视频跟踪是计算机视觉领域的一个极具有挑战性的研究课题,因为真实视频场景中存在复杂的目标外观变化,如尺度变化、部分遮挡、3D旋转、光照变化、目标变形等。为了解决上述复杂环境导致的跟踪不理想问题,论文在深入分析一些经典的基于判别模型的视频跟踪算法的基础上,提出了三种不同的视频跟踪方法。论文的主要工作和创新之处在于：1.首次将排序学习算法——排序向量SVM(RV-SVM)引入视频跟踪领域,提出了一种基于RV-SVM的视频跟踪算法。该算法利用稀疏随机矩阵提取样本的多尺度特征,通过Median-Flow跟踪算法估计目标在下一帧中位置以及构建训练样本集,最后,在线训练RV-SVM算法,将目标和背景分开。该算法能够有效的处理目标尺度变化、部分遮挡、光照变化、3D旋转以及目标快速移动等问题。2.利用分治的算法思想,提出了一种分块的循环矩阵跟踪算法。该算法将目标进行分块处理,对每个子目标分别进行循环矩阵跟踪。对于每个子目标的跟踪结果,赋予不同的置信度,根据这些子目标跟踪结果及置信度得到目标的真实位置。该算法能够解决循环矩阵跟踪算法在同时遇到目标姿态快速变化、尺度变化和严重遮挡等复杂的情况时,容易丢失目标这一问题。3.提出了一个基于对数似然图像的尺度自适应跟踪算法。该算法首先构建对数似然图像,在对该图像进行数学形态学处理之后,再进行椭圆拟合,并估算目标的尺寸,根据新的目标尺寸,更新Mean-Shift算法的核函数窗口和样本数量。算法简单有效,能够解决目标跟踪中的尺度和旋转问题。4.基于前述研究工作,开发了一个鲁棒高效的视频跟踪演示系统。该系统支持本地视频文件、网络摄像头、图片序列3种视频输入方式,集成了5种视频跟踪算法,提供视频打开、播放、暂停及视频跟踪、算法切换、暂停跟踪等功能。