眼镜集合。所述的评估每组中智能眼镜当前搜索空间中最佳位置包括；(2.3.1)将每个智能眼镜的适应值与评估的智能眼镜当前局部最佳已知位置pbesti,n进行比较，如果智能眼镜的适应值小，则将该智能眼镜的适应值替换为当前局部最佳已知位置pbesti,n；(2.3.2)将每个智能眼镜的当前局部最佳已知位置pbest与智能眼镜当前搜索空间中最佳位置gbest进行比较，如果智能眼镜的当前局部最佳已知位置pbest小，则将该智能眼镜的当前局部最佳已知位置pbest替换为当前搜索空间中最佳位置gbest。所述评估的智能眼镜当前局部最佳已知位置pbesti,n，包括：n个智能眼镜，每个智能眼镜处于s维的搜索空间中，s≤3，本方法第n次迭代过程中第i个智能眼镜的位置为：该智能眼镜对应的速度为：所述的更新每个智能眼镜的速度和位置包括；(2.4.1)更新gn为惯性权重：gnmax为智能眼镜的惯性权重的最大值，gnmin为惯性权重的最小值，nmax为迭代次数的最大值；(2.4.2)更新智能眼镜的速度：vi,n＝ps[vi,n-1 gn·(pbest-xi,n-1) gn·(gbest-xi,n-1)]；ps为收缩因子，k为网络搜索上限速度；(2.4.3)更新智能眼镜的位置；xi,n＝xi,n-1 vi,n。所述的αj表示第j个支路对应的权值，γn表示迭代过程中路径连续匹配数大于1的值。为进一步使智能眼镜位置进行精确控制，对智能眼镜的速度进行优化，具体步骤包括：(2.4.2.1)输入智能眼镜速度函数vi,n、概率效用函数均值函数步长函数测试时长；(2.4.2.2)初始化方向性统计模型；为智能眼镜搜索方向，为归一化系数；为n阶修改正的贝塞尔函数；(2.4.2.3)计算当前步长函数值(2.4.2.4)通过概率效用函数评估智能眼镜效用值；z为中间变量，φ1(z)、φ2(z)是标准正态分布函数和概率密度函数；(2.4.2.5)如果智能眼镜效用值在阈值p一下，选择该智能眼镜，记录该智能眼镜的速度值；(2.4.2.6)计算矫正的效用量；作为智能眼镜全局搜索的效用计量函数，衡量的是某一个智能眼镜在全局搜索策略下可能带来的期望效用量，(2.4.2.7)更新(2.4.2.5)中智能眼镜的速度为(2.4.2.8)重新执行步骤(2.4.2.1)，直到所有智能眼镜效用值维持在阈值p以上。(2.5)在智能眼镜组工作状态下重新执行步骤2.2，在智能眼镜组工作结束时结束本方法。如图7和图8所示，是经过路线预设后，都智能眼镜实现形成控制的测试图。图中纵坐标为平面坐标系中一个轴(人为设定)的位置，横坐标为时间，单位为秒。图7中可知在线性移动中，随着时间的增加，误差在增大，那么智能眼镜在实时过程中只要设定好足够的迭代条件(如时间或者阈值)，即可形成较精确的路线控制。如图8所示，如果为曲线型运动，则本发明误差较小，因为阈值的迭代是不断变化不断调整的，因为智能眼镜的运动还是以曲线型变化为主，因此，本发明是最适合实际使用的。对于上述数据，本发明每100个时间点提取1个数值给出如下表所示：时间预设值测量值00050.12750.1303100.2550.2602150.38250.3806200.510.5005250.63750.6404300.7650.7703350.89250.8903401.020.986451.14751.1504501.2751.303551.40251.4035601.531.5026表1为线性轨迹测量数据表2为曲线轨迹测量数据本发明以分数阶智能眼镜控制策略展开研究，实现智能眼镜控制系统的设计和稳定性分析，同时在控制律的基础上，对控制律中的参数进行优化，省去人工选取参数的问题。从而简化智能眼镜组控制的难度，实现智能眼镜的稳定控制。与现有技术相比，本发明通过粒子化分数阶算法获得精确路线，与传统粒子化分数阶算法相比，通过引入矫正效用量来进一步提高智能眼镜控制的准确率。