2）图象的填充。利用边缘检测只能检测出边缘在目标物体被检测出之后，为了能更好的辨识出物体就利用形态学上的漫水填充算法。
2.4.3  初始化和实时更新背景图像
在做图像差分之前，需要初始化一副背景图，在之后的检测中和当前实时的背景图才能被进行差分计算，这样效果良好的前景图像就可以被得到。第一帧背景图像可以通过指定法确定，第一张图片被指定作为背景图像，在整个检测过程中通过算法可以实时更新背景图像。如果可以人工指定一张背景图，可以很好的分离前景图和背景图在理论上来说，但是在实际应用中可能会遇到系统性能发生故障并且也不能完全依靠人工的实时去获得首张背景图。因此在实际应用中较长使用的方式是选择更新算法，所以对于第一张背景图像的选择就很重要。
整个图像的初始化流程整体有以下几点：
（1）判断读取的是否为第一帧图像，如果是则需要初始化；
（2）先把对于OpenCV处理图像的格式转换为单通道灰度值；
（3）将实时采集到的图像进行高斯的平滑滤波处理，在去除噪点之后能够得到的图像象素点为 ：cvSmooth(pFrameMat, pFrameMat, CV_GAUSSIAN, 3，0，0)；（高斯平滑处理图像函数格式）。
（4）对于图像进一步的去除噪点处理，可以使用形态学滤波：图像腐蚀cvErode(pFrImg, pFrImg, 0, 1)；图像膨胀cvDilate(pFrImg, pFrImg, 0, 1)。
    2.5  提取前景运动物体
    只有保证精确的提取前景物在检测流程中才可以获得满意的跟踪效果。在本论文中对于这个步骤运用了两个阶段：第一阶段：二值化图像，然后分割。第二阶段：对于图像的分析处理前，进行图像的填充，确保切割前景图的完整。整个过程示意图如下图2.5。
 
图 2.5  提取前景物的流程示意图
Fig. 2.5 The process of extracting prospect object diagram
    摄像头被设置于不同的环境和场景中，无论在室内或者室外，每个场景都是会不停的变化的，不管在室内还是在室外，采集的视频图像都会被灯光和光照所影响，隐刺为了能够在前景图中获得目标物体，就需要使用有效的手段对于检测系统有效的提高实时的背景更新。
    在处理和分析完图像后就是区别前景图像和背景图像，在复杂的背景图像中提取出目标的移动物体，在图像处理中，这种技术被称为图像分割技术。实际应用中较多的是：边缘检测、阈值分割、区域生长[15] 。
2.5.1  边缘检测
    目标物体被称作边缘检测[16]中的边缘,就是在前景物和背景图的交界处,这些部分通常是整幅图像中变化区别最大的地方:图像的亮度和灰度值都将产生跳变,一阶导的不连续行就会在数学算法模型中表现出来,因此利用图像的梯度函数就可以被用来求得图像的边缘,在实际运用中被广泛应用的有Sobel算子；Roberts算子；Canny算子；Prewitt算子。
2.5.2  阈值二值化的分割
对于检测物体从而得到的前景和背景的差图，阈值分割技术可以被用来将目标物体分离出图像，图像中每个像素点的处于灰度范围的某个灰度值先通过阀值分割确定，比较图像中各个像素的灰度值和之前确定阈值，比较完后的结果就是将所有的像素点分成了两类，一类为像素的灰度小于阈值，另一类为像素的灰度大于阀值。其分割的过程有两点：
    1）确定某个分割的阈值T。
    2）分割图像,其值取决于之前确定的阈值，并且进行二值化图像像素。选取合适 的阈值可以减少由于环境造成的光照影响，现在常用的动态阈值法有直方图法以及最大类间方差法（OTSU）[17]。 OpenCV移动目标物体的检测跟踪的研究(8):http://www.youerw.com/jisuanji/lunwen_524.html