1.一种基于深度图感兴趣区域的移动机器人目标跟踪方法，其特征在于：所述方法包括以下步骤：步骤1：使用深度相机采集一幅色度空间格式为RGB的原始图像和一幅对应的深度图像；利用深度学习的方法由原始图像得到前方目标对象在原始图像中的外接矩形位置信息cx、cy、width、height，其中cx与cy分别表示外接矩形的中心相对原始图像左上角像素点的横向像素位置和纵向像素位置，width与height分别表示外接矩形在原始图像中横向、纵向所占像素点的个数；

步骤2：对目标对象分别进行表观建模和运动建模；

步骤3：重新采集一幅RGB原始图像和对应的深度图像，处理相机采集的深度图像，得到移动机器人相对周边环境的3D点云，然后根据目标对象的高度特征来提取3D点云中的感兴趣区域；

步骤4：根据目标跟踪的置信度决定是否继续控制移动机器人跟随目标对象；

步骤5：利用卡尔曼滤波对目标对象进行运动模型更新；

步骤6：重复步骤3至步骤5，实现已建模目标对象的跟随。

2.根据权利要求1所述的一种基于深度图感兴趣区域的移动机器人目标跟踪方法，其特征在于：所述步骤2中，对目标对象分别进行表观建模和运动建模包括以下子步骤：步骤2.1：采用基于区间统计的颜色直方图法，对步骤1得到的原始图像中的目标对象外接矩形区域，按式(1)建立目标对象的颜色直方图：式中i表示像素点在外接矩形区域的索引，取值范围为[1,n]，n是外接矩形区域中的像素个数，b(i)表示像素点i对应的颜色级别，u表示颜色直方图中的任一颜色级别，δ为克罗内克函数，qu表示外接矩形区域中颜色级别与u相同的像素个数；RGB颜色空间中三个分量都采用等分的方式分为L个颜色区间，L的取值范围为[16,128]，颜色级别的总个数为L的三次方；

步骤2.2：通过深度相机到移动机器人的坐标系转换关系式处理步骤1采集的深度图像，得到已检测到的目标对象相对移动机器人的位置，将所述位置信息作为卡尔曼滤波的初始化条件，对目标对象进行运动建模；在建模之后，采用已知的局部路径规划算法控制移动机器人跟随目标对象。

3.根据权利要求1所述的一种基于深度图感兴趣区域的移动机器人目标跟踪方法，其特征在于：所述步骤3包括以下子步骤：步骤3.1：重新采集一幅RGB原始图像和对应的深度图像，根据相机内参将这两幅图像转换成格式为XYZRGB的3D点云，将3D点云通过深度相机到移动机器人的坐标系转换式转换至移动机器人相对周围环境的坐标系中；

步骤3.2：使用基于卡尔曼滤波的目标对象运动模型预测目标对象在下一时刻的位置，剔除步骤3.1所得3D点云中与预测位置水平面距离偏差大于d的点云点，d的取值范围为[50,300]；

步骤3.3：根据点云点所具有的与地面之间相对的高度信息，剔除高度低于Hmin或高度高于Hmax的点云点，Hmin的取值范围分别为[0,50]，Hmax的取值范围分别为[150,300]；

步骤3.4：对剩下的每个3D点云点与在其球面半径r内的邻近点进行立体空间的高斯平滑滤波处理噪声，高斯平滑滤波中各个邻近点的权重函数如式(2)所示，式中Δx、Δy、Δz为各个邻近点与待处理3D点云点在立体空间坐标系上的欧式距离，球面半径r的取值范围为[1,20]，σ为高斯滤波中的标准偏差，取值范围为[0.5,4]；

步骤3.5：将上述操作后所得到的3D点云进行降采样，使用一个边长为a的立方体进行点云点合并；a的取值范围为[2,10]；

步骤3.6：将上述操作所得到的3D点云进行欧几里德聚类；将聚类的结果进行点云个数统计，任一聚类集合中点云个数总数小于个数阈值THpcnum的为异常聚类集合，剔除异常聚类集合，不用于后续计算，THpcnum的取值范围为[10,300]；

步骤3.7：统计每个聚类集合的平均高度，滤除平均高度不在区间[hmin,hmax]内的聚类集合，剩余的集合为最终感兴趣区域集合；hmin为高度下限阈值，取值范围为[0,100]，hmax为高度上限阈值，取值范围为[110,200]。

4.根据权利要求1或2所述的一种基于深度图感兴趣区域的移动机器人目标跟踪方法，其特征在于：所述步骤4包括以下子步骤：步骤4.1：先按式(1)统计步骤3所得到的各个感兴趣区域的颜色直方图，然后计算各个感兴趣区域与当前目标对象的表观模型的颜色直方图相似度；若颜色直方图相似度的最大值仍小于阈值THsim，说明跟踪置信度低，则停止当前步骤，跳至步骤1，重新开始目标建模，否则取相似度最高的感兴趣区域为当前目标对象跟踪结果，继续步骤4.2；

步骤4.2：得到当前目标对象跟踪结果后，计算目标对象相对移动机器人的位置，根据所述位置关系采用已知的局部路径规划算法控制移动机器人跟随目标对象。

5.根据权利要求4所述的一种基于深度图感兴趣区域的移动机器人目标跟踪方法，其特征在于：所述步骤5包括以下子步骤：步骤5.1：对目标对象进行卡尔曼滤波的预测，如式(3)与式(4)所示，

式(3)预测目标对象位置，其中 为当前时刻与上一时刻所预测的状态向量，uk-1为上一时刻的外界输入量，A为系统矩阵，B为控制矩阵；式(4)中的Q为处理过程误差协方差矩阵， Pk-1分别是当前预测时刻的和上一时刻的状态向量协方差矩阵；

步骤5.2：将步骤(4)所得到的目标对象相对移动机器人的位置关系作为当前测量向量，利用卡尔曼滤波对目标对象进行运动建模更新，如式(5)-(7)所示，式(5)计算卡尔曼增益，其中 同式(4)，H为状态向量到测量向量的转移矩阵，R为测量过程误差协方差矩阵；式(6)更新当前模型的状态向量，zk为当前的测量向量；式(7)更新状态向量协方差矩阵。