目标跟踪是计算机视觉领域中的一个富有挑战的基础研究课题,在视频监控、智能交通、人机交互、视觉导航、医疗分析等领域有着广泛的应用前景。目标跟踪旨在对视频图像序列的每一帧中目标所呈现的外观和状态变化进行跟踪。在跟踪任务中常常会面临许多技术难题,包括目标遮挡、光照变化、复杂背景、运动模糊、平面内旋转、平面外旋转等,这使得设计一个鲁棒的跟踪算法更具挑战性。本文对目标跟踪的应用领域进行了总结,分析了国内外经典的目标跟踪算法和理论,并对跟踪中面临的问题进行了说明和归纳。在此基础上,对现有的基于稀疏表示的目标跟踪算法进行改进,通过设计有效的外观模型,实现了鲁棒的目标跟踪。本文的主要研究成果概括如下:(1)针对稀疏原型跟踪算法中未考虑正交模板表示系数的密集性而导致跟踪准确度较低的问题,提出了L1-L2范数联合约束的鲁棒目标跟踪算法。首先,该算法建立L1-L2范数联合约束的目标表示模型,在模型优化时对PCA基模板系数实施L2范数正则化约束,保证PCA基模板系数的密集性;对琐碎模板系数进行L1范数正则化约束,保证误差项的稀疏性。然后,运用岭回归和软阈值收缩方法迭代求解PCA基模板系数和琐碎模板系数。最后以粒子滤波为框架,利用目标未被遮挡部分的重建误差和稀疏噪声项建立观测模型,并结合在线模板更新机制实现目标跟踪。实验结果表明,与其它几种经典算法相比,该算法具有较好的跟踪性能。(2)针对低秩稀疏跟踪算法中采用图像块的灰度值特征作为目标模板致使目标外观建模不准确的问题,提出了在线低秩稀疏表示的鲁棒视觉跟踪算法。首先,该算法充分利用PCA基向量对目标外观变化的描述能力并考虑目标遮挡情况,用PCA基向量模板和琐碎模板线性表示目标的观测值。其次提出一种低秩稀疏表示优化模型,对PCA基模板系数进行低秩约束和L1.1范数正则化约束,对琐碎模板系数实施L1.1范数约束,并采用非精确增广拉格朗日乘子方法求解表示系数。然后在粒子滤波框架下,用目标未被遮挡部分的重建误差和稀疏误差项建立观测模型跟踪目标。最后采用遮挡检测更新机制对目标模板进行更新,以克服模型漂移的问题。通过与现有前沿跟踪算法在多个图像序列上的跟踪结果的综合分析,该算法表现出了较好的跟踪准确性和鲁棒性。