目标跟踪是计算机视觉领域重要的研究方向之一,目标跟踪技术已在视频监控、人机交互、视觉导航等领域取得了广泛应用。目标跟踪技术发展到现在,大量学者对其进行不断研究并提出了许多优秀的跟踪算法。但是,如何有效地解决目标跟踪过程中由于遮挡、光照变化、背景混乱等复杂性因素引起的目标外观变化仍然需要进行进一步的研究。本文在基于稀疏表示跟踪方法的基础上进行研究的,针对基于稀疏表示跟踪方法存在的计算复杂度高以及目标表示准确性差的不足进行改进。论文的主要研究工作和创新性体现在以下几个方面:针对基于稀疏表示跟踪方法存在的计算复杂度高以及目标表示准确性不高的问题,提出联合反稀疏表示与时空上下文的目标跟踪方法。由于候选目标是由粒子滤波的方法通过随机采样生成的,使得一些候选目标与目标模板或者前一帧图像跟踪结果的相似性较低,进而影响跟踪结果的准确性。因此,这里使用时空上下文的方法对候选目标进行优化选择以提高候选目标表示目标模板的准确性。最后根据选择出的候选目标和目标模板通过反稀疏表示的方法进行稀疏系数的求解,并根据计算出的稀疏系数找出最优的候选作为跟踪结果。针对基于反稀疏表示跟踪方法没有利用候选目标之间相似性的不足,提出基于组稀疏模型的目标跟踪方法。由于利用粒子滤波方法生成的候选目标之间存在着一定程度的相似性,为了利用候选目标之间的相似性,使用K-means聚类方法对候选目标根据相似性进行聚类,并将聚类后得到的具有组结构的候选目标作为字典来表示目标模板。最后通过求解组稀疏系数,并从组结构的候选目标中选择最相似的一组或多组候选目标,进而选出最相似的候选目标作为跟踪结果。