（a）图片原图(a)artwork
    
（b）图片灰度处理图（c）图片OTSU二值处理图
（b）Image gray processing map（c）OTSU image binary processing map
图 4.3  阈值二值化比较示意图
Fig. 4.3 Threshold binarization is schematic diagram
   通过实验结果图可以发现在用了OTSU最大类间方差法后，图像被分割成了前景、背景两个图像。在选取到最佳的阈值之后，背景与前景的差别将会是非常大的，为了能够提高分割的精度，如何选择衡量差别的标准就成为了关键。此算法就成功克服了这一难题，通过算法不断地计算和叠加，得到最佳阈值，使分割效果图更加精确。
4.1.3  视频中检测、跟踪前景运动物体的实验参数的选取和效果图
    本实验的二值图像是被经过阈值分割形成的，此结果图是被RGB空间检测出的。
    实验参数的选取：
1）cvCanny( pFrImg,forecanny,50,75,3);
    对前景图像进行canny 检测，提取边缘。其输出图像有两个阈值threshold1、threshold2，可以计算aperture_sizeSobel 内核大小（其详细可见函数cvSobel说明）。函数 cvCanny 采用了CANNY 算法检测出输入图像的边缘，同时在输出图像中标识这些边缘。两个阈值threshold1和threshold2参数的意义为：小阈值用来控制边缘连接，大阈值用来控制强边缘的初始分割。实验参数选取了大参数75，小参数为50。最后一个参数一般默认：aperture_sizeSobel=3。
2）cvThreshold(pFrMat, pFrImg, 50, 255.0, CV_THRESH_BINARY);
    阈值选取：50，大于此阈值时，取最大值255。
3）cvFloodFill(tempimage,seed,cvScalar(255),cvScalar(0),cvScalar(0),NULL,
8|CV_FLOODFILL_FIXED_RANGE|CV_FLOODFILL_MASK_ONLY|(255<<8),NULL);
    此函数负责进行漫水法的填充，从点seedpoint开始进行算法，第一个cvScalar决定了像素点的染色值，第二个cvScalar作为下标记，被染色的相邻像素点减去此值，第三个cvScalar作为上标记，被染色的相邻像素点加上此值。实验中，参数设定为填充色为白色，下、上标记都取为黑色。
    如图4.4所示,当检测环境在夜晚时移动物体被检测到时的效果图,右边为实时采集图检测跟踪的效果图,左边是在对于目标物体检测出轮廓后进行图像的填充的效果图。从结果图中，能够看出，OpenCV可以被用来检测出夜晚的移动的目标物体，并且其跟踪效果也较为良好，检测的难度将会被大大增加，如果运动物体和背景图的颜色较为相似的话，甚至可能会出现无法检测出的结果，因此为了使检测系统可以适应不同环境下的不同情况，就必须要自己手动改变一些参数，还要不停的调整和优化程序。
 
图 4.4  OpenCV夜晚检测运动物体实验结果图
Fig. 4.4 OpenCV night moving object detection test result diagram
背景为白天时，实验参数的选取：
4）cvCanny( pFrImg,forecanny,50,75,3);
5）cvThreshold(pFrMat, pFrImg, 64, 255.0, CV_THRESH_BINARY);
    阈值选取：64，大于此阈值时，取最大值255。
6）cvCanny( pFrImg,forecanny,50,75,3);
8|CV_FLOODFILL_FIXED_RANGE|CV_FLOODFILL_MASK_ONLY|(255<<8),NULL);
三个阈值分为取为：cvScalar1=255；cvScalar2=0；cvScalar3=0。
图4.5为实验结果图：从图中可以看出，相对于处于位置较远的运动物体在检测视屏中，需要调试参数，在实际操作中，速度较快的物体如何被检测跟踪是个难点。
 
图 4.5 白天检测运动物体的效果图
Fig. 4.5 The day detection of moving objects by rendering
4.2  OpenCV的跟踪框架搭建——结合OpenCV 模块设计实验结果 OpenCV移动目标物体的检测跟踪的研究(13):http://www.youerw.com/jisuanji/lunwen_524.html