运动分割是计算机视觉与视觉信息处理领域的一种重要运用,它是分析视频场景与目标跟踪技术的基础,所以在很多方面都得到应用,比如:视频监控,汽车自动驾驶,自动导航,自动追踪等领域。近几年,视频数据在急速扩张,传统的聚类算法在面对如此高维的数据的时候已经显得很乏力,所以算法的改进是一直被广泛关注的课题,同样,在运动分割领域,高维数据,异常值数据,视角的不确定性都对传统算法提出了挑战,所以对现有的运动分割算法进行改进是很有必要的。近期一种名为子空间聚类的算法很好地解决了高维数据的问题,利用子空间的方法将高维数据进行降维,利用降维后得到的数据构造相似度矩阵,再进行K-means算法处理,就可以得到聚类结果。但现在此方法也有很大局限性,在应对异常值过多的视频序列时表现不是很好,而且,就是面对视角多变的视频时也不是很稳定。本文将针对上述几个问题上进行研究。在对物体运动进行运动分割时,通常会遇到运动物体被遮挡等问题,传统的运动分割方法没能很好地解决此问题。对于Hopkins155数据集来说,大多视频的场景都比较小,所以要对这种视频进行运动分割,应该有最适合的矩阵模型去对视频的运动进行拟合。针对这些问题,本文研究了一种基于相似度矩阵和单应性的运动分割方法,用单应性矩阵模型去拟合场景,相似度矩阵的方法对解决遮挡问题有着更好的效果。从实验的结果分析,这种基于单应矩阵的方法在对hopkins155数据集进行运动分割中,在准确率上有不少的进步。但是如果换成别的具有大视角的数据集时,单应性矩阵的效果不是太好,所以本文也研究了一种基于互补几何模型的方法,融合了仿射矩阵,单应矩阵与基本矩阵的优势,使算法在具有真实性的数据集时,也能有很好的效果。传统算法太注重基于轨迹的运动分割,导致准确率不能继续提高,而数据集中的轨迹数据都需要手动处理,所以应对别的视频数据集就不太稳定。所以本文还研究了一种基于特征点与成对匹配的运动分割方法,因为是新的思路,实验结果有些并不如之前的方法,但在普通的数据集上都能适用,实验结果表明本方法也到达了很高的准确率。