目标跟踪是计算机视觉和模式识别领域当前的研究热点问题之一,并且在诸如智能导航、自动监控、军事防御、人机交互等方面有着广泛的实际应用。虽然目标跟踪经过几十年的发展已经有了很大的进步,但仍然无法彻底解决遮挡、旋转、姿态变化和光照变化等因目标内外因素复杂变化下的目标跟踪问题。基于生成模型的在线目标跟踪算法,因其可以根据目标的外观变化对跟踪器进行自适应地调整和更新,具有较为稳定的跟踪潜能,近年来引起研究人员广泛关注。本文针对生成模型的在线目标跟踪算法进行研究,利用图像的非负和稀疏特性,将稀疏表示和非负矩阵分解引入到生成模型的动态目标表示与更新中,并将其应用于复杂背景下的目标跟踪。本文主要研究工作:1、本文提出一种联合模板先验概率和稀疏表示的目标跟踪算法。在基于L1稀疏表示的跟踪算法中,早期表现优秀的目标模板在跟踪过程中容易被替换或者删除。为解决这一问题,本文提出关键模板概念,通过累计选择的方法选取高概率模板作为关键模板,为了发挥关键模板在后续跟踪过程中的作用,本文提出一种新的模板更新策略,将模板的重要度指标引入到正则化模型中来进一步体现关键模板对候选目标进行判别。使用加速近端梯度法求解上述正则化模型,提高算法的实时性。在不同视频数据集上的跟踪实验结果表明,本文提出的算法具有处理复杂场景的能力,特别是在遇到相似物遮挡的场景下,本文算法能有效地跟踪目标。2、本文提出一种采用平滑和稀疏双约束的增量映射非负矩阵分解目标跟踪算法。首先增量地学习一个基于局部结构的子空间来表示目标对象,添加稀疏约束提高算法处理遮挡的能力,添加时间平滑约束反映帧间目标运动位置的时空缓变特性。利用乘性迭代更新法则进行求解,减少算法的计算量。此外,本文考虑编码系数的稀疏性,提出一种新的观测似然函数。实验结果表明,在各种含有遮挡和尺度变化的视频中,该方法可以稳定地进行目标跟踪。