目标跟踪是计算机视觉领域的一个重要的研究方向,它在智能视频监控、智能交通、人机交互、军事等领域有着重要的应用价值,备受许多学者的关注。然而,由于目标跟踪场景的不确定性,常常发生各种变化(光照、遮挡、外观等),给目标跟踪带来了困难。因此,如何设计一种高稳定性、高实时性的跟踪算法一直是目标跟踪研究的热点和难点。压缩跟踪算法(CT, Compress Tracking)通过利用非常稀疏的测量矩阵来提取图像的Haar类特征,算法实时性好,且能较好地应对部分遮挡带来的影响。但是,由于该方法提取的是基于颜色信息的特征,对光照敏感,因此在光照剧烈变化的场合,跟踪效果不尽人意；并且压缩跟踪算法采用的运动模型固定了目标跟踪矩形框的大小,这与实际不符,严重限制了该方法的应用场合。本文分析了压缩跟踪算法的优缺点,吸取了它稀疏测量矩阵以及贝叶斯分类的思想,提出了一种鲁棒性更强、实时性满足要求的跟踪算法,即基于多特征结合的压缩跟踪算法。首先,采用一种鲁棒性更好的运动模型,即粒子滤波,由于粒子滤波采用了蒙特卡罗技术,使得粒子更加接近粒子的分布,成功应对各种突变带来的影响,且每个粒子的参数使用了仿射变换,成功应对了目标形变带来的影响,保证了跟踪矩形框与目标尺度的一致性。其次,HOG特征是基于纹理信息的特征,对光线不敏感性强,故本文采用了多特征结合技术(HOG+Haar),提高了特征组的表达能力,增强了算法的鲁棒性。最后,我们将提出的算法从跟踪精度和跟踪速度两个方面来与其他比较流行的跟踪算法进行对比,并通过具有不同挑战性的视频序列做了大量的对比实验,从而验证了本文算法的可行性。