本申请涉及智能导盲领域，具体涉及一种图像处理方法、系统和智能导盲装置。
背景技术：
随着网络技术的发展，图像处理技术以及大数据处理能力的提升以及移动终端的普及，盲人辅助设备和导盲软件的研究获得越来越多的关注。
盲人是弱势群体，需要得到社会的帮助，帮助他们提高独立生活的能力，可以拥有更好的生活质量。因此辅助盲人自由出行和认知物品的产品是盲人辅助设备和导盲软件研究的一个趋势。
目前，常用的导盲辅助软件大多采用盲人手动拍照，再上传到服务器检测，然后向盲人返回识别结果的方式进行导航和认知环境。这种导盲方式需要盲人自己操作拍摄照片，因为盲人看不见环境状况无法及时准确获取环境图像，而且手动获取图像的方式比较繁琐，而且盲人操作极为不便。对于一般的要求不高的物体检测，基本可以满足需求，但在需要路径导盲等要求较高的场合，手动的图片检测方式无法满足导盲实时性的要求。
中国专利申请第201310711816.0号披露了一种基于图像识别的智能导盲杖，属于电子信息工程技术领域。所述的智能导盲杖由手型杖柄、智能杖体、滚轮杖尖和蓝牙耳机四部分组成，在导盲杖内嵌入人机交互子系统、路况识别子系统、导航子系统和滚轮制动系统。该智能杖体，位于导盲杖中间段，内部中空，嵌入路况识别子系统，所述的路况识别子系统内包含了微处理器；摄像头和LED照明装置与所述的微处理器连接；所述的路况识别子系统与滚轮杖尖的导航子系统相连；其采用图像识别处理的方法，有效识别盲道与公交信息，协助盲人安全独立的出行。
但是，现有的智能导盲杖通过图像识别盲道与公交信息，协助盲人安全独立的出行。不能辅助导航和更全面的帮助盲人了解周围环境。避障效果不够好，并且，导盲设备如果通过图像识别方式帮助盲人了解周围环境，处理的数据量很大，有延迟响应现象，在特定环境下存在安全隐患。
因此，现有技术的智能避障技术还有待于改进。
技术实现要素：
本申请实施例提供一种图像处理方法、系统以及智能导盲装置，用以降低对网络资源的消耗，同时能够实现准确避障。
第一方面，本申请实施例提供了一种图像处理方法，包括以下步骤：在终端处，当终端为运动状态时，获取终端周围的视频图像并上传；当终端为静止状态时，获取终端周围的图片图像并上传。
第二方面，本申请实施例提供了一种图像处理系统，包括终端以及与终端无线通信的云端服务器，该终端包括视频获取模块、图片获取模块以及发送模块，
当终端为运动状态时，该视频获取模块获取终端周围的视频图像并由发送模块上传至云端服务器；当终端为静止状态时，该图片获取模块获取终端周围的图片图像并由发送模块上传至云端服务器。
第三方面，从智能导盲装置的应用阐述，本申请实施例提供了一种智能导盲装置，包括：视频获取模块、图片获取模块以及发送模块，
当智能导盲装置为运动状态时，该视频获取模块获取终端周围的视频图像并由发送模块上传；当智能导盲装置为静止状态时，该图片获取模块获取终端周围的图片图像并由发送模块上传。
第四方面，从云端服务器的角度阐述，本申请实施例提供了一种图像处理方法，包括以下步骤：
接收视频图像，该视频图像为当终端为运动状态时，获取的用户周围的视频图像；
接收图片图像，该图片图像为当终端为静止状态时，获取的用户周围的图片图像；
生成实时避障信息，该避障信息为根据该视频图像和/或图片图像，识别用户的导航状态和环境信息，并基于该导航状态和环境信息而生成；以及
发送该避障信息。
第五方面，本申请实施例还提供了一种电子设备，包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器以及通信组件；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行时，通过通信组件建立数据通道，以使该至少一个处理器能够执行如上所述的方法。
第六方面，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上所述的方法。
本申请的有益效果在于，本申请实施例提供的图像处理方法、系统和智能导盲装置，根据用户所处的状态和环境自动获取相适应的图像，当该用户为运动状态时，获取用户周围的视频图像；当该用户为静止状态时，获取用户周围的图片图像，用以降低对网络资源的消耗。并根据获取的图像，生成实时避障信息，该实时避障信息包括识别出的无障碍路线和避障行进指令，为盲人提供更实时、更方便、更准确的避障信息以及实现安全的导盲导航。
