移动机器人目标跟踪是机器视觉领域的重要问题之一,被广泛应用于智能监控系统、智能交通、人体行为识别等领域。在移动机器人跟踪目标的过程中,视觉信息易受目标快速移动、目标遮挡、光照变化等问题影响。针对上述问题,本研究提出一种多线索分块匹配的机器人运动目标跟踪算法,并开发了可视化的图形用户界面。最后,在装载有Kinect视觉传感器的Pioneer3-DX机器人平台上进行验证。主要工作有如下几方面:(1)基于改进压缩感知跟踪算法的目标粗定位目前许多跟踪算法通过构造、学习目标模型区分图像中的目标和背景,且在跟踪过程中利用分类器将目标从背景中提取出来。然而在复杂场景下,很多该类算法计算量大,难以实现实时跟踪。为解决上述问题,综合考虑压缩感知跟踪算法(Compressive Tracking)的优缺点,本研究利用改进的压缩感知算法对目标进行粗定位以缩小目标搜索范围,提高算法实时性。同时,为了解决传统CT算法中存在的目标过度更新问题,根据粗定位结果及目标颜色和深度特征相似度,不断调整分类器中学习速率的大小。(2)多线索分块匹配的跟踪算法针对基于颜色或纹理的目标跟踪算法难以解决光照变化、目标遮挡等问题,本研究提出了一种基于多线索分块匹配的目标跟踪算法。该算法在压缩感知粗定位的基础上,对目标进行分块,并在各子块中融合其颜色特征、深度特征(由Kinect传感器提供)和运动特征实现目标的精确定位。在跟踪过程中,多特征互补信息提高了算法对目标特征的描述能力。此外,由于该跟踪算法加入深度特征,有效地消除了光照变化对目标跟踪的影响。(3)子块权重及目标模型更新策略针对传统跟踪算法中目标模型不能动态更新、无法解决目标遮挡等问题,本研究提出了一种选择性目标模型更新策略。根据分块匹配中颜色和深度相似度大小分别对目标的颜色及深度模型进行更新以实现自适应更新目标模型。目标模型更新策略既有助于消除跟踪过程中的累积误差,又避免了过度更新模型造成的模型偏移。传统的分块算法仅简单将目标分割成若干块,并未考虑各子块之间的差别,从而导致跟踪失败。本研究根据各子块颜色及深度相似度对其权重进行更新,增大相似度大的子块的权重,使目标更靠近相似度大的区域,提高机器人目标跟踪的鲁棒性。应用上述多线索分块匹配跟踪算法,在装载有Kinect视觉传感器的Pioneer3-DX机器人平台上进行了验证。实验结果表明,由于多线索目标跟踪算法有效的融合了压缩感知、颜色、深度、运动等多种特征对目标进行跟踪,提高了跟踪的实时性和鲁棒性。