本文将ICA方法应用于实际运动图像序列的分析与处理，在介绍独立分量分析的基本理论和算法的基础上，提出采用基于FastICA算法和Infomax算法对实际视频图像中的运动目标进行运动检测的方法，取得了较好的检测结果。实验结果表明该方法简单，鲁棒性强，克服了传统的帧差法对摄像机和光照条件的变化敏感的缺点，具有较强的自适应性。且能同时检测出运动目标的轮廓，实验结果表明了该方法的有效性和实用性。

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。

检测效果分析

实验结果表明，ICA具有较强的图像分离能力，且方法简单，自适应强，对于视频图像，做ICA分离后能够清晰的看出运动目标的轮廓，去除了背景后的视频图像中的运动目标轨迹也清晰可见。该方法非常适合于运动目标在静止的摄像机拍摄情况下的序列图像处理。由于背景灰度变化后仍认为是同一独立分量，不会影响分离结果。并且由图4-3（FastIC3）可以看出ICA算法可以很好的恢复背景图像。就FastICA算法和Infomax算法而言，FastICA算法收敛速度更快，但Infomax算法的运算量更小，它们的分离效果很相似，没有明显差别。较传统的运动检测方法，基于独立分量分析的运动检测方法具有较强的抗图像背景灰度变化的能力，且能检测出运动目标的轮廓，是一种鲁棒性较强的运动目标检测方法。但是，独立分量分析的方法还不够成熟，稳定性也不够好，相信随着这一理论的进一步完善，可以取得更好的运动目标检测效果。

首先，本文通过对连续帧间差分法、背景差分法、光流法这三种传统的运动检测方法进行理论分析与运动检测，发现由于系统和传感器的固有噪声、目标周围背景的干扰、天气、光照的变化、运动目标的影子、摄像机的抖动以及运动目标的自遮挡和互遮挡现象等这些干扰因素的存在，给图像序列中运动目标检测带来了极大的困难。可以看出每一种检测方法都有自身的优势和缺陷。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，采用了多维数字信号处理方法-独立分量分析方法（ICA：Independent Component Analysis）进行检测，希望能准确检测出运动目标的轮廓，并能很好地解决干扰因素对检测的影响。在介绍独立分量分析的基本理论和算法的基础上，提出采用基于Fast1CA算法和Infomax算法对实际视频图像中的运动目标进行运动检测的方法，并将该算法用MATLAB编程实现。实验结果表明该方法能准确的检测出运动目标的轮廓，是一种有效的运动目标检测方法。