1.一种带有取物功能的轮椅，包括电动轮椅(1)，其特征在于：还包括类人机械臂(2)和轮椅控制系统，所述类人机械臂(2)安装在电动轮椅(1)的右前方，所述轮椅控制系统包括供坐在电动轮椅(1)上的残疾人佩戴的眼动仪(5)和安装在电动轮椅(1)座位底部的微型计算机(3)，所述电动轮椅(1)的顶部安装有高度可调的滑杆(4)，所述滑杆(4)上安装有摄像头(6)，所述眼动仪(5)的输出端和摄像头(6)的输出端均与微型计算机(3)的输入端连接，所述电动轮椅(1)上设置有电动轮椅控制器(1-2)和用于驱动电动轮椅电机的轮椅电机驱动模块(1-1)，所述类人机械臂(2)上设置有类人机械臂控制器(2-2)、用于对类人机械臂(2)的位置进行实时检测的类人机械臂位置传感器(2-2)和用于驱动类人机械臂电机的机械臂电机驱动模块(2-1)，所述轮椅电机驱动模块(1-1)与电动轮椅控制器(1-2)的输出端连接，所述类人机械臂位置传感器(2-2)与类人机械臂控制器(2-2)的输入端连接，所述机械臂电机驱动模块(2-1)与类人机械臂控制器(2-2)的输出端连接，所述电动轮椅控制器(1-2)和类人机械臂控制器(2-2)均与微型计算机(3)相接，所述微型计算机(3)上还接有用于拾取人的声音信号的麦克风(7)，所述麦克风(7)安装在类人机械臂(2)上。
2.按照权利要求1所述的一种带有取物功能的轮椅，其特征在于：所述类人机械臂(2)为六自由度类人机械臂；所述电动轮椅控制器(1-2)和类人机械臂控制器(2-2)均为单片机。
3.一种如权利要求1所述带有取物功能的轮椅的取物控制方法，其特征在于，该方法包括以下步骤：
步骤一、残疾人坐在电动轮椅(1)上，佩戴眼动仪(5)；
步骤二、当残疾人想要到某个位置处取物品时，残疾人先对着麦克风(7)说出想要取什么物品，所述麦克风(7)将其拾取到的残疾人的声音信号传输给微型计算机(3)，同时，摄像头(6)采集电动轮椅(1)前方的环境图像并将采集到的环境图像传输给微型计算机(3)；残疾人再注视轮椅要到达的位置；
步骤三、轮椅控制系统控制电动轮椅(1)从当前位置到达轮椅要到达的眼睛注视点的位置，具体过程为：
步骤301、眼动图像采集及传输：眼动仪(5)对坐在电动轮椅上的人的眼动图像进行采集并将采集到的眼动图像实时传输给微型计算机(3)；
步骤302、眼动图像处理：微型计算机(3)调用眼动图像处理模块对眼动图像进行处理，得到人眼睛注视点的特征值；
步骤303、路径规划：微型计算机(3)调用轮椅路径规划模块规划出电动轮椅从当前位置到达眼睛注视点位置的路径；
步骤304、轮椅运动：微型计算机(3)根据规划的路径控制电动轮椅从当前位置到达眼睛注视点位置；
步骤四、当电动轮椅(1)到达轮椅要到达的眼睛注视点的位置后，所述微型计算机(3)调用声音信号处理模块对麦克风(7)输出的声音信号进行处理，得到残疾人说出的想要取的物品；所述微型计算机(3)调用目标信息提取模块对此时摄像头(6)采集到的环境图像进行处理，提取得到环境图像中的与残疾人想要取的多种物品对应的多个目标信息；然后，所述微型计算机(3)从环境图像中的多个目标信息中找出与残疾人说出的想要取的物品所对应的目标信息，调用目标中心坐标确定模块确定出该目标信息的中心坐标；
步骤五、轮椅控制系统控制类人机械臂(2)到达所取物品的位置并进行取物，具体过程为：
步骤501、所述微型计算机(3)将目标信息的中心坐标输入预先训练好的专家系统模型中，得到类人机械臂(2)各自由度电机的目标角度；
步骤502、类人机械臂位置传感器(2-2)对类人机械臂(2)的位置进行实时检测并将检测到的类人机械臂(2)各自由度电机的位置信号输出给类人机械臂控制器(2-2)，类人机械臂控制器(2-2)再传输给微型计算机(3)；
