چکیده: در این پایان نامه، به شناسایی و ردیابی عابرین پیاده در فریم های ویدیویی به صورت فشرده و زمان واقعی پرداخته می شود. یکی از چالش های اصلی ردیابی زمان واقعی، نیاز به حافظه زیاد است زیرا داده ها می-بایست دائما، به روزرسانی شوند. یکی از راه حل های این مساله انتخاب فریم کنونی و تعداد محدودی فریم بعدی است. مشکل این روش، کمبود داده های کافی برای آموزش است. در چنین مواقعی مدل آموزشی ضعیفی با داده های کم، شکل می گیرند که در شرایطی مثل تغییرات روشنایی، تغییرناگهانی زاویه هدف، تاری تصویر و انسداد مقاوم نیستند و ردیابی اشیاء را دچار رانش می کنند. تا زمانی که مدل آموزشی وابسته به داده ها باشند و بر این اساس، مدل ها آموزش ببینند، احتمال رانش و ردیابی اشتباه وجود دارد. در این پایان نامه از مدل غیرتطبیقی و از ساختار فضای ویژگی ها، برای آموزش استفاده شده است. یادگیری تقویتی نوعی از آموزش غیرنظارت شده و تلفیقی از روش آزمایش و خطا و پاداش می باشد. یادگیری تقویتی، همواره از چندین مسیر برای شناسایی و ردیابی هدف استفاده می کند و در مقابل انسداد، هوشمند است و می تواند فریم های از دست رفته را بازیابی کند و مجددا به ردیابی هدف بپردازد. اما با توجه به همه این مسائل، احتمال رانش وجود دارد. در این پایان نامه از دو مرحله فشرده سازی برروی داده های خام و فشرده سازی داده های تنک، استفاده شده است. فشرده سازی اولیه باعث می شود پیچیدگی محاسباتی کاهش یابد و در نتیجه صرفه جویی در مصرف حافظه صورت گیرد. برای اینکه رانش به حداقل مقدار ممکن برسد از فشرده سازی برروی داده های تنک، استفاده شده است که همواره مناسب ترین داده ها را برای ردیابی انتخاب می کند . نتایج بدست آمده نشان می دهد الگوریتم پیشنهادی از کارایی بالایی در مقابل نویز و انسدادهای شدید برخوردار است به طوری که دقت و صحت ردیابی برروی پایگاه داده ، به ترتیب، 71/5 درصد و 36/7 درصد بدست آمده است.