目标跟踪是计算机视觉领域中一个重要而富有挑战性的研究课题,它涉及到图像处理、模式识别、人工智能、计算机技术等诸多方面。伴随着计算机技术和自动传感器技术的快速发展,目标跟踪技术在行为分析、视频监控、人机交互、机器人视觉导航、医疗诊断、军事制导等许多方面有着较为广泛的应用前景。目标跟踪的主要任务是使得计算机模拟人类视觉感知功能,并赋予计算机能从复杂场景中识别并检测出运动目标的能力。尽管相关目标跟踪算法的研究已经取得了很大进展,但是由于多种挑战因素(包括:光照变化、姿态变化、尺度、遮挡、旋转、运动模糊、背景杂乱)的干扰,设计一个满足鲁棒性、实时性、精确稳健的目标跟踪算法来完成实际中的跟踪任务,仍然面临非常巨大的挑战。针对以上存在的问题,对经典的跟踪算法进行深入研究与分析,并分析各种算法存在的缺陷和不足,在此基础上提出了一系列的目标跟踪改进算法,有效地提高了目标跟踪的准确性和鲁棒性。本文的主要研究内容和创新点如下总结如下:1、基于生成模型的目标跟踪算法总是需要建立一个有效的目标外观模型并设计一个稳健的搜索机制,由于复杂场景中目标外观变化、部分遮挡等因素,给目标跟踪带来挑战。为了避免设计一个不鲁棒的搜索机制,同时受到流形排序算法在图像检索领域中成功应用的启发,提出一种基于流形排序算法的目标跟踪方法。已经跟踪的结果作为标定节点而候选样本未标定节点,把跟踪看成是一个排序问题,通过流形排序算法求解候选样本与目标模型之间相关性,其中排序得分值最高的候选样本就是目标的跟踪结果。降低图模型的时间复杂度,采用高效的流形排序算法来建立图模型。同时为了快速有效地提取目标特征,采用一个稀疏的随机矩阵将高维特征投影到低维空间中,提取的压缩特征用来描述目标纹理信息。此外,通过构造一个支撑集来增加空间背景信息,空间背景用于描述目标与背景之间的空间布局关系,使得跟踪算法对于复杂背景和遮挡更加鲁棒。在多个视频上的实验结果表明了该算法的有效性和鲁棒性。2、提出一种基于加权子空间重构误差的鲁棒目标跟踪算法。该方法定义可区分权值来增强跟踪算法的可区分性。可区分权值使得基于正样本的重构误差最小,而最大化基于负样本的重构误差。基于子空间重构误差,本文设计一个简单高效的似然函数融合可区分权值与子空间重构误差。该似然函数不仅可以有效地从复杂背景中区分目标,而且能有效地描述目标的外观变化。此外,为了避免不适当的更新所引起的目标模型退化和跟踪漂移现象,本文还设计一种基于前后向跟踪的性能评价机制来判断是否更新子空间模型。实验结果及分析展示了提出算法的准确性和有效性。3、提出了基于时空联合优化模型的目标跟踪算法。在目标跟踪过程中,跟踪目标应该很好的被目标纹理模型线性表示,而目标与其邻域背景应该满足一定的约束关系,所以时间和空间信息对于目标跟踪来说都至关重要。通过子空间方法建立目标的时间纹理模型,该模型能有效地描述目标在连续帧上的外观变化。同时采用稀疏表示建立目标的空间约束模型去捕获目标与其背景间的空间布局关系。考虑求解l1-RLS最小化问题需要较大计算复杂度,以及考虑输入向量与字典基向量间距离关系,本文提出了 K近邻局部平滑算法(K-nearest Local Smooth Algorithm,KLSA)来建立空间约束模型。在基于KLSA的空间约束模型中,本文采用加速近端梯度法(Accelerated Proximal Gradient,APG)快速的获得了空间模型中的表示系数。提出的联合优化模型能充分利用时间和空间模型的优势,迭代求解候选粒子对于最优状态估计的权重,并基于粒子滤波框架得到目标跟踪结果。此外,本文还设计了一种合理的模型更新机制来提高算法的鲁棒性。实验结果表明了该算法与其它前沿跟踪算法相比具有更好的鲁棒性。4、提出一种基于图正则化和局部约束编码的目标跟踪新算法。在提出的算法中,局部约束编码能确保距离字典中基向量较近的样本有较大的表示系数;引入流形学习中的图正则化约束,使得一些相似样本有较相近的表示系数,同时添加拉普拉斯平滑项能有效地捕获数据潜在的流形结构。基于图正则化的局部约束编码算法,本文通过迭代方式学习一个更加鲁棒的表示字典,使得表示字典能更有效描述目标外观变化特性。在获得表示字典后,本文设计一个高效的基于表示字典重构误差的似然观测函数。此外,提出一种快速候选样本选择机制,在粒子滤波框架下先随机选择可能多的候选样本,然后通过该机制选择较少的候选样本来降低时间复杂度。在不同的挑战视频上的实验结果表明了该算法的有效性。