یکی از اساسی ترین نیازهای بشر در عصر حاضر ، ارتباطات می باشد که با گسترش فناوری های مخابراتی هر روز ابعاد تازه تری به خود می گیرد به ویژه با گسترش رو به افزایش شبکه های کامپیوتری محلی و اینترنت و اقبال عمومی در استفاده از این شبکه ها نیاز به روشهای جدیدی برای ارسال انواع اطلاعات از جمله اطلاعات ویدئویی روی این شبکه ها کاملا حس می شد. طراحی ‏‎(moving picture expert group)mpeg-4‎‏ در آغاز به منظور پاسخ دادن به چنین نیازی آغاز شد اما به مرور این استاندارد به جای اینکه صرفا برای افزایش ضریب فشرده سازی طراحی شود مفهوم دیگری را معرفی کرد که از آن می توان به عنوان تحولی در عرصه پردازش تصاویر متحرک نام برد . در این روش به جای پردازش یک قاب از تصویر ویدئویی می توان قسمتی از این قاب که تحت عنوان یک شی ویدئویی ‏‎video object‎‏ معرفی می شود را پردازش کرد. در واقع مفهوم شی گرایی معرفی شده توسط ‏‎mpeg-4‎‏ با ویژگیهای چشم انسان تطابق کامل دارد و با این روش امکان پردازش قسمتی از تصویر که مورد توجه می باشد فراهم می گردد . در واقع مفهوم شی گرایی با جداکردن اطلاعات تصویر از یکدیگر خدمت بزرگی به صنایع فیلم سازی ، بازیهای کامپیوتری ، تلویزیونهای تعاملی ‏‎interactive‎‏ کرده است .