随着机器人技术的发展,社会对服务类机器人的潜在需求不断增大。行人跟随机器人属于服务类机器人的一种。为了完成机器人对目标人进行跟随的任务,首先需要有鲁棒性强的视觉跟踪算法对目标进行跟踪,其次需要有稳定的机器人运动控制算法。本文分析了小型移动机器人对人体目标跟踪的特点,选取人体双脚作为跟踪目标,提出了人体足部运动模型引导下的核相关滤波跟踪算法(Kernel Correlation Filter guided by Motion Model,MM-KCF),完成了光照变化以及快速行走时的人体足部鲁棒性跟踪。针对跟踪中的遮挡问题,采用自适应输出响应对核相关滤波算法进行了改进,同时结合基于相关率的遮挡检测方法,大大提高了遮挡情况下人体足部跟踪算法的准确性和鲁棒性。最后在ROS系统下采用Turtlebot机器人对足部跟踪算法进行了试验验证。具体的研究内容如下:1.通过研究人体足部行走的特点,建立人体足部运动模型,提出了运动模型引导下的核相关滤波算法。在跟踪过程中所建立的足部局部运动和全局运动模型对下一帧图像双脚位置进行预测,再由该预测位置信息获得KCF算法的目标检测区域,从而提高了跟踪准确率,减小了跟踪误差。2.通过改变KCF算法检测区域几何形状,在不影响跟踪准确率的前提下解决了由于双脚的高相似性带来的目标切换问题。针对核相关滤波算法检测目标位置不准确和循环移位样本不可靠的问题,提出了运动模型引导下的自适应响应KCF算法(Adaptive Response Kernel Correlation Filter guided by Motion Model,MM-AR-KCF)。针对跟踪中遮挡问题,基于峰值和邻域相关率的抗遮挡(Anti-Occlusion,AO)检测方法提出了 MM-AR-AO-KCF算法。3.在实际场景下采用Turtlebot移动机器人进行跟踪实验。改进了自适应线速度与角速度控制算法,使机器人与目标人之间相对距离基本保持恒定。最后在快速运动、短时间遮挡、长时间遮挡的情况下分别进行了试验验证。研究结果表明:在光照变化、快速运动等情况下,本文提出的MM-KCF算法的平均跟踪准确率远高于 KCF 算法、BACF(Background-Aware Correlation Filters)算法和 SAMF(Scale Adaptive Kernel Correlation Filters with Mutiple Features)算法。MM-AR-AO-KCF 算法可以成功解决足部跟踪中的遮挡问题,平均跟踪准确率达到0.818。最终通过试验验证了本文所提算法应用于Turtlebot机器人对人体足部跟踪,具有较强的可靠性和实时性,还可以有效解决行走中双脚被遮挡导致目标丢失的问题,实现良好的抗遮挡目标跟踪。