本发明公开了基于人机交互的视频图像中目标自标注方法，包括如下步骤：对视频图像进行预处理，获取视频图像的当前帧图像，在当前帧图像上以跟踪目标所在位置为中心，以目标大小的2‑5倍的范围选取候选区域；利用分类器模型在候选区域中获取候选目标所对应的目标位置；对视频图像中候选区域的目标位置矩形框内的图像进行RGB颜色空间转换到HSV颜色空间；对当前帧视频图像中候选区域目标位置区域进行分析。本发明增强了对目标的特征提取能力，在保持相同数量参数的情况下，进行更大的图像区域特征提取，保证了特征提取的最大化，有助于后续跟踪关联匹配的准确性提升，降低被遮挡目标被估测错误的概率，实现对整个视频图像中目标的准确跟踪。