目标跟踪是计算机视觉的一项重要研究内容,在制导、交通等领域的应用日益广泛。近几年,基于稀疏编码的跟踪算法是跟踪领域的研究热点,其重要步骤包括稀疏字典构成、稀疏表示系数的求解与分析等。稀疏系数及其分布可以体现图像对象的重要信息,通过高维空间表示目标的特性可以暴露很多隐藏特征,从而降低周围复杂环境对目标表示的影响。通过分析现有的基于稀疏字典的目标跟踪算法,可将其分为两类:一类是离线学习构造目标模型,虽然包含丰富的目标信息,但由于其庞大的基数量,无法实时训练稀疏系数与更新稀疏字典,若应用到目标跟踪算法无法达到实时;另一类方法是通过对首帧获得的目标图像进行各种仿射变换,获得不同的模板基,在这些基组成的空间获得目标的整体特性即全局特征,这种表示方法虽可以达到实时,但是用全局特征表示目标,所包含无用信息较多,无法表示目标的局部隐藏信息,在目标及周围环境变化复杂时,不能有效表示目标。为了利用有限的首帧目标信息快速有效地表示目标且区分前景与背景,本文结合目标本身分区域的结构特性,即目标边缘区域主要是边缘轮廓特征,中央区域主要包含尺度、旋转、亮度不变等特征。对目标的边缘区域分块提取HOG特征向量,中央区域分块提取SIFT算子,构成分区域分块多特征稀疏字典,用两种分块的局部特征算子联合稀疏表示目标。同时,在构造稀疏字典时适当加入背景的向量基,有效增加稀疏字典的判别性。使用L1和L2混合范数有效表示待选目标在本文提出的稀疏字典的稀疏性,利用加速近邻梯度法APG算法快速求解待选目标的稀疏性。为了有效更新模板库与再捕获丢失目标,本文结合提出的分区域分块多特征构造稀疏字典的方法,根据候选目标各分块之间重构误差的差异性判断目标是否被遮挡来决定是否更新模板。当目标被全部遮挡时,为了防止误差积累,提出一种基于由粗到精采样方式的目标丢失再捕获方法,可以防止目标跟踪过程中的漂移、丢失等问题。通过实验证明及算法评价,本文提出的基于分区域分块多特征稀疏字典目标表示方法,能够充分利用目标的已知有效信息,在复杂环境及目标变化快时有效地实时表示目标。本文结合目标表示方法提出的模板库更新原则和目标丢失再捕获方法能够有效地更新目标的模板库,重新捕获丢失目标,解决了目标跟踪过程中发生的漂移、丢失等问题,并且相对于其它的基于稀疏编码的目标跟踪算法耗时更短。