进一步的，所述的步骤(3)包括如下步骤：(3.1)通过摄像系统提取前一个时间点上智能眼镜轮廓的点云数据mw，在点云数据mw中取点的集合mi∈mw；同时提取mi对应的真实集合(3.2)通过摄像系统提取前当前时间点上智能眼镜轮廓的点云数据qw，在点云数据qw中取点的集合qi∈qw，使|qi-mi|取得最小值；(3.3)计算旋摄像系统中旋转矩阵rw和平移矩阵tw；(3.4)通过旋转矩阵rw和平移矩阵tw得到的真实集合变换位姿后的集合m＇i；(3.5)计算m＇i与qi的平均距离(3.6)如果平均距离小于等于位姿预警阈值则目标位姿正常，否则通信目标进行调整。所述的计算旋摄像系统中旋转矩阵rw和平移矩阵tw包括：(3.3.1)计算两个集合的质心：为集合mi的点个数，为集合qi的点个数；(3.3.2)计算两个集合点的协方差矩阵；t为转置符号；(3.3.3)计算反对称矩阵；(3.3.4)构建4×4的矩阵i3×3是3×3的单位矩阵，为矩阵的迹，是反对称矩阵的分量组成的列向量，的最大特征值对应的特征向量r＝[r0,r1,r2,r3]；(3.3.5)旋转矩阵rw为：(3.3.6)平移矩阵tw为：如图9所示，是通过本发明实验获得目标跟踪与姿态监控效果图，根据测试模拟，本发明方法的平均误差为3.25，测算次数1350次，成功率100％步骤(3)中提出通过智能眼镜的视频图像彼此实施监控自身的位姿状态，一旦超过阈值，可以直接进行警戒，有效的提高了智能眼镜的稳定性，与步骤(2)的方法彼此互相协调互相配合，不仅能够有效保证智能眼镜的路径规划、行进和避障而且能够有效避免因外部环境变化造成的位姿影响。人工智能大数据下智能眼镜的道路规划介质，介质采用上述的人工智能大数据下智能眼镜的道路规划方法进行道路规划。人工智能大数据下智能眼镜的道路规划设备，采用人工智能大数据下智能眼镜的道路规划介质进行道路规划。需要指出的是，本发明中已经对所有符号和特殊定义做出了解释，而其他技术特征如简单硬件以及一些简单参数均为本领域的公知常识。当前第1页1 2 3
技术特征：1.人工智能大数据下智能眼镜的道路规划方法，所述智能眼镜包括眼镜组件和框架，所述眼镜组件包括两个镜片，所述框架包括眼镜框和分别连接在眼镜框两端的两根智能眼镜腿；所述智能眼镜腿包括形成有容纳腔的镜腿本体，容纳腔内的电源模块以及电连接于所述电源模块且设于任一所述容纳腔内的摄像系统、距离传感器、高度传感器、处理器、语音识别模块、语音播放模块和无线通信模块；所述摄像系统、距离传感器、高度传感器、语音识别模块和语音播放模块均信号连接于所述处理器，且均能通过所述无线通信模块与人工智能交互设备无线连接和/或与云控制系统信息连接，所述电源模块为可充电电池，所述语音识别模块为听筒，所述语音播放模块为话筒，由智能眼镜云控制系统和智能眼镜上的控制模块对智能眼镜组进行路径规划和行程控制，其特征在于，规划方法包括如下步骤：
(1)智能眼镜的摄像系统采集图像，对采集的图像进行去噪处理后通过路径边缘点做最优路径规划；
(2)智能眼镜进行行程运算，指导智能眼镜使用者在规划的路径通道内行进；
(3)对行程中的智能眼镜使用者进行姿态监控；
(4)重复步骤(2)-(3)直到智能眼镜使用者停止使用为止；
所述步骤(1)包括如下步骤：
(1.1)图像采集去噪：
智能眼镜通过摄像系统对路径所处环境进行三维图像采集，对采集的图像进行高斯滤波处理；
(1.2)对图像中道路进行边缘检测：
对图像中每个像素点周围的邻点灰度值进行sobel算子计算，通过采集图像所取的亮度选择阈值τ，当
fx＝(f(a-1，b-1) 2f(a-1，b) f(a-1，b 1))-(f(a 1，b 1) 2f(a-1，b) f(a 1，b 1))，
fy＝(f(a-1，b-1) 2f(a，b-1) f(a 1，b-1))-(f(a-1，b-1) 2f(a，b-1) f(a 1，b-1))，
当so(a，b)＞τ时，图像中点(a，b)为边缘点，a、b为边缘点坐标，f为灰度值；
(1.3)依据边缘点的路径规划：
