目标跟踪一直是计算机视觉领域的一个热点研究课题,其目的是对具有某种显著特征表征的目标进行跟踪,估计出目标在当前帧的位置、大小以及旋转角度等状态信息。随着图像处理技术以及计算机性能的不断发展,目标跟踪技术日益受到了安全管理部门、企业研究人员、高校等有关学者的极大关注。目标跟踪已经被广泛应用于视频监控、视频分析、视频检索、人机交互、交通监控、虚拟现实增强以及机器人制导等领域。在复杂场景下对目标进行跟踪往往会遇到各种挑战,例如位置变化、尺度变化、光照变化、视角变化和遮挡等等。近十年来,随着各国学者和技术人员的不断探索和研究,各种算法被提出用于克服上述挑战。为了应对目标的外观变化,目前视觉跟踪算法都有各自的在线更新策略。但是目前大部分算法都仅仅把目标视作一个单一整体。这种方法虽然保存了目标外观的全局机构信息,但是在更新时不可避免会引入干扰,特别是在遇到大面积遮挡的时候。随着这种错误的累积,必然增加出现漂移的风险。为了实现复杂场景中的视觉跟踪,本文以LK (Lucas-Kanade)图像配准算法为框架,提出了一种基于稀疏表示的在线特征选择机制。在视频序列的每一帧,筛选出一些能够很好区分目标及其相邻背景的特征,从而降低干扰对跟踪的影响。本算法分别构造前景字典和背景字典,前景字典来自于第一帧的手动标定,并随着跟踪结果不断更新,而背景字典则在每一帧重新构造。同时,一种新的字典更新策略不仅能有效应对目标的外观变化,而且通过特征选择机制,能避免在更新过程中引入干扰,从而克服了漂移现象。大量的实验结果表明,本文算法能有效应对视角变化、光照变化以及大面积的局部遮挡等挑战。