1.基于L0正则化的局部稀疏表示目标跟踪方法，其特征在于，包括下列步骤：步骤一、读入第一帧图像Image1及跟踪目标初始矩形位置；

步骤二、根据第一帧的位置，在粒子滤波框架下采用最近邻算法获得前m帧的目标矩形位置，每帧目标矩形位置构成一个模板Ti,前m帧的目标矩形位置构成模板集T＝[T1,T2,…,Tm]；

步骤三、对于每个模板Ti，设Ti的大小为W×H，在Ti中按照采样距离为 重叠采样N个局部图像块，每个采样的图像块大小为 这些模板中的局部图像块拼接起来并组成一个字典D＝[p1,p2,……p(m×N)]∈Rd×m×N，其中d为局部图像块pi向量化表示后的向量维数，m为模板的数量，N为每个模板中重叠采样的局部图像块的个数；

步骤四、读入下一帧图像Imaget，在前一帧的目标位置处采用粒子滤波框架下随机游走的方式采样得到k个候选样本[Y1,Y2,…,Yk]，其中，t＞m；

步骤五、对每一个候选样本Yv，k是候选样本的数量，重叠采样N个局部图像块，并用Yv＝[y1,y2,…,yN]∈Rd×N表示，其中d为局部图像块向量化表示后的向量维数，N为局部图像块数，对每一个候选样本Yv的局部图像块yi构建目标函数，并对重构样本与观测样本图像块的残差ei∈Rd×1进行拉普拉斯建模||ei||1，建立琐碎模板，以容纳目标跟踪中受到的离群子干扰；针对目标系数 利用L0范数正则化目标系数||ci||0，以在重构样本时，更好的消除冗余特征的干扰，提出了本方法的目标函数：其中，yi为候选样本Yv的局部图像块，D

为由m个模板局部重叠采样组成的字典，初始化时为ei∈Rd×1的零向量；α和β是正则化参数，其中，v＝1,2,...,k，i＝1,2,...,N；

步骤六、基于迭代加速近邻梯度APG算法，对目标函数进行最小化计算，获得收敛的残差 和 对所有N个局部图像块yi∈Yv进行同样处理，最终获得最优目标系数其中步骤七、向量 描述了Yv的局部图像块yi在字典D＝[p1,p2,……p(m×N)]∈Rd×m×N中的稀疏编码方式，字典D由m个模板分别抽取的N个局部图像块共同构成；因此根据模板数量，将划分成m段，得到 其中 表示目标候选图像Yv中第i个局部图像块的稀疏编码系数向量 中与第j个模板相对应的那段，并对每一段进行加权求和得到更加鲁棒的稀疏向量zi， 表示第i个局部图像块的加权编码，γ为归一化项，对Yv的N个局部图像块进行同样的处理，最终获得加权编码方阵ZN×N＝[z1,z2,…zN],Z∈R ；

步骤八、通过对每一个候选样本Yv∈Rd×N的加权编码矩阵Z的对角线元素求和，取加权编码矩阵Z的对角线元素和最大的候选样本作为第t帧的跟踪结果步骤九、基于最新跟踪结果,采用PCA主元重构样本，采用概率策略选择更新模板集T中的某个模板；

步骤十、若视频未结束，则转入步骤四，读入下一帧图像；否则跟踪结束。

2.根据权利要求1所述的基于L0正则化的局部稀疏表示目标跟踪方法，其特征在于，步骤六基于APG算法针对步骤五提出的目标函数的最小化的具体求解步骤为：步骤1:初始化c0＝c-1＝0,e0＝e-1＝0,h0＝h-1＝1,g＝0，循环

步骤2:

步骤3:

步骤4:

步骤5:

步骤6:

步骤7：g＝g+1；

直到收敛或者算法终止；

其中 L为APG算法中的利

普希茨常数，算法中需要解决的两项

(1)

(2)

通过数学计算上述求优问题可以转化成

(1)

(2)

其中的Sδ(x)＝sign(x)max(|x|-δ,0)称为软阈值操作，令τ＝α/L，其中当x2>τ时Hτ＝x,否则Hτ＝0，这个操作被称为硬阈值操作,h为整个迭代过程中用于更新 和 的中间变量,根据上述步骤，可最后求得最优目标系数C*和残差e*。

3.根据权利要求1所述的基于L0正则化的局部稀疏表示目标跟踪方法，其特征在于，步骤九的PCA主元重构样本的方法为:

1.定义重构样本的目标函数为 其中q为获

得的最新目标 向量表示，A为最近若干帧的跟踪目标经过PCA处理后由PCA主元构成的字典，b为目标系数，g代表了在q中残缺的或被遮挡的像素；

基于APG算法，求解此目标函数的最优解b*,g*；η和μ为正则化参数；

2.计算重构样本