视觉目标跟踪是当前计算机视觉领域的主要研究内容与技术之一,在智能视频监控系统、人机交互系统、视频检索系统、视频压缩技术以及军事应用领域都有着重要的作用。然而,在实际应用中受到各种干扰因素影响,如遮挡、光照变化、背景杂乱以及尺寸、姿态等,实现有效的视觉目标跟踪并不容易。为此,本文将稀疏表示理论融合到粒子滤波框架中,利用正例图像块投票以及多任务学习理论,以提高跟踪方法应对干扰因素影响时的稳定性。具体工作如下:(1)阐述了基于稀疏表示目标跟踪的国内外研究现状,整理归纳了当前视觉目标跟踪任务中存在的问题,通过对各种标准的具有挑战性的数据集进行跟踪实验,分析了 L1跟踪算法的优势和局限性;(2)将多任务学习引入到视觉目标跟踪领域,并假设仅仅需要很少并且相同的字典模板对采样粒子进行稀疏表示,对单个粒子的稀疏表示视为一个单独的任务,通过引入lp,q混合范数实现粒子间的联合稀疏表示,共享所有粒子的学习过程,最终通过加速近端梯度法(Accelerated Proximal Gradient,APG)算法实现稀疏解的快速收敛,跟踪结果表明该算法在背景杂乱、遮挡以及光照变化等场景依然能取得较为稳定的跟踪结果;(3)针对L1跟踪算法仅仅考虑了模板的整体信息,当场景中跟踪目标与背景外观相似时,易导致跟踪漂移的问题,提出一种基于正例图像块投票的目标跟踪算法。通过分析正例图像块,建立图像块的置信函数以及图像的相似性函数,挖掘出其中的正例,结合所有正例权重投票得出跟踪目标的最优位置。实验结果表明,该方法能够在解决遮挡、光照变化和快速运动等问题的同时,稳定可靠地实现背景杂乱序列的鲁棒跟踪。