随着智能移动终端数量的井喷式增长,全民参与拍摄或观看短视频已成为生活的常态;同时影视剧行业也正经历更深层次的变革,呈现出题材更加多元化以及内容更细分化的趋势。无论是搞笑幽默、体育竞技、影视剧还是教育类的视频内容都得到了爆发性的增长,各式各样的视频制作平台快速兴起和迭代。由于各类视频在实际应用时进行人工编辑过于耗时耗力,需要在没有任何用户给定信息的情况下对视频进行自动化分割,来实现人力的解放和视频处理效率的提高。考虑到人是这些视频中最重要的内容,需要针对视频进行包括人体本身、人体的附属物和手持物的整体分割。因此研究视频人物整体自动化分割技术对视频制作的平台和用户都有十分重要的意义。本文基于多目标跟踪算法,对视频中的人物整体进行无监督视频实例分割算法的研究和应用分析。主要完成以下工作:1.设计了一个基于多目标跟踪的无监督端到端视频实例分割网络,共由两个模块组成:a)设计分割模块。利用一个anchor-free的目标检测网络对骨干网络生成的特征图进行中心点位置、中心点偏移量、检测框大小的预测。通过将这三个预测结果结合起来,得到目标实例的候选框,然后设置置信度得分阈值进行筛选。进而在骨干网络生成的特征图上,利用Ro IAlign方法裁剪得到候选框对应区域的特征图。这些裁剪的特征图在经过五层卷积层后,每个像素将进一步被分为“人物整体”或背景两类,从而生成每个目标人物的掩码。b)修改跟踪模块。将跟踪目标的候选框和对应的预测掩码进行匹配和保存,然后进一步得到对中心点处re-ID特征相似性、卡尔曼滤波、Io U阈值等条件进行限制的匈牙利匹配结果,并对跟踪轨迹做相应的处理。对于视频序列中的同一对象,统一其在每一帧的掩码颜色。最终我们的网络实现了对视频人物整体的自动分割。2.针对我们提出的网络所存在的问题,做出以下三点改进:a)引入非极大值抑制的替代方法Confluence。我们提出的网络存在对同一人物预测出多个中心点,进而生成多个候选框,最终导致出现单个人物的掩码具有多重颜色的问题。针对这一问题,我们通过Confluence算法选出最佳候选框,得到了有效的解决。b)引入外部注意力机制。通过这种轻量级注意机制,利用两个外部记忆单元,对自身样本内的信息和不同样本间潜在的联系进行学习,在一定程度上提高了分割掩码的精度。c)引入混合剪贴的数据增强方法。利用混合剪贴数据增强方法,在原有数据集的基础上构建了更为丰富的训练数据,缓解了稀有形态人物的数据量不足导致的分割不精确问题。