图像分割,是指将数字图像划分为若干有实际意义的区域的过程,是计算机视觉方向的基础问题之一。近年来,随着多媒体、互联网技术的发展,视频作为信息传递的媒介在社会生活中发挥着越来越重要的作用。基于视频序列的图像分割开始兴起,并且在视频编码、异常检测与目标监控等方面发挥了非常重要的作用。过去数十年中,国内外大量学者针对视频分割问题,从不同角度提出了大量的算法,这些算法按照是否需要引入人工指导信息,可以分为自动视频分割算法与半自动视频分割算法。有学者在近期的文章中指出,当前的视频分割算法主要关注图像的纹理、颜色、轮廓等低级属性,对于物体的空间运动特征以及多物体间的关联性分析却较少。基于研究现状,在传统分割算法的基础上,关注多物体间的关联性,并引入超像素分割技术、运动目标检测技术、形态学滤波技术等,文章中提出了一种新的无监督的自动视频分割算法。算法采用运动目标检测技术提取视频图像的运动前景,利用超像素分割技术对运动前景进行表示,降低图像的数据维度,进而降低后续算法的时间、空间复杂度,以保证较好的实时性。引入联接、匹配的概念,对帧内、帧间超像素的物体关联性进行描述,以此建立超像素的联接权模型,将视频分割问题转为超像素的联接权计算问题。联接权模型建立后,算法利用当前帧的静态特征与前后帧的关联特征进行联接权计算,其中静态特征主要根据帧内超像素的空间位置关系获得,关联特征则需要引入视频序列的时序信息。为优化联接权计算的效率,算法利用帧内超像素间的颜色特征与帧间超像素的运动关联性特征,对计算时需搜索的匹配空间进行约束,提升搜索速率。为验证算法的有效性,分别在简单场景视频序列和复杂场景视频序列上进行了视频分割实验。简单场景下,算法保证了较高的召回率和稳定的准确率。复杂场景下,算法可以对部分人群完成单个人的切分。大量实验结果表明,算法能够实现视频图像的分割,并且有效解决过分割问题。