本文介绍了目标跟踪技术的研究背景及研究意义,分别描述了压缩感知跟踪算法和基本的Camshift跟踪算法的原理,并对各自的跟踪性能进行分析。传统的压缩感知跟踪算法由于只引入了目标区域的灰度特征,故算法的鲁棒性和准确性均有待提高。基本的Camshift跟踪算法在光照变化小的场景下跟踪准确性较高,但由于此算法主要根据目标区域的颜色特征进行跟踪,因此色度漂移和光照变化会对算法的跟踪性能造成严重的影响。首先针对压缩感知跟踪算法引入特征单一的缺陷提出改进的压缩感知跟踪方法,将目标区域的灰度特征和微分特征进行加权,利用多特征来描述目标区域,在一定程度上弥补了由于目标区域特征单一而造成的跟踪性能不稳定的缺陷。其次针对光照变化和色度漂移对基本的Camshift跟踪算法的影响,提出一种基于模糊直方图模型的Camshift跟踪方法。此方法采用模糊隶属度实现目标色度的模糊等级划分,降低色度等级划分值的选取对目标模型建立结果的影响,采用模糊直方图模型对场景图像进行反向投影并利用此反向投影图进行Camshift跟踪,降低了目标模型对色度漂移的敏感性,提高了跟踪方法的适应能力。通过一系列仿真实验证明本文提出的两种改进跟踪方法均能够改善跟踪的准确性和鲁棒性,且满足对跟踪系统实时性的要求。最后介绍了基于ROS系统智能跟踪车的硬件设计,并将改进的跟踪方法应用于此跟踪车进行实际跟踪实验,实验结果表明改进后的跟踪方法能够更好地完成目标跟踪任务。