机器视觉在现代制造业有着广泛应用,制造过程中的运动目标检测与跟踪己成为现代制造领域的研究热点。目前,在生产中应用的工业机器人,一般采用示教或者离线编程的方式工作,只能重复完成预先设定好的动作,对加工对象和工作环境的感知能力比较低。将机器视觉技术应用到机器人上,实现自动分类装配工作,是工业生产线更加智能化的趋势。利用机器视觉算法跟踪零件图像实现工业生产线上的自动化具有十分重要的理论意义。本文主要针对机器视觉的工业机器人系统开展工作,研究运动背景下的视觉图像跟踪。然而,在现场工作环境中,相机采集的视频容易受到光照变化、背景复杂、目标运动模糊、尺度变化、目标快速运动等因素的影响,使得零件图像的跟踪仍具有一定挑战性。为了实现视频运动目标跟踪的准确性及实时性,提出一种稳定的目标跟踪算法,该算法以核相关滤波器作为主要思路,具体研究工作如下:首先,介绍了工业机器人视觉系统,其中分别对工业机器人的组成和工业相机的选取原则进行说明,完成实验平台搭建。其次,介绍了核相关滤波器跟踪算法的基本原理和主要实现步骤,并且分析了该算法连续跟踪目标零件的基本过程,通过实验说明了跟踪的有效性和一些存在的问题。再次,针对目标跟踪过程中出现的漂移现象和尺度更新失败问题,从两个方面对原始核相关滤波器进行改进。算法使用脊回归模型训练分类器时,考虑连续两帧的时空关系,加入分类器约束增强分类器学习的稳定性,防止跟踪漂移。同时,在核相关滤波器跟踪算法获取目标位置后引入尺度估计,通过Mean Shift算法中的目标的颜色直方图模型,得到候选区域的权重分布图,再根据权重分布图的一阶统计特征来计算目标尺度的大小。最后,将该跟踪算法在相机采集的运动零件视频序列进行测试,实验结果表明,本文改进的跟踪算法能够较好地适应目标尺度、不同亮度、快速运动、背景模糊等变化,同时在平均中心位置误差、平均成功率、跟踪速度上均有很好的优势。因此,本文改进后的核相关滤波器跟踪算法对自动化生产线上的零件图像进行目标跟踪具有较强的鲁棒性和跟踪效率。