论文研究主要内容及结构安排
图像序列中的运动检测问题实质上是得到图像序列中的运动信息，提取图像中的运动目标，也就是从序列图像中将变化区域从背景中分割出来的一个过程[4]。由于存在许多制约因素以及检测算法的计算简单与否、费时多少等方面，使得许多检测方法或多或少地在某些方面都存在一定的缺陷。通过分析、总结多种图像序列中的运动检测方法，在传统的基础之上进行了一些改进，试图采用多维数字信号处理方法-独立分量分析方法（ICA：Independent Component Analysis）[4]进行检测，希望能准确检测出运动目标的轮廓、方向和轨迹，并能很好地解决干扰因素对检测的影响。
论文共分四章，结构安排如下：
第一章主要介绍运动检测的意义和研究背景，以及论文内容与结构安排。
第二章主要介绍一些传统的运动检测方法及检测实验。
第三章主要对ICA算法进行理论分析，选择了两种经典的ICA算法进行介绍。
第四章是笔者在本课题中所做的主要工作，也是本文的核心内容。重点介绍了图像序列中基于ICA的运动检测，分别基于FastICA算法和Infomax算法进行了检测实验，并对结果进行了比较分析等。
最后是对该课题的研究进行总结，同时指出在图像序列中运动检测领域中期待解决的一些问题。
运动目标检测
运动目标检测处于整个视频监视系统的最底层，是各种后续高级应用如目标跟踪、目标分类、目标行为理解等的基础。运动目标检测是指从视频流中实时提取目标，一般是确定目标所在区域和颜色特征等。运动目标检测的结果是一种“静态”目标即前景目标，由一些静态特征所描述。运动目标检测依据前景目标所处的背景环境，可以划分为两类，静态背景下运动目标检测和动态背景下运动目标检测，本章结合论文的工作实际主要研究摄像机不发生运动的静态背景运动目标检测算法。
相对于静止信息来说，运动信息更能引起人们的注意，也更加有用。例如，对于自动视频监控系统，监控对象的变化也是它更感兴趣的信息。自动视频监控系统是利用摄像机采集到的图像序列对监控的对象进行不间断监视，如出现异常情况，给出报警信号，通知有关人员进行及时处理。为了对监控对象的变化进行检测，系统要对采集得到的图像序列进行有效地处理，从中分离出变化信息，对于一般场合变化信息就是目标的运动。
2.1运动目标检测的基本方法
运动目标检测效果的好坏直接关系到运动目标跟踪[5]，而且也关系到整个系统的优劣和实用性。一个好的运动目标检测算法，应该能适用于所监视的各种环境，通常一个优秀的运动目标检测算法应具有以下的特征：
1.不依赖于摄像头的安装位置；
2.在各种天气条件下应是鲁棒的；
3.对环境光线的变化应是鲁棒的；
4.应能够处理杂乱无章的大面积区域的各种运动；
5.能适应场景中个别物体运动的干扰，如树木的摇晃，水面的波动；
人们总是希望能有一个能适用于监视各种各样环境，能够满足各种要求以及普遍适用的一个运动目标检测算法，但是实际应用中要达到这样的要求是十分困难的，因为实际应用中不但要考虑到算法要尽量适用于多种环境，而且一般还要在算法的复杂度、可靠性，以及实时性等诸多方面折中考虑。
下面章节介绍三种传统的运动检测方法，连续帧间差分法、背景差分法和光流法[6]。
2.1.1连续帧间差分法
对于许多应用来说，检测图像序列中连续帧图像的差异是非常重要的步骤。场景中任何可观察的运动都会体现在场景图像序列的变化上，如果能检测这种变化，就可以分析其运动特性。进一步，如果目标的运动限制在平行于图像平面的一个平面上，则可以得到目标运动特性定量参数的很好估计。
图2-1 相邻两帧图像差分法基本原理流程
连续帧间差分法可分为相邻两帧图像差分和连续三帧图像差分，本节主要介绍相邻两帧图像差分法。相邻两帧图像差分法的基本运算过程如图（2-1）所示。步骤(1)利用公式（2-1）计算第k帧图像与第k-1帧图像之间的差别，得到差分后的图像 ，（2）对差分后图像 使用图像分割算法,对式（2-2）进行二值化处理，即认为当差分图像中某一像素的差大于设定的阀值时，则认为该像素是前景像素(检测到的目标)，反之则认为是背景像素。在对差分图像 二值化后还可以使用数学形态学对其进行滤波处理，然后得到图像 ，最后对图像 进行区域连通性分析，当某一连通的区域的面积大于某一给定阀值，则成为检测目标，并认为该区域就是目标的区域范围，就可以确定目标的最小外接矩形。
（2-1）
式中 , 为连续两帧图像; 为帧差图像。
（2-2）
其中T是二值化设定阀值。
基于连续帧间差分法的运动目标检测其主要优点是：
（1）算法实现简单；
（2）程序设计复杂度低；
（3）易于实现实时监视；
（4）由于相邻帧的时间间隔较短，因此该方法对场景光线的变化不太敏感，受目标阴影的影响也不太大，可以讲连续帧间差分法对动态环境有较好的适应性。
然而，这种方法在使用过程中还存在两个问题：一是两帧间目标的重叠部分不容易检测出来，即只能检测出目标的一部分：二是检测出目标在两帧中变化的信息，这样会存在较多的伪目标点，检测出的目标要比实际的目标大一些。分析原因，前者是由于我们直接用相邻的两帧相减后，保留下来的部分是两帧中相对变化的部分，因此两帧间目标的重叠部分不容易被检测出来；后者是由于相邻两帧必然存在的灰度变化所产生的。
