视频目标追踪作为计算机视觉领域一项核心技术,是后续情景感知、目标行为分析、视频搜索等各种高层视觉处理的基础。视频中存在目标尺度变化、光的明暗变化、遮挡、快速移动以及运动模糊等不确定的影响因素,所以寻求高效、鲁棒性的目标追踪模型一直以来都是具有挑战性的课题,目前的追踪算法大多是根据邻近帧的观测样本来更新表观模型。尽管有些算法已经有了不错的进展,但经常还是会遇到复杂背景下追踪目标丢失的问题,而且视频目标追踪过程中面临的自动初始化、前景和背景含有大量杂波、非刚性目标等问题也尚待解决,最近的一些研究工作都是针对以上问题开展的。本文在参考和研究大量前人的科研成果的基础上,针对视频的目标进行追踪,提出了两种新型的视频目标追踪检测算法:(1)基于稀疏协同的目标追踪算法。本文算法与其他同类算法相比更具有适应性,基于生成式模型计算候选样本和模板之间的相似度,最后将二者融合计算出候选样本的置信度。通过对模型的在线更新减少跟踪中的漂移问题,并能够自适应的对目标变化做出响应。(2)基于压缩感知理论的目标追踪算法。首先,在正负样本区域随机抽取不同尺度下图像的DRLBP特征;然后将高维的特征信息投射到低秩的压缩域,并根据此压缩域特征建立表观模型;最后,本文使用一个随机稀疏测量矩阵来压缩前景和背景目标,通过在压缩域中对追踪目标进行实时的在线更新追踪。追踪问题最终被转化成为一个使用朴素贝叶斯分类器的二元分类问题。本文提出的基于压缩感知的实时在线目标追踪方法,实验结果证明可以较快速、实时的完成目标的在线追踪,同时兼顾目标尺度变化、遮挡等。本文针对上述两种稀疏追踪算法,分别在不同的实验视频数据集上进行追踪验证。实验表明本文所提追踪算法的单帧追踪算法平均1ms甚至更低,实验表明在不同的追踪场景下本文算法均具有较强的实用性。