视频目标跟踪作为计算机视觉领域中的一个重要研究方向,始终受到国内外学者的关注。目标跟踪的主要任务是完成对视频序列中特定目标的定位和跟踪。视频目标跟踪拥有广泛的实际应用,例如视频监控、自动驾驶、智能机器人以及视频通信等。由于目标跟踪技术应用场景的复杂多变,目前多数跟踪算法只适用于特定的场景。跟踪算法的研究仍然有待深入。一个设计良好的跟踪算法需同时具备鲁棒性、实时性和准确性。本文对跟踪过程中的遮挡、形变、复杂背景等一系列挑战性问题进行了深入的分析研究,主要研究成果如下:1.提出了一种基于半非负优化集成学习的目标跟踪方法。该方法训练多个弱分类器,并通过半非负编码的形式来获取弱分类器的全局最优子集。通过线性加权的方式将弱分类器组合成强分类器,进行目标位置预测。分类器参数通过预测的目标位置在线更新,以保证适应目标外观模型,从而实现了对目标的准确跟踪。2.提出了一种基于非局部均值的半非负编码目标跟踪方法。该方法着重于构建基于非局部均值的帧间约束关系,通过帧间超像素邻域内特征的相似性,削弱了跟踪器对相邻帧间目标外观模型的微小变化和部分遮挡的敏感性。并且通过半非负编码的形式,增强编码模型的稳定性。码本和分类器参数的持续更新保证了连续跟踪目标的鲁棒性,对于光照变化、遮挡等视频帧能够准确地实现目标跟踪。3.提出了一种基于空间约束支持向量机的目标跟踪方法。该方法主要通过空间约束优化训练样本集合以及支持向量集合来提升跟踪算法准确性。首先构造目标置信图,根据空间位置赋予样本特征以相应权重。同时通过空间距离约束,对支持向量分配权重,保持跟踪器的性能。