在计算机视觉中，二维视觉对象分割一直是一个基本难题。本文研究如何从视觉的两种基本输入—图象和视频—中进行二维视觉对象分割的研究，包括图象对象分割和视频对象分割。 ·图象对象分割 本文采用主动统计对象模型，包括主动形状模型和主动表面模型，进行人脸图象对象分割的研究。本文提出加权主动形状模型，主动形状模型的形状子空间优化以及主动表面模型的子空间优化等方法，取得了良好的效果。 - 主动形状模型在搜索过程中采用形状子空间的正交投影，而且没有利用搜索过程中的评价信息。本文提出一种基于评价信息的加权主动形状模型，评价信息基于局部纹理模型，用于衡量搜索形状与训练数据的匹配程度。本文利用这种评价信息，把搜索结果以加权方式投影到形状子空间，而不象一般主动形状模型采用正交投影。与正交投影相比，加权投影可以利用搜索过程中的评价信息，使得搜索可能跳出局部极值，从而得到更准确、更鲁棒的结果。 - 主动形状模型由两部分组成：形状子空间模型和搜索过程。在原始主动形状模型中，这两部分被割裂开来，先训练形状子空间模型，然后进行搜索。但是本文发现这两部分联系密切，相互作用，单方面改进其中一部分并不一定能提高最终性能。本文通过将总体误差分解为形状子空间引起的重建误差和搜索过程引起的搜索误差，提出一种根据搜索过程来优化形状子空间的方法。实验表明，这种方法能够极大地提高主动形状模型的性能。 - 与主动形状模型算法类似，主动表面模型也由两部分组成：子空间模型和搜索过程。尽管这两部分密切关联，然而现有方法都把它们分开处理，没有考虑对它们的整体优化。本文通过与主动形状模型类似的误差分解，提出一种根据搜索过程来优化子空间模型的方法。与优化主动形状模型的形状子空间不同的是，主动表面模型有三个子空间：形状子空间，纹理子空间和表面子空间，因此这种方法是主动形状模型的形状子空间优化的多维推广。实验结果表明，本文提出的方法能够快速、准确地找到最优子空间，从而极大地提高主动表面模型的性能。 ·视频对象分割 视频对象分割包括自动分割和半自动分割。本文分别提出基于统计推断的自动视频对象分割算法和基于层次光流的半自动视频对象分割算法。 - 减背景法是视频对象自动分割的基本方法，但是不同的环境光照条件常常给视频对象分割带来困难。本文提出一种基于统计推断的减背景法，首先建立背景统计模型，然后对后续帧进行假设检验，从而分割视频对象。同时，本文采用HSV颜色空间，通过对背景统计模型中各颜色分量的有效分析和区别使用，能够很好地适应不同的环境光照条件。实验表明，本文算法能够在各种光照环境下自动地实现视频对象的准确分割。 - 基于层次光流的半自动时空视频分割算法由空域分割和时域分割组成。在空域分割中，本文提出基于点的图形用户界面，在用户的协助下能够精确地定义需要分割的视频对象。根据空域分割的结果，时域分割采用层次光流算法进行非刚体的边界跟踪和刚体的整体跟踪。特别地，在刚体的整体跟踪中提出跟踪点选择算法，极大地提高了分割性能。实验结果表明，利用本文提出的算法，能够较精确地分割出视频对象。