步骤503、微型计算机(3)调用机械臂路径规划模块对检测到的类人机械臂(2)各自由度电机的位置信号与各自由度电机的目标角度进行处理，得到类人机械臂(2)的运动轨迹；
步骤504、类人机械臂控制器(2-2)根据类人机械臂(2)的运动轨迹控制类人机械臂(2)到达所取物品的位置并进行取物。
4.按照权利要求3所述的方法，其特征在于：步骤302中所述微型计算机(3)调用眼动图像处理模块对眼动图像进行处理，得到人眼睛注视点的特征值的具体过程为：
步骤30201、所述微型计算机(3)调用图像灰度化处理模块，对眼动图像进行灰度化处理；
步骤30202、所述微型计算机(3)调用图像高斯滤波处理模块，对眼动图像进行高斯滤波处理；
步骤30203、所述微型计算机(3)调用图像二值化处理模块，并采用Otsu自适应阈值分割方法对眼动图像进行二值化处理；
步骤30204、所述微型计算机(3)调用瞳孔中心定位处理模块，对眼动图像进行瞳孔中心定位处理；
步骤30205、所述微型计算机(3)调用角膜反射光斑中心提取处理模块，并采用加权质心定位算法对眼动图像进行角膜反射光斑中心提取处理；
步骤30206、所述微型计算机(3)调用注视点标定处理模块，将步骤30204处理得到的瞳孔中心和步骤30205处理得到的角膜反射光斑中心的相对偏移量代入预先构建的瞳孔光斑相对偏移量与注视点的映射函数关系式中，标定出人眼的注视点。
5.按照权利要求4所述的方法，其特征在于：步骤30201中所述微型计算机(3)调用图像灰度化处理模块，对眼动图像进行灰度化处理时，采用加权平均法进行，具体方法为：所述微型计算机(3)根据公式f(x′,y′)＝0.212671R(x′,y′)+0.715160G(x′,y′)+0.072169B(x′,y′)对眼动图像上位置(x′,y′)处的RGB三个分量进行加权平均，得到加权平均后的系数值f(x′,y′)并保存，其中，R(x′,y′)为眼动图像上位置(x′,y′)处的R分量，G(x′,y′)为眼动图像上位置(x′,y′)处的G分量，B(x′,y′)为眼动图像上位置(x′,y′)处的B分量；
步骤30204中所述微型计算机(3)调用瞳孔中心定位处理模块，对眼动图像进行瞳孔中心定位处理时，采用代数距离最小的最小二乘法进行椭圆拟合，并采用莱特准则对椭圆拟合的结果进行优化，剔除粗大误差点，直至拟合得到最优的椭圆，并将椭圆的中心确定为瞳孔中心；具体过程为：
步骤302041、所述微型计算机(3)在二值化处理后的眼动图像中，提取出瞳孔轮廓曲线；
步骤302042、所述微型计算机(3)从瞳孔轮廓曲线上任意取6个特征点，带入公式Bxy+C(y2-x2)+Dx+Ey+F＝-x2进行椭圆拟合，并添加约束条件A+C＝1，解方程组得到方程系数A、B、C、D、E、F的值；
步骤302043、所述微型计算机(3)根据公式 计算椭圆的
中心点坐标(xo,yo)；
步骤302044、所述微型计算机(3)将瞳孔轮廓曲线上的特征点p′(xτp′,yτp′)与椭圆的中心点连接，得到与点p′(xτp′,yτp′)对应的拟合椭圆上的点p(xτp,yτp)；其中，τ的取值为1～N的自然数，N为取的瞳孔轮廓曲线上的特征点的总个数且N的取值为大于1的正整数；
步骤302045、所述微型计算机(3)根据公式
计算点p′(xτp′，yτp′)与点p(xτp，
yτp)之间的像素距离l(τ)；
步骤302046、所述微型计算机(3)将τ的值从1取到N，对l(τ)进行基于莱特准则的数据分析，将l(τ)不满足条件时瞳孔轮廓曲线上的点定义为粗大误差点，并将瞳孔轮廓曲线上的粗大误差点剔除，再返回执行步骤302042～步骤302046，直至l(τ)全部满足条件，得到最优的椭圆，并将椭圆的中心确定为瞳孔中心；其中，判断l(τ)是否满足条件的过程为：
