图像分割是基于图像的目标检测、识别与跟踪的关键步骤,也是计算机视觉领域的研究热点之一。在过去的20年里,理论与实验大都致力于单目图像分割算法的研究,活动轮廓模型因具有易于建模且数学求解高效等优点,被广泛应用于单目图像分割。随着立体图像在目标识别、目标跟踪及自动导航等领域发挥重要作用,越来越多的学者开始关注立体图像分割技术。本研究借鉴用于单目灰度图像分割的活动轮廓模型的构建经验,结合初始轮廓自适应提取方法,实现了活动轮廓模型对复杂结构彩色立体图像的自适应且自动分割,为基于立体图像的目标自动检测、自动识别等应用提供理论支持。目前为止,研究者已提出诸多有效的活动轮廓模型,其中基于局部信息的Local Chan-Vese(LCV)模型因其不含有图像梯度,且对目标物体拓扑结构的变化适应性较好,而得到广泛应用。但其也存在诸多缺点,如对初始轮廓敏感,划分局部区域无参考准则,同时仅适用于分割单目灰度图像,不适用于彩色立体图像分割。为了克服以上问题与不足,针对双目立体图像,提出了一种基于活动轮廓和双目视差的前景目标分割算法。该算法包括自适应选择初始轮廓的位置和曲线演化两部分。首先,利用立体图像对的双目视差对目标图像进行预分割,然后将其分割结果构造为初始轮廓,由于基于双目视差提取的初始轮廓逼近前景目标边界,从而降低了对分割结果的影响。曲线演化以水平集方法为基础,以包含全部前景目标信息的局部图像为演化图像,既减少演化迭代次数,又降低了背景对分割结果的影响。利用标准立体图像对提出的分割算法进行了性能评价,实验结果表明本文提出的基于活动轮廓和双目视差的前景目标分割算法能有效分割立体图像。与传统的活动轮廓模型相比,在引入双目视差后,本文算法能自适应地定义初始轮廓,有效降低其对分割结果的影响,并且去除大部分背景,以局部信息进行曲线演化,减少轮廓曲线演化迭代次数,分割效率更高,最终得到令人满意的分割结果。