目标跟踪是计算机视觉领域中的重要研究方向之一,在视觉SLAM、姿态检测、体感游戏和智能家电等领域有着广泛的应用前景。所谓目标跟踪问题实际上是在连续的视频帧序列中预测特定目标的相对位移以及所处状态,即是连续预估选定初始帧中的目标对象的相对位移以及尺度位置变化信息的问题。Struck属于Tracking by Detection算法,具有算法实时性高的特点,但是又与传统的Tracking by Detection算法不同。传统的Tracking by Detection算法采用正负样本分类的方法,在线训练和更新分类器来预测目标的相对位移;而Struck目标跟踪算法没有采用传统的正负样本标注的办法来训练分类器,而是通过结构化学习的方式来预测分类函数,从而直接求出被跟踪目标的相对位移。Struck算法的跟踪准确度相比一般的Tracking by Detection算法来说效果较好。然而在较大尺度形变和物体被遮挡情况下,算法的跟踪效果明显下降。在对Struck的算法流程分析中发现,当被跟踪的目标发生大尺度形变或者出现目标被遮挡情况下,算法构造的分类器会导入错误信息,以至于目标跟踪失败或者出现目标跟踪框漂移现象。本文在基于Struck跟踪算法框架的基础上提出了一种具有遮挡和尺度变化自适应性的跟踪算法。具体为引入遮挡与形变判断机制,在检测到存在较大尺度形变或者较大比例遮挡后停止分类器更新,并通过缩放搜索样本的尺寸解决目标尺寸快速变化导致的遮挡检测失效,更新跟踪目标框以修正当前帧的目标框的位置,通过点匹配以及Struck的在线训练学习结果进行预测解决目标全遮挡后的持续跟踪。实验证明,提出的算法框架对遮挡情形下的目标跟踪具有较高的鲁棒性。