目标跟踪一直以来都是计算机视觉领域的一个重要课题,目标跟踪问题广泛存在于图像学,计算机科学,刑侦学,人工智能等多个学科之中,具有巨大的研究价值和研究意义。本文提出了一种目标跟踪算法,该算法基于Tianfu Wu等人的提出的AOG目标跟踪算法而来,并对原始算法进行了多方面改进,提高了原始算法在TB50/100数据集上的准确率和成功率。原始算法在目标跟踪方面具有很大优势,其使用AOG对目标及其部件进行结构关系建模,融合了DPM的建模和训练思想,并在真实图像特征处使用多个图像描述特征的串联作为最终的目标特征,原始算法的实验也证明了其拥有较好的跟踪性能,除此以外,由于AOG自上而下建模的特点因此使得物体模型具有可解释和可扩展性的优势。但是,本文在实验中发现,由于原始算法搜索范围死板,模型更新不及时等问题,会导致在跟踪一些复杂视频出现跟踪丢失或者模型漂移的情况,因此本文通过灵活限制目标搜索范围,及时更新对象模型以及对训练样本的选取过程和组成进行优化,来达到提升原始算法跟踪性能的目的。本文针对原始算法的缺陷,具体通过以下四个不同方面的改进来提升算法性能,包括(1)使用速度控制改进模块对搜索区域进行动态控制,根据物体运动速度来限制搜索范围使得模型更加灵活,并且由于搜索范围的变化而隐性排除了干扰对象因此提高了整体跟踪性能;(2)使用分数筛选改进模块对模型更新过程进行主动控制,通过对解析树评分进行分析来主动控制模型更新,减少了被动更新的缺陷;(3)使用正负例重叠率改进模块动态地控制训练集的正负例重叠率,使模型能针对数据集复杂程度做出相应的变化,提高了模型对各类场景的适应性;(4)使用负例样本优化模块对算法的负例训练数据进行优化,使算法对复杂场景下的目标跟踪具有更好的判别力,进而提升整体的跟踪性能。除此以外,四个改进算法之间相互独立互不干扰,并且可以进行合并组合来达到更好的效果。本文最后通过在TB50/100数据集上进行实验,分别绘制了跟踪准确率和成功率的对比图表,实验证明了以上四个不同的改进均可以一定程度地提升原始算法的跟踪性能,最终更好地完成目标跟踪检测任务。