随着计算机视觉领域相关技术的迅速发展,目标跟踪技术已成为其中一个主要的研究和应用热点,但是复杂场景下对任意目标进行稳定、准确地跟踪仍然存在诸多理论和技术问题亟需解决,因此研究一种鲁棒性强的在线跟踪算法仍然是非常具有挑战的课题。基于压缩感知原理实现的目标跟踪算法不仅在一定程度上缓解了跟踪漂移现象,且其实时性远超过其它在线跟踪算法。本文的研究工作以压缩跟踪算法为基础,就如何增强目标表观模型鲁棒性和选取分类效果更好的特征,以及制定计算量更少的搜索策略展开研究,主要工作如下:1.对现有的压缩跟踪算法进行研究,分析其实现机制,在多个测试集上将其与其它在线跟踪算法进行实验对比,证明其跟踪效果的稳定性和较好的实时性,并总结压缩跟踪算法优缺点,指出本文下一步工作目标。2.在复杂场景下,由于剧烈光照、严重遮挡等因素的干扰,目标表观模型可能会发生剧烈的变化,为了使目标模型能较好地处理这些变化,分析现有的基于稀疏表示的跟踪算法对干扰无判断的缺点,提出一种结合卡尔曼预测与子区域自适应更新的压缩跟踪算法。当子区域前后帧输出最优值变化程度满足更新阈值条件时允许该子区域进行分类参数更新,同时该算法利用输出最优值变化程度最小的子区域跟踪结果反推算出整体目标区域位置,而当这个变化程度最小值超过干扰阈值时,使用卡尔曼预测值作为当前帧的目标跟踪结果中心点。3.将一种基于特征概率分布距离的最优特征选择方法和改进的样本搜索分段跟踪策略结合,两种方法都能改善跟踪的准确性和算法的鲁棒性,并且后者计算量明显降低的优点弥补了前者离线特征选择计算增加的计算量。在最优特征选择方面,基于原压缩跟踪算法的特征分布满足高斯分布的特征,采取一种简单的基于正负样本概率分布距离的特征选择方法。而在候选样本搜索方面,利用简单高效的跟踪器在每一帧中进行两次定位,采用由粗到细的搜索策略分段跟踪。4.针对kalman分区自适应更新以及改进特征和搜索策略的方案分别进行实验,比较本文算法和原算法的跟踪效果,实验结果证明改进的压缩跟踪算法有更好的鲁棒性。