目前，许多运动检测技术都是基于简单的背景差分概念的，即假设摄像头（视频）的曝光和场景中的光照条件是稳定的，当摄像头捕捉到新的帧时，我们可以从参考图像中减去该帧，并取这个差的绝对值，以获得帧中每个像素位置的运动测量值。如果帧的任何区域与参考图像有很大的不同，我们就认为给定区域中是一个运动物体。
常用的有MOG2：
fgbg = cv2.createBackgroundSubtractorMOG2(
detectShadows=False, # disable shadow det[......]
1 图片读取与通道
图片读取后，默认是个numpy的3维数组(row行数是height, col高度是图片宽度，3是BGR通道)
import cv2
img1 = cv2.imread('./dog_backpack.png')
img1.shape
(1401, 934, 3)
注意上面通道顺序是BGR哦，反人类吧，需要做转换，才能正常显示图片，如下：
img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
import matplo[......]
def check_blank_image(file):
img = cv2.imread(file)
if img is None:
return False
# grary
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# threshold to two value image
ret,thresh = cv2.threshold(img, 150, 255,cv2.THRESH_BINARY)[......]
1 左右拼接(height要求一样)
import cv2
from google.colab.patches import cv2_imshow
img_left = cv2.imread("./left.jpg")
img_right = cv2.imread("./right.jpg")
img = cv2.hconcat([img_left, img_right])
cv2.imwrite("merge.jpg", img)
2 垂直拼接(width要求一样）
i[......]