我有一个 ConcurrentQueue 正在填充图像流。为简单起见，假设它们是来自网络摄像头的帧。
我最想做的是检测
大概我需要在最后 N 帧上合成一个参考图像（以便考虑半永久性变化，例如白天/黑夜、停放的汽车等），然后将当前帧与参考帧进行区分。
帧具有（最小）噪声水平，因此精确的颜色比较不是一个可行的选择。
我敢肯定我以前看过这方面的教程（最终形成一个围绕大面积运动的“盒子”），但我现在找不到它们。
有人可以指出一个像样的算法/教程吗？
如果您只是想要一个可行的解决方案，ZoneMinder 或 Motion 是两个使用 video4linux 接口在 linux 下运行的软件。
如果您出于某种原因需要自己动手，可以使用很多技术或策略。您所概述的内容基本上处于正确的轨道上。但是，您缺少一些重要的细节。
由于相机是静止的，请记录最后 N 帧作为“背景”图像。平均它们。
http://opencv.willowgarage.com/documentation/cpp/imgproc_motion_analysis_and_object_tracking.html
从当前图像中减去背景。你剩下的我们称之为前景。
http://opencv.willowgarage.com/documentation/cpp/core_operations_on_arrays.html#cv-absdiff
可选地执行膨胀或腐蚀（或两者）以消除噪声或连接近连接区域。
http://opencv.willowgarage.com/documentation/image_filtering.html#dilate
对前景图像设置阈值以确定什么是重要的，什么不是。
http://docs.opencv.org/doc/tutorials/imgproc/threshold/threshold.html
（可选）使用 findContours 函数来获取“移动”内容的描述
http://docs.opencv.org/doc/tutorials/imgproc/shapeescriptors/find_contours/find_contours.html
一旦你有了轮廓，你还可以找到边界矩形，如果这就是你想要的。
这不会是完美的，在调试或优化时，您必须在每一步之后显示输出，以确定哪些工作正常，哪些工作不正常。花一些时间构建基础设施以使这更容易。一旦你有了源数据和大部分工作管道，调整以获得你想要的结果是非常可行的。