视频目标跟踪是使计算机模仿人的视觉感知机制,来获取连续视频帧中感兴趣的目标的外部轮廓和运动轨迹等信息。近年来,目标跟踪一直是机器视觉与模式识别领域的热点研究课题,在视频监控、人机交互、智能交通、医疗、军事等领域都有重要的应用。受到复杂背景、光照变化、目标形变、遮挡等因素的影响,提高目标跟踪算法的鲁棒性仍是具有挑战性的研究课题。为构建稳健性和鲁棒性高的目标跟踪算法,本文应用压缩感知理论和信息融合理论,对深度信息的外观模型特征、深度信息和灰度信息的加权融合机制和目标模板更新机制进行了深入研究,提出两种目标跟踪改进算法。本文的主要工作如下:1.提出一种融合深度信息的加权外观模型视频目标压缩跟踪算法,有效提高了目标跟踪算法在复杂环境下的准确性。针对目标在遭遇光照变化、相似背景、姿态变化和遮挡等环境下单一特征描述能力弱的问题,通过融合深度信息建立多特征外观模型,在彩色图像特征的基础上为目标外观模型特征表示提供补充。通过融合多种特征使得对目标的描述能力更强。采用由粗到细的搜索策略和保留目标原始特征信息的压缩特征使得算法的实时性得到保证,同时将马氏距离赋予分类器权值来提高有效弱分类器权重。所提算法可以有效应对复杂环境变化,整体跟踪性能得到提高。2.提出一种融合深度信息的分块抗遮挡视频目标跟踪算法,有效应对背景相似、目标姿态变化和部分遮挡等应用场景。采用彩色图像子块haar-like特征和对应深度图像子块深度直方图特征建立目标外观联合模型,有效提升目标描述能力;通过巴氏系数的加权朴素贝叶斯分类器将目标跟踪视为一个二分类问题来确定目标跟踪结果;通过设置彩色图像子块最大分类分数和深度图像子块相似度阈值来加强目标遮挡检测机制。所提算法能有效降低提取到错误正负样本信息的概率,提高目标跟踪的鲁棒性。3.本文在PTB数据集视频序列中对两种改进算法进行了定量实验分析。与目前流行的跟踪算法,包括均值漂移(meanshift)算法、实时压缩跟踪(CT)算法和快速压缩跟踪(FCT)算法进行了性能比较。实验结果表明本文提出的第一种算法在保持实时性的同时,提高了准确性和鲁棒性;第二种算法虽然跟踪速度较CT算法低,但是在目标旋转及遮挡方面表现良好。