【附图说明】
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本申请实施例提供的图像处理系统的系统架构图；
图2是本申请实施例提供的图像处理系统的另一系统架构图；
图3是本申请实施例提供的图像处理系统的主要流程图；
图4是本申请实施例提供的图像处理系统的流程图；
图5是本申请实施例提供的智能导盲装置一实施例的模块图；
图6是本申请实施例提供的智能导盲装置另一实施例的模块图；
图7是本申请实施例提供的与云端服务器配合的智能导盲装置处理流程图；
图8是本申请实施例提供的云端服务器的流程图；
图9是本申请实施例提供的云端服务器的模块图；
图10是本申请实施例提供的为实现图像处理方法的硬件框架图。
【具体实施方式】
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的图像处理方法和系统、智能导盲装置以及云端服务器实时获取用户所处的状态和环境，根据状态和环境选择不同类型的图像进行图像处理，在降低对网络资源的消耗的同时，可根据所述图像识别出导航状态和环境信息并提供实时的用于导航导盲交互的避障信息，无需手动操作，提供更实时和准确的避障建议和导航反馈。
如图1所示，本实施例的智能导盲装置，作为智能导盲终端可以应用于导盲头盔10，可以应用于导盲眼镜20，也可以应用于导盲手杖，也可以应用于其他导盲可穿戴设备。
在主要硬件上，该智能导盲装置设置一个或者多个CPU，为了满足图像识别要求必要的时候增设GPU以完成数据分析和图像识别等功能。
在软件上，该智能导盲装置可以搭载android操作系统，或者iOS操作系统或者Windows Phone等应用于移动端的操作系统。
该云端服务器51-53，以大数据处理方式接收智能导盲装置发送的图像信息。
在一实施例中，该智能导盲装置系统通过GPS模块或者北斗定位模块、陀螺仪以及摄像头等传感器采集用户行进状态和环境信息，监测用户所处的状态。在用户处于移动状态下，启动视频采集用户周围的视频图像。为了减少数据传输的负荷，对采集的视频图像进行降质处理，再经过编码和压缩传输到云端服务器50，云端服务器50运用障碍检测等算法进行图像识别计算出无障碍路线，识别该用户的导航状态和环境信息，并基于该导航状态和环境信息提供避障信息，并实时返回给用户的智能导盲装置。在用户处于静止状态时，则采集图片图像，为了减少数据传输的负荷，对采集的图片图像进行降质处理，再经过编码和压缩传输到云端服务器50，云端服务器50调用物体识别等算法进行物体识别和环境信息识别，基于识别的物体和环境信息提供避障信息，并将避障信息实时返回给用户的智能导盲装置。本实施例的智能导盲系统可应用于导盲头盔，移动终端导盲应用或其它可穿戴导盲设备等产品。
实施例1
请参阅图1，本实施例提供图像处理系统。
该图像处理系统概括来讲包括多个终端以及与该终端无线通信的云端服务器50，该终端包括视频获取模块32b、图片获取模块32a以及发送模块35，当终端为运动状态时，该视频获取模块32b获取终端周围的视频图像并由发送模块35上传至云端服务器50；当终端为静止状态时，该图片获取模块32a获取终端周围的图片图像并由发送模块35上传至云端服务器50。
在具体实施时，该图像处理系统的终端为若干智能导盲装置10、20，其中，每一智能导盲装置10、20与云端服务器50无线通信。云端服务器50为大数据处理中心，可为服务器集群由若干服务器组网51-53而成。该智能导盲装置可为导盲头盔10，移动终端导盲应用或可穿戴导盲眼镜等产品。本实施例中以导盲头盔10为例加以说明。
请参考图5，所示为该图像处理系统的导盲装置的实施例，该智能导盲装置包括检测模块31、图像获取模块32、调整模块33、发送模块35、接收模块36、语音交互模块37以及生成模块39。该图像获取模块32包括该视频获取模块32b以及图片获取模块32a。
该检测模块31监测用户行进状态，接收用户状态参数。该图像获取模块32用于基于该状态参数，判断用户行进状态，当该用户为运动状态时，视频获取模块32b获取用户周围的视频图像；当该用户为静止状态时，图片获取模块32a获取用户周围的图片图像。该调整模块33调整该视频图像和/或图片图像的文件大小，在保证图像识别质量的同时，降低数据处理量，另一方面降低数据传输量，降低对网络资源的消耗。