智能眼镜的云控制系统采集边缘点信息，通过边缘点构建出路径通道，设智能眼镜的摄像系统与距离传感器的与水平方向上的夹角为θa，距离传感器返回的数据为la，智能眼镜的高度传感器的测量值为z′，水平方向参考系下的坐标为dn0＝(xa，yb，z′)＝(la×cosθa，la×sinθa，z＇)；
根据路径通道中节点的迭代评价值确定规划的路径，两个相邻节点的距离为ln0，ln0＝dn0-dn0-1，n0为当前节点的标号，起始点i0到当前节点in0的代价函数为：
扫描每个节点附近g(n0)最大的两个邻居节点进行连接，形成规划的路径通道。
2.根据权利要求1所述的人工智能大数据下智能眼镜的道路规划方法，其特征在于，所述步骤(2)包括：
(2.1)初始化数量大小为n的智能眼镜组，包括智能眼镜的区域随机速度和智能眼镜区域位置，确定每个智能眼镜的姿态矩阵、姿态矩阵角速率以及姿态角；
(2.2)评估每组中智能眼镜的适应值；
(2.3)评估每组中智能眼镜当前搜索空间中最佳位置；
(2.4)更新智能眼镜的惯性权重，更新每个智能眼镜的速度和位置；
(2.5)在智能眼镜工作状态下重新执行步骤(2.2)，在智能眼镜工作结束时结束本方法；
所述的智能眼镜的姿态矩阵的确定步骤包括：
(2.1.1)设地球坐标系为earth系，地理坐标系为geo系，载体坐标系为carrier系，导航坐标系为pilot系，各坐标系的轴依次分别为xg、yg、zg；xc、yc、zc；xp、yp、zp；
(2.1.2)计算智能眼镜的地理坐标系的方向余弦矩阵；
其中智能眼镜所在经度为αe和纬度为δe；αe的取值范围为(-180°，180°)；δe的取值范围为(-90°，90°)；
(2.1.3)计算智能眼镜的载体坐标系的方向余弦矩阵；
其中γc为载体坐标系相对于地理坐标系的横滚角，即xc相对于xg的夹角；
其中θc为载体坐标系相对于地理坐标系的俯仰角，即yc相对于yg的夹角；
其中为载体坐标系相对于地理坐标系的航向角，即zc相对于zg的夹角；
(2.1.4)计算智能眼镜的导航坐标系的姿态矩阵；
(2.1.5)计算智能眼镜的导航坐标系的姿态矩阵角速率；
ωe为地球角速率在导航坐标系下的投影，ωa为智能眼镜陀螺仪测量值；
智能眼镜姿态角的实时值为：
为智能眼镜导航坐标系的横滚角；为智能眼镜导航坐标系的航向角；为智能眼镜导航坐标系的俯仰角。
3.根据权利要求2所述的人工智能大数据下智能眼镜的道路规划方法，其特征在于，所述的评估每组中智能眼镜的适应值为：
fj(x)表示智能眼镜的目标路径上的第j个支路上的分支函数；αj表示第j个支路对应的权值，m为目标路径的支路总数，x表示被评估的智能眼镜标号；
fj(x)＝(βj∩γj)(βj∪γj)-2；
βj为执行目标路径经过第j个支路的智能眼镜集合；γj为输入被测程序执行后所经过第j个支路的智能眼镜集合。
4.根据权利要求3所述的人工智能大数据下智能眼镜的道路规划方法，其特征在于，所述的评估每组中智能眼镜当前搜索空间中最佳位置包括；
(2.3.1)将每个智能眼镜的适应值与评估的智能眼镜当前局部最佳已知位置pbesti，n进行比较，如果智能眼镜的适应值小，则将该智能眼镜的适应值替换为当前局部最佳已知位置pbesti，n；
(2.3.2)将每个智能眼镜的当前局部最佳已知位置pbest与智能眼镜当前搜索空间中最佳位置gbest进行比较，如果智能眼镜的当前局部最佳已知位置pbest小，则将该智能眼镜的当前局部最佳已知位置pbest替换为当前搜索空间中最佳位置gbest。
5.根据权利要求4所述的人工智能大数据下智能眼镜的道路规划方法，其特征在于，所述评估的智能眼镜当前局部最佳已知位置pbesti，n，包括：
n个智能眼镜，每个智能眼镜处于s维的搜索空间中，s≤3，本方法第n次迭代过程中第i个智能眼镜的位置为：该智能眼镜对应的速度为：
6.根据权利要求5所述的人工智能大数据下智能眼镜的道路规划方法，其特征在于，所述的更新每个智能眼镜的速度和位置包括；
(2.4.1)更新gn为惯性权重：
