视频图像目标跟踪是计算机视觉、人工智能等前沿科技领域的一项重要技术。该技术通过对图像数据进行处理以捕获目标在连续序列中的二维位置信息,从而为更高层次的视频分析提供线索,最终实现实际的应用任务。随着机器学习等新兴技术的出现,目标跟踪逐渐朝着多样化、工程化的技术方向发展。在前人大量的工作中证实了鲁棒的外观模型和巧妙的系统策略对跟踪器性能起了重要的作用。目前,围绕在线学习展开的泛型目标跟踪技术已然成为了相关领域的研究重点及难点。本文对围绕模型在线学习展开的目标跟踪算法进行了理论研究及框架设计,论文主要工作及成果概括如下:(1)对目标跟踪原始问题进一步分解,并在多个子问题下分别展开研究及综述,分析了当前技术现状并给出了粒子滤波、支持向量机、相关滤波等多种典型算法的基本原理。(2)在支持向量机统计学习及粒子滤波理论基础上,实现了一种新型的基于判别式模型及互信息策略的粒子滤波跟踪方法。具体地,采用鲁棒的色彩、纹理联合直方图向量对图像进行表征,并依据线性支持向量机学习方法在线训练目标的判别式模型。接着,将目标模型引入粒子滤波框架,通过进一步的Logistic映射实现距离值向概率值的转换,从而解决数值形式不兼容的问题。进一步地,对算法引入互信息策略,用高置信的帧间关联取代复杂滤波过程。此外,通过一个有限的加权实例集对原有模型进行归纳,并与新样本一起构成新训练集用于模型更新,解决了样本堆积问题。(3)针对典型相关滤波跟踪算法的跟踪漂移、遮挡等问题,提出了一种基于视觉词袋与相关滤波器模型的协同跟踪策略,算法核心思想在于对两种不同层次视觉线索下的外观模型进行特性互补,实现基础跟踪下的异常监测及跟踪恢复。具体地,对原始方法引入了鲁棒的超像素视觉词袋模型,并计算目标区域前景置信从而判断出低置信下的异常跟踪。在异常状态下,采用视觉注意及多滤波模板检测的联和策略进行跟踪恢复,从而完成稳定可靠的系统搭建。(4)在Matlab软件平台下对所提方法进行程序编写并在数据集上进行测试,通过结果评估及比较分析验证了所提算法的鲁棒性及有效性。