● 摘要
基于视觉图像的目标跟踪是计算机视觉领域的一个核心问题，在军事制导、视频监控、机器人视觉导航、人机交互，以及医疗诊断等许多领域有着广泛的应用前景。
视频目标跟踪的研究目的是模拟人类视觉对运动的感知功能，赋予机器辨识图像中运动目标的能力，为视频分析和理解提供重要的数据依据。由于复杂的跟踪背景和目标本身的运动,视频目标跟踪往往非常困难。尽管提出了许多有效的跟踪方法，但是跟踪复杂环境下的目标仍存在较多围难，对算法的鲁棒性和实时性提出更高的要求。
论文基于稀疏表示理论，研究复杂场景下的目标跟踪问题，论文的主要工作如下：
1) 提出了一种基于稀疏表示的改进目标跟踪算法。通过分析表示系数和表示误差的稀疏性，提出了一种新的稀疏表示模型。然后，通过设计合理的初始值，提高优化效率。最后用APG（Accelerated Proximal Gradient）算法对进行优化求解。在模板更新阶段，引入了结构相似度指数SSIM（Structural SIMilarity Index），减少了错误的更新。仿真结果表明，算法的鲁棒性和实时性有了一定的提高。
2) 提出了一种基于最小绝对值偏差（Least Absolute Deviation）理论的目标跟踪算法。首先，针对目标跟踪中不同的干扰，建立了基于拉普拉斯的干扰模型。传统方法利用高斯分布对干扰进行建模，论文通过大量的跟踪视频序列分析发现遮挡、光照变化等干扰的分布接近拉普拉斯分布，从而对干扰建立了拉普拉斯的干扰模型。然后通过贝叶斯最大后验概率理论推导出我们的新优化模型。最后，采用ADMM（Alternating Direction Method of Multipliers）方法来解新模型下的稀疏解。大量实验表明，相比于其他稀疏表示的跟踪方法，新方法在鲁棒性和实时性方面有很大提升。