开始考虑使用滤波函数，在使用了几个常用的滤波函数后，发现无论是速度还是时间都无法令人满意，于是决定自己写一个。
首先做一个两行的mask掩膜，第一行为0，第二行的前10与后10行为1，在两张图片进入fttmove函数后进行行分割，对分割后的行进行组合并傅里叶变换，将掩膜与该数组相乘，得到低通滤波后的图像，将该图像逆傅里叶变换得到能量图。
再做一个与图像同大小的iimg掩膜，使用np.astype将图像中的点都转化为整型并储存在iimg中，设置一个滤波阈值lvValue,当有元素<lvValue时，将其替换为0，当有元素>255-lvValue时，将其替换为0。使用np.convolve对iimg做卷积运算。最后的得到的动态滤波效果为：
对其提取轮廓画矩形：
得到效果如图所示。
现在处理的效果已经基本满意，接下来就要提取外轮廓，然后准备用Linux进行交叉编译上机了。
想到写手记的时候图像处理阶段其实已经差不多成型了，看看以后有没有时间再来发个总结。下一个阶段就是要进行目标识别以及跟踪了，要用到机器学习的内容。现在的想法就是先大体上搭一个BP神经网络然后疯狂调参，后面要用到什么就现学，嗯，大体上就这样吧，争取本周把图像处理部分搞定，然后再说然后的事。
滤波代码：
def fttmove(frame1, frame2):
index = 0
for i in range(0,High,SteppingH):
new_gray_array[0,:] = frame1[i,::SteppingW]
new_gray_array[1,:] = frame2[i,::SteppingW]
f = np.fft.fft2(new_gray_array)
f = f * mask
ifft2line = np.fft.ifft2(f)
iimg[index,:] = ifft2line.astype(np.int)[1,:] #np.astype将图像转换为整型
iimg[index,:][iimg[index,:] > 255 - lvValue] = 0 #有元素> lvvaule替换为值x：
iimg[index,:][iimg[index, :] < lvValue] = 0 #有元素<lvValue将其替换为0
iimg[index,:] = np.convolve( iimg[index,:], conMask, mode='same') #numpy函数中的卷积函数库
# print('iimg_arry=' + str(iimg[index,:]))
# start2 = time.clock()
# print('Time2:%s' % (start2 - start1))
index = index + 1
return iimg
