自动前景物体提取(Foreground object extraction)是计算机视觉领域的重要研究课题之一，它是图像分割(Image segmentation)的一个子问题。它研究如何自动地、正确地、高效地将图像分割成前景(我们感兴趣的部分)和背景。在过去的几十年中，前景物体提取在理论和应用上都取得了很大的进展。但是，仍然有些问题未能得到很好地解决。例如非完全自动性、低效、分割精度需进一步提高等问题依然存在。鉴于此，本文分别以“头肩分割”和“头发分割”为实验项目，就前景物体提取问题进行了探讨，并成功地将相关的研究应用到项目实践中，取得了以下的成果：　　 1.实现了一种基于GMM的针对“头肩分割”应用视频前/背景建模技术　　 传统的背景建模技术都是针对每个像素点来建立一个模型，所有单像素点模型的全体构成了整个背景模型。这个模型比较精确，但是不鲁棒，对噪声、光照改变和背景的微小变动都很敏感。Basic model正是出于这方面的考虑，在上述基础上加入了一个全局的背景颜色模型。这个全局背景颜色模型相对鲁棒一些，但是不够精确，Basic model建模方法就是以一个混合因子将两者混合起来，希望可以达到我们对模型精确度和鲁棒性上的要求。但是混合因子的设定又成了问题，一些研究者根据这两个模型的相关特性，提出了一种基于KL散度的自适应调节混合因子的方法，从而使我们的背景模型可以针对每一帧的背景自适应改变自己背景模型的构成，从而更加准确地、鲁棒地描述每一帧的背景特征。本文在此理论基础上对该背景建模方法进行了实现，并且通过背景减除和位置先验模型结合的方式来获取前景的样本，对前景也建造了一个模型。实验证实，这种前、背景建模技术是“头肩分割”应用的基础，该技术的实现对准确地提取出前景物体是大有益处的。　　 2.提出了一种基于人脸检测的自动“头肩分割”算法，并且实现了相关系统　　 “头肩分割”是前景物体提取方法在实际生活中的一个具体应用，它就是在一段序列(每一帧中有且只有一个人的头肩部分)中自动、准确地将人的头肩部分(前景)标定出来，其余的部分标成背景。以前的“头肩分割”算法大都是基于data/contrast工作框架的，该类头肩提取算法能够很好地将头肩部分标定出来，但是这类算法需要用户预先交互式地指定一些前景和背景的样本点，从而可以建造比较精确的前、背景模型。交互式的分割方式使用户不是很满意这类算法。本文针对这些方法的缺点，提出了一种基于人脸检测的自动“头肩分割”算法，该算法针对图像中只有一个人的头肩部分的特点，先对图像进行一次人脸检测，然后根据人脸检测的结果训练出一个头肩的先验位置模型出来，这个先验位置模型给出了一幅图像中人头肩所在的粗略位置，根据这个模型我们选出先验概率比较大的前、背景样本，从而实现了前、背景样本选取的自动化。同时我们还用我们的先验位置模型将我们的分割限制在相关的感兴趣区域，从而提高了我们算法的效率。实验证实，我们的算法基本上是全自动的高效分割算法，分割的正确率也是可以接受的。　　 3.提出了一种基于人脸检测的“头发分割”算法，并且实现了相关的系统　　 “头发分割”是基于静态图像的前景物体提取在实际生活中的一个具体应用，它是图像分割的一个子问题，它致力于在一幅人脸图像中自动、准确地将人的头发部分给标定出来，其余的部分标成背景。　　 早期的图像分割算法，像Snakes[25]，Level sets[26]和Intelligent Scissors[27]等都是一种交互式算法。用户首先指定一个初始化的边界，然后定义各种不同形式的能量函数，以它来驱动使初始边界慢慢调节到原图像的边缘外。这类分割算法的一个主要不足之处就是最终的分割结果比较依赖初始边界的设定，而且过多的用户交互也限制了这类方法的应用。在基于图论的图像分割算法中，以Normalized cut[21]算法为代表的谱分割算法能够分割出令人满意的结果，但是计算量太大使这类方法仅限在理论上研究，在实际中没能得到很好的应用。另外，Graph cut算法的用户交互性也总是不能让用户满意，一种全自动的高效“头发分割”算法亟待开发。　　 鉴于此，我们提出了一种基于人脸检测的高效“头发分割”算法，我们的贡献主要在2个方面：(1).我们掘取相关头发的先验信息建造一个先验模型，这个先验模型可以让我们自动地获取头发(前景)的样本，从而使我们的算法自动化，去除了用户交互性。(2).我们对源图像先进行了一次过分割，然后采取区域融合的策略来分割，而不是采用逐像素方式来分割，另外我们也用先验模型将我们的分割限制在感兴趣区域，从而提高了我们分割的效率。实验证明，我们的算法是一种高效的自动分割算法。　　 上述研究不仅有充实的理论基础，更是丰富了现有的图像分割算法的内涵和外延。而且我们从实验上验证了我们的相关想法，更是对实践中如何针对具体问题(如头肩分割)挖掘相关信息来分割具有指导意义。