视觉跟踪是计算机视觉领域中的一个重要的研究方向和研究热点,它融合了模式识别、人工智能以及数字图像处理等学科的大量先进技术和研究成果,在很多社会实际领域中都具有非常重要的实际价值。目前,虽然有视觉跟踪技术大量应用在安全监控、交通控制、智能机器人、视频游戏以及军事等领域,但是如何更加鲁棒、快速、长时间连续的跟踪一些外表变化明显的柔性目标仍然是视觉跟踪技术中的一个难点问题。因此,本文针对视觉跟踪中的问题,对在线学习跟踪的方法进行了深入研究,通过改进优化在线学习跟踪算法中的规则,在目标描述中引入自适应目标颜色向量,有效的改善了对柔性目标的跟踪效果,提高了视觉跟踪的鲁棒性和准确性。本文首先对当前视觉跟踪研究中的国内外现状以及目标建模进行了简单介绍,并对目标建模中常用特征及其优缺点进行了详细的分析。结合行人目标外表颜色分布独有的特点,在本文中提出了一种自适应分块的颜色向量特征,并对特征的提取方法进行了详细的描述,该特征在描述行人目标时具有描述简单,匹配速度快以及对视频清晰度要求低等优点。随后,将白适应分块的颜色向量特征与滑动窗口的检测方法进行了结合,并通过实验验证了该特征在目标检测过程中的有效性和实时性。其次,本文对在线学习跟踪方法进行了分析研究,提出了一种基于检测和跟踪相结合的方法。该方法通过将检测结果和跟踪结果进行信息融合,获取目标在运动过程中变化的外表模型,并将外表模型学习到模型数据库中,该方法能有效的解决目标跟踪过程中外表变化的问题。同样也针对具体情况,对检测结果和跟踪结果融合的约束条件进行了优化总结,进一步提高了在线学习跟踪方法在实际中的应用效果。最后,基于当前实验室现有设备,实现了一个在线学习跟踪的实验平台。在平台的实施过程中,对模块进行了慎重选择,如串口通信选择CSerialPort类而不是MSComm控件,数据库选择SQLite而不是SQL Server等其他数据库,这样可以充分避免软件在不同计算机运行时的配置麻烦。同时,平台预留了一些接口,便于后期算法的修改。最后,给出实验平台一个实际运行结果,结果显示该系统能够很好的完成预期的目标。