用30行Python代码实现实时运动检测！OpenCV+MOG2+开运算，摄像头下无所遁形（万字详解可复制）

用30行Python代码实现实时运动检测！OpenCV+MOG2+开运算，摄像头下无所遁形（万字详解可复制）

CSDN 原创首发 | 作者：你的名字
标签：OpenCV、运动检测、MOG2、背景建模、开运算、形态学、轮廓检测
阅读时间：约 60 分钟
核心代码：30行（不含注释）实现摄像头实时运动检测，精准框出移动物体！

目录

1. 引言：为什么你需要这个项目？
2. 最终效果与项目概览
3. 环境配置与依赖安装
4. 核心算法原理速览
   • 4.1 背景减除的前世今生
   • 4.2 MOG2 混合高斯模型详解
   • 4.3 开运算：先腐蚀后膨胀的魔法
   • 4.4 轮廓周长过滤策略
5. 完整源代码（不修改版）
6. 逐行代码深度解析（万字核心）
   • 6.1 摄像头初始化
   • 6.2 十字形卷积核的选择
   • 6.3 背景建模器创建
   • 6.4 主循环：读取与显示原始帧
   • 6.5 前景提取：fgmask.apply
   • 6.6 开运算去噪：fgmask_new
   • 6.7 轮廓检测：findContours
   • 6.8 周长过滤与矩形框绘制
   • 6.9 结果展示与按键退出
7. 运行效果展示与实时画面分析
8. 参数调优与避坑指南
   • 8.1 卷积核形状与大小
   • 8.2 MOG2 高级参数
   • 8.3 周长阈值的选择
   • 8.4 阴影检测的取舍
9. 拓展实战：从运动检测到目标跟踪、入侵报警
10. 总结与感悟

1. 引言：为什么你需要这个项目？

想象一下，你仅需几行 Python 代码，就能让电脑摄像头自动识别画面中移动的人或物体，并用醒目的绿框实时圈出它们——这并非科幻，而是计算机视觉中最经典、最实用的技术之一：运动检测。

无论你是想做一个低成本的家庭安防系统，还是为机器人赋予感知移动障碍的能力，抑或是在课堂上向学生展示图像处理的魅力，这个项目都将是你踏入视频分析世界的绝佳起点。本文将以一段完全可运行、极其精炼的 Python 代码为核心，逐字逐句拆解其实现细节，并深入探讨背后的算法原理。全文超过1 万字，不惜篇幅只为让你彻底弄懂MOG2 背景建模、开运算去噪、轮廓周长过滤三大核心环节。而且，本人郑重承诺：绝不修改你提供的源代码，所有讲解都将围绕原汁原味的脚本展开。

读完它，你不仅能够复现一个酷炫的实时运动检测器，更能收获一整套可以迁移到其他视觉任务的“内功心法”。

2. 最终效果与项目概览

运行代码后，你的电脑将调用默认摄像头，屏幕上同时显示四个窗口：

• frame：原始彩色视频流，没有任何处理，保留真实画面。
• fgmask：MOG2 算法直接输出的前景掩膜（二值图），白色区域代表运动像素，黑色代表静止背景。
• fgmask1：对前景掩膜执行开运算后的结果，噪点明显减少，前景目标更干净。
• fgmask_new_rect：在原始帧上绘制绿色矩形框的最终画面，每个移动物体都被框出。

当有行人走过、手臂挥动或物体移动时，相应的区域会立即被绿色框标记。按下键盘左上角的ESC键即可退出程序。

整个过程流畅且实时，代码仅用了不到 40 行（含注释），展现了 OpenCV 强大的高层封装能力。下面，让我们先搭建好环境，再一头扎进代码的海洋。

3. 环境配置与依赖安装

本实现完全基于 Python 和 OpenCV，没有任何其他框架的要求。你可以按照以下步骤快速配置：

第一步：安装 Python
确保你的系统安装有 Python 3.6 或更高版本。可通过命令行输入python --version检查。

第二步：安装 OpenCV
使用 pip 安装 opencv-python 包：

pipinstallopencv-python

如果你希望使用更轻量的 headless 版本（无 GUI 功能），可安装opencv-python-headless，但本例需要显示窗口，故使用完整版。

第三步：检验安装
打开 Python 交互环境，输入import cv2，若无报错即表示安装成功。

注意：默认摄像头索引为0（通常指笔记本内置摄像头）。如果你使用外接 USB 摄像头，可能需要修改为1或2，具体设备编号可通过cv2.VideoCapture多次尝试。

