视频运动目标的跟踪研究是人工智能的研究范畴,而工件运动视频的跟踪是工厂企业自动化运行中实行监控的必要手段。目前研究者针对不同的跟踪环境提出了很多跟踪算法,这些算法的提出推动着跟踪技术的发展。但是如何在较差的环境中有效的对光照、遮挡、姿态变化的工件进行跟踪仍需要进一步研究。本文在工件视觉跟踪前对工件进行去噪和分割,针对去噪、分割和跟踪过程中存在的某些不足进行改进,论文的主要研究内容和创新点如下:(1)针对视觉测量中给光好坏会直接影响工件检测精度和效率的问题,提出了一种基于联合稀疏变换学习对不同光源下工件图像去噪的方法。该方法首先从噪声图像中提取噪声图像块,通过稀疏编码和稀疏变换更新交替运算对噪声图像块进行内部聚类变换学习;然后计算每个噪声图像块中聚类信号的稀疏水平,并选择最小稀疏水平作为该去噪块的稀疏水平;最后对去噪块进行聚类并用最后一次迭代去噪块的均值估计去噪图像。实验结果表明,提出的方法对不同光源下工件图像的去噪效果和计算速度均优于其他算法,具有较好的去噪性能。(2)针对工件图像分割中存在分割效果较差的问题,提出了一种基于HSV颜色空间k-means聚类的工件分割方法。该方法将工件图像的RGB颜色空间转换到HSV颜色空间;再在HSV颜色空间对各通道的像素进行k-means聚类,将颜色相近的像素点聚集为同一类达到工件图像分割的效果。实验结果表明,提出的方法对彩色工件图像的分割效果优于传统分割方法。(3)针对工件跟踪过程中存在姿态变化、遮挡等问题,提出了一种基于联合反稀疏模型和时空上下文的跟踪方法。该方法首先用粒子滤波对工件视频帧进行采样得到候选目标,然后将此候选目标用时空上下文进行筛选和优化得到新的候选目标作为字典;最后用反稀疏模型计算稀疏系数,最佳稀疏系数对应的候选目标即为跟踪结果。实验结果表明,提出的方法有较好的跟踪性能。图19幅,表7个,参考文献67篇。