本文以跟踪视频序列图像中的运动目标为研究重点,主要研究和分析了基于统计学习方法中的在线boosting算法。该算法将运动目标跟踪问题看成是目标和背景的二分类问题,主要是寻找一个能够有效区分目标和背景的决策边界,然后利用这个决策边界去得到要跟踪目标的具体位置。其运用的关键思想就是集成学习思想,即把若干个分类器集成起来,共同对新的样本进行分类,以实现更好的分类效果。论文从跟踪算法的鲁棒性入手,分析了传统在线boosting算法在目标被短时间部分遮挡、目标做快速运动时存在的跟踪漂移问题,进而有针对性的提出了充分利用目标周围的背景信息进行辅助跟踪、在跟踪框架中加入检测器以保证目标丢失时能重新捕捉目标的解决方案。具体的创新点有:第一,针对传统在线boosting算法在目标被短时间部分遮挡时的跟踪漂移问题,提出一种基于时空上下文模型的在线boosting算法。首先,对于每一帧图片,利用上一帧学习到的用于跟踪当前帧的时空上下文模型和当前帧中生物视觉系统的关注焦点特性,得到一个估计当前帧搜索区域中任意位置是目标中心位置程度的置信函数,其中,时空上下文模型是指利用贝叶斯原理对时间上下文信息和空间上下文信息所建立的模型;然后,分别利用这个置信函数和boosting算法中的强分类器对当前帧搜索区域中的每一个矩形块进行评估并返回矩形块是目标矩形块的置信值,最终会得到两个置信矩阵;最后,按照相应的投票权重将两个置信矩阵线性组合成一个新的置信矩阵,在新的置信矩阵中寻找最大的置信值,其对应的矩形块就是要跟踪的目标矩形块。找到要跟踪的目标后,利用当前帧图片对两个分类器进行训练更新,并利用计算出的遮挡因子对两个分类器的投票权重进行更新。实验结果证明该算法在目标被短时间部分遮挡的场景中能进行鲁棒性的跟踪。第二,针对传统在线boosting算法在目标做快速运动时的跟踪漂移问题,提出一种基于离线学习的在线boosting算法。首先,本文借鉴TLD算法的跟踪和检测相结合的思想,将离线学习的基于HOG特征的检测器和在线学习的最近邻检测器引入到跟踪的过程中,实现离线学习与在线学习的结合。当跟踪器跟踪失败或者跟踪到的目标矩形块的置信值过低时,利用检测器在整个图片帧中进行目标矩形块的重新搜索,并与跟踪器跟踪到的目标矩形块共同确定当前帧中目标矩形块的位置;其次,为了提高分类器的训练更新速度,本文将传统在线boosting算法中使用的Haar特征修改为HOG特征。实验结果证明该算法在目标做快速运动的场景中能进行鲁棒性的跟踪。