步骤3020461、所述微型计算机(3)根据公式 计算τ的值从1取到N时l(τ)的
算术平均值
步骤3020462、所述微型计算机(3)根据公式 计算标准差σ；
步骤3020463、所述微型计算机(3)根据公式 计算残差lb(τ)；
步骤3020464、所述微型计算机(3)将τ的值从1取到N，并将lb(τ)的值与-3σ和3σ比较，当lb≤-3σ或lb≥3σ时，将l(τ)对应的瞳孔轮廓曲线上的点定义为粗大误差点；
步骤30206中所述构建瞳孔光斑相对偏移量与注视点的映射函数关系式时，采用9参数拟合函数，用户注视呈田字格显示的9个参考点，所述轮椅控制系统测量瞳孔与光斑的相对位置偏移量，然后通过最小二乘曲线拟合确定出瞳孔光斑相对偏移量与注视点的映射函数关系式。
6.按照权利要求4所述的方法，其特征在于：步骤303中所述微型计算机(3)调用路径规划模块规划出轮椅从当前位置到达眼睛注视点位置的路径时，采用遗传算法进行路径规划，并采用改进的细菌觅食优化算法产生遗传算法的初始群体；具体过程为：
步骤30301、环境建模：将电动轮椅看作一个点，并设置电动轮椅与环境中障碍物的理想间隔距离为
步骤30302、染色体编码：将电动轮椅到达眼睛注视点的整个路径表示为
其中 为第i′段路径段的矢量表示，它的两个端点分别表示为Pi′和
Pi′+1，符号“+”表示矢量的运算；用O表示原点，将 表示为 整个机器人的
运动路径表示为路点矢量集合 n为路点总数， 中i′的取值为1～n-
1， 为原点O到端点Pi′的路径段的矢量表示， 为原点O到端点Pi′+1的路径段的矢量表示；设Pi′的坐标点表示为(xpi′,ypi′)，将路径以坐标点形式储存，完成对染色体的编码，所有的路径T是可能的一个满足条件路径；
步骤30303、群体初始化：采用改进的细菌觅食优化算法产生从当前位置到眼睛注视点的可行路径集合，作为遗传算法的初始群体；
步骤30304、构造适应度函数：构造适应度函数为f(p)＝wd·dist(p)+ws·smooth(p)+wc·clear(p)，其中，dist(p)为路径长度且用公式表示为 d(Li′,
Li′+1)表示Li′与Li′+1之间的距离，Li′+1为第i′+1段路径段的矢量表示，wd为路径长度的加权系数；smooth(p)为平滑度且用公式表示为 ψ为电动轮椅的理想偏
转角度且 S′为场景面积，OS′为所有障碍物所占的面积，κ为电动轮椅的
偏转角度，ws为平滑度的加权系数；clear(p)为间隔度且用公式表示为
γi′为第i′段路径段离障碍物的最短距离，wc为间隔度的加权系数；
步骤30305、遗传操作，具体过程包括：
步骤303051、选择遗传操作的参数；所述遗传操作的参数包括种群规模、交叉概率和变异概率；
步骤303052、交叉算子：对两个对象进行随即分割，然后重组得到两个新的个体；采用的线段的相交函数为 当第i′段路径段与所有的障碍物不相交时 的取值
为0，当第i′段路径段与障碍物相交时 的取值为1，并定义该段路径段与障碍物相交状态变化函数为 当第i′+1段路径段与障碍物相交且第i′段路径段与所
有的障碍物不相交时g′i′的取值为1，当第i′段路径段与障碍物相交且第i′+1段路径段与所有的障碍物不相交时g′i′的取值为-1，当第i′+1段路径段与障碍物相交且第i′段路径段与障碍物相交时，或者第i′+1段路径段与所有的障碍物不相交且第i′段路径段与所有的障碍物不相交时g′i′的取值为0；选择分割点的原则是：选择g′i′为1时对应的变化点作为1号父个体的第一分割点，选择紧随该点之后使得g′i′为-1的点作为第2分割点；对于2号父个体，选择过程恰好相反，选择g′i′为-1时对应的变化点作为2号父个体的第一分割点，选择紧随该点之后使得g′i′为1的变化点作为第2分割点；染色体的长度crossnm的选取公式为其中，clen为交叉点数，Nmax为交叉点数的最大取值；
