視頻目標跟蹤分爲：單目標跟蹤和多目標跟蹤
1 單目標跟蹤（也稱視覺跟蹤）
不需要任何目標對象類型的先驗知識，可以用來跟蹤任意感興趣的目標。通過人爲初始化視頻場景中的感興趣區域，單目標跟蹤算法需要尋找該區域中的指定目標在後續視頻幀中的位置。典型的單目標跟蹤算法主要包括四個部分：初始化、運動模型、外觀模型和更新模型。
1.1 初始化：
確定要進行跟蹤的目標的初始位置和大小，在數據集中通常由人工標註獲得，而在實際中也可以由目標檢測算法提供。
1.2 運動模型：
運動模型對目標的運動狀態進行建模，用來預測目標在下一幀可能出現的位置或生成一組候選樣本供外觀模型評價。
1.3 外觀模型：
外觀模型通過對目標外觀進行建模，用來評價候選位置或候選樣本，並選擇最優的候選位置或候選樣本作爲目標在當前幀的跟蹤結果。
1.4 更新模型：
更新模型根據跟蹤結果對外觀模型和運動模型進行更新，以適應目標和背景的動態變化，如目標自身的形變、旋轉以及背景的光照變化、遮擋等。大多數單目標跟蹤方法主要關注的是爲跟蹤目標建立一個魯棒的外觀模型，以便在跟蹤過程中遇到遮擋、形變、光照變化、視角變化、快速運動和相似背景等挑戰因素時，可以魯棒地將跟蹤目標與視頻背景區分開來。
單目標跟蹤算法可以分爲兩類：基於生成模型的方法和基於判別模型的方法。
2 生成模型方法
基於生成模型的方法僅僅對跟蹤目標自身的外觀進行建模，通過計算過去幀的目標與當前幀的候選區域的外觀表示之間的匹配誤差或相似度，選擇與目標匹配誤差最小或相似度最大的候選區域作爲跟蹤結果。常見的基於生成模型的單目標跟蹤方法如下幾種：
2.1 模板匹配：
是一種最簡單的基於生成模型的方法，通過將跟蹤目標區域原始像素或其外觀表示作爲模板，選擇與該模板匹配誤差最小的候選目標區域作爲跟蹤結果。常見的做法是採用顏色直方圖來表示目標，用巴氏係數來計算目標模板與候選區域之間的相似度，通過均值漂移算法搜索與目標模板最相似的圖像區域作爲跟蹤結果。
2.2 增量子空間：
增量子空間學習方法也被用於基於生成模型的目標跟蹤算法中，跟蹤目標被投影到通過主成分分析學習得到的線性子空間或流行空間中，選擇在子空間中的投影誤差最小的候選樣本作爲跟蹤結果。
2.3 稀疏表示：
基於稀疏表示的生成式跟蹤方法得到了很多研宄者的關注，通過對目標訓練字典，利用字典對候選樣本求解稀疏表示進行稀疏重構，根據重構誤差來確定跟蹤結果。