该发送模块35用于将数据传送给云端服务器。
该调整模块33包括压缩模块34。该压缩模块34将获取的到的视频图像调整至第一图像质量标准，该第一图像质量标准小于该图片图像的质量标准。
在第一图像质量标准下的视频图像用于障碍识别，该检测模块31根据识别的障碍确定导航状态。
该调整模块33将获取的到的图片图像调整至第二图像质量标准。在第二图像质量标准下的图像能够用于环境信息的识别。
该生成模块39用于根据经过调整的该视频图像和/或图片图像，识别该用户的导航状态和环境信息，并基于该导航状态和环境信息提供避障信息。
该生成模块39还用于确定该导航状态和环境信息的置信度。
该避障信息包括避障行进指令，诸如停止/前进/左转/右转等避障行进指令。该语音交互模块37将避障信息以语音方式播放给用户，并语音识别用户的语音反馈，以完成语音交互控制。
如果该导航状态和环境信息的置信度低于阈值时，则通过发送模块35将该视频图像和/或图片图像发送至人工服务端60，并通过接收模块36获取人工服务端60反馈发送的避障信息。
请参考图6，所示为该智能导盲系统的一个实施例，本实施例中，为了减少本地数据处理量和方便集中升级统一管理，该生成模块42设置在云端服务器50上。本实施例中该智能导盲系统中，该生成模块42还用于确定该导航状态和环境信息的置信度。
同样的，该避障信息包括避障行进指令，诸如停止/前进/左转/右转等避障行进指令。该云端服务器50将生产的避障行进指令，发送给数据来源的智能导盲装置10，智能导盲装置10的语音交互模块37将避障信息以语音方式播放给用户，并语音识别用户的语音反馈，以完成语音交互控制。本实施例中，该导航状态和环境信息的置信度低于阈值时，连接至人工服务端60，从人工服务端60获取人工发送的避障信息，再发送给对应的智能导盲装置10。
请参考图3，所示为该图像处理系统的流程图。该图像处理方法，包括以下步骤：
步骤101：在终端处，当终端为运动状态时，获取终端周围的视频图像并上传；
步骤102：当终端为静止状态时，获取终端周围的图片图像并上传。
在具体实施时，需要确定佩戴终端的用户状态，该终端可为智能导盲装置。因此还包括以下步骤：
监测用户行进状态，接收用户状态参数；
根据该状态参数，判断用户行进状态，当该用户为运动状态时，获取用户周围的视频图像；当该用户为静止状态时，获取用户周围的图片图像；
调整该视频图像和/或图片图像；
根据经过调整的该视频图像和/或图片图像，识别该用户的导航状态和环境信息，并基于该导航状态和环境信息提供避障信息。
请参考图4，为了确保避障信息的准确，每个识别的导航状态和环境信息均进行置信度判断，该图像处理方法还包括：
步骤202：确定该导航状态和环境信息的置信度；
步骤203：判断置信度是否低于阈值；
步骤204：该导航状态和环境信息的置信度高于阈值时，继续基于该导航状态和环境信息提供避障信息；
步骤205：该导航状态和环境信息的置信度低于阈值时，连接至人工服务端，获取人工服务端发送的避障信息。
实施例2
本实施例中，该图像处理方法和系统应用在智能导盲装置上。以下从智能导盲装置10一侧阐述本申请技术方案。
从完成降低对网络资源的消耗的技术方案角度进行阐述，该智能导盲装置包括：视频获取模块32b、图片获取模块32a以及发送模块35。
当智能导盲装置为运动状态时，该视频获取模块32b获取终端周围的视频图像并由发送模块35上传；当智能导盲装置为静止状态时，该图片获取模块32a获取终端周围的图片图像并由发送模块35上传。
该智能导盲装置还包括调整模块33和检测模块31。该调整模块33包括压缩模块34。该压缩模块34将获取的到的视频图像调整至第一图像质量标准，该第一图像质量标准小于该图片图像的质量标准。在第一图像质量标准下的视频图像用于障碍识别，该检测模块31根据识别的障碍确定导航状态。
该调整模块33将获取的到的图片图像调整至第二图像质量标准。在第二图像质量标准下的图像能够用于环境信息的识别。
该调整模块33调整图像的方式很多，除了压缩图像降低图像数据处理量。该调整模块33还可包括单通道灰度图像转换模块或者图像二值化模块或者提取边缘图像模块或者以上模块的组合，以完成图像的调整和处理。
