图像分割是计算机视觉与模式识别领域的一个重要研究的方向。物体轮廓的提取在各个方面所起的作用越来越重要,因此这方面的研究也越来越多。主动轮廓模型,Active Contour Model,又称为“蛇(snake)”,是一种全新的图像分割和目标提取方法,它是一个充分利用高层信息的自上而下的处理过程,通过它来提取感兴趣的目标或特性快捷而有效。主动轮廓模型是在内部能量、图像能量及其他约束作用下的变形曲线,其主要缺陷是模型对图像中的伪边缘和噪声敏感,且需要初始化在目标附近。为了增加模型对噪声和初始位置的鲁棒性,加入全局的区域信息是主动轮廓模型一个重要的发展方向。本文在详细论述了传统snake模型、分析其优缺点的基础上,从以下两方面着手对snake模型加以改进:一方面在能量函数方面,引入梯度向量流(Gradient Vector Flow)对模型的能量函数的各组成项进行改进,GVF的使用,克服了对深陷轮廓提取中存在的不足,然后我们使用改进后的八方向的sobel算子,改进后算子,抗噪能力强,定位比较准确,可适用于噪声较严重、纹理较复杂的图像边缘检测。使用八方向的Sobel算子检测出图像的边缘与由GVF的snake得到的物体的轮廓相与,得到物体的轮廓。另一方面,使用种子填充技术对图像进行预分割,并将得到的边界作为Snake模型的初始边缘轮廓再进行提取,提高了snake模型轮廓的收敛速度。最后通过填充和数学形态学处理实现视频对象的分割,提高对象的完整性。然后将首帧分割得到的对象轮廓模板作为初始值,实现后继帧对象的分割。本文采用基于豪斯道夫距离的对象跟踪,综合考虑了图像边缘的方向信息和位置信息,使得hausdorff模板匹配及模板更新环节具有比较好的效果。实验表明,采用这些方法后,即使在较为困难情况下,目标轮廓的提取和跟踪也能取得较好的效果。在对分割和跟踪策略进行研究的同时,注意到算法的使用性,强调了运动分割与时域跟踪之间的紧密联系。在对象提取策略中加入了预处理或后处理方法,为算法的有效应用提供了保证。