4. 核心算法原理速览

在深入代码之前，我们先建立算法层面的宏观认知，这将帮助你理解为何这几行代码如此有效。

4.1 背景减除的前世今生

运动检测最直接的方法是帧差法：将当前帧与前一帧相减，变化大于阈值的像素判为前景。但这会带来大量噪声，也无法处理暂时静止的物体重新运动的情况。

更先进的方案是背景减除：维护一个背景模型，将当前帧与其比较，差异大的区域视为前景。关键挑战在于背景模型需要不断更新以适应光照变化、树叶摇曳等动态场景。

4.2 MOG2 混合高斯模型详解

OpenCV 提供的cv2.createBackgroundSubtractorMOG2正是基于自适应混合高斯背景建模的算法。原理如下：

• 为图像中每个像素点建立K 个高斯分布（通常 K=3~5），每个分布都有权重、均值和方差。
• 当新的一帧到来时，对于每个像素点的新值，将其与已有的 K 个高斯分布逐一比较，若其像素值落在某个分布的标准差范围内，则认为该像素与该分布“匹配”。
• 匹配的分布参数会进行更新（均值、方差、权重增大），未匹配的分布权重衰减。若没有任何分布匹配，则用当前值新建一个分布，替代权重最小的那个分布。
• 最终，将这些高斯分布按权重与方差的比值从大到小排序，排名靠前的分布（通常取前 B 个）被视作背景模型。如果当前像素值匹配背景模型中的某个分布，则判定为背景；否则则为前景。

MOG2 相较于原始的 MOG 改进之处在于：可以自动选取每个像素的最佳 K 值（不需固定），且对阴影检测有特殊处理（本例中我们使用了默认参数，未关闭阴影检测，但依然能良好工作）。

4.3 开运算：先腐蚀后膨胀的魔法

直接从 MOG2 获得的前景掩膜常包含孤立的白点噪声和前景物体内部的空洞。形态学操作用来处理这类问题：

• 腐蚀 (Erosion)：用核在图像上滑动，只有当核内所有像素都为 1 时，中心点才为 1；否则为 0。效果：白色区域（前景）被“蚕食”，细小白点消失，物体边界收缩。
• 膨胀 (Dilation)：只要核内有一个像素为 1，中心点就为 1。效果：白色区域扩张，可以连接邻近区域，填充小孔。
• 开运算 (Opening)：先腐蚀，再膨胀。组合效果：消除小噪点、断开细长连接，同时大致恢复物体原来的大小。这正是本代码采用的操作，cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)完美扣合去噪需求。

代码中使用了cv2.getStructuringElement(cv2.MORPH_CROSS, (3,3))，一个 3x3 的十字形结构元素，对去除孤立点特别高效。

4.4 轮廓周长过滤策略

经过开运算后，掩膜上仍可能存在一些面积极小的残存噪点。这时，我们通过cv2.findContours找到所有白色区域的轮廓，然后根据周长进行筛选：只保留周长大于 188 像素的轮廓，并在原图上绘制其外接矩形。这个阈值有效地过滤掉了随机的背景闪烁或细微的树叶晃动，只留下真正有意义的运动物体。

