1、視頻目標(biāo)跟蹤技術(shù)是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)，被廣泛應(yīng)用到智能視頻監(jiān)控和人機(jī)交互等領(lǐng)域，具有重要的研究意義。目前，視頻目標(biāo)跟蹤技術(shù)雖然取得了較快的發(fā)展，但是在實(shí)際應(yīng)用場景中，目標(biāo)的形變、遮擋、光照變化和復(fù)雜的背景等因素均會對跟蹤產(chǎn)生較大影響。如何保證跟蹤的實(shí)時性、準(zhǔn)確性及魯棒性是視頻目標(biāo)跟蹤技術(shù)需要解決的難點(diǎn)問題。Struck算法是一種結(jié)構(gòu)化輸出的跟蹤算法，跟蹤準(zhǔn)確性較傳統(tǒng)算法有顯著提高，能夠較好地適應(yīng)目標(biāo)的變化，對遮擋具有一定的魯棒性，

2、綜合性能優(yōu)異。然而Struck算法的實(shí)時性有待提高，且當(dāng)目標(biāo)尺度發(fā)生改變時，跟蹤的準(zhǔn)確性明顯下降。論文在Struck跟蹤算法的基礎(chǔ)上進(jìn)行改進(jìn)，提出一種基于結(jié)構(gòu)化SVM的自適應(yīng)尺度跟蹤算法，主要工作內(nèi)容如下：
　　(1)論文針對 Struck跟蹤算法實(shí)時性的不足，在目標(biāo)跟蹤階段引入目標(biāo)位置預(yù)測過程。在進(jìn)行目標(biāo)跟蹤時，通過判別器從稀疏采樣的樣本中計(jì)算目標(biāo)的粗略位置，根據(jù)粗略位置可縮小目標(biāo)的搜索范圍，從而減小在確定目標(biāo)位置與尺度過程中的

3、計(jì)算量，這種由粗到細(xì)的搜索策略可以較好地提升算法的實(shí)時性。
　　(2)論文針對 Struck跟蹤算法在目標(biāo)尺度發(fā)生改變時跟蹤準(zhǔn)確性下降的問題，提出一種自適應(yīng)尺度跟蹤方法。首先改進(jìn)結(jié)構(gòu)化 SVM模型，在模型中增加尺度變量；然后在確定目標(biāo)位置的過程中，通過多尺度采樣獲取不同尺度大小的樣本；最后利用判別器計(jì)算出目標(biāo)的尺度變化，從而提高跟蹤的準(zhǔn)確性。
　　(3)為解決長時間跟蹤易出現(xiàn)的漂移和退化等問題，論文中使用在線增量學(xué)習(xí)的方法更