目标跟踪是计算机视觉领域的研究热点之一,目前在诸如娱乐、医疗、交通、金融、军事防御等领域有着广泛应用。纵观目标跟踪的发展史,不难发现目标跟踪技术从未停止过发展的脚步,但被跟踪目标由于收到内外因素的影响,比如遮挡、旋转、姿态变化和光照变化等,使得建立鲁棒的目标跟踪系统仍然是个巨大的挑战。最近几年来,目标跟踪算法主要包括生成方法和判别方法两大类,每类方法都有自己独特的优势,且纷纷引起了高校以及科研机构的研究人员的广泛关注。本文主要研究了两类目标跟踪方法,一是属于生成方法类的稀疏表示目标跟踪算法,二是属于判别方法类的相关滤波目标跟踪算法,下面依次对项目内容进行简述:传统的稀疏表示目标跟踪方法基于单一的外观模型,在目标与背景相似或出现遮挡、光照变化、姿态变化或旋转时容易出现跟踪失败的结果。因此提出一种多外观模型融合的目标跟踪算法,利用稀疏编码技术和多模板方式,获得目标的全局、局部和空间结构信息,再通过特征间的加权融合定位目标。而模板更新采用了基于稀疏约束的增量主成分分析方法,不仅具有遮挡处理能力,而且算法计算量小,外观模型更新效率高。实验结果表明,该方法可以有效跟踪在场景中具有多种变化的目标。通过对基于相关滤波跟踪算法的目标尺度自适应问题的研究,提出一种利用极坐标下目标尺度不变性的目标跟踪方法。该方法采用多组不同特征分别学习相关滤波器,然后在对数极坐标下采用相位相关理论处理目标尺度变化问题。实验结果表明,与目前先进的视觉目标跟踪方法相比,在目标具有较大的尺度变化时,所提的跟踪方法均能较为准确高效地跟踪到目标,表明所提方法在保持传统判别相关滤波跟踪方法的高效性和简单性同时还具备较好的目标尺度自适应能力。