目标跟踪是计算机视觉领域的主要研究方向之一,具有广泛的应用前景。处理目标跟踪问题有多种方法,基于分类模型的方法是其中的主流方法之一。所谓基于分类模型的目标跟踪方法,是指以目标和背景分别为正负样本,训练一个判别性的模型以区分二者,并进行在线更新。本文主要涉及boosting框架下的四种算法。传统的做法是,在每轮选择弱分类器时使损失函数尽量减小,以获得更小的训练误差。而我们的研究发现,对一部分弱分类器进行随机选取会使强分类器具有更好的跟踪性能。本文主要工作归纳如下:　　 (1)回顾了四种基于分类的跟踪算法,包括多示例学习的跟踪方法(MIL)和另外三种基于boosting框架的方法,分别为AdaBoost,Gentle AdaBoost和SavageBoost。同时,针对MIL和SavageBoost算法存在的问题进行了改进。　　 (2)对不同的跟踪算法,在不同的视频序列上进行了大量的实验,发现在模型更新过程中随机选取一定比例的弱分类器可以改善算法的跟踪性能。实验结果表明,在实际应用过程中,具体的随机个数需视跟踪算法和待跟踪视频序列而定。