步骤303053、变异算子：采用启发式变异,以增加一个点、减少一个点和移动一个点3种方式，先对穿越障碍物的中途点以一定概率进行变异,当路径个体中不存在穿越障碍物的点后随机变异路径个体的中途点 ,使变异所得的路点新坐标 满足
和 进行路径
的优化；其中， 为原点O到新端点 的路径段的矢量表示，增加一个点的方法为：对于路径 统计穿越障碍物的线段并记录到存储器R中，当R不为空时，随机从R中取一段并在这一段之间增加一点,否则，随机选取路径L中一个点；减少一个点的方法为：对于路径当其中间点 与 之间连接没有穿越障碍物时,将点 记录到R中，当R不为空时，
从R中随机选取一点删除，否则，随机选取路径中一点删除；移动一个点的方法为：对于路径将其中穿越障碍物的线段端点记录到R中，当R不空时,在R中随机选取一个点进行移动,否则,随机选取路径个体中一点进行移动；
步骤303054、插入算子：在电动轮椅运动的路径规划所作用路径 上增加不与障碍物相交的路点；
步骤303055、删除算子：该算子在所操作路径上记录所有位于障碍物内部空间的路点，随机选择其中之一并予以删除；对于不和障碍物相交的路径，该算子则在其全体路点中随机选择删除点；
步骤303056、计算种群中各染色体的适应度值和种群的平均适应度值，当种群中一半以上的染色体达到相同的适应度值，且种群的平均适应度值不变时，将这一代种群作为终止种群；否则，循环执行步骤30305。
7.按照权利要求6所述的方法，其特征在于：步骤30303中所述采用改进的细菌觅食优化算法产生从当前位置到眼睛注视点的可行路径集合，作为遗传算法的初始群体的具体过程为：
步骤303031、初始化细菌觅食优化算法参数：所述细菌觅食优化算法参数包括细菌菌群中与电动轮椅从当前位置到眼睛注视点的可行路径相对应的细菌总数S、电动轮椅移动时的搜索的工作维度p、电动轮椅移动时的趋化次数Nc、趋化过程中电动轮椅单向运动的最大步数NS、电动轮椅移动时的复制次数Nre,、电动轮椅移动时的学习次数Ned、电动轮椅移动时的最大趋化步长Cmax和电动轮椅移动时的最小趋化步长Cmin；
步骤303032、初始化菌群位置：采用随机初始化的方法并按照公式X＝Xmin+rand×(Xmax-Xmin)在p维空间初始化2S个点作为细菌的初始化位置,其中随机选取S个细菌作为菌群X1,剩下的S个细菌作为菌群X2；Xmin为优化区间的最小值，Xmax为优化区间的最大值，X为细菌的初始化位置，rand为均匀分布在[0,1]区间的随机数；
步骤303033、适应度值更新：按照公式
计算各个细菌的适
应度值；其中，dattract为细菌与细菌之间引力的深度，wattract为细菌与细菌之间引力的宽度，hrepellent细菌与细菌之间斥力的高度，wrepellent为细菌与细菌之间斥力的宽度，P(i,j,k,l)为细菌i在第j次趋向性操作、第k次复制操作和第l次迁徙操作后的位置，P(1:S,j,k,l)为当前个体P(i,j,k,l)的邻域内的一个随机位置,JCC(i,j,k,l)为细菌i在第j次趋向性操作、第k次复制操作和第l次迁徙操作后的适应度值；
步骤303034、设置循环变量的参数：其中趋化循环次数j为1～Nc，复制循环次数k为1～Nre，学习循环次数l为1～Ned；
步骤303035、进入趋化循环，进行趋化操作，具体方法为：
对菌群X2，按照以下步骤Q21～步骤Q211的趋化操作对每个细菌进行趋化：
步骤Q21、将细菌i重新赋值为i+1，判断细菌i的规模是否小于细菌规模S，当小于时执行步骤Q22，当不小于时跳转执行步骤Q212；
