机器人技术是一门涵盖多领域的科学,主要涉及机器视觉、环境信息感知、运动学控制等。机器视觉利用视觉传感器和计算机分别代替人眼和大脑对环境感知和理解;机器视觉在视觉导航、人机交互、智能交通、运动分析等领域有广泛的应用前景,它的一个重要的研究方向为运动目标追踪。本文的工作主要是对服务机器人视觉追踪过程中的运动目标检测与跟踪算法进行研究,并将算法在基于ROS(Robot Operating System)的先锋机器人平台上进行验证。本文研究的主要内容有:(1)、研究基于深度学习的适用于服务机器人追踪任务的目标检测算法。本文对RCNN(Region-based Convolutional Neural Networks)系列算法与SSD(Single Shot MultiBox Detector)算法的实现思路做了详细的梳理。通过对RCNN算法、Fast RCNN算法依次优化最终得到Faster RCNN算法,单张图片的测试时间可由50s降低至0.198s;但由于服务机器人底层为嵌入式系统,对数据的处理速度慢,而RCNN系列算法计算量大,不能满足系统实时性要求,本文最终选用SSD算法进行目标检测与识别并在深度学习Caffe平台上验证。SSD算法不仅检测识别速度快且准确率高,适用于餐厅服务机器人视觉追踪的应用场景。(2)、研究长时间目标跟踪TLD(Tracking-Learning-Detection)算法。该算法包括三个模块:跟踪器模块、检测器模块、学习器模块。TLD算法跟踪器采用基于灰度特征的光流法,在目标发生遮挡、形变等情况时不能对目标进行很好的跟踪,本文利用改进的融合HOG特征的自适应核相关滤波算法替代光流法,并在数据集和实时视频流上对改进算法进行验证。(3)、构建视觉追踪机器人原型系统。首先介绍本文所使用先锋机器人(Pioneer3-DX)平台的双轮差速运动模型;接着基于ROS机器人操作系统验证SSD算法和改进的TLD算法。由实验可知,当目标发生遮挡、形变等情况时,改进算法均可实现准确的跟踪。最后,设计Qt界面使该系统有较好的人机交互性。本课题分别对服务机器人视觉追踪过程中的运动目标识别与跟踪进行研究。本文的创新点是:将深度学习SSD算法引入实时性要求高的服务机器人领域;改进TLD目标跟踪算法中的跟踪器模块,利用融合HOG特征的自适应核相关滤波算法代替金字塔光流法,改进算法在光照变化、尺度变化等情况下均能实现较好的跟踪。