视频序列中的运动目标分割是许多计算机视觉应用的关键步骤,例如视频监控和行为理解,等等。运动目标分割的主要任务是,从纷繁复杂的背景之中,把感兴趣的运动目标区域尽可能完整地提取出来。近十年来,学者门开发出了很多分割算法。早期的算法一般都属于参数建模的范畴,比如经典的混合高斯模型等。最近的算法大多是基于MAP-MRF分割框架的。实验表明,相对于早期的参数建模,基于MAP-MRF的算法能够有效地降低分割的噪声水平。除了分割噪声,分割算法一般还存在另外一个重要问题:分裂和缺损。分裂和缺损一般是由前景和背景颜色相似而引起的。当前景和背景颜色相似的时候,无论是在参数建模还是在MAP-MRF框架中,前景点都倾向于被误分类为背景点。本文的研究主题就是如何解决分割算法中的颜色相似性问题。首先,我们在MAP-MRF框架下深入地讨论了颜色相似性问题的的本质。分析表明,一个混淆点的存在和前景模型不够精确,是导致由颜色相似性问题而产生的象素漏检的本质原因。相应地,我们提出了颜色相似性问题的解决方案:移动混淆点,提高前景模型的精度。本文的所有研究工作都是基于对颜色相似性问题的分析。根据提出的颜色相似性问题的解决方案,本文主要做了如下工作:1.提出了融合各种加权方法来移动混淆点,或者用相似能量项来间接地移动混淆点。用于加权的权值可以是常数也可以是函数;常数可以在整个定义域上加权,也可以在一个小区间上加权。加权方法的目的是直接向右边移动混淆点。相似能量的目的是单独检测那些和背景颜色接近的前景点。在相似能量中虽然没有直接使用混淆点的概念,但是它也间接地达到了移动混淆点的目标。实验表明,函数加权方法和相似能量项能得到最好的效果。2.提出了使用各种特征来建立更精确的前景模型。设计新模型是基于这样的分析结论:前景目标的运动和形变,是造成前景模型不精确的原因。通过使用前景目标的运动信息来建模,这样就补偿了由运动而引起的模型不精确。获取前景运动信息的方法有预测跟踪等。通过使用前景目标的形状信息来建模,这样就补偿了由形变而引起的模型不精确。获取前景形变信息的方法有直方图相似性比较等。实验表明,每一种加权方法和新模型都是有效的,但是单独使用任何一种方法,都不可能完全解决颜色相似性问题。通过结合一个新模型和一种加权方法或者相似能量项,就几乎可以把被以前算法错误分类的前景点完全检测出来。3.把单目标分割推广到多目标分割,使得算法最后可以在真实环境中应用。但是,从单目标到多目标之间有一个物体识别的过程,因此多目标分割是困难的。本文提出的多目标分割方法在场景不拥挤的情况下效果良好,在拥挤的环境下就可能失败。开发出更好的多目标分割算法,是我们将来的研究方向。4.研究了模型性能评价的问题,并提出了相应的评价指标。