借鉴人类大脑皮层结构工作原理和信息记忆机制,研究基于记忆机制的机器人视觉发育方法,通过仿人智能图像处理方法实现场景的在线感知与学习,优化目标检测与跟踪框架,通过内在动机驱动使机器人自主探索学习新场景或新目标。依据海马、前额叶生理结构和功能以及“海马-前额叶”视觉感知神经回路,提出了一种基于记忆机制的图像信息处理模型,并设计了基于人类记忆机制的视觉计算模型。课题研究成果如下:1)针对目标跟踪算法中,因外界环境光照改变、目标姿态变化及目标发生遮挡时引起跟踪飘移或丢失目标等问题,提出一种基于人类记忆机制压缩多特征加权目标跟踪算法。利用人类记忆机制更新目标特征子空间,根据新输入目标特征与记忆库中已有的目标特征相对比,按记忆机制的图像信息处理认知模型进行更新子空间。实验结果验证了算法能够有效的增强特征对纹理改变、目标遮挡和光照变化的稳健性,表现了记忆库对目标学习和分类的能力。2)提出一种基于人类记忆机制的霍夫森林目标跟踪方法,该方法在压缩跟踪算法框架下,引入在线霍夫森林决策树,着重处理图像块与目标中心的位置关系,融入多种样本空间位置信息并规避过拟合的问题;引入人脑机制瞬时、短时、长时三个工作记忆空间,实时更新目标特征,提高了目标匹配的速度和精度。3)将基于人类记忆机制目标跟踪算法应用到履带式目标跟踪机器人平台上,机器人始终保证目标在可视场景的中心,实时准确地跟踪目标,实验效果验证了提出的跟踪算法的实用性,证明了基于人类记忆机制的机器视觉发育方法有广阔的应用前景。课题提出的记忆机制的机器人视觉发育方法,在图像信息处理方面模仿了人类大脑关于信息记忆机制的感知能力,对目标检测与跟踪框架进行了优化,在自主探索学习,目标特征信息的积累以及不确定任务学习等智能行为学习较传统的智能体有较大的改进,为机器人视觉发育研究提供了一种新的思路和方法。