步骤Q22、计算细菌i的适应度值；
步骤Q23、细菌i在随机产生的方向上翻转一个单位步长；
步骤Q24、令j初始化为1；
步骤Q25、计算新位置上细菌i的适应度值；
步骤Q26、判断j是否小于最大步数Nc，当小于时执行步骤Q27，当不小于时跳转执行步骤Q21；
步骤Q27、将j的重新赋值为j+1；
步骤Q28、判断新位置上细菌i的适应度值是否改变，当改变时执行步骤Q29，当没有改变时令j＝NS,并跳转执行步骤Q26；
步骤Q29、更新细菌i的适应度值；
步骤Q210、细菌种群在翻转的方向上继续游动；
步骤Q211、跳转执行步骤Q25，继续循环，直至步骤Q21中i的取值等于S为止；
步骤Q212、趋化操作结束；
对菌群X1，按照以下步骤Q11～步骤Q112的趋化操作对每个细菌进行趋化：
步骤Q11、将细菌i重新赋值为i+1，判断细菌i的规模是否小于细菌菌落规模S，当小于时执行步骤Q12，当不小于时跳转执行步骤Q112；
步骤Q12、计算细菌i的适应度值；
步骤Q13、根据公式 计算细菌菌群密度函数因子D(i)，
并根据公式C(i)＝A·D(i)+B计算趋化步长C(i)；再令细菌i在随机产生的方向上翻转步长C(i)；其中，L为搜索空间对角线中最大长度，X(m,i)为细菌i在搜索空间第m维的位置坐标值， 为当前搜索空间内所有细菌在搜索空间第m维的平均位置坐标值；
步骤Q14、令j初始化为1；
步骤Q15、计算新位置上细菌i的适应度值；
步骤Q16、判断j是否小于最大步数Nc，当小于时执行步骤Q17，当不小于时跳转执行步骤Q11；
步骤Q17、将j的重新赋值为j+1；
步骤Q18、判断新位置上细菌i的适应度值是否改变，当改变时执行步骤Q19，当没有改变时令j＝NS,并跳转执行步骤Q16；
步骤Q19、更新细菌i的适应度值；
步骤Q110、细菌种群在翻转的方向上继续游动；
步骤Q111、跳转执行步骤Q15，继续循环，直至步骤Q11中i的取值等于S为止；
步骤Q112、趋化操作结束；
步骤303036、进入复制循环,进行复制操作，具体方法为：
对菌群X1，按照以下步骤F11～步骤F16的复制操作对每个细菌进行复制：
步骤F11、将细菌i重新赋值为i+1，判断细菌i的规模是否小于细菌规模S，当小于时执行步骤F12，当不小于时跳转执行步骤F16；
步骤F12、计算细菌在上次复制操作循环中经过的所有位置的适应度之和，并定义为健康度值；
步骤F13、按照健康度值的优劣将细菌进行排序；
步骤F14、跳转执行步骤F11；
步骤F15、淘汰健康度差的 个细菌，剩余的 个细菌各自分裂出一个与自己完全相同的新个体；
步骤F16、复制操作结束；
对菌群X2，按照以下步骤F21～步骤F24的复制操作对每个细菌进行复制：
步骤F21、计算所有细菌的适应度值并按照从小到大的顺序进行排序,并选出当前最优的细菌作为精英细菌；
步骤F22、对当前最好的一半细菌，按照公式X′2(i)＝X2(i)+N(0,1)实施变异操作,生成个新细菌并与原来的细菌构成新的子细菌群X′2；其中，N(0,1)为服从均值为0、均方差为1的高斯分布；
步骤F23、对当前最差的一半细菌，按照黄金分割率并取排序在前61.8％的细菌与步骤F21中挑选出来的精英细菌进行交叉操作,生成 个新细菌并与原来的细菌构成新的子细菌群X″2；
步骤F24、从子细菌群X′2与子细菌群X″2中挑选出适应度值最好的前S个细菌替换原来的细菌群X2；
步骤303037、进入学习循环，进行学习操作，具体方法为：将菌群X1与菌群X2中的细菌进行排序,并将菌群X1的排序在前61.8％的细菌按照轮盘赌法选择出0.382S个细菌与菌群X2中排序在后38.2％的细菌进行交换,交换来的0.382S个细菌组成新的菌群X2；
