目標跟蹤是對攝像頭視頻中的移動目標進行定位的過程，有著非常廣泛的應用。實時目標跟蹤是許多計算機視覺應用的重要任務，如監控、基于感知的用戶界面、增強現實、基于對象的視頻壓縮以及輔助駕駛等。

有很多實現視頻目標跟蹤的方法，當跟蹤所有移動目標時，幀之間的差異會變的有用；當跟蹤視頻中移動的手時，基于皮膚顏色的均值漂移方法是最好的解決方案；當知道跟蹤對象的一方面時，模板匹配是不錯的技術。

本文代碼是做一個基本的運動檢測

考慮的是“背景幀”與其它幀之間的差異

這種方法檢測結果還是挺不錯的，但是需要提前設置背景幀，如果是在室外，光線的變化就會引起誤檢測，還是很有局限性的。

import cv2import numpy as npcamera = cv2.VideoCapture(0) # 參數0表示第一個攝像頭# 判斷視頻是否打開if (camera.isOpened()):  print('Open')else:  print('攝像頭未打開')# 測試用,查看視頻sizesize = (int(camera.get(cv2.CAP_PROP_FRAME_WIDTH)),    int(camera.get(cv2.CAP_PROP_FRAME_HEIGHT)))print('size:'+repr(size))es = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (9, 4))kernel = np.ones((5, 5), np.uint8)background = Nonewhile True:  # 讀取視頻流  grabbed, frame_lwpCV = camera.read()  # 對幀進行預處理，先轉灰度圖，再進行高斯濾波。  # 用高斯濾波進行模糊處理，進行處理的原因：每個輸入的視頻都會因自然震動、光照變化或者攝像頭本身等原因而產生噪聲。對噪聲進行平滑是為了避免在運動和跟蹤時將其檢測出來。  gray_lwpCV = cv2.cvtColor(frame_lwpCV, cv2.COLOR_BGR2GRAY)  gray_lwpCV = cv2.GaussianBlur(gray_lwpCV, (21, 21), 0)  # 將第一幀設置為整個輸入的背景  if background is None:    background = gray_lwpCV    continue  # 對于每個從背景之后讀取的幀都會計算其與北京之間的差異，并得到一個差分圖（different map）。  # 還需要應用閾值來得到一幅黑白圖像，并通過下面代碼來膨脹（dilate）圖像，從而對孔（hole）和缺陷（imperfection）進行歸一化處理  diff = cv2.absdiff(background, gray_lwpCV)  diff = cv2.threshold(diff, 25, 255, cv2.THRESH_BINARY)[1] # 二值化閾值處理  diff = cv2.dilate(diff, es, iterations=2) # 形態學膨脹  # 顯示矩形框  image, contours, hierarchy = cv2.findContours(diff.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 該函數計算一幅圖像中目標的輪廓  for c in contours:    if cv2.contourArea(c) < 1500: # 對于矩形區域，只顯示大于給定閾值的輪廓，所以一些微小的變化不會顯示。對于光照不變和噪聲低的攝像頭可不設定輪廓最小尺寸的閾值      continue    (x, y, w, h) = cv2.boundingRect(c) # 該函數計算矩形的邊界框    cv2.rectangle(frame_lwpCV, (x, y), (x+w, y+h), (0, 255, 0), 2)  cv2.imshow('contours', frame_lwpCV)  cv2.imshow('dis', diff)  key = cv2.waitKey(1) & 0xFF  # 按'q'健退出循環  if key == ord('q'):    break# When everything done, release the capturecamera.release()cv2.destroyAllWindows()