随着社会发展，科技进步，信息时代的关键字——大数据、云计算在各个领域随处可见，铺天盖地而来的数据给人们的生产生活带来方便的同时也会制造一些麻烦。众所周知，视频监控由于它的不间断性以及自主性不高，产生的海量数据在存储、运输还有处理等方面都会极大地增加工作人员的负担。　　为了提高视频目标跟踪的性能，一方面是需要提高跟踪算法的性能，另一方面则是运用处理好视频流数据。面对海量数据的处理，信息论的基础理论——奈奎斯特准则一直限制着整体处理效率的提高。但是一种新的理论——压缩感知理论可以跨越奈奎斯特准则的限制沟壑，它可以先直接对信号进行采集，然后经过凸优化或者其他重构算法恢复信号。压缩感知理论优点就是它的采样频率极低，远远低于奈奎斯特准则限定的采样频率，而且目前也有相应的图形处理器来应对大数据运算量的问题。视频目标跟踪的算法日新月异，各学科交融更加促进其效率的提升。近几年，基于模型的运动目标跟踪算法的发展尤为迅速，由基于检测的跟踪算法 （Tracking-by-Detecting,TD）衍生出来TLD算法、CSK算法、KCF算法、PROST算法还有性能格外优异的Struck算法。基于局部的跟踪算法如改进的光流跟踪算法、超像素跟踪算法在处理运动目标发生漂移的问题上有着独特的优势。科研成果最多，而且学科交汇最多的是基于特征提取的目标跟踪算法，将性能互补的算法或特征（如SIFT、LBP等等）糅合到一起，整体提升算法的效率这种做法一直受到业内人士的提倡和追捧。将压缩感知运用到视频目标跟踪算法一方面能够提高算法对运动目标发生漂移、遮挡时的处理能力，同时还能有机结合其他特征提取技术的优点，整合提升算法的性能。　　基于特征提取的改进型压缩跟踪算法的核心是一方面改进了压缩感知理论中的分类器的学习因子的更新策略，提高了整个算法的实时性；另一方面在进行特征提取的过程中改进了SIFT的处理领域，精简了最后生成的SIFT算子的维度，从原算法的128维降低到40维，较大地减轻了计算复杂度。　　实验结果表明，在处理运动目标发生尺度变化、旋转、遮挡等的情况下，基于特征提取的改进型压缩跟踪算法能够准确并且高效率地追踪运动目标，而且能够自适应应对光照改变引起的问题。