视频跟踪是计算机视觉领域内的热门研究问题,在过去的许多年受到国内外专家学者的广泛关注。其中,通过建立外观模型适应目标外观变化的算法一直是重点研究内容。尽管目前已经出现很多有关子空间建模方法的研究成果,但仍有很多具有挑战性的跟踪问题亟待解决,如何适应跟踪过程中目标自身姿势变化、尺度变化和形变等内在因素;如何解决视频中的光照变化、背景复杂和目标部分遮挡或长时间大面积遮挡等外在因素。因此,在复杂环境下建立良好的外观模型,并求解与外观模型具有最小误差值的候选粒子,实现对目标的鲁棒性跟踪是研究的重点方向。本文的主要工作如下:(1)为了解决传统增量子空间方法容易受到训练集的影响,不能很好适应目标发生遮挡或快速运动的问题,提出基于加权的增量子空间学习目标跟踪方法。首先,采取两种相似度测量结合的方法对目标状态进行判断,在加入权值的情况下,自适应对正常状态的目标采用正常模板集跟踪,对异常状态的目标在正常模板的基础上加入异常模板集进行跟踪。之后,对训练集选用未遮挡或较少遮挡的模板,按照与外观模型相似度大小的顺序放入子空间进行更新。实验结果表明,该算法在目标发生部分遮挡、快速运动、外观变化等情况时更具有鲁棒性。(2)为了解决传统稀疏子空间学习方法计算复杂度高,组成琐碎模板的方法容易引入背景信息,导致跟踪漂移的问题,提出基于角点的稀疏子空间目标跟踪方法。首先,计算候选目标与外观模型的相似度,对不同相似度自适应选择子空间。之后,对相似度高的情况仅采用基向量对候选目标进行误差运算,增量更新基向量子空间,相似度低的情况先采用Shi-Tomasi角点的方法提取特征点,选择包含特征点最多的图像块建立琐碎模板,将正交基向量结合琐碎模板组成完备字典并加入从高到低的权值进行误差值鲁棒估计,同时更新琐碎模板。定性和定量实验结果均表明,该算法在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等复杂情况下跟踪效果更好,实用性更强。