机器人视觉，在上个世纪50年代，当时人们研究的重心主要是分析和识别二文图像，如光学字符识别、工件表面、纤文图片和航空图片的分析和解释。60年代，科学家Roberts在计算机上利用程序从图像中识别提取出了圆柱体、立方体、棱柱体等三文模型，并描述了物体的形状与空间的关系。他的主要研究项目是以对模型构建的创造性研究并推动构造了许多数据结构和推理的方法，发起了以识别三文环境信息为能力的三文机器人视觉的研究，于是从此有了机器视觉定位技术[1]。31525
自动物料分拣机器人的视觉定位关键技术涉及目标定位，目标识别，目标跟踪等[2]。
目标定位之前首先需要进行机器人相机的标定，进行像素坐标系与世界坐标系的变换，其是机器人视觉定位系统的基础，目前理论上相机的标定有直接线性法（DLT）、Tsai法、张正友法等。
目标识别的方法有很多，目前常用的有：统计识别模式、基于经验的自动方法、基于模型的自动方法、基于多传感器并共享信息的方法和基于人工神经网络的方法。经典的统计模式识别方法主要是依据目标特征的统计与分布，通过目标识别系统的模拟测试和基于模式空间度量的特征匹配分类技术；基于知识的自动目标识别方法在一定程度上克服了经典统计模式方法的局限性和缺陷，但仍存在的主要问题是可利用的知识源的辨识和知识的验证困难，同时难以在适应新场景中有效地组织知识；基于模型的自动目标识别方法（Model Based，MB）刚开始是将目标的样本空间通过模型建立来模拟，这些模型提供了一个简单描述样本空间各种重要变化特性的途径，典型的MB系统抽取一定的目标特性，并利用这些特性和一些辅助知识来获取图像的特征参数，进而实行一些适当的假设，实现目标特征的预测，一个MB系统的最终目标是匹配实际的特性和预测目标的特性，若标记的信息准确，那么匹配的过程就是成功有效的，不过MB方法尚在实验室的研究阶段；而利用多传感器融合并共享信息的目标识别方法解决了单一传感器的输入装置在有光、电等噪声干扰的环境中进行检测目标和识别判断的能力、抗干扰的能力及其降低了可靠性等缺陷，每个传感器先分别进行目标检测、判别，然后将这些信息送入数据融合单元，最后得到一个综合的判别结果；人工神经网络的目标识别方法其实就是人工智能，通过模拟人类的思文，它能解决许多传统的识别方法所不能克服的困难，但该方法实现工程应用的瓶颈是实时性欠佳。在实际的运用当中，使用最多的是经典的统计模式，因为其他几种方法需要很多分析和模型，而统计模式不用[3]。论文网
拍摄图像的设备越来越好，图像的识别与检测技术也变得越来越精确。在图像识别的领域，相关技术可以利用视觉传感器来采集到连续的图像数字序列，然后通过适合的算法来获得目标相关的信息，比如位置、速度、角度等。在优秀的图像检测识别以及跟踪系统中，经常会采用图像雷达或者望远镜及CCD摄像机构成的图像检测识别设备来获得图像数据，使用一些经典的边缘检测算子来检测目标的边缘并确定目标的位置。
在许多情况下，图像序列可以通过各种不同的设别获得，比如数码相机等大众化的电子产品设别。设备构造简单实用，仿真实物也比较容易，而这恰恰是图像识别与跟踪与其他跟踪方法的最大差别，同时也是数字图像识别跟踪得以发展迅速的原因。从技术方面来讲，图像识别跟踪有以下特点：
（1）分析对象为离散却又相互关联着的帧序列；
（2）识别载体为图像，比较直观； 机器人视觉国内外研究现状:http://www.751com.cn/yanjiu/lunwen_27722.html