2.6  本文设计的检测、分析算法
2.6.1  Gauss滤波平滑算法
图像需要被预处理在本论文的检测实验原理中。对于摄像头采集到的实时的视频序列图像，为了提升检测的准确性和精度，降低后续处理分析工作的负担，就需要事先进行局部的滤波处理。OpenCV库中平滑处理函数cvSmooth，函数的原型为：void cvSmooth(const CvArr* src,CvArr* dst.int smoothtype.param1=3,double param2, double param3,double param4);函数中，参数const CvArr* scr表示输入的元图像序列或者图像象素点的矩阵；int smoothtype:表示滤波的方式，对于OpenCV提供了较为多种的滤波方式，共有5种，比如CV_GAUSSIAN:表示高斯滤波；CV_MEDIAN：表示中值滤波方式。对于帧图像中的噪点问题，高斯滤波能有效地解决，较好的呈现出图像的清晰度。本论文对滤波问题的设计关键代码为：
cvSmooth( image, out, CV_GAUSSIAN, 3, 3 );
其中，参数CV_GAUSSIAN表示为：对图像进行核大小为3×3的高斯卷积。
2.6.2  阈值二值化图像处理（OTSU）
OTSU阈值方法在本文中被用来对图像进行了二值化的分割，并且为了解决画面实时变化的客观存在的原因，图像二值化的过程中还伴随着实时更新背景图像，结合两者，使得检测目标物体的运动和跟踪都有良好的效果。
2.6.3  背景差分法图像的二值化算法
    检测流程中，后续跟踪效果是取决于是否能够精确的提取前景物。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，保证切割前景图的完整。最后利用背景差分法成功将前景物从背景中提取出来。其整个过程示意图如下图2.6所示：
 
图 2.6  提取前景物的流程示意图
Fig. 2.6 The process of extracting prospect object diagram
    本文是经过阈值分割形成的二值图像，此结果图为RGB空间检测出的结果。处理图像的这部分的过程是将前景图像和背景图像进行差值运算，然后根据设定的阈值，将前景图做二值化。OpenCV提供了直接可以用于求差图像的数学函数：cvAbsDiff()，再通过OTSU算法来求取分割的阈值T，接着通过二值化函数：void cvThreshold(const CvArr* src, CvArr* dst, double threshold,double max_value, int threshold_type)对于图像进行二值化分析处理。其中的参数表示含义为：src：表示为源图像；dst：表示为目标输出图像；threshold threshold_type：表示的是阈值类型，有两种形式：CV_THRESH_BINARY,CV_THRESH_BINARY_INV。前者表示当源图像中的某点的像素值大于之前所设定的threshold时，其值取max_value；后者，对应的就是，当小于所设定的threshold时，取max_value。
2.6.4  图像填充算法
     从采集到的帧图像中可以看出，物体在边缘处的地方容易和背景图的颜色混淆，那么对于算法中，容易将这些部分二值化成黑色或者白色，容易造成识别物体的不精准性，所以为了提高识别物体的精确度，那么在原本的阈值二值化的过程之前加入图象填充这个步骤，整个实现步骤为：
    1)    对于情景图和背景图进行差值计算
    2)    对于所得到的差值图像进行边缘检测
    3)    将边缘检测的结果追加到之前的二值化图像中；第四阶段，根据轮廓，将其中的空档填满
2.6.5  OpenCV的跟踪框架搭建
    OpenCV作为主要支持视频码流的分析和处理，对于移动物体的跟踪，也发布了自己本身的算法团块（OpenCV中将移动物体认定为某个团块，即对于图像中目标物体的检测和跟踪都是基于此团块。整个实现过程，将功能的实现分别分成几个模块各自运作：前景分析检测模块；新团块检测模块；团块的实时跟踪模块；团块轨迹是生成模块。其原理过程示意图如图2.7所示： OpenCV移动目标物体的检测跟踪的研究(9):http://www.youerw.com/jisuanji/lunwen_524.html