视觉目标跟踪技术集合了计算机图像学、模式识别、矩阵论和概率论等多学科的研究内容，是目前比较热门的一个研究领域。随着目标跟踪技术和机器人技术的发展，视觉目标跟踪技术被广泛应用于机器人控制领域。但是，由于视觉机器人一般用于生产现场，其工作环境比较复杂，存在光照变化、目标形态变化、目标被遮挡和复杂背景干扰等不确定因素。这些因素对目标跟踪算法的鲁棒性、准确性和实时性提出了很高的要求。对此，本文对目标跟踪算法进行深入研究，旨在提高目标跟踪算法在复杂环境下的鲁棒性、准确性和实时性。本文的主要研究内容有以下几点：1、在研究目标跟踪基本理论的基础上研究一种Gabor特征的稀疏表示目标跟踪算法。对目标跟踪的基本理论进行研究，这些理论包括粒子滤波理论、稀疏表示理论和仿射变换理论等；针对在目标跟踪实际应用中光照变化和目标形态等问题，将Gabor特征引入到稀疏表示目标跟踪算法中；针对目标形态变化的问题，用主元分析法对稀疏表示模板字典进行更新，使模板字典在不增加维数的情况下有效融合跟踪结果信息。2、研究目标-背景信息融合的权重分块稀疏表示目标跟踪算法。为了提高目标跟踪算法的实时性，提出一种方差粒子筛选法，该方法可以在粒子滤波框架中筛选掉大量的粒子，减少目标跟踪算法的计算量；为了进一步提高目标跟踪算法的鲁棒性和实时性，研究一种目标与背景联合稀疏表示方法，该方法将背景信息融入到稀疏表示模板字典中，提高跟踪算法对目标和背景的区分能力，同时解决解1规范最小二乘稀疏方程计算量大的问题；针对目标被遮挡的问题，提出权重分块稀疏表示算法，该算法将样本进行分块，通过迭代的方式对每个分块赋予一定的权重，目标被遮挡的部分将获得较小权重，减少其对跟踪效果的影响。3、研究系数和残差排名的结构稀疏表示目标跟踪算法。为了提高目标跟踪算法的准确性，研究结构稀疏表示理论，该理论不仅考虑到样本的整体信息还考虑到样本的局部信息和空间信息；为了更有效地利用结构稀疏表示中的结构稀疏系数，设计一种稀疏系数得分度量样本与目标的相似度；为了更有效地利用结构稀疏表示中的残差信息，设计一种残差得分度量样本与目标的相似度；针对结构稀疏系数得分和残差得分由于性质不同而难以融合的问题，提出一种基于排名的信息融合方法，通过对两种得分的有效融合，提高目标跟踪算法的鲁棒性；为了使跟踪能够适应目标形态和背景的变化，采用稀疏表示和主元分析结合的方法对模板字典进行更新。4、在结构稀疏表示的框架下，研究基于学习分类机制的目标跟踪识别算法。为了进一步提高目标跟踪算法在复杂条件下的鲁棒性，研究一种结构稀疏表示朴素贝叶斯分类器，该分类器将目标跟踪看成二值分类的过程，具有区分能力强和计算量小的优点；针对目标跟踪算法不能处理目标完全消失的情况，将目标识别算法与目标跟踪算法相结合，目标识别算法通过对图像的扫描可以判别目标的出现和消失。5、设计一款目标跟踪运动控制平台验证目标跟踪算法在运动控制中的性能。与视觉伺服类似，平台的功能是使摄像头能够对目标进行捕捉并跟随目标运动。它由计算机、运动控制器、伺服驱动器、电机、x-y二维运动平台和摄像头组成。设计定性和定量两种实验对本文研究的目标跟踪算法在该平台上的性能进行验证。其中，定性实验验证该平台设计可行性与合理性，定量实验通过数据反应本文研究的目标跟踪算法在运动控制中的性能。总之，本文围绕视觉伺服对目标跟踪算法提出的要求，对稀疏表示目标跟踪算法进行深入研究，提高目标跟踪算法在复杂条件下的鲁棒性、准确性和实时性。