随着计算机的普及和图像处理技术的不断发展,视频目标跟踪得到人们越来越多的关注,在交通管理、智能监控、人机交互和智慧城市等领域有着重要的应用意义。在图像处理、控制论与控制工程、计算机学科和模式识别的多学科交叉影响下,计算机视觉领域出现了诸多优秀的目标跟踪算法。近年来压缩跟踪算法以其出众的实时跟踪性能和较快的计算速度成为了研究热点。虽然压缩跟踪有着其独特的优势,但是当遇到遮挡、尺度变化、目标突变和前景与背景相似等因素时,运动目标的跟踪框极易出现漂移,从而导致跟踪失败。因此如何提高压缩跟踪的鲁棒性具有重要的理论意义和实践价值。本文充分调研了前人研究成果,在当前研究现状的基础上,针对遮挡问题和尺度变化问题提出了相应的改进办法,主要研究工作如下:(1)在压缩跟踪的基础上,提出一种新的基于分块加权的改进算法。该算法能够有效解决在运动目标在发生遮挡情况下,跟踪任务失败的问题。该算法采用分块加权的思想,对每一帧进行分块,然后做相似度判断,同时建立遮挡判断机制以保证必要的实时性。在遇到遮挡时,未被遮挡的子分块在确定当前帧的候选目标位置发挥着重要作用,这也是本算法的核心所在,然后在候选目标位置附近取正样本和负样本,在经过稀疏矩阵的压缩后,利用朴素贝叶斯分类器获得下一帧的预测位置。通过实验证明所提出的改进算法能够更加准确地跟踪目标,相比起原压缩算法具有更好的可靠性和稳定性。(2)采用由粗到精的策略,提出了一种基于时空上下文结合粒子滤波的改进算法。该算法能够很好地应对固定的运动场景,目标本身发生尺度变化的问题。该算法首先在时间序列上,对前一帧利用粒子滤波方法获得当前帧目标的粗略位置,在当前帧的空间上下文中,我们在获得预估的粗略位置基础上,采用放缩实际跟踪框的办法,即对实际跟踪框进行尺度变化,而后与之前的粗略位置分别进行比较,取相似度最高的对应跟踪框为最终目标候选位置所在正样本。然后取原特征进行压缩,最后通过分类器得到下一帧的目标预测位置。该算法在改进后,不仅可以增强自身的鲁棒性,还能保证算法的实时性。通过上述我们对原算法的改进,当目标发生遮挡和尺度变化时,该算法能有效持续跟踪目标。不过该算法在提高鲁棒性的同时,计算复杂度也又有所增加。另外目前该算法在目标发生突变以及前景和背景相似情况下也容易跟踪失败。因此如何保证在增强鲁棒下,跟踪算法的实时性不受太大影响也成为以后压缩跟踪算法改进的一个研究重点。