人类通过视觉感知外界的信息，视觉信息是人类获取的主要信息。人的眼睛接受环境中可见光的刺激，在视网膜上形成图像，由感光细胞转换成神经脉冲信号，经神经纤维传入大脑皮层进行处理和理解，然后控制人体各部分进行相应的反应。计算机的出现，使得人们试图用摄像机获取环境图像并转换成数字信号，从而用计算机代替大脑，实现对视觉信息的处理全过程。这样，计算机视觉这门崭新的学科就诞生了。 计算机视觉的研究目标是使计算机具有通过一幅或多幅图像认知周围环境信息的能力，这种能力将不仅使机器能感知环境中物体的几何信息，包括它的形状、位置、姿态、运动等，而且能对它们进行描述、存储、识别与理解。和静止的图像比较起来，运动图像包含的信息更多，而且运动普遍存在于实际环境中，静止只是相对的。在很多时候，人类和其他动物都是通过运动视觉认识环境结构，从运动中发现敌害或寻找猎物。 本文讨论的就是对运动图像进行边缘检测，得到运动目标的具体位置，并对其进行主动的跟踪，形成视觉跟踪系统。视觉跟踪系统就是能够通过图像信息反馈，连续跟踪运动目标的实时跟踪系统。 由于图像处理及其它原因，系统本身存在时间延迟。时延会给闭环控制系统带来严重的问题。研究表明，当存在一个小的时延时，整个跟踪系统的性能就会降低，甚至有可能会恶化到使系统变得不稳定。因此时延对跟踪系统的影响一直是人们非常关注并需要解决的一个至关重要的问题。本文针对系统在时延情况下，如何保证良好的控制效果和实时性进行了研究。详细来说，本文的研究分别从实际和理论出发，做了以下工作：1．制作系统装置视觉跟踪系统主要由视觉、控制、执行三部分组成。视觉跟踪系统机械部分主要由控制CCD摄像头两个转动自由度的步进电机以及机械传动减速装置、固定支架部分构成。其中两个步进电机，分别控制摄像头仰俯运动和左右摆动。为了提高摄像头的转动精度，同时又不致降低跟踪速度，故将两套减速齿轮做成减速比为1:5。CCD摄像头被安装在支架上，随执<WP=68>行机构一起运动，构成视觉系统。CCD摄像头完成运动目标图像的获取，图像处理系统对图像进行处理，得到目标在视场中的位置值，然后，摄像头控制器利用目标的位置值计算并控制步进电机，带动CCD摄像头实现对运动目标的跟踪。2．控制算法的研究在实际应用中，控制算法的种类很多。传统的PID控制算法由于其算法简单、鲁棒性好、可靠性高等优点，在工业生产过程控制中是应用最广泛的控制算法之一，尤其应用于可建立精确数学模型的确定性控制系统。但对于那些具有非线性、时变不确定性和大钝时滞对象，难以建立精确数学模型，应用PID控制算法其控制的品质因素不是很高。尤其是PID控制算法是以误差作为基本调节项，微分作用也只是在系统出现明显偏差时起作用，属于事后控制方式，故在控制效果上不能很好地抑制系统的超调。建立在传递函数基础上的经典反馈控制理论以及建立在状态空间描述基础上的现代控制理论存在的一个重大缺陷是要求知道被控对象精确的数学模型。鉴于建模方法的局限性及实际过程自身参数摄动现象的存在，对象数学模型中不可避免地存在着各种形式的不确定性。因此，获得被控对象精确数学模型的难度很大。由于各类最小方差控制器一般要求已知对象的时延，如果时延估计不准确，则控制精度将大大降低；极点配置自校正控制器则对系统的阶次十分敏感。这种对模型精度的高要求，束缚了自校正控制算法在复杂的工业过程控制中的应用。为了实现视觉跟踪系统的精度和快速性要求，本文采用了广义预测控制算法。广义预测控制(GPC)是随着自适应控制的研究而发展起来的一种预测控制方法。广义预测控制算法用不断的在线有限优化，即所谓滚动优化，取代了传统的最优控制，由于在优化过程中利用实测信息不断进行反馈校正，所以在一定程度上克服了不确定性的影响。广义预测控制由于具有预测模型、滚动优化和反馈校正三个基本特征，因而具有优良的控制性能和鲁棒性，并且对模型要求低，这种特性使得广义预测控制更适合于机<WP=69>动目标的跟踪系统。但是，由于被控对象的时变、非线性、外界干扰等因素的影响，对象的参数往往很难精确得到，在实施广义预测控制算法中，需要在线估计控制对象的参数用于设计控制器。由于广义预测控制算法中控制增量的计算涉及到矩阵求逆，因而在线计算量相当大。为了减小计算量提高控制速度，本文提出了一种基于PID补偿的广义预测控制方法。即用系统的参考输入与广义预测控制器的预测输出的差值作为PID控制器的反馈输入，PID控制器的输出与广义预测控制器的输出叠加后作用在被控制对象上。这样，当被控对象出现时变或受外界干扰影响时，广义预测控制器预测输出出现的误差由PID控制器对其进行补偿。这种算法克服了PID控制响应慢、容易超调、不适合大时滞的缺点，又省去了普通广义预测控制算法对对象模型进行在线辨识，避免了矩阵求逆，大大缩短了运算时间，提高了控制的实时性，而且还提高了控制精度。