1.一种智能物联网导盲杖，其特征在于，所述智能物联网导盲杖包括手型杖柄和杖体；

所述手型杖柄的柄形为手心向上张开的手，手背部集成总开关按键、确定按键、取消按键、导航按键；所述手型杖柄内置有振动模块、蓝牙耳机模块；

所述杖体内置有雷达测距模块、GPS定位模块、LED照明模块、图像识别模块、条形码识别模块、云数据存储模块，杖体的底部安装有充电接口；所述杖体上设有超声波检测装置，超声波检测装置包括为发射器、接收器、提示器、开关、电源，另外设置照明灯；所述发射器安装在手杖杆正面，朝前下方，所述接收器安装在手杖杆正面朝前下方；所述提示器安装在手杖杆正面上方，朝上方；开关安装在手杖杆正面上方，靠近手型杖柄的位置；

所述振动模块、蓝牙耳机模块、雷达测距模块、GPS定位模块、LED照明模块、图像识别模块、条形码识别模块、云数据存储模块、充电接口均与内置在手掌杖柄中的主控制器连接；

所述振动模块包括微处理器、振动等级存储器、振动时间存储器和马达，所述微处理器分别与振动等级存储器、振动时间存储器、主控制器、雷达测距模块连接，用于从主控制器获取基本振动等级和基本振动时间，并根据振动时间和振动强度组合控制马达按照上述振动等级和时间进行振动；

所述蓝牙耳机模块包括蓝牙芯片、与该蓝牙芯片相连接的音频处理芯片、音频发射模块，所述蓝牙芯片上设置有微处理器MCU，以及与该MCU相连接的可编程输入输出PIO接口、I2C接口，所述音频处理芯片中设置有数模DA转换模块、模数AD转换模块、音频增益调整单元和I2C接口；

所述振动模块内置有语音识别模块，所述的图像识别模块与所述的语音识别模块和条形码识别模块连接，该图像识别模块包括盲道图像采集模块、盲道轮廓提取模块、图像结果输出模块；

所述盲道图像采集模块对采集的盲道图像进行预处理，通过图像灰度修正、去噪、锐化和边缘增强，去除干扰、噪声及差异，提高图像中盲道部分的亮度 值；

所述盲道轮廓提取模块结合盲道先验知识，识别盲道形状、颜色与边缘，从周围环境中提取盲道的边缘轮廓并对提取出的盲道区域进行图像分割，探测提示盲道内提示图标；

所述图像结果输出模块与所述的振动模块和蓝牙耳机模块连接，用于结合微处理器中存储的盲道先验知识，对图像分割后的盲道进行分类判决，判断盲道上有无障碍，识别盲道提示图标并输出对应提示信息；

所述条形码识别模块与所述的云数据存储模块连接，该条形码识别模块包括摄像单元、条形码识别单元、编码查询单元、数据库、视频处理单元、显示单元、目标表面附着的条形码，摄像单元负责获取目标图像，条形码识别单元负责识别目标条形码的编码，编码查询单元负责以编码检索数据库中编码对应的标识及信息，视频处理单元负责标识及信息的视频插入，显示单元负责显示包含目标标识及信息的视频图像；

所述的云数据存储模块与所述的条形码识别模块进行任务调度的过程中包含数据迭代过程，在数据迭代过程中，每个条形码根据转移公式确定被云数据存储模块选择的概率，该转移公式为：其中，τi,j和ηi,j分别表示将任务Ti分配给条形码识别模块Mj时的信息素及转移期望程度，n为现有存储的条形码的个数；

α为激发系数，β为期望激发系数；

所述的τi,j和ηi,j均用条形码识别模块的计算能力来表示：

τi,j＝ηi,j＝MSj/N；

MSj表示处理任务i的条形码识别模块Mj的计算速度，N为常数；

所述的条形码识别模块对残留信息进行更新时，采用如下公式：

τij(t+1)＝(1-ρ)×τij(t)+△τij(t)

其中，τij(t+1)表示第t+1次迭代时任务Ti选择条形码识别模块Mj的信息量，1-ρ为信息残留因子，ρ取值范围为[0,0.8),△τij(t)表示任务Ti选择条形码识别模块Mj执行残留在条形码识别模块Mj上的残留信息量。

2.如权利要求1所述的智能物联网导盲杖，其特征在于，所述振动等级存储器与微处理器连接，通过微处理器对应设置基础振动等级，并存储在振动等级存储器中；

所述振动时间存储器与微处理器连接，通过微处理器对应设置基础振动时间，并存储在振动时间存储器中；

所述微处理器通过振动模块与马达连接，用于将产生的振动等级和振动时间信号对应发送给振动模块，由振动模块控制马达振动；

所述的振动等级根据雷达测距模块的测距结果确定，测得的障碍物距离越近振动等级越高；

所述的微处理器内置有语音识别模块，该语音识别模块包括字库匹配模块、语音采集模块、语音输出模块；所述的语音采集模块对盲人输入语音进行采集，对输入语音进行预处理，所述的预处理包括语音信号采样、反混叠带通滤波，去除个体发音差异，去除设备、环境引起的噪声影响；所述的字库匹配模块与所述的图像识别模块和条形码识别模块连接；

所述的字库匹配模块用于根据图像识别模块和条形码识别模块的识别结果与字库匹配模块中的存储的各地名进行匹配，并将匹配后的结果输送给蓝牙耳机模块和根据语音采集模块的采集结果与储存有各种地点名词的声音模式库之间的相似度进行匹配，判断盲人输入的目的地。

