在这篇文章中，我们将探讨机器视觉中的运动检测。有两种非常常见的方法来实现这个目标：第一种称为差分运动检测(motion by difference )，第二种称为光流(optical flow)。差分运动检测是一种简单且计算量不大的方法，但它提供的信息有限。您可以判断是否发生了运动，并确定运动发生的区域，但无法很好地了解运动的方向和速度。另一方面，光流计算量很大，但能提供大量信息。您可以得到图像中不同小区域的运动速度和方向向量。光流需要先了解一种称为遮罩(masking)的机器视觉方法，因此今天我们只讨论差分运动检测。我将首先介绍这种方法的理论背景，然后在我们的Python代码中设置差分运动检测，并进行一些实验以了解其效果。

我们再来看一个图像减法的应用，这个应用叫做背景减法。我们之前讨论过的图像减法应用是颜色减法，这种方法只有在我们知道所寻找对象的颜色时才有效。而背景减法则不同，即使我们不知道所寻找对象的颜色，它也能起作用。但是，背景减法只在图像非常静止且我们寻找的对象进入或离开视野时才有效。让我们通过编写一些代码来学习背景减法的工作原理。

在背景减法中，我们只想看到视野中新的或不同的东西。我们可以通过拍摄一张照片，将其保存为某个变量，然后等到一个新对象进入视野，再拍摄一张新照片。我们可以将旧图像减去新图像，这样就会得到第三张图像，显示两张图像之间的不同之处。让我们编写一些代码来实现这一点。首先，我们要改变的是，不再将图像分解为各个颜色分量，而是使用一个内置的OpenCV函数将彩色图像转换为灰度图像，这个函数叫做cvtColor。cvtColor需要两个输入参数：我们想要转换的图像和一个算法调用，告诉它我们想要如何转换颜色。我们将使用COLOR_BGR2GRAY，使用OpenCV内置的红绿蓝到灰度转换。这种转换不会将图像分解为各个颜色分量，而是以一种模拟人眼感知颜色的方式进行转换。

我们了解到，图像在数学上表示为数字矩阵。这可能是机器视觉中最重要的基本概念，因为一旦我们认识到图像是数字，我们就意识到我们可以对图像执行数学运算。机器视觉领域的大部分工作都在于弄清楚我们可以对图像应用哪些数学运算和算法，以便获得我们从图像中提问的答案。

今天，我们将介绍一些在机器视觉中特别有用的简单数学运算。我们将从图像减法开始，并将其应用于两种不同的情况，两者的目的是在图像中隔离单个对象。然后，我们将介绍一种平均运算，这将帮助我们找到隔离对象的位置。