运动目标的分割是计算机视觉领域里一个重要的研究方向,它是一个应用基础研究并富于挑战性。它不限于某个特定问题,而是应用了多学科的理论,对该领域的研究具有重要的理论价值和实际意义。多年来,随着不断的深入研究和实践,以及多媒体技术的迅猛发展,运动分割的研究已经取得了很大的进展,并应用于很多领域。但是迄今为止这个课题仍然存在许多问题没有解决。本文首先对目前的一些常用的运动分割理论算法特点及不足给出了简要的评述;然后着重从三个方面详细的阐述了本文采用的分割的理论和方法:第一,通过基于HOS的运动检测确定一个初始的运动变化区。首先,本文简要介绍了基于帧差运动检测方法及帧间差分模型,然后以帧差图像为基础,采用HOS统计的方法来检测运动变化区。对于HOS理论中的阈值的选择,本文采用了迭代更新计算的方法对整个差分图像的相对噪声进行估计,并将其噪声方差作为二值化的阈值。第二,基于参数模型的运动估计。在这一部分里,本文采用轴仿射模型作为运动模型,并采用一种取值有界的全局最优化算法DIRECT算法作为本文运动模型参数估计的算法。本文运动的估计是根据绝对位移帧差为准则定义运动目标函数,通过运动区域检测变化区确定每个运动目标的矩形支持区,并提取初始的轴仿射模型参数,然后采用DIRECT算法估计出轴仿射模型参数,并转换成传统仿射模型参数,最终作为运动估计的结果。这种方法是建立在轴仿射模型与传统仿射模型的等价关系上,通过主轴进行估计。这样估计的像素少,速度快,同时使运动参数的几何意义简单化,容易确定其相邻参数及参数的变化范围。第三,基于MRF模型的目标分割。在这一部分里,本文首先对MRF基本理论做了简要介绍;其次,计算每个像素点与经过每组仿射变换后所得到的下一帧像素点的灰度绝对差,并将此绝对差定义为本文的MRF能量函数数据项,最后采用基于图论的扩展移动算法实现MRF能量函数最小化。通过实验结果,与以往的传统条件迭代模式算法对比,实验证明,基于扩展移动的MRF算法能得出一个比较准确的分割结果。本文将上述三个部分结合在一起实现了基于运动估计的运动目标分割,所有方法都已经实现,文中给出各个部分的实验结果,证明本文提出的方法是有效的。