压缩感知(CS)理论重要优势在于非常高的采样效率,基于该理论采样的信号能以近似1的概率得到恢复,因此CS作为现代信号采样理论已经在图像处理与计算机视觉领域得到了非常广泛的应用,尤其是对实时性要求较高的目标跟踪,该理论有较大的应用潜力。由于目标追踪的核心在于目标的特征提取,因此本文运用CS理论对特征提取方式做了如下改进:第一:针对CS重构算法的复杂度高,不能应用于目标追踪领域的不足,将经过压缩采样的随机蕨应用于被追踪目标的特征提取。目标的随机蕨特征是不同的像素点对构成的集合,该集合的每一个元素为像素点之间的差值,通过对像素值灰度化,集合的算法复杂度得到了有效的降低。为了进一步满足实时性的要求,本文利用随机测量矩阵对随机蕨压缩采样,依据CS理论的RIP性质,采样后的随机蕨特征能很好的满足目标识别与跟踪的需求。第二:针对经典跟踪算法对光流变化较敏感、对目标的内蕴变形以及外观变化鲁棒性低等问题,提出了“稀疏子空间粒子滤波算法”,该算法将压缩采样与稀疏子空间表示方法应用于目标跟踪。首先,对跟踪目标压缩采样,根据压缩感知原理采样后的信号在较高的概率下保持原有的信息量,为目标跟踪提供了足够的信息保证。接着,利用鲁棒主成分分析(RPCA)方法提取压缩压缩采样目标的稀疏主成分。本文创造性的利用l1-l2范数法求解RPCA问题从而得到目标的稀疏主成分。与此同时,在粒子滤波理论框架下实现跟踪过程:具体是指利用过去连续时间序列下的目标的状态估计当前时刻目标的状态。在对目标所在的稀疏子空间更新的处理中,利用子空间与候选目标的相似性更新子空间。