gnmax为智能眼镜的惯性权重的最大值，gnmin为惯性权重的最小值，
nmax为迭代次数的最大值；
(2.4.2)更新智能眼镜的速度：
vi，n＝ps[vi，n-1 gn·(pbest-xi，n-1) gn·(gbest-xi，n-1)]；
ps为收缩因子，
k为网络搜索上限速度；
对智能眼镜的速度进行优化，具体步骤包括：
(2.4.2.1)输入智能眼镜速度函数vi，n、概率效用函数均值函数步长函数测试时长；
(2.4.2.2)初始化方向性统计模型；
为智能眼镜搜索方向，为归一化系数；
为n阶修改正的贝塞尔函数；
(2.4.2.3)计算当前步长函数值
(2.4.2.4)通过概率效用函数评估智能眼镜效用值；
z为中间变量，φ1(z)、φ2(z)是标准正态分布函数和概率密度函数；
(2.4.2.5)如果智能眼镜效用值在阈值p一下，选择该智能眼镜，记录该智能眼镜的速度值；
(2.4.2.6)计算矫正的效用量；
作为智能眼镜全局搜索的效用计量函数，衡量的是某一个智能眼镜在全局搜索策略下可能带来的期望效用量，
(2.4.2.7)更新(2.4.2.5)中智能眼镜的速度为
(2.4.2.8)重新执行步骤(2.4.2.1)，直到所有智能眼镜效用值维持在阈值p以上；
(2.4.3)更新智能眼镜的位置；
xi，n＝xi，n-1 vi，n。
所述的αj表示第j个支路对应的权值，
γn表示迭代过程中路径连续匹配数大于1的值。
7.根据权利要求6所述的人工智能大数据下智能眼镜的道路规划方法，其特征在于，所述的步骤(3)包括如下步骤：
(3.1)通过云数据系统提取前一个时间点上智能眼镜环境参照目标的点云数据mw，在点云数据mw中取点的集合mi∈mw；同时提取mi对应的真实集合
(3.2)通过摄像系统提取前当前时间点上智能眼镜环境参照目标的点云数据qw，在点云数据qw中取点的集合qi∈qw，使|qi-mi|取得最小值；
(3.3)计算摄像系统中旋转矩阵rw和平移矩阵tw；
(3.4)通过旋转矩阵rw和平移矩阵tw得到的真实集合变换位姿后的集合m′i；
(3.5)计算m′i与qi的平均距离
(3.6)如果平均距离小于等于位姿预警阈值则目标位姿正常，否则通信目标进行调整。
8.根据权利要求7所述的人工智能大数据下智能眼镜的道路规划方法，其特征在于，所述的计算摄像系统中旋转矩阵rw和平移矩阵tw包括：
(3.3.1)计算两个集合的质心：
为集合mi的点个数，为集合qi的点个数；
(3.3.2)计算两个集合点的协方差矩阵；
t为转置符号；
(3.3.3)计算反对称矩阵；
(3.3.4)构建4×4的矩阵
i3×3是3×3的单位矩阵，为矩阵的迹，是反对称矩阵的分量组成的列向量，的最大特征值对应的特征向量r＝[r0，r1，r2，r3]；
(3.3.5)旋转矩阵rw为：
(3.3.6)平移矩阵tw为：
9.人工智能大数据下智能眼镜的道路规划介质，其特征在于：介质采用根据权利要求1-8中任意一项所述的人工智能大数据下智能眼镜的道路规划方法进行道路规划。
10.人工智能大数据下智能眼镜的道路规划设备，其特征在于：采用根据权利要求9所述的人工智能大数据下智能眼镜的道路规划介质进行道路规划。
技术总结本发明属于智能眼镜算法技术领域，具体涉及一种基于粒子化分数阶的人工智能大数据下智能眼镜的道路规划方法、介质及设备。本发明包括：(1)智能眼镜的摄像系统采集图像，对采集的图像进行去噪处理后通过路径边缘点做最优路径规划；(2)智能眼镜进行行程运算，指导智能眼镜使用者在规划的路径通道内行进；(3)对行程中的智能眼镜使用者进行姿态监控。本发明以分数阶智能眼镜控制策略展开研究，实现智能眼镜控制系统的设计和稳定性分析，同时在控制律的基础上，对控制律中的参数进行优化，省去人工选取参数的问题。从而简化智能眼镜组道路规划的难度，实现智能眼镜的稳定使用。
技术研发人员：石帅
受保护的技术使用者：哈尔滨工程大学
技术研发日：2020.01.09
技术公布日：2020.06.05