步骤303038、判断趋化循环、复制循环和学习循环的循环次数是否已达到设置值，当达到时，循环结束，通过适应度值比较两个菌群中发现的最优细菌,选择出最好的作为全局最优解,并将结果输出，否则，继续循环执行步骤303035～步骤303038，直到趋化循环、复制循环和学习循环的循环次数已达到设置值。
8.按照权利要求6所述的方法，其特征在于：步骤303051中所述交叉概率Pc和变异概率Pm的选择采用基于余弦函数的自适应概率公式:
其中，Pc1为最大的交叉概率，Pc2为最小的交叉概率，f′为个体的适应度值，favg为平均适应度值，fmax为最大的适应度值，Pm1为最大的变异概率，Pm2为最小的变异概率。
9.按照权利要求3所述的方法，其特征在于：步骤四中所述微型计算机(3)调用声音信号处理模块对麦克风(7)输出的声音信号进行处理，得到残疾人说出的想要取的物品的具体过程为：
步骤D1、所述微型计算机(3)调用语谱图绘制模块，将接收到的声音信号绘制为语谱图；
步骤D2、所述微型计算机(3)将语谱图输入预先构建的Tensorflow深度学习语义识别网络中，得到语义识别的结果，多种语义分别对应残疾人想要取的多种物品；
所述Tensorflow深度学习语义识别网络的构建方法为：
步骤D201、人对着麦克风(7)说话时，所述麦克风(7)将其拾取到的人的声音信号传输给微型计算机(3)；所述微型计算机(3)采集声音信号；
步骤D202、所述微型计算机(3)调用语谱图绘制模块，将接收到的声音信号绘制为语谱图；
步骤D203、重复执行步骤D201和步骤D202，直至所述微型计算机(3)存储了残疾人想要取的多种物品多种语义各500组时长为2s的声音信号的语谱图；
步骤D204、所述微型计算机(3)构建一个卷积网络核的层数为五层、输入层节点为256×256个像素的语谱图、输出层节点数与残疾人需要取的物品类别数相等的Tensorflow深度学习网络，并将其存储的残疾人想要取的多种物品多种语义各500组时长为2s的声音信号的语谱图作为训练样本，对Tensorflow深度学习网络进行训练，得到Tensorflow深度学习语义识别网络；所述Tensorflow深度学习语义识别网络五层卷积网络核的大小从一层到第五层分别为3x3,2x2,3x3,2x2,2x2；所述Tensorflow深度学习语义识别网络的输出为分别对应于残疾人想要取的多种物品的多种语义；
步骤四中所述微型计算机(3)调用目标信息提取模块对此时摄像头(6)采集到的环境图像进行处理，提取得到环境图像中的与残疾人想要取的多种物品对应的多个目标信息的具体过程为：
步骤E1、所述微型计算机(3)调用二次线性插值图像处理模块对环境图像进行平滑处理；
步骤E2、所述微型计算机(3)将经过步骤E1平滑处理后的环境图像输入预先训练好的faster-RCNN网络模型中，得到faster-RCNN网络模型的输出，faster-RCNN网络模型的输出中提取出了环境图像中的与残疾人想要取的多种物品对应的多个目标信息；
其中，预先训练faster-RCNN网络模型的具体过程为：
步骤E201、构建RPN卷积神经网络和fast-RCNN卷积神经网络，所述RPN卷积神经网络由八个卷积层和一个Softmax层构成，所述fast-RCNN卷积神经网络由五个卷积层、一个ROIpooling层、四个全连接层和一个Softmax层构成；
步骤E202、对RPN卷积神经网络进行初始化，用不同的小随机数初始化网络中待训练参数；
步骤E203、将多个类别的目标图像分别作为输入的训练样本图像，对输入的训练样本图像赋予多个尺度和多个比例的基准框，通过向初始化后的RPN卷积神经网络中输入训练样本图像的基准框来训练RPN，使用反向传播BP算法，调整RPN卷积神经网络参数，使损失函数值最小；多个类别的目标图像分别与残疾人想要取的多种物品对应的多个目标信息相对应；
