目标追踪技术是计算机视觉技术的重要研究课题,已经广泛应用于视频检索、车辆导航、军事等各个方面。目标追踪,就是对视频序列中的既定目标进行提取、识别,从而获得目标的位置、速度等信息。近些年来,目标追踪技术得到了快速的发展,但在实际运用时,受到光照变化、旋转、遮挡等因素的影响,目标外观在追踪过程中常常会发生变化,使得追踪算法在准确性和鲁棒性等方面仍面临很大的挑战。稀疏表示是近年来信号处理领域发展起来的新方法,逐渐被应用到视觉追踪领域,特别是2004年压缩感知理论的提出,更加扩大了稀疏表示在视觉追踪领域的应用。其在异常干扰抑制方面具有良好的性能,使得其在抗遮挡(戴眼镜、帽子、口罩等面部遮挡)目标追踪方面具有独特优势,已成为实现鲁棒目标追踪的重要工具。本文提出一种改进的基于硬阈值追踪(Hard Threshold Tracking,HTP)稀疏表示的目标追踪方法。目前,已有的稀疏表示方法在鲁棒目标追踪中存在计算速度慢、存储量大等缺陷。硬阈值追踪是一种快速稀疏表示方法,能够在较少次数的迭代下达到收敛,并且具有重构精度高、鲁棒性好等优势。为克服已有的基于稀疏表示的目标追踪方法的不足,本文将迭代硬阈值追踪算法应用于稀疏表示协作模型中,该算法有效提升了协作模型的鲁棒性,并且使得跟踪更加快速。文本提出一种基于HTP稀疏表示的协作模型。该模型是一种综合考虑目标整体和局部表示的鲁棒外观模型,主要由基于稀疏表示的判别分类器和基于稀疏表示的生成模型构成。在稀疏表示判别分类器中,首先根据初始帧的前景和背景信息,利用基于稀疏表示的特征选择方法生成具有高判别性特征的正负模板基。对于每个候选目标,分别计算其与正负模板的重构误差大小,使得在计算置信度时前景图像相对背景图像能够分配到更大的权重,从而能更好的将前景目标从背景中分离出来。在稀疏表示生成模型中,为应对遮挡,旋转等问题,对图像的局部信息进行加以考虑,并以此为基础对前景目标进行直方图建模。并且分析了追踪算法中的模板更新算法,方案中将判别分类器和生成模型独立的进行更新,并将最新的观测结果与初始模板相结合,使得追踪器能够有效地处理跟踪过程中目标外观的变化和减缓漂移问题。