智能机器人因其集合了机构学、材料学、计算机图像学、智能控制、仪器仪表、模式识别等多学科融合技术的特点,始终处于科学技术领域的研究热点。本文以工业应用环境为研究背景,分析基于视觉感知的智能机器人在复杂工业环境中需要面对的各种干扰因素,并依据干扰因素在工业应用中出现的频率将其分为三个层次,而各层次的干扰因素分别对智能机器人视觉跟踪算法提出了准确性或鲁棒性的要求。因此,智能机器人的工业应用对所采用的视觉跟踪算法的鲁棒性、准确性和实时性提出了更高的要求。对此,本文对智能机器人视觉跟踪算法进行深入研究,旨在提高目标跟踪算法在复杂工业环境下的稳、准、快三方面的性能。本文主要研究内容安排如下:1、针对目标跟踪算法较为复杂且计算量大的情况,研究时空上下文信息相关滤波目标跟踪算法。对时空上下文信息和相关滤波方法的基本理论进行研究,构建快速目标跟踪方法;针对目标大幅度尺度变化的问题,在时空上下文信息跟踪算法的基础上研究基于特征金字塔的相关滤波多尺度估计方法,实现准确的目标尺度估计,提升跟踪算法对工业环境中光照变化、尺度变化、复杂背景等第一层次干扰因素的适应性。2、研究干扰判别及位置预测目标跟踪算法。为了提高对目标特征描述的准确性以应对工业环境中相似物体干扰、快速运动等第二层次干扰因素的影响,提出融合方向梯度直方图特征及时空上下文信息的目标表观模型建模方法,在充分利用目标及其周边背景信息的基础上,融入了梯度直方图HOG目标特征描述方法,增强了目标模型构建的准确性;针对目标受到的相似物体干扰及部分遮挡问题,设计了基于平均峰值相关能量的目标干扰信息判别方法,并根据跟踪结果受干扰的程度制定目标模板更新策略;针对目标存在的快速运动问题,研究融合目标运动位置预测的跟踪算法。通过上述三种方法与时空上下文信息相关滤波跟踪算法的融合,实现了准确的目标跟踪。3、研究多特征融合级联检测目标跟踪算法。针对工业环境存在的严重遮挡、目标短暂消失等第三层次干扰因素的影响以及工业智能机器人对跟踪算法鲁棒性的需求,提出了融合颜色统计特征、时空上下文信息以及HOG特征的目标描述方法,利用颜色特征对目标快速形变的不敏感特性、HOG特征对光照变化不敏感的特性以及目标周边背景辅助信息,形成特征的性能互补,提升跟踪算法的鲁棒性;针对目标受到较长时间遮挡导致跟踪失败的问题,研究一种基于级联分类器的目标检测算法,在目标跟踪器误差达到预设阈值时,检测算法对图像进行检索捕捉目标,并修正跟踪结果,避免目标模板受到污染,使目标跟踪算法具有较强鲁棒性,能够适应较长时间的跟踪任务。4、为了进一步提高智能机器人在工业环境中的实用性与适用范围,提升目标跟踪算法的快速性能,研究基于数据降维的快速目标跟踪算法。采用主成分分析法PCA与矩阵QR分解方法,对基于相关滤波框架的目标跟踪算法的特征实现降维,降低算法计算量,提升速度性能。5、设计一款基于视觉跟踪的智能机器人平台,验证目标跟踪算法在智能机器人平台运动控制中的性能。智能机器人平台能够对行驶路径中特定的目标进行检测与跟踪,为机器人运动控制提供实时和丰富有效的信息。智能机器人平台主要包含基于视觉的避障模块、运动控制模块、通讯定位模块等功能模块。通过设计避障试验与跟踪试验,验证本文跟踪算法在实际应用中的有效性。综上所述,本文围绕工业应用领域对智能机器人目标跟踪算法提出的要求,对基于相关滤波的目标跟踪算法进行深入研究,提高目标跟踪算法在复杂条件下的鲁棒性、准确性和实时性,为智能机器人在工业领域的推广应用提供理论与数据支撑。