随着计算机计算能力的提高以及计算机视觉技术与人们生活的关系日益密切,计算机视觉的研究获得了越来越多的国内外学者的关注。目标跟踪技术是计算机视觉领域的研究热点之一,其被广泛应用于军事装备中的导引技术、城市安全的视频监控、交通系统中的智能交通以及游戏娱乐中的体感游戏等领域中。虽然目前目标跟踪技术在多个领域都有广泛的应用,大量的算法的提出也使得目标跟踪技术的研究取得了可观的进步,但是由于实际场景中的多种多样的复杂因素,如背景混杂、光照剧烈变化、快速运动与运动模糊以及遮挡等,设计一个鲁棒性好,实时性强的目标跟踪算法仍然是具有重大研究意义。因此,本文基于目标跟踪技术的研究,尝试解决目标跟踪中的一些关键问题,并从目标的表观模型的改进出发,取得了以下几个创新点:1)提出一种基于残差矩阵估计的稀疏表示跟踪算法。目前已有的基于稀疏表示表观模型的跟踪算法,多数采用稀疏表示系数作为目标的表示模型,并且构建的观测模型也只采用表示系数作为各个候选粒子的评估,忽略了表示残差所包含的信息,因此,本文将目标的残差矩阵列向量化为残差向量,并引入稀疏表示模型中,构建了包含残差向量的稀疏表示模型,该模型首先利用L1范数分别约束目标利用字典表示的系数和相应的残差向量,利用L2范数约束表示重构与目标之间的距离。其次为了求解各个候选粒子表示模型中的表示系数与相应的表示残差向量,本文采用一种循环迭代的方法,该方法分别固定两个待求解变量中的一个去求解另一个,从而可以有效求解表示系数与表示残差向量的近似最优解。然后本文利用所求的表示系数与表示残差向量构建各个粒子的观测模型,根据模型评分从候选粒子中选择当前时刻的目标。最后,为了使得算法具有持久稳定的跟踪效果,本文将字典模板与选定目标之间的距离作为模板评分依据,并根据模板的评分分成三种情况选择性的更新字典。实验结果表明,本文提出的基于残差矩阵估计的稀疏表示跟踪算法相比于多个主流算法具有更好的鲁棒性。2)提出一种改进的残差矩阵估计的稀疏表示跟踪算法。基于残差矩阵估计的稀疏表示跟踪算法对于遮挡问题的鲁棒性较低,因此对于某些出现严重遮挡问题的场景不适用,因此,本文在残差矩阵估计的稀疏表示跟踪算法的基础上,对算法的表示模型与观测模型进行改进,使得算法对于遮挡问题的处理能力获得提升。首先,本文仍然采用残差矩阵估计稀疏跟踪算法的优化模型求解各个候选粒子的表示系数与相应的残差向量,当求得每个粒子的残差向量后,本文利用前一帧选定目标的残差向量对当前帧中各个粒子的表示残差向量进行筛选,使得前后帧之间的残差向量在非零元素位置上具有一致性。其次,本文采用各个候选粒子的重构误差与连续两帧之间的表示残差向量间的距离值作为粒子观测模型的构建依据,然后依据模型的评分选出当前时刻的跟踪结果。在字典更新部分,本文采用字典模板中各个模板用于表示所有候选粒子的被使用次数作为评分因素之一,并结合残差矩阵稀疏表示跟踪算法中的字典模板与选定目标间的距离构建各个字典模板最终的评分公式,然后根据评分排序顺序采用四种不同的情况对字典进行更新。实验结果表明,本文提出的改进算法相对于原残差矩阵估计算法对于遮挡问题的处理能力有所提升,并且本文算法与多个主流算法相比,具有更好的鲁棒性。3)提出一种基于PCA子空间的稀疏表示跟踪算法。子空间跟踪算法对于光照、目标姿态等变化鲁棒性较高,然而对遮挡等问题较为敏感。而稀疏表示对于遮挡问题的鲁棒性较高,因此,本文提出一种基于PCA子空间的稀疏表示跟踪算法。首先,该算法在PCA子空间内学习目标的空间表示基向量,并利用空间基向量、空间均值以及表示残差向量构建目标的表示模型,利用L1范数分别约束表示残差向量以及目标相对于空间基向量的表示系数,利用L2范数约束表示重构与目标之间的误差。其次,为了求解表示系数与表示残差向量,该算法采用循环迭代的方法,将复杂的表示模型分解成两步求解,分别为固定表示系数求解表示残差向量与固定表残差向量求解系数,通过这种方式可以有效求解表示系数与表示残差向量的近似最优解。然后在粒子评估步骤,该算法利用各个粒子的重构误差以及相应表示残差向量的L1范数函数值作为粒子评分依据,构建了各个粒子的观测模型。最后,为了保证字典对于目标的自适应,本章算法依据表示残差向量非零元素与预先设定阈值的比较结果确定多种更新情况,从而在跟踪过程中灵活的搜集用于学习子空间正交基的目标数据。待收集一定跟踪帧数的目标数据就通过增量主成分分析的方法学习目标新的子空间基向量与空间均值。实验结果表明,本文算法能够适应跟踪过程中的光照、遮挡、姿态变化以及背景混杂等问题,相比于多个对比算法,本文算法具有更好的鲁棒性。