随着计算机的快速发展,人们更多的希望计算机能够完成人类视觉信息的处理。随后便产生了一门新的学科,即计算机视觉。目标跟踪技术属于计算机视觉的一个分支。目标跟踪技术可应用于安全监控、智能交通等多个领域。本文主要研究了图像序列中的目标物体跟踪算法。在线目标跟踪是一个具有挑战性的问题。这种挑战性主要来源于物体表面变化时,需要建立一个有效的物体外在表示模型。引起物体表面变化的内在原因和外在原因分别是:运动目标姿态的多样性、周围背景光线的变化、背景物体的遮挡以及运动造成的模糊等。鉴于以上因素,使得建立有效的跟踪模型具有重要意义。跟踪算法模型主要包括运动模型和观测模型。目标跟踪算法中的运动模型主要完成对运动物体状态的预测,其中,预测的基础是前一帧或几帧图像。观测模型主要包括对目标物体的外在描述。对物体的外在描述要求做到既要完整地描述目标物体特征,又要减少跟踪计算的时间,并且能够在跟踪过程中对模型进行更新。本文提出的第一种跟踪算法是:稀疏原型的在线目标跟踪算法。主要包括三部分:(1)目标表示部分。目标的表示部分综合1?规则化和主成分分析(PCA)重建。(2)目标跟踪部分。目标在跟踪过程中,对稀疏原型不断在线更新。(3)防止跟踪漂移。在模型建立过程中,考虑遮挡和运动模糊两个因素。另外,本文设计出另一种高效的跟踪算法,算法观测模型中的特征提取,采用的是压缩感知的方法。在压缩域中,利用从图像提取的主要特征,从而建立观测模型,此模型能够更好得表示要跟踪的目标。主要完成如下工作:根据稀疏感知理论,通过满足RIP条件的非常稀疏的测量矩阵,实现对原图像特征空间做投影,从而得到一个低维压缩子空间。低维压缩子空间可以很好地保留高维图像特征空间的信息。通过稀疏测量矩阵去提取前景目标和背景的特征,以此作为在线学习更新分类器的正样本和负样本,然后使用朴素贝叶斯分类器去分类下一帧图像。最后更新分类器参数和输出目标跟踪位置。最后,本文在算法的评估方面引进了两个评估标准:重叠率和中心位置误差率。通过与其它算法在重叠率和中心位置误差率方面的对比,本文算法具有较高的重叠率和较低的中心位置误差率。实验表明,本文算法在实现运动目标跟踪上具有较强的鲁棒性。