张 军， 刘先禄， 张宇山

(1.安徽理工大学机械工程学院, 淮南 232001； 2.安徽理工大学人工智能学院, 淮南 232001)

目标追踪是计算机视觉研究领域的热点之一，其中对人脸的检测追踪又是目标追踪领域的热门方向，广泛应用于视频监控，人机交互等各个领域[1-2]。当下运用较多的目标跟踪算法如核相关滤波算法(kernelized correlation filters, KCF)[3]，其是对传统相关滤波算法的改进，减少了参数量，提高了跟踪效率，然而在面对长时间的跟踪任务时其性能会有显著降低，影响正常的跟踪任务。Zhang等[4]将KCF与CamShift (continuously adaptive mean shift) 算法进行了融合，能实现对人脸目标的准确识别追踪，但其实时性较差，容易在跟踪过程中丢失目标。牛颖等[5]利用CamShift 算法融合 TLD (tracking learning detection) 框架实现了对人脸位姿的识别与追踪，但其场景是在人脸位置相对固定，背景变化不大的情况下进行的。利用移动机器人对运动目标进行实时追踪能够获得更好的人机交互体验。相较于传统的目标跟踪算法跟踪精度较低，需要手动提取跟踪目标的特征，基于深度学习的目标跟踪算法有着天然的优势，其不需要人工设计特征，只需要利用深度神经网络来进行自我学习从而达到提取特征的目的[6-7]。使得移动机器人能够更好地对环境建模，增强其对环境的理解，从而实现其在各种环境下均能对目标进行追踪[8-9]。

由于基于深度学习的目标跟踪算法的优越性能，对深度学习算法Siamese[10]进行了改进和优化，针对其对处理器的运算能力有着较高的要求，采用ROS系统的分布式计算框架[11-13]，实现对计算资源分配，加快算法的运行速度并提升训练效果，使移动机器人能够更加准确的检测并追踪目标[14-15]，实现移动机器人对目标的实时追踪。……