随着科技的发展,人们对于安防的意识逐渐增强,智能跟踪监控系统也在生活中有了更大的应用。目标跟踪技术一直是机器视觉领域研究的热点,其中时空上下文算法由于具有跟踪速度较快、鲁棒性较强、一定程度的抗遮挡能力,近年来受到广泛关注。但是该算法在摄像机抖动或出现严重遮挡时会出现跟踪失败等问题。本文在前人研究的基础上,基于时空上下文算法,提出了两种改进的算法:为了消除摄像机抖动带来的跟踪失效问题,本文提出基于复合特征提取的时空上下文改进算法。本方法针对时空上下文算法不能首帧自动检测的特点,结合Adaboost算法进行首帧自动检测,引入两种针对性更强的Haar-like特征,改进后的Adaboost算法可以大幅度的增强检测速率。利用Harris-Surf复合特征提取方法,捕捉到更多利于跟踪的特征点,在上下文区域建立权值矩阵,将与目标运动轨迹大致相同的区域赋予更高的权值。为了提高跟踪的准确性,算法中引入卡尔曼滤波概念,估计出下一帧目标可能出现的位置,来辅助跟踪。在出现摄像机抖动情况下,大大地改善了外观模型描述目标的能力,加大跟踪结果的准确程度。做了多组的对比实验,对比分析改进后算法与原算法的区别。在存在严重抖动的Blackboy数据集中,原算法跟踪成功率仅有25.5%,而本文改进的算法成功率可以达到87.04%。为了消除强遮挡带来的跟踪失效问题,本文提出了基于稀疏表示改进的时空上下文跟踪算法。将稀疏表示算法与时空上下文算法相结合,遵照原算法中的目标与上下文之间关系,构建前景字典和上下文字典,利用稀疏解的特性,可以判断出那些特征受到遮挡或者其他干扰,将这些特征屏蔽。将提取目标效果好的特征给予高的概率权重,同时参与模板的更新和构造新的条件概率。改进后的方法可以大大提高在遮挡问题情况下的跟踪效果。引入多个数据集进行与改进前的算法的实验对比,并对其结果进行分析。在出现严重遮挡的Jogging中,原算法跟踪成功率为19.5%,改进后算法成功率为94.5%,可以有效对抗遮挡问题,稳定跟踪。