目标跟踪是计算机视觉领域的一个研究热点,它在人机交互、智能监控、行为识别、军事制导等领域有着广泛的应用。在实际场景中,由于目标跟踪通常会受到形状变化、遮挡、姿势变化、光照变化等因素的影响,因此设计一种鲁棒的目标跟踪算法仍是具有挑战性的任务。在目标跟踪算法设计过程中有两个问题值得关注:如何建模目标表观特征以及如何从候选样本集中选取匹配被跟踪的目标。为解决这两个问题,本文重点研究了基于判别度量学习的跟踪技术,主要包括以下内容:1.提出了一种偏差判别成分分析的目标跟踪方法。针对单一特征难以适应变化场景的问题,构建多特征目标表观模型,该模型融合了颜色、纹理和方向特征,保持了旋转和平移不变性。利用改进的偏差判别成分分析算法学习距离度量矩阵,将原目标特征空间线性映射到新的空间中。在新的度量空间中,通过匹配候选区域与模板库中的模板,可以更好的定位目标位置。此外,为减小搜索范围,用mean shift算法预估当前目标位置,并在预估位置周围采集候选样本。实验结果表明,提出的基于偏差判别成分分析的目标跟踪方法可以有效应对目标表观的变化,并且能够在目标旋转、姿势变化以及遮挡等复杂场景下实现鲁棒的跟踪。2.提出了基于在线判别度量学习的目标表观模型融合表示方法。该方法融合了判别式全局表观模型和生成式局部表观模型。首先,基于二维离散余弦变换提取目标颜色和纹理的低频系数形成紧凑的全局目标表示。然后,以全局目标表示为基础,通过在线判别度量分类器在新的映射空间中将目标从背景中区分出来。判别式表观模型中的分类器以在线形式更新,能够较好地适应目标表观变化。针对判别模型在区分目标局部空间结构方面表现不佳的缺点,构建一个生成式局部表观模型,该模型对SIFT点的表观特征和空间几何特征进行编码,并保持了目标表观的局部结构一致性。为了提高目标跟踪的精确性,采用不同的更新策略在线更新目标全局和局部表观模板。最后,在贝叶斯推理框架下,融合判别式表观模型和生成式表观模型,有效地提高了目标跟踪的鲁棒性。3.提出了基于结构性稀疏表示半监督学习和边缘检测的目标跟踪方法。在局部图像块的聚类字典基础上,利用稀疏表示的局部和全局信息构造多层稀疏编码,同时考虑了局部子块之间的空间关系,形成目标的结构化稀疏表示。为充分利用无标签样本的信息,利用拉普拉斯正则化平方半监督方法学习度量分类器,保持了样本的空间分布一致性。此外,我们增加一个辅助正标签样本集来改善度量分类器的判别性能。为缓解跟踪漂移问题,利用基于边缘特征直方图的边缘检测建议调节半监督跟踪结果。通过选择正负样本和辅助样本更新分类器,并借助于边缘特征模板的在线更新,本方法可以很好地适应目标表观变化。实验结果表明,与几种最新跟踪方法相比,所提出的方法能够得到更优的跟踪结果。