近年来在计算机视觉研究领域中,视频目标跟踪成为重要课题,在人机交互、增强现实等诸多领域应用广泛。由于视频场景中包含许多诸如光照、遮挡、背景干扰等复杂信息,加上目标本身的运动变化,使得研究鲁棒的目标跟踪算法面临着很大的挑战。本文对视频目标跟踪算法做了具体的研究,采用结构化支持向量机实现目标跟踪,主要研究方面如下:(1)在深入研究不同特征提取方法的基础上,设计并实现了基于支持向量机的目标分类算法,并展示了不同特征提取方法的分类效果。针对特征提取中的冗余信息,采用主成分分析(PCA)降维方法去除变量之间的相关性,通过不同类型的实验,总结出不同样本提取特征方法在实际中的不同应用。(2)改进传统的结构化支持向量机在线目标跟踪方法,解决了在目标半遮档和运动交叉时产生的跟踪漂移现象。采用帧间目标匹配度波动值判断目标是否出现异常,从而决定是否更新支持向量,并结合卡尔曼滤波预测下一帧目标位置,修正跟踪结果。(3)针对目标在视频中暂时离开,重新捕获时容易产生错误跟踪的问题进行改进。当判断出目标出现异常,并进一步判断目标离开画面时,及时报警并停止更新支持向量,同时更改搜索策略,直到能够重新精确定位目标。实验表明,改进后的跟踪算法与原算法和离线目标跟踪算法相比更具鲁棒性,在应对较为复杂的跟踪场景时能够体现其稳定准确的优点。