5. 完整源代码

以下为本文讲解的完整可运行代码。你可以直接复制到本地 Python 文件中，连接摄像头后运行。

importcv2# 调用摄像头，参数 0 表示默认摄像头cap=cv2.VideoCapture(0)# 定义形态学操作的卷积核kernel=cv2.getStructuringElement(cv2.MORPH_CROSS,ksize=(3,3))# 创建混合高斯模型用于背景建模fgbg=cv2.createBackgroundSubtractorMOG2()whileTrue:ret,frame=cap.read()ifnotret:break# 显示原始摄像头画面cv2.imshow('frame',frame)# 背景建模，提取前景（运动物体）fgmask=fgbg.apply(frame)cv2.imshow('fgmask',fgmask)# 开运算去噪点（先腐蚀后膨胀）fgmask_new=cv2.morphologyEx(fgmask,cv2.MORPH_OPEN,kernel)cv2.imshow('fgmask1',fgmask_new)# 寻找前景轮廓contours=cv2.findContours(fgmask_new,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[-2]# 复制一份原始帧，用于画矩形框frame_copy=frame.copy()forcincontours:perimeter=cv2.arcLength(c,closed=True)# 过滤掉周长过小的轮廓，只保留较大的运动物体ifperimeter>188:x,y,w,h=cv2.boundingRect(c)# 在复制的帧上画矩形框，避免直接修改原始帧cv2.rectangle(frame_copy,(x,y),(x+w,y+h),(0,255,0),2)# 显示带矩形框的结果cv2.imshow('fgmask_new_rect',frame_copy)# 按 ESC 键退出k=cv2.waitKey(30)ifk==27:breakcap.release()cv2.destroyAllWindows()

6. 逐行代码深度解析（万字核心）

现在，我们进入万字核心环节，以“行级粒度”解读每一行代码的设计思想与实现细节。请坐稳扶好，这将是一场知识密度极高的旅程。

6.1 摄像头初始化

importcv2 cap=cv2.VideoCapture(0)

cv2.VideoCapture(0)创建一个视频捕获对象，参数0代表默认摄像头索引。操作系统会为已连接的摄像头分配 ID，多数笔记本内置摄像头 ID 为 0。若你有多个摄像头，可尝试 1、2 等，或者用循环测试cap.isOpened()来找到可用的那个。

cap对象随后会通过read()方法连续读入视频帧。若设备无法打开，cap.isOpened()会返回 False，但在本例中遇到读取失败时直接break退出。

6.2 十字形卷积核的选择

kernel=cv2.getStructuringElement(cv2.MORPH_CROSS,ksize=(3,3))

cv2.getStructuringElement返回指定形状和大小的结构元素（核），用于后续的形态学操作。参数解释：

• 形状：cv2.MORPH_CROSS是十字形核，其中心像素和上下左右四个像素为 1，四角为 0。形状像“╋”。相比于矩形核（全是 1）或椭圆核（圆形区域为 1），十字形核对孤立噪声点的去除特别敏感：因为一个孤立的白色像素（1）在腐蚀时，需要核内所有像素为 1 才能保留，而十字形核只有 5 个点的限制，比 9 个点的矩形核更容易将微小噪点腐蚀掉。因此擅长清除椒盐状的随机噪声。
• 尺寸：(3, 3)是很小的核，适合去除微细噪声而不严重破坏前景物体的形状。如果视频分辨率较高（如 1080p），可考虑增大到 (5, 5) 或 (7, 7)，但本例保持轻量，31 行代码中的设计已经足够。

为什么不用矩形核？
矩形核在腐蚀时会将所有方向同等程度蚕食，可能把物体边缘的细节也抹掉。十字形核保留了斜向的结构，对前景目标的完整性更友好。

6.3 背景建模器创建

fgbg=cv2.createBackgroundSubtractorMOG2()

我们创建了一个默认参数的 MOG2 背景减除器。没有显式设置参数，说明作者信任 OpenCV 的默认值。其默认参数如下（了解这些值有助于调参）：

• history=500：用于背景建模的历史帧数。过去 500 帧的信息会影响背景模型。
• varThreshold=16：方差阈值，用于判断一个像素是否与某个高斯分布匹配。数值越小，更多像素会被判为前景（更敏感）；越大则越严格。
• detectShadows=True：阴影检测默认开启。这意味着阴影像素不会被标记为纯白（255），而是被标记为灰色（127）。这个设计非常重要，因为在后续的开运算和轮廓检测中，灰色像素既不是完全的前景，也不是背景，会参与二值化吗？实际上，fgmask是一幅灰度图像，当执行形态学操作时，OpenCV 将非零像素视为前景（即包括了 127 的阴影）。但我们并没有特别排除阴影，只是依赖开运算和周长过滤来规避阴影造成的细长轮廓。尽管阴影检测开启，但最终效果依然不错，因为阴影往往面积大但周长相对小（长条状）？实际并非如此，阴影有时也会形成较大轮廓，但本例通过周长阈值>188已经能过滤掉大部分阴影噪点。后续我们可探讨关闭阴影检测。

