视频追踪是计算机视觉中的一个热点研究问题,其在智能无人机、视频监控系统、视频压缩、人机交互等领域显示出了巨大的实用价值。近几年,很多非常优秀和鲁棒的视频追踪算法被提出。但是,在严重遮挡、杂乱背景、光照变化以及形状变化等各种复杂情况下,设计一个鲁棒的、准确的、实时的视频追踪算法仍然是一个非常具有挑战性的工作。本文在粒子滤波的框架下提出了一种新颖的基于结构化局部字典学习的视频追踪算法。首先,我们的算法利用增量式的更新算法,在线保持了目标物体的一个本质的低维子空间。基于子空间学习的视频追踪算法常常能获得较好的效果是因为在子空间中目标物体对局部遮挡、光照变化等噪声影响反应没有那么敏感,而我们保持的低维子空间则是含有更少噪声和更加鲁棒有效的子空间。在此基础上,我们利用多尺度下的局部低秩特征构造了一个结构化字典,我们的结构化字典全面的刻画了目标物体的空间布局和结构信息,使得我们的算法能够更加有效的应对不同程度的遮挡和形状变化所带来的噪声影响。重要的是,我们在粒子滤波的框架下联合考虑了所有的候选粒子,去除了部分由于噪声影响而失效的局部低秩特征,抑制了这些局部特征带来的随机误差的影响,使得我们的追踪结果更加准确。大量对比实验表明,我们提出的视频追踪算法在多种具有挑战性的数据集上都取得了非常优秀的实验结果。