请参考图5，所示为该智能导盲装置的一实施例，本实施例中，生成模块设置在该智能导盲装置上。
该智能导盲装置包括检测模块31、图像获取模块32、调整模块33、发送模块35、接收模块36、语音交互模块37以及生成模块39。该图像获取模块32包括该视频获取模块32b以及图片获取模块32a。
该检测模块31监测用户行进状态，接收用户状态参数。
该图像获取模块32用于根据该状态参数，判断用户行进状态，当该用户为运动状态时，该视频获取模块32b获取用户周围的视频图像；当该用户为静止状态时，图片获取模块32a获取用户周围的图片图像。
该生成模块39用于根据经过调整的该视频图像和/或图片图像，识别该用户的导航状态和环境信息，并基于该导航状态和环境信息提供避障信息。
该生成模块39还用于确定该导航状态和环境信息的置信度。
该避障信息包括避障行进指令，诸如停止/前进/左转/右转等避障行进指令。该语音交互模块37将避障信息以语音方式播放给用户，并语音识别用户的语音反馈，以完成语音交互控制。
该接收模块36接收来自云端服务器的数据。
该检测模块31，用于监测用户行进状态，接收用户状态参数。该检测模块31的实施方式很多，以下逐一进行阐述。
该检测模块31的第一实施例中，该检测模块31在智能导盲装置的系统启动后一直处于侦测工作状态，以及时判断和切换图像获取方式。该检测模块31监测惯性传感器、GPS模块等传感器信号，该惯性传感器为陀螺仪。当用户处于运动状态并持续数秒，本实施例中，持续时间值为5秒，则启动摄像头摄像获取视频图像；若监测惯性传感器、GPS模块等传感器信号，判断用户由运动模式进入停止模式并持续数秒，本实施例中，持续时间值为5秒，则启动摄像头拍照获取图片图像。
在该检测模块31的第二实施例中，通过图像传感器来监测用户状态。比如通过图像传感器采集环境画面，基于算法分析计算帧间图像的差异，从而估算用户的运动状态:
作为运动图像分析的一实施方式，该检测模块31包括用于监测用户行进状态的光流运动分析模块。通过计算光流，亦即时变图像中模式运动速度，估计用户的运动速度，当运动速度超过设定阈值，如1.5公里/小时，并持续数秒，本实施例中，持续时间值为5秒，则认为用户处于运动状态，导盲应用进入寻路导盲模式，系统启动视频采集获取用户周围的视频图像；如果运动速度小于设定的阈值，并持续数秒，则认为用户处于静止状态，需要智能导盲装置进入环境认知模式以识别物体，则启动摄像头拍照获取图片图像。
作为运动图像分析的另一实施方式，该检测模块31包括用于监测用户行进状态视觉导航模块。通过视觉实时定位建模(Visual Simultaneous Localization and Mapping，VSLAM)实现检测，本实施例中称为视觉导航模块。通过计算用户的帧间位移和姿态变化，进而得到用户的运动速度和角速度，若运动速度和角速度超过设定阈值，并持续数秒，比如持续时间值为5秒，则认为用户处于运动状态，导盲应用进入寻路导盲模式，系统启动视频采集获取用户周围的视频图像；如果运动速度和角速度小于设定阈值，并持续数秒，比如持续时间值为5秒，则认为用户处于静止状态，需要智能导盲装置进入环境认知模式以识别物体，则启动摄像头拍照获取图片图像。
在该检测模块31的第三实施例中，该检测模块包括用于监测用户行进状态的，通过传感器组合监测用户状态。
该传感器组合为惯性传感器、电子罗盘传感器、GPS模块之一或者其组合。
以下举例通过惯性传感器、电子罗盘传感器、GPS模块以及他们的组合估计用户的运动状态。比如通过惯性传感器实时测量用户的线性加速度和角速度，估计的到用户的运动速度和角速度。同时通过电子罗盘传感器测量用户的绝对方位，结合时间的变化，可间接估计用户转动速度。若用户运动速度和角速度超过设定阈值，并持续数秒，比如持续时间值为5秒，则认为用户处于运动状态；如果运动速度和角速度小于设定阈值，并持续数秒，则认为用户处于静止状态。
又如通过GPS模块测量用户的绝对位置，结合时间的变化，可间接估计用户的运动速度和转向速度。若用户运动速度和角速度超过设定阈值，并持续数秒，比如持续时间值为5秒，则认为用户处于运动状态；如果运动速度和角速度小于设定阈值，并持续数秒，则认为用户处于静止状态。
