目标跟踪是计算机视觉领域里的热点研究方向,其任务是从一系列的图像序列里估测出目标的位置。在军事跟踪、智能交通和机器人等领域,目标跟踪技术发挥着越来越重要的作用。然而在跟踪过程中,光照变化、快速运动、遮挡以及形变等干扰因素均会影响目标跟踪的准确性、鲁棒性与实时性,因此有必要设计出一种鲁棒性好、准确性高的实时目标跟踪算法。本文研究了基于压缩感知的跟踪算法,并且在现有的研究基础之上提出了两种跟踪算法。本文为了解决传统压缩跟踪算法易受遮挡、光照变化和目标尺寸变化影响的问题,提出了一种基于颜色属性和在线Boosting特征选择的压缩跟踪算法。首先,本算法采用粒子滤波框架,对目标可能出现的位置进行预测,并用仿射变换的六个参数来描述目标的状态。其次,将颜色属性引入到本算法中,用它和亮度信息共同来描述图像,这样会使提取到的特征在判别能力和光度测量不变性之间保持一种好的平衡。第三,通过基于优化Fisher信息矩阵的在线Boosting特征选择方法,对特征进行选择,同时构建一个强分类器。最后,用强分类器对候选样本进行分类,其中分类器返回值最大的样本就是跟踪结果。本文为了解决传统压缩跟踪算法由采集的特征单一和分类器更新参数固定而引起算法稳定性差的问题,提出了一种基于双特征的自适应压缩跟踪算法。首先,本算法对传统压缩跟踪算法中的测量矩阵进行改进,以获取比例均衡的灰度特征和纹理特征,并用它们来共同描述目标。然后,用分类器对候选样本进行分类,返回值最大的样本就是跟踪结果。最后,利用感知哈希算法来求取目标与跟踪结果的相似程度,并根据该相似程度自适应地调整更新参数,避免分类器出现过更新和不能应对目标外观改变的情况。本文在多个包含不同干扰因子的视频序列上,对所提出的两种跟踪算法分别进行了定性与定量的实验测试,并与当前表现出色的其它跟踪算法进行了对比。实验结果表明,本文提出的跟踪算法均具有良好的准确性与鲁棒性,且基本满足了实时性的要求,与其它算法相比表现更加出色。