6.4 主循环：读取与显示原始帧

whileTrue:ret,frame=cap.read()ifnotret:break

死循环逐帧读取摄像头画面。cap.read()返回两个值：ret为布尔类型，表示是否成功读取；frame是 BGR 格式的三维 numpy 数组。若摄像头断开或视频流结束，ret=False，退出循环。

cv2.imshow('frame',frame)

显示原始帧，窗口标题为frame，让操作者可以对比处理前后的效果。

6.5 前景提取：fgmask.apply

fgmask=fgbg.apply(frame)cv2.imshow('fgmask',fgmask)

fgbg.apply(frame)是核心引擎。它接收当前帧，内部维护的背景模型会自动更新，并返回前景掩膜fgmask。该掩膜是一张单通道灰度图像，每个像素的灰度值代表其属于前景的概率：255 表示确信的前景，0 表示背景，127（若阴影检测开启）表示检测到的阴影区域。

cv2.imshow('fgmask')直观地展示了这张掩膜图，你会看到移动的行人或手部区域呈现白色块，周围偶尔有灰色阴影区域。初次运行的几秒内，背景模型正在初始化，画面可能布满杂乱的前景噪点，但很快会稳定下来。

6.6 开运算去噪：fgmask_new

fgmask_new=cv2.morphologyEx(fgmask,cv2.MORPH_OPEN,kernel)cv2.imshow('fgmask1',fgmask_new)

这是提升检测质量的关键一步。cv2.morphologyEx执行泛化形态学操作，这里参数cv2.MORPH_OPEN指明为开运算。

• 开运算过程：先用kernel（3x3 十字）对fgmask进行腐蚀：只有核覆盖区域的所有像素 > 0 时，中心才保留 255（或 127），否则置零。这会直接“吃掉”那些孤立的白色小点（噪点），同时会让大块前景的边界收缩。
• 紧接着进行膨胀：使用相同的核，只要核覆盖区域有任一非零像素，中心就置为非零。这会将刚刚收缩的前景边缘扩张回来，大致恢复原来的大小，但那些已经被完全腐蚀掉的噪点不会再生。

最终效果：小的背景噪点被根除，前景物体保持完整，但内部的细小孔洞可能依然存在（开运算不能填充空洞，它侧重于去噪）。这正是我们想要的前景优化。

窗口名称fgmask1是为了区别于原始掩膜，便于对比观察。你也可以在运行时看到，fgmask1比fgmask干净很多。

6.7 轮廓检测：findContours

contours=cv2.findContours(fgmask_new,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[-2]

cv2.findContours从二值图像中提取轮廓。虽然fgmask_new实际上可能是多值图像（有 127 阴影），但findContours会将所有非零像素（包括 127）视为白色区域来处理，所以阴影也可能产生轮廓，这需要后续周长过滤来排除。

参数详解：

• cv2.RETR_EXTERNAL：只检测最外层轮廓，不关心轮廓内部的孔洞。因为我们只想要每个运动物体的外边界，不需要内部嵌套的轮廓。
• cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直、对角线方向上的冗余点，只保留拐点。例如一个矩形轮廓只需 4 个点即可完整表示，大大减少轮廓数据量。

返回值处理：不同 OpenCV 版本findContours返回值个数不同（2 个或 3 个）。使用[-2]是稳妥的“倒数第二个元素即为轮廓列表”的获取方式，避免版本兼容性问题。

6.8 周长过滤与矩形框绘制

frame_copy=frame.copy()forcincontours:perimeter=cv2.arcLength(c,closed=True)ifperimeter>188:x,y,w,h=cv2.boundingRect(c)cv2.rectangle(frame_copy,(x,y),(x+w,y+h),(0,255,0),2)

① 复制帧：
frame_copy = frame.copy()必须存在，因为我们要在画面上绘制矩形，若直接在原帧上修改，会影响后续轮次可能再次使用的原始数据，且可能破坏原始显示窗口。使用副本还可以避免一些潜在的内存重叠问题。

② 周长计算：
cv2.arcLength(c, closed=True)返回轮廓的周长（像素单位）。closed=True表示轮廓是封闭的，周长将包括闭合段。

③ 周长阈值过滤：
if perimeter > 188:是本例唯一的滤波条件。188 是一个经验值：对于一般网络摄像头 640x480 的分辨率，行人的手臂或整个人体轮廓的周长通常大于 200 像素，而小的背景噪点（如树叶晃动、轻微反光）的周长远小于此。该阈值可以根据实际场景调整，后文详细讨论。

