目标跟踪已成为当前计算机视觉中的研究热点课题之一.目标跟踪无论是在科学研究还是工程应用方面都备受关注,目标跟踪技术被广泛应用于各个领域,如:导弹系统,无人机导航系统等.本文通过对压缩感知理论和目标跟踪相关技术的深入学习,期望找到一种稳定性好且有效性高的跟踪算法.具体研究的内容如下:(1)基于压缩感知的在线多示例学习目标跟踪算法,先对提取的多尺度图像特征进行降维,然后用在线多示例学习分类器分类降维后的特征,并实时地在线更新分类器,目标的稀疏表示方法与多示例学习分类器的结合,提高了目标跟踪算法的精度,处理了模板漂移的现象.(2)实时压缩感知跟踪算法,算法思想如下:首先对多尺度图像特征使用满足RIP条件的随机测量矩阵进行降维,得到一个压缩的低维子空间,然后通过简单的朴素贝叶斯分类器对降维后的特征进行分类.该跟踪算法虽然简单,但实验结果表明鲁棒性得到很好地体现,其速率能达到将近40帧/秒.(3)针对现有在线学习跟踪算法中目标在线模型更新错误造成跟踪漂移的现象,本文提出了一种自适应更新在线模型的目标跟踪算法:首先采取压缩感知技术的高效性,对多尺度图像特征进行降维,并提取多尺度样本来实现目标尺度自适应更新,再由提取的正负样本低维图像特征训练朴素贝叶斯分类器,利用分类器输出置信度最大处的目标样本,并按照那时的目标置信度自适应地对在线模型进行更新,减少了遮挡带来的目标错误更新.实验表明:该方法在尺度变化,局部和全局遮挡,光照等情况下都能很好地跟踪,跟踪成功率的平均值和最初的CT算法相比提高了20.3%.