随着社会经济类型的逐步转变,人类的双手渐渐从机械劳动中解放,大量机械劳动由机器人代为进行。移动机器人的发展经历了从最初的遥控行驶搬运各种货物,到现在的自动跟踪可为特定人员提供跟踪服务,目标人体的检测跟踪与识别技术是其主要的技术上升点。近年来,数字图像处理技术日渐成熟,基于视觉图像处理的目标人体跟踪与识别技术成为众多的学者和企业的研究热点。针对室内场景的移动机器人动态人体跟踪与识别,有两种方法:经典方法和深度学习方法。经典方法主要依据图像的颜色、轮廓、纹理等特征,检测人体目标,获取人体所在位置。深度学习的方法主要采用卷积神经网络获取输入图像的卷积特征向量,并采用分类器对上述向量划分种类。具体的研究内容如下:第一,研究传统的经典移动机器人动态人体跟踪方法并进行改进。采用灰度投影法对移动机器人的动态背景进行补偿,得到静态背景,将适用于不同人体跟踪情况的Camshift算法、粒子滤波算法、跨帧差分法进行结合,为每种跟踪方式设定评价条件来判断算法是否有效,跟踪过程在各种方式间进行切换,既避免了单一跟踪方法的缺陷,又使跟踪效果更加准确。但经典方法通常只适用于跟踪场景较为简单的情况。第二,研究基于卷积神经网络的移动机器人动态人体跟踪方法并进行改进。将改进的Faster-RCNN神经网络与改进的卡尔曼滤波算法进行结合对移动机器人环境下的动态人体进行跟踪。对Faster-RCNN卷积神经网络进行改进,去掉原有的全连接层的分类层,只采用普通卷积神经网络(CNN)及区域建议网络(RPN)生成人体候选位置,将这些位置作为卡尔曼滤波算法的实时观测数据,结合卡尔曼滤波算法的估计数据,求得运动人体的最优位置。该方法相较于经典的动态人体跟踪方法具有精确度高,实时性高,人体目标出现遮挡情况时可进行预测跟踪,即鲁棒性高的优点。第三,采用多任务卷积神经网络(MTCNN)与Facenet网络进行人脸对齐与人脸识别。采用多任务卷积神经网络对上述跟踪的人体区域进行识别,找到人脸位置,并进行人脸对齐,找到人脸的五个关键点。将对齐的人脸图像送入Facenet网络进行识别,实现人体身份识别。最后,对移动机器人的控制方法进行研究。针对移动机器人动态人体跟踪与识别的特点,采用四轮差速机器人搭载双目相机进行跟踪和获取图像。移动机器人与运动人体的距离和角度作为机器人的输入,采用模糊控制的方法,对机器人的运动进行控制,达到对运动人体随动跟踪的目的。