目标追踪是计算机视觉的一个重要分支,它被广泛应用于视频监控、机器人、人机交互、交通追踪等领域,因而越来越受到人们的重视。由于目标受形变、旋转、遮挡、光照等众多因素的影响,稳定精准的追踪到目标仍然是一个极具挑战性的任务。在本文中,我们提出了基于粒子滤波自适应稀疏追踪方法来提高追踪算法的鲁棒性,同时采用APG(Accelerated Proximal Gradient)算法来降低计算开销。稀疏表示由于其对图像干扰特别是部分遮挡的不敏感性而被成功应用于目标追踪。这些追踪方法旨在用模板来稀疏地表示目标,通过解l1最小化问题来寻找具有最大似然的区域并计算重建误差。然而传统的方法把所有目标模板等同地看待而不考虑他们与被追踪的的结果之间的相似性。事实上,与追踪结果越相似的目标应该被赋予更高的权值,因而,自适应加权的模型能更精确的表示目标。帧与帧之间的运动估计是追踪系统的另一个重要部分。粒子滤波是用来估计动态系统状态变量的后验分布的序贯重要性采样技术,它能在不知道确切的观测概率的情况下估计和传播后验概率,因而被成功引进到目标追踪领域。在公共数据集上的实验表明了我们的方法比目前常用的方法的结果更好。