随着人工智能的快速发展,视觉目标跟踪技术也有了长足的进步。被跟踪的目标不再局限于人脸和人,而适用于所有运动的物体。通过克服不同的复杂场景实现对物体的稳定跟踪成为了目前研究的关键技术。文章以结构化输出的目标跟踪算法为基础,设计了双重更新策略自适应的目标跟踪算法。文章可被分为如下几个部分:第一部分是图像预处理,第二部分是结构化输出跟踪,第三部分是双重更新策略自适应跟踪,第四部分是特定场景跟踪。图像预处理部分,主要对图像中的目标进行特征提取和样本分类。对用于图像特征提取的Haar特征和HOG特征分别进行理论分析和计算,并使用支持向量机将采集到的目标图像分类成正、负样本。结构化输出跟踪部分是目标跟踪的主体框架,通过结构化支持向量机对图像的特征进行分类,使用在线学习的方式对不断运动且变化的目标进行跟踪。双重更新策略自适应跟踪部分,设计相似度函数对目标图像样本的特征值进行相似度量化处理,设置80%基准相似度阈值作为在线学习更新正样本的限制条件,并通过95%高度相似度阈值的设置作为目标的快速寻找标准,能够克服大范围遮挡或全部遮挡等复杂场景对目标进行稳定跟踪。特定场景跟踪部分可分为特定物体跟踪和固定背景跟踪两种情况。对特定物体的跟踪建立目标样本库,使用离线学习方式训练样本库的样本;在恒光固定背景下对通用性目标进行跟踪,使用感兴趣区域进一步缩小搜索目标的范围。实验得出,文章设计的双重更新策略自适应的视觉目标跟踪算法可以有效地克服复杂场景的干扰,特别是遮挡场景,并通过中心位置误差等参数验证算法跟踪目标的性能,能实时、准确、小误差的稳定跟踪通用性目标和特定目标。