目标跟踪技术作为计算机视觉领域的关键技术,被广泛应用于视频监控、智能交通、人机交互、军事、医疗以及增强现实等领域。近十年来,国内外研究人员对目标跟踪技术进行了深入研究,取得了可观的进展。然而,由于实际应用场景的复杂性,例如场景中的光照变化、背景混杂、遮挡、目标的形变、尺度变化、旋转、快速移动、运动模糊等问题,目标跟踪的精度难以满足实际需求。因此,研究一种具有实用性、鲁棒性的目标跟踪方法具有重要的理论意义和应用价值。本文在综述国内外稀疏表示目标跟踪方法文献的基础上,以粒子滤波为跟踪框架,开展了稀疏表示目标跟踪方法和关键技术研究。论文的主要工作和取得的创新性成果如下:1、提出了一种增量子空间学习的稀疏表示目标跟踪方法。稀疏表示目标跟踪方法能够有效地处理目标跟踪时遇到的遮挡问题,通常使用动态模板更新方式来应对跟踪过程中目标表观变化,然而目标模板只通过较短一段时间(最近的几帧)获得,即仅仅是一个短时的目标表观变化记忆过程,容易产生累积误差导致漂移问题。增量子空间学习方法使用低维子空间对目标进行表示,解决了光照和目标姿态变化带来的跟踪问题。本文主要将稀疏表示方法与增量子空间学习方法相结合,通过PCA降维的方法,使用少量基向量作为子空间目标模板,用琐碎模板同时对稀疏表示方法及PCA基向量表示方法所获得的重构误差进行建模。在求解优化问题上,使用了加速近端梯度方法获得表示系数。最后,通过观测似然函数判断目标的最佳位置。观测似然函数由两部分组成:稀疏表示的残差部分和子空间表示的残差部分,通过两者相结合使得似然函数更具鲁棒性。实验结果表明,该方法跟踪表现优于其他对比算法。2、提出了一种增量子空间和概率掩模约束下的目标跟踪方法。稀疏表示目标跟踪方法通过琐碎模板对遮挡部分像素的残差进行建模,然而遮挡不存在时,琐碎模板将会对所有图像残差进行建模,导致模型对目标的识别能力下降。同时,基于稀疏表示的目标跟踪方法多数使用边界框进行采样,即样本的特征从一个边界框中提取。然而边界框内部不仅包含目标信息,也包含很多背景像素,这些背景像素会干扰模型,使模型很难将目标从背景中识别出来。本文提出了增量子空间和概率掩模约束下的目标跟踪方法,并构建了概率掩模。通过概率掩模判断边界框中的目标像素、背景像素和被遮挡的像素,以此对琐碎模板系数进行约束,使琐碎模板只对背景像素以及被遮挡的像素进行建模,消除模型退化问题,从而更为准确地对目标进行表示。实验结果表明,通过概率掩模的约束,提升了算法对于背景混杂问题的处理能力,且在运动模糊、遮挡、尺度变化问题上也取得了很好的跟踪效果。3、提出了一种卷积特征的稀疏表示目标跟踪方法。传统稀疏表示目标跟踪方法通常直接使用图像的灰度信息构建目标模板。但是,图像的灰度信息对目标表观的描述能力有限,难以应对目标表观剧烈改变(旋转、尺度变化、姿态变化)的情况。本文将卷积特征引入到稀疏表示模型中,提出了一种更为鲁棒的稀疏表示模型。卷积特征包含了更为丰富的信息,具有更强的目标表示能力。低层卷积特征包含了更多目标内部细节信息,有助于对目标的精确定位;高层卷积特征包含目标更多的语义信息,这些语义信息对目标表观的巨大变化具有较好的适应性。本文利用不同层卷积特征的不同特性,通过实验选取不同层卷积特征的组合从而更为合理地对目标进行表示。实验结果表明,此模型在目标经历复杂表观变化时,获得了比传统稀疏表示目标跟踪方法更为可靠的跟踪表现。