视觉跟踪是计算机视觉和人工智能领域的重要研究课题之一。它是进行基于语义的视频分析的必要前提,也为基于内容的视频处理提供了基础。在视觉跟踪中,如何有效地表征感兴趣目标,同时准确地排除视频环境中的干扰因素,是视觉跟踪中的关键问题。本文在研究传统目标跟踪方法的基础上,针对目标外观的建模问题,在贝叶斯推理的动态系统框架内引入张量子空间学习和增量学习等方法研究视觉跟踪问题。主要研究内容包括:(1)提出一种增量式张量子空间学习的目标跟踪算法。首先初始化感兴趣目标外观的张量子空间,保留了图像中目标外观的结构信息;然后利用贝叶斯推理获得目标外观状态参数的最优估计;最后根据最优估计的目标外观,采用增量式的学习方式对目标外观张量子空间进行在线更新。实验结果表明,所提出的方法在目标姿态变化、受到短时遮挡、以及光照变化的情况下能够实现鲁棒可靠的跟踪结果。(2)提出了一种加权的Retinex亮度增强的目标跟踪算法。首先构建了一种加权的Retinex亮度增强的目标描述,以减小传统张量表达对亮度的敏感性;然后针对三阶的目标张量模型构建可在线更新的外观子空间;最后根据目标的观测模型对视频中的目标外观的状态进行预测估计。由于同时保留了原始视频信息和增强后图像信息,所提出的方法在光照剧变以及光照不均匀的跟踪环境中取得了稳定的结果。(3)提出了一种有偏判别式的目标跟踪算法。首先将传统的线性判别及有偏判别方法扩展到张量式的数据形式;然后提出了一种有偏判别张量子空间的在线学习方法;最后,基于目标跟踪可看作在线分类问题的认识,将基于有偏判别的在线学习方法纳入粒子滤波的跟踪框架,从而获得了目标的最优运动参数。实验结果表明,所提出的方法对于背景复杂、姿态变化大、尺度变化等因素的干扰,仍然可以获得较好的跟踪结果。(4)提出了一种成对约束判别的目标跟踪算法。该算法充分考虑了视频跟踪中目标和背景的相对变化速度,首先提出了构建目标-背景的数据对,将传统算法中只关注目标的处理方式推广到了既关注目标又关注背景,使得跟踪的感兴趣区域可以充分兼顾目标及背景的变化;然后,对于目标外观模型的在线学习引入了模型的一致性和连续性约束,使得目标外观更新的速率保持平稳的变化,而不易引入由于外观剧烈变化带来的野值点;最后基于提出的约束条件,提出了一种成对约束的目标观测模型,并以此对目标运动参数进行预测和估计。实验结果表明,所提出的方法对于姿态变化、背景复杂的情况,可以获得长时稳定的跟踪效果。综上所述,本文将张量子空间和增量学习等方法引入视觉跟踪中,对视频序列中运动目标的建模领域进行了有益的探索,所提出的方法能够有效地应对目标有遮挡、背景复杂、光照变化剧烈等因素的影响,为运动目标的有效可靠跟踪问题的研究提供了新思路。