机器人的视觉系统是当前机器人技术的研究重点之一,该系统依靠摄像机获取外界信息并对环境的变化做出反应,而目标识别则是机器人视觉系统中的关键技术。本文主要研究了在室内环境下一些常见目标的图像识别技术,主要包括图像预处理技术、特征提取技术、特征的优化选择技术和目标识别技术。本文在机器人低速运动状态下采集目标物体的样本图像。首先对目标图像进行预处理操作,将采集到的彩色图像转换为灰度图像并进行中值滤波,再利用边缘检测技术提取目标的边缘特征,并采用基于数学形态学的图像处理方法滤除边缘检测后背景中遗留的少量噪声。其次,进行特征提取操作,由于图像采集过程中目标物体与机器人之间的距离、方位在不断变化,因此选择不变矩作为目标的特征提取方法。在传统的7个不变矩的基础上又推导出了另外3个高阶不变矩,以提取目标的细节信息,同时对这些不变矩进行改进,使其在离散状态下仍然能够保持平移、旋转和伸缩不变的特性,更适合于计算机对目标图像进行特征提取。然后,进行特征优化操作,采用遗传算法对改进后的9个不变矩进行优化选择,剔除了冗余的特征,压缩了特征空间,降低了计算量。最后本文研究了基于模糊等价关系的目标识别方法,采用F统计量得到目标的最佳分类阈值,通过该阈值确定聚类的类别数目,并将每类的类中心特征向量与目标的标准特征向量进行对比,从而完成目标识别。在理论研究的基础上,本文首先对不同的相似统计量做了目标识别实验,表明了该方法的可行性与有效性;其次分析比较了特征优化前后的目标识别效果,说明了用遗传算法对特征进行优化的必要性;最后进行了目标的动态识别实验,证明了该识别算法可以在目标类别未知的情况下有效地识别目标。