目标跟踪一直是计算机视觉领域一项重要的研究内容,有着广泛的应用前景。本文的主要研究内容集中在两个方面:针对单目标跟踪领域,提出了基于区域学习及区域间结构约束的跟踪算法;针对多目标行人跟踪领域,提出了基于检测的跟踪方法。基于在线学习的跟踪算法能够学习目标的外观变化,适应周围环境的变化。本文提出的单目标跟踪算法,借鉴了该类算法的优点,同时引入目标结构关系约束,能够有效的缓解跟踪中的漂移问题。算法先利用图像特征点聚类的思想获取各个区域,然后采用具有仿射不变性的结构描述各个区域间的结构关系,并且在线更新各个区域的外观模型与结构约束。算法在处理目标部分遮挡和目标形变剧烈等情况下有着一定的优势。在行人跟踪领域,我们需要把目标的检测结果作为目标跟踪的初始值,检测算法误检、漏检,以及跟踪中行人轨迹交叉、遮挡等情况的存在,对跟踪算法的鲁棒性提出了挑战。本算法利用基于贪心思想的数据联想算法联系了检测响应与跟踪轨迹,利用检测结果引导跟踪过程,采用蒙特卡洛采样处理多目标跟踪过程中的不确定性问题,并且将单目标跟踪中的建立目标外观模型的思想应用到多目标跟踪中。通过实验验证了算法的鲁棒性,并且成功将算法应用于公交车内实时的行人跟踪与计数。