再如将上述三种传感器结合，可以得到用户更为准确的运动速度和角速度。若用户运动速度和角速度超过设定阈值，并持续数秒，比如持续时间值为5秒，则认为用户处于运动状态；如果运动速度和角速度小于设定阈值，并持续数秒，则认为用户处于静止状态。
在该检测模块31的第四实施例中，为了更准确检测用户状态组合了视觉实时定位建模与传感器组合。该检测模块31包括用于精确监测用户行进状态的视觉导航模块和传感器组合。为了得到更为准确的运动速度和角速度，可通过卡尔曼滤波器将基于图像的估计结果和惯性传感器、电子罗盘传感器、GPS模块的估计结果进行融合，最终输出更准确的用户状态。
请参考图6，在智能导盲装置10的另一本实施例中，为了减少智能导盲装置本地数据处理量和方便集中升级统一管理，其生成模块设置在云端服务器50上。
在此实施例中，该智能导盲装置包括检测模块31、图像获取模块32、调整模块33、发送模块35、接收模块36以及语音交互模块37。该图像获取模块32包括该视频获取模块32b以及图片获取模块32a。
本实施例中，由云端服务器50生成该避障信息，其中，该避障信息为根据该视频图像和/或图片图像识别该用户的导航状态和环境信息，并基于该导航状态和环境信息而生成。
该调整模块33调整该视频图像和/或图片图像的文件尺寸。
该调整模块33还包括压缩模块34。该压缩模块34压缩该调整后的视频图像和/或图片图像，再发送至云端服务器50。该调整模块33在调整该视频图像和/或图片图像的文件尺寸时，可以采用单通道灰度图像转换模块或者图像二值化模块或者提取边缘图像模块或者以上模块的组合。
请参考图7，其中，本实施例还提供该智能导盲装置一侧的实现方法。该智能导盲装置一侧的方法包括以下步骤：
步骤301：监测用户行进状态，接收用户状态参数；
步骤302：根据该状态参数，判断用户行进状态，当该用户为运动状态时，获取用户周围的视频图像；当该用户为静止状态时，获取用户周围的图片图像；
步骤303：调整并发送该视频图像和/或图片图像；
步骤304：接收避障信息，其中，该避障信息为根据该视频图像和/或图片图像识别该用户的导航状态和环境信息，并基于该导航状态和环境信息而生成。
其中，接收避障信息，可以是接收本地生成模块39计算判断的避障信息，也可以是从该云端服务器50接收避障信息。
其中，调整该视频图像和/或图片图像的文件尺寸的方法包括单通道灰度图像转换或者图像二值化或者提取边缘图像或者以上方法的组合。
该智能导盲装置在接收避障信息后，通过语音交互模块37以语音方式与该用户完成交互控制。
实施例3
请参考图8，本实施例从云端服务器50一侧阐述本申请技术方案。
以下实施例中，以云端服务器62完成避障信息的生成为例加以阐述。该云端服务器50包括接收模块41、生成模块42、发送模块44以及语音交互模块45。该生成模块42包括图像识别模块43。
在由智能导盲装置10完成避障信息生成的实施例中，云端服务器62不包括生成模块42和图像识别模块43。
该接收模块41接收来自智能导盲装置10的视频图像和/或图片图像。该视频图像为导盲装置监测用户行进状态接收用户状态参数，根据该状态参数判断用户行进状态，当该用户为运动状态时获取的用户周围的视频图像；该图片图像为导盲装置在该用户为静止状态时获取的用户周围的图片图像。
为了减少智能导盲装置和云端服务器之间的数据传输，提高系统效率和相应速度，该视频图像和/或图片图像的文件尺寸先被调整至合理大小。在具体实现上，调整图像大小时可以采用单通道灰度图像转换模块或者图像二值化模块或者提取边缘图像模块或者以上模块的组合。
该调整后的视频图像和/或图片图像还需经过压缩进一步减少传输的数据量，再发送至云端服务器50。
该云端服务器50在确定该避障信息后，由发送模块44将该避障信息发送回来源智能导盲装置。
本实施例中，该云端服务器50也设置语音交互模块45。该语音交互模块45在云端服务器50选中成为人工服务端60时，用于播放用户传送的音频消息以及采集人工服务端60的语音回复。再由发送模块44发送给来源智能导盲装置10进行播放，以实现实时语音沟通。
请参考图8，所示为从云端服务器一侧实现智能导盲的方法流程图。该智能导盲方法，包括以下步骤：
步骤401：接收视频图像，该视频图像为当终端为运动状态时，获取的用户周围的视频图像，该视频图像为导盲装置监测用户行进状态接收用户状态参数，根据该状态参数判断用户行进状态，当该用户为运动状态时获取的用户周围的视频图像；
