视觉跟踪技术作为机器人视觉的一项重要研究内容,受到越来越多研究者的关注,迄今为止,该领域已取得较为丰硕的研究成果。当前视觉跟踪算法一般基于经典的图像处理方法,不足在于实时性不高,计算量较大,因此,研究处理速度更快、适应范围更广的图像处理技术对于机器人顺利完成目标跟踪任务具有相当重要的意义。科学研究表明,人类具有异常突出的数据筛选能力,视觉选择注意是保证人眼高效率工作的重要机制,它对如何从大量图像数据中迅速识别出目标等问题提供参考依据。因此,模仿人类视觉注意机制解决机器人目标跟踪系统中的图像处理问题具有较高的理论价值和应用前景。当前视觉注意模型的研究特点在于计算理论性强,很少面向应用；仅处理隐式注意；关心注视转移而非注视控制；多数模型基于空间。本研究课题借助工程领域的研究优势,将视觉注意模型应用到机器人跟踪领域,并通过实际结果指导注意模型的研究。重点探讨物体特征描述和知觉组织方法,研究面向机器人应用的自下而上数据驱动和自上而下任务驱动相结合的显式视觉注意模型,为场景分析过程中的关键技术难题提供一种新的解决方案；同时,自主研发智能移动机器人和仿人眼颈机器人,利用视觉注意模型提高其对非结构化视觉感知信息的理解能力和海量异构信息的处理效率。面向移动机器人目标跟踪的视觉注意模型模仿了人类在非结构化环境中进行目标跟踪的行为,针对移动机器人在视野中进行感兴趣区域的快速分类和注意焦点的自适应调整与跟踪问题,基于尺度空间理论、Mean-Shift算法、区域生长以及显著性区域线性融合方法模拟了自下而上的数据驱动方式,实现了移动机器人可行走区域与目标显著性区域的划分；进而基于投影图特征的相似性模拟了自上而下的任务指导方式,在显著性区域内控制注意焦点的动态转移过程。对比实验表明该模型在处理速度和注意焦点的准确性方面具有明显的优势。面向仿人眼颈机器人目标跟踪的视觉注意模型汲取了显著图方法和SIFT算法的优点,主要思想在于利用SIFT算法识别基于显著图方法获得的显著性区域。采用离线提取和构建目标特征数据库的方式模拟了人类大脑的学习和记忆功能,基于改进的显著图方法,即加权特征图融合方法模拟了自下而上的数据驱动方式,基于SIFT算法模拟了自上而下的任务指导方式,实现了在仿人眼颈机器人的视野中对注意焦点的提取以及动态控制问题。对比实验表明该模型提取的注意焦点具有良好的鲁棒性和准确性并且处理速度显著提高。以自主研发的移动机器人和仿人眼颈机器人为实验平台,建立了移动机器人视觉空间与实物空间的映射关系；提出了仿人眼部和颈部的误差补偿定位算法,有效解决了摄像机与被跟踪目标相对位置实时变化的运动模型构建问题；实现了视觉注意模型在两种机器人平台上的原型应用。实验结果验证了视觉注意模型对机器人目标跟踪系统的有效性。