目标跟踪技术是指在连续的动态图像序列中对目标进行检测、提取、识别、定位和跟踪等一系列技术的总和,通过该技术可以实时地获取目标的位置、大小、速度、加速度和运动轨迹等信息,然后根据需要对这些信息进行理解和分析从而实现运动监控、医疗诊断、工业检测、三维重构和导航制导等高层次的任务。目标跟踪一直是计算机视觉研究领域的热点,但场景的光线变化,跟踪目标的遮挡问题,以及测试视频低分辨率等情况,往往导致跟踪目标轨迹的间断性和无效性。随着近年来便携式视频采集设备的大量普及,目标跟踪的研究也逐渐从单目标的跟踪向多目标跟踪倾斜。如何有效的解决不同环境下多目标的跟踪问题,进而得到准确有效的跟踪轨迹,成了如今摆在科研工作者面前亟待解决的问题。本课题针对如今目标跟踪算法的常见问题,采用了“检测+跟踪”的系统方案,提出了一种基于图分类算法的多目标跟踪算法。首先,利用背景差分法得到运动目标的前景区域,再利用局部检测模型(Deformable Parts Model,DPM)得到跟踪目标在视频帧中的具体位置;之后,利用视频帧序列中检测目标的时间和空间信息生成一系列可靠的跟踪目标短距离运动轨迹(tracklet)。最后,利用本文所提出的图聚类算法解决tracklet之间的数据融合问题,得到最终的跟踪目标运动轨迹。本文采用DPM检测算法确定跟踪目标,DPM算法可以得到每个检测跟踪目标详细的局部特征信息,因此可以有效解决跟踪过程中的遮挡问题;利用图聚类方法解决数据融合问题的算法,该算法不仅可有有效解决单视角下的目标跟踪问题,同样也适用于多视角下的目标跟踪问题。在实验阶段,本课题选取了目标跟踪相关算法中三个比较常用的数据集:Pets2012 Video Datasets,、Town Center Datasets和Caviar Video Sequence。并与目标跟踪领域中几个经典算法进行了比较,最终的实验结果也证明了本文所提算法的有效性。