视频目标跟踪作为计算机视觉领域的基础问题,一直以来都是学者们的研究热点。其中视频中目标的观测模型又是视频目标跟踪问题的一个重要组成部分,已经有大量关于目标观测模型的方法被提出。在这些众多的观测模型中,判别性模型(例如Adaboost, SVM)是非常有效的一个分支,该种方法通过分别采用目标和背景作为正负样本训练出一个分类器作为观测模型。这种模型既采用了目标本身的特征,又加入了背景信息。这对目标跟踪来说是一个有效的方式,因为在跟踪过程中由于光照、形变、遮挡等因素目标通常会有较大的变化,而尽管目标本身有较大的变化目标和背景之间还是会有明显的差异。在实际中,目标和背景的特征算子在空间中的分布通常是非线性的,也就是我们需要构造非线性的观测模型才能有效分开目标和背景。因此,虽然判别模型是有效的跟踪模型,好的非线性判别模型却不容易构造。本文中,我们基于局部线性编码方法提出一种有效的非线性分类器作为观测模型。局部线性编码能够用相应的编码系数以一种相对直观的方法把全局高维非线性函数转化为一组局部线性函数的线性组合。采用这种构造方法,我们能够运用跟踪中得到的目标和背景信息构造出有效的非线性分类器作为观测模型,这种非线性分类器会比之前提到的线性分类器有更好的效果。随着跟踪过程的进行,跟踪目标和背景环境都会有较大的变化,训练得到的分类器也会相应地改变。此时,如果发生跟踪错误,训练得到的分类器将会使目标朝着错误的方向发展,这就是所谓的目标漂移(drifting)。为解决这个问题,通常会在跟踪失败时加入重新检测目标环节将目标重新找回,从而总体上提高整个跟踪的性能。在这篇文章中,我们选取可靠的样本训练出有效的在线SVM分类器作为检测器,丢失目标时启动检测器在全局范围内重新定位目标。通过在标准库上的实验,我们证明了算法的可行性,进而定性和定量地分析了我们算法的良好性能。