目标跟踪是机器视觉的研究热点之一,在人工智能、交通控制、公共安防和视频监控等领域有着很好的应用价值。压缩感知通过信号的稀疏性,将原始特征进行压缩得到新特征,提高了算法的实时性。之后被引入到跟踪领域中,取得了一定的成果。但在跟踪过程中,运动目标受周围环境因素的影响,易产生跟踪漂移或目标丢失现象。论文在前人相关研究成果的基础上,深入研究了压缩跟踪算法。本文对存在的问题提出了一些改进方法,主要工作如下:1、提出一种基于在线矩形特征选择的压缩跟踪算法。该算法首先生成投影矩阵,利用该随机投影矩阵提取特征构造候选特征池,在特征池中使用矩形特征来表示目标特性,并去除与目标差异较大的矩形特征,最后计算分类分数最大的窗口为目标窗口,从而实现跟踪。实验结果表明:改进方法在目标纹理、光照和复杂背景变化较大的情况下具有更强的鲁棒性。2、提出面向跟踪漂移的快速压缩跟踪算法(fast compressive tracking,FCT)。该算法首先将输入图片与不同的矩形框进行卷积获取特征,利用随机投影矩阵对高维特征进行压缩;然后,在压缩域选择反映跟踪目标特点的中心特征、线性特征和边缘特征来构造特征池;将样本输入朴素贝叶斯分类器进行分类,其中分类分数最大的窗口即为目标窗口;最后,最后通过对学习率参数进行优化,以减少噪声对跟踪漂移的影响。实验结果表明:改进方法有效地改善了跟踪漂移问题,提高了FCT算法的精确性和稳定性。同时,改进方法比FCT算法的处理时间略少。3、提出改进的多特征压缩跟踪算法。该算法首先引入两个随机投影矩阵提取两类互补的纹理特征和灰度均值特征,利用随机投影矩阵提取的特征构造候选特征池。并选取反应目标特点的矩形特征构造分类器;然后计算互补特征对样本的分类权值,选权值较大的特征作为寻找目标的下一帧位置;最后根据分类器分类分数最大所对应的候选区域确定目标的下一帧位置。仿真实验结果表明:与单一特征的压缩跟踪算法相比,改进方法在目标受光照和纹理变化很大时仍能完成稳定的实时跟踪。