视觉目标跟踪是计算机视觉核心组成,有着广泛的应用前景,如无人自动驾驶、安全监控系统、基于视觉的智能交通等等。虽然这个领域已经被研究了很多年,也取得了不少进展,但因为在跟踪过程中兴趣目标会经历姿态变化,光照变化,背景嘈杂,遮挡,运动模糊等干扰,导致跟踪目标的外观模型发生显著变化,此时跟踪器如果不能适应以上变化,将造成跟踪失败。而稀疏表示因能够很好的应对噪声的影响并可以很好地对目标进行外观建模,近年来被应用于运动目标跟踪领域。现有局部稀疏模型方法的主要有三个不足之处:1)目标局部分块后,没有考虑不同局部块对甄别目标贡献的大小,导致缺乏判别力;2)构建目标外观模型时没有考虑时间上下文的约束作用;3)主成分与稀疏表示相结合的模板更新会丢失部分重要信息,且不够自适应。针对以上三个问题,本文设计了一种基于权重的局部稀疏表示的外观模型,然后在此基础上建立了一种目标帧间相似度作为目标的时间上下文约束关系,并基于改进的模板更新方法,构建了一种局部稀疏表示的自适应目标跟踪算法。论文具体工作如下:(1)针对现有局部稀疏模型使用简单分块来对目标外形建模的不足,本文设计了一种基于权重的局部稀疏表示的外观模型。该方法首先对目标进行局部分块,然后对局部块进行权重计算,寻找表现比较一致和稳定的局部图像块并赋予更高的权重,最后通过齐汇聚操作获得目标的最终外观模型的特征表示。在2 015 P A MI benchmark数据集上的测试表明,通过权重操作后,跟踪算法可以更好地抑制遮挡、运动模型等噪声对跟踪器性能的影响。(2)在权重的局部稀疏表示的外观模型基础上,本文构建了一种目标帧间相似度作为目标的时间上下文约束,权重信息和时间信息二者共同作用促进目标表达更加准确。此外目前增量子空间学习与稀疏表示结合的模板更新方法会丢失部分信息,且是固定帧地更新目标外观模型。本文改进其方法,在模板更新时,稀疏表示只对噪声进行稀疏约束而不对PCA的特征基向量矩阵进行稀疏限制,从而确保可以把所有的主成分用于重构目标并移除噪声的影响。最后通过公共的目标跟踪评价标准,验证了本文所设计出的运动目标跟踪算法在应对目标局部遮挡、姿态变化、运动模糊和目标尺寸变化等复杂场景下具有较大优势。