服务机器人经常工作在以人为主的不确定环境中,如展览馆、家庭、餐馆等环境,通常需要在多行人中与指定行人进行交互,从而使机器人需要对周围环境进行充分理解,以应对复杂环境的变化,在相似对象群中快速定位目标个体。因此,构建一个实时性与鲁棒性良好的特定行人跟踪系统具有十分重要的意义。本文针对上述目标开展的研究工作如下:首先,提出了一种基于MobileNet网络的YOLO v3优化算法,开发了服务机器人跟踪系统中的检测模块。在YOLO v3检测网络基础上,引入轻量级卷积网络MobileNet进行检测网络的轻量化改造,降低了检测模型的计算量与复杂度。同时构建了行人检测数据集,并通过对比实验验证了该检测模型的检测速度优势。其次,制订了服务机器人在复杂背景下对特定行人进行跟踪的系统总体方案,随后完成了系统各模块的构建。特定行人跟踪系统中的跟踪模块基于KCF跟踪算法进行开发,每10帧引入优化后的YOLO v3检测模块进行特定目标位置的更新校正。同时,建立目标选择策略对受遮挡的特定行人进行更准确的定位,建立遮挡更新策略来应对可能出现的连续遮挡复杂情况。最后,完成了服务机器人跟踪系统的实验验证。基于人工采集图像与开源图像构建了实验数据集,进行三种不同的跟踪实验。在存在行人遮挡的实验中,跟踪效果与中心像素误差曲线显示了跟踪系统能较好的应对遮挡情况。在存在行人尺度变化的实验中,通过评估跟踪精度与帧速指标,跟踪系统具备应用场景所需的实时性与鲁棒性。在实际采集的行人走动视频序列中,跟踪结果验证了系统对于服务机器人所面对的多行人真实场景同样具有良好的跟踪效果。