近年来,目标跟踪在计算机视觉领域扮演着非常重要的角色,同时也是其研究热点。随着目标跟踪技术的不断发展,它在各种各样实际的应用中都发挥着至关重要的作用。因此,各种目标跟踪方法应运而生,主要有基于产生式外观模型的目标跟踪方法,也有基于判别式外观模型的目标跟踪方法,还有将两者结合起来的目标跟踪方法。近几年,稀疏表示对于遮挡等目标跟踪中的难点问题有不错的效果。基于稀疏协作模型的目标跟踪算法就是一个性能及鲁棒性较强的目标跟踪算法,它是在粒子滤波的框架下,应用基于全局模板的稀疏判别式模型以及基于局部直方图的稀疏产生式模型,它综合了两者的长处,在目标跟踪问题上取得了不错的效果。非负稀疏表示就是在对目标进行稀疏表示时上加入非负约束,使得目标的物理意义得以保留。由于目标跟踪过程中得到的数据以及提取的特征都具有一定的非负性,它符合非负稀疏表示的前提,而且在SCM中基于局部直方图的稀疏产生式模型对系数有潜在的非负要求,因此本文第一个工作是将非负约束引入SCM中,提出基于非负稀疏协作模型(N-SCM)的目标跟踪算法。与此同时,考虑到测试样本与训练样本之间往往具有一定的相关性,对稀疏表示的系数加上合理的权重能够取得很好的效果,因此,本文第二个工作是给SCM中的稀疏系数加上相应的权值,提出基于加权稀疏协作模型(W-SCM)的目标跟踪算法。本文第三个工作是给SCM中同时加入非负约束以及权重限制,提出基于非负加权稀疏协作模型(NW-SCM)的目标跟踪算法。本文的研究内容总结如下:(1)为了提高基于稀疏协作模型(SCM)的目标跟踪算法跟踪效果,更好地利用原始数据,将非负约束加入SCM算法中,提出基于非负稀疏协作模型(N-SCM)的目标跟踪算法。N-SCM算法中给出一个迭代更新策略来求解稀疏系数,并且对目标函数的迭代收敛性进行了证明。实验结果表明,N-SCM算法和SCM算法相比性能有明显的提升。(2)考虑到在以往的稀疏表示中,往往忽略了测试样本与训练样本之间的相关性,这使得到的稀疏系数还有提升的空间,因此我们对稀疏协作模型中的系数加权,提出基于加权稀疏协作模型(W-SCM)的目标跟踪算法。W-SCM算法采用一个迭代算法来求解目标函数的全局最优解,并给出其算法合理性的理论证明。实验结果表明,W-SCM算法的跟踪效果较SCM算法有一定得提升。(3)基于稀疏协作模型上加上权重和非负约束分别都能够对算法有一定的提升效果,我们不仅对稀疏系数进行非负限制,同时给稀疏系数加上合适的权重,提出基于非负加权稀疏协作模型(NW-SCM)的目标跟踪算法。NW-SCM算法中利用一个迭代更新策略来求解稀疏系数,并对目标函数的迭代收敛性进行了证明。实验结果表明,NW-SCM算法在部分视频序列上相对于SCM、N-SCM以及W-SCM算法相比性能有一定的提升。