基于MATLAB编写完整的单目标跟踪算法，输入为视频，输出为目标的ROI坐标

单目标跟踪算法可以分为以下几个步骤：

1. 目标检测：使用目标检测算法（如HaarCascade、HOG+SVM、YOLO等）在第一帧图像中检测出目标，并将其ROI作为初始跟踪框。

2. 目标特征提取：使用特征提取算法（如HOG、SIFT、SURF等）从目标的ROI中提取特征。

3. 目标匹配：使用匹配算法（如基于相似度的匹配、卡尔曼滤波、粒子滤波等）将当前帧中目标的特征与第一帧中的特征进行匹配，得到目标的位置。

4. 目标跟踪：使用跟踪算法（如均值平移、卡尔曼滤波、粒子滤波等）对目标的位置进行跟踪，更新目标的位置。

下面是一个基于HOG+SVM的单目标跟踪算法的MATLAB代码示例：

% 读入视频
v = VideoReader('test.avi');

% 读入第一帧图像
frame = readFrame(v);

% 对第一帧图像进行目标检测，得到目标的ROI
detector = vision.CascadeObjectDetector('MinSize', [50 50]);
bbox = step(detector, frame);
if isempty(bbox)
    error('未检测到目标！')
end

% 提取目标ROI的HOG特征
roi = frame(bbox(2):bbox(2)+bbox(4)-1, bbox(1):bbox(1)+bbox(3)-1, :);
hog = extractHOGFeatures(rgb2gray(roi));

% 初始化SVM分类器，训练样本为第一帧目标ROI的HOG特征
svm = fitcsvm(hog, 1, 'KernelFunction', 'linear');

% 开始跟踪
while hasFrame(v)
    % 读入下一帧图像
    frame = readFrame(v);
    
    % 对当前帧进行目标检测
    bbox = step(detector, frame);
    if isempty(bbox)
        % 如果未检测到目标，则跳过当前帧
        continue;
    end
    
    % 提取当前帧目标ROI的HOG特征
    roi = frame(bbox(2):bbox(2)+bbox(4)-1, bbox(1):bbox(1)+bbox(3)-1, :);
    hog = extractHOGFeatures(rgb2gray(roi));
    
    % 使用SVM分类器对当前帧目标ROI的HOG特征进行分类
    [~, score] = predict(svm, hog);
    
    % 如果分类得分高于阈值，则认为目标跟踪成功，更新目标的位置
    if score > 0.8
        bbox = bbox + [bbox(3)/4, bbox(4)/4, bbox(3)/2, bbox(4)/2];
    else
        % 如果分类得分低于阈值，则跳过当前帧
        continue;
    end
    
    % 显示目标跟踪结果
    frame = insertShape(frame, 'Rectangle', bbox, 'LineWidth', 2, 'Color', 'red');
    imshow(frame);
end

这个示例代码实现了一个基于HOG+SVM的单目标跟踪算法，其中使用了MATLAB自带的目标检测工具箱和机器学习工具箱。在每一帧中，首先使用目标检测算法检测目标，然后提取目标ROI的HOG特征，使用SVM分类器对其进行分类，如果分类得分高于阈值，则认为目标跟踪成功，更新目标的位置并在图像中显示出来。