王学军，赵琳琳，王 爽

(吉林大学通信工程学院，长春130012)

视频对象分割是MPEG－4基于内容的编码系统中的关键技术之一［1］，这种分割技术被广泛应用于基于内容的检索、对象识别、对象跟踪、视频电话、视频监控和电视特技制作等领域。

时空联合的视频对象分割技术是比较常用的分割算法［2－3］，此种分割方法对于背景简单目标单一的视频序列取得了较好的分割效果，但对于背景复杂的视频序列，其分割精度却不高。高斯混合模型算法［4］、贝叶斯概率统计方法［5］和特征聚类算法［6］等也是视频对象提取常用的算法。这些算法的分割结果比较精确，但计算复杂度高，计算量较大，无法满足实时性的要求。

支持向量机(Support Vector Machine，SVM)是近年来发展起来的一种通用机器学习新方法。该方法是基于结构风险最小化原则，能较好地解决小样本、非线性、维数灾难和局部极小等问题。因此在手写体字符识别、人脸检测、文本及语音分类方面得到了广泛的关注。Zhang等［7］利用SVM实现了视频对象提取，该方法鲁棒性强，对摄像机的变化和光照变化均不敏感，但此方法无法实现自动分割，它需要人为地选取输入训练样本，并且分割的视频对象边缘也不够准确。

本文采用了主动学习(Active Learning)的思想，将SVM和主动学习结合起来，对传统的支持向量机进行了改进，实现了准确提取视频对象的目的。

1 SVM基本理论

SVM是基于结构风险最小化原理的统计学习理论，它是一种有坚实理论基础的新颖的小样本学习方法。……