LaserShoes：使用激光散斑成像进行低成本地面表面检测

文献标题

LaserShoes: Low-Cost Ground Surface Detection Using Laser Speckle Imaging

文献信息

• 主题领域: 可穿戴设备与人机交互（HCI）中的地面表面检测
• 关键词: 智能鞋、激光散斑成像、表面识别、纹理识别、上下文感知计算、实时分类、运动分析

研究背景与问题

• 问题或挑战:

  • 当前的表面检测技术多依赖视觉成像或足部动力学，并可能受用户运动特性或健康状态影响。
  • 传统相机无法捕捉微弱表面纹理，且常需镜头，会暴露隐私。
  • 在动态环境和广泛表面类型下实现可靠的地面检测系统仍然是技术挑战。

• 重要性: 地面表面携带丰富上下文信息，适用于广泛场景的活动识别、健康监测和情境感知计算，例如增强运动分析、危险地面识别。

• 研究动机与相关工作:

  • 现有工作如智能鞋和地面纹理检测技术面临设备昂贵、动态环境下鲁棒性低的问题。
  • 基于激光散斑成像的技术已被应用于其他领域（如医学血流检测），但尚未充分探索其在地面检测中的潜力。

解决方案

• 方法或解决方案:

  • 提出了一种名为 LaserShoes 的低成本地面表面检测系统，通过激光散斑成像技术捕捉地面表面纹理。
  • 系统由鞋部传感组件和腿部处理组件组成，以便便携且实时检测地面类型。
  • 实现了包括数据预处理和深度学习分类的端到端检测流程。

• 创新之处:

  • 将激光散斑成像应用于动态脚地接触检测场景，避免传统方法受步态或视觉效果干扰。
  • 预处理阶段排除动态期间模糊的图像，并通过深度学习分类模型进行实时推断。

• 实施步骤与关键技术:

  1. 硬件设计:
     • 采用 520nm 激光发射器与 CCD 图像传感器构成检测组件。
     • Raspberry Pi Zero 2 W 执行数据收集与处理。
     • 设计光学与机械结构以维持检测组件的稳定性。
  2. 数据预处理:
     • 转灰度、识别脚地接触图像、剪裁图片、排除模糊或模糊纹理图像。
  3. 深度学习分类: 使用 ResNet-18 模型进行纹理分类，输入为预处理后的清晰图像。
  4. 实时推断:
     • 在处理与分类环节优化以实现实时反馈。

研究成果

• 具体成果:

  • LaserShoes 系统在用户研究中显示对地面表面类型的高分类准确性。
  • 在 24 种地面表面上实现平均分类准确率为 86.93%（同用户数据），以及80.57%（跨用户模型）。

• 现有解决方案的优势:

  • 对不同步态、环境（湿地、冰冻地面等）的成功分类显示系统鲁棒性。
  • 能区分肉眼难以区分的近似地面，如浅色木地板与塑料地板。

• 实验与评估结果:

  • 实验覆盖了多种室内外地面表面，验证系统在光线条件、动态表面（沙地颗粒等）下的性能。
  • 实现实时分类，但 Raspberry Pi 平台性能略有不足。

• 局限性与未来方向:

  1. 局限性:
     • 高功耗限制了系统长时间使用。
     • 当前实现不能提前预测危险地面。
     • 对透明表面（如玻璃）及松散材料（如草地）检测较弱。
  2. 未来方向:
     • 优化硬件设计，减小设备体积，提高稳定性。
     • 提高对透明和松散材料的检测性能。
     • 引入光学滤镜或高动态范围传感器应对强光干扰。
     • 实现飞行状态检测以实现提前预警功能。

总结

LaserShoes 的研究展示了激光散斑成像技术在地面检测领域的创新应用，并验证了其在多种场景下的可行性与鲁棒性。未来改进方向包括优化能耗、提高光线条件适应能力，以及增强动态表面检测的精度。这项工作为可穿戴智能设备在情境感知与活动分析中的应用打开了新的可能性。