视觉目标跟踪是计算机视觉中的热点研究领域,在学术研究和实际应用上有着重要价值及意义。视觉目标跟踪主要是通过处理视频序列,实时获取目标的速度、位置、旋转角等运动信息并锁定住目标的运动轨迹的过程。跟踪目标的不确定性、目标运动的无规律性和跟踪环境的复杂性,给目标的稳健跟踪带来诸多挑战。在视觉目标跟踪系统中,最为关键的就是目标描述和目标状态估计两部分。本文也主要针对这两大模块进行了研究,主要研究工作如下:1.研究了目标描述方法,尤其是基于稀疏表示的目标描述。基于稀疏表示的目标描述方法理论,提出了基于两步稀疏表示的目标描述方法。使用目标的全局图像和局部图像共同构建稀疏表示字典,全局稀疏表示描述了目标外观的整体信息,局部稀疏表示描述了目标外观的局部信息和空间信息。结合两步稀疏表示系数,针对系数意义,按其空间位置信息加权计算目标的全局描述重要性参数和局部描述的特征向量,最后得到目标观测概率模型。2.研究了在线学习的模板更新方法,尤其是基于SKL(Sequential Karhunen-Loeve,SKL)和稀疏表示模板更新策略,并提出了一定的改进。采用基于二次函数的累加概率序列表示改变模板集更新概率,保证模板信息的实时性和多样性;结合目标特征向量的空间信息对目标遮挡进行判断和处理。3.研究了目标跟踪算法框架,针对大量粒子计算复杂度高的问题,结合目标全局描述的重要性参数对粒子进行筛选,以提高系统效率。实验中与多种跟踪器进行对比,对多个具有各种挑战性的视频序列进行跟踪,证明了提出的跟踪算法是鲁棒的。