3.如权利要求1所述的智能物联网导盲杖，其特征在于，所述的音频处理芯片上具有音频增益调整单元，该音频增益单元包括基带接收通道增益功率放大器，数字/模拟转换器，模拟功率放大器，其特征在于，还包括所述终端的处理器，所述基带接收通道增益功率放大器将经过其放大的数字音频信号分别传 送给所述处理器和数字/模拟转换器，所述数字/模拟转换器将所述数字音频信号进行数字/模拟转换，然后传送给所述模拟功率放大器，所述处理器将所述数字音频信号的电压与预设的门限值相比较，根据比较结果自动调整所述基带接收通道增益功率放大器的放大参数；

当接收到蓝牙模式启动指令时，利用蓝牙芯片禁止所述音频处理芯片运行，使蓝牙耳机工作在蓝牙模式下；

当接收到具有音频增益调整功能的蓝牙模式的启动指令时，利用蓝牙芯片启动所述音频处理芯片运行，使蓝牙耳机工作在具有音频增益调整功能的蓝牙模式下，所述方法包括：当需要执行通信时，确认蓝牙耳机当前所处于的工作模式；

当蓝牙耳机处于蓝牙模式时，将从蓝牙耳机的麦克风接收到的信号通过蓝牙芯片的天线向外发送，以及，将从蓝牙芯片的天线接收到的信号直接输出至蓝牙耳机的扬声器。

4.如权利要求1所述的智能物联网导盲杖，其特征在于，所述语音识别模块还包括：端点检测单元，用于计算进行格式转换及编码后的所述待识别语音信号的语音起点及语音终点，去除所述待识别语音信号中的静音信号，获得所述待识别语音信号中语音的时域范围；以及用于对所述待识别语音信号中的语音频谱进行傅里叶变换FFT分析，根据分析结果计算所述待识别语音信号中的元音信号、浊音信号及轻辅音信号；以及用于利用所述语音特征参数，采用频率倒谱系数MFCC建立与文本无关的高斯混合模型为语音的声学模型的语音建模单元；以及模糊式匹配单元，该模式匹配单元利用高斯混合模型，使用最大后验概率算法MAP将所提取的所述语音特征参数与至少一个所述语音模型进行匹配，计算所述待识别语音信号与每一个所述语音模型的似然度。

5.如权利要求1所述的智能物联网导盲杖，其特征在于，所述图像分割具体的实现方法为：建立图像的显著性模型；

根据所述显著性模型获取所述图像中的前景样本点和背景样本点；根据所述显著性模型，计算所述图像中各个像素点的显著性值；将各个像素点的显著性值进行归一化；将归一化后的显著性值大于预定前景阈值的像素点确定为所述前景样本点；将归一化后的显著性值小于预定背景阈值的像素点确定为所述背景样本点；其中，所述预定前景阈值大于所述预定背景阈值，归一化后的各个显著值均位于(0，1)中；

根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型；

所述前背景分类模型包括前景分类模型和背景分类模型，所述根据所述显著性模型以及所述前景样本点和所述背景样本点，建立前背景分类模型，包括：根据所述前景样本点建立前景颜色似然模型；根据所述背景样本点建立背景颜色似然模型；将所述显著性模型与所述前景颜色似然模型相乘，得到所述前景分类模型，所述前景分类模型用于表征像素点为前景的概率；将所述显著性模型与所述背景颜色似然模型相乘，得到所述背景分类模型，所述背景分类模型用于表征像素点为背景的概率；

根据预定图割算法对所述图像进行分割，所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。

6.如权利要求5所述的智能物联网导盲杖，其特征在于，所述根据预定图割算法对所述图像进行分割，包括：利用所述前景分类模型计算所述图像中每个像素点的前景相似度；

利用所述背景分类模型计算所述图像中每个像素点的背景相似度；

获取所述图像中相邻像素点之间的相似度；

利用各个像素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造所述预定图割算法所需的无向图；

利用所述预定分割算法对所述无向图进行分割，完成对所述图像的分割。

7.如权利要求6所述的智能物联网导盲杖，其特征在于，所述利用各个像 素点的前景相似度、各个像素点的背景相似度以及相邻像素点之间的相似度，构造所述预定图割算法所需的无向图，包括：构建所述预定图割算法所需的无向图，所述无向图包括前景顶点、背景顶点、至少一个像素顶点、相邻的两个像素顶点之间的第一类边、所述像素顶点与所述背景顶点之间的第二类边，所述像素顶点与所述背景顶点之间的第三类边，所述无向图中的像素顶点与所述图像中的各个像素点一一对应；

对于每条第二类边，将与所述第二类边相连的像素顶点所对应的像素点的前景相似度，确定为所述第二类边的权值；

对于每条第三类边，将与所述第三类边相连的像素顶点所对应的像素点的背景相似度，确定为所述第三类边的权值；

对于每条第一类边，将与所述第一类边相连的两个像素顶点所对应的两个像素点之间的相似度，确定为所述第一类边的权值。

8.如权利要求6所述的智能物联网导盲杖，其特征在于，所述建立图像的显著性模型，包括：利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

确定每个所述区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；

所述显著性模型为：

其中，Si1为区域Ri中任一像素点的显著性值，w(Rj)为区域Rj中的像素点的个数，DS(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间空间位置差异的度量值，DC(Ri,Rj)用于表征所述区域Ri和所述区域Rj之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，DS(Ri,Rj)为：  Center(Ri)为所述区域Ri的质心，Center(Rj)为所述区域Rj的质心，当所述图像中各个像素点的坐标均归一化到 [0,1]时；

所述建立图像的显著性模型，包括：

按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；

根据每种颜色类型的颜色值，建立所述显著性模型。

9.如权利要求8所述的智能物联网导盲杖，其特征在于，所述显著性模型为：

其中，w(Pj)为颜色类型Pj中像素点的个数，DC(Pi,Pj)用于表征颜色类型Pi和颜色类型Pj之间颜色差异的度量值。