④ 获取外接矩形：
cv2.boundingRect(c)返回轮廓的最小正外接矩形（x, y, w, h），其中 (x, y) 是左上角点，w 为宽，h 为高。

⑤ 绘制矩形：
cv2.rectangle()在frame_copy上绘制一个矩形，参数依次为：图像、左上点、右下点、颜色（BGR 格式，绿色）、线宽 2 像素。

这样，所有周长大于 188 的运动轮廓都会被绿框标记。注意，阴影轮廓即使周长大于 188 也可能被框出，但阴影通常成片状，其外接矩形可能较宽扁，如果你发现阴影误检，后续可以增加宽高比或面积过滤，但原始代码并未增加，说明在作者的摄像头场景下，周长阈值已经能较好地区分。

6.9 结果展示与按键退出

cv2.imshow('fgmask_new_rect',frame_copy)k=cv2.waitKey(30)ifk==27:breakcap.release()cv2.destroyAllWindows()

cv2.imshow显示绘有矩形框的最终结果。窗口名fgmask_new_rect可能略显奇怪，但无伤大雅。

cv2.waitKey(30)等待 30 毫秒，同时接收键盘按键。30ms 对应约 33 帧/秒的刷新率，如果实际摄像头帧率更高，画面可能播放更快；反之则慢。你可以调整该值来控制播放速度。

按下键盘左上角的ESC键（ASCII 码 27）时，k == 27成立，退出循环。然后是资源释放和窗口销毁。

7. 运行效果展示与实时画面分析

将代码保存为motion_detect.py，在命令行执行python motion_detect.py，电脑摄像头将自动开启，弹出四个窗口。

初始几秒：背景模型处于学习阶段，fgmask窗口一片杂乱，许多非运动区域被误判为前景。同时fgmask_new_rect窗口可能框出很多奇怪的小框。这是正常现象，MOG2 需要一定帧数（默认 500 帧）来稳定背景。

稳定后：

• frame和fgmask_new_rect窗口几乎同步。当你静止站立时，框消失；当你挥动手臂或走动，手臂/身体区域立即出现绿色矩形，响应迅速，边界基本贴合目标。
• fgmask窗口显示黑白纹理，运动部分为白色，可能带有灰色阴影轮廓。
• fgmask1窗口看起来比fgmask更“干净”，背景的椒盐状噪点基本消失，但运动主体轮廓保持良好。

离开镜头再回来：如果你走出画面再返回，当你重新进入时，绿色框会立刻出现，说明背景模型已稳定且能快速适应重新出现的运动。

按下ESC键，所有窗口关闭，程序正常结束。

8. 参数调优与避坑指南

原代码能够正常工作，但不同场景（室内、室外、光线变化快）可能需要微调参数。以下给出调整方向，不会修改源代码，仅提供参考。

8.1 卷积核形状与大小

• 当前使用：十字形 3x3。十字形适合孤立点噪声，但对于一些线状的噪点（如地面反光），可能要去除不彻底。
• 可以尝试：矩形核cv2.MORPH_RECT或椭圆形核cv2.MORPH_ELLIPSE，以及更大的尺寸(5,5)。核越大，去噪越强，但前景物体边缘会被腐蚀得越厉害，小物体可能消失。
• 建议：如果场景噪点非常密集，可先用 3x3 矩形核做一次闭运算（填充前景空洞）再进行开运算。但原始代码仅用了开运算，足够应对多数情况。

8.2 MOG2 高级参数

通过在创建时传入参数，可以调整背景建模行为：

• history：减少历史帧数（如 200）可以让模型更快适应背景变化，但可能引入更多误检；增大则可获得更纯净的背景。
• varThreshold：默认 16。如果你发现运动物体经常断裂，可降低至 8~12；如果背景噪音太多，可升至 32。
• detectShadows：设为False可以关闭阴影检测，将所有前景统一为纯 255，简化后续处理，消除阴影误检。若设为False，则不存在灰色 127 的像素。但原代码没关，说明作者可能想保留阴影信息，或者当前场景阴影影响不大。

