视频目标跟踪技术一直以来都是计算机视觉领域中的重点研究技术,而计算机视觉领域的研究属于人工智能的领域范畴,并为人工智能的发展起了关键推动作用。视觉目标跟踪技术广泛应用在国防军事领域、生物医学领域、无人机侦察、智能自动驾驶等领域行业中。当前,视觉目标跟踪技术面临着一些难以解决的问题,比如当目标快速移动、周围场景复杂变化、目标形变和目标被人或物体严重遮挡时,目标的跟踪框与目标的真实位置会产生一定的偏差,甚至出现跟踪丢失目标的现象。因此本文提出了一种基于稀疏表示和相关滤波的目标重新检测和跟踪算法来应对目标跟踪过程中的严重遮挡等问题,提高视觉目标跟踪的鲁棒性和准确性,并且实时跟踪目标。本文具体工作内容如下:首先,本文简要介绍了长时间跟踪算法(Long-term correlation tracking,LCT)和基于稀疏表示模型的视频目标跟踪算法,其中详细讲解了长时间目标跟踪算法的运行流程,通过研究平移和尺度两个独立的相关滤波器的应用,增加对算法的理解,通过学习稀疏表示模型,了解稀疏表示在目标跟踪中的应用,分析了算法运行流程以及粒子滤波框架下稀疏编码外观模型的应用,简单分析了长时间目标跟踪算法和基于稀疏表示模型的目标跟踪算法的优缺点。其次,针对目标跟踪过程中目标受到严重遮挡导致跟踪失败的问题,本文在融合了 LCT的两个相关滤波器与基于稀疏编码外观模型的粒子滤波跟踪算法的基础上,引入了平均峰值相关能量(Average peak correlationenergy,APCE)作为评价目标滤波器响应置信度的准则,进而判断目标是否需要重新定位,粒子滤波算法对目标位置进行二次估计,增加了算法的准确度,运用稀疏编码作为外观模型处理目标被遮挡部分,更好地解决了目标被严重遮挡的问题。最后,在基准数据集Object Tracking Benchmark的90多个视频序列上进行算法跟踪性能的实验研究,通过定性和定量分析得出本文算法在实时跟踪的前提下比其他目标跟踪算法具有更好的准确性和鲁棒性,能够应对目标受到严重遮挡或者长时间被人或物体遮挡时跟踪失败的问题。