步骤E204、在训练样本图像上运用训练好的RPN卷积神经网络模型，得到训练样本集的多个类别的目标的粗选框；
步骤E205、对fast-RCNN卷积神经网络进行初始化，用不同的小随机数初始化网络中待训练参数；
步骤E206、输入训练样本图像和步骤E204中获得的训练样本集的多个类别的目标的粗选框，对输入的训练样本图像每一点都赋予多个尺度和多个比例的基准框，通过向初始化后的fast-RCNN卷积神经网络中输入训练样本图像的基准框，并结合样本集的标注和标签来训练fast-RCNN，使用反向传播BP算法，调整RPN卷积神经网络参数，使损失函数值最小，得到训练好的fast-RCNN卷积神经网络；
步骤E207、重新训练RPN卷积神经网络，将RPN卷积神经网络的前五层卷积层学习率设为0，参数finetune来自步骤E206的fast-RCNN卷积神经网络模型，训练得到新的RPN卷积神经网络模型；
步骤E208、在训练样本图像上运用新训练好的RPN卷积神经网络模型，重新得到训练样本集的多个类别的目标的粗选框；
步骤E209、重新训练fast-RCNN卷积神经网络，将fast-RCNN卷积神经网络的前五层卷积层学习率设为0，参数finetune来自步骤E208中的RPN卷积神经网络模型，使用训练样本集和步骤E208中的训练样本集的多个类别的目标的粗选框标注，重新训练得到新的fast-RCNN卷积神经网络模型；
步骤三中所述微型计算机(3)从环境图像中的多个目标信息中找出与残疾人说出的想要取的物品所对应的目标信息，调用目标中心坐标确定模块确定出该目标信息的中心坐标的具体过程为：
步骤F1、所述微型计算机(3)从环境图像中的多个目标信息中找出与残疾人说出的想要取的物品所对应的目标信息；
步骤F2、所述微型计算机(3)调用边界提取模块对步骤F1中得到的目标进行边界提取，提取得到目标边界；
步骤F3、所述微型计算机(3)对提取出的目标边界像素坐标进行椭圆拟合，并对目标边界像素坐标的椭圆拟合结果进行错误剔除，得到目标边界椭圆的中心坐标、长半轴长度、短半轴长度和长半轴方向；
步骤F4、所述微型计算机(3)采用重心法确定出目标的中心坐标。
10.按照权利要求3所述的方法，其特征在于：步骤501中所述专家系统模型的训练过程为：选取一名或多名志愿者取残疾人想要取的多种物品，记录各个采样时间点右手臂与类人机械臂(2)中各电机位置对应的各关节角度，建立专家系统模型并存储在微型计算机(3)中；
步骤503中所述微型计算机(3)调用机械臂路径规划模块对检测到的类人机械臂(2)各自由度电机的位置信号与各自由度电机的目标角度进行处理，得到类人机械臂(2)的运动轨迹时，采用能量最小原则设计，将类人机械臂(2)中与人的右手臂各关节对应的各电机能量消耗最小的运动轨迹确定为各电机的运动轨迹，其中，对单个电机的路径进行规划的具体过程为：
步骤B1、假设电机需要从角度θ0运动到角度θ1,运动过程中花费的时间为T′；
步骤B2、将电机的总能耗W表示为：
其中，Wp为电机的输出功率且 θ(t)为电机的角度，t为时间，τ′为电机
输出转矩；Wf为电机发热能耗且 I为电机的有效电流且 K为转矩常数,
R′为电机的等效电阻；
步骤B3、在时间段[0，T′]内，定义采样时间间隔为Δt且Δt为能整除T′的正整数，建立路径规划的优化问题为：
其中，Δt＝tm+1-tm，m为采样次数且m的取值为正整数；当tm＝0时，存在约束：
当tm+1＝T′时，存在约束：
在每个采样周期内利用路径规划的优化问题计算电机运动的角加速度 得到电机的运动轨迹。