基于视频的运动目标提取方法是当前计算机视觉领域的研究热点之一,在目标识别、目标跟踪等领域具有广泛的应用场景。然而,由于光照、阴影等因素影响,传统的运动目标提取方法都无法完全达到令人满意的结果。另外,图像的骨架是对目标的简化表示,同时保留了运动目标的主要动作信息,因此,可以采用骨架信息对运动目标的动作进行分析和描述。本文重点研究了如何在视频中提取出较为完整、准确的运动目标,并进行目标轮廓的骨架提取,从而为后续的运动目标分析做准备。本文分析了相关领域的研究现状,在当前研究现状的基础上,主要进行了以下工作:(1)针对传统的最大相似度区域合并方法(MSRM)仅通过颜色特征进行区域间的相似度合并,造成部分图像分割结果不完整、轮廓收敛不完全的问题,提出了一种改进的最大相似度区域合并方法。在当前方法的基础上,引入了灰度共生矩阵表示的纹理特征和GVF Snake模型对算法进行优化,将颜色与纹理特征进行融合,并以此计算帧内区域间的相似度,在区域合并之后,利用GVF Snake模型对目标的轮廓曲线进行进一步的收缩,从而得到较为准确的目标轮廓。(2)针对视频运动目标提取方法对于光线突变以及阴影等噪声敏感的问题,提出了一种基于SIFT特征的视频运动目标提取方法。首先,通过交互方式对视频中的第一帧图像进行前景-背景标注,通过改进的最大相似度区域合并方法提取出运动目标轮廓;然后,对相邻两帧图像进行SIFT特征点的匹配,并计算SIFT匹配点所在区域的相似度以完成下一帧图像的初始区域标注,接着通过改进的最大相似度区域合并方法提取出下一帧图像的目标轮廓。通过区域的初始标定以及帧间SIFT匹配,大大减少了光照变化以及阴影噪声对于背景模型的干扰,实现了对视频中运动目标的分割。(3)针对现有的骨架提取算法存在骨架不连通,生成的骨架不满足单像素要求等问题,提出了一种基于距离变换的骨架提取算法。首先,根据距离变换图像中像素点的特征,进行骨架状态的判定,接着,分别以骨架候选点和背景候选点为基准生成骨架。实验表明,本文提出的算法能够准确区分骨架点和轮廓点,从而实现骨架提取。