最近几年,随着计算能力的提升,与视频相关的应用不断扩展,其中很多为实时系统,如增强现实系统,视频会议系统等。这些系统往往需要对视频中感兴趣的物体进行精确分割,以便对相关的区域进行特殊处理。与传统的离线视频分割不同,在线视频分割不仅要求速度快,而且在分割过程中不允许进行用户交互,因此对分割算法的性能和可靠性都有很高的要求,到目前为止还有很多问题有待解决。本文对在线视频分割所涉及的一系列关键问题进行了研究,其内容和创新工作主要有：(1)对在线视频分割已取得的成果进行回顾和总结,在此基础上提出了本文将要研究的四个问题,即静止背景场景的鲁棒分割、动态背景场景的实时分割、分割的自动初始化以及对分割结果的实时后处理。(2)提出了一种基于置信度的颜色分布模拟方法,以改善对静止背景场景视频分割的鲁棒性。该方法通过估计全局颜色模型和背景模型的置信度,使得二者在每个像素上都能达到最优组合,从而大大减少了前、背景包含的相似颜色所引起的错误。(3)提出了一种实时的递推式视频分割算法,将在线视频分割推广到视点移动的情况。其核心是一个基于时间连续性的的局部颜色模型,该模型不仅比全局颜色模型更精确,而且可以被实时构造。利用该模型可在没有背景信息的情况下,将上一帧的分割结果精确地传递到当前帧,从而使得对动态背景场景的实时分割成为可能。(4)提出了一种在线视频分割的自动初始化方法。传统的在线视频分割初始化要求提供背景图或第一帧的分割结果,或者需要针对特定的场景进行离线学习,在实际应用中显得很不方便。本文方法基于一种新的运动分割算法,该方法无需进行学习,即可在前景运动时从两相邻帧中提取出前景的完整分割。(5)提出了一种实时的分割后处理算法,以消除二值分割在边界附近的微小误差。二值分割的结果在边界附近容易出错,从而造成闪烁。传统的方法都通过对边界进行模糊来改善合成效果,但结果往往不够理想,而较复杂的方法又不能达到实时。本文所提出的后处理算法能够同时满足对精度和速度的要求,从而较好地解决了这个问题。(6)论文最后对全文的工作进行总结,提出了需要进一步深入研究的一些问题。