如果关闭阴影检测，代码变为：

fgbg=cv2.createBackgroundSubtractorMOG2(detectShadows=False)

这样fgmask只含 0 和 255，开运算会更彻底。

8.3 周长阈值的选择

perimeter > 188这个值非常依赖摄像头分辨率和与目标的距离。

• 如果你使用 1080p 摄像头，行人的周长可能在 300~800 像素，阈值应提高到 300 甚至更高，否则远处微小的行人也会被丢弃。
• 如果摄像头画面中物体普遍较小（如你想检测桌面上的手势），阈值应降低到 50~100。
• 添加面积辅助过滤：原代码只用了周长，可能偶尔还会框住一些细长阴影。你可以在if perimeter > 188内部再增加面积和宽高比检查，例如：

  ifperimeter>188:x,y,w,h=cv2.boundingRect(c)area=cv2.contourArea(c)ifarea>500andh/w>0.3:# 自定义条件cv2.rectangle(...)

但原代码为了简洁没有添加，我们讲解时仍尊重原文。

8.4 阴影检测的取舍

阴影检测（detectShadows=True）会将阴影像素标记为 127。优点是可以区分运动物体和其产生的阴影；缺点是需要特别处理，否则阴影也会形成轮廓。

如果你保持阴影检测开启，可以在fgmask获取后，手动将 127 的像素清零：

fgmask[fgmask==127]=0

或者在开运算后进行此操作。但原代码未做处理，说明在作者的环境下，阴影并没有造成明显干扰，这可能得益于周长阈值已经排除了大部分阴影轮廓（阴影轮廓常细长，周长虽大但可能被开运算打散）。所以在学习时，你可以先保留原样，观察阴影影响再决定是否处理。

9. 拓展实战：从运动检测到目标跟踪、入侵报警

你现在已经拥有了一个基础的运动检测器。基于它，可以快速衍生出许多实用功能，这些扩展都不需要对源代码进行大改动。

9.1 运动跟踪与计数

• 目标跟踪：为每个检测框分配一个唯一 ID，在连续帧中利用中心点距离或 IOU 进行匹配，实现多目标跟踪。常用算法：cv2.Tracker系列或简单的卡尔曼滤波。
• 人流量统计：在画面中画一条基准线，当检测框的中心从线上方穿越到下方（或反之），计数器+1。

9.2 入侵检测与报警

设定感兴趣区域（ROI），当有检测框与该区域有交集时，触发报警（发出蜂鸣声、保存帧图像、发送通知）。

9.3 结合深度学习

对frame_copy中的每个检测框区域，送入一个轻量级目标检测模型（如 YOLO-nano），进一步分类是“人”还是“车”，过滤掉非目标运动。

9.4 视频录制

使用cv2.VideoWriter将带检测框的视频流保存为文件，方便事后回放分析。

所有这些扩展都可以在现有while循环内添加少量逻辑即可完成，体现了基础运动检测作为“底座”的灵活性。

10. 总结与感悟

本文耗时上万字，围绕一段仅 30 余行的摄像头运动检测代码，进行了从原理到实践的全方位拆解。我们看到了 MOG2 自适应背景建模的强大，体会了开运算“先腐蚀再膨胀”对噪声的克制，也理解了周长阈值在轮廓筛选中的重要角色。

核心要点回顾：

• 使用cv2.VideoCapture(0)调取摄像头，cap.read()循环抓帧。
• fgbg.apply(frame)生成前景掩膜，MOG2 自动更新背景。
• 十字形核开运算cv2.morphologyEx(..., MORPH_OPEN, kernel)去除噪点。
• findContours+ 轮廓周长过滤 +boundingRect+rectangle框出运动目标。
• 按ESC键退出。

这个项目麻雀虽小，五脏俱全，完美体现了“用最简单的工具解决实际问题”的工程哲学。无论你是刚入门 OpenCV 的新手，还是想快速实现某个原型的开发者，希望这篇文章都能为你点亮一盏明灯。

最后，如果你觉得本文有帮助，请不要吝啬你的点赞、收藏、转发和关注！有任何疑问、调参心得或创意想法，欢迎在评论区畅所欲言，让我们一起进步。

全文完。感谢你的耐心阅读！机器视觉之路漫长，但每一步都精彩。我们下次见！