视觉追踪是计算机视觉领域中的一个重要研究方向,广泛应用于人机交互、工业机器人、视频监控、智能交通等领域。随着人工智能的发展和视频设备的普及,对视觉追踪的研究变得日益重要。虽然现在视觉追踪技术层出不穷,但视觉追踪任务仍面临着很大挑战,如运动模糊、姿势变化、光照变化、遮挡和背景混淆等,这些挑战使追踪任务变得困难。近年来以稀疏表达理论为基础的视觉追踪算法取得了显著的成果,这类算法使用模板对目标进行建模,假设被追踪的目标能够由模板组成的字典矩阵稀疏表示,并选取重构误差最小的候选样本作为追踪到的结果。这类算法的关键在于如何设计有效的稀疏表达模型和将稀疏表达理论与视觉追踪的先验知识更好地结合起来。本文的具体研究和创新主要是在对稀疏表达模型的研究和视觉追踪先验知识的利用上展开:1.本文提出一种基于迹套索的逆稀疏表达模型。该模型使用从当前帧采样得到的候选样本作为字典矩阵,并使用模板作为表达的目标,有效地减少算法的计算负担,加快算法的追踪速度;该模型使用迹套索作为表达向量的正则,迹套索可以根据候选样本之间的相似关系自适应地选择不同的约束,有效地利用了候选样本字典矩阵的低秩信息,使得稀疏模型能够求解出自适应于候选样本字典矩阵秩数的稀疏表达,使追踪结果更加准确稳定。2.在观察模型中,引入了模板和候选样本之间的先验信息。这些先验信息反映了模板和候选样本之间的相似关系,通过引入这些先验信息,观察模型能够对稀疏表达模型得到的表达矩阵进行修正,有效地减少了追踪失败的情况。