压缩传感(Compressive Sensing, CS)理论以子奈奎斯特(sub-Nyquist)采样率为图像重构提供了一种崭新的框架,其核心思想是：如果信号在某一线性变换域中是稀疏的,进行sub-Nyquist采样就可高概率地将原始信号完美地重建,或在噪声存在的情况下鲁棒地逼近。在计算机视觉(Computer Vision)应用中,自然图像可以在小波域中稀疏表示。根据CS理论,如果将场景随机投影在与小波基不相干的测试函数集上,通过凸优化算法能够将图像重构出来。CS理论一经提出,就立刻成为国内外图像界的关注热点。CS通过少量投影所获得的非一般测量,能够轻易捕获图像中的关键信息。而由序列图像所组成的视频,更是CS理论非常适宜的应用范围。本论文将研究CS理论在视频领域的若干应用,论文实现的主要工作如下：1.综合CS理论和经典的图像减影算法,提出了一种基于CS的具有保密特点的跟踪算法,同步实现了目标跟踪和隐私保护,它可以使广泛安置的视频监控应用系统增加对个体隐私保护的功能。这里的保密性主要体现在两个方面：(1)CS测量的固有保密性。分别将测量矩阵和投影过程视为密钥和对敏感区域的加密,密钥未知时解码端无法解密。即仅获取压缩编码的随机投影不可能重构原始视频内容,保护了数据信息的安全。(2)CS理论与减影结合,算法不需要重构视频帧就能跟踪感兴趣的目标,所以它具有其它一般减影算法所不具备的保护隐私的优势。另外,根据目标距离摄像机的远近,设计出一种投影域中背景更新的计算方法。仿真结果表明,所提出的算法能够依靠测量矩阵通过非完备测量有效地重构真实的图像,且其计算安全的特点对于某些特殊的保密应用是尤其有用的。2.论文给出了一种CS理论与视频分析相结合的互反馈迭代优化系统。该系统将视频分析中得到的预测位置和边界框大小反馈到CS重构或解码模块,作为先验信息或约束来指导前景的重构,以提高前景重构的质量；质量改善的重构结果反过来可以用于优化目标跟踪的结果。论文在CS这样一种测量和重构某一类信号的理论中嵌入信号分析的算法,并通过迭代约束和优化,获得潜在的编码增益和解码质量的改善。与经典算法相比,本论文给出的算法在实现一定程度比特率降低的同时,使系统性能获得了较大的提升。