步骤402：接收图片图像，该图片图像为当终端为静止状态时，获取的用户周围的图片图像；
步骤403：生成实时避障信息，该避障信息为根据该视频图像和/或图片图像，识别用户的导航状态和环境信息，并基于该导航状态和环境信息而生成；以及
步骤404：发送该避障信息。
在识别该用户的导航状态和环境信息的过程中，还包括确定该导航状态和环境信息的置信度。
该导航状态和环境信息的置信度低于阈值时，连接至人工服务端60，获取人工服务端60发送的避障信息。
本申请实施例提供的图像处理方法和系统以及智能导盲装置，根据用户所处的状态和环境，自动选择相适应的图像获取装置来拍摄图像，当该用户为运动状态时，获取用户周围的视频图像；当该用户为静止状态时，获取用户周围的图片图像，用以降低对网络资源的消耗。并且，本申请实施例提供的图像处理方法和系统以及智能导盲装置根据获取的图像，生成实时避障信息，该实时避障信息包括识别出的无障碍路线和避障行进指令，为盲人提供更实时、更方便、更准确的避障信息以及实现安全的导盲导航。进一步地，本申请的检测模块可准确快速的检测用户当前行进状态，为实时导盲交互提供准确导航状态和环境信息。另外，本技术方案在识别图像信息之前，对图像进行合理的大小调整，减轻系统数据处理负担。在图像数据传输前压缩图像，以减少数据传输负荷。同时，本申请技术方案对该导航状态和环境信息设置置信度，以提高导盲避障决策的准确性。
实施例4
图10是本申请实施例提供的图像处理方法的电子设备600的硬件结构示意图，如图10所示，该电子设备600包括：
一个或多个处理器610、存储器620、一个或者多个图形处理器(GPU)630以及通信组件650，图10中以一个处理器610和一个图形处理器630为例。该存储器620存储有可被该至少一个处理器610执行的指令，该指令被该至少一个处理器执行时，通过通信组件650建立数据通道，以使该至少一个处理器能够执行该图像处理方法。
处理器610、存储器620、图形处理器630以及通信组件650可以通过总线或者其他方式连接，图10中以通过总线连接为例。
存储器620作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的图像处理方法对应的程序指令/模块(例如，附图5所示的检测模块31、图像识别模块32、调整模块33、生成模块39，附图6所示的生成模块45、图像识别模块27以及语音交互模块45)。处理器610通过运行存储在存储器620中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像处理方法。
存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据终端，比如智能导盲装置的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至机器人交互电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器620中，当被所述一个或者多个处理器610执行时，执行上述任意方法实施例中的图像处理方法，例如，执行以上描述的图3中的方法步骤101至步骤102，执行以上描述的图4中的方法步骤202至步骤205以及执行以上描述的图7中的方法步骤301至步骤304，实现附图5所示的检测模块31、图像识别模块32、调整模块33、生成模块39，附图6所示的生成模块45、图像识别模块27以及语音交互模块45等的功能。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请实施例提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图3中的方法步骤101至步骤102，执行以上描述的图4中的方法步骤202至步骤205以及执行以上描述的图7中的方法步骤301至步骤304，实现附图5所示的检测模块31、图像识别模块32、调整模块33、生成模块39，附图6所示的生成模块45、图像识别模块27以及语音交互模块45等的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。