在线目标追踪是计算机视觉领域的一个重要的分支,它在动作分析、行为识别、视频监控、交通检测等领域都有重要的应用.追踪过程中由于目标本身以及环境因素的变化,目标的外观也会发生变化,这会对追踪效果产生一定的影响.因此,设计一个鲁棒的目标外观模型是目标追踪中的关键问题.本文将在粒子滤波框架下,针对目标外观变化和采样过程中目标信息的冗余问题,基于稀疏表示理论设计基于稀疏联合外观模型的目标追踪算法、基于判别群稀疏表示的目标追踪算法、以及基于特征选择和时间一致性稀疏外观模型的目标追踪算法,提高追踪结果的准确度和鲁棒性.具体内容如下:1.基于稀疏联合外观模型的目标追踪算法.首先,利用目标整体特征信息能更好地区分目标和背景的特性,设计一个称为判别分模型的判别稀疏相似模型;利用目标的局部特征信息能更好地处理目标外观变化的特性,设计一个称为相似度测量模型的稀疏生成模型.其次,联合判别分模型和相似度测量模型,生成一个稀疏联合外观模型,获取每个候选目标的判别分.最后,设计判别分模型中目标模板和相似度测量模型中模板直方图的更新机制.该目标追踪算法同时考虑了目标的整体和局部特征信息,实验表明该追踪算法在追踪结果的准确性和鲁棒性方面有了显著地提高.2.基于判别群稀疏表示的目标追踪算法.在目标模板和候选目标的采样过程中,会存在大量多余的干扰信息,这些干扰信息会导致候选目标的判别特征存在误差.本文针对上述问题提出基于判别群稀疏表示的目标追踪算法.首先,引入群稀疏构建多任务群稀疏表示模型,除了稀疏惩罚项外还引入了群稀疏惩罚项.其次,采用交替方向乘子法(Alternating Direction Method of Multipliers,简称ADMM)求解上述多任务群稀疏表示模型,获取每个候选目标的判别分.最后,设计了目标模板更新机制,提高目标追踪算法的鲁棒性.该目标追踪算法通过群稀疏的引入和ADMM的求解,使得判别稀疏相似图的每一行更加稀疏,去除了候选目标采样过程中的冗余信息,保证每一个候选目标的判别特征更准确,从而提高算法的准确度和鲁棒性.3.基于特征选择和时间一致性稀疏外观模型的目标追踪算法.首先,采集目标的正负模板和候选目标,根据特征选择模型对正负模板和候选目标进行特征选择,去除多余的干扰信息,得到关键的特征信息.其次,利用正负模板和候选目标的特征建立多任务稀疏表示模型,引入时间一致性正则项,促进更多的候选目标与先前帧的追踪结果具有稀疏表示的相似性.然后,求解多任务稀疏表示模型得到判别稀疏相似图,获取每个候选目标的判别分.最后,根据目标追踪结果更新正负模板.该算法通过对目标正负模板和候选目标的特征信息选择,以及在模型中时间一致性正则项的引入,提高了追踪结果的准确度和鲁棒性.