1.一种基于RGB-D信息的人体目标识别与跟随方法，其特征在于：所述方法包括以下步骤：第一步，识别目标并定位目标：通过基于RGB-D信息的Meanshift跟踪方法识别目标并得到目标的位置信息，获得目标的质心坐标cp；

第二步，获得移动机器人跟踪状态：根据相机坐标系与图像坐标系的转换关系得到相机坐标下目标质心的位置信息，结合OpenNI库，在PC端得到目标的深度信息，即目标的3D信息；通过相机坐标系下目标的位置信息，获得移动机器人的跟踪距离dk和跟踪偏角θk；

第三步，建立模型：移动机器人采用PID控制方法，通过移动机器人的跟踪距离dk和跟踪偏角θk计算得到机器人控制输入u1,k，u2,k，u1,k为移动机器人跟踪偏角PID控制的输出，u2,k为移动机器人跟踪距离PID控制的输出，引入比例系数参数Kp1，Kp2和积分系数参数Ki1，Ki2，从而得到移动机器人的运动速度，即左右轮线速度vl,k、vr,k，移动机器人跟踪模型采用匀速模型来描述移动机器人的跟随状态，建立移动机器人跟随模型和系统量测模型；

第四步，采用假设检验的方式引入自适应因子λk，对量测误差进行补偿。

2.如权利要求1所述的一种基于RGB-D信息的人体目标识别与跟随方法，其特征在于：所述第四步中，设计自适应KF滤波器的过程如下：首先，状态初始化，获取移动机器人的初始跟踪状态 P0|0，其中， P0|0为状态变量对应的协方差矩阵；其次，进行时间更新，计算 Pk|k-1，其中， 是k时刻的目标状态的预测值，Pk|k-1是k时刻的状态变量对应的协方差矩阵；然后，对量测信息进行更新，计算 和Pzz，k，其中， 表示量测的预测值，Pzz，k为新息协方差；最后，由自适应因子计算得到新的新息协方差Pzz，k，更新移动机器人状态信息，得到 和Pk|k， 为k时刻的目标状态的估计值。

3.如权利要求1或2所述的一种基于RGB-D信息的人体目标识别与跟随方法，其特征在于：所述第三步中，通过移动机器人的跟踪距离dk和跟踪偏角θk计算得到u1,k，u2,k，引入比例系数参数和积分系数参数，即其中，Kp1，Kp2为比例系数参数，Ki1，Ki2为积分系数参数，θk，dk分别为k时刻机器人的跟踪距离和跟踪偏角，(k≥1)；

得到移动机器人的运动速度，即左右轮线速度vl,k、vr,k，即

其中，vl，k，vr，k为移动机器人左、右轮线速度；

移动机器人跟踪模型采用匀速模型来描述移动机器人的跟随状态:

xk＝Axk-1+Buk+wk

其中，xk＝[θk，dk]T为k时刻的移动机器人的跟踪目标状态，k＝1，2...为离散序列，θk，dk为k时刻的移动机器人的跟踪偏角和跟踪距离，uk＝[u1k，u2k]为系统输入，wk为零均值且协方差为Q的高斯噪声。A，B是将输入转换为状态的矩阵；

采用基于RGB-D信息的Mean-shift目标跟踪方法对跟踪目标位置进行预处理，计算跟踪偏角、跟踪距离；设其估计误差服从N(0，Rk)的高斯分布，则系统的量测模型表示为：zk＝Hxk+vk

其中，系统状态观测zk＝[θk，dk]T，观测矩阵 是状态变量到测量的转换矩阵，υk是零均值且协方差为Rk的高斯噪声，且与过程噪声wk不相关。