随着工业现代化的加速发展,智慧工厂概念在多个行业中得到了极大的关注,其中,AGV的技术发展与应用是实现智慧工厂智能化的关键。通过计算机视觉技术对AGV系统进行控制,具有投入小、自由度高等优势,因此,基于视觉实现AGV的自主导航逐渐成为研究热点。目前,基于视觉导航的AGV系统存在环境复杂、障碍物检测困难、计算量大等问题,针对这些问题,本文围绕局部视觉与全局视觉进行研究。在局部视觉中,需要解决由光照不均匀、路径污染等因素对路径识别与检测产生的干扰问题;在全局视觉中,对AGV进行检测与跟踪,实现对AGV自主导航的全局监控。同时,通过局部视觉与全局相结合的方式对障碍物进行检测与距离测量,避免障碍物对AGV的正常运行产生干扰。本文研究的关键内容和创新点如下:（1）针对光照不均匀,路径污染等问题,本文首先采用Lab颜色模型对路径图像的颜色向量进行空间转换,通过分析各颜色分量的像素分布情况,选取b分量作为阈值分割样本。其次采用融合最大熵的p-tile算法对图像进行阈值分割,获取最优路径提取效果。最后通过改进的Sobel算子进行边缘检测,并且对边缘进行细化处理以及数据融合,减少噪声干扰的同时降低计算复杂度。实验证明本文改进的阈值分割方法和边缘检测算法能够有效的降低噪声干扰,实现路径的准确识别与检测。（2）针对AGV在运行过程中遇到障碍物干扰问题,本文采用局部与全局视觉结合的方式进行避障处理。在局部视觉中,本文从滤波方式、梯度幅值和边缘自适应阈值角度对Canny算子进行改进,实现对障碍物的精确检测,并根据障碍物位置确定AGV的转动方向与相应的横向避障距离。在全局视觉中,首先通过背景差分法检测AGV的运动位置,并通过形态学和连通域处理方法对AGV的位置信息进行优化,其次提取障碍物的有效位置信息,从而计算出AGV与障碍物间的距离以及障碍物的厚度信息。考虑到AGV在避障过程中障碍物会从静止状态变为运动状态,本文设计了相应的避障策略。实验证明,与传统的Canny算法比较,本文改进的Canny算法的边缘单一响应性平均提高了9.71%,连续性平均提高了2.79%,同时,基于局部与全局视觉结合的避障方式的测距精度在4%以内,平均误差为2.02%,满足智能工厂中对AGV系统的设计要求。（3）为实现对AGV?主导航系统的有效监控,本文通过全局视觉系统对AGV进?检测与跟踪。在跟踪过程中,使用PCANet代替传统KCF跟踪算法中的HOG特征,提取运动?标的深度特征,并引?尺度模块和模型更新机制实现对运动AGV的多尺度跟踪。实验结果证明,与传统的KCF跟踪算法对比,本文改进的算法可以有效的降低中心位置误差,与一些主流算法对比,本文改进的算法在成功率上平均提高了12.23%,在跟踪精度上平均提高了5.6%,验证了本文跟踪算法的有效性和准确性。