目标跟踪是计算机视觉研究领域的一个热门研究方向,并被广泛应用于多个领域,比如智能导航、视频安全监控以及武器制造等。近几年,随着稀疏表示在信号处理领域的成功应用,许多学者将稀疏表示也应用到目标跟踪中来,这种结合稀疏表示的目标跟踪方法在应对光照和遮挡时,仍然能保持很好的鲁棒性。然而,传统的基于稀疏表示的目标跟踪算法并不是在所有条件下都能成立。因此,针对这种情况,本文对稀疏表示进行深入研究,旨在解决当前目标跟踪中存在的问题和提高目标跟踪算法在复杂场景下的实时性和鲁棒性。本文的主要研究内容有以下几点:1、对压缩感知理论进行深入研究,其中包括稀疏表示、稀疏分解和字典构造三部分。针对稀疏分解算法中稀疏度未知的情况,提出一种稀疏度自适应重构算法。该方法将稀疏自适应的思想引入分段正交匹配跟踪算法中,确保了分段正交匹配跟踪算法在稀疏度未知情况下,仍能对图像进行精确重构。2、在研究稀疏表示理论的基础上研究一种基于Gabor特征字典构造方法。针对光照变化目标姿态变化问题,通过对目标模板采用Gabor函数进行特征提取,提出一种基于Gabor字典稀疏表示的目标跟踪算法。该方法通过初始帧中的目标模板建立Gabor特征字典,然后在跟踪过程中通过Gabor字典对候选目标进行稀疏表示。3、在粒子滤波跟踪算法的框架下,研究一种基于稀疏表示的粒子滤波跟踪算法。针对目标跟踪中的遮挡问题,提出一种基于稀疏学习的目标跟踪算法,该方法在传统L1跟踪器的基础上,引入了遮挡稀疏学习,通过充分利用遮挡的先验信息对遮挡进行学习,从而确保了在遮挡不稀疏的情况下,仍能够对目标进行快速重构。为了验证提出算法的有效性,将算法在网络下载的数据集上进行了测试,其中采用稀疏表示描述跟踪目标,构造基于Gabor特征的目标模板和遮挡模板。在粒子滤波框架下跟踪目标,根据稀疏表示系数进行遮挡判断,存在遮挡则对遮挡进行稀疏学习。实验表明,该算法能够有效地跟踪大面积遮挡情况下的运动目标,并对光照变化和姿态变化有较好的鲁棒性。