目标跟踪算法是人工智能和计算机视觉研究领域的重要组成部分,广泛应用于智能监控等系统中,在生产生活和实际工程中都有很重要的研究价值。本文学习和总结了当前几种主流的目标跟踪算法,并且深入研究了基于压缩感知的目标跟踪算法,针对该算法在外界光照变化和目标局部遮挡时易出现跟踪漂移等情况,提出了相应的改进算法。文章首先详细介绍了压缩感知理论,并且应用该理论对信号重构进行了实验仿真。然后说明了压缩跟踪算法的理论框架,并针对算法在特征分类阶段没有考虑到不同特征的分类能力不相同的缺点,提出了基于特征分类加权思想的压缩跟踪算法,并通过一组与原始算法的对比试验,验证了改进算法在目标跟踪过程中的准确性。文章之后通过两组实验说明了压缩跟踪算法在光照变化和目标出现局部遮挡时易出现跟踪失败等情况。当外界发生光照变化时,针对算法的不足在特征提取阶段加入了对光照变化不敏感的Hog特征,提出了在特征提取阶段同时提取计算量小的Haar特征和对光照变化不敏感的Hog特征,并通过与在特征提取阶段只提取Haar特征和只提取Hog特征等多组对比实验验证了改进算法的实时性和准确性。当目标出现局部遮挡时,针对算法的不足提出了目标分块的思想,并且利用巴氏距离和SIFT特征匹配率来判断各分块出现遮挡情况,然后根据实际遮挡情况对各分块制定了不同的分类器更新规则,最后通过一组对比实验验证了改进算法的有效性。