2.1.2背景差分法
为了消除连续帧间差分法所存在的两个问题，改善检测效果，发展了背景差分法。其原理如下图所示。
图2-2 基本背景差分法原理流程
基于背景差分方法的原理非常简单，其基本运算过程如图2-2所示：首先利用公式(2-3)计算背景图像 与当前帧图像 的差，然后依据公式(2-4)对差分图像 进行二值化和形态学滤波处理，并对所得结果进行区域连通性分析，当某一连通的区域的面积大于某一给定阀值，则成为检测目标，并认为该区域就是目标的区域范围，就可以确定目标的最小外接矩形。
(2-3)
其中 , 为连续两帧图像; 为帧差图像。
(2-4)
其中T是二值化设定阀值。此方法的主要特点是：
（1）要求使用当前被监视环境中的一幅静态背景图像;
（2）利用背景图像与当前帧图像的差进行运动目标检测。
基于背景差分的运动目标检测虽然较连续帧间差分法可以提取出更为完整的目标图像，但所采集到的背景图像随着时间的推移，会对光照和外部条件造成的场景变化比较敏感，会出现许多伪运动目标点，影响到目标检测的效果。
2.1.3光流法
光流计算技术是Gibson于1950年提出的。所谓光流是指图像中模式运动的速度。它是一种二维（2D）瞬时速度场，其中（2D）速度矢量是可见的三维速度矢量在成像平面上的投影。
基于光流方法的运动检测采用了运动目标随时间变化的光流特性。其基本原理是：给图像中的每一个像素点赋予一个速度矢量，这就形成了一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。如果图像中没有运动目标，则光流矢量在整个图像区域是连续变化的，当物体和图像背景存在相对运动时，运动物体所形成的速度矢量必然和邻域背景速度矢量不同，从而检测出运动物体的位置。例如有些学者研究出的一种通过计算位移向量光流场来初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标。光流法虽然能够适用于静态背景和动态背景两种环境，有较好的适应性，但是这种方法的计算复杂度高，运算时间开销很大，从而导致这种方法的实时性和实用性都比较差，很难满足实时运动目标检测的要求，所以本论文未采用该方法。
2.2 图像后处理
为了从图像中分离出对象物，需要把图形(对象物)和其背景作为二值图像处理和数学形态学滤波[7]。
2.2.1图像的二值化
图像的二值化按下述公式进行：
（2-5）
式中， 是原图像中位于 处像素的灰度； 是二值化后该处的像素值，它只能取0或1, T为用于二值化处理的阀值。
通常，将上式所得二值图像中数值为0的部分表示背景，数值为1的部分表示对象图形。图像二值化的关键是如何确定阀T，这称为阀值选择。图像用阀值进行二值化处理可分为全局阀值化和自适应阀化两种。
对图像进行全局化阀值处理时用到的确定阀值的主要方法（1） p参数法；（2） 状态法；（3）微分直方图法；（4）判别分析法；（5）双固定阀值法。
自适应阀值化在许多情况下，图像中背景的灰度值并不是常数，对象和背景的对比度也有变化。因此，当图像中不同位置的平均灰度值有较大变化时，仅用一个阀值对灰度图像进行二值化处理是不够的。如果针对图像中的不同灰度分布，把灰度阀值取为随位置变化的函数是适宜的。这种用不同的阀值来二值化图像的方法称为自适应阀值法，可获得很好的效果。
2.2.2数学形态学滤波
为了解决阀值分割后的差分图像可能会存在的一些目标空洞和少量的孤立噪声的问题，使用了数学形态学图像处理。形态学一般指生物学中研究动物和植物结构的一个分支，后来人们用数学形态学表示以形态为基础对图像进行分析的数学工具。数学形态学的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。该技术一般以二值图像为处理对象，但也可以用在某些灰度图像的应用中。
形态学运算主要用于如下几个目的：
图像预处理(去噪声、简化形状)
增强物体结构(抽取骨骼、细化、粗化、凸包、物体标记)
从背景中分割物体
物体量化描述(面积、周长、投影、Euler-Poincare特征)
黑白点的集合构成了二值图像的描述。假定只考虑黑色像素，其余部分认为是背景。基本的形态学变换是膨胀和腐蚀，由这两个变换可以定义更多的形态学运算，如开运算、闭运算和形状分解，等等。
2.3实验结果与分析
（1） 背景差分法
使用背景差分法的实验效果如图2-3所示，其中图2-3（a）为背景图像，图2-3-（b）为包含运动目标的场景图像，而图2-3（c）就是使用背景差分法后获得的结果图像。可以看出，运动目标被完整准确的提取出来，而背景则被差分法减掉了。但是，背景减除法同时还存在一些固有的缺点，用减除法去处理目标由静止开始运动的情况，就会出现“鬼影”现象。背景减除法也不适用于摄像机运动的情况，摄像机的运动导致背景的改变，从而使背景减除法失效。它一般能够提供最完全的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。
