图像分割与目标跟踪都是计算机视觉中的基本任务。图像分割是图像处理中的一项最重要的基本任务,也是图像分析的前提和基础。而基于视觉的目标跟踪可以获得目标的各种运动参数,从而进行进一步处理与分析,实现对运动目标的行为理解,以完成更高一级的任务。经过多年的发展,已经出现了很多种的方法来解决这两个问题。分割算法分为基于区域、基于边缘和基于特定理论的,还有一类分割算法利用序列图像间运动信息对图像进行分析。跟踪算法分为基于特征点的跟踪,基于区域的跟踪和基于轮廓的跟踪。这些算法各有特点,可以解决不同情况下的图像处理问题,但是它们在过程中还是不能充分利用高层先验知识影响底层的图像数据处理,从而无法模拟人类视觉系统智能性。　　 70年代后期。Marr提出了传统计算机视觉理论。他将人类视觉任务分为三个自下而上的独立阶段。这种分层理论对计算机视觉领域产生深远影响。但是由于这种分层理论严格地将视觉任务顺序分为低层处理,中层分析和高层理解三个独立阶段,同时认为视觉底层任务只能依赖图像本身的信息来完成而不能使用高层信息。这在简化任务同时也将底层误差传到高层并不断放大而无法修正。当图像底层信息不足时,这些仅基于数据驱动的图像处理方法无法达到令人满意的结果。尽管某种具体图像分割或跟踪算法方法不可能满足所有图像的要求,但利用尽可能多的高层与底层信息,将图像分割成有意义和人们所期望的区域,实现对动态目标准确而快速的跟踪始终是研究者所追求的目标。1987年由Kass等人提出的主动轮廓模型即蛇模型(snake模型)[25]就是在针对如何能够有效地将上层知识和底层图像信息结合,用于图像分割及目标跟踪的背景下提出来的。目前,主动轮廓是将先验知识与底层处理结合的最好的图像处理方式之一。　　 本文的一个主要研究方向是如何正确、合理地将目标的先验知识应用到基于主动轮廓的图像分割与目标跟踪算法中,这也是主动轮廓方法的发展趋势;另外,如何将光学成像的先验知识加入到图像处理过程也是本文的重要研究内容。主要工作内容及成果有如下四部分:　　 1、基于目标形状特征的管状目标主动轮廓分割方法:在利用主动轮廓对管状目标进行分割时,期望主动轮廓可以沿着目标的延展方向生长。基于这一曲线演化的先验知识,首先在目标增强的基础上提取目标的延展方向,然后改变主动轮廓的演化方程,用延展方向控制曲线的演化方式,使得主动轮廓可以沿着管状目标演化,达到快速准确的管状目标分割。该算法可应用于医学图像中的血管分割和河流、道路等管状目标的分割。　　 2、基于梯度下降流的主动轮廓快速演化方法——两步法:当主动轮廓初始曲线远离被分割目标或者用于目标跟踪过程时,其演化过程一般具有先平移后变形的趋势,而曲线演化的状态与其平均梯度下降流有密切关系。利用这一先验知识,本文将主动轮廓的演化分为先全局平移后局部形变两个步骤,提出了具有独立的全局平移与局部形变的主动轮廓方法。该方法基于对HO内积空间中的梯度流分析,可以用来对目标进行高效的分割或跟踪。　　 3、基于目标先验分布的主动轮廓跟踪方法:将目标的分布作为先验知识加入主动轮廓的能量泛函中,提出了面向目标分布的C-V改进模型,提高主动轮廓跟踪算法的准确性。同时利用Mean Shift的快速收敛性和计算产生的目标概率模型,提出了主动轮廓与Mean Shift混合跟踪算法,在保证算法鲁棒性的基础上提高主动轮廓跟踪算法的计算速度。　　 4、提出了具有阴影抵抗力的动态目标检测与跟踪方法:阴影给很多视觉问题带来了困难。彩色图像的三色衰减模型描述了阴影区域衰减值的衰减关系,以此衰减关系作为先验知识,去除动态目标检测时的目标投射阴影问题;而且在三色衰减模型的基础上提出了阴影不变特征,设计了阴影背景下的目标特征选择方式,提出了对阴影具有鲁棒性的自动目标跟踪算法。试验结果显示了该算法可有效消除阴影对目标跟踪的干扰,解决了部分室外阴影条件下的目标跟踪问题。