由于视力上的缺陷,盲人或者视力障碍人群在日常生活中会遇到各种困难。目前绝大多数的视障人群主要依靠传统的导盲方式出行,并且视障人群所依赖的盲道由于建设的不规范或者人为因素的破坏、占用,存在很大的安全隐患。传统的导盲方式存在功能单一、探测范围较小、科技含量较低等缺点,导致人行道或者盲道上存在多种障碍物的信息难以反馈给视障人群。为了视障人群能够安全、便捷的出行,本文针对人行道上常见障碍物目标的识别展开研究,设计一种有效的人行道场景障碍物识别算法,用于辅助视障人士出行。本文完成的工作主要有:1、图像预处理与图像去噪。首先简要阐述了深度学习和图像处理相关的理论基础以及卷积神经网络的构成、工作原理。然后对数据集图像进行预处理,并采用一种基于小波变换和中值滤波相结合的方式去除图像中的噪声。2、提出一种基于Faster RCNN的目标检测算法优化模型。在Faster RCNN的基础上,进行了三个方面的改进。首先是对Res Net进行优化,减少训练参数,提升了网络训练与检测的速度;其次是对RPN结构进行改进,通过增加一个3*3卷积,增大网络的感受野,提高了对多尺度目标的检测精度;最后将NMS替换成Soft-NMS,避免直接删除超过阈值的锚框,降低模型的漏检率。通过对多个模型进行对比实验可知,改进后的Faster RCNN-V适合于人行道障碍物目标的检测,增强了该模型的鲁棒性。3、提出一种改进的YOLOV3-N目标检测算法模型。以YOLOV3为基础网络,对其进行优化,在残差结构中用深度可分离卷积代替传统卷积,使得该结构的参数大幅度减少,提高了YOLOV3算法对人行道障碍物的检测精度和速度;然后在筛选锚框时,采用Soft-NMS算法代替NMS算法,并引入DIo U,通过两者结合的方式判断出较高重叠部分的两个目标是否为同一个目标,从而有效地对边框进行抑制,以提高人行道场景中密集障碍物目标的检测精度。对比实验结果表明,改进的YOLOV3-N模型相较于SSD、YOLOV3、YOLOV4、Faster RCNN算法,有更好的障碍物目标检测效果。