运动序列是指人体运动或物体运动时的时序运动信号数据，具有高维向量、耦合性很强等特点。时序序列在很多方面都有应用，例如，运动检测、运动捕获。根据获取到的运动序列数据方法不同，运动序列的分析方式有数据关键帧提取和图像分割。

运动序列是指人体运动或物体运动时的时序运动信号数据。运动序列在很领域都有应用，例如体育界，根据运动员训练和比赛时的运动序列，分析运动员的不足，提高运动员技术；在动画生成中，利用运动捕获技术实时地检测、记录表演者的肢体在三维空间中的运动轨迹，捕捉表演者的动作，并将其转化为数字化的“抽象运动” ，以驱动虚拟人模型，使动画制作过程更为直观,效果更加生动逼真。

运动检测是计算机视觉系统的一项重要功能，广泛应用于视频监控、车辆自主导航、视频压缩、动目标智能跟踪和自动目标识别等方面。然而，背景运动、光照变化以及目标的结构尺寸及形状变化等因素使得运动检测十分困难。若将目标运动视为刚体运动，则这些因素主要由摄像机和目标运动引起。按照摄像机及目标相对于真实世界的运动状况，可以将目标检测问题分成静止摄像机静止目标、静止摄像机运动目标、运动摄像机静止目标和运动摄像机运动目标4种类型。运动目标检测方法有：背景图像差分法、时态差分法和光流法。光流法运算公式复杂，计算量大，在没有特殊硬件支持的条件下很难达到实时要求。所以在对实时要求很高的情况下都会采用计算相对简单的背景图像差分法和帧间差分法。

运动捕获技术是一种新的动画生成技术，它实时地检测、记录表演者的肢体在三维空间中运动轨迹，捕捉表演者的动作,并将其转化为数字化的“抽象运动”，以驱动虚拟人模型，使动画制作过程更为直观,效果更加生动逼真。运动捕获技术是近年来角色动画研究的热点问题，被广泛地应用于电影广告、数字娱乐 、体育仿真等领域。在运动捕获技术的广泛使用过程中，越来越多的三维运动数据库可供动画师选择。但在基于高频采集到的运动数据里存在大量的冗余信息，为了更加有效地把运动捕获数据用于人体运动合成，以及更加方便地存储、 传输或浏览运动数据库的内容，需要提取出表示运动数据内容的关键帧。运动数据有其内在的特征，首先，运动数据是高维向量，和视频、图像文件一样，它们对存储空间要求很大。利用提取的关键帧，可以有效地节省存储空间。其次，采用人工的方法对运动数据库进行标注,容易造成主观理解不统一的问题。而较好的关键帧提取方法可以有效地提取出表示运动序列内容的关键帧，通过浏览运动序列的关键帧，用户可以快速地了解运动数据库的内容。

耦合性（Coupling，dependency，或称耦合力或耦合度）是一种软件度量，是指一程序中，模块及模块之间信息或参数依赖的程度。耦合性可以是低耦合性（或称为松散耦合），也可以是高耦合性（或称为紧密耦合）。以下列出一些耦合性的分类，从高到低依序排列：

内容耦合（content coupling，耦合度最高）

也称为病态耦合（pathological coupling）当一个模块直接使用另一个模块的内部数据，或通过非正常入口而转入另一个模块内部。

共用耦合/公共耦合（common coupling）

也称为全局耦合（global coupling.）指通过一个公共数据环境相互作用的那些模块间的耦合。公共耦合的复杂程序随耦合模块的个数增加而增加。

外部耦合（external coupling）

发生在二个模块共用一个外加的数据格式、通信协议或是设备界面，基本上和模块和外部工具及设备的沟通有关。

控制耦合（control coupling）

指一个模块调用另一个模块时，传递的是控制变量（如开关、标志等），被调模块通过该控制变量的值有选择地执行块内某一功能;

特征耦合/标记耦合（stamp coupling）

也称为数据结构耦合，是指几个模块共享一个复杂的数据结构，如高级语言中的数组名、记录名、文件名等这些名字即标记，其实传递的是这个数据结构的地址;

数据耦合/数据耦合（data coupling）

是指模块借由传入值共享数据，每一个数据都是最基本的数据，而且只分享这些数据（例如传递一个整数给计算平方根的函数）。

消息耦合（message coupling，是无耦合之外，耦合度最低的耦合）

可以借由以下二个方式达成：状态的去中心化（例如在对象中），组件间利用传入值或消息传递 (计算机科学)来通信。

无耦合：模块完全不和其他模块交换信息。

图像分割是图像处理与机器视觉的基本问题之一，图像分割（Segmentation）指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。其要点是把图像划分成若干互不交迭区域的集合。这些区域要么对当前的任务有意义，要么有助于说明它们与实际物体或物体的某些部分之间的对应关系。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。